GeoestadisticaI (ASIGNACION2 2)

UNIVERSIDAD NACIONAL DE INGENIERIA
FACULTAD DE INGENIERIA GEOLOGICA, MINERA Y METALURGICA
GEOESTADISTICA I
GENERACIÓN DE DATOS ALEATORIOS Y LA COSNTRUCCIÓN DE
VARIOGRAMAS
Docente:
Ing. Augusto Teves Rojas
Autor:
Lázaro Suarez Jorge Miguel
Lima, Septiembre 2014

RESUMEN
En el presente informe se mostrara la generación de datos aleatorios en un rango de 0 a
1, representando dichos valores la ley de un mineral que en la realidad puede ser
calculado de testigos obtenidas de perforación diamantina. A dichos datos se les
configurara de manera particular como por ejemplo ordenándolos de menor a mayor,
compositandolos en rangos de 5, 10, 20, 50 y 100. Para cada configuración hecha se le
hará el análisis estadístico, construyendo el histograma, calculando los parámetros
estadísticos además del variograma.
2
Índice General
Resumen…………………………………………………………………………………2
Índice General…………………………………………………………………………....3
Índice de figuras…………………………………………………………………………5
Introducción……………………………………………………………………………...6
1. GEOESTADISTICA…………………………………………………………...........7
1.1 Estacionariedad……………………………………………………..........7
1.2 Variable Regionalizada (VR)……………………………….....................8
2. VARIOGRAMA……………………………………………………..........................8
2.1 Construcción del Variograma……………………………………………8
2.2 Componentes y características del Variograma………………………….9
2.3 Anisotropías…………………………………………………….............11
2.4 Modelos de Variogramas…………………………….............................12
2.4.1 Modelo Esférico………………………………........................12
2.4.2 Modelo Exponencial…………………………….....................12
2.4.3 Modelo Gaussiano…………………………….........................13
3. ANALISIS DE DATOS…………………………………………............................14
3.1 10 000 Valores Aleatorios sin Ordenar…………………........................14
3.1.1 Generación de 10 000 valores aleatorios [0;1] …………………..14
3.1.2 Histograma…………………………………………......................14
3.1.3 Variograma………………………………………………..............15
3.2 10 000 Valores Aleatorios Ordenados de Menor a Mayor……………..16
3.2.1 Ordenando los 10 000 valores aleatorios [0;1] ………………….16
3.2.2 Histograma y Variograma respectivo…………………………….17
3
3.3 Compositando los Valores Aleatorios…………………………………19
3.3.1 Compositos de 5…………………………………………………20
3.3.1.1 Histograma y Variograma……………………...............20
3.3.2 Compositos de 10………………………………...........................21
3.3.2.1 Histograma y Variograma………………………………21
3.3.3 Compositos de 20…………………………...................................22
3.3.2.1 Histograma y Variograma……………………...............22
3.3.4 Compositos de 50…………………………...................................24
3.3.2.1 Histograma y Variograma…………………....................24
4. OBSERVACIONES……………………………………………………………25
5. CONCLUSIONES…………………………………………………………...…26
REFERENCIAS BIBLIOGRAFICAS……………………………………………..27
APÉNDICES……………………………………………………………………….28
APÉNDICE A………………………………………………………………………28
APÉNDICE B………………………………………………………………………29
4
Índice de Figuras
Figura 1: Construcción del Variograma……………………………………………….8

