Primera Unidad

Contenido
Presentación
Capítulo 1
Introducción
1.1. Geoestadística 1
1.2. Antecedentes Históricos 1
1.3. Síntesis Evolutiva 2
1.4. Definición y Objetivos 3
1.5. Necesidad de la Geoestadística 3
1.6. Aplicaciones de la Geoestadística 4
Capítulo 2
Análisis Exploratorio de Datos
2.1. Conocimiento del Problema 6

2.2. Conceptos Necesarios de Estadística Básica 6
2.3. Porqué un Análisis Estadístico 16
2.4. Conjunto de Datos y Aplicaciones 17
2.5. Curvas Ley Tonelaje 24
Capítulo 3
Geoestadística y Teoría de las Variables Regionalizadas
3.1. Variables Regionalizadas 29

3.2. Notacion Condensada 29
3.3. Ejemplos de Variables Regionalizadas (V.R.) 29
3.4. Campo y Soporte 33
3.5. Variables Aditivas 35
3.6. Objetivos de la Teoria 36
3.7. El Modelo Matemático de La Geoestadística: las Funciones Aleatorias 37
3.8. Función de Distribución y Momentos de una Función Aleatoria 39
3.9. Funciones Aleatorias Estacionarias 40
3.10. Relacion Entre el Semivariograma y la Covarianza 41
3.11. El Correlograma 42
Capítulo 4
Análisis Extructural de Datos
4.1. Variograma Experimental 43

4.2. Parámetros del Variograma 45
4.3. Comportamiento del Variograma para Distancias Pequeñas 46
4.4. Comportamiento del Variograma para Grandes Distancias 49
4.5. Cálculo del Variograma a Malla Regular 52
4.6. Cálculo del Variograma para Mallas Irregulares 66
-I-
II Métodos Numéricos Aplicados a Ingeniería
4.7. Mapa de Variograma 77

4.8. Anisotropías 78
4.9. Problemas más Comunes Encontrados en el Cálculo del Variograma 80
Capítulo 5
Modelamiento de Variogramas
5.1. Modelado de Variogramas 82

5.2. Parámetros del Variograma 82
5.3. Modelos Teóricos de Variogramas 83
5.4. Modelamiento del Variograma Experimental 88
5.5. Casos de Estudio 90
5.6. Problemas en el Modelaje de Variogramas 96
5.7. Validación del Modelo Teórico 97
Capítulo 6
Varianza de Estimación
6.1. Enunciado del Problema: 98

6.2. El Error de Estimación 99
6.3. Análisis de Parámetros 101
6.4. Cálculo de La Varianza de Estimación 102
6.5. Casos de Estudio 105
Capítulo 7
Modelo de Kriging
7.1. Introducción 112

7.2. Las Ecuaciones del Krigeado Ordinario para Bloques 114
7.3. Casos de Estudio del Krigeado Ordinario para Bloques 116
7.4. Krigeado Puntual 123
7.5. Propierdades del Kriging o Krigeado 124
7.6. Casos de Estudio Sobre Krigeado Puntual 129
Referencia Bibliográfica 136
Anexo 1
Data Yacimiento de Carbón 137
__________
Presentación
El presente texto universitario, desarrollado durante el uso de la licencia por año sabático 2011, tiene
por objetivo servir a los estudiantes de pre grado como libro de soporte para el aprendizaje de las téc-
nicas geoestadisticas aplicadas a la ingeniería de minas y ciencias ambientales. Asimismo puede ser
usado en todas las carreras que se imparten en la Universidad Nacional Jorge Basadre Grohmann de
Tacna y demás universidades a nivel mundial, como texto básico para la enseñanza de la geoestadisti-
ca.
La necesidad de acudir a herramientas estadísticas para el análisis de datos en todas las áreas del
conocimiento, han hecho que aparezcan con el correr de los años nuevas metodologías que, no obs-
tante se centran en fundamentos probabilísticos comunes, sin embargo son específicas para cada una
de las diversas disciplinas del saber.
Actualmente a nivel mundial la Geoestadistica, conocida también como estadística espacial, ha logrado
un desarrollo sólido en el campo científico, si bien es cierto que nació en el campo de la minería, hoy
en día se viene aplicando en todas las áreas del conocimiento y demás ciencias de la tierra.
Es necesario hacer un merecido reconocimiento a los precursores de esta ciencia por sus valiosos
aportes al conocimiento científico, en los nombres de:
Danie Gerhardus Krige, nacido en el Estado Libre de Orange en Sudáfrica, pionero en el campo de la
geoestadística y fue profesor en la University of the Witwatersrand en Sudáfrica.
Tomó los trabajos de Sichel (1947; 1949) quien observó la naturaleza asimétrica de la distribución del
contenido de oro en las minas surafricanas, la equiparó a una distribución de probabilidad lognormal y
desarrolló las fórmulas básicas para esta distribución. Ello permitió una primera estimación de las re-
servas, pero bajo el supuesto de que las mediciones eran independientes, en clara contradicción con la
experiencia de que existen “zonas” más ricas que otras.
Una primera aproximación a la solución de este problema fue dada por D.G. Krige (1951) que propuso
una variante del método de medias móviles, el cual puede considerarse como el equivalente al krigea-
do que, como se verá más adelante, es uno de los métodos de estimación lineal en el espacio con ma-
yores cualidades teóricas.
Georges Matheron, (1962) desarrolló la técnica denominada kriging basada en la labor investigadora
previa de Krige. La formulación rigurosa y la solución al problema de predicción vino de la mano de
Matheron, de la Escuela de Minas de Paris, quien es considerado como padre de la Geoestadistica.
Formuló la Teoría de las Variables Regionalizadas y definió a la geoestadistica como ¨ la aplicación del
formalismo de las funciones aleatorias al reconocimiento y estimación de fenómenos naturales¨.
Asimismo un sincero agradecimiento a los hombres de ciencia Andre Journel, Michael David, Margaret
Armstrong, Clayton Deutsch, Isobel Clark, Marco A, Sironvalle y demás profesionales, que con sus
aportes diarios robustecen la teoría y aplicación de la geoestadistica.
Organización del libro
A continuación describiremos brevemente el contenido del libro:
- III -
IV Métodos Numéricos Aplicados a Ingeniería
1.- Introducción: Geoestadística, antecedentes históricos, síntesis evolutiva, definición y objetivos,

