Universidad Nacional de Catamarca

Facultad de Tecnología y Cs. Aplicadas

Cátedra de Planificación de Minas

APLICACION DEL ANALISIS ESTADISTISTICO

Y PROBABILISTICO

Ing. Ramón Martinez - Profesor Adjunto

Ing. Daniel Moreno – Jefe de T. P.

Año 2021
CURSO: PROCESO DE PLANIFICACION DE UNA MINA A CIELO ABIERTO ING. RAMON MARTINEZ
ESTADISTICA - GENERALIDADES
 Estadística Descriptiva:

 Se ocupa del estudio de datos, los cuales se disponen en la forma más conveniente para
su análisis.

 Teoría de Probabilidades:

 Se ocupa del estudio de un modelo matemático, que formaliza ciertos elementos de

regularidad que sugieren leyes, axiomas lógicos y teoremas.

 Inferencia Estadística:

 Se ocupa de las relaciones entre el modelo matemático y la práctica, constituyendo la

rama aplicada de la estadística.
Leer: - Libro de Estadística - Marcos Alfaro
- An Introduction to Geostatistical Methods of Mineral Evaluation – J.M Rendu
- Estimación Geoestadística de Reservas Minerales – Michel David
- Apuntes de Estadística

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA - GENERALIDADES
 Estadística Descriptiva:

 Fenómenos Aleatorios: Son aquellos en que las mismas causas dan lugar a resultados
diferentes.

 Experimentos Aleatorios: Experiencia cuyo resultado depende del azar, es decir, puede
variar cuando esta se repite en condiciones supuestas idénticas (tirar un dado y ver el
número que aparece).

 Resultados: Es la información aportada por la realización de una experiencia.

 El conjunto de todos los resultados posibles de un experimento se llama “ espacio

muestral ”

Ej. Lanzar un dado:

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA - GENERALIDADES
 Estadística Descriptiva:

 Variable aleatoria: Es una variable que puede tomar un valor entre varios posibles
valores. Cuando se toma una muestra de un depósito mineral no se conoce que ley
tiene, sin embargo se conocen todas las leyes posibles (0 – 100% Cu).

 Si se conoce el número total de muestras y el número de muestras que cumplen una

propiedad dada (la ley debe estar entre 0,60% Cu y 0,80% Cu), entonces se puede
definir lo que se llama probabilidad de este suceso o evento.

 Esto se conoce como la definición experimental de la probabilidad de un suceso “A”, lo

que significa que es el cociente entre el número de resultados posibles de “A” y el
número total de resultados elementales.

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

DISTRIBUCION DE PROBABILIDADES
 Los resultados posibles de una selección aleatoria de una muestra se describen por la distribución de
probabilidades de la variable aleatoria.

 Cuando se tira un dado, los resultados posibles son 1,2,3,4,5 y 6, cada uno con una probabilidad
igual a p(1/6).

 En un depósito mineral, se requiere conocer cuál es la chance de obtener una ley en el intervalo 2-4%
o 6-8%. En la práctica tal distribución no se conocerá nunca, por esta razón se calcula una
“distribución de probabilidad experimental” y luego tratar de inferir la distribución teórica.

 Para una “distribución continua” a cada valor de “x” se le asocia una “densidad de probabilidad f(x)”,
de manera que la probabilidad de que el valor esté entre “x” y “x+dx” es igual a f(x)dx.
𝑏 +∞

𝑝𝑟𝑜𝑏 𝑎 ≤ 𝑥 ≤ 𝑏 = 𝑓 𝑥 𝑑𝑥 𝑝𝑟𝑜𝑏 −∞ ≤ 𝑥 ≤ +∞ = 𝑓 𝑥 𝑑𝑥 = 1
𝑎 −∞

𝑥0

𝑝𝑟𝑜𝑏 𝑥 ≤ 𝑥0 = 𝑓 𝑥 𝑑𝑥 = 𝐹(𝑥0 ) (Función de probabilidad Acumulada)

−∞

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA - DISTRIBUCIONES
 Parámetros de una Distribución Estadística:

 Parámetros de tendencia central: La primera información que se desea obtener,

corresponde al valor respecto del cuál la variable aleatoria se distribuye.

