Geoestadstica

INTRODUCCIN

En el campo de las geociencias es comn encontrar variables distribuidas espacialmente. Para el estudio de estas variables son usados diversosprocedimientos geoestadsticos de estimacin y/o simulacin. Esto es, a partir de un conjunto de muestras tomadas en localizaciones deldominio en que se manifiesta un fenmeno a estudiar y consideradas representativas de su realidad, que por lo general es siempre desconocida, estos procedimientos permiten la descripcin o caracterizacin de las variables con dos fines diferentes, primero, proporcionar valoresestimados en localizaciones de inters y segundo, generar valores que en conjunto presenten iguales caractersticas de dispersin que los datosoriginales. La geologa y la minera es el campo tpico para la aplicacin de estos modelos, campo en el que surge y se desarrolla la Geoestadstica como ciencia aplicada. PROBLEMA QUE DI ORIGEN A LA GEOESTADSTICA

La bsqueda, exploracin y evaluacin de yacimientos minerales tiles es una de las actividades fundamentales que toda empresa minera debedesarrollar durante su vida til, destacndose entre otras tareas: el pronstico cientfico en la localizacin de los yacimientos minerales tiles, la elaboracin de mtodos eficaces para la exploracin y la evaluacin gelogo econmico de los yacimientos para su explotacin (Lepin y Ariosa, 1986; Armstrong y Carignan, 1997; Chica, 1987). Todo esto condicionado al agotamiento de los recursos producto de la explotacin y a las fluctuaciones de las cotizaciones del mercado. Los trabajos de bsqueda y exploracin se dividen en estadios que son resultado de la aplicacin de un principio importante del estudio del subsuelo, el Principio de Aproximaciones Sucesivas. Cada uno de los estadios culmina con ladeterminacin lo ms aproximada posible de los recursos minerales del yacimiento, actividad fundamental de las empresas gelogo - mineras conocida como clculo de recursos y reservas . El desarrollo de la minera ha trado unido el perfeccionamiento de los mtodos de bsqueda de los minerales tiles, y los de la determinacin de su cantidad y utilidad para la extraccin (Lepin y Ariosa, 1986), adems, el mundo minero se hace cada vez ms competitivo y las compaas necesitan evaluar su potencial econmico (Berckmans y Armstrong, 1997). Existen actualmente dos formas de realizar el clculo de reservas, los mtodos clsicos y los modernos. Como clsicos se pueden destacar, el de "Bloques Geolgicos" y el de "Perfiles Paralelos" (Daz, 2001), stos se caracterizan por el uso de valores medios o media ponderadas de los contenidos de la exploracin en bloques definidos convenientemente. Estos mtodos son eficientes cuando la informacin disponible presenta determinada regularidad, pero en la prctica, como se seala en Journel y Huijbregts (1978) y David (1977) la gran diversidad de formas en que se presentan los datos ha llevado a la utilizacin de tcnicasmatemticas yestadsticas para resolver un nico problema, estimar valores desconocidos a partir de los conocidos, para la estimacin y caracterizacin de los recursos y reservas. En los ltimos aos muchas investigaciones se han desarrollado con este fin (Gotway y Cressie, 1993), existiendo mayor inters en las estimaciones a nivel local que a nivel global (Rivoirard y Guiblin, 1997). Claro est, no existe un mtodo por muy sofisticado que sea, que permita obtener resultados exactos.

