Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PGINA NO.
1.1
Estimacin ........................................................................................................ 8
1.2
1.3
1.4
Notacin .......................................................................................................... 13
1.5
Estimacin se puede definir como la prediccin del valor de una caracterstica en una
ubicacin donde dicho valor se desconoce, en base a los valores de las caractersticas
medidas en varias ubicaciones conocidas. En la mayora de los casos, el valor
estimado diferir del valor verdadero; a la diferencia entre un valor estimado y el valor
real correspondiente se le denomina error de estimacin. La magnitud del error de
estimacin depender de dos factores:
(1)
(2)
(2)
FIGURA 1
1.1
Estimacin
Todo tipo de estimacin de una ley o reserva consta de seis etapas, tal como
se ilustra en la Figura 2.
1.
Recoleccin de muestras
2.
3.
4.
5.
6.
Uso
Figura 2: Seis etapas de estimacin
(2)
estn dentro de 0.5 metros de los permetros reales, mientras que otro
gelogo puede realizar contornos que estn dentro de 0.75 metros de los
permetros reales. Siempre y cuando ambos conjuntos de permetros
estimados de cuerpo mineralizado sean insesgados (es decir, que en promedio
sean correctos), el modelo del primer gelogo es preferible al del segundo
gelogo.
Las etapas 3 y 4 involucran supuestos. Dado que los supuestos aumentan el
riesgo de error, stos deben, dentro de lo posible:
Mantenerse al mnimo
Ser verificable
Las etapas 1 y 2 involucran errores explcitos de recoleccin, medicin y
observacin. Estos errores pueden mantenerse al mnimo si se aplican buenas
prcticas de muestreo as como los principios y lineamientos establecidos por
Pierre Gy, los cuales se resumen en el Captulo 9.
1.2
10
11
Estratigrfico
Masivo
Representacin estadstica
Se plantean soluciones estadsticas para problemas que no tienen una
respuesta definitiva, ya sea porque existe informacin incompleta y/o porque la
informacin no es confiable por lo menos parcialmente.
En general, existe un grupo de objetos con caractersticas especficas, al cual
se le denomina poblacin. De acuerdo con una serie de reglas, se selecciona
un nmero de objetos de la poblacin, los cuales constituyen la muestra. Las
caractersticas de la muestra son medidas y estudiadas. Se plantean una serie
de hiptesis (o supuestos), los cuales constituyen un modelo. Luego, se
infiere que el resto de la poblacin tiene las mismas caractersticas que la
muestra. En la mayora de los casos, las caractersticas de la poblacin sern
ms o menos diferentes a la muestra y, por lo tanto, se comete un error como
resultado de la inferencia.
En aplicaciones geoestadsticas, la poblacin es el cuerpo mineralizado
subdividido en volmenes dimensionados a la muestra. Un bloque cuya ley se
va a estimar tambin se puede concebir como uno que consta de volmenes
dimensionados a la muestra, tal como se muestra en la Figura 5.
12
3
4
1
Recolectar muestras
2
Medir las caractersticas (por ejemplo, las leyes) de las muestras
Inferir, a partir de los valores de las caractersticas de las muestras, los valores
de las mismas caractersticas para el resto de volmenes dimensionados a la
muestra que componen el cuerpo mineralizado.
Usando los valores de las caractersticas de la muestra, predecir (estimar) los
valores medios de las caractersticas de los volmenes dimensionados a la
muestra que conforman el bloque.
1.3.1 Independencia
En mineralizaciones, los valores de las caractersticas de las muestras
tomadas en puntos cercanos son en promedio usualmente ms parecidos a
los de las muestras tomadas en puntos alejados. Es inusual, aunque no
ignorado, que no se d este caso. Esta relacin entre los valores de las
caractersticas (por ejemplo, las leyes) de las muestras medidas en diferentes
ubicaciones se puede cuantificar mediante un simple clculo numrico. Cuando
no existe ninguna relacin entre una caracterstica de las muestras, se dice que
los valores son independientes.
1.4
Notacin
En este manual se ha hecho un esfuerzo por referirse a las matemticas en la
menor medida posible. Al hacerlo, se puede haber perdido cierto rigor
matemtico, pero ello se ver ms que compensado si el manual proporciona
los conceptos de geoestadstica a quienes los usarn.
La nica notacin matemtica empleada es la representacin algebraica de
nmeros y la notacin sumatoria o sigma, los cuales se explican a
continuacin:
Dada una serie de nmeros, la media aritmtica se obtiene sumando los
valores y dividiendo el total entre el nmero de valores usados.
Por ejemplo, la media aritmtica de los 6 nmeros 5, 3, 7, 6, 2, 4 es:
13
Una forma general de expresar esto es representando los nmeros con las
letras del alfabeto. Entonces, dados seis nmeros representados por x, y, z, r,
s, t, la media aritmtica es:
Donde el smbolo
significa sumar cada valor representado por x, donde i
toma, a su vez, cada valor entero del 1 al 6.
El smbolo es la letra griega en mayscula de sigma.
Una forma general de expresar la suma de n nmeros es as:
1.5
14
CAPTULO 2
ESTADSTICA DESCRIPTIVA: RESUMEN DE DATOS
El presente captulo es una introduccin general a los conceptos y clculos
estadsticos bsicos. Los temas son tratados a nivel elemental con el fin de
proporcionar una comprensin general de los conceptos en lugar de una explicacin
detallada de la estadstica matemtica.
2.1
Pgina No.
2.2
2.3
2.4
2.5
2.6
2.7
2.8
15
Histogramas de datos
Los histogramas son resmenes de datos muy tiles que permiten presentar
muchas caractersticas de datos en una sola ilustracin. Se obtienen
simplemente agrupando los datos en clases. Por ejemplo, considere las leyes
de plomo contenidas en muestras de testigos de perforacin de 1 m que se
indican en la Tabla 1.
No. de valores
2.1
16
FRECUENCIA ACUMULADA
17
PORCENTAJE DE VALORES
SOBRE UNA CLASE DE LEY
ESPECFICA
..................etc.
Los resultados de los ensayos realizados a los segmentos de testigo de 2 m se
muestran en la Tabla 2.
18
NO. DE LEYES
Medidas de posicin
Una comparacin de los histogramas de los segmentos de testigo de 1 m y 2 m
(Figuras 7 y 11) permite una evaluacin visual de las diferencias en los valores
de las leyes. Tambin es posible cuantificar algunas de estas diferencias.
Los histogramas se pueden clasificar de distintas maneras de acuerdo a su
forma. La clasificacin ms general de los histogramas por su forma es:
histogramas simtricos y asimtricos, tal como se muestra en la Figura 12.
19
SIMTRICO
ASIMTRICO
NO. DE OCURRENCIAS
Es muy til contar con alguna medida del valor ms representativo de cualquier
conjunto de datos y la moda es slo una de esas medidas: Es el valor que se
presenta con mayor frecuencia. Uno de los problemas de la moda es que
pueden existir varias modas, como es el caso del histograma de leyes de
petrleo que se muestra en la Figura 13.
LEY
Figura 13: Histograma de leyes de petrleo
La medida de valores representativos que ms se utiliza es la media aritmtica,
cuya frmula general es la siguiente:
20
Ntese que la media aritmtica en este caso equivale a casi tres veces la
moda.
