Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Geoestadistica Clase 1 A 5
Geoestadistica Clase 1 A 5
ESTADISTICA GEOESTADISTICA
MODELAMIENTO GEOLOGICO
DE BLOQUES
1.5 Kms.
INDICE
• Repetible / auditoria-seguimiento
• Una base de datos puede ser tan grande como se quiera, siempre y cuando, tenga una
estructura lógica y consistente de tablas relacionadas.
• Debe tener vínculos que relacionan items entre sí, de manera que siempre exista una relación
entre el sondaje y los datos que se asocian a él.
• Lo que a Modelamiento geológico se refiere, la base de datos debe contener a los menos 4
grandes grupos de información, que se pueden usar en cualquier tipo de Programa de
Modelamiento tridimensional:
• La base de datos debe tener suficiente flexibilidad para que el geólogo que realice el
registro pueda incluir observaciones sobre variables adicionales.
Naturaleza de los datos geológicos
– Datos Categóricos (multimodales)
– tipo litológico (norita, anortosita, monzonita,…)
Resultado CuT%
Muestra 0.770
7.000
Cut% Duplicados
Duplicado de
6.000
Gruesos - 0.750
rechazos (MDG)
5.000 Linear (Muestra 0.730
Duplicado de
4.000 Gruesos - 0.710
rechazos
3.000 0.690
(MDG))
2.000
0.670
1.000 AC AC AC AC AC AC AC AC AC AC AC AC AC AC AC
-1 - - - - - - - - - - - - - -
08 45A 189 130 130 197 197 23A 221 14 197 197 28 118 26
0.000 A A A A A
0.000 2.000 4.000 6.000 8.000 10.000
Fecha
CuT% Originales
CuT% Low er_± 5% Upper_± 5% Low er_Cert% Upper_Cert%
Conceptos Basicos
• La estimación no es el valor verdadero:
• Los recursos minerales estan basado sobre estimación no son valores reales.
Entonces un buen muestreo, geología y optima estimación hace que este
error sea el minimo posible.
• La realización de un modelo se realiza con un pequeño muestreo:
• Se debe tener en mente que la muestra representa una muy pequeña parte
del cuerpo.
Conceptos Basicos
realidad .............................. Muestras ...........................Estimado
• Incertidumbre: Conceptos básicos
• Ningún modelo numérico reproducirá la realidad sin error. Hay incertidumbre.
• Esta incertidumbre existe debido a nuestra falta de conocimiento debida a un
muestreo no exhaustivo.
• No es una característica inherente al depósito
• Modelo de Blastholes tiene menos incertidumbre que el modelo drillholes.
Conceptos Basicos
• La incertidumbre es dependiente de:
• La densidad de muestreo (sin muestras no hay estimación)
• Homogeneidad geológica (La continuidad de los valores dentro
de cada geología)
Conceptos Basicos
• Regionalización o Fenómeno Regionalizado:
• De la existencia de áreas geológicas de: altas leyes, medianas leyes, bajas
leyes y áreas geológicas sin mineralización. En cada zona o área se tiene un
fenomeno regionalizado (mineralización) diferente (estadística,
geoestadística, etc). Todo esto esta intimamente ligado a los datos geológicos
y se debe tomar en cuenta para la estimación.
Conceptos Basicos
• Regionalización:
Conceptos Basicos
• Homogeneidad Geológica y estadística:
• Debería hacer una relación entre geología y la estadística/geoestadistica.
• Controles Geológicos definen la Mineralización. Entonces la comprensión del
modelo geológico es esencial para la mejor realización de la estimación.
Mine Material Type
Conceptos Basicos
No Min Max
Au (gpt) Statistics
Mean SD CV Capping #Capped
Gold Dom1_Cen Gold Dom2_Cen
Nor
Cen_Dom1
Cen_Dom2
Sur
Conceptos Basicos
• Cambio de Soporte:
• Es la relación entre el tamaño de la muestra inicial (data compositada), y el
tamaño de bloque con sus respectivas varianzas (dispersion). Hay un cambio
en la varizanza cuando se estima un bloque apartir de compositos, esto es
esencial para una correcta estimacion en el tonelaje y la ley.
El concepto de soporte (1)
• testigo de sondaje
• compósito
1
z( v)
| v|
v
z(x) dx
g v (h) g ( v, v h ) g ( v, v)
con:
1
g ( v, v) 2 g(x y ) dx dy
| v| v v
Efecto del soporte en el variograma (3)
Ilustración
Conceptos básicos
• Suavizamiento:
• Métodos de estimación suavizan regresión hacia la media
• En la realidad, valores extremos son los que importan pues tienen un gran
efecto en la respuesta:
• Reservas recuperables
• Cantidad de fino
realidad kriging NN y ID
Conceptos Basicos
• No reagrupar, en el análisis más que variables:
• de la misma NATURALEZA
• del mismo SOPORTE
Que es un modelo?
