CAPTULO 1: INTRODUCCIN

CONTENIDO DEL CAPTULO

PGINA NO.

1.1

Estimacin ........................................................................................................ 8

1.2

Escala y representacin del cuerpo mineralizado .............................. 10

1.3

Representacin estadstica ....................................................................... 12

1.3.1 Independencia ................................................................................... 13

1.4

Notacin .......................................................................................................... 13

1.5

Uso del Manual .............................................................................................. 14

Estimacin se puede definir como la prediccin del valor de una caracterstica en una
ubicacin donde dicho valor se desconoce, en base a los valores de las caractersticas
medidas en varias ubicaciones conocidas. En la mayora de los casos, el valor
estimado diferir del valor verdadero; a la diferencia entre un valor estimado y el valor
real correspondiente se le denomina error de estimacin. La magnitud del error de
estimacin depender de dos factores:
(1)
(2)

La variabilidad de los valores a estimar.

La eficiencia del mtodo de estimacin.

Existen muchos mtodos de estimacin de reservas de minerales y estimacin general

de leyes que son ampliamente utilizados. A modo de ejemplo, considere el mtodo de
secciones transversales.
En muchas operaciones mineras, se realizan perforaciones aproximadamente en
secciones transversales verticales perpendiculares al rumbo del cuerpo mineralizado.
Los gelogos interpretan e interpolan las caractersticas del cuerpo mineralizado en
estos planos bidimensionales; luego, las interpretaciones bidimensionales se
extienden a la tercera dimensin a lo largo del rumbo para proporcionar una
estimacin tridimensional de dichas caractersticas, tales como la forma, ubicacin y
ley local del cuerpo mineralizado.
Considere la seccin transversal que se muestra en la Figura 1a. En primer lugar, en
el plano de secciones transversales el gelogo debe decidir a qu distancia en
cualquier lado de cada interseccin se va a extender la caracterstica (por ejemplo, la
ley). Siendo todo lo dems igual, la caracterstica se extender hasta la mitad de la
siguiente interseccin en la seccin transversal, tal como se muestra en la Figura 1b.
Este procedimiento se repite para cada seccin, tal como se muestra en la Figura 1c.
En segundo lugar, las extensiones en cada seccin transversal se extienden entre las
secciones transversales, tal como se muestra en la Figura 1d; en ausencia de
informacin en contrario, las extensiones bidimensionales en las secciones
transversales se extendern hasta la mitad de la siguiente seccin transversal.
Ya sea que se le reconozca explcitamente o no, este mtodo utiliza un modelo para
estimar las caractersticas del cuerpo mineralizado. Un modelo consiste en un conjunto
de supuestos que pueden ser o no verificables y que pueden o no haber sido
verificados. En este caso, el modelo est formado por los siguientes supuestos:
(1)

La ley, o cualquier otra caracterstica de estimacin, es constante sobre un

volumen especfico ampliamente definido por la malla de perforacin.

(2)

La variabilidad y continuidad de las caractersticas de la mineralizacin son en

gran medida una funcin del espaciamiento de los taladros.

Podra muy bien darse el caso que la mineralizacin de un cuerpo mineralizado en

particular sea descrita con mucha precisin por este modelo. Sin embargo, por lo
menos en las etapas iniciales, generalmente no se habr hecho ningn intento por
verificar si el modelo tiene alguna aplicabilidad para el cuerpo mineralizado. En este
caso, al igual que en otros, los modelos son simplemente un conjunto de creencias sin
ningn examen o entendimiento reales de los supuestos involucrados. Por supuesto, si
el mtodo arroja resultados evidentemente errados, eventualmente ser modificado o
abandonado a favor de otro mtodo; es decir, al final se realiza alguna forma de
verificacin del mtodo.

FIGURA 1

1.1

Estimacin
Todo tipo de estimacin de una ley o reserva consta de seis etapas, tal como
se ilustra en la Figura 2.

1.

Recoleccin de muestras

2.

Medicin de las caractersticas de las muestras

3.

Inferencia de las caractersticas del cuerpo mineralizado

a partir de las caractersticas medidas de las muestras

4.

Inferencia de un modelo de estimacin

5.

Validacin del modelo

6.

Uso
Figura 2: Seis etapas de estimacin

Todas estas etapas podran no ser reconocidas explcitamente o incluso no ser

aceptadas, pero al realizar un cuidadoso examen de cualquier tcnica se
puede verificar su presencia. Las etapas 1 y 2 pueden aceptarse sin mayor
discusin. La etapa 3 es el paso crtico en todos los anlisis de un cuerpo
mineralizado, desde los estudios de factibilidad iniciales hasta los diseos
finales de tajos, bloques y minado, y sirve de base para el modelo de
estimacin en la etapa 4.
Los gelogos que realizan una interpretacin manual en una seccin
transversal usan un modelo. El modelo puede ser explcito, como es el caso del
modelo slido tridimensional o, ms frecuentemente, implcito como una
imagen formada en su mente en base a su experiencia propia o experiencias
pasadas acumuladas con respecto a este y similares cuerpos mineralizados.
Usando su modelo (y su pericia en la aplicacin del modelo), el gelogo
predice el comportamiento del cuerpo mineralizado en ubicaciones donde no
hay muestras a partir de informacin disponible en ubicaciones donde se han
tomado muestras.
La estimacin de reservas basada en mtodos poligonales o mtodos de
ponderacin del inverso de la distancia emplea modelos. El modelo est
esencialmente basado en supuestos (a menudo no verificados) sobre el grado
de continuidad de la mineralizacin de una interseccin a otra.

La etapa 5 validacin del modelo es a menudo ignorada; sin embargo, si

uno piensa bien, usualmente se reconoce que tiene igual importancia que las
etapas 3 y 4. Con mucha frecuencia, se reconocer implcitamente que el
modelo es inadecuado, sin que exista un reconocimiento explcito del hecho o
de los intentos por rectificarlo. Este caso se da muchas veces en las minas en
operacin cuando, por ejemplo, es casi un hecho aceptado que las leyes
estimadas son significativamente ms altas que las indicadas por el metal
recuperado final. En tales casos, es comn ver que casi todos los aspectos de
la operacin son cuestionados, excepto el modelo de estimacin.
Los supuestos, modelos y estimaciones son aproximaciones a la realidad
desconocida y, como tales, inevitablemente cometen errores. Ningn gelogo
esperara seriamente que cada contorno de cuerpo mineralizado que ha
interpretado coincida exactamente con los contornos del cuerpo mineralizado
real. Ninguna persona que realice estimaciones de las leyes de tajos o bloques,
cualquiera sea el mtodo que utilice, esperara seriamente que las leyes
estimadas de los tajos sean siempre exactamente las mismas que las leyes
verdaderas (desconocidas) de los tajos o bloques.
Para evaluar los supuestos, modelos y estimaciones, se deben aplicar ciertos
criterios. En general, los dos criterios ms importantes son los siguientes:
(1)

En promedio, los modelos, conceptos, supuestos y estimaciones son

correctos.

(2)

Cualquier desviacin local o individual de los supuestos, modelos, conceptos y

estimaciones con respecto a la realidad es la menor posible.
Por ejemplo, de acuerdo con el primer criterio, el contorno del cuerpo
mineralizado interpretado manualmente por el gelogo a veces se encontrar a
un lado del contorno del cuerpo mineralizado real, otras veces al otro lado y
otras veces podra incluso coincidir exactamente con dicho contorno. Entonces,
se dice que el contorno interpretado manualmente es una estimacin
insesgada del contorno del cuerpo mineralizado real el gelogo no ha hecho
una firme prediccin de que el cuerpo mineralizado se encuentra hacia el este
u oeste de su ubicacin real: en promedio, su prediccin sobre la ubicacin de
los permetros del cuerpo mineralizado es correcta. De igual manera, de
acuerdo con este primer criterio, una ley estimada de un tajo o bloque puede
ser a veces ms alta que la ley verdadera del tajo o bloque, otras veces ms
baja y, ocasionalmente, puede incluso ser exactamente igual a ella: en
promedio, las leyes estimadas de tajos o bloques son iguales que las leyes
verdaderas de tajos o bloques y los valores estimados son insesgados; es
decir, ni subestiman ni sobreestiman firmemente la ley del tajo o bloque.
Por ms conveniente que pueda ser el primer criterio, usualmente no es
suficiente. Dado que las leyes de tajos o bloques son a veces subestimadas y a
veces sobreestimadas, tambin es conveniente mantener el grado de
subestimacin y sobreestimacin en el nivel ms bajo posible. Por ejemplo, un
mtodo de estimacin de leyes puede proporcionar estimados que, en
promedio, se desvan de las leyes verdaderas en un 10%, mientras que otro
mtodo puede dar estimados que se desvan de las leyes verdaderas en slo
un 5%. Ambos mtodos pueden ser insesgados, pero el segundo mtodo es
claramente preferible al primero, ya que las diferencias individuales entre leyes
estimadas y verdaderas son menores. De igual manera, un gelogo puede
realizar contornos en secciones transversales de cuerpos mineralizados que

estn dentro de 0.5 metros de los permetros reales, mientras que otro
gelogo puede realizar contornos que estn dentro de 0.75 metros de los
permetros reales. Siempre y cuando ambos conjuntos de permetros
estimados de cuerpo mineralizado sean insesgados (es decir, que en promedio
sean correctos), el modelo del primer gelogo es preferible al del segundo
gelogo.
Las etapas 3 y 4 involucran supuestos. Dado que los supuestos aumentan el
riesgo de error, stos deben, dentro de lo posible:

Mantenerse tan simples como sea posible

Mantenerse al mnimo

Ser razonables y lgicos desde cualquier punto de vista pertinente (geolgico,

estructural, matemtico)

Ser verificable
Las etapas 1 y 2 involucran errores explcitos de recoleccin, medicin y
observacin. Estos errores pueden mantenerse al mnimo si se aplican buenas
prcticas de muestreo as como los principios y lineamientos establecidos por
Pierre Gy, los cuales se resumen en el Captulo 9.

1.2

Escala y representacin del cuerpo mineralizado

El cuerpo mineralizado se puede visualizar a cualquier escala. El microscopista
de minerales y el gelogo interesado en la gnesis de los minerales podran
estar interesados en visualizar el cuerpo mineralizado a escala microscpica; el
gelogo minero prefiere la escala de estructuras observables y ms grandes; el
ingeniero de minas necesita un modelo a la misma escala del tamao de los
tajos o bloques de minado. En la etapa de planificacin, la nica informacin
disponible se encuentra a la misma escala del tamao de las muestras; a esta
escala se le podra denominar escala de observacin.
La escala desempea un papel muy importante en la estimacin y
planificacin, ya que afecta la forma en que observamos una propiedad muy
importante de cualquier caracterstica medida: su variabilidad. Existe
variabilidad a todas las escalas y es a menudo marcadamente diferente en
cada una de ellas. Para comprobar esto, considere el testigo de perforacin de
la Figura 3 que se ha cortado en segmentos de 1 m y se ha ensayado para
verificar el porcentaje de plomo. La ley promedio del testigo de perforacin es
10.5% de plomo y el rango de valores va desde 0.5% hasta 15.7%. Ahora
considere el mismo testigo de perforacin cortado en segmentos de 2 m; las
leyes de los segmentos de 2 m se pueden obtener tomando simplemente el
valor promedio de pares de segmentos de 1 m contiguos (en sentido estricto, la
densidad de los segmentos de testigo de 1 m tambin debe tomarse en cuenta,
pero sta es una distraccin que no alterar las conclusiones expuestas en
este documento). La ley promedio del testigo de perforacin sigue siendo
10.5% de plomo, como es de esperarse, pero los valores de las leyes ahora
oscilan entre 1.7% y 13.8% de plomo. Al tomar muestras ms grandes, se ha
reducido la variabilidad de las leyes medidas. De manera similar, si se toman
segmentos de 3 m, la ley promedio sigue siendo 10.5% de plomo, pero el
rango de valores es ahora de 4.3% a 13.8% de plomo.

10

Figura 3: Testigo de perforacin cortado en segmentos de 1 m, 2 m y 3 m

Al estimar el valor de una caracterstica, como la ley, la variabilidad es el
aspecto ms importante del modelo: Si no hay variabilidad, no hay error de
estimacin; mientras mayor sea la variabilidad, ms difcil ser la estimacin.
Un factor que afecta la variabilidad es la escala: A medida que la escala
aumenta, la variabilidad disminuye.
Las leyes de las muestras tomadas de un cuerpo mineralizado son promedios
tomados sobre volmenes especficos. El enunciado:
este segmento de testigo de perforacin de 1 metro tiene una ley de 5.5 g/t de
oro
es simplemente otra forma de expresar que el 0.00055% de todos los granos
de material contenidos en el volumen cilndrico de la muestra son oro
(asumiendo que todos los granos de material son del mismo tamao). Si el
tamao de la muestra se reduce al de un grano, entonces slo pueden
presentarse dos valores: 0% (para un grano que no es oro) y 100% (para un
grano que es oro); dicho tamao de muestra arrojar valores de ley con la
mxima variabilidad posible. Es sumamente improbable que una muestra de
testigo de perforacin de un metro sea oro puro y el rango de leyes de oro de
tales muestras ser considerablemente menor al de las muestras del tamao
de un grano; es decir, la variabilidad de las leyes de las muestras grandes es
menor que la de las muestras pequeas.
Usualmente, la longitud de los fragmentos de testigos (y, en cierta medida, el
dimetro de los testigos) estar relacionada con las estructuras geolgicas y/o
leyes que se consideran importantes, ya sea para las hiptesis geolgicas o
para fines de minado. Ambos requerimientos imponen una escala de
observacin. La longitud promedio de los fragmentos ser mayor en grandes
cuerpos mineralizados diseminados minados mediante grandes tajeos o tajos
abiertos que en cuerpos mineralizados estratigrficamente angostos, minados
por corte y relleno.
El cuerpo mineralizado, cualquiera sea su tipo, se puede concebir como uno
que consta de volmenes dimensionados a muestras de material, tal como se
ilustra en la Figura 4.

11

Estratigrfico

Masivo

Figura 4: Representacin de cuerpos mineralizados como la suma de los

volmenes dimensionados a la muestra
En el cuerpo mineralizado estratigrfico, se observa que cada muestra se
extiende a lo largo de todo el ancho del cuerpo mineralizado y que tiene una
orientacin perpendicular al buzamiento. En el cuerpo mineralizado
diseminado, se observa que las muestras son de igual tamao y verticales. En
efecto, stas son solamente dos representaciones simplistas. Se podra
obtener otra figura de los cuerpos mineralizados representando todos los
volmenes orientados en un ngulo diferente o desplazados por una fraccin
de un milmetro. Existe, en efecto, una variedad infinita de ese tipo de
representaciones de cuerpos mineralizados, cada una igualmente vlida.
Cuando se toman muestras de un cuerpo mineralizado, se retira una
proporcin sumamente pequea de estos volmenes (etapa 1 en la Figura 1).
Luego se miden las caractersticas (por ejemplo, la ley) de estas muestras
(etapa 2) y se infieren las caractersticas de los dems volmenes (no
muestreados) a partir de las caractersticas de las muestras (etapa 3).
1.3

Representacin estadstica
Se plantean soluciones estadsticas para problemas que no tienen una
respuesta definitiva, ya sea porque existe informacin incompleta y/o porque la
informacin no es confiable por lo menos parcialmente.
En general, existe un grupo de objetos con caractersticas especficas, al cual
se le denomina poblacin. De acuerdo con una serie de reglas, se selecciona
un nmero de objetos de la poblacin, los cuales constituyen la muestra. Las
caractersticas de la muestra son medidas y estudiadas. Se plantean una serie
de hiptesis (o supuestos), los cuales constituyen un modelo. Luego, se
infiere que el resto de la poblacin tiene las mismas caractersticas que la
muestra. En la mayora de los casos, las caractersticas de la poblacin sern
ms o menos diferentes a la muestra y, por lo tanto, se comete un error como
resultado de la inferencia.
En aplicaciones geoestadsticas, la poblacin es el cuerpo mineralizado
subdividido en volmenes dimensionados a la muestra. Un bloque cuya ley se
va a estimar tambin se puede concebir como uno que consta de volmenes
dimensionados a la muestra, tal como se muestra en la Figura 5.

12

Figura 5: Representacin de un bloque que consta de volmenes

dimensionados a la muestra
Ahora se puede sealar que el problema de estimacin es:

3
4

1
Recolectar muestras
2
Medir las caractersticas (por ejemplo, las leyes) de las muestras
Inferir, a partir de los valores de las caractersticas de las muestras, los valores
de las mismas caractersticas para el resto de volmenes dimensionados a la
muestra que componen el cuerpo mineralizado.
Usando los valores de las caractersticas de la muestra, predecir (estimar) los
valores medios de las caractersticas de los volmenes dimensionados a la
muestra que conforman el bloque.

1.3.1 Independencia
En mineralizaciones, los valores de las caractersticas de las muestras
tomadas en puntos cercanos son en promedio usualmente ms parecidos a
los de las muestras tomadas en puntos alejados. Es inusual, aunque no
ignorado, que no se d este caso. Esta relacin entre los valores de las
caractersticas (por ejemplo, las leyes) de las muestras medidas en diferentes
ubicaciones se puede cuantificar mediante un simple clculo numrico. Cuando
no existe ninguna relacin entre una caracterstica de las muestras, se dice que
los valores son independientes.
1.4

Notacin
En este manual se ha hecho un esfuerzo por referirse a las matemticas en la
menor medida posible. Al hacerlo, se puede haber perdido cierto rigor
matemtico, pero ello se ver ms que compensado si el manual proporciona
los conceptos de geoestadstica a quienes los usarn.
La nica notacin matemtica empleada es la representacin algebraica de
nmeros y la notacin sumatoria o sigma, los cuales se explican a
continuacin:
Dada una serie de nmeros, la media aritmtica se obtiene sumando los
valores y dividiendo el total entre el nmero de valores usados.
Por ejemplo, la media aritmtica de los 6 nmeros 5, 3, 7, 6, 2, 4 es:

13

Una forma general de expresar esto es representando los nmeros con las
letras del alfabeto. Entonces, dados seis nmeros representados por x, y, z, r,
s, t, la media aritmtica es:

En el ejemplo anterior, x sera reemplazado por 5, y por 3, z por 7, etc. sta es

una forma abreviada general de expresar el mtodo para calcular la media
aritmtica de seis nmeros. En palabras, quiere decir:
sumar los seis nmeros y dividirlos entre 6
El mtodo podra extenderse a siete, ocho, nueve, etc. nmeros. No obstante,
se requerira que la definicin se escriba explcitamente para cada nmero de
valores y que est limitada a un mximo de 26 nmeros. Un mtodo abreviado
ms general sera designar los nmeros con una sola letra que tenga un
subndice. Por ejemplo, la media aritmtica de seis nmeros sera:

Aunque el mtodo ya no est limitado a las 26 letras del alfabeto, la frmula

debe expresarse explcitamente para cada nmero diferente de valores. Un
mtodo ms general es escribir el promedio de los seis nmeros como se
indica a continuacin:

Donde el smbolo
significa sumar cada valor representado por x, donde i
toma, a su vez, cada valor entero del 1 al 6.
El smbolo es la letra griega en mayscula de sigma.
Una forma general de expresar la suma de n nmeros es as:

1.5

Uso del Manual

Cada captulo del manual trata sobre un tema especfico. Cuando es aplicable,
el tema es presentado de acuerdo con el diagrama de flujo de la Figura 2.
El propsito del manual es dar a conocer conceptos ms que teora
matemtica rigurosa y, en la mxima medida posible, se ha limitado la inclusin
de las matemticas a la aritmtica.

14

CAPTULO 2
ESTADSTICA DESCRIPTIVA: RESUMEN DE DATOS
El presente captulo es una introduccin general a los conceptos y clculos
estadsticos bsicos. Los temas son tratados a nivel elemental con el fin de
proporcionar una comprensin general de los conceptos en lugar de una explicacin
detallada de la estadstica matemtica.

CONTENIDO DEL CAPTULO

2.1

Pgina No.

Histogramas de datos ................................................................................. 16

De frecuencias relativas
De frecuencias acumuladas
De frecuencias acumuladas Inversas

2.2
2.3

Histogramas de leyes de diferentes tamaos de muestra ................ 18

Medidas de posicin .................................................................................... 19
Moda
Media
Mediana

2.4

Medidas de dispersin ................................................................................ 24

Rango
Desviacin absoluta media
Varianza y desviacin estndar

2.5
2.6

Multiplicacin de los datos por una constante .................................... 29

Inferencia de histogramas para el cuerpo mineralizado .................... 30
Distribuciones normales
Distribucin log-normal

2.7
2.8

Histogramas Modelo .................................................................................... 32

Dos variables ................................................................................................. 33
Medias condicionales
Varianzas condicionales

2.8.1 Covarianza y correlacin ......................................................... 37

2.8.2. Regresin ................................................................................. 42
2.8.3 Varianzas de la suma y diferencia de dos variables ............. 45

15

Histogramas de datos
Los histogramas son resmenes de datos muy tiles que permiten presentar
muchas caractersticas de datos en una sola ilustracin. Se obtienen
simplemente agrupando los datos en clases. Por ejemplo, considere las leyes
de plomo contenidas en muestras de testigos de perforacin de 1 m que se
indican en la Tabla 1.

