CRECE EN EL ÁMBITO PROFESIONAL.

ESTUDIA,
CAPACÍTATE Y ESPECIALÍZATE EN PRO
LEARNING.
Geoestadistica Basica

Ing. Edward Chirinos Peralta

Ingeniero de Planeamiento Corto Plazo
FREEPORT MCMORAN
 CONTENIDO

TEORIA PRACTICA
•
• CONCEPTOS BASICOS CARGUIO DE DATOS (COLIBRI)

• IMPORTANCIA DE EDA

• ANALISIS EXPLORATORIO DE DATOS • CARGUIO DE LEYES DE ORO (EL DORADO)

• VARIOGRAMA • EDA Y VARIOGRAMA

• CARGUIO DE DATOS DE COBRE (PROYECTO FINAL)

• ANISOTROPIA • MACRO SELECCION

• DOMINIOS Y ANALISIS DE CONTACTOS • ANALISIS DE CONTACTO

• VARIOGRAFIAGENERACION DE MODELO DE BLOQUES

• VARIOGRAFIA • CODIFICACION DE SOLIDOS EN MODELO DE BLOQUES

• VECINDAD DE BUSQUEDA • VALIDACION CRUZADA Y VECINDAD DE BUSQUEDA

• METODOS DE INTERPOLACION (NN, IDW, KRG)

• VALIDACION CRUZADA • VISUALIZACION DE DATOS 3D Y PALETA DE COLORES

• METODOS DE INTERPOLACION Y KRIGEAGE • EXPORTAR MODELO DE BLOQUES

• IMPORTACION DE MODELO A MINESIGHT

• INTRODUCCION A SIMULACIONES CONDICIONALES
VARIABLE ALEATORIA
VARIABLE ALEATORIA?
VARIABLE REGIONALIZADA
 VARIABLE ADITIVA

SACO DE 30% CU SACO DE 40% CU

5KG 5KG

SACO DE 35% CU
10KG
VARIABLE NO ADITIVA

SACO DE 30% CU SACO DE 40% CU

30KG 5KG

SACO DE 35% CU
35KG??????
SOPORTE
 COMPOSITAR

Testigos originales
Compósitos
con su ley de cobre
ISATIS
GEOESTADISTICA BASICA
ANALISIS ESTADISTICO DE DATOS
ISATIS
GEOESTADISTICA BASICA
ANALISIS EXPLORATORIO DE DATOS
 ANALISIS EXPLORATORIO DE DATOS
La geoestadistica es el estudio de las variables regionalizadas, de las cuales
obtenemos información mediante la toma de muestras.

ANTES DE USAR METODOS GEOESTADISTICOS COMPLEJOS ES CONVENIENTE REALIZAR

UN ESTUDIO EXPLORATORIO DE DATOS.

¿EN QUE CONSISTE UN ESTUDIO EXPLORATORIO DE DATOS?

ANALISIS EXPLORATORIO DE DATOS
1. Analizar, mediante herramientas estadísticas simples, la cantidad, la calidad y
la ubicación de los datos disponibles.

2. Definir la(s) zona(s) de estudio. Es decir crear sub zonas de estudio si se

observa cambios abruptos en la distribución espacial de los valores o si la
geología lo indica.

3. Anticipar problemas que puedan surgir en el transcurso del estudio (por

ejemplo, presencia de valores atípicos que se destacan de aquellos de los datos
vecinos).
DESPLIEGUE DE DATOS (MAPAS)
Este mapa, permite visualizar la ubicación de los datos en el espacio.

