UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD D E I N G E N I E R Í A

ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

GEOESTADISTICA
Docente: ing. AGUILAR JULCA PAUL
INTEGRANTES

•
Díaz Cayotopa, Milber
•
García Aguilar, Iván Roner
•
•
Goicochea Chuquiruna, Denis Namrod

C a j a m ar c a e n e r o
INTRODUCCIÓN
El análisis de datos y la variografía son técnicas fundamentales en la exploración y
evaluación de recursos naturales. La recopilación y validación de información de campo es
crucial para asegurar la precisión y representatividad de los datos, y la creación de una base
de datos permite su fácil acceso y uso posterior. La estimación de recursos es un proceso
importante que permite determinar la cantidad y calidad de los recursos presentes en el área
de interés. El análisis de datos mediante histogramas y técnicas estadísticas ayuda a
comprender patrones y tendencias en los datos recopilados, lo que puede identificar áreas
de mayor potencial. La variografía se utiliza para evaluar la continuidad espacial de los
recursos en el área de interés, lo que ayuda a determinar la cantidad y calidad de los
recursos en diferentes áreas. Los ejemplos y casos de estudio ilustran la aplicación práctica
de estas técnicas.
RESUMEN
En el informe se analiza las técnicas y procesos utilizados en el análisis de datos y la
variografía para explorar y evaluar los recursos naturales de una determinada área
geográfica. Se aborda la recopilación y validación de la información de campo, la creación
de una base de datos, la estimación de recursos, el análisis de datos mediante histogramas y
técnicas estadísticas, y la variografía. El informe proporciona una visión general de estas
técnicas y procesos, y su importancia en la exploración y evaluación de recursos naturales.
OBJETIVOS
 Objetivo general

 Utilizar herramientas y técnicas de análisis de datos y bases de datos para obtener resultados y datos
valiosos y tomar decisiones informadas en diferentes áreas, mediante la recopilación, validación,
organización, análisis de información, el uso de herramientas estadísticas y gráficas como los
histogramas y variogramas, y la utilización de modelos interpretables.

 Objetivos Específicos

 Utilizar herramientas estadísticas y gráficas, como histogramas y variogramas, para realizar un

análisis exploratorio de los datos y obtener resultados valiosos.
 Desarrollar modelos interpretables para identificar patrones y relaciones complejas entre variables y
así obtener una comprensión más profunda de los datos.
 Utilizar la base de datos y los modelos desarrollados para estimar recursos y apoyar la toma de
decisiones en diferentes áreas, como la exploración de recursos o la gestión ambiental.
 Construir histogramas experimentales para visualizar la distribución de los datos.
TERMINOLOGÍA
 Efecto Nugget: El efecto Nugget se produce como consecuencia de las limitaciones que impone
la separación mínima entre dos observaciones y suele atribuirse a una variación en microescala.
El nombre del efecto se debe a que éste se identificó cuando se estudiaba la concentración de oro
en las minas.
 Estocástico:  se refiere a la variabilidad aleatoria en los datos espaciales. Los procesos
estocásticos se utilizan para modelar la variabilidad espacial de los fenómenos geológicos,
geofísicos y ambientales, y para estimar la distribución espacial de los recursos naturales. En
resumen, la geoestadística utiliza técnicas estocásticas para modelar y entender la variabilidad
espacial de los datos geológicos y ambientales.
 Anidado: El concepto de variograma anidados permite explicar una de las causas del efecto
pepita: se trata de un modelo anidado de alcance muy corto con respecto a la escala de
observación (“microestructura”).
 Umbral: Es el valor alcanzado por el variograma en el Rango.
 Estacionariedad: Es una variable que se extiende en el espacio geográfico y presenta una cierta
continuidad. Conceptualmente se define como una realización de una función aleatoria (FA),
donde esta última corresponde a un conjunto de variables aleatorias espacialmente distribuidas.
 BASE DE DATOS, INFORMACIÓN DE
CAMPO, VALIDACIÓN DE LA
INFORMACIÓN DE CAMPO, BASE DE
DATOS PARA LA ESTIMACIÓN DE
RECURSOS, IMPORTANCIA DE
MODELOS INTERPRETADOS
Base de Datos

Una base de datos es un conjunto de datos que tienen

una procedencia similar y que son apuntados de forma
sistemática para ser procesados posteriormente. El
procesamiento de estos datos va depender de los objetivos
que tengamos nosotros o nuestra empresa.
Todas las bases de datos hacen casi lo mismo. Ordenan
y clasifican los datos y después estará dispuesta para que
investiguemos y analicemos. (Graph Everywhere, 2021)
Información de campo

La información de campo es el resultado de una buena

investigación de campo, ya que la investigación recopila los
datos directamente de la realidad y permite la obtención de
información directa a un problema. Cajal (2018) nos dice que
“La investigación de campo o trabajo de campo es la
recopilación de información fuera de un laboratorio o lugar de
trabajo. Es decir, los datos que se necesitan para hacer la
investigación se toman en ambientes reales
no controlados.”
Validación de la información de campo

Se conoce como validación de datos al proceso que consigue

evitar la introducción de datos incorrectos en una base de
datos. Se trata, por tanto, del proceso que asegura que un
programa como puede ser Excel, funcione con datos correctos,
útiles y limpios. Gracias a la validación de datos podemos
asegurarnos de que la entrega de la información se realiza con
datos claros y limpios para su utilización, garantizando que
cumplan con los requisitos y los parámetros de calidad
necesarios. (Ayuware, s.f.)
Base de datos para la estimación de recursos

