Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Exploracion Minera Geoestadistica
Exploracion Minera Geoestadistica
APUNTES DIDÁCTICOS DE
GEOLOGÍA DE MINAS
Contenido:
Aplicaciones estadísticas en la exploración minera
Raúl Fernández
La serie de notas o apuntes didácticos de la Cátedra de Geología de Minas, constituyen sólo una guía de
los temas abordados en la materia y no pretenden tener la categoría ni de material completo ni de libro
de texto. En los años en que se ha dictado la materia, los hallazgos, por parte de los alumnos y docentes,
de errores y/o desarrollos confusos así como cambios introducidos a los efectos de su actualización,
llevan a continuas revisiones de estos apuntes.
En ciertas ocasiones el contenido de estos apuntes cubre la totalidad del desarrollo que se da en clase,
pero en otras sólo se presentan algunos fundamentos y su profundización y aplicación se brinda en las
clases correspondientes.
Estos apuntes fueron confeccionados tomando como base la experiencia y conocimientos de los docentes,
pero también tienen una fuente bibliográfica de gran amplitud, dada la diversidad de temas que se
tratan. Se han consultado tanto libros de texto específicos como artículos de revistas periódicas, los que
figuran al final de cada tema. La mayor parte de esa bibliografía puede ser proporcionada a los alumnos
de la materia por los docentes de la cátedra.
Debe mencionarse que por ser Geología de Minas una materia optativa de la Facultad de Ciencias
Naturales y Museo de la UNLP, que es tomada por estudiantes avanzados en la carrera o por estudiantes
de postgrado, hay numerosos temas, definiciones y términos que se considera, fueron desarrollados
previamente en otras materias y por lo tanto no están comprendidos en estos apuntes.
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
INTRODUCCIÓN
La estadística analiza una población sobre la base de muestras aleatorias y equiprobables procedentes
de ella y, a partir del conjunto de muestras (desde el punto de vista estadístico esto es una muestra de la
población) define las principales características de la variable estudiada, por ejemplo su media y varianza.
En un depósito mineral todos los valores que puede tomar una determinada variable (p.ej. el contenido
en un metal) constituyen una población y por lo tanto puede ser analizada con los métodos estadísticos.
Desde esta concepción una concentración mineral estará compuesta por numerosas variables (xi) que, en
la práctica, pueden tomar valores entre un xi mínimo y un xi máximo y por lo tanto podría definirse por la
distribución de los valores de la variable. En la exploración (y en una ulterior explotación) las variables
de mayor importancia suelen ser: la ley de un metal o de varios metales (cada uno es una variable); la
proporción de un mineral (por ejemplo el % de caolinita en yacimientos de arcillas de uso refractario); el
espesor de la mineralización; la “acumulada” (ley x espesor); la granulometría de un determinado mineral
y las propiedades geotécnicas.
Los conceptos fundamentales y detallados acerca del método estadístico se brindan en numerosos
libros de texto; particularmente entre los que desarrollan el tratamiento de datos geológicos puede
mencionarse a Krumbein y Graybill (1965), Koch y Link (1980), Merodio (1985), Davis (1986), Wellmer
(1998), este último orientado a la exploración minera. Alperín (2013), publicado por la editorial de la
Universidad de La Plata (edulp) desarrolla bases teóricas y prácticas sobre el tema
(www.editorial.unlp.edu.ar/naturales_libros_catedra).
En este apunte sólo se abordan, a través de las metodologías uni- y bivariables, los aspectos de mayor
relación con la investigación minera desde las etapas tempranas de la exploración hasta la de estimación
de recursos.
Desde el punto de vista estadístico, el objetivo de la exploración será reconocer el tipo de distribución,
los estadísticos que la definen y el error de la estimación. Por lo tanto las variantes mencionadas sobre las
muestras deberán ser tenidas en cuenta en dicho análisis.
VARIABILIDAD
a c
Zona con mineralizción Zonas ricas
Diseminación
b d
Mineral útil
Mena
Ganga
Cuerpos mineralizados
Fig. 1. Croquis de las variaciones naturales, morfológicas y de concentración de mineral útil para distintas escalas
de trabajo. a) regional, b) distrital, c) de mina, d) para tratamiento del mineral.
CAUSAS DE LA VARIABILIDAD
Las concentraciones minerales poseen distintas morfologías y variabilidad en las leyes, espesores,
tamaño de grano, intercrecimientos de minerales y de las características geotécnicas de la mena y sus
encajantes; ésta dependerá de los fenómenos geológicos que contribuyeron su formación y las
modificaciones post-mineralización; por lo que la variabilidad debida a la génesis se denomina
variabilidad natural (o geológica).
La variabilidad en la ley de yacimientos vetiformes es originada por las condiciones fisico-químicas
(temperatura, presión, pH, etc) que permiten la precipitación de los minerales, así como por la existencia
de más de un pulso de mineralización. La variabilidad de espesores dependerá de las características
estructurales de la fractura que los aloja; p.ej. un cuerpo vetiforme que rellena una fractura simple de
tensión es más constante que aquel que rellena una fisura producida por cambios de orientación en un
fallamiento de desplazamiento de rumbo (vetas “arrosariadas”, “lazos cimoides”). Los depósitos tipo
"porphyry copper" muestran una zonación horizontal de la ley también debida a cambios en las
condiciones de los fluidos mineralizantes, pero además es común que presenten variación de los tenores
en el sentido vertical, debido a fenómenos sobreimpuestos de origen supergénico. En yacimientos de
cualquier tipo puede producirse (o adicionarse) una variabilidad debida a procesos posteriores a su
formación, los cuales pueden cambiar la morfología del cuerpo o disminuir localmente sus leyes.
Yacimientos sedimentarios aluvionales, suelen tener una variabilidad relacionada a las condiciones
morfológicas del cauce donde se depositaron o a condiciones físico-mecánicas del medio de transporte.
Por otro lado hay yacimientos de origen sedimentario (p.ej. yacimientos ferríferos) que presentan baja
variabilidad, ya que las condiciones de depositación en la cuenca fueron más o menos homogéneas.
Además de la variabilidad natural (que se expresa como la varianza de la población) hay otras causas
que introducen variabilidad y que están vinculadas con: a) procedimientos de muestreo y el tamaño y
forma de las muestras, b) preparación de las muestras (cuarteo, trituración, molienda) y c) factores
analíticos (métodos, reproducibilidad, errores). Se las engloba como variabilidad técnica. La figura 2
ilustra como el muestreo (asumiendo que la toma de muestras es correcta) puede influenciar la
variabilidad de acuerdo al soporte, es decir al tamaño y forma de la muestra.