Nuestro objetivo ser discutir, los mtodos ms eficientes que proporcionen la mayor informacin posible de los datos disponibles, es decir, los modernos, de los que se pueden citar entre los geomatemticos: El Inverso de la Distancia, Triangulacin, Splines, etc. An ms, buscando el mejor estimador que minimice la varianza del error de estimacin surge la Geoestadstica por los trabajos de G. Matheron en la Escuela Superior de Minas de Pars, basado en conceptos iniciales de trabajos de H.S. Sichel en 1947 y 1949, en la aplicacin de la distribucin lognormal en minas de oro, seguido por la famosa contribucin de D.G. Krige en la aplicacin del anlisis de regresin entre muestras y bloques de mena. Estos trabajos fijaron la base de la Geoestadstica Lineal, adems, de la introduccin de la teora de funciones aleatorias por B. Matern en el estudio de la variacin espacial de campos forestales. La Geoestadstica se consolid y desarrollo en los ltimos 30 aos como ciencia aplicada casi exclusivamente en el campo minero, la cual ha sido ampliamente usada (Arik, 1992; Rivoirard y Guiblin, 1997), existiendo como ciencia aplicada que da respuesta a necesidades prcticas y concretas. Se reconoce como una rama de la estadstica tradicional, que parte de la observacin de que la variabilidad o continuidad espacial de las variables distribuidas en el espacio tienen una estructura particular (Journel y Huijbregts, 1978; Curran y Atkinson, 1998), desarrollndose herramientas matemticas para el estudio de estas variables dependientes entre si, llamadas segn Matheron variables regionalizadas, quien elabor su teora como se presenta en Matheron (1970), Journel y Huijbregts (1978), David (1977) y de Fouquet (1996). En resumen, la aplicacin de la teora de los procesosestocsticos a los problemas de evaluacin de reservas de distintos tipos de materias primas minerales y en general a las ciencias naturales en el anlisis de datos distribuidos espacial y temporalmente (Christakos y Raghu, 1996) dio origen a lo que hoy se conoce como Geoestadstica.

QU ES LA GEOESTADSTICA?
La Geoestadstica se define como la aplicacin de la Teora de Funciones Aleatorias al reconocimiento y estimacin de fenmenos naturales (Journel y Huijbregts, 1978), o simplemente, el estudio de las variables numricas distribuidas en el espacio (Chauvet, 1994), siendo una herramienta til en el estudio de estas variables (Zhang, 1992). Su punto de partida es asumir una intuicin topo-probabilista (Matheron, 1970). Los fenmenos distribuidos en el espacio, la mineralizacin en un yacimiento mineral por ejemplo, presenta un carcter mixto, uncomportamiento catico o aleatorio a escala local, pero a la vez estructural a gran escala Con el objetivo de obtener una mayor precisin en la estimacin de las reservas minerales, surge la Geoestadstica. Su punto de partida corresponde al encontrar en la naturaleza informacin aleatoria desde un punto de vista local, sin embargo en esta misma naturaleza se encuentra a nivel global una funcin matemtica que describe el comportamiento de la aletoriedad en cada lugar. La medicin de la aleatoriedad local es expresada con conceptos e indicadores probabilsticos, definiendose para todo el escenario geogrfico una funcin probabilstica funcin aleatoria FA, que represente este comportamiento en cada lugar.

Asi podemos definir en un punto (x) de la naturaleza el comportamiento aleatorio de una variable Z, con (VA)Z(x), en dos puntos x e y se tendrn dos VA: Z(x) y Z(y) que sern diferentes, pero no sern independientes por que existe una correlacin entre ellas, que es empresada por FA. En la naturaleza encontramos muchas variables que mantienen un caracterstica en base a la gnesis de su ocurrencia, por ejemplo la presencia de un elemento qumico o metal como el oro, al analizar su presencia debajo de la superficie, podemos determinar la orientacin del flujo mineralizante, tambin determinar que tan aleatoria es su presencia en los centros del depsito o en los bordes, y as otras interpretaciones que van de la mano con la interpretacin geolgica. Durante el proceso de construccin de la FA se asume, como hiptesis, que todo el depsito tiene el mismo comportamiento en forma estacionaria en todos su dimensin, de esta forma se simplifica la construccin a una sola FA que se utilizar como instrumento de aplicacin de estimador de Kriging. A diferencia de otros mtodos de interpolacin, como por ejemplo, el inverso de la distancia, el Kriging, utiliza en la estimacin las caractersticas de variabilidad y correlacin espacial del fenmeno estudiado, por lo que su uso implica un anlisis previo de la informacin, con el objetivo de definir o extraer de esta informacin inicial un modelo que represente su continuidad espacial, una vez logrado esto, estamos en condiciones de obtener a travs del Kriging el mejor valor posible en cada localizacin o bloque a estimar, acompaadas de la varianza Kriging como medida del error de la estimacin realizada [Armstrong y Carignan,1997]. De acuerdo a los acontecimientos ms importantes hasta el Vigsimo Simposium Internacional de la Aplicacin de la Computacin y la Matemtica en la industria Mineral, APCOM 87, la evolucin de la Geoestadstica se ha dividido en algunas generaciones [Matheron, y Kleingeld,1987], las cuales son: La Geoestadstica Lineal 1945-1965, la ciencia, ahora llamada Geoestadstica, tuvo su comienzo en los trabajos de H.S. Sichel en 1947 y 1949, en la aplicacin de la distribucin lognormal en minas de oro, seguido por la ahora famosa contribucin de D.G. Krige en la aplicacin del anlisis de regresin entre muestras y bloques de mena, los cuales fijaron la base de la Geoestadstica Lineal, adems de la introduccin de la teora de funciones aleatorias por B. Matern en el estudio de la variacin espacial de un campo forestal. La generacin de la Geoestadstica Lineal culmina en el trabajo de G. Matheron en su tesis doctoral de 1965 titulada: "Las variables regionalizadas y su estimacin". La Geoestadstica No Lineal 1966-1974, la segunda generacin vio el establecimiento de la escuela de Fontainebleau, en Mayo de 1968, fue creado el Centro de Geoestadstica, en la atmsfera tranquila de Fontainebleau segn Matheron (1987). Importantes contribuciones fueron hechas en este perodo por los autores M. David, A.G. Journel, Ch. J. Hiujbregts, P. Delfiner, P. Chauvet y J.P. Chiles. Muchos otros autores tambin contribuyeron en el campo de la Geoestadstica durante este perodo, lo que se evidencia en la gran cantidad de artculos publicados en esta poca.