La estimación de recursos consiste en la planificación y garantía de

la disponibilidad de los mismos para asegurar el buen desarrollo y
éxito de un proyecto . La gestión de los recursos disponibles es
esencial para cualquier proyecto y debe tenerse en cuenta incluso
antes de que el mismo comience.
La gestión de las cantidades de recursos necesarios, así como su
optimización, son dos de los factores clave para cumplir a cabalidad
con la entrega de un proyecto.(Aguirre, 2020)
 Importancia de modelos interpretados

El modelo que resulta de este proceso brinda un marco de relaciones entre

elementos de datos dentro de una base de datos, así como una guía para el uso
de los datos. Los modelos de datos son un elemento fundamental del desarrollo
de software y analíticas. Ellos brindan un método estandarizado para definir y
formatear los contenidos de la base de datos de forma consistente en todos los
sistemas, lo cual permite que diferentes aplicaciones compartan los mismos
datos. Un modelo ayuda a crear una base de datos lógica simplificada que
elimina la redundancia, reduce los requisitos de almacenamiento y permite una
recuperación eficiente. (SAP, s.f.)
 HISTOGRAMAS,
CONSTRUCCIÓN DE
HISTOGRAMAS
EXPERIMENTALES
Histograma

■ Los histogramas son útiles para mostrar la distribución de una única

variable de escala.

■ El histograma representa gráficamente las frecuencias de ocurrencia

en función del valor.

■ Consiste en dividir el rango de los valores en intervalos

(generalmente, con el mismo ancho) y visualizar la proporción de

datos que caben dentro de cada intervalo.

Elaboración de un histograma

■ Paso 1: Preparación de los datos

■ Paso 2: Determinar los valores extremos de los
datos y en el recorrido
■ Paso 3: Definir las "clases" que contendrá el
Histograma
■ Paso 3: Definir las "clases" que contendrá el
Histograma
■ Paso 5: Dibujar el Histograma
■ Paso 6: Rotular el Gráfico
Importancia del análisis exploratorio de datos
El objetivo principal del análisis exploratorio
es ayudar a analizar en profundidad el conjunto
de datos antes de hacer suposiciones, identificar
errores obvios, obtener una mejor comprensión
de los patrones dentro del conjunto de datos,
descubrir valores atípicos y/o eventos anómalos
y, por último, pero no menos importante, para
averiguar las relaciones entre las variables.
Hay cuatro tipos principales de EDA
No gráfico univariante. Es la forma más simple de
análisis de datos, donde los datos que se analizan
consisten en una sola variable.
Gráfico univariante. Los métodos no gráficos no ofrecen
una imagen completa de los datos. Por lo tanto, se
requieren métodos gráficos.
No gráfico multivariante: se obtienen datos
multivariantes de más de una variable. Las técnicas de
EDA no gráfico multivariante generalmente muestran la
relación entre dos o más variables de los datos mediante
tabulación cruzada o estadísticas.
Gráfico multivariante: los datos multivariantes utilizan
gráficos para mostrar las relaciones entre dos o más
conjuntos de datos.
ANÁLISIS EXPLORATORIO DE DATOS

Los Data Scientists utilizan ampliamente el

análisis tipo exploratorio al analizar e investigar
conjuntos de datos, resumiendo las características
principales de los datos para el método de
visualización. Ayuda a descubrir patrones de datos,
detectar anomalías, probar hipótesis y/o
suposiciones.

Entonces, de manera simple, se puede definir

como un método que ayuda a determinar las
mejores formas de manipular la fuente de datos
dada para obtener la respuesta que se necesita.
(Ortega, 2021)
 Distribución Estadística Varianza y Desviación Estándar
La distribución estadística se refiere a cómo se La varianza y la desviación estándar son medidas
distribuyen los valores de una variable en un estadísticas importantes en la geoestadística que se
conjunto de datos. La distribución estadística es utilizan para describir la variabilidad espacial de los
una medida importante para comprender la datos y para modelar la estructura espacial de los
variabilidad y la forma de los datos en una fenómenos que se están analizando. Estas medidas son
muestra o población. La forma de la útiles para entender la distribución de los datos en el
distribución estadística puede proporcionar espacio y para tomar decisiones informadas sobre la
información útil sobre los patrones y gestión y el uso de los recursos naturales.
tendencias en los datos, lo que puede ser
utilizado para hacer inferencias y tomar
decisiones.
Existen muchos tipos diferentes de
distribuciones estadísticas, incluyendo la
distribución normal, la distribución binomial,
la distribución de Poisson, la distribución
exponencial, la distribución de Weibull, entre
otras.
 Distribución Log Normal
Es una distribución estadística comúnmente
utilizada en la geoestadística para modelar datos
que se distribuyen de manera asimétrica y que
tienen valores extremos positivos. Esta
distribución es útil para describir la variabilidad
espacial de los datos y para estimar los valores
desconocidos en ubicaciones no muestreadas.
Valores Erráticos
Son valores extremos que difieren significativamente de
la mayoría de los demás valores en un conjunto de
datos. En la geoestadística, es importante identificar y
tratar estos valores antes de realizar el análisis
geoestadístico para evitar la distorsión de la distribución
de los datos y para mejorar la precisión de las
estimaciones.