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 4
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
La variabilidad técnica debe ser correctamente definida y tratada cuidadosamente para que no resalte u
oculte la variabilidad natural del yacimiento, lo que puede ocasionar graves imprecisiones en la
evaluación.
mineral
mineral
El muestreo de un depósito mineral debe ser diseñado para estimar, no sólo las leyes (u otra variable)
de los distintos sectores, sino también para reconocer su variabilidad. Por consiguiente resulta
imprescindible que la información de campo (o de mina) que acompaña al muestreo sea lo más completa
posible y que permita distinguir las características geológicas de los sectores muestreados; esto permitirá
una orientación muy importante sobre la dependencia de la variabilidad, es decir geológica o técnica y
esta información será fundamental al momento de evaluar el muestreo efectuado. En la Fig. 3 se
esquematizan distintas variabilidades geológicas que deberán ser coherentes con los resultados del
muestreo.
canaletas de muestreo
Fig. 3. La información que acompaña al muestreo debe permitir identificar si la variabilidad corresponde a: (a)
una mineralización homogénea, (b) una distribución al azar de las muestras sobre mineral distribuido
heterogéneamente (c) relacionada a factores geológicos que controlan la mineralización (podrán ser poblaciones
distintas).
ESTADÍSTICA UNIVARIABLE
En una exploración minera se acumula una gran cantidad de datos de diversa índole (leyes, espesores,
diaclasas, etc.) a los que debe darse un tratamiento y realizar un análisis objetivo, de modo de obtener los
resultados más confiables y susceptibles de contrastar.
Las herramientas estadísticas más utilizadas en la exploración minera, son los parámetros estadísticos
de tendencia central, de dispersión (o amplitud) y de forma. Además es fundamental establecer el modelo
de distribución de la variable, ya que esos estadísticos y las aplicaciones del tratamiento estadístico
dependerán de dicho modelo. Se desarrollará primero algunos aspectos estadísticos básicos y luego serán
tratadas sus aplicaciones en la exploración, en ciertos casos con algunos ejemplos sencillos.
PARÁMETROS ESTADÍSTICOS
Los parámetros estadísticos de tendencia central (se utiliza simplemente el término estadísticos cuando
se refieren a un conjunto de muestras y no a la población) muestran donde está el mayor agrupamiento de
la serie de datos; los más utilizados son la media y la mediana. Los de dispersión señalan cuan amplia es
la distribución respecto al estadístico de tendencia central; los más usados son la varianza y el desvío
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 5
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
estándar. Los estadísticos de forma dan idea de la simetría y curtosis de la distribución y para ello se
utilizan los coeficientes de asimetría y de variación. Las ecuaciones de estos estadísticos se muestran en
la figura 4.
Mediana:
M = x( n+1) / 2 Desvío estándar: s= s2
M = ( xn / 2 + x( n / 2) +1 ) / 2
Rango intercuartil: RIQ = Q3 − Q1
MEDIDAS DE FORMA
n
(1 / n)∑ ( xi − m) 3
Coeficiente de asimetría: CA = i =1
s2
s
Coeficiente de Variación: CV =
m
Fig. 4. Ecuaciones de los estadísticos más utilizados
Los estadísticos de mayor importancia en la exploración minera son la media y la varianza (o desvío
estándar) que en la teoría estadística corresponden a los dos primeros momentos de una distribución (el
tercer momento es el coeficiente de asimetría).
DISTRIBUCIONES
El reconocimiento del tipo de distribución de la serie de datos, es un aspecto de suma importancia
antes de iniciar cualquier cálculo estadístico ya que la confianza en los resultados obtenidos dependerá de
que se utilicen coherentemente con el tipo de distribución. Es por eso que las representaciones gráficas de
las distribuciones (histogramas, curvas de frecuencias absolutas o relativas) es el inicio del tratamiento de
los datos.
Dos tipos de distribuciones estadísticas son las que más se ajustan a los datos geológicos y
específicamente al comportamiento de las variables en una concentración mineral: la distribución normal
y la lognormal.
En la distribución normal (o Gaussiana), la variable presenta una forma de campana (“campana de
Gauss”) cuya forma teórica es definida por la ecuación:
( x i − m )2
1 −
y=( ).e 2s 2
(1)
s 2π
donde xi es el valor de la variable, m es la media y s es el desvío estándar. La curva definida por esta
ecuación es la función de densidad de probabilidad.
En la distribución lognormal los valores reales de la variable presentan una forma asimétrica, pero
cuando son transformados a logaritmos, adquiere una forma similar a la de la distribución normal. La
función de densidad de probabilidad tiene una ecuación similar a (1) reemplazando los valores de xi, m y
s por sus logaritmos (para profundizar sobre las distribuciones lognormales puede consultarse el texto de
Aitchison y Brown, 1964).
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 6
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
Para la construcción de esas representaciones gráficas el primer paso es ordenar la serie de datos (en
forma creciente o decreciente según los objetivos) y dividirlos en clases (intervalos de valores) de un
mismo tamaño; el intervalo y cantidad de clases dependerán de la diferencia entre el valor máximo y
mínimo. Luego se cuenta el número de muestras que entra en cada clase (frecuencia). Con esta síntesis de
los datos se construye el histograma.
En la figura 5 se presentan tres ejemplos de histograma (hipotéticos) a partir de los cuales,
visualmente, podemos establecer ciertas diferencias en la distribución.
50 100
N= 280 60
40 m= 47 % 80 m= 0,74 % m= 11,4 g/t
50
frecuencia
frecuencia
frecuencia
s= 3,8 % s= 0,13 % s= 7,7 g/t
30 60 40
30
20 40
20
10 20
10
El histograma es un gráfico de datos discretos (las clases del eje x) y también puede construirse con
proporciones relativas de la frecuencia (llevadas a 100%, %
100
en el eje y). Las curvas de frecuencia (como la que se curva de frecuencias
muestra en la distribución de Cu de la Fig. 5) representan relativas acumuladas
80
datos continuos y se las construye a partir de las
Frecuencia
20
Fig. 6. Histograma relativo (blanco) y relativo acumulado (gris)
con las correspondientes curvas de frecuencia, del yacimiento
0
de Cu de la Fig. 5. 0,1 0,5 1,0
Clases % Cu
La diferencia entre la distribución normal y lognormal se esquematiza en la figura 7 que ilustra las
curvas de frecuencia y de frecuencia relativa acumulada, donde el eje x son las clases y el eje y las
frecuencias. Puede verse que la distribución lognormal, cuando se utilizan los valores reales presenta una
“cola” a la derecha (sesgo positivo) que desaparece y se hace similar a la forma de la distribución normal
si los valores son transformados a logaritmos. Para graficar estos valores, en vez de transformarlos
numéricamente, suele utilizarse el eje x con escala logarítmica. La frecuencia relativa acumulada posee
una forma de “S” si el eje y es de escala aritmética, pero si se lo transforma en una escala probabilística
(de acuerdo a la ecuación de Gauss [1]), se obtiene una recta, que hace facilita la comparación de distintas
series de datos (p.ej. las pendientes).
