Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Libro Geoestadistica Chile PDF
Libro Geoestadistica Chile PDF
por
Julio, 2007
Algunas citas:
Se sabe que bajo la influencia de masas en la superficie de la tierra, de los que no se est todava bien
informado, el polo de la tierra sufre pequeas variaciones. Ocupmonos, por ejemplo de la coordenada
x, su variacin en el curso del tiempo est representada, para las ltimas decenas de aos por la curva
de la figura:
Que tiene irregularidades suficientes para pensar en un fenmeno de fluctuaciones. Sin embargo, a
primera vista, toda cuestin de probabilidad est excluda de este problema pues x(t) es conocida a
medida que las observaciones se verifican en el curso del tiempo; y, naturalmente, no conocemos el
futuro de x(t), pero esta funcin es nica, puesto que no hay ms que una Tierra en el universo. No
obstante, nada nos impide imaginar una infinidad de sistemas macroscpicamente idnticos a la Tierra y
que no difieren unos de otros ms que por las modificaciones de masas superficiales, las cuales
supondremos estn sometidas a ciertos mecanismos aleatorios. Esto nos lleva a considerar que la
funcin observada x(t) no es ms que una realizacin posible de una funcin aleatoria X(t) definida con
base en una categora de experimentos que no tienen otra existencia que la que podramos llamar
intelectual. Esta manera de operar no es lcita ms que en el caso de que tengamos razones para
pensar que, partiendo de las propiedades estadsticas de la funcin aleatoria X(t), definida en base de la
clase de experimentos que hemos imaginado, podemos deducir resultados vlidos para la evolucin de
una determinacin particular de X(t), y especialmente para x(t). Podremos ver entonces que si nuestras
hiptesis conducen a resultados comprobados por la experiencia y, en los casos favorables, podremos
prever, dentro de ciertos lmites, el valor futuro de x(t). Fundndose en consideraciones anlogas a las
que acabamos de estudiar, podr decirse que la velocidad del viento o la temperatura en un punto del
Globo son funciones aleatorias del tiempo.
A. Blanc-Lapierre, 1940
1
Prefacio
Todo lo malo que encuentre en este texto se debe a mi persona y todo lo bueno se
debe a mis dos maestros, profesores de la Escuela Nacional Superior de Minas de
Pars: Georges Matheron, creador de la geoestadstica, quin me ense esta
apasionante disciplina y Phillipe Formery quien me inculc el gusto por las
probabilidades.
2
Tabla de Materias
Prefacio 2
Tabla de materias 3
3
Captulo I
Figura I.1: Zona 3D a estimar e informacin disponible. Cul es la ley media y el tonelaje de S?
Se tiene un conjunto de leyes z1, z2, . . . , zN de mineral localizadas en los puntos x1,
x2, . . . , xN
S, con el fin de localizar las zonas ricas y pobres dentro de esta zona S.
4
Figura I.2: Estimacin local con bloque unitario o unidad bsica de clculo. Modelo de bloques
de15mx15mx15m.
5
1 + 1 + 1 + 3 + 2 + 2 + 1 11
zS = = = 1.57
7 7
N
1
zS =
N
z
i =1
i
la figura anterior existe una agrupacin de datos en la zona de alta ley: El valor
Figura I.4: Un banco en el depsito de MMH. Bloques de 10mx10mx10m. En gris, zona mineralizada, en
rojo la interseccin de los sondajes con el banco.
6
I.2 Los polgonos.
El mtodo de los polgonos se basa en lo siguiente: Asignar a cada punto del espacio
la ley del dato ms prximo. Para estimar una zona S se ponderan las leyes de los
Figura I.5: Mtodo de los polgonos. Hay que calcular el rea de 7 polgonos.
z S = 1 .3 6
1 N
zS = Si zi (S = S1 + S 2 + ... + S N )
S i =1
Comentarios:
7
En general no es adecuado en estimaciones locales porque asigna la misma ley
a todos los bloques que estn dentro de un mismo polgono. Produce problemas
Figura I.6: Salar de Atacama (se trata de salmueras con contenidos de litio, boro, potasio, sulfatos).
Puntos de muestreo y de bombeo. Observar la agrupacin (cluster) de los puntos en la zona central.
El mtodo del inverso de la distancia se basa en lo siguiente: Asignar mayor peso a las
8
ponderar las leyes por 1/ di , ( = 1, 2, . . . ; di = distancia entre la muestra i y el
Figura I.7: Mtodo del inverso de la distancia a la potencia alfa. Hay que calcular las distancias entre los
datos y el centro del bloque
N
zi
d
i =1
zS = N
i
( > 0)
1
d
i =1 i
9
Comentarios:
A veces, para evitar el problema de las agrupaciones de datos, se utiliza una bsqueda
Figura I.8: Bsqueda octogonal. Se podran utilizar las k (cmo definir k?) muestras ms cercanas al
centro del bloque, dentro de cada octante.
10
En este ejemplo solo las muestras 1, 2, 3 intervienen en la estimacin del bloque S.
mtodos estudiados:
Son empricos...