Media:
+∞

Para una “distribución teórica de probabilidad” se tiene: 𝑚= 𝑥𝑓 𝑥 𝑑𝑥

−∞

Este valor de “m” se llama valor esperado de “x”: 𝑚 = 𝐸(𝑥)

El problema que nos enfrentamos en la práctica es encontrar el valor de “m” a partir de

un número limitado de muestras.

Cuando el valor estimado del estimados, es decir, E(x) es igual al valor real de “m”, de
dice que el estimador es insesgado, o sea, no existe error sistemático.

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA - DISTRIBUCIONES
 Parámetros de una Distribución Estadística:

 Parámetros de dispersión:

Varianza:

Desviación Estándar:

Para medir el esparcimiento de los datos con respecto a la media se utiliza la desviación
estándar. Para una población con distribución de probabilidades f(x):

∞ ∞

σ= 𝑥−𝑚 2 𝑓 𝑥 𝑑𝑥 𝜎2 = 𝑥 − 𝑚 2 𝑓 𝑥 𝑑𝑥
−∞ −∞

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA - DISTRIBUCIONES
 Parámetros de una Distribución Estadística:

 Parámetros de forma:

Coeficiente de asimetría:

Asimetría (-) Asimetría (+) Simetría

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA - DISTRIBUCIONES
 Distribución de Frecuencias:

 Variable Continua: Si toma sus valores en un conjunto continuo, es decir, un intervalo.

 Se definen “clases”, que son intervalos disjuntos que cubren el dominio de definición de
las variables. (leyes de cobre de un conjunto de testigos)

Distribución de Frecuencias

N° Clase Clase Frecuencia Frec. Acum Frec Acum %

Lím Inf Lím Sup n N
1 0 0.5 1 1 6%
2 0.5 1 3 4 25%
3 1 1.5 6 10 63%
4 1.5 2 3 13 81%
5 2 2.5 2 15 94%
6 2.5 3 1 16 100%

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA - DISTRIBUCIONES
 Representación Gráfica - Histograma:
Distribución de Frecuencias

N° Clase Clase Frecuencia Frec. Acum Frec Acum %

Lím Inf Lím Sup n N
1 0 0.5 1 1 6%
2 0.5 1 3 4 25%
3 1 1.5 6 10 63%
4 1.5 2 3 13 81%
5 2 2.5 2 15 94%
6 2.5 3 1 16 100% Histograma
6 100%

5
Representa la clase de distribución que gobierna 80%
a la población. 4

Frecuencia
60%
Distribución Normal, Lognormal u otras. 3
n
40%
A simple vista se puede determinar si la N
2
distribución es simétrica o asimétrica y detectar
posibles valores erráticos o anómalos. 20%
1

0 0%
0,5 1 1,5 2 2,5 3
Clase

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

DEFINICIONES – CASO MINERO

Perforaciones de Exploración
Universo: Masa total de material en el cuál
estamos interesados y es la fuente de todos
Topografía los datos posibles. (yacimiento)

Unidad de muestreo: Parte del universo en

el cual se hace una medida.
Trozo de testigo de 3 metros de longitud.
Importante: tiene que estar bien definida la
unidad de muestreo.

Población: Conjunto de unidades de muestreo.

Depósito Población de muestras de 3 metros de longitud
Mineral Población de muestras de 5 metros de longitud

Soporte: Se refiere al tamaño y orientación de la muestra.

Problema de la Estadística

Dada una población y un número limitado Hacer afirmaciones con respecto a la población.
de medidas de un atributo en una serie de
unidades de muestro.

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ANALISIS DE LA INFORMACIÓN
 Comprobar la veracidad de la información, base de datos, fuente
 Analizar detalladamente la información recibida, para determinar los posibles datos erróneos y ruidos.