Escala aritmética
Escala aritmética
Escala aritmética
Escala aritmética Escala aritmética Escala aritmética
Escala probabilística
Escala probabilística
Escala aritmética
Escala aritmética
Distribución
Normal Estandarizada 50% 50
-s
-2s
z 16%
68,26%
2,3%
95,44% eje y dividido
linealmente -3s -2s -s z s 2s 3s
99,74%
Fig. 8. a) Distribución normal estandarizada y áreas bajo la curva, correspondientes a ±1, ±2 y ±3 desvíos
estándar. b) Curvas de frecuencia relativa acumulada de una distribución normal estandarizada con distintas (1 y
2) formas según la escala del eje y.
La proporción de área bajo la curva para distintos desvíos estándar (además de los señalados) se
presentan en tablas que pueden encontrarse en la mayoría de los libros de estadística. Este concepto
estadístico es de mucha utilidad en la exploración minera, particularmente en la estimación de recursos.
La frecuencia relativa acumulada también responde a esta función, dando una curva con forma de “S”
si el eje y es dividido linealmente (aritmético) o una recta cuando este eje se escala de acuerdo a la
ecuación de Gauss [1], denominada escala probabilística (Fig. 8b). En las curvas de frecuencia relativa
acumulada la media coincide con la mediana (el 50 % de los valores) y con ellas puede obtenerse la
proporción (%) de datos que están por encima (o por debajo) de cualquier valor del eje x.
DISTRIBUCIÓN NO SESGADA
Desde el inicio del tratamiento de datos, al construir el histograma, debe prestarse atención para que la
distribución no sea sesgada. Este sesgo es propio de la 60 m
La construcción del histograma con todos los datos de perforaciones producirá una distorsión (sesgo)
debido a que en la segunda etapa de sondeos se atravesaron zonas de alta ley contiguas a las establecidas
en la primera, por lo tanto la frecuencia de valores elevados (> 1,2% Cu) se incrementará. Esto puede
conducir a definir una ley media más alta que la real (y también a un mayor tonelaje de alta ley), además
puede interpretarse que se trata de una distribución lognormal cuando no lo es. Por lo tanto debe
construirse un histograma no sesgado en el que se elimine la influencia que produce el agrupamiento de
las muestras (los métodos de desagrupamiento se desarrollan en otro apunte).
EL MODELO DE DISTRIBUCIÓN
El reconocimiento del tipo de distribución es de gran importancia en cualquier tratamiento estadístico.
La estimación de los estadísticos (media y varianza) así como la proporción de muestras o de bloques de
mineral que están por encima de un valor especificado (p.ej. la ley de corte) dependerá del tipo de
distribución.
Como se ha mencionado los histogramas suelen dar una idea bastante aproximada del tipo de
distribución (ver Fig. 5), pero uno de los métodos estadísticos de verificación del tipo distribución es el
“test chi cuadrado” (x2). Sin embargo en la práctica, los gráficos de distribución de frecuencias
acumuladas se consideran aceptables para definir este aspecto; en ellos se vuelca el límite de clases y la
frecuencia relativa acumulada sobre un papel con las escalas adecuadas de los ejes x e y (Fig. 10). En esta
figura, como se interpretó de los histogramas, puede verse que las leyes de Cu tienen una distribución
normal y se ajustan bastante bien a una recta (hasta ~98 % de la acumulación) en la grilla aritmético-
probabilística, mientras no lo hacen las de Au. En la grilla log-probabilística el Au se ajusta a una recta
indicando que se distribuye lognormalmente (estas grillas se brindan en un Anexo).
90 90
84 84
80 80
70 70
60 60
50 50
40 40
30 30
20 20
16 16
10 10
5 5
4 4
3 3
2 2
1 1
LIMITE SUPERIOR DE CLASE DE “x” LIMITE SUPERIOR DE CLASE DE “x”
0,5 0,5 g/t Au
0,2 0,5 1,0 %Cu % Cu 0,3 1,0 3,0 4,0 g/t Au
1,5 3,0 g/t Au g/t Au
Fig. 10. Frecuencia relativa acumulada (por clases) de los yacimientos de Cu y de Au de la figura 5. La escala del
eje y es la división que se obtiene de la ecuación de Gauss [1] y representa el % del área bajo la curva (proporción)
que está por encima o por debajo de un determinado valor, donde 0 y 100 % se alcanzan en valores de clase que
tienden a infinito (son asintóticos respecto al eje x). La distribución del Au se desvía de la recta en la grilla
aritmético-probabilística pero se ajusta a una recta en la log-probabilística (a la derecha) sugiriendo una
distribución lognormal.
Debe mencionarse que hay distintas formas de presentar los gráficos de frecuencia relativa acumulada.
La disposición de los ejes tal como se muestra en la Fig. 10, sigue el uso europeo. Los autores de América
del Norte, por el contrario, dividen el eje x según la escala probabilística (%) y el eje y (con los valores de
las muestras o de las clases) en escala aritmética o logarítmica (según la distribución). Por otra parte, en la
Fig. 10 la acumulación (sumatoria) de los valores de muestras o clases es de menor a mayor, pero hay
casos donde esta sumatoria se realiza de mayor a menor valor, por lo que gráficamente tendrá una
pendiente opuesta. Los resultados que se obtienen son iguales, pero debe prestarse atención a estas
variantes.
La forma del histograma o de la curva de frecuencia dependerá del tipo de distribución por lo que
estos gráficos son una buena aproximación para definirla; no obstante las expresiones numéricas de los
estadísticos de forma (ver figura 4) pueden ser más objetivos y constituyen herramientas útiles para
establecerla. El coeficiente de asimetría (CA) en la distribución normal teórica es igual a cero; si la
distribución es sesgada a la derecha CA>0 (sesgo positivo) y si es sesgada a la izquierda CA<0 (sesgo
negativo). En la práctica el coeficiente de variación (CV), que es la relación entre el desvío estándar y la
media, proporciona mucha información acerca de la distribución; cuando CV es <0,5 sugiere que la
distribución es normal y si CV es >0,5 probablemente es lognormal (el coeficiente de variación se suele
expresar en forma porcentual: 0,5 = 50 %).
El coeficiente de variación toma distintos valores según los tipos de yacimientos, como demuestran los
ejemplos del Cuadro 1 (de Wellmer, 1998). Este rango de valores del CV es, no sólo indicativo de la
amplitud del coeficiente de variación, sino también indica que debe ser considerado para cada tipo de
yacimiento.
Cuadro 1. Coeficientes de variación comunes de algunos tipos de depósitos minerales (tomado de Wellmer, 1998)
Localidad Depósito Coeficiente de Variación
América del Norte Varios tipos de depósitos de Pórfidos cupríferos 0,5 – 0,8
Ramsbeck, Alemania Vetas Pb-Zn 0,9 – 1,9
Montcalm Depósitos magmáticos de sulfuros de Cu-Ni 0,32
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 10
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
Koch y Link (1970) propusieron un gráfico basado en las relaciones entre la ley media y el coeficiente
de variación (Fig. 11) en el que se destaca que en los tipos de yacimientos de alta ley (p.ej. de hierro) la
distribución puede ser normal, mientras que en los de baja ley, es lognormal.
