Vous êtes sur la page 1sur 105

Curso:

Geoestadstica aplicada a la
evaluacin de yacimientos
Objetivo y contenidos (1)

El curso trata de la evaluacin de recursos geolgicos y reservas


mineras en un yacimiento, para poder tomar decisiones respecto a
su explotacin y a la rentabilidad del proyecto minero. Se divide
en cuatro lecciones:

Leccin 1: estudio exploratorio de datos regionalizados

Leccin 2: anlisis variogrfico de datos regionalizados

Leccin 3: el cambio de soporte

Leccin 4: la estimacin local


Objetivo y contenidos (2)

muestra
El yacimiento se ve como
una reunin de bloques, que
sern estimados a partir de
datos cercanos (muestras
de sondajes o de pozos de
tronadura).

En las muestras han sido


bloque
medidos los atributos de
inters: leyes (cobre, oro,
arsnico...), densidad de la
roca, tipo de roca... lmite de zona mineralizada
Objetivo y contenidos (3)

Para qu sirve evaluar los recursos y reservas?

reporte de recursos / reservas

estudio de factibilidad

diseo de la explotacin

planificacin

control de leyes: mejorar la seleccin entre mineral y estril


Leccin 1:
Estudio exploratorio
de datos regionalizados
Introduccin
Introduccin (1)

La geoestadstica es una disciplina que permite analizar datos


ubicados en un espacio, por ejemplo:
leyes de cobre, molibdeno, arsnico, etc., en un yacimiento

nmero y dimetro de los rboles en una rea forestal

cantidad de nitrato, pH, conductividad elctrica en muestras de


suelo
concentracin de un elemento contaminante en la atmsfera

porosidad y permeabilidad de la roca en un acufero

precio del cobre a lo largo del tiempo


Introduccin (2)

El anlisis geoestadstico de datos interviene en todas las etapas


de un proyecto minero:

Estudio geolgico (largo plazo)

puede indicar direcciones de continuidad, restringir o


ampliar la extensin de la zona de inters

Campaa de exploracin
evaluar y categorizar los recursos in situ (evaluacin
global)
justificar la produccin de largo plazo
Introduccin (3)
Estudio de factibilidad y operacin

campaa de sondajes en malla densa

modelamiento geolgico

estimacin local de recursos para determinar reservas


mineras, planificar la produccin de mediano y corto
plazo, clasificar cada bloque como mineral o estril
reporte (inventario) de los recursos y reservas, detallando
su cantidad y su confiabilidad
auditoria para comprobar la evaluacin
Introduccin (4)

Explotacin

mediciones en pozos de tronadura

control de leyes: definir qu bloques mandar a planta o


botadero
reconciliacin mina - planta

A medida que avanza el proyecto minero, se tiene un conocimiento


ms completo del depsito y se actualiza los modelos geolgicos y
de recursos / reservas para incorporar la informacin nueva.
Introduccin (5)

Ejemplo: prfido cuprfero en el cual se mide la ley de cobre

La densidad del muestreo influye en el conocimiento de la


continuidad espacial de los valores (regularidad, anisotropa...)
Nociones fundamentales (1)

MINERAL

material que tiene un inters econmico, en oposicin a


estril

Esta definicin depende de varios factores:


temporales (precio del metal, tecnologa...)
legales (normas de seguridad, ambientales...)

ubicacin (infraestructura disponible)

tasa de descuento...
Nociones fundamentales (2)

LEY

Es la concentracin de un elemento en el subsuelo (elemento


principal, subproducto o contaminante)

POTENCIA, ACUMULACIN

LEY DE CORTE

Se trata de un valor de ley que separa categoras distintas de


material, por ejemplo mineral y estril
Nociones fundamentales (3)

CONTINUIDAD

Este concepto se refiere a la distribucin de un atributo en el


espacio
continuidad geolgica
continuidad de leyes

Nota: ambos tipos de continuidad no siempre se dan en forma


simultnea
Nociones fundamentales (4)

RECURSO GEOLGICO

Concentracin u ocurrencia de material de inters econmico


intrnseco en o sobre la corteza de la Tierra en forma y
cantidad en que haya probabilidades razonables de una
eventual extraccin econmica

Se habla indistintamente de recursos geolgicos, minerales o


in situ
Nociones fundamentales (5)

RESERVA MINERA

Es la parte econmicamente explotable de un recurso


mineral. Incluye dilucin de materiales y tolerancias por
prdidas que se puedan producir cuando se extraiga el
material.
Contempla la consideracin de y modificacin por factores
razonablemente asumidos de extraccin, metalrgicos,
econmicos, de mercados, legales, ambientales, sociales y
gubernamentales.
Nociones fundamentales (6)

CATEGORIZACIN DE RECURSOS Y RESERVAS

El nivel de conocimiento y de confianza en las estimaciones


aumenta con la exploracin del depsito. Para el reporte de
recursos y reservas, se suele definir varias categoras:

los recursos minerales se subdividen, en orden de confianza


geolgica ascendente, en categoras de inferidos, indicados y
medidos.