TABLA 1: Leyes de plomo en muestras de testigos

A manera de ejercicio, agrupe todos los resultados de los ensayos en intervalos
o clases de ley de 1% de plomo
Primero, agrupe todos los valores comprendidos entre 0% y 1%: 0.9, 0.8, 0.1,
0.7, 0.1; es decir, 5 valores.
Luego, agrupe todos los valores comprendidos entre 1% y 2%: 1.8, 1.9, 1.2,
1.4, 1.7, 1.9, 1.9, 1.1, 1.5, 1.6, 1.4; es decir, 11 valores. Y as sucesivamente
hasta llegar al ltimo intervalo de ley o clase en el cual hay un valor
comprendido, es decir, entre 17% y 18%.
Ahora el nmero de valores que hay en cada intervalo de clase se puede
graficar con respecto al intervalo de clase, tal como se muestra en la Figura 6.

No. de valores

2.1

INTERVALO DE CLASE (% Pb)

Figura 6: Histograma de leyes de plomo

Otra forma de calcular un histograma es expresando el nmero de valores que
hay en un intervalo de clase como un porcentaje del nmero total de valores.
Hay 46 valores en la Tabla 1, cinco de los cuales estn comprendidos en el
primer intervalo de clase (entre 0% y 1%). As, 5/46 x 100 = 10.9% de los
valores se encuentra en este intervalo. De igual manera, el 23.9% de los
valores se encuentran comprendidos entre 1% y 2%. Estos porcentajes, o
proporciones, se pueden graficar con respecto a los intervalos de ley para
obtener el histograma que se muestra en la Figura 7.

16

PROPORCIN DEL TOTAL (%)

INTERVALO DE CLASE (% Pb)

Figura 7: Histograma de frecuencias relativas de leyes de plomo

A este tipo de histograma a veces se le denomina histograma de frecuencias
relativas, ya que proporciona la frecuencia relativa de ocurrencia de cada
intervalo de ley. Los histogramas grafican la distribucin de valores.

FRECUENCIA ACUMULADA

Otro tipo de histograma es el histograma de frecuencias acumuladas, el cual se

obtiene graficando la frecuencia acumulada de ocurrencia de cada intervalo de
ley. El intervalo del 0% al 1% contiene el 10.9% de los valores y el intervalo del
1% al 2% contiene el 23.9% de los valores. Otra forma de expresar lo mismo es
que el 10.9% de los valores son inferiores al 1% y que 10.9 + 23.9 = 34.8% es
inferior al 2%. De igual manera, el 52.2% de los valores son inferiores al 3% y
as sucesivamente. Estos porcentajes acumulados se pueden graficar con
respecto a los intervalos de ley, tal como se muestra en la Figura 8, para
obtener un histograma de frecuencias acumuladas.

INTERVALOS DE LEY (% Pb)

Figura 8: Histograma de frecuencias acumuladas de leyes de plomo

Ntese que el ltimo intervalo de clase (17% a 18%) debe tener una frecuencia
acumulada de 100%, es decir, los 42 valores son inferiores al 18%.
En aplicaciones mineras y geolgicas, a veces es til graficar lo que se podra
denominar como histograma de frecuencias acumuladas inversas, es decir,
calcular la frecuencia acumulada o el porcentaje de valores que estn por
encima de un valor determinado. Por ejemplo, el 100% de las leyes son
superiores a 0% de plomo, el 89% de las leyes son superiores al 1%, el 65.2%
de las leyes son superiores al 2% y as sucesivamente. Al graficar estos

17

PORCENTAJE DE VALORES
SOBRE UNA CLASE DE LEY
ESPECFICA

porcentajes con respecto a los intervalos de ley, se obtiene el histograma que

se muestra en la Figura 9.

INTERVALOS DE LEY (% Pb)

Figura 9: Histograma de frecuencias acumuladas inversas de leyes de

plomo
Estos tipos de histogramas son especialmente tiles para graficar el tonelaje de
mineral sobre diversas leyes de corte y as obtener curvas de tonelaje/ley.
2.2

Histogramas de leyes de diferentes tamaos de muestra

En el ejemplo anterior, todas las muestras tenan el mismo tamao, es decir,
todos eran segmentos de testigos de 1 metro. Supongamos que las leyes de la
Tabla 1 se refieren a muestras contiguas de testigos de 1 m, es decir,
segmentos consecutivos de 1 m pertenecientes a un solo testigo de
perforacin, tal como se muestra en la Figura 10.

Figura 10: Leyes de segmentos de 1 m de un testigo de perforacin

sta es slo una forma de cortar el testigo en varios segmentos. Otra forma
hubiera sido cortar el testigo en segmentos de 2 m. Si se hiciera esto, la ley del
primer segmento de 2 m sera:

La ley del segundo segmento de 2 m sera:

..................etc.
Los resultados de los ensayos realizados a los segmentos de testigo de 2 m se
muestran en la Tabla 2.

18

Tabla 2: Leyes de segmentos de testigo de perforacin de 2 m

NO. DE LEYES

El histograma de las leyes de estas muestras de 2 m se muestra en la Figura

11.

INTERVALOS DE LEY (% Pb)

Figura 11: Histograma de las leyes de la Tabla 2

A menudo causa sorpresa ver la significativa diferencia que existe entre los
histogramas de las Figuras 11 y 7. Los histogramas se refieren exactamente al
mismo material; la nica diferencia es el volumen (cilindros de 1m y 2m) sobre
el cual se promedia el material. Ntese que existe una proporcin ms pequea
de leyes altas y una proporcin ms pequea de leyes bajas en los segmentos
de testigo de 2 m que en los segmentos de testigo de 1 m. Si el testigo se
divide en segmentos de 3 m, este efecto sera an ms pronunciado. Este
efecto es completamente general y se produce como resultado de promediar el
mismo material sobre diferentes volmenes. La consecuencia importante de
este hecho es que las leyes de diferentes longitudes de testigos tendrn
histogramas distintos. Si se graficara slo un histograma de las leyes de
diferentes longitudes de testigo, no se podra conocer ninguna de las
caractersticas de las leyes de cualquiera de las longitudes individuales.
2.3

Medidas de posicin
Una comparacin de los histogramas de los segmentos de testigo de 1 m y 2 m
(Figuras 7 y 11) permite una evaluacin visual de las diferencias en los valores
de las leyes. Tambin es posible cuantificar algunas de estas diferencias.
Los histogramas se pueden clasificar de distintas maneras de acuerdo a su
forma. La clasificacin ms general de los histogramas por su forma es:
histogramas simtricos y asimtricos, tal como se muestra en la Figura 12.

19

SIMTRICO

ASIMTRICO

Figura 12: Formas de histogramas simtricos y asimtricos

Una caracterstica que todos los histogramas como los que se muestran en la
Figura 12 tienen en comn es que su altura aumenta hasta alcanzar un pico
despus del cual se reduce. Este pico indica los valores qua aparecen con
mayor frecuencia. Por ejemplo, el 23.9% de todos los valores de la Tabla 1 se
encuentra comprendido entre el 1% y 2% y este porcentaje aparece como el
pico del histograma en la Figura 7. A estos picos se les denomina modas. Para
el histograma de la Figura 7, la moda podra tomarse como 1.5% (En efecto, la
lectura de los resultados de los ensayos que figuran en la Tabla 1 indica que el
valor ms frecuente es 1.9%).
De cierto modo, podra considerarse que las leyes comprendidas entre 1% y
2% (o el valor de 1.5%) son ms representativas o tpicas de los datos que
cualquier otro valor de la Tabla 1.

NO. DE OCURRENCIAS

Es muy til contar con alguna medida del valor ms representativo de cualquier
conjunto de datos y la moda es slo una de esas medidas: Es el valor que se
presenta con mayor frecuencia. Uno de los problemas de la moda es que
pueden existir varias modas, como es el caso del histograma de leyes de
petrleo que se muestra en la Figura 13.

LEY
Figura 13: Histograma de leyes de petrleo
La medida de valores representativos que ms se utiliza es la media aritmtica,
cuya frmula general es la siguiente:

20

El promedio de todos los valores de la Tabla 1 es:

Ntese que la media aritmtica en este caso equivale a casi tres veces la
moda.
Otra medida de la representatividad es la mediana: El valor que divide los datos
en dos mitades iguales. La mitad de los valores de los datos se encuentra por
encima de la mediana y la otra mitad por debajo de ella. Para calcular la
mediana, los datos deben ordenarse en forma ascendente o descendente. La
Tabla 3 contiene los datos de la Tabla 1 ordenados en forma ascendente.

Tabla 3: Valores de la Tabla 1 ordenados en forma ascendente

En este caso, como hay un nmero par (46) de valores de datos, no existe un
valor nico que divida los datos ordenados en dos conjuntos iguales de valores.
Dado que el punto medio se encuentra entre el 23vo y 24vo valor (es decir,
entre 2.7 y 2.8), la solucin ms simple es tomar la mediana como el promedio
de estos dos valores, es decir, 2.75%, o, dado que los datos se proporcionan
con un solo decimal, 2.8%
En algunas circunstancias, la mediana da una mejor idea del valor ms
representativo que la media aritmtica. Por ejemplo, supongamos que se
ensaye un testigo ms y el resultado sea 54.5%, la media aritmtica sera:

mientras que la mediana permanece invariable. La inclusin de un resultado de

ensayo (54.5%) ha aumentado la media aritmtica en 25%. Dichos efectos son
ms significativos en metales como la plata o el oro cuando una ley muy alta
dentro de 50 valores duplica la media aritmtica.
Se dice que la mediana es ms resistente a los valores atpicos (outliers), es
decir, a los valores inusualmente altos o bajos, que la media aritmtica. La
moda tambin es resistente a los valores atpicos.
El resultado de 54.5% de plomo es un valor legtimo. El problema radica en
determinar cun representativo de la mineralizacin es ese resultado de
ensayo. Por ejemplo, podra darse el caso que menos del 1% de la

21

mineralizacin total (es decir, menos de uno en cien de los volmenes

cilndricos de 1 m que conforman el cuerpo mineralizado) tenga ms de 54% de
plomo. Sin embargo, ese solo resultado de ensayo representa una muestra en
cuarenta y siete, es decir, el 2.1% del nmero total de muestras tomadas hasta
ese momento. Si se siguen tomando muestras, eventualmente la proporcin de
muestras con muy alta ley se acercar mucho ms a la proporcin real de
mineralizacin de alta ley que hay en un cuerpo mineralizado. El problema es
cmo lidiar con los efectos de valores muestrales atpicos ocasionales en un
conjunto de datos relativamente pequeo. En el caso de cuerpos mineralizados
de oro, por ejemplo, es una prctica comn emplear un factor de descuento
para leyes muy altas; dicho factor es usualmente determinado a partir de una
experiencia pasada.
Ntese que, en este ejemplo, la media aritmtica (4.4%) represent el valor
ms alto, seguida de la mediana (2.8%) y la moda (1.5%).

NO. DE LEYES

Este orden es tpico de los histogramas asimtricos, como el de la Figura 7. A

este tipo de asimetra a veces se le denomina desviacin positiva el
histograma est desviado hacia la derecha. En este caso, la relacin entre la
media, la mediana y la moda se muestra en la Figura 14.

MODA
MEDIA
MEDIANA

INTERVALOS DE LEY (% Pb)

Figura 14: Relacin entre media, mediana y moda

Estos tipos de distribucin son los que se encuentran ms comnmente en los
ensayos de metales.

NO. DE LEYES

Para el tipo opuesto de asimetra, conocido como desviacin negativa, la

relacin es inversa, tal como se muestra en la Figura 15. Estos tipos de
distribucin de valores de ensayo se encuentran en variables de muy alta ley
tales como el hierro.

INTERVALOS DE LEY (% Fe)

Figura 15: Histograma que muestra la desviacin negativa

22

En los histogramas simtricos, la media, la mediana y la moda coinciden, tal

como se muestra en la Figura 16. En la prctica, es posible que estos valores
no coincidan exactamente, pero sern aproximadamente iguales.
Un ejercicio interesante es calcular la media, la mediana y la moda de los
resultados de los ensayos realizados en los segmentos de testigo de 2 m
(Tabla 2) y comparar dichos resultados con los de los segmentos de 1 m (Tabla
1).
Segn el histograma de la Figura 11, la moda de los resultados de los ensayos
realizados en los segmentos de testigo de 2 m (Tabla 2) est comprendida
entre el 1% y 3%, es decir, un promedio de 2.0% (en efecto, la lectura de los
datos de la Tabla 2 muestra que 2.4% es el valor que se presenta con ms
frecuencia). De acuerdo con los clculos, la media es 4.4% y la mediana 3.5%.
Los resultados se resumen en la Tabla 4.

NO. DE LEYES

MEDIA=MEDIANA=MODA

INTERVALOS DE LEY

Figura 16: Histograma simtrico

Muestras de 1 m
Moda
Media
Mediana

Muestras de 2 m

1.5%
4.4%
2.8%

2.0%
4.4%
3.5%

Tabla 4: Medidas de ubicacin correspondientes a los valores de las

Tablas 1 y 2
Estos resultados ilustran algunos principios generales:

La media siempre ser la misma, cualquiera sea la longitud (o volumen) de

la muestra.

A medida que la longitud (o volumen) de la muestra aumenta, la moda y, en

particular, la mediana se aproximan ms a la media.

A la media, mediana y moda a veces se les denomina medidas de posicin o

ubicacin porque sitan un histograma en la escala horizontal de valores. Por
ejemplo, los dos histogramas de la Figura 17 representan leyes de plomo
contenidas en segmentos de 1m de testigos tomados en diferentes zonas
dentro del mismo cuerpo mineralizado. Si bien tienen formas similares, estos
histogramas estn centrados o ubicados en diferentes valores de media (5% y
10%).

23

MEDIA

MEDIA

Figura 17: Histogramas de leyes de plomo de distintas zonas del mismo

cuerpo mineralizado
2.4

Medidas de dispersin
Los histogramas pueden estar ubicados o centrados en los mismos valores
medios y seguir siendo significativamente diferentes, tal como se muestra en la
Figura 18.
MEDIA

LEY
Figura 18: Histogramas con la misma medida de ubicacin, pero distintas
medidas de dispersin
La caracterstica que distingue estas dos distribuciones es la amplitud o
dispersin de sus valores. La medida ms simple de amplitud o dispersin es la
diferencia entre los valores mnimo y mximo. Por ejemplo, el valor de ensayo
mnimo para los segmentos de testigo de 1 m incluidos en la Tabla 1 es 0.1% y
el valor mximo es 17.6%, dando como resultado una medida de dispersin de
17.5%. De igual manera, la misma medida de dispersin para los resultados de
los ensayos realizados en los segmentos de testigo de 1 m mostrados en la
Tabla 2 es: 15.2% - 0.8% = 14.4%.
Las medidas de dispersin ms tiles miden la amplitud de los valores con
respecto a otro valor, el cual es usualmente una de las medidas de posicin
(media, mediana, moda).
Un valor medio, por ejemplo, no da ninguna idea de las diferencias que existen
entre los dos histogramas de la Figura 18 o entre las leyes indicadas en las

24

Tablas 1 y 3. Lo que falta es una idea de la desviacin que se puede esperar

respecto de la media. Ello sugiere que una medida podra ser la desviacin o
dispersin media de todos los valores respecto de su media. Por ejemplo,
usando los datos de la Tabla 1, la desviacin del primer valor de ensayo (1.8%)
respecto del valor promedio de ensayo (4.4%) es:

Las dems desviaciones se pueden calcular y totalizar para obtener la

desviacin promedio de los volmenes de ensayo respecto de su media, tal
como se resume en la Tabla 5.

Tabla 5: Desviaciones de los valores de ensayo de la Tabla 1 respecto de

su valor medio
El hecho de que el total sea cero no es una coincidencia: Esto siempre
suceder en cualquier conjunto de nmeros. Para apreciar esto con mayor
claridad, el clculo se puede realizar en dos etapas. Restarle 4.4 a cada valor y
luego totalizar el resultado es exactamente lo mismo que sumar los valores de
ensayo individuales, sumar todos los valores de 4.4 y luego restar ambos
totales. Este mtodo alternativo y equivalente se muestra en la Tabla 6.

TOTALES 202.3 (46 x 4.4) = 202.3

Tabla 6: Clculo alternativo de la suma de desviaciones para los valores
de la Tabla 1
Para mostrar esto tericamente, sea: xi (i=1,n) el valor del nmero de ensayo i.
El valor de ensayo medio es:

25

La desviacin del valor de ensayo xi respecto de esta media es:

La suma de todas estas desviaciones es:

En palabras: La suma de las desviaciones de cualquier conjunto de valores

respecto de su valor medio es cero.
As, si bien la desviacin promedio de los valores respecto de su media podra
parecer al comienzo una buena medida de dispersin, luego de realizar un
anlisis ms profundo, vemos que no lo es. Una forma de evitar las
desviaciones positivas que cancelan las desviaciones negativas es tomar
valores absolutos, es decir, tomar todas las desviaciones como positivas, tal
como se muestra en la Tabla 7.

TOTAL
137.9
PROMEDIO 137.9 / 46 = 3.0%
Tabla 7: Sumatoria de las desviaciones absolutas de los valores de la
Tabla 1 respecto de su valor medio

26

A esta medida de dispersin con respecto a la media se le denomina

Desviacin Absoluta Media (DAM) respecto de la media y, como frmula
general, se puede expresar de la siguiente manera:

Otra forma de evitar el efecto cancelatorio de las desviaciones positivas y

negativas es elevar cada desviacin al cuadrado y tomar la desviacin al
cuadrado promedio de cada valor respecto de su media, tal como se resume en
la Tabla 8.

PROMEDIO 16.8 (%)2

Tabla 8: Suma de desviaciones al cuadrado de los valores de la tabla
respecto de su media
A esta desviacin al cuadrado promedio respecto de la media se le denomina
varianza de los valores y es la medida de dispersin o amplitud de valores ms
usada. La frmula general de la varianza es:

A la raz cuadrada de esta cantidad se le denomina desviacin estndar de los

valores.
Para los datos de la Tabla 1, s = 16.8 = 4.1%.
Otra posible forma de expresar la varianza es expandiendo el cuadrado:

27

En la prctica, el uso de esta forma alternativa de expresar la varianza es

mucho ms simple. El clculo de la varianza usando esta frmula se resume en
la Tabla 9.

Tabla 9: Clculo de la varianza de los valores de la Tabla 1

Ntese, adems, que esta forma alternativa de expresar la varianza es
equivalente a:
S2 = promedio (x2) {Promedio (x)}2
Si bien la varianza (y desviacin estndar) es la medida de dispersin ms
conocida y usada, existen ocasiones en que podra ser preferible usar otras
medidas. Por ejemplo, si se agrega un valor de ensayo de muestra adicional
equivalente a 54.5% a los valores de la Tabla 1, la media se convierte en 5.5%
y la varianza es ahora 68.8(%)2, tal como se muestra en la Tabla 10.

Tabla 10: Clculo de la varianza de los valores de la Tabla 1 con un valor

adicional de 54.5%
La adicin de un slo valor de ensayo equivalente a 54.5% ha cuadruplicado la
varianza. La desviacin estndar es:

La adicin de un slo valor de ensayo equivalente a 54.5% ha duplicado la

desviacin estndar.
Con el valor de ensayo adicional, la desviacin absoluta media es 5.3%.
Aunque esto representa casi el doble del valor anterior (3.0%), es un estimador

28

de dispersin ms resistente que la desviacin estndar; en otras palabras, no

est propenso a los efectos exageradores de los valores inusualmente altos (o
bajos) que se presentan en ocasiones.
Al cuantificar la dispersin, la discusin se ha limitado a la desviacin promedio
respecto de la media. No obstante, no es necesario restringir estas medidas a
las desviaciones respecto de la media: En ocasiones puede ser ms til para
calcular la desviacin promedio respecto de la mediana o, en realidad, de
cualquier tipo de valor.
En trminos generales, la varianza se podra describir como la desviacin
promedio al cuadrado de valores respecto de un valor determinado:

Donde a es el valor especfico, por ejemplo, media, mediana, cero, etc.

Se puede demostrar que esta varianza es lo ms pequea posible cuando a es
la media.
De igual manera, la desviacin absoluta media se puede definir en trminos
generales como:

Donde a es un valor determinado. Se puede demostrar que esta desviacin

absoluta media es lo ms pequea posible cuando a es la mediana.
Existen muchas otras medidas que cuantifican diversos aspectos de los
histogramas o datos, pero las dos que ms se utilizan en geoestadstica lineal
son la media y la varianza (aunque la mediana y la desviacin absoluta media
se emplean a veces para efectos de comprobacin).
Una vez que se ha calculado la media y la varianza (o desviacin estndar),
stas se pueden usar para cuantificar otros aspectos del histograma. Por
ejemplo, de acuerdo con los datos de la Tabla 1 y el histograma de la Figura 4,
se puede observar que 37 de las 46 muestras (es decir, el 80% de las
muestras) tienen leyes dentro de una desviacin estndar en cualquier lado de
la media, es decir, entre 4.4% - 4.1% = 0.3% y 4.4% + 4.1% = 8.5%.
2.5

Multiplicacin de los datos por una constante

Si todos los valores de la Tabla 1 se multiplican por 2, el valor medio resultante
tambin se duplicar, es decir, ser 8.8%. En general, si un conjunto de
nmeros se multiplica por una constante, c, la nueva media ser c veces la
media original. Para demostrar esto tericamente:
La media de los datos originales es:

29

La media de todos los valores multiplicados por c es:

Si los datos de la Tabla 1 se multiplican por 2, la varianza resultante ser

cuatro veces mayor que la varianza original, es decir 67.2(%)2.
En general, si un conjunto de nmeros se multiplica por una constante, c, la
nueva varianza ser c2 veces la varianza original. Para mostrar esto
tericamente:
La varianza de los datos originales es:

_
La media de los datos multiplicados por c es cx y, por tanto, la varianza es:

2.6

Inferencia de histogramas para el cuerpo mineralizado

A medida que se va reuniendo ms datos y stos se van agregando a un
histograma en un contexto geolgico, los intervalos de clase se pueden reducir
hasta convertirse en valores de ensayo nicos. Por ejemplo, en el caso del
histograma de la Figura 7, la frecuencia de ocurrencia de resultados de ensayo
tales como 1.1%, 1.2%, 1.3%, , 1.9% se podra graficar individualmente y no
como un intervalo de 1% a 2%. Supongamos, por ejemplo, que el cuerpo
mineralizado de cuyas muestras se obtuvieron los resultados de la Tabla 1
fuera perforado en su integridad y se ensayara cada uno de los millones de
muestras de testigos de 1 m para determinar la presencia de plomo. El
histograma resultante podra ser parecido al que se muestra en la Figura 19.