Este Mapa de Datos

 nos permite definir nuestra zona

de estudio

 nos da idea del diseño de la

malla de perforación

 nos permite ver zonas de

agrupamiento de datos.(clusters)

Se puede agregar leyenda y así

podemos visualizar zonas de leyes altas
y zonas de leyes bajas.
DISTRIBUCIÓN ESTADÍSTICA DE LOS VALORES (HISTOGRAMA)
Interesa conocer la distribución estadística de sus valores, para ello usamos la
herramienta Histograma.
El Histograma:

 Es una herramienta útil para detectar

valores atípicos («outliers»)

 Permite verificar la homogeneidad del

campo donde se muestrean los datos.
(Histogramas Multimodales)

 Permite tener idea de la distribución

que siguen los datos (lognormal,
Normal)
 NUBE DE CORRELACIÓN (AU-CU)
Esta nube consiste en ver una variable en función de otra, para esto se requiere que las
variables hayan sido medidas en los mismos sitios.

Nube de correlación:

 Es una relación que sirve para hallar

la relación par a par
 Permite detectar valores atípicos que
se alejan de toda la nube.

 El índice de correlación varia entre -1

y1
 GRAFICA DE PROBABILIDAD (P-P PLOT)
Este grafico sirve para comparar una distribución experimental con una distribución de
referencia (en general, una normal con una log normal).

Consiste en cambiar la escala de los ejes del histograma acumulado de tal modo que, si
la distribución experimental coincide con la distribución de referencia se dibujaría una
recta.

Prob AU VS Prob AU Prob (logAu) VS Prob logAu

GRAFICA DE PROBABILIDAD (P-P PLOT)
 Grafica evidenciando
comportamiento lognormal del oro.

 Permite saber cuantos grupos de

estudio vamos a tener

 En esta grafica se puede ver que solo

se tendrá un grupo de estudio.

En la practica, si se tuviera varias zonas de estudio se tendrían varias

rectas con diferentes pendientes. No necesariamente con el mismo
comportamiento (distribución experimental)
Estas zonas se marcan, por rocas de diferente permeabilidad, o por otras
características que tienden a formar familias.
Estas zonas no pueden ser estimados con el mismo radio de influencia.
VARIOGRAMA EXPERIMENTAL (OMNIDIRECCIONAL)
Esta variograma es un variograma experimental, tal cual los datos fueron
proporcionados.
Omnidireccional, significa en todas las direcciones, por lo que es un variograma global y
no nos servirá para hacer estimación pero si para ver el comportamiento de nuestro
alcance.
El variograma Omnidireccional:

 Nos servirá para ver si los datos

están siguiendo el comportamiento
usual.

 O ver si hay clara evidencia de

datos erráticos.

 Nos servirá para hacer estimación,

solamente en yacimientos isótropos
(no metálicos).
VARIOGRAMA EXPERIMENTAL (OMNIDIRECCIONAL)
 Es muy susceptible a los datos
erráticos.

 Existen variogramas que minimizan

el efecto de altos erraticos y nos
permiten tener idea del alcance que
podriamos tener.

* A medida que el paso o Lag se reduce el variograma es mas errático y a

medida que aumenta se hace mas pepitico.

* El valor del paso (Lag) es dependiente del tipo de metal que se está
analizando, usualmente el oro se encuentra entre 20 y 40 m.
VARIOGRAMA RELATIVO PAIRWISE
Variograma que no es susceptible al efecto de altos erráticos. En este caso calculado con
el mismo lag que el anterior (30 metros).

 Nótese que este variograma es

diferente al variograma
experimental anterior.

 Esto significa que existe presencia

de datos erráticos en la data.

¿Cómo evidenciar el efecto de Datos Erráticos en nuestra data de información?

 NUBE VARIOGRAFICA
Sirve para estudiar la estabilidad numérica del Variograma Experimental.
Es la nube de la media de las diferencias al cuadrado de leyes de Au a una cierta
distancia.
 NUBE VARIOGRÁFICA
El análisis de esta nube permite localizar pares de datos responsables de valores altos en
el variograma experimental y poner en evidencia datos notablemente diferentes de sus
vecinos.