las reservas mineras se subdividen, en orden creciente de


confianza, en reservas probables y reservas probadas
Nociones fundamentales (7)

Existen varios cdigos internacionales para guiar la categorizacin


de recursos y reservas: JORC (Australia), SAMREC (Sudfrica),
CIM (Canad), IMM (Europa), SME (Estados Unidos)...
Nociones fundamentales (8)

UNIDAD SELECTIVA DE EXPLOTACIN

Es el volumen mnimo de los bloques que se puede utilizar para


seleccionar el mineral del estril

depende del equipo para explotar (pala)

base para el estudio de factibilidad

en el modelo de yacimiento, cada unidad contiene estimaciones

de sus leyes y otros parmetros (densidad, dureza, recuperacin


metalrgica, etc.)
Nociones fundamentales (9)

DILUCIN

La dilucin se refiere al hecho de mezclar (no separar) el


mineral del estril. Puede deberse a varios factores:

dilucin interna
geomtrica: debido al contacto entre mineral y estril
inherente (selectividad debida al tamao de bloque)

dilucin externa o de operacin


Nociones fundamentales (10)

VARIABLE REGIONALIZADA

Una variable regionalizada es una funcin que representa


el desplazamiento en el espacio de un atributo asociado a
un fenmeno natural (mineralizacin)

Ejemplos:
leyes en cobre, arsnico, molibdeno
densidad de la roca
potencia y acumulacin de una veta
cdigo de litologa
Nociones fundamentales (11)

Una variable regionalizada se caracteriza por:

su naturaleza (continua / categrica)

su dominio de extensin (campo)

su soporte, por ejemplo:


sondaje HQ de 1m
unidad selectiva de explotacin de 5m 5m 5m

La distribucin de los valores depende del soporte en el cual


se mide la variable (efecto de soporte, que tiene consecuencia
en la selectividad)
Nociones fundamentales (12)

Ejemplo: distribucin de leyes de cobre en un banco

soporte 1m 1m soporte 5m 5m soporte 25m 25m


Nociones fundamentales (13)

ADITIVIDAD

Se dice que una variable regionalizada es aditiva cuando el


valor de un soporte grande (bloque) es el promedio
aritmtico o la suma de los valores puntuales dentro del
bloque

Ejemplos:
potencia, acumulacin, ley (si soporte igual)

Contra-ejemplos

razn de solubilidad, cdigo de litologa


Nociones fundamentales (14)

Cul es la ley promedio en la veta?


335 253 581 199 212 505 296 356 352 gr Au
m1 3.30
119 81 140 75 106 215 75 34 91 t

Sin ponderar por la potencia, se obtendra:


1 335 253 581 199 212 505 296 356 352 gr Au
m2 3.93
9 119 81 140 75 106 215 75 34 91 t
Nociones fundamentales (15)

COMPSITOS

Un mismo conjunto de datos no debe contener muestras de


soporte distinto. Por ende, es necesario llevar las muestras a
compsitos de la misma longitud (generalmente, igual a la
altura del bloque de seleccin minera o a un sub-mltiplo
de esta altura) que se pueden agrupar en el estudio
estadstico.
Mientras ms largo el compsito, menos dispersos y menos
errticos los valores.
Nociones fundamentales (16)
Creacin de compsitos
Muestras originales
Compsitos
con su ley de cobre
Nociones fundamentales (17)

ESTIMACIN LOCAL MODELO DE BLOQUES

Una variable regionalizada presenta variabilidad en el


espacio, por lo cual existe cierta incertidumbre en sus
valores en sitios no muestreados. Para compensar la falta
de informacin debida al nmero limitado de datos, se
recurre a estimar los valores de los bloques que componen
el yacimiento a partir de las muestras circundantes.

Cabe recordar que las estimaciones nunca son perfectas y


estn afectadas por errores que pueden incidir en el clculo
de los recursos o de las reservas
Nociones fundamentales (18)
Ejemplo: clasificacin de las unidades selectivas de explotacin
en mineral o estril
Nociones fundamentales (19)

Fuentes de errores

variabilidad inherente de las leyes

errores en el modelo geolgico

errores de muestreo (variabilidad introducida)


Etapas en la evaluacin de yacimientos

Modelamiento geolgico: determinacin de unidades geolgicas


en base a la litologa, mineraloga, alteracin, etc. En general, cada
unidad se estudia y se estima por separado.

Evaluacin de la calidad de los datos (muestras)

Modelamiento geoestadstico de los datos

Estimacin global y local de los recursos geolgicos

Definicin y reporte de las reservas mineras


Herramientas
exploratorias
Objetivos

Estudiar la cantidad, calidad y ubicacin de los datos disponibles


para realizar la estimacin de recursos y reservas

Comprobar la homogeneidad de las leyes en cada unidad geolgica,

y la pertinencia de las unidades geolgicas propuestas. Definir la


zona de estudio.
Anticipar dificultades o problemas que puedan surgir en la fase de
estimacin de recursos y reservas
Presentacin de los datos

Sondajes de exploracin en un yacimiento tipo prfido cuprfero


obtencin de 2376 datos compositados con sus leyes de
cobre total (en %), oro total (en ppm) y el tipo de roca.

