Professional Documents
Culture Documents
1.- Introducción.
La búsqueda, exploración y evaluación de yacimientos minerales útiles es una
rama muy antigua de la Geología, destacándose entre otras tareas: el pronóstico
científico de la localización de los yacimientos minerales útiles, la elaboración de
métodos eficaces para la exploración y la evaluación geólogo económica de los
yacimientos para su explotación [Lepin,1986a].
2
Recursos Minerales Sólidos: Concentración de minerales útiles sólidos que
existen en o sobre la corteza terrestre cuyas características hacen posible la extracción
económica actual o perspectiva de algún mineral útil de dicha concentración. Se divide
en identificados y no identificados.
Reservas: Es la parte de los recurso minerales sólidos identificados, de la que
puede extraerse económicamente uno o varios minerales o elementos útiles en el
momento de su determinación, por los que solo incluye los componentes económicos y
marginalmente económicos.
Económicos
Marginalmente RESERVAS
Económicos
Subeconómicos
Tabla 1. Clasificación de las reservas.
3.- Requisitos generales para cada uno de los criterios anteriores, reflejándose que
debe tenerse en cuenta la Protección del Medio Ambiente y el uso racional de los
recursos minerales.
3
Esta Instrucción plantea que con la clasificación no se eliminan las imprecisiones
en la delimitación y determinación de las diferentes categorías, lo cual debe precisarse
con la realización del análisis dinámico de las reservas utilizando los procedimientos
“Geoestadísticos”.
5
Es importante aclarar que una Variable Aleatoria (VA) es una variable que puede
tomar ciertos valores de acuerdo a cierta distribución de probabilidades. Un valor
medido es una realización de la VA Z(x1) definida en el punto x1. Al conjunto de todas
las mediciones en el área de estudio de la variable regionalizada Z(x) puede
considerarse como una realización del conjunto VA (Z(x), x ∈ área de estudio), a este
conjunto de VA es llamada Función Aleatoria. y se escribe Z(x). [Pág. 29,
Journel,1978]
I- Estacionaridad Estricta.
9
3.- Media: Es la media aritmética de la distribución, dado por la fórmula:
1 n
Xm= ∑ Xi
n i =1
4.- Moda: Es el valor más frecuente de la distribución.
5.- Mediana: Es el valor para el cual la mitad de los datos son menores y la otra
mitad están por encima de este valor.
Si ordenamos los datos su orden ascendente podemos calcular la mediana como.
⎧ X(n+1)/2 si n es impar.
M = ⎨
⎩ (Xn/2 + Xn/2+1)/2 si n es par.
La mediana es también llamada percentil 50, además los datos no solo se dividen
en dos grupos, sino que se pueden dividir en cuatro partes, cuartiles, donde Q1 =
percentil 25, y Q3 = percentil 75, si los datos se dividen en 10, tenemos los deciles.
σ
1 n
( Xi − X m)
2
= ∑
2
n − 1 i =1
La razón principal por la que se aboga por la división entre n-1 en la estimación
de la varianza es porque proporciona un mejor estimado; si dividimos por n-1 nos
referimos a la varianza muestral (S2) como un estimador insesgado de la varianza
poblacional (σ2), esto significa que si un experimento fuera repetido muchas veces se
podría esperar que el promedio de los valores así obtenidos para S2 igualaría a σ2; por
otra parte si dividimos entre n los valores obtenidos para S2 serían como promedio
demasiado pequeño [Freund,1980].
σ= σ2
n i =1
ε= σ2 /n
La distribución normal tiene una valor de error estándar menor que 1.25 y la
distribución lognormal o una distribución con tendencia positiva, tiene valores de error
estándar mayores que 1.25.
11
Proporciona una comparación entre la variación de grandes valores y la variación
de pequeños valores.
12
anteriormente.
Aquí aunque no existe un criterio fijo, ni una justificación teórica para determinar
el número de pares necesarios para calcular cada valor del semivariograma, en
[Journel,1978] se sugieren 30 pares como mínimo para obtener una masa estadística
suficientemente grande.
