Geoestadistica Minera Aplicada

CURSO DE GEOESTADISTICA MINERA APLICADA
GEOVAL PERU
Expositor:
Ing. José Terrones
Geoestadístico ENSMP/CFSG
DESS Evaluación de Recursos del Subsuelo ENSMN
Lima – mail: jterrones@geovalperu.com

http://www.geovalperu.com
Marzo del 2019

Geoestadistica Minera Aplicada
CONTENIDO
Capitulo 0 Principios básicos, algunas aplicaciones (Separata

adicional).
Capítulo 1 Introducción y Definiciones - Análisis de los métodos
tradicionales
Capítulo 2 Geoestadìstica y Teoría de las variables

regionalizadas.
Capítulo 3 El variograma, cálculo, modelamiento, interpretación.
Capítulo 4 Teoría del Krigeage ø

Capítulo GM Geoestadìstica Multivariable
Capítulo 5 Geoestadìstica No Lineal
Capítulo 6 Simulación de Leyes y Valores
Capitulo 7 Estimación de Variables Geo metalúrgicas
ISATIS / Cursos / J. Terrones / 2019

2
Capítulo 1
1.1 Introducción y Definiciones

La Geoestadìstica ha sido definida por G. Matheron como “la aplicación de los
métodos probabilísticos a las variables regionalizadas”, la cual es descrita por
una función en el espacio real. A diferencia de la estadística convencional, y a
pesar de la complejidad e irregularidad de un fenómeno real, la geoestadìstica
busca mostrar una estructura de correlación espacial. Esto toma en cuenta la
idea intuitiva que los puntos cercanos o juntos en el espacio, pueden ser
similarmente cercanos en valores. En otras palabras aleatoriedad no significa
independencia.
Esto hace de la geoestadìstica potente y capaz en caracterizar por medio de

un modelo probabilístico una estructura espacial. Sin embargo, las
predicciones hechas usando los métodos geoestadìsticos son modelados de
la estructura intrínseca de la variable y no solo del número de muestras y
patrones de muestreo. Esta estructura espacial es caracterizada por el
variograma.
Porque la estructura probabilística?. La estimación geoestadìstica esta

pretendiendo que la descripción de la realidad sea sujeta a una incertidumbre
la cual puede ser cuantificada, y provee una eficiente herramienta de decisión
muy potente para ejecutores y gerentes.
El presente Curso ha sido elaborado siguiendo los lineamientos impartidos en

el Centro de Geoestadìstica de Fontainebleau, de la Escuela de Minas de
Paris. La experiencia es tomada en cuenta para adoptar un punto de vista
crítico en la aplicación práctica de la teoría, con ejemplos simples que
permiten asimilar los conceptos vertidos en este documento.
La parte aplicativa de los conceptos se desarrollarán utilizando el software
geoestadìstico ISATIS de la empresa Geovariances, cuyo principal socio es la
Escuela de Minas de Paris.
1.2 Métodos tradicionales de estimación de recursos
Para la estimación de recursos consideramos dos aspectos: La estimación

Global en la que estimaremos todo el yacimiento, área o volumen y la
Estimación local en la que nos interesa estimar un bloque o sector de dicho
yacimiento mineral.
La estimación Global y Local están relacionadas porque se pueden obtener
valores globales al componer los valores locales de los bloques vi.
A continuación presentamos una breve descripción de los principales métodos

3
de estimación y una crítica general:
1.2.1 La Media aritmética
1 2 S
1
2 3
Zs = 11/7 = 1.57
1 1
Formula general Zs = Σ Z i /N
• Todos los datos tienen un peso de 1/N

• Produce malos resultados cuando existen agrupaciones
• En las estimaciones locales algunos bloques quedan sin
información.
1.2.2 Poligonal
El método se basa en lo siguiente: asignar a cada punto del espacio la

ley del dato más próximo. Para estimar una zona S se ponderan las
leyes de los datos por el área (o volumen) de influencia Si.
Área S i 1 2
1
S
2 3
Z s = 1.36
1 1
Formula General: Zs = Σ S i * Z i / S (S = S1 + S2 + S3 +……SN)
• Se requiere planímetro, compás y regla

• El peso del dato Z i es S i / S

4
• Funciona mejor con agrupaciones de datos que la media aritmética

• Difícil de implementar en 3 dimensiones
• No es adecuado para estimaciones locales
• En general no es adecuado en estimaciones locales porque asigna
la misma ley a todos los bloques que están dentro de un mismo
polígono.
1.2.3 Método 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 ponderar
las leyes por 1/diα (α = 1,2,....; d= distancia entre la muestra y el centro
de gravedad de S).
1 2
1
2 3 S
1 1 S’
Formula general: Z = (Σ Z i / d i α ) / (Σ (1 / d i α ) α>0
Si α = 1, Z = 1.78 (Inverso de la distancia)

Si α = 2, Z = 2.06 (Inverso de la distancia al cuadrado)
• Trabaja mejor en estimaciones locales que globales

• No funciona bien con agrupaciones de datos
• No toma en cuenta la forma ni el tamaño de S ( en la figura arriba S’
tiene la misma ley que S debido a un C.G. coincidente).
• Atribuye demasiado peso a las muestras cercanas al centro de
gravedad. En particular no esta definido si di = 0.