La tercera generacin 1974-1987, estuvo dedicada a resolver problemas ms complejos asociados con la seleccin y combinacin de bloques de mena, Matheron introduce el modelo de Kriging Disyuntivo, la primera aplicacin prctica del Kriging Disyuntivo Gaussiano fue desarrollada por A. Marchal en 1975. Numerosas actividades relacionadas con el cambio de soporte, la funcin de transferencia, parametrizacin de reservas, selectividad de la distribucin, la simulacin, el estudio de casos multivariados ocurrieron durante este perodo. En 1980 W.J.Kleingeld, propuso el problema de extrema asimetra distribuidos en porciones discretas del yacimiento, lo cual culmina con el desarrollo de la aproximacin generalizada de modelos isofactoriales discretos. Estos modelos fueron puestos en prctica por Ch. Lantujoul y Ch. Lujaunie, para el caso general; y por W.J. Kleingeld por el Binomio Negativo o Modelos de Mosaico. Durante este perodo, fue tambin desarrollado por A.G.Jounel el Kriging de Indicadores y una forma especial de Kriging Disyuntivo. El desarrollo de modelos genticos de yacimientos fue acometido por J.Rivoirard. En la actualidad, los mtodos Geoestadsticos han sido extendidos a los ms diversos campos de la Ciencias de la Tierra. El desarrollo de la informtica moderna ha propiciado condiciones para su divulgacin y su aplicacin a un grupo cada vez mayor de problemas, pueden encontrarse en el mercado informtico programas profesionales que ofrecen opciones para la aplicacin de estas tcnicas.

Teora Geoestadstica: Objetivo del Kriging

El objetivo del kriging es interpolar la ley a partir de muestras que lo rodean, asignando pesos a cada muestra que redusca al mnimo la varianza de estimacin. En otras palabras, se interpola la ley con la mxima precisin posible. La precisin de la estimacin (interpolacin) depende de varios factores: y y y y Del nmero de muestras y de la calidad de la data en cada punto De la posicin de las muestras con respecto al punto a estimar De la distancia entre las muestras y con el punto a estimar De la continuidad espacial de los valores de las muestras Para poder llegar a la definicin del kriging, es necesario dejar claro la definicin de la varianza de estimacin. A continuacin se presenta la deduccin de las varianza de estimacin simulando las ocurrencias de una funcin aleatoria con resultados de anlisis qumicos al interior de un bloque.

