Captulo II

VALIDACION DE LA ESTIMACIN
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.

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 v i.
A continuacin estudiaremos los mtodos tradicionales ms importantes, desde un
punto de vista crtico.

El Krigeado
En trminos mineros, el krigeado consiste en encontrar la mejor estimacin lineal
insesgada de un bloque o zona V considerando la informacin disponible; es decir, las
muestras interiores y exteriores a V.

Figura V.1: Volumen a estimar.

El krigeado atribuye un peso i a la muestra z(xi). Estos pesos i se calculan de

manera de minimizar la varianza del error cometido.
Inters del Krigeado
El inters del krigeado proviene de su

misma definicin: al minimizar E2 estamos

seguros de obtener la estimacin ms precisa posible de V o equivalentemente, de

sacar el mejor provecho posible de la informacin disponible.

El nombre krigeado proviene de los trabajos de Daniel Krige en las minas de oro
sudafricanas de Rand, en los aos 50. La teora fue formalizada una dcada ms tarde
por el geomatemtico francs Georges Matheron.

Figura V.2: Dos bloques contiguos en la oficina Ossa (ver figura I.13). El color amarillo representa
mineral (con ley 1) y el blanco estril (con ley 0). Los crculos representan los datos. Se observa que, en
general, es necesario utilizar datos externos al bloque.

El inters prctico ms importante 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 depsitos mineros, se deben seleccionar, para la explotacin, un cierto
nmero de bloques, considerados como rentables y se deben abandonar otros bloques
considerados no-explotables. Daniel Krige demostr que, si esta seleccin se realizara
considerando exclusivamente las muestras interiores a cada bloque, resultara
necesariamente (en promedio) una sobre-estimacin de los bloques seleccionados. La
razn de este problema es que el histograma de las leyes reales de los bloques tiene
menos leyes extremas, ricas o pobres, luego tiene ms leyes intermedias que el
histograma calculado con las muestras interiores, y, si se calcula el efecto de una
seleccin sobre este ltimo histograma, los paneles eliminados sern en realidad
menos pobres que lo que se haba previsto, y los paneles conservados menos ricos
(figura V.2).

Figura V.3: Histograma de bloques y de muestras.

De acuerdo a lo expresado anteriormente, el krigeado define el estimador lineal:

z K 1 z ( x1 ) 2 z ( x 2 ) ... N z ( x N )

con la condicin de insesgado (llamada tambin condicin de universalidad):

1 2 ... N 1

Los pesos

i se calculan de manera de minimizar la

varianza E2 del error

= ZK - ZV, en que ZV es la ley media desconocida de V.

Como es natural, el krigeado atribuye pesos altos a las muestras cercanas a V y pesos

dbiles a las alejadas.

Sin embargo, esta regla intuitiva puede fallar en ciertas

situaciones en las cuales se habla de efecto de pantalla o de transferencia de

influencia.
Estudiaremos estos conceptos con un ejemplo: La figura siguiente muestra un bloque
que debe ser estimado a partir de 8 muestras S1, S2, . . . , S8.

Figura V.4: Transferencia de influencia y efecto de pantalla.

El krigeado encontrar en este caso, suponiendo isotropa

1 i

espacial: i)

(i = 2,

3, . . . , 8)
La muestra S1 es la de mayor peso.
ii)

2, 3 i

(i = 4, 5, . . . , 8)

Las muestras S2 y S3 tienen mayor peso que las muestras S4, S5 , . . . , S8

iii)

6 0

Se dice que la muestra S5 hace pantalla a la muestra S6.

iv)

4 5 + 6 + 7 + 8
Se dice que hay una transferencia de influencia; es decir, la influencia de la
muestra S4 se reparte entre las muestras S5, S6, S7 y S8. Se puede afirmar que
el krigeado desagrupa la informacin.
La menor o mayor intensidad de los efectos anteriores depende, evidentemente,
del variograma (efecto de pepita, meseta, alcance).
Por ejemplo, si se tiene un variograma lineal istropo, (h)=|h| , se tienen los
pesos siguientes para estimar el bloque B:

Figura V.5: Variograma lineal y pesos del krigeado. Se tienen 3 muestras. Se produce un
desagrupamiento

