Está en la página 1de 8

UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURÍMAC

FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FILIAL HAQUIRA – COTABAMBAS

Curso. Geoestadística
Docente. Ing. Fermin Pichi8hua Rebolledo

Tema: Introducción de Geoestadística como ciencia aplicada a la Minería


Bibliografia:
Ing. Marco A. Hernández Garcia-GEOMATICA CESAVEG
Ramón Giraldo Henao “introducción a la geoestadística”- universidad nacional de
Colombia

1.1.INTRODUCCION

El estudio de fenómenos con correlación espacial, por medio de métodos geoestadísticos,


surgió a partir de los años sesenta, especialmente con el propósito de predecir valores de
las variables en sitios no muestreados. Como antecedentes suelen citarse trabajos de Sichel
(1947; 1949) y Krige (1951). El primero observó la naturaleza asimétrica de la distribución
del contenido de oro en las minas surafricanas, la equiparó a una distribución de probabilidad
lognormal y desarrolló las fórmulas básicas para esta distribución. Ello permitió una primera
estimación de las reservas, pero bajo el supuesto de que las mediciones eran independientes,
en clara contradicción con la experiencia de que existen “zonas” más ricas que otras. Una
primera aproximación a la solución de este problema fue dada por geólogo G. Krige que
propuso una variante del método de medias móviles, el cual puede considerarse como
el equivalente al krigeado simple que, como se verá más adelante, es uno de los métodos
de estimación lineal en el espacio con mayores cualidades teóricas. La formulación rigurosa
y la solución al problema de predicción (estimación en muchos textos geoestadísticos) vino
de la mano de Matheron (1962) en la escuela de minas de París. En los años sucesivos la
teoría se fue depurando, ampliando su campo de validez y reduciendo las hipótesis necesarias
(Samper y Carrera, 1990). De la minería las técnicas geoestadísticas, se han "exportado"
a muchos otros campos como hidrología, física del suelo, ciencias de la tierra y más
recientemente al monitoreo ambiental y al procesamiento de imágenes de satélite.

El modelo Geoestadístico es para proyectar, estimar y/o predecir por ejemplo la ley del
mineral en un punto, conociendo las leyes en otros puntos, porque existen la correlación
espacial de dichos puntos unos a otros. Esta correlación espacial entre dichos puntos es
estudiada por el variograma experimental ajustado en el modelo más adecuado.

1.2. GEOESTADISTICA
1.2.1. DEFINICIÓN
La geoestadística es una rama de la estadística que trata fenómenos espaciales (Journel
& Huijbregts, 1978). Su interés primordial es la estimación, predicción y simulación de
dichos fenómenos (Myers, 1987). Esta herramienta ofrece una manera de describir la
UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURÍMAC
FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FILIAL HAQUIRA – COTABAMBAS

continuidad espacial, que es un rasgo distintivo esencial de muchos fenómenos naturales, y


proporciona adaptaciones de las técnicas clásicas de regresión para tomar ventajas de esta
continuidad (Isaaks & Srivastava, 1989). Petitgas (1996), la define como una aplicación de
la teoría de probabilidades a la estimación estadística de variables espaciales.

 Estudio estadístico de fenómenos naturales que se distribuyen de forma continua en


el espacio y tiempo. (Ing. Marco Antonio Hernández García, Introducción a la
geoestadística –GEOMATICA-CESAVEG)

Antiguamente: GEO: Geología (minería)


Actualmente: GEO: Geográfico (SIG)

1.2.2. CAMPO DE APLICACIÓN


La geoestadística ha sido ampliamente aplicada en diversas ramas de las ciencias y en
ingeniería, entre otras tenemos: Petróleo, minería, finanzas, pesca, ciencias del mar,
agricultura, hidrogeología, medio ambiente, ingeniería civil, medio ambiente, meteorología,
edafología, estudios forestales, salud pública1

1.2.3. PROPOSITO DE LA GEOESTADISTICA


A partir de una escasa información conocida estimar o predecir el valor de una variable en
otras localidades donde no se conoce.
El objetivo es estimar, predecir, sin sesgo y con un error mínimo

1.3. VARIABLE REGIONALIZADA - Z(X)


La geoestadistica es la aplicación de la teoría de la variable regionalizada, de manera
general se dice que un fenómeno es regionalizado cuando la distribución en el espacio
presenta una estructura.2

 aspecto aleatorio
Cuando presenta alta irregularidad en la distribución de un punto al otro

1
Ing. Marco Antonio Hernández García, Introducción a la geoestadística –GEOMATICA-
CESAVEG
22
Ing. Marco Antonio Hernández García, Introducción a la geoestadística –GEOMATICA-
CESAVEG
UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURÍMAC
FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FILIAL HAQUIRA – COTABAMBAS

 Aspecto estructurado
La variable regionalizada debe reflejar las características estructurales de un fenómeno
regionalizado

En geoestadística para los variables regionalizadas se utiliza la notación condensada: Un


punto del espacio se representa por la letra x. Por ejemplo, la ley en el punto x se
representa por z(x). Por consiguiente, z(x) puede significar:

z(x) si el problema es unidimensional (1-D)


z(x1, x2) si el problema es bidimensional (2-D)
z(x1, x2, x3) si el problema es tridimensional (3-D)
UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURÍMAC
FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FILIAL HAQUIRA – COTABAMBAS

