Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Guía de Geoestadística para Minería
Guía de Geoestadística para Minería
LUIS ARAYA
Esta técnica es la más importante y de las más costosas del proceso exploratorio. Se
inicia con una campaña de perforación con mallado que va aumentando la densidad a medida
que mejora la perspectiva económica del proyecto minero.
El procedimiento anterior es bastante costoso y lento, por eso son más utilizados los
métodos en donde se tritura la roca con la broca, ya sea por el método de roto-percusión o por
el de rotación. El material triturado o detritus es arrastrado por suspensión con el fluido de
circulación y se recolecta en la superficie. En la exploración minera este fluido, generalmente,
es aire comprimido del compresor. El método de la circulación del fluido puede ser directo o
inverso. En la primera, el fluido baja por el interior de la sarta y asciende por el anular; y en la
segunda, el fluido ingresa por el anular y sube por el interior de la sarta, presentado un sistema
más sofisticado en cuanto a la tecnología de la sarta (figura 1).
1
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Figura 1 Perforación circulación inversa para la toma de muestras del subsuelo. Tomado
de CGS (2011).
Para el muestreo, se perfora todo el intervalo definido, que puede ser en las minas de
hierro de 1 a 5 metros, dependiendo de la heterogeneidad de la roca. El detritus recolectado se
homogeneíza y se cuartea hasta obtener muestras representativas de la roca para ese intervalo
de aproximadamente de 25 kg.
En el laboratorio las muestras se preparan para realizar los análisis químicos, físicos,
mineralógicos y petrológicos. La característica física principal es la densidad de la roca. En
cuanto a la mineralogía se determina el tipo de mineral de hierro, hematita, martita, goetita,
magnetita, y otros minerales correspondientes a la ganga. El análisis petrológico determina los
tipos de materiales rocosos predominantes, tales como costras, finos negros, finos marrones,
etc. Las características químicas a determinar corresponde principalmente a los contenidos de
hierro (Fe), agua cristalizada de la muestra expresada como pérdida por calcinación (PPC),
manganeso (Mn), titanio (Ti) y los contaminantes fósforo (P) y alúmina (Al2O3); todos estos
expresados en porcentaje de peso del soluto sobre peso total, % (p/p).
2
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
superficie
Costra
-3 mts
Costra
-6 mts
Finos
Marrones subsuelo
-9 mts
Finos
Marrones
-12 mts
Finos
Marrones
-15 mts
Finos
Marrones
-18 mts
Finos
Marrones
-21 mts
Finos
Negros
-24 mts
Finos
Negros
-27 mts
Finos
Negros
-30 mts
Finos
Negros
-33 mts
3
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Medidas descriptivas.
Es usual obtener las medidas de centro y localización, variación y simetría del conjunto
de todos los datos.
Entre las medidas de centro y localización, se tienen como los más importantes: la
media aritmética, el cual corresponde al valor promedio de los todos los datos; la moda, que es
el valor más frecuente; y la mediana, que es el valor que representa la posición central del
conjunto de datos ordenados en orden creciente. Estas medidas permiten obtener valores
representativos del conjunto de los datos al tomarse la centralización como eje de
4
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
5
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
X
insesgado
X
Sesgo positivo
X
Sesgo negativo
Con respecto al análisis entre las relaciones entre dos grupos de valores o variables
medidas sobre la misma muestra (par(x,y)), el coeficiente de correlación lineal, xy, es una
herramienta poderosa para determinar el grado de dependencia entre las dos variables. Para
obtener este coeficiente se debe primero calcular la covarianza entre los dos grupos de valores,
Sxy, este resultado se divide entre el producto de las varianzas de estos dos grupos
El valor del coeficiente de correlación entre dos variables puede estar entre el intervalo
{-1,1}, si el coeficiente tiende a -1, existe una fuerte dependencia lineal negativa entre las dos
variables, es decir su relación es inversamente proporcional; si el coeficiente tiende a 1,
entonces hay una fuerte dependencia positiva, directamente proporcional. Si el valor de
correlación tiende a cero, tanto por el lado negativo como en el positivo, entonces las dos
variables presentan una débil o ninguna relación entre ellas, por lo tanto pueden considerarse
ambas pueden considerarse independientes entre sí.
6
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Herramientas gráficas.
(2.2)
(2.3)
Siendo:
n: número de observaciones de x.
