Curso Geoestadistica

ESTADISTICA GEOESTADISTICA
MODELAMIENTO GEOLOGICO
DE BLOQUES

1.5 Kms.

Geology – Modeling / 1 july 2009

 Curso Geoestadistica

INDICE

CONCEPTOS BASICOS (BD, QAQC, Modelos)

ESTADISTICA (Media, CV, Análisis, correlación)

VARIOGRAFIA (Conceptos, Análisis)

CONCEPTOS BASICOS
(BD, QAQC, Modelos)

ESTADISTICA (Media, CV, Análisis, correlación)

VARIOGRAFIA (Conceptos, Análisis)

Geology – Modeling / 1 july 2009

Generalidades
La geoestadistica es una disciplina que permite analizar datos ubicados
en un espacio , por ejemplo
• Aplicación de técnicas geoestadísticas:
• Industria minera y meteorología
• Petróleo, pesca, remediación ambiental, …

• Requerida por el Negocio Minero:

• Tomar la mejor decisión posible frente a la incertidumbre
• La descripción numérica del depósito es una de las fuentes más importantes de
incertidumbre
• Reporte de recursos y reservas requiere evaluación de incertidumbre
• JORC, NI43-101, SAMREC, Código Chileno, …

• Requerida por la Legislación Ambiental:

• Nuevas leyes y regulaciones requieren presentar cuantificación de
concentraciones de contaminantes incluyendo la incertidumbre o error en la
medida
Generalidades
• La estadística se ocupa de los métodos científicos para recolectar, organizar,
resumir, presentar y analizar datos así como obtener conclusiones válidas y
tomar decisiones razonables en base a dicho análisis

• La geoestadística es una rama de la estadística aplicada que pone énfasis

en:
• El contexto geológico de los datos
• La relación espacial entre los datos
• Datos medidos con un soporte volumétrico y precisión diferentes.

• La geoestadística es útil para:

• Cuantificar aspectos geológicos (“ponerle números a la geología”)
• Estimación / Simulación
• Cuantificación de la incertidumbre (categorización)
• Diseño de muestra
• Análisis de riesgo
Ventajas del modelamiento geoestadístico
• Práctica / consistencia con los datos  la mejor estrategia para modelar la distribución espacial
de leyes minerales

• Repetible / auditoria-seguimiento

• Fácil de adjuntar datos incrementales (siempre que el modelo conceptual no cambie)

• Lo modelos 3-D llevan a mejores inventarios/reservas de mineral que un conjunto de

interpretaciones 2D

• Mejor modelamiento de la variabilidad o incertidumbre:

• Grado controlable de la variabilidad espacial (Variograma)
• Los estimadores de la reservas recuperables son más confiables (Med, Ind, Inf)

• Base para la integración de datos:

• Interpretación geológica
• Comportamiento de datos en el limite entre dos dominios (“duros” y “blandos”)
• Datos que representan diferente soporte de medición (Compositos y Bloques)
Aplicaciones
• La Geoestadística se puede aplicar en diferentes etapas del ciclo de vida de un depósito:

• Exploración: un modelo de pre-factibilidad para cálculo de inventario in-situ

• ¿Dónde perforar los nuevos sondajes?
• ¿Qué malla de perforación permitirá generar recursos bancables?

• Desarrollo: un modelo de factibilidad para cálculo de reservas recuperables y planificación de

largo plazo
• ¿Cuáles son los requerimientos de mezcla para asegurar un cierto abastecimiento a la planta?

• Producción: un modelo de producción para control de leyes y planificación de corto plazo

• ¿Cuánto dinero se pierde por mala asignación de bloques a la planta o botadero?

• Aspectos Ambientales: Caracterizar interacciones temporales y espaciales entre la operación

mina/planta y el medioambiente
• Una base de datos concentra toda la información cualitativa y cuantitativa de los sondajes
perforados durante el proyecto. Aunque, actualmente los Administradores de Base de Datos,
concentran TODA la información relevante del proyecto, incluso administración de contratos.

• Una base de datos puede ser tan grande como se quiera, siempre y cuando, tenga una
estructura lógica y consistente de tablas relacionadas.

• Debe tener vínculos que relacionan items entre sí, de manera que siempre exista una relación
entre el sondaje y los datos que se asocian a él.

• Lo que a Modelamiento geológico se refiere, la base de datos debe contener a los menos 4
grandes grupos de información, que se pueden usar en cualquier tipo de Programa de
Modelamiento tridimensional:

• Collar, con toda la información de localización de los sondajes o muestras.

• Survey, con toda la información de trayectoria de los sondajes.
• Assays, con todos los análisis químicos asociados a las muestras de intervalos de sondajes
o puntuales.
• Geology, con toda la información descrita por los geólogos.
• Uno de los factores más importantes de la base de datos, es la validación de su
información.

• La base de datos constituye el soporte básico de todas las interpretaciones geológicas,

por lo tanto, es sumamente importante su influencia en las declaraciones del recurso,
los chequeos de la integridad y la consistencia de la base de datos.

• Solo debe existir una sola versión de la base de datos.