Base de Datos - Campaña de Perforación

ID N° Pozo Prof (m) X Y Z Cu (%) Au (gpt) Mo (ppm) Identificar las variables de estudio
1 1A 3 73450 34720 2510 0 0,2 95
2 1A 6 73450 34720 2507 0 0,4 103
3 1A 9 73450 34720 2504 0,45 0,57 110
4 1A 12 73450 34720 2501 0,47 0,59 120
Agrupar y listar de menor a mayor
5 1A 15 73450 34720 2498 0,5 0,62 125
6 1A 18 73450 34720 2495 0,55 0,67 130 Identificar los alores altos y bajos
7 1A 21 73450 34720 2492 0,55 0,67 127
8 1A 24 73450 34720 2489 0,6 0,72 120
9 1A 27 73450 34720 2486 0,55 0,67 90 Analizar la eliminación de posibles
10 1A 30 73450 34720 2483 0,5 0,62 80 valores erráticos (consultar con la
11 2A 3 75500 34770 2530 0,55 0,67 50
12 2A 6 75500 34770 2527 0,58 0,7 65 fuente de información). Afectarían
13 2A 9 75500 34770 2524 0,6 0,72 86 El valor de la media.
14 2A 12 75500 34770 2521 0,65 0,77 100
15 2A 15 75500 34770 2518 0,7 0,82 105
16 2A 18 75500 34770 2515 0,75 0,87 110
17 2A 21 75500 34770 2512 0,78 0,9 125 Causa de errores:
18 2A 24 75500 34770 2509 0,6 0,72 140
- Toma de muestra
19 2A 27 75500 34770 2506 0,65 0,77 110
20 2A 30 75500 34770 2503 0,6 0,72 90 - Análisis de laboratorio
. . . . . . . . . - Creación de la base de datos
. . . . . . . . .
. . . . . . . . .

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ANALISIS DE LA INFORMACIÓN

 Si el número de muestras para estudio es muy grande, la eliminación algunos valores extremos no
influye en la determinación de los parámetros.

 Se utilizan modelos matemáticos para representar y analizar la distribución de las variables del
depósito.

 Para determinar las características de un depósito mineral, la práctica es tomar muestras, analizar las
propiedades de las muestras y luego inferir las características del depósito a partir de esas
propiedades.

Muestreo Analizar Inferir

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

 ANALISIS DE LA INFORMACIÓN
Muestras obtenidas Base de datos Parámetros Tipo de distribuciones
(muestras)
Base de Datos - Campaña de Perforación
ID N° Pozo Prof (m) X Y Z Cu (%) Au (gpt) Mo (ppm)
Topografía 1 1A 3 73450 34720 2510 0 0,2 95
2 1A 6 73450 34720 2507 0 0,4 103
3 1A 9 73450 34720 2504 0,45 0,57 110
4 1A 12 73450 34720 2501 0,47 0,59 120
5 1A 15 73450 34720 2498 0,5 0,62 125
6 1A 18 73450 34720 2495 0,55 0,67 130
7 1A 21 73450 34720 2492 0,55 0,67 127
8 1A 24 73450 34720 2489 0,6 0,72 120
9 1A 27 73450 34720 2486 0,55 0,67 90
10 1A 30 73450 34720 2483 0,5 0,62 80
11 2A 3 75500 34770 2530 0,55 0,67 50
12 2A 6 75500 34770 2527 0,58 0,7 65
13 2A 9 75500 34770 2524 0,6 0,72 86
14 2A 12 75500 34770 2521 0,65 0,77 100
15 2A 15 75500 34770 2518 0,7 0,82 105
16 2A 18 75500 34770 2515 0,75 0,87 110
Depósito 17
18
2A
2A
21
24
75500
75500
34770
34770
2512
2509
0,78
0,6
0,9
0,72
125
140
Mineral 19
20
2A
2A
27
30
75500
75500
34770
34770
2506
2503
0,65
0,6
0,77
0,72
110
90
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .

Población - Universo
Topografía Parámetros
(Población)
Teoría de Probabilidades Media: µ
Inferir
Modelos Matemáticos D. Est: σ
Inferencia Estadística Varianza: σ2
Depósito
Mineral

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION NORMAL
Distribución Normal
Modelo Matemático n < 30 se emplea la distribución de Student
Distribución Experimental
Teoría de Probabilidades

f(x) F(x) 1 1 𝑥−𝜇 2

Función densidad de Probabilidades 𝑓(𝑥) = 𝑒𝑥𝑝 −
𝜎 2𝜋 2 𝜎

Función de Probabilidad Acumulada

µ x

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

 ESTADISTICA – DISTRIBUCION NORMAL
Muestra Estimador del valor real

Media

Varianza

Des. St.