7
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
La caja se dibuja a escala con los datos obtenidos de los cuartiles, quedando una caja
con dos bisagras extremas que corresponde al cuartil 1 y al cuartil 3, y una línea interna que
corresponde al cuartil 2 o mediana. Los bigotes corresponden a la longitud del rango
intercuartílico (Q3-Q1) multiplicado por 1,5 (Figura 4).
Figura 4. Elementos del diagrama de caja y bigotes. Tomado de Vilar (2005: 189)
Otra de las herramientas muy útiles es el diagrama de dispersión, el cual permite que se
observe gráficamente el comportamiento de datos bivariantes, pudiéndose observar una nube
de puntos que supone el grado de correlación que presentan. Se representan en un plano
8
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
3. Variables aleatorias.
Las variables aleatorias (v.a.) pertenecen a los números reales y sus valores son
equivalentes a los posibles resultados que puedan ocurrir en un experimento aleatorio, en el
cual no hay forma de que se pueda determinar cuál va a ser el resultado de un acontecimiento
o evento por ocurrir, pero si se puede establecer ciertas probabilidades de ocurrencia. Las
variables aleatorias deben ser analizadas mediante los modelos estocásticos. El conjunto de los
posibles resultados establecidos por las variables aleatorias presentan una tendencia que podría
decirse es parte del "capricho" del azar, que permite establecer los criterios del
comportamiento probabilístico, de forma tal, que unos resultados pueden ser más probables
que otros, se puede determinar que ciertos resultados no ocurrirán nunca (probabilidad igual a
0) o son muy poco probables que ocurran, así como otros, que son altamente probables que
ocurran. Estos comportamientos o distribuciones probabilísticas son funciones matemáticas
bajo ciertas condiciones. Si la variable es discreta, la distribución se llama función de
probabilidad (fp) y si es continua se denomina función de densidad de probabilidad (fdp)
(figura 5).
f(x) f(x)
P(xi)
P(A)
xi a b
9
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
En la tabla 1 se presentan las condiciones para que una función f(x) pueda considerarse
una fp o fdp
Distribución Normal.
10
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
por presentar una campana mesocúrtica y por que la curva de la función es asintótica en ambos
extremos, también es válida denominarla distribución gaussiana o campana de Gauss.
1 x 2
1 2 2
f(x) e ; -<x<+
2
2
Siendo:
= E(X)
2 = V(X).
11
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Distribución Lognormal.
Siendo:
,y
Donde - , y
Distribución Lognormal
0.5
0.4
0.3
f(x)
0.2
0.1
0.0
0 2 4 6 8 10 12
12
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Distribución Binomial
Siendo:
,y
Donde - , y
13
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
se pueden generar modelos aleatorios que modelan esta relación usando estimaciones de
verosimilitud. Entre estos modelos, los más extensivamente usados son los modelos lineales
generalizados, que actúan sólo en las familias exponenciales de distribución, entre las cuales,
las que interesan en este trabajo, se tienen la función de probabilidad binomial y la función de
densidad de probabilidad normal.
El modelo lineal obtenido presenta residuos, que corresponde a la diferencia entre los
valores de respuestas observados y los esperados. Estos pueden ser analizados para verificar
la adecuación del modelo mediante gráficas y análisis estadísticos.
14
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
El tipo de litología es otra propiedad que puede relacionarse con las propiedades
químicas de la mena, pueden actuar como variables categóricas que clasifican diferentes clases
de modelos lineales normales.
Por otro lado, la litología puede transformarse en variables indicadoras con valores
binarios de 0 y 1, suponiendo una distribución Bin(1, , podría relacionarse con una dosis
correspondiente a las propiedades química, en este caso, el modelo tiene la siguiente forma y
se denomina modelo lineal logístico (Dobson, 2002: 54):
Donde:
15
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Se puede formular de forma general los modelos lineales con efectos mixto a través de
esta ecuación matricial simplificada tomada de Bivand et al (2008: 287):
En donde representa los efectos aleatorios y se supone que es Normal con media 0 y
matriz de covarianza , mientras que es la matriz que diseña la estructura aleatoria,
representa a las variables de respuestas, son los coeficientes o efectos fijos, es la matriz
que diseña los efectos fijos, y representa a la variable aleatoria que provienen de los errores
del modelo, el cual es Normal con media cero y covarianza , siendo además independiente
de los efectos aleatorios.
