La geoestadística es la ciencia que estudia el comportamiento de una variable aleatoria asociada a
la minería, la cual tiene una representación espacial y puede entregar la distribución que presentan las leyes según el grado de inclinación u orientación de la variable.
Aquí se aplica la estadística a las ciencias de la tierra, buscando representar una variable como es la ley del mineral, litología, porosidad de la roca u otro parámetro que influye en el calculo de la cantidad de recursos presentado en un cuerpo mineralizado.
Definiciones básicas:
- Variable regionalizada: es una función numérica que mide un atributo y presenta una estructura en el espacio.
El espacio se refiere al campo o región en la que se quiere estudiar.
- Campo: es el dominio sobre el que se extiende la variable regionalizada. Esto se conoce
también como frontera dura.
Hay que destacar que el campo tiene un tratamiento distinto, según la variable regionalizada a estudiar.
- Soporte: es el volumen de la muestra que define la variable regionalizada.
Para un sondaje: Cuando el soporte no es regular, es decir, cuando las longitudes no son iguales en las muestras, se tiende a regularizar o compositar en longitudes constantes.
Cada compósito se caracteriza por coordenadas, leyes y códigos que definen la unidad geológica presente.
En general, se tiene como condición trabajar con variables aditivas.
Para entender la teoría de la geoestadística debemos entender los siguientes objetivos principales:
1. Expresar las características y estructuras espaciales de una variable regionalizada.
2. Resolver el problema de la estimación de una variable regionalizada a partir de un conjunto de muestras. Análisis de la función aleatoria
Es una función Z(x) que asigna a cada punto x del espacio un valor que depende del azar o realización.
Cuando se realiza un análisis de esta variable, aparece una nueva variable denominada variable regionalizada. Esto se estudia en la estadística inferencial, donde se trabaja con variables que se asumen bajo ciertas hipótesis.
Para analizar esta variable se debe trabajar con una hipótesis suplementaria conocida como hipótesis de estacionaridad, la cual expresa que la variación espacial de las realizaciones de Z(x) deben ser homogéneas.
Existen tres hipótesis fundadas en la hipótesis suplementaria de estacionaridad, las cuales son:
1. Hipótesis estacionaria estricta
Se asume que la distribución espacial es invariante por traslación, es decir, la relación espacial entre puntos en una determinada configuración espacial se mantiene independiente en donde se encuentre situada dicha configuración.
Es lo mismo que decir que la función de probabilidad de una ley a una cierta distancia es la misma probabilidad que se tiene en el análisis.
2. Hipótesis estacionaria de segundo orden
Exige que en una variable aleatoria existan sus primeros momentos, es decir, que la esperanza matemática es constante cuando se tienen dos puntos separados a una distancia h y donde su covarianza depende de la separación entre estos.
Entonces se define lo siguiente:
E[Z(x)] = m
Cov[Z(x), Z(x+h)] = C(h)
Existen y son invariantes por traslación
3. Hipótesis estacionaria intrínseca
Se asume que no existe la esperanza de la diferencia de puntos, pero existe la varianza de la
diferencia de los incrementos de una función aleatoria, la cual depende solamente de “h” y se denomina como Variograma. De aquí que se emplea la herramienta de variograma, asumiendo la hipótesis de estacionaridad de segundo orden e intrínseca, para lo cual se cumple que para un variograma sea acotado que tenga una meseta, se tendrán pares de puntos que serán dependientes entre sí.
El variograma es una herramienta que permite analizar el comportamiento espacial de una
propiedad o variable sobre una zona dada.
Consideremos dos puntos en el espacio (x) y (x+h) para lo cual se tienen las siguientes leyes z(x) y z(x+h).
Entonces, la definición teórica de un variograma es la esperanza matemática de las leyes de ambos
puntos separados por una distancia “h”, lo que se define como:
ϒ(h) = ½E[Z(x+h) – Z(x)]2
Por otra parte, tenemos un variograma experimental que se define como el cuadrado de las diferencias de las leyes en puntos separados una distancia “h”.
Esta ecuación es más practica y permite determinar un variograma a partir de una malla de muestreo en planos 2D y 3D.
Para determinar un variograma experimental, se debe considerar un lag o paso, el cual es la
distancia entre un punto y otro. Se debe considerar la dirección a la cual se está planteando el variograma, ya sea NE, NS, N45°E, entre otras.
Comportamiento del variograma
1. En distancias pequeñas
Dentro de este se descubren 4 casos, los cuales son:
a) Leyes muy regulares y continuas
b) Continuidad y regularidad promedio c) Existencia de micro variaciones d) Irregularidad de las leyes
2. En distancias grandes a) Leyes con crecimiento o decrecimiento progresivo b) Leyes con pseudo-periodicidad
Un variograma tiene un alcance, una meseta y una pepa.
El alcance es el que define la medida de la zona de influencia de una muestra para distancias relativamente menores, ya que, para distancias relativamente mayores, dos muestras serán prácticamente independientes.
Se define la meseta como la varianza estadística de los datos utilizados en el variograma.
Hay que recordar que para calcular un variograma se pueden emplear tolerancias de ángulos y distancias.
Los errores presentes en el análisis de muestreo se visualizan por el efecto pepa, el cual se representa por el punto de origen del variograma en la gráfica de los pares de datos.
Efecto pepa
- Es el que presenta el error cometido en la estimación de las muestras.
- El variograma a distancias pequeñas tiene un comportamiento lineal
Análisis de muestreo en minería
Aquí se deben conocer los parámetros mas importantes que generan errores en minería, los cuales se pueden obtener por diferentes procesos.
Los procesos mas importantes son la delimitación de muestra, la segregación, la extracción,
preparación, análisis de laboratorio y varias otras maneras de obtenerlo mediante la manipulación de las muestras.
Generalmente el error se comete al extraer la muestra, pero para eso se creó la teoría del error fundamental, la cual consiste en minimizar el error de estimación si se toma cada fragmento o partícula de manera aleatoria
Hay varios autores que permiten cuantificar este error y determinar los factores que hagan variar estos valores, para lo que se enfocó Pierre Gy, el cual se basó en parámetros intrínsecos de las rocas, los cuales eran un elemento clave para minimizar este error-
Los factores que consideró fueron:
- Factor de liberación - Factor granulométrico - Factor de forma - Factor de mineralización
Todos estos factores dependen en cierto sentido del diámetro de las partículas, las cuales dependen de un análisis granulométrico de un 95% pasante.
Ahora bien, una vez definido esto, se puede realizar un protocolo de muestreo, el cual permita asociar la cantidad de muestra, el diámetro de las partículas y el error de estimación, donde esto va a permitir definir el tamaño de muestra requerido para extraer y analizar un conjunto de muestras o lote.
Las definiciones importantes son:
Muestreo: es la acción de recolectar muestras de un sector o región para posteriormente analizar e interpretar sus propiedades y características
Lote: es un conjunto de muestras que se extrae para realzar un análisis o inferencia con respecto al material
Muestra: se comprende como una parte del lote que se compone de varios incrementos, cuyo objetivo es representar el lote
Incremento: es un grupo de partículas extraído de un lote mediante una operación, ya sea con una pala u otra acción.
Los errores dependen de la heterogeneidad de las muestras.
La heterogeneidad indica la variabilidad encontrada en una población estadística.
Pueden encontrarse dos tipos:
1. Heterogeneidad de constitución diferencia de fragmentos
2. Heterogeneidad de distribución diferencia entre grupos de fragmentos