Otra medida de la representatividad es la mediana: El valor que divide los datos
en dos mitades iguales. La mitad de los valores de los datos se encuentra por
encima de la mediana y la otra mitad por debajo de ella. Para calcular la
mediana, los datos deben ordenarse en forma ascendente o descendente. La
Tabla 3 contiene los datos de la Tabla 1 ordenados en forma ascendente.
21
NO. DE LEYES
MODA
MEDIA
MEDIANA
NO. DE LEYES
22
NO. DE LEYES
MEDIA=MEDIANA=MODA
INTERVALOS DE LEY
Muestras de 2 m
1.5%
4.4%
2.8%
2.0%
4.4%
3.5%
23
MEDIA
MEDIA
Medidas de dispersin
Los histogramas pueden estar ubicados o centrados en los mismos valores
medios y seguir siendo significativamente diferentes, tal como se muestra en la
Figura 18.
MEDIA
LEY
Figura 18: Histogramas con la misma medida de ubicacin, pero distintas
medidas de dispersin
La caracterstica que distingue estas dos distribuciones es la amplitud o
dispersin de sus valores. La medida ms simple de amplitud o dispersin es la
diferencia entre los valores mnimo y mximo. Por ejemplo, el valor de ensayo
mnimo para los segmentos de testigo de 1 m incluidos en la Tabla 1 es 0.1% y
el valor mximo es 17.6%, dando como resultado una medida de dispersin de
17.5%. De igual manera, la misma medida de dispersin para los resultados de
los ensayos realizados en los segmentos de testigo de 1 m mostrados en la
Tabla 2 es: 15.2% - 0.8% = 14.4%.
Las medidas de dispersin ms tiles miden la amplitud de los valores con
respecto a otro valor, el cual es usualmente una de las medidas de posicin
(media, mediana, moda).
Un valor medio, por ejemplo, no da ninguna idea de las diferencias que existen
entre los dos histogramas de la Figura 18 o entre las leyes indicadas en las
24
25
TOTAL
137.9
PROMEDIO 137.9 / 46 = 3.0%
Tabla 7: Sumatoria de las desviaciones absolutas de los valores de la
Tabla 1 respecto de su valor medio
26
27
28
29
_
La media de los datos multiplicados por c es cx y, por tanto, la varianza es:
2.6
30
NO. DE ENSAYOS
LEY (% Pb)
Figura 19: Histograma resultante de un muestreo exhaustivo del cuerpo
mineralizado
Se podra obtener una muy buena aproximacin de este histograma mediante
una curva suave a la que se denomina curva de frecuencia. Ntese que la
forma general del histograma de la Figura 19 es muy similar a la de la Figura 7
y, con la retrospectiva de la Figura 19, sera razonable asumir que el
histograma de las leyes de las 46 muestras de la Tabla 1 es una muy buena
aproximacin del histograma de todo el cuerpo mineralizado; es decir, el
histograma de las leyes de todas las muestras de testigos de 1 m tomadas del
ntegro del cuerpo mineralizado se puede inferir del histograma de las 46 leyes
de la Tabla 1.
Desafortunadamente, dicha retrospectiva nunca est disponible y la inferencia
debe hacerse sin ella. Para inferir que el histograma de las leyes de todo el
cuerpo mineralizado dividido en muestras de testigos de 1 m no es
significativamente distinto al histograma de las leyes de las 46 muestras de la
Tabla 1, se debe asumir que, si se siguen tomando muestras de 1 m, se
observar que porcentajes o proporciones similares de las muestras tendrn
las mismas leyes que las indicados en la Figura 7. Por ejemplo, si se toman
100 muestras ms, aproximadamente 11 (10.9% de ellas) deben tener leyes
entre 0% y 1%, alrededor de 24 (23.9% de las 100 muestras adicionales)
deben tener leyes entre 1% y 2%, etc.
Este supuesto debe cumplir con los criterios indicados en la pgina 9 si:
31
Histogramas Modelo
Luego de calcular los histogramas, medias y varianzas de los datos, el
siguiente paso es inferir una curva o distribucin de frecuencias para todo el
cuerpo mineralizado. A veces es til inferir un modelo para esta distribucin, el
cual usualmente tiene la forma de una ecuacin matemtica que describe la
curva de frecuencia. La ventaja de usar tales modelos es que todas sus
caractersticas se pueden tabular o derivar de la ecuacin matemtica.
El modelo ms conocido y usado es el modelo de distribucin Normal (a veces
tambin denominado como distribucin de Gauss o Laplace, quienes son los
dos hombres que la plantearon). El modelo Normal para una media de y una
desviacin estndar de (es decir, una varianza de 2) se muestra en la Figura
20.
32
Dos variables
Algunas veces es interesante estudiar dos variables en forma simultnea. Por
ejemplo, la asociacin entre Pb y Ag o entre Pb y Zn o, tal vez, la asociacin de
alguna impureza metalrgica con uno o ms metales.
El concepto de histograma de una variable fcilmente se puede hacer
extensivo a un histograma de dos variables, tal como se muestra en el
siguiente ejemplo, usando las leyes de plata y plomo de segmentos de testigo
de 1 m indicadas en la Figura 22.
Para un valor especfico o rango de valores de plomo, se podra preparar un
histograma con todos los valores de plata. Por ejemplo, usando los datos de la
Figura 22, las leyes de plata de muestras con leyes de plomo entre 0% y 1% se
muestran en la Tabla 11a.
33
NO. DE ENSAYOS
34
35
36
Media:
Varianza:
Clculo de la varianza:
Promedio:
37
Media:
Clculo de la varianza:
Varianza:
38
Si altos valores de plomo tienden a estar asociados con altos valores de plata,
entonces, cuando una ley de plomo (xi) es mayor que la ley media de plomo
( ), la ley de plata (yi) tender a ser mayor que la ley media de plata ( ). As,
los valores positivos de xi - tendern a estar asociados con valores positivos
de yi - y el producto ser positivo. De igual forma, si valores bajos de plomo
tienden a estar asociados con valores bajos de plata, entonces, cuando una ley
de plomo (xi) es inferior a la ley media de plomo ( ), la ley de plata
correspondiente (yi) tender a ser menor que la ley media de plata ( ) y los
valores negativos de xi - tendern a estar asociados con valores negativos de
yi - , e igualmente el producto ser positivo.
Por el contrario, si leyes bajas de plomo tienden a estar asociadas con leyes
altas de plata y viceversa, los valores negativos de xi tendern a estar
y viceversa, y el producto ser
asociados con valores positivos de yi negativo.
Si existe poca asociacin entre la plata y el plomo, los productos
39
40
Donde:
Para los datos de la Figura 22, todos los valores requeridos han sido
calculados y el coeficiente de correlacin se calcula como se muestra en la
Tabla 16.
41
2.8.2. Regresin
El coeficiente de correlacin mide el grado de intensidad de la relacin lineal
entre dos variables x e y. Si el coeficiente de correlacin indica la existencia de
una fuerte relacin lineal, podra ser interesante describir esta relacin en la
forma de una ecuacin:
y = a + bx
Donde b es la pendiente de la lnea y a es la interseccin en el eje y. A esta
ecuacin se le denomina lnea de regresin o, ms especficamente, lnea de
regresin de y sobre x. La lnea de regresin tambin podra usarse para
predecir valores de y correspondientes a valores especficos de x.