Zona de diferencias Altas

Zona de diferencias Bajas

 NUBE VARIOGRAFICA
Con a la nube variografica ya tenemos la certeza de presencia de datos erráticos y
también es posible identificarlos.
* Al seleccionar la zona de
diferencias altas, se pueden ubicar
los datos erráticos por medio del
mapa de datos.
ALTERACION
COMPORTAMIENTO
MINERALIZACION
La caracterización del depósito y la evaluación de sus recursos
dependen en gran parte del conocimiento de la geología.

 Mapas geológicos
Se basan en observaciones de superficie, trincheras, sondajes,
labores subterráneas. Sin embargo, lo esencial de estos mapas
corresponde a una interpretación. Por lo tanto, es necesario
revisar periódicamente estos mapas.

Se localizan los tipos de roca, fallas, pliegues, densidades y

orientación de fracturas o de vetas, y se determina sus edades
(anterior o posterior a la mineralización).
 Geometría de la zona mineralizada (contacto mineral - estéril)

Modelamiento en plantas y secciones de superficies y volúmenes

por interpolación / extrapolación a partir de la información de
sondajes; modelamiento tridimensional.

A menudo, las fronteras modeladas son más suaves (o sea, menos

erráticas) que las fronteras verdaderas; los errores geométricos
pueden ser localmente muy importantes e implican incertidumbre
en los tonelajes de mineral.
 Definición de unidades geológicas

Se suele dividir el depósito en varias zonas o “unidades geológicas”

(UG), según la litología, la mineralogía y/o la alteración existente.
También se puede incluir criterios metalúrgicos y condiciones
estructurales (fallamiento) en la definición de dichas unidades

• Verificar la pertinencia de la división; si es necesario, agrupar

varias unidades de propiedades similares

• Cada unidad debería presentar características “homogéneas”

Problemas asociados con la definición de unidades geológicas

 Transición entre una unidad y otra:

¿frontera “dura” o “blanda”? (examinar los perfiles de leyes
que cruzan la frontera)

 Extensión espacial de las unidades en el yacimiento

¿modelo determinístico o probabilístico? (las interpolaciones

están sujetas a errores, lo que implica una incertidumbre en los
volúmenes y tonelajes interpretados)
 Variables categóricas

Codifican una propiedad del yacimiento (tipo de roca, unidad

geológica...)  no confundir con una variable regionalizada
tradicional.

Se distingue tres grandes zonas:

• brecha de turmalina (centro)
• dioríta y granodioríta (este)
• otras brechas (oeste)
Los compósitos no deben cruzar fronteras “duras” entre unidades
geológicas distintas. Es frecuente que se pierdan segmentos de la
información inicial al compositar (en la frontera de una unidad
geológica o al final del sondaje).

Para variables categóricas (ej: código de litología o mineralogía),

se puede asignar al compósito el código que más se repite entre
las muestras del compósito o el código de la muestra ubicada en
su centro.
CONTACT ANALYSIS
GEOESTADISTICA BASICA
VARIOGRAMA
ANISOTROPIA
 CONSIDERACIONES PARA GENERACION DE
VARIOGRAMA
1. TAMAÑO DE LAG
2. NUMERO DE LAG
3. TOLERANCIA DE LAG
4. NUMERO DE DIRECCIONES
5. TOLERANCIA DE DIRECCIONES
 CASO PRACTICO

• PARA ESTE CASO PRACTICO CONSIDERAREMOS INFORMACION DE TALADROS BLASTHOLES DE

LA ZONA DE SULFUROS PRIMARIOS PARA OBSERVAR LOS DIFERENTES CASOS POSIBLES
 TAMAÑO DE LAG
1m 5m 15m

30m 60m 150m

 NUMERO DE LAG(LAG =15M)
5 10 15

20 30 100
DISTANCIA OPTIMA DE CALCULO DE VARIOGRAMA
 TOLERANCIA DE LAG
Sin tolerancia Tolerancia 1 Lag Tolerancia 7 Lag
 NUMERO DE DIRECCIONES
3 Direcciones (6o) 6 Direcciones (45) 18Direcciones (10)
 TOLERANCIA DE DIRECCIONES
Tol 0 Direct Tol 1 Direct Tol 18 Direct
GEOESTADISTICA BASICA
ANISOTROPIA Y VARIOGRAFIA
 ANISOTROPIA
Anisotropia isotropia
 GEOESTADISTICA BASICA
KRIGEAGE, VECINDAD DE BUSQUEDA Y VALIDACION
 CARACTERISTICAS DEL KRIGEAGE