Modelo de Exploración:
3441000mE
3439000mE
3439400mE
3439800mE
3440000mE
3440800mE
6978200mN
Qtz eye - rich porph.
W of Alumbrera
Post mineral
porphyry dykes
Porphyry dyke -
6978000mN
NE of Alumbrera
Dacite dyke
Northwest Porphyry
dykes
6977200mN
Bajo de la Alumbrera Colorado Norte
Mapa Geologico de Porphyry or P2
Superficie Andesites
ESTRUCTURAS Y CONTACTOS
200 METROS
ALTERACION
Feldespato Destructivo
Propilitica
Potasica
Cuarzo
Margnetita
MODELO GEOLOGICO CONCEPTUAL DE TINTAYA
Aguas Meteoricas
•:
•:
Hm>Crisc
Crisc>hm>mal>azur •: Oxidos
Crisc>hm>ten>cup
Cp •: •: Nivel Freatico
Ten>cup>cc>crisc>hm •:
•: •: •: Mixtos Oxidos - Sulfuros
Cc>cup>hm>cu>cp>py Ganga zona de oxidos y mixtos, gr-px-mt, limonitas, limos
y arcillas (smectita montmorillonita– saponita- montronita)
Cc>cu>cp>py
•:
Cc>cp_patinas •:•: •: •:
•: •:
•:•:Bn Sulfuros Primarios
Cp>bn>py •: •:
•: •: •: Ganga zona sulfuros – gr-mt-px- limonitas
42500 42500
42000 42000
41500 41500
41000
9 10 11 12
• Silice: Si O2
• Goethita: FeO.OH
• Hematita: Fe2O3
Oxide • Otros minerales
• Alunita: KAl3(SO4)2(OH)6
• Jarosita: KFe3(SO4)2(OH)6
• Baritina: BaSO4
Transicional (250–1500 ppm ó 0.025-0.15% CuCN) ej. Traza Calcosita con 0.2 % = 0.16 % Cu y 0.04% SS
(1.5 % - 10% SS) ej. Traza Covelita con 0.2 % = 0.13 % Cu y 0.07% SS
ej. Traza Pirita con 0.2 % = 0.11 % SS y 0.8 % Fe
INFORMACIÓN DE PRUEBAS METALÚRGICAS
ESTADISTICA
(Media, CV, Análisis, correlación)
Promedio o MEDIA
Medidas de Moda
posición Mediana
Percentiles
Estadística
Rango
Medidas de Varianza
variabilidad DESVIACION ESTANDAR
COEF. DE VARIACION
Medidas de Posición
n
Xi
Promedio o Media de la muestra X
i 1 n
Mediana: Valor que deja el 50% de los datos
Con los datos Ordenados:
Número Impar de datos -- el dato central
Número Par de datos -- promedio de los dos
datos centrales.
– Mínimo (P0)
– Máximo (P100)
– Moda (Mo)
– Mediana (M = P50)
P0 P50 P100
0 1 2 3 4 5 6 7 8 9 10
Media = 5
Media = 6
Mediana
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 12 14
Mediana = 5 Mediana = 5
Moda
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 0 1 2 3 4 5 6
Moda = 9 No-Moda
¿Cuándo usar Media, Moda o Mediana?
¿Datos son Si La primera consideración es el tipo de
categóricos? MODA datos, si la variable es categórica, la
Moda es la única medida que mejor
No describe los datos
¿DistribuciónS
Si Si el total de las observaciones no es de
esgada? interés. Entonces, si el histograma es
MEDIANA
sesgado, usar la Mediana como medida
No de la tendencia central.
i
( X X ) 2
Varianza muestral S2 i 1
n 1
Desviación estándar S S 2
s
Coeficiente Variacion
C.V .
x
Geology – Modeling / 1 july 2009
Variancia Muestral
Importante Medida de la Dispersión
(X )
n
2
i
X
Variancia Muestral : s 2 i 1
n 1
Deviación Estándar Muestral
La más Importante Medida de Dispersión
Muestra la Raíz de la Desviación cuadrática
promedio alrededor de la Media
(X )
n
2
i
X
s i 1
n 1
s = 23,35
Comparando Desviaciones Estándar
Datos A Media = 15.5
^
s = 3.338
11 12 13 14 15 16 17 18 19 20 21
Datos B
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 ^
s = .9258
Datos C
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 ^
s = 4.57
Estadísticas Básicas
Yacimiento tipo pórfido cuprífero
CV = 0.7
Yacimiento de cobre de mediana
var. CV = 1.5
Yacimiento de oro de alta
variabilidad CV = 4.5
Varianza y soporte
• Histograma
• La escala de intensidades se divide en N clases.