necesidad de la geoestadística, y aplicaciones de la geoestadística.
2.- Análisis Exploratorio de Datos: conocimiento del problema, conceptos necesarios de estadística
básica, porque un análisis estadístico, conjunto de datos y aplicaciones, curvas ley tonelaje.
3.- Geoestadística y Teoría de las Variables Regionalizadas: Variables regionalizadas, notacion con-
densada, ejemplos de variables regionalizadas (v.r.), campo y soporte, variables aditivas, objetivos de
la teoria, el modelo matemático de la geoestadística: las funciones aleatorias, función de distribución y
momentos de una función aleatoria, funciones aleatorias estacionarias, relacion entre el semivario-
grama y la covarianza, el correlograma.
4.- Análisis Extructural de Datos: Variograma experimental, parámetros del variograma, comportamien-
to del variograma para distancias pequeñas, comportamiento del variograma para grandes distancias,
cálculo del variograma a malla regular, cálculo del variograma para mallas irregulares, mapa de vario-
grama, anisotropías, problemas más comunes encontrados en el cálculo del Variograma.
5.- Modelamiento de Variogramas: Modelado de variogramas, parámetros del variograma, modelos
teóricos de variogramas, modelamiento del variograma experimental, casos de estudio, problemas en
el modelaje de variogramas, validación del modelo teórico.
6.- Varianza de Estimación: enunciado del problema, el error de estimación, análisis de parámetros,
cálculo de la varianza de estimación, casos de estudio.
7.- Modelo de Kriging: Introducción, las ecuaciones del krigeado ordinario para bloques, casos de es-
tudio del krigeado ordinario para bloques, krigeado puntual, propierdades del kriging o krigeado, casos
de estudio sobre krigeado puntual.
Finalmente las Referencias Bibliográficas y Anexo.
Msc. Jorge Segura Dávila
__________
CAPÍTULO 1
INTRODUCCIÓN
1.7. GEOESTADÍSTICA
La Geoestadística abarca la mayor parte de las ciencias naturales exactas y su aplicación hoy en
día es cada vez mayor, por tanto es nuestro interés dar a conocer en este texto, el uso de las he-
rramientas de la Geoestadística a fín de ayudar a los alumnos a interpretar y aplicar las teorías
geoestadísticas básicas necesarias en las etapas de exploración, explotación y evaluación de
yacimientos.
El punto de partida para la formalización del modelo geoestadístico de un fenómeno natural es el

análisis variográfico que sintetiza el comportamiento espacial del mismo y que constituye el cora-
zón de la Geoestadística.
1.8. ANTECEDENTES HISTÓRICOS
Los orígenes de la Geoestadística están en la minería, como antecedentes pueden citarse los
trabajos de Sichel (1947, 1949) y Krige (1951), cuyos estudios están referidos al inmenso archi-
vo de datos que representan las minas de oro sudafricanas.
El primero observó la naturaleza asimétrica de la distribución del contenido de oro en las minas
sudafricanas, la equiparó a una distribución lognormal y desarrolló las fórmulas básicas para esta
distribución. Ello permitía una primera estimación de las reservas, pero suponía implícitamente
que los datos eran independientes, en clara contradicción con la experiencia de que existen “zo-
nas” más ricas que otras.
Una primera aproximación a la solución de este problema fue dada por Krige, que propuso una
variante del método de medias móviles que puede considerarse equivalente al del krigeado sim-
ple que, como veremos, es uno de los métodos básicos de estimación lineal.
Observaron que las distribuciones de las leyes son función de las dimensiones del soporte de las
muestras. Encontraron experimentalmente la relación de Krige:
D2(v/G) = D2(v/V) + D2(V/G)
Que la Geoestadística demostrará formalmente. A partir de estas consideraciones Krige y Sichel

definieron estimadores t insesgados de la ley media de un panel utilizando las características
media y varianza de los logaritmos de las leyes de las muestras.
Después, estudiando las regresiones entre las leyes verdaderas de bloques ya explotados y me-
dias móviles de las leyes de muestras disponibles a priori, Krige y Ueckermann (1963) definieron
nuevos estimadores óptimos no ligados a la hipótesis restrictiva de la lognormalidad.
Estos estimadores de Krige que dieron nombre a la técnica del Krigeage, formalizada mas tarde
por Matheron, permiten resolver sin sesgos el problema difícil de la estimación de reservas des-
-1-
2 GEOESTADÍSTICA PARA LA ENSEÑANZA UNIVERSITARIA
pués de un análisis exhaustivo de la base de datos.
En resumen la escuela sudafricana da inicio al origen de la Geoestadística, al establecer y acla-

rar las nociones claves de:
 Correlaciones espaciales.
 Influencia de las dimensiones de las muestras o del panel sobre las distribuciones.
 Sesgos de estimación cuando se efectúan selecciones sobre el mineral.
Sin embargo, para tener una visión de conjunto, es necesario esperar las primeras obras (1955,
1962) de George Matheron, un minero matemático y probabilista quien utilizó el enorme conoci-
miento experimental de la escuela sudafricana y adaptando el lenguaje probabilístico a cada
realidad concreta, en el Centro de Morfología Matemática de la Escuela de Minas de París; logró
formalizar en un lenguaje riguroso las observaciones experimentales de sus antecesores, dando
lugar a la teoría formal de la Geoestadística.
En los años sucesivos la teoría se fue depurando, ampliando el campo de validez y reduciendo
las hipótesis necesarias, y se desarrollaron las técnicas de aplicación fundamentalmente por las
aportaciones de G. Matheron y su equipo de trabajo.
Desde la Minería, las técnicas geoestadísticas se han exportado a otros muchos campos y, como
técnica, la Geoestadística ha logrado alcanzar su madurez. En la actualidad, las áreas de trabajo
más activas se encuentran por un lado, en el estudio de las implicaciones que sobre las distintas
ramas del conocimiento tienen las funciones aleatorias y el formalismo geoestadístico y, por otro
lado, en la búsqueda de formulaciones alternativas para la caracterización de la variabilidad es-
pacial.
En este contexto cabe destacar la actividad del grupo de la Universidad de Stanford dirigido por
A. Journel.
1.9. SÍNTESIS EVOLUTIVA
En la actualidad los dominios de aplicación de la Geoestadística son amplios, sin hacer referen-
cia directamente a la minería que es el campo que le dio origen, se pueden mencionar: el petró-
leo, en la caracterización de reservorios, en la simulación condicional de variables petrofísicas,
en el uso de la sísmica en las estimaciones. En la pesca, en la estimación de provisiones de pe-
ces, de variables condicionantes, profundidad, temperatura del agua. En la geofísica marina, en
los problemas de filtrar perturbaciones temporales que mezclan el magnetismo espacial, en las
características de su cartografía. La Salud: en la distribución espacial de enfermedades, en la
exposición de individuos a diversos ruidos. La ingeniería civil, en la construcción de obras de
grandes dimensiones, que exigen del conocimiento de la variabilidad espacial de propiedades del
terreno. Las finanzas, en la relación entre el análisis técnico con el análisis económico. Los mate-
riales, en la previsión de propiedades físicas de los materiales. En la cartografía, la hidrogeolo-
gía, el medio ambiente, los campos forestales, el análisis de imágenes, la elección de la red de
muestreo.
Muchos, son los ejemplos que se pueden presentar, todos coincide en que a partir del estudio de
la variabilidad de sus propiedades, se obtienen elementos para predecir sus características. El
desarrollo formal, lo podemos resumir, en lo siguiente:
 1962 Teoria formal de la Geoestadística.

