UNIVERSIDAD NACIONAL DE COLOMBIA

SEDE MEDELLIN
FACULTAD DE MINAS

XVI CONGRESO COLOMBIANO DE MINERÍA

LOS DÍAS 20,21,22 DE JUNIO DEL 2011

Curso: GEOESTADÍSTICA BÁSICA APLICADA A LA

MINERÍA
 CENTRO GEOESTADÍSTICO PERUANO
Director
Alfredo Marín Suárez
Docteur Ingénieur en Sciences et Techniques
Minières - Option Géostatistique
I'école Nationale Supérieure des Mines de Paris

JUNIO del 2011

LIMA – PERÚ
 ÍNDICE
1. INTRODUCCIÓN

2. MODELACIÓN PROBABILÍSTICA

3. CONCEPTO DE VARIABLE REGIONALIZADA

4. EL VARIOGRAMA

4.1 Aplicación en la diferenciación de dos fenómenos

4.2 Hipótesis consideradas en el dominio de la función variograma

4.3 Distancias y ángulos del cono de tolerancia en el cálculo numérico de los

variogramas experimentales

4.4 Análisis de la función variograma

4.5 Tipos principales de modelos de variogramas

 ÍNDICE
5. VARIOGRAMA CRUZADO

5.1 Función variograma cruzado

5.2 Aplicación del variograma cruzado en el estudio de correlaciones

6. ESTIMACIÓN DE RECURSOS

6.1. Inferencia en términos de proyección vectorial

6.2. Deducción del Kriging de Matheron

6.3. Varianza de kriging de Matheron y confiabilidad de la estimación

de cada bloque
6.4 Técnica del Kriging de Matheron.

6.5 Ejemplo
 ÍNDICE
7. CURVAS TONELAJE - LEY DE CORTE, LEY MEDIA - LEY DE CORTE Y CANTIDAD DE
METAL - LEY DE CORTE

8. SIMULACIÓN CONDICIONAL
8.1 Introducción

8.2 método de bandas rotantes

metodología

8.3 Simulación secuencial gaussiana

metodología

9.CONCLUSIONES

10. REFERENCIAS
1. INTRODUCCIÓN

Se aplicará la “Teoría de las Variables Regionalizadas”

más conocida con el nombre de Geoestadística, cuya
teoría fue creada y desarrollada por el profesor Dr.
George Matheron (1930 - 2000), plasmada en su
obra monumental “Traité de Géostatistique
Appliquée”, publicado en el año 1962 y 1963 en
Francia.
2. MODELACIÓN PROBABILÍSTICA

La Geoestadística, presentada inicialmente por George

Matheron como la Teoría de las Variables
Regionalizadas, considera que las variables
regionalizadas están modeladas en un espacio de
variables aleatorias reales L2 sobre un espacio
de probabilidades (Ventsel, 1973; Haaser 1978;
Schwartz, 1981).
3. CONCEPTO DE VARIABLE REGIONALIZADA

La variable regionalizada representa a una característica de un

fenómeno determinado.

Figura 1. Representación de la variable regionalizada en el espacio.

4. EL VARIOGRAMA
4.1 Aplicación en la diferenciación de dos fenómenos

En una línea de muestreo de la zona A, tenemos los

siguientes valores de la variable regionalizada de
plomo en ppm.
4.1 Aplicación en la diferenciación de dos fenómenos

Realizamos un análisis estadístico básico.

a) Media aritmética:

b) La varianza:

c) El coeficiente de variación:
4.1 Aplicación en la diferenciación de dos fenómenos
d) Histograma

Figura 14. Histograma de leyes de la zona A

4.1 Aplicación en la diferenciación de dos fenómenos

En otra línea de muestreo en la zona B, tenemos los mismos

valores de la variable regionalizada de plomo en ppm, pero
dispuesto de la siguiente forma; es decir, un fenómeno
estructuralmente muy diferente, a pesar de tener los mismos
valores de leyes.
4.1 Aplicación en la diferenciación de dos fenómenos

