Fundamento para la Confección de Unidades de Estimación

La estimación es un proceso que requiere de herramientas tales como: variogramas, covarianzas

(en casos con suficiente densidad de muestreo), kriging, etc. Sin embargo, para poder utilizar estas
herramientas se debe asumir un importante supuesto de estacionaridad. Este concepto en
Geoestadística está asociado a la función de distribución de probabilidad de la variable regionalizada
en el campo de estudio, donde ésta es invariante por traslación.

Existen tres tipos de estacionaridad: 1) Estacionaridad estricta: donde todos los momentos de las
variables aleatorias son los constantes en el espacio (es imposible establecer este tipo de
estacionaridad con la data de experimental con la que se cuenta); 2) Estacionaridad de segundo
orden: este tipo de estacionaridad se presenta cuando los momentos de orden 1 (esperanza) y
orden 2 (covarianza) son invariantes por traslación, es decir constantes. De lo anterior, es posible
también establecer la función variograma que mide el grado de diferencia entre dos variables
separadas en un determinado vector h y establece que esa diferencia (cuadrática) no depende de
la posición de las variables aleatorias sino que solo dependen del vector que las separa; 3)
Estacionaridad intrínseca: este tipo particular de estacionaridad, es la más flexible de todas y se
presenta cuando la esperanza y la varianza de la diferencia de dos variables aleatorias separadas a
una distancia h es constante (es decir la pendiente es positiva o negativa en un gráfico de derivas),
en el caso de la varianza, ésta aumenta en tasa constante. Lo anterior hace posible establecer
nuevamente el variograma como herramienta para estudiar la continuidad espacial de una variable
regionalizada. De lo anterior, se desprende que el variograma es una herramienta más versátil que
el corrélograma o gráfico de covarianzas, pues se puede utilizar tanto en una variable con
comportamiento estacionario de segundo orden, como estacionario intrínseco. Caso intrínseco
implica inexistencia de covarianza y en consecuencia, variograma no tiene meseta.

En la práctica, para identificar, a partir de la data experimental que se dispone (proveniente de los
sondajes), que una variable regionalizada se comporta de manera estacionaria, se debe estudiar
detalladamente la variable de interés en función de la geología, realizando todos los cruces posibles
de los diferentes atributos geológicos (alteración, litología, zona mineral y/o estructuras) y en base
a ello construir unidades homogéneas, que debe respetar la coherencia de procesos geológicos.

Para llevar a cabo lo anterior, se deben analizar los estadígrafos clásicos, tales como la media,
mediana, desviación estándar, varianza, grado de asimetría de la distribución, coeficiente de
variación, etc. Además de gráficos como po-plot (análisis de poblaciones), qq-plot (comparación de
dos distribuciones), histograma (tendencia de la distribución, análisis modal, valores anómalos, etc),
boxplot (asimetría, outliers distribucionales, variabilidad de las distribuciones), derivas direccionales
(evolución espacial de las leyes, estacionaridad, etc), etc.
A continuación, se propone una metodología para establecer unidades de estimación de CuT (se
asume que la información viene compositada y debidamente flageada):

1. Desplegar la información en vistas de planta, perfil E-O, N-S e isométrica

a. Analizar posibles agrupamientos de datos y zonas de agrupamientos
b. Identificar zonas de altas concentraciones de Cobre
c. Densidad de muestreo, espaciamiento malla de muestreo
Es importante para la robustez del variograma, ya que, en presencia de mallas con
baja densidad de muestreo, la variabilidad que muestra el variograma se puede ver
sesgada.
2. Análisis de todo el conjunto de base de datos
a. Histogramas

Determinar asimetría de la distribución y posibles distribuciones con modas

diferentes y outliers (𝜇 ± 𝑛 ∙ 𝜎; con n dependiendo del nivel de confianza a asumir).

