Documente Academic
Documente Profesional
Documente Cultură
www.sampling-ok.com
Taller 1.- Caracterización estadística. Taller 5.- Interpolación por el método del inverso de la
13:45 a
15:30
n potencia de la distancia.
Taller 2.- Determinación del Efecto Proporcional. Taller 6.- Interpolación por Kriging y por Simulaciones.
15:30 a
15:45
Pausa
Taller 7.-. Distancia óptima de muestreo. (DOM);
Taller 3.- Estimación de la Varianza de estimación a partir de
Variogramas medios.
optimización de las mallas de muestreo.
15:45 a
17:30
Taller 4.- Cálculo ploteo y ajuste de variogramas. Anisotropía. Taller 8.- Otros ejemplos de aplicación de la
Mapeo Variográfico.
Geoestadística: Optimización de flujos metalúrgicos,
Mapeo variográfico y flujos de mineralización, etc.
1
Remembranzas:
54 años de 1963
Geoestadística
George F. P. M. Matheron
Fuente: en.wikipedia.org
4
2
Curso Internacional de
Geoestadística
2008-2009
MODULO I: 5 al 8 de Noviembre 2008. Miguel Zulueta (Consultor Miguel Zulueta
en Geoestadística) Introducción a la Geoestadística. Las variables
regionalizadas. El variograma. Varianzas: de extensión, estimación
y dispersión. El krigeage: puntual y de bloques. La varianza de
krigeage. Introducción a la estimación de recursos. Entregables en
una estimación de recursos.
André Journel
Daniel Guibal
3
Dr. Dominique François Boungarçon
4
Dos tendencias de la Geoestadística actual
La Geoestadística Aplicada:
Básicamente No-Estacionaria
Univ. Stanford – USA
Univ. Alberta – Canadá,
UNI y PUCP-Perú
André Journel Clayton Deutch Daniel Guibal
5
El concepto de autocorrelación
11
x s2 HISTOGRAMA VARIOGRAMA
(h)
1
2 f(x)
3
4
5
6
TRAMO A 5 3.08 2.75
4
3
2
1 2 4 6 x h
1
2
4
f(x) (h)
3
6
1
TRAMO B 5 3.08 2.75
1
3
2
1
4
2 4 6 x h
5
6
Diagrama de variación de leyes
Ley
A
x
Gran variabilidad local:
“diente de sierra”
x+h
B
Tendencia
Profundidad
13
3.5
2.5
1.5
0
el espacio (coordenadas) y/o en el tiempo. 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
Distancia
Tiene dos características fundamentales:
Gran variabilidad local.- Dientes de sierra
Presenta una “estructura” o tendencia a mayor escala
Ejemplos típicos:
Leyes de Au, Ag, Cu (CuT, CuSAc, CuSCN), Fe, As, etc.
Potencia de una veta o manto
Densidad, Humedad, Porosidad y Permeabilidad
Toneladas procesadas en Molinos o Chancadoras (“Throughput”)
Contenido mineralógico (% qz, ser, ARCs, cac, bt, calcopirita, pirita, etc.)
% de elementos u óxidos mayores (SiO2, TiO2, K2O, CaO, MgO, Fe2O3, etc.)
Recuperación de Au, de Cu, etc.
Densidad de fracturamiento
BWI, RQD, Resistencia Mecánica (MPa), etc.
Consumo de ácido (Kg/TM), etc.
14
7
M. Sc. Samuel Canchaya Moya
15
n(h)
1
2 * (h)
n( h )
[ Z ( x ) Z ( x h )]
i 1
i i
2
8
La hipótesis de M1 M2
estacionariedad
D
La aplicación de la geoestadística M3 M4
tradicional será válida, sólo si se cumple con
la denominada Hipótesis de Estacionariedad.
Se dice que un dominio cumple con la Hipótesis de Estacionariedad,
cuando dentro de él la media y la varianza son las mismas cualquiera
sea la muestra que se tome para estimarlas.
En un dominio donde se cumpla la Hipótesis de Estacionariedad, el
variograma y la covarianza sólo dependerán de la separación entre
datos.
