Modulo 1

Repaso, conceptos

Preparado por Antonio Cortés Pizarro

(Marzo 2015).
 Módulo 1. Motivación en la evaluación de recursos

¿ porque evaluamos los recursos mineros?

→cuantificación y reporte de recursos / reservas
Requerimos una evaluación previa al reportar recursos o reservas. Tanto en
cantidad como en calidad del recurso que será llevado a reserva.
→estudio de factibilidad
En general se actualizan los recursos y se exige a este nivel de ingeniería una
certeza o evaluación de la incertidumbre apropiada. Se pueden presentar
lineamientos globales o proporciones recomendadas en cuanto a la
clasificación.
→diseño de la explotación
Evaluar lo mejor posible la geometría y la distribución espacial de un depósito
es clave como información base para un ejercicio de diseño de una operación
minera.
 Módulo 1. Motivación en la evaluación de recursos

¿ porque evaluamos los recursos mineros?

→Planificación
En cada ejercicio de planificación y actualización de planes
mineros que involucran vida útil y cierre de una operación minera
es fundamental la apropiada actualización de recursos mineros.

→control de leyes: mejorar la selección entre mineral y estéril

Para el adecuado control de leyes en sus distintas etapas, y
también en la reconciliación entre distintos hitos de la operación
se requieren modelos de recursos actualizados.
 Geoestadística se define como..

La geoestadística es una disciplina que permite analizar datos

ubicados en un espacio, por ejemplo:

• leyes de cobre, molibdeno, arsénico, etc., en un yacimiento

• porosidad y permeabilidad de la roca en un acuífero /
reservorio
• cantidad de nitrato, pH, conductividad eléctrica en muestras de
suelo
• concentración de un elemento contaminante en la
atmósfera
• número y diámetro de los árboles en un bosque
• precio del cobre a lo largo del tiempo
 Conceptos claves
Mineral
material que tiene un interés económico, en oposición a estéril
ley
Es la concentración de un elemento (elemento principal, subproducto o
elemento contaminante) en el subsuelo
Ley de corte
Se trata de un valor de ley que separa categorías distintas de material,
por ejemplo mineral y estéril
recurso
Concentración u ocurrencia de material de interés económico intrínseco
en o sobre la corteza de la Tierra en forma y cantidad en que haya
probabilidades razonables de una eventual extracción económica
 Situaciones que ameritan un estudio
multivariable

• Yacimiento polimétalico: interesan varios elementos (leyes de

cobre, oro, plata, arsénico, molibdeno, etc.)
• Yacimiento monométalico: interesan varios atributos
relacionados con un mismo elemento (cobre total, cobre
soluble, recuperación, etc.)
• Mediciones procedentes de varias fuentes: cobre total
medido en (a) sondajes de diamantina, (b) sondajes de aire
reverso, (c) pozos de tronadura.
 Definiciones específicas

• Corregionalización: conjunto de variables regionalizadas {z1,... zN}

definidas en una misma región del espacio (campo)

• Homotopía / isotopía: las variables están muestreadas en los

mismos sitios

• Heterotopía (parcial o total).

Repaso estadísticas
bàsicas
 Conceptos claves
•Histograma
Presenta la frecuencia de ocurrencia en función del valor

•Medias
Valor característico de una serie de datos cuantitativos (principio de la
esperanza matemática o valor esperado). Se obtiene a partir de la suma de
valores dividida por el número de valores.

•Varianza
Medida de dispersion definida como la esperanza del cuadrado de la
desviación de dicha variable respecto a su media.

