Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diversidad de áreas de aplicación.
Dominio minero:
Estimación y clasificación de Recursos.
Estimación de recursos
Necesidad de caracterizar un proyecto o un
yacimiento para realizar el estudio de viabilidad
económica del mismo (técnica, económica,
operativa).
Dimensiones del yacimiento (modelo geológico –
tonelaje), densidad del mineral y ley del
elemento de interés.
DOMINIO A ESTUDIAR
(Yacimiento, prospecto)
Diseño de campaña de sondajes
CONTROL DE CALIDAD
(AR, DDH)
Mapeo geológico
(geotécnico)
Toma de muestras: análisis químico,
densidad, geometalúrgicas
Modelos geológicos
ESTIMACIÓN (elemento de interés, densidad, variables
geometalúrgicas, contaminantes) y Clasificación de recursos
Paso de Recursos a Reservas
PLANIFICACIÓN MINERA 3
Sólidos o wireframes:
Litología, alteración, zonas
Estimación y Clasificación de Recursos
minerales, estructuras.
Modelo geológico
Tablas: Collar, desviación,
leyes de variables de interés,
Base datos geológica codificación mapeo.
Información de
entrada Base datos densidad
BD puntos o valor constante
por unidad geológica.
BD puntos o superficie
Base datos topográfica topográfica.
Estimación de: leyes de
interés , contaminantes,
Información de densidad.
Modelo de bloques
salida Clasificación de recursos
mineros.
Reservas Mineras 4
Validación del modelo
Modelo geológico Flageo de la BD regularizada
Flageo del modelo de bloques
Validación de la BD
A. estadístico del soporte
Base datos geológica
Regularización del soporte
A. estadístico y geoestadístico
Elección del método de
estimación
Base datos densidad A. estadístico y geoestadístico
Elección de parámetros
Base datos topográfica Limite extensión MB de búsqueda
Modelo de bloques Estimación
Clasificación de recursos
Validación de la estimación
mineros
5
Cuestionamientos…
• Qué pasa si el muestreo (diseño de la campaña de
sondajes) es irregular?…agrupamiento de la
información.
• Qué pasa si las muestras tienen diferente soporte?.
Análisis estadístico del soporte.
• Qué pasa si existen muestras de distinta naturaleza
(AR, DDH, canaletas…)?. Análisis comparativo. QA/QC
• Se pueden mezclar muestras que provienen de
diferentes laboratorios químicos?. QA/QC.
Terminología Básica para
Geostadística Aplicada a la Minería
D. ABURTO M. y C. QUIÑONES C.
Conceptos útiles
• Soporte (longitud, superficie o volumen que una
muestra representa).
• Regularización (homogenización diferentes soportes).
• Compositación (cambio de soporte).
• Muestra‐muestreo (diseño del muestreo, tipo de
muestreo, preparación de la muestra).
• Agrupamiento (clustering)‐desagrupamiento.
• Variable aditiva (propiedad de suma).
Soporte y Regularización de datos
Ejemplo de Impacto en la Media
.
4 6 2 • A priori podríamos decir que la media es 4
(estadística)
4 2
• A priori podríamos decir que una media
6
representativa sigue siendo 4 ? Discusión…
6
4 • Podríamos decir que una media
2 representativa sigue siendo 4 ? Discusión…
Ahora, si regularizamos a un soporte :
4 6 2
4 2 • Podríamos decir que la media
2
2 representativa era más bien 3.
2 (esto aún sin considerar la posición espacial 9
de las muestras).
Muestreo Regularizado
Primer efecto de dilución
.
• A priori, en la industria moderna, el muestreo de sondajes es
realizado en forma regularizada, pero a la fecha aún existen casos
con malas prácticas.
• Quién y con qué criterio se elige el tamaño (largo) de la muestra
de sondajes?
‐ Geólogo.
‐ Dependiendo del tipo de depósito y la ocurrencia de la
mineralización relevante y mayoritaria.
‐ No debe tomarse en cuenta los “outliers”.
• Ejemplos de “Largos” del muestreo: 2m a 3m en pórfidos de Cu,
1m a 2m en IOCG, 1m a 0.5m en vetas auríferas, 0.5m en
discordantes uraníferos, etc.
• Considerando que es un fenómeno natural el cual se quiere
homogenizar (regularizar), inherentemente se producirá un
efecto de dilución (primera dilución por muestreo). Porqué? 10
Muestreo Regularizado
“Cutting” en Pórfido de Cobre
Muestreo en “cutting” (AR). Muestreo Regular a 2m
11
Muestreo Regularizado
“Diamantina” en Pórfido de Cobre.
Muestreo en “diamantina” (DDH). Regular a 2m por “tacos”
12
Muestreo No‐Regularizado
Casos Reales
Depósito Tipo Discordancia de U en Canadá
Campaña 2012 Campañas Pre‐2012
Dominio NW de Actual Yacimiento de Oro en
6.00
Chile ‐2015 • Muestreo Sesgado.
