Vous êtes sur la page 1sur 24

Universidad alas peruanas Geoestadistica I

tema: estimación de recursos y reservas mineras

integrantes:

Espinoza Ortiz Jimmy Patricia Alejandra Sanca Tony yallerco

tutor:

Arequipa-Perú

2017

1

DEDICATORIA El presente trabajo es dedicado a nuestros padres a los que nos dieron un estudio y una buena

educación gracias a ellos seguimos adelante estudiando con más fuerza, ellos son nuestra motivación para seguir adelante, por eso este trabajo va dedicado a nuestros padres.

2

AGRADECIMIENTO:

Agradecemos primero que nada a Dios por estar con nosotros y guiarnos siempre, a Ud. Ingeniero por enseñarnos esta asignatura “Geoéstadistica Iy compartir sus experiencias relacionadas a nuestra carrera de las que estamos seguros que nos será muy útiles en nuestra futura vida profesional.

Posteriormente les presentamos un resumen de las Variables Regionalizadas más adelante

3

PRESENTACION En el presente informe les daremos a conocer los conceptos básicos y la información necesaria

para tener noción y conocer del importante tema de las Variables Regionalizadas e Hipótesis Estacionaria.

4

INDICE:

DEDICATORIA

1

AGRADECIMIENTO:

3

4

6

OBJETIVOS

7

MARCO CONCEPTUAL

8

Los Métodos Tradicionales de Estimación de Recursos Mineros

8

La media aritmética

9

Los

11

El método del inverso de la distancia

12

La palabra kriging

15

EL PROBLEMA DEL KRIGEADO Y SU

15

LAS ECUACIONES GENERALES DEL

17

Validación del kriging

.............................................................................................................

19

Kriging Ordinario ...................................................................................................................

20

CONCLUSIONES:

22

RECOMENDACIONES ...............................................................................................................

23

11.-WEBGRAFIA:

24

 

5

PRESENTACION En el presente informe les daremos a conocer los conceptos básicos y la información necesaria

para tener noción y conocer del importante tema de las Variables Regionalizadas e Hipótesis Estacionaria.

6

OBJETIVOS  Reconocer en campo las técnicas utilizadas para la determinación e interpretación de los datos
OBJETIVOS
Reconocer en campo las técnicas utilizadas para la determinación e interpretación
de los datos tomados en campo
Determinar una zona, el tipo de leyes que se representen con los datos tomados en
campo
Conocer y usar los métodos diferentes para las estimaciones de diferentes datos de
ley en minería tomados en campo
 Reconocer los parámetros generales para una simulación mediante el método de
Kriging

7

MARCO CONCEPTUAL

Los Métodos Tradicionales de Estimación de Recursos Mineros

La estimación de recursos mineros se puede dividir en dos partes:

  • a) Estimación global: interesa estimar la ley media y el tonelaje de todo el yacimiento (o

de una zona grande S dentro del depósito o yacimiento)

MARCO CONCEPTUAL Los Métodos Tradicionales de Estimación de Recursos Mineros La estimación de recursos mineros se

Figura I.1: Zona 3D a estimar e información disponible. ¿Cuál es la ley media y el tonelaje de S?

Se tiene un conjunto de leyes z 1 , z 2 ,

. . .

, z N de mineral localizadas en los puntos x 1 ,

x 2 ,

. . .

, x N

  • b) Estimación local: Interesa estimar la ley media de unidades o bloques dentro de S,

con el fin de localizar las zonas ricas y pobres dentro de esta zona S.

8

Figura I.2: Estimación local con bloque unitario o unidad básica de cálculo. Modelo de bloques de15mx15mx15m.

Figura I.2: Estimación local con bloque unitario o unidad básica de cálculo. Modelo de bloques de15mx15mx15m.

La estimación global y local están relacionadas porque se pueden obtener valores globales al componer los valores locales de los bloques v i .

A continuación estudiaremos los métodos tradicionales más importantes, desde un punto

de vista crítico.

La media aritmética

El método de la media aritmética se basa en lo siguiente: Para estimar la ley media de

un conjunto S se promedian las leyes de los datos que están dentro de S.

Ejemplo: Consideremos el caso de un cuadrado con 7 muestras interiores:

9

Figura I.3: Ejemplo bidimensional. Existe una grupación de datos. 1 + 1 + 1 + 3

Figura I.3: Ejemplo bidimensional. Existe una grupación de datos.