Por lo que, se utiliza comúnmente en la

geoestadística para modelar fenómenos que se
distribuyen en el espacio y que tienen valores
positivos extremos, como la concentración de
metales pesados en el suelo, la calidad del agua,
el contenido de nutrientes en el suelo, entre
otros.
MODELOS DE HISTOGRAMAS

El modelado de histogramas es una técnica

estadística que se utiliza para entender la
distribución de una variable en un conjunto
de datos. Un histograma es un gráfico que
muestra la frecuencia relativa de valores de
una variable en intervalos (o "bins") de
igual tamaño. En el modelado de
histogramas, se trata de ajustar una
distribución de probabilidad teórica a los
datos que se representan en el histograma.
(Cerón López, 2017)
 La distribución normal
Es una distribución estadística continua que se utiliza
ampliamente en la geoestadística para modelar la
variabilidad espacial de los datos y para estimar los
valores desconocidos en ubicaciones no muestreadas.
La distribución normal se caracteriza por su forma de
campana y por tener una media y una desviación
estándar bien definidas, y se utiliza en la
geoestadística para modelar la función de
semivarianza y el error de predicción.
En el modelado de histogramas, la distribución
normal se utiliza para analizar la distribución de los
datos en una muestra y para hacer inferencias sobre la Fuente: Distribución Normal en Estadísticas
(fórmula y uso). (Riquelme, 2021)
población a partir de la cual se extrajo la muestra.
(Riquelme, 2021)

Donde:
La función de
densidad de  μ es la media de la distribución.
probabilidad  σ es la desviación estándar de la distribución.
 π es la constante matemática pi
 La distribución log-normal
Es una distribución de probabilidad
continua que se utiliza comúnmente en
el modelado de histogramas para
describir variables aleatorias que tienen
una distribución asimétrica y que se
encuentran limitadas por valores
mínimos o máximos.
La función de densidad de probabilidad

 σ, el parámetro de forma . También la desviación estándar para el lognormal,

esto afecta la forma general de la distribución. Por lo general, estos
parámetros se conocen a partir de datos históricos. A veces, es posible que
Fuente: Distribución Lognormal. Definición, pueda estimarse con datos actuales. El parámetro de forma no cambia la
Ejemplos en 2023(Statologos, 2023) ubicación o la altura del gráfico; solo afecta la forma general.
 m, el parámetro de escala (también es la mediana). Este parámetro reduce o
estira el gráfico.
 Θ (o μ), el parámetro de ubicación , que le indica dónde se encuentra el
gráfico en el eje x.
 La distribución exponencial
Es una distribución estadística continua que se
utiliza en la geoestadística para modelar el
tiempo o la distancia entre eventos. Se utiliza en
la función de semivarianza para medir la
variabilidad espacial entre pares de puntos en un
conjunto de datos y se utiliza para ajustar un
modelo geoestadístico. La distribución
exponencial también se utiliza en la
modelización de procesos de decaimiento
radiactivo, de fenómenos geológicos como la
Fuente: (Probabilidad y Estadística, n.d.)
dispersión de contaminantes y de la duración de
los eventos climáticos.

La función de Donde:
densidad de  λ es la tasa de ocurrencia de eventos por
probabilidad unidad de tiempo

Fuente: la Distribución de Poisson. | Download
Scientific Diagram. (ResearchGate, n.d.)
 La distribución de Poisson
Es una distribución estadística discreta que se
utiliza en la geoestadística para modelar la
frecuencia de ocurrencia de eventos raros en el
espacio y el tiempo. Se utiliza en la función de
semivarianza para medir la variabilidad espacial
entre pares de puntos en un conjunto de datos y se
utiliza para ajustar un modelo geoestadístico. La
distribución de Poisson también se utiliza en la
modelización de procesos de recuento de eventos
como la densidad de población, la ocurrencia de
enfermedades y la presencia de recursos
naturales.

Donde:
 x! Es el número de ocurrencias del evento
La función de raro en el intervalo de tiempo o espacio.
densidad de  λ es la tasa media de ocurrencia del evento
probabilidad raro por unidad de tiempo o espacio.
 e es la constante matemática e.
 La distribución binomial
Se utiliza en el modelado de histogramas
para analizar la distribución de los datos de una
muestra que se pueden clasificar en dos
categorías mutuamente excluyentes, y se utiliza
comúnmente en la modelización de eventos en
la naturaleza y en la ingeniería que presentan
un comportamiento discreto y binario. (Marco,
2020)
Fuente: La Distribución Binomial. Físicaymates.
(Márquez, n.d.)

Donde:
La función de  n  Número de ensayos/experimentos
densidad de  x Número de éxitos
probabilidad  p Probabilidad de éxito
 q  Probabilidad de fracaso (1-p)
 La distribución de Weibull
En el modelado de histogramas, la distribución
de Weibull se utiliza para ajustar la distribución
de los datos de una muestra que representan
tiempos de falla o de supervivencia de equipos y
sistemas. Esta distribución tiene una forma
flexible que puede ajustarse a diferentes tipos de
curvas de distribución de probabilidad,
incluyendo la distribución exponencial, la
distribución normal y la distribución log-
normal. (Probabilidad y Estadística, n.d.)

La función de densidad de probabilidad

Fuente: La Distribución Weibull.