30

NO. DE ENSAYOS

LEY (% Pb)
Figura 19: Histograma resultante de un muestreo exhaustivo del cuerpo
mineralizado
Se podra obtener una muy buena aproximacin de este histograma mediante
una curva suave a la que se denomina curva de frecuencia. Ntese que la
forma general del histograma de la Figura 19 es muy similar a la de la Figura 7
y, con la retrospectiva de la Figura 19, sera razonable asumir que el
histograma de las leyes de las 46 muestras de la Tabla 1 es una muy buena
aproximacin del histograma de todo el cuerpo mineralizado; es decir, el
histograma de las leyes de todas las muestras de testigos de 1 m tomadas del
ntegro del cuerpo mineralizado se puede inferir del histograma de las 46 leyes
de la Tabla 1.
Desafortunadamente, dicha retrospectiva nunca est disponible y la inferencia
debe hacerse sin ella. Para inferir que el histograma de las leyes de todo el
cuerpo mineralizado dividido en muestras de testigos de 1 m no es
significativamente distinto al histograma de las leyes de las 46 muestras de la
Tabla 1, se debe asumir que, si se siguen tomando muestras de 1 m, se
observar que porcentajes o proporciones similares de las muestras tendrn
las mismas leyes que las indicados en la Figura 7. Por ejemplo, si se toman
100 muestras ms, aproximadamente 11 (10.9% de ellas) deben tener leyes
entre 0% y 1%, alrededor de 24 (23.9% de las 100 muestras adicionales)
deben tener leyes entre 1% y 2%, etc.
Este supuesto debe cumplir con los criterios indicados en la pgina 9 si:

Las 46 muestras originales son representativas del cuerpo mineralizado

desde el punto de vista geolgico, fsico, qumico, etc.

Las 100 muestras adicionales tambin son representativas de todo el

cuerpo mineralizado.

46 muestras son suficientes para ser representativas de todas las posibles

leyes (por regla general, usualmente se requieren por lo menos 30
muestras).

Este ltimo requerimiento podra considerarse slo parcialmente satisfecho en

este ejemplo, pues no existe ninguna muestra con leyes entre 11% y 12%, 13%
y 14%, 16% y 17%, cuando usualmente esto se considerara improbable dado

31

el valor comprendido entre 17% y 18%. Asimismo, se podra considerar

improbable que no existan volmenes cilndricos de 1 m con leyes superiores al
18% de plomo dentro del cuerpo mineralizado.
2.7

Histogramas Modelo
Luego de calcular los histogramas, medias y varianzas de los datos, el
siguiente paso es inferir una curva o distribucin de frecuencias para todo el
cuerpo mineralizado. A veces es til inferir un modelo para esta distribucin, el
cual usualmente tiene la forma de una ecuacin matemtica que describe la
curva de frecuencia. La ventaja de usar tales modelos es que todas sus
caractersticas se pueden tabular o derivar de la ecuacin matemtica.
El modelo ms conocido y usado es el modelo de distribucin Normal (a veces
tambin denominado como distribucin de Gauss o Laplace, quienes son los
dos hombres que la plantearon). El modelo Normal para una media de y una
desviacin estndar de (es decir, una varianza de 2) se muestra en la Figura
20.

Figura 20: Modelo Normal (o Gausiano) de curva de frecuencia

Esta distribucin es tal que aproximadamente dos tercios (en realidad el
67.45%) de todos los valores se encuentran comprendidos dentro de una
desviacin estndar en cualquier lado de la media, es decir, entre - y + ;
el 95% de todos los valores se encuentran comprendidos dentro de dos
desviaciones estndar de la media, es decir, entre - 2 y + 2; y el 99% de
todos los valores se encuentran comprendidos dentro de tres desviaciones
estndar de la media, es decir, entre - 3 y + 3. Estos valores se ilustran
en la Figura 21.

32

Figura 21: reas por debajo de la curva de distribucin Normal (o

Gausiana)
La gran ventaja de la distribucin Normal es su facilidad de uso como modelo.
Desafortunadamente, en aplicaciones mineras y geolgicas, las distribuciones
tienden a desviarse, es decir, son asimtricas. Sin embargo, muchas veces,
cuando los valores tienen una desviacin positiva, como en las Figuras 7 y 19,
los logaritmos de los valores presentan una distribucin Normal. En dicho caso,
se dice que los valores presentan una distribucin log-normal.
2.8

Dos variables
Algunas veces es interesante estudiar dos variables en forma simultnea. Por
ejemplo, la asociacin entre Pb y Ag o entre Pb y Zn o, tal vez, la asociacin de
alguna impureza metalrgica con uno o ms metales.
El concepto de histograma de una variable fcilmente se puede hacer
extensivo a un histograma de dos variables, tal como se muestra en el
siguiente ejemplo, usando las leyes de plata y plomo de segmentos de testigo
de 1 m indicadas en la Figura 22.
Para un valor especfico o rango de valores de plomo, se podra preparar un
histograma con todos los valores de plata. Por ejemplo, usando los datos de la
Figura 22, las leyes de plata de muestras con leyes de plomo entre 0% y 1% se
muestran en la Tabla 11a.

33

Figura 22: Leyes de plata y plomo contenidos en segmentos de testigo de

perforacin de 1 m

Tabla 11a: Leyes de plata correspondientes a las leyes de plomo

comprendidas entre 0% y 1%
Ahora estos valores podran graficarse bajo la forma de un histograma como el
que se muestra en la Figura 23.
La media de estos valores es 25 ppm y su varianza es 783 (ppm)2. (Ntese
que, si se elimina el valor 163, la media se convierte en 22 ppm y la varianza es
303 (ppm)2). Otra forma de expresar esto es que, dado que las leyes de plomo
de las muestras se encuentran comprendidas entre 0% y 1%, la media de las
leyes de plata es 25 ppm y la varianza de las leyes de plata es 783 (ppm)2. Sin
embargo, otra forma de expresar esto es:
Siempre que las leyes de plata de las muestras se encuentren
comprendidas entre 0% y 1%, la media de las leyes de plata
correspondientes es 25 ppm y la varianza de las leyes de plata
correspondientes es 783 (ppm)2.

NO. DE ENSAYOS

A esta media y varianza a veces se les denomina media condicional y varianza

condicional.

INTERVALO DE LEY (ppm Ag)

Figura 23: Histograma de las leyes de plata incluidas en la Tabla 11a
Se podra disear un histograma similar de leyes de plata correspondientes a
leyes de plomo entre 1% y 2%. Estos valores se muestran en la Tabla 11b.

Tabla 11b: Leyes de plata correspondientes a leyes de plomo entre 1% y

2%

34

La media de estos valores es 56 ppm y la varianza es 1057 (ppm)2.

En efecto, si hay suficientes valores, se podran elaborar histogramas de leyes
de plata para cada intervalo de leyes de plomo o, incluso, en el caso de un
nmero muy grande de valores, para cada ley de plomo individual. Cada uno
de estos histogramas (o curvas de frecuencia) se podra preparar en un solo
grfico, tal como se muestra en la Figura 24. Cada uno de estos histogramas
se conoce como histograma condicional, es decir, cada uno es un histograma
de leyes de plata con la condicin que las leyes de plomo se mantengan
constantes.

Figura 24: Histogramas condicionales

Una manera rpida de construir todos estos histogramas de una sola vez es
mediante un diagrama de cajas, tal como se muestra en la Figura 25. Cada par
de valores de la Tabla 11a se puede ingresar como un punto o marca en la caja
correspondiente. Por ejemplo, el primer par, 1 ppm Ag y 0.10% Pb, se debe
ingresar en el intervalo de plata 0-10 y el intervalo de plomo 0-1.0, es decir, en
la caja inferior izquierda.

Figura 25: Diagrama de cajas para frecuencias conjuntas de leyes de plata

y plomo
Este grfico tiene otra ventaja: Tambin proporciona el histograma de leyes de
plomo para leyes de plata especficas. As, las columnas son los histogramas
de leyes de plomo correspondientes a leyes de plata especficas y las filas son
los histogramas de leyes de plata correspondientes a leyes de plomo

35

especficas. Ntese que los dos histogramas son completamente diferentes en

cuanto a concepto y clculo.
El diagrama de la Figura 25 es la base de un histograma bivariado. Si se
siguen tomando muestras hasta que se haya ensayado cada volumen de
testigo de perforacin del cuerpo mineralizado, el histograma bivariado se
convertira en la distribucin bivariada de las leyes de plata y plomo contenidas
en los testigos de perforacin de 1 m extrados de este cuerpo mineralizado.
Un modelo comn de histograma bivariado es el modelo de distribucin
bivariada Normal (o Gausiana) que se muestra en la Figura 26.

Figura 26: Modelo Normal (o Gausiano) de frecuencias bivariadas

Ntese que, si la forma tridimensional de la Figura 26 es partida por un plano
vertical paralelo al eje x, tal como se muestra en la Figura 27, se obtiene una
curva de frecuencia normal bidimensional: sta es la distribucin condicional de
y, dado que x es igual al valor en el cual se produce la interseccin entre el
plano y el eje x. De igual manera, si la distribucin bivariada es partida por un
plano vertical paralelo al eje y, se obtiene la distribucin condicional de x, dado
que y es igual al valor en el cual se produce la interseccin entre el plano y el
eje y.

Figura 27: Distribuciones condicionales obtenidas al partir la distribucin

bivariada

36

2.8.1 Covarianza y correlacin

El concepto de variacin en los valores de las leyes de un metal, como por
ejemplo el plomo, se puede hacer extensivo al concepto de variacin conjunta
o covariacin en los valores de las leyes de dos metales, como por ejemplo
plomo y plata.
La varianza se obtiene restando la media de cada valor y elevando el resultado
al cuadrado; por ejemplo, usando los datos de la Figura 22, la varianza de las
leyes de plomo se puede calcular como se muestra en la Tabla 12. De igual
forma, la varianza de las leyes de plata se puede obtener como se muestra en
la Tabla 13.

Media:

Varianza:

Clculo de la varianza:

Promedio:

Tabla 12: Clculo de la varianza de leyes de plomo

37

Media:

Clculo de la varianza:

Varianza:

Tabla 13: Clculo de la varianza de leyes de plata

Si, en vez de elevar al cuadrado cada trmino individual de plomo y plata, los
trminos de plata y plomo se multiplican en conjunto, se obtiene una
covarianza.
Si el eje x representa las leyes de plomo y el eje y representa las leyes de plata
(como en las Tablas 12 y 13), la frmula general de la covarianza es:

El clculo de la covarianza entre las leyes de plata y plomo en la Figura 22 se

muestra en la Tabla 14.

38

Tabla 14: Clculo de la covarianza entre las leyes de plata y plomo

La covarianza es una medida del grado de asociacin lineal entre las leyes de
plata y plomo. Para poder apreciar esto, considere el trmino individual:

Si altos valores de plomo tienden a estar asociados con altos valores de plata,
entonces, cuando una ley de plomo (xi) es mayor que la ley media de plomo
( ), la ley de plata (yi) tender a ser mayor que la ley media de plata ( ). As,
los valores positivos de xi - tendern a estar asociados con valores positivos
de yi - y el producto ser positivo. De igual forma, si valores bajos de plomo
tienden a estar asociados con valores bajos de plata, entonces, cuando una ley
de plomo (xi) es inferior a la ley media de plomo ( ), la ley de plata
correspondiente (yi) tender a ser menor que la ley media de plata ( ) y los
valores negativos de xi - tendern a estar asociados con valores negativos de
yi - , e igualmente el producto ser positivo.
Por el contrario, si leyes bajas de plomo tienden a estar asociadas con leyes
altas de plata y viceversa, los valores negativos de xi tendern a estar
y viceversa, y el producto ser
asociados con valores positivos de yi negativo.
Si existe poca asociacin entre la plata y el plomo, los productos

sern a veces negativos y a veces positivos y tendern a cancelarse el uno al

otro, dando como resultado una varianza cercana a cero.
En consecuencia, las covarianzas son positivas para asociaciones lineales
positivas o directas, negativas para asociaciones negativas o inversas, y nulas
cuando no hay ninguna asociacin.

39

La frmula de covarianza se puede expresar de manera ms til como se

muestra a continuacin:

= promedio (x y) promedio (x) . promedio (y)

tal como se puede apreciar por analoga con la forma prctica de la frmula de
la varianza. El clculo de la covarianza usando esta frmula se resume en la
Tabla 15.

Tabla 15: Clculo de la covarianza de los valores indicados en la Figura 22

A medida que el grado de asociacin entre el plomo y la plata (o dos variables
cualesquiera) aumenta, la magnitud de la covarianza tambin aumenta. Por
ejemplo, para un conjunto de datos o cuerpo mineralizado especficos, una
covarianza de 920.5% ppm indicara un mayor grado de asociacin entre la
plata y el plomo que una covarianza de 430.2% ppm.
No obstante, la covarianza no permite efectuar comparaciones vlidas entre
conjuntos de datos o cuerpos mineralizados diferentes. Por ejemplo, podra
saberse, desde los puntos de vista geolgico y qumico, que el grado de
asociacin entre el plomo y el zinc es menor que el que existe entre la plata y el
plomo. La covarianza entre el plomo y el zinc ser menor a la que existe entre
la plata y el plomo simplemente porque el zinc se mide en unidades distintas a
la plata (% y ppm respectivamente) y, probablemente, tambin porque el zinc
es menos variable que la plata.
La covarianza no toma en cuenta los diferentes niveles de variabilidad que
presentan las variables individuales como tampoco las variables medidas en
unidades diferentes.
Para poder hacer una comparacin vlida, la covariacin debe reducirse a
escala de modo que proporcione el mismo valor numrico para un grado de
asociacin especfico entre dos variables, sin considerar las magnitudes de los
valores de las variables individuales e independientemente de las unidades de

40

medicin. La forma ms comn de hacer esto es dividiendo la covarianza entre

el producto de las desviaciones estndar de las variables individuales. Al valor
as obtenido se le denomina coeficiente de correlacin y se define de la
siguiente manera:

Donde:

Para los datos de la Figura 22, todos los valores requeridos han sido
calculados y el coeficiente de correlacin se calcula como se muestra en la
Tabla 16.

Tabla 16: Clculo del coeficiente de correlacin

El coeficiente de correlacin mide el grado de intensidad de la relacin lineal
entre dos variables y toma valores comprendidos entre -1.0 (correlacin inversa
o negativa perfecta) y + 1.0 (correlacin directa o positiva perfecta). Un valor r =
0.0 indica que no existe ninguna correlacin lineal. Un valor 0.0 no implica la
ausencia de todo tipo de correlacin, pues la relacin entre las dos variables
puede ser no lineal.
El valor r = 0.74 obtenido en la Tabla 16 indica que existe un grado
razonablemente bueno de correlacin positiva entre las leyes de plata y plomo;
es 74% tan bueno como la correlacin positiva perfecta.
El coeficiente de correlacin no tiene unidades de medicin.
La Figura 28 muestra varios grficos de una variable con respecto a otra
variable para distintos valores del coeficiente de correlacin. Estos grficos se
conocen como diagramas de dispersin.

41

2.8.2. Regresin
El coeficiente de correlacin mide el grado de intensidad de la relacin lineal
entre dos variables x e y. Si el coeficiente de correlacin indica la existencia de
una fuerte relacin lineal, podra ser interesante describir esta relacin en la
forma de una ecuacin:
y = a + bx
Donde b es la pendiente de la lnea y a es la interseccin en el eje y. A esta
ecuacin se le denomina lnea de regresin o, ms especficamente, lnea de
regresin de y sobre x. La lnea de regresin tambin podra usarse para
predecir valores de y correspondientes a valores especficos de x.
Si bien se propone describir la relacin entre x e y mediante una lnea recta, los
datos bivariados raras veces estn dentro de una lnea, an cuando existe una
fuerte asociacin entre ellos. Esto se puede apreciar en los diagramas de
dispersin de la Figura 28. En la prctica, el objetivo es encontrar una lnea
recta:
y* = a + bx
el cual, en cierto sentido, es ms cercano a todos los puntos del diagrama de
dispersin.
Ahora hay dos valores correspondientes para cada valor xi:
y
, que es el
valor de y predecido por la lnea de ajuste ptimo. Si
se usa para predecir
, el error que se comete es:

Este error es tambin la distancia entre los valores y reales y predecidos, tal
como se muestra en la Figura 29.

42

Figura 28: Diagramas de dispersin de varios coeficientes de correlacin

43

Figura 29: Valores y reales y previstos

Esto proporciona un criterio para encontrar los mejores valores para a y b y,
por ende, para obtener un predictor para y. La lnea y* en la Figura 29 se puede
mover a una posicin en la que el total de todos los errores de prediccin sea lo
ms bajo posible. Esto se logra minimizando la sumatoria de los cuadrados de
los errores
Este mtodo para encontrar los valores de a y
b se conoce como mtodo de los mnimos cuadrados y proporciona la
siguiente frmula para a y b:

El coeficiente de correlacin se relaciona con la pendiente de la lnea de

regresin de la siguiente manera:

En esta frmula se puede apreciar que un coeficiente de correlacin

equivalente a cero implica una pendiente cero para la lnea de regresin.
La lnea de regresin que aqu se analiza est referida a la regresin de y
sobre x, pero un anlisis y frmula completamente anlogos se aplican a la
regresin de x sobre y. Ntese que las dos regresiones son pocas veces
iguales.

44

2.8.3 Varianzas de la suma y diferencia de dos variables

A menudo es interesante estudiar la variabilidad de la sumatoria o la diferencia
de dos variables, x e y. Estas varianzas se obtienen muy fcilmente por
analoga con el cuadrado de una suma o una diferencia:
Varianza (x + y) = varianza(x) + 2 covarianza(xy) + varianza(y)
Varianza (x - y) = varianza(x) - 2 covarianza(xy) + varianza(y)

45

CAPTULO 3
CUANTIFICACIN DE LOS CRITERIOS DE ESTIMACIN
El propsito de este captulo es cuantificar los criterios enumerados en la Seccin 1.1
de modo que sirva de base para:
(a)
(b)
(c)

cuantificar las fuentes de error en la estimacin

determinar la precisin de los estimados
un modelo de la variabilidad de la mineralizacin
CONTENIDO

3.1

3.2

Fuentes de error en la estimacin ............................................................ 48

3.1.1 Continuidad ......................................................................................... 48
3.1.2 Zona de influencia ............................................................................. 49
3.1.3 Variacin estructural y a pequea escala ................................... 49
3.1.4 Grado de homogeneidad ................................................................. 50
3.1.5 Modo de formacin ........................................................................... 50
Cuantificacin de los factores que afectan la precisin de un
estimado........................................................................................................... 51
3.2.1 Muestras............................................................................................... 51
3.2.2 Error en la estimacin de la media
3.2.3 Varianza de los errores de estimacin
3.2.4 Medicin de la media y la varianza de los errores de estimacin a
partir de las muestras

3.3

Base fundamental del enfoque geoestadstico

47

3.1

Fuentes de error en la estimacin

Cuando la ley de un bloque de tierra (por ejemplo, un tajo o bloque de minado)
se estima a partir de un conjunto de muestras (por ejemplo, testigos de
perforacin diamantina), el valor estimado es distinto al valor de la ley
verdadera y de este modo se comete un error. Es imposible calcular este error
con precisin (si fuera posible, el error podra sumarse al valor estimado y se
conocera la ley exacta), pero se puede predecir con cierta probabilidad.
Para predecir el error, primero es necesario identificar las fuentes de error en
una estimacin. Los errores de estimacin surgen como resultado de la
variabilidad de las leyes dentro de un depsito si no hubiera variabilidad, no
habra error: La ley en cualquier punto del depsito sera la misma. La
variabilidad entre los valores de las leyes (u otros valores medidos) en un
depsito proviene principalmente de su geologa. Como la geologa es nica,
se deduce que la variabilidad tambin es nica y cualquier mtodo de
estimacin debe reconocer este hecho. Las fuentes de error debido a la
variabilidad son:

Continuidad
Zona de influencia
Variacin estructural y a pequea escala
Grado de homogeneidad
Modo de formacin

3.1.1 Continuidad
Mientras ms continuos sean los valores de las leyes, menor ser el error de
estimacin; por ejemplo, usualmente se cometen muchos menos errores al
estimar el grosor de las capas de carbn que al estimar las leyes de oro de
bloques en un tajo abierto o las leyes de cobre en tajeos en un cuerpo
mineralizado de cobre diseminado.
En el mtodo de estimacin de reservas de mineral por secciones
transversales, el error que se comete al extender una interseccin DDH a su
rea asociada en la seccin disminuir a medida que la continuidad de la
mineralizacin aumente.
A modo de ejemplo simplista, considere estas dos secuencias de ensayos
tomados a iguales intervalos a lo largo de una lnea:

Los nmeros de cada secuencia son exactamente los mismos, pero hay una
diferencia importante entre ellos. La secuencia (a) tiene una estructura
marcadamente simtrica y un alto grado de continuidad, mientras que la
secuencia (b) es muy irregular. La estimacin del promedio de la secuencia (a)
sera mucho ms confiable que el estimado de la secuencia (b)
correspondiente.