Error de Estimación

Probabilidad 95%: Intervalo del 95% de confianza (Precisión de la estimación)

Probabilidad 68%: Intervalo del 68% de confianza

Error estándar de la media:

: t de Student

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION NORMAL
Distribución t-Student

1 - 2p = 0.90

p = (1 – 0.90) / 2 = 0.05

1 – p = 0.95

t(0.95 , 7) = 1.895

1 - 2p = 0.95

p = (1 – 0.95) / 2 = 0.025

1 – p = 0.975

t(0.975 , 7) = 2.365

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION NORMAL
Ejemplo: (Libro Rendu – Pag 4 y 5 – Pto 2.3.4)
1 - 2p = 0.90
Ocho muestras fueron tomadas de un depósito mineral, cuyos valores
p = (1 – 0.90) / 2 = 0.05
aparecen distribuidos normalmente.

Estimar la ley media del depósito y los límites centrales con un 90 % 1 – p = 0.95

de probabilidad. t(0.95, 7) = 1.895

i 1 2 3 4 5 6 7 8 x = 14.5 / 8 = 1.812
xi 1.2 2.0 1.6 1.7 2.5 1.9 1.5 2.1
S2 = 1.161

S = 0.402

90% μp = 1.812 – 1.895 * 0.402/√8 = 1.54

μ1-p = 1.812 + 1.895 * 0.402/√8 = 2.08

1.54 < μ < 2.08

p=1 Hay una chance del 90% que el valor de la media

p 1 - 2p verdadera del depósito estará comprendido entre
1.54 y 2.08
1 -p

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION NORMAL

34% 34%
Para 95% de Confianza
13.5% 13.5%
2,5% 2,5% 1 - 2p = 0.95

p = (1 – 0.95) / 2 = 0.025

1 – p = 0.975

μp: Límite inferior de la media verdadera tal que la

probabilidad que μ sea menor a μp es p

μ1-p: Límite superior de la media verdadera tal que la

probabilidad que μ sea mayor a μ1-p es p

La probabilidad de que μ se encuentre entre μp y μ1-p

p = 100% es 1 – 2p.
p 1 - 2p

1 -p

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION NORMAL
Ejemplo: En una campaña de exploración se han perforado 41 pozos de diamantina.

Se obtuvieron los siguientes parámetros:

x = 9.40 g/Tn de Au S = 4.9 g/Tn.

Necesitamos saber para un 90% de confianza, la variación que se produce en el rango, queriendo llegar a que ésta última sea
de 9.40  10%. Se necesita realizar más perforación?

1 - 2p = 0.90 p = (1 – 0.90) / 2 = 0.05 1 – p = 0.95 t(0.95, 40) = 1.684

t(0.95, 40) * S / √n = 1.684 * 4.9 / √41 = 1.288

8.112 < μ < 10.688

1.288 / 9.40 = 13.7 % El rango de variación es del 13.7 %, o sea, tenemos que aumentar perforación.

9.40 – 0.94 < μ < 9.40 + 0.94 Para el rango del 10 %

t(0.95, 40) * S / √n = 0.94

n = 1.6842 * 4.92 / 0.942

n = 77 pozos 77 – 41 = 36 pozos extras.

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION NORMAL
Tablas de Distribución Normal
La distribución acumulada F(x) es difícil expresarla en términos simples, por tal motivo de disponen de tablas
fueron calculadas en función de 𝑥 − 𝜇
𝜎
Esto es equivalente a realizar un cambio de variables,
valores estándar de manera de tener µ = 0 y σ = 1

F(Z)= valor
34% 34%

13.5% 13.5%

2.5% 2.5%

-1,96 -1 0 1 1,96

F(-1) = 0,16
F(1) = 0,84
0,84 – 0,16 = 0,68

El 68% de los valores de las muestras están +/- una desviación estándar respecto a la media.

F(-1,96) = 0,025

F(1,96) = 0,975
El 95% de los valores de las muestras están +/- dos veces la desviación estándar respecto a la
media.

