Universidad alas peruanas

Geoestadistica I

tema: estimacin de recursos y reservas

mineras

integrantes:

Espinoza Ortiz Jimmy

Patricia Alejandra Sanca

Tony yallerco

tutor:

Arequipa-Per

2017

1
DEDICATORIA
El presente trabajo es dedicado a nuestros padres a los que nos dieron un estudio y una buena

educacin gracias a ellos seguimos adelante estudiando con ms fuerza, ellos son nuestra

motivacin para seguir adelante, por eso este trabajo va dedicado a nuestros padres.

2
AGRADECIMIENTO:
Agradecemos primero que nada a Dios por estar con nosotros y guiarnos siempre, a Ud. Ingeniero

por ensearnos esta asignatura Geostadistica I y compartir sus experiencias relacionadas a

nuestra carrera de las que estamos seguros que nos ser muy tiles en nuestra futura vida

profesional.

Posteriormente les presentamos un resumen de las Variables Regionalizadas ms adelante

3
PRESENTACION
En el presente informe les daremos a conocer los conceptos bsicos y la informacin necesaria

para tener nocin y conocer del importante tema de las Variables Regionalizadas e Hiptesis

Estacionaria.

4
INDICE:

DEDICATORIA ............................................................................................................................. 1
AGRADECIMIENTO: ................................................................................................................... 3
PRESENTACION........................................................................................................................... 4
PRESENTACION........................................................................................................................... 6
OBJETIVOS ................................................................................................................................... 7
MARCO CONCEPTUAL ............................................................................................................ 8
Los Mtodos Tradicionales de Estimacin de Recursos Mineros ............................... 8
La media aritmtica ............................................................................................................... 9
Los polgonos. ...................................................................................................................... 11
El mtodo del inverso de la distancia ............................................................................ 12
La palabra kriging ...................................................................................................................... 15
EL PROBLEMA DEL KRIGEADO Y SU INTERES. ....................................................... 15
LAS ECUACIONES GENERALES DEL KRIGEADO. .................................................... 17
Validacin del kriging............................................................................................................. 19
Kriging Ordinario ................................................................................................................... 20
CONCLUSIONES: ....................................................................................................................... 22
RECOMENDACIONES ............................................................................................................... 23
11.-WEBGRAFIA: ....................................................................................................................... 24

5
PRESENTACION
En el presente informe les daremos a conocer los conceptos bsicos y la informacin necesaria

para tener nocin y conocer del importante tema de las Variables Regionalizadas e Hiptesis

Estacionaria.

6
OBJETIVOS
Reconocer en campo las tcnicas utilizadas para la determinacin e interpretacin

de los datos tomados en campo

Determinar una zona, el tipo de leyes que se representen con los datos tomados en

campo

Conocer y usar los mtodos diferentes para las estimaciones de diferentes datos de

ley en minera tomados en campo

Reconocer los parmetros generales para una simulacin mediante el mtodo de

Kriging

7
MARCO CONCEPTUAL
Los Mtodos Tradicionales de Estimacin de Recursos Mineros
La estimacin de recursos mineros se puede dividir en dos partes:

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

de una zona grande S dentro del depsito o yacimiento)

Figura I.1: Zona 3D a estimar e informacin disponible. Cul es la ley media y el

tonelaje de S?

Se tiene un conjunto de leyes z1, z2, . . . , zN de mineral localizadas en los puntos x1,

x2, . . . , xN

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

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

8
 Figura I.2: Estimacin local con bloque unitario o unidad bsica de clculo.
Modelo de bloques de15mx15mx15m.

La estimacin global y local estn relacionadas porque se pueden obtener valores

globales al componer los valores locales de los bloques vi.

A continuacin estudiaremos los mtodos tradicionales ms importantes, desde un punto

de vista crtico.

La media aritmtica

El mtodo de la media aritmtica se basa en lo siguiente: Para estimar la ley media de

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

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

9
 Figura I.3: Ejemplo bidimensional. Existe una grupacin de datos.

1 + 1 + 1 + 3 + 2 + 2 +1 11
zS = = = 1.57
7 7

La frmula general es:

1
z S = N zi
N
i =1

Figura I.4: Un banco en el depsito de MMH. Bloques de 10mx10mx10m. En gris, zona

mineralizada, en rojo la interseccin de los sondajes con el
banco
10
Los polgonos.