48

La continuidad puede variar con la direccin; por ejemplo, en una formacin en

capas se esperara que existiera un mayor grado de continuidad en forma
paralela a las capas que a lo largo de las mismas.
3.1.2 Zona de influencia
Desde hace mucho tiempo se reconoce que, en cualquier depsito especfico,
la influencia de una muestra se extiende a lo largo de cierta distancia, ms all
de la cual ninguna prediccin basada en esta muestra es confiable; las zonas
de influencia tambin pueden depender de la direccin.
Esto se reconoce intuitivamente en muchos mtodos tradicionales de
estimacin; por ejemplo, en la interpretacin manual, las intersecciones de los
taladros se extienden hasta cierta distancia tanto hacia arriba como hacia abajo
del buzamiento y a lo largo del rumbo. Mientras ms corta sea la distancia de
extensin, ms confiable ser la estimacin.
3.1.3 Variacin estructural y a pequea escala
Si el cuerpo mineralizado ha sido perforado en secciones de 30 m con
espaciamientos de 20 m en las secciones y el testigo de perforacin se ha
partido en fragmentos de 1 m de longitud, entonces se ha impuesto una escala
especfica de observacin sobre los datos.
Por ejemplo, cualquier variabilidad a una escala de menos de 1 m ya no se
puede observar. Si cada fragmento de testigo de 1 m se hubiera partido en 5
fragmentos separados de 0.2 m de longitud, cada muestra tendra una ley
diferente. Sin embargo, estas cinco leyes separadas han sido, en efecto,
promediadas para obtener una sola ley para toda la longitud de 1 m. De igual
forma, no se puede observar ninguna estructura geolgica a una escala menor
a 1 m.
Aunque esta variacin a pequea escala se ha agrupado y no se puede
observar directamente a partir de la informacin disponible, existe e influir en
el error de estimacin.
A lo largo del rumbo (entre secciones transversales), la distancia mnima entre
las muestras es 30 m y, por ejemplo, la variabilidad de las distancias de 15 m o
10 m no se puede determinar a partir de los datos disponibles.
La variacin total se puede dividir en:
(a)

Variacin debido a estructuras geolgicas que son ms grandes que la

malla de muestreo o perforacin.

(b)

El resto de la variacin (a menudo denominada como variacin

aleatoria) que pueda deberse a una serie de factores que incluyen:

Estructuras geolgicas ms pequeas que la malla de muestreo, por

ejemplo, pepitas en vetas de cuarzo-oro, capas delgadas de galena
o esfalerita.

Fenmenos aleatorios tales como intemperizacin

Errores de muestreo

49

Errores en la preparacin de datos, tales como resultados de

ensayo, etc.

A medida que la variacin aleatoria aumenta, la precisin disminuye.

El componente aleatorio de la variacin total usualmente aparece a pequea
escala, mientras que el componente estructural es un fenmeno espacial o a
mayor escala. Por ejemplo, estudios de leyes de testigos de perforacin a
menudo han revelado que las dos mitades del mismo testigo pueden arrojar
leyes muy distintas. Esta diferencia es una medida de la variacin a muy
pequea escala de las leyes que se puede esperar. Adems de esta
aleatoriedad a pequea escala, existe, a una mayor escala, un grado
considerable de correlacin entre las leyes de testigos de perforacin
separados por distancias relativamente grandes (por ejemplo, entre las
secciones transversales). La variacin aleatoria puede deberse a errores de
muestreo o ensayo o a microestructuras en la mineralizacin: Despus de todo,
las dos mitades del testigo estn midiendo dos pedazos de tierra fsicamente
distintos. Cualquiera sea la causa de la variacin aleatoria, la magnitud relativa
afectar la precisin de un estimado. La proporcin de variacin aleatoria
puede depender de la direccin.
Por lo tanto, a la variacin a pequea escala o aleatoria a veces se le
denomina variacin de pepita.
El uso de mtodos estadsticos de estimacin simplistas, tales como la media
aritmtica, asume que toda variacin es aleatoria.
3.1.4 Grado de homogeneidad
Es importante identificar reas con caractersticas geolgicas diferentes, ya que
el error de estimacin puede variar con los cambios en las condiciones
geolgicas; por ejemplo, la naturaleza de los permetros de mineral/desmonte o
diferentes tipos de ganga dentro del depsito.
El grado de homogeneidad puede depender de la direccin; por ejemplo, la ley
puede variar con la profundidad, pero seguir siendo muy uniforme en cualquier
nivel en particular de una mina.
3.1.5 Modo de formacin
El modo de formacin est expresado, en gran medida, en los factores antes
referidos. En efecto, es el modo de formacin el que da lugar a las
caractersticas.
Por ejemplo, una formacin en capas tendr usualmente una zona de influencia
medible que ser ms grande en direcciones paralelas a las capas que a lo
largo de ellas; la intemperizacin puede haber aumentado la proporcin de
variacin aleatoria: La accin tectnica puede haber contribuido al grado de
homogeneidad; el fallamiento puede haber influenciado la continuidad.
Muchos depsitos que se han formado a lo largo de canales en rocas duras, es
decir, depsitos tipo veta, no tienen zonas de influencia medibles; los depsitos
estratificados tienden a tener un mayor grado de continuidad que los depsitos
tipo veta. El modo de formacin puede generar problemas geomtricos. En un

50

solo depsito tipo veta, la estimacin consistir ms en ubicar la veta que en

estimar la calidad del mineral. En los cuerpos mineralizados estratigrficos, el
problema radica muchas veces en estimar la forma y la ubicacin, mientras que
en los cuerpos mineralizados diseminados, el problema es casi siempre la
estimacin de leyes de bloques.
Todos estos factores describen la forma en que las leyes (u otras
caractersticas) de muestras especficas estn distribuidas en todo el cuerpo
mineralizado, es decir, su variacin espacial. Dependen no slo del cuerpo
mineralizado sino tambin del tipo de muestra. Cada tipo particular de muestra
tiene sus propias caractersticas; por ejemplo, mientras mayor sea el volumen
de la muestra, menor ser la variacin en su ley.
El error de estimacin depender, asimismo, de los siguientes factores
geomtricos u operativos:
(a)

El tamao y forma del bloque de tierra que se va a estimar. En general,

mientras ms pequeo sea el bloque, mayor ser el error al momento
de estimar su ley.

(b)

La posicin de muestras con relacin al bloque. En general, la

confiabilidad del estimado depende de la proximidad de las muestras al
bloque.

(c)

La posicin de las muestras con relacin la una a la otra. Por ejemplo, la

configuracin de las muestras indicada en la Figura 30(a) proporcionar
un estimado ms confiable del bloque que la configuracin de la Figura
30(b).

Figura 30: Configuraciones de muestreo

Habiendo identificado las fuentes de error, ahora el problema es cuantificarlas.
3.2

Cuantificacin de los factores que afectan la precisin de un estimado

3.2.1 Muestras
Los factores geolgicos que afectan la precisin de una estimacin son:
(a)

Continuidad de la mineralizacin

(b)

Zona de influencia

(c)

Proporcin de variabilidad total debido a estructuras geolgicas

51

(d)

Grado de homogeneidad

Estos factores slo se pueden determinar a travs de muestras y an as slo

se relacionan con las muestras recolectadas. Es, pues, muy precipitado inferir
que el resto del cuerpo mineralizado tiene las mismas caractersticas que las
muestras. Sin embargo, dicha inferencia se puede realizar dentro de lmites de
error razonables, siempre y cuando:
(a)

Las muestras sean representativas de la mineralizacin.

(b)

Se puedan definir zonas dentro de las cuales exista un grado de

homogeneidad suficiente para asegurar que es probable que se
encuentren caractersticas similares tanto en una como en otra parte (en
algunos casos, el cuerpo mineralizado en su conjunto puede ser
suficientemente homogneo).

Una muestra, como un testigo de perforacin, puede representar tan slo una
de las mil millones de partes que conforman el cuerpo mineralizado. No
obstante, por lo menos en la etapa de factibilidad, es a esta escala que se
observa el cuerpo mineralizado y que los factores que afectan la precisin se
evalan. La escala de observacin (o tamao de muestra) se puede aumentar,
por ejemplo, mediante labores de desarrollo o abriendo una galera en el
cuerpo mineralizado; durante el minado, la informacin (muestras) relacionada
con estos factores estar disponible, por ejemplo, a la escala de los taladros,
bloques o tajeos minados.
Los cuatro factores que afectan la precisin de un estimado son dependientes
de la escala. Por ejemplo, las leyes de tajos enteros usualmente mostrarn
mayor continuidad que las leyes de testigos de perforacin; adems, tendrn
una zona de influencia ms grande y una mayor proporcin de la variabilidad
ser atribuible a la estructura geolgica observable.
En otras palabras, diferentes tipos de muestras presentan las mismas
caractersticas (continuidad, zona de influencia, variabilidad estructural) que la
mineralizacin, pero a una escala distinta. Por ejemplo, supongamos que se
muestrea un depsito de cobre mediante DDH vertical y los testigos son
cortados en segmentos de 10 m de longitud y analizados para determinar el
porcentaje de cobre. Cuando las caractersticas de estas leyes son
extrapoladas a todo el depsito, se considera que la mineralizacin se
comporta como si consistiera en o estuviese dividida en volmenes
verticales de testigos DDH de 10 m. Naturalmente, sta es slo una de la
infinidad de formas de mirar el depsito. Es ms probable que el planeador de
minado considere que el depsito se comporta como si estuviera conformado
por bloques de minado de 40m x 50m x 10m. Sin embargo, ntese que no son
las caractersticas de estos bloques lo que se ha medido, sino las
caractersticas de testigos de perforacin verticales de 10 m.
Adems del tamao de una muestra, la evaluacin de los factores que afectan
la precisin tambin puede depender de la orientacin de la muestra. En una
formacin en capas, por ejemplo, las muestras tomadas en forma paralela a las
capas mostrarn una mayor continuidad y tendrn una zona de influencia ms
grande que muestras similares tomadas a lo largo de las capas.

52

Por estas razones, los diferentes tipos de muestra deben tratarse en forma
separada a fin de no enmascarar la informacin que proporcionan a distintas
escalas.
Una muestra se caracteriza por su:
(a)

Forma geomtrica

(b)

Volumen

(c)

Orientacin

Con frecuencia, a estas caractersticas se les denomina soporte de la muestra.

53

CAPTULO IV
EL VARIOGRAMA
Contenido del captulo

4.1
4.2
4.3
4..4

Variograma en una dimensin

Variograma en dos dimensiones
Variograma en tres dimensiones
Propiedades descriptivas del variograma
4.4.1 Zona de influencia
4.4.2 Continuidad
4.4.3 Estructuras de transicin
4.4.4 Anisotropas
4.4.5 Ejemplo
4.5 Grado de homogeneidad
4.5.1 Efecto de la falta de homogeneidad sobre el variograma
4.5.2 Importancia del trmino de deriva en el clculo de
variogramas
4.6 Cuantificacin del variograma
4.6.1 El modelo esfrico
4.6.2 Inferencia de un variograma
4.6.3 Modelos en general
4.6.4 Variogramas y soportes
4.7 Problemas prcticos
4.7.1 Espaciamiento desigual de muestras
4.7.2 Datos no alineados
4.7.3 Soportes desiguales
4.8 Variogramas cruzados

2
4
7
8
8
9
10
11
12
14
15
16
19
20
22
24
24
26
26
27
28
30

4.1

Variograma en una dimensin

Considere una secuencia de n muestras espaciadas a igual distancia, d, a lo largo de

una lnea de longitud L. Sea xi (i = 1,N) la coordenada de la muestra nmero i y f(xi) su
ley (o alguna otra caracterstica de inters). Esta notacin es simplemente una forma
matemtica abreviada de expresar que la ley, f(xi) del nmero de muestra i es una
funcin de su posicin, xi (es decir, f(xi) es el valor de la ley (f) medida en la ubicacin
xi). Cuando el valor de una variable, como la ley, depende de su posicin, la variable se
denomina variable regionalizada.
La Figura 38 muestra la disposicin de n muestras a lo largo de la lnea

Figura 38: Secuencia de muestras n equidistantemente espaciadas, xi denota la

ubicacin y f(xi) denota el valor en la ubicacin xi
Las muestras pueden ser de cualquier tipo, pero se asume que todas ellas tienen el
mismo soporte (es decir, la misma orientacin, volumen y forma geomtrica); por
ejemplo, la lnea puede representar un testigo de perforacin diamantina (DDH) cortado
en fragmentos de aproximadamente las mismas longitudes d o una lnea de muestras
de canal de longitudes d tomadas a lo largo de un pilar).
El variograma para un espaciamiento de muestra d es la mitad de la diferencia
promedio al cuadrado entre todos los pares de muestras separadas por una distancia d,
cuya representacin es (d):

O en notacin abreviada:

Para un espaciado de 2d, el variograma es:

O, en notacin abreviada:

En general, para espaciados de muestra m (es decir, distancia de md), el variograma

es:

Ntese que el resultado sera el mismo si el clculo empezara con la muestra f(xn) al
final de la lnea y se realizara en sentido inverso hacia la primera muestra f(x1).
A modo de ejemplo, considere las leyes de las muestras de plomo en la Figura 39
tomadas a intervalos de 1.5m a lo largo de un pilar.

Figura 39: Leyes de plomo de muestras tomadas a intervalos de 1.5m

Un mtodo simple de calcular el variograma en forma manual es copiando dos veces la
lnea de muestras de la Figura 39. Para un espaciamiento de 1.5 m, coloque las dos
lneas de muestras la una junto a la otra y mueva una de ellas hacia la derecha, de
modo que las muestras espaciadas a 1.5 m de distancia queden alineadas, tal como se
muestra en la Figura 40.

Figura 40: Mtodo de clculo de variograma para un paso de un espaciamiento de

muestra
El variograma para un espaciamiento de d= 1.5 m es dado por:

Para calcular el variograma de un espaciamiento de 3 m, avance la lnea inferior de las

muestras un punto ms hacia la derecha, de modo que la primera y tercera muestras se
alineen, tal como se muestra en la Figura 41.

Figura 41: Mtodo de clculo de variograma para un paso de dos espaciamientos

de muestra

El variograma para un espaciamiento de 3 m es:

De manera similar:

Estos valores pueden graficarse tal como se muestra en la Figura 42 para obtener una
representacin grfica del variograma.

Figura 42: Variograma experimental para los valores muestrales de la Figura 39

4.2 Variograma en dos dimensiones
Considere las dos lneas de leyes de plomo tomadas a intervalos de 1.5 m a lo largo de
paredes paralelas de un tajo, tal como se muestra en la Figura 43. El ancho del tajo es
de 30 m.

Figura 43: Leyes de plomo de muestras tomadas a intervalos de 1.5 m a lo largo

de las paredes paralelas de un tajo
Se puede calcular un variograma por cada lnea. En efecto, el variograma de la lnea
superior de los resultados de ensayo se calcul en 4.1; los valores de este variograma
junto con el nmero de pares de valores usados para calcular cada valor son:

Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Los valores de variograma para la segunda lnea son:

Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Por cada uno de los espaciamientos de muestra h (= 1.5m, 3m, 4.5m ) hay dos
valores del variograma. El variograma promedio, (h), en la direccin del tajo se obtiene
tomando el promedio ponderado de los valores del variograma de las dos lneas:

Por ejemplo:

De manera similar:

En general, si hubieran m lneas, el variograma, i(h) (i=1,2,,m), podra calcularse

para cada lnea y el variograma promedio en la direccin de las lneas estara dado por:

Adems, es posible calcular los valores del variograma en otras direcciones. Considere
las series de lneas de leyes espaciadas a intervalos de 30 m, tal como se muestra en la
Figura 44.
El variograma puede calcularse en ngulos rectos con las lneas exactamente de la
misma manera en que se calcul a lo largo de las lneas.
Por ejemplo, el variograma para un espaciamiento de 30 m para la lnea nmero 1
(lnea punteada de la Figura 44) es dado por:

Para 60 m:

Y as sucesivamente para otros mltiplos de 30 m.

Figura 44: Serie de lneas de leyes espaciadas a intervalos de 30 m

As, el variograma podra calcularse por cada lnea paralela sucesiva de leyes y
finalmente se podra calcular el variograma promedio para esta direccin.
En efecto, se podran calcular variogramas para diversas direcciones, por ejemplo, a
45 con las lneas de muestra, en cuyo caso se calculara para mltiplos de:

4.3 Variograma en tres dimensiones

Considere las lneas de muestras de cada plano paralelo de la Figura 45.

Figura 45: Lneas de muestras sobre planos paralelos

Los variogramas pueden calcularse en cada plano, tal como se describe en la Seccin
4.2, y luego promediarse para obtener un variograma promedio para cualquier direccin
en particular. Adems, los variogramas pueden calcularse de la misma manera en
direccin perpendicular a los planos. Por ejemplo, las lneas pueden representar las
paredes de un tajo y los planos pueden ser los niveles de una mina.
Los casos bidimensionales y tridimensionales son extensiones simples del caso
unidimensional. Los ejemplos aqu dados corresponden a informacin igualmente
espaciada y alineada. Desafortunadamente, raras veces se cuenta con este tipo de
datos geolgicos y deben efectuarse diversas aproximaciones. Esto se tratar en la
Seccin 4.6.
4..4 Propiedades descriptivas del variograma
Una vez calculado y graficado el variograma, el siguiente paso es interpretar la
informacin que proporciona.
4.4.1 Zona de influencia
En general, el variograma es una funcin de distancia incremental: En promedio, la
diferencia entre los valores medidos en dos ubicaciones distintas tiende a aumentar a
medida que la distancia entre las ubicaciones aumenta. La tasa de aumento de los
variogramas refleja la tasa a la cual la influencia de una muestra disminuye con la
distancia. La tasa de aumento puede variar con la direccin.
Por ejemplo, considere los dos variogramas de la Figura 46. El variograma de la
mineralizacin A aumenta al doble de la tasa que la mineralizacin B, lo que indica que
los valores de las leyes de las muestras tomadas en B varan en forma mucho ms
lenta que aquellas tomadas en A. La zona de influencia de las muestras tomadas en B
es ms grande que la zona de influencia de las muestras tomadas en A y, en

consecuencia, la extensin del valor muestral a un rea determinada ser ms confiable

en B que en A. La diferencia puede deberse a las diferentes mineralizaciones o a los
diferentes tipos de muestra.

Figura 46: Variogramas de dos mineralizaciones diferentes: A y B

4.4.2 Continuidad
La continuidad de la mineralizacin es reflejada por la tasa de crecimiento del
variograma sobre distancias pequeas. Cuando el grado de continuidad es alto, en
promedio, existir muy poca diferencia entre las muestras tomadas en puntos cercanos,
y los valores del variograma para distancias pequeas sern bajos. Por otro lado,
cuantos ms bajos sean los valores del variograma, entonces, en promedio, ms
parecidos sern los valores muestrales usados para su clculo. Asimismo, mientras
ms bruscos sean los cambios en los valores muestrales, ms altos sern los valores
del variograma. Se pueden distinguir cuatro categoras de continuidad, las cuales se
ilustran en la Figura 46 con el fin de disminuir la continuidad.
El variograma de (a) est muy cerca a cero en el caso de valores pequeos de h, lo que
indica que los cambios en los valores de la muestra son extremadamente graduales.
Este tipo de variograma representa una variable estrictamente continua, tales como el
grosor de una formacin que ha sufrido muy poca, si acaso alguna, deformacin como
por ejemplo fallamiento o intemperizacin. Es muy poco probable que alguna vez se
encuentre este variograma para una variable como por ejemplo la ley.
El variograma de (b) indica que, en promedio, los cambios en los valores de la muestra
son graduales. Los cambios no son todos pequeos como en el caso del tipo (a);
algunos cambios son muy grandes, algunos son muy pequeos, pero en promedio son
bastante graduales. Este tipo de continuidad es comn en los depsitos sedimentarios y
para los espesores de cuerpos mineralizados estratigrficos.

Figura 47: Variogramas correspondientes a cuatro categoras de continuidad

El variograma de (c) es discontinuo en el origen, lo que indica que los cambios bruscos
en los valores de la muestra se producen a pequeas distancias. Tericamente por su
puesto, el valor del variograma para una distancia de cero (h=0) debe ser cero. Sin
embargo, si la mineralizacin se produce en forma de pepita o concentraciones en
pequeas venas, entonces se pueden producir cambios rpidos a muy pequeas
distancias. Las diferencias entre las dos mitades de un testigo de perforacin, segn lo
sealado en 3.1.3, producirn este tipo de variograma.
La discontinuidad es una medida de variacin aleatoria y es, en parte, una funcin del
intervalo de muestreo: Las muestras tomadas a pequeos intervalos puede reducir
dicha discontinuidad o incluso eliminarla. Tambin es una funcin del tamao de la
muestra: Mientras ms grande sea la muestra, es ms probable que contenga las
microestructuras que dan lugar a las variaciones aleatorias y, en consecuencia, se
reduzca la discontinuidad del variograma.
Por obvias razones, a la discontinuidad se le denomina efecto de pepita. El variograma
de (d) representa una variable que no tiene ningn tipo de continuidad: sus valores son
completamente aleatorios. En los depsitos de minerales, tales variogramas
generalmente indican que el intervalo de muestreo es mayor que las estructuras
geolgicas que controlan la variabilidad. Por ejemplo, considere un depsito en el que la
mineralizacin se produce en vetas y fracturas verticales. Si el espaciado DDH es
mayor que la distancia promedio entre las vetas, entonces existen pocas probabilidades
de que un DDH intersecte una veta y que el variograma resultante sea similar al
mostrado en (d).
Estos cuatro tipos de comportamiento en pequeas distancias ilustran cmo el
variograma identifica la cantidad de variacin aleatoria. En el caso de los tipos (a) y (b),
toda la variacin es estructural; en el tipo (c) una proporcin, indicada por la
discontinuidad, es aleatoria; en el caso del tipo (d), toda la variacin es aleatoria.
4.4.3 Estructuras de transicin
Muchas mineralizaciones producen variogramas similares a los de la Figura 48.