Para el caso del comportamiento de las propiedades del mineral de hierro, éstas se
podrían modelar tomando en cuenta el efecto aleatorio que produce los diferentes grupos
litológicos, y desde un criterio temporal, las diferentes campañas podrían también influenciar
aleatoriamente. En los comportamientos de las propiedades minerales, la estructura espacial es
una de las más importantes y frecuentes para establecerlas en los efectos aleatorios del modelo
de regresión lineal mixto.
6. Variables regionalizadas.
Una variable regionalizada Z(x) se puede definir como una variable perteneciente al
campo aleatorio cuyos valores actúan en función de x, el cual pertenece a un dominio o región
16
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Según Matheron (2005a: 7), las variables regionalizadas presentan dos aspectos
contradictorios (o complementarios): un aspecto aleatorio (alta irregularidad, y variaciones
imprevisibles de un punto a otro) y un aspecto estructurado (esta debe presentar de alguna
forma las características estructurales del fenómeno regionalizado). En este mismo sentido,
deduciendo una interpretación dada por Cressie y Wikle (2011: 122) se establece la siguiente
definición de una variable aleatoria:
17
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
18
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
19
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Estacionariedad estricta.
Estacionariedad de orden 2.
E[Z(x+h)] = E[Z(x)] = m
(2.1)
20
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
(2.2)
(2.4)
21
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
(2.5)
Por lo que:
(2.6)
(2.7)
Efecto pepita
Cressie y Wikle (2011: 6 y 121) indican con relación a los procesos espaciales, que
existe un componente de variabilidad no resuelta, uno es producto de la incertidumbre que
generan los errores presentes en los datos relacionados con las mediciones, y otro por el
desconocimiento del proceso del fenómeno espacial en sí a una pequeña escala. En la
literatura geoestadística esta se manifiesta en una discontinuidad del variograma en el origen
llamado efecto pepita o "nugget" (Journel y Huijbregts, 1978: 39).
(2.8)
22
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
lo tanto, existe una varianza inicial por la variabilidad que ocasiona el desconocimiento del
fenómeno espacial cuando la separación entre pares tiende a cero:
(2.9)
Lo que implica lo siguiente, como la variable regionalizada Z(x) presenta dos aspectos
uno estructurado espacial y otro aleatorio, entonces su varianza microescalar se define como:
(2.10
)
Lo cual ocurre de igual forma al suponer la hipótesis intrínseca:
(2.11
Según Chica (1987, 2005), el gráfico de la función variograma (h) representa una
herramienta muy importante en los estudios geoestadísticos, ya que de él se puede obtener
información correspondiente al comportamiento de las variables regionalizadas lo que permite
describir su estructura de variación espacial; resumiéndolos en el comportamiento del
variograma cerca del origen (distancia h a pequeña escala), las anisotropías, la zona de
influencia espacial y los comportamientos particulares.
23
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Parabólico Lineal
Figura 10 Diferentes comportamientos del variograma cerca del origen. Figuras tomadas
de Estimación de recursos mineros de Marco Alfaro (2007: 39,40,41,44)
24
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
(2.12)
25
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
26
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
La influencia del punto z(x) en la vecindad puede cambiar según la dirección; se habla
de área de influencia en el espacio bidimensional, y de volumen de influencia en el espacio
tridimensional. En la anterior figura 13 se presenta el caso bidimensional, la anisotropía
geométrica imperante forma como área de influencia una elipse, se presentan dos direcciones,
la de mayor longitud es el alcance o rango principal (a1), y el de menor longitud, el rango
secundario (a2).
27
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
(2.13)
Siendo:
xi: las localizaciones de las muestras.
z(xi) y z(xi+h): valores pares de las muestras.
Nh: número de pares para una distancia h y dirección de buzamiento .
28
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
0 si | h | 0
(h) (2.14)
C si | h | 0
29
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
3 | h | 1 | h |3
C si | h | a
2 a 2 3
a (2.15)
(h)
C si | h | a
Modelo Exponencial: este modelo a diferencia del esférico crece inicialmente más
rápido y después se estabiliza de forma asintótica. El valor del rango o alcance práctico en este
modelo es 3a y se obtiene cuando se interceptan este valor límite con el 95% del valor de C.