5
1.2.4 CRITICA GENERAL DE LOS METODOS TRADICIONALES DE

ESTIMACION DE LEYES.
Según lo descrito haremos los siguientes comentarios:
➢ Son empíricos.....
➢ Muy geométricos
➢ No consideran la estructura del fenómeno mineralizado.
Por estructura entendemos lo siguiente:
i) la continuidad de las leyes: casos desfavorables en lo cuales las
leyes son erráticas y otros más favorables en los cuales las leyes
son regulares.
ii) La posible presencia de anisotropías, es decir direcciones en las
cuales la variación de leyes es privilegiada.
➢ Los métodos tradicionales de estimación no proporcionan el error

asociado a la estimación; entregan un único valor, ejemplo Zs = 1.2%
Cu.
Sea Zs la ley verdadera desconocida de S. Sería conveniente poder
escribir la ecuación del tipo:
Zs = Zs +/- error
La magnitud del error cuantificaría la calidad de la estimación Zs e
indicaría la necesidad eventual de hacer más sondajes.
➢ En general estos métodos presentan un fenómeno conocido como
“sesgo condicional” , el cual se traduce en la práctica por una sobre-
estimación de las leyes altas y una sub-estimación de las leyes bajas.
La figura siguiente muestra las leyes reales de los bloques y sus
estimaciones:
0,30 1,00 0,90 0,30 Real

0,00 1,00 1,00 0,00 Est.
0,95 0,50 0,80 0,95 0,20
1,00 1,00 1,00 1,00 0,00
0,30 0,55 0,40 0,65
0,00 1,00 0,00 1,00
0,50 0,25 0,60
0,00 0,00 1,00
0,10
0,00
El promedio de las leyes verdaderas es 0.54 y el promedio de las leyes

estimadas es 0.53. No hay sesgo global.
Sin embargo hay sesgo condicional: para leyes altas ocurre que
siempre la ley estimada es superior a la ley real, y para leyes bajas, la
ley estimada es siempre inferior a la ley real.

6
Al aplicar una ley de corte, ocurre que la ley de mina es siempre mayor
a la ley de planta.
El sesgo condicional se puede comprobar en una mina a cielo abierto,

al comparar las leyes estimadas de los bloques con el promedio de los
taladros de voladura de los bloques.
Ejercicio 1 (Hojas de Ejercicios del curso – análisis de métodos)

7
Capítulo 2
Geoestadística y Teoría de las variables regionalizadas.
2.1 Introducción
Etimológicamente el término geoestadìstica designa el estudio estadístico de

fenómenos naturales. La geoestadìstica es la aplicación del formalismo de las
funciones aleatorias al reconocimiento y a la estimación de fenómenos
naturales.
Un fenómeno natural puede ser caracterizado por la repartición en el espacio
de una o varias variables regionalizadas. Este último término es una función
que representa el desplazamiento en el espacio de una cierta magnitud
asociada al fenómeno natural.
Variables que pueden ser modeladas por funciones aleatorias son:
- Leyes para metales preciosos, uranio, metales base, carbón,
diamantes, minerales industriales,
- Parámetros de calidad para minerales de Hierro, sílice, alúmina,
pérdidas sobre ignición para oro, arsénico; para carbón, valores
caloríficos, cenizas y contenido de azufre; para cemento, contenido de
fierro, oxido de magnesio, mezclas,
- Variables topográficas tales como anchos de estratos, potencias de
cobertura, profundidad de un horizonte geológico, posición del suelo
marino,
- Indicador de tipo de roca, para distinguir entre areniscas y lutitas en
reservorios de petróleo, o entre fascies en general,
- Porosidad y permeabilidad, para ambos reservorios de petróleo y
acuíferos, cabeza hidráulica y transmisividad en hidrogeología,
- Concentración de elementos traza en geoquímica de suelos y
sedimentos stream,
- Concentración de polución de suelos – agua y atmósfera,
- En la industria de la pesca, conteo de peces y huevos, temperatura de
agua, salinidad; densidad de biomasa por unidad de área,
- Densidad de árboles en bosques tropicales.
Estas variables exhiben una inmensa complejidad de detalles que preceden a

una descripción simplista de modelos tales como valores constantes dentro de
un polígono, asimismo que por funciones matemáticas ajustadas a
distribuciones.

8
Por razones económicas estas variables son frecuentemente muestreadas

bastante separadas. En la industria petrolera por ejemplo, el volumen de la
roca muestreada típicamente representa una fracción de minuto del total del
reservorio (Testigos/vol tot = 0.000 000 001). En minería la decisión de
invertir hasta 1 o 2 billones de dólares para desarrollar un nuevo yacimiento,
estará basado en una judiciosa elección de un conjunto de análisis químicos
preparados cuidadosamente de un grupo de muestras, las cuales pueden
pesar individualmente menos de 5 a 10 kilogramos.
Naturalmente estos ejemplos son extremos. Tales decisiones están basadas
sobre estudios que involucran varias disciplinas además de la geoestadìstica.
2.2 Notación condensada
En geoestadìstica se usa la notación condensada: un punto en el espacio se

designa por la letra x. La ley en este punto será z(x).
* z(x) problema unidimensional

* z(x1,x2) problema bidimensional
* z(x1,x2,x3) problema tridimensional
2.3 Campo y Soporte
Se llama campo a la zona en la cual se estudia la variable regionalizada. El

soporte es el volumen de la muestra, a menudo el soporte es un cilindro.
2.4 Función Aleatoria F.A
La geoestadìstica utiliza una cierta interpretación probabilística de la variable

regionalizada, mediante el modelo de las funciones aleatorias. Una función
aleatoria es una función Z(x) que asigna a cada punto x del espacio un valor
que depende del azar.
Al hacer un experimento sobre la función aleatoria se obtiene una función

ordinaria z(x) llamada realización de la función aleatoria Z(x).
La hipótesis constitutiva de la geoestadìstica consiste en afirmar que la

variable regionalizada en estudio es la realización de una cierta función
aleatoria. Lo anterior equivale a decir que las leyes de un yacimiento se
generaron a partir de un proceso o experimento muy complejo:
E[Z(x)] = m (x)
σ 2 [Z(x)] = σ 2 (x)
Cov [ Z(x), Z(y)] = K (x, y)
2.5 Función Aleatoria Estacionaria F.A.E.
Una FAE es una función de la cual las propiedades son conservadas en una
traslación en el espacio:

9
E[Z(x)] = m
σ 2 [Z(x)] = σ 2
Cov [ Z(x), Z(y)] = K (y – x=h)
Cov [ Z(x), Z(x+h)] = K (h)
K(0) = σ 2
2.6 EL CALCULO DE ERRORES