El mtodo de los polgonos se basa en lo siguiente: Asignar a cada punto del espacio la
ley del dato ms prximo. Para estimar una zona S se ponderan las leyes de los datos

por el rea (o volumen) de influencia Si.

Figura I.5: Mtodo de los polgonos. Hay que calcular el rea de 7 polgonos.

Ejemplo: En el mismo caso anterior se tiene:

z S = 1 .3 6

La frmula general es:

1
z S = Sizi (S = S1 + S 2 + ... + SN )
S i =1

La figura 1.6 muestra la dificultad de aplicar el mtodo de los polgonos. En el espacio

de 3 dimensiones el mtodo (poliedros) es an ms complicado:

11
 Figura I.6: Salar de Atacama (se trata de salmueras con contenidos de litio, boro,
potasio, sulfatos). Puntos de muestreo y de bombeo. Observar la agrupacin
(cluster) de los puntos en la zona central.

El mtodo del inverso de la distancia

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

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

12
Ponderar las leyes por 1/ di , ( = 1, 2, . . . ; di = distancia entre la muestra i y el centro

de gravedad de S).

Si = 1 se tiene el inverso de la distancia (ID).

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

En el caso anterior se obtienen las estimaciones siguientes:

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

z1 = 1.78 (inverso de la distancia)

z2 = 2.06 (inverso del cuadrado de la distancia)

13
La frmula general es:
zi
N

d
i =1 i

zS = N ( > 0)
1

i =1 di
A veces, para evitar el problema de las agrupaciones de datos, se utiliza una bsqueda

octogonal: Dentro de cada octante (a veces cuadrante) slo se considera la muestra ms

cercana al centroide, tal como muestra la figura siguiente:

14
La palabra kriging
La (expresin anglosajona) procede del nombre del gelogo sudafricano D. G. Krige, cuyos

trabajos en la prediccin de reservas de oro, realizados en la dcada del cincuenta, suelen

considerarse como pioneros en los mtodos de interpolacin espacial. Kriging encierra un conjunto

de mtodos de prediccin espacial que se fundamentan en la minimizacin del error cuadrtico

medio de prediccin. Los mtodos kriging se aplican con frecuencia con el propsito de

prediccin, sin embargo estas metodologas tienen diversas aplicaciones, dentro de las cuales se

destacan la simulacin y el diseo de redes ptimas de muestreo

TIPO DE PREDICTOR NOMBRE PROPIEDADES

LINEAL Simple Son ptimos si hay
Ordinario normalidad multivariada.
Universal Independiente de la
distribucin son los mejores
predictores linealmente
insesgados.

NO LINEAL Indicador Son predictores ptimos.

Probabilstico
Log Normal, Trans-
Gaussiano
Disyuntivo

EL PROBLEMA DEL KRIGEADO Y SU INTERES.

El krigeado consiste en encontrar la mejor estimacin lineal posible de la ley de un panel,

considerando la informacin disponible, es decir las leyes de las diferentes muestras que se han
tomado, sea al interior, sea al exterior del panel que se quiere estimar. El krigeado consiste en
efectuar una ponderacin, es decir atribuir un peso a la ley de cada muestra, estos pesos se calculan
de manera de hacer mnima la varianza de estimacin resultante, considerando las caractersticas
geomtricas del problema (formas, dimensiones e implantacin relativa del panel y de las
muestras). En grueso, como es natural, el krigeado atribuir pesos dbiles a las muestras alejadas,
e inversamente. Sin embargo esta regla intuitiva puede ser parcialmente puesta en duda cuando
aparecen fenmenos ms complejos de efecto de pantalla y de transferencia de influencia. No es
posible resolver un problema de krigeado, es decir calcular efectivamente el peso ptimo que
conviene atribuir a cada muestra, sin hacer ciertas hiptesis sobre las caractersticas geoestadsticas
del depsito que se estudia. En adelante supondremos que el depsito es geoestadsticamente
homogneo, en otras palabras que las leyes, dentro del depsito, consideradas como una variable
regionalizada f(x), pueden ser interpretadas como una realizacin de un esquema intrnseco.

15
Esta condicin de homogeneidad es fundamental. No se puede hacer un krigeado entre porciones
heterogneas de un mismo depsito, y ms particularmente, en el caso cuando las muestras y el
panel a estimar sobrepasan los lmites de la mineralizacin geolgicamente homognea. (Se trata
entonces, en sentido estricto, de una dilucin y no de un krigeado; en general, no es posible,
enunciar reglas a priori: los coeficientes de dilucin, corrientemente, son determinados por la
experiencia).

