Portafolio Geoestadistica

UNIVERSIDAD PRIVADA DEL NORTE
FACULTAD DE INGENIERÍA
GEOLÓGICA
“FOLDER DE UNIDAD DE GEOESTADÍSTICA”
CURSO:
 GEOESTADÍSTICA
INTEGRANTES:
 ABANTO ARAUJO, Erick
 BARRIOS ROSAS, Jamer
 CHILÓN CHILÓN, Yulisa Esther
 GARCÍA MENDOZA, Raúl Estefano
 ZAMBRANO HUATAY, Nelson Roger
DOCENTE:
 Ing. Wilder, CHUQUIRUNA CHAVEZ
CICLO:
 VII

CAJAMARCA – PERÚ
2021 ‐ 1


TABLA DE CONTENIDO
1. INTRODUCCIÓN.................................................................................................................. 2
2. AGRADECIMIENTO ............................................................................................................ 2
3. DESARROLLO ..................................................................................................................... 2
3.1. MODELOS ESTADÍSTICOS Y LA COMPARACIÓN CON UN MODELO
GEOESTADÍSTICO ............................................................................................................... 3
3.2. REALIZACIÓN DE PRÁCTICAS CON DATAS, PARA LA EVOLUCIÓN,
CONSTRUCCIÓN DE MÉTODOS GRÁFICOS Y NUMÉRICOS Y NUMÉRICOS,
QUE AYUDEN A ENTENDER EL COMPORTAMIENTO DE LOS DATOS A
UTILIZAR EN GEOESTADÍSTICAS ................................................................................. 8
HISTOGRAMA.................................................................................................................................. 9
3.3. UTILIZACIÓN DE SOFTWARE COMO EL SPSS, SGEMS Y MINITAB,
PARA USO DE DATOS DE TAJO ABIERTO .................................................................. 14
3.4. INTERPRETACIÓN DE GRÁFICOS PARA ENTENDER EL
COMPORTAMIENTO DE LA DISTRIBUCIÓN DE LA MINERALIZACIÓN .......... 17
3.5. TRABAJO POR GRUPOS DE DIFERENTES TIPOS DE YACIMIENTO Y
EXPOSICIONES ................................................................................................................... 21
3.6. TRABAJOS POR GRUPOS DE DIFERENTES TIPOS DE YACIMIENTOS Y
EXPOSICIONES ................................................................................................................... 27
3.7. VALIDACIÓN DE LOS DATOS QUE INTERVENDRÁN EN EL ANÁLISIS
GEOESTADÍSTICAS, CALCULO Y CONSTRUCCIÓN DE VARIOGRAMAS ......... 30
3.8. AVANCE DE INVESTIGACIÓN (PAPER) .......................................................... 33
3.9. CONSTRUCCIÓN DE UN VARIOGRAMA EXPERIMENTAL ....................... 33
3.10. AJUSTE DE UN VARIOGRAMA TEÓRICO A UN VARIOGRAMA
EXPERIMENTAL E INTERPRETACIÓN DE ESTE AJUSTE ..................................... 40
3.11. MÉTODOS DE CÁLCULO DE RESERAS ....................................................... 51
3.12. CÁLCULO DE ERROR DE ESTIMACIÓN ..................................................... 62
3.13. PRÁCTICAS DE KRIAGE .................................................................................. 65
3.14. CALCULO Y DEFINICIÓN DE LA MALLA Y DISTANCIA DE
RECONOCIMIENTO, USANDO LA GEOESTADÍSTICA ............................................ 79
3.15. CÁLCULO DE ERROR DE ESTIMACIÓN Y VARIANZA DEL KRIAGE . 85
3.16. KRIAGE DE BLOQUES Y VALORIZACIÓN DE LOS MISMOS COMO
CONSTRUCCIÓN DE CURVAS DE TM/LEY MEDIA COMO TAMBIEN DE
CORTA Y CUTT-OFF ......................................................................................................... 96
4. CONCLUSIONES .............................................................................................................. 103

GEOESTADÍSTICA 1


1. INTRODUCCIÓN

Ya se han cumplido más de cuatro décadas del nacimiento de la Geoestadística Matheroniana

(MATHERON 1962a, 1963); por lo que estos métodos, basados en la Teoría de la Variables
Regionalizadas, están lo suficiente difundidos en la actualidad. Es por este motivo que la mayor
parte de paquetes importantes de software que se aplican a la minería, presentan módulos de
evaluación por krigeage, que es el método de estimación geoestadístico (MATHERON 1962b;
DAVID 1976; DELFINER y DELHOMME 1973) superior a cualquier otro por sus características
de no sesgo y mínimo error. Sin embargo, en la actualidad todavía se realizan evaluaciones con
métodos tradicionales. Las principales razones son: la simplicidad y rápida aplicación de estos
últimos, en comparación con el mayor grado de dificultad que implica la evaluación por krigeage;
además de la necesidad de tener un mínimo conocimiento especializado para aplicar el método
geoestadístico. En algunos países, entre ellos Estados Unidos de Norteamérica, se entiende por
Geoestadística a cualquier aplicación de la estadística en Geología y ramas afines, como Minería
y Petróleo; en este trabajo estamos considerando como tal sólo a la Geoestadística Matheroniana,
cuya principal herramienta es el Variograma.
Con el tiempo es posible que la estimación de reservas por métodos tradicionales se circunscriba
sólo a una necesidad académica, histórica o a ciertos casos donde se sepa de una regionalización
completamente aleatoria, cosa muy rara en la naturaleza. En una encuesta estadística realizada
por CHAMPIGNY & ARMSTRONG (1993), involucrando a las 19 empresas de oro más
representativas del mundo, antes de la última década del presente siglo sólo el 11% de ellas no
está utilizando la geoestadística para la estimación de reservas.
Aquellas personas que sólo aplican métodos estadísticos tradicionales (univariables y
multivariables) en el análisis de variables regionalizadas (geo-referenciadas en el tiempo o el
espacio) tienen y van a tener una serie de problemas, la mayor parte de los cuales a veces no
pueden explicar. La principal restricción de los métodos estadísticos tradicionales es la
abstracción que hacen de la ubicación de las muestras en el tiempo o el espacio.
El objetivo principal es utilizar los conceptos y parámetros de la caracterización variográfica
geoestadística para minimizar las limitaciones intrínsecas de los métodos tradicionales. Esto no
es difícil de realizar ya que, en la actualidad, prácticamente todos los paquetes medianos y grandes
de software aplicados a geología, minería y metalurgia tienen en sus módulos de estimación de
reservas alguna forma de hacer análisis variográfico geoestadístico.
2. AGRADECIMIENTO
Con el más reconocimiento a toda la información que e adquirido en este curso, agradezco
a Dios por el esfuerzo que se ha puesto en estos 4 meses, quisiera mencionar a los
programas que se me ha sido de utilidad en objetivo del curso, tales como: SGEMS,
ARCGIS y SURFER 10 que ahora en adelante también formaran parte de mi desempeño
como profesional y para mis fututos logros.
3. DESARROLLO

GEOESTADÍSTICA 2


3.1. MODELOS ESTADÍSTICOS Y LA COMPARACIÓN CON UN MODELO

GEOESTADÍSTICO

La palabra “geoestadística” fue inventada por Georges Matheron en 1962. El prefijo “geo” alude
a las ciencias de la tierra, que ha sido históricamente la disciplina donde la geoestadística se ha
desarrollado. Los campos de aplicación actuales alcanzan los dominios más variados, como la
evaluación de recursos naturales (mineros, forestales, gas, petróleo, etc.), ciencias del suelo y
medio-ambientales, topografía, oceanografía, geofísica, agricultura y análisis de imágenes, por
nombrar algunos. El termino “estadística” se refiere al uso de herramientas estadísticas y
probabilísticas. Con respecto a la estadística clásica, la geoestadística busca tomar en cuenta las
dependencias entre las observaciones disponibles, considerando que ellas están ubicadas en el
espacio.
Modelos estadísticos
La estadística, es una ciencia relativamente nueva, pero con miles de años de uso empírico, María
y José parten de Nazaret a Belén para ser censados por los romanos. Hace 2000 años este imperio
llevaba un control estadístico de lo que poseían sus colonias para cobrarles impuestos. En la
actualidad los procedimientos estadísticos son de particular importancia en las diferentes ciencias,
para reducir y abstraer datos. Una definición que describe la estadística de manera utilitaria es la
que dice que es: “un conjunto de técnicas para describir grupos de datos y para tomar decisiones
en ausencia de una información completa”. La estadística a diferencia de la matemática no genera
resultados exactos, los resultados siempre tienen asociada un grado de incertidumbre o error. La
estadística trata de lograr una aproximación de la realidad, la cual es siempre mucho más compleja
y rica que el modelo que podemos abstraer. Si bien esta ciencia es ideal para describir procesos
cuantitativos, tiene serios problemas para explicar por qué‖ cualitativo de las cosas.
En general la estadística es Un modelo estadístico es una expresión simbólica en forma de
igualdad y ecuación que se emplea en todos los diseños experimentales y en regresión para indicar
los diferentes factores que se modifican la variable de respuesta.
Tipos de modelos estadísticos

 Modelo de correlación

GEOESTADÍSTICA 3


 Modelo de regresión lineal
 Modelo de regresión exponencial
 Modelo de mínimos cuadrados

GEOESTADÍSTICA 4


Modelos geoestadísticos
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 log normal 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 mas sucesivos la teroria fue depurando ampliando su campo de valides y produciendo
las hipótesis necesarias (Samper y Calera, 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.

GEOESTADÍSTICA 5


Tipos de modelos geoestadísticos
 Modelo digital de elevación
 Modelo georreferencial
 Ingeniería de minas

GEOESTADÍSTICA 6


Comparación de una modelo estadística vs geoestadística

Podemos concluir que el modelo estadístico además de ser capaces de visualizar la distribución
de una o dos variables simultáneamente, o la relación entre variables cuantitativas y cualitativas,
en ocasiones será también de extremada utilidad poder aplicar sencillos modelos estadísticos que
pongan de manifiesto patrones en los conjuntos de datos en análisis.
El modelo geoestadístico describe cada una de las propiedades litológicas y petrofísicas utilizadas
en la construcción de los modelos tridimensionales, además del procedimiento realizado para el
análisis y control de calidad de toda la información disponible para el condicionamiento de las
diferentes realizaciones (modelos geoestadísticos) resultantes al proceso de simulación
estocástica. El primer paso de un modelo geoestadístico es la generación de la grilla que va ser
poblada por las facies y las propiedades petrofísicas.

GEOESTADÍSTICA 7


3.2. REALIZACIÓN DE PRÁCTICAS CON DATAS, PARA LA EVOLUCIÓN,

CONSTRUCCIÓN DE MÉTODOS GRÁFICOS Y NUMÉRICOS Y
NUMÉRICOS, QUE AYUDEN A ENTENDER EL COMPORTAMIENTO DE
LOS DATOS A UTILIZAR EN GEOESTADÍSTICAS
ESTADISTICA MONOVARIANTE: La estadística está constituida por un conjunto de

técnicas cuyo objetivo es clasificar, presentar, describir, resumir y analizar los datos relativos a
una o más características de los individuos de una población, a partir de la información sobre
todos y cada uno de ellos. Para cubrir estos objetivos se vale de tablas, gráficos y resúmenes
estadísticos. La estadística descriptiva univariante o monovariante se centra en el análisis de una
única característica o cualidad del individuo. Las características a analizar presentan k
modalidades, exhaustivas y mutuamente excluyentes. Dependiendo del tipo de modalidades, las
características, que de forma general denominaremos variables, pueden ser:
Características cualitativas o atributos: si sus modalidades no son numéricas; por ejemplo, el

sexo, el estado civil o el nivel de estudios de un individuo. Según que las modalidades no
numéricas admitan, o no, una ordenación, hablaremos de atributos ordinales (nivel de estudios,
clase social,) o atributos nominales (sexo, sector productivo).
Características cuantitativas o variables: si sus modalidades son numéricas; por ejemplo, el
número de miembros de una familia o su renta. Las variables pueden tomar pocos valores y bien
diferenciados (el número de miembros) o muchos valores y poco diferenciados (la renta). En este
último caso, bien sea por la forma de recoger los datos, bien sea por facilitar su análisis e
interpretación, los datos se pueden disponer en intervalos, esto es, se pueden categorizar; cuando
esto ocurra, ya no estamos ante una característica numérica, sino ante un atributo ordinal.
Tabla estadística o distribución de frecuencias
De manera genérica designaremos por C a una característica cualitativa y por sus

distintas modalidades. Cuando se observa la característica C en los N individuos de una
población, la distribución de frecuencia de las N observaciones de C se resume en: la frecuencia
absoluta, = número de individuos que presentan la modalidad y en la frecuencia relativa,
proporción de individuos que presentan la modalidad . Si las modalidades admiten una relación
de orden, también se puede caracterizar la distribución de frecuencias por: la frecuencia absoluta
acumulada,
número de individuos que presentan la modalidad o una modalidad “menor”, y la frecuencia

relativa acumulada,

GEOESTADÍSTICA 8


proporción de individuos que presentan la modalidad o una modalidad “menor”.

La tabla siguiente recoge la distribución de frecuencia de la característica C.
Representaciones gráficas
Constituyen una forma atractiva de representar la distribución de frecuencias de una característica
de manera que permita visualizar los aspectos más destacables de la misma.
Los estadísticos
Los resúmenes estadísticos reflejan numéricamente distintos aspectos de la característica en
estudio: medidas de posición (sitúan el centro u otra zona de la
distribución), dispersión (cuantifican la distancia de los datos entre sí o respecto de una medida
de posición central) y distribución (recogen la forma de la distribución en cuanto a su asimetría y
apuntamiento); estas medidas, salvo contadas excepciones, sólo son aplicables a características
cuantitativas.
El esquema siguiente recoge los principales resúmenes que se definirán posteriormente:
HISTOGRAMA: Es una gráfica de la distribución de un conjunto de datos. Es un tipo especial

de gráfica de barras, en la cual una barra va pegada a la otra, es decir no hay espacio entre las
barras. Cada barra representa un subconjunto de los datos.
¿Qué muestra el histograma? Un histograma muestra la acumulación ó tendencia, la

variabilidad o dispersión y la forma de la distribución.