Demasiado geomtricos.
leyes son errticas y otros ms favorables en los cuales las leyes son
regulares.
Figura I.9: Leyes de Fe. Arriba, sondaje vertical en mina de hierro La Japonesa. Abajo, sondaje vertical
en mina de hierro Boquern Chaar. Ambos tienen la misma ley media, 32% Fe. Cul es ms
continuo?
11
ii) la posible presencia de anisotropas, es decir direcciones en las cuales la
Figura I.10: Anisotropas de las leyes de cobre en una planta del depsito RT. dimensiones en metros.
Valores interpolados.
Ejemplo: En el caso de la figura I.11, las leyes z1 = 1.25 y z2 = 1.75 son simtricas con
Figura I.11: Bloque a estimar e isoleyes anisotrpicas en una planta. En la mina Chuquicamata la
situacin es similar, las leyes decrecen sistemticamente de oeste a este, ver figura I.12.
12
Figura I.12: Proyeccin horizontal de todos los sondajes de la mina Chuquicamata. Se observa la
degradacin de leyes en la zona central, de oeste a este.
z1 + z2 1.25 + 1.75
zS = = = 1.5
2 2
13
Sea zs la ley verdadera desconocida de S. Sera interesante poder escribir una
zS = zS error
Un yacimiento todo o nada: O bien hay mineral con ley 1.0 o bien hay estril con
ley 0.0. El mineral se representa de color gris en la figura siguiente (el valor
sondajes positivos en rojo, con ley 1.0 y negativos en blanco, con ley 0.0):
Figura I.13: Oficina Ossa. Depsito de nitratos-yodo. Malla inicial de reconocimiento de 400mx400m.
Debido a que los sondajes caen en el centro del bloque, no se puede aplicar inverso de
14
por la ley del sondaje central. En este caso se puede calcular el porcentaje
Observamos que el promedio de las leyes verdaderas es 0.55 y que el promedio de las
Sin embargo, existe el 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 infe-
rior a la ley real.
Al aplicar una ley de corte sobre las estimaciones, ocurre entonces que la ley mina es
siempre superior a la ley de la planta.
El sesgo condicional se puede comprobar en una mina a cielo abierto, al comparar las
leyes estimadas de los bloques (modelo de largo plazo) con el promedio de los pozos
Figura I.14: Pozos de tronadura en mina Lomas Bayas. Leyes de cobre. Dimensiones en metros. Se
observa un bloque de 25mx25mx15m. A la derecha, el diagrama de dispersin. Si se aplica una ley de
corte w, es decir se decide abandonar los bloques cuya ley es menor que w, entonces existen bloques
de mineral que van a botadero y bloques de estril que van a planta.
15
La figura I.15 muestra la informacin de largo plazo y de corto plazo en la mina Los
Figura I.15: Informacin de largo plazo (sondajes, en negro) y de corto plazo (pozos de tronadura, en
colores). Los sondajes estn agrupados en las zonas de alta ley.
16
Captulo II
Sea x un punto del espacio. Se designa la variable regionalizada por la notacin z(x).
por la letra x. Por ejemplo la ley en el punto x se representa por z(x). Por consiguiente,
regionalizada con la letra z, lo cual coincide con la notacin utilizada para la cota o
elevacin.
17
II.2 Ejemplos de variables regionalizadas
galera:
18
Figura II.3: Leyes de canaletas entre A y A. Mina Carola.
Fig. II.4: Precio del cobre (promedio mensual 1987-2005) en centavos de dlar / libra.
19
Figura II.5 (a): Depsito de nitratos-yodo: La zona mineralizada, de color rojo en la figura, se llama
caliche.
Figura II.5 (b): Ispacas en Oficina Sur Lagunas (depsito de yodo). Las potencias estn en metros. Los
lmites corresponden a propiedad minera. Valores interpolados.
20
Ejemplo 4: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = Ley de Cu en
Figura II.6: Caso tpico de depsito de xidos-sulfuros. La capa superior corresponde a grava o coluvio.
Figura II.7. Planta en mina RT. Leyes de bloques de 25mx25mx15m. Zona de xidos.
21
En un depsito de este tipo se puede comprobar que la ley de cobre se comporta de
Ejemplo 6: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = densidad de
22
Figura II.9: Densidades superficiales en ton/m3 en la mina Chuquicamata. La falla (llamada falla oeste) la
cual delimita mineral de estril queda representada por el cambio de densidades. Valores interpolados.
Ejemplo 7: En el espacio de tres dimensiones sea z(x1, x2, x3) = z(x) = ley de
23
Figura II.10: Leyes de arsnico en un banco de mina Los Pelambres. Los datos corresponden a pozos
de tronadura en bancos de 15 metros. Se trata de una variable muy irregular, concentrada en vetas.
Observacin:
Los ejemplos anteriores nos muestran que una variable regionalizada es simplemente
una funcin z(x) del punto x. Sin embargo, esta funcin no se comporta como las
adecuado, por ejemplo, en la figura II.6 se podran distinguir dos campos disjuntos, los
24
Entonces en un mismo depsito minero D pueden haber varios campos o unidades D1,
Figura II.11: Unidades D1, D2, D3, D4 en una seccin del depsito de cobre porfdico de Inca de Oro. Las
unidades corresponden a una interpretacin geolgica a partir de los sondajes.