 1970 Explosión a nivel mundial de la Geoestadística.
__________
1 Introducción 3
 1980 Maduración, consolidación.

 1990 Aceptación.
 2000 Aplicaciones, en diversos campos de la ciencia.
 2010 Fortalecimiento científico.
 2012 Nuevas aplicaciones en todas las áreas del conocimiento humano, en el campo de la
robótica y simulación.
1.10. DEFINICIÓN Y OBJETIVOS
DEFINICIONES
 G. Matheron, en su forma actual la definió como: “La aplicación del formalismo de las funcio-
nes aleatorias al reconocimiento y estimación de fenómenos naturales”. A la función aleatoria
(F.A) la podemos visualizar como un variable aleatoria (V.A) definida en todos los puntos del
espacio, o lo que es igual cada realización de la FA es una función espacial (variable regio-
nalizada VR). Lo característico de una FA es que cada realización se puede concebir como
suma de una componente estructurada y otra aparentemente errática.
 Una VA es una función numérica de los puntos de un espacio muestral X  Rn (-,+).
 La Geoestadística es la aplicación de la teoría de las variables regionalizadas a los proble-
mas de reconocimiento, de estimación y de economía minera.
OBJETIVOS
 Expresar las características estructurales Z(x) en una forma matemática adecuada (modelo).
- Continuidad
- Anisotropía
 Resolver de manera satisfactoria los problemas de estimación

- Definir estimadores óptimos
- Encontrar intervalos de confianza, cuantificación del error
1.11. NECESIDAD DE LA GEOESTADÍSTICA
Todos sabemos que en los yacimientos, las leyes siguen una determinada función de distribución
y que no varían al azar, sin embargo, con mucha frecuencia ese hecho no se toma en cuenta al
momento de la cubicación o estimación de reservas. Los procesos de concentración de materias
primas y elementos valiosos que conforman un yacimiento, son procesos naturales que se ciñen
a ciertos patrones y que por lo tanto no son productos del azar; por consiguiente no se puede es-
tudiar un yacimiento por el método estadístico simple o por los métodos clásicos cuya primera
condición a priori es suponer (erróneamente por cierto) que los fenómenos geológicos son com-
pletamente aleatorios que no se rigen por patrones determinados.
Supongamos que las leyes de una veta, tomadas a distancias diferentes de muestreo, a lo largo
de una galería presenta la siguiente distribución.
TRAMO A
Ley Z(x) 1 2 3 4 5 6 5 4 3 2 1
Muestra ● ● ● ● ● ● ● ● ● ● ●
N° 1 2 3 4 5 6 7 8 9 10 11
_________
TRAMO B
Ley Z(x) 3 2 4 6 1 5 1 3 2 4 5
Muestra ● ● ● ● ● ● ● ● ● ● ●
N° 1 2 3 4 5 6 7 8 9 10 11
El estimador estadístico clásico encontraría para ambos tramos las mismas medias y varianzas, e
incluso hasta el mismo histograma; por lo tanto supondrá que en ambos tramos la veta se puede
cubicar y trabajar en la misma forma. Esta simplificación es errónea, ya que podemos ver que en el
tramo A existe un cierto patrón de distribución de las leyes, con una zona central rica que se va em-
pobreciendo hacia ambos lados; mientras que en el tramo B, se trata de una distribución más al
azar.
Lamentablemente en una mina con muchos niveles, muchos metros de galería y miles de mues-
tras, analizadas quizás por varios metales, no será tan fácil reconocer a simple vista, si existe o
no algún patrón de distribución o estructura.
Necesitamos de una técnica con elementos más poderosos, y que (por el afán de simplificar el
problema) no comience justamente por ignorar lo que deseamos encontrar: Que función rige la
distribución de las variables en un yacimiento; es decir, una relación matemática que nos informe
cómo varían las leyes, la potencia, el peso específico y otros parámetros mensurables en el ya-
cimiento. La mejor herramienta actual para estudiar la distribución de tales variables es la GEO-
ESTADISTICA; esta rama de la geomatemática emplea para ello la denominada función Vario-
grama, que es su herramienta básica.
1.12. APLICACIONES DE LA GEOESTADÍSTICA
La Geoestadística se aplica a diversos problemas de caracterización del fenómeno natural y a la

estimación de las variables regionalizadas.
CAMPOS DE APLICACION
VARIABLES ESTUDIADAS
DOMINIO DE LA APLICACIÓN
Industria minera Acumulación de Leyes y Potencia
Geología Peso específico, Porosidad, fallas y discontinui-
dades
Industria Petrolera Potencia de mantos, Porosidad y Sondajes
Geoquímica Investigación de Elementos
Oceanografía Fondos Marinos y Población de Peces
Hidrogeología Conductividad Hidráulica, Coeficientes de Alma-
cenamiento, Niveles Piezométricos y Concentra-
ción.
Meteorología Presión, Velocidad del Aire, Lluvia y temperatura.
Agronomía Densidad de Arboles y Plagas
Topografía Elevaciones
Medio Ambiente Variables de contaminación en aire, agua y sue-
los.
Medicina Variables relacionadas a diversas patologías.
__________
1 Introducción 5
APLICACIONES EN MINERIA
 Control de calidad y control de datos.

 Verificación de datos.
 Modelamiento geológico: Es muy importante la relación entre la Geología y la Geoestadísti-
ca, las mismas que deben estar en comunicación.
 Evaluación preliminar de recursos.
 Optimización de programas de muestreo.
 Modelamiento de depósitos.
 Selección de métodos de minado.
 Estimación de reservas de mineral.
 Evaluación de yacimientos.
 Análisis de riesgo.
 Análisis económico.
Desde que G.Matheron (1962,…,1965) registra la partida de nacimiento de la Geoestadística, se

puede afirmar que esta técnica llega al Perú recién en el año 1970, apartir del año 1974 se han
estudiado varios yacimientos, a tal nivel que incluso en algunas publicaciones periódicas y textos
de Geoestadística editados en otros países (como Francia, Australia, Inglaterra, Canadá, Chile,
etc.),se citan algunos casos peruanos; por ejemplo Journel & Huijbregts(1978) en su exelente li-
bro Mining Geostatistics incluyen el estudio del yacimiento de Michiquillay como caso típico de
estimación de reservas en pórfidos de cobre, emplearon para ello los resultados del estudio geo-
estadístico de Minero Perú (Ex empresa estatal), por los años 1975, 1976.
Mas adelante se incluye en el mismo libro, los resultados del estudio geoestadístico de la veta
argentífera de la mina Uchucchacua, como ejemplo típico de evaluación de reservas en yaci-
mientos del tipo veta.
En la actualidad, el Perú experimenta un desarrollo cada vez mayor de la aplicación de la Técni-

ca Geoestadística a los diversos problemas de la Industria Minera y el medio ambiente, debido al
boom minero que sigue atrayendo cada vez mas a los inversionistas extranjeros, dado el proceso
de desarrollo económico con inclusión social que el gobierno lleva adelante.
_________
CAPÍTULO 2
ANÁLISIS EXPLORATORIO DE DATOS
2.6. CONOCIMIENTO DEL PROBLEMA
Antes de comenzar un estudio geoestadístico se deben discutir todos los elementos que aporten
conocimientos del problema a resolver, la estructura geológica en que se desarrolla la minerali-
zación o el fenómeno en estudio, organización y verificación de la información disponible y final-
mente realizar el análisis exploratorio de los datos.
Una vez obtenido los datos, es necesario que se controlen integralmente a fin de verificar de una
parte su exactitud y de otra su representatividad. Es importante que se esté familiarizado con los
datos, discutir todos los elementos necesarios a fin de conocer el problema a resolver (Armstrong
y Carignan, 1997). En la minería los resultados son muy sensibles al nivel de información usado
(Carrasco-Castelli y Jara-Salame, 1998; Lantuéjoul, 1994), cualquier modificación involuntaria en
la etapa inicial se refleja sistemáticamente durante todo el estudio (Armstrong y Roth, 1997;
Armstrong y Carignan, 1997).
El análisis y el procesamiento de los datos mineros, están basados en las herramientas que nos
ofrece la Geoestadística, la misma que incorpora la localización de las muestras en el espacio.
El problema a resolver implica dos pasos fundamentales:
1ro. Caracterizar e interpretar el comportamiento de los datos referidos a las muestras existen-
tes.
2do. Usar la interpretación para predecir los valores probables respecto a situaciones descono-
cidas.
2.7. CONCEPTOS NECESARIOS DE ESTADÍSTICA BÁSICA
Con el objetivo de conocer la información disponible se puede hacer un análisis de la estadística