Cdigo Tipo de roca


4 Granodiorta cascada
54 Diorta
20 Brecha de turmalina
31 Brecha de polvo de roca
34 Brecha de polvo de roca y turmalina
28 Brecha monolito
29 Brecha de turmalina - monolito
Despliegue de atributos (mapas) (1)

Permite visualizar la ubicacin de los datos en el espacio y


darse una idea preliminar de la continuidad espacial de la
variable regionalizada en estudio:
litologa
mineralizacin definicin de unidades geolgicas
alteracin
leyes, densidad, potencia, etc.

Tipos de despliegue: secciones; plantas; vistas 3D; mapas con


escala de colores, codificados por indicador, por smbolos, etc.
Despliegue de atributos (mapas) (2)

Nos interesamos por la ley de cobre total


Distribucin de leyes (1)

Histograma estndar

Visualiza la frecuencia de ocurrencia en funcin del valor


Distribucin de leyes (2)

Desagrupamiento

Cuando la malla de muestreo es irregular, es preferible no


atribuir el mismo peso estadstico a todos los datos. La
operacin de desagrupamiento consiste en ponderar los
datos en funcin de su grado de aislamiento: mientras ms
aislado, ms peso.

Principales mtodos:
polgonos de influencia
mtodo de las celdas
Distribucin de leyes (3)

Desagrupamiento: mtodo de los polgonos de influencia


Se pondera cada dato proporcionalmente a su volumen de
influencia en el campo.
Distribucin de leyes (4)

Desagrupamiento: mtodo de las celdas


Se divide la zona muestreada en celdas de mismo volumen.
Cada celda tiene el mismo peso, el cual se reparte entre los
datos contenidos en esta celda.
Distribucin de leyes (5)
Factores que especificar para ejecutar el mtodo de las celdas:
origen de la red de celdas
orientacin de las celdas
tamao de las celdas: tomar el tamao que minimiza el valor
promedio desagrupado?
Distribucin de leyes (6)

Los algoritmos de desagrupamiento presentados

consideran criterios geomtricos al ponderar los datos en


funcin de su grado de aislamiento: mientras ms aislado,
ms peso

no toman en cuenta la continuidad espacial de los datos,


aunque idealmente este factor tambin debera ser tomado
en
consideracin.
Distribucin de leyes (7)

Histograma desagrupado por los pesos obtenidos por el mtodo


de las celdas, con celdas de tamao 48m 48m 12m
Distribucin de leyes (8)

Estadstica bsica
medidas de posicin
media, mediana, moda, mnimo, mximo, rango, deciles,
cuartiles, cuantiles
medidas de dispersin
varianza, desviacin estndar, coeficiente de variacin,
rango intercuartil
medidas de forma
coeficiente de asimetra, coeficiente de aplanamiento
Distribucin de leyes (9)

Herramientas alternativas al histograma estndar


histograma acumulado

grficos de probabilidad

curvas tonelaje-ley

El clculo de estas herramientas debe tomar en cuenta los


ponderadores de desagrupamiento.
Distribucin de leyes (10)

Histograma acumulado

Para cada ley de corte, se visualiza la frecuencia de los valores


menores que dicha ley de corte.
Distribucin de leyes (11)

Grficos de probabilidad

Estos grficos comparan una distribucin emprica con una


distribucin de referencia normal o lognormal.

El grfico de probabilidad normal distorsiona el eje de las


ordenadas del histograma acumulado, de modo que el grfico
dibujara una recta en caso de tener una distribucin normal
o Gaussiana.

El grfico de probabilidad lognormal consiste en usar una


escala logartmica en el eje de las abscisas: si la distribucin
de los valores fuera lognormal, se obtendra una recta.
Distribucin de leyes (12)

La presencia de varias poblaciones entre los datos puede


traducirse en un quiebre de pendiente en estos grficos. Sin
embargo no es una condicin necesaria ni suficiente, por lo
que se debe complementar el anlisis con otra informacin.
Distribucin de leyes (13)
Curvas tonelaje-ley
El tonelaje asociado a una ley de corte es la cantidad de valores
que superan esta ley de corte. La media de estos valores provee
la ley promedio sobre la ley de corte. El tonelaje tambin puede
expresarse como fraccin del total (entre 0 y 1).
Distribucin de leyes (14)

Cuando aumenta la ley de corte, el tonelaje decrece y la ley media


crece. El producto del tonelaje por la ley media define la cantidad
de metal (funcin decreciente de la ley de corte).

