MTODOS GEOESTADSTICOS BSICOS

PARA LA EVALUACIN DE RECURSOS

MINERALES

Capacitacin-Cerro Corona

Agosto 2006

CONTENIDO

Introduccin
Motivacin
Antecedentes histricos y tendencias actuales
Cambio de Soporte y Post-Procesamiento
Alcance
Estudios de Caso
Discusiones

ANTECEDENTES HISTRICOS
La Geoestadstica Minera en los ltimos
Cincuenta Aos
Resumen del nacimiento de la Geoestadstica,
fortalezas y limitaciones, xitos y fracasos, y
razones de los mismos

ANTECEDENTES HISTRICOS
La Geoestadstica Minera en los ltimos
Cincuenta Aos
Distribucin Log-normal de Valores de Muestras
tomadas en Minas de Oro Sudafricanas Sichel,
finales de la dcada de los 40
La observacin realizada por Danie Krige en las
Minas de Oro Sudafricanas en 1951 constituye el
fundamento de la geoestadstica:
Se puede prever que los valores de oro a nivel de toda una
mina estarn sujetos a una mayor variacin relativa que los
valores de oro a nivel de slo una parte de la mina [en
otras palabras, es ms probable que las muestras tengan
valores similares si son tomadas en puntos cercanos que
si son tomadas en puntos ms distantes]

ANTECEDENTES HISTRICOS
La Geoestadstica Minera en los ltimos
Cincuenta Aos

Contribucin al Marco Terico Matheron, dcada de los

60
Matheron acu el trmino Kriging en reconocimiento al
trabajo pionero de Krige
Avances significativos a nivel terico, dcada de los 70
Disminucin General en el Ritmo de Avance proceso de
maduracin, dcada de los 80, y una vez ms se reconoce
a la geologa como elemento vital en el modelamiento de
depsitos
Se cometieron errores desastrosos tales como: uso de
datos inapropiados (GIGO), desestimacin de la geologa,
escasa comprensin y aplicaciones ineficientes

TENDENCIAS ACTUALES
Perspectiva Internacional y Mejores Prcticas

Mtodos de estimacin actualmente utilizados

Modelos de eficiencia
Modelos de Cambio de Soporte
Tcnicas de Post-Procesamiento
Modelamiento de Incertidumbres y Riesgos:
Estimacin y Simulacin
Avance hacia el Futuro

TENDENCIAS ACTUALES
Mtodos de estimacin Depende de la
naturaleza del depsito y el objetivo del
modelamiento
Kriging simple y ordinario mtodo de regresin
multivariada original empleado por Krige
Kriging Log-normal
Kriging universal
Kriging disyuntivo
Pruebas iterativas de kriging de indicadores
(kriging de probabilidades-PK, kriging de
indicadores mltiples-MIK, etc.)
7

TENDENCIAS ACTUALES
SESGOS CONDICIONALES

Subvaloracin y sobrevaloracin sistemticas de

estimados de bloques en diferentes categoras
de leyes.

EXPLICACIN DE SESGOS
CONDICIONALES
6

Y sobre X

Y=X

VALORES REALES.

SOBREESTIMACIN
SUBESTIMACIN
5

3
3

ESTIMADOS DE BLOQUES

TENDENCIAS ACTUALES
Modelos de Eficiencia

Definicin y explicacin de Eficiencia

Falta de Eficiencia y decisiones econmicamente
costosas de minado selectivo

10

MODELO DE EFICIENCIA

% EFICIENCIA

CORRELACIN ENTRE EFICIENCIAS Y PENDIENTES

VALORES REALES/ESTIMADOS PENDIENTE DE REGRESIN

11

INTRODUCCIN
ESTADSTICA CLSICA Y ESPACIAL
Dos Enfoques Estadsticos Principales de la Evaluacin de Recursos Minerales
Estadstica Clsica y Espacial
Estadstica Clsica: Asume que las muestras son aleatorias o que no estn correlacionadas
Ignora las posiciones relativas de las muestras (E.G., WITS y T de Sichel)
Muy pocas situaciones
Estadstica Espacial: Toma en cuenta la correlacin entre las muestras
Es ms probable que las muestras de un tajo sean similares si stas se toman en
puntos cercanos que si se toman en puntos distantes
La Teora de Geoestadstica est basada en la estadstica espacial. Cubre una rama de la estadstica
aplicada orientada a la descripcin matemtica y el anlisis de observaciones espaciales (incluyendo
observaciones geolgicas)

12

INTRODUCCIN
ESTIMACIN
Se define como la prediccin del valor de una caracterstica en una ubicacin donde dicho valor se
desconoce, en base a los valores de las caractersticas medidas en ubicaciones conocidas.
Error de Estimacin: Discrepancia entre el valor estimado y el Valor Real. Depende de:

La variabilidad de los valores a estimar

La eficiencia del mtodo de estimacin

La cantidad de informacin disponible

Ejemplo de Modelo Geolgico (6)

13

INTRODUCCIN
ETAPAS DE ESTIMACIN (8)
CRITERIOS PARA LA EVALUACIN DE MODELOS
En promedio, los modelos, conceptos, supuestos y estimados
deben ser correctos
Los errores individuales locales deben ser mnimos

14

INTRODUCCIN
MUESTREO Y MINADO: Medicin de Variabilidad en diferentes Escalas (10)
El ensayo o medicin realizada a una muestra es un promedio medido sobre el volumen de la muestra,
por ej. un testigo de perforacin o una muestra de guijarros.
A medida que el volumen cambia, las caractersticas de los valores medidos cambian tambin (Ver
ejemplos (10))
El Promedio de las leyes es el mismo para las distintas longitudes
Sin embargo, la variabilidad de las leyes medidas se reduce ste es un concepto general conocido
como relacin Volumen-Varianza.
A medida que el volumen sobre el cual se toma la muestra aumenta, la varianza o variabilidad de los
valores de la muestra se reduce.
El minado (seleccin) se realiz en base a un volumen de bloque especfico o paneles y no a

volmenes de testigos de perforacin.