13
0o y 179o, lo que requiere para no ser estrictos en el cálculo, de definir tolerancias
angular (dα y dβ) y lineal (dh).
Para cada distancias (h), calcular la expresión (1), con la cantidad de pares que se
encuentran separados a una distancia h-dh ≤ h ≤ h+dh, y que esten incluidos en los
ángulos (α-dα ≤ αp ≤ α+dα) para dos dimensiones y además (β-dβ ≤ βp ≤ β+dβ) para
tres dimensiones, donde αp.y βp son los ángulos definido por la dirección de la recta que
une los dos puntos del par en cuestión.
Cuando en el cálculo del semivariograma se detecta que existe una relación lineal
entre el valor medio de las muestras usadas en el cálculo de cada γ(h) y la desviación
estándar correspondiente, aspecto que se puede obtener ploteando los valores de Xm
contra σ, es decir el coeficiente de variación σ/Xm es aproximadamente constante. Esta
situación se conoce como efecto proporcional (heterosedasticidad) y ocurre cuando los
datos presentan una distribución lognormal. [Journel,1978]
γ(h)
F(h) = -------
Xm2(h)
14
1 N ( h ) [ Z (x i ) − Z (x i + h )]
2
F (h ) = ∑
[
2 N (h ) i =1 ( Z (x ) − Z (x + h )) 2 ]
2
i i
16
Los parámetros del semivariograma caracterizan tres elementos importantes en la
variabilidad de un atributo que son: la discontinuidad en el origen (Efecto Pepita), el
valor máximo de variabilidad (Meseta), y el área de influencia de la correlación
(Alcance), (Figura 1). como se presentan en [Krajewsky,1993], [Journel,1978],
[David,1977], y se describen a continuación.
La Meseta: (Sill)
El Alcance: (Range)
17
abscisa es una fracción del propio alcance, fracción que se detallara posteriormente en la
explicación de los modelos teóricos
γ(h)
Co
h
a
Figura 1: Parámetros del semivariograma.
Modelo Esférico.
C ( 3h/2a - ½(h/a)3 h≤a
γ(h) = Co +
C h>a
Este modelo alcanza su meseta para un calor finito h = a, en el alcance
precisamente, un alcance práctico puede ser:
a´ = 2/3 a → a =3/2 a´
donde a´ representa la fracción que planteamos en la explicación anterior del alcance
(Figura 2).
γ(h)
(2/3)a a
h
Figura 2: Modelo Esférico
Modelo Exponencial.
γ(h) = Co + C ( 1 - exp(-h/a) )
γ(h)
19
a
γ(h)
a 3a
Figura 4: Modelo Gaussiano.
Modelo Logarítmico.
γ(H) = Log h
20
Note que en este modelo log h → -∞ cuando h → 0, por tanto este modelo no
puede ser usado para describir la variabilidad de regionalizaciones en soportes
puntuales.
Modelo Lineal.
γ(h) = Co + C (h/a)
Note en este modelo, que a medida que aumenta h, el valor de el Alcance (a)
permanece constante, de modo que (h/a) es el valor de la pendiente de la recta del
modelo que varia de 0 hasta el consiente de la distancia máxima de h y a.
22
Anisotropía Zonal: Está presente cuando los semivariogramas en diferentes
direcciones tiene diferentes mesetas y alcances.
Puesto que uno de los posibles usos del semivariograma ajustado es la estimación
espacial de una variable regionalizada Z(x), parece razonable plantear un estimador del
semivariograma que se base en la idea de minimizar los errores de estimación de Z(x),
esto es, existen dos términos, Jackknife y Validación Cruzada que tiene como objetivo
validar el ajuste realizado. [Journel,1978], [David,1977].
Algunos autores distinguen entre estos dos términos planteando que, mientras que
la técnica “jackknifing” es un método para estimar las características estadísticas de una
variable, basado en la división de los datos en grupos, la validación cruzada es un
método para la evaluación de errores de estimación. En este trabajo, dada las
características del uso que se le dan a estos términos, conviene no distinguir entre estos.
como lo hacen otros autores.