Al igual que el esférico a poca distancia el comportamiento es lineal. (Figura 2.16(B))
(Armstrong, 1998: 37).
| h |2
( h ) C 1 exp (2.17)
a 2
Modelo con función potencia: No tiene meseta. La potencia es mayor que 0 y menor o
igual a 2, cuando es 1 el modelo es lineal, el cual puede ajustarse a pequeñas distancias al
modelo esférico o al exponencial (Figura 2.16 (D)) (Armstrong, 1998: 37-38).
( h ) C | h |α ; 0α2 (2.18)
30
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Modelo seno cardinal: Es un caso especial de los modelos con ondas para tres
dimensiones. Corresponde a estructuras muy continuas (Figura 2.16(E)) (Armstrong, 1998:
39).
sen r (2.19)
( h ) C 1
r
La curva obtenida con los variogramas empíricos calculados con los valores muestrales
puede observarse fácilmente la tendencia espacial en los primeros metros del eje de los h, a
medida que la separación h aumenta la curva se vuelve más inestable, ya que el efecto
aleatorio empieza a prevalecer sobre el efecto espacial, hasta que a una gran distancia no se
observa ninguna tendencia y sólo existe el componente aleatorio.
En este sentido, para realizar el ajuste del modelo teórico, Alfaro (2007: 74)
recomienda que el variograma teórico deba respetar al variograma experimental, sobre todo en
los primeros puntos, debido a que esta parte del variograma los valores obtenidos con la
ecuación que son más confiables (figura 17).
31
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
7. Kriging.
32
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
presentan incertidumbres, sus resultados son estimaciones con grado de confianza que
depende del proceso mismo del muestreo, de la preparación de la muestra, de la técnica de
laboratorio aplicada y de la experiencia y pericia del analista, es decir, estos resultados se
obtienen de un proceso aleatorio. En la figura 18 se observan puntos desconocidos en un
espacio bidimensional rodeados de puntos con valores conocidos producto de un muestreo y
posterior medición, utilizando estas informaciones se puede construir un modelo que permita
estimar el valor verdadero de los puntos desconocidos.
Entre las técnicas de estimación geoestadísticas se tiene el kriging, en el que cada dato
que integra el modelo tiene una ubicación x y, que en el caso de la geoestadística minera,
representa en un espacio del yacimiento sus características, ya sean químicas, físicas o
geológicas. Los valores generados por el modelo presentan incertidumbres, cuyo grado
dependerá, entre otros, del número de datos muestrales y de la cercanía de estos con la
33
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
localización que se desea estimar, del espacio que representa el valor estimado en el
yacimiento (soporte) y de la técnica estadística aplicada para la estimación. En este sentido el
método geoestadístico kriging es uno de los más utilizados y se describe como una ecuación
estimación de regresión lineal en cuya ponderación utiliza la información que dan los
variogramas o la covarianza espacial como forma de incluir la variabilidad del
comportamiento espacial en el punto donde se desea estimar el valor. Los valores de
variograma o covarianza espacial que se requieren para el kriging provienen de la solución de
las ecuaciones teóricas logradas al ajustarse el variograma o covarianza teórica con el
experimental. Entre los diversos métodos de kriging se tienen el simple, ordinario, universal,
bloque, con tendencia, co-kriging, indicador, entre otros. Estos métodos buscan obtener un
promedio ponderado de los valores muestrales que se encuentran en el radio de influencia de
la variable con la menor varianza posible y de manera que sea insesgado.
Cada punto x cuyo valor Z(x) se estima con kriging representa a una zona de estudio a
la que se le llama soporte, pues es, en realidad, el valor promedio de la zona y no el valor
puntual en esa localización. Si esta región corresponde, por ejemplo a un volumen V del
espacio tridimensional, valor a ser estimado de sería:
El soporte debe ser igual para toda la región donde se va a aplicar el modelo. Así el
modelo considera un conjunto de rejillas o bloques que abarca toda la región de interés. En el
sistema de coordenadas tridimensional el bloque es un prisma rectangular y su punto
representativo es el centroide (Figura 19).
