Curso Estadistica 1

MDULO 1.1 - EXACTITUD Y PRECISIN EN EL LABORATORIO ..................................................
2
INTRODUCCIN ................................................................................................................................................... 2
TEORA / ANTECEDENTES ................................................................................................................................... 2
CUANTIFICACIN DE ERRORES ................................................................................................................ 4
Un Breve Ejemplo de Promedio y Varianza.................................................................................................. 4
COMPARACIN DE DATOS DE DOS LABORATORIOS ........................................................................................... 6
EXACTITUD, PRECISIN Y CORRELACIN .......................................................................................................... 8
Sesgo Condicional........................................................................................................................................ 10
OBSERVACIONES............................................................................................................................................... 12
MDULO 1.2 - SON LOS DATOS REPRESENTATIVOS? ..................................................................... 13
INTRODUCCIN ................................................................................................................................................. 13
ANTECEDENTES / TEORA ................................................................................................................................. 13
Tamao de Muestra ..................................................................................................................................... 13
Ubicacin de las Muestras .......................................................................................................................... 15
Manejando Datos Agrupados ...................................................................................................................... 16
Polgonos de Influencia ............................................................................................................................... 16
El Mtodo de Malla...................................................................................................................................... 18
Desagrupamiento de Celdas ........................................................................................................................ 18
COMENTARIOS .................................................................................................................................................. 22
MDULO 1.3 - DISTRIBUCIONES ESTADSTICAS ................................................................................ 25
INTRODUCCIN ................................................................................................................................................. 25
ANTECEDENTES / TEORA ................................................................................................................................. 25
Un Ejemplo Simple....................................................................................................................................... 25
Un Ejemplo Ms Complicado ...................................................................................................................... 26
Un ejemplo considerando la disponibilidad del equipo.............................................................................. 27
Datos Continuos........................................................................................................................................... 28
La Distribucin Normal ............................................................................................................................... 29
La Distribucin Log-normal ........................................................................................................................ 32
Ejemplos ....................................................................................................................................................... 34
COMENTARIOS .................................................................................................................................................. 35
MODULO 1.4 - ANLISIS DE DATOS ......................................................................................................... 36
INTRODUCCIN ................................................................................................................................................. 36
TEORA / ANTECEDENTES ................................................................................................................................. 36
Grficos Rectangulares ............................................................................................................................... 37
Grficos Interactivos.................................................................................................................................... 39
Grficos de Efecto Proporcional ................................................................................................................. 40
Grficos de Probabilidad ............................................................................................................................ 42
COMENTARIOS .................................................................................................................................................. 43
___________________________________________Curso de Geoestadstica para Minera
Mdulo 1.1 - Exactitud y Precisin en el Laboratorio

Introduccin
La geoestadstica considera el estudio de la informacin distribuida en el aspecto espacial.
Para permitir una introduccin a algunos conceptos bsicos subyacentes a la geoestadstica
sin la complejidad de la componente espacial, este primer mdulo examinar los conceptos
estadsticos clsicos para la informacin no espacial. Como una ayuda para la introduccin
de estos conceptos, se examinar una situacin hipottica de someter una muestra a un
laboratorio y definir la calidad de los datos de ensayo resultantes. Los resultados
proporcionadas por un laboratorio siempre contienen algn elemento aleatorio. Esto es, en
incluso el material ms cuidadosamente homogeneizado que es sub-muestreado y enviado
al laboratorio, existen siempre diferencias dentro de las muestras mismas, o en la
preparacin de la muestra, o los procedimientos que hacen que cada sub-muestra tenga
diferentes leyes informadas. Las tcnicas estadsticas bsicas utilizadas para medir esta
aleatoriedad sern discutidas en este capitulo. En los siguientes mdulos, las mediciones de
incertidumbre descritas aqu sern aplicadas a la informacin distribuida en el aspecto
espacial.
Teora / Antecedentes
Como punto de partida, vamos a suponer que una muestra normal de ley conocida ha sido
preparada y ser sub-muestreada. A travs de una evaluacin de los resultados de ensayo
de la sub-muestra se obtendr alguna idea acerca de la calidad de los ensayos.
Especficamente, supongamos que 100 sub-muestras son entregadas y se requiere una
cuantificacin de la ley de un elemento de inters especfico. Este marco hipottico es, de
alguna forma, similar a un arquero apuntando a un blanco. La mayor diferencia es que el
arquero generalmente puede ver el centro del blanco. El arquero en nuestro caso, el
laboratorio, debe establecer correctamente la ubicacin del centro del blanco y luego debe
alcanzarlo repetidas veces. Muchas cosas pueden suceder. En el mejor de los casos el
laboratorio establecer su mira justo en el centro del blanco y lo alcanzar en todas las
oportunidades. Este laboratorio sera considerado perfecto ya que la ley conocida se
reproducira en todos los intentos. Pero ya que nadie (y ciertamente ningn laboratorio) es
perfecto, este marco hipottico es muy poco probable.
Cmo pueden salir mal las cosas? Hay algunas formas. El arquero puede perder
consistentemente el centro del blanco por exactamente la misma cantidad. Esto sera
equivalente a un laboratorio informando exactamente la misma ley para cada una de las 100
sub-muestras entregadas; pero, desafortunadamente informando una ley diferente de la ley
conocida. Este tipo de diferencia es conocido como un error sistemtico y puede ser
comparado con el caso de un arquero (debido quizs a un equipamiento deficiente o
anteojos poco apropiados) que consistentemente est fuera del blanco. Puede acertar en el
mismo lugar todo el tiempo, pero desafortunadamente el punto acertado no es el centro del
blanco.
Consideremos un segundo arquero (con el equipo apropiado - incluyendo los anteojos), este
arquero sabe donde se encuentra el centro del blanco, pero (debido a una mano temblorosa)
______________________________________________________________________

no parece acertarle. Como resultado, las flechas estn a lo largo de todo el blanco en un
patrn al azar. Debido a que este arquero estaba apuntando al centro correcto del blanco y
slo no pudo alcanzarlo debido a los movimientos al azar provenientes de su mano, el error
sistemtico es mnimo. El tipo de error observado aqu es conocido como error aleatorio.
Un laboratorio con errores aleatorios (pero no sistemticos) retornara, en promedio,
valores centrados en el valor conocido. En muchos casos, los valores informados por un
laboratorio contienen tanto errores sistemticos como errores aleatorios. Esto es
equivalente a un arquero con una ubicacin deficiente y una mano temblorosa.
Exacto y Preciso
Exacto pero no Preciso
Preciso pero no Exacto
ni Exacto ni Preciso
Ejemplos de posibles tipos de errores
Tpicamente, un laboratorio que proporciona resultados que contienen errores sistemticos

mnimos o ningn error es considerado exacto. Un laboratorio que proporciona resultados
con un margen escaso de error aleatorio es considerado preciso. En todos los aspectos de
estimacin de recursos, comenzando por los resultados de laboratorio y continuando hasta
la estimacin de ley de bloques, queremos esforzarnos por lograr cero errores sistemticos
(exactitud perfecta) y errores aleatorios que sean lo ms pequeos posible (alta precisin).
______________________________________________________________________
Cuantificacin de Errores
Cada resultado proporcionado por un laboratorio, o la ubicacin de cada flecha en un
blanco, o el nmero que aparece despus de tirar un par de dados, son todos ejemplos de
realizaciones de variables aleatorias. La propiedad ms importante de definir es la
tendencia central de la variable aleatoria. Algunos trminos que son utilizados a menudo
para describir la tendencia central son un valor promedio o medio, el valor ms probable y
ms comn. El valor medio de la variable aleatoria es la medida ms comn de la
tendencia central. El valor medio es inferido de un promedio aritmtico de las
realizaciones.
Una segunda propiedad a definir es la extensin de la variable aleatoria. La extensin
describe el grado de diferencia entre las diferentes realizaciones individuales y la medida de
tendencia central. Alternativamente, las medidas de extensin describen lo variables o
errticas que pueden ser las realizaciones individuales. La medida de extensin ms
comn es la varianza.
Considerando nuevamente el ejemplo del tiro al blanco, podemos ver que la exactitud est
relacionada al valor medio y la precisin est relacionada a la varianza. El centro de un
patrn de flechas es el valor medio estimado y la diferencia entre la media estimada y la
media real o el centro del blanco es la exactitud. La varianza de las flechas individuales
alrededor de la media describe la extensin. La varianza es por lo tanto una medida de
precisin.
Si el valor promedio de los datos es diferente del valor medio de la variable aleatoria, los
datos son inexactos o SESGADOS y la magnitud de la diferencia describe la cantidad de
SESGO. Basndonos en estos trminos, otra forma de describir las propiedades ideales de
un estimador de recursos es sin sesgo y con un mnimo de varianza.
Un Breve Ejemplo de Promedio y Varianza.

El clculo del promedio y la varianza de un conjunto de realizaciones de una variable
aleatoria (en forma simplificada un conjunto de datos), se lleva a cabo de la siguiente
manera:
Promedio: z zi / n
i 1
En palabras esta frmula se traduce cmo: tome todos los valores de los datos,
smelos y divdalos por el nmero de datos.
n
Varianza: s2 ( zi z) 2 / n (o ms fcil, clculo) s zi2 / n z

i 1
i 1
______________________________________________________________________
En palabras esta frmula se traduce cmo: tome cada valor de datos,

encuentre la diferencia entre el valor y el promedio, elevar al cuadrado la
diferencia, sumar las diferencias cuadradas y dividir por el nmero de datos.
Las cantidades relacionadas con el promedio y la varianza son la desviacin estndar (raz
cuadrada de la varianza) y el coeficiente de variacin o desviacin estndar relativa
(desviacin estndar dividida por el promedio). La desviacin estndar y el promedio
tienen las mismas unidades de medicin (por ejemplo % o g/t) mientras que el coeficiente
de variacin no tiene unidad.
Como un ejemplo del clculo del promedio y la varianza, supongamos que una muestra fue
homogeneizada y dividida en 10 sub-muestras representativas y que todas son entregadas al
mismo laboratorio. Los valores informados por el laboratorio hipottico son los siguientes:
3, 5, 4, 5, 7, 6, 5, 6, 4, 5. Para obtener una mejor idea de la informacin entregada por los
datos, estos puede ser escritos nuevamente.
5
5
456
34567
Al inspeccionar esto, se puede notar que la tendencia central de este pequeo conjunto de
datos es 5 y, en realidad, el promedio de estos datos es 5. Observando nuevamente los
datos, podemos ver nuevamente el concepto de extensin de los datos. Los valores iguales
a 5 no tienen ninguna contribucin a la extensin ya que ellos son iguales al promedio (s
todos los 10 valores fuesen igual a 5, la extensin sera igual a cero). El par de valores 4 y
6 contribuyen a la extensin y tambin lo hacen los valores 3 y 7. Al encontrarse ms
alejados del centro, la contribucin de 3 y 7 es mayor. Por lo tanto una medida razonable
de extensin debe considerar la distancia absoluta desde el centro de los datos y debe
aumentar al aumentar la distancia desde el centro.
Este es el tipo de lgica que se encuentra en el clculo de la varianza. Cada valor de dato
es restado del promedio y esta desviacin es elevada al cuadrado. Las desviaciones al
cuadrado son entonces promediadas para formar la varianza. Las muestras individuales
pueden tener contribuciones significativas a la varianza. Al aumentar la magnitud de la
desviacin, la contribucin a la varianza aumenta rpidamente porque la desviacin es
cuadratica. Como resultado, los valores extremos (por ejemplo, si el laboratorio devolvi 0
para una muestra, o lo ms probable, si uno de los resultados fue ingresado errneamente
como 0) pueden tener irracionalmente grandes impactos en la varianza. El manejo de
valores extremos o aislados es por lo tanto muy importante al evaluar correctamente la
varianza de un conjunto de datos.
______________________________________________________________________
Para el pequeo conjunto de datos considerado aqu, la varianza es la siguiente:

_______________________________________________________________________
Valor de
los
Datos ( z i )
3
5
4
5
7
6
5
6
4
5
Suma
Desviacin
( zi z )
Desviacin
al Cuadrado
-2
0
-1
0
2
1
0
1
-1
0
0
4
0
1
0
4
1
0
1
1
0
12
Varianza = s2 = (12)/10 = 1.2

Desviacin Estndar = s 12
. = 1.1
Coeficiente de Variacin = s / z = 1.1/5 = 0.22 22 % (esto es muy alto e indica una
preparacin de muestra deficiente o un desempeo deficiente en el laboratorio)
Comparacin de Datos de Dos Laboratorios