•Ejercicio
A partir del set de datos entregados, generar histograma, calcular las
medias y la varianza.
Clase Práctica

S-GEMS
Capítulo 1 Sesión 2
Herramientas para
análisis bivariable
 Gráfico cuantiles contra cuantiles
• Sirve para comparar dos histogramas, al visualizar los cuantiles del
primero en función de aquellos del segundo

Este gráfico puede generarse a partir de conjuntos de datos que podrían

estar pareados o no. Por ejemplo en la figura superior izquierda se
presentan entre bloques y muestras. La figura superior derecha en tanto
presenta la misma grafica entre dos variables de un deposito.
 Nube de correlación
• También llamada “diagrama de dispersión” o “scatterplot”
Presenta una nube (de pares) generada al plotear dos variables. Se observa la
relacion/tendencia entre ambas variables y presencia de eventuales datos anómalos.
 Nube de correlación
• Permite identificar distintas poblaciones, visualizar relación entre variables
20

variable 2

variable 2
10

10
5

0 0

-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
variable 1 variable 1

• Podría ser eventualmente útil transformar una o ambas variables (ej: utilizando
logaritmo), cuando por sí solas sean difíciles de interpretar

ln (variable 2)
3.0e+008 20
variable 2

2.0e+008

10

1.0e+008

-7.5e-009 0

0 10 20 -3 -2 -1 0 1 2 3
variable 1 4 ln (variable1)
 Distribuciones por clase
• El Scatter Plot representa la distribución experimental Bivariable, la distribución de una
variable Z2 según clases de otra variable Z1 representa experimentalmente la distribución
condicional de Z2 conociendo Z1=z1
-0.5< variable 0.5< variable 1

Frequencies

Frequencies
0.25 0.25

0.20 0.20

0.15 0.15

0.10 0.10

0.05 0.05

0.00 0.00
8 9 10 11 12 2.5 5.0 7.5 10.0 12.5
variable 2 variable 2

• La media por clases (regresion) ofrece una representación experimental de la esperanza

condicional.
variable 2

10

-3 -2 -1 0 1 2 3
variable 1
 Gráficos de deriva
• También llamados Swath Plot se utilizan en varias partes del proceso de estimación
principalmente para detectar tendencias y validar el modelo de bloques (EDA,
validación, etc).
• La figura presenta un ejemplo en donde se observan valores de cut comparando
entre dos métodos de perforación (DDH vs RC).
 Ejercicios
A partir del set de datos presentado
realice los gráficos QQ Plot y Scatter Plot.
Ejercicios

S-GEMS
Capítulo 1 Sesión 3
 Coeficiente de correlación Lineal
Z1 y Z2 son dos variables aleatorias con:
• Medias; m1= E(Z1) y m2=E(Z2)
• Varianzas; σ12=Var[Z1] = E[(Z1-m1)2]= E[Z12]- m12 ; σ22=Var[Z2]
• Desviaciones standar ; σ1 y σ2
• Covarianza ; C12=Cov(Z1,Z2)=E[(Z1-m1)(Z2-m2)]
= E[Z1 Z2] -m1 m2
Por definición el coeficiente de correlación lineal es igual a :
• ρ12=ρ=Cov(Z1,Z2) / σ1σ2 -1<= ρ >= 1

Si Z1 y Z2 no están muestreados en los mismos puntos (medias y varianzas no calculadas

sobre los mismos puntos), algunas inconsistencias pueden aparecer como ρ <- 1 o ρ > 1
• El coeficiente de correlación mide la dependencia lineal entre las variables. Cuando hay
una relación entre las variables (Z2=aZ1 +b), es igual a 1 o -1
• Cuando las variables son independientes, es igual a 0
• PERO podría ser igual a 0 con variables que no son independientes
• Es muy sensible a valores extremos
• Para atenuar la influencia de los valores extremos, se puede analizar el coeficiente de
correlación de rangos, en donde se reemplazan los valores de los datos por sus rangos (de
1 para el dato de menor valor a n para el dato de mayor valor).
 Regresión lineal entre 2 variables

La regresión lineal de Z2 según Z1 es el mejor estimador lineal de Z2 a partir de Z1:

Z2* = a Z1 + b (Insesgado, mínima varianza del error)
Error: R= Z2* - Z2 = a Z1 + b - Z2
Insesgado: E[R]=a m1+ b - m2 =0
Otra manera..
⇔ b= m2 - a m1
Por lo tanto: Z2* - m2 = a (Z1 - m1)
Los puntos con coordenadas (m1, m2) estan en la regresion lineal.