25
Figura II.12: Un testigo. Tiene un cierto largo l y un cierto dimetro d.
largo.
En el caso en que los testigos que constituyen el sondaje son de tamao irregular, es
Figura II.13: Regularizacin de un sondaje a un largo constante b. Esta operacin produce errores.
26
La figura II.14 muestra una seccin transversal en un depsito de xidos de cobre. Las
lneas representan los sondajes de exploracin. El punto rojo se denomina collar del
sondaje. El collar est caracterizado por las coordenadas x0, y0, z0 y por dos ngulos:
(, ) Azimuth e inclinacin.
Figura II.14: Seccin en el depsito de cobre de RT. Se observan las unidades grava ( estril), lixiviado,
xidos y sulfuros. Un compsito est caracterizado por sus coordenadas x, y, z, las leyes de cobre total,
de cobre soluble, un cdigo que indica la unidad, adems del nombre del sondaje que contiene al
compsito.
Cada compsito est caracterizado por sus coordenadas x, y, z, sus leyes, un cdigo
que indica el dominio o unidad geolgica y la identificacin del sondaje, eventualmente
otra informacin. Se tiene as la base de datos de sondajes del depsito, la cual, en
formato de texto, puede ser incorporada en cualquier paquete computacional.
Para tratar las desviaciones de los sondajes, se divide el sondaje en tramos rectilneos
L1, L2, , Lr.
27
Figura II.15: Azimuth (se mide en grados desde el norte) e inclinacin (se mide en grados desde la
horizontal) de un sondaje.
conoce la variable z en dos soportes V1 y V2, con valores medios respectivos z1 y z2,
28
Figura II.16: Modelo del WI en una seccin de la Mina Carmen de Andacollo. Este modelo constituye una
parte del llamado modelo geometalrgico.
En el caso de una veta (figura II.17) el sondaje S determina una potencia aparente p (y
una potencia real p0) y una ley z. La ley z no es aditiva. En este caso hay que estudiar
29
II.5 Objetivos de la teora.
estimaciones.
Ejemplo: La figura II.18 siguiente representa el caso de una variable regionalizada z(x)
= ley de cobre definida en un soporte cuadrado de lado axa:
Se definen otros soportes (tamao del bloque): (a)x(2a), (2a)x(a), (2a)x(2a), (3a)x(3a) y
(6a)x(6a).
B=T(mc)
30
La importancia econmica de la anisotropa y del soporte es evidente.
Figura II.18: Importancia econmica del soporte y la anisotropa. A medida que aumenta el soporte, se
diluyen las leyes. Observar que la ley de corte es mayor que la ley media. Repetir los clculos para una
ley de corte de 0.40
31
II.5 El modelo matemtico de la geoestadstica: Las funciones aleatorias.
Una funcin aleatoria es una funcin Z(x) que asigna a cada punto x del espacio un
Al hacer un experimento sobre la funcin aleatoria se obtiene una funcin ordinaria (no
Figura II.19: Funcin aleatoria y variable regionalizada. Los colores indican rangos de la variable.
32
Un ejemplo de funcin aleatoria es la siguiente:
Figura II.20: Leyes de litio en el Salar de Atacama para dos campaas de reconocimiento en el tiempo.
Se observan los puntos de bombeo y el decrecimiento de las leyes en el tiempo. No se indican las
escalas de las leyes.
Observaciones:
Esto tendra el mismo sentido que decir el nmero 6 es una variable aleatoria.
33
El enunciado correcto de la hiptesis probabilstica de la geoestadstica es: z(x)
b) Para que esta hiptesis probabilstica tenga un sentido real, es necesario poder
cual supone que la inferencia estadstica (es decir el clculo de parmetros que
34
Captulo III
El variograma
geoestadstica.
siguiente:
G G
(h ) =
1
( G 2
E Z (x + h ) Z (x)
2 )
35
Esta ecuacin es la que hay que adaptar en cada situacin prctica (mallas regulares e
(0) = 0
( h) 0
G G
(h ) = (h )
La ltima relacin proviene del hecho que si dos leyes z1 y z2 estn a la distancia h,
36
Figura III.3: Lnea recta con muestras regulares.
( z2 z1 ) 2 + ( z3 z2 ) 2 + ... + ( z N z N 1 ) 2
(b) =
2( N 1)
( z3 z1 ) 2 + ( z4 z2 ) 2 + ... + ( z N z N 2 ) 2
(2b) =
2( N 2)
( z4 z1 ) 2 + ( z5 z2 ) 2 + ... + ( z N z N 3 ) 2
(3b) =
2( N 3)
37
N k
1
(kb) =
2( N k ) i =1
( zi + k zi ) 2
Posteriormente los valores (0), (b), (2b), (3b), ... se llevan a un grfico:
G
Estudiaremos el comportamiento de la funcin ( h) para | h | pequeo, para lo cual
38
Caso 1: Leyes muy regulares y continuas.