Hay que tener cuidado que las curvas tonelaje ley dependen del
soporte de los valores medidos, en particular las curvas asociadas
a los datos (soporte puntual) no coinciden con las curvas de las
unidades selectivas de explotacin (bloques). Para estimar estas
ltimas, ser necesario construir un modelo de cambio de soporte.
Comportamiento direccional (1)

Nubes direccionales

Visualizan el comportamiento de los valores a lo largo de los


ejes de coordenada. Esta herramienta permite detectar valores
atpicos e identificar tendencias o cambios en la continuidad
espacial de los valores.
Comportamiento direccional (2)

media desv. estndar


rango [m]
[% Cu] [% Cu]
0 50 0.55 0.27
50 100 0.96 0.46
100 150 1.23 0.81
150 200 1.13 0.57
200 250 1.15 0.82
250 300 0.94 0.52
300 350 0.82 0.42
350 400 0.73 0.47
Comportamiento direccional (3)
media desv. estndar
rango [m]
[% Cu] [% Cu]
0 50 0.93 0.83
50 100 1.39 1.08
100 150 1.18 0.74
150 200 0.96 0.48
200 250 0.90 0.48
250 300 0.97 0.41
300 350 1.04 0.39
350 400 1.04 0.50
400 450 1.09 0.53
450 500 1.16 0.69
500 550 0.55 0.28
550 600 0.52 0.23
Comportamiento direccional (4)

media desv. estndar


rango [m]
[% Cu] [% Cu]
0 25 0.91 0.48
25 50 0.95 0.45
50 75 0.95 0.51
75 100 1.00 0.65
100 125 1.03 0.73
Herramientas bivariables (1)

Grfico cuantiles contra cuantiles

Visualiza los cuantiles de una variable en funcin de los


cuantiles de otra variable.
Herramientas bivariables (2)

Nube de dispersin
ver la relacin par a par de ambas variables o correlacin
detectar valores aberrantes
Herramientas bivariables (3)

Coeficiente de correlacin lineal

Resume la relacin existente entre dos variables por un valor


comprendido entre 1 y 1. Cuidado con las interpretaciones
rpidas de este coeficiente, ya que es sensible a relaciones no
lineales entre variables y a los valores extremos.
Comportamiento espacial (1)

Nube de correlacin diferida

Se trata de la nube de correlacin entre los valores de dos datos


ubicados a cierta distancia uno de otro

Al hacer variar esta distancia de separacin, se tiene una imagen


de la continuidad de la variable regionalizada en el espacio:
nube dispersa para distancia pequea: variable errtica
nube muy aplastada: variable regular en el espacio
Comportamiento espacial (2)
Ejemplo: nubes para las distancias 20m y 100m
Problemas prcticos
Estacionaridad (1)

La estacionaridad se refiere a una homogeneidad en el


espacio de las caractersticas de la variable en estudio:
media, dispersin, continuidad, etc. Implica que las
propiedades estadsticas de los datos son representativas del
total del campo.

El considerar la hiptesis de estacionaridad facilita la


elaboracin de modelos geoestadsticos, en especial en lo
que se refiere al anlisis variogrfico.
Estacionaridad (2)

En general, se tiende a considerar que la variable regionalizada


no tiene un comportamiento estacionario, por la presencia de
zonas de altas leyes y otras de muy bajas leyes.

Ahora bien, el concepto de estacionaridad es una propiedad del


modelo geoestadstico, no de la variable regionalizada misma.
Por ende, es una decisin del usuario considerar si se cumple o
no la hiptesis de estacionaridad (ni verdadera ni falsa, pero
juiciosa o no).
Tendencias y derivas (1)

Definicin

Se habla de tendencia o deriva cuando se aprecia un cambio en el


valor promedio local de los datos al desplazarse en el espacio.

Ejemplo: ley que decrece fuertemente con la profundidad

El concepto de deriva se refiere al modelo probabilstico (el valor


esperado vara en el espacio), mientras que el trmino tendencia
se refiere ms bien a la observacin experimental (ms subjetivo)
Tendencias y derivas (2)

El considerar un modelo con deriva choca contra la hiptesis


de estacionaridad y complica el anlisis variogrfico.

Alternativas
considerar una hiptesis de estacionaridad local: el valor
promedio es localmente constante y vara lentamente en
el
espacio
remover la deriva de los datos

subdividir la zona de estudio en varios dominios


Efecto proporcional (1)

La dispersin de los valores es mayor en las zonas de altas


leyes que en las zonas de bajas leyes
este efecto es frecuente cuando el histograma de los datos
es asimtrico (por ejemplo, lognormal)
no es incompatible con la hiptesis de estacionaridad
planteada en el formalismo geoestadstico
se puede tomar en cuenta este efecto de dos maneras:
meseta del variograma que vara en el espacio
transformacin logartmica de los datos
Efecto proporcional (2)

Ilustracin: perfil de leyes a lo largo de una direccin del espacio


Muestreo preferencial

Un muestreo es preferencial si privilegia las zonas de alta


ley. Hay que tener cuidado en el estudio geoestadstico de
tales muestreos, pues las estadsticas experimentales ya no
son representativas del campo entero

desagrupar los datos


el tener un muestreo preferencial dificulta el anlisis
variogrfico de los datos (por ejemplo, en presencia de
un efecto proporcional) y las posteriores estimaciones
de recursos y reservas.
Informacin geolgica (1)

La caracterizacin del depsito y la evaluacin de sus recursos


dependen en gran parte del conocimiento de la geologa.