Figura 48: Variogramas que ilustran la transicin de la continuidad a la no

continuidad
En cada caso, existe un aumento ms o menos continuo hasta despus de cierta
distancia, denominada el rango, en la que los valores del variograma se tornan
relativamente estables. Estos variogramas pueden dividirse en dos partes. La primera,
en la que los valores aumentan, corresponde a (a), (b) o (c) en la Figura 47, y tiene la
misma interpretacin. La segunda, en la que los valores parecen fluctuar alrededor de
un valor constante denominado meseta, corresponde a (d) en la Figura 47. La
interpretacin de esta segunda parte es similar a la de la Figura 47(d), con la excepcin
de que el comportamiento aleatorio del variograma se debe a una correlacin
insignificante entre los valores separados por distancias superiores al rango y no a
algn cambio en el comportamiento de la mineralizacin propiamente dicha. El rango
coloca un valor mximo en la zona de influencia: El rango de influencia de una muestra
disminuye con la distancia hasta que desaparece por completo.
4.4.4 Anisotropas
Las caractersticas de una mineralizacin pueden variar con la direccin. Por ejemplo,
en una formacin en capas, el rango de influencia puede ser considerablemente mayor
y puede haber un mayor grado de continuidad en direcciones paralelas a las capas que
a travs de las capas. Los variogramas siempre se deben calcular en varias direcciones
para determinar cualquier anisotropa.
Los variogramas verticales y horizontales de la Figura 49 tienen diferentes rangos de
influencia.
Una zona de influencia aproximada para una muestra en esta mineralizacin sera un
elipsoide con ejes de 30 m (en sentido vertical), 90 m (de norte a sur) y 150 m (de este
a oeste). El coeficiente de rangos se denomina coeficiente de anisotropa, es decir
30:90:150 1:3:5.
Los diferentes rangos de los variogramas de la Figura 49 indican la tasa de cambio de
los valores muestrales en distintas direcciones. Para observar la misma cantidad de
variacin en todas las direcciones, habra que viajar 3 m en direccin de norte a sur y 5
m en direccin de este a oeste para cada metro atravesado en direccin vertical. Esto
tiene importantes consecuencias para los intervalos de muestras: el espaciamiento
muestral ptimo se encuentra en el coeficiente 1:3:5.

Estos mismos comentarios pueden aplicarse a las pendientes de variogramas de tipo no

transicional.

Figura 49: Variogramas con diferentes rangos de influencia

Los rangos de los variogramas direccionales identifican la forma de la zona de influencia
y, por esta razn, este tipo de anisotropa es a menudo denominado anisotropa
geomtrica. Existen otros tipos de anisotropa, como por ejemplo cambios direccionales
en la continuidad y en la variacin aleatoria.

Figura 50: Posibles variogramas de una formacin en capas

El valor de meseta ms alto del variograma vertical es una medida de la mayor
variacin en las leyes de esta direccin.
4.4.5 Ejemplo
Cuerpo mineralizado estratigrfico de Ag/Pb/Zn

Se han calculado variogramas para una seccin de un cuerpo mineralizado

estratigrfico de Ag/Pb/Zn, el cual consta de una secuencia de tres lentes.
Los testigos de perforacin y las muestras de desarrollo, sometidos a ensayos para
determinar la presencia de plata, plomo y zinc, se compositaron en longitudes de 1.5 m
y se calcularon variogramas promedio para cada elemento.
La Figura 51 muestra variogramas calculados para dos direcciones (ambas en el plano
de la seccin transversal) para plata.
MEDIA
MEDIA

VARIANZA
VARIANZA

TALADROS
TALADROS

VARIANZA

TALADROS

MEDIA

VARIANZA

TALADROS

Valor de variograma (ppm) = 10

MEDIA

Variacin espacial
estructural

Variacin aleatoria

METROS

Figura 51: Variogramas de plata calculados para dos direcciones en el plano de la

seccin transversal
Al mirar inicialmente la direccin horizontal (0 +/- 10) en el variograma, ntese que los
valores empiezan a alrededor de 1500 (ppm Ag)2 para una distancia de 1.5 m y
aumentan gradualmente hasta alrededor de 6 m, que es cuando empiezan a fluctuar
(ligeramente) alrededor de un valor de 4500 (ppm Ag)2, lo que es aproximadamente
igual a la varianza estadstica de los valores de ensayo.
ste es obviamente un variograma de tipo transicional con un rango de alrededor de 6
m.
No es posible graficar valores para distancias de menos de 1.5 m porque el tamao
mnimo de la muestra seleccionada era de 1.5 m (Nota: Las diferencias fueron
insignificantes cuando se calcularon variogramas basados en compsitos de 1.0 m).

Sin embargo, si la lnea que une los primeros pocos puntos se proyectara sobre el eje
vertical, se producira una interseccin en alrededor de 400 (ppm)2. As, la variacin
total de 4500 (ppm)2 se divide en dos componentes: el primero representa la variacin
aleatoria que puede deberse a una serie de factores, incluyendo:
(i)
(ii)
(iii)
(iv)

Microestructuras a una escala de menos de 1.5 m

La variacin esperada entre las dos mitades del testigo.
Muestras de desarrollo no representativas como consecuencia
muestreador o del mtodo de muestreo.
Errores durante la preparacin de las muestras, antes del anlisis.

del

Usando mtodos geoestadsticos, es posible separar la variacin debida a los errores

de muestreo de otras fuentes de variacin (Ver Captulo 6).
El segundo componente de la variacin total en la Figura 51 [de 400(ppm)2 a
4500(ppm)2] representa la variacin resultante de factores geolgicos a una escala
mayor que 1.5m, por ejemplo, continuidad dimensional, zona de influencia, distribucin
o patrn de ensayos. En otras palabras, aproximadamente el 90% de la variacin total
en los valores de ensayo se debe a factores geolgicos (observables) que afectan la
precisin de las estimaciones.
Podra esperarse que exista una mayor variacin en las leyes medidas
perpendicularmente al buzamiento. Esto es evidente en la Figura 51. El rango del
variograma en esta direccin tambin ha disminuido a aproximadamente 4.5 m.
Una caracterstica interesante de este variograma es la aparente disminucin en la
variacin a alrededor de 10m. Este efecto es comn en los cuerpos mineralizados
compuestos por diferentes lentes. Debido a que la informacin sin procesar usada en
estos clculos incluye los tres lentes, el efecto se debe probablemente a la similitud
entre los lentes del mineral y la similitud entre el mineral de baja ley intercalado, es
decir, a menores distancias en el clculo del variograma, la variacin se mide dentro de
tipos de material similares (mineralizado o estril). A distancias ligeramente ms largas,
la variacin se mide entre lentes de material mineralizado o estril, es decir, a una
variacin mxima, e incluso a distancias ms largas; la variacin se mide entre
diferentes lentes de mineral (con leyes comparables) o diferentes zonas de material
estril. Esto produce un hueco en el variograma a aproximadamente 10 m.
4.5 Grado de homogeneidad
Uno de los criterios para poder inferir las caractersticas de la mineralizacin (o por lo
menos parte de ella) a partir de las caractersticas de las muestras es que debe existir
un grado suficiente de homogeneidad en la mineralizacin, segn es medida por las
muestras.
En trminos geolgicos, esto significa que se deben calcular variogramas por separado
para cada zona geolgica distinta, pero la definicin de las zonas depende mucho de la
escala. Por ejemplo, para una secuencia de cuerpos mineralizados de Ag-Pb-Zn
lenticulares, inicialmente se deben calcular variogramas por separado para cada cuerpo
mineralizado o grupo de cuerpos mineralizados. Si se calculan variogramas en unidades
estratigrficas marcadamente diferentes, tales como entre cuerpos mineralizados

mayores, las diferencias entre las distribuciones espaciales de las leyes de cada unidad
distorsionarn el variograma.
A menor escala, es posible distinguir subunidades individuales dentro de un cuerpo
mineralizado y stas pueden tener un grosor de 0.1 m o menos. Es aqu cuando el
asunto de la escala adquiere importancia. Si las subunidades estratigrficas dentro del
cuerpo mineralizado son extremadamente pequeas en relacin con el tamao de la
unidad de minado (por ejemplo, corte y relleno o tajeos abiertos) y con el fin de estimar
dichos volmenes grandes, se ganara una pequea ventaja calculando variogramas
por separado dentro de cada subunidad. En la mayora de los casos, sera imposible
hacerlo debido a la insuficiente informacin, y el costo de obtener suficiente informacin
sera prohibitivo.
En muchos casos, se pueden definir zonas geolgicamente homogneas y se pueden
determinar sus diferentes caractersticas calculando variogramas por separado para
cada zona. En muchos otros casos, dichas zonas no pueden definirse y la
mineralizacin todava no puede considerarse como suficientemente homognea para
el tipo de inferencias requeridas a la escala requerida. Por ejemplo, un aumento o
disminucin sistemticos en las leyes en una direccin en particular significara que la
ley promedio de las muestras dependera de dnde se tomaron; las muestras tomadas
en una seccin de la mineralizacin no podra usarse para inferir la ley promedio de otra
seccin.
Para efectuar el tipo de inferencias necesarias para la estimacin de reservas de
mineral, se requiere una cantidad bsica de homogeneidad, segn es medida por los
valores de la muestra. La homogeneidad es suficiente cuando, a la escala requerida, la
media de las muestras en una parte de la mineralizacin (o una seccin de ella) es ms
o menos la misma que la media de las muestras en cualquier otra parte. Una manera
simple de determinar si existe esta homogeneidad es graficando los valores de la
muestra con respecto al valor medio de la muestra.
4.5.1 Efecto de la falta de homogeneidad sobre el variograma
El variograma puede expresarse en trminos de la varianza de los valores de f(xi) f(xi+h):

Entonces,

Donde:
n(h) es el nmero de muestras separadas por la distancia h.

f(xi) es el valor de la muestra ubicada en xi.

f(xi+h) es el valor de la muestra ubicado en xi + h, es decir, una distancia h de xi.
d(h) es la diferencia promedio entre los valores de muestra separados por una distancia
h. (Esto proporciona un estimado de cualquier tendencia o deriva en los valores de
ensayo en una direccin especfica).
Segn esta expresin del variograma, es obvio que los valores del variograma se
incrementan con el cuadrado de los valores d(h). Cuando existe una deriva significativa
de los valores de la muestra, el variograma resultante puede verse realmente afectado.
Es importante hacer la diferencia entre la variacin actual de los valores de la muestra
con respecto a un valor medio y las variaciones del valor medio propiamente dicho.
Cuando la deriva se puede tomar como cero (es decir, d(h) flucta alrededor de cero),
entonces el variograma puede expresarse como la mitad de la varianza de los
incrementos f(xi) - f(xi+h):

Es un supuesto importante en las tcnicas geoestadsticas usadas en este manual que

la deriva puede tomarse como cero. Este supuesto siempre puede verificarse
calculando la deriva junto con el variograma.
Si la deriva no es cero, esto se puede tratar de diversas maneras, muchas de las cuales
se encuentran fuera del alcance de este manual.
4.5.2 Importancia del trmino de deriva en el clculo de variogramas
Por definicin, el variograma es igual a la mitad de la varianza de las diferencias Z(x) Z(x+h):

Media

Media

Bajo los supuestos de estacionalidad intrnseca, especficamente:

(i)

el valor esperado de la variable es constante en todo el cuerpo mineralizado (o

por lo menos en la seccin en estudio)

(ii)

la varianza de las diferencias es finita y es una funcin de h.

el segundo trmino del lado derecho de (1) se convierte en:

Y el variograma puede expresarse de la siguiente forma:

Media

Es decir, como una funcin de h solamente.

La manera estndar de estimar esta cantidad en la prctica es:

donde n(h) es el nmero de pares de diferencias usadas.

Este estimador es ptimo slo para el caso en que Z(x) y Z(x+h) tengan una distribucin
normal conjunta. En particular, tiene propiedades de resistencia muy dbiles (ver, por
ejemplo, Dowd (1984): Variograma y kriging: estimadores robustos y resistentes, NATO
Advanced Study Institute on Geostatistics (Instituto Superior de Geoestadstica NATO),
pginas 91-106 D. Reidel Publishing Company).
Si ambos supuestos (i) y (ii) no se cumplen, entonces es difcil, pero no imposible,
seguir adelante. En tales casos, a menudo es posible encontrar reas restringidas sobre
las cuales se puede asumir (ii) y cuyo variograma es el siguiente:

Como el valor esperado de la variable ya no es constante, y es una funcin de su

posicin X:
Media

El variograma no puede simplificarse en ms que:

Si esto se ignora y el variograma se calcula simplemente como:

Entonces la cantidad realmente calculada es (en base a (4)):

Es decir, el valor del variograma calculado es inflado por el valor de:

NOTA: Aun si la cantidad indicada en (6) se calcula y sustrae del total indicado en (5), el
variograma resultante no tiene un uso prctico. Para fines de estimacin (por lo menos
usando las tcnicas tradicionales de kriging), se requieren las siguientes dos
cantidades:
(i)
(ii)

m(x) = E[Z(x)]
el variograma de los residuales
Z(x) / m(x)

Ahora surge la pregunta: cundo el trmino en (6) adquiere importancia?

El trmino:

es conocido como deriva y es una medida de la presencia de un aumento o disminucin

sistemticos en la variable Z(x) en la direccin del vector h.
En aplicaciones geolgicas, la deriva se encuentra casi siempre presente en cierta
escala. Es difcil imaginar un cuerpo mineralizado tan homogneo que un cambio
sistemtico en la ley no pueda detectarse a ninguna escala. El punto importante para
las aplicaciones es si la escala tiene relevancia para fines de estimacin.
Tal como en el caso del variograma, la deriva se puede estimar mediante:

En forma ideal, estos valores, cuando se grafican, deben variar alrededor de cero, tal
como se muestra en la Figura 52.

Figura 52: Grfico de la diferencia media a falta de deriva a una escala de longitud
del eje x

Si existe un aumento o disminucin sistemticos en el valor de la variable, el grfico de

deriva podra ser similar al que se muestra en la Figura 53.
Adems, una deriva significativa debera ser evidente en el variograma experimental
que a menudo muestra un incremento prcticamente parablico en su valor cuando el
trmino en (6) se vuelve significativo.
Sin embargo, si la distancia (o escala) en la que la deriva se vuelve significativa es
mayor que aqulla sobre la que se har cualquier estimado, entonces usualmente
puede ignorarse y los efectos de hacerlo as pueden evaluarse en las verificaciones de
validacin del modelo. Una serie de estudios han demostrado que el variograma y el
kriging son bastante resistentes a la presencia de la deriva (ver en particular David and
Dagbert (1976): Universal Kriging Conceptual Background and Application to the Navan
deposit, CIMM Bulletin) (Antecedentes Conceptuales Universales del Kriging y su
Aplicacin al depsito de Navan, Boletn CIMM).

Figura 53: Grficos de las diferencias medias en presencia de una deriva a la

escala de la longitud del eje x
4.6 Cuantificacin del variograma
A fin de usar el variograma experimental en aplicaciones prcticas, la informacin que
proporciona puede cuantificarse. Esto ya se ha efectuado en gran medida: Las
dimensiones aproximadas de zonas de influencia han sido determinadas junto con la
variacin total y la variacin aleatoria. Los nmeros asignados a estos parmetros
pueden resumirse adaptando una ecuacin al variograma experimental. Esta ecuacin
se denomina modelo. Como el variograma es una varianza (ver Seccin 4.4) y las
varianzas deben ser positivas, el modelo usado deber ser tal que todos los valores que
se calculan en base a ste son positivos. Por esta razn, es mejor usar uno de los
diversos modelos que, segn la vasta experiencia existente, son representativos de la
mayora de las mineralizaciones.
En la Seccin 4.5.1, se mostr que el variograma podra expresarse de la siguiente
forma:

Si f(xi) y f(xi + h) son independientes, entonces:

(en la prctica, aproximadamente) y entonces:

Es decir, la varianza de las muestras usadas en el clculo del variograma.

En el caso de las mineralizaciones de tipo transicional, f(xi) y f(xi + h) son
independientes cuando la distancia, h, es mayor al rango de influencia. As, el valor de
meseta de los variogramas de tipo transicional debera aproximarse a la varianza de las
muestras usadas en el clculo del variograma.
4.6.1 El modelo esfrico
Este modelo es el que se usa ms comnmente para caracterizar los variogramas de
tipo transicional.
Este modelo es:
para

para

Donde:
Co

es el componente aleatorio de la variacin, es decir, la varianza de pepita.

es el componente estructural de la varianza

Co + C

es el total de variacin o meseta

es el rango de influencia.

El modelo se grafica en la Figura 54.

Figura 54: Variograma de modelo esfrico

El mtodo para adaptar un modelo esfrico a un variograma experimental se ilustra con
referencia al variograma de las leyes que se muestran en la Figura 55.
Siga los siguientes pasos:
(i)

Trace una lnea por aqul que aparece como el valor alrededor del cual los
valores del variograma fluctan. Este valor debe ser aproximadamente igual
a la varianza de los valores usados en el clculo del variograma. La lnea
para este ejemplo se muestra en la Figura 53. Esta lnea da el valor de C0 +
C.

(ii)

Trace una lnea recta por los primeros dos o tres valores del variograma y
extindala de modo que intercepte el eje (h). Esto da el valor de Co. La lnea
para este ejemplo se muestra en la Figura 55. Ntese que podra no ser
posible trazar una lnea que pase por estos puntos, como por ejemplo en la
Figura 56. En este caso, la lnea debe aproximarse a los valores medios de
los puntos, tal como se ilustra en la Figura 56.

(iii)

Por definicin, la lnea de (ii) intersecta la meseta [lnea trazada en (i)] a una
distancia igual a las dos terceras partes del rango (a).

1/2 suma media de los cuadrados de las diferencias de los

valores de ensayo

Metros

Figura 55: Mtodo de adaptar un modelo esfrico a un variograma

experimental
Todos los parmetros (Co, C y a) del modelo esfrico han sido definidos.
4.6.2 Inferencia de un variograma
El problema de inferir las caractersticas de una mineralizacin (o alguna seccin de
ella) a partir de las caractersticas de muestras se trat en la Seccin 4.1. Las
caractersticas de las muestras que afectan la precisin de una estimacin se resumen
en el variograma resultante de estas muestras. Con frecuencia a este variograma se le
denomina variograma experimental para diferenciarlo del variograma real de la
mineralizacin que se obtendra si se muestreara toda posible ubicacin. Adems, un
variograma experimental es slo uno entre un nmero infinito de dichos variogramas
que podran obtenerse de diferentes ubicaciones de muestreo.

Figura 56: Mtodo para adaptar el modelo esfrico al variograma experimental

El variograma de una mineralizacin puede inferirse de un variograma experimental
siempre que las muestras usadas en su clculo sean suficientemente representativas
de la mineralizacin. Sin embargo, un variograma experimental es siempre slo un
estimado del variograma de la mineralizacin. Se ha demostrado que (Matheron, 1965),
en promedio, los valores de un variograma experimental son iguales al variograma de la
mineralizacin. No obstante, las diferencias reales en los valores de los dos
variogramas para un valor particular de h pueden ser grandes, tal como se ilustra en la
Figura 57.