Para una distancia b pequea, las dos leyes de la figura son casi iguales, lo que implica
que para h pequeo, (h) es prximo a cero; luego el grfico de (h) en una
39
Caso 2: Continuidad y regularidad promedio
Figura III.7: Leyes con continuidad promedio. La variable es continua pero no es derivable.
En este caso, para una distancia pequea, la diferencia de leyes es significativa; luego
el grfico de (h) en una vecindad del origen ser:
40
Caso 3: Existencia de micro variaciones:
41
En la prctica la equidistancia o paso b es mayor que d y se tendr un grfico del tipo:
El nombre efecto de pepita proviene del estudio de los depsitos de oro. Consideremos
42
Figura III.12: Efecto de pepita en un testigo de una mina de oro.
43
Por muy pequea que sea la distancia b, las leyes de dos puntos a esta distancia son
prcticamente independientes. El grfico de (h) ser:
(0) = 0, (h) = C si h 0.
III.15:
44
III.2 Comportamiento del variograma para grandes distancias.
Estudiaremos ahora el comportamiento de la funcin (h) para |h| grande, para lo cual
Se dice que existe una deriva o tendencia. Al hacer el clculo se observar que (h)
siempre crece:
45
Caso 2: Leyes con pseudo-periodicidades:
46
Se dice que el variograma presenta efecto de hoyo o de agujero. En la figura, d = 9
unidades proporciona una medida del pseudo-perodo ; es una medida de la
Figura III.21: Variograma de un fenmeno estacionario sin periodicidades, con alcance y meseta.
47
Se observa que a partir de una cierta distancia, del orden a = 6 unidades, la funcin
(h) permanece aproximadamente constante:
Esto quiere decir que da lo mismo que la distancia que separa los puntos sea 6, 7, 8 o
El alcance proporciona una medida de la zona de influencia de una muestra porque dos
48
Figura III.23: Zona de influencia de una muestra localizada en el punto x0.
Dos muestras cuya distancia sea inferior al alcance a estn correlacionadas entre s.
C =2
49
Figura III.24: Sondaje vertical en una mina de carbn. Los nmeros superiores representan la potencia
real de los mantos.
1 si x carbn
z ( x) =
0 si x carbn
i) Clculo de la media:
N
1 40
m=
N
z
i =1
i =
80
= 0.5
Este resultado nos indica que la mitad del sondaje es carbn y la otra mitad estril.
1 N
40(1 0.5) 2 + 40(0 0.5)2
=2
N
i =1
( zi m) =2
80
= 0.25
50
iii) Clculo de (h):
Se obtiene fcilmente:
(5) = 0.12
(10) = 0.20
(15) = 0.24
(20) = 0.25
(25) = 0.25
51
El alcance tiene una significacin geolgica en este caso: corresponde al espesor
52
Figura III.27: componentes del vector h. En este dibujo no es el azimuth sino el ngulo de coordenadas
polares
i) Fijemos la direccin del vector h; que sea por ejemplo = 90, es decir, la
direccin NS. El vector h slo puede ser:
53
Calculemos (h1) = NS(10). Al aplicar el algoritmo hay que considerar las
(diferencias)2 posibles: (zi - zj)2 cuando ambos datos zi y zj estn definidos. La figura
Figura III.29: Parejas posibles para calcular gama de 10 metros en la direccin NS (hay 36 vectores).
Luego:
54
ii) Sea ahora la direccin = 0, es decir la direccin EW. El vector h slo puede
ser:
Figura III.31: Parejas posibles para calcular gama de 10 metros en la direccin EW (hay 36 vectores).
Se obtiene entonces:
55
(h1) = 0.0146 (36 parejas)
(h2) = 0.0330 (33 parejas)
(h3) = 0.0431 (27 parejas)
iii) La prctica demuestra que, para estudiar las estructuras basta con calcular (h)
Figura III.32: Clculo de gama de h en la direccin de 45. La distancia entre parejas es ahora 14.41
metros.
Figura III.33: Clculo de gama de h en la direccin de 135. La distancia entre parejas contiguas (el
paso) es 14.41 metros.
56
Grfico de (h):
Figura III.34: Variograma anistropo. La variacin de las leyes es ms regular en la direccin EW que en
la NS.
Se observa una clara anisotropa que nos indica que el fenmeno es ms regular en la
direccin EW que en la NS. (Esto se puede comprobar al mirar como varan las leyes
mina de fierro:
57
Figura III. 35: Datos de leyes de fierro.
58
Figura III.37: Variograma EW
59
Observamos que (h) es casi el mismo segn las direcciones: podemos concluir que el
fenmeno es istropo.
ponderado de los valores del variograma (ponderacin por el nmero de parejas N'):
h (h)
10.00 4.17
14.41 5.73
20.00 8.31
28.28 11.60
30.00 11.94
60
Ejemplo: La figura III.41 muestra la fotografa area de un bosque de conferas. La
61
Figura III.43: Variogramas bosque de conferas.
periodicidades).
1 si x granos (negro)
z ( x) =
0 si x granos (blanco)
variogramas!
