Geoestadistica UPN-

2017 Cajamarca
2. RESUMEN

En la actualidad, los modelos geológicos son generalmente construidos de modo

determinístico, imposibilitando la cuantificación de la incertidumbre asociada. Si bien en la
minería se le da mayor enfoque a variables continuas como las leyes minerales, un estudio
previo de variables categóricas provee subdivisiones con mayor homogeneidad geológica y
estadística. Además se es capaz de agregar información importante sobre procesos mineros
posteriores. El kriging de indicadores con proporciones localmente variables posee una
limitante teórica que se pretende mejorar con este estudio. Este método utiliza sólo un
variograma global para cada indicador.

Dada la influencia que se tiene de las medias de los indicadores sobre su varianza, la meseta
del variograma varía con esta media, lo que no se está considerando. Se propone un método
que sí considere estas variaciones, utilizando una variable indicador transformada, más
Específica mente, a la variable indicador se le resta su media variable para centrar en cero, y
además se estandariza para eliminar el efecto del cambio de varianza. El análisis se lleva a cabo
a través de dos casos de estudio. El primer estudio consta de la estimación por kriging de
indicadores tradicional y con la mejora propuesta, sobre una base de datos sintética con un
indicador. A este caso también se le realiza un análisis de sensibilidad para revisar los
resultados. El segundo caso de estudio consta de la simulación secuencial de indicadores sobre
una base de datos real de una veta, contando con información de un muestreo por canales. Se
comparan ambas metodologías y se validan los modelos a través de jack-knife.De las
estimaciones resultantes del primer caso, se hace un estudio de los errores promedio y
varianza del kriging promedio. Los resultados para ambas metodologías son similares, a
excepción de la varianza del kriging, la cual para el método propuesto presenta menores
valores y una alta influencia de la media del indicador.

Este resultado se mantiene a pesar de disminuir los datos muestreados y cambiar el

variograma de los datos sintéticos. Las simulaciones del caso de estudio real, en ambas
metodologías, resultaron similares. De acuerdo a un análisis de errores cuadráticos, se
simularon más bloques con menor error para la metodología propuesta que en la tradicional.
Mediante un jack-knife se validan los modelos y se comparan sus porcentajes de aciertos.
Ambas metodologías poseen porcentajes de aciertos iguales, incluso con distintos modelos
variográficos.

En conclusión, si bien el método propuesto muestra mejoras respecto al método tradicional,

estas no son lo suficientemente significativas como para declararlo mejor método. Ambas
metodologías presentan resultados de alto porcentaje de acierto, pero entre sí son muy
similares. A pesar de esto, el nuevo método presenta las ventajas detener mayor respaldo
teórico, menores tiempos de simulación y una mejor cuantificación de los errores de
estimación a través de la varianza del kriging.

Geoestadistica UPN-
2017 Cajamarca
3. AGRADECIMIENTO

Quiero agradecer a mi familia por todo el apoyo, ánimo, enseñanzas y amor entregados en
estos 22 años. Gracias por dejarme ser, por no cuestionarme mis locuras y por siempre estar
ahí. A mis tatas por siempre inculcarme el estudiar y el esforzarme por ser profesional, a
mi mamá por facilitarme la vida para enfocarme en los estudios, por tu alegría y cariño,
a mi hermana por motivarme a sacar la carrera, y a mi angelito Manuel que espero nos siga
cuidando siempre.

Geoestadistica UPN-
2017 Cajamarca
 TABLA DE CONTENIDO
2. RESUMEN……………………………………………………………………………………………………………….....
3. AGRADECIMIENTO……………………………………………………………………………………………………..
4. INTRODUCCIÓN………………………………………………………………………………………………………….
5. OBJETIVOS………………………………………………………………………………………………………………….
5.1. OBJETIVO GENERAL…………………………………………………………………………………………………
5.1. OBJETIVO ESPECÍFICO………………………………………………………………………………………........
6. ALCANCES…………………………………………………………………………………………………………………..
7. SIMULACIÓN………………………………………………………………………………………………………………
8. CREACIÓN BASE DE DATOS………………………………………………………………………………………..
9. HISTOGRAMA…………………………………………………………………………………………………………….
9.1. Análisis variográfico…………………………………………………………………………………………………………………………..

9.1.2kriging en la grilla …………………………………………………………………………………………………………………………….