Experimental
Real

Figura 57: Fluctuaciones del variograma experimental en torno a un modelo

Las implicancias prcticas de estas diferencias es que un variograma experimental

puede no ser (y a menudo no lo es) tan regular como los usados como ejemplos en este
texto. Sin embargo, el punto importante que se debe recordar al adaptar modelos es
que el modelo es slo una descripcin general de ciertas caractersticas de la
mineralizacin y es slo un estimado de la varianza de valores de muestra separados
por una distancia, h. En la medida en que los parmetros del modelo guarden
consistencia con la geologa conocida, el modelo debera ser aceptable. Adems, el
modelo puede verificarse empricamente, tal como se describe en el Captulo 5.
Obviamente, a medida que el nmero de pares de muestras usadas para calcular un
variograma experimental aumenta, ms cerca estar al variograma real de la
mineralizacin; si cada ubicacin en el depsito se muestreara, los dos coincidiran.
Como regla general, se deben usar por lo menos 30 pares de muestras al calcular los
valores del variograma. Adems, el variograma experimental debe considerarse
confiable slo para distancias que llegan hasta la mitad de longitud sobre la cual se
calcula.
4.6.3

Modelos en general

Los modelos de variograma de ninguna manera pretenden sustituir el conocimiento o

experiencia geolgicos. Son simplemente una manera eficaz y muy til de resumir un
nmero de factores que afectan el orden de precisin de las estimaciones y slo eso.
En este manual, slo el modelo esfrico se usar, ya que es el ms comn en la
prctica. Todos los clculos son exactamente los mismos para cualquier otro modelo y
muchas veces pueden simplificarse como en los casos de los variogramas de Wijs y
lineales.
Slo se consideran los modelos simples. Algunos variogramas no pueden ser descritos
por un solo modelo; sin embargo, pueden ser representados adecuadamente por la
suma de dos o ms modelos.

ste es usualmente el caso cuando la variabilidad se produce a diferentes escalas. Esto

es, en efecto, lo que sucede cuando existe un efecto pepita. La varianza de pepita es
una medida de la variacin que se produce a una escala relativamente pequea (por
ejemplo, la diferencia entre dos mitades de un testigo de perforacin; errores de
medicin). El resto del variograma es una medida de la variacin que se produce a gran
escala. El variograma podra expresarse de la siguiente manera:

Donde o(h) es igual a cero cuando h es cero y aumenta a Co en algn punto entre h =
O y h = distancia entre las muestras.
4.6.4 Variogramas y soportes

Un variograma resume los factores que afectan la precisin, tal como se miden sobre
soportes especficos, por ejemplo, testigos de perforacin. Cada tipo de muestra (es
decir, soporte) producir un variograma diferente.
Las muestras representan valores promedio medidos sobre formas geomtricas
especficas orientadas en direcciones determinadas. A medida que el tamao de la
muestra aumenta, tender a comprender una mayor proporcin de las estructuras que
dan lugar a la variabilidad. En particular, tender a comprender las causas, a muy
pequea escala, de la variabilidad que da lugar a la varianza de pepita.
La varianza de pepita, Co, es, en efecto, inversamente proporcional al volumen de la
muestra. Si Co es la varianza de pepita para las muestras de volumen v, entonces la
varianza de pepita para las muestras del volumen V es:

donde V > v.
A medida que el tamao de la muestra aumenta, el rango de influencia tambin
aumenta. Normalmente, se esperara que las longitudes de testigos de 20 m tengan
rangos de influencia mayores que las longitudes de testigo de 2 m.
En general, la varianza de las muestras disminuye a medida que se incrementan sus
volmenes, aunque no de una manera linear.
Las muestras ms pequeas producen las mayores variabilidades; en casos extremos,
estas muestras seran puntos. Obviamente, ninguna de dichas muestras puede
tomarse, pero en los clculos a menudo es til usar el variograma para muestras que
son lo suficientemente pequeas con respecto a las dimensiones de un problema como
para ser consideradas como puntos. Por ejemplo, testigos de 2m en un depsito
diseminado de gran tamao pueden considerarse como puntos al ser comparados con
los bloques de minado que se acostumbra estimar. Los problemas tridimensionales
pueden a menudo reducirse a problemas bidimensionales, asumiendo que las
longitudes son puntos. Por ejemplo, la estimacin de un bloque de 50m x 50m x 10m
(vertical) por longitudes de testigo vertical de 10m puede considerarse como equivalente
a la estimacin de un rectngulo de 50m x 50m por punto en el plano bidimensional.
Dado el variograma para un soporte, es posible determinar el variograma aproximado
para cualquier otro soporte.
Si v(h) es un semivariograma para muestras de soporte v entonces:

Donde (h) es el semivariograma para las muestras de punto y F(v) es el valor medio
de este semivariograma de punto dentro de v.
La aplicacin prctica principal de esta expresin es la prediccin de las caractersticas
del semivariograma de testigos, muestras de canal u otras muestras lineales de una

longitud, dado el semivariograma para muestras de otra longitud. Por ejemplo, dado el
semivariograma para muestras de 2m, predecir el semivariograma de muestras de 10 m
50 m.
En el caso de un modelo esfrico, si a es el rango de muestras de punto, entonces a
= a + L es el rango de influencia de las muestras de longitud L.
F(L) puede calcularse a partir de:

y, por ende, el semivariograma de punto es aproximadamente:

La varianza de pepita para el semivariograma de punto es LC0, donde C0 es la

varianza de pepita del semivariograma para muestras de longitud L.
Una vez que el rango y la varianza de pepita del semivariograma de soporte de punto
se ha determinado, el nico parmetro restante es la meseta C, la cual es dada, para el
modelo esfrico, por:

donde C es la meseta del semivariograma para muestras de longitud L.

4.7 Problemas prcticos
En la prctica, es frecuente que los datos no se encuentren alineados ni igualmente
espaciados. Sin embargo, haciendo las aproximaciones adecuadas, se pueden calcular
variogramas.
4.7.1 Espaciamiento desigual de muestras
En la prctica, a menudo las muestras se toman a intervalos irregulares en vez de
encontrarse a igual espaciamiento. Considere, por ejemplo, las muestras tomadas a lo
largo de la lnea de la Figura 58.

Nmero de muestra

Figura 58: Muestras tomadas a intervalos irregulares a lo largo de una lnea

Nuevamente, se asume que las muestras tienen el mismo soporte; el caso en que los
soportes no son iguales se tratar a continuacin.
La distancia promedio entre muestras es 1.0 m y sta parecera ser una distancia
apropiada para ser elegida como base para el clculo de un variograma. Sin embargo,
existen slo dos pares de muestras (nmeros 1 y 2, y nmeros 4 y 5) separadas por
una distancia de 1.0 m; no existe ningn par separado por 2.0 m, 3.0 m, etc. Como una
aproximacin, podra elegirse un intervalo de 1m 0.3m. Todos los pares comprendidos
dentro de una distancia de 0.7 m a 1.3 m se usaran para el clculo de (1m); todo s los
pares de muestras comprendidos dentro de una distancia de 1.7 m a 2.3 m se usaran
para el clculo de (2m), etc.
As, para (1m), los pares de muestra que se han de usar son (1 y 2), (1 y 3), (4 y 5), (5
y 6), y (7 y 9).
Para (2m), los pares de muestra son (2 y 4), (4 y 6) y (6 y 8).
Para (3m), los pares de muestra son (1 y 4), (2 y 5), (5 y 7) y (6 y 9).
El error de esta aproximacin disminuye con la distancia. En el caso de (1m), las
muestras en realidad se encuentran dentro de 1m 30%; en el caso de (2m), las
muestras se encuentran dentro de 2m 15%; y en el caso de (3m), las muestras se
encuentran dentro de 3m 7.5%, etc.
4.7.2 Datos no alineados
En dos dimensiones, los datos no se pueden alinear y el mtodo antes descrito para
distancias puede hacerse extensivo a la direccin. Cada direccin puede definirse como
un ngulo ms, o menos, un porcentaje especfico de ngulo; por ejemplo, la direccin
este-oeste puede tomarse como 0 10 0 20 o incluso 0 45, dependiendo de
la irregularidad de los datos. Esta clasificacin en clases de ngulos puede ser adicional
a la clasificacin en clases de distancias.
Por ejemplo, considere la disposicin de la Figura 59.

Muestra

Figura 59: Aproximacin de ngulo a la direccin para el clculo de variograma

Se considerara que todas las muestras dentro del rea sombreada estn a una
distancia h de la muestra 1 en la direccin r.
Si la variacin en las leyes es la misma en todas las direcciones, entonces con la
tcnica de clasificacin en clases de ngulos se obtendr un variograma similar al que
se obtendra a partir de datos perfectamente alineados. Sin embargo, si la variacin
cambia con la direccin, el variograma resultante ser diferente al que se hubiera
obtenido a partir de datos perfectamente alineados.
No obstante, siempre que el ngulo usado para la clasificacin sea inferior a los 45 (es
decir, 22.5) y la distancia usada para la clasificacin sea igual a la distancia promedio
entre muestras, el variograma experimental ser razonablemente similar al que podra
obtenerse a partir de datos alineados e igualmente espaciados.
Con frecuencia, los problemas tridimensionales pueden reducirse a una serie de planos,
pudindose usar las tcnicas de clasificacin en clases de distancias y ngulos.
En muchos casos tridimensionales, es prcticamente imposible encontrar suficientes
datos alineados o prcticamente alineados para calcular variogramas. Por ejemplo, la
perforacin en abanicos de diversos niveles en una mina subterrnea puede producir
muestras que parecen estar ubicadas casi aleatoriamente. Por lo general, la disposicin
tridimensional que se muestra en la Figura 59 puede reemplazarse por un cono con su
vrtice en la muestra 1.
Usualmente, es posible calcular el variograma a lo largo de cada DDH y algunas veces
puede ser posible encontrar suficientes taladros prcticamente paralelos para
proporcionar un variograma promedio en ciertas direcciones. Otra tcnica, conocida
como mtodo de conglomerados, es dividir el depsito en bloques de igual tamao y
promediar todas las intersecciones de los testigos de perforacin en cada bloque. El
promedio de cada bloque se considera entonces como la ley de dicho bloque (siempre y
cuando existan suficientes intersecciones dentro del mismo) y se calcula el variograma
de los bloques.
4.7.3 Soportes desiguales
Idealmente, los variogramas se deben calcular para muestras con soportes idnticos.
Las longitudes de testigos DDH de diez metros tendrn caractersticas diferentes a las
de longitudes de testigos DDH de dos metros; las muestras de canal tendrn
caractersticas diferentes a las de las muestras de taladros. Soportes diferentes dan
como resultado variogramas diferentes.
Existen diversas posibilidades para el clculo de variogramas, cada una de los cuales
se resume a continuacin:
(i)

Se podran tomar promedios ponderados de las muestras sobre soportes

desiguales para proporcionar un conjunto de valores sobre soportes
aproximadamente iguales. Por ejemplo, considere el testigo DDH de la Figura 60,
el cual ha sido cortado en longitudes desiguales y analizado para determinar su
contenido de plomo.

Figura 60: Leyes de muestras de longitudes desiguales

Las longitudes de testigos de perforacin de aproximadamente un metro se pueden
obtener de la siguiente forma:
Muestra No. 1

1.0 m de longitud 15%

Muestra No.2
1.0 m de longitud 20% obtenida tomando un promedio ponderado
del segundo y tercer segmento de testigos y 0.1 m del cuarto segmento:

Muestra No.3 1.0 m de longitud 22.1% obtenida tomando un promedio ponderado del
0.7 m restante del cuarto segmento y la totalidad del quinto segmento de testigos:

Muestra No.4 1.0 m de longitud 22.5% obtenida tomando el promedio ponderado del
sexto, stimo y octavo segmentos de testigos y 0.1 m del noveno segmento de testigos:

Muestra No.5 1.0 de longitud 25.8% obtenida tomando un promedio ponderado del 0.9
m restante de la muestra nueve y la totalidad de la dcima muestra.

Muestra No.6 0.8 m de longitud 10.4% obtenida tomando el promedio ponderado del
decimoprimero y decimosegundo segmentos de testigos:

El mtodo asume que la ley es constante dentro de cada una de las muestras de
testigos originales, lo que por supuesto no es el caso. Este supuesto significa que la ley
de las nuevas muestras de un metro no ser tan variable como la de las muestras que
se hubieran obtenido si el testigo original se hubiera cortado en segmentos de un metro
y analizado. La diferencia en estas dos variabilidades depende de:
(a) La variabilidad a pequea escala de la mineralizacin. Cuanto mayor sea la
variacin de la ley dentro de cada muestra de testigo, mayor ser la diferencia
en la variabilidad.
(b) La longitud de las nuevas muestras de testigo artificial con relacin a la longitud
promedio de las muestras reales. La diferencia mnima se obtiene cuando las
dos longitudes son aproximadamente iguales.
En los depsitos estratiformes o tipo veta donde DDH intersecta la mineralizacin desde
la pared ms alta hasta la pared ms baja, se puede definir una nueva variable:
acumulacin. La acumulacin es el producto de la ley y el grosor; por ejemplo, una
interseccin DDH de 10 m con una ley de cobre de 1.2% tendra una acumulacin de
de 12.0(m%) de cobre. En estos tipos de cuerpos mineralizados es comn estimar las
acumulaciones y grosores y obtener la ley estimada de manera aproximada dividiendo
la acumulacin estimada entre el grosor estimado. Se proporcionan mayores detalles
sobre este enfoque en el Captulo 6.
4.8 Variogramas cruzados
A menudo es interesante estudiar las relaciones entre dos o ms variables, por ejemplo,
plata, plomo y zinc, o entre la profundidad y grosor de una formacin. Todo lo contenido
en las secciones anteriores puede generalizarse a pares de variables.
Al equivalente del variograma para pares de variables se le denomina variograma
cruzado. Sea f(xi) el valor de una variable en la ubicacin xi, y g(xi) el valor de una
segunda variable en la misma ubicacin. Por ejemplo, f(xi) y g(xi) pueden ser las leyes
de plomo y zinc, respectivamente, de un pedazo de testigo de perforacin ubicado en xi.
El variograma cruzado se calcula a partir de:

Si no existe deriva en alguno de los valores, entonces el variograma cruzado puede

expresarse como sigue:

Si, despus de la distancia, h, (rango de influencia) los valores de la muestra f(xi + h) y

g(xi) son independientes, entonces:

(en la prctica, aproximadamente)

Y

As, en los variogramas cruzados de tipo transicional, el valor de meseta es

aproximadamente igual a la covarianza entre los valores muestrales usados en el
clculo del variograma cruzado.
Ntese que los variogramas cruzados pueden ser positivos o negativos. Un variograma
cruzado negativo indica que, en promedio, un incremento en el valor de una variable
est asociado con una disminucin en el valor de otra y viceversa; un variograma
cruzado positivo indica que, en promedio, un incremento en el valor de una variable est
asociado con un incremento en la otra. Se ajustan modelos a los variogramas cruzados
exactamente como en el caso de los variogramas.
La Figura 61 muestra un ejemplo de un variograma cruzado.
La Figura 61 muestra variogramas cruzados de plomo y plata de un cuerpo
mineralizado estratigrfico Ag/Pb/Zn. Los variogramas cruzados se han calculado en
cuatro direcciones en el plano de una seccin cruzada. Todos son positivos, lo que
indica que un incremento en la ley de plomo est usualmente acompaado de un
incremento en la ley de plata y viceversa.

La covarianza entre el plomo y la plata en direccin perpendicular al buzamiento (155

+/- 10) es 242.5% ppm, que se toma como el valor de meseta (C0 + C); el rango de
influencia (a) es de cinco a seis metros y la varianza de pepita (C0) es cero.

Valor de variograma cruzado - %

Los variogramas cruzados pueden usarse para efectuar co-estimaciones a falta de

informacin sobre las leyes de un metal o para estimar los valores de ensayo faltantes
en compsitos de testigos.

METROS

Figura 61: Variogramas cruzados de plata-plomo de un cuerpo mineralizado

estratigrfico Ag/Pb/Zn

CAPTULO 5
VARIANZAS Y COVARIANZAS
CONTENIDO DEL CAPTULO
5.1

Relacin de Krige

5.2

Clculo de varianzas

Pgina No.

5.2.1 Clculo de varianzas en una dimensin

5.2.2 Clculo de varianzas en dos dimensiones
5.2.3 Clculo de varianzas en tres dimensiones
5.3

Clculo de covarianzas
5.3.1 Clculo de varianzas en una dimensin
5.3.2 Clculo de varianzas en dos dimensiones
5.3.3 Clculo de varianzas en tres dimensiones

5.4

Varianzas de extensin
5.4.1 El componente aleatorio de la varianza de extensin
5.4.2 Varianzas de extensin en una dimensin
5.4.2.1
Reduccin de la varianza de pepita
5.4.2.2
Varianza de extensin de una muestra de 10 m
5.4.2.3
Reduccin de la longitud de extensin
5.4.3 Varianzas de extensin en dos dimensiones
5.4.4 Varianzas de extensin en tres dimensiones
5.4.5 Varianzas de extensin en general

5.5

Varianza de estimacin
5.5.1
5.5.2
5.5.3
5.5.4

El componente aleatorio de la varianza de estimacin

Varianza de estimacin en una dimensin
Varianza de estimacin en dos dimensiones
Varianza de estimacin en tres dimensiones

5.1

Relacin de Krige
Las varianzas y covarianzas, en un contexto geolgico (es decir, varianzas y
covarianzas geoestadsticas), difieren de los conceptos tradicionales de
varianza y covarianza en el sentido que las primeras estn relacionadas con
volmenes. Es bien sabido, por ejemplo, que las leyes de bloques muestran
menos variacin que las leyes de testigos de perforacin.
La varianza de las leyes de las muestras se refiere a la varianza de las leyes de
una forma geomtrica v (muestra) dentro de otra forma geomtrica, D (por
ejemplo, el cuerpo mineralizado o alguna seccin del mismo). Esta geometra o
soporte (ver Seccin 3.2.1) es muy importante, ya que determina las
estructuras geolgicas que realmente encierran los volmenes v y D. Para
resaltar esta importancia, la varianza de las leyes de las muestras de soporte v
dentro de un volumen D se expresa a menudo como s2 (v/D).
La relacin de Krige es una relacin volumen-varianza que fue descubierta
empricamente por D.G. Krige usando datos de los depsitos de oro de
Witwatersrand. Considere tres volmenes, v, V y D, tal que v C V C D. Por
ejemplo, v podra ser un segmento de testigo de perforacin de 1 m, V podra
ser una unidad de minado selectivo y D podra ser un banco en un tajo abierto
compuesto por un gran nmero de unidades de minado selectivo.
Supongamos que D se subdivide en volmenes de tamao v y que cada v se
ensaya para verificar la presencia de minerales. Supongamos ahora que la
varianza de todos estos valores son calculados y se denota como s2 (v/D). Esta
notacin significa la varianza de los valores (por ejemplo, leyes) de volmenes
v dentro del volumen D (por ejemplo, un banco).
Igualmente, D podra subdividirse en volmenes de tamao V y estos
volmenes podran ensayarse; la varianza de los resultados de estos ensayos
se denota como s2 (V/D). Finalmente, los volmenes V podran subdividirse en
volmenes v y la varianza de los valores de v dentro de cada V podra
calcularse; la media de todas estas varianzas se denota como s2 (v/V).
La relacin entre estas tres varianzas es:

Lo que viene a ser la relacin de Krige.

CAPTULO 7
ESTIMACIN PTIMA
CONTENIDO DEL CAPTULO

7.1
7.2
7.3

7.4
7.6
7.8

Estimacin ptima ................................................................................................ 184

El mejor estimado ................................................................................................ 185
Kriging ................................................................................................................... 185
7.3.1 Insesgadez ................................................................................................. 186
7.3.2 Varianza de estimacin mnima .................................................................. 188
7.3.3 Ejemplo ...................................................................................................... 189
Factores que determinan los ponderados kriging .................................................. 191
Efecto de la varianza de pepita ............................................................................. 192
Kriging con variables transformadas ..................................................................... 194
7.8.1 Logaritmos.................................................................................................. 195
7.8.1 Indicadores ................................................................................................. 195

183

7.1

Estimacin ptima
Hasta este punto, se ha puesto nfasis en determinar el orden de precisin de los
errores; esta seccin est dedicada a mejorar el orden de precisin de las
estimaciones.
La seleccin de reservas de recursos de ley variable da como resultado estimados
sesgados. Por ejemplo, se pueden seleccionar reservas de recursos sobre la base
de las leyes de testigos de perforacin en paneles de mallas estratificadas
aleatorias. Sin embargo, los paneles aparentemente explotables en los permetros
de la reserva estn influenciados por material de baja ley cercano. El valor medio
de dichos paneles generalmente estarn debajo de aquellos indicados por los
testigos de perforacin que contienen, y la ley media de las reservas ser
sobreestimada. Si la ley se mantiene mediante la seleccin de secciones
explotables ms delgadas de los testigos de perforacin perifricos, el tonelaje de
reservas tiende a sobreestimarse, ya que es poco probable que estos anchos
explotables se mantengan a medida que los paneles ubicados a los extremos se
extiendan hacia los recursos de ley ms baja.
Para eliminar el sesgo, deber tomarse en cuenta la influencia de las muestras de
baja ley en los paneles perifricos. Este hecho es ampliamente reconocido y
existen muchos mtodos que se estn empleando actualmente para hacerlo as, la
mayora de los cuales consiste en tomar un promedio ponderado de las muestras.
Por ejemplo, considere el panel V y las muestras circundantes en la Figura 112.

Figura 112: Panel con muestras circundantes

El promedio ponderado de todas estas muestras se utiliza para estimar el panel V. El
promedio ponderado ms simple es la media aritmtica:

donde gi es la ley del la muestra i. En este caso, todas las muestras tienen un mismo
peso: l/n. Otros mtodos ponderan las muestras usando el inverso de la distancia que lo
separa del panel o el inverso del cuadrado o cubo de su distancia.
El problema es elegir los pesos de manera tal que se proporcione la estimacin ms
exacta del panel. El valor estimado del panel es:

184

es el peso asignado a la muestra i.

Donde
7.2

El mejor estimado
Obviamente, el estimado ideal, z*, de la ley verdadera, z, de cualquier volumen de
material (es decir, bloque, tajo, panel) es el que tiene un error de estimacin cero,
es decir, z z* = 0 oi z = z*. De igual manera, es obvio que dicha estimacin es
imposible de obtener en sentido ms estricto, no es un estimado en lo absoluto,
ya que no hay error involucrado.
Lo mejor que se puede hacer es asegurar que, por lo menos en promedio, los
errores de estimacin sean iguales a cero (o, en la prctica, cerca de cero) y que
los errores de estimacin individuales estn lo ms cerca posible de cero.
Cuando los errores de estimacin son, en promedio, iguales a cero, no hay error
sistemtico. No existe sobreestimacin o subestimacin consistente; algunos
bloques pueden ser sobreestimados y otros subestimados, pero el promedio de los
valores estimados es igual al promedio de los valores verdaderos. Cuando se da
este caso, se dice que el estimado es insesgado.
Una manera de asegurar que los errores de estimacin individuales sean lo ms
cercanos posible a cero es llevar a cabo la estimacin de tal manera que se
asegure que la varianza del error de estimacin sea la menor posible.
El mtodo para seleccionar el peso de tal manera que se obtengan estimados
insesgados con una varianza de estimacin mnima se denomina kriging, llamado
as en honor a D.G. Krige, quien contribuy significativamente al desarrollo
emprico inicial de la geoestadstica.