1 + 1 + 1 + 3 + 2 + 2 +1

11

zˆ S =

=

= 1.57

7

7

La fórmula general es:

zˆ S

= 1 N z i

N

i =1

Figura I.3: Ejemplo bidimensional. Existe una grupación de datos. 1 + 1 + 1 + 3

Figura I.4: Un banco en el depósito de MMH. Bloques de 10mx10mx10m. En gris, zona mineralizada, en rojo la intersección de los sondajes con el banco

10

Los polígonos.

El método de los polígonos se basa en lo siguiente: Asignar a cada punto del espacio la ley del dato más próximo. Para estimar una zona S se ponderan las leyes de los datos

por el área (o volumen) de influencia S i .

Los polígonos. El método de los polígonos se basa en lo siguiente: Asignar a cada punto

Figura I.5: Método de los polígonos. Hay que calcular el área de 7 polígonos.

Ejemplo: En el mismo caso anterior se tiene:

zˆ S

= 1 .3 6

La fórmula general es:

N

zˆ S =

  • 1 S i z i

S i =1

(S = S 1 + S 2 +

...

+ S N )

La figura 1.6 muestra la dificultad de aplicar el método de los polígonos. En el espacio

de 3 dimensiones el método (poliedros) es aún más complicado:

11

Figura I.6: Salar de Atacama (se trata de salmueras con contenidos de litio, boro, potasio, sulfatos).

Figura I.6: Salar de Atacama (se trata de salmueras con contenidos de litio, boro, potasio, sulfatos). Puntos de muestreo y de bombeo. Observar la agrupación (cluster) de los puntos en la zona central.

El método del inverso de la distancia

El método del inverso de la distancia se basa en lo siguiente: Asignar mayor peso a las

muestras cercanas y menor peso a las muestras alejadas a S. Esto se consigue al

12

Ponderar las leyes por 1/ d i α , (α = 1, 2,

. . .

; d i = distancia entre la muestra i y el centro

de gravedad de S).

Si α = 1

se tiene el inverso de la distancia (ID).

Si α = 2 se tiene el inverso del cuadrado de la distancia (ID2). Ejemplo:

En el caso anterior se obtienen las estimaciones siguientes:

Ponderar las leyes por 1/ d , ( α = 1, 2, . . . ;

Figura I.7: Método del inverso de la distancia a la potencia alfa. Hay que calcular las distancias entre los datos y el centro del bloque

z 1 = 1.78 (inverso de la distancia)

z 2 = 2.06 (inverso del cuadrado de la distancia)

13

La fórmula general es: ∑ z α i N d i i =1 zˆ S =
La fórmula general es:
∑ z α i
N
d
i
i =1
zˆ S
=
(α > 0)
N
1
∑ α
d i
i =1
A veces, para evitar el problema de las agrupaciones de datos, se utiliza una búsqueda
octogonal: Dentro de cada octante (a veces cuadrante) sólo se considera la muestra más
cercana al centroide, tal como muestra la figura siguiente:

14

La palabra kriging

La (expresión anglosajona) procede del nombre del geólogo sudafricano D. G. Krige, cuyos

trabajos en la predicción de reservas de oro, realizados en la década del cincuenta, suelen

considerarse como pioneros en los métodos de interpolación espacial. Kriging encierra un conjunto

de métodos de predicción espacial que se fundamentan en la minimización del error cuadrático

medio de predicción. Los métodos kriging se aplican con frecuencia con el propósito de

predicción, sin embargo estas metodologías tienen diversas aplicaciones, dentro de las cuales se

destacan la simulación y el diseño de redes óptimas de muestreo

TIPO DE PREDICTOR

NOMBRE

 

PROPIEDADES

 

LINEAL

• Simple

 

Son óptimos

si

hay

• Ordinario

normalidad

multivariada.

• Universal

Independiente

de

la

 

distribución son los mejores

predictores

linealmente

insesgados.

NO LINEAL

• Indicador

 

• Son predictores óptimos.

• Probabilístico

 

Log

Normal,

Trans-

Gaussiano

 

• Disyuntivo

EL PROBLEMA DEL KRIGEADO Y SU INTERES.

El krigeado consiste en encontrar la mejor estimación lineal posible de la ley de un panel, considerando la información disponible, es decir las leyes de las diferentes muestras que se han tomado, sea al interior, sea al exterior del panel que se quiere estimar. El krigeado consiste en efectuar una ponderación, es decir atribuir un peso a la ley de cada muestra, estos pesos se calculan de manera de hacer mínima la varianza de estimación resultante, considerando las características geométricas del problema (formas, dimensiones e implantación relativa del panel y de las muestras). En grueso, como es natural, el krigeado atribuirá pesos débiles a las muestras alejadas, e inversamente. Sin embargo esta regla intuitiva puede ser parcialmente puesta en duda cuando aparecen fenómenos más complejos de efecto de pantalla y de transferencia de influencia. No es posible resolver un problema de krigeado, es decir calcular efectivamente el peso óptimo que conviene atribuir a cada muestra, sin hacer ciertas hipótesis sobre las características geoestadísticas del depósito que se estudia. En adelante supondremos que el depósito es geoestadísticamente homogéneo, en otras palabras que las leyes, dentro del depósito, consideradas como una variable regionalizada f(x), pueden ser interpretadas como una realización de un esquema intrínseco.