• LINEAL

• INSESGO

• OPTIMO
CARACTERISTICAS DEL KRIGEAGE
VECINDAD
VALIDACION CRUZADA
 APLICACION FINAL DEL CURSO

• COMO REPASO BREVE SE MOSTRARA LA DATA ACADEMICA DEL PROYECTO ANDINA DE CHILE
• EL CUAL CONTIENE INFORMACION DE CU, SE REALIZARA EL ANALISIS DEL TIPO DE ROCA 20
• ACONTINUACION EL DESARROLLO:
EDA APLICACION ANDINA
EDA APLICACION ANDINA
EDA APLICACION ANDINA
EDA APLICACION ANDINA
EDA APLICACION ANDINA
VARIOGRAFIA
MODELO DE BLOQUES
VALIDACION VECINDAD UNICA
VALIDACION VECINDAD 5M
VALIDACION VECINDAD 10M
VALIDACION VECINDAD 15M
VALIDACION VECINDAD 20M
VALIDACION VECINDAD 25M
VALIDACION VECINDAD 30M
VALIDACION VECINDAD 35M
VALIDACION VECINDAD 40M
VALIDACION VECINDAD 45M
VALIDACION VECINDAD 50M
VALIDACION VECINDAD 100M
DATOS
VECINO CERCANO
IDW 2
IDW 2.5
IDW 3
KRIGEAGE
GEOESTADISTICA BASICA
PRINCIPIOS DE SIMULACION
 CONCEPTOS BASICOS

• DECLUSTER
 CONCEPTOS BASICOS

• ANAMORFOSIS
 Límites del kriging

• El kriging suaviza: el mapa de los valores estimados es más suave que el

mapa de los valores verdaderos

 no se puede predecir la ocurrencia de valores extremos

 no se puede trabajar sobre el mapa de valores estimados como si se

trataran de los valores verdaderos

 la intensidad del suavizamiento depende de la cantidad de datos en

la
vecindad
• La varianza de kriging no mide todas las fuentes de incertidumbre (no
toma en cuenta el efecto proporcional)
 Principios de la simulación

Construir mapas de valores que reproducen la variabilidad real de la

variable en estudio (histograma, variograma, distribución espacial...)

 cada mapa representa un escenario posible

 uso de las simulaciones

• análisis de riesgo: escenario más optimista / pesimista

• estimación: promediar las “respuestas” obtenidas en los escenarios

• medición de la incertidumbre: qué tan distintos son los escenarios

 posibilidad de realizar un cambio de soporte, al rebloquear los valores

en cada mapa simulado
 Principios de la simulación

La simulación se basa en la interpretación de la variable regionalizada como una

realización de una función aleatoria

 consiste en construir otras realizaciones de esta misma función aleatoria

 para ello, es preciso conocer la distribución espacial de la función aleatoria,

es decir, el conjunto de las distribuciones de probabilidad de múltiples puntos:
• distribución univariable (histograma)

• distribuciones bivariables

• distribuciones trivariables, ...

 conocer el valor de la media y el variograma es insuficiente

 Principios de la simulación

Noción de “fluctuaciones ergódicas”

Una función aleatoria es ergódica si las estadísticas experimentales (histograma,

variograma, etc.) calculadas sobre una realización particular, convergen hacia las
estadísticas del modelo cuando el dominio se vuelve muy grande.