Los dominios con el denominado EFECTO PROPORCIONAL son el
extremo opuesto a la condición de estacionariedad.
Cuando no se cumple la mencionada hipótesis, hay que apelar al
Concepto de Krigeage Universal; así como a otras herramientas de la
Geoestadística No- Estacionaria.
17
FUNCION VARIOGRAMA:
Forma de cálculo
2
n h
ZXi + h ZXi
Es la función probabilística
que representa el patrón de
distribución de una variable 2 (h) i 1
regionalizada n h
x+h
x OMNIDIRECCIONAL
9
Representación gráfica de la función variograma
(h) GEO ESTADISTICA
meseta
s2
C
C0
a h
DEPENDENCIA INDEPENDENCIA
ESTRUCTURA ALEATORIEDAD
h : paso entre las muestras
C0 : efecto de pepita
a : alcance
C : sill
C + C0 : meseta
s2 : varianza estadística
5
Ejemplo de cálculo manual de 4
(h)
meseta
un variograma 1D 3
h=1 h=2 h=3 h=4 h=5 h=6
3.2 2
[d1]2 [d2]2 [d3]2 [d4]2 [d5]2 [d6]2 [d7]2 [d8]2
4.0 experimental
0.64 1
2.8 ajuste
1.44 0.16 C0=0.25
0
3.2 0.16 0.64 0.00 0 1 2 3 4 5 6 7 8 h
3.0 0.04 0.04 1.00 0.04 a = alcance
3.6 0.36 0.16 0.64 0.16 0.16
2.56 1.00 1.44 0.64 4.00 1.44
2.0
6.25 0.81 2.25 1.69 2.89 0.25 1.69
4.5
4.00 0.25 1.21 0.25 0.49 0.09 2.25 0.49
2.5 7.29 0.49 10.24 2.56 4.84 4.00 5.76 1.44
5.2 8.41 0.04 4.84 0.09 1.69 0.49 0.16 0.25
2.3 0.25 5.76 0.09 2.89 0.64 0.64 0.81 0.16
0.36 0.01 9.00 0.09 5.29 0.04 0.04 0.64 2
2.8
Z x h Z x
2.2
4.1
3.61
1.21
1.69
9.00
3.24
5.76
1.21
8.41
2.56
0.00
0.16
7.29
1.96
4.41
0.25
10.24 (h ) 2(n h )
9.61 17.64 37.21 30.25 36.00 9.61 33.64 14.44
5.2 4.84 0.81 4.00 15.21 10.9 14.4 0.81 12.96
8.3 4.41 18.49 1.44 0.01 3.24 1.44 2.89 1.44
6.1 1.96 12.25 32.49 6.76 2.25 0.16 0.04 0.09
4.0 0.81 0.25 6.76 23.04 2.89 0.36 1.69 0.49
2.6 S[dh] 2 57.57 69.49 121.6 93.30 77.83 40.41 56.15 42.89
3.5
2(n-h) 36 32 28 26 22 16 10 8
(h) 1.60 2.17 4.34 3.59 3.54 2.53 5.62 5.36
10
Ajuste del Variograma Experimental a
Funciones Teóricas
h3
(h) = C
3h
+ Co ha
2a 2a3
(h) = C + Co h>a
(h) ( h) ph ; 1
(h) = Co + mh
(h) ph ; 1
0.0144 0.0016
0.0025 0.0064 0.0025 0.0009
0.0049 0.0081
0.0009 0.0004 0.0036 0.0009 0.0064 0.0004
0.0004 0.0036 0.0009 0.0025
0.0196 0.0009
0.0009 0.0064 0.0064 0.0025 0.0064 0.0001
0.0166 0.0068 0.037 0.0231 0.0162 0.0048 0.1045
22
11
0.0256 0.0004 0
0.0121 0.0009 0.0169 0.0064
0.0121 0.0256 0.0004 0
0.0025 0.0064 0.0009 0.0025 0.0036
0.0036 0.0009 0.0064
0.0004 0.0036
0.0025 0 0.0009 0.0009 0.0081
0.0296 0.0356 0.0283 0.0248 0.0253 0 0.1436
2
(h ) Z 2x(nh hZ) x
0.0784 0.04 0.0004
0.0036 0.0064 0.0256
0.0016 0.0121
0.0121 0.0025 0.0121 0.0009
0.0064 0 0.0004
0.0256 0.04 0.0081
0.0009 0.0025 0.0121 0.0016
0.1286 0.045 0.0706 0.0491 0 0 0.2933