23
Sea Z(x) una Función Aleatoria estacionaria con semivariograma γ(h), su función
de covarianza C(h) viene dada por C(h) = σ2 - γ(h) donde σ2 es la varianza de Z(x).
Sea Zx1, Zx2, . . . , Zxn los valores de Z(x) en n puntos medidos. La validación cruzada
consiste en suprimir el i-ésimo valor medido Z(xi) y estimarlo a partir del resto de los
datos. El valor estimado Z*(xi) se calcula por Krigeage explicado más adelante.
Si se repite este proceso para los n puntos, de modo que se pueden calcular n errores de
validación:
E(xi) = Z*(xi)- Z(xi) i = 1, 2, . . . , n.
donde: N es el número de puntos en los que se realiza la validación. Puesto que σi2 es la
varianza de E(xi), su valor esperado es igual a uno. Esta condición puede interpretarse
también como una condición de consistencia entre los errores calculados E(xi) y las
dimensiones estándar proporcionadas por el krigeado (σi2).
d) Mínimo valor medio de las varianzas del Krigeado (σi2).
e) Valor medio de las varianzas del krigeado igual a la varianza de los errores de
24
validación.
f) Ausencia de correlación (Corr) entre los errores y los valores de [Z*(xi) - Z(xi)]
donde Z(xi) es el valor medio de Z(x) en el entorno del punto i y Z*(xi) es valor
estimado.
g) Coeficiente de correlación entre los valores krigeados y los medidos próximo a
uno.
h) Los errores normalizados [Z*(xi) - Z(xi)]/ σi deben situarse a los largo de una
recta en papel probabilístico normal. En otras palabras E(xi)/σi deben seguir una
distribución de Gauss con media nula y varianza igual a la unidad. Este criterio se
cumple cuando las variables Z(x) siguen una distribución normal, en general sin
embargo los errores normalizados no tienen porque satisfacer este criterio.
Otros autores solo plantean que la medidas fundamentales son la indicada por T1
y T3.
25
direccionales tienen la misma meseta pero diferentes alcances, esta puede ser corregida
a través de una transformación linear de coordenadas que permita reducir la elipse a un
circulo.
2.- Anisotropía zonal esta presente: indica que tanto la meseta como los
alcances son diferentes para los semivariogramas direccionales, puede ser corregido
separando el semivariograma en sus componentes isotrópicos, horizontal y anisotrópico
vertical.
3.- La tendencia de los datos esta presente: indica que los valores medidos
aumentan o disminuyen dramáticamente en la zona estudiada con el aumento de la
distancia. Esto puede ser resuelto aplicando pilonomios a la ecuación del variograma.
4.- El efecto proporcional esta presente: Indica que la desviación estándar local
es proporcional al cuadrado de la media local y que los datos presentan una distribución
lognormal, puede ser resuelto dividiendo cada valor del semivariograma local por el
cuadrado de la media local, es decir usando semivariogramas relativos.
5.- Estructuras anidadas esta presente: indica que diferentes procesos operan a
diferentes escalas, como por ejemplo alguno o todos los siguientes: A muy pequeñas
distancias la variabilidad puede estar presente debido a cambios de una composición
mineral a otra. A pequeñas distancias la variabilidad puede estar presente debido a
errores, A grandes distancia la variabilidad puede estar presente debido a casos
transitorios de desgaste mineral. El cual puede ser resuelto aplicando varios modelos
simultáneamente.
6.- Efecto hueco esta presente: indica que muy pocos pares están disponible para
la comparación a una distancia específica. Y puede ser resuelto recuperando más casos
para la distancia definida.
26
alternativamente a través de diferentes estratos, como piedras areniscas, esquistos, etc.
Esto puede ser resulto si es un problema real y no un antifaz del análisis, la periodicidad
puede ser también un fenómeno real mostrado por zonal ricas y pobres repetidas a
espacios similares.
