UNIVERSIDAD NACIONAL DE COLOMBIA

SEDE MEDELLIN FACULTAD DE MINAS

XVI CONGRESO COLOMBIANO DE MINERA LOS DAS 20,21,22 DE JUNIO DEL 2011
Curso: GEOESTADSTICA BSICA APLICADA A LA MINERA

CENTRO GEOESTADSTICO PERUANO Director

Alfredo Marn Surez Docteur Ingnieur en Sciences et Techniques Minires - Option Gostatistique I'cole Nationale Suprieure des Mines de Paris
JUNIO del 2011

LIMA PER

NDICE
1. INTRODUCCIN 2. MODELACIN PROBABILSTICA

3. CONCEPTO DE VARIABLE REGIONALIZADA

4. EL VARIOGRAMA 4.1 Aplicacin en la diferenciacin de dos fenmenos 4.2 Hiptesis consideradas en el dominio de la funcin variograma

4.3 Distancias y ngulos del cono de tolerancia en el clculo numrico de los variogramas experimentales
4.4 Anlisis de la funcin variograma

4.5 Tipos principales de modelos de variogramas

NDICE
5. VARIOGRAMA CRUZADO 5.1 Funcin variograma cruzado

5.2 Aplicacin del variograma cruzado en el estudio de correlaciones 6. ESTIMACIN DE RECURSOS

6.1. Inferencia en trminos de proyeccin vectorial 6.2. Deduccin del Kriging de Matheron 6.3. Varianza de kriging de Matheron y confiabilidad de la estimacin de cada bloque 6.4 Tcnica del Kriging de Matheron. 6.5 Ejemplo

NDICE
7. CURVAS TONELAJE - LEY DE CORTE, LEY MEDIA - LEY DE CORTE Y CANTIDAD DE METAL - LEY DE CORTE 8. SIMULACIN CONDICIONAL 8.1 Introduccin

8.2 mtodo de bandas rotantes metodologa

8.3 Simulacin secuencial gaussiana metodologa 9.CONCLUSIONES 10. REFERENCIAS

1. INTRODUCCIN Se aplicar la Teora de las Variables Regionalizadas ms conocida con el nombre de Geoestadstica, cuya teora fue creada y desarrollada por el profesor Dr. George Matheron (1930 - 2000), plasmada en su obra monumental Trait de Gostatistique Applique, publicado en el ao 1962 y 1963 en Francia.

2. MODELACIN PROBABILSTICA La Geoestadstica, presentada inicialmente por George Matheron como la Teora de las Variables Regionalizadas, considera que las variables regionalizadas estn modeladas en un espacio de variables aleatorias reales L2 sobre un espacio de probabilidades (Ventsel, 1973; Haaser 1978; Schwartz, 1981).

3. CONCEPTO DE VARIABLE REGIONALIZADA

La variable regionalizada representa a una caracterstica de un fenmeno determinado.

Figura 1. Representacin de la variable regionalizada en el espacio.

4. EL VARIOGRAMA

4.1 Aplicacin en la diferenciacin de dos fenmenos

En una lnea de muestreo de la zona A, tenemos los siguientes valores de la variable regionalizada de plomo en ppm.

4.1 Aplicacin en la diferenciacin de dos fenmenos

Realizamos un anlisis estadstico bsico. a) Media aritmtica:

b) La varianza:

c) El coeficiente de variacin:

4.1 Aplicacin en la diferenciacin de dos fenmenos

d) Histograma

Figura 14. Histograma de leyes de la zona A

4.1 Aplicacin en la diferenciacin de dos fenmenos

En otra lnea de muestreo en la zona B, tenemos los mismos valores de la variable regionalizada de plomo en ppm, pero dispuesto de la siguiente forma; es decir, un fenmeno estructuralmente muy diferente, a pesar de tener los mismos valores de leyes.

4.1 Aplicacin en la diferenciacin de dos fenmenos Obtenemos la media aritmtica, la varianza, el coeficiente de variacin y el histograma, y vemos que da los mismos resultados que los obtenidos en la Zona A. Es decir que con esta estadstica descriptiva no logramos diferenciar dos fenmenos totalmente diferentes.

4.1 Aplicacin en la diferenciacin de dos fenmenos

Ahora procedemos a construir los Variogramas de la Zona A y B

4.1 Aplicacin en la diferenciacin de dos fenmenos

Graficando el variograma para la zona A.
(h)

Figura 15. Variograma de la zona A

4.1 Aplicacin en la diferenciacin de dos fenmenos

4.1 Aplicacin en la diferenciacin de dos fenmenos

Graficando el variograma para la zona B.
(h)

Figura 16. Variograma de la zona B

4.1 Aplicacin en la diferenciacin de dos fenmenos

Como se puede observar el semi-Variograma, que ms comnmente se le denomina variograma, da cuenta de las zonas estructuralmente diferentes.

4.2 Hiptesis consideradas en el dominio de la funcin variograma.

Hiptesis Estacionaria Estricta

Hiptesis Estacionaria de Orden 2 Hiptesis Intrnseca

4.3 Distancias y ngulos del cono de tolerancia en el clculo numrico de los variogramas experimentales .

Figura 3. Descripcin de la seccin del cono de tolerancia.

4.4 Anlisis de la funcin variograma.

Figura 4. Ejemplo simple de un variograma experimental y su modelado correspondiente a una variable regionalizada.