Figura 2: Variograma………………………………………………………………….9
Figura 3: Componentes del Variograma……………………………………...………10
Figura 4: Anisotrópica…………………………………………………….….………11
Figura 5: Variograma modelo Esférico………………………………………………12
Figura 6: Variograma modelo Exponencial…………………………………….……12
Figura 7: Variograma modelo Gaussiano……………………………………………13
Figura 8: Histograma de 10 000 datos aleatorios entre 0 y 1………………………...15
Figura 9: Variograma de 10 000 datos aleatorios entre 0 y 1……………...…………16
Figura 10: Histograma de 10 000 datos aleatorios ordenados de menor a mayor……17
Figura 11: Variograma de 10 000 datos aleatorios ordenados de menor a mayor……18
Figura 12: Variogramas de los datos sin ordenar y ordenados……………………….19
Figura 13: Histograma de datos de compositos de 5………………………….………20
Figura 14: Variograma de datos de compositos de 5………………………….……...20
Figura 15: Histograma de datos de compositos de 10……………………….………..21
Figura 16: Variograma de datos de compositos de 10………………………………..22
Figura 17: Histograma de datos de compositos de 20………………………………..22
Figura 18: Variograma de datos de compositos de 20………………………….……23
Figura 19: Histograma de datos de compositos de 50………………………..………24
Figura 20: Variograma de datos de compositos de 50……………………….………25
5
INTRODUCCIÓN
La búsqueda, exploración y evaluación de yacimientos minerales es una de las
actividades fundamentales que toda empresa minera debe desarrollar durante su vida
útil, destacándose entre otras tareas: el pronóstico científico en la localización de los
yacimientos minerales útiles, la elaboración de métodos eficaces para la exploración,
etc. Todo esto condicionado al agotamiento de los recursos producto de la explotación y
a las fluctuaciones de las cotizaciones del mercado.
El desarrollo de la minería ha traído unido el perfeccionamiento de los métodos de
búsqueda de los minerales útiles, y los de la determinación de su cantidad
y utilidad para la extracción.
Nuestro objetivo principal será analizar y discutir, los variogramas a obtener producto
de las diferentes configuraciones de datos de una misma data.
6
1. GEOESTADISTICA.
Buscando el mejor estimador que minimice la varianza del error de estimación
surge la Geoestadística por los trabajos de G. Matheron en la Escuela Superior
de Minas de París, basado en conceptos iniciales de trabajos de H.S. Sichel en
1947 y 1949, en la aplicación de la distribución lognormal en minas de oro,
seguido por la famosa contribución de D.G. Krige en la aplicación del análisis de
regresión entre muestras y bloques de mena. Estos trabajos fijaron la base de la
Geoestadística Lineal. La Geoestadística se consolidó y desarrollo en los últimos
30 años como ciencia aplicada casi exclusivamente en el campo minero, la cual
ha sido ampliamente usada, existiendo como ciencia aplicada que da respuesta a
necesidades prácticas y concretas.
La geoestadística, a diferencia de la estadística en el tratamiento de las muestras,
tiene en cuenta la ubicación de los datos, en el espacio. Lo que resulta de gran
interés en los estudios geológicos mineros.
La geoestadística asume que las muestras están correlacionadas. Es esta
Correlación Espacial la que debemos encontrar en un yacimiento. Datos más
cercanos tienen más posibilidades de ser similares que dos alejados.
1.1 Estacionariedad.
La Geoestadística, establece que la distribución estadística de la diferencia de
una variable (ley, potencia), entre muestras es similar y depende de la distancia
que las separa y su distribución.
7
1.2 Variable Regionalizada (VR).
Es aquella que el valor dado en un punto dentro del yacimiento está en función
de su magnitud y de su soporte (forma, orientación). Ejemplos Típicos de VR
son la ley, potencia, densidad.
2. VARIOGRAMA.
El variograma es la herramienta geoestadística básica. Permite la cuantificación
de los parámetros geológicos y expresa la correlación espacial entre los valores
muestreados.
En términos prácticos, en el campo geológico – minero, el Variograma
constituye una función de característica geológica(o cualquier otra variable
regionalizada) en el espacio. Él represente el grado de continuidad de la variable
bajo estudio
En términos muy simples podemos definir el variograma como la media de los
cuadrados de las diferencias entre pares de muestras separados por una distancia
h:
N( h)
1
γ h= ∑
2 N (h ) x=1 [ z( x )−z ( x +h) ]
2
2.1 Construcción del Variograma.
Con el uso de la formula anterior, se hace la construcción hallando λ(h ) para
cada valor de h
Figura nº 1.
8
Figura nº 2.
2.2 Componentes y Características del Variograma.
En general el variograma es una función creciente de h, ya que los valores
tomados en dos puntos distintos son, en promedio, tanto más diferentes cuanto
más alejados estén el uno del otro. De este modo, el variograma da un contenido
preciso a la noción tradicional de la zona de de influencia de una muestra: el
crecimiento más o menos rápido del variograma representa, en efecto, la manera
más o menos rápida con la cual se deteriora la influencia de una muestra dada
sobre las zonas más lejanas del yacimiento.
9
Figura nº 3.
La función
γ h aumenta a medida que (h) aumenta, alcanzando un valor máximo,
denominado meseta, a esta distancia a la cual se produce dicha meseta se le
denomina alcance y nos proporciona una medida promedio de la zona de
influencia de la mineralización en estudio.
Por el contrario, en algunas ocasiones la función