Si bien se propone describir la relacin entre x e y mediante una lnea recta, los
datos bivariados raras veces estn dentro de una lnea, an cuando existe una
fuerte asociacin entre ellos. Esto se puede apreciar en los diagramas de
dispersin de la Figura 28. En la prctica, el objetivo es encontrar una lnea
recta:
y* = a + bx
el cual, en cierto sentido, es ms cercano a todos los puntos del diagrama de
dispersin.
Ahora hay dos valores correspondientes para cada valor xi:
y
, que es el
valor de y predecido por la lnea de ajuste ptimo. Si
se usa para predecir
, el error que se comete es:
Este error es tambin la distancia entre los valores y reales y predecidos, tal
como se muestra en la Figura 29.
42
43
44
45
CAPTULO 3
CUANTIFICACIN DE LOS CRITERIOS DE ESTIMACIN
El propsito de este captulo es cuantificar los criterios enumerados en la Seccin 1.1
de modo que sirva de base para:
(a)
(b)
(c)
3.1
3.2
3.3
47
3.1
Continuidad
Zona de influencia
Variacin estructural y a pequea escala
Grado de homogeneidad
Modo de formacin
3.1.1 Continuidad
Mientras ms continuos sean los valores de las leyes, menor ser el error de
estimacin; por ejemplo, usualmente se cometen muchos menos errores al
estimar el grosor de las capas de carbn que al estimar las leyes de oro de
bloques en un tajo abierto o las leyes de cobre en tajeos en un cuerpo
mineralizado de cobre diseminado.
En el mtodo de estimacin de reservas de mineral por secciones
transversales, el error que se comete al extender una interseccin DDH a su
rea asociada en la seccin disminuir a medida que la continuidad de la
mineralizacin aumente.
A modo de ejemplo simplista, considere estas dos secuencias de ensayos
tomados a iguales intervalos a lo largo de una lnea:
Los nmeros de cada secuencia son exactamente los mismos, pero hay una
diferencia importante entre ellos. La secuencia (a) tiene una estructura
marcadamente simtrica y un alto grado de continuidad, mientras que la
secuencia (b) es muy irregular. La estimacin del promedio de la secuencia (a)
sera mucho ms confiable que el estimado de la secuencia (b)
correspondiente.
48
(b)
Errores de muestreo
49
50
(b)
(c)
3.2.1 Muestras
Los factores geolgicos que afectan la precisin de una estimacin son:
(a)
Continuidad de la mineralizacin
(b)
Zona de influencia
(c)
51
(d)
Grado de homogeneidad
(b)
Una muestra, como un testigo de perforacin, puede representar tan slo una
de las mil millones de partes que conforman el cuerpo mineralizado. No
obstante, por lo menos en la etapa de factibilidad, es a esta escala que se
observa el cuerpo mineralizado y que los factores que afectan la precisin se
evalan. La escala de observacin (o tamao de muestra) se puede aumentar,
por ejemplo, mediante labores de desarrollo o abriendo una galera en el
cuerpo mineralizado; durante el minado, la informacin (muestras) relacionada
con estos factores estar disponible, por ejemplo, a la escala de los taladros,
bloques o tajeos minados.
Los cuatro factores que afectan la precisin de un estimado son dependientes
de la escala. Por ejemplo, las leyes de tajos enteros usualmente mostrarn
mayor continuidad que las leyes de testigos de perforacin; adems, tendrn
una zona de influencia ms grande y una mayor proporcin de la variabilidad
ser atribuible a la estructura geolgica observable.
En otras palabras, diferentes tipos de muestras presentan las mismas
caractersticas (continuidad, zona de influencia, variabilidad estructural) que la
mineralizacin, pero a una escala distinta. Por ejemplo, supongamos que se
muestrea un depsito de cobre mediante DDH vertical y los testigos son
cortados en segmentos de 10 m de longitud y analizados para determinar el
porcentaje de cobre. Cuando las caractersticas de estas leyes son
extrapoladas a todo el depsito, se considera que la mineralizacin se
comporta como si consistiera en o estuviese dividida en volmenes
verticales de testigos DDH de 10 m. Naturalmente, sta es slo una de la
infinidad de formas de mirar el depsito. Es ms probable que el planeador de
minado considere que el depsito se comporta como si estuviera conformado
por bloques de minado de 40m x 50m x 10m. Sin embargo, ntese que no son
las caractersticas de estos bloques lo que se ha medido, sino las
caractersticas de testigos de perforacin verticales de 10 m.
Adems del tamao de una muestra, la evaluacin de los factores que afectan
la precisin tambin puede depender de la orientacin de la muestra. En una
formacin en capas, por ejemplo, las muestras tomadas en forma paralela a las
capas mostrarn una mayor continuidad y tendrn una zona de influencia ms
grande que muestras similares tomadas a lo largo de las capas.
52
Por estas razones, los diferentes tipos de muestra deben tratarse en forma
separada a fin de no enmascarar la informacin que proporcionan a distintas
escalas.
Una muestra se caracteriza por su:
(a)
Forma geomtrica
(b)
Volumen
(c)
Orientacin
53
CAPTULO IV
EL VARIOGRAMA
Contenido del captulo
4.1
4.2
4.3
4..4
2
4
7
8
8
9
10
11
12
14
15
16
19
20
22
24
24
26
26
27
28
30
4.1
O en notacin abreviada:
O, en notacin abreviada:
Ntese que el resultado sera el mismo si el clculo empezara con la muestra f(xn) al
final de la lnea y se realizara en sentido inverso hacia la primera muestra f(x1).
A modo de ejemplo, considere las leyes de las muestras de plomo en la Figura 39
tomadas a intervalos de 1.5m a lo largo de un pilar.
De manera similar:
Estos valores pueden graficarse tal como se muestra en la Figura 42 para obtener una
representacin grfica del variograma.
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Los valores de variograma para la segunda lnea son:
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Pares de muestras
Por cada uno de los espaciamientos de muestra h (= 1.5m, 3m, 4.5m ) hay dos
valores del variograma. El variograma promedio, (h), en la direccin del tajo se obtiene
tomando el promedio ponderado de los valores del variograma de las dos lneas:
Por ejemplo:
De manera similar:
Adems, es posible calcular los valores del variograma en otras direcciones. Considere
las series de lneas de leyes espaciadas a intervalos de 30 m, tal como se muestra en la
Figura 44.
El variograma puede calcularse en ngulos rectos con las lneas exactamente de la
misma manera en que se calcul a lo largo de las lneas.
Por ejemplo, el variograma para un espaciamiento de 30 m para la lnea nmero 1
(lnea punteada de la Figura 44) es dado por:
Para 60 m:
VARIANZA
VARIANZA
TALADROS
TALADROS
VARIANZA
TALADROS
MEDIA
VARIANZA
TALADROS
MEDIA
Variacin espacial
estructural
Variacin aleatoria
METROS
Sin embargo, si la lnea que une los primeros pocos puntos se proyectara sobre el eje
vertical, se producira una interseccin en alrededor de 400 (ppm)2. As, la variacin
total de 4500 (ppm)2 se divide en dos componentes: el primero representa la variacin
aleatoria que puede deberse a una serie de factores, incluyendo:
(i)
(ii)
(iii)
(iv)
del
mayores, las diferencias entre las distribuciones espaciales de las leyes de cada unidad
distorsionarn el variograma.