(Probabilidad y Estadística, n.d.)
Donde:
 es el parámetro de forma de la distribución.
 λ es el parámetro de escala de la distribución.
 x es la variable aleatoria que representa el tiempo de
falla o supervivencia.
 La distribución Gamma
Es una distribución estadística continua que se
utiliza en la geoestadística para modelar procesos que
varían en el tiempo y en el espacio. Es especialmente
útil para describir procesos que tienen un
comportamiento no estacionario, es decir, que cambian
a lo largo del tiempo y/o del espacio.
En la geoestadística, la distribución Gamma se
utiliza a menudo para modelar la variabilidad temporal
o espacial de los datos y para estimar los valores
desconocidos en ubicaciones no muestreadas. Esta
distribución se utiliza en la función de covarianza Fuente: La Distribución Gamma.
temporal, que es una medida de la correlación (Probabilidad y Estadística, n.d.)
temporal entre dos puntos en el tiempo.
Donde:
 α es el parámetro de forma de la
distribución.
La función de
 β es el parámetro de escala de la
densidad de f(x) = (1/Γ(α) * β^α) * x^(α-1) * e^(-x/β)
distribución.
probabilidad
 x es la variable aleatoria que representa el
tiempo de espera o tiempo de llegada.
 Γ(α) es la función gamma de α.
 SIMULACIONES DE DISTRIBUCIONES
Teorema del límite central
El teorema central del límite es una
teoría estadística que establece que, dada una
muestra aleatoria suficientemente grande de
la población, la distribución de las medias
muestrales seguirá una distribución normal.
Además, el TCL afirma que a medida que el
tamaño de la muestra se incrementa, la media
muestral se acercará a la media de la
población.
Principales propiedades del teorema
central del límite
❖ La media poblacional y la media muestral
serán iguales. Es decir, la media de la
distribución de todas las medias muestrales
será igual a la media del total de la
población.
❖ La varianza de la distribución de las medias
muestrales será σ²/n. Que es la varianza de
la población dividido entre el tamaño de la
muestra.
 Ejemplo:
Imaginemos que queremos analizar las rentabilidades
medias históricas del índice S&P 500, que como sabemos,
tiene unas 500 compañías dentro del mismo. Pero no
tenemos suficiente información como para analizar la
totalidad de las 500 compañías del índice. En este caso la
rentabilidad media del S&P 500 sería la media poblacional.
Ahora bien, siguiendo al TCL podemos coger una
muestra de estas 500 empresas para realizar el análisis.
La única limitación que tenemos es que en la muestra
tiene que haber más de 30 compañías para que se cumpla
el teorema. Entonces imaginemos que cogemos 50
compañías del índice de manera aleatoria y repetimos el
proceso varias veces. Los pasos a seguir el ejemplo
serían los siguientes:
❖ Elegimos la muestra de unas 50 compañías y
obtenemos la rentabilidad media de la totalidad de la
muestra.
❖ De manera continuada seguimos escogiendo 50
compañías y obtenemos la rentabilidad media.
❖ La distribución de todas las rentabilidades medias de
todas las muestras escogidas se aproxima a una
distribución normal.
Las rentabilidades medias de todas las muestras
seleccionadas se aproximaron a la rentabilidad media
del total del índice. Tal y como demuestra el teorema
Central del Límite.
Por tanto, mediante inferencia de la rentabilidad
media de la muestra podemos acercarnos a la
rentabilidad media del índice.
 Método de la transformación inversa
El método de la transformada (o transformación) inversa,
también conocido como método de la inversa de la
El método consiste en:
transformada, es un método para la generación de números
aleatorios de cualquier distribución de probabilidad continua ❖ Definir la función de Densidad f(x) que
representa la variable a modelar.
cuando se conoce la inversa de su función de distribución.

Este método es en general aplicable, pero puede resultar
muy complicado obtener una expresión analítica de la
inversa para algunas distribuciones de probabilidad.
El método de la transformada (o transformación) inversa,
también conocido como método de la inversa de la
transformada, es un método para la generación de números
aleatorios de cualquier distribución de probabilidad continua
cuando se conoce la inversa de su función de distribución.
❖ Calcular la función acumulada f(x).
❖ Despejar la variable aleatoria x y
obtener la función acumulada inversa
f(x)-1.
❖ Generar las variables aleatorias x,
sustituyendo valores con números
pseudoaleatorios ~ U (0,1) en la
función acumulada inversa.
 Método Montecarlo
El término Monte Carlo se aplica a un conjunto de
métodos matemáticos que se empezaron a usar en los
Ejemplo: Gotas de lluvia para estimar π
años 1940 para el desarrollo de armas nucleares en los
Álamos, favorecidos por la aparición de los ordenadores
digitales modernos. Consisten en resolver un problema
mediante la invención de juegos de azar cuyo
comportamiento simula algún fenómeno real gobernado
por una distribución de probabilidad (e.g. un proceso
físico) o sirve para realizar un cálculo (e.g. evaluar una
integral).

Figura: Experimento de las gotas de lluvia para estimar

Más técnicamente, un Monte Carlo es un proceso
estocástico numérico, es decir, una secuencia de estados Fuente: Calculando π con gotas de lluvia (Geoestadística)

cuya evolución viene determinada por sucesos aleatorios.

Recordemos que un suceso aleatorio es un conjunto de
resultados que se producen con cierta probabilidad.
Veamos un par de ejemplos ilustrativos.
 Ejemplo: Gotas de lluvia para estimar π

Existe un modo curioso de calcular el valor

aproximado de π, ideal para tardes lluviosas y
aburridas.