Mapas geolgicos

Se basan en observaciones de superficie, trincheras, sondajes,


labores subterrneas. Sin embargo, lo esencial de estos mapas
corresponde a una interpretacin. Por lo tanto, es necesario
revisar peridicamente estos mapas.

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


orientacin de fracturas o de vetas, y se determina sus edades
(anterior o posterior a la mineralizacin).
Informacin geolgica (2)

Geometra de la zona mineralizada (contacto mineral - estril)

Modelamiento en plantas y secciones de superficies y volmenes


por interpolacin / extrapolacin a partir de la informacin de
sondajes; modelamiento tridimensional.

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


errticas) que las fronteras verdaderas; los errores geomtricos
pueden ser localmente muy importantes e implican incertidumbre
en los tonelajes de mineral.
Informacin geolgica (3)

Definicin de unidades geolgicas

Se suele dividir el depsito en varias zonas o unidades


geolgicas (UG), segn la litologa, la mineraloga y/o la
alteracin existente. Tambin se puede incluir criterios
metalrgicos y condiciones estructurales (fallamiento) en la
definicin de dichas unidades
Verificar la pertinencia de la divisin; si es necesario, agrupar
varias unidades de propiedades similares

Cada unidad debera presentar caractersticas homogneas


Informacin geolgica (4)

Problemas asociados con la definicin de unidades geolgicas

Transicin entre una unidad y otra:

frontera dura o blanda? (examinar los perfiles de leyes


que cruzan la frontera)

Extensin espacial de las unidades en el yacimiento

modelo determinstico o probabilstico? (las interpolaciones


estn sujetas a errores, lo que implica una incertidumbre en los
volmenes y tonelajes interpretados)
Informacin geolgica (5)

Unidades geolgicas definidas por rangos de leyes

Una prctica comn es definir unidades geolgicas por referencia


a rangos de leyes. Este enfoque (mtodo de isoleyes) tambin
se usa en combinacin con criterios geolgicos.

El uso de rangos de leyes no tiene sentido geolgico. Del punto


de vista geoestadstico, puede llevar a interpretaciones errneas:
el mtodo es auto-justificativo

las fronteras entre rangos de leyes suelen ser blandas

los resultados son sensibles a los rangos de leyes escogidos


Variables categricas

Codifican una propiedad del yacimiento (tipo de roca, unidad


geolgica...) no confundir con una variable regionalizada
tradicional.

Se distingue tres grandes zonas:


brecha de turmalina (centro)
diorta y granodiorta (este)
otras brechas (oeste)
Compsitos (1)

Un mismo conjunto de datos no debe contener muestras de


soporte distinto. Por ende, es necesario llevar las muestras a
compsitos de la misma longitud (generalmente, igual a la
altura del bloque de seleccin minera o a un sub-mltiplo
de esta altura).
Mientras ms largo el compsito, menos dispersos y menos
errticos los valores.

Si existen soportes muy distintos, se puede considerar el


atributo medido en cada soporte como una variable distinta.
Compsitos (2)

Los compsitos no deben cruzar fronteras duras entre unidades


geolgicas distintas. Es frecuente que se pierdan segmentos de la
informacin inicial al compositar (en la frontera de una unidad
geolgica o al final del sondaje).

Para variables categricas (ej: cdigo de litologa o mineraloga),


se puede asignar al compsito el cdigo que ms se repite entre
las muestras del compsito o el cdigo de la muestra ubicada en
su centro.
Compsitos (3)

Al compositar, se supone que las leyes son uniformes en cada


testigo inicial, para poder reconstituir el perfil de leyes de cada
sondaje.

Aumentar la longitud de los compsitos tiene varios efectos.


reduce el nmero de datos
disminuye la dispersin de los valores (efecto de soporte):
menos valores extremos, facilita el anlisis variogrfico

La longitud de los compsitos se escoge generalmente en base a


la altura de los bloques usados para modelar el depsito.
Valores atpicos / aberrantes (1)

Es posible detectar valores atpicos por medio de varias


herramientas, en especial: histograma, nubes de correlacin
entre variables, nubes direccionales...