A menor escala, es posible distinguir subunidades individuales dentro de un cuerpo
mineralizado y stas pueden tener un grosor de 0.1 m o menos. Es aqu cuando el
asunto de la escala adquiere importancia. Si las subunidades estratigrficas dentro del
cuerpo mineralizado son extremadamente pequeas en relacin con el tamao de la
unidad de minado (por ejemplo, corte y relleno o tajeos abiertos) y con el fin de estimar
dichos volmenes grandes, se ganara una pequea ventaja calculando variogramas
por separado dentro de cada subunidad. En la mayora de los casos, sera imposible
hacerlo debido a la insuficiente informacin, y el costo de obtener suficiente informacin
sera prohibitivo.
En muchos casos, se pueden definir zonas geolgicamente homogneas y se pueden
determinar sus diferentes caractersticas calculando variogramas por separado para
cada zona. En muchos otros casos, dichas zonas no pueden definirse y la
mineralizacin todava no puede considerarse como suficientemente homognea para
el tipo de inferencias requeridas a la escala requerida. Por ejemplo, un aumento o
disminucin sistemticos en las leyes en una direccin en particular significara que la
ley promedio de las muestras dependera de dnde se tomaron; las muestras tomadas
en una seccin de la mineralizacin no podra usarse para inferir la ley promedio de otra
seccin.
Para efectuar el tipo de inferencias necesarias para la estimacin de reservas de
mineral, se requiere una cantidad bsica de homogeneidad, segn es medida por los
valores de la muestra. La homogeneidad es suficiente cuando, a la escala requerida, la
media de las muestras en una parte de la mineralizacin (o una seccin de ella) es ms
o menos la misma que la media de las muestras en cualquier otra parte. Una manera
simple de determinar si existe esta homogeneidad es graficando los valores de la
muestra con respecto al valor medio de la muestra.
4.5.1 Efecto de la falta de homogeneidad sobre el variograma
El variograma puede expresarse en trminos de la varianza de los valores de f(xi) f(xi+h):
Entonces,
Donde:
n(h) es el nmero de muestras separadas por la distancia h.
Media
Media
(ii)
Media
NOTA: Aun si la cantidad indicada en (6) se calcula y sustrae del total indicado en (5), el
variograma resultante no tiene un uso prctico. Para fines de estimacin (por lo menos
usando las tcnicas tradicionales de kriging), se requieren las siguientes dos
cantidades:
(i)
(ii)
m(x) = E[Z(x)]
el variograma de los residuales
Z(x) / m(x)
En forma ideal, estos valores, cuando se grafican, deben variar alrededor de cero, tal
como se muestra en la Figura 52.
Figura 52: Grfico de la diferencia media a falta de deriva a una escala de longitud
del eje x
para
Donde:
Co
Co + C
es el rango de influencia.
Trace una lnea por aqul que aparece como el valor alrededor del cual los
valores del variograma fluctan. Este valor debe ser aproximadamente igual
a la varianza de los valores usados en el clculo del variograma. La lnea
para este ejemplo se muestra en la Figura 53. Esta lnea da el valor de C0 +
C.
(ii)
Trace una lnea recta por los primeros dos o tres valores del variograma y
extindala de modo que intercepte el eje (h). Esto da el valor de Co. La lnea
para este ejemplo se muestra en la Figura 55. Ntese que podra no ser
posible trazar una lnea que pase por estos puntos, como por ejemplo en la
Figura 56. En este caso, la lnea debe aproximarse a los valores medios de
los puntos, tal como se ilustra en la Figura 56.
(iii)
Por definicin, la lnea de (ii) intersecta la meseta [lnea trazada en (i)] a una
distancia igual a las dos terceras partes del rango (a).
Metros
Experimental
Real
Modelos en general
Donde o(h) es igual a cero cuando h es cero y aumenta a Co en algn punto entre h =
O y h = distancia entre las muestras.
4.6.4 Variogramas y soportes
Un variograma resume los factores que afectan la precisin, tal como se miden sobre
soportes especficos, por ejemplo, testigos de perforacin. Cada tipo de muestra (es
decir, soporte) producir un variograma diferente.
Las muestras representan valores promedio medidos sobre formas geomtricas
especficas orientadas en direcciones determinadas. A medida que el tamao de la
muestra aumenta, tender a comprender una mayor proporcin de las estructuras que
dan lugar a la variabilidad. En particular, tender a comprender las causas, a muy
pequea escala, de la variabilidad que da lugar a la varianza de pepita.
La varianza de pepita, Co, es, en efecto, inversamente proporcional al volumen de la
muestra. Si Co es la varianza de pepita para las muestras de volumen v, entonces la
varianza de pepita para las muestras del volumen V es:
donde V > v.
A medida que el tamao de la muestra aumenta, el rango de influencia tambin
aumenta. Normalmente, se esperara que las longitudes de testigos de 20 m tengan
rangos de influencia mayores que las longitudes de testigo de 2 m.
En general, la varianza de las muestras disminuye a medida que se incrementan sus
volmenes, aunque no de una manera linear.
Las muestras ms pequeas producen las mayores variabilidades; en casos extremos,
estas muestras seran puntos. Obviamente, ninguna de dichas muestras puede
tomarse, pero en los clculos a menudo es til usar el variograma para muestras que
son lo suficientemente pequeas con respecto a las dimensiones de un problema como
para ser consideradas como puntos. Por ejemplo, testigos de 2m en un depsito
diseminado de gran tamao pueden considerarse como puntos al ser comparados con
los bloques de minado que se acostumbra estimar. Los problemas tridimensionales
pueden a menudo reducirse a problemas bidimensionales, asumiendo que las
longitudes son puntos. Por ejemplo, la estimacin de un bloque de 50m x 50m x 10m
(vertical) por longitudes de testigo vertical de 10m puede considerarse como equivalente
a la estimacin de un rectngulo de 50m x 50m por punto en el plano bidimensional.
Dado el variograma para un soporte, es posible determinar el variograma aproximado
para cualquier otro soporte.
Si v(h) es un semivariograma para muestras de soporte v entonces:
Donde (h) es el semivariograma para las muestras de punto y F(v) es el valor medio
de este semivariograma de punto dentro de v.
La aplicacin prctica principal de esta expresin es la prediccin de las caractersticas
del semivariograma de testigos, muestras de canal u otras muestras lineales de una
longitud, dado el semivariograma para muestras de otra longitud. Por ejemplo, dado el
semivariograma para muestras de 2m, predecir el semivariograma de muestras de 10 m
50 m.
En el caso de un modelo esfrico, si a es el rango de muestras de punto, entonces a
= a + L es el rango de influencia de las muestras de longitud L.
F(L) puede calcularse a partir de:
Nmero de muestra
Nuevamente, se asume que las muestras tienen el mismo soporte; el caso en que los
soportes no son iguales se tratar a continuacin.
La distancia promedio entre muestras es 1.0 m y sta parecera ser una distancia
apropiada para ser elegida como base para el clculo de un variograma. Sin embargo,
existen slo dos pares de muestras (nmeros 1 y 2, y nmeros 4 y 5) separadas por
una distancia de 1.0 m; no existe ningn par separado por 2.0 m, 3.0 m, etc. Como una
aproximacin, podra elegirse un intervalo de 1m 0.3m. Todos los pares comprendidos
dentro de una distancia de 0.7 m a 1.3 m se usaran para el clculo de (1m); todo s los
pares de muestras comprendidos dentro de una distancia de 1.7 m a 2.3 m se usaran
para el clculo de (2m), etc.