• Este principio ha inspirado la generación de software de Administración de Datos, que

permiten definir accesos, privilegios y/o prohibiciones, a una base de datos específica.
De manera que puedan usar los datos sin peligro de tener modificaciones a los datos
oficiales.

• La base de datos debe tener suficiente flexibilidad para que el geólogo que realice el
registro pueda incluir observaciones sobre variables adicionales.
 Naturaleza de los datos geológicos
– Datos Categóricos (multimodales)
– tipo litológico (norita, anortosita, monzonita,…)

– Datos Continuos (absolutos (%))

– ley en Ag, Cu, Mo, Au, ...

– Datos Continuos (relativos)

– latitud, longitud, localización espacial,...
– Datos angulares
– orientación de fallas,...
– Datos ordinales (de rango)
– dureza de Mohs, magnitud de Richter,...
– Datos binarios (dicotómicos)
– intrusivo o extrusivo; > o < 450 ppm P2O5 ,...
 Conceptos básicos
• En lugar de examinar la población completa, uno trabaja sobre una parte de ella (muestra
 desde un punto de vista estadístico, no confundir con “muestreo de ley”)

• Población: Colección de un número finito de mediciones o una colección infinitamente

grande de datos de interés.

• Muestra: Subconjunto representativo seleccionado a partir de la población. Una buena

muestra debe reflejar las características esenciales de la población de la cual se obtuvo.
 Tipos de muestreos

Regular Aleatorio Tran-sect

Aleatorio estratificado Grupos Contorno

 Conceptos
• QAQC - Calidad de los datos muestreados:
Basicos
• Estos datos (logueo y leyes) deben tener alta calidad (confianza) y estar casi
limpio de errores.
• Si entra (INPUT) data erronea se tendra como resultado (OUTPUT) data
erronea.
• Análisis de Calidad (QA) : es la información reunida para demostrar y cuantificar la
confiabilidad en los ensayes.
• Control de Calidad (QC): consiste en los procedimientos usados para mantener el
nivel deseado de calidad de los ensayes.
Control de Precisión en MDG
y = 1.001x + 0.0051 SDT II - CuT%
R2 = 0.9987
10.000
2008
9.000
0.790
8.000

Resultado CuT%
Muestra 0.770
7.000
Cut% Duplicados

Duplicado de
6.000
Gruesos - 0.750
rechazos (MDG)
5.000 Linear (Muestra 0.730
Duplicado de
4.000 Gruesos - 0.710
rechazos
3.000 0.690
(MDG))
2.000
0.670
1.000 AC AC AC AC AC AC AC AC AC AC AC AC AC AC AC
-1 - - - - - - - - - - - - - -
08 45A 189 130 130 197 197 23A 221 14 197 197 28 118 26
0.000 A A A A A
0.000 2.000 4.000 6.000 8.000 10.000
Fecha
CuT% Originales
CuT% Low er_± 5% Upper_± 5% Low er_Cert% Upper_Cert%
 Conceptos Basicos
• La estimación no es el valor verdadero:
• Los recursos minerales estan basado sobre estimación no son valores reales.
Entonces un buen muestreo, geología y optima estimación hace que este
error sea el minimo posible.
• La realización de un modelo se realiza con un pequeño muestreo:
• Se debe tener en mente que la muestra representa una muy pequeña parte
del cuerpo.
 Conceptos Basicos
realidad .............................. Muestras ...........................Estimado
• Incertidumbre: Conceptos básicos
• Ningún modelo numérico reproducirá la realidad sin error. Hay incertidumbre.
• Esta incertidumbre existe debido a nuestra falta de conocimiento debida a un
muestreo no exhaustivo.
• No es una característica inherente al depósito
• Modelo de Blastholes tiene menos incertidumbre que el modelo drillholes.
 Conceptos Basicos
• La incertidumbre es dependiente de:
• La densidad de muestreo (sin muestras no hay estimación)
• Homogeneidad geológica (La continuidad de los valores dentro
de cada geología)
 Conceptos Basicos
• Regionalización o Fenómeno Regionalizado:
• De la existencia de áreas geológicas de: altas leyes, medianas leyes, bajas
leyes y áreas geológicas sin mineralización. En cada zona o área se tiene un
fenomeno regionalizado (mineralización) diferente (estadística,
geoestadística, etc). Todo esto esta intimamente ligado a los datos geológicos
y se debe tomar en cuenta para la estimación.
 Conceptos Basicos
• Regionalización:
 Conceptos Basicos
• Homogeneidad Geológica y estadística:
• Debería hacer una relación entre geología y la estadística/geoestadistica.
• Controles Geológicos definen la Mineralización. Entonces la comprensión del
modelo geológico es esencial para la mejor realización de la estimación.
 Mine Material Type
Conceptos Basicos
No Min Max
Au (gpt) Statistics
Mean SD CV Capping #Capped
Gold Dom1_Cen Gold Dom2_Cen