15

Esta condición de homogeneidad es fundamental. No se puede hacer un krigeado entre porciones heterogéneas de un mismo depósito, y más particularmente, en el caso cuando las muestras y el panel a estimar sobrepasan los límites de la mineralización geológicamente homogénea. (Se trata entonces, en sentido estricto, de una dilución y no de un krigeado; en general, no es posible, enunciar reglas a priori: los coeficientes de dilución, corrientemente, son determinados por la experiencia).

El primer interés del krigeado deriva de su misma definición. Al minimizar la varianza de estimación, estamos seguros de sacar el mejor partido posible de la información disponible, o, si se prefiere, de obtener la estimación más precisa posible del panel en estudio. Esta ventaja es a menudo notable, pero no se justificaría siempre, debido a las complicaciones suplementarias que introduce necesariamente una ponderación. El interés práctico más importante de lejos del krigeado, proviene, no del hecho que asegura la mejor precisión posible, sino más bien porque permite evitar un error sistemático . En la mayoría de los yacimientos metálicos, se deben seleccionar, para la explotación, un cierto número de paneles, considerados como rentables y se deben abandonar otros paneles considerados no-explotables. D. G. Krige ha mostrado que, si esta selección fuera realizada considerando exclusivamente las muestras interiores a cada panel, resultaría necesariamente en promedio una sobre-estimación de los paneles

Nuestra noción de krigeado permite interpretar fácilmente este fenómeno, y corregir sus efectos. Cuando se selecciona un panel rico, la aureola de muestras exteriores tiene, en general, una ley más débil que las muestras interiores, sin embargo su influencia sobre el panel a estimar no es despreciable porque el krigeado le atribuye un peso no nulo. Si no se toma en cuenta esta aureola exterior, se introduce, necesariamente, una causa de error sistemático por exceso.

Para ilustrar esta noción, imaginemos un yacimiento filoniano reconocido por dos galerías AA’ y BB

Esta condición de homogeneidad es fundamental. No se puede hacer un krigeado entre porciones heterogéneas de

Se considera que las leyes de BB’ con explotables, mientras que las leyes de AA’ son explotables en el segmento CC’. Si nos contentamos con calcular la media de las leyes BB’ y CC’, estamos seguros de cometer un error por exceso: porque los trozos AC y C’A’ – pobres por construcción – tienen una influencia no despreciable sobre el trapecio BB’ CC’. Si fuera posible dibujar una

frontera precisa entre mineral explotable e inexplotable, en general, la frontera real, no coincidiría

16

con las rectas BC o B’C’, sino que sería una curva cualquiera, a menudo bastante irregular, tal como la línea complicada BDEFC. Además en el panel rico subsistirían enclaves pobres y recíprocamente. En la explotación estaremos obligados de abandonar ciertas porciones ricas, y de tomar ciertas partes pobres, y este ensuciamiento traduce de manera concreta la influencia de los

trozos pobres AC y C’A’ sobre el panel rico (como se trata de un yacimiento homogéneo, y que la

frontera precisa de la ley es dudosa, nosotros hablaremos de krigeado, y no de ensuciamiento. Emplearemos la palabra ensuciamiento en el caso en el cual los minerales ricos y pobres son geológicamente heterogéneos, y están separados por una frontera continua, representable por una curva relativamente regular, tal como B’D’E’C’, que, por otra parte, no tiene ninguna razón para coincidir con la recta B’C’). En este caso el krigeado conduce a ponderar las leyes de BB’, CC’, y de los trozos AC y C’A’ por coeficientes convenientes, que serían - por ejemplo – 60% para BB’, 27% para CC’ y 13% para los dos trozos.

El efecto esencial de esta ponderación es eliminar en promedio un error sistemático por exceso, luego un error inquietante. Al considerar este objetivo primordial, la mejora de la precisión propiamente dicha, aparece como secundaria.

LAS ECUACIONES GENERALES DEL KRIGEADO.