Los Tonelajes y Leyes pronosticadas en base a testigos de perforacin no se pueden lograr en base a

bloques de minado.

Se aplica a bloques de minado o Unidades de Minado Selectivo inapropiados

15

INTRODUCCIN

CONSECUENCIAS PRCTICAS DEL EFECTO DE ESCALA

Ejemplos para Trabajar (En Clase)

16

CORTES Y CAMBIO DE SOPORTE

0.90

0.95

1.00

0.90

0.90

1.00

1.05

1.10

1.05

1.35

1.25

1.20

1.15

1.20

1.30

1.30

Bloque Grande dividido en bloques SMU (Unidad de

Minado Selectivo) de 16 5m x 5m

Bloques pequeos

Bloque grande

Proporcin sobre ley de -corte

Bloques pequeos Bloque grande

1.10
1.16
1.25

1.10
1.10
0.00

100%
75%
44%

Ley media sobre ley de corte

-

Ley-de corte
0.90
1.00
1.15

100%
100%
0%

17

INTRODUCCIN
ESTADSTICA DESCRIPTIVA
DEFINICIONES

POBLACIN: Grupo de objetos con caractersticas especficas

MUESTRA: Nmero de objetos seleccionados de la poblacin de

acuerdo con ciertas reglas especficas. Las caractersticas de la
muestra se miden y estudian para hacer una inferencia.

SOPORTE: En geoestadstica, una muestra es asociada a su soporte;

se refiere al tamao, volumen, forma y orientacin de la muestra.

18

INTRODUCCIN
ESTADSTICA DESCRIPTIVA
ZONAS HOMOGENEAS GEOLGICAS
Todo anlisis geoestadstico requiere que las poblaciones en estudio sean
razonablemente homogneas, es decir, que los datos no cubran a una
mezcla de poblaciones con caractersticas significativamente distintas
Los tipos de mineralizacin/minerales (por ej. supergnicos, hipognicos,
etc., y tambin sub-dominios) proporcionan una base til y fundamental en
este aspecto.
Siempre recordar el prefijo GEO en GEOestadstica.
NOTACIN (13)

19

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (16)
DISTRIBUCIN DE DATOS MEDIANTE HISTOGRAMAS O FREQUENCIAS
Una distribucin de frecuencias describe cmo las unidades de una
poblacin estn distribuidas en el rango de sus posibles valores
Ejemplos Trabajados en base a Datos
Frecuencia Relativa
Frecuencias Acumuladas y Acumuladas Inversas

20

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (18,19)
HISTOGRAMA DE LEYES DE DIFERENTES TAMAOS DE
MUESTRA
Ntese la pequea proporcin de ensayos con resultados de alta
ley y una proporcin ms pequea de ensayos con resultados de
baja ley para longitudes de testigos de 2m

21

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (20)
MEDIDAS DE TENDENCIA CENTRAL O POSICIN
Distribuciones Simtricas y Asimtricas o Histogramas
MEDIA: la medida comnmente utilizada es la media aritmtica
MODA: La moda de un conjunto de nmeros es el valor que aparece con mayor
frecuencia, es decir, es el valor que ms se repite; picos de histogramas
Ejemplo 1. La moda del conjunto 2,5,7,9,9,9 10 es 9
Ejemplo 2. El conjunto 3,5,8,10 no tiene moda
Ejemplo 3. El conjunto 3, 4,4, 5, 5 ,7 tiene dos modas, 4 y 5-bimodal
As, pueden existir varias modas. Esto podra representar una mezcla de poblaciones
(zonas no homogneas) (Ver Fig.13). A la distribucin que slo tiene una moda se le
denomina unimodal.

22

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (23)
MEDIDAS DE TENDENCIA CENTRAL O POSICIN
MEDIANA: Es el valor central o la media aritmtica de los dos valores centrales.
Divide los datos en dos mitades iguales.
Ejemplo 1
La mediana de 3,4,4,6,7,8,8,8,10 es 7
Ejemplo 2
La mediana de 5,5,7,9,11,12,15,18 es (9+11) = 10
RELACIN ENTRE MEDIA, MEDIANA Y MODA (FIG 14)

23

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (23,24)
RELACIN ENTRE MEDIA, MEDIANA Y MODA PARA SOPORTES
O LONGITUDES DIFERENTES (Tabla 4)
La Media ser siempre la misma, cualquiera sea la longitud o
volumen de la muestra
La moda y la mediana cambian.

24

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (25)
MEDIDAS DE DISPERSIN O VARIACIN
El grado en el cual los datos numricos estn dispersos con respecto a un valor promedio.
- Los histogramas ubicados o centrados en los mismos valores medios pueden diferir (Fig. 18).
La variacin, magnitud o dispersin proporcionan su identidad.
- La dispersin o variacin puede darse con respecto a la media, mediana o moda.
- La medida de dispersin ms comn: Rango, desviacin media, rango intercuartlico, varianza y
desviacin estndar
- Rango = mximo - mnimo
Ejemplo: 2,3,5,12 : (12-2=10)
- Desviacin Media o Desviacin Absoluta Media (28)
- Rango Intercuartlico = el 75vo valor ms grande el 25vo valor ms grande
- Rango Semi-intercuartlico e= del rango intercuartlico

25

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (28 & 29)
MEDIDAS DE DISPERSIN O VARIACIN
VARIANZA
= La desviacin promedio elevada al cuadrado con respecto a la
media.
= suma de (valor muestral - media)**2
nmero de muestras 1
Es la medida de dispersin o magnitud de valores ms usada
Ejemplo (28)
DESVIACIN ESTNDAR = Raz cuadrada de la varianza.