GEOESTADÍSTICA 9


¿Para qué tipo de variable se usa? HISTOGRAMA Un histograma es una gráfica adecuada
para representar variables continuas, aunque también se puede usar para variables discretas. Es
decir, mediante un histograma se puede mostrar gráficamente la distribución de una variable
cuantitativa o numérica.

GEOESTADÍSTICA 10


EJERCICIO:
De la siguiente data considerando los niveles de cobre, desarrollar un histograma,
grafica de distribución normal y ejecutar una serie de procedimientos para hallar la
media la mediana, desviación estándar, etc.
CODIGO ESTE NORTE CU_PPM
1.50E‐57 699424 9193188 27
1.50E‐56 688695 9193228 24.1
1.50E‐55 699764 9192350 23.8
1.50E‐50 700381 9192180 35.6
1.50E‐38 714168 9187838 24.6
1.50E‐37 713089 9191674 22.5
1.50E‐35 714269 9188386 22.1
1.50E‐30 713428 9190358 23.8
1.50E‐28 714817 9184718 28.3
1.50E‐10 719540 9206600 21
1.50E‐09 719583 9215236 17.5
1.50E‐05 718261 9209638 22.7
1.50E‐03 716358 9204924 25.7
1.50E‐02 718735 9220762 7.6
14f‐016 754440 9231951 14.3
14f‐017 754021 9225978 26.7
14f‐019 756705 9235012 10.8
14f‐022 754974 9227849 27.7
14f‐023 756258 9235646 11.2
14f‐027 756051 9242185 19.3

Haciendo uso de una hoja de calculo excel desarrollamos, aplicamos las formulas:

Univariate Statistics
X Y Z

Count: 20 20 20

GEOESTADÍSTICA 11


Minimum: 688695.00 9184718.00 7.60
Maximum: 756705.00 9242185.00 35.60
Mean: 724148.05 9208485.05 21.815
Median: 717309.5 9205762 23.25
Geometric Mean: 723819.8028 9208465.996 20.5632548
Harmonic Mean: 723494.3062 9208446.951 18.9967068
Root Mean Square: 724478.88 9208504.11 22.79
Trim Mean (10%%): 722434.53 9206711.37 21.09
Interquartile Mean: 719660.82 9204159.82 22.46
Midrange: 722700.00 9213451.50 21.60
Winsorized Mean: 724641.45 9208250.70 21.55
TriMean: 724956.50 9206875.00 22.15
Variance: 504468071.9 369572657.5 45.9423947
Standard Deviation: 2.25E+04 1.92E+04 6.77808194
Interquartile Range: 40932 3.43E+04 8.2
Range: 68010 57467 28
Mean Difference: 24792.08947 22141.28947 7.58473684
Median Abs. Deviation: 10574.5 15202 3.6
Average Abs. Deviation: 16708.75 16600.65 4.915
Quartile Dispersion: 0.027899748 0.001862561 0.18981481
Relative Mean Diff.: 0.034236217 0.002404444 0.34768448
Standard Error: 5022.290672 4298.678038 1.5156252
Coef. of Variation: 0.031016263 0.002087669 0.3107074
Skewness: 0.396499132 0.337088734 ‐0.3958291
Kurtosis: 1.660535199 1.460947711 2.66598635
Sum: 14482961 184169701 436.3
Sum Absolute: 14482961 184169701 436.3
Sum Squares: 1.05E+13 1.70E+15 10390.79
Mean Square: 5.2487E+11 8.48E+13 519.5395

GEOESTADÍSTICA 12


GEOESTADÍSTICA 13


3.3. UTILIZACIÓN DE SOFTWARE COMO EL SPSS, SGEMS Y MINITAB, PARA USO DE
DATOS DE TAJO ABIERTO

SGEMS: es un programa para hacer cálculos y modelaje geoestadísticas en tres

dimensiones. El programa se encarga de ofrecerle al usuario numerosas plantillas de
algoritmos, así como otros de reciente creación desarrollados en el laboratorio de
ingeniería de recursos y energía de la Universidad de Stanford.es el primer software para
proporcionar algoritmos de múltiples puntos de las estadísticas. El paquete proporciona
un conjunto de herramientas SGeMS versátil para graduados en Ciencias de la Tierra e
investigadores, así como profesionales de medio ambiente, la minería y la ingeniería de
petróleo.Se provee a los profesionales geoestadística con una interfaz fácil de usar, una
visualización interactiva en 3-D, y una amplia selección de los algoritmos. Este sitio sirve
como un complemento del libro de Geoestadística Aplicada a SGeMS que proporciona
una guía paso a paso para el uso de algoritmos SGeMS. Se recomienda conseguir el libro
para obtener la teoría subyacente, las manifestaciones de su aplicación, la discusión de
las posibles limitaciones.
ANALISIS ESTADISTICO BI VARIANTE

El análisis de datos bivariado es una forma evolucionada de análisis estadístico en el cual
se cuantifica a nivel descriptivo e inferencial el nivel de covarianza entre dos variables y
de esta forma se da cuenta de la relación entre dos variables. El análisis de datos bivariado
es una forma evolucionada de análisis estadístico en el cual se cuantifica a nivel
descriptivo e inferencial el nivel de covarianza entre dos variables y de esta forma se da
cuenta de la relación entre dos variables. La cuantificación de la covarianza consiste en
la construcción de coeficientes que permitan integrar en un valor estimado, información
con respecto a la varianza conjunta entre dos variables y tiene como objetivo fundamental
definir la magnitud y el sentido de la relación entre las variables. De este modo, el análisis
conjunto de las varianzas de dos variables (regularmente definidas como X y Y) permite
identificar la relación empírica entre éstas, entendiendo por relación el ajuste de los datos
a una función lineal estocástica subyacente. (Dimas. S 2012)

GEOESTADÍSTICA 14


NOTA: seleccionamos los datos de dos elementos químicos, hierro y aluminio en la
selección de muestras de la data, considerando el % como factor común.
DATA DE MUESTREO MINERO

GEOESTADÍSTICA 15


INTERPRETACION:
La relación entre las variables considerando como x “hierro” y “aluminio”,
nos proporciona un valor de 0.9 lo que indica que es una relación
imperfecta positiva muy fuerte cuyo grado es alto

GEOESTADÍSTICA 16


3.4. INTERPRETACIÓN DE GRÁFICOS PARA ENTENDER EL COMPORTAMIENTO DE
LA DISTRIBUCIÓN DE LA MINERALIZACIÓN
USO DE PROGRAMAS PARA HALLAR LOS EDA “ANALISIS EXPLORATORIO DE

DATOS” o ANALISIS ESTADISTICOS UNIVARIABLES
El Análisis Exploratorio de Datos (A.E.D.) es un conjunto de técnicas estadísticas cuya finalidad
es conseguir un entendimiento básico de los datos y de las relaciones existentes entre las variables
analizadas. Para conseguir este objetivo el A.E.D. proporciona métodos sistemáticos sencillos
para organizar y preparar los datos, detectar fallos en el diseño y recogida de los mismos,
tratamiento y evaluación de datos ausentes (missing), también es muy factible el uso de
histogramas para definir el desarrollo de los datos e identificación de casos atípicos (outliers) y
comprobación de los supuestos subyacentes en la mayor parte de las técnicas multivariantes
(normalidad, linealidad, homocedasticidad). El examen previo de los datos es un paso necesario,
que lleva tiempo, y que habitualmente se descuida por parte de los analistas de datos. Las tareas
implícitas en dicho examen pueden parecer insignificantes y sin consecuencias a primera vista,
pero son una parte esencial de cualquier análisis estadístico. (Salvador Figueras, M y Gargallo, P.
2003).
ETAPAS DEL A.E.D.
 Preparar los datos para hacerlos accesibles a cualquier técnica estadística.
 Realizar un examen gráfico de la naturaleza de las variables individuales a analizar y un
análisis descriptivo numérico que permita cuantificar algunos aspectos gráficos de los datos.
 Realizar un examen gráfico de las relaciones entre las variables analizadas y un análisis
descriptivo numérico que cuantifique el grado de interrelación existente entre ellas haciendo
uso de histogramas p ptrps métodos gráficos.
 Evaluar, si fuera necesario, algunos supuestos básicos subyacentes a muchas técnicas
estadísticas como, por ejemplo, la normalidad, linealidad y homocedasticidad.
 Identificar los posibles casos atípicos (outliers) y evaluar el impacto potencial que puedan
ejercer en análisis estadísticos posteriores.
 Evaluar, si fuera necesario, el impacto potencial que pueden tener los datos ausentes (missing)
sobre la representatividad de los datos analizados.
La distribución normal
Fue reconocida por primera vez por el francés Abraham de Moivre (1667-1754).
Posteriormente, Carl Friedrich Gauss (1777-1855) elaboró desarrollos más profundos y formuló
la ecuación de la curva; de ahí que también se la conozca, más comúnmente, como la "campana
de Gauss". La distribución de una variable normal está completamente determinada por dos
parámetros, su media y su desviación estándar, denotadas generalmente por y con esta notación,
la densidad de la normal viene dada por la ecuación:
Métodos gráficos

GEOESTADÍSTICA 17


El método gráfico univariante más simple para diagnosticar la normalidad es una comprobación
visual del histograma que compare los valores de los datos observados con una distribución
normal. Aunque atractivo por su simplicidad, este método es problemático para muestras
pequeñas, donde la construcción del histograma puede distorsionar la representación visual de tal
forma que el análisis sea poco fiable. Otras posibilidades, también basadas en información gráfica,
consisten en realizar diagramas de cuantiles (Q-Q plots). (Salvador Figueras, M y Gargallo, P.
2003).
EJERCICIO DE ANALISISESTADISTICO UNIVARIANTE

Se pretende calcular las características estadísticas en base a 20 muestras obtenidas de un rubro
minero x donde la variable principal y única a considerar es el cromo, finalmente como logro será
determinar variabilidad a frecuencia.
CODIGO ESTE NORTE CR_PPM

1.50E‐57 699424 9193188 28
1.50E‐56 688695 9193228 43
1.50E‐55 699764 9192350 25
1.50E‐50 700381 9192180 27
1.50E‐38 714168 9187838 38
1.50E‐37 713089 9191674 19
1.50E‐35 714269 9188386 21
1.50E‐30 713428 9190358 20
1.50E‐28 714817 9184718 32
1.50E‐10 719540 9206600 19
1.50E‐09 719583 9215236 13
1.50E‐05 718261 9209638 21
1.50E‐03 716358 9204924 13
1.50E‐02 718735 9220762 14
14f‐016 754440 9231951 8
14f‐017 754021 9225978 22
14f‐019 756705 9235012 8
14f‐022 754974 9227849 28
14f‐023 756258 9235646 9

GEOESTADÍSTICA 18


14f‐027 756051 9242185 6
RESULTADOS DE ANALISIS ESTADISTICO UNIVARIANTE EN SURFER 10 E

HISTOGRAMA DE SGEMS
Count: 20 20 20

Minimum: 688695 9184718 6
Maximum: 756705 9242185 43
Mean: 724148.05 9208485.05 20.7
Median: 717309.5 9205762 20.5
Geometric Mean: 723819.80 9208466.00 18.20
Harmonic Mean: 723494.31 9208446.95 15.65
Root Mean Square: 724478.88 9208504.11 22.92
Trim Mean (10%%): 722434.53 9206711.37 19.53
Interquartile Mean: 719660.82 9204159.82 19.45
Midrange: 722700 9213451.5 24.5
Winsorized Mean: 724641.45 9208250.7 19.95
TriMean: 724956.5 9206875 20
Variance: 504468071.95 369572657.52 101.91
Standard Deviation: 22460.37 19224.27 10.09
Interquartile Range: 40932 34304 14
Range: 68010 57467 37
Mean Difference: 24792.08947 22141.28947 11.6315789
Median Abs. 10574.5 15202 7.5
Deviation:
Average Abs. 16708.75 16600.65 7.8
Deviation:
Quartile Dispersion: 0.03 0.00 0.35
Relative Mean Diff.: 0.03 0.00 0.56
Standard Error: 5022.29 4298.68 2.26
Coef. of Variation: 0.03 0.00 0.49
Skewness: 0.40 0.34 0.42
Kurtosis: 1.66 1.46 2.35
Sum: 14482961 184169701 414
Sum Absolute: 14482961 184169701 414
Sum Squares: 1.05E+13 1.70E+15 10506
Mean Square: 5.2487E+11 8.48E+13 525.3
Tabla de distribución normal de la distribución vs frecuencia

GEOESTADÍSTICA 19


Aplicación del histograma en SGems
Interpretación
Consideramos que los niveles de cromo en el análisis se hacen mas frecuentes entre las 20 ppm
con una cuartilla superior de 27 y una cuartilla inferior de 19, considerando la varianza entre las
muestras de 82.489 con una mediana de 21 y media de 23.78 quiere decir que la distribución de
la variable es asimétrica.
NOTA: La media es muy sensible a la variación de las puntuaciones. Sin embargo, la mediana
es menos sensible a dichos cambios.