b. Boxplot
i. Determinar outliers distribucionales (Q3 + 1.5 RIC y Q1 – 1.5RIC) y posible
utilización de capping.
ii. Determinar asimetrías
c. Estadística descriptiva
i. Determinar media y mediana (se prefiere la mediana antes que la media
pues es una medida de posición que no es sensible a valores extremos)
ii. Determinar varianza y desviación estándar
d. Estudiar efecto del agrupamiento de información con el método de las celdas
i. Comparar la media agrupada y desagrupada (si varía en más de un 5% se
puede considerar trabajar la información.
ii. Contrastar los histogramas de los datos agrupados y de los datos
desagrupados.
iii. De ser un efecto considerable trabajar con los pesos de cada muestra
3. Estudio de variables categóricas
a. Investigar relaciones entre variables categóricas con el fin de determinar que
subconjuntos de información: es posible unir o por el contrario mantener separado
(ej: Lix diferente a los sulfuros primarios, por lo tanto ¡imposible de juntar!).
b. Realizar un resumen o matriz de variables categóricas donde se muestre si es
posible o no su unión para facilitar el proceso de unión posterior.
4. Estudiar la variable categórica que ejerce mayor control sobre la concentración de cobre en
el espacio
a. Separar la información por las diferentes variables categóricas estudiando los
siguientes gráficos (también se debe considerar el aspecto práctico a la hora de
escoger una variable categórica):
i. Pp – plot (determinar la presencia de diferentes poblaciones por unidad
geológica, al comparar las distintas curvas por unidad geológica, se puede
determinar la existencia de control en las leyes, por el atributo geológico
estudiado).
 ii. Box – plot (corroborar lo observado en el Pp-plot, por ejemplo: que las cajas
de los boxplot presenten diferencias considerables según las diferentes
unidades de la variable categórica)
iii. Estadística descriptiva para las diferentes unidades de la variable
categórica, especialmente coeficiente de variación que ayuda analizar la
variabilidad entre las diferentes unidades.
5. A partir de la variable categórica que ejerce un mayor control, “desmembrarla” en
subconjuntos de información interceptándola con las demás variables categóricas (ej: Zona
mineral de primarios dividida por alteraciones o por litologías), con el fin de unir los
conjuntos de información que muestran estadígrafos, histogramas y boxplots (distribución
de datos) y variabilidad similar, teniendo siempre en cuenta el punto 3. Se utilizan los
siguientes métodos (como dato las unidades de estimación deben tener al menos 120 – 150
datos para confeccionar un variograma robusto):
a. Filtrado de información
b. Estadística descriptiva de los subconjuntos de información
i. Tener en cuenta el coeficiente de variación para comparar la variabilidad
de dos distribuciones diferentes
ii. Preferente comparar distribuciones en base a su mediana (cuando la
distribución de datos es muy diferente a la normal)
c. Boxplot
Tener en consideración los conjuntos de información donde las cajas
coincidan en términos del primer, segundo y tercer cuartil; es decir, rango
intercuartílico.
d. Histogramas
i. Identificar outliers
ii. Identificar posibles distribuciones multimodales
iii. Identificar forma de la distribución
e. Pp – plot
i. Identificar quiebres de la curva que indiquen quiebres poblacionales
ii. Identificar presencia de outliers
f. Qq – plot
Comparar dos distribuciones para identificar si los histogramas son similares
(típicamente se compara con la distribución normal o log – normal)
g. Tener en cuenta la componente espacial en el análisis con el fin de que las unidades
de estimación no queden heterogéneamente distribuidas en el espacio
6. Realizar análisis de contacto, y determinar los tipos de contacto (opcional)
a. Contacto duro
b. Contacto blando
c. Contacto en transición
7. Unir los conjuntos de información en unidades o dominios de estimación y validar los
resultados con herramientas tales como:
a. Deriva

Corroborar hipótesis de estacionaridad. La variable debe presentar un comportamiento

no muy errático y relativamente constante

b. Pp – plot
Cada una de las unidades de estimación debe presentar un
comportamiento lineal en un gráfico con escala horizontal logarítmica
c. Variograma
i. Cuando se realice el variograma omnidireccional de las unidades de
estimación este debe presentar una meseta, que por lo general converge a
la varianza priori (no siempre pues depende la densidad de muestreo entre
otras cosas)
ii. Si el comportamiento del variograma es del tipo cuadrático significa que la
confección de las unidades de estimación fue incorrecta, ya que la variable
no sería estacionaria
d. Box-plot
Graficar un Boxplot de las unidades de estimación donde se debe apreciar que las
cajas estés relativamente bien separadas unas de otras
e. Realizar una tabla donde para cada unidad de estimación este:
i. Media
ii. Mediana
iii. Conteo de datos
iv. Desviación estándar
v. Varianza
vi. Coeficiente de variación
vii. Cuartiles
viii. Min
ix. Max
x. Asimetría
A continuación, se presentan algunos ejemplos de unión de subconjuntos de información:

Ilustración 1. Ejemplo de proceso de unión de dos variables categóricas con comportamiento similar. Fuente: Elaboración
Propia

Ilustración 2. Ejemplo de unión de subconjuntos de información con distribuciones similares. Fuente: Elaboración Propia
A continuación, se presenta un ejemplo de unidad de estimación correctamente confeccionada
mediante un Pp – plot:

Ilustración 3. Ejemplo de unidad de estimación donde el comportamiento es prácticamente lineal. Fuente: Elaboración
Propia

Para casos multivariables:

Estudiar la correlación o no de las variables de la base de datos (opcional, pero obligatoria

si se quiere realizar co – kriging)
a. Utilizar Scatterplots

Analizar el comportamiento de los datos e identificar tipo de correlación (no

necesariamente debe ser lineal también puede ser de otro orden).

b. Matriz de correlación entre variables

c. Coeficientes de correlación lineal

Tener cuidado con las interpretaciones de este parámetro, pues que el valor sea
cercano a cero, no quiere decir que no haya correlación, para ello se debe analizar
el comportamiento del gráfico y ver cómo evolucionan las leyes (a nivel macro es
decir como un todo). Caso contrario, si el coeficiente es cercano a 1 no quiere decir
que los datos estén estrictamente correlacionados

d. Concluir teniendo en cuenta tanto la forma de la nube puntos, como el coeficiente

de Pearson (𝑅 2)