La Quinua Gold_All 7495 0.002 4.04 0.535 0.440 0.823 5 2

La Quinua Gold_Dom1_Cen 1262 0.002 3.19 0.617 0.572 0.928 - -
La Quinua Gold_Dom2_Cen 4446 0.016 4.04 0.596 0.443 0.744 5 2
La Quinua Gold_Nor 935 0.015 1.162 0.277 0.161 0.581 - -
La Quinua Gold_Sur 852 0.009 1.77 0.376 0.188 0.500 - -

Gold All Gold Dom1_Cen Gold Dom2_Cen

Gold Nor Gold Sur

Gold Nor Gold Sur

Nor

Cen_Dom1
Cen_Dom2

Sur
 Conceptos Basicos

• Cambio de Soporte:
• Es la relación entre el tamaño de la muestra inicial (data compositada), y el
tamaño de bloque con sus respectivas varianzas (dispersion). Hay un cambio
en la varizanza cuando se estima un bloque apartir de compositos, esto es
esencial para una correcta estimacion en el tonelaje y la ley.
 El concepto de soporte (1)

El soporte es el volumen sobre el cual se mide o se considera la

variable en estudio:

• testigo de sondaje

• compósito

• unidad de selección minera (“bloque”)

 El concepto de soporte (2)

El valor de un bloque v se define como el promedio aritmético de

los valores puntuales dentro de este bloque:

1
z( v) 
| v| 
v
z(x) dx

donde |v| designa el volumen del bloque v.

La variable z(v) lleva el nombre de variable “regularizada” sobre

el soporte v. El paso de la variable puntual a la variable de bloques
se llama “cambio de soporte” o “regularización”.
 Nociones fundamentales (3)
Creación de compósitos
Testigos originales
Compósitos
con su ley de cobre
 Nociones fundamentales (5)

¿Cuál es la ley promedio en la veta?

335  253  581 199  212  705  296  156  352 gr Au
m1   3.40
119  81  140  75  106  215  75  34  91 t

Sin ponderar por la potencia, se obtendría:

1  335 253 581 199 212 705 296 156 352  gr Au
m2             2.94
9  119 81 140 75 106 215 75 34 91  t
 El efecto de soporte (2)

Banco de una faena conocido completamente, con altura 12m. La

variable considerada es la ley de cobre.
Efecto del soporte en el histograma (1)
Efecto del soporte en el variograma (1)

El paso de un soporte pequeño a un soporte mayor es una

operación reguladora ( “suavizamiento” de los mapas).
Efecto del soporte en el variograma (2)

Expresión matemática del variograma regularizado gv en función del

variograma puntual g:

g v (h)  g ( v, v h )  g ( v, v)

con:

vh: bloque v trasladado del vector h

1
2 v v
g ( v, vh )  g (x  y ) dx dy
| v| h

1
g ( v, v)  2   g(x  y ) dx dy
| v| v v
Efecto del soporte en el variograma (3)

Ilustración
Conceptos básicos
• Suavizamiento:
• Métodos de estimación suavizan  regresión hacia la media
• En la realidad, valores extremos son los que importan pues tienen un gran
efecto en la respuesta:
• Reservas recuperables
• Cantidad de fino

realidad kriging NN y ID
Conceptos Basicos
• No reagrupar, en el análisis más que variables:
• de la misma NATURALEZA
• del mismo SOPORTE
Que es un modelo?

Geology – Modeling / 1 july 2009

Evolución del Modelo

Modelo de Exploración:

Bloques con Cu, Au, Roca, Fallas, Altr.

un Modelo Geológico perse

Modelo Geológico Minero

• Modelo de Cobre - Oro (krigeado)

• Modelo de Recuperación (Cu, Au, CnCu, pH)
• Modelo de Moliendabilidad (RQD, Roca, Alter, TPH)
• Modelo de Voladura (GSI, Yeso, Roca, Altr)
• Modelo Ambiental (NAG, ANC, Py )
 Bajo de la Alumbrera
Principales Eventos

•1949 - PRIMER MAPA GEOLOGICO - G. Cecione

• 1963 - PRIMER ESTUDIO GEOQUIMICO Cu, Mo - A. Mezzetti
• 1968 - PRIMER ESTUDIO GEOLOGICO - R. Romani
• 1969 - RECONOCIMIENTO Bi, Mt - Caelles and Clark
• 1972 - PRIMER ESTUDIO REGIONAL - E. Llambias
• 1972 - PRIMEROS 9 POZOS - YMAD
• 1973 - PRIMER MAPA DE ALTERACIONES - R. Sillitoe
• 1974, 1976 - 43 POZOS - UNDP NOA - S de M
• 1975 - REPORTE DEL ALTERACION Y MINERALIZACION - O. Gonzalez
Principales Eventos
..continuación

•1980 - REPORTE BASSI Y ROCHEFORT

•1982 - GUILBERT EXHORTATION
•1985 - STULTS - MS TESIS, UNIV. DE ARIZONA
•1992 - ACUERDO MUSTO CON YMAD
•1993 - FDW-MUSTO FEASIBILITY STUDY
(INFORME GEOLOGICO - PLAZA)
•1994 - MINERA ALUMBRERA LTDA:
(MIM-NORTH-RIO ALGOM -
MAPA E INFORME GEOLOGICO
JOHN PROFFETT)
•1997 - ENTRA EN PRODUCCION
 Bajo de la Alumbrera
Principales Eventos