GEOESTADÍSTICA 20


3.5. TRABAJO POR GRUPOS DE DIFERENTES TIPOS DE YACIMIENTO Y
EXPOSICIONES
Se entiende por yacimientos como: Origen, Formación, Migración y Acumulación de los

hidrocarburos en el yacimiento. Por otro lado, los yacimientos es una unidad geológica de
volumen limitado, poroso y permeable que contiene hidrocarburos en estado líquido y/o gaseoso.
Los cinco ingredientes básicos que deben estar presentes para tener un yacimiento de
hidrocarburos son: fuente, Camino migratorio, Trampa, Almacenaje/porosidad,
Transmisibilidad/Permeabilidad.
Yacimiento Skarn
La característica de los skarns, a diferencia de otros tipos de depósitos minerales, es la presencia
de una ganga de grano grueso generalmente rica en hierro, así como la presencia de una mezcla
de silicatos de Ca-Mg-Fe-Al, formados por procesos metasomáticos a temperatura relativamente
alta. Así, la mineralogía que define a una roca como skarn es una variedad de minerales
calcosilicatados dominados por granate y piroxeno.
 Yacimientos tipo skarn se refiere a rocas metamórficas o zonas metamorfizadas, constituidas
por Ca, Mg y Fe alrededor de una intrusión ígnea o distales a lo largo de fallas o zonas de
cizalla, derivados de un protolito de rocas carbonatadas (calizas, dolomitas) en las cuales se
ha introducido metasomáticamente grandes cantidades de minerales silicatados de Si, Ca, Mg
y Fe (granate cálcico, piroxeno y epidota).
 Metasomatismo (o alteración), se da en las rocas calcáreas y en el Plutón intrusivo (diorita a

granítica). El metasomatismo se manifiesta por una intensa movilización de líquidos del
Plutón hacía la roca de caja y desde la roca de caja hacía el Plutón.
 La parte del skarn que perteneció a la roca intrusiva se llama en doskarn, la parte que
perteneció de caja exoskarn. La mineralización puede afectar ambas partes, pero en el
exoskarn es más común.
 La temperatura de tura de formación varía entre los 400° - 500° C.
 Las intrusiones asociadas al skarn son comúnmente de composición diorítica a granítica.
Etapas formación de los skarn
 Skarn Prógrado: Metamorfismo isoquímico (metamorfismo de contacto). Metasomatismo y

reemplazo (cristalización del magma, exsolución de fluido hidrotermal y formación de
minerales calcosilicatados e inicio de la mineralización).

GEOESTADÍSTICA 21


 Skarn Retrógrado: Alteración retrógrada (enfriamiento del intrusivo, mezcla de aguas
hidrotermales magmáticas con aguas meteóricas, formación de minerales hidratados a partir
de los silicatos > precipitación de sulfuros).
tipos de yacimientos
Yacimiento secundario
Se identifica como la zona en que los minerales forman parte de un ambiente geológico diferente
al de su origen.
Yacimiento geológico
Son los yacimientos donde se encuentran de forma natural ciertos minerales, fósiles y gases,
donde su concentración de material es superior al resto de la corteza terrestre. Estos yacimientos
siempre son explotados debido a su alta concentración de materiales, donde se destacan los
metales, los minerales y los hidrocarburos, principalmente el petróleo.
Yacimiento arqueológico
Indica las zonas donde se encuentran restos que pueden ser de interés para arqueólogos, como
utensilios, estructuras, materiales, etc. Esto concentración de restos se pueden encontrar
enterrados, o sobre la superficie.
Yacimiento paleontológico
Refiere a los sitios donde hay una alta concentración de restos fosilizados de animales o de seres
humanos, y de materiales empleados por el hombre; los cuales pueden ser de gran interés para los
paleontólogos.
Yacimiento de petróleo
Indica la zona donde se encuentra una gran acumulación de petróleo de forma natural. El petróleo
puede ser ligero o crudo, el cual se mantiene retenido por formaciones de rocas con baja
permeabilidad, donde se ha de hacer un orificio profundo hasta llegar a este para poder explotarlo.
Yacimiento de gas
En este tipo de yacimiento se suele encontrar de manera natural, como una mezcla acumulada en
el subsuelo de hidrocarburos en estado gaseoso. El gas resulta de la mezcla de carbono, de
hidrógeno y de cantidades pequeñas de compuestos no hidrocarburos que se encuentran en estado
gaseoso. Este gas es empleado en la actualidad como fuente de energía. Los yacimientos de gas
se clasifican de acuerdo al tipo de gas encontrado, como son:
 Yacimiento de gas seco: representa los yacimientos donde su temperatura de inicio es superior
a la cricocondentermica. Los mismos poseen metano e hidrocarburos superiores, que no se
condensan en la superficie.
 Yacimiento de gas húmedo: en estos yacimientos la temperatura al inicio supera la

temperatura cricondentermica. Están constituidos por hidrocarburos livianos que se
condensan en la superficie.
 Yacimiento de gas condensado: están formado por fluidos. Estos tienen una condensación
retrograda, donde el gas se condensa al disminuir la presión, adhiriéndose a los poros; creando
así una disminución en la producción de líquidos.
Yacimientos minerales

GEOESTADÍSTICA 22


Refiere a las zonas donde se suelen acumular de forma natural ciertos minerales que luego pasan
a ser explotados para un fin económico. De estos se encuentran varios tipos como son:
 Yacimientos minerales magmáticos: son los yacimientos que se crean en masas magmáticas
o en sus proximidades. Los mismos pueden ser ortomagmáticos creados por la acumulación
mineral durante la consolidación, cuando se enfría un magma e hidrotermales creados por la
precipitación de los fluidos magmáticos.
 Yacimientos sedimentarios: estos muestran los minerales que se extraen de otras áreas a
través de la erosión, y que se transportan al yacimiento donde se realiza la sedimentación.
 Yacimientos metamórficos: se presentan cuanto hay transformaciones en los depósitos

minerales luego de ser expuestos a temperaturas elevadas y a presiones.
Yacimiento geotérmico
Se le conoce como el área del subsuelo donde se logra aprovechar su calor al máximo de una
manera rentable. Este calor se extrae con un fluido que lo transporta, donde se debe perforar el
suelo hasta llegar a las temperaturas que permita la explotación del calor. Existen cuatro tipos de
yacimientos geotérmicos, estos son:
 Yacimiento geotérmico de alta temperatura: estos son empleados para producir energía
eléctrica donde tienen más de 150 grados Celsius.
 Yacimiento geotérmico de media temperatura: pueden producir energía eléctrica por medio
de fluido volátil, y alcanza temperaturas de 100 y 150 grados Celsius.
 Yacimiento geotérmico de baja temperatura: indica aquellos yacimientos donde el calor

mantiene una temperatura de 30 a 100 grados Celsius.
 Yacimiento geotérmico de muy baja temperatura: representa los yacimientos con temperatura
inferior a los 30 grados Celsius. Estos son empleados en el intercambio térmico en sistemas
agrícolas y en la climatización doméstica.
Conclusión
Los yacimientos, estrictamente especificada en simetría y forma, dicha clasificación abarca tal
importancia que dependiendo la forma del yacimiento se pueden elegir los métodos de
explotación para poner en funcionamiento el proyecto minero, tomando en cuenta también como
otros factores influyen, tales como la proximidad a la superficie, dimensiones, minerales que
componen el yacimiento, como también el origen que posee cada yacimiento

GEOESTADÍSTICA 23


EJERCICIO APLICATIVO: DATA
Dado sea el caso
Se supone una empresa de un servicio de personal de seguridad en diferentes locales en el país,
en la data previamente expuesta se nos proporciona las cantidades de horas activas en Mañanas
y Tardes, dependiendo la duración de los eventos o necesidad del solicitante, encuentre todas
las propiedades del análisis de teorema central considerando las horas activas de la mañana
como factor común, tome el desarrollo de un grafica de histogramas para apoyar el
comportamiento de los resultados.
NOTA: tomamos el factor total de 1‐10 en muestra.

GEOESTADÍSTICA 24


Hallamos las propiedades estadísticas propuestas en la semana 1‐2‐3‐4 local 1‐ horas activas
de la mañana:

GEOESTADÍSTICA 25


GEOESTADÍSTICA 26


3.6. TRABAJOS POR GRUPOS DE DIFERENTES TIPOS DE YACIMIENTOS Y

EXPOSICIONES
Un modelo para las variables regionalizadas La información disponible sobre un yacimiento es
fragmentaria, solo conocemos una parte muy pequeña de él. Si queremos extraer conclusiones
sobre el yacimiento basándonos en la información dispersa, debemos construir modelos que se
ajusten lo mejor posible a la realidad que estudiamos. Estos modelos se representan mediante
funciones matemáticas y se construyen con nuestras variables regionalizadas. La Geoestadística
tiene una herramienta básica, el variograma, una función matemática que nos permite estudiar
las diferencias entre muestras y las direcciones. Para introducirnos en el concepto del
variograma, hacemos la siguiente abstracción mental: si la distancia h entre dos muestras es
igual a cero, la diferencia entre los valores de éstas será nula, y la varianza igual a cero. Si ambas
muestras están muy cerca, existirá una diferencia, pero ésta, expresada como varianza, será muy
pequeña. Sin embargo, a medida que las muestras estén más alejadas, llegará el momento en el
que deje de haber una relación entre las muestras. Este fenómeno se resuelve mediante la
construcción de un variograma experimental y su posterior modelización. Para poder avanzar
en el estudio destacamos algunos conceptos estadísticos

Variograma. La Geoestadística permite conocer el comportamiento de la variable regionalizada
en una, dos y tres dimensiones a través de un elemento básico llamado variograma, el cual
expresa los cambios de la variable a lo largo de una dirección determinada. El variograma es una
medida del grado de dependencia espacial entre las muestras. Si consideramos que las muestras
están uniformemente espaciadas a lo largo de una dirección, dos valores de la variable, Z(x) y Z
(x+h), situados en dos puntos separados por una distancia (h); la variabilidad entre estas dos
medidas está dada por la diferencia Z(x+h) ‐ Z(x). El promedio cuadrático de todas las
diferencias entre muestras situadas a distancia (h) me da la variabilidad promedio de la variable
para dicha distancia. Ese estimador de la variabilidad está caracterizado por la función
variograma:

GEOESTADÍSTICA 27


PARTES A CONSIDERAR DE UN VARIOGRAMA

ALCANCE: es el rango cuya longitud alcanza hasta el punto donde la curva se estabiliza
EFECTO PEPITA: se le considera como ruido blanco pero no es tomado como error
MESETA: es la zona donde la curva se mantiene estable

GEOESTADÍSTICA 28


EJERCICIO APLICATIVO: tomando la consideración de las leyes en Au (oro) desarrolle un
variograma señalando la variabilidad de los datos ayudándose de una línea de tendencia
80 78 76 74 72 70 68 66 64 ................. 2
% Au % Au % Au % Au % Au % Au % Au % Au % Au % Au
80 m

Y(H): PARES S:(SEMIVARIANZA)
2 0.74
4 1.1 PARAMETROS MCO
6 1.34
8 1.58 CO 0.5
10 1.72
12 1.81
C1 1.66
14 1.87 A 28
16 1.9
18 1.93
20 1.92
22 1.95
24 2.01
26 2.09
28 2.16
30 2.25
32 2.29
34 2.38
36 2.35
38 2.36
40 2.39
42 2.48
44 2.52
46 2.56
48 2.55
50 2.49
52 2.59
54 2.61
56 2.64
58 2.68
60 2.62
62 2.52
64 2.59
66 2.53
68 2.47
70 2.56
72 2.62
74 2.64
76 2.75
78 2.93
80 3.06

GEOESTADÍSTICA 29


3.7. VALIDACIÓN DE LOS DATOS QUE INTERVENDRÁN EN EL ANÁLISIS
GEOESTADÍSTICAS, CALCULO Y CONSTRUCCIÓN DE VARIOGRAMAS

En función a las leyes de la geografía, en específico la ley de “tobler” que demuestra que “todo
está relacionado con lo demás considerando que las variables cercanas están más fuertemente
relacionadas que las distantes”. Es decir, las cosas más cercanas son más predecibles y tienen
menos variabilidad, por eso mismo generalmente toma por muestra de estudio (contaminación,
ruido, marea, taza de epidemia, etc.) siendo datos que varían con la distancia. Esto también hace
el uso o involucra la interpolación de kriging también conocido como regresión de procesos
Gaussianos, en el uso práctico se desarrolla en aplicaciones como ArcGIS siendo de grado de tipo
topográfico.

COMO SE DESARROLLAN LOS SEMI‐VARIOGRAMAS
•Generalmente en el eje “x” se traza la distancia, tomando cada conjunto de muestras en
ubicaciones alternadas haciendo uso de análisis básicos de estadística como la desviación
estándar, mediana y promedio, y en el eje “y” se desenvuelve lo que es la variable de
estudio (contaminación, ruido, marea, humedad, taza de epidemia, etc).
•Se considera un error en específico muy significativo, ya que es dependiendo del
observador, por esto se establece que debe ser imparcial a cualquier escenario de análisis.
Siempre recuerde:
Estamos observando la distancia entre 2 muestras y su variabilidad. Un semi‐ variograma
considera todos los puntos y su distancia con varianza. Por eso es practico o muy dependiente
del estudio que los semi‐variograma tengan tantos varios puntos posibles lo que alcance los
recursos. Aquí hay un subconjunto del conjunto de datos anterior para ver todos los diferentes
conjuntos de puntos que se están trazando en un semi‐variograma.

GEOESTADÍSTICA 30


UMBRAL Y BORDE EN SEMI‐VARIOGRAMA
Con relación a la diferencia de distancias cortas, los valores entre puntos tienden a ser muy
pequeñas, pero no insignificantes, es decir, la semi‐varianza es pequeña. A diferencia de los más
distantes la semi‐varianza se vuele más abrupta. Con el paso de la distancia al P1, ya empieza a
desvanecerse la relación entre estos puntos lo que significa que el borde se hace presente, la
varianza se estabiliza y los valores se mantienen continuos.

