3 Marco Terico

3.1 Estadsticas elementales

Medidas de posicin

Media o promedio: Promedio aritmtico de Valores .

Cuantiles o percentiles: Leyes que dividen la poblacin en partes de igual nmero de
datos. por ejemplo, la mediana divide la poblacin en dos partes, los cuartiles en cuatro, lo
quintiles en cinco partes y los deciles en diez partes. Por el contrario a la media, los
Cuantiles son parmetros robustos, ya que son poco sensibles a la presencia de valores
extremos.
Mnimo y mximo: Corresponden al rango donde se distribuyen los valores

Medidas de Dispersin

Varianza: Promedio aritmtico de la desviacin cuadrtica entre cada valor y la media.

Esta medida cuantifica la dispersin del histograma y se expresa en cuadrado de unidad de
las variables de estudio.
Desviacin estndar: Raz cuadrada de la varianza; se expresa en la misma unidad que la
variable de estudio.
Coeficiente de variacin (Para variables positivas): Razn entre la desviacin estndar y la
media; es adimensional.
Rango intercuartil: Ancho del intervalo entre el primer y el tercer cuartil, que contiene la
mitad de los datos.

Histograma: representa grficamente las frecuencias de ocurrencia en funcin del valor. Consiste
en dividir el rango de los valores en intervalos (generalmente, con el mismo ancho) y visualizar la
proporcin de datos que caben dentro de cada intervalo.
Box-plot: diagrama de caja ( box plot ) que presenta un solo eje en el cual se representan cinco
cuantiles: los cuantiles a 2.5% y 97.5%, el primery el tercer cuartil y la mediana. Entre los dos
cuantiles extremos, se observa el 95% de los datos, mientras que entre el primer cuartil y la
mediana se observa el 25% de los datos, al igual que entre la mediana y el tercer cuartil. El
diagrama de caja permite resumir algunas caractersticas de la distribucin, tal como su simetra y
su dispersin.

Nube de Dispersion o Correlacion (Scatter Plot): Esta nube consiste en visualizar los valores de
una variable en funcin de otra, lo cual requiere que ambas variables hayan sido medidas en los
mismos sitios. Sirve para ver la relacin par a par o correlacin de ambas variables, as como
detectar datos atpicos (puntos que se alejan del resto de la nube).

Desagrupamiento

La idea es asignar a los datos espacialmente agrupados, en parte redundantes, un ponderador ms

pequeo a los datos aislados, los cuales son representativos de una porcin ms extensa del
campo.La agrupacin se produce netamente por que en minera se tiene un menor espacimiento
donde existen zonas de leyes altas debido que se necesita una menor granulometra(para asi
gastar menos energa en chancado del mineral) ,y por otro lado, una mayor granulometra en las
zonas de esteril(Las cuales van al botadero y no requieren mayor conminucin).
3.1 Variable regionalizada

Una variable regionalizada es una funcin determinstica. En general, esta funcin presenta dos
aspectos complementarios: por una parte, tiene una cierta continuidad espacial (zonas de altos
valores / zonas de bajos valores), pero por otro lado, vara irregularmente y escapa a toda
representacin simple.

3.2 Soporte

Una variable regionalizada puede definirse, no slo en cada punto del espacio, sino que Tambin
en una superficie (2D) o en un volumen (3D). La superficie o el volumen sobre el cual se considera
la variable regionalizada se denomina soporte.

3.2.1 Efecto soporte

tiene que ser tomado en cuenta al momento de estimar las funciones de recuperacin de las
unidades de seleccin minera, puesto que los datos disponibles (testigos de sondajes, pozos de
tronadura) estn definidos en un soporte puntual, el cual tiene las siguientes propiedades:

la media no depende del soporte

la varianza disminuye al aumentar el soporte
el histograma cambia de forma (se simetriza)

3.3 Funcin aleatoria

Se interpreta cada uno de los valores de la variable regionalizada en estudio z(x) como una
realizacin de una variable aleatoria Z(x).El conjunto de variables aleatorias (Z(x),x 3) constituye
una funcin aleatoria y se caracteriza por una distribucin espacial.

Como casos particulares, tenemos las distribuciones univariable (para n=1) y bivariable (para n=2).