El primer inters del krigeado deriva de su misma definicin. Al minimizar la varianza de

estimacin, estamos seguros de sacar el mejor partido posible de la informacin disponible, o, si
se prefiere, de obtener la estimacin ms precisa posible del panel en estudio. Esta ventaja es a
menudo notable, pero no se justificara siempre, debido a las complicaciones suplementarias que
introduce necesariamente una ponderacin. El inters prctico ms importante de lejos del
krigeado, proviene, no del hecho que asegura la mejor precisin posible, sino ms bien porque
permite evitar un error sistemtico . En la mayora de los yacimientos metlicos, se deben
seleccionar, para la explotacin, un cierto nmero de paneles, considerados como rentables y se
deben abandonar otros paneles considerados no-explotables. D. G. Krige ha mostrado que, si esta
seleccin fuera realizada considerando exclusivamente las muestras interiores a cada panel,
resultara necesariamente en promedio una sobre-estimacin de los paneles
Nuestra nocin de krigeado permite interpretar fcilmente este fenmeno, y corregir sus efectos.
Cuando se selecciona un panel rico, la aureola de muestras exteriores tiene, en general, una ley
ms dbil que las muestras interiores, sin embargo su influencia sobre el panel a estimar no es
despreciable porque el krigeado le atribuye un peso no nulo. Si no se toma en cuenta esta aureola
exterior, se introduce, necesariamente, una causa de error sistemtico por exceso.

Para ilustrar esta nocin, imaginemos un yacimiento filoniano reconocido por dos galeras AA y
BB

Se considera que las leyes de BB con explotables, mientras que las leyes de AA son explotables
en el segmento CC. Si nos contentamos con calcular la media de las leyes BB y CC, estamos
seguros de cometer un error por exceso: porque los trozos AC y CA pobres por construccin
tienen una influencia no despreciable sobre el trapecio BB CC. Si fuera posible dibujar una
frontera precisa entre mineral explotable e inexplotable, en general, la frontera real, no coincidira

16
con las rectas BC o BC, sino que sera una curva cualquiera, a menudo bastante irregular, tal
como la lnea complicada BDEFC. Adems en el panel rico subsistiran enclaves pobres y
recprocamente. En la explotacin estaremos obligados de abandonar ciertas porciones ricas, y de
tomar ciertas partes pobres, y este ensuciamiento traduce de manera concreta la influencia de los
trozos pobres AC y CA sobre el panel rico (como se trata de un yacimiento homogneo, y que la
frontera precisa de la ley es dudosa, nosotros hablaremos de krigeado, y no de ensuciamiento.
Emplearemos la palabra ensuciamiento en el caso en el cual los minerales ricos y pobres son
geolgicamente heterogneos, y estn separados por una frontera continua, representable por una
curva relativamente regular, tal como BDEC, que, por otra parte, no tiene ninguna razn para
coincidir con la recta BC). En este caso el krigeado conduce a ponderar las leyes de BB, CC, y
de los trozos AC y CA por coeficientes convenientes, que seran - por ejemplo 60% para BB,
27% para CC y 13% para los dos trozos.
El efecto esencial de esta ponderacin es eliminar en promedio un error sistemtico por exceso,
luego un error inquietante. Al considerar este objetivo primordial, la mejora de la precisin
propiamente dicha, aparece como secundaria.

LAS ECUACIONES GENERALES DEL KRIGEADO.

De una manera general, el problema del krigeado puede ser formulado de la manera siguiente: sea
un depsito homogneo con un cierto variograma (istropo o no), en el cual se han tomado n
muestras S1, S2, ..., Sn, cuyas leyes (conocidas) son X1, X2, ..., Xn. Se desea encontrar el mejor
estimador Z*, es decir:

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

relativa de P, S1, S2, ..., Sn. Siempre se puede resolver este problema determinando los
coeficientes ai que cumplen dos condiciones. La primera condicin expresa que el error Z-Z* debe
tener una esperanza matemtica nula. Esta condicin se escribe:

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

es la varianza de la ley real del panel

es la covarianza de z con la ley de xi de la muestra Si
la covarianza entre xi y xj