26

INTRODUCCIN
EJEMPLOS TRABAJADOS
1.

Calcule la media, moda, mediana, varianza y desviacin

estndar del conjunto: 2 2 5 7 9

27

INTRODUCCIN
PROPIEDADES DE LA DESVIACIN ESTNDAR Y LA DISTRIBUCIN NORMAL
HISTOGRAMAS MODELO

Curva de frecuencia suave para histogramas (Fig. 19, pg. 32)

Distribucin Normal (33): mayormente as denominada (Usada para la transformacin

Normal o Gausiana)

En la Distribucin Normal (34):

El 68.45% de todos los valores estn comprendidos entre (media-s) y (media + s)
(es decir, una desviacin estndar en cualquier lado de la media)
El 95% de todos los valores estn comprendidos entre (media-2s) y (media+2s)
(es decir, dos desviaciones estndar en cualquier lado de la media)
El 99% de todos los valores estn comprendidos entre (media-3s) y (media+3s)
(es decir, tres desviaciones estndar en cualquier lado de la media)

Las distribuciones geolgicas son desviadas y no son directamente normales, aunque

aquellas que han sido transformadas logartmicamente pueden ser normales; a tales
distribuciones se les denomina log-normales. Para las distribuciones log-normales, la
desviacin log-estndar tiene propiedades similares a las antes mencionadas (68%, 95%
99%)

28

INTRODUCCIN
EJEMPLOS TRABAJADOS (David : Clase)
Tablas de Distribucin Normal (Determinadas por la media y la varianza/Desviacin
Estndar)
- Distribucin Normal Estndar
Todas las distribuciones normales se pueden transformar a distribuciones
estndar:
Valor Normal Estndar = (valor muestral media de la muestra)
desviacin estndar
Se puede usar la funcin NORMDIST de Excel para hacer el clculo
Se proporcionan Tablas Compiladas en la forma estndar

29

INTRODUCCIN
EJEMPLOS TRABAJADOS (David : Clase)
Pregunta: Supongamos que descubrimos un importante yacimiento de oro de 100
mt, con un promedio de 5.4 gramos/tonelada (g/t) y una distribucin normal de
leyes. La desviacin estndar de muestras de testigos de perforacin es 0.7. El
mineral debe ser extrado en tres categoras: por debajo de 4.6 g/t, debe ser apilado
para el descanso navideo; por encima de 4.6 g/t y por debajo de 6 g/t, va a la
Planta I; por encima de 6 g/t es transportado a una planta diferente (Planta II).
Estime el tonelaje de cada categora (Usando la Tabla de Distribucin Normal
Estndar).
- Ahora la seleccin de bloques de minado se realizar en bloques o paneles de
Unidades de Minado Selectivo (SMU) mucho ms grandes, teniendo una
desviacin estndar ms pequea de 0.4. Estime los nuevos tonelajes extrados en
esta Grande Unidad de Minado Selectivo (Definir SMU). Comparar el impacto del
cambio de SMU con el primer ejemplo.

30

INTRODUCCIN
DISTRIBUCIN LOGNORMAL
El histograma logartmico (leyes) es normal.
Ventaja: Mejor manejo de datos sesgados y uso de las propiedades
de la distribucin normal.
T de Sichel.
CLD y LNGIG.
Detalles y Ejemplos (fotocopia-WITS).
(CORTE NATURAL DE INFORMACIN 1).

31

INTRODUCCIN
AGRUPACIN DE DATOS
Muestreo por conglomerados o agrupacin de
taladros - representan sesgo humano (por ej., se
hacen ms perforaciones para confirmar las reas
con mineral de alta ley).

Crea sesgo en estadstica e histogramas.

32

INTRODUCCIN
DESAGRUPACIN DE DATOS

Geozonas separadas para poblaciones mixtas

Poblacin nica

Uso de mallas sobre los datos

OPCIONES

Seleccionar slo un dato por celda

Ponderar inversamente las muestras en los bloques

respectivos

Promediar los datos dentro de las celdas

Probar varias celdas y orgenes

Ejemplo y Discusin

33

INTRODUCCIN

DOS VARIABLES (35)

Media condicional y varianza condicional
Covarianza y correlacin (38-42)

34

INTRODUCCIN
REGRESIN (43)
Anlisis de Regresin (Lineal, multi-lineal, etc.)
Coeficiente de covarianza y correlacin
(CORTE NATURAL DE INFORMACIN)

35

CRITERIOS DE ESTIMACIN
FUENTES DE ERROR (48-53)
Errores de estimacin debido a la variabilidad de
las leyes
Las fuentes de error debido a variabilidad son:
Continuidad
Zona de influencia
Variacin estructural y a pequea escala
Grado de homogeneidad
Modo de Formacin

36

VARIOGRAMA
EJEMPLO SIMPLE DE VARIOGRAMA-ESTRUCTURA ESPACIAL (63)
Valores de ley en un tajo (g/t)
1) 1 7 3 6 2 9 4 8 5
2) 1 3 5 7 9 8 6 4 2
Para ambos: Media
= 5g/t
Varianza
= 6.7
Pero la naturaleza de la variabilidad es muy diferente
1) Es muy errtica
2) Cambia; es gradual y sistemtica
Promedio de (diferencia)**2 entre pares sucesivos
1) 22.0
2) 3.6

baja correlacin
alta correlacin

= Valores de Variograma

37

VARIOGRAMA
DEFINICIN (64)
El variograma para un espaciamiento de muestra d es la
mitad de la diferencia promedio al cuadrado entre
todos los pares de muestras separados por una
distancia d
Ejemplo-1-D Manual (65)
Tambin 2-D y 3-D (67, 69)
NOTA: Variograma y Semivariograma se utilizan
indistintamente