2,5
DE: Koch y Link (1970)
Valores “excepcionales”
(outliers) ejercen una
2,0 influencia significativa
Coeficiente de variación Cv
1,5
Región en Lí m
la cual la nor- ite
1,0 su p
malidad es impro- erio
bable o imposible re
m pír
ico
L ím
ite
0,5 i nfe
rior Región en la cual la
em
píri normalidad es posible
c o
0 5 10 15 20 25 30 35 40 (%)
Ley media del deposito
Fig. 11. Tipos de depósitos (según su ley) en los que puede darse la distribución normal o la lognormal (Koch y
Link, 1970)
Como fue mencionado, la variabilidad de depósitos minerales tiene una gran componente en los
aspectos genéticos o bien relacionada a la tipología de yacimientos. Dos yacimientos del mismo metal
pero de distinto tipo (p.ej yacimientos de Cu tipo “porphyry copper” o tipo “Kupferschiefer”) tendrán
variabilidades naturales muy distintas; y aún yacimientos del mismo metal y del mismo tipo pueden tener
variabilidades naturales distintas, conforme a los procesos que han actuado en su formación. Por lo tanto
la exploración, tratamiento de datos y evaluación de resultados debe ser muy cuidadosa y debe tener en
cuenta tanto los aspectos genéticos de formación de yacimientos como los de generación de datos
numéricos.
mp = ∑ p .x i i
s 2p = ∑ [p .( x − m ) ]
i i p
2
∑p i ∑p i
Como ejemplo esquemático, la ley media ponderada del tramo de testigo (6 m de longitud) de la figura
12, se calcula tomando en cuenta la longitud y densidad de cada muestra; mp= 2,02 % Cu.
2m 1m 3m
p.e.: 2,9 p.e.: 3,4 p.e.: 4,2
1,0 1,4 0,8 1,7 1,1 0,9 1,6 1,3 2,4 2,0 0,7 1,3
2
1 m de largo: m= 1,35; s = 0,257
12 m
Ley %
Fig. 14. Ejemplo de curvas de frecuencia relativa que muestran menor -2s -s m s 2s
dispersión cuanto mayor es el soporte.
El tamaño de ese “composite” (p. ej. 2 m, 4 m, etc. de largo de testigo) tiene que ser cuidadosamente
analizado, ya que también conduce a perder información sobre la variabilidad natural. Un caso diferente
es el efecto soporte del bloque a estimar, que se verá más adelante.
LIMITES DE CONFIANZA
Como se ha mencionado, los minerales (de mena y de ganga) que constituyen un depósito se
distribuyen conforme a los procesos de formación, y estos son los responsables de su variabilidad natural.
La variabilidad de las leyes –en teoría- estaría comprendida en un rango que depende del o de los
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 12
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
minerales de mena presentes. Por ejemplo, si en una mineralización de cobre el único mineral que lleva
este metal es calcopirita, las leyes de las muestras estarán comprendidas entre 0 % Cu y 34,6 % Cu
(contenido de Cu teórico de la calcopirita); en cambio si es calcocita, el máximo teórico podría alcanzar a
~80 % Cu (contenido de Cu teórico de la calcocita). En la realidad será muy difícil que obtengamos esos
resultados máximos (correspondientes a masas de mineral puro del tamaño de la muestra), pero
igualmente los resultados están dentro un rango de valores más 94,8%
f
o menos dispersos. Esta dispersión puede establecerse por 68%
2
medio de la varianza (s ) y de allí estimar, por ejemplo, que
proporción de los datos (Fig. 15) estará por debajo de un 2,3% de s
s 2,3% de
todos los todos los
determinado límite (límite de confianza). valores valores
-s m +s Ley % Zn
8%Zn 9,5%Zn 11%Zn
Fig. 15. Proporción bajo la curva para intervalos de confianza del 68 -2s +2s
y 95% (± s y ± 2s) repartidos hacia ambos lados
6,5%Zn 14%Zn
ERROR
Conforme a los conceptos estadísticos, en una distribución normal la media de las muestras (m) puede
desviarse de la media de la población (µ) de la cual provienen. Esto lleva a la pregunta de con que
precisión el valor de la media de las muestras refleja el de la población, es decir cual es la incertidumbre
del valor de la media o cual es la magnitud del error.
El error de la media generalmente se determina a partir de la distribución de Student (tablas con el
valor t de Student pueden encontrarse en la mayoría de los libros de estadística). Estos valores t deben
utilizarse para muestras pequeñas (< 30) no obstante en la exploración minera, que normalmente supera
ese número de muestras, puede reemplazarse el valor de t por 2 (para el 95% de confianza) o por 1,7 (para
90% de confianza).
Regiones de probabilidad
Este término ha sido establecido por Hazen (1968) quien sobre la base de los errores estándar de la
media y del desvío estándar, lo usó para señalar un espacio en el cual hay una determinada probabilidad
de que se encuentre la verdadera media y desvío estándar de la población. El tamaño de las regiones de
probabilidad se incrementa con el aumento del desvío estándar y disminuye con el incremento del número
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 13
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
de muestras. Ejemplos sencillos se muestran en la Fig. 16 (para el límite de confianza del 95 % para el
cual, si n > 30, t= 2)
a
N= 1000; m= 1,00; s= 1,264; t= 2
desvío standard: s
1,320 N= 1000; m= 1,00; s= 0,632; t= 2
desvío standard: s
0,660
+0,056 +0,028
0,632 -0,04
1,264 -0,08 +0,08 -0,028
0,604
-0,056
b
N= 50; m= 1,00; s= 1,264; t= 2
desvío standard: s
1,514 N= 500; m= 1,00; s= 1,264; t= 2
desvío standard: s
1,344
+0,25 +0,08
1,264 -0,11
1,264 -0,36 +0,36 -0,08
1,184
-0,25
Fig. 16: Regiones de probabilidad (en gris) basadas en los errores estándar de la media y del desvío estándar.
m
7 68 g/t Au
media, más cercano a la realidad.
1
3,
10 m
10 m
8
68
3m
5,
3
4,
1
TRATAMIENTO DE EXCEPCIONALES
El primer paso es controlar si los excepcionales son reales o corresponden a errores. Si son reales
pueden seguirse los siguientes criterios:
- Investigación: un avance muy importante es reconocer si la distribución de los valores se debe a una
mezcla de distintas poblaciones; si este es el caso, pueden tratarse de forma independiente. La
información geológica que acompañe a las muestras (ver Fig. 3) será imprescindible para este fin.
- Eliminación: no es la decisión adecuada ya que tal vez estos valores excepcionales suelen conducir a
que un depósito mineral pueda ser económico;
- Reducción: Una forma de reducción es asignarle un ponderador de modo que tenga menos influencia
en la estimación, como se ha visto en el ejemplo más arriba. Otras metodologías, que se desarrollan
más adelante, proponen reducir directamente el excepcional a un valor determinado.