Conclusiones:
 El semi‐variograma proporcionan un avance preliminar en predicción útil
para comprender la naturaleza y comportamiento de los datos.
 el modelo se elige de los semi‐variogramas pero comúnmente se utiliza en
el kriging.
 Cada fenómeno o efecto tiene su propio semi‐variograma y su propia
función matemática.

GEOESTADÍSTICA 31


EJERCICIO APLICATIVO

suma N° RESULTADO
32342105 1 16171053
28657864 2 7164466
31467208 3 5244535
27713437 4 3464180
28290101 5 2829010
30158656 6 2513221
28849813 7 2060701
24846488 8 1552905
19382168 9 1076787
22983831 10 1149192
30360323 11 1380015
21630081 12 901253
23234254 13 893625
23922421 14 854372
22576853 15 752562
23363269 16 730102
22370063 17 657943
13567586 18 376877
16114658 19 424070
21279578 20 531989
19962882 21 475307
16601862 22 377315

GEOESTADÍSTICA 32


16277413 23 353857
17003422 24 354238
16618223 25 332364
16416830 26 315708
12845179 27 237874
8766377 28 156542
14293908 29 246447
14895226 30 248254
10068595 31 162397
11907437 32 186054
10609914 33 160756
11683276 34 171813
11196784 35 159954
5511725 36 76552
11764827 37 158984
9466107 38 124554
12960974 39 166166
3660882 40 45761
4642482 41 56616
4785046 42 56965
4719934 43 54883
4627584 44 52586

3.8. AVANCE DE INVESTIGACIÓN (PAPER)

SE PRESENTO CON PUNTUALIDAD RESPETANDO LA FECHA,
DEBIDO AL TAMAÑO DE ESTE NO LO AÑADIMOS AL FOLDER Y LA
SUSTENTACION SE MANTIENE VIGENTE

3.9. CONSTRUCCIÓN DE UN VARIOGRAMA EXPERIMENTAL

Los valores de una variable regionalizada no son independientes, en el sentido que un valor
observado en un sitio proporciona información sobre los valores de los sitios vecinos. En la
interpretación probabilística de la variable regionalizada, esta noción intuitiva de dependencia
está descrita por la distribución espacial de la función aleatoria, que modela la manera como se
relacionan los valores observados en distintos sitios por una distribución de probabilidad
multivariable. En muchos problemas la descripción de la distribución espacial se limita a los
primeros momentos. El momento de orden 1 (esperanza) hace intervenir un solo sitio a la vez y
no entrega realmente información sobre dependencia espacial. En cambio, los momentos de orden
2 (covarianza, correlograma y variograma) están definidos con la ayuda de dos sitios, es decir del
más pequeño conjunto que se puede considerar para describir la “interacción” entre valores. Son
estos momentos los que entregan una descripción elemental y operatoria de la continuidad
espacial de la variable regionalizada. En este capítulo, abordamos la primera etapa del análisis

GEOESTADÍSTICA 33


variográfico, que consiste en la inferencia del variograma, es decir, el cálculo de un variograma
experimental a partir de los datos disponibles.
El variograma experimental tradicional
Definición e interpretación: Consideremos una variable regionalizada z conocida en n sitios
{x1,....xn}. El estimador tradicional del variograma para un vector de separación h dado, se define
de la siguiente manera:
Donde:
 N(h) = {(α, β) tal que xα − xβ = h};
 N(h)| es el número de pares contenidos en el conjunto N(h).
Nota: Se ve que el estimador anterior consiste en reemplazar la esperanza en la expresión del
variograma teórico.
por la media aritmética sobre los pares de datos separados por el vector h. El estimador así
definido lleva el nombre de variograma experimental. No se trata de una función propiamente tal,
sino que, de una serie de valores, pues sólo se puede calcular para vectores h tales que N(h) no es
vacío. El variograma experimental para un vector h puede interpretarse como el momento de
inercia de la nube de correlación diferida (nube de los puntos (z(xα), z(xβ) con xα − xβ = h), que
mide la distancia cuadrática promedio entre los puntos de la nube y la línea diagonal. Mientras
más apretada la nube de correlación diferida en torno a la diagonal, más pequeña su inercia.
Ejemplo: Consideremos los siguientes datos espaciados cada 100 m:
53642112432
El variograma experimental se puede calcular para distancias múltiplos de 100m, esto es:

GEOESTADÍSTICA 34


Tolerancias en los parámetros de cálculo

Si los datos están irregularmente distribuidos en el campo D, el número de pares |N(h)| que
interviene en el cálculo de γˆ(h) para un vector h dado, es generalmente muy pequeño (incluso
igual a 0 ó 1). El variograma experimental tiene entonces un aspecto muy errático y resulta
imposible interpretarlo y modelarlo. Para que sea más robusto, se suele permitir algunas
tolerancias de cálculo, sobre las distancias y las direcciones.
T(h) es una región de tolerancia alrededor de h, de la forma [h − ∆h, h + ∆h] en el caso

unidimensional. En el caso bi- o tridimensional, existen tolerancias tanto sobre la longitud de h
como sobre su orientación, tal como se ilustra en la Figura.
Región de tolerancia T(h) alrededor del vector h (caso bidimensional) El ancho de banda limita
la separación del cono de tolerancia a una extensión máxima. En el espacio de tres dimensiones,
se introduce dos anchos de banda: uno horizontal y otro vertical. En resumen, los parámetros a
especificar para calcular un variograma experimental son los siguientes:
 dirección de interés: acimut, inclinación.

GEOESTADÍSTICA 35


 distancias de interés, en general múltiplos de una distancia elemental llamada paso (“lag”).
 tolerancia en la dirección: tolerancia angular, ancho(s) de banda.
 Tolerancia en las distancias.
La Figura muestra un variograma experimental de las concentraciones de cobalto procedentes de
los datos de contaminación de suelo. Este variograma ha sido calculado para distancias múltiplos
de la malla de muestreo (0.25 km), con una tolerancia en la distancia de 0.125 km y una tolerancia
angular de 90º, es decir, sin importar la orientación del vector h. En este caso, se habla de
variograma “omnidireccional”.
Variograma experimental omnidireccional de las concentraciones de cobalto. Las líneas

punteadas sólo unen a los distintos puntos del variograma experimental. Propiedades del
variograma experimental El variograma experimental γˆ(h) es un estimador insesgado del
variograma teórico:
Un indicador de la robustez de γˆ(h) es su varianza relativa.
Mientras más elevada dicha varianza, más susceptible es el variograma experimental de fluctuar
en torno a su valor esperado (el variograma teórico γ(h)) y más difícil se vuelve la inferencia
estadística. Aunque esta varianza relativa sólo puede ser expresada en algunos casos particulares,
puesto que requiere conocer la función aleatoria hasta sus distribuciones quadrivariables, los
principales factores que la influencian son:
 La distancia considerada (norma del vector h): la varianza relativa de γˆ(h) suele tomar valores
considerables para las grandes distancias (para fijar las ideas, aquellas distancias mayores que
la mitad del diámetro del campo). Este efecto es perceptible en la Figura, donde se observa
que las fluctuaciones aumentan cuando la distancia aumenta.
 La irregularidad o el carácter preferencial de la malla de muestreo, que pueden provocar

grandes fluctuaciones en el variograma experimental, incluso para pequeñas distancias.
 El número de pares de datos: mientras más bajo, mayores son las fluctuaciones.
 La presencia de datos extremos (outliers), los cuales tienen un impacto considerable en el

cálculo del variograma experimental, pues este último eleva los valores al cuadrado.

GEOESTADÍSTICA 36


VARIOGRAMA EXPERIMENTAL Y SUS PARAMETROS (EJERCICIO APLICATIVO
EXCEL)

GEOESTADÍSTICA 37


GEOESTADÍSTICA 38


Sin considerar los demás datos, debido a que se sobresale del espectro deseado a variograma
experimental, se considera los 16 primeros puntos donde se declara el alcance en el punto 10.

GEOESTADÍSTICA 39


3.10. AJUSTE DE UN VARIOGRAMA TEÓRICO A UN VARIOGRAMA EXPERIMENTAL E
INTERPRETACIÓN DE ESTE AJUSTE

Ajuste de variograma
En cuanto a la interpretación y el modelamiento del variograma considerándolo como centro de
estudio en desarrollo geoestadístico. En resumen, el variograma teórico modelado es la
correlación espacial de la estructura geo-morfológica basada en datos de muestra o sondeo. En
cuanto al variograma modelado controla la forma en que los pesos como variable(ponderación)
del kriging son asignados a la muestra o compositos durante la interpolación y consecuentemente
controla la calidad de los resultados al análisis, esto normalmente se hace de forma manual. Al
finalizar se hace un ajuste mediante un método de optimización cuadrática que se usa para ajustar
funciones matemáticas de manera que se ajuste lo más posible a los datos experimentales. Como
objetivo es obtener los mínimos cuadrados, en función del número de pares de datos o la distancia
o lag. (Porras V, 2006).
Ajuste de curvas
El ajuste en curvas es el proceso de construcción de una curva o función matemática, que tiene el
mejor ajuste a una serie de puntos de datos correlacionados, donde la mayoría de veces esta es
dependiente a ciertas restricciones. El ajuste de curvas puede implicar la interpolación, donde se
requiere un exacto ajuste, en el que se construye una función a generación a datos mejor
aproximados. Considere las siguientes referencias para mayor información: Los libros de
Armstrong (1998) y Goovaerts (1997) son una buena base para los aspectos teóricos, mientras
que en el libro de Bivand (2013)
Despliegue del ajuste de variograma
El ajuste de un variograma experimental a un modelo teórico puede darse con la combinación de
varios modelos. Por ejemplo, el variograma de la imagen se puede modelar con una combinación
de efecto pepita y un variograma esférico. Recordemos que el variograma experimental es la
gráfica de una serie de puntos y por eso se requiere de un modelo teórico (una función matemática)
a la cual se ajusten los puntos del variograma experimental. (Porras V, 2006).

GEOESTADÍSTICA 40


se muestran tres elementos característicos del variograma experimental que deben tomarse en
cuenta para hacer un ajuste a un modelo teórico. En este caso, el ajuste obtenido combina el
modelo para el efecto pepita con Cn = 218 más un modelo esférico con una meseta parcial (meseta
total – el efecto pepita) igual a 610 y un rango aproximado de 0.610km.
Te preguntarás cual es el mejor criterio o método para ajustar un variograma experimental a un

modelo teórico. Pues bien, uno de los mejores ajustes que se puede hacer es a “ojo”, como lo
hicimos en este caso. Por lo regular, el método de mínimos cuadrados no ofrecerá un buen ajuste,
ya que bajo este criterio todos los puntos de la gráfica tienen el mismo peso para minimizar el
error y sabemos que los puntos en el variograma (correspondientes a distancias pequeñas) deben
tener un ajuste mejor, pues determinan el comportamiento de la correlación. (Porras V, 2006).
Semi-variograma
En función a las leyes de la geografía, en específico la ley de “tobler” que demuestra que “todo
está relacionado con lo demás considerando que las variables cercanas están más fuertemente
relacionadas que las distantes”. Es decir, las cosas más cercanas son más predecibles y tienen
menos variabilidad, por eso mismo generalmente toma por muestra de estudio (contaminación,
ruido, marea, taza de epidemia, etc.) siendo datos que varían con la distancia.
Esto también hace el uso o involucra la interpolación de kriging también conocido como regresión
de procesos Gaussianos, en el uso práctico se desarrolla en aplicaciones como ArcGIS siendo de
grado de tipo topográfico.

GEOESTADÍSTICA 41


Como se desarrolla un semi-variograma
Generalmente en el eje “x” se traza la distancia, tomando cada conjunto de muestras en
ubicaciones alternadas haciendo uso de análisis básicos de estadística como la desviación
estándar, mediana y promedio, y en el eje “y” se desenvuelve lo que es la variable de estudio
(contaminación, ruido, marea, humedad, taza de epidemia, etc).
Recordar: Se considera un error en específico muy significativo, ya que es dependiendo del
observador, por esto se establece que debe ser imparcial a cualquier escenario de análisis. Siempre
recuerde: Estamos observando la distancia entre 2 muestras y su variabilidad. Un semivariograma
considera todos los puntos y su distancia con varianza. Por eso es practico o muy dependiente del
estudio que los semi-variograma tengan tantos varios puntos posibles lo que alcance los recursos.
Aquí hay un subconjunto del conjunto de datos anterior para ver todos los diferentes conjuntos de
puntos que se están trazando en un semi-variograma.
Umbral y borde en semi-variograma: Con relación a la diferencia de distancias cortas, los
valores entre puntos tienden a ser muy pequeñas, pero no insignificantes, es decir, la semi-
varianza es pequeña. A diferencia de los más distantes la semi-varianza se vuele más abrupta.
Con el paso de la distancia al P1, ya empieza a desvanecerse la relación entre estos puntos lo que
significa que el borde se hace presente, la varianza se estabiliza y los valores se mantienen
continuos.
Elementos que conforman el análisis de los datos:

SILL: El valor al que el modelo se aplana primero.
RANGE: La distancia a la que el modelo se aplana por primera vez.
NUGGET: El valor al que el semi-variograma (casi) intercepta el valor Y.
Modelos matemáticos

GEOESTADÍSTICA 42


1. Modelos Lineales Un modelo lineal significa que la variabilidad espacial aumenta
linealmente con la distancia. Es el tipo más simple de modelo sin meseta, lo que significa que el
usuario tiene que seleccionar arbitrariamente el umbral y el rango.
2. Modelos esféricos El modelo esférico es uno de los modelos más comunes que utilizamos en
el modelado de variogramas. Es una ecuación cuadrática modificada en la que la dependencia
espacial se aplana, así como el umbral y el rango.
3. Modelos exponenciales El modelo exponencial se asemeja al modelo esférico en que la

variabilidad espacial alcanza el umbral de forma gradual. La relación entre dos puntos de la
muestra decae gradualmente, mientras que a una distancia de infinita dependencia espacial se
disipa.