2.6.1. Revisión de la noción de Varianza
La varianza es una magnitud estadística destinada a medir la

concentración o la dispersión de los valores tomados por una variable
aleatoria X de valor medio m. Ella es por definición, igual a la
esperanza matemática, o al valor medio de los cuadrados de la variable
centrada.
σ2= E(x-m)2
En la práctica , no disponemos de todos los valores – en número

generalmente infinito – tomados por la variable aleatoria, sino de un
número limitado “n” de muestras de valores x1, x2,.....xi, xn a partir de
los cuales podemos calcular un valor cercano, o estimación de la media
“m” y de la varianza σ2 verdaderas.
Tomamos por estimación de la media:
x1+x2+.......xi.....+xn 1
Media= x = -------------------------- = ---- Σ xi
n n
Y de la varianza:
1 1
σ = ------ { (x1-x)^2+.......(xi-x)^2+ ......(xn-x)^2} = ---- Σ (xi-x)^2
2
n-1 n-1
La desviación estándar es la raíz cuadrada σ de la varianza.
-1.96 -1.00 0 1.00 1.96
Gráfico de Valores típicos de la distribución acumulada para la

10
distribución normal estándar.
2.6.2 Teoría de errores – varianza de estimación
Tomamos por “m” la media de un grupo de valores, la estimación mas

natural de “n” medidas es :
1
X = ---- Σ xi
n
Concebimos que la misma estimación de “m” es una variable aleatoria.

Si hubiéramos tomado otro conjunto de n muestras, habríamos
encontrado un valor x diferente de la primera. Demostramos que x
(media) es una variable aleatoria, teniendo por media el valor medio
desconocido “m” y por varianza σ2 /n, esta varianza se llama varianza
de estimación.
Si σ2 /n no es muy grande, entonces x sigue una ley de gauss de

media “m” y de desviación estándar σ / √n.
Después de la forma matemática de la ley de gauss, hay 95% de

chance para que la diferencia x-m sea comprendida entre + 2σ / √n, y
-2σ / √n .
El valor doble de σ / √n , constituye el intervalo de confianza a 95%, se

nota IC/2.
La tabla de Student permitirá estimar el intervalo de confianza para una

probabilidad dada, en función del número de datos:
IC/2 = t x σ* / √n
Donde T es leído de la tabla de student, en la práctica si n>= 20, t es

próximo de 2 para una probabilidad de 95%, así:
IC/2 = 2 x σ* / √n
Ejercicio E-1

11
Capítulo 3
3.1 El Variograma
El variograma es una función herramienta básica de la geoestadìstica.

Sea x y x+h dos puntos en el espacio:
Z( x + h)
Z( x)
La función variograma γ (h) esta definida así:
γ (h) = 0.5 E [Z(x + h) – Z(x)]2 ................. 3.a
En la práctica se usa el algoritmo siguiente:
γ (h) = 0.5 Promedio { (diferencias)2 de leyes en datos que están

a la distancia h}.............................. 3.b
Propiedades que se deducen de 3.a y 3.b:
γ (0) = 0
γ (h) >= 0
γ (-h) = γ (h)

12
La figura precedente muestra un variograma experimental típico (construido a

partir de los datos disponibles), y el correspondiente modelo de variograma
ajustado. El sill es la meseta C, el nugget effect o efecto de pepita C 0 y el
rango o zona de influencia “a” son las partes principales de esta función.
Ejercicio 2 (ejercicio a una dimensión y complementarios)
3.2 Ajuste de un variograma a un modelo teòrico
El principal objetivo de ajustar un modelo teórico es de disponer una ecuación

para los cálculos posteriores. Distinguimos dos variogramas:
Variograma experimental, calculado a partir de los datos y,

Variograma teórico que corresponde a una ecuación que se ajusta al
variograma experimental.
Es evidente que el variograma teórico debe respetar al variograma

experimental, sobre todo en los primeros puntos.
En estadística existen modelos (Ley de Gauss, log normal, etc...), y así en

Geoestadìstica también existen modelos de variograma, los cuales deben
cumplir con las características 3.a y 3.b además de otros conceptos que
quedan fuera del alcance de este curso.
3.3 El modelo lineal
γ (h) = ω |h| α en el cual ω>0, y 0< α < 2
Este variograma no presenta meseta.

13
3.4 El modelo esférico
γ (h) = C (1.5 |h|/a – 0.5 (|h|/a)3 ) si |h|=< a

C si| h|>a
El alcance es “a” y la meseta es C.
3.4 El modelo cuadrático
γ (h) = C ( 2 h/a – (h/a)2 ) si h=< a

C si h> a
3.5 El modelo exponencial
Crece mas lentamente que el esférico o cuadrático
γ (h) = C ( 1 – exp( -h/a))
3.6 El modelo sinusoidal
Sirve para modelizar el efecto de hoyo.
γ (h) = C (1 – sen(βh))
3.7 El modelo gausiano
γ (h) = C ( 1 – exp( - (h/a)2 )
3.8 El modelo prisma – magnético
γ (h) = C ( 1 – 1 / (1 + r2 )0.5 ) donde r = h/a
3.9 Modelos con meseta o modelos de transición
A estos variogramas les corresponden modelos de covarianza, dados por la

relación:
γ (r) = C(0) – C(r).
3.9.1. Comportamiento discontinuo en el origen
3.9.1.1. Modelo pepítico de meseta C

14
γ (r) = 0 para r = 0
C para r > 0
γ (r)
0 r
Modelo pepítico puro
Este modelo refleja una ausencia de estructuración espacial, que en la

práctica se debe ya sea a errores de medición, o bien a la presencia de una
microestructura indetectable experimentalmente.
3.9.2. Comportamiento lineal en el origen
3.9.2.1 Modelo esférico de alcance a y meseta C (válido en Rd, d  3)
γ (r) = C 3 r 1 r3 para 0  r  a
2 a 2 a3
C para r  a
γ (r)
C
r
0 2a/3 a
Modelo Esférico