Nunca se debe eliminar un valor atpico sin razn (falla en


el protocolo de medicin, en la transcripcin del dato, etc.).
Adems, ningn test estadstico puede indicar si un valor
es aberrante o no.
Valores atpicos / aberrantes (2)

La presencia de valores atpicos puede plantear problema para


la evaluacin de recursos y reservas:
introduce variabilidad y complica el estudio variogrfico
puede conducir a zonas amplias con leyes estimadas muy altas

Alternativas:
mtodos geoestadsticos avanzados (transforman los datos)
capping o cutting
cambiar el tamao de los compsitos
identificar varias poblaciones de datos
Datos imprecisos (1)

Es frecuente que todo o parte de las mediciones contengan


imprecisiones, debido al protocolo de muestreo o de anlisis
qumico
las tcnicas geoestadsticas permiten tomar en cuenta
estas imprecisiones, siempre que hayan sido previamente
cuantificadas
la evaluacin de recursos pierde precisin en presencia
de
errores de medicin
es recomendable estudiar la calidad de las mediciones,
sobre todo si provienen de fuentes distintas.
Datos imprecisos (2)

Ejemplo: comparacin de las mediciones procedentes de dos


campaas de sondaje distintas

Aqu se puede agrupar las mediciones de ambas campaas


Datos imprecisos (3)

La comparacin estadstica de poblaciones debe hacerse con


cuidado
diferencias naturales por tratarse de muestras diferentes,
aun
si estn tomadas en la misma zona (fluctuaciones estadsticas

diferencias
que puedenesperables cuando
ser importantes en las
las poblaciones estn en zonas
colas de las distribuciones)
distintas, debido a la evolucin en los valores de la variable
regionalizada: cambio en las leyes y en su dispersin (efecto
proporcional)
La regresin de D. Krige
Regresin lineal (1)

Se considera la nube de dispersin entre dos variables X e Y


(ejemplos: leyes de cobre total vs. cobre soluble; leyes estimadas
vs. reales; acumulacin de oro vs. potencia; ley vs. coordenada)

La regresin lineal consiste en determinar la recta que mejor


represente la nube de puntos. Su ecuacin es:

aX b
Y

cov (X, Y)
con: a
var ( X)
b mY a mX
Regresin lineal (2)

Ilustracin: valores reales vs. valores estimados de leyes


La regresin de Krige (1)

Problemtica

A principios de los aos 1950, en los yacimientos de oro


sudafricanos, se sola estimar la ley de un panel por la media
de las leyes de las muestras contenidas en dicho panel.

Este proceder resultaba en un fuerte sesgo condicional: si las


muestras tienen una alta ley, el panel tiende a tener una ley
ms baja, y viceversa, a causa del efecto de soporte. Luego,
cuando el estimador proporcionaba una ley muy alta, lo ms
probable es que la ley verdadera del panel fuera ms baja.
La regresin de Krige (2)

Propuesta de D. Krige

Para corregir los sesgos, Krige aplic la siguiente regresin:

ley estimada del panel a mi (1 a ) m


con
mi: ley promedio de las muestras al interior del panel
m: ley promedio de todas las muestras
a: coeficiente inferior a 1
La regresin de Krige (3)

Propuesta de G. Matheron

En la regresin de D. Krige, todas las muestras dentro del panel


tienen el mismo peso; asimismo las muestras fuera del panel
tambin tienen un peso igual entre s, se siten o no prximos a
l.

G. Matheron mejor la ponderacin al atribuir a cada dato el


ponderador que se merece realmente, segn su alejamiento al
centro del panel y la continuidad espacial de los valores; as
formaliz el mtodo llamado kriging (1963).
Bibliografa (1)
Chils J.P. and Delfiner P., Geostatistics: Modeling Spatial Uncertainty, Wiley, New York, 1999,
696 p.
Deutsch C.V. and Journel A.G., GSLIB: Geostatistical Software Library and Users Guide,
Second edition, Oxford University Press, New York, 1998, 369 p.
Emery X., Geoestadstica lineal, Departamento de Ingeniera de Minas, Universidad de Chile,
2000, 411 p.
Goovaerts P., Geostatistics for natural resources evaluation, Oxford University Press, New York,
1997, 480 p.
Isaaks E. and Srivastava R., An Introduction to applied geostatistics, Oxford University Press,
New York, 1989, 561 p.
Journel A. G. and Huijbregts C. J., Mining geostatistics, Academic Press, London, 1978, 600 p.
Matheron G., The theory of regionalized variables and its applications, Les cahiers du centre de
morphologie mathmatique de Fontainebleau, Fascicule 5, Ecole des Mines de Paris, 1971, 212 p.

Sinclair A.J. and Blackwell G.H., Applied Mineral Inventory Estimation, Cambridge University
Press, Cambridge, 2002, 381 p.
Wackernagel H., Multivariate geostatistics: an introduction with applications, Springer-Verlag,
Berlin, 1998, 291 p.
Bibliografa (2)
Sobre categorizacin de recursos y reservas

CIM, CIM Standards on Mineral Resources and Reserves - Definitions and Guidelines. Prepared
by the CIM Standing Committee on Reserve Definitions: CIM Bulletin, v. 93, no. 1044, 2000, p.
53-61
CSA, Standards of disclosure for mineral projects: National Instrument 43-101, Canadian
Securities Administration, 2001, 22 p.