- Omisión: en algunos procedimientos geoestadísticos (p. ej. en la construcción del variograma) se
omiten los excepcionales para evitar distorsiones en la correlación espacial, aunque posteriormente se
utilicen en la estimación.
Correcciones gráficas
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 15
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
Cuando se vuelcan los valores de frecuencia relativa acumulada en una grilla aritmético-probabilística,
si la distribución es asimétrica, puede observarse que los 5-10% finales se desvían significativamente de
GRILLA ARITMÉTICO--PROBABILÍSTICA
la recta a la que se ajusta el resto de los datos; 99,5
99
estos valores podrían ser considerados 98
97
excepcionales y por lo tanto deben ser corregidos. 96
95
70
hasta cortar la recta y asignarle ese nuevo valor. 60
corregidos. 30
20
16
10
Fig. 18. Frecuencia relativa acumulada de leyes de
5
Au, en grilla aritmético-probabilística. Los valores 4
3
2
que se apartan de la recta de Henry pueden corregirse
de llevándolos a dicha recta 2 10 20 30 g/t Au
Correcciones numéricas
Pueden corregirse los valores altos, llevándolos al valor inmediato inferior. Sin embargo debe
definirse previamente cuales son los valores excepcionales que deben ser reducidos. Para ello Wellmer
(1998) propuso el ábaco (de Doerffel) que se ilustra en la Fig. 19 con el cual se establece el límite entre
excepcionales y el resto de los valores.
60
40
20
Umbral
10
5,0 Si= 1%
Si= 5%
2,0
5,0 7,0 10 20 30 50 70 100 200 300 500 700
Número de muestras
Fig. 19: Ábaco de Doerffel
Se debe calcular la media y la desviación estándar sin el valor alto. Un valor xE se considerará
excepcional si cae fuera del rango definido por el ábaco, conforme a la siguiente ecuación:
xE ≥ m + s.g
donde g, es el umbral que surge del ábaco mencionado. El procedimiento se desarrollará en clase, con un
ejercicio.
y
frecuencia
x
h valores logarítmicos
M=
Moda ln (logaritmo de la media geométrica)
Al trabajar con logaritmos debe tenerse en cuenta que el promedio de los logaritmo
valores sin transformar (reales) no es igual al antilogaritmo del promedio de Valor natural
3 1,099
los valores logarítmicos (cuadro a la derecha). El promedio de los valores 6 1,792
reales es la media aritmética, mientras que del promedio de los logaritmos (α) 12 2,485
promedio 7 1,792
se deriva la media geométrica: mg (mg= antilogaritmo α). antilogaritmo 6
La media geométrica (mg) tiene algunas ventajas, por un lado es siempre menor a la media aritmética
(en distribuciones con asimetría positiva) y por lo tanto tiende a disminuir la sobrevaluación que, como se
señaló, produce la media aritmética (o promedio) cuando hay excepcionales; pero además es mucho
menos sensible a los valores extremos respecto a la media aritmética, por lo cual si la ley media se
obtiene a partir de ella puede asumirse que el resultado está menos afectado por los excepcionales. Esto se
debe a la propia composición de la media geométrica, ya que en realidad deriva del producto de los
valores que toma la variable, como puede verse a continuación:
n n
El promedio de los logartimos (α) es: α = 1 / n∑ ln xi y mg = eα = n ∏x i
i =1 i =1
Por ejemplo para n=3: α= (ln x1 + ln x2 + ln x3)/3 y la media geométrica es: mg = eα (antilogaritmo de α)
o mg= (3√x1.x2.x3). La influencia de valores excepcionales sobre la media aritmética se demuestra con el
siguiente ejemplo:
No obstante, debe remarcarse que la ley media de un depósito está constituida por el promedio de las
leyes individuales. Por esta razón, si la distribución es lognormal, se trabaja con la media geométrica para
luego estimar la media aritmética (promedio) mediante algunos procedimientos de corrección.
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 17
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
Correcciones gráficas
Como cuando hay sólo unos pocos excepcionales, también se utilizan las frecuencias relativas
acumuladas. Se ha visto (Fig. 7) que, si la distribución es lognormal estas frecuencias se ajustan a una
recta cuando son volcadas en una grilla log-probabilística.
Krige (1978) propuso sobre la grilla log-probabilística, una curva (centrada en la mediana: M= 50 %
de los valores acumulados) a partir de la cual puede derivarse el valor de la media (también incluye la
moda, aunque este estadístico no es utilizado normalmente en la exploración minera). Si bien el
procedimiento no puede ser generalizado a todos los depósitos minerales, es sencillo y brinda una primera
aproximación de la reducción de la ley promedio para acercarla a la real. Este método se ejemplifica a
continuación: la ley media estimada para el depósito de Au de la Fig. 5 es: m= 11,4 g/t Au. Los datos de
la frecuencia relativa acumulada se volcaron en la grilla log-probabilística (círculos llenos de la Fig. 21) y
se ajustaron manualmente a una recta (línea llena en la figura mencionada). Esta recta se traslada
paralelamente al eje x haciendo coincidir la mediana (M= 50 %= mg) y resulta la línea de trazos; esta
recta trasladada corta la porción de la curva de Krige (línea gruesa continua) que representa a la media en
el punto A. Este valor se traslada “hacia atrás” hasta cortar la recta original (punto B) y de allí puede
leerse leer el valor de la media: m= 9,6 g/t Au.
5 0 5 0 0 0 0 0 0 0 0 0 5 0 5 0 5 0
0 1 1 2 3 4 5 6 7 8 9 0 2 5 7 0 2 5
,
0 ,
0 , 0
0 , ,0 , 0
0 , ,0 0
, ,0 0
, ,1 ,1 ,1 ,1 ,2 ,2 ,2
% GRILLA LOG-PROBABILÍSTICA
99,5
99
98
97
96
95
90
84
80
dia
70 A me
B
60
50 mediana
40
20
da
16 mo
10
5
4
3
2
0,5 1 2 3 4 5 6 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 2 4 6 8 0 0 0 0 0 0 0 0 0 0 0
1 2 3 4 5 6 8 0 0 0 0
1 2 4 6
límite superior de clase de “x”
Fig. 21: Corrección de la media en un grilla log-probabilística a partir de la curva de Krige. En esa grilla también
puede leerse el valor de la varianza de los logaritmos (β2) en la parte superior derecha (prolongando la recta
trasladada). La grilla se adjunta en el Anexo 1.