GEOESTADÍSTICA 43


4. Modelos Gaussianos La función Gaussiana utiliza una curva de distribución de probabilidad

normal. Este tipo de modelo es útil cuando los fenómenos son similares a distancias cortas
debido a su ascenso progresivo sobre el eje Y.
5.Modelos circulares Este tipo de modelo de predicción utiliza una función circular para ajustar
la variabilidad espacial en un semi-variograma. Se asemeja a la función del modelo esférico
donde la dependencia espacial se desvanece en su nivel asintótico.

GEOESTADÍSTICA 44


Conclusiones
 El semi-variograma proporcionan un avance preliminar en predicción útil para comprender
la naturaleza y comportamiento de los datos.
 El modelo se elige de los semi-variogramas pero comúnmente se utiliza en el kriging.
 Cada fenómeno o efecto tiene su propio semi-variograma y su propia función matemática.
Ejercicio aplicativo

GEOESTADÍSTICA 45


GEOESTADÍSTICA 46


Solución

GEOESTADÍSTICA 47


Lag 1, lag2, lag 3, lag4, lag5

GEOESTADÍSTICA 48


Nota: seguidamente así hasta H820 ya que va de 10 en 10, luego se llega a sumar los valores del
de cada H (lag) seguidamente se hace el cálculo de Variograma.
Posteriormente se lleva al gráfico de organigrama tal como se muestra.

Gráfico 1 del variograma

GEOESTADÍSTICA 49


Gráfico 2 del variograma

Ajuste del variograma en Sgems

GEOESTADÍSTICA 50


Al realizar el ajuste de variograma se realizó de manera exponencial con un azimut de 90
asimismo el lag de 10 que va de 10 a 100 de los datos.
3.11. MÉTODOS DE CÁLCULO DE RESERAS

La estimación de recursos/reservas de un yacimiento tiene por objeto determinar la cantidad,

calidad y posibilidad de explotación comercial del mineral que lo compone, ya sea metalífero, no
metalífero, industrial, ornamental o combustible. Planificar el negocio, la explotación, el
tratamiento del mineral, la restauración ambiental, son aspectos imposibles de encarar sin un
cálculo seguro de las reservas. La estimación se hace durante toda la vida útil de una mina a través
de un proceso de modelación del yacimiento que se ajuste lo mejor posible a la realidad en estudio.
El método de modelación ideal debe ser simple, rápido, confiable, acorde al cuerpo mineralizado,
capaz de proporcionar una verificación rápida en cualquier etapa. En la actualidad, los métodos

GEOESTADÍSTICA 51


modernos que aplican programas de computación ahorran tiempo y dinero, y si bien utilizan
algoritmos de cálculo complejos, permiten dimensionar el error de estimación.
La mayoría de los recursos y reservas se calculan en toneladas métricas, solo la de los metales
preciosos (oro, plata y platino) se calculan en kilogramos u onzas, los diamantes en quilates
(Quilate de gemología: Es una unidad de masa usada, fundamentalmente, para pesar gemas y
perlas, actualmente representa un peso de 200 miligramos (0,2 gramos) en el Sistema Métrico
Decimal. Quilate de orfebrería: Designa la ley (pureza) de los metales utilizados en las joyas. En
este sentido, un quilate de un metal precioso representa la veinticuatroava (1/24) parte de la masa
total de la aleación que la compone (aproximadamente el 4,167%). Por ejemplo, si una joya hecha
con oro es de 18 quilates, su aleación está hecha de 18/24 (ó 3/4) partes de oro y tiene una pureza
del 75%; mientras que una pieza de 24 quilates está hecha de 24/24 partes de oro y por lo tanto
es de oro puro). Las reservas de gas natural, arena, piedras para la construcción, aguas
subterráneas, se estiman en metros cúbicos. Esta cuantificación formal de las materias primas
minerales estimada por procedimientos empíricos o teóricos se denomina Inventario Mineral. Este
a su vez se expresa en términos de recurso y reservas. La estimación de recursos es un fin de cada
etapa de los trabajos de prospección y exploración de yacimientos minerales y este proceso
continuo durante la explotación del depósito. Todos los trabajos de exploración de un yacimiento
contribuyen ante todo a la estimación de las materias primas minerales.
La estimación de recursos/reservas se considera un proceso continuo que se inicia con la
exploración y recopilación de la información, seguida de la interpretación geológica y la
estimación de recursos. Posteriormente se consideran los factores modificadores (mineros,
metalúrgicos, ambientales, legales etc.) y se arriba a la estimación de reservas. Durante las
operaciones de la mina los estimados previamente calculados son modificados por los resultados
del control de ley y los estudios de reconciliación. Estos trabajos tienen como objetivo
fundamental la mejor estimación de la ley y el tonelaje de los bloques de un cuerpo mineral, así
como determinar los errores probables de la estimación con cierto nivel de confianza. La
relevancia de las estimaciones depende de la calidad, cantidad y distribución espacial de las
muestras y el grado de continuidad de la mineralización. La cantidad de reservas de un
yacimiento, como uno de los factores principales que determinan su viabilidad económica, posee
una gran influencia en la vida útil del yacimiento, su producción anual y la decisión final de
construir la empresa minera. Los distintos métodos de estimación de recursos que se emplean en
la actualidad son definidos por los principios de interpretación empleados y las técnicas de
interpolación espacial. Así tenemos los métodos clásicos de cálculos desarrollados y utilizados
desde los principios de la minería hasta nuestros días, que se basan en procedimientos manuales
y donde los principales parámetros son estimados a partir de la media aritmética y la media
ponderada. Por otra parte, los métodos asistidos por computadoras que incluyen el método de
ponderación por el inverso de la distancia y los geoestadísticos y que se fundamentan en
procedimientos matemáticos de interpolación definidos a 3 a partir de información espacial y
estadística presente en los datos.
Actualmente con la disponibilidad de software existe una tendencia en las empresas mineras y las
organizaciones gubernamentales al empleo de métodos computarizados en detrimento de los
métodos clásicos. Por lo anteriormente expuesto queda claro que la estimación de recursos es de
vital importancia para el éxito de una inversión minera, por lo que los cálculos de la ley y el
tonelaje deben ser lo más confiable posible a partir de las muestras disponibles, la calidad de los
análisis y la definición de los controles geológicos de la mineralización.
MODELACIÓN DEL YACIMIENTO

GEOESTADÍSTICA 52


Para poder estimar reservas debemos generar un Modelo del Yacimiento que lo represente de la
mejor manera posible. La modelación de un yacimiento consta de dos etapas: una primera, que
consiste en la definición de la morfología (geometría, forma) de las mineralizaciones y de los
contenidos de cada una de ellas, y una segunda en la que se evalúa, con criterios técnico-
económicos, la cantidad de reservas recuperables y su valor actual y futuro con vistas a estudiar
la rentabilidad de su extracción y comercialización.
Hay dos herramientas valiosas que debemos tener en cuenta:
 Conocer la geología del prospecto para cometer el menor error posible en la modelación.
 Entender el modelo de yacimiento que estamos diseñando y hacerlo lo más flexible

posible para adecuar las modificaciones que sean necesarias implementar en el camino.
En esta imagen se muestran dos interpretaciones

diferentes de un mismo yacimiento. Con negro
intenso negro intenso se marca la intersección entre
los sondeos y la masa mineral, en las dos figuras esa
intersección es la misma. Arriba tenemos la
interpretación morfológica de los cuerpos realizada
por un profesional, abajo la forma real de los mismos.
La diferencia de volúmenes es evidente, por lo tanto,
se ha caído en una sobreestimación del yacimiento.
Esto se puede evitar con un buen control de la
geología en superficie puesto que las dos situaciones
corresponden a marcos geológicos diferentes. Por lo
tanto, sin sondeos no se puede evaluar un prospecto,
pero sin un control geológico riguroso no se puede
empezar a perforar.
MÉTODOS TRADICIONALES MÁS IMPORTANTES
A continuación, vemos los métodos tradicionales más importantes, desde un punto de vista crítico.
La media aritmética es el método de la media aritmética estima la ley media de un conjunto S
promediando las leyes de los datos (Zi) que están dentro de S.
Ejemplo: Consideremos el caso de un cuadrado con 7 muestras interiores
 Todos los datos tienen el mismo peso 1/n

 Muy simple
 Fácil de calcular
 Produce malos resultados cuando hay agrupaciones de datos. En el ejemplo de la figura
anterior existe una agrupación de datos en la zona de alta ley

GEOESTADÍSTICA 53


Método de los bloques de explotación
Este método es también una variante del método de la media aritmética y se desarrolló
esencialmente para los yacimientos filonianos, los cuales son divididos en bloques por los
laboreos de preparación para la explotación. Según este método, específico de la minería
subterránea, las reservas del yacimiento se calculan por la acumulación de las reservas parciales
obtenidas en bloques de explotación individuales. Los bloques de cálculo son porciones del
depósito delimitadas por 2, 3 y 4 lados por excavaciones mineras de exploración y desarrollo
(piques, galerías, corta vetas, trincheras etc.).
La forma real del cuerpo dentro del bloque se

reemplaza con un paralelepípedo cuya altura es
igual a la potencia media del cuerpo mineral en
el bloque. El cálculo se realiza en el plano o en
la proyección vertical longitudinal, sobre los
cuales se proyectan las muestras con los
resultados de los análisis y los espesores
particulares.
Para el cálculo de la potencia y el contenido medio dentro de cada bloque, se calcula el valor
medio del bloque a través de la media aritmética de las leyes si las potencias son aproximadamente
iguales, en caso contrario se ponderan las leyes por las potencias. La ventaja del método radica
en la sencillez del contorneo y la posibilidad de usar los resultados directamente en la proyección
y planificación de la extracción del mineral útil.
Método de los polígonos
Este método se basa en el hecho de que cada
muestra tiene un área de influencia en el
interior del cual, teóricamente el depósito
permanece con las mismas características
observadas en la muestra, lo que equivale a
considerar que las modificaciones de valores
entre dos muestras consecutivas se hace de
manera uniforme, o sea siguiendo el Criterio
del vecino más Próximo.
Polígonos resultantes de una distribución
irregular de sondeos. Esta modelación se basa
en generar polígonos de influencia alrededor
de cada sondeo o muestra. Cada polígono de influencia queda definido por las mediatrices
trazadas sobre los segmentos que unen los sondeos o datos próximos. Tanto el espesor como la
ley del mineral se consideran constantes dentro de cada polígono e iguales a la potencia y ley
media del sondeo correspondiente. A cada sondeo corresponde un polígono del modelo. Cuando

GEOESTADÍSTICA 54


trabajamos en el espacio tridimensional consideramos el volumen de un prisma de base poligonal
y de altura igual a la longitud de sondeo o potencia de la mineralización.
El principal inconveniente de este método es el gran peso relativo de los datos aislados a los que
les suele corresponder una gran área de influencia, sobre todo en mallas irregulares y amplias. El
contorno exterior de la mineralización puede digitalizarse cuando se conozca, o en caso contrario
definirlo de forma conservadora uniendo, mediante segmentos, los centros de los datos más
perimetrales. Estos tipos de modelos son adecuados para yacimientos tabulares con unos
contactos claros entre el estéril y el mineral, sin grandes accidentes tectónicos y con
mineralizaciones homogéneas. En este proceso, el cálculo del tonelaje de mineral y de metal de
un bloque se efectúa con las expresiones siguientes:
Donde T es el tonelaje del bloque; S es la superficie del área de influencia; P es la potencia del
yacimiento; ρ es el peso específico del mineral; Q es la cantidad de metal del bloque y z es la ley
del mineral. Consecuentemente, el tonelaje total del depósito y la cantidad total de metal en el
depósito o sector en estudio será la sumatoria de los valores encontrados en cada bloque. Cuando
determinamos reservas globales como en el caso siguiente se obtienen los siguientes resultados.
Donde T es el tonelaje del bloque; S es la superficie del área de influencia;

P es la potencia del yacimiento; ρ es el peso específico del mineral; Q es
la cantidad de metal del bloque y z es la ley del mineral.
Consecuentemente, el tonelaje total del depósito y la cantidad total de
metal en el depósito o sector en estudio será la sumatoria de los valores
encontrados en cada bloque. Cuando determinamos reservas globales
como en el caso siguiente se obtienen los siguientes resultados.
Modelación por triangulación o Método de los Triángulos
Se basa en unir los sondeos o datos mediante líneas rectas formando un mallado triangular. Cada
triángulo es la base de un prisma imaginario con una potencia determinada. La ley de cada prisma
se calcula como la media aritmética de las leyes medias en los tres sondeos de los vértices del
triángulo, o como la ley media ponderada por las potencias en cada una de las tres muestras. Este
método se basa en el Criterio de Variación Gradual. Es fundamental mantener la equilateralidad
de los triángulos caso contrario este procedimiento puede llegar a originar errores considerables
en las evaluaciones.

GEOESTADÍSTICA 55


Dos casos de triangulación para un mismo depósito; el

izquierdo incorrecto, el derecho correcto.
Ley media ponderada de cada prisma de base triangular.