34
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
35
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Para estimar el valor desconocido del bloque V, , se deben seleccionar los valores de
Z(x) conocidos (datos muestrales) que sean vecinos y aplicar la siguiente ecuación
(Armstrong, 1998; Deutsch y Journel, 1998):
(2.20)
Siendo:
Para obtener el factor de peso para todas posiciones de los valores conocidos se
resuelve una ecuación matricial que utilizan las covarianzas de los modelos teóricos ajustados,
una matriz (n x n) de covarianzas de la ecuación corresponde a la relación entre los n datos de
muestras disponibles para el bloque V a estimar, y un vector de covarianzas (n) que
corresponde a la relación entre cada uno de estos datos conocidos y el bloque V, siendo v el
punto central soporte del bloque. De acuerdo a Journel y Huijbregths (1978: 307), Christakos
(1992: 351), Isak y Srivastava (1989), Rondón (s.f.), se presenta la siguiente ecuación
matricial del kriging simple:
36
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Que corresponde a:
(2.21)
En donde:
Para estimar el valor desconocido del bloque V, se deben seleccionar los valores de
Z(x) conocidos (datos muestrales) que sean vecinos dentro de la zona de influencia, y aplicar
la siguiente ecuación (Armstrong, 1998: 86; Deutsch y Journel, 1998: 65):
(2.23)
37
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Siendo:
38
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Que corresponde a:
(2.24)
(2.25)
Este método se aplica para valores indicadores I siendo estos de comportamiento tipo
Bernoulli. Se obtiene transformando la variable regionalizada Z(x) en I(x). Si Z(x) es continua
39
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
entonces la variable I(x) se condiciona a un corte previo o umbral (Deutsch y Journel, 1998:
11; Glacken y Blackney, 1998: 27; Chilès y Delfiner, 1999:100):
Por ejemplo, en el caso de las menas ferríferas, el tipo de mena equivale a un número
discreto, si en un punto x la mena es costra, Z(x) = 1, si es fino negro, Z(x) = 2, si es fino
marrón, Z(x) = 3, etc. Si se toma como valor de criterio , entonces, si en el punto x hay
finos negros, I(x) = 1, si hay costras o finos marrones, I(x) = 0.
y en el caso de que la variable Z(x) sea categórica, el resultado que se obtiene es la estimación
de la probabilidad de que Z(x) sea igual a z:
40
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
(2.26)
(2.27)
Bajo la condición:
Los modelos matemáticos probabilísticos obtenidos con cualquier método, por muy
potentes que sean, nunca logran eliminar la incertidumbre que se tiene sobre el fenómeno
estimado. La validación en este trabajo se considera tanto para comprobar la existencia del
comportamiento espacial en sí, utilizando el Índice Moran, y de la validez de la estimación
kriging, utilizando la validación cruzada.
41
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
(2.28)
42
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
El valor de I de Moran para la variable Z(x) se obtiene con la siguiente fórmula para
luego ser sometida a una prueba de hipótesis (Bivand et al):
(2.29)
Este valor de I de Moran también se puede aplicar para los residuos de la validación
del modelo espacial. En este caso, para variables regionalizadas, si el modelo fue calculado
considerando su aspecto espacial, el comportamiento de los residuos debe ser independiente, y
en el caso contrario, si no se tomó en cuenta su aspecto espacial, entonces los residuos estarían
condicionados espacialmente.
e Z *v Z v
43
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Con relación a las estimaciones obtenidas con kriging, si estos valores son insesgados,
entonces el valor promedio de los valores estimados y de los observados deberían ser iguales
(Hohn, 1999):
E( Z *v Z v ) 0
Una vez generados los errores empleando alguna técnica de estimación y validación, se
evalúa el comportamiento de los mismos a través de diversos estadísticos, tales como la
correlación lineal entre el valor verdadero y el estimado, media de los residuos, error absoluto
medio, error cuadrático medio, gráfico de residuos, curva cuantil cuantil normal, entre otras.
También es preciso comprobar la normalidad de la distribución de los errores, mediante
técnicas de bondad de ajuste o mediante técnicas gráficas.
k
1
ECM
n i 1
ei 2
Esta técnica permite la comparación entre los valores verdaderos o reales y los
estimados utilizando la información disponible de la base de datos muestral. Permite de forma
sencilla comparar las distribuciones de los errores o residuos de la estimación para los
diferentes procedimientos indicando cual alternativa es mejor.
44
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
45
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
REFERENCIAS
Alfaro, M. (2007). Estimación de recursos mineros. Santiago, Chile: curso del autor.124 pp.