7.3

Kriging
Supongamos que la ley de un soporte V (por ejemplo, un bloque, panel o tajo) ser
estimada a partir de las leyes gi de n muestras de soporte v (por ejemplo,
intersecciones de testigos de perforacin, muestras de canal). Si la ley verdadera,
z, de V es estimada mediante la suma ponderada de las leyes de n muestras:

entonces el problema es elegir los pesos, i, de manera que:

(1)

Se proporcione un estimado insesgado de z

185

(2)

Se obtenga una varianza de estimacin mnima

7.3.1 Insesgadez
La insesgadez se logra cuando, en promedio, las leyes estimadas son iguales a
las leyes verdaderas. Por ejemplo, supongamos que la ley del panel V en la Figura
113 ser estimada mediante el promedio ponderado de las leyes de las cinco
muestras que se observan.

Figura 113: Ley del panel V que ser estimada mediante el promedio ponderado
de las leyes de cinco muestras
Supongamos que el panel est situado dentro de una mineralizacin homognea
(o alguna extensa seccin homognea de una mineralizacin). La mineralizacin
puede subdividirse en paneles de tamao V; existen muchas de esas
subdivisiones, cada una obtenida mediante un movimiento fraccional de uno o ms
paneles. Supongamos que la ley de cada panel concebible dentro de la
mineralizacin es estimada mediante la suma ponderada de las leyes de cinco
muestras en las mismas posiciones relativas que se muestran en la Figura 113. Un
ejemplo de dicha disposicin se muestra en la Figura 114.

Figure 114: Paneles V y las muestras correspondientes

La insesgadez estadstica significa que el promedio de las leyes verdaderas de
todos estos paneles es igual al promedio de las leyes estimadas de los paneles. Si

186

zx es la ley verdadera del panel en la ubicacin x y z*x es su ley estimada,

entonces la insesgadez supone:
Promedio (zx) = Promedio (z*x) .....(1)
Considere el lado izquierdo de esta ecuacin. zx es la ley de un contorno
rectangular a medida que se mueve a travs de la mineralizacin ocupando cada
posible ubicacin x. As, el promedio de todas estas leyes debe ser la ley media de
la mineralizacin, digamos m.
Ahora considere el lado derecho de (1): Promedio (z*x). Para una ubicacin x fija,
la ley estimada es:

Donde gi(x) denota las leyes g1, g2, gn (en el ejemplo de las Figuras 113 y 114.
n=5) de las n muestras asociadas con el panel en la ubicacin x. Observe que es
slo una funcin de i y no de x que implica que los pesos i son los mismos para
cada ubicacin x. Esto es verdad, y muy lgico, siempre que nosotros estemos
interesados solamente en estimados lineales tales como promedios ponderados y
siempre que el supuesto de homogeneidad sea vlido. La ecuacin (1) puede
expresarse de la siguiente manera:

Promedio

Promedio

Un promedio es esencialmente una sumatoria. El lado derecho de la ecuacin

anterior involucra dos sumatorias (el promedio y ). Cuando existan dos
sumatorias como sta, el orden en que se tomen es irrelevante y (3) puede
expresarse de la siguiente manera:

Promedio

Promedio

En vista de que los pesos permanecen iguales para cada estimacin, cada gi(x) se
multiplica por un valor constante i y, de este modo, (4) puede expresarse as:

Promedio

Promedio

Los estimados Z*x se obtienen moviendo los contornos de las cinco formas de
muestras en toda la mineralizacin y en cada ubicacin x tomando la suma
ponderada de las cinco leyes. Recientemente, estas cinco formas de muestra
ocuparn cada posicin en la mineralizacin y, de este modo, el promedio de las
leyes asociadas ser la ley media de la mineralizacin y, as:

187

Promedio

De este modo, la insesgadez (1) y (6) implica que:

y la condicin para que se produzca la insesgadez es entonces elegir los pesos de

tal forma que sumados sean iguales a uno, es decir,

7.3.2 Varianza de estimacin mnima

El error que se comete al asumir que i i gi es la ley verdadera de V es

La varianza de este error es:

Donde:
es el valor medio del variograma dentro del soporte.
es el valor medio del variograma entre v y V.
es el valor medio del variograma entre vi y vj.
Puede demostrarse mediante clculo elemental que esta varianza es mnima
cuando los pesos son tales que:

para

adems de la condicin
es un parmetro de la varianza de estimacin (cf. Seccin 5.5).

188

Cuando los pesos cumplen estas condiciones, la varianza de estimacin resultante

(llamada varianza de kriging) es:

Si bien las ecuaciones precedentes pueden parecer bastante temibles, son

simplemente una forma abreviada de escribir ecuaciones algebraicas n + 1 que
pueden solucionarse para ai.
7.3.3 Ejemplo
Por ejemplo, supongamos que el panel de la Figura 115 ser estimado a partir de
las muestras que se observan. El variograma de las leyes de estos ejemplos es
esfrico con los parmetros:

Los pesos 1 y 2 que se asignarn a las muestras deben ser tales que:

es el valor medio del variograma dentro del volumen v. Dado que el

variograma fue calculado sobre la base de estos volmenes:

Figura 115: Ley de panel que ser estimada mediante las leyes de las dos
muestras que se presentan

189

es el valor medio del variograma entre la muestra v1 y el panel V. Esto se

puede calcular usando el mtodo de aproximacin numrica o la Figura 72, que da
un valor de:

se puede calcular usando el mtodo de aproximacin numrica. Una de

esas aproximaciones da un valor de 41.6(%)2
Entonces, las ecuaciones son:

O:

stos pueden resolverse de la usual manera algebraica para dar:

As, la estimacin ptima de la ley media del panel V a partir de las leyes de las
dos muestras es 0.73 veces la ley de la muestra dentro del panel ms 0.27 veces
la ley de la muestra fuera del panel.
La varianza de estimacin resultante es:

190

El valor medio del variograma dentro del panel V puede leerse en la Figura 64.

As:

y el 95% de los lmites de confianza son

El valor medio de la parte estructural del variograma entre un rectngulo L x y

una muestra en una de sus esquinas tambin puede representarse bajo la forma
de un grfico. Este valor medio, escrito como H(L x ) , se da en la Figura 72 para
un modelo esfrico con C = 1.0.
La Figura 64 es un grfico que muestra los valores medios de los variogramas de
punto-soporte dentro de los rectngulos x h. Estos ejes son graduados en valores
de /a y h/a; ambas escalas son logartmicas.
7.4

Factores que determinan los ponderados kriging

Los pesos, determinados por el mtodo de kriging, dependen de:
(1)

Los factores geolgicos que afectan el orden de precisin, tal como se

describe en el Captulo 1 y se resumen en el variograma.

(2)

La geometra, o soporte, de las muestras.

(3)

La geometra, o soporte, del volumen a estimar.

(4)

La posicin de las muestras con relacin al volumen a estimar.

(5)

La posicin relativa de las muestras mismas.

Observe que el kriging es completamente general. Las muestras pueden ser de

cualquier forma y ocupar cualquier posicin que el volumen a estimar puede
ocupar.

191

7.5

Kriging en prctica
Puede suceder que el estimado krigeado sea slo marginalmente mejor que la
media aritmtica directa de datos y, en dichos casos, las extensas y posiblemente
complicadas ecuaciones de kriging simplemente no valdran la pena. Sin embargo,
la media aritmtica de los datos es slo un estimador insesgado para la estimacin
general de todo el cuerpo mineralizado. Es un estimador sesgado para conjuntos
de muestras pequeas o para la seleccin de reservas recuperables. En la
mayora de los casos, los procedimientos de kriging evitan el error de sobrevaluar
bloques de alta ley, o de descartar bloques de aparente baja ley por considerarlos
no explotables. Con respecto a los extensos clculos involucrados, una forma de
superar esta dificultad es buscar mtodos de aproximacin, de manera que se
puedan obtener estimaciones krigeadas confiables con mucho menos problema.
Si, por ejemplo, un bloque tena que ser krigeado a partir de los datos existentes,
es muy probable que varios miles de valores de variogramas hayan sido
calculados de tal manera que se podan resolver varios cientos de ecuaciones
lineales. Sin embargo, como la mayora de las leyes permanecern a una distancia
considerable del bloque, en la prctica se considera que todos tienen el mismo
factor de ponderacin, - el coeficiente de kriging para el depsito.
Luego vienen las leyes cercanas al bloque y, finalmente, las que se encuentran
dentro del bloque. En la prctica, por lo tanto, en muchos casos slo se calculan
tres coeficientes de kriging y, en el caso de bloques grandes, este nmero se
puede reducir a dos uno para el bloque y otro para todo el depsito.

7.6

Efecto de la varianza de pepita

Si toda la variacin en los valores de ley es completamente aleatoria, el mejor
estimado de un bloque de cualquier soporte es el valor medio de todo el depsito.
En este caso, el variograma sera simplemente
varianza estadstica de las leyes en el depsito.

donde C0 es la

Iguales pesos de l/n seran asignados a cada una de las n muestras. A medida que
la proporcin de variacin aleatoria disminuye (es decir, a medida que el ratio de
variacin aleatoria sobre variacin estructural disminuye), la influencia de las
muestras cercanas al bloque aumenta y se tiende a asignarles pesos mayores.
Dado que, sumados, los pesos deben ser iguales a uno, esto significa que los
pesos asignados a muestras ms distantes disminuyen.
El kriging es mejor utilizado cuando C0/C < 0.6. Cuando este ratio es superior a
0.6, la variacin en los valores de ley es predominantemente aleatoria y son pocas
las ventajas que se pueden obtener mediante el kriging (o cualquier otro mtodo
de ponderacin). Si se utilizara el mtodo de kriging en ese caso, la varianza de
kriging resultante hara estas observaciones obvias.
7.7

Uso del kriging para verificar los modelos geoestadsticos

Cada muestra puede ser retirada a la vez y estimada por el procedimiento de
kriging. As, para cada muestra tenemos:

192

(1)
(2)
(3)

su valor verdadero
su valor estimado
su varianza de estimacin

La diferencia entre los valores verdaderos y estimados es el error de estimacin.

El promedio de estos errores debe ser cero (o cerca de cero); ello permite verificar
la insesgadez. La varianza de estos errores se puede calcular y comparar con la
varianza de estimacin de kriging. Los errores pueden representarse bajo la forma
de un histograma para ver si se puede asumir que provienen de una poblacin
normal (o cualquier otra poblacin).
Se puede elaborar un diagrama de dispersin de los valores verdaderos y
estimados. En el caso de una estimacin perfecta, los puntos de ese diagrama se
encontraran en la lnea de 45, lo que indica que existe igualdad entre los
estimados y los valores verdaderos correspondientes. En la prctica, la proximidad
de los puntos a la lnea de 45 indica la calidad de la estimacin. Esta calidad se
puede evaluar calculando la regresin por mnimos cuadrados de los valores
verdaderos sobre los valores estimados:
Valor Real = a + b x Valor Estimado
Mientras ms cerca est a de cero y b de 1.0, mejor representar la estimacin el
punto de vista de un tipo de insesgadez denominado insesgadez condicional.
En estas aplicaciones, la insesgadez condicional se refiere a la insesgadez por los
valores que estn por encima de una ley de corte determinada y se ilustra en la
Figura 116. Hasta este punto, la insesgadez ha estado limitada a la insesgadez
global, en la que el promedio de TODAS las estimaciones es igual al promedio de
TODOS los valores verdaderos. La insesgadez condicional se refiere a la
insesgadez que tiene como condicin la aplicacin de una ley de corte, en cuyo
caso el promedio de todos los valores verdaderos correspondientes a un valor
estimado determinado son iguales a dicho valor estimado.
Cuando se trata de un conjunto grande de datos, el diagrama de dispersin de los
valores estimados frente a los valores verdaderos puede ser bastante
desordenado y una alternativa sera representar grficamente el promedio de los
valores verdaderos correspondientes a intervalos de los valores estimados. Por
ejemplo, el promedio de todas las leyes de plomo verdaderas que corresponden a
las leyes estimadas entre 0.0% y 0.5%, 0.5% y 1.0%, 1.0% y 1.5%, etc. Se dan
ejemplos de esos grficos en el Captulo 6. En el caso de la insesgadez
condicional, estos valores promedio deben encontrarse en, o cerca de, la lnea de
45.
La insesgadez condicional se discute en el Captulo 8.

193

REAL

ESTIMADO

Fig. 116: Insesgadez condicional

En general, esta tcnica puede ser utilizada como una verificacin del variograma
y todas las operaciones realizadas utilizando el variograma.
La tcnica puede ser utilizada incluso con mayor rigurosidad retirando todas las
muestras comprendidas dentro de un radio determinado de la muestra que ser
estimada.
7.8

Kriging con variables transformadas

A veces es til estudiar y estimar una transformacin de la variable en lugar de la
variable misma. Las razones usuales son una o ms de las que se mencionan a
continuacin:

La presencia de valores atpicos de altas leyes hace difcil estudiar y estimar la

variable.

El kriging proporciona el mejor estimador linear que es ptimo slo cuando los
datos siguen una distribucin normal. Cuando los datos siguen una distribucin
altamente sesgada (por ejemplo, log-normal), se puede lograr una estimacin
ptima mediante la transformacin de los datos, de manera que los valores
transformados sigan una distribucin normal (por ejemplo, tomando
logaritmos).

A veces se requiere estimar una distribucin en lugar de un valor nico. Por

ejemplo, en lugar de estimar la ley media de un gran bloque de mineral, puede
ser de mayor utilidad estimar la curva de ley/tonelaje para el bloque.

194

7.8.1 Logaritmos
Una de las primeras transformaciones que se utiliz en las aplicaciones
geoestadsticas fue la transformacin logartmica. Cuando los datos siguen una
distribucin log-normal, entonces, entonces, por lo menos tericamente, puede
obtenerse un mejor estimador mediante:

La transformacin de los datos tomando logaritmos

El clculo de variogramas de los logaritmos y modelos apropiados
El kriging utilizando logaritmos y el modelo de variograma logartmico
Tomando la transformacin inversa del valor krigeado

La mayor dificultad se presenta en la etapa final: transformacin inversa. La

transformacin para los datos es:

y la transformacin inversa es:

Sin embargo, estas relaciones slo se aplican a los datos y no a los valores
estimados. As, cuando un valor particular es krigeado, digamos
, la
inversa
no puede obtenerse mediante la aplicacin de la relacin inversa para los valores
de datos. Puede demostrarse que, siempre que el soporte de la estimacin sea el
mismo que el de los valores de datos, la relacin inversa es dada por:

es la varianza de kriging. Sin embargo, si el soporte del estimado (por

donde
ejemplo, un bloque) difiere del de las muestras (por ejemplo, testigos de
perforacin), la transformacin inversa es mucho ms complicada (para un
tratamiento ms completo, ver Dowd (1982) y Rendu (1979)).
Estas transformaciones presentadas en este documento y en las referencias son
extremadamente sensibles a los supuestos de log-normalidad, y las ligeras
desviaciones respecto de la log-normalidad pueden conllevar a errores
significativos. Por estas razones, el kriging log-normal es muy poco utilizado
actualmente. Sin embargo, los logaritmos son una transformacin til cuando
estn presentes valores atpicos de altas leyes y frecuentemente permiten una
interpretacin significativa de los variogramas cuando el variograma de los valores
aritmticos es aleatorio.
7.8.1 Indicadores
El indicador de un atributo (por ejemplo, ley) es una variable que toma un valor de
0 1, dependiendo de si el valor del atributo es superior o igual a un valor umbral

195

especfico. Si z(x) es el valor de un atributo en la ubicacin x, entonces el valor del

indicador en x definido por el umbral zc es:

Los indicadores pueden ser utilizados para estimar las curvas de ley/tonelaje de
los bloques mediante la especificacin de un nmero de umbrales. Por ejemplo,
elija 5 umbrales z1, z2, z3, z4, z5 que correspondan a los percentiles 10, 30, 50, 70 y
90 del histograma de datos. Para cada umbral zj, defina un indicador ij(x), calcule
los variogramas y encaje en un modelo. Krigee el valor indicador correspondiente
a cada umbral para cada bloque. Cada valor indicador estimado es la proporcin
estimada del bloque sobre el umbral correspondiente.
Los indicadores tambin pueden ser utilizados en una forma muy simple para
manejar los valores atpicos de altas leyes. Defina un valor umbral, Zc, que separa
las leyes altas de las leyes bajas. Calcule los variogramas para los valores de alta
ley y encajar en un modelo. Calcule los variogramas para los valores de alta ley y
encaje en un modelo. Calcule los variogramas de los valores indicadores y encaje
en un modelo. Para cada bloque, la ley alta media y la ley baja media son
estimadas por separado utilizando modelos de variograma y los valores de datos
de baja y alta ley, respectivamente. Adems, la proporcin del mineral de alta ley
en cada bloque es estimada utilizado el modelo de variograma de los indicadores y
los valores indicadores de los datos. La ley estimada de cada bloque es entonces:

Donde:
p

es la proporcin estimada de mineral de alta ley en el bloque

gi

es la ley baja media estimada del bloque

gh

es la ley alta media estimada del bloque

Se ha observado que este mtodo es muy til en la estimacin de depsitos de

oro. El mtodo podra ser ampliado a ms de dos categoras de ley.
Ntese que la transformacin del indicador es una forma muy efectiva de tratar con
los valores atpicos: los valores extremadamente altos son transformados a 1.

196

CAPTULO 8
LEYES ESTIMADAS Y LEYES VERDADERAS
CONTENIDO
Contenido del captulo

8.1

8.2

Pgina No.

Discusin general .................................................................................. 2

8.1.1

Tamao de bloque y caractersticas de la ley .......................... 2

8.1.2

Caractersticas de las leyes estimadas y verdaderas .............. 3

8.1.3

Varianza de las leyes verdaderas de los bloques .................... 4

8.1.4

Prediccin de la curva de ley verdadera/tonelaje..................... 5

8.1.5

Estimaciones condicionalmente insesgadas ........................... 6

8.1.6

Implicancias prcticas ............................................................... 9

8.1.7

Resumen ................................................................................... 10

Una solucin aproximada .................................................................... 10

8.2.1

Esperanza condicional ............................................................. 10

8.2.2

Prediccin de la curva de ley verdadera/tonelaje para el

tajo A42 ..................................................................................... 11

8.2.3
8.3

Conclusiones ............................................................................ 15

Selectividad: Recuperabilidad y tamaos de bloques ...................... 15

8.1

Discusin general
En el anlisis que sigue, se utiliza con fines de ilustracin un tajo,
denotado como A42, en un cuerpo mineralizado de cobre. Para dicho
propsito, el tajo puede aproximarse a un paraleleppedo de dimensiones
40m x 480m x 160m (vertical). El tajo se dise y estim en base a las
leyes krigeadas de bloques de 5.4m x 8m x 10m.

8.1.1

Tamao de bloque y caractersticas de la ley

Es preciso definir indicadores estadsticos como la varianza y el
histograma para un tamao de bloque especfico. Cada tamao de
bloque tendr una varianza, un histograma y una varianza de estimacin
diferentes. Si bien la ley media de todos los bloques de 20m x 20m x
20m en el tajo A42 debera ser la misma que la ley media de todos los
bloques de 5.4m x 8m x 10m, la variacin de las leyes individuales debe
ser menor para los bloques ms grandes. En general, cuando aumenta
el tamao de un bloque, la varianza de las leyes verdaderas y estimadas
disminuye y los histogramas de ambas leyes tienden a concentrarse ms
alrededor del valor medio con menos valores extremos.

Tonelaje sobre ley de corte

Como la distribucin de la ley (o histograma) depende del tamao del

bloque, la curva de ley/tonelaje (que es simplemente un histograma
acumulado) tambin debe depender del tamao del bloque habr una
curva de ley/tonelaje diferente para cada tamao de bloque, tal como se
ilustra en la Figura 117.

Bloques grandes
Bloques pequeos

Ley media

Ley de corte

Figura 117: Diferentes curvas de ley/tonelaje para diferentes tamaos de

bloque.
En resumen, las varianzas y las curvas de ley/tonelaje no son
significativas, a menos que sean calculadas en base a las leyes de
bloques de idntico tamao.

Adems, cabe notar que, en general, la varianza de estimacin de la ley

de un bloque disminuye conforme aumenta el tamao del bloque. En
otras palabras, la ley promedio de bloques grandes se estimar con
menos error que la ley promedio de bloques ms pequeos.
8.1.2

Caractersticas de las leyes estimadas y verdaderas

Cuando las leyes de los bloques de 5.4m x 8m x 10m en el tajo A42 se
estiman a partir de las muestras disponibles del trabajo de desarrollo y de
perforacin diamantina (DDH), el valor estimado difiere del valor
verdadero y se comete un error. No es posible calcular este error con
precisin, pero puede predecirse con cierta probabilidad.
El kriging asegura que las estimaciones sean insesgadas (es decir, que,
en promedio, los valores estimados sean equivalentes a los valores
verdaderos) y la varianza del error (es decir, la varianza de estimacin)
sea la menor posible para la estimacin promedio ponderada (lineal).
Una caracterstica del kriging (y de muchos otros mtodos de estimacin)
es que la varianza de los valores estimados es menor a la varianza de los
valores verdaderos. El histograma de las leyes krigeadas de los bloques
mostrara menos valores extremos y ms valores alrededor de la media
que el histograma de las leyes verdaderas de los bloques. As lo ilustra la
Figura 18 donde, a manera de ejemplo, se asume que los histogramas
representan las leyes verdaderas y estimadas de los bloques de 5.4m x
8m x 10m en el tajo A42.