A menudo los estndares especficos del depsito no se encuentran disponibles. En tales
casos, un procedimiento de control de calidad comn es el de homogeneizar y dividir una
muestra y luego enviar las partes divididas a diferentes laboratorios. Si la divisin es
preparada en la forma apropiada, cada par de laboratorios debera esencialmente estar
midiendo el mismo material. Una comparacin de los ensayos obtenidos por ambos
laboratorios puede ser utilizada para determinar si pudiese existir algn sesgo entre los dos
laboratorios. No es posible determinar que laboratorio se encuentra en lo correcto, pero tal
comparacin puede ser utilizada para determinar la existencia de algn problema con la
calidad del ensayo. Ya que los valores correctos son desconocidos, el sesgo real no puede
ser determinado, pero una idea del sesgo puede ser obtenida a travs de una campaa
Round Robin en donde las pulpas son enviadas a varios laboratorios de mucho prestigio
y la ley promedio obtenida por todos los laboratorios es considerada como la verdadera
ley de la muestra.
En un caso en donde una divisin es enviada a dos laboratorios, se obtienen dos resultados
por cada muestra. Si se prepara un plano bidimensional en donde las resultados
proporcionadas por el laboratorio 1 estn trazadas sobre el eje X y las resultados
proporcionadas por el laboratorio 2 se encuentran presentadas sobre el eje Y, emerge un
______________________________________________________________________

patrn de puntos conocido como un diagrama de dispersin. El diagrama de dispersin
proporciona una representacin ilustrada de una distribucin bi-variada de las dos variables
aleatorias (valores de ensayo del laboratorio 1 y laboratorio 2).
La distribucin bivariada describe la relacin entre dos variables. En el caso de que las dos variables estn
relacionadas, conociendo el valor de una de las variables se reduce el margen de los
posibles valores para la segunda variable. Cuando dos variables se encuentran relacionadas
en esta manera, se dice que estn correlacionadas.
Al aumentar la potencia de la correlacin entre las dos variables, la informacin sobre el
valor de una variable proporciona ms informacin sobre el valor de la segunda variable.
La potencia de la correlacin es generalmente medida por el coeficiente de la correlacin
lineal. El coeficiente de la correlacin flucta desde 0, en el caso en que no existe una
relacin lineal entre las dos variables, 1.0, en el caso en que existe una correlacin lineal
perfecta entre las variables (conociendo el valor de una variable se define el valor de la
otra).
El coeficiente de correlacin lineal es calculado de acuerdo a lo siguiente:
r(
( x m )( y m )) / (n s
i
sy )
i 1
donde: xi e yi son los dos valores para la muestra ith

mx es el promedio de los valores x
my es el promedio de los valores y
sx es la desviacin estndar de los valores x
sy es la desviacin estndar de los valores y
n es el nmero de valores
Los ejemplos de los diagramas de dispersin para los diferentes valores del coeficiente de
correlacin se muestran en la siguiente figura. Los valores de los datos trazados sobre cada
eje tiene una varianza y promedio idnticos. Solamente el coeficiente de correlacin
cambia. Fjense que la lnea ms adecuada mostrada para cada grfico (la lnea de
regresin lineal) se comienza a aplanar a medida que el coeficiente disminuye. Ya que el
promedio y la varianza de estos conjuntos de datos son idnticos, la pendiente de la lnea de
regresin es igual a r. Si la correlacin fuese perfecta la pendiente sera 1 y todos los
puntos caeran sobre la lnea Y=X. Cuando la correlacin es 0, la lnea de regresin es
perfectamente horizontal indicando que el valor observado de X no nos dice nada acerca de
los posibles valores de Y. En este caso siempre hay una completa falta de correlacin entre
las variables y la mejor conjetura del valor de Y que podemos obtener es el promedio de
todos los valores X. En los prximos modelos, esta falta de correlacin (en espacio) ser
descrita como un efecto de pepita puro y se demostrar que la mejor estimacin de una ley
(bajo estas circunstancias) es un simple promedio de los datos sin considerar la ubicacin
de los datos.
______________________________________________________________________
C
o
rre
la
tio
nC
o
e
ffic
ie
n
t (r) =0
.5
2
0
.
1
5
.
1
5
.
1
0
.
1
0
.
C
o
rre
la
tio
nC
o
e
ffic
ie
n
t (r) =0
.9
2
0
.
0
5
.
0
0
.
0
0
.
0
5
.
0
5
.
1
0
.
1
5
.
0
0
.
0
0
.
2
0
.
0
5
.
1
5
.
2
0
.
C
o
rre
la
tio
nC
o
e
ffic
ie
n
t (r) =0
.3
2
0
.
1
5
.
1
5
.
1
0
.
1
0
.
C
o
rre
la
tio
nC
o
e
ffic
ie
n
t (r) =0
.7
2
0
.
0
5
.
0
0
.
0
0
.
1
0
.
0
5
.
0
5
.
1
0
.
1
5
.
2
0
.
0
0
.
0
0
.
0
5
.
1
0
.
1
5
.
2
0
.
Exactitud, Precisin y Correlacin

El diagrama de dispersin proporciona una representacin ilustrada tanto de las relaciones
entre dos datos y, en algunos casos donde una estimacin es comparada con un valor
conocido, el diagrama de dispersin proporciona informacin tanto de la exactitud como de
la precisin. Consideremos un caso en donde los estndares se encuentren disponibles en
cierto margen de leyes o, lo ms probable, una comparacin de la ley de bloque estimada
con la ley conocida segn lo definido por el muestreo de pozos de tiro. Una lnea de 45
(equivalente a Y=X) puede ser dibujada en el diagrama de dispersin para demostrar el
lugar en donde caeran los puntos de los datos si el estimador o el laboratorio fuesen
perfectos y siempre entregasen el valor correcto. Asumiendo que las cosas no son
perfectas, se pueden ver dos tipos de errores. Si los puntos caen a lo largo de una lnea
diferente a la lnea de 45, entonces existe un sesgo o equivalentemente un problema de
exactitud. El ancho de la dispersin de los puntos representa la variabilidad de los datos y
va unido a la precisin del estimador o el laboratorio.
Existe un nmero de mtodos para calcular la precisin representada por los datos bivariados. Todos estos mtodos tienen una fuerte asociacin con la correlacin ya que
cuando la correlacin aumenta, la dispersin disminuye y la precisin mejora. Un mtodo
de medicin de correlacin o precisin anlogo a la varianza descrito para un dato
dimensional puede ser creado suponiendo primero que el diagrama de dispersin estuviese
centrado a alrededor de la lnea de 45 representando al estimador perfecto. La distancia
perpendicular desde cada punto del diagrama de dispersin hasta la lnea desde cada punto
del diagrama de dispersin hasta la lnea de 45 representa entonces la desviacin desde la
tendencia central. La varianza de los puntos cerca de la lnea pueden ser calculados
utilizando el mismo mtodo utilizado para los datos uni-variables. En la trigonometra
(vase ilustracin), la desviacin para un punto especfico sobre el grfico desde la lnea
______________________________________________________________________

Y=X es igual a 2 (yi - xi)/2; en donde yi y xi son los valores
de los datos para el punto. Al aplicar la definicin de la varianza, las desviaciones son
elevadas al cuadrado y promediadas. La medida de incertidumbre derivada en esta forma
es expresada como:
= ( (yi - xi)2)/2n
donde
() es la medida de precisin o correlacin

yi y xi son un par de datos especficos
n es el nmero total de datos
En las prximas secciones esta medida de correlacin () ser introducida nuevamente

como la funcin de variograma y ser utilizada para medir la correlacin espacial de
medicin.
EJEMPLO DE DESVIACION DE Y = X
8
7
6
( xi,yi)
De
via
tio
n
L e n g th = ix- yi
45
3
2
1
0
0
Los pares de valores del grfico anterior pueden ser utilizados para ilustrar los mtodos de
estimacin de correlacin. Los datos y sus estadsticas de resumen son los siguientes:
______________________________________________________________________
x-mx
y-my
(x-mx)
(x-y)2
(y-my)
1
-2.9
-1.9
5.51
-0.9
-1.9
1.71
1.1
3.1
3.41
3.1
1.1
3.41
0.1
-1.9
-0.19
-0.9
1.1
-0.99
-1.9
1.1
-2.09
2.1
-0.9
-1.89
-0.9
-1.9
1.71
1.1
2.1
2.31
12.9
40
Suma
mx = 3.9
my= 3.9
sx = 1.75
sy = 1.81
n = 10
De acuerdo a esta informacin el coeficiente de correlacin y el valor del variograma puede
ser calculado como:
r = 12.9/(10)(1.75)(1.81) = 0.41
= 40/(2)(10) = 2.0
Ntese que al disminuir la correlacin el coeficiente de correlacin tambin disminuye. El

valor del variograma, sin embargo, aumenta. El coeficiente de correlacin no tiene unidad.
Una medida de correlacin que es similar al coeficiente de correlacin pero expresada en
las mismas unidades de la varianza o variograma es conocida como la co-varianza. La covarianza (esencialmente el numerador en la expresin para el coeficiente de correlacin)
ser analizada en ms detalle en la seccin sobre correlacin espacial.
Sesgo Condicional
A menudo, los puntos dentro de un diagrama de dispersin muestran un patrn que es una
funcin de la ley. Esto se ve comnmente en los estimadores. Al comparar las
estimaciones de ley de bloque con los valores conocidos de los bloques, las leyes reales de
los bloques de menor ley son a menudo subestimados (la ley real del bloque es mayor que
la ley estimada) y los bloques de alta ley son a menudo sobrestimados (la ley real del
bloque es menor que la ley estimada). Este tipo de patrn es conocido como SESGO
CONDICIONAL; lo que significa que el sesgo no es consistente o constante. En este
______________________________________________________________________
10

caso, el sesgo es una funcin de la (o condicional a la) ley. Debido a que el sesgo
condicional es una funcin de la ley y puede ser positivo o negativo, no es inusual para un
estimador no sesgado global (sin sesgo sobre el margen de ley completo), encontrarse
condicionalmente sesgado.
Para estimar la cantidad de sesgo condicional, el valor promedio de la variable trazada
sobre el eje Y puede ser determinado para varios intervalos consecutivos de ley del eje X.
Al conectar los puntos representando las leyes promedio de intervalos de ley y al comparar
la lnea resultante con la lnea de 45 grados que define a un estimador perfecto se muestra
la magnitud del sesgo condicional. La siguiente figura representa los resultados de
estimacin de ley de bloque para dos tcnicas diferentes de kriging. Por lo general
ambos estimadores determinarn esencialmente la misma ley. Debido a que cada
estimador se encuentra globalmente no sesgado, este resultado es esperado. A pesar de la
falta de sesgo global, existe un sesgo condicional significativo entre los estimadores. La
importancia del sesgo condicional es que siempre que se imponga una ley de corte el
margen de ley completo no es ponderado. Una vez que la ley de corte se aplica, el sesgo
condicional se convierte en algo muy importante. Un estimador sesgado condicionalmente
no puede estimar correctamente la ley o tonelaje real que ser extrada. En las prximas
secciones, los asuntos asociados con estimadores sesgados condicionalmente sern
discutidos con ms detalle.
C
o
m
p
a
ra
c
i
n
d
eE
s
tim
a
d
o
re
s
2
4
2
0
A
v
e
ra
g
e
O
K 2
.7
IK
2
.8
S
td
.D
e
v
.
1
.9
2
.2
1
6
M
a
g
n
itu
d
eo
fC
o
n
d
itio
n
a
lB
ia
s
OrdinaryKriging(g/t)
1
2
C
o
n
d
itio
n
a
lA
v
e
ra
g
eC
u
rv
e
0
0
1
2
1
6
2
0
2
4
C
o
n
d
itio
n
a
lK
rig
in
gE
s
tim
a
te(g
/t)
______________________________________________________________________
11
Observaciones
El asunto de la incertidumbre debido al muestreo o ensayo es un campo mucho ms
extendido y un tema ms amplio de lo que se pueda discutir aqu. Existe un cierto nmero
de factores que
contribuyen a la variabilidad observada en un conjunto de datos. Adems del error de
ensayo que fue discutido aqu, existe tambin un error de preparacin de muestras, error de
muestreo y, algo muy importante, la variabilidad de las leyes que se encuentran siendo
estudiadas. En los depsitos donde el elemento de inters es encontrado en la ley muy alta
pero en grupos volumtricamente pequeos (por ejemplo las pepitas de oro) las diferencias
encontradas en las leyes de cada mitad de testigo dividido pueden ser significativamente
diferentes. Este tipo de variabilidad en conjunto con todos los otros tipos de variabilidad
discutidos aqu es capturado por la geoestatstica dentro del efecto de pepita que ser
descrito en secciones posteriores.
______________________________________________________________________
12
Mdulo 1.2 - Son los Datos Representativos?

Introduccin
La mayora de las decisiones realizadas al determinar si se invierte en un proyecto minero o
no, estn basadas en interpretaciones hechas a partir de un conjunto de datos. En este
mdulo, se considerarn asuntos como Qu significan estos datos y en que se basan las
decisiones de inversiones?. Cada muestra adquirida representa un volumen especfico del
depsito. De los pequeos volmenes de muestras recolectadas, se infiere con respecto a
las toneladas y la ley que podran ser extradas y las potenciales ganancias de la extraccin.
Debido a las extrapolaciones que se harn y las subsecuentes consecuencias econmicas de
las decisiones basadas en estas extrapolaciones, es de extrema importancia que los datos
sean representativos del depsito y que las incertidumbres controlables, causadas por
diferentes volmenes de muestreo o sesgos de la perforacin preferencial, no impacten la
estimacin del recurso.
En este mdulo, los impactos de los diferentes volmenes de muestras y de las
perforaciones espaciadas en forma irregular sobre la estadstica (promedio y varianza)
presentados en el primer mdulo sern discutidos y se presentarn mtodos para corregir
los efectos de una escasa representatividad de muestras.
Antecedentes / Teora
Tamao de Muestra
Una vez que una muestra es preparada en la forma apropiada, homogeneizada y reducida y
el laboratorio ejecuta correctamente un ensayo, el valor del ensayo representa la ley
promedio del volumen de la muestra. El mismo volumen de muestra podra haber sido submuestreado y ensayado para determinar las leyes representativas de las sub-muestras.
Debido a una variedad de razones incluyendo la variabilidad inherente dentro del volumen
de muestras original, las variaciones en el tamao de partcula, los procedimientos de submuestreo y los ensayos, los valores de ensayo de las sub-muestras no sern idnticos y la
varianza de los ensayos de sub-muestras ser mayor que cero. Esta varianza vista en los
ensayos de las sub-muestras se pierde completamente al examinar solamente la ley de
muestra que representa al volumen completo. Sin embargo, la ley informada de la muestra
debe ser idntica a la ley promedio de las sub-muestras. Dentro del volumen de muestra
original, las leyes de sub-muestras contribuyen a la ley promedio pero debido a que slo
una sola muestra homogeneizada es enviada para ensayo, las sub-muestras homogeneizadas
no pueden contribuir a la variabilidad.
Como un resultado de la promediacin de la ley que ocurre dentro de un volumen es muy

razonable que la variabilidad disminuya al aumentar el volumen de la muestra. Como un
______________________________________________________________________
13