Método de la Inversa de la Distancia
Este se basa en la hipótesis de que el peso de un dato aislado
responde a una función inversa de la distancia, que está
relacionada con el control específico de la mineralización.
Se basa en la Ley de Variación Gradual. El objetivo de los
métodos de la distancia ponderada consiste en asignar un
valor a un bloque o a un punto mediante la combinación
lineal de los valores de los puntos más próximos. Es
intuitivo suponer que la influencia potencial de un valor
sobre un punto decrece cuando el valor se aleja de dicho
punto, el atributo estimado cambiará como una función inversa de la distancia. En otras palabras,
se dará mayor peso a los valores más próximos y menor peso a los más alejados del punto de
estimación. Las muestras z¡ que entran en la estimación, deben estar dentro de un ámbito de
influencia con centro en el punto donde se asignará el valor estimado y con un radio R que se
definirá previamente.
Donde:
Z¡ es la variable en cada punto (ley, potencia, etc.)
Zm es el valor medio de la variable ponderada
D¡ es la distancia entre cada sondeo y el epicentro del bloque.
Ejercicios realizados con software como ArcGIS y Excel donde aplicamos dos métodos
más comunes que se visualiza en este informe.
Método de los triángulos con Excel
Problema: calcular las reservas de mineral en los siguientes taladros por el método del triángulo.

GEOESTADÍSTICA 56


Solución
Colocamos los datos de lado 1 hasta el 3 en metros además de colocar los datos de los
triángulos.
LADO 1 LADO 3
(m) LADO 2 (m) (m)
T1 235 254 213
T2 246 298 254
T3 298 306 302
T4 266 302 286
T5 213 266 243
Ya obtenido los datos pasamos a calcular cada uno de los triángulos dado su espesor y
concentración

GEOESTADÍSTICA 57


TRIANGULO 1
ESPESOR CONCENTRACION
V1 19 44.5
V2 23 33.64
V3 29 39.9
TRIANGULO 2
23 33.6
28 38
29 39.9
TRIANGULO 3
29 39.9
28 38
27 40.1
TRIANGULO 4
34 37
29 39.9
27 40.1
TRIANGULO 5
19 44.5
29 39.9
34 37

GEOESTADÍSTICA 58


Ya calculado todos los triángulos pasamos al cálculo en base a semiperímetro, espesor promedio
y así mismo la concentración de promedio.
CALCULO DE
SEMIPERIMETRO
ESPESOR SEMIPERIMETRO
S1 351
S2 399
S3 453
S4 427
S5 361
ESPESOR
ESPESOR ESPESOR
EP1 23.66666667
EP2 26.66666667
EP3 28
EP4 39
EP5 27.33333333
CONCE.PROMEDIO
ESPESOR CON. PROMEDIO
EP1 39.34666667
EP2 37.16666667
EP3 39.33333333
EP4 39
EP5 40.46666667
Segundo campo pasamos a calcular lo siguiente:
CALCULO DE AREA

GEOESTADÍSTICA 59


ESPESOR AREA
A1 23345.75713
A2 29900.38988
A3 39478.63163
A4 34808.9913
A5 24473.00309
CALCULO DE VOLUMEN
ESPESOR VOLUMEN
V1 552516.2521
V2 797343.7301
V3 1105401.686
V4 1357550.661
V5 668928.751
RESERVAS
ESPESOR RESERVA
EP1 21739672.8
EP2 29634608.64
EP3 43479132.96
EP4 52944475.76
EP5 27069316.79
RESERVA TOTAL 174867207

GEOESTADÍSTICA 60


Métodos de los polígonos con ArcGIS
Problema: se desea realizar un estudio meteorológico de la cuenca del rio Rímac dada los
siguientes puntos:
Solución
Se realiza con el meto de thiessen en ArcToolbox

GEOESTADÍSTICA 61


Se realiza una en procecin extens y culminado todo se lleva a abrir la tabla de atributos
Asimismo copiamos al Excel
Obtenemos todos los datos necesarios para el estudio de la cuenca

Conclusiones
 Para la estimación de recursos y reservas, los métodos que se hacen de forma más sencillas y
rápidas son los clásicos geoestadísticos.
 El método de KRIGING ORDINARIO es la indicada para estimar áreas de forma manual.
 Lo más importante que presenta el KRIGING puntual es que permite obtener una serie de
valores estimados a los cuales, posteriormente, se les puede ajustar una serie de líneas de
isocontenidos, por ejemplo, para las leyes o potencias del nivel mineralizado.
 Uno de los métodos más usados en la modelación de recursos, viene a ser el Kriging de
bloques, que consiste en la discretización del espacio en 3D en bloques o celdas
tridimensionales. cada celda contiene los atributos (litología, tipo de minearilación, etc.) y las
mediciones (leyes, propiedad físico mecánicas) del dominio geológico en que se encuentra.
3.12. CÁLCULO DE ERROR DE ESTIMACIÓN

Es la diferencia entre un valor estimado y el valor verdadero de un parámetro o el valor a ser

predicho. [INEGI. 2012. Planeación y control administrativo en proyectos estadísticos.] Un
mismo estimador ofrece distintos valores para distintas muestras del mismo tamaño extraídas de
la misma población. Por lo tanto, deberíamos tener una medida de la variabilidad del estimador

GEOESTADÍSTICA 62


respecto del parámetro que se trata de estimar. Esta variabilidad se mide en términos de la
desviación estándar del estimador, la cual recibe el nombre de error estándar.
El error estándar de un estimador T de un parámetro es la desviación estándar del estimador. Así,
por ejemplo, si tomamos como estimador de, entonces el error estándar está dado por Error de
estimación es el valor absoluto de la diferencia entre una estimación particular y el valor del
parámetro. En realidad, por cada valor estimado del parámetro se tiene un error de estimación por
lo general diferente. Sin embargo, es posible fijar un intervalo dentro del cual se encontrarán la
mayoría de los valores de error de estimación para un estimador y parámetro dados. En la tabla
siguiente se dan las fórmulas de los errores de estimación para algunos estimadores y los
estimadores para tales errores. Los estimadores se usan cuando los parámetros que se incluyen en
las fórmulas de los errores de estimación son desconocidos.
Cómo afecta el tamaño de la muestra al margen de error

Como mencionamos, conocer tu margen de error te ayuda a comprender si el tamaño de la muestra
de tu encuesta es adecuado. Si tu margen de error parece demasiado grande, te conviene
incrementar el tamaño de la muestra a fin de que las actitudes de la población encuestada
coincidan con las actitudes de la población total de forma más fiable. Esto significa que tendrás
que enviar la encuesta a más personas. La calculadora del tamaño de muestra puede ayudarte a
determinar fácilmente cuántas personas necesitas que realicen la encuesta.
Ejercicio: predicción de perforaciones y muestreo mensual

GEOESTADÍSTICA 63


GEOESTADÍSTICA 64


3.13. PRÁCTICAS DE KRIAGE

KRIGING
En términos mineros, el Kriging consiste en encontrar la mejor
estimación lineal insesgada de un bloque o zona V, considerando la
información disponible; es decir, las muestras interiores y exteriores
a V.
El Kriging atribuye un peso ¡ a las muestras Z(x¡). Estos pesos se

calculan de manera de minimizar la varianza del error cometido.
El interés de Kriging proviene de su misma definición: Al minimizar
E2 estamos seguros de obtener la estimación más precisa posible de
V o equivalentemente, de sacar el mejor provecho posible de la
información disponible.
De acuerdo a lo anterior, el Kriging define el estimador con la
condición:
Se basa en un modelo probabilístico. La idea es ver el error como

una variable aleatoria e imponerle ciertas condiciones:
 Su esperanza es nula.
 Su varianza es pequeña.
El interés práctico más importante del krigeado, proviene, no del hecho que asegura la mejor
precisión posible, sino más bien porque permite evitar un error sistemático. En la mayoría de los
depósitos mineros, se deben seleccionar, para la explotación, un cierto número de bloques,
considerados como rentables y se deben abandonar otros bloques considerados no-explotables.
El color amarillo representa mineral (con ley 1) y el

blanco estéril (con ley 0). Los círculos representan los
datos. Se observa que, en general, es necesario utilizar
datos externos al bloque.

GEOESTADÍSTICA 65


Si esta selección se realizara considerando exclusivamente las
muestras interiores a cada bloque, resultaría necesariamente (en
promedio) una sobre estimación de los bloques seleccionados.
La razón de este problema es que el histograma de las leyes reales
de los bloques tiene menos leyes extremas, ricas o pobres, luego
tiene más leyes intermedias que el histograma calculado con las
muestras interiores. Los paneles eliminados serán en realidad menos
pobres que lo que se había previsto, y los paneles conservados menos
ricos.
El método clásico para minimizar la expresión de σE2 (igualar a cero las derivadas parciales de
σE2 respecto de λ1, λ2, . . ., λn) no asegura que la suma de los λ¡ sea 1. En este caso hay que
utilizar el método de Lagrange, el cual explicaremos con un ejemplo matemático.
Minimizar la función A = x2 + y2 si x + y = 1.
El método de Lagrange define la función A' siguiente:
El método de Lagrange consiste en igualar a cero las derivadas parciales de A':
Si se verifica la condición x + y = 1, entonces A' = A.

Se demuestra que al realizar N + 1 derivaciones se obtiene el sistema de ecuaciones siguientes:

GEOESTADÍSTICA 66


KRIGING ORDINARIO
= Multiplicador de Lagrange
EJERCICIOS DESARROLLADOS DE KRIAGE
 MÉTODO DE KRIGING (EJERCICIO RESUELTO)
Solución
Primero sacamos todos los puntos con el método de los triángulos en este caso Pitágoras ya
que la distancia de un punto a otro está separada por una perpendiculares.
1er parámetro
d1 d2 distancia semivariogra
d1 0.75 0.75 1.061 0.530

d2 0.75 2.25 2.372 1.000
d3 2.25 0.75 2.372 1.000
d4 2.25 2.25 3.182 1.000
suma 3.530
semi
(x1;v) 0.883

GEOESTADÍSTICA 67


2do parámetro
d1 0.75 0.75 1.061 0.530

d2 0.75 0.75 1.061 0.530
d3 0.75 0.75 1.061 0.530

d4 0.75 0.75 1.061 0.530
suma 2.121
semi
(x1;v) 0.530
3er parámetro
d1 1.50 0.00 1.500 0.750
d2 1.50 0.00 1.500 0.750
d3 0.00 0.00 0.000 0.000

d4 1.50 1.50 2.121 1.000
suma 2.500
semi
(x1;v) 0.625
Seguidamente usamos la formula de ecuaciones en este caso Cramer para poder hallar landa
1 y2 en cada parámetro.
Ya encontrados x1 en parámetro 1 igualmente en 2 aplicamos a la fórmula de ecuaciones.

GEOESTADÍSTICA 68


Lo llevamos a una calculadora de ecuaciones para obtener el resultado de manera rápida.
Resultado para landa 1 y 2 y también u
u 0.207
A1 0.324
A2 0.676
Aplicamos las fórmulas finales para cada caso, en este caso el resumen de todo el ejercicio
O = -0.625+0.324*0.883+0.676*0.53+0.207
O = 0.226
OE = 0.476
Finalmente aplicamos las fórmulas finales
Z*v = 0.324*0.5+0.676*0.7
Z*v = 0.6352
Z*v = 2*0.476+0.635-0.6352
Z*v = 0.952
Z*v = 2*0.476+0.635-0.952

GEOESTADÍSTICA 69


Z*v = 0.635
 MÉTODO DE KRINEAGE EN BLOQUES (EJERCICIO RESUELTO)
Solución
a= 200m
c= 0.141
Ɣ(esf) = c0 + c1 * [32(ha)−12(ha)3]
Pot Vi = 3 * sen (Di) * e-3 * pot V1
Leyes:
V1 = 0.75
V2 = 0.91
V3 = 0.50
V4 = 0.60

GEOESTADÍSTICA 70


Al conocer los datos que se dan en el problema se procede a la solución del problema aplicando
la formulas
Ɣ(25) = 0.14 ( 32(25200)− 12(25200)3 )
Ɣ(25) = 0.026
Ɣ(35.36) = 0.14 * ( 32(35.36200)− 12(35−36200)3 )

Ɣ(35.36) = 0.0367
Ɣ(55.90) = 0.14 * ( 32(55.90200)− 12(55.90200)3 )

Ɣ(55.90) = 0-0571
Cov = C – Ɣ(esp)
Cov (25) = 0.14 – 0.02611= 0.1139
Cov (35.36) = 0.14 – 0.0367 = 0.1033
Cov (55.90) = 0.14 – 0.0571 = 0.0829
Ley B2 = 0.1139(0.75) +0.1139(0.91) +𝑂. 𝑂83(𝑂.50) +0.083(0.60)0.1138+0.1139 + O.