descriptiva (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977). A continuación se
presenta un resumen de los conceptos necesarios de estadística básica.
A: Cálculos estadísticos o estadística descriptiva. Permiten determinar si la distribución de

los datos es normal, lognormal, o si no se ajustan a una distribución estadística, lo cual implica
tener conocimiento de:
1.- Numero de casos: Es el número de valores muestreados del fenómeno en estudio, represen-
tados por n y los datos por xi, i = 1, . . . , n, que llamamos distribución.
2.- Rango de la distribución: Es la diferencia entre el valor máximo y el mínimo.
3.- Media: Es la media aritmética de la distribución, dado por la fórmula:
1 n
Xm n
i 1
Xi
n = número de datos contenidos en la muestra.

Xi = valor de cada variable en el conjunto de datos (muestra).
-6-
2 Análisis Exploratorio de Datos 7
4.- Moda: Es el valor más frecuente de la distribución.

5.- Mediana: Es el valor para el cual la mitad de los datos son menores y la otra mitad están por
encima de este valor.
Si ordenamos los datos en orden ascendente podemos calcular la mediana como.
 X(n+1)/2 si n es impar.
M = 
 (Xn/2 + Xn/2+1)/2 si n es par.
La mediana es también llamada percentil 50, además los datos no solo se dividen en dos grupos,
sino que se pueden dividir en cuatro partes, cuartiles, donde Q1 = percentil 25, Q2 = Mediana y
Q3 = percentil 75, si los datos se dividen en 10, tenemos los deciles. De forma general estas me-
didas se pueden calcular por: p(n+1)/100 ésima observación de los datos ordenados ascenden-
temente, donde p es el percentil que se desea calcular.
6.- Varianza: Describe la variabilidad de la distribución. Es la medida de la desviación o disper-
sión de la distribución y se calcula por:
1 n
 Xi  X m
2
  
2
n  1 i 1
n = número de datos contenidos en la muestra.

Xi = valor de cada variable en el conjunto de datos (muestra).
Xm = media o valor promedio del conjunto de datos.
La razón principal por la que se aboga por la división entre n-1 en la estimación de la varianza, es
porque proporciona un mejor estimado; si dividimos por n-1 nos referimos a la varianza muestral
S2 como un estimador insesgado de la varianza poblacional 2. Esto significa que si un experi-
mento fuera repetido muchas veces se podría esperar que el promedio de los valores así obteni-
dos para S2 igualaría a 2. Por otra parte si dividimos entre n los valores obtenidos para S2 serían
como promedio demasiado pequeño, sin embargo cuando tenemos muestras mayores a 100 da-
tos, los resultados de la varianza muestral y poblacional tienden a ser iguales.
7.- Desviación estándar: Describe la tendencia o dispersión de la distribución. Es la medida de
desviación alrededor de la media. Se calcula por:
= 2
8.- Coeficiente de asimetría: Describe la simetría de la distribución relativa a la distribución

normal. Se calcula por:
1 n
3    Xi  X m 3 S 3
n i 1
n = número de datos contenidos en la muestra

Xi = valor de cada variable en el conjunto de datos (muestra)
S3 = momento de tercer orden.
En la distribución normal la asimetría tiene valor cero, un valor negativo indica una cola a la iz-
quierda y un valor positivo indica una cola a la derecha.
_________
9.- Curtosis: Describe el grado de esbeltez de la distribución, tomado por lo general en relación
a una distribución normal, y se puede calcular por:
1 n
 4  Xi  Xm S 4
4
n i 1
n = número de datos contenidos en la muestra

Xi = valor de cada variable en el conjunto de datos (muestra)
S4 = momento de cuarto orden.
La distribución normal tiene curtosis igual a tres, y es llamada mesocúrtica. A las distribuciones
más agudas, con colas relativamente anchas, se les llama leptocúrticas, tienen valores de curtosis
mayores que tres, y las distribuciones más bien achatadas en el centro se llaman platicúrticas, tie-
nen valores menores que tres, en ocasiones se acostumbra a definir la curtosis como 4 - 3.
10.- Error estándar: Describe el grado de conocimiento de los datos y se puede calcular por:
= 2 /n
La distribución normal tiene un valor de error estándar menor que 1.25 y la distribución lognormal
o una distribución con tendencia positiva, tiene valores de error estándar mayores que 1.25.
11.- Coeficiente de variación: Es una medida de la variación relativa de los datos y puede ser
calculado por:
CV = S/Xm
y en porcentaje como: 100 CV = 100 (S/Xm) %
CV = coeficiente de variación
S = desviación estándar
Xm = media
Proporciona una comparación entre la variación de grandes valores y la variación de pequeños

valores. Las técnicas de Geoestadística Lineal que predomina en el campo de las geociencias
producen los mejores resultados cuando el coeficiente de variación es menor que uno, CV  1.
Para CV  1 se recomiendan técnicas de Geoestadística no Lineal.
12.- Prueba Chi-Cuadrado: Permite determinar si la distribución es normal, lognormal o alguna
otra distribución probabilística, es su lugar puede ser usada la prueba “Kolmogorov Smir-
nov” como se refleja por muchos autores es más robusta.
13.- Prueba t-Student: Permite determinar si en una distribución bimodal las medias de las po-
blaciones son estadísticamente diferentes.
B: Construcción de gráficos estadísticos: Estos gráficos permiten ilustrar y entender las distri-
buciones de los datos, identificar datos errados, valores extremos, los mismos incluyen:
1.- Mapa base, sección cruzada y vista en perspectiva: Son usados para visualizar la relación
espacial en 2 y 3 dimensiones, permiten encontrar errores en la información.
2.- Histogramas: Son usados para ver las características descriptivas de la distribución. Es un
gráfico de barras donde en las abscisas aparecen los límites de las clases y en las ordena-
das las frecuencias correspondientes a cada clase.
__________
3.- Frecuencia acumulativa: Usado para identificar el tipo de distribución muestral y ayuda a de-
terminar si están presentes poblaciones mixtas. Es un gráfico de límite de clase contra fre-
cuencia acumulada.
En el caso de gráficos estadísticos es útil usar los gráficos de frecuencia absoluta, relativa, acu-
mulativa y el diagrama de dispersión, como se presenta en muchos sistemas.
Todos estos elementos permiten decidir sobre las condiciones de estacionaridad vistas anterior-
mente. Muchos autores sólo toman como elementos fundamentales de estadística básica que: la
media y la mediana tome valores próximos; el coeficiente de variación sea inferior a 1; la distribu-
ción de los datos esté próxima a la curva normal y no existan valores extremos que afecten el
desarrollo del análisis estructural.
4.- Distribución Normal:
La distribución normal o gaussiana es el modelo más importante y de mayor uso de todas las
distribuciones continuas de probabilidad. Un gran número de estudios indican que la distribución
normal proporciona una adecuada representación de las distribuciones de una gran cantidad de
variables físicas.
DEFINICION: Se dice que una V.A. X se encuentra normalmente distribuida si su función de

densidad de probabilidad esta dada por:
2
1  x 
1   
f ( x;  ,  )  e 2  
2 *  para - < x <  - <  <  >0
El parámetro  no influye en la forma de la curva f(x), su variación conduce a un desplazamiento

de la curva a lo largo del eje x.
_________
La variación del parámetro , altera la forma de la curva f(x).
RESUMEN DE MEDIDAS