15
El efecto pepita podría verse como un caso particular de un esquema esférico

de alcance infinitamente pequeño. Sin embargo, desde el punto de vista
físico, existe una diferencia fundamental entre los modelos pepítico y esférico:
el primero representa una regionalización discontinua a la escala de
observación, para la cual los valores cambian repentinamente de un punto a
otro, mientras que el segundo describe una regionalización continua.
3.9.2.2 Modelo exponencial de parámetro a y meseta C
γ (r) = C 1 – exp r
a
Contrariamente al modelo esférico que alcanza su meseta para r = a, el

modelo sólo alcanza su meseta asintóticamente. En todo caso, se puede
considerar un alcance práctico igual a 3a para el cual el variograma llega al
95% del valor de meseta.
γ (r)
C
0.95 C
0 a 3a
Modelo exponencial

16
3.9.3. Comportamiento parabólico en el origen
3.9.3.1.Modelo cúbico de alcance a y meseta C (válido en Rd, d 3)
r2 − 35 r3 + 7 r5 − 3 r7
γ (r) = C 7 para 0  r  a
a2 4 a3 2 a5 4 a7
C para r  a
γ (r)
C
r
0 a
Modelo Cúbico
3.9.3.2. Modelo gaussiano de parámetro a y meseta C
γ (r) = C 1 – exp r2
a2
La meseta se alcanza asintóticamente, y el alcance práctico puede

considerarse igual a : a 3

17
γ (r)
C
0.95 C
0 r
a a3
Modelo gaussiano
Aunque este variograma se parece al cúbico (con la diferencia aparente de un

factor de escala en el alcance), las funciones aleatorias asociadas difieren
bastante: el modelo cúbico caracteriza funciones aleatorias derivables en
media cuadrática, mientras que el modelo gaussiano corresponde a funciones
aleatorias infinitamente diferenciables.
3.9.4. Otros modelos de transición
Se presenta a continuación otros modelos, de meseta C y alcance a, cuyo uso

es menos frecuente:
a) Modelo triangular (válido solamente en el espacio R)
γ (r) = C r/a para 0  r  a
C para r  a
Con diferencia de un factor multiplicativo, la covarianza asociada es igual al

covariograma geométrico del segmento de longitud a en el espacio R. Más
generalmente, un modelo válido en R es:
γ (r) = C ra / a para 0  r  a
C para r  a con 0 < 1

18
b) Modelo cuadrático (válido en Rd, d  3)
r − r2
γ (r) = C 2 a a2 para 0  r  a
C para r  a
c) Modelo circular (válido en Rd, d  2)
γ (r) = C 2r 1 – r2 + 2 arcsen r para 0  r  a

a a2  a
C para r  a

covariograma geométrico del círculo de diámetro a en el espacio R2.
d) Modelo pentaesférico (válido en Rd, d  5)
15 r - 5 r3 + 3 r5
γ (r) = C 8 a 4 a3 8 a5 para 0  r  a
C para r  a

covariograma geométrico de la hiperesfera de diámetro a en el espacio R5.

19
γ (r) γ (r)
Modelo triangular Modelo cuadrático
C C
0
r
0 r
a a
γ (r) Modelo circular γ (r) Modelo pentaesférico
C C
r r
0 a 0 a
Modelos de transición triangular, cuadrático, circular y pentaesférico
Los modelos anteriores utilizan dos parámetros: la meseta C y un factor de

escala a relacionado con el alcance. Otros modelos de transición hacen uso
de un tercer parámetro .
e) El modelo estable de meseta C, factor de escala a y parámetro :
 
γ (r) = C{ 1 – exp [- (r / a) ] } con 0 <   2 (alcance práctico: a 3 ).
Los modelos exponencial y gaussiano son en realidad casos particulares de

20
este modelo, correspondientes a parámetros  = 1 y  = 2.
f) El modelo gamma de meseta C, factor de escala a y parámetro 


γ (r) = C{ 1 - 1 } con >0 (alcance práctico: a( 20-1)).

(1 + r/a)
El modelo gamma de parámetro  = 1 lleva el nombre de modelo

hiperbólico.
g) El modelo de Cauchy de meseta C, factor de escala a y parámetro 


γ (r) = C{ 1 - 1 } con >0 (alcance práctico: a 20-1).

(1 + r2 /a2)
h) El modelo de Bessel modificado de meseta C, factor de escala a y

parámetro 

γ (r) = C{ 1 - 1 (r / a) K (r / a) } con >0
-1
2 ()
donde  es la función de Euler que interpola la factorial

K es la función de Bessel modificada de segunda especial de orden ,
definida por:
2K- 2K+
 
K (u) =   1 u - 1 u
2sen () K=0 k!  (-+k+1) 2 K=0 k!  (-+k+1) 2
si  es entero, se obtiene K por paso al límite).
Cuando  es un semi-entero, el variograma es un polinomio multiplicado por

una exponencial; en especial, el caso  =1/2 corresponde al modelo
exponencial.

21
modelo estable modelo gamma
γ (r) γ (r)
C C
= 1.5
= 10
= 1
= 0.5 = 2
= 1
γ (r)
= 0.5
r
r
0 a 0 a
Modelo de Cauchy Modelo de Bessel modificado

γ (r) γ (r)
C
= 10 C
= 0.5
= 2
= 1
= 1 = 2
= 0.5
= 10
r
r
0 a 0 a
Otros modelos de transición
Estos modelos cubren una amplia gama de funciones cuando se hace variar
el parámetro .
Otros modelos de transición son los modelos de efecto de hoyo, que

detallamos a continuación.