0.1024
0.0196 0.0121
0.0025 0.0324
0.0064 0.0169 0.0081
0.0004 0.0009
0.0529
0.0004 0.0009 0.0144
0.1317 0.0187 0.1199 0 0 0 0.2703
VARIOGRAMA E-W
(Zx+h - ɣ(h) =
h n 2 (n-h)
0.0160 Zx)2 (Zx+h - Zx)2/2 (n-h)
0.0140
0.0120
1 0.1045 26 50 0.0021
0.0100 2 0.1436 24 44 0.0033
ɣ(h)
VARIOGRAMA N-S
0.0100
(Zx+h - ɣ(h) = 0.0090
h n 2 (n-h)
Zx)2 (Zx+h - Zx)2/2 (n-h) 0.0080
0.0070
1 0.2057 29 56 0.0037 0.0060
ɣ(h)
0.0050
2 0.2138 25 46 0.0046 0.0040
0.0030
3 0.1636 20 34 0.0048 0.0020
0.0010
4 0.1896 15 22 0.0086 0.0000
0 1 2 3 4 5
h
12
Ajuste del Variograma
experimental a funciones
teóricas
Expo-
Parámetro Lineal
nencial
C0 0.783 0.673
C0 + C 1.281 1.347
a 345.9 193.4
r2 0.845 0.900
RSS 0.061 0.040
C/[C0+C] 0.389 0.500
2.5
2.5
2 2
1.5 1.5
1 1
0.5 0.5
0 0
0 1.2 2.4 3.6 4.8 6 7.2 8.4 9.6 10.8 12 13.2 14.4 15.6 16.8 0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
4.5
4
3.5
3 Permite modelar la
2.5 anisotropía zonal
2
1.5
1
0.5
0
0 1.2 2.4 3.6 4.8 6 7.2 8.4 9.6 10.8 12 13.2 14.4 15.6 16.8
13
Ejemplo de Variogramas
(h) Au (gr/TM) 2
Yacimiento epitermal de
Au de alta sulfuración
30
15
(h) Cu (%) 2
0
25 50 75
h 20
1.6
h
80 160
1.2
Pórfido de Cu-Au
0.8 Veta polimetálica
0.4 Variograma
experimental
0
200
h Ajuste teórico
100
28
14
M. Sc. Samuel Canchaya Moya
29
puntos aceptados
puntos descartados
15
31
Combinación de sector con banda
puntos aceptados
b
puntos descartados
b = ancho de banda
clase de distancia h
clase de distancia 2h
clase de distancia 3h
16
Aplicación de la configuración de cálculo
en el dominio establecido
h = Ángulo horizontal
v = Ángulo vertical
34
t = Ángulo de tolerancia
17
Cálculo Variogramas 3D:
Búsqueda cilíndrica de pares
h = Ángulo horizontal
v = Ángulo vertical
t = Ángulo de tolerancia 35
h = Tolerancia en dirección Z
36
18
Interpretación de Variogramas desde
el punto de vista del muestreo Varianza estadística
o Efecto de “pepita”
o Error fundamental a
o Errores sistemáticos de
muestreo y análisis
(h) Cu (%) 2
Trend o Drift
20 Tendencia o estructura regional
10 Variograma experimental
Ajuste teórico
h
80 160
Pórfido de Cu-Au
Tipos de Anisotropía:
TIPOS:
Anisotropía Geométrica
Anisotropía Zonal
Anisotropía Híbrida
38
19
Anisotropía geométrica:
Cuando el variograma en 3
distintas direcciones presenta el
2.5
mismo sill pero rangos o alcances
distintos 2
Variograma
N-S
1.5
E-O
Mayor continuidad espacial en la 1
alcance
39
Anisotropía zonal:
3.5
Cuando el variograma en 3
0.5
0
0 1.24 2.59 3.94 5.29 6.64 7.99 9.34 10.69
Distancia
40
20
W E
Distribución
anisótropa
TUFO SUPERIOR
TUFO MINERALIZADO
TUFO INFERIOR
ARENISCA, CONGLOM.