γ h no tiene una meseta, crece
indefinidamente: en este caso se está en presencia de una tendencia, vale decir de
una variación sistemática a gran escala y no existe estacionalidad del fenómeno.
Los cambio bruscos de mineralización a muy pequeña escala (h  0) se reflejan
por un salto brusco de

γ h en las vecindades del origen, dando lugar a los
fenómenos denominados “efecto de pepita” (

C o ).
10
2.3 Anisotropías.
El variograma puede tener distintos alcances y mesetas, según la dirección con
que se aparean los datos.
Figura nº 4.
2.4 Modelos de Variogramas.
Los modelos más utilizados en geología son del tipo transicional (con meseta).
Estos son:
11
2.4.1 Modelo Esférico.
Figura nº 5.
2.4.2 Modelo Exponencial.
Figura nº 6.
2.4.3 Modelo Gaussiano.
12
Figura nº 7.
13
3. ANALISIS DE DATOS.
3.1. 10000 VALORES ALEATORIOS SIN ORDENAR.
3.1.1 Generación de 10000 datos aleatorios entre [0; 1]
Los valores aleatorios a generar representan la ley del mineral presente en 1
metro de testigo. Para ello se utilizara el programa Matlab.
Con el comando “rand” se generan valores aleatorios cuya distribución es
uniforme
>>D= rand (10000, 1) %% En general “rand (m, n)”
Obteniendo un vector D de dimensiones

D10000 x 1
3.1.2 Grafica del Histograma.
El uso del comando “hist” nos simplifica el trabajo, así como los otros comandos
para hallar las características estadísticas:
>>hist (D) %% Obtenemos el histograma del los 10000 datos.

>>mean (D) %% Media.
>>std (D) %% Desviación Estándar.
>>min (D) %% Mínimo.
>>max (D) %% Máximo.
14
HISTOGRAMA - LEY DEL MINERAL
600
500
400
FRECUENCIA
300
200
100
0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
LEY
Figura nº 8.
La media es: 0.50515

La desviación estándar es: 0.29004
El máximo es: 0.9998
El mínimo es: 0.0000155
3.1.3 Construcción del variograma con los 10000 datos.
Se hizo un algoritmo para calcular los valores de γ (h ) para cada h.
m=10000
for j=1:1: m-1

h=0;
for i=1:1: m-j
k= (D (i)-D (i+j)) ^2;
h=h+k;
end
h=h. / (2*(m-j));
V (j)=h;
end
Obteniendo el vector V de dimensiones 9999x1, el cual representa el variograma
γ (h ) . Finalmente se grafica el vector V, es decir el variograma.
15
>>plot (V)
VARIOGRAMA DE LOS VALORES ALEATORIOS SIN ORDENAR

