Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GLG - 935
1. Introducción.-
La necesidad de acudir a herramientas estadísticas para el análisis de datos en todas
las áreas del conocimiento, han hecho que aparezcan con el correr de los años nuevas
metodologías que, no obstante se centran en fundamentos probabilísticos comunes,
sin embargo son específicas para cada una de las diversas disciplinas del saber.
Tomó los trabajos de Sichel (1947; 1949) quien observó la naturaleza asimétrica de la
distribución del contenido de oro en las minas surafricanas, la equiparó a una
distribución de probabilidad lognormal y desarrolló las fórmulas básicas para esta
distribución. Ello permitió una primera estimación de las reservas, pero bajo el supuesto
de que las mediciones eran independientes, en clara contradicción con la experiencia
de que existen “zonas” más ricas que otras.
Los métodos clásicos o geométricos llamadas así porque han sido los tradicionalmente
usado y su cálculo supone, básicamente, estimaciones de tipo geométrico, pueden ser
a su vez de varios tipos como ser:
- Media aritmética
- Bloques geológicos
- Bloques de explotación
- Perfiles
- Polígonos
- Triángulos
- Isolineas
(a)
c)
(b) (d)
Fig. 1. a) polígonos en una grilla cuadrada uniforme. b) polígonos cuadrados y rectangulares en una grilla
no uniforme. c) polígonos definidos por bisectores perpendiculares. d) polígonos definidos por bisectores
angulares. e) triángulos. f) Método de secciones: la mena (gris) es delineada en perforaciones en cada
sección y se determina la ley promedio en cada sección; las secciones contiguas se interpolan.
✓ Bloques Fig. 2a
✓ Capas Fig. 2b
✓ Sólidos tridimensionales Fig. 2c
✓ Inverso de la distancia Fig. 2d
✓ Geoestadística Fig. 2e
1. Elaboración de la
base de datos
5. Modelo geológico
6. Modelo numérico
7. Estimación (Zs0)
Fig. 3. Esquema mostrando las etapas en el análisis y estimación de recursos minero con el método
geoestadístico.
Fig. 1 Ejemplo: Aplicación en la minería y Geología
Lc = ∑ Pi * Li / ∑ Pi
Tipos de regularización:
Parámetros estadísticos:
- Número de datos
- Medidas de tendencia central (media, moda y mediana).
- Medidas de dispersión (varianza, desviación estándar y rango).
- Medidas de forma (asimetría, coeficiente de variación y kurtosis).
LnZr
Intervalo de confianza de 95% para la media 5
1 2 3 4 5 6
3.5317 3.5827
Intervalo de confianza de 95% para la mediana
3.4275 3.4874
Intervalo de confianza de 95% para la desviación estándar
0.7113 0.7474 4
Media 3
4.0 4.5 5.0 5.5 6.0 6.5 7.0
LnSr
Mediana
Histograma de Au (gr/ton)
Normal
25
Media 13.61
Desv.Est. 3.286
N 72
20
Frecuencia
15
10
0
8 12 16 20 24
Au (gr/ton)
Se llama campo a la zona en la cual se estudia la variable regionalizada. Para definir bien
el campo (por ejemplo los límites) es necesario utilizar un modelo geológico adecuado,
por ejemplo: dos unidades geológicas: Unidad óxidos y unidad sulfuros. Fig. 7a.
Fig. 7 a) ejemplo de campo (unidad de oxidos y sulfuros) Fig. 7b) Ejemplo de soporte
Fig. 8. La V.R. Z(x) es una realización de una función aleatoria denotada Z(x)
1.4.3 Estacionariedad:
Se dice que una función aleatoria es estrictamente estacionaria, cuando su función
de distribución de probabilidad es invariante a cualquier traslación respecto a un
vector h, Fig. 9 a) y b). Dicho de otra forma, es cuando en un dominio la ley mineral
no varía por traslación. Es decir, la función de distribución del vector aleatorio
{Z(x_1), Z(x_2),…,Z(x_n)} es idéntica a la del vector {Z(x_1+h),
Z(x_2+h),…,Z(x_n+h)} para cualquier h.
a) b)
c) d)
1.5 Hipótesis Intrínseca: Los crecimientos de Z(x) son estacionarios, es decir que:
Z(x+h) - Z(X) es una función aleatoria estacionaria.
Una buena parte de las variables de características geológicas de una región o cuerpo
mineralizado, pueden ser descritas en forma aceptable por el variograma, ésta es la
herramienta básica y fundamental de la geoestadística, la que con un uso adecuado, nos
permitirá abordar el estudio de la distribución espacial de los datos y su interpretación y
relación con los datos geológicos conocidos.
Ejemplo Fig, 10
Fig. 12. Ejemplo de un variograma teórico y sus componentes principales de correlación espacial
(Fuente Curso de Geoestadística CAMIPER)
1.7.1 Definición.-
Ԑ(𝒁(𝒗) − 𝒁(𝑽) ) = 𝟎
𝟐
𝝈𝟐𝑬(𝒗, 𝑽) = [𝑬(𝒁(𝒗) − 𝒁(𝑽) )]
= 𝑽𝒂𝒓(𝒁(𝒗) − 𝒁(𝑽) )
𝟏
Donde: 𝑪𝒐𝒗(𝒛(𝒗) , 𝒛(𝑽) ) = ∫ ⅆ𝒙 ∫ 𝑲(𝒙 − ̅ (𝒗, 𝑽)
𝒚) ⅆ𝒙 = 𝑲
𝒗𝑽 𝒗
̅ (𝑣, 𝑉 )
𝐶𝑜𝑣(𝑧(𝑣) , 𝑧(𝑉 ) ) = 𝐾
De donde:
̅ (𝑣, 𝑉 ) + 𝐾
⇒ 𝜎𝐸2 (𝑣, 𝑉) = 𝐾 ̅ (𝑉, 𝑉 ) − 2 ̅
𝐾 (𝑣, 𝑉 )
⇒ 𝝈𝟐𝑬(𝒗, 𝑽) = 𝟐𝜸
̅(𝒗, 𝑽) −𝜸
̅(𝒗, 𝒗) − 𝜸
̅ (𝑽, 𝑽)
𝝈2𝑬 (𝒗, 𝑽): 𝑬𝒙𝒑𝒓𝒆𝒔𝒊ó𝒏 𝒒𝒖𝒆 𝒏𝒐𝒔 𝒑𝒆𝒓𝒎𝒊𝒕𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 ⅆ𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒄𝒊ó𝒏
• Sondeos
• Contactos entre distintas unidades.
• Límites entre zonas estériles y mineralizadas.
• Estructuras geológicas. (fallas, diques. Etc)
• Topografía y otros detalles
Es el volumen mínimo de los bloques que se puede utilizar para seleccionar el mineral
del estéril y dependen de: equipo para explotar, estudio de factibilidad, modelo del
yacimiento que involucran su ley, densidad, dureza, recuperación, etc. Fig. 14.
1.10.- Kriging.-
El Kriging es un término que ha sido acuñado para designar al “mejor estimador lineal
insesgado” (BLUE, en inglés).
Estimador : → Z0*
• Insesgado: → E [ Z0* ] = E [ Z0 ]