Como las gotas de lluvia se reparten al azar sobre la superficie de

la cartulina, es de esperar que la probabilidad de que una gota
caiga dentro del círculo sea proporcional al área del mismo, y que
la probabilidad de que caiga en la cartulina sea, también,
proporcional al área del a cartulina.
𝐺𝑜𝑡𝑎𝑠 𝑐í 𝑟𝑐𝑢𝑙𝑜
Una vez dibujado, por ejemplo, en una cartulina,
𝜋=4
𝐺𝑜𝑡𝑎𝑠 𝑐𝑎𝑟𝑡𝑢𝑙𝑖𝑛𝑎
lo colocamos bajo la lluvia de modo que le caiga
En el dibujo anterior, han caído 2000 gotas sobre la
una buena cantidad de gotas. Como hoy hace un
cartulina, de las cuales 1565 están dentro del círculo.
día soleado, simularemos las gotas con ayuda
del ordenador, obteniendo algo así: 1565
𝜋=4 =3.13
2000
 Es un estimador de la varianza poblacional.

 Está relacionado con una dirección y distancia (h).

 Es la principal herramienta básica, que da soporte a

las técnicas de Kriging,

 Permite representar cuantitativamente la variación

de un fenómeno regionalizado en el espacio.

Elementos que conforman el variograma

 Efecto pepita (Co)

 Umbral (Sill = C1 + Co)

 Escala (C1)

 Rango (a)
 Elementos que conforman el variograma

Meseta: se presenta cuando el variograma deja de crecer meseta

y alcanza u valor constate dentro de la distancia.
Alcance: distancia máxima en la cual los valores de las Covar
observaciones esta especialmente correlacionados. ianza
el rango es importante para de determinar el tamaño del
área de influencia de cada puto.
Covarianza: medida de relación lineal entre dos
variables de relación se vuelve menos fuerte a medida Alcance
Efecto
que aumenta la distancia entre ellas. Pepita (Co)
correlación: distancia comprendida entre la meseta y el distancia (h)
efecto pepita Co.
Efecto Pepita (Co): se produce como consecuencia de
los limitaste que impone la separación mínima entre dos
observaciones y suele atribuirse a una variación en
microescala.
Escala (C1): Es el valor tal que; C1 + Co = Sill.
Rango (a): Es la distancia dentro de la cual, las muestras
están correlacionadas espacialmente
 Cálculo del Modelos de variogramas
variograma
Son varios los modelos básicos de los Variogramas, que
El variograma es definido son capaces de explicar los diferentes comportamientos que
como: pueden presentar las variables regionalizadas; entre los
modelos más usuales que se dan tenemos:

❖ El variograma experimental, calculado a partir de los datos.

Puede ser estimado a partir
de una muestra por:
❖ El variograma teórico, que corresponde a una ecuación que se
ajusta al variograma experimental

Variograma en el origen (𝒉 = 𝟎):

Variograma en el infinito (𝒉 = ∞)
Figura: 2.4 variograma experimental y variograma teórico
 Fuente: Instituto de capacitaciones en ingenieria (INC)geoestadística para
evaluación de recursos naturales
 Modelo independencia (pepita puro) Modelo exponencial
Representa un fenómeno completamente aleatorio En este modelo podemos observar que crecen inicialmente más
conocido como ruido blanco. rápido y después se estabilizan de forma asintótica. Como la
Es común sumar este modelo a otro modelo teórico meseta no se alcanza a una distancia finita, se usa como fines
de semivariaza, para obtener lo que se le conoce prácticos el “alcance efectivo” o “alcance práctico”, se considera
como semivariograma anidado. que el rango a, es la distancia para la cual el valor del variograma
es el 95 % de la meseta.

Figura: gráfico del modelo exponencial

Fuente: Instituto de capacitaciones en ingeniería (INC)geoestadística
para evaluación de recursos naturale

Gráfico: 9 del efecto pepita. geoestadística para evaluación de recursos

naturales

Fuente: Instituto de capacitaciones en ingenieria (INC)geoestadística para Figura: Alcanza la meseta C de manera asintótica. Se considera un alcance
evaluación de recursos naturales. Aquino, J. (2020) práctico de 3 a (95% del valor de la meseta)
Fuente: geoestadística con minesigth torque, sql y python Análisis Variografico.
 Modelo esférico
Modelo gaussiano
Por lo general es de todos los modelos el más utilizado
para análisis geoestadístico es una expresión polinomial Presenta un comportamiento parabólico em el origen después al
igual que em el Modelo exponencial se alcanza la meseta.
simple, en el gráfico se puede observar un crecimiento
casi lineal y después de cierta distancia finita del origen
se alcanza una estabilización, la meseta.

En donde:
C1: representa la meseta
a: el rango
h: la distancia.
Figura. la variable regionalizada y el variograma gaussiano
Fuente: Instituto de capacitaciones en ingenieria (INC)geoestadística para
evaluación de recursos naturales

Figura:< Comparación de los modelos exponencial, esférico y gaussiano. La línea

Figura. gráfico del modelo esferico
Fuente: Instituto de capacitaciones en ingenieria
(INC)geoestadística para evaluación de recursos naturales
punteada vertical representa el rango en el caso del modelo esférico y el rango
efectivo en el de los modelos exponencial y gaussiano. Este tiene un valor de 210,
respecto a una escala simulada entre 0 y 300. El valor de la meseta es 30 y el de la
pepita 0. El 95% de la meseta es igual a 28.5. (Isaaks,E & Srivastava. M, 1989).
 Modelo Potencia

Este modelo sin meseta, su forma se presenta

con la intersección de tres líneas como podemos
ver en la Figura del gráfico potencial. Se aproxima
a un comportamiento parabólico conforme P tiende
a 2.