17
Se obtiene entonces un sistema de n+1 ecuaciones lineales con n+1 incgnitas (los ai y el
multiplicador de Lagrange ). Como este parmetro de Lagrange no presenta inters por s solo,
buscaremos eliminarlo. Para ello, se har jugar un papel particular a una de las muestras, por
ejemplo Sn (en la prctica se elegir una muestra que ocupe una posicin privilegiada respecto de
las n-1 restantes, por ejemplo una posicin central) y se escribir la condicin (22) en la forma:

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

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

el sistema (24) se reduce a:

La solucin de este sistema de n-1 ecuaciones lineales con n-1 incgnitas permite el clculo
efectivo de los n coeficientes de krigeado, an se determina segn.
Los valores as obtenidos se pueden introducir en la expresin (23) de la varianza de estimacin,
se obtiene entonces el valor mnimo K2 de la

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

18
La primera parte de esta frmula representa la varianza de extensin:

Validacin del kriging.

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

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

ms empleado es el de validacin cruzada, que consiste en excluir la observacin de uno de los n

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

predecir va kriging el valor de la variable en estudio en la ubicacin del punto que se excluy. Se

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

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

procedimiento se realiza en forma secuencial con cada uno de los puntos mustrales y as se obtiene

un conjunto de n errores de prediccin. Lo usual es calcular medidas que involucren a estos

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

algn criterio como por ejemplo el del mnimo error cuadrtico medio (MECM). Este

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

diversos contextos estadsticos para calcular varianzas de estimacin, entre otros aspectos. Una

forma descriptiva de hacer la validacin cruzada es mediante un grfico de dispersin de los

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

ms a una lnea recta que pase por el origen, mejor ser el modelo de semivariograma utilizado

para realizar el kriging.

Representacin de las predicciones Una vez se ha hecho la prediccin en un conjunto de puntos

diferentes de los mustrales va kriging, se debe elaborar un mapa que d una representacin global

del comportamiento de la variable de inters en la zona estudiada. Los ms empleados son los

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

de contornos, en primer lugar se divide el rea de estudio en un enmallado y se hace la prediccin

19
en cada uno de los nodos de ste mismo. Posteriormente se unen los valores predichos con igual

valor, generando as las lneas de contorno (isolneas de distribucin). Este grfico permite

identificar la magnitud de la variable en toda el rea de estudio. Es conveniente acompaar el mapa

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

las varianzas de prediccin (posiblemente estimados a travs de mtodos matemticos), con el

propsito de identificar zonas de mayor incertidumbre respecto a las predicciones. Intervalos de

Confianza. Asumiendo que los errores de prediccin siguen una distribucin normal estndar y

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

Kriging Ordinario
Suponga que se hacen mediciones de la variable de inters Z en los puntos xi , i= 1, 2,..., n, de la

regin de estudio, es decir se tienen realizaciones de las variables Z(x1), . . . , Z(xn), y se desea

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

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

n variables aleatorias as:

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

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

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

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

insesgamiento. Estadsticamente la propiedad de insesgamiento se expresa a travs de:

20
Asumiendo que el proceso es estacionario de media m (desconocida) y utilizando las propiedades

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

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

manera que minimicen la varianza del error de prediccin, es decir que minimicen la expresin:

21
CONCLUSIONES:
Se reconoci satisfactoriamente las diferentes tcnicas explicadas en el

documento visto anteriormente para su aplicacin en minera y en

diferentes ramas educativas

Se determin atreves de clculos explicados con las frmulas de los

mtodos vistos se determin por sectores las leyes de inters en minera

Se reconoci y se identific los diferentes mtodos usados para la

estimacin de datos tomados en campo

Reconocimos los parmetros generales y bsicos que hay q tener en cuenta

para la elaboracin de una simulacin mediante el mtodo de Kriging

22
RECOMENDACIONES

Existen diferentes mtodos de simulacin, pero uno de los ms destacados y reconocidos

en el mundo de la geo estadstica es el Kriging por su eficiencia y cercana a la exactitud

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

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

que siempre conlleva a una simulacin terica la cual en la prctica se podra apreciar

ciertas discrepancias pus los valores podran cambiar por la naturaleza

23
11.-WEBGRAFIA:

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

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

regionalizadas-pptx

http://cg.ensmp.fr/bibliotheque/public/MATHERON_Ouvrage_00638.pdf

http://digibug.ugr.es/bitstream/10481/34751/1/ChicaOlmo_VariablesRegionaliz

adas.pdf

Libro de Geoestadistica Aplicada

Geoestatistics with Applications in Earth Sciences

24