En este caso de dos estados (negro y blanco), si se considera que z(x) es la realizacin
de una funcin aleatoria Z(x), entonces se dice que Z(x) es un conjunto aleatorio.
62
Figura III.44: Aproximadamente istropo. En el variograma, la distancia est en pixeles.
Figura III.45: Aproximadamente istropo, con fronteras difusas. Presencia de efecto de pepita
63
Figura III.47: Presencia de dos estructuras, a pequea escala y a gran escala.
Figura III.48: Fallas. La figura se obtuvo dibujando rectas al azar, se obtienen as polgonos. Cada
polgono se pinta de negro si al tirar una moneda sale cara, en caso contrario se deja igual..
conjunto aleatorio), se puede tomar una imagen y asignar a cada pixel el cdigo
64
Figura III.49: Variograma de una imagen (agua). Observar que la variable regionalizada es estacionaria
en la direccin este-oeste, mientras que en la norte-sur tiene una deriva, la cual se manifiesta solo para
grandes distancias: Se dice que la realizacin es localmente estacionaria en la direccin NS.
promedio; este promedio es bueno cuando el nmero N' de parejas es grande. Sin
embargo, a medida que h crece, N' decrece; la prctica justifica entonces la regla
siguiente:
esta direccin hasta una distancia mxima del orden de 200 metros:
65
Figura III.50: Compsitos proyectados en una planta de la Extensin Norte de Mina Sur. El ancho del
cuerpo es del orden de 400 metros en la direccin EW.
Ejercicio:
Los datos de la figura corresponden a una zona dentro del yacimiento de nitratos-yodo
de Lagunas. Encontrar la funcin (h) hasta h = 250 m. segn las direcciones:
66
Figura III.51: Leyes de NaNO3 Oficina Lagunas. Profundidad del sondaje = 2 metros.
67
c) Clculo del variograma para mallas irregulares.
68
Lo ms probable es que no encontremos ningn o muy pocos pares de datos que estn
aproximadamente a la distancia h.
69
El paso en una direccin dada se puede determinar como la distancia entre datos
diferencias en el clculo.
Algunos paquetes computacionales definen otro tipo de zona para evitar este problema
70
En este caso hay que definir tres parmetros: , y d (d se llama a veces ancho de
banda).
Hay que tener presente que es necesario conocer bien el variograma en una vecindad
Figura III.57: Compsitos en el espacio de tres dimensiones, con leyes de cobre en mina Chuquicamata.
Comparar con la figuras I.11 y II.9.
71
Figura III.58b: Aproximacin en el espacio de 3 dimensiones: Mtodo del lpiz.
La nube variogrfica.
Dada una cierta direccin, la nube variogrfica consiste en graficar, para una direccin
1 2
dada, el valor de todas las diferencias z ( xi ) z ( x j ) en funcin de la distancia entre
2
los puntos xi y xj .
alcalinos en una mina de hierro, en la direccin de azimuth 45, con tolerancia angular
72
Figura III.59: Nube variogrfica. El dato anmalo 1.51 es el responsable de las diferencias que estn en
la elipse de la derecha.
variograma experimental:
73
Figura III.60: Variograma experimental y variograma terico.
terico.
Para tener un buen ajuste, hay que considerar que uno de los objetivos finales es la
cada bloque:
74
Figura III.61b: Modelo tridimensional de bloques. Existen tres unidades geolgicas (a bloque completo)
Figura III.62: Vecindad de estimacin. Para estimar el bloque de la figura solo se utilizan los compsitos
que estn dentro del crculo de radio R.
una distancia mxima de h = 2R; luego conviene ajustar (h) hasta h = 2R.
75
Figura III.63: Modelos de variograma.
ajusta un modelo a un histograma de datos (existen tests de bondad del ajuste que
ajustado.
76
III.1.1 Los modelos de variograma
(0) = 0
( h) 0
G G
(h ) = (h )
Sin embargo, la teora demuestra que estas condiciones no son suficientes: En efecto,
se puede probar que (h) pertenece a una familia de funciones (llamadas funciones
de tipo negativo condicional) y la eleccin del modelo debe quedar restringida a esta
Por consiguiente, slo hay que utilizar los modelos que describiremos a continuacin (o
a) El modelo potencia
77
(h) = h
78
(h = h)
El alcance es a y la meseta es C.
79
Figura III.67: A la izquierda la base de datos en una planta (75000 pozos de tronadura), a la derecha el
variograma esfrico (en azul) y el experimental (puntos rojos). El alcance es del orden de 100 metros.
C(2(h/a) - (h/a)2) si h a
(h) =
C si h > a
80
d) El modelo exponencial: Crece ms lentamente que el esfrico o cuadrtico y
(h) = C (1 - exp(- h / ) )
Figura III.69: Modelo exponencial o modelo de Formery. Este modelo se presenta a veces en leyes que
estn asociadas a fallas (ver la figura III.48, ver tambin la figura III.25). El alcance prctico es
aproximadamente iguala 3.
81
Figura III.70: Variograma vertical para el cobre, material quebrado remanente de la explotacin por
block-caving en mina Salvador. En azul el modelo exponencial, en rojo, los puntos experimentales.