• 1996 - Modelo de bloques

• 1996 - Se inicia el tajo Alumbrera
• 1997 - Sistema de Control de Mineral
•1997 - Puesta en marcha de la planta concentradora
• 1998 - Creación del Modelo de Bloques por Krigeado
• 1998 - Sistema de Control de Mineral basado en Krigeado
• 1999 - Creacion de un Modelo de Recuperación - Enrich+Cu
• 1999 - Creacion de un Modelo de Moliendabilidad - RQD
• 2000 - Ajustes al modelo de Moliendabilidad - Roca y Alteración
• 2000 - Creación de un Modelo de Voladura - Yeso, Roca
• 2000 - Creación de un Modelo Ambiental - NAG, ANC, pH.
Geología
de Bajo de la
Alumbrera,
según Stults,
1985
Geología
de Bajo de la
Alumbrera,
según Plaza,
1993
 Geología de Bajo de la Alumbrera,
según Proffett, 1996

3441000mE
3439000mE

3439400mE

3439800mE

3440000mE

3440800mE
6978200mN
Qtz eye - rich porph.
W of Alumbrera
Post mineral
porphyry dykes
Porphyry dyke -
6978000mN
NE of Alumbrera
Dacite dyke
Northwest Porphyry
dykes

6977800mN Late Porphyries

Late P3
Porphyry intrusives
Early P3
Porphyry intrusives
6977600mN NORTH
Los Amarillos
f.g. porphyry
200m
Northeast Porphyry
dyke

6977200mN
Bajo de la Alumbrera Colorado Norte
Mapa Geologico de Porphyry or P2
Superficie Andesites
ESTRUCTURAS Y CONTACTOS

200 METROS
ALTERACION

Feldespato Destructivo
Propilitica

Potasica

Cuarzo
Margnetita
 MODELO GEOLOGICO CONCEPTUAL DE TINTAYA
Aguas Meteoricas

•:
•:
Hm>Crisc
Crisc>hm>mal>azur •: Oxidos
Crisc>hm>ten>cup
Cp •: •: Nivel Freatico
Ten>cup>cc>crisc>hm •:
•: •: •: Mixtos Oxidos - Sulfuros
Cc>cup>hm>cu>cp>py Ganga zona de oxidos y mixtos, gr-px-mt, limonitas, limos
y arcillas (smectita montmorillonita– saponita- montronita)
Cc>cu>cp>py
•:
Cc>cp_patinas •:•: •: •:
•: •:
•:•:Bn Sulfuros Primarios
Cp>bn>py •: •:
•: •: •: Ganga zona sulfuros – gr-mt-px- limonitas

MINERALIZACION HIPOGENA , MINERALES PRIMERIOS Cp –Bn.

Chabuca Este Oeste
Modelo Geologico NN
Banco 4000

Skarn, zona mineralizada

 Geologia de Tintaya Modelo Geologico

34000 34500 35000 35500 36000 36500 37000

42500 42500

42000 42000

41500 41500

41000

34000 34500 35000 35500 36000 36500

Modelo Geológico 2002
Mina Tintaya
 ANTIGUOS vs NUEVOS DOMINIOS DE TINTAYA

Block Model Interpretation

Limits
Zones with
Chabuca Subdivisions
Norte
1 2 3 4

Chabuca Zona Zona

Norte- Industrial Nueva
Central
Tajo
5 Chabuca 6 Chabuca 7 Tintaya6
Este-Oeste
Chabuca
Este
Chabuca
Sur

9 10 11 12

MATERIAL RATOX TOTCU SOLCU TOTCU: Cobre Total

1 Oxido ≥ 0.35 - ≥ 0.50 OXDCU: Cobre Oxidado
2 Mixto Complejo 0.25 - 0.35 - SOLCU: Cobre Soluble
3 Mixto Sulfuro 0.10 - 0.25 >= 0.8 -
4 Sulfuro 0.00 - 0.10 >= 0.5 - RATOX = OXDCU / TOTCU
5 Desmonte < 0.5

Geology – Modeling / 1 july 2009

  Los tres tipos de materiales: OXIDOS, TRANSICIONAL y SULFUROS Construido
CuCN y SS: Oxidos ( < 250 ppm ó 0.025% CuCN y < 1.5% SS )
Transicional (250–1500 ppm ó 0.025-0.15% CuCN) (1.5 % - 10% SS)
Sulfuros (> 1500 ppm ó 0.15% CuCN, > 10%SS)

• Silice: Si O2
• Goethita: FeO.OH
• Hematita: Fe2O3
Oxide • Otros minerales
• Alunita: KAl3(SO4)2(OH)6
• Jarosita: KFe3(SO4)2(OH)6
• Baritina: BaSO4