V.1. Las ecuaciones del krigeado

Para obtener las ecuaciones de krigeado hay que minimizar la expresin de E2

pero los i deben verificar la condicin:

i1

El mtodo clsico para minimizar la expresin de E2 (igualar a cero las derivadas

parciales de E 2respecto de 1, 2, . . . , N) no asegura que la suma de los i sea 1.
En este caso hay que utilizar el mtodo de Lagrange, el cual explicaremos con un
ejemplo matemtico:
Ejemplo:
Minimizar la funcin A = x2 + y2 si x + y = 1. El mtodo de Lagrange define la funcin
A' siguiente:
A' = x2 + y2 - 2(x + y - 1)

es una incgnita auxiliar llamada parmetro de Lagrange. Observamos que A' es

una funcin de tres variables: x, y, . Por otra parte, si se verifica la condicin x + y =
1, entonces A' = A.
El mtodo de Lagrange consiste en igualar a cero las derivadas parciales de A':

A' / x = 2x - 2 = 0
A' / y = 2y - 2 = 0
A' / = -2(x + y - 1) = 0
Es fcil de ver que la solucin de este sistema es:

x = 0.5

y = 0.5

= 0.5
Luego el mnimo de A' de A es:
Ao = (0.5)2 + (0.5)2 = 0.5
Por lo general el parmetro carece de significacin fsica.
En el caso del krigeado hay que considerar la expresin:
A' = E2 + 2(1 + 2 + . . . + N - 1)
Se demuestra que al realizar N + 1 derivaciones se obtiene el sistema de ecuaciones
siguiente:

1(x1,
x1)

+ 2(x1,
x2)
+
2(x2,

1(x2,

1(xN, x1) + 2(xN,x2) +

1

. + N(x1,
.
xN)
. +
N(x2,

(1/V)v(x1,
x)dx

+
=
+

(1/V)v(x2,

... + N(xN, xN) + = (1/V)v(xN, x)dx

... +

que es un sistema lineal de N+1 ecuaciones con N+1 incgnitas ( 1, 2, . . . ,

N, )

Se demuestra que el sistema siempre tiene solucin (se supone que el modelo de (h)
es autorizado), salvo el caso en el cual existen dos (o ms) muestras diferentes con las

mismas coordenadas: Este caso no debera presentarse en la prctica pero a veces

ocurre, lo cual hace necesario una revisin previa de la base de datos.
El mtodo que hemos presentado se conoce como krigeado ordinario y se puede
aplicar siempre que la variable regionalizada no presente una deriva en la vecindad de
estimacin.

Varianza del error.

Se demuestra que la expresin de E2 se simplifica, obtenindose:

2
E

i 1

i 1
V

( , x ) dx

xi V

1
V

( x , y ) dxdy

2 V V

Ejemplo 1:
En el caso del yacimiento istropo de la figura IV.10, estudiado anteriormente:

Figura: V.6: Bloque a krigear, en negro la ley de la muestra, en azul el nmero de la muestra.

zV 1 z(x1 ) 2 z(x2 )
se obtiene, con la ayuda de un programa computacional:

1 = 0.77
2 = 0.23

ZV = 0.77 x 35 + 0.23 x 41 = 36.38

2 E = 2.37

ZV = 36.38 2.37 (con 95% de confianza)

Ejemplo 2:
En el caso del yacimiento anistropo estudiado anteriormente en la figura III.26, se
tiene el bloque siguiente :

Figura V.7: En negro leyes de cobre, en rojo nmero de la muestra.

zV 1 z ( x1 ) 2 z ( x 2 ) 3 z ( x3 ) 4 z ( x 4 ) 5 z ( x5 )

Al usar un programa computacional, se obtienen los ponderadores siguientes:

= 0.
1

47

= 0.
2

20

= 0.
3

20

= 0.
5

08

= 0.0
8
4
2E = 0.12

zV 0.61

zV 0.61 0.12

Vemos que el krigeado ha considerado la anisotropa, asignando mayor peso a los

datos 2 y 3 que a 4 y 5.

Krigeado Puntual

En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa estimar

la ley en un punto x0 (problema de interpolacin).
Corresponde al caso particular en que el volumen V tiende a cero.
sistema siguiente:

Se obtiene el

1(x1,
x1)

1(x
2,

1(xN,
x1)
1

+ 2(x1,
x )
+ 2
2(x2,

+ .
.
+ .

+ 2(xN,x
2)
+
2

+ .
.
+

+ N(x1,
x )
+ N
N(x2,

+ N(xN,
+

+ =

(x1,

+ =

x0)

+ =

xN)
N

(x2,

(xN,
x10)

con la varianza:

2
E

(
i 1

, x0 )

xi

Figura V.8: Krigeado del punto x0. Se puede generar una grilla de valores interpolados al hacer variar x 0.
Esta tcnica tiene aplicacin en la cartografa automtica y en la simulacin de leyes.