82
f) El modelo gaussiano: Tiene un comportamiento parablico en el origen; su
ecuacin es:
83
Figura III.73: Modelo cbico. Es derivable en el origen.
( h) = 1 ( h) + 2 ( h)
84
III.2 Ajuste en el espacio de dos o tres dimensiones
a) Caso istropo:
omnidireccional:
85
(h) = omni(h)
En esta notacin:
h = (hx , hy ) h = ( hx , hy , hz )
| h |= hx 2 + hy 2 h = hx 2 + hy 2 + hz 2
Ejemplo: En el caso estudiado en las figura III.34, el modelo istropo ajustado es:
(h) = 0.417 | h |
(hx , hy ) = 0.417 hx 2 + hy 2
b) Caso anistropo:
1 ( h) 2 ( h) ... k ( h)
86
Anisotropa geomtrica:
diferentes alcances:
Sea k = a1/a2 > 1 la razn entre el alcance mayor y menor. Las frmulas de
transformacin de coordenadas nos muestran que:
(h) = 1 (| h ' |)
87
es el ngulo formado entre el eje x y el eje x' de la elipse. 1 es el variograma de la
direccin 1. k = a1/a2.
( h) = ( ) | h |
pendientes.
(h) = 1 (h ') = 1 ( hx 2 + k 2 hy 2 )
(h) = 0.0015 hx 2 + 12.96hy 2
88
Anisotropa zonal
En este caso la anisotropa no puede ser reducida por una transformacin lineal simple
de las coordenadas.
imbricado), es decir:
89
Figura III.78: Un ejemplo de anisotropa zonal.
G G
(hx , hy , hz ) = 1 (| h |) + 2 (| hz |)
En que:
G
| h |= hx 2 + hy 2 + hz2
90
Captulo IV
El error de estimacin
N = N de datos
En la prctica, se estima la ley media desconocida por una frmula lineal del tipo:
91
zV = 1 z ( x1 ) + 2 z ( x2 ) + ... + N z ( xN )
1 + 2 + ... + N = 1
1
i = media aritmtica
N
Si
i = polgonos
S
1
dik
i = N
1 inverso distancia
i =1 d i
k
= zV zV
en que zV es la ley estimada (conocida) y zv es la ley real (desconocida).
Mencionemos que es equivalente definir el error como:
92
= zV zV
Asumimos entonces que es una magnitud aleatoria; es decir, una variable aleatoria.
Esta magnitud aleatoria tiene una cierta ley de probabilidad caracterizada por una
esperanza matemtica mE y una varianza E2. Respecto de la ley de probabilidad del
desigualdad de Chebichev.
93
Figura IV.3: Ley normal. es la desviacin estndar.
Figura IV.4: Ley normal, regla de los dos sigma. Es el caso ms utilizado en la prctica.
94
En otras palabras, utilizando probabilidades:
P(m - m + ) = 0.68
P(m - 2 m + 2) = 0.95
P(m - 3 m + ) = 0.997
Estudio de mE:
En trminos tericos:
mE = E()
Este valor es nulo porque los errores se compensan (siempre que el mtodo de
estimacin verifique la condicin de insesgado = 1).
Luego:
mE = 0
Estudio de E2
En trminos tericos:
E2 = E ( mE ) 2 = E 2
E2 = E 2
P[ - E E ] = 0.68 (i)
95
P[ - 2E 2E ] = 0.95 (ii)
P[ - 3E 3E ] = 0.997 (iii)
o bien, se puede afirmar, con 95% de confianza que la ley verdadera es igual a la ley
1
P [ k k ] 1 P [ 2 2 ] 0.75
k2
4
P[ k k ] 1 P[ 2 2 ] 0.89
9k 2
estndar E = E2 .
96
Clculo de E2 :
Sabemos que:
E2 = E ( 2 ) = E ( zV zV ) 2
N
zV =
i =1
i z ( xi )
1
zV =
V z ( x)dx
V
(La ley real desconocida se calcula, en el caso de ser posible, por el promedio de las
leyes de todos los puntos x dentro de V). La integral anterior puede ser simple, doble o
N
1
= i z ( xi )
V V
z ( x)dx
i =1
siguiente:
N N N
1 1
2
E = 2 i i
( x , x ) dx ( x , y ) dxdy i j ( xi , x j )
i =1 V V V2 V V i =1 i =1
97
Que constituye la frmula fundamental para el clculo de E2.
Por ejemplo, si se calculan con esta formula las varianzas del error para los tres casos
Antes de explicar cmo se calculan los trminos en forma numrica, observamos que
E2 depende de:
98
N es decir, el nmero de datos
i) Trmino (xi, xj): Representa el valor de (h) siendo h el vector que une los
puntos xi y xj:
99
1
i) Trmino V ( xi , x) dx : Representa el valor medio de la funcin (h) (h es el
V
1 1 k G
( xi , x)dx (h j )
VV k j =1
100
i) Si V es bidimensional: k 36 ptos.