Minerales de la zona de oxidos + Trazas de: • Enargita

• Calcosita: Cu2S, 0.8 Cu, 0.2 SS Sulfide • Covelita
Transitional • Covelita: CuS, 0.66 Cu, 0.34 SS • Pirita
• Pirita: FeS2. 0.46 Fe, 0.54 SS • Calcosita

 Transicional (250–1500 ppm ó 0.025-0.15% CuCN) ej. Traza Calcosita con 0.2 % = 0.16 % Cu y 0.04% SS
(1.5 % - 10% SS) ej. Traza Covelita con 0.2 % = 0.13 % Cu y 0.07% SS
ej. Traza Pirita con 0.2 % = 0.11 % SS y 0.8 % Fe
INFORMACIÓN DE PRUEBAS METALÚRGICAS

ASPECTOS OXIDOS TRANSICIONAL SULFURADOS

Recuperación de >70 45 - 69 1-15

Au, %

Cal, kg/t 0.05-0.4 0.5 – 0.9 >1.0

Sol/Min <1.0 2-3 >3.0

Tiempo, d 10 20-40 >45

Modelo de Bloques: Arreglo tri-dimensional asociado a una o varias propiedades
denominadas variables

Geológicas: Roca, Altr, RQD

Metales: Cu,Au, EqCu

Geotecnico: RQD, IRA

Recuperación: %RecCu, %RecAu

Molienda: TPH, Metal PH, US$PH

Voladura: UCS, VolIndex, Expl/Ton

Ambientales: PAG, ANC, NCV, pH

CONCEPTOS BASICOS (BD, QAQC, Modelos)

ESTADISTICA
(Media, CV, Análisis, correlación)

VARIOGRAFIA (Conceptos, Análisis)

Geology – Modeling / 1 july 2009

 Medidas Estadísticas

Promedio o MEDIA
Medidas de Moda
posición Mediana
Percentiles
Estadística

Rango
Medidas de Varianza
variabilidad DESVIACION ESTANDAR
COEF. DE VARIACION
 Medidas de Posición
n
Xi
Promedio o Media de la muestra X
i 1 n
Mediana: Valor que deja el 50% de los datos
Con los datos Ordenados:
Número Impar de datos -- el dato central
Número Par de datos -- promedio de los dos
datos centrales.

Moda: Valor más común

Geology – Modeling / 1 july 2009

• Parámetros de tamaño Mo

– Mínimo (P0)

– Máximo (P100)

– Moda (Mo)

– Mediana (M = P50)

P0 P50 P100

Geology – Modeling / 1 july 2009

Media
 Lejos, es la Medida de Tendencia Central más
utilizada

0 1 2 3 4 5 6 7 8 9 10

Media = 5

 Afectada por Valores Extremos (Outliers)

0 1 2 3 4 5 6 7 8 9 10 12 14

Media = 6
Mediana

 En Arreglo Ordenado, la Mediana es el valor “del

medio”
 Si n es impar,  Mediana = X[(n+1)/2].
 Si n es par,  Mediana =½(X[n/2]+X[n/2+1])

 No es afectada por los valores extremos (robusta),

sino por el tamaño de la muestra.

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 12 14

Mediana = 5 Mediana = 5
Moda

 Valor que ocurre más Frecuentemente

 No es Afectado por Valores Extremos
 Puede que no exista Moda
 Pueden existir varias Modas
 Se emplea en datos Categóricos o Numéricos

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 0 1 2 3 4 5 6

Moda = 9 No-Moda
¿Cuándo usar Media, Moda o Mediana?
¿Datos son Si La primera consideración es el tipo de
categóricos? MODA datos, si la variable es categórica, la
Moda es la única medida que mejor
No describe los datos

La segunda consideración es pregun-

¿El total es de Si
tarse si el total de las observaciones es
Interés? MEDIA de algún interés. Si la respuesta es
afirmativa, entonces la medida ade-
No cuada de la tendencia central es la Media

¿DistribuciónS
Si Si el total de las observaciones no es de
esgada? interés. Entonces, si el histograma es
MEDIANA
sesgado, usar la Mediana como medida
No de la tendencia central.

En caso contrario la Media si es

MEDIA moderadamente sesgada
En todos los casos el histograma
debe ser unimodal
 Medidas de variabilidad

Rango: Diferencia entre los valores máximo y mínimo

n

 i
( X  X ) 2

Varianza muestral S2  i 1

n 1

Desviación estándar S S 2

s
Coeficiente Variacion
C.V . 
x
Geology – Modeling / 1 july 2009
 Variancia Muestral
 Importante Medida de la Dispersión

 Mide la Desviación Cuadrática Promedio

alrededor de la Media; esto es, toma en cuenta
cómo se distribuyen los datos alredor de la
Media

 (X )
n
2
i
X
 Variancia Muestral : s 2  i 1
n 1
Deviación Estándar Muestral
 La más Importante Medida de Dispersión
 Muestra la Raíz de la Desviación cuadrática
promedio alrededor de la Media

 Tiene las misma Unidad que los Datos Originales

 (X )
n
2
i
X
s  i 1
n 1

s = 23,35
Comparando Desviaciones Estándar
Datos A Media = 15.5
^
s = 3.338
11 12 13 14 15 16 17 18 19 20 21