0.35
0.3
0.25
0.2
V(h)
0.15
0.1
0.05
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
h
Figura nº 9.
En el apéndice A se presenta el pseudocódigo completo para la generación de
valores, histograma, variograma y graficas para un caso general de “n” variables.
3.2 10000 VALORES ALEATORIOS ORDENADOS DE MENOR A MAYOR
3.2.1 Ordenando de menor a mayor los 10000 valores aleatorios.
Teniendo los valores ya generados pasamos a ordenarlos de menor a mayor, con
ayuda del comando “sort”.
>>sort (D) %% Ordena los valores del vector D de menor a
mayor
16
3.2.2 Grafica del Histograma de los valores ordenados.
>>hist (D) %% Obtenemos el histograma del los 10000 datos

>>mean (D) %% Media
>>std (D) %% Desviación Estándar
>>min (D) %% Mínimo
>>max (D) %% Máximo
HISTOGRAMA - LEY DE MINERAL

600
500
400
FRECUENCIA
300
200
100
0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
LEY
Figura nº 10.
La media es: 0.50515

La desviación estándar es: 0.29004
El máximo es: 0.9998
El mínimo es: 0.0000155
17
3.2.3 Construcción del variograma con los 10000 datos.
Con el mismo algoritmo para calcular los valores de γ (h ) para cada h.
m=10000
for j=1:1: m-1

h=0;
for i=1:1: m-j
k= (D (i)-D (i+j)) ^2;
h=h+k;
end
h=h. / (2*(m-j));
V (j)=h;
end
Obteniendo el vector V de dimensiones 9999x1, el cual representa el variograma
γ (h ) . Finalmente se grafica el vector V, es decir el variograma.
>>plot (V)
VARIOGRAMA DE VALORES ALEATORIOS ORDENADOS DE MENOR A MAYOR

0.5
0.45
0.4
0.35
0.3
V(h)
0.25
0.2
0.15
0.1
0.05
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
h
Figura nº 11.
18
VARIOGRAMAS DE LA MISMA DATA
0.5
Sin ordenar
Ordenando de menor a mayor
0.45
0.4
0.35
0.3
V(h)
0.25
0.2
0.15
0.1
0.05
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
h
Figura nº 12.
3.3 COMPOSITANDO LOS VALORES ALEATORIOS.
3.3.1 COMPOSITOS DE 5.
Se promedian los valores de acuerdo al tamaño del composito.
p=10000/5;
for i=1:1: p
D2 (i, 1) =mean (D(c*(i-1) +1: c*i)); %% Promedio
end
Obteniendo el nuevo vector D2 de valores compositos de dimensión 5, al cual le
haremos su histograma y variograma.
3.3.1.1 Histograma de los compositos de 5.
>>hist (D2) %% Obtenemos el histograma del los 2000 datos

>>mean (D2) %% Media
>>std (D2) %% Desviación Estándar
>>min (D2) %% Mínimo
>>max (D2) %% Máximo
19
HISTOGRAMA DE DATOS COMPOSITADOS DE 5 EN 5
350
300
250
200
Frecuencia
150
100
50
0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley
Figura nº 13.
La media de compositar compositando 5 es: 0.50515

La desviación estándar compositando 5 es: 0.13057
El máximo de los datos compositando 5 es: 0.87496
El mínimo de los datos compositando 5 es: 0.10359
3.3.1.2 Variograma de los compositos de 5.
El algoritmo es el mismo hecho en la parte de los valores sin compositor.
VARIOGRAMA DE DATOS COMPOSITADOS DE 5 EN 5

0.04
0.035
0.03
0.025
V(h)
0.02
0.015
0.01
0.005
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
h
Figura nº 14.
20
Se promedian los valores de acuerdo al tamaño del composito
Obteniendo el nuevo vector D2 de valores compositos de dimensión 10, al cual
le haremos su histograma y variograma.
3.3.2.1 Histograma de los compositos de 10.

200
180
160
140
120
Frecuencia
100
80
60
40
20
0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley
Figura nº 15.