En el espacio de una dimensión, sea z(x) = Ley de Cu a lo largo de una galería:

En el espacio de dos dimensiones, sea z(x1, x2) = z(x) = potencia mineralizada en un


yacimiento de nitratos

En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = Ley de Cu en el punto x
dentro de un depósito masivo
UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURÍMAC
FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FILIAL HAQUIRA – COTABAMBAS

1.4. PASOS DE ESTUDIO GEOESTADISTICO


 Análisis exploratorio de datos
 Análisis estructural contracción del variograma
 Estimación nespacial- kriging
 Validación del modelo geostadístico

1.4.1. Estadística espacial y análisis exploratorio de datos

Estadística espacial es la reunión de un conjunto de metodologías apropiadas para el análisis


de datos que corresponden a la medición de variables aleatorias en diversos sitios (puntos del
espacio o agregaciones espaciales) de una región.

El análisis exploratorio de datos es el conjunto de técnicas estadísticas y graficas que


permiten establecer un buen entendimiento básico del comportamiento de datos y las
relaciones existentes entre los variables estudiadas.

Ejemplo. Calcular la frecuencia relativa, frecuencia absoluta, frecuencias acumuladas,


desviación estándar y coeficiente de variación de la tabla de datos de leyes de minerales
de cobre (%).

2.17 2.61 4.16 5.38 4.53


3.23 3.76 3.94 3.06 4.75
3.15 4.41 4.71 3.2 3.59
4.19 4.82 3.47 2.16 2.01
3.92 3.75 2.59 3.07 3.4

Solución
Para calcular las frecuencias se tiene que construir los intervalos
1. Calcular en N° de intervalos (N)
número de datos(n)=25
N=√𝑛 = √25 =5 intervalos

2. Calculamos el rango del histograma (R),


El mínimo de los datos es 2.01 y el máximo 5.38, de manera que podemos
considerar como rango del histograma el intervalo [2.0,5.4], (ligeramente inferior
y ligeramente superior)
R = XM –Xm
XM=5.4
UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURÍMAC
FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FILIAL HAQUIRA – COTABAMBAS

Xm=2.0,
R= 5.4-2.0=3.4

3. La longitud de los intervalos (L):


L = R/ N,
L=3.4/5 = 0.68

4. Construimos los intervalos:


I1 = [2.0,2.68)
I2 = [2.68,3.36)
I3 = [3.36,4.04)
I4 = [4.04,4.72)
I5 = [4.72,5.4)

HISTOGRAMAS

5 5 5

INTERVALOS

[2.0,2.68) [2.68,3.36) [3.36,4.04) [4.04,4.72) [4.72,5.4)

Es simétrica a derecha

5. Calculamos las frecuencias


Intervalos fi ni Fi Ni
[2.0,2.68) 5 0.2 5 0.2
[2.68,3.36) 5 0.2 10 0.4
[3.36,4.04) 7 0.28 17 0.68
[4.04,4.72) 5 0.2 22 0.88
[4.72,5.4) 3 0.12 25 1
Suma 25 1

fi: frecuencia absoluta


ni: frecuencia relativa
UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURÍMAC
FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FILIAL HAQUIRA – COTABAMBAS

Fi: frecuencia absoluta acumulada


Ni. frecuencia relativa acumulada

2.17 2.61 4.16 5.38 4.53


3.23 3.76 3.94 3.06 4.75
3.15 4.41 4.71 3.2 3.59
4.19 4.82 3.47 2.16 2.01
3.92 3.75 2.59 3.07 3.4

6. calculando desviación estándar (S)


∑(𝑿−Ẋ) 𝟐
S=√ Para distribución normal
𝑵

𝜮𝒙𝒊
promedio aritmético= =90.03/25 =3.6012%
𝒏

N° Xi Ẋ xi-x (xi-x)2
1 2.17 3.6012 -1.43 2.05
2 3.23 3.6012 -0.37 0.14
3 3.15 3.6012 -0.45 0.20
4 4.19 3.6012 0.59 0.35
5 3.92 3.6012 0.32 0.10
6 2.61 3.6012 -0.99 0.98
7 3.76 3.6012 0.16 0.03
8 4.41 3.6012 0.81 0.65
9 4.82 3.6012 1.22 1.49
10 3.75 3.6012 0.15 0.02
11 4.16 3.6012 0.56 0.31
12 3.94 3.6012 0.34 0.11
13 4.71 3.6012 1.11 1.23
14 3.47 3.6012 -0.13 0.02
15 2.59 3.6012 -1.01 1.02
16 5.38 3.6012 1.78 3.16
17 3.06 3.6012 -0.54 0.29
18 3.2 3.6012 -0.40 0.16
19 2.16 3.6012 -1.44 2.08
20 3.07 3.6012 -0.53 0.28
21 4.53 3.6012 0.93 0.86
22 4.75 3.6012 1.15 1.32
23 3.59 3.6012 -0.01 0.00
UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURÍMAC
FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FILIAL HAQUIRA – COTABAMBAS

24 2.01 3.6012 -1.59 2.53


25 3.4 3.6012 -0.20 0.04
sumatoria 19.44

S=0.88

7. Coeficiente de variación de Pearson (CV)


Indica la relación existente entre la desviación típica de una muestra y su media.

CV=0.88/3.6012=0.24