Figura: modelo potencia

Fuente: geoestadística con minesigth torque, sql y
python Análisis Variografico.

Figura gráfico de modelo potencial

Fuente: Instituto de capacitaciones en ingenieria

(INC)geoestadística para evaluación de recursos naturales
 Modelo lineal
Este modelo lineal no tiene sill ni rango. Continúa aumentando
mientras la distancia (h) aumenta, es utilizado para modelar
fenómenos que presentan capacidad infinita de dispersión.
Figura : gráfico del modelo lineal
Fuente: Instituto de capacitaciones en ingeniería
(INC)geoestadística para evaluación de recursos naturales
Modelo esférico
Tiene un crecimiento rápido cerca al origen, pero los
incrementos marginales van decreciendo para distancias
grandes, hasta que para distancias superiores al rango los
incrementos son nulos. Su expresión matemática es la
siguiente:
Figura : modelo esférico
Fuente: geoestadística con minesigth torque, sql y python
Análisis Variografico.
 Modelo monómico Modelo seno cardinal

Alcance práctico = 20.4 a, semi-período = 4.5 a, meseta = C

El parámetro θ es igual a uno el modelo es lineal y k
representa la pendiente de la ecuación de regresión con
intercepto cero.

Figura Modelo con oscilación es interpretación física Alcance práctico

Figura: Comportamiento típico de los modelos de
semivarianza monómicos.
Fuente: Instituto de capacitaciones en ingenieria
(INC)geoestadística para evaluación de recursos naturales
20.37 a semiperiodo = 4.49 a distancia para la cual el variograma vale
1.21 C (meseta = C)
Fuente: Instituto de capacitaciones en ingenieria (INC)geoestadística
para evaluación de recursos naturales. Aquino, J. (2020)
 Modelo anidados
❖ El variograma experimental a menudo presenta
cambios de pendiente, indicando un cambio en la
continuidad especial a partir de cierta distancia

❖ El variograma puede modelarse como la suma de

varios modelos elementales: modelos anidados.

Figura Modelo anidados

Fuente: Instituto de capacitaciones
en ingeniería (INC)geoestadística
para evaluación de recursos
naturales. Aquino, J. (2020)
Modelo de variograma experimental

Con 𝑁(ℎ) el número de pares de datos que

están separados a una distancia ℎ. Este valor
(𝜸(𝒉)) se calcula para distintos vectores de
separación ℎ (Mario E. Rossi & C.V. Deutsch)

ejemplo: Muestreo regular en una dimensión

Figura: Data obtenida por el ejemplo experimental y Gráfica de dicho ejemplo

Figura: ejemplo de muestreo para un variograma experimental

Variograma de malla irregular
¿Cómo se calcula el variograma en este caso?
En este caso, se propone la siguiente metodología de búsqueda de
muestras a considerar:

¿Qué hacer cuando la data se encuentra distribuida en tres dimensiones X, Y, Z? En este

caso, la búsqueda de datos se hace mediante una especie de cono o con el método datos
se hace mediante una especie de cono o con el  método del lápiz (similar a lo explicado
anteriormente, pero en 3D).
Figura: 18  leyes de alcalinos en un banco de la mina de hierro del Marquesado
(España) Pasos para la selección de muestras:

Fuente: INGENIUM (ingenio) escuela de formación profesional -

Geoestadística aplicada a la estimación de recursos mineros. Aquino, J. (2020)

Pasos para la selección de muestras:

• Se define el azimut del vector de búsqueda.
• Definición de tolerancia angular ΔΘ.
• Selección de la distancia del Lag o Paso.
• Definición de tolerancia en el Lag(h) o Paso (Δh o Δp).
• Ancho de banda horizontal: banda dentro la cual se Figura: 24  Aproximación en el espacio de 3 dimensiones. Método del lápiz.
consideran válidos los datos para el cálculo del
variograma. Fuente: INGENIUM (ingenio) escuela de formación profesional - Geoestadística aplicada
a la estimación de recursos mineros. Aquino, J. (2020)
 El variograma de indicadores

sirve para incluir información adicional “soft” de la

región;

 Se puede utilizar para determinar la “probabilidad”

de ocurrencia de un tipo de roca.
 La probabilidad de límites de mineralización.
 Puede servir para calcular los ponderadores cuando
las poblaciones no pueden separarse en forma física.
 En el caso de leyes de mineral, se puede definir una
ley de corte; por ejemplo, si se han tomado muestras
y se desea estimar la probabilidad de que en los
lugares que no se tomó muestra, exista la posibilidad
de obtener leyes sobre la ley de corte definida.

Para ello se debe definir una nueva variable “I” que

dependerá de la ley de corte.
I = 0, si la muestra tiene un valor bajo la ley de corte
I = 1, si la muestra tiene un valor sobre la ley de corte
Presentación de casos reales en diversos yacimientos mineros

Metodología de modelamiento de variogramas

 Definir un dominio poblacional, refrendado en los análisis previos.