E ( x)   xf ( x)dx

1
E (x)  

n
 xi
1  x   2
   x i 
2 2 i
E( x   ) 2   2 n n 
 
Limites de confianza para n>25
Central 68% x   ; x   
Central 95% x  1.96 ; x  1.96 
Central 99.7% x  3 ; x  3 
DISTRIBUCION DE LA MEDIA
Media = x
2
 n2 
Varianza = n
Limites de confianza para n>25
   
x  ;x  
Central 68%  n n
   
 x  1.96 ; x  1.96 
Central 95%  n n
__________
   
x  3 ;x 3 
Central 99.7%  n n
Limites de confianza para n<25
Límite central (1-2p)
   
 x  TP ; x  TP 
 n n
5.- Función de Distribución Acumulativa:
La probabilidad de que una V.A. normalmente distribuida X sea menor ó igual a un valor específico
x, esta dada por la función de distribución acumulativa F(x)
 1  t   2 
P( X  x)  F  x;  ,   
1
 Exp  2     dt
x
 2   
Esta integral no puede evaluarse en forma cerrada, sin embargo se puede tabular F(x;,) como
una función de  y , lo que necesitaría una tabla para cada par de valores. Como existe un núme-
ro infinito de valores de  y , esta tarea es virtualmente imposible.
6.- Distribución Normal Standard:
Ecuación de transformación
x
z

Donde  y  son la media y la desviación estándar de X respectivamente. De acuerdo con lo ante-

rior Z es una V.A. estandarizada con media 0 y desviación estándar 1, lo que nos conduce a la Ley
Normal Reducida (LNR)
P X  x   PZ  z 
_________
Función de densidad de probabilidad (PDF)
1  z2 
f ( x)  Exp  
2  2
Función de distribución acumulativa
Si: P( X  x)  P( Z  z )  Fx ( x;  ,  )  Fz ( z;0,1)
Donde Fz (z;0,1 ) es la función de distribución acumulativa de la función de probabilidad normal es-

tandarizada, la misma que se encuentra tabulada en forma extensa.
 t2 
PZ  z   Fz  z;0,1 
1 z

2 
Exp  
 2
dt

Para cualquier valor específico de z, el correspondiente valor en la tabla es la probabilidad de que

la V.A. normal estandarizada Z sea menor o igual a z.
__________
INTERVALOS DE CONFIANZA
_________
7.- Modelo Log Normal:
Se dice que una variable aleatoria X sigue un Ley Lognormal, si su logaritmo (neperiano, base e)
sigue una Ley Normal. Su función de densidad de probabilidad viene expresada de la siguiente
manera:
 
2
1  ln x   e 
  
 1 2   e 
f ( x)   * 2 * x e ...x  0

 
0.....x  0 
ó
2
 1  ln x   e 
  

1
e
2  e
f ( x)  
d ln x
 2 
Considerando la constante de aditividad  , tendríamos:

2
1  ln( x   )   
1 1   
f ( x)  * e 2  
....    x  
2 *   x   
PARÁMETROS
Si los datos se asemejan a una distribución lognormal, la población se puede definir como una po-
blación lognormal de dos parámetros, siendo estos parámetros la media y la varianza de la pobla-
ción logarítmica. Entonces el valor verdadero de la ley media se puede obtener con la fórmula:
  2 
 
 e  e 
  2 
e  2   2 e e  1
2
 
__________
donde:
 = valor estimado de la Ley Media.

 e = Media de la distribución de los logaritmos de las leyes.
 e = Desviación estándar de la distribución de los logaritmos de las leyes.
 2 = Varianza estimada de las leyes.
Puede ocurrir que, al representar los datos logarítmicos en un diagrama de probabilidad, no se

ajusten exactamente a una recta, mostrando una cierta curvatura en el ajuste, lo que es indicativo
de la presencia de una población lognormal de tres parámetros. Este tercer parámetro, denomina-
do constante aditiva , se calcula como:
x50   x75 * x 25 

x 25  x 75  2 * x50
Siendo los xi los valores de los percentiles correspondientes a cada caso.
Este valor  se añade a la población original de datos (sin transformar logaritmicamente) y, a conti-
nuación, se realiza la transformación logarítmica, obteniéndose una nueva población ln(xi+) que,
representada en el papel probabilístico, sí genera ya una línea recta.
Para calcular, en este caso, el valor de la ley Media, se aplica el procedimiento descrito para la po-
blación de dos parámetros, sustrayéndose el valor de la constante aditiva del resultado final. Las
fórmulas quedarían:
 2 
 e  e 
 2 

 e  


 2  (    ) 2 e e  1
2

TRANSFORMACIÓN
Si z  Lnx
Obtendríamos la siguiente función de probabilidad Normal

2
1 z 
1   
2  
f ( x)  e
2 * 
8.- Modelo estandarizado:
Sí,
Lnx  Ln 1 x
t  Ln
  
De donde obtenemos:
_________
Lnx  Ln  t
dx
 dt
en términos de diferenciales: x
reemplazando esta expresión en la ley normal

2
1  ln x  ln  
1    dx

f ( x)dx  e 2 
2  x
Obtenemos el siguiente modelo estandarizado.
1 2
1  t 
e
t
F (t )  2
dt
2 
En esta función de distribución acumulada, t se constituye como una variable aleatoria normal re-
ducida de valor medio = 0 y varianza igual a 1; cuyos valores se encuentran en tablas.
LIMITES DE CONFIANZA
Para datos originales, los mismos que la distribución normal.
2.8. PORQUE UN ANÁLISIS ESTADÍSTICO
Al inicio hablamos de diferentes problemas y la necesidad de predecir las variables donde no te-
nemos información de muestreo. Esto implica buscar una aproximación estadística. Efectivamen-
te dentro del marco conceptual del trabajo par un análisis estadístico.
Nosotros podemos enfocar el problema de la siguiente manera:
- Detalles a considerarse dentro del caso de estudio.