Existen ciertas hiptesis simplificadoras que son generalmente utilizadas para determinar la
distribucin espacial y son las siguientes:

Estacionaridad: La distribucin espacial es invariante por traslacin en el espacio, lo que quiere

decir que no existen derivas (Tendencias sistemticas).

Ergodicidad: Se puede aproximar las esperanzas matemticas (Promedio sobre las realizaciones de
la funcin aleatoria) por un promedio en el espacio.

La estacionaridad es juiciosa cuando existe una homogeneidad de las propiedades de la variable

regionalizada en el espacio. A menudo es razonable suponer que se cumple a escala local
(Vecindad de Kriging), por lo que se habla de una estacionaridad local o casi-estacionaridad.
Debido a la escasez de datos experimentales resulta imposible poder inferir la distribucin espacial
completa. Por consiguiente, a menudo solo se considera los parmetros ms relevantes o
primeros momentos, los cuales son:

Momentos de primer Orden

Esperanza: corresponde al valor esperado o esperanza matemtica de las variables aleatorias Z(x),
denotado m independiente de producto da la hiptesis de estacionaridad. Se puede definir como
la suma de la probabilidad de cada suceso multiplicado por su valor.

Momento de Segundo Orden

Varianza: La varianza es una medida de la dispersin de la variable aleatoria Z(x) entorno su valor
esperado. Tambin se utiliza la desviacin estndar, que corresponde a raz cuadrada de la
varianza.

Covarianza: Corresponde a una funcin (1) que mide la relacin entre dos variables aleatorias en
funcin de sus posiciones en el espacio, o ms simplemente (bajo la hiptesis de estacionalidad)
del vector de separacin.

Variograma: Corresponde a una funcin (2) que mide la mitad de la varianza de la diferencia entre
dos variables en funcin del vector separacin h.

Si consideramos las hiptesis de estacionaridad se llega a relacin (3) entre el variograma y la

covarianza:

(h)=C(0)-C(h)

Donde C(0) es igual a la varianza de la funcin aleatoria.

Los parmetros ms importantes son la covarianza y el variograma, estos definen la relacin

existente entre dos valores que se encuentran a cierta distancia de separacin. La Covarianza
indica que tan semejantes son los valores entre dos sitios, mientras que el variograma representa
lo contrario.

Variograma experimental: corresponde a una serie de valores, pues solo se puede calcular para
vectores h Tales que N(h) no es vacio. En el caso que se trate de un vector h puede interpretarse
como el momento de inercia de la nube de correlacin diferida (nube de los puntos (z(xa)z(xb) con
Xa-xb=h),el cual mide la distancia cuadrtica promedio entre puntos los puntos de la nube y la
lnea diagonal. Mientras ms apretada la nube de correlacin diferida en torno a la diagonal, ms
pequea su inercia.

Entonces, en la construccin del variograma debemos considerar los parmetros como lo son:
Rango y direccin en direccin principal, menor y vertical;Meseta y efecto pepita;Tipo de
variograma;Radio de investigacin;Angulo de tolerancia;Distancia del paso (Lag), tolerancia al paso
y numero pasos.
.A menudo se calculan variogramas experimentales en direcciones ortogonales: Vertical,horizontal
direccin principal y horizontal direccin menor. Es conveniente hacer un anlisis de los tipos de
anisotropa ms comunes: Anisotropa geomtrica y anisotropa zonal.

Anisotropia Geomtrica: El mapa variograficos dibuja elipses (2D) o elipsoides (3D).El

modelamiento solo requiere especificar las direcciones principales(Ortogonales entre si),los
alcances son diferentes y es explicado por la direccin de flujo preferencial de los fluidos
mineralizadas y por la depositacion en direcciones preferenciales ya sea por gradiente de
temperatura .La figura muestra el de la anisotropa geomtrica 2D y 3D.

Anisotropa zonal: El mapa variograficos dibuja bandas. Se trata de un caso lmite de anisotropa
geomtrica, donde el alcance en una direccin se vuelve muy grande. A la escala de trabaja, la
meseta cambia segn la direccin. Si el variograma vertical alcanza una meseta ms alta se debe
presumiblemente se por una diferencia significativa en el valor promedio en cada zona y el
variograma horizontal tiene varianza adicional entre zonal.

Anisotropas complejas: Se obtiene formas ms complejas de anisotropa al mezclar anisotropas

geomtricas y/o zonales de orientacin y razn diferentes.