21
3.3.2.2 Variograma de los compositos de 10.

0.018
0.016
0.014
0.012
V(h)
0.01
0.008
0.006
0.004
0.002
0 100 200 300 400 500 600 700 800 900 1000
h
Figura nº 16.
3.3.3.1 Histograma.

160
140
120
100
Frecuencia
80
60
40
20
0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley
Figura nº 17.
22
3.3.3.2 Variograma.

0.014
0.012
0.01
0.008
V(h)
0.006
0.004
0.002
0
0 50 100 150 200 250 300 350 400 450 500
h
Figura nº 18.
23
3.3.4.1 Histograma.

90
80
70
60
50
Frecuencia
40
30
20
10
0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley
Figura nº 19.

24
3.3.4.2 Variograma
-3
x 10 VARIOGRAMA DE DATOS COMPOSITADOS DE 50 EN 50
3
2.5
2
V(h)
1.5
0.5
0
0 20 40 60 80 100 120 140 160 180 200
h
Figura nº 20.
4. OBSERVACIONES Y DISCUSIONES.
- Los histogramas mostrados anteriormente, tiene un ancho de rango de 0.05.
- Los datos aleatorios generados siguen una distribución uniforme.
- Cuando se ordeno los datos generados de menor a mayor, se impuso una
“regla de correspondencia” entre los datos, evidenciándose lo mencionado en
su respectivo variograma.
- La media en todos los casos (configuraciones de datos) nos da lo mismo,
diciéndonos que la estadística hace caso omiso al reordenamiento de los
datos, cosa que el variograma si lo nota.
- La desviación estándar varía con respecto a la configuración de los datos.
25
- El comportamiento de la grafica del Variograma es más notorio cuando se
ordenan los datos de menor a mayor o viceversa, a diferencia de solo
compositar.
5. CONCLUSIONES.
- Se construyo el histograma para cada configuración de datos de una misma
data.
- Se hizo el análisis de los variogramas obtenidos para cada configuración de
datos, notando el comportamiento en cada caso.
- Se observo el efecto pepita en cada caso, con ayuda de las graficas hechas.
- Cuando existe una “regla de correspondencia” entre los datos, el variograma
deja de ser una línea, aproximándose muy bien a una parábola.
REFERENCIAS.
- Tulcanaza, E. (1992). Técnica Geoestadística y Criterios Técnico-

Económicos Para la Estimación y Evaluación de Yacimientos Mineros.
Chile: Estudios Mineros.
- Marin, Augusto. “Variograma” (Apuntes de clase del profesor, Lima, Perú,
Abril, 2014).
- Teves, Augusto. “Compositos” (Apuntes de clase del profesor, Lima, Perú,
Abril, 2014).
26
APENDICE A:
PSEUDOCODIGO DESARROLLADO EN MATLAB PARA GENERAR DATOS

ALEATORIOS ENTRE 0 Y 1, GRAFICAR HISTOGRAMA Y CONSTRUIR EL
VARIOGRAMA
function y=V(n)
%%%%% Generacion de datos aleatorios entre 0 y 1%%%%%%
D=rand (n, 1);
M=size (D);
m=M(1);
%%%%%%%%%%%%% Histograma %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
x=0:0.05:1;
Hist (D, x);
%%%%%% Calculo de varialbes estadisticas %%%%%%
%% MEDIA %%
Imp=strcat ('La media es:');
disp (strcat (imp,num2str (mean (D))))
%% DESVIACION ESTANDAR %%
Imp=strcat ('La desviación estándar es:');
disp (strcat (imp,num2str(std (D))))
%% MAX Y MIN %%
imp=strcat('El máximo es:');
disp (strcat (imp,num2str(max(D))))
imp=strcat('El minimo es:');
disp(strcat(imp,num2str(min(D))))
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%% CONSTRUCCION DEL VARIOGRAMA %%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for j=1:1:m-1
h=0;
for i=1:1: m-j
k= (D (i)-D (i+j)) ^2;
h=h+k;
end
h=h. / (2*(m-j));
V (j) =h;
end
V';
Size (V);
%%%%%%%%%%%%%%%%% GRAFICANDO EL VARIOGRAMA %%%%%%%%%%%%
figure;
Plot (V,'-')
27
APENDICE B
PSEUDOCODIGO DESARROLLADO EN MATLAB PARA GENERAR DATOS