10. ANÁLISIS DE RESULTADOS ……………………………………………………………………………………….

11. ESTIMADORES DEL SEMIVARIOGRAMA…………………………………………………………………….
12. MODELOS TRANSITIVOS O ACOTADOS……………………………………………………………………..
12.1. Modelo
esférico………………………………………………………………………………………………………………………………..

13. VARIOGRAMA EXPERIMENTAL DIRECCIONAL……………………………………………………………

14. CONCLUSIONES………………………………………………………………………………………………………..
15. BIBLIOGRAFIA………………………………………………………………………………………………………….

Geoestadistica UPN-
2017 Cajamarca
4. INTRODUCCIÓN
La geoestadística es una disciplina dedicada al estudio de fenómenos regionalizados,
esto es, fenómenos que se extienden en el espacio presentando cierto nivel de continuidad.
Esta provee un conjunto de herramientas estadísticas para incorporar características
espaciales al procesamiento de datos. Su aplicación se extiende a través de distintos
campos de estudio como minería, ciencias de la tierra, hidrogeología, entre otros.
Enfocándose en el aporte de la geoestadística en minería, la estimación de recursos, al llevarse
a cabo en las etapas tempranas de ingeniería del proyecto, es clave para cuantificar y
modelar las distintas variables de interés presentes. Ayuda a estudiar e interpretar
variables regionalizadas, tales como leyes minerales, densidad, litologías, alteraciones,
recuperación metalúrgica. El principal propósito es generar modelos, pese a la incertidumbre
presente, a través de técnicas de estimación o simulación, reproduciendo la realidad con el
mínimo error posible y/o cuantificando la incertidumbre asociada, siendo estos modelos
descriptivos más que interpretativos .Las variables regionalizadas describen matemáticamente
los fenómenos regionalizados, y miden propiedades o atributos relacionados al fenómeno. La
geoestadística se enfoca en ellas basándose en el concepto de función aleatoria. Dentro de
los tipos de funciones aleatorias, es posible encontrar variables continuas (como
concentraciones de elementos, permeabilidad), y variables categóricas, las que permiten
codificar un conjunto de dominios que dividen el espacio, siendo estas últimas de
particular interés en el trabajo a desarrollar. Pese a que en la minería el principal enfoque se
da a variables continuas como las leyes minerales presentes en un yacimiento con potencial de
extracción, el estudio de variables categóricas como tipo de roca también es fundamental
en la evaluación de un proyecto, pues permite generar mejores modelos de leyes por
mayor control geológico y agrega información sobre procesos posteriores a los que será
sometido el mineral (desde estimaciones de chancado a través de la dureza, hasta
evaluar reactivos a utilizar y su consumo). Vale destacar que también se cree
importante el modelar variables categóricas previo a las variables continuas, para contar
con subdivisiones más geológica y estadísticamente homogéneas .

Actualmente, los modelos geológicos son generalmente construidos a través del

conocimiento geológico de especialistas, de forma determinística, imposibilitando la
cuantificación de la incertidumbre asociada. Otros enfoques posibles se dan a través de
modelos de incertidumbre, que buscan caracterizar los valores no muestreados por
distribuciones de probabilidad, condicionadas a los datos disponibles. Los enfoques más
comunes utilizando los modelos de incertidumbre, son el modelo multigaussiano y los
métodos de indicadores.

Si bien el kriging multigaussiano es sencillo y cómodo de usar, también presenta varios

inconvenientes por su rigidez en cuanto a las distribuciones en que es aplicable.

Este trabajo se orienta hacia la estimación y simulación de variables categóricas a

través del método de indicadores con proporciones localmente variables, proponiendo

Geoestadistica UPN-
2017 Cajamarca
una mejora al procedimiento actualmente en uso. Este método codifica la variable
categórica en variables binarias (indicadores), cuyas medias representan las proporciones de
las diferentes categorías.2El enfoque actual utiliza kriging simple, con media
localmente variable y mantiene un variograma global.

5. OBJETIVOS
5.1. Objetivo General

 El objetivo general de este trabajo comprende el proceso de implementación de

estimación y simulación de variables categóricas, al variar en el espacio las
proporciones de las categorías. Esto se realizará mediante el desarrollo de una nueva
propuesta al método clásico de kriging de indicadores con proporciones variables.