O82+0.082
Ley B2 = 0.716
Ley B4 = 0.1139(0.75) +0.1139(0.60) +𝑂. 𝑂83(𝑂.91) +0.083(0.50)0.1139 + 0.1139 + O.
O831+0.083
Ley B4 = 0.692
Ley B5 = 0.103(0.75+0.91+0.50+0.60)4∗0.103
Ley B5 = 0.6929
Ley B6 = 0.1139(0.91) +0.1139(0.50) +𝑂. 𝑂83(𝑂.75) +0.083(0.60)2∗0.11389 + 2∗0.0824
Ley B6 = 0.6924
Ley B8 = 0.1139(0.60) +0.1139(0.50) +𝑂. 𝑂83(𝑂.75) +0.083(0.91)2∗0.11389 + 2∗0.0824
Ley B8 = 0.667
 MÉTODO DE KRINEAGE EN PUNTUAL (EJERCICIO RESUELTO)

GEOESTADÍSTICA 71


Solución
Primeramente, sacamos los puntos de las perpendiculares la que aplicamos la fórmula de
Pitágoras
1er parámetro: Ejemplo (RAIZ(100^2+50^2)
H1 X1 X2 X3 X4 X0
X1 0 224 180 224 100
X2 224 0 112 316 200
X3 180 112 0 206 112
X4 224 316 206 0 141
2do parámetro: Ejemplo (66*((3/2)*(B3/250)-(1/2)*(B3/250)^3)+17)

GAMA X1 X2 X3 X4 X0
X1 0.00 81.94 76.02 81.94 54.49
X2 81.94 0.00 58.32 83.00 79.30
X3 76.02 58.32 0.00 80.13 58.32
X4 81.94 83.00 80.13 0.00 67.03

GEOESTADÍSTICA 72


Aplicamos la fórmula de y(h) con respecto al variograma esférico

GAMMA
H (H)
0 17.00
20 24.90
40 32.70
60 40.30
80 47.60
100 54.49
120 60.87
140 66.64
160 71.71
180 75.96
200 79.30
220 81.63
240 82.84
260 83.00
280 83.00
300 83.00
3er parámetro: Ejemplo (17+66) +B9) u (B16-B10)

COV X1 X2 X3 X4 X0
X1 83.00 1.06 6.98 1.06 28.51
X2 1.06 83.00 24.68 0.00 3.70
X3 6.98 24.68 83.00 2.87 24.68
X4 1.06 0.00 2.87 83.00 15.97

GEOESTADÍSTICA 73


Del parámetro 2 indicamos los resultados en cuando a la intersección de d1 * d1 igualmente los
otros igual a 0.00
0.00 81.94 76.02 81.94 U 54.49

81.94 0.00 58.32 83.00 U 79.30
76.02 58.32 0.00 80.13 U 58.32
81.94 83.00 80.13 0.00 U 67.03
Aplicamos la fórmula de ecuaciones al recuadro para encontrar landa 1, 2, 3 y 4
0.00*a 81.94*b 76.02*c 81.94*d u = 54.49
81.94*a 0.00*b 58.32*c 83.00*d u = 79.3

76.02*a 58.32*b 0.00*c 80.13*d u = 58.32
81.94*a 83.00*b 80.13*c 0.00*d u = 67.03
Aplicamos dichas distancias dadas en el problema en este caso se multiplica dicha distancia con
landa
A 0.39253214 8.2 3.21876355
B 2.19E-02 9.6 0.21024
C 0.32922918 13.1 4.31290223
D 0.25629095 6.4 1.6402621
9.38
U 6.66312096 porcentaje
Entonces dado la suma de los resultados nos da como respuesta 9.38% de estimación de
confianza.

GEOESTADÍSTICA 74


 MÉTODO DE KRIGING SIMPLE (EJERCICIO RESUELTO)
Formulas a usar:
Condición se insesgo
Para que este valor sea nulo se aplica:
Condición de varianza mínima:
Notación matricial
Solución

GEOESTADÍSTICA 75


Se da el siguiente campo de un estudio de puntos

dados por un lado obtenemos los datos sobre landa
en el este espaciado en un punto 1, 2 y 3 dados.
Problema: hay tres ecuaciones para determinar los tres ponderadores en este caso
aplicamos la fórmula de notación matricial para el ejercicio.
El primer parámetro
En 2do parámetro de la notación matricial
- Además recordar que C(h) = C(0) – Y(h)
Kriging simple con un efecto pepita cero y un variograma esférico isótropo con tres alcances
diferentes

GEOESTADÍSTICA 76


Realizamos un recuadro para la identificación de landa 1,2 y 3
Kriging simple con un variograma esférico isótropo con alcance 10 y tres diferentes efectos
pepita
Aplicación al 2do parámetro
Kriging simple con un variograma esférico con un efecto pepita del 25%, un alcance principal
de 10 y alcances menores diferentes
Cambio anisotrópico

GEOESTADÍSTICA 77


Parámetro 3 de estudio anisotrópico

GEOESTADÍSTICA 78


3.14. CALCULO Y DEFINICIÓN DE LA MALLA Y DISTANCIA DE RECONOCIMIENTO,

USANDO LA GEOESTADÍSTICA

CONTINUIDAD ESPACIAL, La mayoría de fenómenos naturales poseen una continuidad
espacial: Los datos contiguos muestran mayor similitud que si éstos estuvieran alejados. Al
observar la disposición de datos se nota que existe un cierto orden, una cierta continuidad. Así,
un valor alto tenderá a situarse cerca de valor alto. Las mismas herramientas utilizadas para
describir la relación entre dos variables también pueden ser utilizadas para describir la relación
entre el valor de una muestra y las contiguas a ella para una misma variable.
FORMA DE LA MALLA Y LAS DIFERENCIACIONES A CALCULAR

GEOESTADÍSTICA 79


DISTANCIA DE RECONOCIMIENTO
en el variograma compete lo que es la variación en la relación de las muestras o variables, quiere
decir que a menor distancia estén separadas las muestras estas tendrán menor variabilidad por lo
que se mantiene una relación más simétrica, pero cuando la distancia es mayor, la variación
aumenta y la predicción en la maya se vuelve asimétrica
El Variograma Esencialmente existen tres funciones que resumen la continuidad espacial: El
correlograma p(h); la covarianza (%) y el variograma (h). Todas estas funciones describen el
comportamiento espacial de la variable regionalizada en función de la distancia y la dirección.
No obstante que cualquiera de estas funciones es adecuado, el variograma es el más utilizado
¿Qué es el Variograma? En general el variograma, es una función no decreciente de la distancia

h ya que, en promedio, cuando más separadas estén las muestras una de otra, más diferentes serán
sus leyes. El variograma ofrece una estimación precisa del tradicional concepto de la zona de
influencia. El crecimiento más o menos rápido del variograma representa el deterioro más o
menos rápida de la influencia de una muestra dada sobre zonas cada vez más remotas del depósito.
Las características cualitativas de una regionalización quedan muy bien expresadas a través del
variograma. Esta herramienta, el variograma, no representa la totalidad ni los detalles locales del
fenómeno de mineralización, pero si, expresan en forma sintética sus características esenciales.
FORMA DE UN VARIOGRAMA EN MULTIPLES DIRECCIONES

GEOESTADÍSTICA 80


VARIOGRAMA TEORICO
Kriging, es un método de inferencia espacial, el cual nos permite estimar los valores de una
variable en lugares no muestreados utilizando la información proporcionada por la muestra. El
método está planteado de manera que nos da el mejor estimador lineal no sesgado con una
varianza mínima. Hay que ser cuidadosos de no mal interpretar lo anterior, ya que puede haber
mejores estimadores que los obtenidos con Kriging pero con características diferentes: con
sesgo, por ejemplo. La aplicación del método Kriging supone que contamos con N valores
observados z(x1),…,z(xN) a nuestra disposición y deseamos estimar una función lineal de la
variable Z(x). Por ejemplo, su promedio en una región determinada Zv. Esta cantidad la
podemos denominar mediante la expresión (Jorge L. 2017)
Referencias Bibliograficas:
Armstrong, M. (1998). Basic Linear Geostatistics. Berlin, Germany: SpringerVerlag.
Bivand R.S., Pebesma, E. & Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R
(2ed). New York, United States of America: Springer.
Goovaerts, P. (1997). Geostatistics for Natural Resources Evaluation. New York, United
States of America: Oxford University Press.

GEOESTADÍSTICA 81


EJERCICIO APLICATIVO:
De la siguiente data, determinar el comportamiento de los datos haciendo uso de un análisis de
variograma, considerando las principales características de su desarrollo e incluir un diagrama de
su desarrollo y un mapeo con desarrollo de kriage.
X Y Z CU
782053 9212781 0.2 0.21
782291 9212778 0.2 0.22
782493 9212916 0.2 0.25
782493 9212916 0.2 0.24
782750 9213027 0.2 0.25
782853 9213158 0.2 0.26
783042 9213150 0.2 0.27
783179 9213285 0.2 0.28
783308 9213372 0.2 0.29
783522 9213394 0.2 0.25
783738 9213430 0.2 0.26
783965 9213483 0.2 0.23
782029 9212180 0.2 0.21
782072 9212364 0.2 0.2
782167 9212619 0.2 0.19
782525 9212743 0.2 0.18
782811 9212892 0.2 0.17
783166 9213074 0.2 0.14
783448 9213112 0.2 0.12
783795 9213208 0.2 0.15
783960 9213161 0.2 0.41
782298 9212036 0.2 0.42
782310 9212451 0.2 0.43
782563 9212694 0.2 0.44
782824 9212846 0.2 0.35
783246 9212990 0.2 0.39
783422 9212965 0.2 0.31
783493 9213048 0.2 0.32
783686 9213090 0.2 0.36
783934 9213022 0.2 0.45
782424 9212331 0.2 0.4
782605 9212382 0.2 0.65
782832 9212419 0.2 0.5
783053 9212447 0.2 0.68
783212 9212468 0.2 0.96
783421 9212503 0.2 0.85
783541 9212488 0.2 0.83
783745 9212490 0.2 0.8
783893 9212505 0.2 0.75
783967 9212453 0.2 0.65
782105 9213242 0.2 0.65
782303 9213027 0.2 0.67

GEOESTADÍSTICA 82


782303 9213336 0.2 0.85
782511 9213344 0.2 0.71
782772 9213498 0.2 0.74
783105 9213701 0.2 0.77
783355 9213862 0.2 0.8
783758 9213853 0.2 0.83
782055 9213924 0.2 0.86
782281 9213538 0.2 0.89
783052 9213868 0.2 0.92
783052 9213943 0.2 0.95

GEOESTADÍSTICA 83


Inter-Variable Covariance
————————————————————————————————
X Y Cu
————————————————————————————————
X: 373526.88 58548.665 8.7962118
Y: 58548.665 240967.48 31.652659
Z: 8.7962118 31.652659 0.071773412
————————————————————————————————
Nearest Neighbor Statistics
—————————————————————————————————
Separation |Delta Cu|
—————————————————————————————————
Minimum: 47.8016736109 0.01

Maximum: 447.294086704 0.42
Mean: 170.210387672 0.107647058824
Median: 160.639347608 0.04
Geometric Mean: 152.27171044 0.0609835577628
Harmonic Mean: 134.042758329 0.0335131791305
Root Mean Square: 188.049743106 0.14802622979
Variance: 6518.95240716 0.0105303529412
Standard Deviation: 80.7400297694 0.102617507966
Interquartile Range: 87.1944881142 0.17
Range: 399.492413093 0.41
Mean Difference: 86.0108423111 0.110666666667
Median Abs. Deviation: 42.555140506 0.03
Standard Error: 11.305865567 0.0143693252678
Coef. of Variation: 0.474354302776 0.953277396407
Skewness: 1.13411351286 0.863197318991
Kurtosis: 5.05177315364 2.7552321433
Sum: 8680.72977127 5.49
Sum Absolute: 8680.72977127 5.49
Sum Squares: 1803498 1.1175
Mean Square: 35362.7058824 0.0219117647059

GEOESTADÍSTICA 84


3.15. CÁLCULO DE ERROR DE ESTIMACIÓN Y VARIANZA DEL KRIAGE

Para la realización del calculo

Para el caculo el error de cada uno de los valores que se hayan predicho.
 Eleva los errores al cuadrado. Toma cada uno de los valores de la cuarta columna y elévalos
al cuadrado multiplicándolos por sí mismos. Completa la última columna de la tabla con los
resultados.

GEOESTADÍSTICA 85


Calcula la suma de los errores al cuadrado (SSE, por sus siglas en inglés). El valor estadístico
conocido como suma de los errores al cuadrado (SSE) es un paso muy útil para encontrar la
desviación estándar, la variación y otras medidas.
 Realiza los cálculos finales. El error estándar de estimación es igual a la raíz cuadrada del
promedio de la SSE. Generalmente se representa a través de la letra griega.