38

VARIOGRAMA
PROPIEDADES DEL VARIOGRAMA (70)
Zona de Influencia
- En general, el variograma aumenta con la distancia
- En promedio, la diferencia entre los valores aumenta con la distancia
- La tasa de aumento del variograma refleja la tasa a la cual la influencia o
correlacin de valores disminuye con la distancia
- La tasa de aumento puede variar (anisotropa) o no (isotropa) Ver Fig. 46
Continuidad (71)
Es reflejada por la tasa de crecimiento del variograma sobre distancias pequeas.
Cuando el grado de continuidad es alto, existe muy poca diferencia entre las
muestras tomadas en puntos cercanos, y los valores del variograma para distancias
pequeas sern bajos.
- Mientras ms bruscos sean los cambios en los valores muestrales, ms altos
sern los valores del variograma.
Ver Fig. 47 (desde a hasta d)

39

VARIOGRAMA
PROPIEDADES DEL VARIOGRAMA (70)
Estructuras de Transicin (72, Fig. 48)
- Rango : Coloca un valor mximo en la zona de influencia
- Meseta : El variograma flucta alrededor de un valor
constante=meseta (varianza)
Anisotropas (73)
- El grado de continuidad cambia con la direccin (Fig. 49)
- Anisotropas geomtricas y zonales
- Homogeneidad geolgica y variogramas (Fig. 53)

40

VARIOGRAMA
TIPOS DE VARIOGRAMAS EXPERIMENTALES
Tradicional: Uso de leyes brutas en la frmula del variograma
Variogramas logartmicos: transformacin logartmica (logaritmo(leyes)) antes del
clculo del variograma.
De Indicadores: Transformacin de indicadores antes del clculo.
Relativo: Divide el variograma para las distancias respectivas entre el cuadrado de
la media de los datos usados para calcular el variograma.
Relativo de parejas
por cada par de muestras
dividir entre (la mitad de (muestras de cabeza + muestras de relave)**2
Variograma de puntajes normales: Transforme los datos a distribucin
normal estndar antes del clculo del variograma
Covarianza: Mapea la parte de correlacin del variograma (la correlacin disminuye
con la distancia)
Correlograma: Divida entre (desviacin estndar de muestras de cabeza)*desviacin
estndar de muestras de relave)

41

VARIOGRAMA
MODELADO DE VARIOGRAMAS
EXPERIMENTALES

Tpicos: Modelo de Variograma Esfrico (Fig.

54, pp82 : Fig. 57, pp84)

Lineal, gausiano

Estructuras Anidadas

42

VARIOGRAMA
INTERPRETACIN Y MODELADO DE VARIOGRAMAS: PROBLEMAS Y
SUGERENCIAS
INGREDIENTE MS IMPORTANTE
Conocimiento geolgico; Controles sobre mineralizacin
- Estructural estructuras transversales, etc.
- Direccin, buzamiento
Variogramas a lo largo del taladro: informacin densa, asistencia para estimados de pepita
Espaciamiento de Paso - Distancia incremental para el clculo de variogramas
Por lo menos distancia de paso (lag)=espaciamiento de muestreo
Espaciamiento desigual de muestras Uso de compsitos relativos a la escala de minado o mltiplos
(87)--- tambin los datos disponibles despus de compositar o regularizar
Datos no alineados: uso de ngulo de Tolerancia (Fig. 59-pp88)
Alta anisotropa esperada (uso de ngulo de menor tolerancia, datos limitados-mayor tolerancia
Visualizacin del nmero de parejas usadas por paso, modelo para meseta=varianza de datos
Variogramas errticos: Cortes Superiores, transformacin logartmica, transformacin Gausiana, etc.
Variograma cruzado (91)
EJEMPLOS ( en Datamine - Prcticas)

43

VARIOGRAMA
VARIOGRAMAS: DIFERENTES TAMAOS DE SOPORTE O BLOQUE (85)
El variograma representa caractersticas espaciales medidas para
soporte o volumen especfico.

un

Cada tamao de soporte, por ej. muestras de guijarros individuales en

una seccin de minado, es decir, partculas de cms de tamao, y
promedios de 50x50m en la misma seccin, producir variogramas
distintos.
Por lo general:
- El efecto de pepita disminuye con el aumento del TAMAO DE
SOPORTE O BLOQUE
- La varianza de los valores se reduce a medida que su volumen o
tamao aumenta
- El rango de influencia tiende a aumentar el tamao de soporte
(CORTE NATURAL DE INFORMACIN)

44

VARIOGRAMA
CLCULOS NUMRICOS DE VARIOGRAMAS DENTRO DE
VOLMENES (DISCRETIZACIN):

Ejemplos
Relacin de Krige (94)

(CORTE NATURAL DE INFORMACIN)

45

TCNICAS DE ESTIMACIN
GENERALIDADES
Principios de estimacin
Varios mtodos de estimacin
Fortalezas y debilidades de las diferentes tcnicas

46

TCNICAS DE ESTIMACIN
PRINCIPIOS DE ESTIMACIN
Controles e ingresos geolgicos fundamentales (GEO
en GEOestadstica)
Proporcionar estimados precisos e insesgados: globales
y locales. Estimados para estudios de factibilidad
confiables y para diversos requerimientos de
planificacin minera (a corto, mediano y largo plazo)
Impacto directo sobre $$$$

47

TCNICAS DE ESTIMACIN
CALIDAD DE LA ESTIMACIN
Ejemplos de elipse de error (Estimacin buena y
deficiente: sesgos condicionales)
IMPACTO DE ESTIMACIONES IMPRECISAS
Decisiones erradas sobre factibilidad de uso intensivo de
capital
Asignacin errnea de material mineral y de desecho
Prdidas operativas
Posibilidad de reconciliacin deficiente

48

TCNICAS DE ESTIMACIN
EJEMPLOS
Vecino ms prximo
Poligonales
Inverso de la distancia (varias
potencias)
Kriging (varias pruebas iterativas)

49

TCNICAS DE ESTIMACIN
VECINO MS PRXIMO (NN)
Valor muestral asignado al punto de estimacin
Ejemplo
+ 4g/t

+?