- Caracterización e interpretación del comportamiento de las muestras de los datos
alrededor de la vecindad espacial.
- Combinar las variables asumidas, la interpretación y la teoría estadística para pro-
ducir el "Mejor" estimador para el valor desconocido.
- Usar la base teórica para proveer medidas de incertidumbre o confianza en la "Me-
jor" estimación.
La base teórica de la Geoestadística incorpora a la teoría de la estadística clásica y obtiene los

mismos resultados cuando la variable asume un comportamiento aleatorio.
__________
El área de influencia donde los datos muestran una correlación espacial, están dados por una
distancia ¨a¨, entonces habrá una relación estructural entre las muestras, un grado de dependencia
entre ellas, que es estudiada por la Geoestadistica. En cambio cuando no hay ninguna relación en-
tre las muestras del conjunto de datos, se dice que hay una independencia entre sus valores y se
puede observar un comportamiento aleatorio entre las mismas, la Geoestadistica en estas zonas
de independencia de valores, encontrara los mismos resultados que la estadística clásica.
2.9. CONJUNTO DE DATOS Y APLICACIONES
1.- CASO DE ESTUDIO CON DATOS DE UNA MINA DE CARBÓN.
Conjunto de datos simulados sobre un estrato real de carbón en el Africa el Sur. Los taladros perfo-
rados sobre el estrato de carbón son medidos para encontrar la siguiente información: espesor
(mts), contenido de energía o valor calorífico del carbón (expresado en Megajoules por Ton.), con-
tenido de ceniza (%) y contenido de sulfuros (%).
Las tres coordenadas expresadas en metros son medidas desde arriba (collar) del estrato del car-
bón donde es intersectado por el taladro.
SOFTWARE: Para los ejemplos del TEXTO puede utilizarse el software Geostokos (Ecosse) dise-
ñado especialmente para la enseñanza y que corre bajo la plataforma de windows 98/2000 y NT.
Este programa puede bajarse desde internet:
Otras herramientas alternativas, usadas en el presente texto, son los siguientes software: Geoeas,
Variowin, Surfer, Excel, Etc. Asimismo existen en Internet una diversidad de programas y demos de
libre disposición, a los cuales puede acudir el alumno.
COAL PROJET DATA

MUESTRA ESTE NORTE ELEVACION POTENCIA VALOR CA- CENIZA SULFUROS
(ID) (mts) (mts.) (mts) (mts) LORIFICO (%) (%)
(MJ)
01 9500 12600 605,90 1,84 22,26 19,29 0,83
02 9650 12600 605,10 1,73 21,36 19,97 0,78
...
...
96 11000 14100 606,90 1,69 25,57 14,63 1,03
Los datos completos, son presentados en anexos del presente texto.
La variable a ser estudiada será el valor calorífico, expresado en (MJ). Daremos un procedimiento
para diseñar la tabla de frecuencias que nos conducirá a construir gráficos y mediante un análisis
cualitativo ver si estos datos siguen un modelo normal o log normal, que serán confirmados por
análisis estadísticos cuantitativos.
Procedimiento para el diseño de la tabla de frecuencias: Después de haberse recopilado la in-

formación de campo y organizado en una base de datos, se elige la variable a ser analizada y se
procede a construir una Distribución de Frecuencias, para facilitar el análisis y la interpretación co-
rrespondiente. La estructura de la tabla es la siguiente:
INTERVALO Xi fi hi Fi Hi hi*100 Hi*100

[L1,L2)
[L2,L3)
…
[Lk-1,Lk]
_________
Procedimiento de cálculo
1. Determinar el rango (R) de variación de los datos.

R = Xmax - Xmin (diferencia entre el dato máximo y mínimo).
2. Determinar el número de intervalos (K) en forma directa, seleccionando un número entre 5
y 30 intervalos, o calcularlo mediante la fórmula de Sturges, cuyo resultado debe ser re-
dondeado al entero inmediato superior.
K = 1 + 3.3log(n) n >= 10
3. Determinar la amplitud o ancho del intervalo (W)
W=R/K
4. Determinar los límites de los intervalos
L1 = [Xmin , Xmin + W)
L2 = [Xmin + W, Xmin + 2W)
L3 = [Xmin + 2W, Xmin +3W)
…
Lk = [Xmin + (k-1)W, Xmin + KW]
Presentación de datos
Los datos pueden ser presentados mediante los siguientes gráficos:
 Histograma de frecuencias.
 Polígono de frecuencias.
 Histograma acumulado.
 Gráficos de variabilidad.
 Grafico de probabilidad.
 Otros.
Cálculos previos para la construcción de la tabla de frecuencias, usando los datos de la mina de
carbón.
VARIABLE VALOR
n 96
min 19,92
max 30,46
Rango 10,54
k 8
w 1,32
Distribución de fre-
cuencias
INTERVALOS
Xi fi hi Fi Hi hi*100 Hi*100
Li Ls
19,920 21,240 20,580 9 0,094 9,000 0,094 9,375 9,375
21,240 22,560 21,900 13 0,135 22,000 0,229 13,542 22,917
22,560 23,880 23,220 15 0,156 37,000 0,385 15,625 38,542
23,880 25,200 24,540 21 0,219 58,000 0,604 21,875 60,417
25,200 26,520 25,860 15 0,156 73,000 0,760 15,625 76,042
26,520 27,840 27,180 11 0,115 84,000 0,875 11,458 87,500
27,840 29,160 28,500 8 0,083 92,000 0,958 8,333 95,833
29,160 30,480 29,820 4 0,042 96,000 1,000 4,167 100,000
__________
Construcción del histograma Xi VS fi :
HISTORAMA
25
20
15
10
0
20,580 21,900 23,220 24,540 25,860 27,180 28,500 29,820
Cualitativamente observamos que los datos siguen un modelo Normal, con una tendencia
hacia la zona central, que aproximadamente equidistan de los extremos.
HISTOGRAMA ACUMULADO
120,000
100,000
80,000
60,000
40,000
20,000
0,000
80
00
20
40
60
80
00
20
,5
,9
,2
,5
,8
,1
,5
,8
20
21
23
24
25
27
28
29
Gráfico acumulado Xi VS Fi , con crecimiento ascendente.
Variabilidad
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
0
0
00
50
00
00
00
50
00
70
40
25
25
10
95
96
95
98
98
96
98
10
10
10
10
10
Gráfico mostrando las variaciones del valor calorífico, a lo largo de la coordenada Este.
_________
MEDIDAS ESTADISTICAS CUANTITATIVAS, CALCULADO CON EL PRO-
GRAMA GEOEAS.
Grafico de probabilidad, basado en la recta de Henry, para demostrar la normalidad del conjunto de
datos, obsérvense las medidas estadísticas, cuyos valores confirman que los datos siguen una Dis-
tribución Normal, con parámetros, media igual a 24.624 MJ y varianza de 6.043 o desviación es-
tándar de 2.458 MJ.
El valor de la media y la mediana, tienden al valor de 24.6 MJ. lo que quiere decir que el valor es
bastante representativo, con un coeficiente de asimetría (Skewness) de 0.228, que confirma el
sesgo mínimo de la data.
2.- CASO DE ESTUDIO CON DATOS DE UNA MINA DE ORO
Las muestras tomadas en un yacimiento de oro, configuran los siguientes datos expresados en
gr/ton.
0,1 0,2 0,5 1,0 1,2 2,1 2,5 3,0 5,1 10
Calcular las medidas estadísticas, analizar la variabilidad de los datos y la tendencia hacia un
modelo Normal o Log Normal.
Estructura de datos para un cálculo manual
ID Xi (Xi - Media)^2 (Xi - Media)^3 (Xi - Media)^4 Hi*100