22
3.10 Modelos de efecto de hoyo
El efecto de hoyo se manifiesta cuando el variograma no es monótono, sino

que presenta una o varias oscilaciones. En general, estas oscilaciones tienen
una interpretación física, que conviene poner en evidencia (fenómeno
periódico amortiguado, por ejemplo).
3.10.1 Modelo coseno de período a y amplitud 2C (válido solamente en R)
γ (r) = C{1 – cos(2r / a)}.
Tal variograma oscila infinitamente; no posee ni alcance ni alcance práctico.

La función aleatoria asociada es una sinusoide perfecta, de periodo a; sólo su
fase es aleatoria.
3.10.2 Modelo coseno amortiguado de parámetros a ,b,  y meseta C

(válido en R)
γ (r) = C{1 – exp(-br) cos (2r / a)} con 0 <2
3.10.3 Modelo seno cardinal de parámetro a y meseta C (válido en Rd, d  3)
γ (r) = C 1 – sen (r/a)

r/a
A modo de información, el avance práctico vale 20.37 a y la mitad del seudo-

período es igual a 4.49 a, distancia para la cual el variograma vale 1.21 C. La
razón entre este valor y la meseta (o sea 1.21), que mide la amplitud del
efecto de hoyo, es la máxima que se puede obtener con un modelo isótropo
en tres dimensiones.
3.10.4 Modelo J de Bessel de parámetros a y  y meseta C (válido en Rd,

d2 (+1))
γ (r) = C 1– r  (+1) J r
2a a
donde  es la función de Euler que interpola la factorial

J,es la función de Bessel de primera especie de orden , definida
por:

23

J(u) = u  (-1)k u 2k
2 K=0
k!  (+k+1) 2
En realidad, los modelos coseno y seno cardinal constituyen casos

particulares de este modelo corresponden a los parámetros = -1/2 y =1/2.
γ (r) Modelo coseno γ (r) Modelo coseno amortiguado

=2, b=1
=1, b=2
C C
- -
r r
0 a 0 a
Modelo J de Bessel
γ (r) Modelo seno cardinal γ (r)
= 1
1.21C = 2
C
= 3
C
-
r r
0 4.49a 20.37a 0 a
Modelos de efecto de hoyo periódicos y seudo-periódicos
Los modelos anteriores son periódicos o seudo-periódicos y su

comportamiento en el origen es parabólico. Existen otros modelos de efecto
de hoyo, no periódicos y cuyo comportamiento en el origen es lineal.

24
3.9 Anisotropías
Con el ejercicio 2 hemos estudiado un variograma a 1 dimensión, en la

práctica trabajamos en varias direcciones y dimensiones. El caso isótropo
ocurre cuando los diferentes variogramas y direcciones son aproximadamente
similares. Se utiliza el variograma omnidireccional.
En el caso anisótropo los variogramas direccionales son diferentes.

Distinguimos dos tipos de comportamiento anisótropos del variograma:
3.9.1 Anisotropía geométrica:
Los diversos variogramas se pueden reducir a un variograma isotrópico por

una simple transformación de coordenadas. Los variogramas presentan un
mismo valor de meseta pero diferentes alcances:

25
3.9.2 Anisotropía zonal:
La anisotropía no puede ser reducida por la transformación lineal simple de

coordenadas.
El modelo es imbricado y en la práctica consiste en descomponer el

variograma en una componente isotrópica y otra que actúa en la dirección
vertical, como en el caso de un yacimiento de origen sedimentario.

26
Ejercicio 3 (banco de hierro a 2 D)

27
3.10 El error de estimación
En general la ley media desconocida de un volumen V se estima por una

formula lineal:
Zv* = α1 Z(x1) + α1 Z(x2) + ...... αN Z(xN)
De los que los αi verifican la condición de insesgado:
α1 + α2 + .......+ αN = 1
Los pesos αi dependen del método de estimación:
αi = 1/N media aritmética
αi = Si/S Polígonos
αi = (1/ d i α ) / ( Σ1/ d i α ) Inverso de la distancia

El error de estimación es :
ε = Zv – Zv *
En la que Zv* es la ley estimada conocida y Zv es la ley real desconocida,

entonces este error es desconocido. Sin embargo se puede caracterizar
probabilísticamente.
σE2 = E (ε 2 ) = E ( Zv – Zv*)2
Nos deberíamos proponer un problema de tal manera que en el estimador :
Zv* = Σ αi Z(x i) los pesos αi son desconocidos y definir un criterio para

calcularlos. El criterio debería ser: encontrar los pesos αi de manera de
minimizar σE2 . El método del krigeage utiliza esta idea.
Ejercicio (4) ( dispersión) y Ejercicio Sesgo Condicional

28
Capítulo 4
4.1 Teoría del Krigeage
El krigeage es un método que da la mejor estimación lineal insesgada de

valores puntuales o promedio de un bloque, considerando la información
disponible. Aquí lo mejor significa mínima varianza.
Z(xi)
xi
El krigeage atribuye un peso λ i a la muestra Z (x i ). Estos pesos se calculan

obviamente minimizando la varianza del error cometido, lo que permitirá
obtener la estimación mas precisa posible. Se utiliza óptimamente la
información disponible al interior como al exterior de V.
El nombre de Krigeage se le atribuye al Dr. Daniel Krige, ingeniero de minas

sudafricano quien fue el primero en desarrollar una técnica de medias móviles
para estimar leyes de oro. La teoría fue formalizada después por el Prof. G.
Matheron.
El krigeage define el estimador:
Zv* = λ1 Z(x1) + λ 2 Z(x2) + ...... λ N Z(xN)
Condición de insesgado:
λ1 + λ2 +.......+ λN = 1 E (Zv* - Zv) = 0
Mínima varianza:
El método clásico para minimizar la expresión de σE2 ( es decir igualar a cero

las derivadas parciales de σE2 respecto de λ1 , λ2 ,...., λN ), no asegura que la
suma de los λi sea 1. Explicaremos el método de lagrange para resolver este
problema con el ejercicio ( 5) .