ejemplo, considere los siguientes ensayos hipotticos de un testigo con una perforacin de 1
metro desde un solo sondaje. Primero, la varianza de los ensayos es calculada sobre los
largos de muestra de 1 metro. Luego las muestras son combinadas en largos de 2, 4 y 8
metros y la varianza es calculada nuevamente. Ntese que no importa cmo estn
combinados los datos, la ley promedio no cambia.
_
2
1.0 0.9 0.7 1.3 1.2 0.6 2.0 0.8 1.4 1.1 0.3 1.2 1.3 0.5 1.1 0.9 :1 m largo, s = 0.166,
\ /
\
/
\ /
\
/
\ /
\
/
\
/
\ /
x = 1.02
_
0.95
\
1.0
/
0.9
\
1.4
/
1.25
\
0.75
/
0.9
\
1.0
/
:2 m largo, s2 = 0.043,
x = 1.02
:4 m largo, s2 = 0.008,
:8 m largo, s2 = 0.004,
x = 1.02
0.975
\
1.15
/
1.0
\
0.95
/
= 1.02
1.06
0.975
El cambio en varianza con el tamao de muestra que se ilustra aqu es comnmente

denominado el efecto de soporte. Segn se muestra por medio del cambio en la varianza
con tamao de muestra, las muestras definidas sobre diferentes soportes no son
comparables. Cada vez que las estadsticas son calculadas, las muestras deben tener ya sea
el mismo soporte o/tamao de muestra en caso contrario, se deben tomar medidas para
corregir diferencia en soporte. Sin una correccin para el soporte de las muestras, las
estadsticas resultarn sesgadas.
Existen dos mtodos para tomar en cuenta del efecto de soporte al calcular las estadsticas.
Las muestras pueden ser ponderadas por el largo de la muestra en todos los clculos o las
muestras pueden ser puestas todas bajo las mismas condiciones de largo compositando
sobre largos iguales. La compositacion es la prctica ms comn ya que es muy tedioso
considerar el factor de pesaje a travs de todos los clculos, adems, la forma de kriging
encontrada en paquetes de software comnmente disponibles supone muestras de soporte
constante. Por estas razones, se recomienda muy especialmente que los ensayos sean
compositados sobre largos iguales antes de cualquier estudio estadstico sobre la estimacin
de recursos.
El efecto de soporte visto con las muestras tambin se aplica a la calidad de las
estimaciones de recursos. Como se ha demostrado, al aumentar el volumen la variabilidad
disminuye. Por lo tanto la variabilidad de las leyes mensuales en una operacin es mucho
menor que la variabilidad de las leyes diarias en la misma operacin; por lo tanto, de ello se
deriva que la estimacin de las leyes mensuales es mucho ms fcil que la estimacin de las
leyes diarias. El concepto de una relacin entre el volumen y la varianza es uno de los ms
importantes en geoestadstica por lo tanto este tema ser revisado nuevamente en los
futuros mdulos.
______________________________________________________________________
14

Ubicacin de las Muestras
Al calcular la ley promedio de un conjunto de datos, existe un peso igual aplicado a cada
uno de los datos. Al calcular el promedio, los datos son meramente sumados y luego
divididos por el nmero de datos. Esto equivale a multiplicar cada ley de muestra por un
peso igual a 1 dividido por el nmero de datos (1/n) y luego sumar el peso por el producto
de la ley. Al calcular este tipo de promedio simple, se supone implcitamente que cada
muestra representa un volumen igual del depsito. Cuando esta suposicin es incorrecta,
las estadsticas calculadas estarn sesgadas y no representarn correctamente el depsito.
Siguiendo la mayora de los programas de perforacin, las muestras no representan
volmenes iguales. Un ejemplo claro de esto es un depsito perforado en dos mallas
diferentes. Una malla podra, por ejemplo, ser la malla de exploracin inicial. En una
segunda fase de la perforacin, siguiendo a una evaluacin de los datos, una malla ms
densa podra ser perforada sobre una porcin de ley ms alta del depsito en un esfuerzo
para mejorar la calidad del deposito. El perforar en una malla ms densa dispone ms
perforaciones en una porcin particular del depsito. Debido a que hay mas perforaciones
en esta rea, cada perforacin en el rea densamente perforada representa un volumen
menor que las perforaciones sobre la malla inicial. Si se lleva a cabo un promedio simple
de igual peso, las muestras de la porcin de alta ley densamente perforada del depsito
recibir un peso mayor que su volumen de influencia. Como resultado, la ley promedio de
la porcin densamente perforada del depsito se encontrar sobre-representada en el
clculo de la ley promedio del depsito completo y la ley estimada del depsito ser mayor
que la ley promedio real del depsito. Para ilustrar el problema consideremos el siguiente
programa simple de perforacin en dos etapas.
Resul t ados de Perf oraci n - Et apa
900
. 82
. 38
. 49
. 95
. 62
. 13
. 87
. 16
. 50
1. 36
. 35
. 21
. 11
. 18
. 44
. 37
Local Grid Northing (m)
800
700
600
500
400
300
200
100
100
200
300
400
500
600
700
800
900
Local G r id East ing ( m )
Resul t ados de Perf oraci n - Et apa
900
. 82
. 38
. 49
. 95
. 62
. 13
. 87
. 16
. 50
. 92
1. 07
1. 36
. 84
1. 61
. 35
. 21
. 11
. 18
. 44
. 37
800
Local Grid Northing (m)
Como se muestra en las dos

ilustraciones,
el
primer
programa de perforacin
identific
una
ley
irregularmente alta en la
ubicacin 400 E; 400 N.
Para confirmar los resultados
del primer programa y para
definir
mejor
el
rea
anmala, se complet una
segunda fase limitada de
perforacin consistente en 4
perforaciones
agrupadas
alrededor del valor anmalo.
Segn se muestra, la segunda
fase de la perforacin
tambin
encontr
leyes
elevadas.
700
600
500
400
300
200
100
100
200
300
400
500
600
700
800
900
Local G r id East ing ( m )
Las
leyes
promedio
sin
______________________________________________________________________
15

ponderar, para todas las perforaciones, en la completacin del primer y segundo programa
de perforacin son 0,50% y 0,62% respectivamente. Aparentemente, el hacer 4
perforaciones adicionales ha elevado la ley promedio de todo el depsito en 25%. En la
realidad, la porcin densamente perforada ( y de ley superior) del depsito se encuentra
sobre-representada en el clculo de la ley promedio y proporciona una impresin
excesivamente optimista de la ley general del depsito. Un promedio apropiado, ponderado
espacialmente, de estos datos proporciona un promedio estimado de 0,50% (vase los
siguientes prrafos) que es idntico a la ley promedio estimada del primer programa de
perforacin. Como lo demuestra este pequeo ejemplo, un ascenso artificial de la ley de
un depsito puede ocurrir fcilmente debido al agrupamiento de muestras en reas de alta
ley. Para evitar las consecuencias econmicas de una tergiversacin de la ley del depsito,
se requiere de una ponderacin espacial para considerar la influencia de un dato en la ley
promedio general de acuerdo con el volumen de influencia de cada muestra. Existen
muchos mtodos para calcular los ponderadores apropiados y representativos de las
muestras.
Manejando Datos Agrupados

Hay una forma muy simple de manejar datos agrupados en los casos tales como el que
acaba de ser discutido. Cuando las muestras son recolectadas primitivamente sobre una
malla regular con slo unas pocas agrupaciones adicionales, las agrupaciones pueden ser
extradas y se puede calcular un promedio utilizando slo los datos regulares de la malla.
En el ejemplo anterior, este procedimiento significa utilizar solamente los datos de la Etapa
1 para el clculo de la estadstica. Este procedimiento simple tiene la desventaja obvia de
los datos descartados. Tambin, muchos conjuntos de datos no incluyen una malla regular
fcilmente identificable. Por esta razn, este mtodo es utilizado solamente en los casos
ms simples. En los casos ms difciles, se requiere uno de los siguientes mtodos.
Polgonos de Influencia
En dos dimensiones, la tcnica de los polgonos de influencia ha sido utilizada por muchos
aos para definir el peso espacial de las muestras. Para aplicar esta tcnica, las lneas son
dibujadas conectando una perforacin con todas las perforaciones vecinas. Los bisectores
perpendiculares son trazados a travs de cada lnea de conexin. Las lneas bisectoras
forman polgonos alrededor de cada perforacin (vase la siguiente ilustracin). Los
bordes de los polgonos se encuentran ubicados a medio camino entre cada par de muestras
vecinas para que el polgono defina su extensin de influencia de la muestra. El rea del
polgono de influencia dividido por el rea total del depsito determina el peso aplicado a
cada muestra.
Las muestras al borde del depsito o del patrn de perforacin requieren
un tratamiento especial. Debido a que no hay datos vecinos al borde del depsito, los
polgonos de influencia no pueden ser definidos siguiendo el mtodo anteriormente
descrito. Para las perforaciones fronterizas el polgono es tpicamente cerrado utilizando un
crculo con un radio igual a un medio hasta tres cuartos del espaciamiento de perforacin
promedio.
______________________________________________________________________
16
C
o
n
s
t
r
u
c
c
i
n
d
eu
n
P
o
lg
o
n
o
d
eIn
f
lu
e
n
c
ia
S
te
p1
S
a
m
p
leL
o
c
a
tio
n
s
L
n
i
e
S
e
g
m
e
n
s
t
C
o
n
n
e
c
n
i
t
g
D
ri
h
l
o
e
l
C
o
a
l
rs
D
ri
h
l
o
e
l
C
o
a
l
rs
S
te
p2
S
te
p3
P
e
p
r
e
n
d
c
i
u
a
l
B
r
s
i
e
c
o
t
s
r
o
f
h
t
e
L
n
i
e
S
e
g
m
e
n
s
t
P
o
y
l
g
o
n
o
f
n
I
u
l
f
e
n
c
e
Una vez que los polgonos son definidos para cada muestra, la ley de depsito promedio es
calculada utilizando el rea de cada polgono para definir el peso a aplicar para cada dato
utilizando la siguiente frmula.
n
z ( Ai / At ) zi
i 1
donde: Ai est el rea de influencia asociada con el dato ith
At es el rea total del depsito

zi es la ley del dato ith
El enfoque del polgono de influencia funciona bastante bien en tres dimensiones cuando
todas las perforaciones son verticales; sin embargo, cuando se utilizan las perforaciones en
ngulo o la deflexin es significativa, los polgonos de influencia (para cada perforacin)
cambian de nivel a nivel del depsito. El mtodo por lo tanto se vuelve algo tedioso y
difcil de implementar en tres dimensiones.
______________________________________________________________________
17

El Mtodo de Malla
El mtodo de malla es un mtodo que alcanza la misma meta que los polgonos de
influencia pero que puede ser fcilmente aplicado en tres dimensiones. En este enfoque, se
crea una malla de puntos tridimensional del tamao adecuado (tpicamente de un cuarto a
un octavo de espaciado de perforacin primario) que cubre el depsito. Para cada punto de
la malla, se encuentra la muestra ms cercana y la ley de la muestra es asignada al punto de
la malla. Debido a que los puntos de la malla estn, por definicin, regularmente
espaciados, ellos representan volmenes iguales del depsito. El promedio o cualquier otra
estadstica calculada sobre los puntos de la malla es por lo tanto espacialmente
representativo del depsito y las estadsticas calculadas sobre esos datos no son sesgadas.
Para los grandes depsitos este enfoque puede ser computacionalmente intensivo, sin
embargo los PCs disponibles hoy en da pueden fcilmente manejar este problema.
El mtodo de malla puede tambin ser utilizado para distribuir variables categricas (por
ejemplo la litologa, la alteracin, la mineraloga, etc.) a travs del depsito sin sesgo
mientras se le es fiel a los datos. La alteracin o litologa especfica para un punto de la
malla es simplemente tomada de la muestra ms cercana. El mtodo de bsqueda utilizado
para asignar los valores a los puntos de la malla no necesita ser crcular. Si se sabe que las
unidades geolgicas siguen una orientacin particular o las unidades tienden a seguir una
forma en particular entonces la direccin y la orientacin de bsqueda pueden ser
cambiadas para acoger esta informacin. A pesar de estas mejoras en el procedimiento,
generalmente se prefiere utilizar la interpretacin espacial del gelogo para estas variables.
Por esta razn, este enfoque es utilizado solamente cuando las interpretaciones geolgicas
no se encuentran disponibles o cuando slo se requiere un primer examen visual rpido al
depsito.
Desagrupamiento de Celdas
Otro enfoque al clculo de pesos que definirn un promedio representativo espacialmente
es la tcnica de desagrupamiento de celdas. Con esta tcnica, una red de celdas
regulares es localizada sobre el depsito y se cuenta el nmero de muestras ubicado dentro
de cada celda. Ya que las celdas en reas densamente muestreadas contendrn ms
muestras, el nmero de muestras contadas por celdas se encontrar inversamente
relacionado a la densidad de las muestras. Un factor de ponderacin de uno dividido por el
nmero de conteos por celdas, es por lo tanto, una simple manera de eliminar los efectos de
densidades de datos desiguales. Debido a que los ponderadores deben sumar uno para
evitar el sesgo de las estadsticas, el inverso de los conteos por celdas debe ser
estandarizado para obtener el peso real. La formula de ponderacin es:
______________________________________________________________________
18

n
wi (1 / nci ) / ( 1 / nci )
i 1
donde:
representa el nmero de datos ubicados en las celdas

nci
conteniendo los datos ith
es el peso aplicado al dato ith al calcular el promedio
wi
n
ponderado ntese que
1 / nc
es igual al nmero total de celdas
i 1
que contienen datos
Las celdas desagrupadoras pueden tener cualquier tamao, pueden ser rectangulares o
cuadradas, y pueden ser bidimensionales o tridimensionales. Es difcil establecer reglas
especificando el tamao de celdas ptimo, pero es muy cierto que la eficiencia del
desagrupamiento es una funcin del tamao de las celdas. A menudo se utiliza un
procedimiento de tanteo para encontrar el mejor tamao y forma. Al seleccionar el margen
de los posibles tamaos existen unas pocas reglas que pueden ayudar. Primero, si el
tamao de las celdas es demasiado grande o demasiado pequeo no habr ningn
desagrupamiento. Por ejemplo, si el tamao de las celdas fuese del mismo tamao del
depsito, todas las muestras caeran dentro de las celdas y todos los datos recibiran pesos
iguales. En forma similar, si el tamao de celdas fuese ms pequeo que el espaciamiento
de las perforaciones, la mayora de las celdas estaran vacas y las celdas restantes
contendran una sola muestra. Nuevamente todos los datos recibiran pesos iguales y no
habra ningn desagrupamiento.
El mejor tamao de celdas para el desagrupamiento es claramente algo entre estos dos
extremos. Si se sabe que los datos estn agrupados en porciones de alta ley del depsito,
entonces es razonable suponer que el tamao de celdas de desagrupamiento ms eficiente
proporcionara la ley promedio ms baja para el depsito. La lgica que subyace a esta
afirmacin es que el agrupamiento en las zonas de leyes altas llevan a una sobrerepresentacin de estas zonas al calcular la ley promedio lo cual hace que la ley promedio
calculada exceda la verdadera ley promedio del depsito. Como se ha descrito
anteriormente, cuando las celdas son demasiado pequeas o grandes el desagrupamiento es
mnimo y el promedio ser sobre estimado. Para los tamaos de celdas entre los dos
extremos, el desagrupamiento disminuye el impacto de las diferentes densidades de
muestras en las estadsticas y las leyes promedios decaern. Un grfico de ley promedio
versus el tamao de celdas puede identificar el tamao de celdas que proporciona la ley
mnima. Este procedimiento de tanteo define un tamao de celdas ptimo. Un ejemplo
de un grfico de ley promedio vs el tamao de celdas es presentado en la siguiente
aplicacin. La prctica ha demostrado que el mejor tamao de celdas tiende a ser igual al
tamao de los agrupamientos (si se encuentran agrupaciones discretas) o el tamao del
programa de perforacin original en el caso de que se haya desarrollado un programa de
perforacin de relleno simple.
______________________________________________________________________
19