Obtenemos la media aritmética, la varianza, el

coeficiente de variación y el histograma, y vemos que
da los mismos resultados que los obtenidos en la
Zona A. Es decir que con esta estadística descriptiva
no logramos diferenciar dos fenómenos totalmente
diferentes.
4.1 Aplicación en la diferenciación de dos fenómenos

Ahora procedemos a construir los Variogramas de la Zona A y B

4.1 Aplicación en la diferenciación de dos fenómenos
Graficando el variograma para la zona A.

 (h)

h
Figura 15. Variograma de la zona A
4.1 Aplicación en la diferenciación de dos fenómenos
4.1 Aplicación en la diferenciación de dos fenómenos

Graficando el variograma para la zona B.

 (h)

Figura 16. Variograma de la zona B

4.1 Aplicación en la diferenciación de dos fenómenos

Como se puede observar el semi-Variograma, que más

comúnmente se le denomina variograma, da cuenta de las
zonas estructuralmente diferentes.
4.2 Hipótesis consideradas en el dominio de la
función variograma.

 Hipótesis Estacionaria Estricta

 Hipótesis Estacionaria de Orden 2

 Hipótesis Intrínseca
4.3 Distancias y ángulos del cono de tolerancia en el
cálculo numérico de los variogramas
experimentales .

Figura 3. Descripción de la sección del cono de tolerancia.

4.4 Análisis de la función variograma.

Figura 4. Ejemplo simple de un variograma experimental y

su modelado correspondiente a una variable regionalizada.
4.5 Tipos principales de modelos de variogramas

a) Modelo Efecto de Pepita Puro

b) Modelo Esférico o de Matheron
c) Modelo de Formery o Exponencial
d) Modelo con efecto “HOLE”
e) Modelo Gaussiano
Modelo Efecto de Pepita Puro

 (h)

Figura 17. Modelo Efecto de Pepita Puro

Modelo Esférico o de Matheron

Figura 18. Modelo Esférico o de Matheron

Modelo de Formery o Exponencial

Figura 19. Modelo de Formery o Exponencial

Modelo con efecto “HOLE”

Figura 20. Modelo con efecto “HOLE”

Modelo Gaussiano

Figura 21. Modelo Gaussiano

5. VARIOGRAMA CRUZADO

5.1 Función variograma cruzado

5.2 Aplicación del variograma cruzado en el estudio
de correlaciones
Para visualizar esta función, consideremos un ejemplo de una
zona de terreno explorado del cual hemos obtenidos valores
geoquímicos del Oro y Plata y deseamos estudiar la relación
entre los dos valores. Para este efecto aplicaremos el
variograma cruzado.
5.2 Aplicación del variograma cruzado en el estudio
de correlaciones

Aplicando:
5.2 Aplicación del variograma cruzado en el estudio
de correlaciones
Cuya gráfica es la siguiente:

 AuAg (h )

Figura 22.
Variograma cruzado de
la zona explorada con
correlación positiva alta
entre las variables.
h
5.2 Aplicación del variograma cruzado en el estudio
de correlaciones

Observamos que cuando hay una correlación positiva alta entre

las variables, el variograma cruzado tiende a tomar valores
positivos altos.
5.2 Aplicación del variograma cruzado en el estudio
de correlaciones
Ahora veamos que pasa en otra zona, donde los valores
geoquímicos de la Plata toman otros valores:

Aplicando la fórmula:
5.2 Aplicación del variograma cruzado en el estudio
de correlaciones
Con su gráfica:
 AuAg (h )

Figura 23.
Variograma cruzado de
la zona explorada con
correlación negativa alta
entre las variables.
5.2 Aplicación del variograma cruzado en el estudio
de correlaciones