El krigeado puntual tiene la propiedad de ser un interpolador exacto en el sentido de

que si se desea estimar la ley en un punto conocido (por ejemplo el punto A de la figura
2
V.7), el krigeado proporciona la ley del dato con una varianza E
= 0. Se dice que el

krigeado puntual "pasa por los puntos":

Figura V.9: Krigeado puntual en una dimensin versus interpolador de mnimos cuadrados.

Esta propiedad no la tienen otros interpoladores tales como los mnimos cuadrados.

V.2. Propiedades del Krigeado

Las propiedades ms importantes del mtodo de krigeado son:

Propiedad de simetra
Si (h) es istropo, entonces datos que son simtricos respecto de V y con respecto a
los otros datos tienen pesos iguales.

Figura V.10: Propiedad de simetra del krigeado.

En el ejemplo de la figura V.10:

1 = 1
2 = 4 = 6 = 8
3 = 5 = 7 = 9
Esta propiedad era til cuando se resolvan los sistemas de krigeado a mano

Composicin de krigeados
Sean dos volmenes disjuntos V1 y V2; sean z1 y z2 los estimadores de krigeado
respectivos:

Figura V.11. Composicin de krigeados.

Entonces el krigeado z de V1 V2 es:

Es decir una ponderacin por volmenes o por tonelajes.

Esta relacin no es vlida para

las varianzas:

si se desea conocer la varianza

es necesario krigear el bloque V1 V2 o bien utilizar una aproximacin.

V.3. Vecindad de Estimacin.

Figura V.12: Vecindad de estimacin. Para el krigeado no importa la agrupacin de datos al lado
izquierdo del bloque (el krigeado desagrupa la informacin). Cul radio tomar?

En estricto rigor, el krigeado de un bloque V debera realizarse considerando todos los

datos disponibles (krigeado completo). Sin embargo, esta situacin implica clculos
muy largos; por otra parte, las muestras alejadas tendran un peso casi nulo. Por esta
razn la prctica recomienda restringirse a una vecindad de estimacin que puede ser
una esfera o crculo, o bien un elipsoide o elipse (3D y 2D). Como recomendacin
prctica, el radio de bsqueda en una cierta direccin no debe ser inferior al alcance en
esa direccin.
La prctica ha demostrado que, en el espacio de dos dimensiones, con una vecindad
que contenga un promedio del orden de 8 muestras, los resultados son buenos. En el
espacio de tres dimensiones la situacin es ms compleja y debe ser analizada en
cada caso particular.

Figura V.13: En el espacio 3D hay que elegir los parmetros de bsqueda de manera de que se
produzca interpolacin entre los sondajes. En esta mina se observa que quedarn bloques mejor
estimados que otros y habr que categorizarlos en medidos, indicados e inferidos.

V.4. Estrategia de bsqueda.

Esta estrategia establece los parmetros que hay que utilizar para la bsqueda de
compsitos a utilizar en la estimacin del bloque. Dependiendo del software utilizado,
estos parmetros son:

Radios de bsqueda (Rx, Ry, Rz). En primera aproximacin se pueden utilizar los
alcances del variograma en las direcciones (x, y, z), en una vecindad con forma
de elipsoide.

Figura V.14: Elipsoide de bsqueda. En algunas situaciones este elipsoide puede estar inclinado.
El centroide es el centro de gravedad del bloque.

Mnimo k de muestras para krigear. Sirve para controlar el caso en que solo una
muestra cae en la vecindad. Si, por ejemplo, se pone k = 2, solo se krigearn los
bloques que tengan dos o ms datos en la vecindad.

Mximo r de muestras para krigear. Si se pone, por ejemplo r = 32, entonces

cuando en la vecindad de un cierto bloques existan ms de 32 compsitos, solo
se utilizarn en la estimacin los 32 compsitos ms cercanos al centro del
bloque. Este parmetro se usa para mayor velocidad de los clculos.

Mximo l de muestras por octante. Si se pone, por ejemplo l = 2, en cada

octante se utilizarn las 2 muestras ms cercanas al centro del bloque:

Figura V.15: Octantes. Qu pasa si existen sondajes aproximadamente horizontales en el caso

de la izquierda?. Algunos paquetes computacionales utilizan el hemisferio superior e inferior
caso de la derecha.

El objetivo de este parmetro es desagrupar (pero, dadas las propiedades del

krigeado se justifica su uso?)

Mximo s de compsitos por sondaje. Si se pone, por ejemplo s = 2, en cada

sondaje se utilizar un mximo de 2 compsitos, los ms cercanos al centro del
bloque. El objetivo de este parmetro es forzar la interpolacin entre sondajes.