Varianza del error

Var[R] = Var[Z2]+a2 Var[Z1] -2a Cov[Z1, Z2]
= σ22 + a2 σ12 -2a C12
Mínimo: Derivando en función de a e igualando a cero, se obtiene la expresión
óptima para la gradiente de la regresión.

C12 σ2
a= = ρ
σ12 σ1
 Regresión lineal entre 2 variables
Ecuación de la línea de regresión:

Z*2 − m2 Z − m1
= ρ 1
σ2 σ1

El error R y la variable conocida Z1 no tienen correlación:

Cov(Z1,R)=Cov(Z1, aZ1+b-Z2)=a σ12 - C12 =0
Como E[R]=0, también se tiene E[Z1R]=0: Z1 y R son “ortogonales”

( )=
Var Z*2 Var ( aZ1 + b ) a2σ12
= = ρ 2

Var ( Z2 ) Var ( Z2 ) σ22

El cuadrado del coeficiente de correlación entrega la proporción de la varianza de Z2 (o Z1) que

se explica por la relación lineal con la otra variable. (ej: un coeficiente de correlación de 0.7
sólo explica el 49% de la varianza)
 Regresión lineal

• Ilustración
 Regresión lineal entre 2 variables
La regresion lineal de Z2 en función de Z1 y Z1 en función de Z2 entregan dos lineas distintas que se
cruzan en los valores medios, (las pendientes no son una inverso de la otra).

σ
ρ 2 ( Z1 − m1 )
Z*2 − m2 =
σ1
σ
ρ 1 ( Z 2 − m2 )
Z1* − m1 =
σ2
 Regresión lineal entre 2 variables

La regresion lineal de Z2 en función de Z1 y Z1 en función de Z2 entregan dos lineas distintas que se

cruzan en los valores medios, (las pendientes no son una inverso de la otra).

σ
ρ 2 ( Z1 − m1 )
Z*2 − m2 =
σ1
σ
ρ 1 ( Z 2 − m2 )
Z1* − m1 =
σ2
 Regresión lineal entre 2 variables
La regresion lineal de Z2 en función de Z1 y Z1 en función de Z2 entregan dos lineas distintas que se
cruzan en los valores medios, (las pendientes no son una inverso de la otra).

σ
ρ 2 ( Z1 − m1 )
Z*2 − m2 =
σ1
σ
ρ 1 ( Z 2 − m2 )
Z1* − m1 =
σ2
Capítulo 1 Sesión 4
 Matriz de correlación
• Es la matriz de los coeficientes de correlación entre varias variables.
Permite destacar grupos de variables correlacionadas entre sí, y poco
correlacionadas con variables de otros grupos.

Cu Mo Au Ag

Cu 1.00 0.85 0.51 0.45

Mo 0.85 1.00 0.42 0.30

Au 0.51 0.42 1.00 0.77

Ag 0.45 0.30 0.77 1.00

 Coeficiente de correlación Lineal
Z1 y Z2 son dos variables aleatorias con:
• Medias; m1= E(Z1) y m2=E(Z2)
• Varianzas; σ12=Var[Z1] = E[(Z1-m1)2]= E[Z12]- m12 ; σ22=Var[Z2]
• Desviaciones standar ; σ1 y σ2
• Covarianza ; C12=Cov(Z1,Z2)=E[(Z1-m1)(Z2-m2)]
= E[Z1 Z2] -m1 m2
Por definición el coeficiente de correlación lineal es igual a :
• ρ12=ρ=Cov(Z1,Z2) / σ1σ2 -1<= ρ >= 1