29
Entonces Var ( Zv* - Zv) = E ( Zv* - Zv)2
Del ejercicio 5: A’ = Var ( Zv* - Zv) sujeto a la condición Σ λi = 1
Usamos el parámetro de lagrange μ y minimizamos:
A’ = Var ( Zv* - Zv) – 2 μ (Σ λ i – 1)
δ A’ / δ λ 1 = 0
δ A’ / δ λ 2 = 0
hasta δ A’ / δ λ N = 0
δ A’ / δ μ = 0
Este es el sistema lineal de ecuaciones del krigeage :
Σ λ J γ ( x i, xJ ) + μ = γ ( x i, V ) i = 1, 2, ……..N
ΣλJ = 1
Luego la varianza del krigeage es :
σK2 = Σ λ i γ ( x i, V ) + μ - γ ( V, V )
4.2 Krigeage Ordinario
En primera instancia asumimos que la variable regionalizada Z(x) es

estacionaria y que su media “m” es desconocida, la estimación se llama
krigeage ordinario KO.
Condición de insesgado:
Σ λi = 1
Mínima varianza:
De manera análoga obtenemos:
Σ λ J γ ( x i, xJ ) + μ = γ ( x i, V ) i = 1, 2, ……..N
Σ λ J = 1 así,
σK2 = Σ λ i γ ( x i, V ) + μ - γ ( V, V )

30
4.3 Krigeage Simple
Las mismas condiciones salvo que aquí la media “m” es conocida y se abrevia
SK. No es usado comúnmente.
El estimador es de la siguiente forma:
Zv* = Σ λi Z(xi) + m ( 1 - Σ λi ) donde el término ( 1 - Σ λi ) es el

peso de la media “m”.
El sistema de krigeage es :
Σ λ J K ( x i, xJ ) = K ( x i, V ) i = 1, 2, ……..N
ΣλJ = 1
La varianza del krigeage es:
σSK2 = - Σ λ i K ( x i, V ) + K ( V, V )
Ejercicio ( 6) (Krigeage)

31
Capítulo GM
Geoestadística Multivariable
N.1 Introducción
La información disponible de un fenómeno natural es raramente limitada a

valores de una sola variable sobre un conjunto de muestras. En aplicaciones
de las ciencias de la tierra tenemos 4 fuentes adicionales de información:
• Valores numéricos de otras variables en otras localizaciones

• Valores numéricos de la misma variable en otros puntos de tiempo
• Relaciones físicas entre variables
Tomemos un ejemplo de la industria petrolera, y notamos que un pozo

intersecta varios horizontes geológicos en profundidad. Además los
reservorios están caracterizados por varios parámetros como la porosidad,
permeabilidad, saturación de fluidos, todas mas o menos relacionadas y
dependientes de la profundidad. Una clase particular de fenómenos son los
relacionados a la atmósfera (meteorología y polución), los que son estudiados
tanto en el espacio como en el tiempo.
Z2 (x)
0
Espesor “T”
0 Z1 (x)
T (x) = Z2 (x) - Z1 (x)
Z1 (x0) OK = Σα λα1 Z1 (xα)

32
Z2 (x0) OK = Σα λα2 Z2 (xα)
T (x0) OK = Σα λαT T (xα)
Como en general Z1, Z2 y T no tienen similar variograma entonces:
T (x0) OK Diferente de => Z2 (x0) OK - Z1 (x0) OK
N.2 Herramientas de la geoestadìstica multivariable
La inecuación de Schwartz:
| σ xy | <= σx . σy | K(h) | <= √ (K(0) * K(0)) <= K(O)
ρ = σ xy / σx . σy ρ(h) = K(h)/K(0)
| ρ(h)| <= 1 ρ(0) = 1
Ejercicio 7

33
Capítulo 5
Geoestadística No lineal
5.1 Generalidades
Si las variables Z1(x), Z2(x), Z3(x),….Zn(x) no tienen correlación espacial , el

krigeage de cada una de estas es igual a su cokrigeage. Si existe una
correlación entre las variables iniciales, podemos llevarlas a otras variables sin
correlación espacial, luego será suficiente de krigear estos valores para
obtener el cokrigeage. Por combinación lineal de las variables Z, podemos en
cada punto x, fabricar variables sin correlación espacial Yi(x):
Zj(x) = Σi a ji Yi(x).
Las variables Yi se llaman factores, y factorización de las Zj la

descomposición de Zj a partir de tales factores.
Una función aleatoria Y(x) toma un número finito de valores, por ejemplo
0,1,2,3 en un punto x. Esta codificación de indicadores es disyuntiva ya que la
función no puede tomar varios valores a la vez: en un punto x dado uno y solo
uno de estos indicadores es igual a 1, los otros son nulos.
Σi 1 Y(x)=i = 1 Y(x)=0 + 1 Y(x)=1 + 1 Y(x)=2 + 1 Y(x)=3 = 1.
Ejemplo:
En geoestadìstica usamos comúnmente los indicadores acumulados sobre un
límite dado, así si Y(x) representa la ley de un mineral con ley de corte 2,
entonces 1 Y(x)>=2, función de Y(x) igual a 1 si Y(x) es >=2 (por lo tanto igual
a 2 ò 3), a 0 si no. Tenemos:
1 Y(x)>=2 = 1 Y(x)=2 + 1 Y(x)=3
5.2 Limites de la Geoestadística Lineal
La geoestadìstica lineal manipula combinaciones lineales de la variable en

estudio Y(x), estimar la variable en un punto x a partir de datos
experimentales, y una varianza de estimación (precisión).
En el ejemplo Y(x) toma los valores 0,1,2 ò 3, e imaginemos que en un punto

x dado, su krigeage Y(x) k sea igual a 1. Si la varianza de estimación es débil,
hay gran posibilidad que el valor real de Y(x) no sobrepase 2. Pero si la
varianza es grande, caso general, el valor estimado Y(x)=1 representa
simplemente la media de las tendencias: el valor real puede valer 1 pero
igualmente puede ser igual a 0, 2 ò 3. El hecho que el valor estimado Y(x) k
sea menor de 2 no significa que el verdadero valor Y(x) no pueda sobrepasar
2, evento representado por el indicador 1 Y(x)>=2 .
Esta es una distinción esencial cuando buscamos hacer previsiones sobre