+ 10g/t

A a B = 5m,

B a C =15m

Estimado del vecino ms prximo para el punto B = 4g/t

Ventaja: rpido, no requiere ponderacin matemtica
Desventaja: imperfecto, ignora la variabilidad espacial de las leyes y el
efecto de escala (volumen-varianza)

50

TCNICAS DE ESTIMACIN
MTODOS POLIGONALES
Valor de la muestra dentro de los respectivos polgonos asignados como
estimados
Los polgonos pueden tener cualquier forma: cuadrangular, triangular,
seccional, etc.
Ejemplo

Ventajas y desventajas: Ver Vecino ms Prximo (Consecuencias de aplicar

cortes a las muestras en lugar de SMUs)

51

TCNICAS DE ESTIMACIN
MTODOS DE PONDERACIN
Suma de las leyes de las muestras ponderadas
Estimado= ( peso1 * valor muestral1 + peso2 * valor muestral2 + peson *
valor muestraln )

Ejemplos
Media aritmtica: Asigna el mismo peso a todas las muestras

52

TCNICAS DE ESTIMACIN
MTODOS DE PONDERACIN DE LA DISTANCIA
MTODOS DE INVERSO DE LA DISTANCIA (ID)
Intuitivamente, las muestras ms cercanas estn ms correlacionadas al
punto de estimacin
Asigna altos pesos a las muestras cercanas
Estimado de ID= Suma de leyes de las muestras ponderadas
Ejemplos: Estimado del Inverso de la Distancia al Cuadrado (IDS): pondera
cada muestra en funcin inversa a la distancia 2 y divide el resultado entre la
suma de las distancias inversas2

+ 1.1
+ 0.5
A

B
+?
C

+1.5
D

AC= 8m, BC= 7m, CD= 12m

IDS = 0.5/(82) + 1.1/(72) + 1.5/(122)
((1/82) + (1/72) + 1/122))

53

TCNICAS DE ESTIMACIN
MTODOS DE PONDERACIN DE LA DISTANCIA
MTODOS DE INVERSO DE LA DISTANCIA (ID)
Ventaja
Rpido
Fcil de usar
Desventaja
Los supuestos no son siempre verificados. Por qu ID al cuadrado y no al
cubo, etc.
No se toma en cuenta el agrupamiento, los parmetros de variograma y la
escala
Puede hacer una sobreprediccin para cuerpos mineralizados con alto
efecto de pepita/sesgados positivamente.

54

TCNICAS DE ESTIMACIN
PONDERACIN DE LA DISTANCIA-ESTIMACIN
PTIMA (184)
KRIGING
Estimado= ( peso1 * valor muestral1 + peso2 * valor muestral2 +
peson * valor muestraln )

Los pesos (basados en el variograma) se computan para

proporcionar
un estimado insesgado
produciendo una varianza de estimacin mnima (error)
( CORTE ANTES DE LA DERIVACIN)

55

TCNICAS DE ESTIMACIN
PONDERACIN DE LA DISTANCIA-ESTIMACIN
PTIMA (184)
GENERALIDADES SOBRE LA DERIVACIN DE KRIGING (184-194)
EJEMPLOS
DISCRETIZACIN
IMPACTO DE LOS CAMBIOS SOBRE LOS PARMETROS DEL
VARIOGRAMA (Pepita, etc.)
DIFERENTES PRUEBAS ITERATIVAS (OK,SK,Lognormal, IK,MIK,
etc.)
ESTIMACIN Vs SIMULACIN
(CORTE)

56

PRUEBAS DE CALIDAD DEL KRIGING

SESGOS CONDICIONALES
EFICIENCIA DEL KRIGING
PESOS DEL KRIGING
CORRELACIN ENTRE VALORES REALES VS
VALORES ESTIMADOS
PESO DE LA MEDIA

57

PRUEBAS DE CALIDAD DEL KRIGING

SESGOS CONDICIONALES

58

SESGOS CONDICIONALES
Laeliminacindeestossesgosesfundamentalparalavaloracin
delmineralytodoslosprocedimientosgeoestadsticos.
David:EstimacinGeoestadsticadeReservasdeMinerales(1977):
Lainsesgadezcondicionalesel
temaclavedeltrabajopreparadoporKrigeen1951,
unodelostemasclavedeltrabajoquepreparen
1976,
Yluegoaparecicomounarevelacinparamuchagente.
Posteriormente,recalcademsqueexisteunefectode
suavizacininevitableenelprocesodekrigingporbloques.

59

SESGOS CONDICIONALES (continuacin)

PORQUSONIMPORTANTES?
Lafiguraqueapareceabajomuestracmoestossesgosdanlugaraunamalaclasificacindelos
bloquesdemineral,loqueconllevaaunniveldeutilidadmuyinferioralquesepodralograr.
Lneadetendencia=lneaderegresin,ypendiente(esdecir,desvoconrespectoalapendiente
de45grados)=medidadesesgo.
ESTIMADOS DE BSQUEDA LIMITADA vs. VALORES REALES
SECTORES: ESTIMADOS Y VALORES REALES, AMBOS NO ENTREGABLES=A; AMBOS
ENTREGABLES=C
ESTIMADOS NO ENTREGABLES, VALORES REALES ENTREGABLES=B; ESTIMADOS
ENTREGABLES, VALORES REALES NO ENTREGABLES=D

Valores reales correspondientes

ESTIMADOS CATEGORIZADOS INCORRECTAMENTE=B Y D (XHATCHED)