FUNCIONES ALEATORIAS

Un valor observado en cada punto de x es considerado como el resultado z(x) de un variable aleatoria Z(x), se debe comprender que cada uno de los puntos z(x), sean estos cuantificados o no, son representados por la variable aleatoria Z(x). La totalidad de variables aleatorias Z(x) localizados en cada punto x, conforman una funcin aleatoria FA. (que es sinnimo de un proceso estocstico). La funcin aleatoria reproduce la misma relacin de una de sus ocurrencias como variable aleatoria. La funcin aleatoria esta caracterizada por una distribucin finita multidimensional de variables aleatorias. Por ejemplo la unin de la distribucin de todas las variables aleatorias Z(x1), Z(x2), Z(x3).... Z(xk), para todos los k y para todos los puntos x1, x2,..., xk conformara una funcin aleatoria (F.A.), lo cual sera imposible hacer algo prctico, a menos que estemos preparados para hacer supuestos a estas distribuciones. Hiptesis intrnseca de estacionariedad En estadstica es comn asumir la estacionariedad de las variables, por ejemplo los indicadores estadsticos y distribuciones de frecuencia son invariables a la traslacin, de la misma forma una funcin aleatoria estacionaria es homognea y auto repetitiva en el espacio. Es decir para todo incremento h, la distribucin probabilstica de Z(x1), Z(x2), Z(x3),...., Z(xk) es la misma a h metros de distancia Z(x1+h), Z(x2+h), Z(x3+h),...., Z(xk+h). Esto hace posible realizar una inferencia estadstica sobre una ocurrencia particular de las variables. En el estricto sentido la estacionariedad requiere que todos los momentos (estadsticos) sean invariables en la traslacin, pero esto no puede ser verificado a partir de data experimental, usualmente solo podemos contar con dos momentos que son la media y la covarianza para que sean constantes. A esto llamamos estacionariedad de segundo orden. En otras palabras, reconocemos y dejamos establecido que el valor esperado (o promedio) de Z(x) debe ser constante para todos los puntos x. E(Z(x)) = m(x) = m En "segundo" lugar la funcin covarianza de los valores existentes entre cualquiera de dos puntos x y x+h depende del vector h, pero no del punto x. Es decir: E(Z(x).Z(x+h)) - m2 = C(h)

No se necesita hacer asumciones sobre la varianza, por que sta se orienta a ser igual a la covarianza C(h), para una distancia de h=0. En la prctica a menudo la aplicacin de asumciones no satisface, claro que cuando se observa que hay una tendencia marcada de una mineralizacin no se puede asumir el valor promedio como constante. Otra rama de la geoestadstica fue desarrollado para tomar en cuenta la no estacionariedad en las variables regionalizadas. Esta fuera de nuestro tema, los interesados pueden consultar a Matheron (1973) o Delfines (1976). Por el momento podemos considerar casos en donde el valor promedio se mantiene constante. Sin embargo, aun cuando esto es cierto, la covarianza no esta presente. Un ejemplo prctico particular de esto fue descrito por Krige (1978) para leyes de oro en Sudfrica. En ambas investigaciones terico y prctico, es conveniente plantear esta hiptesis. A esto se debe por que Matheron (1963 1965) desarroll la "hiptesis intrinseca", en donde se asume que para incrementos en la funcin aleatoria hay presencia de estacionariedad en la ley promedio y tambien en la varianza de incrementos Z(x+h) - Z(x) y es independiente del punto x. E(Z(x)) = E(Z(x+h)) E(Z(x+h) - Z(x)) = 0 Var (Z(x+h) - Z(x)) = 2Gama(h) La funcin Gama(h) se denomina semi-variograma (variograma para simplificar). Es la herramienta bsica para la interpretacin de la estructura de un fenmeno o para la estimacin. Las variables regionalizadas que son estacionarias siempre satisfacen la hiptesis intrnseca, veremos que si la variable regionalizada es estacionaria, existir equivalencia entre el variograma Gama(h) y la covarianza C(h). La mayora de los estimadores utilizados en las ciencias de la tierra, son combinaciones lineales de datos. Es cierto que para el mtodo del inverso de la distancia, el mtodo poligonal o para otro mtodo de medias mviles, no habra forma de determinar la varianza que parecera cero, por ello es importante calcular la varianza en furncin del variograma o cavarianza. En contraste con el caso estacionario, cuando trabajamos con variables intrnsecas las operaciones son solo definidas por incrementos. Veremos que la varianza de una combinacin lineal puede ser calculada solamente si la suma de los pesos es cero, utilizando el indicador de la funcin aleatoria en base a incrementos dentro del rango del modelo del variograma disponible. Funcin espacial de la covarianza Las propiedades bsicas de la covarianza espacial y su relacin con el variograma para funciones aleatorias estacionarias, son las siguiente: C(0) = varianza C(h) = C(-h) |C(h)| <= C(0) La relacin bsica entre el variograma y la respectiva covarianza es la siguiente:

Es decir:

El variograma en la prctica indica (en cada uno de sus puntos) el valor esperado de la diferencia entre las muestras distanciadas en h metros. Este instrumento servir de soporte para la medicin de la probabilidad de acercarse a la realidad al realizar la estimacin de la ley en un depsito de mineral.