Observamos que cuando hay una correlación negativa alta

entre las variables el variograma cruzado tiende a tomar
valores negativos altos.
6. ESTIMACIÓN DE RECURSOS
6.1 Inferencia en términos de proyección vectorial

Figura 10. Representación gráfica de la inferencia en términos

de proyección vectorial
6.2 Deducción del Kriging de Matheron
Considerando la hipótesis estacionaria de orden dos,
se ha considerado un estimador insesgado que
minimiza la varianza de estimación siguiente:
6.3 Varianza de kriging de Matheron y confiabilidad
de la estimación de cada bloque
6.3 Varianza de kriging de Matheron y confiabilidad
de la estimación de cada bloque
6.3 Varianza de kriging de Matheron y confiabilidad
de la estimación de cada bloque
6.3 Varianza de kriging de Matheron y confiabilidad
de la estimación de cada bloque

Figura 11. Confiabilidad de la estimación del bloque en tres casos

6.4 Técnica del Kriging de Matheron

Considerando las variables Z(xi) que están cerca de un

soporte geométrico a estimar y dentro de su aureola
de influencia. Aureola definida por medio de los
alcances estimados a partir de un estudio de
variogramas.
Visualizaremos el procedimiento a partir de la
siguiente disposición de las muestras con respecto a
un soporte geométrico V.
6.4 Técnica del Kriging de Matheron
2 z ( x2 )

1 z ( x1 )

V
n z ( xn )
Figura 24. Disposición de muestras con respecto a un soporte geométrico V
6.4. Técnica del Kriging de Matheron

Y deseamos estimar la variable Z(x) del soporte

geométrico V a partir de las muestras Z(xi). Entonces
necesitamos encontrar los pesos para estimar la
variable Zv(x0), a partir de:
6.4 Técnica del Kriging de Matheron

En el ejemplo que presentaremos a continuación

consideremos que estamos en condiciones de aplicar un
Krigeage ordinario bajo la hipótesis estacionaria de orden
2, por lo que usaremos el siguiente sistema de
ecuaciones.
6.4 Técnica del Kriging de Matheron

Este sistema resulta de minimizar la varianza de

estimación
n
sujeta a la condición de universalidad
   1 , que hace que nuestro estimador sea insesgado.
 1

El error cometido en este procedimiento de estimación

viene dado por la varianza de Kriging de Matheron
siguiente:
6.5 Ejemplo

A partir de los valores de la potencia de un manto de

Hematita en los puntos A y B, se desea estimar la
potencia en el punto C. Considerando que la potencia del
manto tiene el siguiente modelo de variograma.
6.5 Ejemplo

A continuación se muestra la ubicación de las potencias

y su orden de magnitud.

Figura 25. Variable regionalizada Potencia en los puntos A y B

de un manto de Hematita
6.5 Ejemplo

Entonces tenderemos a partir del sistema de ecuaciones

anterior, el siguiente sistema particular:

Reemplazando:

ó
6.5 Ejemplo

Restando (I) – (II) :

Ahora tenemos el siguiente sistema:

6.5 Ejemplo

Sumando (I’) + (II’) :

Reemplazando en (II’) :
6.5 Ejemplo

En la primera ecuación inicial:

Despejamos:

Parámetro auxiliar que será usado posteriormente en la fórmula

de la varianza de Kriging de Matheron.
6.5 Ejemplo

Siendo la potencia estimada del manto igual a:

Reemplazamos:
6.5 Ejemplo
Ahora veamos cuál es el error que se comete en esta
estimación, para lo cual particularizamos la fórmula de la
varianza de Kriging de Matheron dada anteriormente.

Reemplazando:

Este valor es el error cometido en el proceso de estimación

realizado.
7. CURVAS TONELAJE - LEY DE CORTE, LEY MEDIA - LEY
DE CORTE Y CANTIDAD DE METAL - LEY DE CORTE

Figura 12. Curvas que permiten evaluar el yacimiento económicamente