5.2. Objetivos Específicos

 Se espera cuantificar la incertidumbre en la extensión espacial de unidades geológicas

a través de propuesta de variante al kriging y simulación secuencial de indicadores
con medias localmente variables.
 También, aplicando la metodología convencional y la mejora propuesta, se pretende
comparar los resultados obtenidos y determinar si ésta implica una mejora efectiva y
significativa.

Geoestadistica UPN-
2017 Cajamarca
6. Alcances
Se espera aplicar tanto la metodología clásica como la versión propuesta de estimación
y simulación de variables categóricas con proporciones que varían en el espacio, sobre
bases de datos reales (datos mineros con información sobre variables categóricas, y bases
de datos sintéticas. Se restringe el estudio al uso de base de datos con dos tipos de roca, es
decir, con sólo un indicador. La metodología a seguir depende del tipo de base de datos en la
que se trabaja. En el caso de la base de datos real, a partir de un modelo geológico.
También se desea estudiarla sensibilidad al método respecto a la cantidad y posición de datos
y los variogramas de indicadores.

7. Simulación
Una simulación es un modelo numérico que intenta reproducir las características de una
variable en estudio, a través de la construcción de una variable regionalizada ficticia. Para
poder utilizar la simulación se requiere definir un modelo adecuado de función aleatoria. Dado
que es imposible conocer a cabalidad un fenómeno en la realidad, se recurre a las
herramientas de simulación, pues ofrece la ventaja de que las distintas realizaciones de la
función aleatoria presentan la misma estructura que la variable regionalizada real, en
particular la misma variabilidad espacial, a diferencia del kriging, que a causa del
suavizamiento causa que las estimaciones no tengan las mismas propiedades que los valores
reales.

Geoestadistica UPN-
2017 Cajamarca
8. Creación base de datos
Una base de datos sintética es tal que los valores y ubicaciones de los puntos son
creados dependiendo de los requerimientos necesarios, a través de diversos algoritmos.
En este caso, la base de datos sintética se crea a través de simulación por bandas rotantes,
adición de una media variable conocida y posterior truncación para obtener un indicador.

Geoestadistica UPN-
2017 Cajamarca
proyecto t3 geoestadistica upn 2017-1
alumno: llanos chunque Ronald
codigo: 708924
eje x
eje y
eje z
%ley mineral
LEY DE Fe
LEY DE Sn
LEY DE Ag
LEY DE Mo
PROFUNDIDAD eje x y z
2800 790 320 3,24 0,06 0,6 0,27 8 maximo 12100 13900 893
3250 10600 245 3,29 0,67 0,75 0,35 7,12 minimo 2568 790 245
8325 6500 459 4,33 0,72 0,85 0,43 6,33 rango 9532 13110 648
11700 2100 348 3,32 0,69 0,81 0,37 8,11
12000 13500 548 3,62 0,68 0,68 0,34 7,3
4300 4000 625 281 0,85 0,62 0,16 7
12100 6700 734 375 0,69 0,8 0,35 6,25 tamaño de bolque 200
4000 7000 285 3 0,8 0,76 0,28 9,01
6500 13900 893 3,27 0,77 0,88 0,39 8,12 considerado 80 80 10
7600 2500 600 2,92 0,87 0,83 0,44 9,11 separacion 1000
8900 13700 589 3,15 0,7 0,95 0,5 5,67 distancia 16000
6256 10500 600 3,3 0,69 0,94 0,43 5,55 tolerancia 500
10500 9600 589 3,23 0,71 0,75 0,36 6,39
5200 13100 384 3,19 0,74 0,82 0,35 5,78
10100 4050 548 3,07 0,69 0,7 0,27 7,45
5100 1100 680 3,12 0,79 0,77 0,3 8
6300 5000 734 3,24 0,65 0,98 0,47 6,9
9050 10500 432 2,96 0,69 0,84 0,36 7,55
2950 11100 734 2,83 0,65 0,77 0,35 6,9
2568 6254 567 2,85 0,84 0,89 0,3 8,35
5763 7265 632 2,81 0,79 0,75 0,25 7,5

A continuación se realiza una simulación del krigeado que recibe el nombre de efecto pepita,
con media cero y variograma conocido, a través del programa s-gems.