• Una frecuencia está asociada a cada centro de clase y representada por
un rectángulo proporcional
• Las frecuencias pueden ser absolutas (Nb) o relativas (%)
Histogram m e de M oS2.
Sondage n°647
MoS2 (%) Nb Obs. 24
<0,15 8
0,29 37 20
0,43 31 16
0,57 14
Nb d'obs
12
0,71 4
0,86 1 8
1,00 3 4
1,14 0
0
1,28 1 0 0.2 0.4 0.6 0.8 1 1.2
1,42 1 0.1 0.3 0.5 0.7 0.9 1.1 1.3
M OS2
• Histograma
• La selección del número de clases influye
en la legibilidad Zn(%) Nb
• 15 a 20 clases es comunmente óptimo 3.8 16
9.3 88
14.8 220
20.2 219
25.8 125
31.2 41
36.8 9
(x )2
2 . 2
e
f (x )
. 2.
con :
µ = media
σ = desviación típica
Distribución Normal (Gaussiana)
• La distribución gaussiana es simétrica: g(z)
0.35
0.30
0.25
0.20 95 %
0.15
0.10
Telnes - NORWAY
Sulfur in Norite
270
xG M en
252
234
216
198
180
162
No of obs
144
126
108
90
72
54
36
18
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2
S
Análisis Univariables valores extremos
• Valores extremos: afectan considerablemente las estadísticas básicas
• ¿Qué hacer con ellos?:
• Declarar los valores extremos como erróneos y eliminarlos
• Clasificarlos en poblaciones estadísticas separadas
• Usar estadísticas robustas, que son menos sensibles a los valores extremos: mediana,
coeficiente de correlación de posición
• Transformar los datos para reducir su influencia
• Bajarlos a un máximo “razonable”
• Outliers: Observaciones que parecen no pertenecer a la misma población constituida
por el resto de los datos
• Generan considerables problemas al aplicar regresión, debido a que tienen un efecto
desproporcionado sobre los coeficientes de regresión estimados
• Los datos considerados extremos (outliers) puede eliminarse sólo si se ha
comprobado que están errados. En caso de ser datos verdaderos, proveen
información que puede ser crítica para la respuesta del modelo.
Análisis Univariable
• La distribuciones son útiles para chequear la presencia de
dos poblaciones
CDF PDF
Análisis Estadístico
• Son útiles para chequear la presencia de dos poblaciones
• Debe confirmarse con información geológica
¿Agrupaciones de puntos? Investigar ....
18
16
Observed Value
Histogram
90
14
80
12
70
10 60
No of obs
50
8
40
6
30
4 20
10
2
0
-1,0 0,7 2,3 4,0 5,6 7,3 9,0 10,6 12,3 13,9 15,6
0 Var1
-2
-4 -3 -2 -1 0 1 2 3 4
Theoretical Quantile
Analisis Estadístico Q-q Plot
una muestra
3,44
Qx(pi)
2,99
2,20
ó
X i
1,52
Q(p
Calcular pi = (i – 0,5)/ n i
1,24
0,89
0,50
pi
Graficar Qx(pi) vs. pi 2,500
2,000
Qt(p)
comprobar.
0,942
0,500
0,145
)i
i
Para p, (0 < p < 1) encontrar
-0,243
-0,674
-1,574
-2,500
-0,20 0,00 0,20 0,40 0,60 0,80 1,00 1,20
p
Q-Q plot teórico
Para cada valor pi, graficar Qx(pi) contra Qt(pi)
para i = 1, 2, ..., n,
4,0
3,5
2,5
2,0
1,5
1,0
0,5
0,0
-2,5 -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0
Qt(pi): teótico
Análisis Estadístico Análisis de Contacto
Análisis Estadístico Análisis de Contacto
Fe Ni Cu V
Fe 1.00 .90 .38 .81
Ni .90 1.00 .44 .73
Cu .38 .44 1.00 .52
V .81 .73 .52 1.00
Geology – Modeling / 1 july 2009
Correlación Caso 1 Caso 2
Y Y
de coeficiente de X X
correlación
Caso 3 Caso 4
Y Y
=0 =0
X X
Caso 5 Caso 6
Y Y
= -0,87
= -1
X X
Diagrama Dispersión entre 2 Variables
Y Y
E[Y] E[Y]
Cov + Cov 0
X Y
E[X] E[X]
Y Y
E[Y] E[Y]
Cov - Cov 0
X X
E[X] E[X]
Regla Práctica de Interpretación