Aplicaciones
Cmo un ejemplo de aplicacin de las variadas tcnicas para calcular la ley promedio no
sesgada de un conjunto de datos considere el siguiente ejemplo de resultados de
perforaciones. Cada uno de los puntos en la figura representa el collar de una perforacin.
La ley promedio simple de todos los datos de la campaa es de 0.70%. Los smbolos
cuadrados son utilizados para apuntar a las perforaciones que se encuentran ubicadas sobre
una malla regular de 200 metros. A pesar de que este es un pequeo conjunto de datos, se
encuentran espaciados regularmente y por lo tanto no hay sesgo. El tomar la ley promedio
de
muestras
de
U
b
ic
a
c
io
n
e
s
d
e
D
a
t
o
s
solamente
las 1
0
0
0
perforaciones sobre la
malla de 200 metros,
8
0
0
proporciona una ley
promedio estimado de
0.52%. Ignorando el
6
0
0
agrupamiento de los
datos y tomando un
4
0
0
promedio directo de los
datos, por lo tanto,
2
0
0
aumenta artificialmente
la ley promedio del
D
rillh
o
le
C
o
lla
r
D
rillh
o
le
o
n
G
rid
depsito en 35%. La
G
ra
d
e
A
b
o
v
e
1
%
0
razn de la diferencia
0
2
0
0
4
0
0
6
0
0
8
0
0
1
0
0
0
en ley es que la porcin
de ley alta del depsito
(mostrada en la ilustracin como sondajes conteniendo ms de 1%) ha sido sobre
muestreada por un agrupamiento de perforaciones en la vecindad de 400E, 400N. Una
promediacin igual de leyes sobre este patrn de muestreo proporciona una estimacin
irrealmente alta de la ley promedio.
AverageGrade(%)
Para eliminar los efectos de las perforaciones agrupadas, se utilizar primero el mtodo de
desagrupamiento de celdas.
A
v
e
r
a
g
e
G
r
a
d
e
B
y
C
e
llS
iz
e
Como se ha discutido, el
0
.7
5
tamao
de
celdas
ms
0
.7
0
apropiado es a menudo difcil
de determinar slo con mirar el
0
.6
5
patrn de perforacin. Segn
0
.6
0
lo descrito anteriormente,
0
.5
5
cuando el tamao de celdas es
demasiado
pequeo
o
0
.5
0
demasiado grande ocurre un
0
.4
5
desagrupamiento mnimo y la
ley promedio se convierte en
0
.4
0
5
0
1
0
0
1
5
0
2
0
0
2
5
0
3
0
0
3
5
0
4
0
0
4
5
0
algo
muy
similar
al
C
e
ll S
iz
e(
m
)
promedio directo de los datos.
Si existen agrupamientos en
______________________________________________________________________
20

las reas de alta ley (cmo lo hacen en este ejemplo), el desagrupamiento ms efectivo
ocurre para el tamao de celdas que minimiza la ley. Para este ejemplo, se utilizaron celdas
cuadradas variando en tamao desde 100 a 400 metros. Para cada tamao de celdas, el
nmero de muestras por celdas fue contado y los pesos fueron determinados por medio de
la aplicacin de la formula de desagrupamiento de celdas presentada anteriormente. Las
leyes promedio resultantes para el depsito fueron entonces dibujadas vs el tamao de
celdas. La ley promedio estimada para el depsito se minimiza para un tamao de celdas
de 300 metros por lo tanto se selecciona este como el tamao ms eficiente de celdas de
desagrupamiento. La ley promedio del depsito definido por desagrupamiento de celdas es
de 0,52%.
El polgono de influencia y los mtodos de malla son muy similares. La mayor diferencia
entre los mtodos es el tratamiento de los datos ubicados a lo largo de los mrgenes del
depsito. Para este ejemplo, los polgonos fueron completados utilizando un crculo de
radio de 125 metros cada vez que el polgono no poda ser cerrado por los datos vecinos
(vase ilustracin). Para el mtodo de malla, una malla de 5 metros fue ubicada dentro de
un rectngulo definido por las esquinas (-25, 100) y (1100, 920). Se le asign la ley del
vecino ms prximo a cada nodo de
malla. Los mrgenes del depsito podran haber sido definidos en forma ms exacta
utilizando un borde ubicado a una distancia fija desde los puntos extremos, pero esta
sofisticacin adicional no cambiar los resultados en forma significativa. Las leyes
promedio del depsito determinados por el polgono y los mtodos de malla son 0,54% y
0,51% respectivamente.
______________________________________________________________________
21

Los cuatro mtodos utilizados aqu para eliminar el sesgo introducido por el patrn de
perforacin agrupado arrojan todos resultados entre 0,51% y 0,54%. Todas estas
estimaciones son de alrededor de 35% ms bajos que el promedio simple no ponderado de
los datos (0,70%). La conclusin obtenida es que cualquier procedimiento sensato puede
ser utilizado para extraer los efectos de los agrupamientos desde los estimados de ley
promedio. Slo debemos asegurarnos de que uno de estos procedimientos sea utilizado y
de que las leyes promedio establecidas no sean sesgadas por la densidad de la muestra.
Comentarios
La ponderacin de las muestras que da cuenta de las agrupaciones es slo un asunto de
importancia al calcular estadsticas en una forma que no considere especficamente el
componente espacial de los datos (por ejemplo el promedio no ponderado y la varianza del
depsito completo). Los mtodos geoestadsticos de la estimacin de recursos, como por
ejemplo el kriging, incorpora especficamente las caractersticas espaciales de los datos; por
lo tanto, no se requiere ponderar para dar cuenta de las irregularidades del espaciamiento.
En el desagrupamiento de celdas, no hay ninguna razn por la cual la celda deba ser un
cuadrado. Un ejemplo grfico de la definicin del tamao ptimo de la celdas de
desagrupamiento en dos dimensiones es presentado en Isaaks y Shrivastava. En este
ejemplo, la ley desagrupada promedio se contornea para varios tamaos de celdas
desagrupantes (los ejes X e Y son los tamaos de celdas en esas direcciones, la ley
promedio de depsito es situado en las coordenadas X, Y las que corresponden al tamao
de la celdas, luego se interpola). Ya que este ejemplo supone un muestreo agrupado de las
porciones de alta ley del depsito, el mnimo en este conjunto de isovalores de ley media
es considerado como el tamao de celdas ptimo. En este ejemplo especfico, el tamao de
celdas ptimo es rectangular en lugar de cuadrado.
Antes de aplicar ninguna de las tcnicas de desagrupamiento descritas aqu, se debe
efectuar una detallada evaluacin de la distribucin espacial de los datos. Se deben utilizar
ubicaciones de los datos (exhibiendo la ley compuesto por perforacin en el mapa de
ubicacin 2D) para reconocer sectores de alta y baja ley del depsito. En el mapa de
ubicacin pueden ser sobrepuestas la litologa o mapas de la distribucin de otras variables
de control para investigar y evaluar tendencias espaciales y asociaciones o recoger
cualitativamente relaciones entre leyes y las variables de control. La informacin contenida
en una ubicacin de datos puede ser aumentada a travs del uso del color (para mostrar
diferentes mrgenes de ley, por ejemplo) o diferentes smbolos para mostrar diferentes
litologas o tipos de alteracin.
Los mapas de isovalores de leyes tambin pueden resultar ser muy tiles al definir las
tendencias de ley. Los isovalores pueden ser generados automticamente a travs de un
programa computacional o en forma manual. El uso principal de los isovalores es el de
indicar tendencias espaciales en las leyes u orientaciones preferidas. Ya que las tendencias
son a menudo asociadas con los controles geolgicos, es generalmente preferible dejar que
el gelogo de proyecto confeccione el mapa de isovalores.
______________________________________________________________________
22

El software para desagrupar se encuentra disponible desde varias fuentes. Una rutina de
desagrupamiento es incluida en el paquete de software de GSLIB de dominio pblico
(Deutsch y Journel). El polgono de las rutinas de influencia puede ser difcil de encontrar.
Una posibilidad es el paquete de software comercial Techbase que contiene una rutina de
polgono. Cualquier paquete de software que contenga un mdulo de modelacin de
bloques puede ser utilizado para implementar la rutina de malla. Simplemente convierta los
bloques en puntos y defina que slo una muestra sea utilizada en la estimacin.
La siguiente tabla nos muestra los datos utilizados en la aplicacin de desagrupamiento en

conjunto con los pesos asignados por la celdas, polgono y mtodos de malla. Al examinar
los pesos, el peso del polgono y la malla son muy similares. El ponderador del mtodo de
celdas es a menudo bastante diferente. Al concentrarse en las leyes ms altas (en la parte
inferior de la tabla) aparece que todos los valores mayores que 1.25% estn ubicados en la
misma celdas y reciben el mismo peso al aplicar el mtodo de celdas. Los mtodos de
malla y polgono proporcionan diferentes pesos para estos datos ya que estos mtodos
tienen un nivel ms alto de resolucin. El mtodo de celdas simplemente cuenta el nmero
de datos dentro de un gran volumen y asigna el mismo peso mientras que los otros mtodos
proporcionan resultados superiores; sin embargo, este ejemplo (y otros ejemplos prcticos)
demuestran que todos los mtodos tienden a proporcionar los mismos resultados.
______________________________________________________________________
23

Datos Utilizados para Ilustrar el Desagrupamiento y Pesos Asignados por varios
Enfoques.
Coordina
Grados
Esquemas de Ponderacin
300m
Polgonos
Malla
Celdas
200
200
0.11
0.050
0.041
0.037
102
400
326
800
937
400
291
800
739
600
475
895
400
800
317
600
508
608
600
200
66
200
158
200
111
651
600
740
800
350
460
450
339
350
339
400
459
541
450
345
600
654
600
748
200
278
400
465
400
486
230
800
200
772
200
215
746
800
400
300
600
544
800
853
551
600
833
800
450
285
450
458
350
599
400
466
484
350
0.11
0.13
0.14
0.16
0.16
0.18
0.19
0.21
0.21
0.35
0.35
0.36
0.38
0.38
0.38
0.44
0.45
0.47
0.49
0.5
0.51
0.62
0.62
0.82
0.85
0.86
0.87
0.92
1.1
1.11
1.2
1.26
1.34
1.4
1.5
1.56
1.6
1.7
1.88
0.025
0.025
0.025
0.017
0.100
0.033
0.050
0.025
0.025
0.025
0.010
0.033
0.025
0.033
0.025
0.033
0.033
0.017
0.017
0.025
0.025
0.033
0.025
0.033
0.033
0.025
0.017
0.017
0.017
0.010
0.033
0.010
0.010
0.010
0.010
0.010
0.010
0.010
0.010
0.024
0.023
0.016
0.042
0.050
0.031
0.020
0.038
0.021
0.030
0.009
0.043
0.039
0.041
0.021
0.039
0.020
0.026
0.029
0.024
0.035
0.026
0.032
0.031
0.046
0.018
0.024
0.031
0.029
0.006
0.013
0.007
0.015
0.013
0.012
0.006
0.004
0.014
0.012
0.024
0.020
0.014
0.046
0.086
0.024
0.017
0.052
0.018
0.025
0.008
0.078
0.035
0.033
0.019
0.033
0.017
0.023
0.026
0.021
0.034
0.025
0.043
0.028
0.043
0.015
0.020
0.022
0.027
0.005
0.011
0.006
0.012
0.011
0.010
0.006
0.003
0.012
0.009
1.000
1.000
1.000
Suma de Pesos
______________________________________________________________________
24
Mdulo 1.3 - Distribuciones Estadsticas