una ley de corte. En medio ambiente por ejemplo, podemos estimar (gracias a

34
una probabilidad) el límite representado por 1 Y(x)>=2 . En la previsión de una

explotación minera selectiva, nos interesamos a calcular tal indicador que
representa una ley de corte, la cantidad de metal correspondiente, o las
reservas recuperables a otras leyes de corte.
De esta manera hacer una estimación de la variable Y(x) no responde al

problema de la estimación de funciones f [Y(x)] de Y(x): indicadores,
cantidades de metal, etc. Entonces recurrimos a los métodos no lineales,
como la esperanza condicional o el krigeage disyuntivo (Ver estudio
presentado a INFOMINA 2002 por J. Deraisme/J. Terrones).
5.3 Krigeage de Indicadores
Sea una variable regionalizada Z(x) y una ley de corte Lc. Se define una
transformación binaria de los datos (o indicador):
I (x, Lc) = 1 si Z(x) >= Lc

0 si Z(x) < Lc
Ejemplo : En la figura, si Lc = 0.8, la base de datos A se transforma en B,

donde solo aparecen ceros y unos.
A B
¤0.73 ¤0
¤0.85 ¤1.02 ¤1 ¤1
¤0.9 ¤1
¤0.66 ¤0
Sobre la base de datos B se procede a:

• Cálculo y ajuste de variograma
• Krigeage de bloques
Si estimamos un bloque Zk = 0.75, estos significa que hay una probabilidad al

75% de que la ley media del bloque sea mayor que Lc. (Ver estudio
presentado a Infomina 2004 por D. Machuca/J. Terrones).
5.4 Krigeage Disyuntivo
La familia de indicadores 1 Y(x)=0 , 1 Y(x)=1 , 1 Y(x)=2 , 1 Y(x)=3 permite de

exprimir toda función de Y(x); ella es generadora:
F (Y(x)) = f 0 1 Y(x)=0 + ............

Estimando estos diferentes indicadores, obtenemos por lo tanto un estimador
de f [Y(x)] para cualquier función f. Por definición, el estimador de krigeage

35
disyuntivo de f [Y(x)] (Matheron 1973, 1976) es aquel obtenido por el

cokrigeage de los indicadores:
[ f (Y(x))] KD = f 0 [1 Y(x)=0 ] CK + f 1 [1 Y(x)=1 ] CK + ....
En particular el KD de un indicador es igual a su cokrigeage apoyado de todos

los otros indicadores:
[1 Y(x)=0 ] KD = [1 Y(x)=0 ] CK
Es simple de ver que el KD de la suma (o de la diferencia) de 2 funciones es

igual a la suma (o diferencia) de su KD :
[ f (Y(x)) + g (Y(x)) ] KD = [ f (Y(x))] KD + [ g (Y(x))] KD
De donde hay coherencia entre los resultados de estimación de las diferentes

funciones. En particular:
[ 1 Y(x)>=i ] KD – [ 1 Y(x)>=i+1 ] KD = [ 1 Y(x)=i ] KD
Relación que no sería satisfecha realizando el krigeage separadamente de los

indicadores.
Notas
El conocimiento de las covarianzas cruzadas y simples es por lo tanto

equivalente a aquella de las leyes bivariables ( Y(x), Y(x+h)) para toda
distancia h. De la misma manera que el krigeage reposa sobre el variograma,
el krigeage disyuntivo reposa sobre las leyes bivariable (y finalmente poder
realizar la anamosfosis gausiana a través de los polinomios de hermita, la que
nos permite trabajar en un marco matemático conocido “fácil”).

36
Capitulo 6
La simulación de leyes y valores
Llamamos simulación de una función aleatoria a la obtención numérica de una

o varias realizaciones. La simulación condicional consiste en construir una
realización que posee el mismo histograma, la misma ley media, el mismo
variograma que los datos disponibles, además de estar condicionada por
estos datos experimentales Z(x1), Z(x2),.....Z(xN), es decir donde existen datos
simulación y realidad coinciden.
6.1 Simulación o estimación?
Los yacimientos simulados reencuentran los datos experimentales en sus

puntos de implantación y presentan las mismas características de dispersión
(por lo menos hasta el segundo orden). Entonces donde están las
diferencias?. Estas se encuentran en sus objetivos:
• Una estimación busca que entregar en cada punto x un estimador

Z(x)* lo mas próximo posible que el valor real desconocidoZ(x), los
criterios de calidad serán el insesgo y la minimización del error o
varianza. Estos estimadores no tienen razón de reproducir la
variabilidad espacial de las leyes verdaderas Z(x). Así en el caso del
krigeage la minimización de la varianza conlleva un efecto de
suavizado de las dispersiones. Incluyendo otros métodos, la
estimación representa una base sesgada para el estudio de la
dispersión de las leyes verdaderas.
• Por contrario la simulación condicional Z SC(x) recupera la media, el
variograma y también el histograma de las leyes reales. En
contraparte los valores simulados no son el mejor estimador de Z(x)
que podamos formar.
6.2 Clasificación de los métodos
Desde un punto de vista de las cantidades a ser simuladas:
1. Variables continuas (leyes, espesores de estratos, etc.)

2. Variables categóricas ( Litofascies, tipos de roca, etc.)
3. Objetos ( entidades como fallas, meandros, etc.)
6.3 Método de las líneas rotantes
Este método consiste a reducir toda simulación a 3 dimensiones (o mas

generalmente a n dimensiones), a varias simulaciones independientes a una
dimensión o sobre líneas (Dt) en un plano, la que luego la componemos por
aplicación del teorema del límite central.