Teora Geoestadstica: Variografa - Interpretacin - Modelamiento

DEFINICIN Como se explic en la formulacin terica, el variograma de una funcin intrnseca aleatoria esta expresado por:

En donde Z(x+h) y Z(x) son los valores de leyes en el punto x+h y x respectivamente, considerando que las variables estacionarias e intrnsicas, el promedio de Z(x+h) - Z(x) es cero, el variograma resulta ser el promedio de las diferencias.

Expresado en trminos numricos para aplicacin prctica, tenemos:

Los puntos x y x+h se debe entender que pueden estar en un espacio de n dimensiones como n=1, 2 3. En todos los casos es necesario determinar gama(h) en todas las direcciones posibles para identificar la orientacin del comportamiento de la mineralizacin. Si bien la expresin matematica indica que el variograma es funcin de h, en donde h es la distancia entre pares de muestras, esto significa que la funcin se crear en base al valor promedio de la diferencia de pares de muestras que se encuentren distanciados a h metros. VARIOGRAMA A 1 DIMENSIN Por ejemplo para el caso de clculo del variograma en una direccin se tiene en el siguiente ejemplo, Fig. 1, leyes distanciadas cada dos metros. En la Fig. 2 se describe el clculo de cada punto del variograma para distancias h=2m, h=4m, h=6m, etc.

Fig. 1

Fig. 2

VARIOGRAMA A DOS DIMENSIONES Para el clculo del variograma a dos dimensiones es necesario precisar la direccin de clculo, esta direccin se indica en base a un rango de ngulo que debern formar los pares de muestras. Cualquier otro par de muestras que no cumplen con el rango de orientacin no formar parte del clculo del variograma. Por ejemplo en el grfico siguiente se presentan muestras en X e Y.

Fig. 3
En la Fig. 3 se observa que el clculo del variograma se realizar para la direccin N80E considerando un ngulo de tolerancia de +/- 15, que indica que los pares de muestras que se encuentren que intervienen en el clculo deben una orientacin entre N65E y N95E. Como el variograma es una funcin de "h", se debe indicar su primer valor, en este caso se fijar en 6 m, el siguiente valor 12 m, el tercer valor 18 m, y as sucesivamente. La forma de clculo del variograma en esta direccin se presenta como sigue (Fig. 4)

Fig. 4

Estos nueve resultados generan el grfico del variograma, que servir para interpretar su comportamiento en la direccin calculada, para otras direcciones se debern volver a realizar lo clculos tomando pares de muestras que tengan la orientacin deseada. Para un clculo a tres dimensiones el rango del ngulo de orientacin de los pares se definir en un cono teniendo como orientacin principal el eje del cono. Para un depsito a tres dimensiones se recomienda calcular los variogramas en todas las direcciones a fin de encontrar la direccin preferencial de la mineralizacin y las anisotropas ELECCIN DEL MEJOR VARIOGRAMA Una vez calculado el variograma en todas las direcciones posibles, se seleccionan los mejores que tengan caractersticas que reflejen el mejor comportamiento de correlacin espacial entre las muestras. Entre las formas que adoptan los variogramas, se pueden definir las que se indican en la Fig. N 5:

Fig. 5
Los tipos de Variograma 1, 3 y 5 tienen una misma caracterstica, no tienen correlacin espacial entre las muestras, por lo tanto la estimacin de leyes puede ser realizada con cualquiera de los mtodos de estimacin tradicionales (icd, triangulacin, poligonacin, etc.). Esto indica que no ser posible medir la precisin de la estimacin. Sin embargo es importante destacar que la informacin del variograma sobre el nivel de aleatoriedad (alto, medio o baja) permite determinar el nivel de precisin que se obtendra al aplicar los mtodos tradicionales. Los tipos de Variograma 2, 4, y 6, definitivamente indican ventaja superior en la estimacin de leyes con kriging, la diferencia entre ellas se encuentra en la diferencia de precisin de la estimacin. Por ejemplo para baja aleatoriedad indicado con el variogama 6, la varianza de estimacin o el error relativo de estimacin ser menor que el que se obtenga con los variogramas 2 y 4.