4.5 Tipos principales de modelos de variogramas

a) Modelo Efecto de Pepita Puro b) Modelo Esfrico o de Matheron c) Modelo de Formery o Exponencial d) Modelo con efecto HOLE e) Modelo Gaussiano

Modelo Efecto de Pepita Puro

(h)

Figura 17. Modelo Efecto de Pepita Puro

Modelo Esfrico o de Matheron

Figura 18. Modelo Esfrico o de Matheron

Modelo de Formery o Exponencial

Figura 19. Modelo de Formery o Exponencial

Modelo con efecto HOLE

Figura 20. Modelo con efecto HOLE

Modelo Gaussiano

Figura 21. Modelo Gaussiano

5. VARIOGRAMA CRUZADO
5.1 Funcin variograma cruzado

5.2 Aplicacin del variograma cruzado en el estudio de correlaciones

Para visualizar esta funcin, consideremos un ejemplo de una zona de terreno explorado del cual hemos obtenidos valores geoqumicos del Oro y Plata y deseamos estudiar la relacin entre los dos valores. Para este efecto aplicaremos el variograma cruzado.

5.2 Aplicacin del variograma cruzado en el estudio de correlaciones

Aplicando:

5.2 Aplicacin del variograma cruzado en el estudio de correlaciones

Cuya grfica es la siguiente:
AuAg ( h )

Figura 22. Variograma cruzado de la zona explorada con correlacin positiva alta entre las variables.

5.2 Aplicacin del variograma cruzado en el estudio de correlaciones

Observamos que cuando hay una correlacin positiva alta entre las variables, el variograma cruzado tiende a tomar valores positivos altos.

5.2 Aplicacin del variograma cruzado en el estudio de correlaciones

Ahora veamos que pasa en otra zona, donde los valores geoqumicos de la Plata toman otros valores:

Aplicando la frmula:

5.2 Aplicacin del variograma cruzado en el estudio de correlaciones

Con su grfica:

AuAg ( h )

h
Figura 23. Variograma cruzado de la zona explorada con correlacin negativa alta entre las variables.

5.2 Aplicacin del variograma cruzado en el estudio de correlaciones

Observamos que cuando hay una correlacin negativa alta entre las variables el variograma cruzado tiende a tomar valores negativos altos.

6. ESTIMACIN DE RECURSOS
6.1 Inferencia en trminos de proyeccin vectorial

Figura 10. Representacin grfica de la inferencia en trminos de proyeccin vectorial

6.2 Deduccin del Kriging de Matheron Considerando la hiptesis estacionaria de orden dos, se ha considerado un estimador insesgado que minimiza la varianza de estimacin siguiente:

6.3 Varianza de kriging de Matheron y confiabilidad de la estimacin de cada bloque

6.3 Varianza de kriging de Matheron y confiabilidad de la estimacin de cada bloque

6.3 Varianza de kriging de Matheron y confiabilidad de la estimacin de cada bloque

6.3 Varianza de kriging de Matheron y confiabilidad de la estimacin de cada bloque

Figura 11. Confiabilidad de la estimacin del bloque en tres casos

6.4 Tcnica del Kriging de Matheron Considerando las variables Z(xi) que estn cerca de un soporte geomtrico a estimar y dentro de su aureola de influencia. Aureola definida por medio de los alcances estimados a partir de un estudio de variogramas. Visualizaremos el procedimiento a partir de la siguiente disposicin de las muestras con respecto a un soporte geomtrico V.

6.4 Tcnica del Kriging de Matheron

2 z ( x2 )

1 z ( x1 )

n z ( xn )

Figura 24. Disposicin de muestras con respecto a un soporte geomtrico V

6.4. Tcnica del Kriging de Matheron Y deseamos estimar la variable Z(x) del soporte geomtrico V a partir de las muestras Z(xi). Entonces necesitamos encontrar los pesos para estimar la variable Zv(x0), a partir de:

6.4 Tcnica del Kriging de Matheron En el ejemplo que presentaremos a continuacin consideremos que estamos en condiciones de aplicar un Krigeage ordinario bajo la hiptesis estacionaria de orden 2, por lo que usaremos el siguiente sistema de ecuaciones.

6.4 Tcnica del Kriging de Matheron Este sistema resulta de minimizar la varianza de estimacin sujeta a la condicin de universalidad n 1 , que hace que nuestro estimador sea insesgado.
1

El error cometido en este procedimiento de estimacin viene dado por la varianza de Kriging de Matheron siguiente:

6.5 Ejemplo A partir de los valores de la potencia de un manto de Hematita en los puntos A y B, se desea estimar la potencia en el punto C. Considerando que la potencia del manto tiene el siguiente modelo de variograma.

6.5 Ejemplo A continuacin se muestra la ubicacin de las potencias y su orden de magnitud.

Figura 25. Variable regionalizada Potencia en los puntos A y B de un manto de Hematita

6.5 Ejemplo Entonces tenderemos a partir del sistema de ecuaciones anterior, el siguiente sistema particular:

Reemplazando:

6.5 Ejemplo Restando (I) (II) :

Ahora tenemos el siguiente sistema:

6.5 Ejemplo Sumando (I) + (II) :

Reemplazando en (II) :

6.5 Ejemplo En la primera ecuacin inicial:

Despejamos:

Parmetro auxiliar que ser usado posteriormente en la frmula de la varianza de Kriging de Matheron.

6.5 Ejemplo Siendo la potencia estimada del manto igual a:

Reemplazamos:

6.5 Ejemplo Ahora veamos cul es el error que se comete en esta estimacin, para lo cual particularizamos la frmula de la varianza de Kriging de Matheron dada anteriormente.

Reemplazando:

Este valor es el error cometido en el proceso de estimacin realizado.

7. CURVAS TONELAJE - LEY DE CORTE, LEY MEDIA - LEY DE CORTE Y CANTIDAD DE METAL - LEY DE CORTE

Figura 12. Curvas que permiten evaluar el yacimiento econmicamente