As, para (1m), los pares de muestra que se han de usar son (1 y 2), (1 y 3), (4 y 5), (5
y 6), y (7 y 9).
Para (2m), los pares de muestra son (2 y 4), (4 y 6) y (6 y 8).
Para (3m), los pares de muestra son (1 y 4), (2 y 5), (5 y 7) y (6 y 9).
El error de esta aproximacin disminuye con la distancia. En el caso de (1m), las
muestras en realidad se encuentran dentro de 1m 30%; en el caso de (2m), las
muestras se encuentran dentro de 2m 15%; y en el caso de (3m), las muestras se
encuentran dentro de 3m 7.5%, etc.
4.7.2 Datos no alineados
En dos dimensiones, los datos no se pueden alinear y el mtodo antes descrito para
distancias puede hacerse extensivo a la direccin. Cada direccin puede definirse como
un ngulo ms, o menos, un porcentaje especfico de ngulo; por ejemplo, la direccin
este-oeste puede tomarse como 0 10 0 20 o incluso 0 45, dependiendo de
la irregularidad de los datos. Esta clasificacin en clases de ngulos puede ser adicional
a la clasificacin en clases de distancias.
Por ejemplo, considere la disposicin de la Figura 59.
Muestra
Se considerara que todas las muestras dentro del rea sombreada estn a una
distancia h de la muestra 1 en la direccin r.
Si la variacin en las leyes es la misma en todas las direcciones, entonces con la
tcnica de clasificacin en clases de ngulos se obtendr un variograma similar al que
se obtendra a partir de datos perfectamente alineados. Sin embargo, si la variacin
cambia con la direccin, el variograma resultante ser diferente al que se hubiera
obtenido a partir de datos perfectamente alineados.
No obstante, siempre que el ngulo usado para la clasificacin sea inferior a los 45 (es
decir, 22.5) y la distancia usada para la clasificacin sea igual a la distancia promedio
entre muestras, el variograma experimental ser razonablemente similar al que podra
obtenerse a partir de datos alineados e igualmente espaciados.
Con frecuencia, los problemas tridimensionales pueden reducirse a una serie de planos,
pudindose usar las tcnicas de clasificacin en clases de distancias y ngulos.
En muchos casos tridimensionales, es prcticamente imposible encontrar suficientes
datos alineados o prcticamente alineados para calcular variogramas. Por ejemplo, la
perforacin en abanicos de diversos niveles en una mina subterrnea puede producir
muestras que parecen estar ubicadas casi aleatoriamente. Por lo general, la disposicin
tridimensional que se muestra en la Figura 59 puede reemplazarse por un cono con su
vrtice en la muestra 1.
Usualmente, es posible calcular el variograma a lo largo de cada DDH y algunas veces
puede ser posible encontrar suficientes taladros prcticamente paralelos para
proporcionar un variograma promedio en ciertas direcciones. Otra tcnica, conocida
como mtodo de conglomerados, es dividir el depsito en bloques de igual tamao y
promediar todas las intersecciones de los testigos de perforacin en cada bloque. El
promedio de cada bloque se considera entonces como la ley de dicho bloque (siempre y
cuando existan suficientes intersecciones dentro del mismo) y se calcula el variograma
de los bloques.
4.7.3 Soportes desiguales
Idealmente, los variogramas se deben calcular para muestras con soportes idnticos.
Las longitudes de testigos DDH de diez metros tendrn caractersticas diferentes a las
de longitudes de testigos DDH de dos metros; las muestras de canal tendrn
caractersticas diferentes a las de las muestras de taladros. Soportes diferentes dan
como resultado variogramas diferentes.
Existen diversas posibilidades para el clculo de variogramas, cada una de los cuales
se resume a continuacin:
(i)
Muestra No.2
1.0 m de longitud 20% obtenida tomando un promedio ponderado
del segundo y tercer segmento de testigos y 0.1 m del cuarto segmento:
Muestra No.3 1.0 m de longitud 22.1% obtenida tomando un promedio ponderado del
0.7 m restante del cuarto segmento y la totalidad del quinto segmento de testigos:
Muestra No.4 1.0 m de longitud 22.5% obtenida tomando el promedio ponderado del
sexto, stimo y octavo segmentos de testigos y 0.1 m del noveno segmento de testigos:
Muestra No.5 1.0 de longitud 25.8% obtenida tomando un promedio ponderado del 0.9
m restante de la muestra nueve y la totalidad de la dcima muestra.
Muestra No.6 0.8 m de longitud 10.4% obtenida tomando el promedio ponderado del
decimoprimero y decimosegundo segmentos de testigos:
El mtodo asume que la ley es constante dentro de cada una de las muestras de
testigos originales, lo que por supuesto no es el caso. Este supuesto significa que la ley
de las nuevas muestras de un metro no ser tan variable como la de las muestras que
se hubieran obtenido si el testigo original se hubiera cortado en segmentos de un metro
y analizado. La diferencia en estas dos variabilidades depende de:
(a) La variabilidad a pequea escala de la mineralizacin. Cuanto mayor sea la
variacin de la ley dentro de cada muestra de testigo, mayor ser la diferencia
en la variabilidad.
(b) La longitud de las nuevas muestras de testigo artificial con relacin a la longitud
promedio de las muestras reales. La diferencia mnima se obtiene cuando las
dos longitudes son aproximadamente iguales.
En los depsitos estratiformes o tipo veta donde DDH intersecta la mineralizacin desde
la pared ms alta hasta la pared ms baja, se puede definir una nueva variable:
acumulacin. La acumulacin es el producto de la ley y el grosor; por ejemplo, una
interseccin DDH de 10 m con una ley de cobre de 1.2% tendra una acumulacin de
de 12.0(m%) de cobre. En estos tipos de cuerpos mineralizados es comn estimar las
acumulaciones y grosores y obtener la ley estimada de manera aproximada dividiendo
la acumulacin estimada entre el grosor estimado. Se proporcionan mayores detalles
sobre este enfoque en el Captulo 6.
4.8 Variogramas cruzados
A menudo es interesante estudiar las relaciones entre dos o ms variables, por ejemplo,
plata, plomo y zinc, o entre la profundidad y grosor de una formacin. Todo lo contenido
en las secciones anteriores puede generalizarse a pares de variables.
Al equivalente del variograma para pares de variables se le denomina variograma
cruzado. Sea f(xi) el valor de una variable en la ubicacin xi, y g(xi) el valor de una
segunda variable en la misma ubicacin. Por ejemplo, f(xi) y g(xi) pueden ser las leyes
de plomo y zinc, respectivamente, de un pedazo de testigo de perforacin ubicado en xi.
El variograma cruzado se calcula a partir de:
METROS
CAPTULO 5
VARIANZAS Y COVARIANZAS
CONTENIDO DEL CAPTULO
5.1
Relacin de Krige
5.2
Clculo de varianzas
Pgina No.