 Para la búsqueda de los variogramas se determina parámetros de trabajo: La Inter distancia (h),
comúnmente llamada por los operadores de software como “LAG”, tiene que ser encontrada evaluando
estadísticamente la distancia entre las muestras. Los ángulos de Azimut e Inclinación para las direcciones
de la estructura mineralizada.
 Definidos los parámetros se procede a la búsqueda de los variogramas experimentales.
 Obtenido el variograma de mayor alcance, se debe verificar si se tiene una buena población representativa
del número de pares de trabajo de los primeros términos de la función variograma. Y(h)
 La búsqueda se realizará por los rangos de Azimut de 0° y 360° y con rangos de Inclinación de -90°, 90°.
 Por último, el proceso de este trabajo es reiterativo, ya que se busca el variograma de mayor tendencia, y
que este sustentado por el mayor número de parejas posibles. (J. Ortiz)
 Yacimientos filonianos
Variogramas experimentales de la plata

Figura: Vista SE de los sondajes y chimeneas que corresponden a la información usada

para el estudio del proyecto minero Caylloma. Gráfica del Variograma de la Plata (Ag), LAG 1 y 2.

Figura: Vista de la distribución espacial de las leyes de Plata, Ag(gr/tn) de las Gráfica del Variograma de la Plata (Ag), LAG 2.
muestras compósito del proyecto minero Caylloma.
Variogramas experimentales de oro Variogramas experimentales del plomo

Gráfica del Variograma del Oro (Au), LAG 2.

Gráfica del Variograma del Plomo (Pb), LAG 2.

 Yacimiento pórfido skarn
proyecto Morococha. En el cual se trabajó con un total de 89277 muestras. Y el compósito se consideró de 3 m.

Figura : Vista de los sondajes que corresponden a la información usada para el

estudio del proyecto Morococha.

El archivo secuencial tiene el siguiente número de muestras para las

variables económicas:

Variable n Min

Cu (%) 87028 0.0009

Gráfica del Variograma del Cobre (Cu).

 Yacimiento epitermal de alta sulfuración
el proyecto Hualgayoc. En el cual se trabajó con un total de 4420 muestras. Y el compósito se consideró de 2 m.

Gráfica del Variograma del

Oro (Au).

Figura: Vista de los sondajes y canales que corresponden a la información usada

para el estudio del proyecto Hualgayoc.

Gráfica del
Variogram
a de la
Plata (Ag).
 La distribución de las leyes en un yacimiento minero puede tener forma normal o
lognormal.
 La Simulaciones de distribuciones consiste en simular variables aleatorias que
siguen ciertas distribuciones probabilísticos el cual nos ayudan a modelar
matemáticamente y dar respuestas aproximadas para un problema.
 El modelo teórico es el que proporciona una mejor estimación y precisión de datos.
 La geoestadística es una herramienta muy importante en el estudio de la distribución
espacial y leyes de los yacimientos metálicos.

 El análisis estructural de variogramas es muy útil para la interpretación de estos.

 Se logró relacionar los variogramas de diferentes minerales en un solo tipo de
yacimiento y se concluyó que el comportamiento espacial y de leyes no
necesariamente es el mismo por estar en un mismo yacimiento.
 Lepin, O. V. y Ariosa, J. D., Búsqueda, Exploración y Evaluación Geólogo Económica
de Yacimientos Minerales Sólidos, Editorial Pueblo y Educación, Ciudad de La Habana,
1986.

 Armstrong, M. y Carignan, J., Géostatistique Linéaire, Application au Domaine Minier,