Otros aspectos importantes para elegir los variogramas mas representativos del comportamiento de la mineralizacin son el nmero de pares utilizados para determinar cada punto del variograma y la altura o valores de la meseta del variograma. La meseta es la lnea horizontal mxima que indica el lmite en promedio del variograma. Por lo general los primeros puntos del variograma deben tener alto nmero de pares, a mayor nmero de pares en cada punto del variograma el valor de ste ser mas representativo. Una meseta mas baja en un variograma con respecto a otro, indica que la varianza o error relativo en la estimacin de leyes ser menor, por lo tanto la estimacin ser mas precisa. MODELOS AUTORIZADOS PARA EL MODELAMIENTO Para el modelamiento de un variograma experimental se deben aplicar frmulas o modelos matemticos autorizados, estos modelos matemticos tienen la caracterstica de ser una funcin siempre positiva para cualquier valor de |h|. A continuacin presentamos los modelos autorizados siguientes: Efecto de Pepita (Co): Corresponde a un fenmeno netamente aleatorio, sin correlacin entre valores, y sin importar que tan prximos se encuentren ellos. Se aplica por lo general en el origen para h=0. En la prctica se obtiene al inferir y determinar en que punto cruza el variograma experimental con el eje vertical. La interpretacin del trmino "efecto de pepita" se aproxima a imaginar leyes de alto y bajo valor distantes pocos milmetros o centmetros, al aplicar la frmula del variogram las diferencias entre ellas generan un alto valor del variograma a una distancia h de casi cero metros. Modelo Esfrico: Corresponde a un comportamiento del variograma de crecimiento gradual similar a la figura N xx. La expresin matemtica es:

para valores de h < a para valores de h > a en donde "a" es el alcance, variograma alcanza la meseta.

que

es

la

distancia

"h"

en

donde

el

Modelo Exponencial: Corresponde a un comportamiento del variograma de crecimiento muy gradual similar a la figura N yy. La expresin matemtica es:

en donde "a" es el alcance que equivale en este modelo a un tercio de la distancia que se alcanza a la meseta.

Modelo Potencial: Corresponde a la expresin matemtica

en donde el exponente "n" puede adoptar valores entre cero y 2, reproduciendo lo indicado en la figura adjunta. (el signo "^n" se debe interpretar como potencia "n") Tambin se tienen definidos los modelos Gausiano, Cbico, funcin Seno. Sin embargo los tres primeros modelos descritos son los mas utilizados para el modelamiento, ya sean estos en forma independiente o combinados entre si.

MODELAMIENTO DEL VARIOGRAMA

El modelamiento del variograma se realiza una vez que se eligieron los variogramas representativos del depsito para las direcciones principales. El modelamiento consiste en elegir el variograma experimental mas representativo de acuerdo a las caractersticas mencionadas en el punto anterior. Una vez elegido, el variograma experimental suele presentar algunas formas similares a los tipos N 2, 4, y 6. En el modelamiento corresponde aplicar modelos matemticos "autorizados" para encontrar la frmula que representen los variogramas experimentales. As por ejemplo en la Fig. N 8 se observa un variograma experimental superpuesto con el modelo autorizado que mas se le aproxima. El modelo autorizado aplicado es el "exponencial", el modelo final encontrado es el que indica para Gama(h). En donde el Efecto de Pepita Co = 0.02

Modelo de variograma de dos componentes

"Dist.Prom" es el promedio de las distancias de los pares de muestras utilizados en el clculo del variograma

Modelo de variograma de tres componentes

En este variograma experimental fue necesario aplicar tres componentes en el modelo

Esta figura presenta un variograma ajustado con tres componentes, el primer componente "efecto de pepita" Co, el segundo componente esfrico, y tambin el tercer componente esfrico.