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

 ESTADISTICA – DISTRIBUCION NORMAL
Ejemplo – Curva Tonelaje Ley
Depósito de Hierro de 100 Millones de toneladas, con una ley media
del 54%, con una distribución normal de leyes y Varianza de
49(%)2. El yacimiento será explotado según tres categorías:
 < 46 % se considera ESTERIL
 entre 46 % y 60 % se considera CONCENTRADO
 > del 60 % se considera mineral de EMBARQUE DIRECTO

C C

E ED

46% 54% 60%

Z = 46 – 54 / 7 = -1.14 F(z) = 0.8729

E = 1 – 0.8729 = 0.1271 E= 12.71% (12.71 Mtn)

Z = (60 – 54 / 7) = 0.8571 F(z) = 0.8051

C = 0.8051 – (1 – 0.8729) = 0.678 C = 67.8% (67.8 Mtn)

Z = 0.8571 F(z) = 0.8051

ED = 1 – 0.8051 = 0.1949 ED = 19.49% (19.49 Mtn)

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION NORMAL
Método gráfico para determinar si los valores se distribuyen normalmente

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION LOGNORMAL
Distribución Lognormal
Modelo Matemático
Distribución Experimental
Teoría de Probabilidades

En depósitos de baja ley, la distribución de las muestras no es simétrica, sino presentan sesgos positivos.
Esta distribución sesgada puede representarse por una distribución “lognormal” de 2 y 3 parámetros.

Lognormal de 2 parámetros
n n
Ln (xi)

xi Ln (xi) Lognormal de 3 parámetros

n n n β: constante de aditividad

Ln (xi) Ln (xi+β)

xi Ln (xi) Ln (xi+β)

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION LOGNORMAL

Al graficar la frecuencia acumulada y el límite superior en un papel

logarítmico – probabilístico, obtendremos:

Línea recta: la distribución es una lognormal de 2 parámetros.

Línea curva: la distribución es una lognormal de 3 parámetros. Al

sumarle el valor de β tiende a una recta.

La distribución de 3 parámetros queda definida por:

La constante de aditividad β
La varianza logarítmica de (x+β)
La media logarítmica de (x+β)

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

 ESTADISTICA – DISTRIBUCION LOGNORMAL
Estimación de β Estimación de la Varianza Logarítmica

m: mediana de la distribución observada

f1: valores de la muestra correspondiente a “p” de la
Estimación del Valor Medio
frecuencia acumulada (5% al 20%)
f2: valores de la muestra correspondiente a “1-p” de la
frecuencia acumulada

Estimación de la Media Logarítmica y Media geométrica

Se obtiene de la tabla 2.6 con el número de

muestras y la varianza V(y

Para n > 1000

La media geométrica de la distribución lognormal es igual a Estimación de los Límites de Confianza

la mediana de esta distribución.

Se obtiene de las tablas 2.7 y 2.8

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION LOGNORMAL

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – DISTRIBUCION LOGNORMAL

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – COVARIANZA

 Covarianza y Coeficiente de Correlación

Consideremos 2 variables aleatorias: x = ley de Cu e y = ley de Au
de una muestra localizada en la posición “z” en el cuerpo mineral. O bien, “x” podría ser el valor de
Cu de la muestra en la posición “z”, e “y” el valor de la ley de Au en la posición “z+h” donde “h” es la
distancia entre las dos muestras.

Existe una relación entre “x” e “y”?

Para responder a esta pregunta, se estudia la “Covarianza” entre “x” e “y”, cuya expresión es la
siguiente:

𝜎𝑥𝑦 = 𝐸 𝑥 − 𝐸 𝑥 ∗ 𝑦−𝐸 𝑦
𝑛
1
Donde xy , será estimado por: 𝑆𝑥𝑦 = 𝑥𝑖 − 𝑥 𝑦𝑖 − 𝑦
𝑛−1
𝑖=1

El coeficiente de correlación será:

𝜎𝑥𝑦 𝑆𝑥𝑦
𝜌𝑥𝑦 = Estimado por: 𝑟𝑥𝑦 =
𝜎𝑥 𝜎𝑦 𝑆𝑥 𝑆𝑦

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

ESTADISTICA – COVARIANZA

El coeficiente de correlación varía entre -1 a +1

Valores de -1 o +1 indica una relación lineal entre x e y

Coeficiente = 0 no hay relación.

rxy = 1
rxy = 0 rxy = -1

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ

 Actividad N°2
Libro: An Introduction to Geostatistical Methods of Mineral Evaluation

Desarrollar y explicar los ejemplos:

2.3.4 – página 4

2.4.4 – página 10

Ejemplo punto 3.2 – página 12 y 13

APLICACIÓN DEL ANALISIS ESTADISTICO ING. RAMON MARTINEZ