UNIVERSIDAD NACIONAL DEL

ALTIPLANO PUNO
FACULTAD DE INGENIERÍA DE MINAS
GEOESTADÍSTICA MINERA

INVERSO A LA DISTANCIA
Inverso de la Distancia
 Se usan todas las muestras circundantes,
asignando a cada una un peso
n inversamente proporcional a su distancia
1

Donde:


zi v* es el valor estimado del
bloque, z1, …zn son las leyes
al bloque, según la siguiente fórmula:
d i
v*  i 1n de las n muestras circundantes
1

di es la distancia del bloque a
cada una de estas muestras.
 α es un factor ≥ 0
d
i 1 i

• Este método puede atribuir demasiado peso a

las muestras cercanas a los bloques.
• El modelo resultante muestra un zoneamiento  El exponente α regula la influencia de las
gradual de valores altos y bajos. muestras cercanas vs. las lejanas, y por
• Es también muy sensible a la aglomeración de ende el suavizado de los resultados.
datos.  Este factor se determina por ensayo y
error, sin relación directa a la continuidad
de las leyes.
2
Principales deficiencias de los métodos tradicionales de estimación.

• No usan una medida de la correlación espacial de las leyes, debido a esto:

• No discriminan entre regiones donde las leyes se comportan regularmente de otras donde pueden ser
mas aleatorias.
• No distinguen las direcciones preferentes de la continuidad de las leyes.

• No propician la inclusión de criterios geológicos en el modelado numérico de las leyes.

• Son métodos determinísticos, no proveen medidas del error de estimación.

• Presentan un sesgo condicional muy pronunciado, es decir, la sobreestimación de las zonas de

baja ley, y la subestimación de zonas de alta ley.

22
3. Prerrequisitos Geológicos.

23
Dominios de Estimación
• Diferencias en la media, la distribución, el error
estándar y/o la variabilidad espacial entre grupos
de muestras, en diferentes partes del yacimiento
o área de estudio, son usados para delimitar los
dominios de estimación.

• Las diferencias en la mineralogía, la

metalogénesis, el estilo de la mineralización, la
presencia de estructuras que actúan como focos
de alimentación “feeders” o límites de la
mineralización, alteraciones y tipos de rocas o
estratos favorables a la mineralización, es decir
todos los controles de mineralización, deben ser
también considerados para definir los dominios
de estimación.

• De similar forma, en las aplicaciones ambientales

es preciso reconocer las características del
entorno que podrían afectar la distribución de la
variable analizada.

24
Delimitación de los Dominios de Estimación
• La delimitación de los dominios de
estimación debe ser hecha teniendo en
cuenta tres tipos de contactos:
• Contactos Geológicos: Son limites o
superficies entre diferentes tipos de roca,
edades de los estratos, o características de
la roca. Entre estos, los contactos
estructurales pueden actuar como límites
de la mineralización, pueden ser conductos
o albergar la mineralización, o pueden ser
causantes de estilos de mineralización
diferentes.
• Contactos de Mineralización: Son limites
entre los cuales la mineralización, o la
distribución de las leyes se comporta de
forma diferente.
• Contactos Económicos: Son límites entre
cut-off’s o materiales diferentes, delimitan
porciones del yacimiento que deben ser
extraídas y tratadas de forma diferente al
resto

25
El Modelo de Bloques
• Un modelo de bloques es un arreglo 3D
de volúmenes rectangulares de
dimensiones regulares.
• También puede ser entendido como
una grilla ortogonal 3D.

• Es determinado por un origen,

orientación, las dimensiones de cada
volumen individual (bloque) y su
extensión XYZ en un sistema de
coordenadas relativo.
• El tamaño de los bloques es
determinado según los objetivos de la
caracterización 3D, la distribución
espacial de las muestras, los
requerimientos de la estimación
geoestadística y las condiciones de
minado.

26
Objetivos del Modelo de Bloques
• El principal objetivo del modelo de
bloques es proveer un medio para la
representación de la variación de una
variable regionalizada.

• La variabilidad de esta variable es

representada asignando valores
apropiados a los centroides de cada
bloque.

• Un objetivo secundario es proveer una

plataforma para la manipulación de la
variable según los objetivos de la
caracterización.