Datos B
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 ^
s = .9258

Datos C
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 ^
s = 4.57
Estadísticas Básicas
Yacimiento tipo pórfido cuprífero
CV = 0.7
Yacimiento de cobre de mediana
var. CV = 1.5
Yacimiento de oro de alta
variabilidad CV = 4.5
Varianza y soporte
• Histograma
• La escala de intensidades se divide en N clases.
• Una frecuencia está asociada a cada centro de clase y representada por
un rectángulo proporcional
• Las frecuencias pueden ser absolutas (Nb) o relativas (%)

Histogram m e de M oS2.
Sondage n°647
MoS2 (%) Nb Obs. 24
<0,15 8
0,29 37 20

0,43 31 16
0,57 14

Nb d'obs
12
0,71 4
0,86 1 8

1,00 3 4
1,14 0
0
1,28 1 0 0.2 0.4 0.6 0.8 1 1.2
1,42 1 0.1 0.3 0.5 0.7 0.9 1.1 1.3
M OS2
• Histograma
• La selección del número de clases influye
en la legibilidad Zn(%) Nb
• 15 a 20 clases es comunmente óptimo 3.8 16
9.3 88
14.8 220
20.2 219
25.8 125
31.2 41
36.8 9

7, 21 o 100 clases para un total de 800 observaciones

• Histograma en frecuencias acumuladas
• Frecuencias acumuladas de 0% a 100%
• Lectura rápida de « percentiles »
Tipos de distribución
• Distribución Normal
• Eventos debido a múltiples causas independientes,…
• Ex. granulometría de un sedimento, Densidad por alteración, fluctuationes mensuales
de un nivel piezométrico, geoquímica de un elemento mayor y móvil (Fe, Mn,…), …

 (x )2
2 . 2
e
f (x ) 
 . 2.
con :
µ = media
σ = desviación típica
Distribución Normal (Gaussiana)
• La distribución gaussiana es simétrica: g(z)

• La media y mediana son iguales 0.40

0.35

0.30

0.25

0.20 95 %
0.15

0.10

0.05 2.5% 2.5%

0.00
0 2 4 6 8 10 12 14 16
z

• Cualquier Distribucion puede pasar a Normal Gaussiana

(estandarizar).
X 
• Si X ~ N ( ,  2 ) y definimos: Y  , entonces: Y ~ N (0,1)

• Y tiene distribucion Normal Gaussiana
Tipos de distribución
• La ley Lognormal
• Ex. distribución geoquímica de elementos en trazas localmente concentradas (pepitas),
• Caracteristicas de la distribución
• Los logaritmos de los valores siguen una ley normal
• Media ≠ Moda ≠ Mediana (asimetría)
• Mediana = Media geométrica

Telnes - NORWAY
Sulfur in Norite

270

xG  M  en
252
234
216
198
180
162
No of obs

144
126
108
90
72
54
36
18
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2
S
Análisis Univariables valores extremos
• Valores extremos: afectan considerablemente las estadísticas básicas
• ¿Qué hacer con ellos?:
• Declarar los valores extremos como erróneos y eliminarlos
• Clasificarlos en poblaciones estadísticas separadas
• Usar estadísticas robustas, que son menos sensibles a los valores extremos: mediana,
coeficiente de correlación de posición
• Transformar los datos para reducir su influencia
• Bajarlos a un máximo “razonable”
• Outliers: Observaciones que parecen no pertenecer a la misma población constituida
por el resto de los datos
• Generan considerables problemas al aplicar regresión, debido a que tienen un efecto
desproporcionado sobre los coeficientes de regresión estimados
• Los datos considerados extremos (outliers) puede eliminarse sólo si se ha
comprobado que están errados. En caso de ser datos verdaderos, proveen
información que puede ser crítica para la respuesta del modelo.
Análisis Univariable
• La distribuciones son útiles para chequear la presencia de
dos poblaciones
CDF PDF
Análisis Estadístico
• Son útiles para chequear la presencia de dos poblaciones
• Debe confirmarse con información geológica
¿Agrupaciones de puntos?  Investigar ....

18

16

Observed Value
Histogram
90
14
80

12
70

10 60

No of obs
50
8
40

6
30

4 20

10
2
0
-1,0 0,7 2,3 4,0 5,6 7,3 9,0 10,6 12,3 13,9 15,6
0 Var1

-2
-4 -3 -2 -1 0 1 2 3 4

Theoretical Quantile
Analisis Estadístico Q-q Plot

• Gráfico Q-Q: para comparar dos

distribuciones F1 y F2 cuantil a cuantil.

• No se utiliza para comparar la relación

par a par que hay entre las variables.