ALEATORIOS ENTRE 0 Y 1 COMPOSITANDOLOS, GRAFICAR HISTOGRAMA
Y CONSTRUIR EL VARIOGRAMA
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%% VARIOGRAMA DE LOS COMPOSITOS %%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%% 5-10-20-50-100 %%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Function y=V(n, c1, c2, c3, c4, c5, c6);

%Dando dimensiones del composito
e(1)=c1;
e(2)=c2;
e(3)=c3;
e(4)=c4;
e(5)=c5;
e(6)=c6;
%Se genera los "n" datos aleatorios de distribución uniforme

D=rand (n, 1);
M=size (D);
%%%% CREANDO LOS VECTORES V (h) PARA DIFERENTES DIMENSIONES -

COMPOSITOS%%%%
for r=1:1:6
c=e(r);
m1=M(1);
p=floor (m1/c);
D2=0;
%% Se promedian los valores de acuerdo al tamaño del composito
for i=1:1:p
D2(i, 1) =mean (D(c*(i-1) +1:c*i));
end
x=0:0.05:1;
%% Se grafica el HISTOGRAMA
figure;
Hist (D2, x);
%%%%%% Calculo resultados de las varialbes estadisticas %%%%%%
%% MEDIA %%
Imp=strcat ('La media de compositar compositando',
strcat(num2str(e(r)),' es:'));
disp (strcat (imp,num2str (mean (D2))))
%% DESVIACION ESTANDAR %%
Imp=strcat ('La desviación estándar
compositando',strcat(num2str(e(r)),' es:'));
disp (strcat(imp,num2str(std(D2))))
%% MAX Y MIN %%
28
Imp=strcat ('El máximo de los datos
disp (strcat(imp,num2str(max(D2))))
imp=strcat('El minimo de los datos

disp (strcat(imp,num2str(min (D2))))
disp('=====================================================')
disp('=====================================================')
%%% REGLA DE RECURRENCIA PARA EL CALCULO DE V (h)

MM=size(D2);
m=MM(1);
for j=1:1: m-1

h=0;
for i=1:1: m-j
k= (D2 (i)-D2 (i+j)) ^2;
h=h+k;
end
h=h. / (2*(m-j));
V (j, r) =h;
end
V';
size(V);
figure;
Plot (V (1 :( n/e(r))-1, r),'-');
end
%% GRAFICANDO TODOS LOS VARIOGRAMAS EN UNA SOLA GRAFIA A UNA SOLA

ESCALA
X1=e (1): e (1):n-e (1);
X2=e (2): e (2):n-e (2);
X3=e (3): e (3):n-e (3);
X4=e (4): e (4):n-e (4);
X5=e (5): e (5):n-e (5);
X6=e (6): e (6):n-e (6);
Figure;
plot(x1,V(1:(n/e(1))-1,1),x2,V(1:(n/e(2))-1,2),x3,V(1:(n/e(3))-
1,3),x4,V(1:(n/e...
(4))-1,4), x5, V (1:(n/e (5))-1,5), x6, V (1:(n/e (6))-1,6))
29

GeoestadisticaI (ASIGNACION2 2)

Cargado por

Información del documento

Descripción original:

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

GeoestadisticaI (ASIGNACION2 2)

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA GEOLOGICA, MINERA Y METALURGICA

GENERACIÓN DE DATOS ALEATORIOS Y LA COSNTRUCCIÓN DE

Ing. Augusto Teves Rojas

Lázaro Suarez Jorge Miguel

Lima, Septiembre 2014

En el presente informe se mostrara la generación de datos aleatorios en un rango de 0 a

1, representando dichos valores la ley de un mineral que en la realidad puede ser

calculado de testigos obtenidas de perforación diamantina. A dichos datos se les

configurara de manera particular como por ejemplo ordenándolos de menor a mayor,

compositandolos en rangos de 5, 10, 20, 50 y 100. Para cada configuración hecha se le

hará el análisis estadístico, construyendo el histograma, calculando los parámetros

estadísticos además del variograma.