5.00
• La primera dilución (por
Largo Muestras (m)
4.00 muestreo) estará fuera de
3.00 control.
2.00 • Múltiples análisis adicionales
1.00
de impactos serán necesarios
en estimación ($$ y tiempo).
0.00
0 100 200 300 400 500 600 700 800 900 • Resultado de la estimación
13
Cantidad de Muestras (m) con baja certeza (>> Riesgo).
Representatividad del Muestreo
• Como vimos, el soporte de las muestras debe ser regular (volumen), de
modo que cada muestra represente equitativamente su “peso” en la
población.
• La calidad del muestreo es un factor también decisivo (QAQC).
• Cada observación debe tener la misma oportunidad de representación:
ejemplo, un sondaje aire reverso (AR) con un diamantina (DDH) no
representan lo mismo (pérdida de fino por “cutting”).
• Todos estos factores deben ser tomados en cuenta para evitar un
muestreo errado o sesgado, pudiendo constituir un error FATAL
• Espacialmente, en la minería (sobretodo en etapas tempranas del
Proyecto) existe un “sobre‐muestreo” en zonas enriquecidas…Factor
relevante a considerar (Muestras “Clusterizadas”).
14
Clustering (Agrupamiento)
• Muestreo preferencial de zonas enriquecidas debido
generalmente a primeras campañas de exploración o para mejor
caracterización del sector de mayor metal o incluso por malas
prácticas (intencionales o no‐intencionales).
• Ejemplos reales en planta:
Collares en IOCG. Chile
N
Muestreo en Planta. Porf. Cu. Chile
N
Método Celda desagrupante
• Se toma una grilla regular sobre el
dominio.
• Se cuenta el número de muestras en
cada celda.
• Se define un peso que es inversamente
proporcional al número de muestras.
Definición de peso:
1
wi nci
n 1
nc
i 1 i
• nci: número de datos en la celda que
contiene el dato i.
• wi: peso aplicado al dato i para calcular
la media ponderada.
Ejercicio
Celda desagrupante
o o o
0.882 1.119
Media de Ley sin desagrupar: 0.671%
Media de Ley desagrupada: 0.515%
Desventajas del método
• Es un método de “prueba y error”:
– Generalmente se prueban varios tamaños
de celda.
– Generalmente se selecciona el tamaño de
celda que minimice la ley media *.
Notas:
• La celda no tiene porque ser cuadrada.
• Siempre revise el impacto de “Outliers”.
Ejemplo Real
Herramienta en Isatis
20
Regularización vs Compositación
– Concepto
– Responsable
– Momento de ejecución
– Criterios
– Impactos
21
Criterios para Compositación
• Existen dos tendencias en el Mercado... Cuál elegir?
• Mantener un “largo” de compósito muy similar al
muestreo regularizado.
• Se busca una representatividad más cercana a la variabilidad
del fenómeno natural.
• Se mantiene cercana la cantidad de muestras originales y
disponibles para estimar (más robusta).
• Mantener un “largo” de compósito acorde a la altura
de los bloques del modelo de bloques.
• Se busca una representatividad más cercana a la eventual
realidad de la operación minera (selectividad‐dilución).
• Se disminuye la cantidad de muestras disponibles para estimar 22
con respecto a las originales del muestreo regularizado.
Impactos en Compositación
• Media permanece constante
• La varianza disminuye a un soporte
mayor (valores extremos son
promediados): Efecto de Soporte
Pórfido Cu – Perú, 2013
Dominio ‐ CHAL Dominio ‐ SUL
Verde: Muestras
24
Rojo: Compósitos
Aditividad
Definición
Se dice que una variable es aditiva cuando su valor
en un dominio dado es igual a la suma o al
promedio de sus valores en sub‐dominios.
La densidad y la ley de un elemento dado son
variables aditivas?
Importancia de regularización de las muestras
Importancia de dominios geológicos homogéneos
Aditividad
Ejercicios
Masa
Densidad
Ley Química
Repaso Estadística
27
Según la enciclopedia
universal
La palabra estadística hace referencia
tanto al conjunto de datos de
observaciones como a la actividad que
consiste en su recopilación, su
tratamiento y su interpretación.
28
Generalidades
• Realizar estadística supone estudiar un conjunto
de objetos equivalentes sobre los cuales
observamos características llamadas variables.
Ejemplo: ley de CuT (variable) de un yacimiento
de tipo pórfido cuprífero.
• Población (dominio): noción fundamental en
estadística, grupo o conjunto de objetos
equivalentes. Los objetos son llamados individuos
o unidades estadísticas.
29
Generalidades
La estadística se interesa en las
propiedades de la población y no en los
individuos en particular (ejemplos
extremos: nos interesamos en la
proporción de outliers y no en un outlier
en particular).
30
Definiciones
• Generalmente, la población (dominio) es bastante
grande para ser observada exhaustivamente (más
evidente para el caso de una población infinita).
• Censo: El estudio de todos los elementos de una
población finita.