Tendencia promedio

Estimados de bsqueda con 1 a 8 puntos

60

SESGOS CONDICIONALES (cotd)

ESTIMADOS KRIGEADOS ADECUADOS VS VALORES REALES
SEGMENTOS: ESTIMADOS Y VALORES REALES: AMBOS NO ENTREGABLES =A, AMBOS
ENTREGABLES =C
ESTIMADOS NO ENTREGABLES, VALORES REALES ENTREGABLES=C
ESTIMADOS ENTREGABLES, VALORES REALES NO ENTREGABLES=D

Valores reales correspondientes

ESTIMADOS CATEGORIZADOS INCORRECTAMENTE: SEGMENTOS B&D (XHATCHED)

Tendencia promedio

Estimados krigeados con bsqueda adecuada

61

QU CONTRIBUYE A LOS SESGOS CONDICIONALES?

1.

Datosinsuficientes.En1950,sloseusabandatosperifricos
paracadabloque.Hoyenda,conlageoestadstica,larutina
de bsqueda de datos a menudo sigue siendo inadecuada,
an cuando la base de datos completa est instalada en la
computadora.

2.

Noserealizaningnanlisisprevioparadeterminarla
rutinadebsquedamnimarequeridaparaeliminarlos
sesgos.

3.

Nosellevanacaboestudiosdeseguimientopararegistrarla
presenciadeestossesgosylanecesidaddeeliminarlos.

62

EJEMPLOS PRCTICOS DE SESGO CONDICIONAL

PROMEDIOS DE TALADROSAI%

SesgadoPositivamente:EstimadosdeBloquesversusPromediosdeTaladros

TENDENCIA DE REGRESIN

Estimados de Bloque a Largo Plazo AI%

63

EFICIENCIA DE BLOQUE Y
PENDIENTE DE REGRESIN

64

EFICIENCIA DE ESTIMADO DE BLOQUE Y PENDIENTE DE REGRESIN

1.

DefinicindeEficiencia:
Laeficienciasepuedemedirdelasiguientemanera:
Eficiencia=(BVKV)/BVexpresadacomounporcentaje.
Donde:BV=VarianzadeBloques(esdecir,lavarianzadelosvaloresrealesdel
bloque(Calculadaapartirdeladiscretizacindelvariograma)
yKV=VarianzadeKriging(esdecir,lavarianzadeerrordelosestimadosde
bloquerespectivos)
Paravaloracionesperfectas:KV=0,lavarianzadedispersin(DV)delos
estimados(calculadaapartirdelmodelokrigeadoobservado)=BV;entonces:
Eficiencia=(BV0)/BV=100%.
Cuandoslounestimadoglobaldetodoslosbloquesesposible,todoslosbloques
sevalorarnenbasealamediaglobal,esdecir:
DV=0,KV=BV,yEficiencia=(BVBV)/BV=0%.
Usualmente,losbloquessevalorandemaneraimperfecta.Sinsesgos
condicionales:
DV=BVKV,yEficiencia=(BVKV)/BV=DV/BV.

65

EFICIENCIA DE ESTIMADO DE BLOQUES Y PENDIENTE DE REGRESIN

Sinembargo,cuandohaypresenciadesesgoscondicionales,esta
relacinnosecumpleyentonces:
DV>(BVKV)debidoalainsuficientesuavizacin,y
Eficiencia<DV/BV=(BVKV)/BV
LaeficienciapuedeinclusosernegativasiKV>BV.Dichasituacin
es absurda y las valoraciones de los bloques no tendrn utilidad;
sinembargo,elautorhaencontradoenlaprcticavarioscasosen
que la informacin a la que se tuvo acceso por bloque fue
insuficiente.

66

EFICIENCIA VERSUS PENDIENTE DE REGRESIN

% EFICIENCIA

CORRELACIN ENTRE EFICIENCIAS Y PENDIENTES

VALORES REALES/ESTIMADOS PENDIENTE DE REGRESIN

67

POR QU OCURREN SESGOS CONDICIONALES

RaznPrincipal=Rutinadebsquedadedatoslimitadaes
decir,nmerodedatosempleados.
Elnivelrequeridodedatosdependede:
Eltamaoyformadelosbloquesdemineral
Patrndedatosyposicinrelativosalbloque.
Patrnespacialdedatos(variograma).
Variabilidadlocal(Pepita)
Rango
Forma
Anisotropas(Direccinparavariacionesenlaintensidad
delascontinuidades).{NtesequeelIDalcuadradono
puedeincorporartodosestoselementos}

68

SUAVIZACIN
Porqulosestimadoskrigeadossonsuavizados?

Valores reales de bloque

EFECTO DE SUAVIZACIN DE KRIGING

Estimados sujetos
a regresin

VALORES
REALES

ESTIMADOS

ESTIMADOS DE BLOQUE

69

SUAVIZACIN (continuacin)
IMPLICANCIAS:
Los recursos indicados e inferidos deben ser valorizados en
bloques grandes para asegurar que no se produzcan sesgos
condicionales. Son muy suaves y conllevana lasobrevaloracino
subvaloracindelostonelajesyleyesdecorte,respectivamente,y
debenserpostprocesadas.
Elefectodesuavizacintambinsepuedereducirylacalidadde
lasestimacionesdelosbloquesderecursosindicadosadyacenteso
cercanosalasreasminadassepuedenmejorarmediante:
Laregularizacindelosdatosdelreaminadaenbloquesdedatos
yelusodesusleyesmediasjuntoconcualquierdatolimitadodel
rea donde se encuentra el recurso, mediante cokriging, para
valorarestosbloquesderecursos.

