Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
______________________________________________________________________
Exacto y Preciso
ni Exacto ni Preciso
______________________________________________________________________
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.
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
i 1
______________________________________________________________________
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.
______________________________________________________________________
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
______________________________________________________________________
r(
( x m )( y m )) / (n s
i
sy )
i 1
______________________________________________________________________
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
.
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
______________________________________________________________________
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
______________________________________________________________________
10
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
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.
______________________________________________________________________
13
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
______________________________________________________________________
14
900
. 82
. 38
. 49
. 95
. 62
. 13
. 87
. 16
. 50
1. 36
. 35
. 21
. 11
. 18
. 44
. 37
800
700
600
500
400
300
200
100
100
200
300
400
500
600
700
800
900
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
700
600
500
400
300
200
100
100
200
300
400
500
600
700
800
900
Las
leyes
promedio
sin
______________________________________________________________________
15
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
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
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
wi (1 / nci ) / ( 1 / nci )
i 1
donde:
1 / nc
i 1
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
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
______________________________________________________________________
21
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
______________________________________________________________________
23
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
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
O
u
tco
m
e
s
______________________________________________________________________
25
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
______________________________________________________________________
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
( 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
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
0.722
0.255
0.023
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
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
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
______________________________________________________________________
29
Pr(Z z ) Fz ( z )
f ( z )dZ
fz ( z )
( z z)2
exp
2s 2
2s 2
( 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
Zn
( z z}
s
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
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
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
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
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
CopperGrade(%)
37
Copper (%)
______________________________________________________________________
38
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
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
40
5
4
3
2
1
0
0
G r ade at Loc at io n X
1. 5
1. 0
0. 5
0. 0
0. 0
0. 5
1. 0
1. 5
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
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
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
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
______________________________________________________________________
44