• Sondaje: observación de una parte de la
población, la parte estudiada se llama muestra.
31
Generalidades
Variables: conjunto de características que describen a
cada individuo de una población. En minería:
– Cuantitativas o numéricas: talla, peso, volumen,
densidad, ley de un elemento químico. Números
reales sobre los cuales operaciones matemáticas
tienen sentido.
• Continuas: leyes de mineral, densidad, recuperación
metalúrgica.
• Discretas: número de fallas, número de camiones.
– Cualitativas o categóricas: se expresan de acuerdo
a la pertenencia a una categoría de un conjunto
finito. Ej. Tipo de roca, mineralización, alteración.
32
Generalidades
• El concepto clave en estadística es la variabilidad,
que significa que los individuos en apariencia
semejantes pueden tomar valores diferentes.
• El análisis estadístico es por esencia el estudio de
la variabilidad, lo que permitirá por ejemplo
prever de manera probabilística el
comportamiento de individuos que aún no han
sido observados (interpretación de la información
o creación de modelos).
33
Generalidades
• Luego de la recolección de datos, la tarea de la estadística
consiste en realizar el tratamiento y la interpretación de la
información.
– Estadística exploratoria o descriptiva: su objetivo es
sintetizar, resumir y estructurar la información contenida en
los datos (tablas, gráficos, indicadores numéricos). Se
generan hipótesis, se construyen grupos homogéneos, se
reducen variables.
– Estadística inductiva o inferencial: su objetivo es de extender
las propiedades constatadas en las muestras a toda la
población, y de validar e inferir hipótesis a priori o
formuladas luego de la fase exploratoria. 34
Probabilidades
La teoría de probabilidades es una rama de las
matemáticas que se ocupa de las propiedades de
ciertas estructuras usadas para modelar fenómenos
donde interviene el azar (fenómeno aleatorio).
Permite modelar eficazmente ciertos
fenómenos aleatorios
35
Estadística y probabilidades
(nexo)
• La estadística se basa en la observación de
fenómenos concretos (realidad), a través del análisis
de datos (muestras).
– Datos observados imprecisos (error). El modelo
probabilístico permite representar el error como
una variable aleatoria.
– Constatación que la repartición estadística de
una variable (representativa de una población) es
cercana a modelos matemáticos propuestos por
el cálculo de probabilidades (leyes de
probabilidades).
36
Estadística y probabilidades
• Las muestras de los individuos observados son la
mayoría de las veces extraídas al azar en la
población (para asegurar su representatividad).
• Si el muestreo es equiprobable, las características
observadas en las muestras se transforman en
variables aleatorias y el cálculo de probabilidades
permite estudiar su repartición.
37
Experiencia Aleatoria
Experiencia aleatoria: una experiencia es
calificada de aleatoria cuando NO podemos
predecir sus resultados, y si repetida en
condiciones idénticas, ella puede entregar
resultados diferentes.
38
Definición variable aleatoria
• Una VA es una función que entrega un valor numérico a
cada resultado de una experiencia aleatoria que
depende del azar.
– Ejemplo: lanzamiento de dos dados (experiencia aleatoria).
– Interesados a la suma de puntos de las caras superiores
(VA: función a+b)
– Resultados posibles de “a+b”: 2, 3, 4, 5, 6, 7, …12
• Una VA tiene siempre una ley de probabilidad, que
describe la probabilidad de cada valor posible de la VA.
– En otras palabras, dada una variable aleatoria no es posible
conocer con certeza el valor que tomará esta al ser medida,
aunque sí se conoce que existe una distribución de
probabilidad asociada al conjunto de valores posibles.
39
Tipos de VA
(Se representa siempre por una letra mayúscula, en general X, Y o Z.)
VA Discreta VA Continua
• Los valores posibles • Los valores posibles
forman un conjunto están contenidos en un
discreto. intervalo.
• Se puede tener la • Hablamos de
probabilidad de cada probabilidad dentro de
valor posible. un intervalo.
función de densidad de probabilidad.
1
1
40
Función de densidad de VA
VA Discreta VA Continua
Barras que representa un valor
Probabilidades representada
de probabilidad discreto.
como área bajo la curva.
Si conociéramos todos los valores
posibles de la VA sería el
histograma de la VA.
0
41
Momentos de una VA
Esperanza matemática
Es el promedio aritmético de los diferentes valores
posibles ponderados por sus probabilidades
VA Discreta VA Continua
∑
∑
42
Propiedades de la esperanza
Las propiedades elementales de la esperanza son
aquellas de las integrales y se deducen de la
linealidad.
demostrar tarea1
43
Momentos de una VA
VA Discreta VA Continua
Varianza: Momento centrado de orden 2.
Medida de la dispersión de una VA alrededor
de su esperanza. 44
Demostrar
Covarianza
de una dupla de VA
Covarianza: visión elemental del vínculo entre dos
VA (“quiero ver la dependencia entre 2 VA”).
46