• Escoger una serie de valores de

probabilidad
pk, k = 1, 2, …, K

• Graficar q1(pk) versus q2(pk), k = 1, 2, …,

K
 Q-Q plot teórico: Construcción
 x1 , x2 ,...., xn valores observados en
4,00

una muestra
3,44

Qx(pi)
2,99

 x(1)  x(n) es la muestra ordenada 2,63

2,20

de menor a mayor 1,97

ó
X i
1,52

Q(p
 Calcular pi = (i – 0,5)/ n  i
1,24

0,89

0,50

 Para cada pi hacer Qx(pi) = x(i) 0,00

-0, 2 0,0 0,2 0,4 0,6 0,8 1,0

pi
 Graficar Qx(pi) vs. pi 2,500

2,000

 Sea F(x) distribución teórica a 1,304

Qt(p)
comprobar.
0,942

0,500

0,145

)i
i
 Para p, (0 < p < 1) encontrar
-0,243

-0,674

Qt(p) = F-1(p) -1,105

-1,574

 Graficar Q(p) vs. p

-2,070

-2,500
-0,20 0,00 0,20 0,40 0,60 0,80 1,00 1,20

p
 Q-Q plot teórico
 Para cada valor pi, graficar Qx(pi) contra Qt(pi)
para i = 1, 2, ..., n,
4,0

3,5

Qx(pi): empírico 3,0

2,5

2,0

1,5

1,0

0,5

0,0
-2,5 -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0

Qt(pi): teótico
Análisis Estadístico Análisis de Contacto
Análisis Estadístico Análisis de Contacto

Geology – Modeling / 1 july 2009

Analisis Bivariable: Covarianza y Correlación
• Cuantificación de una nube de puntos
– Noción de dispersión alrrededor del centro de
gravedad
– Momentos de Inercia => Varianzas y Covarianza
2
1 i N
σ 2(x)  σ xx   (x i  µ(x))
N i 1
2
1 i N
σ 2(y)  σ yy   (y i  µ(y))
N i 1
1 i N
σ xy   (x i  µ(x))(
. y i  µ(y))
N i 1

Geology – Modeling / 1 july 2009

Geology – Modeling / 1 july 2009
 Correlación
Covarianza : parámetro adimensional [-∞,+∞]  xy
 xy 
Correlación : parámetro adimensional [-1,1]  xx . yy

Fe Ni Cu V
Fe 1.00 .90 .38 .81
Ni .90 1.00 .44 .73
Cu .38 .44 1.00 .52
V .81 .73 .52 1.00
Geology – Modeling / 1 july 2009
Correlación Caso 1 Caso 2
Y Y

• Diferentes ejemplos = 1  = 0,68

de coeficiente de X X

correlación
Caso 3 Caso 4
Y Y

=0 =0

X X

Caso 5 Caso 6
Y Y

 = -0,87

 = -1

X X
 Diagrama Dispersión entre 2 Variables
Y Y

E[Y] E[Y]

Cov + Cov 0
X Y
E[X] E[X]

Y Y

E[Y] E[Y]

Cov - Cov 0

X X
E[X] E[X]
 Regla Práctica de Interpretación
Pendiente Correlación Pendiente
Negativa entre X e Y es… Positiva

r
0.00 ‘Ninguna’ 0.00
-0.19 - -0.01 ‘Muy Débil’ 0.01 - 0.19
-0.39 - -0.20 ‘Débil’ 0.20 - 0.39
-0.69 - -0.40 ‘Modesta’ 0.40 – 0.69
-0.89 - -0.70 ‘Fuerte’ 0.70 – 0.89
-0.99 - -0.90 ‘Muy Fuerte’ 0.90 – 0.99
-1.00 ‘Perfecta’ 1.00
CONCEPTOS BASICOS (BD, QAQC, Modelos)

ESTADISTICA (Media, CV, Análisis, correlación)

VARIOGRAFIA (Conceptos, Análisis)

Geology – Modeling / 1 july 2009

 Variograma -Definición

Es una herramienta que permite analizar

el comportamiento espacial de una
propiedad o variable sobre una zona
dada
Ejemplo:

Detectar direcciones de anisotropía

Zonas de influencia y su extensión (correlación espacial)

Variabilidad con la distancia

 Variograma Teórico-Definición
Continuidad espacial

A B

5 7 8 4 2 4 6 8
1 3 9 2 6 1 3 5 7 9

MEDIA = 5
VARIANZA=50/9
HISTOGRAMAS IGUALES

12
12

10 10

8
Variograma

Variograma
6 6

4 4

2 2

0 0
0 1 2 3 4 0 1 2 3 4

Distancia Distancia
Estimador del variograma

var ianza (Z (x1 )  Z (x 2 ) )

• Variograma: 1
g (x1 , x 2 ) 
2
pero en el caso estacionario: (E (Z (x)  Z (x  h))2  0


g (x, h)  E Z (x )  Z (x  h)2
1
2

• El estimador del variograma es:
1 N (h )
g (h) 
*
  z ( x )  z ( x  h ) 2

2 N (h)  1
 Variograma Experimental-obtención

N (h)
1
Datos Igualmente espaciados: g *( h )   i
2 N (h ) i 1
( z ( x )  z ( xi  h )) 2

x1 x2 x3 x4 x5 x6

g * (h ) 
1
2*5
 (z(x )  z(x ))
1 2
2
 (z ( x2 )  z (x3 ))  (z (x3 )  z (x4 ))  (z (x4 )  z (x5 ))  ( z (x5 )  z (x6 ))
2 2 2 2

g * (2h ) 
1
2*4
 (z(x )  z(x ))
1 3
2
 ( z ( x2 )  z (x4 ))  ( z (x3 )  z (x5 ))  ( z ( x4 )  z ( x6 ))
2 2 2

g * (3h ) 
1
2*3
 (z(x )  z(x ))
1 4
2
 ( z ( x2 )  z ( x5 ))  ( z ( x3 )  z ( x6 ))
2 2