11.- Estimación.
11.1.- Triangulación.
27
Este método consiste en ajustar un plano que pase por las tres muestras mas
cercanas y adyacentes a la localización que se desea estimar. [Barnes, 1989]
La ecuación del plano es:
Z=ax+by+c (2)
Cada muestra tiene coordenadas (x, y) y z representa el valor muestreado.
Con el objetivo de obtener la ecuación del plano que pase por las tres muestras
construimos el siguiente sistema de ecuaciones lineales:
a x1 + b y1 + c = z1
a x2 + b y2 + c = z2
a x3 + b y3 + c = z3
y así obtenemos los coeficientes a, b y c, entonces el valor de z en cualquier localización
dentro del triángulo se puede obtener sustituyendo su coordenadas en la ecuación (2).
Existen varios métodos para obtener los triángulos dentro de los cuales el más
utilizado es el de Delauney [Barnes,1989],[David,1977]
28
∑i=1,n1/doj
Se pueden obtener distintos estimadores si escribimos la ecuación anterior como:
(1/doi)ω
Z*(x) = ∑i=1,n ---------------- Z(xi)
∑i=1,n(1/doj)ω
Note que si ω = 1 Obtenemos la ecuación (3).
29
imparcial (BLUE, en ingles, Best Linear Unbiased Estimator) [Journel,1978],
[David,1977], [Myers,1992], [Myers,1991].
El sistema Kriging, deducción teórica que se puede encontrar en [Journel,1978],
[David,1977], puede presentarse en su formulación final de acuerdo a las siguientes
variantes.
λ1 γ(x1,xo)
λ2 γ(xi,xo)
[λ] = . [M2] = .
30
λn γ(xn,xo)
λ1 γ(x1,xo)
λ2 γ(xi,xo)
[λ] = . [M2] = .
λn γ(xn,xo)
μ 1
Observaciones:
Según [Journel,1978]:
1.- El sistema Kriging tiene una solución única si y solo sí la matriz de K es
definida estrictamente positiva, es decir:
∑i=1,n∑j=1,n λiλj C(xi, xj) ≥ 0
o en términos de variograma:
- ∑i=1,n∑j=1,n λiλj γ(xi, xj) ≥ 0
y no existen datos con las mismas coordenadas.
Una variante de Kriging que tiene en cuenta esta situación, fue desarrollada por
Goldberger, A, S. en 1962 y descrita por Matheron en 1969, para tratamiento de datos
débilmente estacionarios y con tendencia llamada Kriging Universal (KU) [Carr,1990].
En este caso se utiliza una variante conocida como Co-Kriging, siendo una extensión
33
del procedimiento Kriging, que requiere del conocimiento de su variograma cruzado.
Journel, A., and Huijbregts, Ch., 1978, “Mining Geostatistics”, presenta los
siguientes capítulos.
V. Kriging and the estimation of in situ resources: Presenta como objetivo del
capítulo la estimación de reservas in situ, Introduciendo la técnica Kriging, Kriging
Universal para el caso no estacionario, Co-Kriging para variables correlacionadas,
presentando ejemplos de aplicación de la técnica para distintos casos posibles.
35
II. Constribution of Distribution to Mineral Reserve Problems: Hace una
breve introducción a la herramientas de estadística elemental que pueden ser usadas en
los problemas de estimación de reservas.
36
X. The practice of Kriging: Presenta varios pasos que son reflexiones necesarias
al hacer Kriging, un método de estimación eficiente, presentando aplicaciones, presenta
al Co-Kriging en el uso de unas variables para predecir otras.
XII. Orebody Modelling: Se refiere a dos clases de problemas a ser resuelto por
el modelo minero, la estimación y la simulación, presentando ejemplos.
37
[Carr,1990] Carr, J.R., 1990a, UVKRIG: A Frotram-77 Program for Universal
Krigimg, Computers & Geosciences, Vol.16, No.2, p.211-236.
39