Estimacin local (Kriging)

Este mtodo permite estimar la variable regionalizada en lugar no muestreado, a partir de los
datos que se encuentren dentro de una vecindad. la definicin de esta vecindad(Radio,
orientacin, numero de datos a buscar)toma en cuenta la continuidad espacial de la variable
regionalizada y el diseo de la malla de muestreo, lo que se realiza en la etapa del estudio
exploratorio y variograficos.

El estimador es una combinacin lineal ponderada de los datos y por lo tanto, el problema del
kriging se reduce a calcular los valores de los ponderadores que permitan obtener una estimacin
insesgada y con la mejor precisin posible. La construccin del kriging se realiza a partir de las
siguientes restricciones.

Restricciones de linealidad: El estimador es una combinacin lineal ponderada de los ubicados en

la vecindad.

Restriccin de insesgo: El valor esperado del error cometido debe ser cero.

Restriccin de optimizacin: el objetivo es minimizar la varianza del error cometido en la

estimacin.

Existen diferentes tipos de kriging, los cuales se definen segn las hiptesis usadas por el usuario,
por ejemplo kriging simple, ordinario, universal, etc. Para nuestro caso de estudio solo
trabajaremos con kriging ordinario el cual es comnmente utilizado en la industria minera.

Kriging simple
Este mtodo de estimacin consiste en considerar que la ley media es conocida. Esto implica que
el valor de esta media recibe un ponderador complementario a la ponderacin acumuladas de los
datos utilizados para la estimacin, con lo cual el valor estimado ser muy cercano al valor de la
media si existe poca cantidad de datos. Esto genera un acercamiento a la ley media en los bordes
del yacimiento y en las zonas donde escasean los datos.

Kriging ordinario

Hiptesis

Se desconoce el valor promedio de la variable regionalizada

Se conoce el variograma g(h),el cual puede o no tener meseta.

El considerara el valor de la media como desconocido permite generalizar el estimador a

situaciones donde est la media no es constante a escala global: la media puede variar de una
regin a otra del espacio, siempre que se a aproximadamente constante en cada vecindad de
kriging.

Propiedades del kriging

Interpolacin exacta: Estimar un sitio con dato devuelve el valor medido en este sitio.

Suavizamiento: La dispersin de los valores estimados es menor que la dispersin de los valores
verdaderos. Esto implica que se tiende a subestimar las zonas de altas leyes y sobre estimar las
zonas de bajas leyes.

Aditividad: El kriging del valor promedio de un sector es el promedio de las estimaciones

puntuales en este sector.

Insesgo: La media de los errores cometidos en una regin de gran tamao se acerca a cero.

Sesgo Condicional: En las zonas cuya estimacin supera una ley de corte (Considerando como
mineral), la media de los errores puede diferir de cero. Para evitar este sesgo, se aconseja tomar
muchos datos (Varias decenas) en la vecindad de kriging.

El kriging entrega una medida elemental de la precisin de estimacin (Varianza de kriging), la que
depende solo de la configuracin geomtrica de los datos y su continuidad espacial, no
considerando el valor mismo de los datos. Esto provoca que la varianza de kriging no refleje la
mayor dispersin que usualmente ocurre en las zonas de altas leyes (Efecto proporcional).

Por esto se utiliza el mtodo de simulacin con el fin de corregir estas deficiencias a la hora de
modelar la variable regionalizada.

3.5 Vecindad de kriging

Dado que la cantidad de datos que se tiene puede ser muy alta, utiliza todos los datos existentes
para estimar cada punto puede resultar excesivamente costoso y lento.es por esto que se definen
una vecindad mvil (Cambia con dato sitio a estimar) que incluye una cantidad de datos reducida,
ya que los datos ms lejanos aportan menos a la calidad de la estimacin. Esta vecindad tiene a
menudo formar una elipse (2D) u un elipsoide (3D), permitindose tomar en cuenta la anisotropa
espacial.

Ahora cuando se requiera una mejora en la calidad de estimacin el kriging realiza el

agrupamiento por cuadrantes (2D) o por octantes (3D).

Adems es recomendable preparara al menos 3 planes de kriging con diferentes configuraciones

en relacin a la cantidad mnima de muestras para estimar, mximo de muestras por cuadrante u
octante segn sea el caso, nmero mximo de muestras para estimar un bloque, etc.