EURO, Code for reporting of mineral exploration results, mineral resources and mineral reserves
(the European code). Report prepared by the Institution of Mining and Metallurgy Working Group
on Resources and Reserves in conjunction with the European Federation of Geologists and the
Institute of Geologists of Ireland, 2002, 34 p.

JORC, Australasian Code for reporting of exploration results, mineral resources and ore reserves
(the JORC Code, 2004 Edition). Report prepared by the Joint Ore Reserve Committee of the
Australasian Institute of Mining and Metallurgy, Australian Institute of Geoscientists and Minerals
Council of Australia, 2004, 21 p.

SAMREC, South African Code for Reporting of Mineral Resources and Mineral Reserves (The
SAMREC Code). Report prepared by the South African Mineral Resource Committee SAMREC
under the auspices of the South African Institute of Mining and Metallurgy, 2000, 38 p.
Ejercicios

Repetir el estudio exploratorio de los datos de cobre y realizar el


estudio de los datos de oro en los sondajes de exploracin
locxyz, histplt, declus, scatplt, qpplt, probplt, gtcurve, getpairs

Comparar las caractersticas de las leyes de cobre en los


sondajes con aquellas de los pozos de tronadura ubicados en los
centros de los bloques de 25m 25m 12m
pixelplt, histplt, qpplt

Comparar las caractersticas de los pozos de tronadura con


aquellas de los bloques de 25m 25m 12m
pixelplt, histplt, qpplt, scatplt
Archivos de parmetros
de los programas GSLib
Mapa de ubicacin

Parameters for locxyz


*********************

START OF PARAMETERS:
muestras.dat -file with data
1 2 4 - columns for X, Y, variable
3 -1.0e21 1.0e21 - columns for Z and coordinate limits
-1.0 1.0e21 - trimming limits
mapa_muestras_Cu_planta.ps -file for PostScript output
0.0 400. -xmn,xmx
0.0 600. -ymn,ymx
0 -0=data values, 1=cross validation
0 -0=arithmetic, 1=log scaling
1 -0=gray scale, 1=color scale
0 -0=no labels, 1=label each location
0.0 3.0 0.5 -gray/color scale: min, max, increm
0.25 -label size: 0.1(sml)-1(reg)-10(big)
Muestras de exploracion (planta) -Title
Histograma

Parameters for HISTPLT


**********************

START OF PARAMETERS:
muestras.dat -file with data
4 0 - columns for variable and weight
-1.0 1.0e21 - trimming limits
hist_muestras_Cu.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum
0.12 -frequency maximum (<0 for automatic)
30 -number of classes
0 -0=arithmetic, 1=log scaling
0 -0=frequency, 1=cumulative histogram
0 - number of cum. quantiles (<0 for all)
2 -number of decimal places (<0 for auto.)
Histograma estandar -title
1.5 -positioning of stats (L to R: -1 to 1)
-1.1e21 -reference value for box plot
Desagrupamiento (1)

Parameters for DECLUS


*********************

START OF PARAMETERS:
muestras.dat -file with data
1 2 3 4 - columns for X, Y, Z, and variable
-1.0 1.0e21 - trimming limits
declus.sum -file for summary output
declus.out -file for output with data & weights
1.0 0.25 -Y and Z cell anisotropy (Ysize=size*Yanis)
0 -0=look for minimum declustered mean (1=max)
94 30.0 500.0 -number of cell sizes, min size, max size
10 -number of origin offsets
Desagrupamiento (2)

Parameters for SCATPLT


**********************

START OF PARAMETERS:
declus.sum -file with data
1 2 0 0 - columns for X, Y, wt, third var.
-1.0 1.0e21 - trimming limits
media_vs_tamano.ps -file for Postscript output
0.0 500.0 0 -X min and max, (0=arith, 1=log)
0.8 1.10 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point
0.5 -bullet size: 0.1(sml)-1(reg)-10(big)
0.0 5.0 -limits for third variable gray scale
Media desagrupada vs tamano de celda -title
Desagrupamiento (3)

Parameters for DECLUS


*********************

START OF PARAMETERS:
muestras.dat -file with data
1 2 3 4 - columns for X, Y, Z, and variable
-1.0 1.0e21 - trimming limits
declus.sum -file for summary output
declus.out -file for output with data & weights
1.0 0.25 -Y and Z cell anisotropy (Ysize=size*Yanis)
0 -0=look for minimum declustered mean (1=max)
1 48.0 48.0 -number of cell sizes, min size, max size
10 -number of origin offsets
Desagrupamiento (4)

Parameters for HISTPLT


**********************

START OF PARAMETERS:
declus.out -file with data
4 7 - columns for variable and weight
-1.0 1.0e21 - trimming limits
hist_declus_Cu.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum
0.12 -frequency maximum (<0 for automatic)
30 -number of classes
0 -0=arithmetic, 1=log scaling
0 -0=frequency, 1=cumulative histogram
0 - number of cum. quantiles (<0 for all)
2 -number of decimal places (<0 for auto.)
Histograma desagrupado -title
1.5 -positioning of stats (L to R: -1 to 1)
-1.1e21 -reference value for box plot
Grficos de probabilidad