Si Z1 y Z2 no están muestreados en los mismos puntos (medias y varianzas no calculadas

sobre los mismos puntos), algunas inconsistencias pueden aparecer como ρ <- 1 o ρ > 1
• El coeficiente de correlación mide la dependencia lineal entre las variables. Cuando hay
una relación entre las variables (Z2=aZ1 +b), es igual a 1 o -1
• Cuando las variables son independientes, es igual a 0
• PERO podría ser igual a 0 con variables que no son independientes
• Es muy sensible a valores extremos
• Para atenuar la influencia de los valores extremos, se puede analizar el coeficiente de
correlación de rangos, en donde se reemplazan los valores de los datos por sus rangos (de
1 para el dato de menor valor a n para el dato de mayor valor).
 Análisis en componentes
principales
• Se trata de un método basado en la diagonalización de la matriz de
correlación, destinado a identificar “factores” (variables sintéticas)
jerarquizados y mutuamente no correlacionados, que descomponen la
información multivariable.
• Los primeros factores permiten resumir la información contenida en todas
las variables
→ sirve para “comprimir” la información cuando es abundante
→ sirve para interpretar las relaciones multivariables
→ no se plantea en el marco espacial (o sea, no toma en cuenta las
correlaciones entre datos ubicados en sitios vecinos).
 Análisis en componentes
principales
• Ilustración
→Datos analizados: 49 234 pozos de tronadura, con mediciones
de atributos como CuT, CuS, FeS, Cl, extracción, consumo de
ácido e intensidades de atacamita, arcilla, crisocola…
→Interesan cuatro variables:
• ley de cobre total (CuT)
• ley de cloro total (Cl)
• razón de solubilidad de cobre (Sol)
• extracción (Extr)
 Análisis en componentes
principales
• Descomposición de la matriz de correlación en valores propios
 Análisis en componentes
principales
• Representación de las relaciones entre variables, incluyendo
variables ilustrativas
 Variograma simple de una variable
Definición
• Sea Zi una variable y h un vector de separación. El variograma simple (o
directo) de la variable Zi se define como:

1
γ i (h) = var{Z i (x + h) − Z i (x)}
2
1
= E{[ Z i (x + h) − Z i (x)]2 }
2
 Variograma simple de una variable
Propiedades matemáticas

• función par: gi(h) = gi(-h)

• nulidad en el origen: gi(0) = 0
• función positiva: gi(h) ≥ 0
• función de tipo negativo condicional

k k k
∀λ1 ,...λ k ∈ R/ ∑ λ α = 0, ∀x1 ,...x k , ∑∑ λ α λ β γ i (x α − xβ ) ≤ 0
α =1 α =1 β=1
 Variograma simple de una variable

Inferencia

• El variograma simple se estima a partir de un conjunto de datos, reemplazando la

esperanza matemática por una media sobre los pares de datos cuya separación
coincide con el vector h:

1
γˆ i (h) =
2 | N (h) |
∑ i α i β
[ z (
N (h )
x ) − z ( x )]2

donde N(h) = {(a,b) tales que xa – xb ≈ h} (con tolerancias)

|N(h)| es el cardinal de N(h)
 Variograma simple de una variable

Parámetros de cálculo de un variograma experimental

• acimut
• tolerancia en el acimut
• ancho de banda horizontal
• inclinación
• tolerancia en la inclinación
• ancho de banda vertical
• distancias (múltiplos de una distancia elemental = paso)
• número de pasos
 Variograma simple de una variable

Ejemplo
 Variograma simple de una variable

Puntos críticos de un variograma

1) comportamiento en el origen (¿efecto pepita?)

2) comportamiento a distancias grandes (¿alcance?)

3) comportamiento direccional (¿anisotropía?)

 Variograma simple de una variable

Modelamiento
• En general, el variograma simple se modela como la sumatoria de modelos
elementales (anidados), que reflejan distintas escalas de variación según
en alcance de cada modelo anidado.
• Los modelos anidados pueden ser isótropos o anisótropos. En la práctica,
dos tipos de anisotropía se manejan con facilidad:
– anisotropía geométrica: definida por un elipse (2D) o elipsoide (3D) de
los alcances
– anisotropía zonal: uno o dos ejes del elipse/elipsoide se vuelve muy
grande (infinito)