Factor de Corrección
Si bien las frecuencias relativas acumuladas de los datos volcadas en la grilla log-probabilística se
ajustan a una recta, en ocasiones esto no sucede. Krige demostró que este desvío puede corregirse con la
suma de una constante θ (factor de corrección). Este factor de corrección puede establecerse como se
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 18
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
muestra en la Fig. 22: la frecuencia relativa acumulada está representada por los círculos llenos; se traza
una recta de ajuste sobre las clases de mayor valor y puede verse que las clases de valores menores se
desvían de esa recta; el promedio de las diferencias (tramos A-B, C-D, E-F y G-H) será el factor de
corrección que se sumará a todos los datos (obviamente tendrá mayor influencia en los valores más
bajos). La recta quedará ajustada con este factor de
corrección (θ) y luego para estimar la media se procede
0,05
0,10
0,15
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
1,25
1,50
1,75
2,00
2,25
99,5
84
80
ia
ed
70 m
60
50 mediana
Fig. 22. Ejemplo para definir gráficamente el factor de 40
20
da
originales del ejemplo donde la ley está en 16
mo
10
pennyweights/pulgada (dwt/inch) utilizada en la minería 5
4
sudafricana. 3
2
1
0,5
3
4
5
6
8
100
10
20
40
60
80
200
300
400
500
600
800
1000
2000
4000
6000
LIMITE SUPERIOR DE CLASE DE “x”
Correcciones numéricas
A los efectos de una mayor claridad en el uso de la nomenclatura, para la distribución lognormal la
media de los logarítmos es α y a la varianza de los logarítmos es β 2. En la Fig. 20, se mostraron los
cambios que se producen al transformar una distribución lognormal (asimétrica) a una normal utilizando
el logaritmo de los valores: los valores de la moda, mediana y media de la distribución sufren una
traslación debido al cambio de escala en el eje x. La diferencia entre la media aritmética y la media
geométrica es: e β o β 2 / 2 , para la curva sin transformar y transformada, respectivamente; es decir
2
/2
La varianza logarítmica β2 puede calcularse con la fórmula clásica (Fig. 4) pero con ln xi y α, o bien
obtenerse gráficamente en la grilla de la figura 21 (se han propuesto otras aproximaciones que se omiten
aquí).
Como se ha señalado, la ley promedio “verdadera” de un depósito mineral está representada por la
media aritmética; sin embargo cuando se trata de distribuciones lognormales o con influencia de valores
excepcionales, se han demostrado las ventajas de emplear la media geométrica (da valores menores y no
es afectada por los valores extremos). Por lo tanto, a partir de la media geométrica (mg) es necesario
derivar la media aritmética (m) ya que esta será la ley media real del depósito.
Si la distribución lognormal es una aproximación a la verdadera distribución de las muestras, la media
aritmética de dicha distribución satisface las siguientes relaciones:
m = eα .e( β = eα + ( β
2 2
/ 2) / 2)
Cuando se utiliza el factor de corrección (θ) se denominan distribución lognormal de tres parámetros
(α, β y θ), la ecuación anterior es:
m = eα + ( β −θ
2
/ 2)
POBLACIONES MÚLTIPLES
Las distribuciones asimétricas también pueden deberse a que están integradas por dos (o más)
poblaciones que no han sido percibidas en el tratamiento de los datos. En la figura 24 se muestran
ejemplos (con curvas de frecuencia relativa) de 2 poblaciones distintas; si estas se tratan como un solo
conjunto la distribución tendrá una asimetría positiva y asemejarse a una distribución lognormal, cuando
en realidad son dos distribuciones normales (o bien dos poblaciones lognormales) parcialmente
superpuestas.
Fig. 24. Ejemplos de curvas de frecuencia relativa de múltiples (dos) poblaciones, la de baja ley (a la izquierda) es
la más frecuente. (a) Las poblaciones no están superpuestas. (b y c) las poblaciones están parcialmente solapadas
(mayor en b que en c). En (b) la población de alta ley tiene una dispersión (varianza) mayor que en (c).
100 s s
80
60
50
40
B
20
10
8,0
6,0
5,0
4,0
g/t
3,0
2,0
Fig. 25. Distribución de frecuencias relativas acumuladas de un
yacimiento de Au en grilla log-probabilística (escalas según uso 1,0 A
0,8
en Norteamérica). Los círculos negros son los valores de clase 0,6
0,5
(en g/t) sobre los que se ajustó manualmente una curva (línea 0,4
0,3
llena). El cambio de pendiente de dicha curva puede indicar la
0,2
presencia de dos poblaciones (líneas cortadas), una de baja ley
(A) y otra de alta ley (B) que se restringe a pequeños “clavos”
30,00
40,00
50,00
80,00
90,00
95,00
97,00
98,00
99,00
99,50
99,80
99,90
99,95
99,98
0,20
0,50
1,00
2,00
3,00
5,00
10,00
20,00
60,00
70,00
0,02
0,05
0,10
%
ANALISIS BIVARIABLE
Muchas veces resulta útil comparar dos distribuciones o dos variables entre sí de modo de obtener de
resultados adicionales para el conjunto de la investigación. El primer paso para efectuar las
comparaciones mencionadas, es asegurarse que cada una de las poblaciones a comparar tengan el mismo
tipo de distribución (normal o lognormal) y obtener los estadísticos básicos de cada una de ellas.
Posteriormente, al igual que en la estadística univarible, es conveniente representar gráficamente la
información mediante el “diagrama de dispersión” (scatterplot), una herramienta que permite visualizar
rápidamente el comportamiento conjunto de las dos variables. En estos diagramas los datos formarán una
“nube de puntos” más o menos dispersa; cuanto más dispersa, menor será la interdependencia
(correlación); además su pendiente respecto las coordenadas dará una idea del signo (+ ó -) de la
correlación (Fig.26)
y y y
r~1 r ~ -1 r~0
x x x
Fig. 26: Esquema de diagramas de dispersión (scatterplots). Puede apreciarse visualmente el distinto grado de
correlación y signo.
El grado de relación entre dos variables, además, se determina numéricamente por la covarianza (Cx,y)
y por el coeficiente de correlación (r), que tienen las siguientes ecuaciones:
n
Covarianza: C x , y = 1 / n ∑ ( x − m ).( y
i =1
i x i − my )
n
1 / n∑ ( xi − mx ).( yi − m y )
Coeficiente de correlación (de Pearson): r = i =1
s x .s y
Donde: xi e yi son los valores de las variables; mx y my son las medias de las variables x e y; sx y sy son los
desvíos estándar de esas variables.
Puede verse que el coeficiente de correlación es la covarianza dividida por el producto de los desvíos
estándar; este cociente tiene el efecto de hacer que el coeficiente de correlación varíe entre +1 y –1 e
indica el grado de correlación lineal entre las variables.
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 21
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
El valor del coeficiente de correlación tendrá un nivel de significación (para distintos límites de
confianza) que dependerá del número de pares de datos considerados. Estos valores se han tabulado y
publicado en varios textos de estadística. Por debajo del nivel las variables son independientes entre sí.
El mejor ajuste de la “nube de puntos” a una recta se establece con la recta de regresión que permite
predecir los valores de una variable respecto a otra (análisis de regresión). La recta de regresión (lineal)
es:
sy
Ecuación de la recta: y = a.x + b ; donde a = r y b = m y − a.mx
sx
50 50
Fig. 27. Gráficos de dispersión. En el de la derecha debe
x x
revisarse si se trata de un error
500
1000
1500
500
1000
1500
Con el objeto de asegurar la calidad del muestreo es necesario tomar muestras duplicadas en forma
sistemática (ver Procedimientos de Aseguramiento y Control de Calidad en apunte: Actividades en la
Exploración minera). Es de esperar que la muestra duplicada tenga el mismo valor que la original; sin
embargo a causa de la variabilidad natural o técnica suele haber discrepancias. La figura 28 ilustra los
resultados de análisis químicos (Au y Ag) de muestras originales y duplicadas de testigos de perforación.