École de Mines de Paris, 1997
 Wackernagel. H. 1995. Multivariate Geostatistics. An Introduction with Applications.
Springer-Verlag, Berlín.
 Jean-Paul Chilès & Pierre Delfiner, 1999. “Geostatistics: Modeling Spacial
Uncertainty”, Wiley
 Isaaks, E. & R.M. Srivastava.1989. Applied Geostatistics. Oxford University Press, New
York.
 Mario E. Rossi & C.V. Deutsch, “Mineral Resource Estimation”, Springer
 Banamex. (2022, Noviembre 17). ¿Qué significa la varianza y desviación estándar? Centro
Banamex. Retrieved Marzo 23, 2023, from
https://www.centrobanamex.com.mx/que-significa-la-varianza-y-desviacion-estandar
Cerón López, G. M. (2017, septiembre 29). Modelamiento geoestadístico aplicado a la
caracterización de yacimientos: modelo basado en Celdas de Alta Resolución. Redalyc. Retrieved
Marzo 23, 2023, from https://www.redalyc.org/journal/5722/572261715004/html/
IBM. (2020, Agosto 25). ¿Qué es el análisis exploratorio de datos? IBM. Retrieved Marzo 23, 2023,
from https://www.ibm.com/es-es/cloud/learn/exploratory-data-analysis
Marco, F. J. (2020, Septiembre 1). Distribución binomial - Qué es, definición y concepto | 2023.
Economipedia. Retrieved Marzo 24, 2023, from
https://economipedia.com/definiciones/distribucion-binomial.html
Márquez, F. (n.d.). La Distribución Binomial. Físicaymates. Retrieved Marzo 24, 2023, from
https://fisicaymates.com/distribucion_binomial/
Ortega, C. (2021, agosto 25). Análisis exploratorio de datos: Qué es, tipos e importancia.
QuestionPro. Retrieved marzo 23, 2023, from
https://www.questionpro.com/blog/es/analisis-exploratorio-de-datos/
Probabilidad y Estadística. (n.d.). ▷ Distribución Exponencial. ▷ Probabilidad y Estadística.
Retrieved Marzo 24, 2023, from https://www.probabilidadyestadistica.net/distribucion-exponencial/
Ramirez, C. (n.d.). Valores Altos Erráticos | PDF | Cuantil | Parte aislada. Scribd. Retrieved Marzo
23, 2023, from https://es.scribd.com/document/393478052/Valores-Altos-Erraticos
 ResearchGate. (n.d.). Gráfica de la Distribución de Poisson. la Distribución de Poisson. |
Download Scientific Diagram. ResearchGate. Retrieved Marzo 24, 2023, from
https://www.researchgate.net/figure/Grafica-de-la-Distribucion-de-Poisson-la-Distribucion-de-Po
isson_fig2_335635573
 Riquelme, M. (2021, Mayo 27). ▷ Distribución Normal en Estadísticas (formula y uso) | 2023.
Web y Empresas. Retrieved Marzo 24, 2023, from
https://www.webyempresas.com/distribucion-normal-en-estadisticas/
 Rodríguez, F. (2022, Julio 12). ¿Cuáles son los tipos de distribuciones en estadística?
KeepCoding. Retrieved Marzo 23, 2023, from
https://keepcoding.io/blog/tipos-distribuciones-estadistica/
 Statologos. (2023, Junio 5). ▷ Distribución Lognormal: Definición, Ejemplos en 2023 →
STATOLOGOS®. Statologos. Retrieved Marzo 24, 2023, from
https://statologos.com/distribucion-logaritmica-normal/
 Graph Everywhere. (08 de Setiembre de 2021). Grapsheverywhere.com. Obtenido
dehttps://www.grapheverywhere.com/tipos-bases-de-datos-clasificacion/
 Cruz Chávez, M. A. (22 de Junio de 2011). Base de Datos, Conceptos y sus Características.
Obtenido de http://www.gridmorelos.uaem.mx/~mcruz/cursos/miic/bd1.pdf
 Cajal, A. (18 de diciembre de 2018). Investigación de Campo. Obtenido de
file:///C:/Users/Goicochea/Downloads/Investigaci%C3%B3n%20de%20Campo%20
(2).pdf
 Ayuware (s.f.) Validación de datos: qué es, en qué consiste y cómo se aplica.
Obtenido de
https://www.ayuware.es/blog/validacion-de-datos/#:~:text=Se%20conoce%20como
%20validaci%C3%B3n%20de,sobre%20c%C3%B3mo%20introducir%20la%20inf
ormaci%C3%B3n
.
 Aguirre, M. F. (11 de diciembre de 2020). ¿Cómo optimizar la gestión y el
seguimiento de los recursos de un proyecto? Obtenido de
https://www.appvizer.es/revista/organizacion-planificacion/gestion-proyectos/estima
cion-de-recursos-de-un-proyecto
 SAP. (s.f.). ¿Qué es el modelado de datos? Obtenido de
https://www.sap.com/latinamerica/insights/what-is-data-modeling.html#:~:text=Los
%20modelos%20de%20datos%20son,aplicaciones%20compartan%20los
%20mismos%20datos.
 Abellán, J. L. (2021, February 9). Teorema central del límite (TCL).
 Economipedia.Aguirre, M. F. (11 de diciembre de 2020). ¿Cómo optimizar la gestión y el seguimiento de los
recursos de un proyecto? Obtenido de https://www.appvizer.es/revista/organizacion-planificacion/gestion-
proyectos/estimacion-de-recursos-de-un-proyectoA.G. Journel & Ch.J. Huijbregts, 1989. “Mining Geoestatistics”,
Academic Press.
 Alfaro, M. A. (Julio de 20117). Obtenido de Estimación de Recursos:
http://www.cg.ensmp.fr/bibliotheque/public/ALFARO_Cours_00606.pdfApuntes Geoestadísticos (2 de Junio de
2020)http://www.unsj.edu.ar/unsjVirtual/exploracionminas/wp-content/uploads/2020/06/APUNTES-Geoestad
%C3%ADstica-Unidad-VIII.pdfAsunción, M., &
 Morales, J. (2022, March 2). 1.5 Simular con la Transformada Inversa | Simulación de Procesos y Sistemas.
Bookdown.Ayuware (s.f.) Validación de datos: qué es, en qué consiste y cómo se aplica. Obtenido de
https://www.ayuware.es/blog/validacion-de-datos/#:~:text=Se%20conoce%20como%20validaci%C3%B3n%20de,s
obre%20c%C3%B3mo%20introducir%20la%20informaci%C3%B3n
.
 Bratley, P., L. Box, Y L.E. Scharge [1987], A Guide to Simulation, 2nd ed., Springer-Verlag, New York.Cajal, A. (18
de diciembre de 2018). Investigación de Campo. Obtenido de file:///C:/Users/Goicochea/Downloads/Investigaci
%C3%B3n%20de%20Campo%20(2).pdfCruz
 Chávez, M. A. (22 de Junio de 2011). Base de Datos, Conceptos y sus Características. Obtenido de
http://www.gridmorelos.uaem.mx/~mcruz/cursos/miic/bd1.pdfGraph Everywhere. (08 de Setiembre de 2021).
 Grapsheverywhere.com. Obtenido dehttps://www.grapheverywhere.com/tipos-bases-de-datos-clasificacion/Illana,
J.I. (Enero de 2013). Obtenido de Métodos Monte Carlo https://www.ugr.es/~jillana/Docencia/FM/mc.pdfJean-Paul
Chilés & Pierre Delfiner, 1999.