Disponible en http://cg.ensmp.fr/bibliotheque/public/ALFARO_Cours_00606.pdf
[Consulta: 24/07/2013].
Ascanio T., Gustavo (1985). Yacimientos de Mineral de Hierro del Precámbrico de Venezuela
en Mendoza S., Vicente (1998). Geología y Depósitos Minerales del Escudo de
Guayana. Ciudad Bolívar, Venezuela: Universidad de Oriente.
Bivand, Roger, Pebesma, Edzer, Gómez-Rubio, Virgilio (2008). Applied spatial data analysis
with R. New York: Springer Science + Business Media, LLC. 390 pp.
Cardozo, José (1969). Anteproyecto de Explotación del Yacimiento de Mineral de Hierro del
Cerro San Joaquín. Tesis de grado. Universidad de Oriente, Ciudad Bolívar.
Christakos, George (1992). Random field models in Earth Sciences. Mineola, N.Y., U.S.A.:
Dover Publications, Inc. 501 pp.
Chica Olmo, Mario (2005). La geoestadística como herramienta de análisis espacial de datos
de inventario forestal. Cuadernos de la Sociedad Española de Ciencias Forestales, 19:
47-55. Disponible en http://dialnet.unirioja.es/descarga/articulo/2981942.pdf [Consulta:
26/07/2013].
CGS (2011). Sondeos mineros. Madrid: Compañía General de Ingeniería y Sondeos, S.A.
Reporte disponible en http://www.cgsingenieria.com/descargas/sondeos_mineros.pdf
[Consulta: 17/02/2013]
Cressie, Noel y Wikle, Christopher (2011). Statistics for spatio-temporal data. Hoboken, New
Jersey: Wiley Series in Probability and Statistics, Jhon Wiley & Sons, Inc. 624 pp.
Cordero, Víctor (1996). Estimación de las Reservas Geológicas y del Modelo del Yacimiento
del Cerro San Joaquín, mediante el Software GDM de C.V.G. F.M.O. Tesis de grado.
Universidad de Oriente, Ciudad Bolívar.
C.V.G. Ferrominera Orinoco, C.A. Informe interno del área de Geología, superintendencia de
Ingeniería de Minas. Ciudad Piar, Estado Bolívar, Venezuela.
46
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Deutsch, Clayton y Journel, André (1998). GLIB. New York, USA. Oxford University Press
Inc.
Dobson, Annette (2002). An introduction to generalized linear models. 2da edición. Boca
Raton, Florida, U.S.A.: Chapman & Hall/CRC texts is statistical science series.
Estaba, Héctor (1990). Anteproyecto de Explotación del Yacimiento de Mineral de Hierro del
Cerro San Joaquín. Universidad de Oriente. Ciudad Bolívar, Venezuela.
Ferenčić, Ante (1969). Geology of the San Isidro iron ore deposit, Venezuela. Mineralium
Deposita, Vol. 4, Nº 3, pp 283-297.
García, María, López, Susana, Montes, María, Xoán, Posua (2006). Contenidos relacionados
con la profesionalidad: Temas transversales de las ocupaciones. Vigo, España :
Ideaspropias Editorial, 240 pp.
Hohn, Michael (1999). Geostatistics and Petroleum Geology. Dordrecht, Holanda. Kluwer
Academic Publishers.
Ibañez, Berenice (1999). Manual para la Elaboración de Tesis. México DF, México. Editorial
Trillas.
Isak, Edward y Srivastava, Mohan (1989). An Introducción Applied Geostatistic. New York,
USA. Oxford University Press, Inc.
Journel, A. G. y Huijbregts, Ch. J. (1978). Mining Geostatistic. London: Academic Press INC
(LONDON) LTD.
47
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Lohr, Sh. (2000). Muestreo: Diseño y Análisis. México D.F.: International Thomson Editores.
Traducción de Palmas, V.
Ratti, Z. (2002).
Ruckmick, John (1963). The iron ores of Cerro Bolivar, Venezuela. Economic Geology,
Economic Geology, Vol. 58; Nº. 2; pp. 218-236.
Venables. W. N. y Ripley, B. D. (1994). Modern Applied Statistics with S-Plus. New York:
Springer-Verlag New York, Inc. 462 pp.
Vilar B., José F. (2005). Control estadístico de los procesos. Madrid: FC Editorial. 512 pp.
48
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
49