Los resultados son comparados en gráficos de dispersión (también se muestra la recta de regresión y el
coeficiente de determinación R2).
Au g/t Ag g/t
5
25
4,5 y = 0,9738x - 0,0005
y = 0,8763x + 0,2643
4 R2 = 0,9905
20 R2 = 0,8927
3,5
duplicado
3
duplicado
15
2,5
2
10
1,5
1
5
0,5
0
0
0 1 2 3 4 5
0 5 10 15 20 25
original original
Fig. 28. Gráficos de dispersión de resultados de muestras originales y duplicadas, recta de regresión (línea
continua) y ecuación de regresión. Los resultados no se ajustan exactamente a la recta que indica concentraciones
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 22
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
idénticas (línea punteada con origen en 0,0 y pendiente igual a 1= 45º), pero poseen altos coeficientes de
correlación: rAu= 0,995; rAg= 0,945 (raíz cuadrada de R2). En principio estos resultados parecen aceptables; los de
Au están más cerca de la línea de 45º (x=y) que los de Ag y esto puede deberse a que se analizó mediante el método
“Au a fuego” (“fire-assay”) que es más preciso que el utilizado para Ag.
Si bien hay diversas estrategias estadísticas para el tratamiento de muestras duplicadas (por ejemplo
análisis de la varianza: ANOVA) Thompson y Howarth (1978) propusieron un método para estimar la
precisión analítica, en el que utilizan promedios de las 0,2
0 0,5 1 1,5 2
Fig. 29. Recta de regresión media de duplicados
Esta recta de regresión es la base para calcular la precisión como: Precisión %= 200
[(Ds/concentración) + K]. Un ejemplo de los resultados para duplicados de distintos tipos de perforación,
se muestra en la figura 30 (en este caso, la precisión disminuye de 0 a 100%)
Los controles de calidad de los análisis químicos deben realizarse con frecuencia y sistemáticamente.
El procedimiento normal es, a partir de muestras debidamente homogeneizadas, tomar submuestras que
serán analizadas en el laboratorio de la mina (o al que rutinariamente envía las muestras) y en otro u otros
laboratorios calificados. Si el laboratorio de la mina funciona bien, en un gráfico de dispersión los
resultados se ajustarán a la línea de 45º (x=y) con una cierta dispersión debido a la variabilidad natural y
técnica (Fig. 31, caso A), y tendrán un alto coeficiente de correlación. Con los gráficos de dispersión
también puede detectarse algún error (Fig. 31, caso B): aunque el coeficiente de correlación también es
alto, la recta de regresión está por encima de la línea de 45º y se aparta más en los valores altos; esto
significa que el laboratorio de la mina registra valores más elevados que el de control; esto tendrá gran
influencia en las leyes de producción (la estimación dará leyes más altas que las reales). A diferencia del
caso anterior donde el error es aleatorio, este es un error sistemático y deberá calibrarse el instrumental
y/o comprobarse los patrones de referencia.
% Zn (A) % Zn (B)
13 13
12 y = 0,9984x + 0,0972 12 y = 1,1102x - 0,4206
2 2
11 R = 0,9624 11 R = 0,9694
10 10
LabMina
LabMina
9 9
8 8
7 7
6 6
5 5
4 4
4 6 8 10 12 14 4 6 8 10 12 14
LabControl LabControl
Fig. 31. Gráficos de dispersión de muestras de distintos laboratorios. Línea de 45º (x=y) cortada y recta de
regresión continua. El caso (B) registra un error sistemático.
Wellmer (1998) empleó un gráfico (Fig. 32) para evaluar las diferencias entre los resultados de
distintos laboratorios. Se basa en el factor “t de Student” 10 Factores t de Student para diferentes niveles de significación
y el número de pares de muestras. Si dicho factor cae
debajo del nivel de significación, las diferencias entre 6
2
Si= 5%= probablemente
significativo
Fig. 32. Factor “t de Student” para 3 niveles de significación
1
1 2 4 6 10 20 40 60 100
Número de pares (n)
También puede emplearse el análisis bivariable para predecir el valor de una variable a partir de otra
que tal vez es más fácil de obtener (o menos costosa). La figura 33 ilustra un gráfico de dispersión de
mediciones instrumentales de radioactividad (ra) contra los resultados químicos de las mismas muestras
(n= 37). Las mediciones de radioactividad son de menor costo, más fáciles y rápidas de obtener que los
resultados de laboratorio. La recta de regresión obtenida es: y= 1,178.ra + 0,177. Suponiendo que esta
recta está adecuadamente calibrada y probada, es decir es
radioactividad/ley
suficientemente confiable, puede obtenerse la ley de U3O8 a 4,5
y = 1,178x + 0,1769
partir de los valores de radioactividad empleando esa 4
R = 0,9497 2
3,5
ecuación de la recta. Por ejemplo: 3
% U3O8
1
0,5
0
0 0,5 1 1,5 2 2,5 3 3,5
ra
Fig. 33. Gráfico de dispersión radioactividad/tenor
las leyes predichas por las muestras para los bloques de explotación (aún corrigiendo valores
excepcionales y aplicando la dilución) no son iguales a las que resultan de la planta de tratamiento
(corregidas por pérdidas). Por ejemplo: si a la planta de tratamiento entra un bloque de 3000 t con ley
media (definida por perforaciones) de 1% Cu y la planta tiene una recuperación del 90%, deberían
obtenerse 27 t de Cu metal (en el concentrado). Sin embargo se registran notables diferencias (positivas y
negativas) entre lo que realmente se obtiene respecto a lo que debería obtenerse de acuerdo a la ley
definida por perforaciones.
El análisis pionero realizado por Daniel Krige a principios de los ’60 en minas de oro de Sudáfrica
(Witwatersrand) demostró estas diferencias (Fig. 34). Allí se comparan las leyes determinadas por las
muestras incluidas en cada bloque con las que resultaron del tratamiento de cada bloque. El ajuste de
estos datos comparativos se logra con la “línea de comparación volumen-varianza” que tiene una
pendiente menor a la línea de 45º, que resultaría si las leyes de muestras son exactamente iguales a las de
bloques.
Fila 5 De: Krige (1962)
7 7
6
4 4
1 1
9
8
1 1 1 1
4
Ley de bloques mineros
1
7 V’
2 3
14
1 3 3 1
3
6
29 31
1 1 4 7 7 6 4 1
1
5
1 4 6 7 7 4 1
4
4
13
V 1 3 3 3 2 1
Columna 8
1
Distribución
Columna 4
3
1 1 1 1
4
1
2
total
1 2 3 4 5 6 7 8 9 10 11 12
Ley de Muestras
KL es la línea 4 4
9 9
Comparación 15 15
varianza-volumen 20 20
(Línea V V C) Distribución
total
Fig. 34. Gráfico histórico de Krige. Línea de Comparación Volumen-Varianza (KL) de las leyes obtenidas por el
muestreo y las leyes “verdaderas” de los bloques. La línea punteada es de la de 45°.