Los parmetros l y s deben ser utilizados con precaucin. Para no introducir artefactos,
es recomendable que estos valores sean altos, lo que hace que su uso no sea
interesante (ver figuras V.16, V.17 y V.18).

Figura V.16: Existencia de sondaje inclinado: Al usar octantes con l = 1, se utilizan exclusivamente los
compsitos 1 y 5. Luego, hay que usar un l mayor.

Figura V.17: Al usar un mximo s = 1 de compsitos por sondaje, slo se usan los compsitos 8 y 3
(casi a la misma cota que el bloque), sin tomar en cuenta la variacin en la vertical. Luego, hay que usar
un s mayor.

La figura V.18 ilustra un perfil de una mina estimado con octantes (mximo 2
compsitos) y con mximo de compsitos por sondaje (mximo 2 compsitos) y el
mismo perfil estimado con un mximo de 32 compsitos en la vecindad (sin octantes y
sin mximo de compsitos por sondaje)

Figura V.18: A la izquierda estimacin con octantes y mximo por sondaje (se produce el
efecto panqueque). A la derecha, sin restricciones. Todos los sondajes (no dibujados) son
verticales. Los compsitos tienen un largo igual a la altura del banco.

VALIDACIN VISUAL
Dentro de la validacin visual tenemos:
Revisar el Modelo Geolgico contra los taladros y los slidos
construidos.
Revisar las secciones y vistas del modelo con los taladros.
Revisar la direccin de bsqueda. Ejecutar una corrida de verificacin y
luego sobre poner el elipsoide sobre el modelo.
Revisar mapas de contorno y las curvas de ley del Modelo.
Al revisar el Modelo Geolgico, considerar antes de la interpolacin lo
siguiente:

Revisar cdigos de Taladros (DDH) versus los cdigos del modelo y

asegurarse de que coincidan.
Preguntarse: hace sentido la interpretacin geolgica? Recordar que la
persona que hace la Estimacin de Recursos no necesariamente ha
hecho o revisado la interpretacin geolgica.
Observar si existen espacios o sobre posiciones en los polgonos y/o
slidos.
Preguntarse: Necesito considerar bordes suaves durante la
interpolacin en lugar de bordes duros?
Revisar si hay cambios en valor de leyes entre contactos en relacin a la
distancia del contacto.

Considerar, luego de la interpolacin lo siguiente:

Mapear los bloques del modelo y los taladros.

Usar polgonos en 2d sin mostrar las caras pero si mostrar las lneas de
tal manera que sea un modelo transparente de ser requerido.
Usar el mismo color para tem del taladro y tambin tem del modelo de
bloques.
Aadir cintas de borde a los taladros para una mejor visualizacin del
taladro.
Revise las vistas de planta banco por banco.
Use los mismos colores y misma etiqueta por ley que se muestra.
Revisar si las leyes siguen la orientacin de la bsqueda.
Si el software que usted usa lo permite, dibuje la elipse sobre la vista de
planta.
Compare los contornos de los compsitos versus los contornos del
modelo. Se ven similares o diferentes? Realice esta comparacin
banco por banco.
Haga un slido por ley de corte y traslape los slidos de alta ley. Se
sobreponen cerca de los compsitos de alta ley? O dejamos de usar
algunas reas de compsitos de alta ley?

Dentro de la validacin estadstica del modelo y de los compsitos tenemos:

Realizar histogramas del modelo, curvas tonelaje ley, Ploteo

probabilstico, SwathPlots (Grfico que resulta de la comparacin de
valores promedio dentro de un espacio limitado).
Si el software que usted usa lo permite, dibuje la elipse sobre la vista de
planta.
Compare los contornos de los compsitos versus los contornos del
modelo. Se ven similares o diferentes? Realice esta comparacin
banco por banco.
Haga un slido por ley de corte y traslape los slidos de alta ley. Se
sobreponen cerca de los compsitos de alta ley? O hemos dejado de
usar algunas reas de compsitos de alta ley?
Revisar estadsticas de compsito desagrupado (declustered) o
estadsticas poligonales vs el modelo.
Use curvas tonelaje-ley para comparar.

Revise grficos de dispersin (scatterplots) y probabilsticos Complementar las

revisiones anteriormente mencionadas comparando el modelo geolgico antes
y despus de la interpolacin.

Bibliografia
http://www.cg.ensmp.fr/bibliotheque/public/ALFARO_Cours_00606.pdf
http://www.congresominas.co.pe/WEB/ti/1/1/1c.pdf
http://www.congresominas.co.pe/WEB/ti/1/1/1b.pdf