 Variograma Experimental-obtención

1
g ( h) 
*

2 N (h )
 ( z ( xi )  z ( x j ))2
xi  x j  h

• Se escoge una dirección 

• Se escoge una distancia o lag h

• Se calcula g *para valores de h,2h, 3h,...,nh

• Se grafica g *versus los valores h,2h,

3h,...,nh
Mapa de Variograma
Propiedades del variograma
• Simétrico g (h)  g ( h)
• Se anula en el origen g (0)  0
• Positivo o nulo g (h )  0
• En el infinito, crece más lento que una parábola
• Toda suma de variogramas es un variograma
• El producto de variogramas no es necesariamente un variograma
erpretación de variogramas experimentales

Variograma Vertical
Meseta

Efecto pepita
Rango

Distancia
• Meseta = la varianza (1.0 si los datos están estandarizados)
• Alcance = la distancia a la cual el variograma alcanza la meseta (95%)
• Efecto pepita = suma de variabilidad debida a microestructuras geológicas y error de medición
• Cualquier error en la medición del valor o la posición asignada a la medida se traduce en un efecto pepita mas alto.
• Cuando los datos son escasos el efecto pepita aparece más alto de lo esperado
 Variograma teórico (7)

• Comportamiento direccional
El estudio de los variogramas direccionales permite identificar las
anisotropías de la variable regionalizada.
 Modelos elementales (2)

 3 |h| 1  |h |  
3

C     si | h |  a
Modelo esférico: g (h)  
2 a 2 a  

C en caso contrario

alcance  a, meseta  C
 Modelos elementales (3)
  3 | h | 
Modelo exponencial: g(h)  C 1  exp   
  a 

El parámetro a es el alcance práctico: corresponde a la distancia para

la cual el variograma llega al 95% de su meseta C.
 Modelos elementales (4)
  3 | h |2  
Modelo gaussiano: g (h)  C 1  exp   2

  a 

alcance práctico  a, meseta  C

Modelos elementales (Estructuras)

Geology – Modeling / 1 july 2009

Problem Variograms
AZIMUTH = 0 DIP = 0
1.5 g(h) = 0.400 + 0.329 Sph 30.7(h) + 0.271 Sph 270.1(h)

        
1.0  
   

24
25
33

29
311

05
35
36


28

71
42
39

31
51

92
45

46


55

0
67
    

49
44

09
47

93
54
g(h)

35
57

04
65
62
61

14

73
72

35
58
50
22

03
95
76
71

0
73
  

80
80

6
40
51
49
79
70

84
88
38

98

94

34
14
14
37
49
60
84
92
50
18
87

0.5 
22
38

*
Sample variogram points with less than
350 pairs have not been plotted.

0
0 62.5 125.0 187.5 250.0
Lag distance (h)
Cálculo de variogramas experimentales
• 2-D o 3-D, regular o irregularmente espaciado
• Especificación de Dirección (regular):

• Especificación de dirección (irregular):

Y axis (North)

Bandwidth

Azimuth

Azimuth
tolerance

X axis (East)
Cálculo de variogramas experimentales
Ejemplo: Comienzo con una separación (#4)

1
2g ( h)   [ z ( u)  z ( u  h)]2
N ( h) N ( h )
Comenzar en un nodo y comparar su valor
con todos los nodos que caigan dentro del la
tolerancia de separación y tolerancia
angular.
...
Cálculo de variogramas experimentales

1
2g ( h)   [ z ( u)  z ( u  h)]2
N ( h) N ( h )

Ir al siguiente nodo.

...
Variograma Experimental-distancia & dirección



clase de distancia h

clase de distancia 2h

clase de distancia 3h
Variograma Experimental-obtención



 Variograma Experimental-tolerancia angular

Tolerancia angular
Conclusion Primera Parte
• Ley espacial
• Esperanza matemática (Probabilidades) o momento
de primer orden
E (Z (x0 ) )  m(x0 )

• Momentos de segundo orden:

• Varianza

 2 (x)  E Z (x)  m(x)2 
C (x1 , x 2 )  E Z (x1 )  m(x1 )Z (x 2 )  m(x 2 ) 
• Covarianza
 E Z (x1 ) Z (x 2 )  m(x1 ) m(x 2 )
1
• Variograma g *( h )   ( z ( xi )  z ( x j ))2
2 N (h ) x  x  h
i j

• Correlograma
C (x1 , x 2 )
 (x1 , x 2 ) 
 2 (x1 )   2 (x 2 )