De una manera general, el problema del krigeado puede ser formulado de la manera siguiente: sea un depósito homogéneo con un cierto variograma (isótropo o no), en el cual se han tomado n

muestras S1, S2,

Sn, cuyas leyes (conocidas) son X1, X2,

, estimador Z*, es decir:

...

...

,

Xn. Se desea encontrar el mejor

con las rectas BC o B’C’, sin o que sería una curva cualquiera, a menudo bastante

De la ley real desconocida Z de un panel P, conociendo la forma, las dimensiones y la implantación

relativa de P, S1, S2, ...

Sn. Siempre se puede resolver este problema determinando los

, coeficientes ai que cumplen dos condiciones. La primera condición expresa que el error Z-Z* debe

tener una esperanza matemática nula. Esta condición se escribe:

con las rectas BC o B’C’, sin o que sería una curva cualquiera, a menudo bastante

La segunda condición es una condición de varianza mínima. Esta condición expresa que los coeficientes ai del krigeado tienen valores tales que teniendo en cuenta la condición imperativa (22) la varianza D2 (Z-Z*), la cual mide la magnitud del error posible, tome su valor mínimo. Entonces, teniendo en cuenta la relación (21), esta varianza tiene la expresión:

con las rectas BC o B’C’, sin o que sería una curva cualquiera, a menudo bastante
con las rectas BC o B’C’, sin o que sería una curva cualquiera, a menudo bastante
con las rectas BC o B’C’, sin o que sería una curva cualquiera, a menudo bastante
con las rectas BC o B’C’, sin o que sería una curva cualquiera, a menudo bastante

es la varianza de la ley real del panel

es la covarianza de z con la ley de xi de la muestra Si

la covarianza entre xi y xj

17

Se obtiene entonces un sistema de n+1 ecuaciones lineales con n+1 incógnitas (los ai y el

multiplicador de Lagrange λ). Como este parámetro de Lagrange no presenta interés por sí solo,

buscaremos eliminarlo. Para ello, se hará jugar un papel particular a una de las muestras, por ejemplo Sn (en la práctica se elegirá una muestra que ocupe una posición privilegiada respecto de las n-1 restantes, por ejemplo una posición central) y se escribirá la condición (22) en la forma:

Se obtiene entonces un sistema de n+1 ecuaciones lineales con n+1 incógnitas (los ai y el

y se reemplazará en (24) an por este valor, es decir:

Se obtiene entonces un sistema de n+1 ecuaciones lineales con n+1 incógnitas (los ai y el

Se elimina λ al restar la última ecuación de las n-1 anteriores, y se reemplaza an por su valor. Si se pone:

Se obtiene entonces un sistema de n+1 ecuaciones lineales con n+1 incógnitas (los ai y el

el sistema (24) se reduce a:

Se obtiene entonces un sistema de n+1 ecuaciones lineales con n+1 incógnitas (los ai y el

La solución de este sistema de n-1 ecuaciones lineales con n-1 incógnitas permite el cálculo efectivo de los n coeficientes de krigeado, an se determina según.

Los valores así obtenidos se pueden introducir en la expresión (23) de la varianza de estimación,

se obtiene entonces el valor mínimo σ K2 de la

varianza, que llamaremos varianza de krigeado. Vemos que esta varianza toma la forma muy simple siguiente:

Se obtiene entonces un sistema de n+1 ecuaciones lineales con n+1 incógnitas (los ai y el

18

La primera parte de esta fórmula representa la varianza de extensión:

La primera parte de esta fórmula representa la varianza de extensión: Validación del kriging. Existen diferentes

Validación del kriging.

Existen diferentes métodos para evaluar la bondad de ajuste del modelo de semivariograma

elegido con respecto a los datos muéstrales y por ende de las predicciones hechas con kriging. El

más empleado es el de validación cruzada, que consiste en excluir la observación de uno de los n

puntos muéstrales y con los n-1 valores restantes y el modelo de semivariograma escogido,

predecir vía kriging el valor de la variable en estudio en la ubicación del punto que se excluyó. Se

piensa que si el modelo de semivarianza elegido describe bien la estructura de auto correlación

espacial, entonces la diferencia entre el valor observado y el valor predicho debe ser pequeña. Este

procedimiento se realiza en forma secuencial con cada uno de los puntos muéstrales y así se obtiene

un conjunto de n “errores de predicción”. Lo usual es calcular medidas que involucren a estos

errores de predicción para diferentes modelos de semivarianza y seleccionar aquel que optimice

algún criterio como por ejemplo el del mínimo error cuadrático medio (MECM). Este

procedimiento es similar a la conocida técnica de remuestreo Jacknife (Efron, 1982) empleada en

diversos contextos estadísticos para calcular varianzas de estimación, entre otros aspectos. Una

forma descriptiva de hacer la validación cruzada es mediante un gráfico de dispersión de los

valores observados contra los valores predichos. En la medida en que la nube de puntos se ajuste

más a una línea recta que pase por el origen, mejor será el modelo de semivariograma utilizado

para realizar el kriging.