Leyes reales de lo bloques

No. de bloques

Leyes estimadas de lo bloques

Ley media

Ley

Figura 18: Histogramas de leyes verdaderas y estimadas de bloques de 5m

x 8m x 10m en el tajo A42.
Dado que el nmero de bloques que, segn las estimaciones, son de alta
ley ser menor al nmero de bloques que realmente son de alta ley, el

tajo contendr ms mineral de alta ley con una ley promedio superior a la
que se predijo. De igual forma, ya que el nmero de bloques que, segn
las estimaciones, son de baja ley ser menor al nmero de bloques que
realmente son de baja ley, el tajo contendr ms mineral de baja ley con
una ley promedio inferior a la que se predijo.
sta es una consecuencia inevitable de casi todos los mtodos de
estimacin. La nica excepcin parece ser algunos casos en que se
utilizan mtodos poligonales. En estos casos, el mtodo poligonal da
estimados que tienen una varianza mayor a la de las leyes verdaderas.
En consecuencia, se sobrestima el nmero de bloques de alta ley (es
decir, el tajo contendr menos mineral de alta ley con una ley promedio
inferior a la que se predijo), y se sobrestima el nmero de bloques de baja
ley (es decir, el tajo contendr menos mineral de baja ley con una ley
promedio mayor a la que se predijo). Adems, los mtodos poligonales
por lo general no dan estimaciones insesgadas que tengan una varianza
de estimacin mnima.
Ntese que, aunque el kriging subestima la cantidad de mineral de alta
ley (subestima la cantidad de bloques de alta ley) y subestima la cantidad
de mineral de baja ley (subestima el nmero de bloques de baja ley), el
promedio de las leyes krigeadas es igual al promedio de las leyes reales.
(El kriging es un estimador insesgado).
El kriging asegura que, en el caso de las estimaciones insesgadas y
lineales con una varianza de estimacin mnima, la diferencia entre la
varianza de las leyes verdaderas y la varianza de las leyes estimadas sea
lo ms reducida posible. Otros mtodos de estimacin (como el mtodo
poligonal) pueden dar estimaciones con una varianza mayor a las
estimaciones krigeadas, pero sern sesgadas y no tendrn una varianza
de estimacin mnima.
8.1.3

Varianza de las leyes verdaderas de los bloques

La diferencia entre la varianza de las leyes verdaderas de los bloques de
5.4m x 8m x 10m en el tajo A42 y la varianza de las leyes krigeadas de
estos bloques es aproximadamente igual a la varianza de kriging
promedio de los bloques. Si v se utiliza para representar un bloque y V
para representar al tajo, entonces la relacin puede expresarse de esta
manera:

Donde:
s2(v/V) es la varianza de las leyes verdaderas de los bloques en el tajo.
s*2(v/V) es la varianza de las leyes estimadas de los bloques en el tajo.

es el promedio de las varianzas de kriging de todos los bloques.

El enunciado anterior tambin podra haberse escrito de esta forma:

el cual proporciona una medida de la discrepancia que existe entre los

dos histogramas presentados en la Figura 118 y, por lo tanto, de la
discrepancia existente entre la curva de ley/tonelaje que se predijo a
partir de los valores krigeados y de la curva de ley real/tonelaje.
Cuando la exactitud de la estimacin aumenta (es decir, disminuye la
varianza de estimacin), la diferencia entre la varianza de las leyes
verdaderas de los bloques y la varianza de las leyes estimadas de los
bloques se reduce y la curva de ley prevista/tonelaje se acerca ms a la
curva de ley verdadera/tonelaje.
El variograma tambin se puede utilizar para calcular
directamente para un determinado tamao de bloque v.
8.1.4

s2(v/V)

Prediccin de la curva de ley verdadera/tonelaje

Si se asume que la diferencia en las varianzas es la nica diferencia entre
la distribucin de las leyes verdaderas de los bloques y la distribucin de
las leyes krigeadas de los bloques, entonces se podra predecir la
distribucin de las leyes verdaderas en base a la distribucin de las leyes
estimadas simplemente utilizando la relacin indicada en (1).
(Recurdese que las medias de las dos distribuciones son las mismas).
Esta distribucin no indica el lugar de ubicacin de los bloques
individuales en el tajo simplemente resume los nmeros de bloques con
leyes especficas. Si se conociera los valores verdaderos de los bloques
individuales en la etapa de planificacin, se podra utilizar esta
distribucin para calcular la curva de ley/tonelaje.
Sin embargo, los nicos valores disponibles para los bloques individuales
son los valores krigeados y son estos valores los que se utilizan para el
diseo del tajo y la estimacin posterior. Si la ley estimada (krigeada) de
un bloque perifrico es mayor a la ley de corte, el bloque es incluido en el
tajo; la decisin de incluir un bloque no se toma ni puede tomarse
basndose en su ley verdadera (desconocida). Por lo tanto, todas las
estimaciones y la planificacin deben realizarse en base a los valores
krigeados. Luego de hacerlo, se puede predecir una aproximacin
razonable de la ley del mineral extrado y del tonelaje durante un periodo
determinado a partir del histograma estimado de las leyes verdaderas de
los bloques.
Si el variograma se utiliza para calcular s2(v/V) directamente, entonces se
puede estimar la varianza de la ley (o cualquier otro valor) de cualquier

volumen v dentro del tajo V. Si se utiliza v para representar un volumen

equivalente a la produccin semanal del tajo, se podra predecir las
variaciones de la ley y las variaciones de la ley de cabeza en planta
durante un determinado periodo.
Tambin se cuenta con mtodos geoestadsticos ms avanzados
(utilizando kriging disyuntivo para estimar distribuciones de probabilidad
condicional), que darn mejores resultados que las aproximaciones aqu
utilizadas.
8.1.5

Estimaciones condicionalmente insesgadas

Con frecuencia, se alude al kriging como un estimador condicionalmente
insesgado. De hecho, en el caso de un estimador promedio ponderado
(lineal), solamente da la aproximacin ms cercana a un estimador
condicionalmente insesgado. Los motivos son ms bien tcnicos y se
explican en la Seccin 8.2.
En trminos prcticos, esta expresin significa que todos los bloques que,
segn las estimaciones, tienen una determinada ley en realidad tienen un
valor medio equivalente a esa ley. sta es una propiedad esencial para la
planificacin porque significa que si el tajo es diseado y minado hasta
los lmites krigeados, la ley promedio del tajo ser como se predijo.
Para ilustrar lo que implica esta propiedad, supongamos que el diagrama
de dispersin de la Figura 119 es un grfico que representa a las leyes
verdaderas de los bloques con respecto a sus leyes estimadas.
Tmese cualquier valor estimado, por ejemplo 4.00%, como se muestra
en la Figura 120.
Todos los puntos que caen sobre la lnea vertical ubicada a la altura del
4.00% indican los valores verdaderos de los bloques que se estim
tenan leyes de 4.00%. Para que la estimacin sea condicionalmente
insesgada, el promedio de estas leyes debe ser de 4.00%. Si este
procedimiento se repitiera para otro valor estimado, digamos 2.00%, el
promedio de todos los valores verdaderos que, segn las estimaciones,
tienen leyes de 2.00% debera ser 2.00%. Cuando el procedimiento se
repite para todos los valores estimados, se puede trazar una lnea de
ajuste ptimo a lo largo de los valores promedio. A esta lnea se le
conoce como la lnea de regresin para predecir el valor verdadero
promedio correspondiente a un determinado valor estimado. En el caso
de estimaciones condicionalmente insesgadas, esta lnea tiene una
pendiente de 45 y pasa por el origen, indicando de este modo que todos
los bloques que, segn las estimaciones, tienen una determinada ley en
realidad tienen una media equivalente a esa ley. Esto se ilustra en la
Figura 121.

Leyes verdaderas

Leyes estimadas

Leyes verdaderas

Figura 119: Grfico de leyes verdaderas vs. leyes estimadas de bloques

Leyes estimadas

Figura 120: Leyes verdaderas de bloques correspondientes a leyes

estimadas de 4.00%

Leyes verdaderas

Leyes estimadas

Figura 121: Lnea que indica igualdad entre las leyes estimadas y las leyes
verdaderas

Leyes verdaderas

De igual forma, se podra calcular la lnea de regresin para predecir el valor

estimado promedio correspondiente a un determinado valor verdadero. Tmese
cualquier valor verdadero, supongamos 4.00%, tal como se muestra en la Figura
122. Todos los puntos que caen sobre la lnea horizontal ubicada a la altura de
4.00% indican los valores estimados de los bloques que tienen una ley
verdadera de 4.00%.

Leyes estimadas

Figura 122: Leyes estimadas de los bloques correspondientes a las leyes

verdaderas de 4.00%
Si este procedimiento se repitiera para todos los valores verdaderos, se
podra trazar la lnea de ajuste ptimo o lnea de regresin para predecir
el valor estimado promedio correspondiente a un determinado valor
verdadero. En la prctica, esta segunda lnea de regresin nunca
coincidir con la primera. El nico caso en que coincidirn las dos lneas
es aqul en que se hayan estimado las leyes de los bloques con perfecta
exactitud, es decir, con un error de estimacin de cero. Conforme

disminuye la precisin de las estimaciones de los bloques, las dos lneas

se apartan ms.
Para el kriging, la segunda lnea tendr una pendiente mayor a 45 e
intersectar la primera lnea en aproximadamente el valor medio de las
leyes de los bloques, tal como se muestra en la Figura 123.

Leyes verdaderas

Regresin de los valores verdaderos

sobre los valores estimados
Regresin de los valores estimados
sobre los valores verdaderos

Leyes estimadas

Figura 123: Relacin entre los valores estimados y los valores verdaderos
para el kriging
Si se utiliza la primera lnea de regresin para predecir la ley verdadera
promedio de los bloques que, de acuerdo con las estimaciones, tienen
una determinada ley estimada, entonces la ley ser como se predijo.
Sin embargo, si la segunda lnea de regresin se utiliza para predecir la
ley estimada promedio de bloques que realmente tienen una ley
especfica, entonces se subestimarn los bloques de alta ley y se
sobreestimarn los bloques de baja ley.
Hasta cierto punto, esto es lo que sucede cuando se realizan
inspecciones visuales en los puntos de extraccin. El gelogo
inspecciona las leyes verdaderas, y la ley en cualquier inspeccin es ms
o menos uniforme, sobre todo si proviene de un fragmento horizontal de
un tajo como P498.
8.1.6

Implicancias prcticas
Tal vez las dos implicancias ms importantes de lo anteriormente
expuesto correspondan a la programacin y la prediccin de variaciones
en la ley de alimentacin a la planta.
Los puntos tratados en las lneas precedentes revestirn una importancia
mucho mayor si se introduce una poltica concertada para prolongar la

vida de un cuerpo mineralizado. La programacin tendr una importancia

fundamental y ser indispensable predecir con exactitud las variaciones
de la ley en mina y la ley en planta. Se podra lograr un mejor control y
mejores predicciones si se analizaran las muestras de taladros.
Se pueden utilizar mtodos geoestadsticos avanzados para predecir la
ganancia de informacin (disminucin de la varianza de estimacin y
prediccin ms exacta de las curvas de ley/tonelaje) como resultado del
anlisis de muestras de taladros [ver tambin Matheron (1976), Journel
and Huijbregts (1978), Parker y Switzer (1975) y Dowd (1978)].
8.1.7

Resumen
El contenido de esta seccin se puede resumir de la siguiente manera:

8.2

(1)

Las estimaciones no son valores verdaderos.

(2)

La varianza de los valores krigeados es menor a la varianza de

los valores verdaderos.

(3)

Como consecuencia de (2), se subestima el mineral de alta ley y

se sobreestima el mineral de baja ley, pero la ley promedio del
tajo ser como se predijo.

(4)

Como consecuencia de (3), habr una fluctuacin mayor en la ley

de la mina y, por lo tanto, en la ley del material de alimentacin
del molino con respecto a la que se predijo en base a las leyes
krigeadas de los bloques.

(5)

La geoetadstica se puede utilizar para predecir estas

fluctuaciones.
Una solucin aproximada se presenta
detalladamente en la Seccin 8.2 Existen tambin mtodos
geoestadsticos ms avanzados que proporcionan resultados ms
confiables.

(6)

Se podran hacer predicciones ms precisas si se analizaran los

taladros.

Una solucin aproximada

Antes de analizar una solucin aproximada, presentamos con mayor
detalle el concepto de los estimadores condicionalmente insesgados.

8.2.1

Esperanza condicional
Si las leyes verdaderas Z y las leyes estimadas Z* de los bloques siguen
una distribucin normal conjunta, la esperanza condicional de los valores
verdaderos a los que se atribuyen valores estimados es idntica a la
regresin lineal de los valores reales sobre los valores estimados.

Por definicin:
E[Z/Z* =z] = (m p s m*) + p s . z
s*
s*
Donde m y s son la media y la varianza de los valores verdaderos Z, y
m* y s* son la media y la varianza de los valores estimados Z*.
Dado que el kriging es un estimador insesgado, entonces m = m*.
Como es un estimador condicionalmente insesgado, el tajo (p.s/s*) de la
lnea de regresin es igual a 1.0 y, siempre que se conozca la media m,
la esperanza condicional se convertir en:
E[Z/Z* =z] = z
En otros casos, como una distribucin log-normal conjunta, la esperanza
condicional de los valores verdaderos a los que se ha atribuido valores
estimados ser una curva y no una lnea recta. En tal caso, el kriging lognormal proporcionara estimaciones condicionalmente insesgadas. El
kriging minimiza la suma de la variacin de los valores verdaderos Z de
E[Z/Z*] y los valores estimados Z* de E[Z/Z*]. En otras palabras, el kriging
dar la mejor aproximacin en lnea recta de la esperanza condicional.
8.2.2

Prediccin de la curva de ley verdadera/tonelaje para el tajo A42

La relacin entre la varianza de los valores verdaderos y la varianza de
los valores krigeados es:

Donde
es el promedio de los multiplicadores de Lagrange para las
estimaciones de bloques individuales. En los tajos, como el tajo A42, el
valor promedio de

debe ser prximo a cero.

Los tres trminos a la derecha de (2) se obtienen mediante kriging.

Luego, se puede calcular las distribuciones de frecuencias relativas y
acumuladas de los valores estimados y del nmero de bloques por
encima de determinadas leyes de corte y las leyes medias por encima de
esas leyes de corte. As lo muestran las Figuras 124 y 125.

Valores krigeados de los bloques

Histograma de frecuencias relativas
Intervalo de clase

Prod. Frec.

Tallt.

Histograma de frecuencias acumuladas

Tallt.

Prod. Frec.

Figura 124: Histogramas de frecuencias relativas y acumuladas de leyes

estimadas de bloques
De acuerdo a la Figura 124, es obvio que una distribucin log-normal
directa no es especialmente adecuada al histograma. Sin embargo, a
manera de ejemplo, se asumir una distribucin log-normal.
Asumiendo una gravedad especfica promedio de 3.0, el tajo contiene
1,749,600 toneladas y cada bloque contiene 1,296 toneladas.

Ley de corte

Nmero de bloques
sobre ley de corte

Ley promedio sobre

ley de corte

0.50
1.00
1.50
2.00
2.50
3.00
3.50
4.00
4.50
5.00
5.50
6.00
6.50
7.00
7.50
8.00
8.50
9.00

1350
1334
1064
813
674
600
539
461
425
387
369
346
318
297
273
251
221
185

4.03
4.06
4.77
5.71
6.43
6.88
7.29
7.89
8.20
8.54
8.70
8.90
9.13
9.30
9.47
9.62
9.81
10.00

9.50
10.00
10.50
11.00
11.50
12.00
12.50

138
90
35
11
8
3
1

10.26
10.54
11.05
11.79
12.00
12.38
12.71

Nmero total de bloques: 1,350

Figura 125: Nmero de bloques y ley promedio sobre ley de corte
Luego, se puede calcular las curvas de ley/tonelaje y la ley media sobre
una determinada ley de corte. Los datos presentados en la Figura 125 se
utilizaron para calcular la curva de ley/tonelaje de los valores estimados.
La curva de ley verdadera/tonelaje se calcul asumiendo una distribucin
log-normal con una media de 4.03% Cu y una varianza de 11.76 (%Cu)2.
Las dos curvas se muestran en la Figura 126.
La curva estimada efectivamente est muy cerca a la curva verdadera,
aunque si se hubiera hecho una aproximacin mejor que la distribucin
log-normal, la curva estimada entre las leyes de corte de 4.2% Cu y 9.5%
Cu habra estado por debajo de la curva verdadera y la curva estimada
entre las leyes de corte de 2.5% Cu y 4.2% Cu habra estado sobre la
curva verdadera.
No obstante, existe una tendencia obvia a sobreestimar el tonelaje con
bajas leyes de corte y subestimarlo con altas leyes de corte. En particular,
el tonelaje estimado por encima de 11.0% Cu es de 14,256 toneladas con
una ley promedio de 11.8% Cu, mientras que el tonelaje verdadero es de
73,000 toneladas con una ley promedio de 15.1% Cu.
La Figura 121 presenta las leyes medias verdaderas y las leyes medias
estimadas sobre determinadas leyes de corte.
CURVAS DE LEY/TONELAJE VERDADERAS Y ESTIMADAS
_________Curva verdadera
-------------- Curva estimada

Toneladas = 10

Ley de corte
Figura 126: Curvas de ley/tonelaje
_________Curva verdadera

Ley media sobre ley de corte

-------------- Curva estimada

Ley de corte

Figura 127: Ley media sobre ley de corte

8.2.3

Conclusiones
Este ejemplo podra perfeccionarse fcilmente para adecuarlo mejor al
histograma de valores de los bloques. En efecto, no hay necesidad de
asumir una distribucin normal o log-normal; el histograma puede
transformarse directamente en una distribucin normal utilizando mtodos
estndar de interpolacin.
Existen mtodos geoestadsticos ms avanzados que permiten obtener
resultados mucho ms confiables, por ejemplo, Dowd (1978).
Sin embargo, las tcnicas simples como las delineadas en este
documento pueden proporcionar resultados muy tiles y bastante
satisfactorios.

8.3

Selectividad: Estimados de reservas recuperables y tamao de los

bloques
La recuperabilidad depende de la escala de minado, es decir, del grado
de selectividad que puede aplicarse durante el minado. Si la altura del
banco en un tajo a cielo abierto es de 10 m y el ancho mnimo de
voladura es de 5 m, entonces no es posible distinguir el mineral y el
desmonte en una escala de menos de 5m x 5m x 10m. Sin embargo, si
se puede reducir el ancho mnimo de voladura o si una voladura ms
precisa puede separar con ms exactitud el mineral del desmonte (por
ejemplo, separar predominantemente el material de cuarzo con contenido
de oro de la granodiorita restante) entonces el cuerpo mineralizado puede
minarse ms selectivamente.
Durante los estudios de factibilidad y de planificacin inicial del pozo, la
informacin disponible (por ejemplo, perforacin exploratoria) es mucho
menor que la informacin que estar disponible durante el minado (por
ejemplo, por lo menos un taladro de percusin a travs de cada bloque
de minado). Si la malla de perforacin es de 30m x 20m, no es realista
estimar las leyes de bloques de dimensiones mucho menores que 30m x
20m. El nmero de dichas leyes estimadas sobre una ley de corte
especfica dar las reservas recuperables estimadas sobre la ley de
corte, asumiendo que se mine selectivamente el cuerpo mineralizado en
base a bloques de 30m x 20m x altura de banco. Sin embargo, el cuerpo
mineralizado ser minado en base a bloques mucho ms pequeos, es
decir, 3.5m x 3.5m x altura de banco. El problema es predecir las
reservas recuperables basndose en los bloques de 3.5m x 3.5m a partir
de las reservas de los bloques de 30 m x 20m.
Los efectos del tamao de la unidad de minado selectivo (smu) en la
recuperacin se demostraron tericamente en los puntos 8.1 y 8.2.
Tambin se puede demostrar mediante el ejemplo simple ilustrado en la
Figura 128.

En la fase de planificacin, la nica estimacin de ley disponible es la del

bloque grande que es equivalente a 0.9 g/t (es decir, la media de los 16
sub-bloques que lo constituyen). Sin embargo, supongamos que, durante
el minado, la selectividad (o recuperacin) se efectuara en base a los
bloques ms pequeos. Si la ley de corte es de 0.9 g/t y la seleccin se
basa en el bloque grande, se asume que el bloque total est por encima
de la ley de corte y la ley media es de 0.9 g/t. Sin embargo, si la seleccin
se efecta en base a los bloques ms pequeos, solamente el 75% ( 12
bloques) de la masa total estar sobre la ley de corte, pero la ley media
ser de 1.0 g/t. De igual modo, si la ley de corte es de 1.0 g/t y si la
seleccin se realiza en base al bloque grande, entonces el bloque total se
clasifica como desmonte. No obstante, si la seleccin se efecta en base
a los bloques ms pequeos, el 50% de la masa estar por encima de la
ley de corte y la ley media de este mineral ser de 1.04 g/t.

Figura 128: Bloque grande subdividido en 16 sub-bloques pequeos

Las dos curvas de ley/tonelaje que aparecen en la Figura 117 ilustran el
concepto de selectividad como una funcin del tamao del bloque. Para
las leyes de corte que estn por debajo de la ley media, habr ms
bloques de mayores dimensiones (toneladas) sobre la ley de corte que
bloques ms pequeos (toneladas). Por el contrario, para las leyes de
corte sobre la ley media, habr ms bloques pequeos (toneladas) sobre
la ley de corte que bloques grandes (toneladas).