. Esta rutina de krigeado, permite simular valores de acuerdo a parámetros de la grilla

deseada y la relación espacial de los datos a través del variograma. También incluye
parámetros de la simulación a través de bandas rotantes como el número de
bandas, número de realizaciones y semilla. Los valores utilizados para la generación de
efecto pepita, con media cero son:

Geoestadistica UPN-
2017 Cajamarca
  Grilla regular de 1000x1000 nodos, con datos puntuales a distancia 500.
 Variograma spherical, pepa 0 y meseta 1.
 Simulación por bandas rotantes con mil bandas y cien realizaciones.
 En este caso analizamos el Fe.

9. HISTOGRAMA

Geoestadistica UPN-
2017 Cajamarca
 Geoestadistica UPN-
2017 Cajamarca
Efecto pepita hierro

9.1. ANÁLISIS VARIOGRÁFICO

Un análisis variográfico busca describir y modelar la continuidad espacial de una variable

con el objetivo de poder descubrir presencias de anisotropías, si existen zonas de
continuidad espaciales preferenciales este se verán reflejadas en el mapa, esto un estudio a
priori pues las anisotropías se deben comprobar dentro de los variogramas, pero es del
análisis variográfico donde se encuentran pistas . Para realizar este análisis se realizó un mapa
variográfico para cada una de las leyes, donde se visualiza el variograma en todas las
direcciones del espacio.

9.1.2KRIGING EN LA GRILLA
La interpolación por Kriging se realiza en ISATIS. Los modelos para el Kriging pueden ser
adoptados con un soporte puntual o un soporte de bloques. Para mejor zonación, se
determinó utilizar modelo de bloques. Las mallas empleadas son de 80mx80mx10m.
Este método, se utilizara para las cuatro variables de la muestra (Fe, Sn, Ag, So).

Geoestadistica UPN-
2017 Cajamarca
HIERRO

 Hierro Kriging en la grilla

Mapa variográfico Fe, Kriging en la grilla

Geoestadistica UPN-
2017 Cajamarca
 Geoestadistica UPN-
2017 Cajamarca
 Mapa variográfico Fe, Kriging en la grilla
Base kriging de hierro, Vista X0Y y X0Z para estimación de leyes y desviación stdar.

10. ANÁLISIS DE RESULTADOS

Con el objetivo de validar el kriging es fundamental realizar ciertos análisis, como que
la variable siga comportándose de acuerdo a su distribución, que la media siga siendo la
misma y el comportamiento por dirección sea el mismo. Se sabe que el kriging subestima
las altas leyes y sobre estima las bajas leyes, por lo tanto veremos que en las zonas de alta
concentración, que no son muchas, existirá una atenuación y en las zonas de baja ley
aumentarán un poco, sin embargo la media debería ser bastante similar.

HIERRO:
Analizando primero las estadísticas básicas se observa que la media es bastante similar, 36.71
contra 32.17, el número de muestras obviamente aumenta pues en el segundo caso se estima
para toda la malla. Efectivamente el máximo es menor bajando de 855 a 841 [gr/t] , y en
ambos casos el comportamiento se mantiene pues ambas curvas son de la misma forma en el
QQPlot.

Geoestadistica UPN-
2017 Cajamarca
11. ESTIMADORES DEL SEMIVARIOGRAMA.
La forma de estimación más común del semivariograma viene dada por:
N ( h)
1
Υ ( h )= + ∑ ¿ ¿Zi+h)-Z (xi)]2
2 N (h) i=1

Donde

N (h) es el número de pares Z(xi)y Z(xi+h) separados a una distancia h=lhl

Debido a que Υ ( h ) es esencialmente una media maestral, tiene todas las desventajas
comúnmente asociadas a este tipo de estimador como es la no robustez.

Sus características son las siguientes:

- Es un estimador no paramétrico.

- Es óptimo cuando se dispone de una malla regular de muestreo que sea representativa y la
distribución sea normal. En estas condiciones el sesgo es el mínimo posible.

En la práctica a menudo el empleo de este estimador produce variogramas

experimentales erráticos, lo cuál se debe a desviaciones del caso ideal para la
aplicación del mismo.

12. MODELOS TRANSITIVOS O ACOTADOS

Este grupo de modelos se deriva a partir de la noción de autocorrelación entre los
valores promedios dentro de los bloques. La idea es que la función aleatoria, de la cual la
propiedad medida es una realización, depende del grado de solapamiento de los dos
bloques, es decir, una zona de transición.