14
12
línea CVV
mb.ley alta 10
mb 8
El “efecto soporte” tiene esas consecuencias. Las muestras de pequeño volumen (muestras) con
respecto al que se estima (bloque) producen: a) para las leyes bajas –en promedio- una sub-valoración de
las leyes “verdaderas” y, b) para las leyes altas –en promedio- una sobre-valoración.
Esto no es un problema de muestreo (se asume que el procedimiento fue el adecuado, así como los
controles de pérdidas de la planta de tratamiento) sino que se debe a la variabilidad natural de la
mineralización y al efecto soporte. Como se ha desarrollado
previamente (ver Fig. 13) cuanto mayor es el soporte de la muestra
Frecuencia %
menor será la varianza, por lo tanto la curva de distribución de
frecuencias para muestras pequeñas (como testigos de perforación)
será más amplia que la de los bloques aunque la ley media será la
misma, como se ilustra en la figura 36. Ley por
perforaciones
mi<mp mp mi>mp
Frecuencia %
Fig. 36. Ley media total estimada por muestras de perforaciones (mp) y
por bloques (mb). Leyes medias de las subpoblaciones de ley inferior
(mimp) y superior (msmp) a la ley media de perforaciones y de la
subpoblaciones de ley inferior (mimb) y superior (msmb) a la ley media de Ley de bloques
bloques. mi<mb
mb
ms>mb
Por este motivo si en cada distribución se calcula separadamente el promedio del conjunto de valores
menores y mayores a la media total, puede verse en la Fig. 35 que en las muestras de mayor soporte
(bloques) esas leyes medias tienden a acercarse a la media total, entonces los bloques de ley inferior a la
media total (<mb) tendrán en promedio una la ley (mimb) mayor que las estimadas a partir de perforaciones
(mimp); en tanto que los bloques de ley superior a la media total (>mb) tendrán una ley (msmb) menor a las
estimadas por perforaciones (msmp).
Uno de los principales problemas del efecto
°
45
de
n
SECTOR DE sió
Ley real de
Vo
determinada ley ya que genera el llamado “error
de clasificación” (Fig. 37). m y
2 1 SECTOR DE
SOBRESTIMACIÓN
Fig. 37. Diagrama de dispersión de la ley de bloques
que resulta de las muestras dentro de cada bloque LC
contra la ley real de los bloques conforme a la planta 3 4
de tratamiento (la elipse envuelve todos los pares de
valores). Se muestra la línea de comparación
Volumen-Varianza, la línea de 45º y los bloques mal Ley de bloque
clasificados (2) y (4) de acuerdo a una ley estipulada mx asignada por muestras
LC
(LC).
En la figura 37 se muestra que la ley media del depósito estimada a partir de las muestras (mx) y de las
leyes reales de los bloques (my) son iguales y corresponden al valor donde la “línea volumen-varianza”
corta la línea de 45º. Los bloques son clasificados como mena cuando superan una determinada ley LC
(esta puede ser la “ley de corte”: se explicará en otras clases) y como estéril cuando son iguales o
inferiores a esa ley. En la figura del ejemplo puede verse que de acuerdo a la ley, los bloques de los
campos 1 (mineral) y 3 (estéril) están bien clasificados. Pero cuando analizamos los bloques de los
campos 2 y 4 vemos que hay un error de clasificación. Ese error será más grave cuanto mayor sea LC.
Otro aspecto que surge del ejemplo de la figura 37, es que para los bloques de alta ley (p.ej. mayores a
la ley media del depósito) las leyes de los bloques de mena serán, en promedio, menores a las esperadas y
esto tendrá gran influencia en el cálculo económico y productividad del depósito.
Apuntes didácticos: Aplicaciones estadísticas en la exploración minera 26
Raúl Fernández GEOLOGÍA DE MINAS FCNyM-UNLP
Bibliografía citada
Aitchison, J. y Brown, J.A.C. (1969). The lognormal distribution. Cambridge University Press. London, 176 pp.
Alperín, M. (2013). Introducción al análisis estadístico de datos geológicos. Edulp. Universidad Nacional de La Plata.
ISBN 978-950-34-1029-5.
Davis, J.C. (1986). Statistics and data analysis in geology. John Wiley and Sons. New York, 646 pp
Hazen. S.W. (1968). Ore Reserve calculations. In: Ore Reserve Estimation and Grade Control. Canadian Institute of
Mining and Metallurgy. Special vol. 9: 11-32.
Koch, G.S. y Link, R.F. (1980). Statistical analysis of geological data. John Wiley and Sons, New York 1ª edición: I
(1970): 375 pp y II (1971): 438 pp. Ediciones en un solo tomo: 1980 y 1986, Dover Publications, New York.
Krumbein, W.C. y Graybill, F. (1965). An introduction to statistical models in geology. McGraw-Hill Book Co., New
York, 475 pp.
Merodio, J.C. (1985). Métodos estadísticos en geología. Asociación Geológica Argentina, Serie B Didáctica y
Complementaria Nº 13. 230 pp.
Sinclair, A.J. y Blackwell, G.H. (2010). Applied Mineral Inventory Estimation. Cambridge University Press (2ª
edición), 381 pp.
Thompson, M. y Howart, R.J. (1978) A new approach to the estimation of analytical precision. Journal of
Geochemical Exploration, 9: 23-30.
Wellmer, F.-W. (1998). Statistical evaluations in exploration for Mineral Deposits. Springer, Berlin Heidelberg, 379
pp.
Anexos ( a continuación)
Anexo 1
Grilla aritmético-probabilística. Disposición de los ejes según uso europeo
%
99,5
99
98
97
96
95
90
84
80
70
60
50
40
30
20
16
10
5
4
3
2
1
0,5
Anexo 1
Grilla log-probabilística. Disposición de ejes según uso en América del Norte
3s 3s
2s 2s
s s
0,02
0,05
0,10
0,20
0,50
1,00
2,00
3,00
5,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
95,00
97,00
98,00
99,00
99,50
99,80
99,90
99,95
99,98
%
Anexo 1
Grilla log-probabilística (Krige, 1978). Disposición de los ejes según uso europeo.
0,05
0,10
0,15
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
1,25
1,50
1,75
2,00
2,25
2,50
%
99,5
99
98
97
96
95
90
80
d ia
70 me
60
mediana
40
30
20
da
mo
10
5
4
3
2
0,5
1
10
20
40
60
80
100
200
300
400
500
600
800
1000
2000
4000
6000
3
5
6
Anexo 2
Estimador t-Sichel: V= varianza de los valores logarítmicos. n= número de muestras