27
Integración del Modelo de Bloques y los Dominios de Estimación
• Los volúmenes geológicos son
intersecados con el modelo de bloques,
determinándose de forma precisa que
bloques, y cuanto de ellos, caen dentro
de cada dominio.
• De esta forma se asigna valores
categóricos que dependen del dominio
intersecado a cada bloque.
• Esto nos permite limitar la estimación
de una variable en aquellos bloques
que intersequen un dominio o
característica geológica particular.
• Cada bloque puede intersecar mas de
una característica geológicas

28
4. Prerrequisitos Estadísticos.

29
La Función de Distribución Acumulada (CDF)
• Se define como la probabilidad de no • La curva de Hazen: Presenta los
exceder un cut-off z: intervalos de probabilidades
distorsionados, de forma que la
F ( z )  Prob{Z  z}  [0,1] distribución acumulada se aparece
como una línea recta si la distribución es
normal y se emplea una escala
• Propiedades: aritmética, o si la distribución es
• F(z) no decrece lognormal y se emplea una escala
• F(z) є [0,1] logarítmica.
• F(-∞) = 0, y F(∞) = 1

30
La Función de Distribución de Probabilidades PDF)
• La PDF es la derivada de la CDF:
• El Histograma: Presenta el porcentaje
(frecuencia) de muestras que se encuentran
F ( z  dz)  F ( z )
f ( z )  F ( z )  lim distribuidos en cada intervalo de valores.
dz 0 dz


F ( z)   f ( z)dz

Dist. simétrica

Dist. Sesgada a la derecha

Distribución multimodal

31
Cuantiles
• El Cuantil p de la distribución F(zp) es
el valor zp para el cual:

F ( z p )  Prob{Z  z p }  p [0,1]

• Por lo tanto, el Cuantil puede ser

expresado por la forma inversa del
CDF:
q( p)  F 1 ( p)

• 1er cuartil: p = 0.25

• 2do cuartil: mediana, p = 0.5
• 3er cuartil: p = 0.75 Intervalo del 90% de
probabilidad.

32
Medidas de Tendencia Central
• La Media: Es el valor mas representativo de • Media o Valor esperado de una
una distribución simétrica o normal. distribución:
• Para muestras de igual soporte: 
E{Z }   z  f ( z)dz

1 n
m   xi
n i 1
• Para muestras de soporte diferente: • Propiedades:
n
E{a}  a
 i xi
Donde xi, son las leyes
n es el numero de muestras, y
E{aZ}  aE{Z }
i m i 1 es el peso de cada muestra
E{ X  Y }  E{ X }  E{Y }
n


i 1
i

• La Mediana: es el valor que divide un grupo

de muestras o una población en dos
mitades iguales

33
Medidas de Dispersión
• La Varianza. Es el promedio del cuadrado de • Varianza de una distribución:
las diferencias entre los valores y la media.
Se expresa como:
   
 2  E [ Z  m]2  E Z 2  m 2
 Var{Z }
n
s   ( xi  m) 2 / n  1
2

i 1

• Varianza ponderada:
• La Desviación Estándar. Es la raíz cuadrada
de la varianza, tiene la ventaja que puede n  n 
ser expresada en las mismas unidades que
los datos.

i 1
i  zi2 
  i m 2

 i 1 

s2 
s   s2  n 
n 

 i 

• El Coeficiente de Variación. Se calcula como
el cociente entre la desviación estándar y la
  i 
i 1 
i 1
n


media:  
 
Es usado para comparar la variabilidad de
las leyes relativa a la media entre diferentes
dominios o yacimientos.
CV  s / m

34
 La Covarianza

• Es la extensión de la varianza a dos variables.

Cov{ X , Y }  E{[ X  m X ][Y  mY ]}

 E{ XY }  m X E{Y }  E{ X }mY  m X mY .
 E{ XY }  m X mY  m X mY  m X mY
 E{ XY }  m X mY

• La covarianza entre la misma variable es la varianza:

Cov{X , X }  Var{X }

35
Correlación
• El coeficiente de correlación es una • Gráfico de Correlación
medida de dependencia lineal entre
dos variables:
Cov{ X , Y }
 XY   [1,1]
Var( X )Var(Y )

• También se le conoce como “covarianza

estandarizada”

• Si  XY  1 , las dos variables están

perfectamente correlacionadas.