1 0,1 6,101 -15,069 37,220981 10
2 0,2 5,617 -13,312 31,549566 20
3 0,5 4,285 -8,870 18,360368 30
4 1 2,465 -3,870 6,075732 40
5 1,2 1,877 -2,571 3,522754 50
6 2,1 0,221 -0,104 0,048797 60
7 2,5 0,005 0,000 0,000024 70
8 3 0,185 0,080 0,034188 80
9 5,1 6,401 16,194 40,971521 90
10 10 55,205 410,172 3047,580984 100
__________
Aplicando las formulas estadísticas, tenemos los siguientes resultados:
Medida Valor
media 2,570
mediana 1,650
Var 8,236
desv std 2,870
CV (%) 111,668
Q1 0,350
Q3 2,750
IQR 2,400
moment3 38,265
moment4 318,536
sk 1,619
E 1,696
histograma
6
5
4
3
fi
1
0
1 3 Xi
5 7 9
Asociado al conjunto de datos de la mina de oro, observando el histograma y las medidas

estadísticas, notamos que hay valores OUTLIERS, fuera de la vecindad del conjunto y
uno de esos valores es el dato cuyo valor tiene 10 gr/ton, lo que hace que la distribución
tenga un sesgo pronunciado con tendencia al modelo Log Normal y el valor de la media
no es representativo ya que tiene una tendencia hacia los valores altos, mostrándose una
gran diferencia entre el valor de la media y la mediana (0.92 gr/ton).
Esto implica que no podemos seguir con nuestro análisis, ya que primero tenemos que
homogenizar nuestra data para no arrastrar errores, que podrían repercutir más adelante
cuando uno haga estimaciones y modelamientos, los mismos que devendrían en no con-
fiables.
Vamos a eliminar el valor alto de 10 gr/ton de la data y veamos ahora cual es el compor-
tamiento el modelo y sus medidas estadísticas.
Medida Valor
Media 1,744
Mediana 1,200
Var 2,336
desv std 1,528
CV (%) 87,611
Q1 0,275
Q3 2,400
IQR 2,125
Moment3 3,290
Moment4 16,156
Sk 0,921
E -0,039
_________
histograma
6
5
4
3
fi
1
0
1 3 5
Xi 7 9
El modelo Log Normal está más definido y ahora la diferencia entre la media y la mediana
es menor (0.54 grs/ton).
Los alumnos ahora comprenderán porque es necesario hacer el análisis estadístico, previo
a un análisis espacial o geoestadistico, el objetivo es no incurrir en mayores errores.
3.- CASO DE UN YACIMIENTO DE ORO CON 30 DATOS.
Leyes en grs/ton.
ID Xi ID Xi ID Xi
1 0,1 11 0,6 21 0,4
2 5,5 12 1,4 22 0,5
3 0,5 13 6,8 23 1,5
4 1,0 14 5,1 24 2,3
5 1,2 15 8,4 25 3,2
6 2,1 16 4,2 26 2,9
7 2,5 17 0,3 27 4,3
8 3,0 18 1,5 28 3,8
9 5,1 19 1,8 29 7,2
10 10,0 20 2,2 30 4,9
Histograma deducido en base a una tabla de frecuencias.
Yacimiento de Oro
14
12
10
8
fi
6
4
2
0
1,0 2,7 4,4 6,1 7,8 9,5
xi
Observamos claramente que los datos tienden a un modelo Log Normal.
Veamos como resultan las medidas estadísticas, calculadas con el Programa Geoeas.
__________
El gráfico de probabilidad, nos muestran que estos datos no siguen una Distribución Normal, ya
que no se alinean a una recta, sobre todo en los primeros datos. La asimetría o sesgo es evidente
por los valores mostrados del coeficiente Skewness de 1.019, que indica el sesgo existente en el
conjunto de datos, demostrando la aproximación a un modelo Log Normal.
Haciendo la transformación logarítmica de los datos con Yi = Ln (Xi), obtenemos una distribución
normal, con los siguientes resultados:
Estos valores logarítmicos, se aproximan a una distribución normal, obsérvese la similitud

de los valores de la media y la mediana, con un coeficiente de asimetría Skewness, míni-
mo de -0.031.
Estimación de los parámetros del modelo Log Normal, en unidades el conjunto de datos.
Reemplazando los valores logarítmicos en las formulas, obtenemos:

  2 
 e  e 
  2 
e  
_________
  0.541  
 0.995   
  e  2 
 3.54
  3.54

 2   2 e e  1
2


 2  (3.54) 2 e 0.541  1 
 2  8.99
 3
Entonces decimos, que la data del yacimiento de oro, sigue un Modelo Log Normal con
parámetros, media igual a 3.54 grs/ton y con una varianza de 8.99 o una desviación están-
dar de 3 grs/ton.
2.10. CURVAS LEY TONELAJE
Las aplicaciones de las Curvas Ley Tonelaje nos permiten analizar el comportamiento de un con-
junto de datos de un determinado yacimiento minero, en cuanto a sus recursos económicamente
explotables de acuerdo a una Ley mínima o Cutt Off. Con lo que se puede presentar varias alter-
nativas, en función a sus reservas. Según el modelo que siga cada yacimiento, tendrá un procedi-
miento especifico.
1.- Curvas Ley Tonelaje cuando el yacimiento sigue un Modelo Normal
Proporción de mineral sobre una ley de corte
P  1  F z 
xc  
z

 t2 
Fz  z;0,1 
1 z

2 
Exp  
 2
dt

(tabla Distribución Normal Standar)
Ley promedio recuperable

  xc   x  * ( z)
P
1  z2 
 ( z)  exp  
2  2 
2.- Curvas Ley Tonelaje cuando el yacimiento sigue un Modelo Log Normal
Cálculo de parámetros logarítmicos
Paso Previo, cuando los parámetros están expresados en unidades logarítmicas.
Cuando los datos estadísticos están referidos al cálculo original de las muestras xi , enton-
__________
ces es necesario calcular previamente los parámetros logarítmicos para después proceder
con el método normal.
S 2 
S  Ln  2  1
2
e  
xe  Ln x   0.5 s e2
x 
donde:
s e2 = Varianza de los logarítmicos.

s 2 = Varianza muestral original.
x 2 = Media muestral original.
xe = Media de los logarítmicos.
Cálculo de la proporción del tonelaje minable (P)
Evaluación de Z
LnX c  X e 1 x    e
Z Z Ln  c 
 e      2
o
e
Z=t
1 2
1  t 
e
t
F (t )  2
dt (tabla)
2 
P  1  F t 
Ley promedio recuperable ( X lc )

Q
X  lc  *x
P
Q  1  F z  se 
F  z  s e  valor calculado o de tabla
También se puede usar la siguiente fórmula.

1  x    e 
F  Ln c  
  e      2 
  xc        
1  xc     e 
F  Ln   
  e      2
F(z) = Tabla
3.- Aplicaciones de las Curvas Ley Tonelaje.
1. Caso de estudio de un depósito de hierro: Tenemos un depósito de hierro, el cual se