Clculo de covarianzas
5.3.1 Clculo de varianzas en una dimensin
5.3.2 Clculo de varianzas en dos dimensiones
5.3.3 Clculo de varianzas en tres dimensiones
5.4
Varianzas de extensin
5.4.1 El componente aleatorio de la varianza de extensin
5.4.2 Varianzas de extensin en una dimensin
5.4.2.1
Reduccin de la varianza de pepita
5.4.2.2
Varianza de extensin de una muestra de 10 m
5.4.2.3
Reduccin de la longitud de extensin
5.4.3 Varianzas de extensin en dos dimensiones
5.4.4 Varianzas de extensin en tres dimensiones
5.4.5 Varianzas de extensin en general
5.5
Varianza de estimacin
5.5.1
5.5.2
5.5.3
5.5.4
5.1
Relacin de Krige
Las varianzas y covarianzas, en un contexto geolgico (es decir, varianzas y
covarianzas geoestadsticas), difieren de los conceptos tradicionales de
varianza y covarianza en el sentido que las primeras estn relacionadas con
volmenes. Es bien sabido, por ejemplo, que las leyes de bloques muestran
menos variacin que las leyes de testigos de perforacin.
La varianza de las leyes de las muestras se refiere a la varianza de las leyes de
una forma geomtrica v (muestra) dentro de otra forma geomtrica, D (por
ejemplo, el cuerpo mineralizado o alguna seccin del mismo). Esta geometra o
soporte (ver Seccin 3.2.1) es muy importante, ya que determina las
estructuras geolgicas que realmente encierran los volmenes v y D. Para
resaltar esta importancia, la varianza de las leyes de las muestras de soporte v
dentro de un volumen D se expresa a menudo como s2 (v/D).
La relacin de Krige es una relacin volumen-varianza que fue descubierta
empricamente por D.G. Krige usando datos de los depsitos de oro de
Witwatersrand. Considere tres volmenes, v, V y D, tal que v C V C D. Por
ejemplo, v podra ser un segmento de testigo de perforacin de 1 m, V podra
ser una unidad de minado selectivo y D podra ser un banco en un tajo abierto
compuesto por un gran nmero de unidades de minado selectivo.
Supongamos que D se subdivide en volmenes de tamao v y que cada v se
ensaya para verificar la presencia de minerales. Supongamos ahora que la
varianza de todos estos valores son calculados y se denota como s2 (v/D). Esta
notacin significa la varianza de los valores (por ejemplo, leyes) de volmenes
v dentro del volumen D (por ejemplo, un banco).
Igualmente, D podra subdividirse en volmenes de tamao V y estos
volmenes podran ensayarse; la varianza de los resultados de estos ensayos
se denota como s2 (V/D). Finalmente, los volmenes V podran subdividirse en
volmenes v y la varianza de los valores de v dentro de cada V podra
calcularse; la media de todas estas varianzas se denota como s2 (v/V).
La relacin entre estas tres varianzas es:
CAPTULO 7
ESTIMACIN PTIMA
CONTENIDO DEL CAPTULO
7.1
7.2
7.3
7.4
7.6
7.8
183
7.1
Estimacin ptima
Hasta este punto, se ha puesto nfasis en determinar el orden de precisin de los
errores; esta seccin est dedicada a mejorar el orden de precisin de las
estimaciones.
La seleccin de reservas de recursos de ley variable da como resultado estimados
sesgados. Por ejemplo, se pueden seleccionar reservas de recursos sobre la base
de las leyes de testigos de perforacin en paneles de mallas estratificadas
aleatorias. Sin embargo, los paneles aparentemente explotables en los permetros
de la reserva estn influenciados por material de baja ley cercano. El valor medio
de dichos paneles generalmente estarn debajo de aquellos indicados por los
testigos de perforacin que contienen, y la ley media de las reservas ser
sobreestimada. Si la ley se mantiene mediante la seleccin de secciones
explotables ms delgadas de los testigos de perforacin perifricos, el tonelaje de
reservas tiende a sobreestimarse, ya que es poco probable que estos anchos
explotables se mantengan a medida que los paneles ubicados a los extremos se
extiendan hacia los recursos de ley ms baja.
Para eliminar el sesgo, deber tomarse en cuenta la influencia de las muestras de
baja ley en los paneles perifricos. Este hecho es ampliamente reconocido y
existen muchos mtodos que se estn empleando actualmente para hacerlo as, la
mayora de los cuales consiste en tomar un promedio ponderado de las muestras.
Por ejemplo, considere el panel V y las muestras circundantes en la Figura 112.
donde gi es la ley del la muestra i. En este caso, todas las muestras tienen un mismo
peso: l/n. Otros mtodos ponderan las muestras usando el inverso de la distancia que lo
separa del panel o el inverso del cuadrado o cubo de su distancia.
El problema es elegir los pesos de manera tal que se proporcione la estimacin ms
exacta del panel. El valor estimado del panel es:
184
Donde
7.2
El mejor estimado
Obviamente, el estimado ideal, z*, de la ley verdadera, z, de cualquier volumen de
material (es decir, bloque, tajo, panel) es el que tiene un error de estimacin cero,
es decir, z z* = 0 oi z = z*. De igual manera, es obvio que dicha estimacin es
imposible de obtener en sentido ms estricto, no es un estimado en lo absoluto,
ya que no hay error involucrado.
Lo mejor que se puede hacer es asegurar que, por lo menos en promedio, los
errores de estimacin sean iguales a cero (o, en la prctica, cerca de cero) y que
los errores de estimacin individuales estn lo ms cerca posible de cero.
Cuando los errores de estimacin son, en promedio, iguales a cero, no hay error
sistemtico. No existe sobreestimacin o subestimacin consistente; algunos
bloques pueden ser sobreestimados y otros subestimados, pero el promedio de los
valores estimados es igual al promedio de los valores verdaderos. Cuando se da
este caso, se dice que el estimado es insesgado.
Una manera de asegurar que los errores de estimacin individuales sean lo ms
cercanos posible a cero es llevar a cabo la estimacin de tal manera que se
asegure que la varianza del error de estimacin sea la menor posible.
El mtodo para seleccionar el peso de tal manera que se obtengan estimados
insesgados con una varianza de estimacin mnima se denomina kriging, llamado
as en honor a D.G. Krige, quien contribuy significativamente al desarrollo
emprico inicial de la geoestadstica.
7.3
Kriging
Supongamos que la ley de un soporte V (por ejemplo, un bloque, panel o tajo) ser
estimada a partir de las leyes gi de n muestras de soporte v (por ejemplo,
intersecciones de testigos de perforacin, muestras de canal). Si la ley verdadera,
z, de V es estimada mediante la suma ponderada de las leyes de n muestras:
185
(2)
7.3.1 Insesgadez
La insesgadez se logra cuando, en promedio, las leyes estimadas son iguales a
las leyes verdaderas. Por ejemplo, supongamos que la ley del panel V en la Figura
113 ser estimada mediante el promedio ponderado de las leyes de las cinco
muestras que se observan.
Figura 113: Ley del panel V que ser estimada mediante el promedio ponderado
de las leyes de cinco muestras
Supongamos que el panel est situado dentro de una mineralizacin homognea
(o alguna extensa seccin homognea de una mineralizacin). La mineralizacin
puede subdividirse en paneles de tamao V; existen muchas de esas
subdivisiones, cada una obtenida mediante un movimiento fraccional de uno o ms
paneles. Supongamos que la ley de cada panel concebible dentro de la
mineralizacin es estimada mediante la suma ponderada de las leyes de cinco
muestras en las mismas posiciones relativas que se muestran en la Figura 113. Un
ejemplo de dicha disposicin se muestra en la Figura 114.