Introduccin
En el mdulo 1.1, se defini una variable aleatoria como una variable que toma valores al
azar, con frecuencias especificadas por una funcin de probabilidad. Los mtodos para
resumir el margen de los valores tomados por una variable aleatoria han sido descritos, as
como tambin los mtodos de asegurar que las mediciones individuales sean
representativas. En este mdulo, los mtodos para representar y analizar toda la
distribucin de leyes sern evaluados. Adems, algunos modelos de distribucin comunes
sern discutidos. Utilizando los modelos de distribucin, mtodos para evaluar un
conjunto de datos para determinar si se encuentran presentes mezclas de datos siguiendo las
diferentes distribuciones o datos de una ley alta anormal (outliers)
Antecedentes / Teora
Para ilustrar el concepto de variable aleatoria se proporcionan unos pocos ejemplos. Para
cada ejemplo, se describe la variable y su funcin de probabilidad. Siguiendo a los
ejemplos, se proporcionan los mtodos que describen como utilizar los datos para inferir las
propiedades de la funcin de probabilidad subyacente.
Un Ejemplo Simple
Un ejemplo de una variable aleatoria es el nmero que aparece despus de tirar un slo
dado. Si el dado no est cargado, todos los seis nmeros tienen una oportunidad igual de
aparecer en cualquier jugada. Esto significa que la oportunidad de observar, digamos el
nmero 3 en cualquier oportunidad en que se arroja el dado es 1 en 6, o lo que es lo mismo,
la probabilidad de observar 3 es 1/6 (0,167). Debido a que todos los otros nmeros
posibles son igualmente probables, la funcin de probabilidad que describe esta variable
aleatoria es bastante simple y puede ser expresada de la siguiente forma:
Pr( Z zi) 1 / 6; zi 1,2,3,4,5,6 .
G
r
fic
o
d
eB
a
rrad
eP
ro
b
a
b
ilid
a
d
e
s
O
u
tc
o
m
e
sF
ro
m
T
h
ro
w
in
g1D
ie
1
/6
Probability
Este tipo de distribucin es

conocido como uniforme.
Un grfico de barra de las
probabilidades versus los
resultados ayuda a explicar
este nombre.
O
u
tco
m
e
s
______________________________________________________________________
25

Un Ejemplo Ms Complicado
Supongamos que dos dados son arrojados en lugar de uno y la variable aleatoria de inters
es la suma de los dos nmeros observados. Antes de definir los posibles resultados, es
importante notar que los valores tomados por cada uno de los dados no estn
correlacionados. Esto quiere decir que el saber el valor de uno de los dados no proporciona
absolutamente ninguna informacin acerca del valor que pudiese aparecer en el otro dado.
Debido a que cada dado toma los valores independientemente de 1 a 6 existen 6 veces 6 o
36 formas posibles en las que el dado puede caer y cada uno de los 36 resultados son
igualmente probables. La funcin de probabilidad puede ser definida simplemente
haciendo un listado de todos los 36 resultados, sumando los dos valores de cada dado y
contando las probabilidades para cada resultado. Los posibles resultados son los siguientes:
Dado
1
1
1
1
1
1
1
Dado
2
1
2
3
4
5
6
Dado
1
2
2
2
2
2
2
Dado
2
1
2
3
4
5
6
Dado
1
3
3
3
3
3
3
Dado
2
1
2
3
4
5
6
Dado
1
4
4
4
4
4
4
Dado
2
1
2
3
4
5
6
Dado
1
5
5
5
5
5
5
Dado
2
1
2
3
4
5
6
Dado
1
6
6
6
6
6
6
Dado
2
1
2
3
4
5
6
Siguiendo la suma de los valores en el dado, la funcin de probabilidad puede ser definida
y graficada segn lo siguiente:
Pr( X xi )
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
G
r
fic
o
d
eB
a
rrad
eP
ro
b
a
b
ilid
a
d
e
s
R
e
s
u
lta
d
o
sa
l la
n
z
a
rd
o
sd
a
d
o
s
6
/3
6
5
/3
6
4
/3
6
Probability
Resultado (xi)
2
3
4
5
6
7
8
9
10
11
12
3
/3
6
2
/3
6
1
/3
6
1
0
1
1
1
2
O
u
tco
m
e
El valor medio o promedio para esta distribucin de probabilidades es la suma de las

probabilidades de un resultado multiplicado por el valor del resultado. En otras palabras, la
funcin de la probabilidad proporciona el ponderador para definir el promedio ponderado.
______________________________________________________________________
26
12
z Pr( Z z )
i
i2
(2)(1 / 36) ( 3)(2 / 36) ( 4)( 3 / 36) (5)( 4 / 36) ( 6)(5 / 36) ( 7)( 6 / 36)
(8)(5 / 36) ( 9)( 4 / 36) (10)( 3 / 36) (11)(2 / 36) (12)(1 / 36)
7
En forma similar la varianza puede ser definida como:

s2
( z z)
i
Pr( Z zi)
i 1
(25)(1 / 36) (16)(2 / 36) ( 9)( 3 / 36) ( 4)( 4 / 36) (1)(5 / 36) ( 0)( 6 / 36)
(1)(5 / 36) ( 4)( 4 / 36) ( 9)( 3 / 36) (16)(2 / 36) (25)(1 / 36)
5.83
Un ejemplo considerando la disponibilidad del equipo

Una aplicacin prctica del concepto de una funcin de probabilidad se encuentra en el rea
de la disponibilidad de equipo. Supongamos que una pequea operacin tiene una flota de
3
2 excavadoras de 10m y que cada excavadora tiene una disponibilidad de 85%. Dada esta
disponibilidad y la suposicin de que la disponibilidad no est correlacionada entre las
mquinas, el nmero de das en que ninguna, una o ambas excavadoras estarn funcionando
puede ser calculado.
Ya que la disponibilidad de una excavadora no est relacionada a la disponibilidad de la
otra, esta situacin puede ser vista en la misma forma que el ejemplo del dado. Siguiendo
esta analoga, las excavadoras pueden ser representadas como dos dados, cada uno teniendo
slo dos valores posibles: 1 (la excavadora est funcionando) y 0 (la excavadora no est
funcionando). Estos dados sin embargo estn cargados. El valor 1 sale 85% de las veces
mientras que el valor 0 slo aparece 15% de las veces. Las probabilidades de todos los tres
posibles resultados (0, 1, o 2 excavadoras funcionando) pueden entonces ser determinadas
multiplicando las probabilidades asociadas con los posibles resultados para cada mquina
(funcionando o no funcionando).
Nmero de
Funcionamiento
2
Probabilidad
Mtodo de Calcular la Probabilidad
0.722
0.255
Igual a la probabilidad de que la excavadora 1 est disponible y la

excavadora 2 est disponible o (0,85) (0,85)
Igual a la probabilidad de que la excavadora 1 est disponible y la
excavadora 2 no lo est (.85) (.15) adems de la probabilidad de que
la excavadora 1 no est disponible y la excavadora 2 s lo est (.15)
(.85)
0.023
Igual a la probabilidad de que las excavadoras 1 y 2 no estn

disponibles (.15) (.15)
De este anlisis se espera que no haya ninguna excavacin en 2.3% de los das en que la
mina est operando (alrededor de 8 das al ao). Este tipo de informacin generalmente
______________________________________________________________________
27

probar ser muy til al planificar las operaciones de la mina y para desarrollar el programa
minero.
Para cantidades mayores de equipos, la tabulacin de todas las posibles probabilidades
rpidamente se convierte en tediosa. Afortunadamente este tipo de problema ha sido muy
bien estudiado y se sabe que la probabilidad de que cualquier nmero dado o piezas de
equipo se encontrarn disponibles sigue una distribucin binmial. La expresin para este
tipo de distribucin es la siguiente:
n! k
p (1 p) n k
Pr( X k )
k!(n k )!
donde p = la disponibilidad de una pieza de equipo (fraccin entre 0 y 1)
k = el nmero de piezas del equipo en funcionamiento
n = el tamao total de flota
el signo de exclamacin es el operador factorial.. Ejemplo 4! = (4)(3)(2)(1)
Datos Continuos
En cada uno de los ejemplos anteriores, los datos considerados tomaron valores enteros
exclusivamente. Las funciones de probabilidad derivadas de este tipo de datos son
conocidos como discretas. Los datos de leyes generalmente no son discretos ya que los
valores de ensayo no son enteros. En tales casos, los datos y el modelo de probabilidad son
llamados continuos. Al discutir las probabilidades para datos continuos, se debe discutir la
probabilidad sobre un margen en lugar de la probabilidad de un nmero exacto ya que la
probabilidad de un resultado exactamente igualando a cualquier valor individual es
extremadamente pequea.
Se discuten dos tipos de probabilidades. La funcin de densidad de probabilidad (PDF) que
define la probabilidad que la variable tomar sobre un valor especfico. Esta funcin puede
ser integrada sobre cualquier margen de ley de inters para definir la probabilidad que la
variable aleatoria tomar sobre valores entre los dos puntos extremos. La funcin de
densidad acumulativa (CDF) define la probabilidad de que la variable aleatoria tome un
valor menor que un nmero especfico. Si el nmero especfico elegido es un ley de corte,
entonces el CDF (o su estimacin) define directamente el tonelaje bajo (y por lo tanto
sobre) la ley de corte.
Para obtener una representacin ilustrada de un conjunto de datos y para obtener una idea
de la forma de PDF o CDF, se utiliza una herramienta conocida como un histograma o
histograma acumulado.
Para crear un histograma, se define un nmero de rangos de
ley o clases y se cuenta el nmero de los ensayos que caen dentro de cada clase (o
porcentaje de ensayos).
Este grfico de barra es llamado histograma.
______________________________________________________________________
28

Como un ejemplo de la metodologa de construccin de un histograma, considere el
siguiente conjunto de datos de leyes.
0.86, 3.25, 3.18, 5.73, 3.03, 2.72, 2.02, 2.07, 3.91, 2.41, 3.34, 4.85, 4.97, 2.77, 3.04, 1.31, 2.23, 2.77, 2.18, 0.62
Las clases para este conjunto de datos pueden ser establecidos en valores enteros y el
nmero de ensayos contados por clase. Los resultados son los siguientes:
Ejemplo de Histograma
Intervalos de
Conteos
Conteos
Clase
por Clase
Acumulativos
0 a 1.0
2
2
1.0 a 2.0
1
3
2.0 a 3.0
8
11
3.0 a 4.0
6
17
4.0 a 5.0
2
19
5.0 a 6.0
1
20
E
je
m
p
lod
eH
is
to
g
r
a
m
a
E
je
m
p
lod
eH
is
to
g
r
a
m
aA
c
u
m
u
la
tiv
o
2
2
2
0
1
8
7
1
6
6
1
4
1
2
NumberofSamples
NumberofSamples
1
0
6
2
4
1
0
<
=1
(1
,2
]
(2
,3
]
(3
,4
]
(4
,5
]
B
inInterv
als
>5
<
=1
(1
,2
]
(2
,3
]
(3
,4
]
(4
,5
]
>5
B
inInterv
als
Un examen de la forma representada por el histograma proporciona informacin sobre la

posibilidad de que los datos sigan una de varias distribuciones bien conocidas. Los
modelos de distribucin continua ms comnmente encontrados en la minera y la geologa
son los modelos normal y log-normal.
La Distribucin Normal
Los datos tienden a seguir una distribucin normal o de Gauss siempre que el fenmeno
considerado involucre suma/promedio de otras variables aleatorias o cuando se consideren
errores. En la minera, esta distribucin aparece al considerar los errores de ensayo en un
laboratorio o los errores de estimacin. Los datos de ensayo de los yacimientos de metales
raramente siguen esta distribucin. El CDF para la distribucin normal es de acuerdo a lo
siguiente:
______________________________________________________________________
29
Pr(Z z ) Fz ( z )
f ( z )dZ
: o el integral de PDF iguala al CDF
fz ( z )
( z z)2
exp
2s 2
2s 2
: este es el PDF para la distribucin normal

z es el medio y s 2 es la variancia
Afortunadamente no es necesario resolver esta integracin (ni siquiera mirar a estas

ecuaciones nuevamente) para evaluar la distribucin normal. La distribucin normal ha
sido bien estudiada y sus valores han sido tabulados. Para utilizar las tablas, se requiere
una conversin simple a la variable normal estndar. Esta conversin es como sigue:
Zn
( z z}
s
La variable normal es por lo tanto el valor observado menos el medio dividido por la
desviacin estndar. Dada esta variable, es fcil definir la probabilidad de un evento
siempre y cuando los datos sigan una distribucin normal.
A modo de ejemplo, consideremos nuevamente el mtodo de anlisis de laboratorio
discutido en el primer mdulo. Supongamos que se ha determinado que el laboratorio es no
sesgado y que la desviacin estndar relativa de las mediciones para este laboratorio al estar
desempendose correctamente es 10%. Para una ley normal de 0,8% de cobre, la tabla de
la distribucin normal puede ser utilizada para determinar un margen aceptable de valores
para el laboratorio. Los valores de ensayo fuera de este margen son indicaciones de que el
laboratorio no esta cuantificando las leyes correctamente. Este tipo de anlisis es calificado
como una determinacin de lmite de control. Cuando los ensayos se encuentran dentro de
los lmites entonces el proceso (en este caso el laboratorio) se encuentra en control.
Cuando los ensayos se desvan fuera de los lmites, el proceso puede estar fuera de control
(los valores de ensayo no son confiables). Tpicamente los lmites de control son
establecidos en los niveles de 95% y 99%. El nivel de probabilidad asociados con los
lmites de control describe el porcentaje esperado de ensayos que caen dentro de los lmites.
Por lo tanto para los lmites de control de 95%, se espera que 5% de los datos caiga fuera
de los lmites, mientras que se espera que slo 1% de los datos caiga fuera de los lmites de
99%. Al examinar un grfico de control, uno busca secuencias de valores que se
encuentran fuera de los lmites. Excursiones aleatorias fuera del territorio son esperadas,
sin embargo las tendencias o patrones de excursiones fuera del territorio indican un proceso
que se encuentra fuera de control y un laboratorio que proporciona valores inaceptables.
Para desarrollar una carta de control como la del siguiente ejemplo, es necesario saber unos
pocos detalles con respecto a los datos. Primero, las cartas de control pueden ser
desarrollados solamente para estndares u otros materiales que son analizados mltiples
veces.
Una carta de control creada sobre diferentes muestras no tendra mucho sentido debido a
que la variabilidad de la ley de las muestras es muy superior al error introducido en el
______________________________________________________________________
30

laboratorio. Suponiendo que se ha preparado una muestra que se sabe que contiene 0,8%
de cobre. Despus de numerosos ensayos de la muestra, se ha determinado que la
desviacin estndar relativa (desviacin estndar/media) de las mediciones cuando el
laboratorio est funcionando apropiadamente es 10%, por lo tanto la desviacin estndar es
0,08% de cobre. Utilizando esta informacin y la tabla de distribucin normal estndar, es
posible determinar los lmites de control. Para demostrar como se realiza esto, se considera
el 95% de confianza para los lmites de control.
En el lmite de 95%, 95% de los valores caen dentro de los lmites y 5% caen fuera. El 5%
de los valores que se encuentran fuera de los lmites caen en uno de los dos extremos de la
distribucin. Al dividir el 5% en 2, se consulta la tabla normal para determinar los valores
normales correspondientes a los valores CDF de 2,5% y 97,5%. Los valores apropiados
son -1,96 y 1,96. Dados estos valores estndares el valor apropiado para la carta de control
puede ser definida.
Zn
( z z}
s
En este caso: -1,96= (x-.8)/.08 y 1,96= (x-.8)/.08