70

PESOS DE KRIGING
EN EL KRIGING ORDINARIO
- LA SUMA DE LOS PESOS ES 1.0 (INSESGADEZ
GLOBAL)
- UNA ALTA PROPORCIN DE PESO CERO O NEGATIVO
PUEDE INDICAR LA NECESIDAD DE REDUCIR LA
BSQUEDA
- LOS PESOS PERIFRICOS ALTOS RELATIVOS AL
PESO TOTAL PODRAN INDICAR LA NECESIDAD DE
INCREMENTAR LA BSQUEDA
- CON MUESTRAS DE BAJO EFECTO DE PEPITA
DENTRO DE LOS BLOQUES, OBTIENE UN MAYOR PESO Y
SUCEDE LO CONTRARIO CON MUESTRAS DE
ALTO
EFECTO DE PEPITA.

71

PRUEBAS DE CALIDAD DEL KRIGING

COEFICIENTE DE CORRELACIN DE VALORES
REALES VERSUS VALORES ESTIMADOS (R)
-

ESTO SE PUEDE CALCULAR EN BASE AL

VARIOGRAMA

PARA ESTIMADOS DE KRIGING DIFERENTES,

MIENTRAS MAYOR SEA LA CORRELACIN, MEJOR

72

PRUEBAS DE CALIDAD DEL KRIGING

PESO DE LA MEDIA
- COMO UNA PRUEBA PARA LA BSQUEDA
ADECUADA CON LA TCNICA DE KRIGING, SE
PUEDE
CALCULAR
EL
KRIGING
SIMPLE
CORRESPONDIENTE (KRIGING CON MEDIA CONOCIDA).
EL PESO ASIGNADO A LA MEDIA SE PUEDE ANALIZAR.
POR LO GENERAL, CUANDO SE
ASIGNA A LA MEDIA
UN PESO MAYOR AL 10-15%, UNA MAYOR VECINDAD DE
BSQUEDA REDUCIR EL SESGO CONDICIONAL PARA
EL ESTIMADO DE KRIGING ORDINARIO.

73

CONSEJOS BSICOS
1.

Uselasunidadesdedatosytamaodebloquescorrectos.

2.

Establezca todos los modelos y parmetros geoestadsticos necesarios.

Verifique si existen tendencias obvias en la ley, ancho, gravedad
especfica (SG), ingresos geolgicos, etc. y subdivida los datos en sub
reas/Dominios lgicos, o tome en cuenta la tendencia de manera
adecuada.

3.

Tengacuidadoconloscortessuperiores.

4.

Determine la rutina de bsqueda requerida para eliminar los Sesgos

Condicionales. Use los bloques de datos regularizados cuando sea
apropiado.

5.

Cuando sea posible, verifique para cada subrea los promedios

generales de las leyes de los bloques versus los promedios de los datos
usados despus de que estos ltimos hayan sido desagrupados. Ello
permitirdeterminarsiexistealgnsesgoglobalobvio(estonosiempre
es posible cuando hay extrapolacin directa); Revise el modelo de
Bloqueversuslosdatos(secciones,etc.)

6.

A medida que los bloques sean extrados, realice estudios de

74

TAMAO DE BLOQUE-ESCALA
RELACIN VOLUMEN-VARIANZA-Relacin de Krige (94):
: TRABAJO DE APCOM
Sea:
s2(v/D) = varianza de leyes de bloques pequeos v (por ej. SMU =
5x5x2.5m) dentro de un Depsito (D)
s2(v/V) = varianza de leyes de bloques v dentro de un bloque grande V (por
ej. 20x20x2.5m)
s2(V/D) = varianza de leyes de bloque grande V dentro de un Depsito (D)
La relacin entre estas tres varianzas es:
s2(v/D) = s2(v/V) + s2(V/D)
A esto se le denomina la relacin de Krige.
Las varianzas geoestadsticas se pueden calcular por medio de
variogramas y la relacin de Krige. Se requieren para pasar de una
escala a otra (Detalles del ejemplo de APCOM contenido en el Estudio
de Caso).

75

LEYES ESTIMADAS Y VERDADERAS

CARACTERSTICAS DE TAMAO DE BLOQUE Y LEY (198):

TRABAJO DE APCOM
Curvas de ley/tonelaje para diferentes tamaos de bloque
(8.1.1)
Las caractersticas de las leyes estimadas y verdaderas
(8.1.2)

76

TAMAO DE BLOQUE-ESCALA
LA VARIANZA DE LEYES VERDADERAS DE BLOQUES (200-210)
TRABAJO DE APCOM
Sea:
s2(v/V) = varianza de las leyes verdaderas de los bloques v (por ej.
5x5x3) dentro de un bloque o banco grande (V)
S*2(v/V) = varianza de las leyes estimadas del bloque v(5x5x3) dentro
del bloque o banco grande V
s2k = varianza de kriging promedio de los bloques v
Se cumple la siguiente relacin:
s2(v/V) = S*2(v/V) + s2k
Esto sirve de base para el post-procesamiento a fin de obtener curvas
de ley/tonelaje realistas (no suavizadas), especialmente para
estimaciones de recursos basadas en datos limitados derivados de
perforacin diamantina (DD)/circulacin de reservas (RC).
(CORTE NATURAL DE INFORMACIN)

77

ESTUDIO DE CASO
DATOS DE CONTROL DE RECURSOS/LEYES DERIVADOS DE
DD/RC/BH CONTROL DE LEYES/ESTIMADOS GEOESTADSTICOS
A LARGO PLAZO
INGRESOS GEOLGICOS
Individuales estratigrafas/mineral Tipo de zona permetros/mallas
de alambre
Zonas/dominios homogneos
Estructura, etc.
Geologa: Impacto significativo sobre cualquier tcnica de
estimacin