186
Donde gi(x) denota las leyes g1, g2, gn (en el ejemplo de las Figuras 113 y 114.
n=5) de las n muestras asociadas con el panel en la ubicacin x. Observe que es
slo una funcin de i y no de x que implica que los pesos i son los mismos para
cada ubicacin x. Esto es verdad, y muy lgico, siempre que nosotros estemos
interesados solamente en estimados lineales tales como promedios ponderados y
siempre que el supuesto de homogeneidad sea vlido. La ecuacin (1) puede
expresarse de la siguiente manera:
Promedio
Promedio
Promedio
Promedio
En vista de que los pesos permanecen iguales para cada estimacin, cada gi(x) se
multiplica por un valor constante i y, de este modo, (4) puede expresarse as:
Promedio
Promedio
Los estimados Z*x se obtienen moviendo los contornos de las cinco formas de
muestras en toda la mineralizacin y en cada ubicacin x tomando la suma
ponderada de las cinco leyes. Recientemente, estas cinco formas de muestra
ocuparn cada posicin en la mineralizacin y, de este modo, el promedio de las
leyes asociadas ser la ley media de la mineralizacin y, as:
187
Promedio
Donde:
es el valor medio del variograma dentro del soporte.
es el valor medio del variograma entre v y V.
es el valor medio del variograma entre vi y vj.
Puede demostrarse mediante clculo elemental que esta varianza es mnima
cuando los pesos son tales que:
para
adems de la condicin
es un parmetro de la varianza de estimacin (cf. Seccin 5.5).
188
Los pesos 1 y 2 que se asignarn a las muestras deben ser tales que:
Figura 115: Ley de panel que ser estimada mediante las leyes de las dos
muestras que se presentan
189
O:
As, la estimacin ptima de la ley media del panel V a partir de las leyes de las
dos muestras es 0.73 veces la ley de la muestra dentro del panel ms 0.27 veces
la ley de la muestra fuera del panel.
La varianza de estimacin resultante es:
190
El valor medio del variograma dentro del panel V puede leerse en la Figura 64.
As:
(2)
(3)
(4)
(5)
191
7.5
Kriging en prctica
Puede suceder que el estimado krigeado sea slo marginalmente mejor que la
media aritmtica directa de datos y, en dichos casos, las extensas y posiblemente
complicadas ecuaciones de kriging simplemente no valdran la pena. Sin embargo,
la media aritmtica de los datos es slo un estimador insesgado para la estimacin
general de todo el cuerpo mineralizado. Es un estimador sesgado para conjuntos
de muestras pequeas o para la seleccin de reservas recuperables. En la
mayora de los casos, los procedimientos de kriging evitan el error de sobrevaluar
bloques de alta ley, o de descartar bloques de aparente baja ley por considerarlos
no explotables. Con respecto a los extensos clculos involucrados, una forma de
superar esta dificultad es buscar mtodos de aproximacin, de manera que se
puedan obtener estimaciones krigeadas confiables con mucho menos problema.
Si, por ejemplo, un bloque tena que ser krigeado a partir de los datos existentes,
es muy probable que varios miles de valores de variogramas hayan sido
calculados de tal manera que se podan resolver varios cientos de ecuaciones
lineales. Sin embargo, como la mayora de las leyes permanecern a una distancia
considerable del bloque, en la prctica se considera que todos tienen el mismo
factor de ponderacin, - el coeficiente de kriging para el depsito.
Luego vienen las leyes cercanas al bloque y, finalmente, las que se encuentran
dentro del bloque. En la prctica, por lo tanto, en muchos casos slo se calculan
tres coeficientes de kriging y, en el caso de bloques grandes, este nmero se
puede reducir a dos uno para el bloque y otro para todo el depsito.
7.6
donde C0 es la
Iguales pesos de l/n seran asignados a cada una de las n muestras. A medida que
la proporcin de variacin aleatoria disminuye (es decir, a medida que el ratio de
variacin aleatoria sobre variacin estructural disminuye), la influencia de las
muestras cercanas al bloque aumenta y se tiende a asignarles pesos mayores.
Dado que, sumados, los pesos deben ser iguales a uno, esto significa que los
pesos asignados a muestras ms distantes disminuyen.
El kriging es mejor utilizado cuando C0/C < 0.6. Cuando este ratio es superior a
0.6, la variacin en los valores de ley es predominantemente aleatoria y son pocas
las ventajas que se pueden obtener mediante el kriging (o cualquier otro mtodo
de ponderacin). Si se utilizara el mtodo de kriging en ese caso, la varianza de
kriging resultante hara estas observaciones obvias.
7.7
192
(1)
(2)
(3)
su valor verdadero
su valor estimado
su varianza de estimacin
193
REAL
ESTIMADO
El kriging proporciona el mejor estimador linear que es ptimo slo cuando los
datos siguen una distribucin normal. Cuando los datos siguen una distribucin
altamente sesgada (por ejemplo, log-normal), se puede lograr una estimacin
ptima mediante la transformacin de los datos, de manera que los valores
transformados sigan una distribucin normal (por ejemplo, tomando
logaritmos).
194
7.8.1 Logaritmos
Una de las primeras transformaciones que se utiliz en las aplicaciones
geoestadsticas fue la transformacin logartmica. Cuando los datos siguen una
distribucin log-normal, entonces, entonces, por lo menos tericamente, puede
obtenerse un mejor estimador mediante:
Sin embargo, estas relaciones slo se aplican a los datos y no a los valores
estimados. As, cuando un valor particular es krigeado, digamos
, la
inversa
no puede obtenerse mediante la aplicacin de la relacin inversa para los valores
de datos. Puede demostrarse que, siempre que el soporte de la estimacin sea el
mismo que el de los valores de datos, la relacin inversa es dada por:
195
Los indicadores pueden ser utilizados para estimar las curvas de ley/tonelaje de
los bloques mediante la especificacin de un nmero de umbrales. Por ejemplo,
elija 5 umbrales z1, z2, z3, z4, z5 que correspondan a los percentiles 10, 30, 50, 70 y
90 del histograma de datos. Para cada umbral zj, defina un indicador ij(x), calcule
los variogramas y encaje en un modelo. Krigee el valor indicador correspondiente
a cada umbral para cada bloque. Cada valor indicador estimado es la proporcin
estimada del bloque sobre el umbral correspondiente.
Los indicadores tambin pueden ser utilizados en una forma muy simple para
manejar los valores atpicos de altas leyes. Defina un valor umbral, Zc, que separa
las leyes altas de las leyes bajas. Calcule los variogramas para los valores de alta
ley y encajar en un modelo. Calcule los variogramas para los valores de alta ley y
encaje en un modelo. Calcule los variogramas de los valores indicadores y encaje
en un modelo. Para cada bloque, la ley alta media y la ley baja media son
estimadas por separado utilizando modelos de variograma y los valores de datos
de baja y alta ley, respectivamente. Adems, la proporcin del mineral de alta ley
en cada bloque es estimada utilizado el modelo de variograma de los indicadores y
los valores indicadores de los datos. La ley estimada de cada bloque es entonces:
Donde:
p
gi
gh
196
CAPTULO 8
LEYES ESTIMADAS Y LEYES VERDADERAS
CONTENIDO
Contenido del captulo
8.1
8.2
Pgina No.