En otras palabras los valores Z de la tabla son 1,96 y -1,96, la media
es 0,8 y la desviacin estndar es 0,08
El despejar la x proporciona los lmites de control de 0,64 y 0,96%
de cobre al 95 % de confianza.
Los lmites de 99% son definidos en la misma forma. Slo el valor Zn cambia, segn se
define en la tabla normal.
E
je
m
p
lod
eC
u
a
d
r
od
eC
o
n
tr
o
la
d
e
m
sd
eD
is
tr
ib
u
c
i
nd
eE
n
s
a
y
o
1
.2
1
.1
9
9
%
C
o
n
tro
lL
im
it
1
.0
9
5
%
C
o
n
tro
lL
im
it
Copper(%)
0
.9
0
.8
0
.7
0
.6
0
.5
0
1
0
0
2
0
0
3
0
0
4
0
0
A
n
a
ly
s
isN
u
m
b
e
r
______________________________________________________________________
31

La carta de control anterior construida indica que el laboratorio tiene la metodologa de
ensayo bien bajo control. Aproximadamente 400 muestras estndares fueron ensayadas.
Se esperaba que uno en veinte (5%) de los ensayos cayera fuera de los lmites de 95%.
Slo 14 muestras cayeron fuera de los lmites en lugar de las 20 muestras esperadas. En un
nivel de 99%, se esperaba que 1 en 100 o 4 muestras cayeran fuera de los lmites. En la
actualidad slo 1 muestra cae fuera. Sobre esta base, el laboratorio aparece como operando
dentro de los lmites aceptables. El grfico de barras a la derecha de cuadro de control
muestra las frecuencias de las leyes por rango de ley mientras que la lnea roja muestra la
distribucin normal terica para los datos con la misma media y varianza. Segn se
muestra, los datos de ensayo se ajustan muy cercanamente a una distribucin normal.
La Distribucin Log-normal
A diferencia de la distribucin normal que se centra principalmente alrededor de la ley
media, la distribucin log-normal es asimtrica con una extremo (cola) extendindose hacia
los valores de ley ms altos. Este tipo de distribucin es comn al examinar los leyes de
ensayo de los yacimientos minerales en donde los leyes de ensayo generalmente no se
encuentran cerca de los normalmente distribuidos. Tiende a haber muchas leyes bajas pero
relativamente pocas leyes altos. Un ejemplo de un histograma de datos log-normales es
presentado a continuacin
E
je
m
p
lod
eH
is
to
g
r
a
m
ap
a
r
au
nC
o
n
ju
n
tod
eD
a
to
slo
g
-n
o
r
m
a
l
1
0
5
9
8
9
1
8
4
7
7
7
0
6
3
NumberofSamples
5
6
4
9
4
2
3
5
2
8
2
1
1
4
7
0
.1
5
.2
5
.3
5
.4
5
.5
5
.6
5
.7
5
.8
5
.9
5
1
.0
5
1
.1
5 >1
.2
C
o
p
p
e
r(%
)
El ley promedio de estos datos es 0,45% de cobre. A pesar de que 0,45% es el centro de la
clase que contiene la mayora de las muestras, el histograma muestra definitivamente que la
mayora de los ensayos son menores que 0,45% en lugar de ser mayores que este valor. La
ley promedio es influenciada por las muestras con leyes mayores que 1%. Estas muestras
de alta ley crean el extremo de alta ley para esta distribucin y ejercen mayor influencia
sobre el ley promedio. El impacto de tales muestras sobre la varianza es incluso mayor
debido a que la varianza es medida en unidades cuadradas. A menudo los valores de ley
muy grande ocurren e influencian fuerte e inapropiadamente las estadsticas calculadas
______________________________________________________________________
32

basndose en los datos. Tales valores de leyes son denominados aislados y deben ser
manejados en forma separada para evitar el sesgo de las estadsticas y cualquier estimacin
calculada a partir de los datos. Los mtodos para tratar los valores aislados sern discutidos
en la siguiente seccin.
La distribucin log-normal recibe su nombre debido a que los logaritmos de los datos se
distribuyen normalmente. Esto significa que si una variable Z es log-normal, la variable
In(Z) estar normalmente distribuida. Debido a que esta transformacin se encuentra
disponible, las tablas especficas para la distribucin log-normal no son necesarias. Slo es
necesario definir la media apropiada y la varianza de los logaritmos de los datos para poder
definir la probabilidad de cualquier corte de inters (vase la seccin de los comentarios
para cualquier informacin adicional sobre este mtodo). Debido a que muchos conjuntos
de datos de los yacimientos de minerales parecen seguir las distribuciones log-normal y las
probabilidades de la distribucin de encuentran disponibles desde las tablas normales, esta
distribucin es frecuentemente utilizada.
Una herramienta til para evaluar, si los datos siguen una distribucin especfica es el papel
de probabilidades. Cuando las frecuencias acumulativas son trazadas en papel de
probabilidades, se genera un trazado de lnea recta si los datos siguen la distribucin de
inters. El papel de probabilidades puede ser derivado de alguna distribucin, pero el papel
de probabilidades normal es el ms utilizado. Si las probabilidades acumulativas son
trazadas en contra del logaritmo de ley, entonces el papel de probabilidades normal se
convierte en papel de probabilidades log-normal. A continuacin se entregan ejemplos de
datos trazados sobre papel de probabilidades normal y papel de probabilidades log-normal.
Los datos trazados en el papel normal fueron utilizados en el cuadro de control del ejemplo
anterior mientras que los datos trazados en el papel log-normal fueron utilizados para
generar el histograma de los datos log-normales mostrados arriba.
E
x
a
m
p
le
N
o
r
m
a
lP
r
o
b
a
b
ility
P
lo
t
E
x
a
m
p
le
L
o
g
n
o
r
m
a
lP
r
o
b
a
b
ility
P
lo
t
3
5
.
3
.
5
2
5
.
2
.
5
1
5
.
1
.
5
0
.
5
ExpectedNormalValue
ExpectedNormalValue
0
5
.
-0
5
.
-0
5
.
-1
5
.
-1
5
.
-2
5
.
-2
5
.
-3
5
.
0
5
.
-3
5
.
0
.
1
0
6
.
0
7
.
0
8
.
0
9
.
C
o
p
p
e
r(%
)
1
0
.
1
1
.
1
2
.
0
.
3
0
.
2
0
.
4
0
.
5 0
.
7 0
.
9
0
.
6 0
.
81
.
0
2
.
0
C
o
p
p
e
r(%
)
Los puntos sobre cada trazado representan los datos mientras que la lnea representa la lnea
ms adecuada para los datos. En cada caso los datos cayeron cerca de la lnea indicando
______________________________________________________________________
33

que los datos realmente siguen las distribuciones normal y log-normal, respectivamente.
Ntese que el eje Y en los trazados anteriores se encuentra en unidades de desviacin
estndar o lo que es equivalente la variable Zn normal estndar. El eje Y puede tambin
estar en unidades de porcentaje o probabilidad.
Ejemplos
La funcin de distribucin acumulativa proporciona un mtodo conveniente para convertir
entre las diferentes distribuciones o hacer una transformacin de los datos. Una aplicacin
de una transformacin para corregir un sesgo en los valores de ensayo introducidos por las
perforaciones viene de un yacimiento de oro. El depsito fue perforado primariamente
utilizando circulacin inversa
E
x
a
m
p
le
o
fD
rillin
g
P
a
t
t
e
rn
(RC). Debido a que haba
algunas
preocupaciones
D
ia
m
o
n
d
H
o
le
2
5
0
R
C
H
o
le
acerca de la validez de la
tcnica y los valores de
2
0
0
ensayo
obtenidos,
la
perforacin de diamante fue
1
5
0
utilizada para confirmar los
resultados.
1
0
0
El depsito fue perforado en
una malla de 50 metros con
5
0
circulacin inversa. En lugar
de utilizar la perforacin de
2
5
7
5
1
2
5
1
7
5
2
2
5
diamante gemelos (twin
holes) para reproducir los sondajes RC , la decisin fue tomada para obtener la mayor
cantidad posible de informacin con respecto al yacimiento y perforar con diamante en una
malla de 50 metros desplaza con respecto de la malla de circulacin inversa (vase
ilustracin). Debido a que los dos programas de perforacin cubren la misma rea en la
misma densidad, las distribuciones de datos de ensayo obtenidas de los dos programas de
perforacin deberan ser idnticas. Para determinar si esto es verdadero, se prepararon
distribuciones experimentales acumulativas en forma separada para ensayos en zona de
mineral de cada tipo de perforacin. Una comparacin de los dos CDFs experimentales
demuestra que los resultados de perforaciones RC muestran consistentemente leyes ms
altas que los resultados de la perforacin con diamante. De esta comparacin (e
informacin sobre las tcnicas de perforacin RC utilizadas), se concluy que los datos RC
estaban sesgados y requeran correccin.
______________________________________________________________________
34
40.00
60.00
20.00
4.00
6.00
8.00
10.00
2.00
0.40
0.60
0.80
1.00
0.20
0.04
0.06
0.08
0.10
ExpectedNormalValue
La
correccin fue
C
o
rre
c
c
i
n
d
eG
ra
d
o
su
tiliz
a
n
d
o
e
ltra
z
a
d
o
d
ep
ro
b
a
b
ilid
a
d
hecha basndose en
3
.5
cada
ensayo
en
G
ra
d
eD
istrib
u
tio
nF
ro
m
2
.5
D
ia
m
o
n
dD
rillin
gP
ro
g
ra
m
particular.
Desde el
CDF de los datos RC,
1
.5
el
porcentaje
de
0
.5
muestras con leyes
G
ra
d
eD
istrib
u
tio
nF
ro
m
menores que la ley de
R
C
D
rillin
gP
ro
g
ra
m
-0
.5
cualquier
muestra
-1
.5
conocida.
Para el
porcentaje especfico,
-2
.5
E
xa
m
p
leG
ra
d
eC
o
rre
ctio
n
el CDF de los datos de
-3
.5
la
perforacin
de
diamante define otra
G
o
ldG
ra
d
e(g
/t)
ley.
En esta forma
todos los ensayos RC
sesgados son transformados en ensayos de perforaciones de diamante no sesgadas
equivalentes. Esta transformacin es mostrada grficamente en la figura anterior.
Ntese que incluso siguiendo esta correccin los datos establecidos no pueden ser
utilizados para nada ms que definir un recurso inferido. La definicin de clases de
recursos medidos o indicados o cualquier tipo de reserva no son posibles al utilizar datos
corregidos .
Comentarios
Los mtodos geoestadsticos estndar no hacen suposiciones con respecto a la forma de la
distribucin estadstica. Los mtodos de estimacin tales como el mtodo kriging pueden
ser aplicados ya sea que los datos sigan una distribucin normal, una distribucin lognormal o cualquier otra distribucin. Se debe notar, sin embargo, que las estimaciones
kriging tendern a ser ms precisas si los datos siguen una distribucin de buen
comportamiento centrado (tal como la distribucin normal) en lugar de una distribucin con
un extremo largo (como es el caso de la distribucin log-normal).
Los grficos de probabilidad son tambin muy tiles para determinar si el conjunto de datos
es una mezcla de dos poblaciones estadsticas (una mezcla de las mineraloga de calcopirita
y calcosina por ejemplo) y para evaluar y manejar valores aislados o extremos. Cada uno
de estos usos de grficos de probabilidad sern discutidos en el prximo mdulo.
______________________________________________________________________
35
Modulo 1.4 - Anlisis de Datos