78

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS
VERIFICACIN DE DATOS (GIGO) Muestreo/Ensayos de Aseguramiento
de la Calidad/Control de Calidad (QA/QC)
TAMBIN RECUPERACIN DE TESTIGOS Y GRAVEDAD ESPECFICA
ANLISIS ESTADSTICOS PARA LOS DOMINIOS DE ROCAS
RESPECTIVOS
Alternativa de compsitos para el tamao a compositar TAMBIN
DEBE ESTAR RELACIONADO CON LAS ALTURAS DE LOS BANCOS
Verificaciones para asegurar la confiabilidad de los resultados de los
compsitos media y varianza de datos pre/post-compsitos
Comparacin RC/DD/BH (principalmente en el ancho total o compositados
por la geologa)

79

ESTUDIO DE CASO
ESTIMADOS DE GEOESTADSTICA
ANLISIS ESTADSTICOS PARA LOS DOMINIOS DE ROCAS
RESPECTIVOS
Histograma y grficos de frecuencia acumulada (verificaciones de
distribucin, por ej. verificaciones de log-normalidad tambin ayudan a
elegir la metodologa de post-procesamiento)
Verificacin de posibles valores atpicos (outliers) (COMPUTA LA
PROPORCIN DE METAL PERDIDO Y HACE UN ANLISIS)
Desagrupacin (tambin requerida como una de las herramientas para
verificar los resultados krigeados)
Anlisis de Tendencias y verificacin en dominios geolgicos (se pueden
requerir sub-dominios si se presentan tendencias significativas)

80

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD
VARIOGRAMA para Dominios/Zonas de Mineralizacin
Uso de datos de compsitos de BH, RC y DD.
Computacin: parmetros de variograma experimental 3-D,
tolerancia en la distancia de paso (lag)
Expectativas/comprensin geolgica y direcciones de
variogramas 3-D
Interpretacin y modelamiento de variogramas experimentales
direccionales 3-D para su uso en el kriging.

81

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC
ELECCIN DE LA METODOLOGA DE ESTIMACIN
CONSIDERACIONES:
Disponibilidad de datos
Tamao de bloque (Padre y SMUs)
Varianza de kriging, eficiencia de kriging, empleo de datos de
compsitos de RC y DD
Suavizacin de bloques padres y post-procesamiento
Kriging simple (requiere medias locales, eficiente con informacin
limitada) o kriging ordinario
El kriging ordinario y el kriging simple dan resultados similares
cuando se dispone de suficiente informacin (por ej., con control de
leyes de RC)

82

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC
MODELO DE BLOQUE VACO
Proporcional y Centroide
Ventajas y Desventajas

83

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC
BLOQUE ORIGINAL SE RELACIONA CON LA MALLA DE
PERFORACIN
- Depende del variograma, etc., pero, en el caso de mtodos indirectos,
la regla general es: el tamao de bloque no debe ser menor a la mitad
del espaciamiento de datos (se debe probar)
Estrategias de bsqueda: uso de parmetros y criterios de eficiencia
de variogramas

Nmero mnimo de muestras usado para el kriging ordinario y el

kriging simple: Contribuye significativamente a la calidad de las
estimaciones de kriging ordinario (produce sesgos condicionales de
los estimados de kriging ordinario A MENUDO IGNORADO !!!!!

84

ESTUDIO DE CASO
RECURSOS ESTIMADOS GEOESTADSTICOS A LARGO PLAZO
DERIVADOS DE DD/RC
ESTIMADOS KRIGEADOS DE BLOQUES ORIGINALES

Validacin
Verificaciones globales con medias desagrupadas
Planes y secciones de datos krigeados y datos de DD o RC
Sesgos condicionales
Curvas de Suavizacin y Ley / Tonelaje: no en kriging con
eficiencia, sino suavizando estimaciones padre krigeadas.
Consecuencias de usar curvas de tonelaje/ley krigeados y
suavizados originales (ver tambin Ejemplo de Dowd)

85

ESTUDIO DE CASOS
RECURSOS ESTIMADOS GEOESTADSTICOS A LARGO PLAZO
DERIVADOS DE DD / RC
ESTIMACIN DE TONELAJE/LEY POST-PROCESAMIENTO PARA
ELIMINAR LA SUAVIZACIN INDEBIDA

Computa parmetros para correccin de informacin

Relevancia del tamao de SMU (por ej. 10x10x10m?) para el minado

Computar las curvas de tonelaje/ley para SMUs en base a bloques

krigeados del panel original, por ej. 20x20x2.5 (Ver relaciones previas y
el trabajo de APCOM)

Enviables de salida para Whittle: Conceptos de enviable

Parmetros de gravedad especfica, arcilla/azufre y disolucin

86

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC
Cuestiones de estimacin y planificacin a mediano/corto
plazo.
Consideraciones importantes para un eficiente modelo
krigeado de control de leyes RC/BH
Relevancia para Reconciliacin de Produccin de RC/BH

87

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC
DISCUSIN GENERAL
SOFTWARE DESARROLLADO
Datamine
Statistica
Isatis

88

GEOESTADSTICA NO LINEAL
GENERALIDADES
Kriging Disyuntivo
Condicionamiento Uniforme
Tcnicas de Indicadores (IK, MIK etc. )
Pueden manejar mineralizaciones mixtas de alta y baja ley,
especialmente con controles geolgicos difciles, Correccin de
Probabilidades (correccin de orden) problemas, y numerosas
demandas de clculo de variogramas.
Otra transformacin (por ejemplo, transformada logartmicamente)
Puede manejar distribuciones desviadas, pero presenta problemas de
transformacin inversa (back-transformation)
Simulaciones: Secuencial Gausiana, Bandas Rotantes (Turning Bands),
Secuencial Indicadora, Recocido, etc.: No son herramientas de
evaluacin, sino que han de usarse para realizar un anlisis de
incertidumbres/riesgos del cuerpo mineralizado.
Cundo?
Ventajas

89

FIN

90