Problema: el dominio simulado siempre está acotado

Por lo tanto, se espera observar discrepancias (“fluctuaciones ergódicas”) entre

las estadísticas experimentales y aquellas del modelo teórico. Para el
variograma, las fluctuaciones son pequeñas cerca del origen y se vuelven
considerables para distancias mayores que la mitad del diámetro del campo.
 Simulación condicional vs. no condicional

Para que sea realista, es deseable que cada mapa respete los valores
conocidos en los sitios de muestreo

 simulación “condicional”

 consiste en reproducir la distribución espacial a posteriori, i.e. condicional

a los datos disponibles o “local”

La simulación no condicional busca solamente construir mapas que tienen la

misma variabilidad que la variable en estudio, pero sin tomar en cuenta los
valores de los datos.

 busca reproducir la distribución espacial a priori

 Ilustración: perfiles de leyes
realidad

kriging

simulación condicional
 Modelo multi-Gaussiano

Definición: una función aleatoria {Y(x), x  Rd} tiene una distribución multi-
Gaussiana si toda combinación lineal ponderada de sus valores sigue una
distribución Gaussiana.
 Esto requiere en particular que el histograma sea Gaussiano

 El modelo posee propiedades interesantes:

• se caracteriza por sus dos primeros momentos (media y variograma)

• cualquier variograma es compatible con la distribución multi-Gaussiana

• el teorema del límite central facilita la búsqueda de algoritmos de

simulación
 Modelo que es lejos el más sencillo de todos
 Pasos a seguir para la simulación

1) Transformación de los datos a valores Gaussianos (anamorfosis)

2) Verificación del carácter bi-Gaussiano; análisis variográfico de la

Gaussiana
3) Simulación de la función aleatoria multi-Gaussiana

• elección de un algoritmo de simulación

• construcción de varias realizaciones

• condicionamiento a los datos Gaussianos disponibles (si el algoritmo no

lo hace directamente)

4) Transformación Gaussiana inversa, para volver a la variable original

 Algunos algoritmos
de simulación de funciones
aleatorias multi-Gaussianas
 Algoritmo secuencial
Principio
•Consiste en estimar un primer bloque de ubicación aleatoria con los datos
brindados y usar este bloque como dato real para estimar el siguiente bloque
de ubicación aleatoria y repetir el proceso hasta generar un modelo simulado,
puede requerir uso de anamorfosis gausiana
 Algoritmo secuencial
Pros
• método sencillo y fácil de ejecutar

• permite realizar directamente simulaciones condicionales a un conjunto

de datos: se considera estos datos como si fueran valores ya simulados
 Algoritmo secuencial

Contras

• Método lento: el sistema de kriging se vuelve cada vez más grande a

medida
que se desarrolla la simulación
 En la práctica, se restringe los valores condicionantes (datos iniciales +
valores previamente simulados) a los más cercanos del sitio a simular, es
decir, se usa una vecindad móvil.
 Fuente de imprecisión, que requiere ciertos “trucos” para minimizar sus
efectos:
aleatorización del orden de los sitios a simular, para evitar
artefactos
 Algoritmo secuencial

Ejemplo

Simulación de una función aleatoria Gaussiana de variograma esférico + pepa

en un dominio de 400 × 400: variogramas de 100 realizaciones
Vecindad con 20 datos Vecindad con 100 datos
condicionantes condicionantes
 Método de bandas rotantes

Principio

Simplificar el problema de la simulación en espacios multidimensionales,

usando simulaciones unidimensionales y “esparciéndolas” al espacio 2D o
3D
 Método de bandas rotantes

Función aleatoria en 1D Esparcimiento a 2D

 Método de bandas rotantes

Aplicación

Simulación de una función aleatoria Gaussiana de variograma esférico + pepa

en un dominio de 400 × 400: variogramas de 100 realizaciones

1000 rectas equi-distribuidas