Introduccin
La etapa de anlisis de datos es crucial en el desarrollo de las estimaciones de recursos
exactas. Durante esta etapa, algunas veces llamada anlisis de datos exploratorios o EDA,
los datos de leyes son estudiados y analizados en detalle. Este anlisis utiliza varias
herramientas estadsticas- algunas de las cuales fueron previamente presentadas y otras que
sern presentadas aqu - para entender la distribucin de los datos y sus importantes
parmetros de resumen. Al aplicar las diferentes herramientas, tanto el conjunto completo
de datos como los varios sub-conjuntos de datos son considerados. Algunos ejemplos de
los sub-conjuntos de datos son las leyes para diferentes litologas, tipos de alteraciones,
mineraloga del cobre o la ubicacin espacial. Los datos son estudiados en sub-poblaciones
o grupos, ambos para desarrollar un entendimiento cuantitativo de los controles ms
importantes o significativos de la mineralizacin y para definir cuales grupos pueden ser
combinados (debido a que sus propiedades son tan similares) y cuales grupos deben ser
estudiados por separado. Tpicamente en esta etapa del estudio de recursos, las decisiones
importantes son tomadas con relacin a cmo ser estimado el depsito y que tipos de
lmites sern establecidos entre los grupos.. A menudo, existen diferentes zonas dentro de
un depsito y no es deseable utilizar datos de una zona para estimar leyes en otras zonas.
Por ejemplo, s una litologa especfica (ej.:skarn) o mineraloga (ej.: la presencia de
calcosita) est asociada con leyes altas entonces es esencial que solamente datos de estas
zonas sean utilizados al estimar las leyes de material dentro de esta zona. Generalmente se
requerir de un lmite duro en los modelos. Sin este lmite, las leyes altas de la zona sern
utilizadas para estimar las leyes de material que se encuentra fuera de la zona y se sabe
(geolgicamente) que posee una ley ms baja. Esto nos llevar a una sobre estimacin de
los leyes de ciertas litologas. Lo contrario tambin ocurre en el caso en que se utilicen
muestras de grupos de leyes bajas en la estimacin de zonas de ley alta. En resumen, es
esencial definir y utilizar grupos de datos en cualquier estimacin de recursos. Se le debe
consultar al gelogo de proyecto en forma extensiva durante esta parte de la estimacin de
recursos ya que el conocimiento geolgico y la familiaridad con el depsito son esenciales
para ganar una penetracin dentro de las caractersticas especficas del depsito que
pudieran impactar la ley.
Teora / Antecedentes
Existe un nmero de herramientas que pueden ser utilizadas para leer mejor los mensajes
ocultos dentro del conjunto de datos. En los siguientes prrafos varias herramientas sern
introducidas y se proporcionarn ejemplos de sus usos. Cada herramienta proporciona un
tipo diferente de informacin relacionada con el conjunto de datos. En combinacin, las
herramientas de anlisis de datos proporcionarn una idea bastante completa de las
caractersticas de los datos y apuntarn a las tcnicas ms apropiadas para la estimacin de
leyes en el depsito.
La primera tarea es determinar si hay una o ms poblaciones de leyes presentes. Una
poblacin puede ser definida como un conjunto de valores que siguen la misma distribucin
______________________________________________________________________
36

estadstica. Debido a que una evaluacin de una distribucin completa de las leyes puede
ser difcil, generalmente slo las dos estadsticas de resumen ms importantes, la media y la
varianza, son utilizadas al evaluar el hecho de s los datos pertenecen a una poblacin dada.
Idealmente, se sabe lo suficiente acerca de geologa, mineraloga y las opciones
metalrgicas para un depsito especfico que clases o categoras similares de datos puedan
ser definidas incluso antes de ni siquiera considerar las estadsticas. En estos casos es
necesario determinar cuando ciertas clases deben o pueden ser combinados.
Al presentar las herramientas estadsticas, se supondr que las clases de significado fsico,
lgicas pueden ser definidas, as es que la primera tarea es la de agrupar las clases de
acuerdo a lo apropiado. Una vez que los datos estn agrupados, un anlisis adicional es
desempeado para determinar s acaso las diferentes poblaciones permanecen dentro de los
datos. Las herramientas que sern utilizadas son grficos rectangulares mltiples, grficos
interactivos, grficos de efecto proporcional u grficos de probabilidad.
Grficos Rectangulares
CopperGrade(%)
Los grficos rectangulares son

Ejem
plodetrazadorectangular
similares a los histogramas en cuanto
2
.0
que el grfico permite una visin de
todo el conjunto de datos.
El
O
u
tlie
rs
enfoque de los grficos es sin
1
.5
embargo
algo
diferente.
Histricamente los histogramas
W
h
iske
r
haban sido utilizados como una
herramienta para determinar que tipo
1
.0
de distribucin estadstica podra
M
e
a
n
adecuarse al conjunto de datos. Los
grficos rectangulares son ms
Bo
x
0
.5
M
e
d
ia
n
utilizados para ver las estadsticas
ms importantes de los datos adems
de examinar los valores escapados.
0
.0
Existen 5 componentes importantes
en un grfico rectangular. Primero
se encuentra el rectngulo mismo
que define el 50% central de los valores de leyes observados. Esto es 50% de los leyes
pertenecen al rectngulo; 25% son ms pequeos que el lmite inferior del rectngulo y
25% son ms grandes que el lmite superior del rectngulo. Anexos a y extendindose
fuera del rectngulo existen dos lneas verticales conocidas como contacto por punta. El
largo de los contactos es seleccionado por la persona que realiza el anlisis. Tpicamente
los contactos son 1 a 1,5 veces el ancho del rectngulo. Si el valor de datos mximo o
mnimo es menor que el largo mximo de los contactos, entonces los contactos se detienen
en el valor mnimo o mximo. Los valores que caen fuera del margen de los contactos son
denominados aislados. Para mostrar el posible centro de la distribucin, los valores media
(promedio) y mediana son mostrados como puntos.
______________________________________________________________________
37
En esta ilustracin se muestra la tendencia central (media y mediana), extensin (ancho de

rectngulo) y el margen de datos. La medicin de la extensin ilustrada por el ancho del
rectngulo es conocida como la amplitud intercuartil.. La amplitud intercuartil captura el
50% central de los datos y se encuentra generalmente especificada en conjuncin con la
mediana (50% de los datos son mayores y 50% son menores que el valor de la mediana).
Tanto la mediana como la amplitud intercuartil son estadsticas que son resistentes a los
valores escapados; esto es, la magnitud de los valores escapados no impacta estas
estadsticas. Por ejemplo, en el grfico rectangular del ejemplo anterior aunque el valor
mayor fuese 1,9% o 19% la mediana y la amplitud intercuartil permanecen sin cambio. Las
estadsticas tpicas utilizadas para medir la tendencia central y la extensin (media y
varianza) son ciertamente impactadas por la magnitud de los valores escapados siendo la
varianza ms afectada que la media.
Al comparar la media y la mediana en el grfico de rectngulo del ejemplo se demuestra el
efecto de los valores escapados ya que la media es significativamente mayor que la
mediana. Los datos definitivamente tienen una cola hacia los valores de ley alta (una
distribucin de tipo lognormal). Este tipo de distribucin (media > mediana) se llama
una distribucin asimtrica positiva. Cuando los datos son positivamente asimtricos, los
valores escapados de alta ley son comunes. En el grfico de ejemplo se muestran dos de
tales valores. Antes de la estimacin, se le debe dar una consideracin a la investigacin de
los ensayos para estos datos, revisando la ubicacin de los ensayos o cortando estos valores.
Se proporciona ms discusin sobre este tema en las secciones posteriores.
Copper (%)
Los grficos rectangulares pueden ser

E jem plo de Tr azado Rectangular Mltiple
2.5
superimpuestos para exhibir el margen de leyes
y las estadsticas para varios grupos de datos.
El grfico superimpuesto es llamado grfico
2.0
rectangular mltiple y aqu se entrega un
ejemplo de l. Los ensayos de cobre han sido
agrupados por litologas observadas. Las leyes
1.5
de la mediana se encuentran unidas por una
lnea para mostrar una tendencia de ley
creciente al comenzar a moverse de la litologa
1.0
1 a la litologa 3. Basndose en la diferencia de
ley de la mediana entre los tres grupos cada
uno de ellos probablemente ser tratado por
0.5
separado durante la estimacin de recursos. Al
existir una diferencia, como la mostrada aqu,
se encuentra de extrema importancia
el
0.0
Lithology 1
Lithology 2
Lithology 3
confirmar con el gelogo del proyecto que
la diferencia en los leyes observadas sea
razonable y coherente con el modelo geolgico para el depsito. Esta informacin puede
ser utilizada para mejorar tanto el conocimiento geolgico del depsito como para
proporcionar ideas para otros mtodos de investigacin de datos.
______________________________________________________________________
38

Grficos Interactivos
En contraste con los grficos previamente descritos que permiten una investigacin
detallada de los leyes para un elemento nico, los grficos interactivos permiten una
investigacin de las interrelaciones entre varios elementos. Por esta razn, el grfico
interactivo es muy til al determinar si las varias agrupaciones de datos son similares o
diferentes en los depsitos polimetlicos. El grfico interactivo es muy simple de construir.
La ley promedio de cada elemento se grfica a lo largo de la lnea vertical y existen tantas
lneas verticales como el nmero de grupos, En los casos en que hay variables de
agrupacin mltiple (por ejemplo la litologa y la mineraloga), el grfico de interaccin
puede tambin apuntar a la variable de agrupacin ms importante. Por ejemplo, si las
leyes de cobre son consistentes a travs de todas las litologas para una mineraloga de
cobre especfica, pero hay saltos de leyes importantes entre las diferentes mineralogas.
Entonces la mineraloga es el control ms importante sobre la ley y la litologa puede ser
ignorada para los propsitos de estimacin de recursos.
Alteration
Type1
Type2
Type3
Type4
Type5
Alteration
Type1
Type2
Type3
Type4
Type5
Alteration
Type1
Type2
Type3
Type4
Type5
Copper(%),Moly(%),Gold(g/t)
Un ejemplo de un
E
je
m
p
lod
eT
ra
za
d
od
eIn
te
ra
c
c
i
n
grfico
interactivo
1
.2
5
C
o
p
p
e
r
explica mucho acerca de
G
o
ld
la utilidad de esta
M
o
ly
1
.0
0
herramienta. Los datos
de
este
depsito
0
.7
5
polimetlico del ejemplo
se encuentran agrupados
0
.5
0
por la litologa y el tipo
de alteracin. Las leyes
0
.2
5
de Moli, oro y cobre
promedio,
fueron
0
.0
0
calculadas por grupo y
exhibidos en el grfico
interactivo. El grfico
L
ith
o
lo
g
y1
L
ith
o
lo
g
y2
L
ith
o
lo
g
y3
muestra
rpidamente
que la
litologa no
tiene un impacto significativo sobre la ley. Las lneas representando las leyes promedio de
cada elemento por el tipo de alteracin son casi idnticas entre las tres litologas. Por
ejemplo, sin importar la litologa, el cobre es alto y el oro es bajo para la alteracin tipo 1 y
lo opuesto es verdadero para alteracin tipo 2. Adems, el grfico muestra que los tipos de
alteracin 1 y 3 (cobre alto, Moli y oro baja) son muy similares y los datos de
estos grupos podran probablemente ser combinados. El resto de los tipos de alteracin
parecen ser lo suficientemente diferentes por lo que no deben ser combinados para los
propsitos de estimacin. Una vez ms, existen probablemente razones muy entendibles
para los patrones mostrados entre los varios elementos y el gelogo del proyecto debe ser
consultado.
Un comentario final sobre el grfico interactivo, debido a que solamente la ley promedio es
presentada, dicha ley debe ser representativa del grupo. Habr algunos grupos que se
______________________________________________________________________
39

encuentran sub-muestreados. En estos casos, la ley promedio estimada puede no ser una
buena estimacin de la ley promedio real, por lo tanto el nmero de datos por grupo debe
ser considerado antes de la construccin del grfico. Los datos aislados son tambin una
preocupacin, por lo tanto un grfico rectangular mltiple debe ser tambin construido por
cada elemento antes de preparar un grfico interactivo y los valores escapados deben ser
validados.
Grficos de Efecto Proporcional
El efecto proporcional se refiere a la presencia de una relacin lineal entre la ley promedio
y la desviacin estndar de los sub-conjuntos de datos. Por ejemplo, si un depsito fue
dividido en un nmero de zonas y la desviacin estndar y el promedio fueron calculados
para los datos dentro de cada zona, un efecto proporcional producira una relacin lineal
entre la desviacin estndar y el promedio. En otras palabras, se presenta un efecto
proporcional cuando la variabilidad es una funcin creciente de ley.
Un ejemplo simple ayudar a explicar las posibles relaciones entre la variabilidad y la ley.
En la ilustracin de la derecha, se muestran los tres perfiles de ley a travs de un depsito.
En el perfil superior, la ley promedio es constante a
Ley const ant e y vari abi l i dad Const ant e
lo largo del perfil (como lo muestra la lnea
horizontal slida) al igual que la variabilidad
(mostrada por las fluctuaciones de las puntas
alrededor de la lnea de ley promedio). En el perfil
intermedio, la ley promedio aumenta a lo largo del
perfil; sin embargo, la variabilidad permanece
constante a pesar de ley creciente. En el ltimo, la
ley promedio del perfil tambin aumenta a lo largo
Vari anci a Const ant e, Ley en aument o
del perfil al igual que aumenta la variabilidad. Si los
datos del ltimo perfil fuesen estudiados en detalle,
se determinara que la desviacin estndar de los
datos es una funcin lineal de la ley promedio. Un
efecto proporcional se encuentra presente en los
datos del perfil inferior.
Ley en aument o y vari abi l i dad en aument o
Por lo tanto, De dnde viene el efecto proporcional

y porqu es tan importante? Cuando los datos vienen
de una distribucin normal (ver comentarios), el
efecto proporcional no es observado y la varianza no
es una funcin de la ley local. El perfil de la ley
media, en la ilustracin anterior, sera el
caracterstico de los datos de una distribucin
normal. Cuando los datos provienen de una distribucin (multi-) lognormal, el efecto
proporcional es siempre observado. La desviacin estndar de los datos es una funcin
lineal directa de la ley promedio. Mientras la presencia de una distribucin lognormal
______________________________________________________________________
40

garantiza un efecto proporcional, se observa en la prctica que los datos de cualquier
distribucin asimtrica positiva exhibira generalmente un efecto proporcional. Por esta
razn, virtualmente todos los datos de los depsitos de minerales exhiben un efecto
proporcional.
La presencia de un efecto proporcional no

impacta mayormente las estimaciones, sin
embargo
impacta
seriamente
la
incertidumbre
asociada
con
las
estimaciones
(vase
comentarios).
Considere los dos diagramas de dispersin
mostrados aqu. En ambos casos, se
consideran los leyes en los puntos
separados por 20 metros. En el diagrama
de dispersin, los datos son normales
bivariados y la dispersin de los puntos es
una funcin constante de ley, por lo tanto
al estimar los leyes en este caso, la
incertidumbre ser independiente de la ley.
En el diagrama inferior, los datos son lognormales bivariados. En este caso, la
dispersin, y por lo tanto la incertidumbre,
son claramente funciones de ley en
aumento y la tcnica de estimacin debera
dar cuenta de esto al especificar la
incertidumbre.
Trazado de di spersi n para Vari abl es Normal es Bi vari adas