GEOESTADÍSTICA 86


Por tanto, el primer cálculo que deberás hacer es dividir el puntaje de la SSE por la
cantidad de puntos de datos. Luego deberás encontrar la raíz cuadrada de ese
resultado.
Si los datos medidos representan a una población completa, entonces podrás encontrar
el promedio dividiendo entre N; es decir, la suma de puntos de datos. Sin embargo, si
trabajas con un conjunto más pequeño de muestras de la población, entonces coloca
N-2 en el denominador.
Para el conjunto de datos de ejemplo utilizado en este artículo, se supondrá que se
trata de solo un conjunto de muestras y no una población, dado que solo hay 5 valores.
Por lo tanto, el error estándar de estimación se calculará de la siguiente manera:
El error estándar de estimación es una herramienta estadística que te indicará qué tan bien se
relacionan los datos medidos con una línea recta teórica (la línea de regresión). Si el puntaje es
0, entonces la coincidencia será perfecta, ya que todos los puntos de datos medidos se
encuentran directamente sobre la línea. Si los datos están muy dispersos, el puntaje será mucho
más alto.
EN EL CALCULO EN EL CAMPO DE LA GEOESTADÍSTICA

GEOESTADÍSTICA 87


El cálculo de error de estimación mide la disparidad “promedio entre los valores observados y
estimados de la variable y se calcula por la siguiente relación. Por otro lado, las observaciones
distribuidas conforme al modelo de distribución normal, presenta una dispersión cuya unidad de
medida es el error de estimación. Este error de estimación, cuya unidad de medida es sigma (σ),
se basa en el cálculo de la raíz cuadrada de la varianza:
Caculo aplicativo de un ejercicio

- Se tiene una muestra de un yacimiento de cobre de desea calcular el error de estimación
en cuanto a su fórmula.
(Y-Y (Y-Y PRIMA)

X Y Y PRIMA PRIMA) ¨2
1 8 9.055 -1.1 1.11303
1.5 10 9.843 0.2 0.02465
2 9 10.63 -1.6 2.65690
2.5 12 11.418 0.6 0.33872
3 14 12.206 1.8 3.21844
3.5 13 12.994 0.0 0.00004
4 15 13.782 1.2 1.48352
4.5 17 14.57 2.4 5.90490
5 14 15.358 -1.4 1.84416
5.6 2.4 4.5 -2.1 4.41000
32.6 114.4 114.356 0.044 20.9944
Reemplazamos en la formula

GEOESTADÍSTICA 88


El Syx es un indicador del grado de precisión con que la ecuación de regresión describe la relación
entre las dos variables: cuanto mas pequeño, los valores observados y estimado de Y son
razonablemente cercanos y la ecuación de regresión es una buena descripción esa la relación.
CALCULO DE VARIANZA DE KRIAGE
La varianza de kriging ordinario (varianza del error cometido en el sitio éxtasis 0) se expresa de
la siguiente forma:
donde σ2= C (0) es la varianza a priori de la función aleatoria Z, o sea, la meseta de su variograma.
Ahora, la segunda igualdad muestra que la varianza de kriging No depende de este valor σ2, por
lo cual el kriging ordinario sigue aplicable incluso cuando el variograma no presenta meseta (por
ejemplo, cuando es un modelo potencia).
EJERCICIO
Se tiene el siguiente bloque para el calculo mediante la varianza del error

GEOESTADÍSTICA 89


SOLUCIÓN:
Selección de muestras de acuerdo al radio de influencia de 10 metros
Aplicación de matrices para el cálculo de los ponderadores:

GEOESTADÍSTICA 90


Cálculo de la LEY
Cálculo de la varianza
Cálculo de intervalo de confianza
Cálculo de las distancias entre muestras
Matriz de distancias entre muestras

GEOESTADÍSTICA 91


Cálculo de variogramas entre muestras, usando el modelo cuadrático. Matriz de variogramas
entre muestras
Cálculo de distancias entre las muestras con los puntos discretizados del bloque.
Discretización del bloque en 4 puntos.

GEOESTADÍSTICA 92


Cálculo de variogramas entre muestras y los puntos discretizados del bloque, usando el modelo
cuadrático.
 Reemplazando los datos calculados en la matriz de kriging.
CÁLCULO DE LA LEY DEL BLOQUE

GEOESTADÍSTICA 93


CÁLCULO DEL ERROR DE ESTIMACIÓN DE LA LEY DEL BLOQUE
Previo a este paso necesitamos discretizar el bloque de la siguiente manera para calcular.
Figura: Discretización del bloque para el cálculo del error de estimación de la ley
 Matriz de distancias entre los puntos del bloque
Matriz de variogramas

GEOESTADÍSTICA 94


Cálculo de la varianza
Cálculo de intervalo de confianza.

GEOESTADÍSTICA 95


CONCLUSIONES:
Para realizar el cálculo de reserva de cada bloque, se deberá multiplicar su superficie x potencia
x densidad.
Las reservas totales se pueden determinar:

Estimando el tonelaje y el error de estimación.
Estimando la ley media y el error de estimación
3.16. KRIAGE DE BLOQUES Y VALORIZACIÓN DE LOS MISMOS COMO

CONSTRUCCIÓN DE CURVAS DE TM/LEY MEDIA COMO TAMBIEN DE
CORTA Y CUTT-OFF
EL KRIGING DE BLOQUES
El kriging de bloques consiste en estimar directamente el valor promedio de la variable sobre un
soporte mayor que el soporte de los datos (bloque). Este kriging tiene interés en varios dominios
de aplicación, como la evaluación de recursos minerales (estimar leyes de mineral sobre unidades
selectivas de explotación) o las ciencias medio-ambientales (estimar la concentración de un
contaminante sobre unidades de remediación). Para que los cálculos tengan un sentido físico, es
necesario que la variable estudiada sea aditiva; por ejemplo, la estimación en un bloque de una
variable como el pH no se podrá realizar, pues el pH de un bloque no es igual a la media aritmética
de los pH puntuales en ese bloque.
A modo de ejemplo, supongamos que se desea estimar el valor en un bloque V a partir de datos
puntuales ubicados en los sitios x1... xn. El sistema de kriging ordinario de bloques es muy similar
al de kriging puntual, salvo por el segundo miembro:
Además….
siendo {u1... um} un conjunto de puntos que discretizan el bloque V.

GEOESTADÍSTICA 96


CURVA DE TONELAJE LEY Y APLICACIÓN
Tiene como objetivo permitir visualizar la distribución del tonelaje con respecto a la ley de corte
que se utilice, dando la oportunidad además de obtener fácilmente la ley media de este.
MODELO DE BLOQUES
El modelo de bloques consiste en discretizar el yacimiento minero en paralelepípedos, o bloques,

del mismo tamaño. Señalándole a cada bloque valores que representen las propiedades del macizo
rocoso que contiene, como, por ejemplo: ubicación, densidad, ley, características geológicas,
entre otras.

GEOESTADÍSTICA 97


EJERCICIO N°1
Estudios entregan información sobre la cantidad y calidad de un modelo de bloques de una mina
a bajo abierto, en donde señalan que la ley mínima que se puede extraer para no tener perdida es
de 0,4. La información entregada es la siguiente tabla adjunta.
 Solicitando
 Tonelaje total
 Tonelaje de finos
 Ley Media
LEY DE
CORTE MTON Cu T%
1 13 1.2
0.9 26 0.95
0.8 39 0.83
0.7 65 0.75
0.6 91 0.68
0.5 156 0.58
0.4 65 0.45
0.3 78 0.36
0.2 130 0.26
0.1 104 0.15
0 52 0.08
TONELAJE TOTAL

GEOESTADÍSTICA 98


LEY DE CORTE MTON Cu T%
1 13 1.2
0.9 26 0.95
0.8 39 0.83
0.7 65 0.75
0.6 91 0.68
0.5 156 0.58
0.4 65 0.45
0.3 78 0.36
0.2 130 0.26
0.1 104 0.15
0 52 0.08
Total, sobre 0.4% 455
FORMULAS
PARA EL CALCULO DE TONELAJES FINOS:
PARA EL CÁLCULO DE LA MEDIA:
CALCULAMOS CON LOS DATOS DADOS
‐ Para el tonelaje obtenemos

GEOESTADÍSTICA 99


‐ Para la media obtenemos
Análisis: al aplicar las formulas con los datos obtenemos un tonelaje fino de 3.003 tonelajes
asimismo la media la cual da un valor de 0.66 %. Entonces quiere decir que la cantidad y
calidad de la mina bajo abierto es el 0.66 % en cuanto a su ley mínima de 0.4 %.
LEY DE CORTE CRITICA
Ley de corte crítica o marginalista es aquella ley mínima que al enviarla a planta de tratamiento
no se produce un beneficio económico ni tampoco una pérdida es decir los ingresos por la venta
del producto de este bloque es igual a los costos de extraerlo y procesarlo, o sea el beneficio
es igual a cero y el ingreso es igual al costo de producción, esta ley de corte critica es función de
tres parámetros fundamentales que son los costos de operación, la recuperación y el precio
del mineral.

GEOESTADÍSTICA 100


CALCULO DE LEY DE CORTE
 CM: costo de operación mina

 CP: costo tratamiento del mineral en planta
 REC: recuperación metalúrgica
 P Cu: precio del Cu.
 C Fr: costo de fundición y refinación mineral.
EJERCICIO N°1
Se tiene la siguiente información acerca de un proyecto minero “El Zorro” que explota mineral
de “Cu”
o Recuperación metalúrgica: 95 %
o Precio del metal: 0.88 US$ / lb Cu

GEOESTADÍSTICA 101


Solución
Aplicamos la ley de corte con los datos de la tabla 1 de la minería “EL ZORRO”.
CURVA DE TONELAJE V/S LEY

Se considera una planta de 80.000 toneladas al día con un 90% de recuperación metalúrgica y
junto con la curva de tonelaje V/S ley obtenidas se puede observar la variación de los recursos
explotables como se ilustra
Tabla de datos sobre la ley de corte como así también el costo
EJEMPLO:

GEOESTADÍSTICA 102


Se indica en el cuadro la ley de cobre como también la media y el tonelaje por día.
Datos obtenidos en el Excel
4. CONCLUSIONES
 La geoestadística desde un punto de vista geológico nos permite entender los fenómenos
espaciales al estudio de yacimientos de explotaciones de los diferentes tipos de minerales que
nos conlleva a dar un estudio exhaustivo para poder encontrar el mineral o el yacimiento en
el lugar o la ubicación exactamente.
 La geoestadística a diferencia de la estadística, sostiene predicciones más acertadas debido a
que esta obtiene datos empíricos, es decir, obtiene datos desde campo.
 La geoestadística se toma más competente y más eficaz al momento de tener una recolección
de datos o muestras de manera más simétrica y vasta en el espacio de estudio.

GEOESTADÍSTICA 103

Portafolio Geoestadistica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Portafolio Geoestadistica

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD PRIVADA DEL NORTE

“FOLDER DE UNIDAD DE GEOESTADÍSTICA”

Ya se han cumplido más de cuatro décadas del nacimiento de la Geoestadística Matheroniana

3.1. MODELOS ESTADÍSTICOS Y LA COMPARACIÓN CON UN MODELO

Tipos de modelos estadísticos

 Modelo de regresión lineal

 Modelo de regresión exponencial

 Modelo de mínimos cuadrados

Comparación de una modelo estadística vs geoestadística

3.2. REALIZACIÓN DE PRÁCTICAS CON DATAS, PARA LA EVOLUCIÓN,

ESTADISTICA MONOVARIANTE: La estadística está constituida por un conjunto de

Características cualitativas o atributos: si sus modalidades no son numéricas; por ejemplo, el

De manera genérica designaremos por C a una característica cualitativa y por sus

absoluta, = número de individuos que presentan la modalidad y en la frecuencia relativa,

número de individuos que presentan la modalidad o una modalidad “menor”, y la frecuencia

proporción de individuos que presentan la modalidad o una modalidad “menor”.

HISTOGRAMA: Es una gráfica de la distribución de un conjunto de datos. Es un tipo especial

¿Qué muestra el histograma? Un histograma muestra la acumulación ó tendencia, la

SGEMS: es un programa para hacer cálculos y modelaje geoestadísticas en tres

ANALISIS ESTADISTICO BI VARIANTE

USO DE PROGRAMAS PARA HALLAR LOS EDA “ANALISIS EXPLORATORIO DE

EJERCICIO DE ANALISISESTADISTICO UNIVARIANTE

CODIGO ESTE NORTE CR_PPM

RESULTADOS DE ANALISIS ESTADISTICO UNIVARIANTE EN SURFER 10 E

Count: 20 20 20

Tabla de distribución normal de la distribución vs frecuencia

Aplicación del histograma en SGems

Se entiende por yacimientos como: Origen, Formación, Migración y Acumulación de los

 Metasomatismo (o alteración), se da en las rocas calcáreas y en el Plutón intrusivo (diorita a

 La temperatura de tura de formación varía entre los 400° - 500° C.

 Las intrusiones asociadas al skarn son comúnmente de composición diorítica a granítica.

Etapas formación de los skarn

 Skarn Prógrado: Metamorfismo isoquímico (metamorfismo de contacto). Metasomatismo y

 Yacimiento de gas húmedo: en estos yacimientos la temperatura al inicio supera la

 Yacimientos metamórficos: se presentan cuanto hay transformaciones en los depósitos

 Yacimiento geotérmico de baja temperatura: indica aquellos yacimientos donde el calor

3.6. TRABAJOS POR GRUPOS DE DIFERENTES TIPOS DE YACIMIENTOS Y

Tolerancias en los parámetros de cálculo

T(h) es una región de tolerancia alrededor de h, de la forma [h − ∆h, h + ∆h] en el caso

Variograma experimental omnidireccional de las concentraciones de cobalto. Las líneas

Un indicador de la robustez de γˆ(h) es su varianza relativa.

 La irregularidad o el carácter preferencial de la malla de muestreo, que pueden provocar

 La presencia de datos extremos (outliers), los cuales tienen un impacto considerable en el

Te preguntarás cual es el mejor criterio o método para ajustar un variograma experimental a un

Elementos que conforman el análisis de los datos:

3. Modelos exponenciales El modelo exponencial se asemeja al modelo esférico en que la

4. Modelos Gaussianos La función Gaussiana utiliza una curva de distribución de probabilidad

 El modelo se elige de los semi-variogramas pero comúnmente se utiliza en el kriging.

 Cada fenómeno o efecto tiene su propio semi-variograma y su propia función matemática.

La estimación de recursos/reservas de un yacimiento tiene por objeto determinar la cantidad,

 Entender el modelo de yacimiento que estamos diseñando y hacerlo lo más flexible

En esta imagen se muestran dos interpretaciones

 Todos los datos tienen el mismo peso 1/n

La forma real del cuerpo dentro del bloque se

Donde T es el tonelaje del bloque; S es la superficie del área de influencia;

Dos casos de triangulación para un mismo depósito; el

Ley media ponderada de cada prisma de base triangular.

ESPESOR CON. PROMEDIO

Segundo campo pasamos a calcular lo siguiente:

RESERVA TOTAL 174867207

Asimismo copiamos al Excel

Obtenemos todos los datos necesarios para el estudio de la cuenca

 El método de KRIGING ORDINARIO es la indicada para estimar áreas de forma manual.

2do parámetro: Ejemplo (66((3/2)(B3/250)-(1/2)*(B3/250)^3)+17)

0.00a 81.94b 76.02c 81.94d u = 54.49

81.94a 0.00b 58.32c 83.00d u = 79.3

81.94a 83.00b 80.13c 0.00d u = 67.03