1
iii) Trmino V2 ( x, y)dxdy
VV
: Representa el valor medio de la funcin (h)
1 1 k Gk
V2 V V ( x , y ) dxdy
k2
(hij )
i =1 j =1
101
El clculo numrico de E2 es entonces posible. Se puede utilizar un programa
Luego:
zV = 38 3.02
102
b) Si se estima zV por zV = 1 z(x1) = 35, se obtiene: 2 E = 2.84
Luego:
zV = 35 2.84
En este caso se utiliz un solo dato (contra 2 del caso anterior) y sin embargo se
utiliz mal la informacin de los sondajes, atribuyndoles a ambos el mismo peso 0.5.
Es evidente que el dato z(x1) debe tener mayor peso que el dato z(x2).
Luego:
zV = 36.5 2.38
Como este error (con confianza del 95%) es menor que los dos anteriores, se elimina la
paradoja. Este ejemplo nos lleva a la conclusin que no basta con tener datos sino que
hay que utilizarlos bien (es decir, ponderarlos en forma adecuada). Sin embargo, nos
103
Observaciones:
N N N
1 1
E2 = 2 i ( xi , x ) d x ( x , y ) d xd y i j ( xi , x j )
i =1 V V V2 V V i =1 i =1
104
Captulo V
El Krigeado
V.1. Introduccin
105
El nombre krigeado proviene de los trabajos de Daniel Krige en las minas de oro
sudafricanas de Rand, en los aos 50. La teora fue formalizada una dcada ms tarde
Figura V.2: Dos bloques contiguos en la oficina Ossa (ver figura I.13). El color amarillo representa
mineral (con ley 1) y el blanco estril (con ley 0). Los crculos representan los datos. Se observa que, en
general, es necesario utilizar datos externos al bloque.
El inters prctico ms importante del krigeado, proviene, no del hecho que asegura la
mejor precisin posible, sino ms bien porque permite evitar un error sistemtico. En la
mayora de los depsitos mineros, se deben seleccionar, para la explotacin, un cierto
nmero de bloques, considerados como rentables y se deben abandonar otros bloques
considerados no-explotables. Daniel Krige demostr que, si esta seleccin se realizara
considerando exclusivamente las muestras interiores a cada bloque, resultara
necesariamente (en promedio) una sobre-estimacin de los bloques seleccionados. La
razn de este problema es que el histograma de las leyes reales de los bloques tiene
menos leyes extremas, ricas o pobres, luego tiene ms leyes intermedias que el
histograma calculado con las muestras interiores, y, si se calcula el efecto de una
seleccin sobre este ltimo histograma, los paneles eliminados sern en realidad
menos pobres que lo que se haba previsto, y los paneles conservados menos ricos
(figura V.2).
106
Figura V.3: Histograma de bloques y de muestras.
z K = 1 z ( x1 ) + 2 z ( x 2 ) + ... + N z ( x N )
1 + 2 + ... + N = 1
Como es natural, el krigeado atribuye pesos altos a las muestras cercanas a V y pesos
dbiles a las alejadas. Sin embargo, esta regla intuitiva puede fallar en ciertas
107
situaciones en las cuales se habla de efecto de pantalla o de transferencia de
influencia.
i) 1 i (i = 2, 3, . . . , 8)
ii) 2, 3 i (i = 4, 5, . . . , 8)
iii) 6 0
iv) 4 5 + 6 + 7 + 8
108
Se dice que hay una transferencia de influencia; es decir, la influencia de la
muestra S4 se reparte entre las muestras S5, S6, S7 y S8. Se puede afirmar que
Figura V.5: Variograma lineal y pesos del krigeado. Se tienen 3 muestras. Se produce un
desagrupamiento
N N N
1 1
2
E = 2 i V ( xi , x ) dx V 2 ( x , y ) dxdy ( x , x
i j i j )
i =1 V V V i =1 i =1
109
N
i =1
i = 1
En este caso hay que utilizar el mtodo de Lagrange, el cual explicaremos con un
ejemplo matemtico:
Ejemplo:
A' siguiente:
A' = x2 + y2 - 2(x + y - 1)
1, entonces A' = A.
A' / x = 2x - 2 = 0
A' / y = 2y - 2 = 0
A' / = -2(x + y - 1) = 0
x = 0.5
110
y = 0.5
= 0.5
A' = E2 + 2(1 + 2 + . . . + N - 1)
siguiente:
1(xN, x1) + 2(xN,x2) + ... + N(xN, xN) + = (1/V)v(xN, x)dx
1 + 2 + ... + N = 1
Se demuestra que el sistema siempre tiene solucin (se supone que el modelo de (h)
es autorizado), salvo el caso en el cual existen dos (o ms) muestras diferentes con las
111
mismas coordenadas: Este caso no debera presentarse en la prctica pero a veces
estimacin.
N
1 1
2
E =
i =1
i
V ( x , x ) dx V ( x , y ) dxdy +
i 2
V V V
Ejemplo 1:
Figura: V.6: Bloque a krigear, en negro la ley de la muestra, en azul el nmero de la muestra.