7
6
Gr ade 20 Mete r s Fr omLocatio n X
5
4
3
2
1
0
0
G r ade at Loc at io n X
Trazado de di spersi n para Vari abl es Log- Normal es Bi vari adas

G r ade 20 M et er s Fr om Locat ion X
1. 5
1. 0
0. 5
0. 0
0. 0
0. 5
1. 0
1. 5
Gr ade at Locat ion X
El grfico de efecto proporcional es fcil

de construir. Primero los datos son agrupados en clases significativas. Luego el promedio
y la desviacin estndar son calculadas para cada clase. Los puntos son dibujados sobre un
grfico con la ley media en el eje X y la
E
je
m
p
lod
eu
nT
ra
za
d
od
eE
fe
c
toP
ro
p
o
rc
io
n
a
l
desviacin estndar sobre el eje Y. El
grfico es utilizado para buscar patrones o
agrupaciones de datos.
A menudo,
emergen claras agrupaciones de datos que
se pueden relacionar nuevamente con la
geologa.
1
.3
1
.1
0
.9
StandardDeviation(%)
0
.7
0
.5
L
e
a
c
h
e
dZo
n
e
P
rim
a
ryZo
n
e
E
n
ric
h
e
dZo
n
e
En el siguiente ejemplo de grfico de

efecto proporcional, algunas leyes de cobre
para diferentes litologas dentro de
diferentes zonas del depsito son dibujadas
vs la desviacin estndar. La lnea pasando a travs del grfico es el mejor ajuste lineal
para los datos. Generalmente, la desviacin estndar se encuentra relacionada en forma
lineal con la ley promedio y los datos de este depsito realmente exhiben un efecto
proporcional. Como es de esperar, las leyes dentro de la zona enriquecida son ms altas
0
.3
0
.1
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
1
.2
1
.4
1
.6
A
v
e
ra
g
eC
o
p
p
e
rG
ra
d
e(%
)
______________________________________________________________________
41

que en la zona primaria los cuales, en cambio, son ms altas que los leyes en la capa
lixiviada. Las litologas individuales dentro de cada una de las zonas de diferente carcter
primario-supergeno tambin impactan las leyes observados. Lo ms probable es que las
litologas dentro de la zona primaria estarn combinadas para propsitos de la estimacin
de recursos. Dependiendo del nmero de muestras dentro de las tres litologas encontradas
dentro de la zona enriquecida, estas litologas sern tratadas en forma separada o
combinadas. La zona lixiviada sera tratada en forma separada y, posiblemente, los leyes
no seran estimados por bloques dentro de esta zona ya que es aparentemente poco
lucrativo.
Grficos de Probabilidad
40.00
60.00
80.00
20.00
4.00
6.00
10.8.0000
2.00
0.40
0.60
0.1.8000
0.20
0.04
0.06
0.0.0180
0.02
0.01
StandardDeviations
Los grficos de probabilidad son presentados nuevamente aqu para hacer mencin de dos
otros usos de los grficos. Como se discuti previamente, estos grficos pueden ser
utilizados para determinar s acaso un conjunto de datos sigue o no una distribucin
lognormal. Una vez que el modelo lognormal es aceptado, los grficos pueden ser
utilizados
para
E
je
m
p
lod
eP
o
b
la
c
io
n
e
sM
ltip
le
syC
o
rted
eG
ra
d
o
determinar
si
el
3
.5
conjunto
de
datos
2
.5
contiene
mltiples
poblaciones y para
1
.5
ayudar a cortar los
0
.5
valores escapados. El
siguiente grfico de
-0
.5
probabilidades es de un
-1
.5
depsito de oro que
contiene tanto datos
-2
.5
aislados
como
-3
.5
poblaciones mltiples.
La
distribucin
lognormal proporciona
G
o
ldG
ra
d
e(g
/t)
un ajuste razonable a
estos datos por lo tanto
este modelo ser utilizado. El grfico de los puntos sobre el papel de probabilidades
lognormal muestra dos porciones de lneas directas. Las lneas son ajustadas a cada una de
estas porciones de la distribucin de leyes. Las lneas cruzan a alrededor de 0,08 g/t. Este
valor es poco econmico por lo que la poblacin de leyes de baja ley (Au<0,08)
probablemente no ser tratada en forma diferente durante la interpolacin de leyes. Esta
poblacin de leyes corresponde probablemente al tonelaje de dilucin (requerido para
forzar al cuerpo mineral a cumplir los anchos mnimos de la minera en este tipo de
depsito de veta) y la inclusin de estos leyes es necesaria para evaluar correctamente el
recurso.
En este caso, la razn para las poblaciones mltiples era conocida y no era una
preocupacin. En otros casos, la razn para las poblaciones mltiples puede ser
desconocida, en tales casos, se requiere una mayor investigacin con el gelogo del
______________________________________________________________________
42

proyecto para entender el porqu las poblaciones mltiples estn apareciendo en el grfico
de probabilidades y para determinar cmo trabajar en mejor forma con las poblaciones.
Ocasionalmente, hay alguna variable que no ha sido considerada en el anlisis de datos y
esta variable puede ser utilizada para separar las poblaciones, otras veces puede haber
alguna deficiencia en el registro lo cual hizo que las poblaciones se mezclaran de forma
inapropiada, finalmente, puede haber verdaderamente una mezcla de poblaciones de ley
debido, por ejemplo, a mltiples pulsos de mineralizacin. Slo a travs de una
investigacin minuciosa se puede determinar la razn de las poblaciones mltiples. Sin
embargo, este trabajo es crtico cada vez que las poblaciones mltiples son aparentes ya que
la calidad del estimador puede ser impactada en forma adversa.
En el ejemplo del grfico de probabilidades lognormal se determin que la poblacin de
baja ley no era de suficiente inters como para considerar la divisin de las poblaciones.
Por lo tanto en este caso el mismo grfico es utilizado para considerar leyes escapadas
(vase comentarios). Dos valores de datos caen bien fuera de la lnea correspondiente a la
distribucin lognormal. Si la distribucin lognormal es aceptada como el modelo
apropiado para estos datos entonces estos valores no encajan en el modelo. Al aceptar el
modelo en preferencia a los datos, estos datos pueden ser cortados proyectando los valores
en forma horizontal de nuevo en la lnea representando la distribucin y dejndolos caer en
forma vertical para definir los leyes de corte. En el ejemplo, los valores escapados son 76 y
45 g/t. Estos son cortados a 22 y 38 g/t respectivamente.
Comentarios
Al discutir el efecto proporcional se establece que los datos que siguen una distribucin
normal no exhiben un efecto proporcional. En realidad los datos deben seguir una
distribucin multi-normal. Eso significa que todas las variables (en geoestadstica una
variable es la ley en una ubicacin especfica) siguen distribuciones normales, todos los
pares de variables siguen distribuciones normales bivariadas, todas las variables triples
siguen distribuciones estndares trivariadas, etc. Es difcil probar si los datos siguen una
distribucin multinormal; sin embargo, hay formas de determinar si los datos son
bivariados normales (Deutsh y Journel, 1998). Estas
formas se convierten en puntos importantes al aplicar tcnicas avanzadas que dependen de
las suposiciones de normalidad mltiple.
El estimador kriging no hace suposiciones con respecto a la forma de la distribucin que
siguen los datos. Las estimaciones estn basadas en slo la correlacin presente en los
datos. Para el modelo de correlacin especfico, kriging es el mejor estimador no sesgado y
lineal. Esto no quiere decir que sea el mejor estimador posible. Por ejemplo, si se sabe que
los datos siguen verdaderamente una distribucin multilognormal, entonces se puede
construir un mejor estimador que sea condicionalmente no sesgado (sin sesgo sobre ningn
margen de ley). Donde el estimador kriging es inadecuado es en la especificacin de la
incertidumbre que rodea las estimaciones. La estimacin de incertidumbre de kriging (la
varianza de kriging) no considera los leyes de los datos en forma alguna, as es que para la
gran mayora de los yacimientos de minerales la varianza kriging proporciona poca
______________________________________________________________________
43

informacin til con respecto a la incertidumbre.
Antes de desempear cualquiera de los anlisis presentados en esta seccin, los datos deben
ser ponderados segn lo descrito en el Mdulo 2 para asegurarse de que el largo de la
muestra o el agrupamiento de las perforaciones no sesgan artificialmente los resultados.
El manejo de los valores escapados es un tema muy delicado. Los valores de alta ley son
exactamente lo que todos los involucrados con el proyecto estn buscando (en realidad es
probable que lo nico que los gelogos, ingenieros, metalrgicos y contadores siempre
estarn de acuerdo: las leyes altas son buenas para el proyecto). Ahora la pregunta es: Son
ciertos ensayos o valores compuestos demasiado altos? Existen dos asuntos. El primero
es si los leyes de ensayo son crebles. Pueden deberse los valores a errores de ingreso de
datos o algn otro error introducido durante el muestreo, manejo de muestras o ensayo?
Habindonos asegurado de los valores son reales, la prxima pregunta es que tan
representativa es la muestra. En otras palabras: si otra muestra fuese tomada unos pocos
metros ms lejos, Reproducira la ley aislada. Si es razonable creer que la ley aislada no
se extiende sobre una distancia considerable entonces la ley debera ser cortada. Las ideas
relacionadas con la distancia de extensin de los leyes aisladas pueden ser probadas
realizando una doble perforacin o una de espaciado muy cercano (s, esto es caro de hacer,
pero el costo puede ser fcilmente justificado). En algunos casos simplemente ensayando
la otra mitad del testigo puede demostrar que la distancia de extensin de las leyes aisladas
es tan pequea como el dimetro del testigo. En un ejemplo de una mina de oro con alto
efecto pepita, las leyes ms altas que 90 g/t en una de las mitades del testigo no calzaban
con la ley de la otra mitad mientras que las leyes menores que 90 g/t se correspondan bien
en ambas mitades del testigo. En este caso las leyes fueron cortadas a 90 g/t. El corte no
fue realizado porque las leyes no fuesen crebles, sino ms bien fue hecho porque dichas
leyes no podan ser extendidas. En esta forma, el corte es un mtodo conservador para
restringir la influencia de leyes aisladas en donde la distancia de extensin permitida es
desconocida.
______________________________________________________________________
44

Curso Estadistica 1

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Curso Estadistica 1

Caricato da

Copyright:

Formati disponibili

MDULO 1.1 - EXACTITUD Y PRECISIN EN EL LABORATORIO ..................................................

___________________________________________Curso de Geoestadstica para Minera

Mdulo 1.1 - Exactitud y Precisin en el Laboratorio

___________________________________________Curso de Geoestadstica para Minera

Exacto pero no Preciso

Preciso pero no Exacto

Ejemplos de posibles tipos de errores

Tpicamente, un laboratorio que proporciona resultados que contienen errores sistemticos

___________________________________________Curso de Geoestadstica para Minera

Un Breve Ejemplo de Promedio y Varianza.

Varianza: s2 ( zi z) 2 / n (o ms fcil, clculo) s zi2 / n z

___________________________________________Curso de Geoestadstica para Minera

En palabras esta frmula se traduce cmo: tome cada valor de datos,

___________________________________________Curso de Geoestadstica para Minera

Para el pequeo conjunto de datos considerado aqu, la varianza es la siguiente:

Varianza = s2 = (12)/10 = 1.2

Comparacin de Datos de Dos Laboratorios

___________________________________________Curso de Geoestadstica para Minera

donde: xi e yi son los dos valores para la muestra ith

___________________________________________Curso de Geoestadstica para Minera

Exactitud, Precisin y Correlacin

___________________________________________Curso de Geoestadstica para Minera

() es la medida de precisin o correlacin

En las prximas secciones esta medida de correlacin () ser introducida nuevamente

___________________________________________Curso de Geoestadstica para Minera

Ntese que al disminuir la correlacin el coeficiente de correlacin tambin disminuye. El

___________________________________________Curso de Geoestadstica para Minera

___________________________________________Curso de Geoestadstica para Minera

___________________________________________Curso de Geoestadstica para Minera

Mdulo 1.2 - Son los Datos Representativos?

Como un resultado de la promediacin de la ley que ocurre dentro de un volumen es muy

___________________________________________Curso de Geoestadstica para Minera

El cambio en varianza con el tamao de muestra que se ilustra aqu es comnmente

___________________________________________Curso de Geoestadstica para Minera

Resul t ados de Perf oraci n - Et apa

Local Grid Northing (m)

Local G r id East ing ( m )

Resul t ados de Perf oraci n - Et apa

Local Grid Northing (m)

Como se muestra en las dos

Local G r id East ing ( m )

___________________________________________Curso de Geoestadstica para Minera

Manejando Datos Agrupados

___________________________________________Curso de Geoestadstica para Minera

donde: Ai est el rea de influencia asociada con el dato ith

At es el rea total del depsito

___________________________________________Curso de Geoestadstica para Minera

___________________________________________Curso de Geoestadstica para Minera

representa el nmero de datos ubicados en las celdas

ponderado ntese que

es igual al nmero total de celdas

que contienen datos

___________________________________________Curso de Geoestadstica para Minera

___________________________________________Curso de Geoestadstica para Minera

___________________________________________Curso de Geoestadstica para Minera

___________________________________________Curso de Geoestadstica para Minera

La siguiente tabla nos muestra los datos utilizados en la aplicacin de desagrupamiento en

___________________________________________Curso de Geoestadstica para Minera

___________________________________________Curso de Geoestadstica para Minera

Mdulo 1.3 - Distribuciones Estadsticas

Este tipo de distribucin es

___________________________________________Curso de Geoestadstica para Minera

El valor medio o promedio para esta distribucin de probabilidades es la suma de las