Para determinar el tamao y la cantidad de datos a considerar ms conveniente, se realiza

validaciones cruzadas las cuales tambin miden adems la calidad del modelo variograficos, para
los distintos planes.

3.6 Validacin Cruzada

La validacin cruzada es una tcnica estadstica que permite verificar la adecuacin entre los datos
y los parmetros adoptados, ya sea para probar el ajuste de un modelo variograficos, vecindad de
kriging u otros.

En el presente trabajo se adoptara el mtodo de Jack-knife, el cual es un proceso iterativo, elimina

una muestra y se estima su valor con la restante informacin mediante Kriging, Co-Kriging u otro.
Si los parmetros elegidos para realizar la estimacin estn bien elegidos, el error promedio se
aproxima a cero y la varianza debe ser mnima.

La validacin Cruzada es presentada usualmente bajo la forma de pruebas grficas, es especial:

Nube de correlacin entre los valores de los datos y los valores estimados.
Histograma de errores y errores estandarizados y los valores estimados.
Nube de Correlacin entre los errores estandarizados y los valores estimados.

El Objetivo final de la validacin cruzada es poder cuantificar y establecer el posible sesgo en que
puede estar incurriendo, la precisin del estimador y comparar la calidad de diferentes ajustes
posibles de distintos modelos variograficos.

Simulaciones

Como alternativa a los mtodos de kriging, se han desarrollado mtodos de simulacin que buscan
entregar multiples modelos no suavizados de leyes.
La simulacin se basa en la interpretacin de la variable regionalizada como una realizacin de una
funcin aleatoria y construye mltiples realizaciones de esta funcin aleatoria. Cada una de estas
realizaciones constituye un escenario posible y por lo tanto permite tener una idea realista de la
distribucin de valores en el espacio. As se pueden tener mltiples escenarios, con los cuales se
pueden hacer anlisis de riesgos, estimaciones, medicin de la incertidumbre para determinar qu
tan distintos son los escenarios, etc.

Existen dos tipos de simulaciones: las no condicionales y las condicionales. Las simulaciones no
condicionales buscan reproducir la distribucin de la variable regionalizada, es decir, sin
reproducir los valores de los datos en sitios ya conocidos. En cambio las simulaciones
condicionales buscan reproducir las distribuciones locales, que dependen de los datos conocidos.
De esta forma, en un sitio con dato no hay incertidumbre.

Modelo Multi-Gaussiano

El modelo multi-Gaussiano considera que la funcin aleatoria es estacionaria y tiene una

distribucin multi-Gaussiana, esto es, toda combinacin lineal ponderada sigue una distribucin
Gaussiana. Esto tiene bastantes ventajas, ya que es un modelo muy fcil de aplicar y slo necesita
transformar la variable original a una variable Gaussiana y caracterizar la media y el variograma de
la variable Gaussiana.
Este modelo ha sido ampliamente utilizado en evaluacin de recursos, con aplicaciones a
yacimientos tales como: prfidos cuprferos, depsitos de hierro magmtico hidrotermales,
depsitos de oro epitermales , depsitos de carbn , etc.

Los pasos a seguir para realizar una simulacin multi-Gaussiana se presentan a continuacin:
1. Desagrupar los datos originales. Consiste en ponderar los datos al momento de calcular
su histograma segn su grado de aislamiento frente a otros datos con el objetivo de
obtener una distribucin representativa.
2. Transformacin de los datos originales a valores Gaussianos, mediante una funcin de
transformacin llamada anamorfosis. Grficamente, la anamorfosis consiste en deformar
el histograma de los datos en un histograma Gaussiano, de modo que la variable
transformada, denotada (), tenga una distribucin Gaussiana estndar (de media 0 y
varianza 1).
3. Verificacin de la hiptesis multi-Gaussiana. Es necesario verificar la hiptesis bsica del
modelo que establece multigaussianidad. Por construccin, la distribucin univariable de
la variable transformada es Gaussiana, luego es consistente con el modelo. Sin embargo,
hace falta verificar que las distribuciones de orden superior sean tambin compatibles con
la hiptesis multi-Gaussiana. En la prctica, slo se estudia las distribuciones bivariables, a
travs de los siguientes tests:
Nubes de correlacin diferida: Se grafican pares de datos Gaussianos separados a una
cierta distancia . Estas nubes deben presentar una forma elptica para distancias de
separacin menores, y una forma circular para distancias mayores.
Variogramas de indicadores: Existe una relacin entre el variograma de un indicador y el
variograma de los datos Gaussianos. Con como funcin de distribucin Gaussiana
estndar se define el variograma de la variable indicador , () de la siguiente manera.