12.1. Modelo Esférico

Por analogía podemos derivar este modelo considerando el solapamiento de los

volúmenes de dos esferas de diámetro a y h la distancia que separa sus centros. El
volumen de intersección es:

π 2 a3 2 h3
V= −a h+ para h ≤ a
4 3 3
Dividiendo por el volumen de la esfera (πa 3/6) se obtiene la función de
autocorrelación
3
3h 1 h
p ( h )=1− +
2a 2 a ()
3
s h h

{ }
{
2 (
3 )
a (
s
−)a Para 0≤h≤a

Geoestadistica UPN-
2017 Cajamarca
 h≥a
Gradiente es=3s/2(a)

13. VARIOGRAMA EXPERIMENTAL DIRECCIONAL

A continuación se presentan los variogramas experimentales direccionales, que se realizan con
el fin descartar o asegurar anisotropías, en el caso de existir estás se verán claras en el
variograma y así aseguramos la existencia, en caso contrario descartamos y solamente
utilizaremos el variograma omnidireccional.

 HIERRO

Geoestadistica UPN-
2017 Cajamarca
 Imagen Variograma experimental direccional de hierro efecto pepita (0)

Geoestadistica UPN-
2017 Cajamarca
 Geoestadistica UPN-
2017 Cajamarca
 Geoestadistica UPN-
2017 Cajamarca
.
14. CONCLUSIONES
El kriging de indicadores con proporciones local mente variables, es una
herramienta útil para estimar y posteriormente simular variables categóricas.
Permite agregar mayor información a través del uso de una media variable para el o
los indicadores de interés.
Con este trabajo se está agregando un detalle teórico que se creía
importante probar. Teóricamente hablando, el método propuesto de kriging de
indicadores tiene mayor respaldo que el método tradicional, por la incorporación de la
media variable dentro del variograma.
Ambas metodologías requieren el conocimiento de una media variable en las
ubicaciones a estimar o simular, lo cual es en general una desventaja en algunos casos
en que no se cuenta con esa información y se debe recurrir a otros métodos de
estimación o simulación.
Puede parecer una desventaja adicional para el método propuesto, el tener que
calcular una variable extra (indicador centrado y estandarizado) para simular o
estimar. Pero para realizar un kriging simple de media cero con el método tradicional,
ya es necesario restar la media local a la variable indicador, por lo que agregar a
esto una división para estandarizar la variable no se traduce en un aumento
significativo de recursos o tiempo.

Geoestadistica UPN-
2017 Cajamarca
15.BIBLIOGRAFÍA
[1]J. P. Chilès and P. Delfiner, Geostatistics: Modeling Spatial Uncertainty. New York:
Wiley, 1999.
[2]C. V. Deutsch, A sequential indicator simulation program for categorical
variables with point and block data: BlockSIS, Computers & Geosciences, vol. 32, no.
10, pp. 1669-1681, 2006.
[3]O. Bertoli and J. Vann, Some Comments on Multiple Indicator Kriging (MIK) for
Mining Industry Applications, 2002.
[4]J. Li and A. D. Heap, A Review of Spatial Interpolation Methods for
Environmental Scientists, 2008.
[5]P. Goovaerts, Geostatistics for natural resources evaluation. New York: Oxford
University Press, 1997.
[6]A. G. Journel and C. J. Huijbregts, Mining geostatistics. London: Academic Press,
1978.
[7]X. Emery, Fundamentos de Geoestadística. Departamento de Ingeniería de Minas,
Facultad de Ciencias Físicas y Matemáticas, Universidad de Chile, 2011.
[8]X. Emery, Simulación no Paramétrica. Departamento de Ingeniería de Minas,
Facultad de Ciencias Físicas y Matemáticas, Universidad de Chile, 2013.
[9]C. V. Deutsch and A. G. Journel, GSLIB: Geostatistical software library and
user's guide. New York: Oxford University Press, 1992.
[10]X Emery, Simulación Estocástica y Geoestadística No Lineal. Departamento de
Ingeniería de Minas, Facultad de Ciencias Físicas y Matemáticas, Universidad de Chile,
2012.
[11]X. Emery and C. Lantuéjoul, TBSIM: A computer program for conditional
simulation of three-dimensional gaussian random fields via the turning bands
method.,Computers & Geosciences, vol. 32, no. 10, pp. 1615-1628, 2006.
[12]X. Emery, Cokriging random fields with means related by known linear
combinations, Computers & Geosciences, vol. 38, no. 1, pp. 136-144, 2012.

Geoestadistica UPN-
2017 Cajamarca