8.1.2
8.1.3
8.1.4
8.1.5
8.1.6
8.1.7
Resumen ................................................................................... 10
8.2.2
8.2.3
8.3
Conclusiones ............................................................................ 15
8.1
Discusin general
En el anlisis que sigue, se utiliza con fines de ilustracin un tajo,
denotado como A42, en un cuerpo mineralizado de cobre. Para dicho
propsito, el tajo puede aproximarse a un paraleleppedo de dimensiones
40m x 480m x 160m (vertical). El tajo se dise y estim en base a las
leyes krigeadas de bloques de 5.4m x 8m x 10m.
8.1.1
Bloques grandes
Bloques pequeos
Ley media
Ley de corte
No. de bloques
Ley media
Ley
tajo contendr ms mineral de alta ley con una ley promedio superior a la
que se predijo. De igual forma, ya que el nmero de bloques que, segn
las estimaciones, son de baja ley ser menor al nmero de bloques que
realmente son de baja ley, el tajo contendr ms mineral de baja ley con
una ley promedio inferior a la que se predijo.
sta es una consecuencia inevitable de casi todos los mtodos de
estimacin. La nica excepcin parece ser algunos casos en que se
utilizan mtodos poligonales. En estos casos, el mtodo poligonal da
estimados que tienen una varianza mayor a la de las leyes verdaderas.
En consecuencia, se sobrestima el nmero de bloques de alta ley (es
decir, el tajo contendr menos mineral de alta ley con una ley promedio
inferior a la que se predijo), y se sobrestima el nmero de bloques de baja
ley (es decir, el tajo contendr menos mineral de baja ley con una ley
promedio mayor a la que se predijo). Adems, los mtodos poligonales
por lo general no dan estimaciones insesgadas que tengan una varianza
de estimacin mnima.
Ntese que, aunque el kriging subestima la cantidad de mineral de alta
ley (subestima la cantidad de bloques de alta ley) y subestima la cantidad
de mineral de baja ley (subestima el nmero de bloques de baja ley), el
promedio de las leyes krigeadas es igual al promedio de las leyes reales.
(El kriging es un estimador insesgado).
El kriging asegura que, en el caso de las estimaciones insesgadas y
lineales con una varianza de estimacin mnima, la diferencia entre la
varianza de las leyes verdaderas y la varianza de las leyes estimadas sea
lo ms reducida posible. Otros mtodos de estimacin (como el mtodo
poligonal) pueden dar estimaciones con una varianza mayor a las
estimaciones krigeadas, pero sern sesgadas y no tendrn una varianza
de estimacin mnima.
8.1.3
Donde:
s2(v/V) es la varianza de las leyes verdaderas de los bloques en el tajo.
s*2(v/V) es la varianza de las leyes estimadas de los bloques en el tajo.
s2(v/V)
Leyes verdaderas
Leyes estimadas
Leyes verdaderas
Leyes estimadas
Leyes verdaderas
Leyes estimadas
Figura 121: Lnea que indica igualdad entre las leyes estimadas y las leyes
verdaderas
Leyes verdaderas
Leyes estimadas
Leyes verdaderas
Leyes estimadas
Figura 123: Relacin entre los valores estimados y los valores verdaderos
para el kriging
Si se utiliza la primera lnea de regresin para predecir la ley verdadera
promedio de los bloques que, de acuerdo con las estimaciones, tienen
una determinada ley estimada, entonces la ley ser como se predijo.
Sin embargo, si la segunda lnea de regresin se utiliza para predecir la
ley estimada promedio de bloques que realmente tienen una ley
especfica, entonces se subestimarn los bloques de alta ley y se
sobreestimarn los bloques de baja ley.
Hasta cierto punto, esto es lo que sucede cuando se realizan
inspecciones visuales en los puntos de extraccin. El gelogo
inspecciona las leyes verdaderas, y la ley en cualquier inspeccin es ms
o menos uniforme, sobre todo si proviene de un fragmento horizontal de
un tajo como P498.
8.1.6
Implicancias prcticas
Tal vez las dos implicancias ms importantes de lo anteriormente
expuesto correspondan a la programacin y la prediccin de variaciones
en la ley de alimentacin a la planta.
Los puntos tratados en las lneas precedentes revestirn una importancia
mucho mayor si se introduce una poltica concertada para prolongar la
Resumen
El contenido de esta seccin se puede resumir de la siguiente manera:
8.2
(1)
(2)
(3)
(4)
(5)
(6)
8.2.1
Esperanza condicional
Si las leyes verdaderas Z y las leyes estimadas Z* de los bloques siguen
una distribucin normal conjunta, la esperanza condicional de los valores
verdaderos a los que se atribuyen valores estimados es idntica a la
regresin lineal de los valores reales sobre los valores estimados.
Por definicin:
E[Z/Z* =z] = (m p s m*) + p s . z
s*
s*
Donde m y s son la media y la varianza de los valores verdaderos Z, y
m* y s* son la media y la varianza de los valores estimados Z*.
Dado que el kriging es un estimador insesgado, entonces m = m*.
Como es un estimador condicionalmente insesgado, el tajo (p.s/s*) de la
lnea de regresin es igual a 1.0 y, siempre que se conozca la media m,
la esperanza condicional se convertir en:
E[Z/Z* =z] = z
En otros casos, como una distribucin log-normal conjunta, la esperanza
condicional de los valores verdaderos a los que se ha atribuido valores
estimados ser una curva y no una lnea recta. En tal caso, el kriging lognormal proporcionara estimaciones condicionalmente insesgadas. El
kriging minimiza la suma de la variacin de los valores verdaderos Z de
E[Z/Z*] y los valores estimados Z* de E[Z/Z*]. En otras palabras, el kriging
dar la mejor aproximacin en lnea recta de la esperanza condicional.
8.2.2
Donde
es el promedio de los multiplicadores de Lagrange para las
estimaciones de bloques individuales. En los tajos, como el tajo A42, el
valor promedio de
Prod. Frec.
Tallt.
Prod. Frec.
Ley de corte
Nmero de bloques
sobre ley de corte
0.50
1.00
1.50
2.00
2.50
3.00
3.50
4.00
4.50
5.00
5.50
6.00
6.50
7.00
7.50
8.00
8.50
9.00
1350
1334
1064
813
674
600
539
461
425
387
369
346
318
297
273
251
221
185
4.03
4.06
4.77
5.71
6.43
6.88
7.29
7.89
8.20
8.54
8.70
8.90
9.13
9.30
9.47
9.62
9.81
10.00
9.50
10.00
10.50
11.00
11.50
12.00
12.50
138
90
35
11
8
3
1
10.26
10.54
11.05
11.79
12.00
12.38
12.71
Toneladas = 10
Ley de corte
Figura 126: Curvas de ley/tonelaje
_________Curva verdadera
Ley de corte
8.2.3
Conclusiones
Este ejemplo podra perfeccionarse fcilmente para adecuarlo mejor al
histograma de valores de los bloques. En efecto, no hay necesidad de
asumir una distribucin normal o log-normal; el histograma puede
transformarse directamente en una distribucin normal utilizando mtodos
estndar de interpolacin.
Existen mtodos geoestadsticos ms avanzados que permiten obtener
resultados mucho ms confiables, por ejemplo, Dowd (1978).
Sin embargo, las tcnicas simples como las delineadas en este
documento pueden proporcionar resultados muy tiles y bastante
satisfactorios.
8.3