(h)
E-W
N-S
VERTICAL
h
VARIOGRAMAS EN VARIAS DIRECCIONES
l
0. l
5
0. l
3
0.
2
0. 1 l
0.06
l = 100
0.04
para a =170 para a = 50
0.03
0.02
0.01 l a 42
0.1 0.2 0.3 0.5 0.6 1 2 3 5 6 10
21
Funciones auxiliares para dominios 2D
M’
l/a
Función c (L; l)
M
L/a
M l/a
Función H (L; l)
M’
L/a
M’
l/a
Función F (L; l)
M
L/a 43
44
Abaco N° 1
Función c (L;l)
Ajuste esférico
M’
l/a
L/a
44
22
Abaco N° 2
Función H (L;l)
Ajuste esférico
M l/a
M’
L/a
45
Abaco N° 3
Función F (L;l)
Ajuste esférico
M’
l/a
L/a
46
23
Problema de aplicación:
s E2 2 ( V, v ) ( v 2 ) ( V 2 )
a = 10 m (x ,V) =
1
2x5 H (2/10; 5/10) 4x5 H(4/10; 5/10)
2x5 + 4x5
=
10*0.41+ 20*0.49
10 + 20 = 0.46
C=1
C0 = 0.0
Variograma esférico (x ,V) =2
6x5 H (6/10; 5/10)
6x5
=
30 * 0.58
30 = 0.58
….viene
s E2 2 ( V, v ) ( v 2 ) ( V 2 )
2
5
(x , x ) + (x , x ) + (x , x ) + (x , x )
2 2 2
(v,v) = 1 1 1 2
4
2 1 2 2
X1 X2
(0) + 2 (4)
a = 10 m
C=1 (v,v) = 2
4
=
(0) + 2 (0.568)
4
= 0.28
C0 = 0.0
Variograma esférico:
(4) = 1.5 4
- 0.5 43
= 0.6 – 0.032 = 0.568
(l) = 1.5
10 103
l l3
- 0.5 a3
a
s2 E
= 2 * 0.52 – 0.28 – 0.41 = 0.35
48
24
Referencias
Canchaya S. (2004) Log-normalidad y efecto proporcional. Características frecuentes en los yacimientos de oro.-
XII Congr. Peruano Geol.; 4p.
Canchaya S. (2013) Efecto proporcional: Característica frecuente en variables de exploración geoquímica.- Pro-
Explo 2013; Lima, 19 a 23 de Mayo.
Canchaya S. (2013) Sampling of Variables with Proportional Effect.- GEOMET 2012; Sgo. de Chile Dic. 2012 y
GEOMIN 2013; Sgo. de Chile Jul. 2013.
David M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier New York; 364 p.
Chiles J. P. & Delfiner P. (2001) Geostatistics. Modeling Spatial Uncertainty.- John Wiley Sons Inc.(N.York); 695 p.
Davis J. C. (2002) Statistics and Data Analysis in Geology.- John Wiley Sons Inc. (N.York); 638 p.
Gy P. (1998) Sampling for Analytical Purposes.- John Wiley Sons Inc. (New York); 153 p.
Journel A. G. & Huijbregths Ch. J. (1978) Mining Geostatistics.- Academic Press Inc. (London); 600 p.
Journel A. G. & Kyriakidis P. C. (2004) Evaluation of Mineral Reserves. A Simulation Approach.- Oxford
University Press (Oxford); 216 p.
Leuangthong O. & Khan K. D. & Deutch C. V. (2008) Solved problems in Geostatistics.- John Wiley & Sons Inc.
(New Jersey); 207 p.
Matheron G. (1965) Les variables Régionalisées et leur Estimation.- Une application de la théorie des fonctions
49
aléatoires aux sciences de la nature.- Masson et Cie (Paris); 305 p.
25