37
Consideremos un punto x = (x,y) en el plano. Su proyección sobre Dt es un

punto con abcisa St:
St = (x, ut) = xcos Фt + y sen Фt
La simulación al punto x esta definida por:
S (x) = 1/ √n D * Σ St (st) (sumatoria desde t=1 a nD).
6.4 La simulación condicional
La simulación condicional nos produce varias imágenes posibles, de la

variabilidad espacial de una función aleatoria FA. Por construcción los datos
transformados por anamorfosis a la variable Y(x), tienen una media nula y
varianza unitaria.
Para obtener una simulación condicional de la FA anamorfoseada, que es una

función gausiana, utilizaremos la relación siguiente :
Y(x)sc = Y(x)k + [Y(x)s – Y(x)sk]
donde s = simulación
sc = simulación condicional
k = krigeage simple
Una simulación no condicional de la FA anamorfoseada puede ser obtenida

utilizando el método de las líneas rotantes desarrollada por el Prof. Matheron.
6.5 La Anamorfosis Gausiana
En la práctica, la variable estudiada Z(x) es raramente gausiana, de suerte

que una transformación llamada anamorfosis, es necesaria para llegar a una
variable Y(x) gausiana.
Esta transformación consiste a deformar el histograma de los valores de Z(x)

en un histograma gausiano reducido. Sobre los histogramas acumulados
(funciones de repartición F(Z) y G(Y)), ella consiste a asociar a cada valor de
Z, el valor de Y correspondiente a la misma frecuencia acumulada.
Llamamos « función de anamorfosis », la función Φ creciente, que une Y , Z.
El desarrollo completo se escribe :

∞
Φ= ∑ Φk Hk
k=0 k !
El desarrollo truncado a un cierto orden p :
p
Φ* = ∑ Φk Hk

38
K=0 k!
Ejercicio 8
(Ver estudio presentado al Congreso de Geología 2004, por J.

Terrones/J. Deraisme, Simulación condicional de variable
categórica, Proyecto Rio Blanco).
CAPITULO 7
ESTIMACION DE VARIABLES GEOMETALURGICAS
7.1 Introduccion a las variables Geometalurgicas y su estimación.
(Nuevas aplicaciones, presentación en ProExplo 2015, Modelo

Geometalurgico del Oro, mina El Toro + Mina La Virgen).

39

Geoestadistica Minera Aplicada

Cargado por

Copyright:

Formatos disponibles

Geoestadistica Minera Aplicada

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Geoestadistica Minera Aplicada

Cargado por

Copyright:

Formatos disponibles

CURSO DE GEOESTADISTICA MINERA APLICADA

Ing. José Terrones

Lima – mail: jterrones@geovalperu.com

Marzo del 2019

Capitulo 0 Principios básicos, algunas aplicaciones (Separata

Capítulo 2 Geoestadìstica y Teoría de las variables

Capítulo 3 El variograma, cálculo, modelamiento, interpretación.

Capítulo 4 Teoría del Krigeage ø

Capítulo 5 Geoestadìstica No Lineal

Capítulo 6 Simulación de Leyes y Valores

Capitulo 7 Estimación de Variables Geo metalúrgicas

ISATIS / Cursos / J. Terrones / 2019

1.1 Introducción y Definiciones

Esto hace de la geoestadìstica potente y capaz en caracterizar por medio de

Porque la estructura probabilística?. La estimación geoestadìstica esta

El presente Curso ha sido elaborado siguiendo los lineamientos impartidos en

1.2 Métodos tradicionales de estimación de recursos

Para la estimación de recursos consideramos dos aspectos: La estimación

ISATIS / Cursos / J. Terrones / 2019

de estimación y una crítica general:

1.2.1 La Media aritmética

• Todos los datos tienen un peso de 1/N

El método se basa en lo siguiente: asignar a cada punto del espacio la

Formula General: Zs = Σ S i * Z i / S (S = S1 + S2 + S3 +……SN)

• Se requiere planímetro, compás y regla

ISATIS / Cursos / J. Terrones / 2019

• Funciona mejor con agrupaciones de datos que la media aritmética

1.2.3 Método del inverso de la distancia

Se basa en lo siguiente: asignar mayor peso a las muestras cercanas y

Formula general: Z = (Σ Z i / d i α ) / (Σ (1 / d i α ) α>0

Si α = 1, Z = 1.78 (Inverso de la distancia)

• Trabaja mejor en estimaciones locales que globales

ISATIS / Cursos / J. Terrones / 2019

1.2.4 CRITICA GENERAL DE LOS METODOS TRADICIONALES DE

Según lo descrito haremos los siguientes comentarios:

➢ Los métodos tradicionales de estimación no proporcionan el error

0,30 1,00 0,90 0,30 Real

El promedio de las leyes verdaderas es 0.54 y el promedio de las leyes

ISATIS / Cursos / J. Terrones / 2019

El sesgo condicional se puede comprobar en una mina a cielo abierto,

Ejercicio 1 (Hojas de Ejercicios del curso – análisis de métodos)

ISATIS / Cursos / J. Terrones / 2019

Geoestadística y Teoría de las variables regionalizadas.

Etimológicamente el término geoestadìstica designa el estudio estadístico de

Estas variables exhiben una inmensa complejidad de detalles que preceden a

ISATIS / Cursos / J. Terrones / 2019

Por razones económicas estas variables son frecuentemente muestreadas

2.2 Notación condensada

En geoestadìstica se usa la notación condensada: un punto en el espacio se

* z(x) problema unidimensional

2.3 Campo y Soporte

Se llama campo a la zona en la cual se estudia la variable regionalizada. El

2.4 Función Aleatoria F.A

La geoestadìstica utiliza una cierta interpretación probabilística de la variable

Al hacer un experimento sobre la función aleatoria se obtiene una función

La hipótesis constitutiva de la geoestadìstica consiste en afirmar que la

2.5 Función Aleatoria Estacionaria F.A.E.

ISATIS / Cursos / J. Terrones / 2019

2.6 EL CALCULO DE ERRORES