Parameters for PROBPLT


**********************

START OF PARAMETERS:
declus.out -file with data
4 7 - columns for variable and weight
-1.0 1.0e21 - trimming limits
logprobplt_declus_Cu.ps -file for PostScript output
0 -number of points to plot (<0 for all)
1 -0=arithmetic, 1=log scaling
0.1 10.0 0.5 -min,max,increment for labeling
Grafico de probabilidad lognormal -title
Curvas tonelaje-ley

Parameters for GTCURVE


**********************

START OF PARAMETERS:
declus.out \file with data
4 7 \ columns for grade and weight
-1. 1.0e21 \ trimming limits
100.0 \ clipping limit (upper limit)
gtcurve_declus_Cu.ps \file for Postscript output
30 0.0 3.0 \Cutoff: num, min and max
0.0 1.0 \Tonnes: min and max
0.0 5.0 \Grade: min and max
Curvas Tonelaje-Ley
Nubes direccionales

Parameters for SCATPLT


**********************

START OF PARAMETERS:
declus.out -file with data
1 4 7 0 - columns for X, Y, wt, third var.
-1.0 1.0e21 - trimming limits
nube_Cu_este.ps -file for Postscript output
0. 400.0 0 -X min and max, (0=arith, 1=log)
0.0 7.3 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point
0.25 -bullet size: 0.1(sml)-1(reg)-10(big)
0.0 5.0 -limits for third variable gray scale
Nube direccional (este) -title
Nubes de dispersin

Parameters for SCATPLT


**********************

START OF PARAMETERS:
declus.out -file with data
4 5 7 0 - columns for X, Y, wt, third var.
-1.0 1.0e21 - trimming limits
scatplt_cobre_oro.ps -file for Postscript output
0. 7.0 0 -X min and max, (0=arith, 1=log)
0.0 70.0 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point
0.25 -bullet size: 0.1(sml)-1(reg)-10(big)
0.0 5.0 -limits for third variable gray scale
Nube de dispersion -title
Grfico cuantiles contra cuantiles

Parameters for QPPLT


********************

START OF PARAMETERS:
declus.out -file with first set of data (X axis)
4 7 - columns for variable and weight
declus.out -file with second set of data (Y axis)
5 7 - columns for variable and weight
-1.0 1.0e21 - trimming limits
qqplt_declus_CuAu.ps -file for PostScript output
0 -0=Q-Q plot, 1=P-P plot
0 -number of points to plot (<0 for all)
0.0 7.0 -X minimum and maximum
0.0 70.0 -Y minimum and maximum
0 -0=arithmetic, 1=log scaling
Grafico cuantiles contra cuantiles -Title
Nube de correlacin diferida (1)

Parameters for GETPAIRS


***********************

START OF PARAMETERS:
muestras.dat -first data file
1 2 3 4 -columns for X, Y, Z, and Value
muestras.dat -second data file
1 2 3 4 -columns for X, Y, Z, and Value
getpairs.out -output file with pairs
60.0 -maximum distance
Nube de correlacin diferida (2)

Parameters for LOCMAP


*********************

START OF PARAMETERS:
getpairs.out -file with data
2 3 1 - columns for X, Y, variable
18.0 22.0 - trimming limits
hscatt20.ps -file for PostScript output
0.0 3.0 -xmn,xmx
0.0 3.0 -ymn,ymx
0 -0=data values, 1=cross validation
0 -0=arithmetic, 1=log scaling
0 -0=gray scale, 1=color scale
0 -0=no labels, 1=label each location
-1.0 0.0 0.5 -gray/color scale: min, max, increm
0.2 -label size: 0.1(sml)-1(reg)-10(big)
Nube de correlacion diferida (20m) -Title
Mapa de datos ubicados en una grilla
Parameters for PIXELPLT
***********************

START OF PARAMETERS:
Grilla_25x25.dat -file with gridded data
4 - column number for variable
-1.0 1.0e21 - data trimming limits
pixel_pozos25_Cu.ps -file with PostScript output
1 -realization number
16 12.5 25.0 -nx,xmn,xsiz
24 12.5 25.0 -ny,ymn,ysiz
11 11.0 12.0 -nz,zmn,zsiz
1 -slice orientation: 1=XY, 2=XZ, 3=YZ
10 -slice number
Leyes de cobre - pozos centrales -Title
Este -X label
Norte -Y label
0 -0=arithmetic, 1=log scaling
1 -0=gray scale, 1=color scale
0 -0=continuous, 1=categorical
0.0 3.0 0.5 -continuous: min, max, increm.
2 -categorical: number of categories
1 3 Code_One -category(), code(), name()
2 1 Code_Two

Color Codes for Categorical Variable Plotting:


1=red, 2=orange, 3=yellow, 4=light green, 5=green, 6=light blue,
7=dark blue, 8=violet, 9=white, 10=black, 11=purple, 12=brown,
13=pink, 14=intermediate green, 15=gray