conoce que las muestras siguen una distribución normal con un ley promedio del 48% y
_________
una desviación estándar del 5%. Asimismo el modelo de bloques del yacimiento nos da
una desviación estándar del 4.45%.
Analizar las incidencias de las dos distribuciones en el cálculo de la Ley/Tonelaje.
Representaremos los modelos en función a sus parámetros y utilizando las formulas del
modelo normal y cálculos efectuados en el programa Excel, para reproducir las funciones
de densidad de probabilidad.
Distribución Normal
0,09
0,08
0,07
0,06
0,05
f(x)
0,04 Muestras
Bloques
0,03
0,02
0,01
0
-30 -20 -0,01
-10 0 10 20 30 40 50 60 70 80 90
x
Modelo normal para muestras y bloques.
Calculo del Tonelaje y Ley para varias leyes de corte, usando el programa Excel y las for-
mulas expuestas anteriormente, para el Modelo Normal.
MUESTRAS BLOQUES
L.C.
P(%) L.MEDIA P(%) L.MEDIA
40 94,52 48,59 96,39 48,37
42 88,49 49,10 91,12 48,79
44 78,81 49,84 81,56 49,45
46 65,54 50,81 67,34 50,38
48 50 51,99 50 51,55
50 34,46 53,34 32,66 52,91
52 21,19 54,84 18,44 54,43
54 11,51 56,44 8,88 56,06
56 5,48 58,12 3,61 57,77
Cada Ley de Corte, representa una alternativa de explotación con una proporción de tone-
laje económicamente explotable con su respectiva Ley, para cada modelo de muestras y
bloques. Generalmente un yacimiento se explota en base al modelo de bloques, en este
caso, por ejemplo si las condiciones de la tecnología y el mercado determinan utilizar una
Ley de Corte de 44 %, entonces tendríamos el 81.56 % de mineral económicamente explo-
table con una ley promedio de 49.45 %.
Con estos datos, representamos las curvas Ley Tonelaje.
__________
Ley de Corte/Tonelaje
1,2
1
0,8
Muestras
P 0,6
Bloques
0,4
0,2
0
35 40 45 L.C 50 55 60
Curvas Ley de Corte/Tonelaje, para el modelo de muestras y bloques del depósito de hie-
rro.
Ley de Corte/Ley Media

60
Ley Media
55
Muestras
Bloques
50
45
35 40 45 LC 50 55 60
Curvas Ley de Corte/Ley media, para el modelo de muestras y bloques del depósito de hie-
rro.
2. Caso de estudio de un yacimiento de Pb y Zn.
Tomemos el caso de un yacimiento de Pb, Zn, donde el porcentaje de metal combinado es

la variable económica. Se conoce que las muestras están distribuidas lognormalmente con
un valor promedio del 12% y una desviación estándar del 8%.
La unidad de minado seleccionada es un bloque de 10x10x5 mts., cuya desviación están-

dar es igual a 5.56% de metal combinado.
Analizar las incidencias del cálculo de la Ley/tonelaje.
Representaremos los modelos en función a sus parámetros y utilizando las formulas del
modelo lognormal y cálculos efectuados en el programa Excel, para reproducir las funcio-
nes de densidad de probabilidad.
_________
FUNCION DE PROBABILIDAD LOGNORMAL

0,12
0,1
0,08
muestras
f(x)
0,06
bloques
0,04
0,02
0
0 10 20 30 40 50
X
Función de probabilidad para el Modelo Log Normal para muestras y bloques.
Calculo del Tonelaje y Ley para varias leyes de corte, usando el programa Excel y las for-
mulas expuestas anteriormente, para el modelo Log Normal.
MUESTRAS BLOQUES
L.C.
P(%) L.MEDIA P(%) L.MEDIA
4 93,29 12,637 98,11 12,159
5 87,12 13,213 94,17 12,459
6 79,76 13,924 87,60 12,941
7 71,92 14,734 78,95 13,579
8 64,12 15,616 69,19 14,338
9 56,69 16,550 59,23 15,188
10 49,83 17,523 49,77 16,105
11 43,62 18,525 41,20 17,072
Cada Ley de Corte, representa una alternativa de explotación con una proporción de tone-
laje económicamente explotable con su respectiva Ley, para cada modelo de muestras y
bloques. Generalmente un yacimiento se explota en base al modelo de bloques, en este
caso, por ejemplo si las condiciones de la tecnología y el mercado determinan utilizar una
Ley de Corte del 7 %, entonces tendríamos el 78.95 % de mineral económicamente explo-
table con una ley promedio de 13.579 %.
__________

Primera Unidad

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Primera Unidad

Uploaded by

Copyright:

Available Formats

Contenido

2.1. Conocimiento del Problema 6

3.1. Variables Regionalizadas 29

4.1. Variograma Experimental 43

4.7. Mapa de Variograma 77

5.1. Modelado de Variogramas 82

6.1. Enunciado del Problema: 98

7.1. Introducción 112

Referencia Bibliográfica 136

Organización del libro

A continuación describiremos brevemente el contenido del libro:

1.- Introducción: Geoestadística, antecedentes históricos, síntesis evolutiva, definición y objetivos,

Msc. Jorge Segura Dávila

El punto de partida para la formalización del modelo geoestadístico de un fenómeno natural es el

1.8. ANTECEDENTES HISTÓRICOS

D2(v/G) = D2(v/V) + D2(V/G)

Que la Geoestadística demostrará formalmente. A partir de estas consideraciones Krige y Sichel

En resumen la escuela sudafricana da inicio al origen de la Geoestadística, al establecer y acla-

1.9. SÍNTESIS EVOLUTIVA

 1962 Teoria formal de la Geoestadística.

 1980 Maduración, consolidación.

1.10. DEFINICIÓN Y OBJETIVOS

 Resolver de manera satisfactoria los problemas de estimación

1.11. NECESIDAD DE LA GEOESTADÍSTICA

1.12. APLICACIONES DE LA GEOESTADÍSTICA

La Geoestadística se aplica a diversos problemas de caracterización del fenómeno natural y a la

 Control de calidad y control de datos.

Desde que G.Matheron (1962,…,1965) registra la partida de nacimiento de la Geoestadística, se

En la actualidad, el Perú experimenta un desarrollo cada vez mayor de la aplicación de la Técni-

El problema a resolver implica dos pasos fundamentales:

2.7. CONCEPTOS NECESARIOS DE ESTADÍSTICA BÁSICA

Con el objetivo de conocer la información disponible se puede hacer un análisis de la estadística

A: Cálculos estadísticos o estadística descriptiva. Permiten determinar si la distribución de

n = número de datos contenidos en la muestra.

4.- Moda: Es el valor más frecuente de la distribución.

Si ordenamos los datos en orden ascendente podemos calcular la mediana como.

n = número de datos contenidos en la muestra.

8.- Coeficiente de asimetría: Describe la simetría de la distribución relativa a la distribución

n = número de datos contenidos en la muestra

n = número de datos contenidos en la muestra

y en porcentaje como: 100 CV = 100 (S/Xm) %

Proporciona una comparación entre la variación de grandes valores y la variación de pequeños

4.- Distribución Normal:

DEFINICION: Se dice que una V.A. X se encuentra normalmente distribuida si su función de

2 *  para - < x <  - <  <  >0

El parámetro  no influye en la forma de la curva f(x), su variación conduce a un desplazamiento

Limites de confianza para n>25

Central 95% x  1.96 ; x  1.96 

Limites de confianza para n>25

Limites de confianza para n<25

Límite central (1-2p)

5.- Función de Distribución Acumulativa:

Donde  y  son la media y la desviación estándar de X respectivamente. De acuerdo con lo ante-

Función de distribución acumulativa

Donde Fz (z;0,1 ) es la función de distribución acumulativa de la función de probabilidad normal es-

Para cualquier valor específico de z, el correspondiente valor en la tabla es la probabilidad de que

Considerando la constante de aditividad  , tendríamos:

 = valor estimado de la Ley Media.

Puede ocurrir que, al representar los datos logarítmicos en un diagrama de probabilidad, no se

Siendo los xi los valores de los percentiles correspondientes a cada caso.

Obtendríamos la siguiente función de probabilidad Normal

8.- Modelo estandarizado:

reemplazando esta expresión en la ley normal

Obtenemos el siguiente modelo estandarizado.

INTERVALO Xi fi hi Fi Hi hi100 Hi100