1.2 Variable Regionalizada (VR)……………………………….....................8

2.1 Construcción del Variograma……………………………………………8

2.2 Componentes y características del Variograma………………………….9

2.4 Modelos de Variogramas…………………………….............................12

2.4.1 Modelo Esférico………………………………........................12

2.4.2 Modelo Exponencial…………………………….....................12

2.4.3 Modelo Gaussiano…………………………….........................13

3.1 10 000 Valores Aleatorios sin Ordenar…………………........................14

3.1.1 Generación de 10 000 valores aleatorios [0;1] …………………..14

3.2 10 000 Valores Aleatorios Ordenados de Menor a Mayor……………..16

3.2.1 Ordenando los 10 000 valores aleatorios [0;1] ………………….16

3.2.2 Histograma y Variograma respectivo…………………………….17

3.3.1 Compositos de 5…………………………………………………20

3.3.1.1 Histograma y Variograma……………………...............20

3.3.2 Compositos de 10………………………………...........................21

3.3.2.1 Histograma y Variograma………………………………21

3.3.3 Compositos de 20…………………………...................................22

3.3.2.1 Histograma y Variograma……………………...............22

3.3.4 Compositos de 50…………………………...................................24

3.3.2.1 Histograma y Variograma…………………....................24

Figura 1: Construcción del Variograma……………………………………………….8

La búsqueda, exploración y evaluación de yacimientos minerales es una de las

actividades fundamentales que toda empresa minera debe desarrollar durante su vida

útil, destacándose entre otras tareas: el pronóstico científico en la localización de los

yacimientos minerales útiles, la elaboración de métodos eficaces para la exploración,

etc. Todo esto condicionado al agotamiento de los recursos producto de la explotación y

a las fluctuaciones de las cotizaciones del mercado.

El desarrollo de la minería ha traído unido el perfeccionamiento de los métodos de

búsqueda de los minerales útiles, y los de la determinación de su cantidad

Nuestro objetivo principal será analizar y discutir, los variogramas a obtener producto

de las diferentes configuraciones de datos de una misma data.

Buscando el mejor estimador que minimice la varianza del error de estimación

surge la Geoestadística por los trabajos de G. Matheron en la Escuela Superior

de Minas de París, basado en conceptos iniciales de trabajos de H.S. Sichel en

1947 y 1949, en la aplicación de la distribución lognormal en minas de oro,

seguido por la famosa contribución de D.G. Krige en la aplicación del análisis de

regresión entre muestras y bloques de mena. Estos trabajos fijaron la base de la

Geoestadística Lineal. La Geoestadística se consolidó y desarrollo en los últimos

30 años como ciencia aplicada casi exclusivamente en el campo minero, la cual

ha sido ampliamente usada, existiendo como ciencia aplicada que da respuesta a

necesidades prácticas y concretas.

La geoestadística, a diferencia de la estadística en el tratamiento de las muestras,

tiene en cuenta la ubicación de los datos, en el espacio. Lo que resulta de gran

interés en los estudios geológicos mineros.

La geoestadística asume que las muestras están correlacionadas. Es esta

Correlación Espacial la que debemos encontrar en un yacimiento. Datos más

cercanos tienen más posibilidades de ser similares que dos alejados.

La Geoestadística, establece que la distribución estadística de la diferencia de

una variable (ley, potencia), entre muestras es similar y depende de la distancia