• Si las variables son independientes el

coeficiente de correlación es cero.

• Si  XY  0 no implica que las dos

variables sean independientes.
36
Altos Erráticos

 Un alto errático es un valor que es mucho mas alto que el resto de la población, particularmente en
comparación a los valores de las muestras vecinas.
 No es lo mismo “Errático” que “Erróneo”.

 Existen métodos estadísticos de identificación de altos erráticos pero sus resultados deben ser validados por
la observación y el sentido común.

Grupo de leyes
Que se separan
de la tendencia

 Los altos erráticos también pueden ser identificados visualmente o usando una curva de Hazen.

37
Tratamiento de los Altos Erráticos
• Los altos erráticos pueden ser indicadores
de zonas anómalas interesantes o en
algunos casos la presencia de unos
cuantos puede determinar la viabilidad de
un proyecto. Debido a esto no siempre la
mejor solución es eliminarlos o reducirlos
a un valor arbitrario.

a) Corrección usando el Gráfico de Hazen:

Los valores mas altos son transformados
haciendo que caigan sobre la recta que
forman los valores mas bajos en el gráfico

b) Reducción del valor mas alto.

Si hay un solo valor que es
significativamente superior que los demás,
entonces este valor mas alto puede ser
reducido al valor inmediatamente inferior.

38
Desaglomeración (Declustering)
• Es una práctica común que se
tomen mas muestras en las
zonas ricas que en las zonas de
baja ley. Esto produce un sesgo
en las estadísticas e incluso la
sobreestimación de la ley.

• Esta no es necesariamente una

mala práctica y no debe ser
cambiada, ya que
proporcionan mayor
información en las zonas mas
importantes del depósito.

• Para reducir este sesgo y

obtener un conjunto de datos
estadísticamente
representativos es necesario
aplicar una de las técnicas de
“desaglomeración”

39
Métodos de Desaglomeración
• Para un tamaño fijo de celda y diferentes • Desaglomeración poligonal:Cada
orígenes producen diferentes pesos. muestra es ponderada por el área
de su polígono de influencia.
• Esto se evita considerando múltiples
orígenes. • Es difícil de implementar en 3D
• El tamaño de celda óptimo es el que
minimiza la media desaglomerada.

• Desaglomeración por celdas.

• El volúmen de interés es dividido en una
malla de celdas regulares. I=1,….,L
• Se registra el número de celdas
ocupadas L0 y el número de muestras
en cada celda ni:
i  1 (ni  L0 )

40
Modelos Paramétricos de Distribución
• Existen muchas distribuciones de
probabilidades (PDF o CDF) cuyas
formas puede ser descrita por una
expresión analítica que depende de un
número finito de parámetros.

• En geoestadística la mas usada es la

distribución gaussiana, cuya PDF se
expresa como:

• Donde μ es la media y σ la desviación

estándar de la distribución.

41
Propiedades de la distribución Gaussiana

• Teorema del Límite Central: Si una población, cuya PDF de media μ y desviación estándar σ puede tener
cualquier forma, es muestreada al azar en subgrupos de N muestras. La distribución de las medias de estos
grupos tiende a ser gaussiana con media μ y desviación estándar σ/N

42
 Anamorfosis Gaussiana

 Sirve para transformar cualquier distribución a una distribución Gaussiana o normal.

 Es muy usada para variables continuas.
 Pasos:
1. Construir la distribución acumulada F(z) de la variable Z.
2. Equiparar los cuantiles y hallar los valores correspondientes en la distribución
normal. Esto es:
y  G 1 ( F ( z))
Donde G( y )es la distribución normal estándar

Un paso posterior puede requerir el ajuste de la distribución transformada con

polinomios de Hermite.

43
 Simulación Montecarlo

• Sobre una CDF conocida y representativa

de la población de muestras, considerar la
función cuantil:

q ( p )  F 1 ( p )  x p

Generar los valores p al azar

p [0,1]
• Generar un número aleatorio, ,
de distribución uniforme.

• La función cuantil q(p) arroja el valor

simulado Xp.

• Es aconsejable contar con un generador

de números aleatorios robusto.

44
PRIMER EXAMEN