Representación de las predicciones Una vez se ha hecho la predicción en un conjunto de puntos

diferentes de los muéstrales vía kriging, se debe elaborar un mapa que dé una representación global

del comportamiento de la variable de interés en la zona estudiada. Los más empleados son los

mapas de contornos, los mapas de residuos y los gráficos tridimensionales. En el caso de los mapas

de contornos, en primer lugar se divide el área de estudio en un enmallado y se hace la predicción

19

en cada uno de los nodos de éste mismo. Posteriormente se unen los valores predichos con igual

valor, generando así las líneas de contorno (isolíneas de distribución). Este gráfico permite

identificar la magnitud de la variable en toda el área de estudio. Es conveniente acompañar el mapa

de interpolaciones de la variable con los correspondientes mapas de isolíneas de los errores y de

las varianzas de predicción (posiblemente estimados a través de métodos matemáticos), con el

propósito de identificar zonas de mayor incertidumbre respecto a las predicciones. • Intervalos de

Confianza. Asumiendo que los errores de predicción siguen una distribución normal estándar y

que son independientes, un intervalo de confianza del 100(1-α)%, 0

Kriging Ordinario

Suponga que se hacen mediciones de la variable de interés Z en los puntos xi , i= 1, 2,

...

,

n, de la

región de estudio, es decir se tienen realizaciones de las variables Z(x1),

. . .

, Z(xn), y se desea

predecir Z(xo), en el punto x0 donde no hubo medición. En esta circunstancia, el método kriging

ordinario propone que el valor de la variable puede predecirse como una combinación lineal de las

n variables aleatorias así:

en cada uno de los nodos de éste mismo. Posteriormente se unen los valores predichos con

en donde los λi representan los pesos o ponderaciones de los valores originales. Dichos pesos se

calculan en función de la distancia entre los puntos muestreados y el punto donde se va a hacer la

correspondiente predicción. La suma de los pesos debe ser igual a uno para que la esperanza del

predictor sea igual a la esperanza de la variable. Esto último se conoce como el requisito de

insesgamiento. Estadísticamente la propiedad de insesgamiento se expresa a través de:

en cada uno de los nodos de éste mismo. Posteriormente se unen los valores predichos con

20

Asumiendo que el proceso es estacionario de media m (desconocida) y utilizando las propiedades

del valor esperado, se demuestra que la suma de las ponderaciones debe ser igual a uno:

Asumiendo que el proceso es estacionario de media m (desconocida) y utilizando las propiedades del valor
Asumiendo que el proceso es estacionario de media m (desconocida) y utilizando las propiedades del valor

Se dice que Z * (x0) es el mejor predictor, lineal en este caso, porque los pesos se obtienen de tal

manera que minimicen la varianza del error de predicción, es decir que minimicen la expresión:

21

CONCLUSIONES:

Se reconoció satisfactoriamente las diferentes técnicas explicadas en el

documento visto anteriormente para su aplicación en minería y en

diferentes ramas educativas

Se determinó atreves de cálculos explicados con las fórmulas de los

métodos vistos se determinó por sectores las leyes de interés en minería

Se reconoció y se identificó los diferentes métodos usados para la

estimación de datos tomados en campo

Reconocimos los parámetros generales y básicos que hay q tener en cuenta

para la elaboración de una simulación mediante el método de Kriging

22

RECOMENDACIONES

Existen diferentes métodos de simulación, pero uno de los más destacados y reconocidos

en el mundo de la geo estadística es el Kriging por su eficiencia y cercanía a la exactitud

basados en los diversos factores q tiene en cuenta en la hora de la toma de datos

En las diferentes técnicas vistas anteriormente ninguna posee una exactitud del 100% ya

que siempre conlleva a una simulación teórica la cual en la práctica se podría apreciar

ciertas discrepancias pus los valores podrían cambiar por la naturaleza

23

11.-WEBGRAFIA:

http://cg.ensmp.fr/bibliotheque/public/matheron_ouvrage_00536.pdf

https://es.scribd.com/doc/315459789/introduccion-a-la-teoria-de-variables-

regionalizadas-pptx

Libro de Geoestadistica Aplicada

Geoestatistics with Applications in Earth Sciences

24