112
zV = 1 z ( x1 ) + 2 z ( x2 )
1 = 0.77
2 = 0.23
2 E = 2.37
Ejemplo 2:
113
zV = 1 z ( x1 ) + 2 z ( x 2 ) + 3 z ( x3 ) + 4 z ( x 4 ) + 5 z ( x5 )
1 = 0.47
2 = 0.20
3 = 0.20
5 = 0.08
4 = 0.08
2E = 0.12
datos 2 y 3 que a 4 y 5.
Krigeado Puntual
sistema siguiente:
114
1(x1, x1) + 2(x1, x2) + . . . + N(x1, xN) + = (x1, x0)
1(x2, x1) + 2(x2, x2) + . . . + N(x2, xN) + = (x2, x0)
1(xN, x1) + 2(xN,x2) + . . . + N(xN, xN) + = (xN, x0)
1 + 2 + + N = 1
con la varianza:
N
2
E = (x , x
i =1
i i 0 )+
Figura V.8: Krigeado del punto x0. Se puede generar una grilla de valores interpolados al hacer variar x0.
Esta tcnica tiene aplicacin en la cartografa automtica y en la simulacin de leyes.
115
El krigeado puntual tiene la propiedad de ser un interpolador exacto en el sentido de
que si se desea estimar la ley en un punto conocido (por ejemplo el punto A de la figura
V.7), el krigeado proporciona la ley del dato con una varianza E2 = 0. Se dice que el
Figura V.9: Krigeado puntual en una dimensin versus interpolador de mnimos cuadrados.
Esta propiedad no la tienen otros interpoladores tales como los mnimos cuadrados.
a. Propiedad de simetra
Si (h) es istropo, entonces datos que son simtricos respecto de V y con respecto a
116
Figura V.10: Propiedad de simetra del krigeado.
1 = 1
2 = 4 = 6 = 8
3 = 5 = 7 = 9
Esta propiedad era til cuando se resolvan los sistemas de krigeado a mano
b. Composicin de krigeados
117
Entonces el krigeado z de V1 V2 es:
V1 z1 + V2 z2
z =
V1 + V2
Figura V.12: Vecindad de estimacin. Para el krigeado no importa la agrupacin de datos al lado
izquierdo del bloque (el krigeado desagrupa la informacin). Cul radio tomar?
118
En estricto rigor, el krigeado de un bloque V debera realizarse considerando todos los
datos disponibles (krigeado completo). Sin embargo, esta situacin implica clculos
muy largos; por otra parte, las muestras alejadas tendran un peso casi nulo. Por esta
razn la prctica recomienda restringirse a una vecindad de estimacin que puede ser
una esfera o crculo, o bien un elipsoide o elipse (3D y 2D). Como recomendacin
prctica, el radio de bsqueda en una cierta direccin no debe ser inferior al alcance en
esa direccin.
que contenga un promedio del orden de 8 muestras, los resultados son buenos. En el
Figura V.13: En el espacio 3D hay que elegir los parmetros de bsqueda de manera de que se
produzca interpolacin entre los sondajes. En esta mina se observa que quedarn bloques mejor
estimados que otros y habr que categorizarlos en medidos, indicados e inferidos.
119
V.5. Estrategia de bsqueda.
Esta estrategia establece los parmetros que hay que utilizar para la bsqueda de
Radios de bsqueda (Rx, Ry, Rz). En primera aproximacin se pueden utilizar los
alcances del variograma en las direcciones (x, y, z), en una vecindad con forma
de elipsoide.
Figura V.14: Elipsoide de bsqueda. En algunas situaciones este elipsoide puede estar inclinado.
El centroide es el centro de gravedad del bloque.
Mnimo k de muestras para krigear. Sirve para controlar el caso en que solo una
muestra cae en la vecindad. Si, por ejemplo, se pone k = 2, solo se krigearn los
120
Figura V.15: Octantes. Qu pasa si existen sondajes aproximadamente horizontales en el caso
de la izquierda?. Algunos paquetes computacionales utilizan el hemisferio superior e inferior
caso de la derecha.
Los parmetros l y s deben ser utilizados con precaucin. Para no introducir artefactos,
es recomendable que estos valores sean altos, lo que hace que su uso no sea
121
Figura V.16: Existencia de sondaje inclinado: Al usar octantes con l = 1, se utilizan exclusivamente los
compsitos 1 y 5. Luego, hay que usar un l mayor.
Figura V.17: Al usar un mximo s = 1 de compsitos por sondaje, slo se usan los compsitos 8 y 3
(casi a la misma cota que el bloque), sin tomar en cuenta la variacin en la vertical. Luego, hay que usar
un s mayor.
La figura V.18 ilustra un perfil de una mina estimado con octantes (mximo 2
122
Figura V.18: A la izquierda estimacin con octantes y mximo por sondaje (se produce el efecto
panqueque). A la derecha, sin restricciones. Todos los sondajes (no dibujados) son verticales. Los
compsitos tienen un largo igual a la altura del banco.
123
VI. Bibliografa.
Chile, 2007.
Chile, 2003.
Ch. Huijbregts
P. Delfiner
www.cg.ensmp.fr/bibliotheque
124