Pendiente Correlación Pendiente
Negativa entre X e Y es… Positiva
r
0.00 ‘Ninguna’ 0.00
-0.19 - -0.01 ‘Muy Débil’ 0.01 - 0.19
-0.39 - -0.20 ‘Débil’ 0.20 - 0.39
-0.69 - -0.40 ‘Modesta’ 0.40 – 0.69
-0.89 - -0.70 ‘Fuerte’ 0.70 – 0.89
-0.99 - -0.90 ‘Muy Fuerte’ 0.90 – 0.99
-1.00 ‘Perfecta’ 1.00
CONCEPTOS BASICOS (BD, QAQC, Modelos)
A B
5 7 8 4 2 4 6 8
1 3 9 2 6 1 3 5 7 9
MEDIA = 5
VARIANZA=50/9
HISTOGRAMAS IGUALES
12
12
10 10
8
Variograma
Variograma
6 6
4 4
2 2
0 0
0 1 2 3 4 0 1 2 3 4
Distancia Distancia
Estimador del variograma
g (x, h) E Z (x ) Z (x h)2
1
2
• El estimador del variograma es:
1 N (h )
g (h)
*
z ( x ) z ( x h ) 2
2 N (h) 1
Variograma Experimental-obtención
N (h)
1
Datos Igualmente espaciados: g *( h ) i
2 N (h ) i 1
( z ( x ) z ( xi h )) 2
x1 x2 x3 x4 x5 x6
g * (h )
1
2*5
(z(x ) z(x ))
1 2
2
(z ( x2 ) z (x3 )) (z (x3 ) z (x4 )) (z (x4 ) z (x5 )) ( z (x5 ) z (x6 ))
2 2 2 2
g * (2h )
1
2*4
(z(x ) z(x ))
1 3
2
( z ( x2 ) z (x4 )) ( z (x3 ) z (x5 )) ( z ( x4 ) z ( x6 ))
2 2 2
g * (3h )
1
2*3
(z(x ) z(x ))
1 4
2
( z ( x2 ) z ( x5 )) ( z ( x3 ) z ( x6 ))
2 2
Variograma Experimental-obtención
1
g ( h)
*
2 N (h )
( z ( xi ) z ( x j ))2
xi x j h
Variograma Vertical
Meseta
Efecto pepita
Rango
Distancia
• Meseta = la varianza (1.0 si los datos están estandarizados)
• Alcance = la distancia a la cual el variograma alcanza la meseta (95%)
• Efecto pepita = suma de variabilidad debida a microestructuras geológicas y error de medición
• Cualquier error en la medición del valor o la posición asignada a la medida se traduce en un efecto pepita mas alto.
• Cuando los datos son escasos el efecto pepita aparece más alto de lo esperado
Variograma teórico (7)
• Comportamiento direccional
El estudio de los variogramas direccionales permite identificar las
anisotropías de la variable regionalizada.
Modelos elementales (2)
3 |h| 1 |h |
3
C si | h | a
Modelo esférico: g (h)
2 a 2 a
C en caso contrario
alcance a, meseta C
Modelos elementales (3)
3 | h |
Modelo exponencial: g(h) C 1 exp
a
1.0
24
25
33
29
311
05
35
36
28
71
42
39
31
51
92
45
46
55
0
67
49
44
09
47
93
54
g(h)
35
57
04
65
62
61
14
73
72
35
58
50
22
03
95
76
71
0
73
80
80
6
40
51
49
79
70
84
88
38
98
94
34
14
14
37
49
60
84
92
50
18
87
0.5
22
38
*
Sample variogram points with less than
350 pairs have not been plotted.
0
0 62.5 125.0 187.5 250.0
Lag distance (h)
Cálculo de variogramas experimentales
• 2-D o 3-D, regular o irregularmente espaciado
• Especificación de Dirección (regular):
Bandwidth
Azimuth
Azimuth
tolerance
X axis (East)
Cálculo de variogramas experimentales
Ejemplo: Comienzo con una separación (#4)
1
2g ( h) [ z ( u) z ( u h)]2
N ( h) N ( h )
Comenzar en un nodo y comparar su valor
con todos los nodos que caigan dentro del la
tolerancia de separación y tolerancia
angular.
...
Cálculo de variogramas experimentales
1
2g ( h) [ z ( u) z ( u h)]2
N ( h) N ( h )
Ir al siguiente nodo.
...
Variograma Experimental-distancia & dirección
clase de distancia h
clase de distancia 2h
clase de distancia 3h
Variograma Experimental-obtención
Variograma Experimental-tolerancia angular
Tolerancia angular
Conclusion Primera Parte
• Ley espacial
• Esperanza matemática (Probabilidades) o momento
de primer orden
E (Z (x0 ) ) m(x0 )
• Correlograma
C (x1 , x 2 )
(x1 , x 2 )
2 (x1 ) 2 (x 2 )