Donde () es el variograma de la variable gaussiana e es el umbral de truncacin

que define el indicador. As se puede estimar el variograma de indicador
 tericamente, y luego comparar con el variograma experimental de indicador.
El test propuesto consiste en los siguientes pasos:
i. Modelar el variograma () de los datos Gaussianos.
ii. Deducir el variograma , () del indicador asociado a un determinado
umbral.
iii. Codificar los datos Gaussianos en indicador (0 1) segn si superan o no el
umbral.
iv. Calcular el variograma experimental de los datos de indicador.
v. Comparar este variograma experimental con la expresin terica obtenida en el paso ii.
vi. Repetir el procedimiento (pasos ii a v) para varios valores del umbral.
vii. Concluir si los variogramas tericos de indicador se ajustan razonablemente bien a los
variogramas experimentales.
Variogramas de orden : El variograma de orden para un vector h se define
como la mitad del valor esperado de los incrementos de la variable para este vector
h elevado a la potencia :
As, para = 0.5, 1 2 se define el rodograma, madograma y variograma
respectivamente. En el caso multi-Gaussiano se tiene la siguiente relacin entre el variograma de
orden w y el variograma [9].
En escala log-log, esta ecuacin representa una recta de pendiente /2.
4. Anlisis variogrfico para modelar el variograma de la variable Gaussiana.
5. Simulacin de la funcin aleatoria Gaussiana.
Eleccin de un algoritmo de simulacin.
Construccin de varias realizaciones.
Condicionamiento a los datos Gaussianos disponibles.
6. Transformacin Gaussiana inversa, para volver a la variable original. Se transforman esta
vez los valores Gaussianos simulados a los valores originales, utilizando la inversa de la
anamorfosis usada anteriormente.

Algoritmo Secuencial
La simulacin gaussiana secuencial se basa en generar una grilla de nodos a simular para luego
recorrerlos y simular valores secuencialmente en cada nodo. Cada nodo representa una locacin
nica en el espacio tridimensional. El algoritmo procede como sigue:

1. Definicin de grilla a simular: Se definen los nodos en el espacio que se desean simular.
2. Camino aleatorio: Se genera un orden aleatorio de estos nodos, y segn este orden se
simulan secuencialmente. Luego, para cada nodo:
a) Kriging simple: Se realiza un kriging simple con media 0, utilizando todos los sitios
simulados previamente. En caso de existir datos condicionantes, se utilizan tambin
dichos datos para obtener el valor del kriging.
b) Nmero aleatorio: Simular una variable gaussiana estndar por Monte Carlo, Ui .
c) Simular valor: Asignar el valor simulado a partir de la siguiente ecuacin:

Y (xi) = Y KS(xi) + KS(xi) Ui

Donde Y (xi) es el valor simulado en el nodo i, Y KS(xi) es el valor del kriging simple en el nodo i y
KS(xi) es la varianza de kriging simple en ese nodo.
El algoritmo presentado sufre el inconveniente de que el sistema de kriging simple cada vez es ms
grande, pues utiliza como datos todos los nodos previamente simulados. Para evitar este
problema en grillas muy grandes, se utiliza una vecindad mvil, es decir, se realiza el kriging con un
nmero limitado de datos que se ubican dentro de cierta distancia al sitio a simular. Para generar
distintas realizaciones, se genera un nuevo camino aleatorio, con el n de evitar artefactos, junto
con nuevos nmeros aleatorios en cada nodo a simular.

Condicionamiento

Para aplicaciones en minera, es necesario que los algoritmos de simulaciones generen escenarios
condicionales, es decir, que adems de respetar la funcin de covarianza pedida,respeten el valor
de los sitios con datos. Algunos de los algoritmos propuestos pueden generar simulaciones
condicionales directamente, como el mtodo gaussiano secuencial .Sin embargo, existe otro grupo
que no lo hacen, por lo cual es necesario incorporar una etapa adicional de kriging para obtener
una simulacin condicional a los sitios con datos.