02 Recursos Recuperables

Evaluación de recursos
recuperables
Motivación
Las técnicas de kriging permiten evaluar la cantidad y ubicación de

recursos minerales en un yacimiento:
→ modelamiento de unidades geológicas

→ validación de datos (sondajes, datos de producción…)
→ análisis exploratorio y variográfico
→ estimación local de leyes por kriging o cokriging
Motivación
Sin embargo, el kriging tiene varias limitaciones. Una de ellas es el efecto

de suavizamiento, que provoca que las leyes estimadas no reflejan la
variabilidad de las leyes verdaderas. Esta variabilidad, junto con nuestro
conocimiento parcial del yacimiento, es responsable de la ‘incertidumbre
geológica’.
Motivación
Para evaluar el valor de un yacimiento y para la planificación minera, puede

ser necesario estimar las leyes en relación a una ley de corte: ¿es la ley
verdadera mayor (mineral) o menor (estéril) que la ley de corte? La respuesta
a esta pregunta determina los recursos recuperables.
→ Debido al efecto de suavizamiento, el modelo de bloques obtenido por

kriging puede entregar una estimación sesgada de estos recursos
recuperables.
Motivación
Ejemplo 1: histogramas de leyes verdaderas y estimadas (gris oscuro = estéril;

gris claro = mineral)
Motivación
Ejemplo 2: curvas tonelaje-ley para estimar los recursos recuperables sobre una
ley de corte
Motivación
→ Una solución es construir un conjunto de simulaciones de las leyes, de

manera de calcular los recursos recuperables en cada una de ellas, sin sesgo.
Motivación
→ Dado que la simulación es exigente (en hipótesis y en recursos

computacionales), es de interés desarrollar soluciones analíticas al
problema de la estimación de recursos recuperables. Éstas son las técnicas
de geoestadística no lineal.
Curvas de selectividad
Densidad y función de distribución
La distribución marginal de la ley de un elemento de interés, asociada a una

función aleatoria estacionaria Z(x), se puede representar por:
• una función de distribución F(z)
• una densidad de probabilidad f(z)
Densidad y función de distribución
Experimentalmente, la densidad de probabilidad se puede estimar mediante el

histograma de las leyes.
Histograma estándar Histograma desagrupado

Funciones de transferencia
o de recuperación
El tonelaje asociado a un umbral o ley de corte z se define como
+
T ( z ) = E[1Z  z ] =  f (u ) du = 1 − F ( z )
z
En particular, se tiene T(z)  [0,1].
T(z) representa la fracción de tonelaje total o fracción de mineral recuperable

sobre la ley de corte z.
o de recuperación
La cantidad de metal y la ley media sobre la ley de corte z se definen como
+
Q( z ) = E[ Z 1Z  z ] =  u f (u ) du
z
Q( z )
m( z ) = = E[ Z | Z  z ]
T ( z)
En particular, dado que Z es una variable positiva, se tiene Q(0) = m(0) = m

(media global).
o de recuperación
El beneficio convencional sobre la ley de corte z se define como
B( z ) = Q( z ) − z T ( z ) = E[(Z − z )1Z  z ]
Esta expresión tiene el significado de un beneficio, puesto que es la diferencia

entre la cantidad de metal Q(z) que se recupera y la cantidad mínima z T(z) que
uno está seguro de recuperar sobre la ley de corte z.
Las siguientes curvas se conocen como curvas de selectividad:
• el tonelaje T como función decreciente de la ley de corte z

• la cantidad de metal Q como función decreciente de la ley de corte z
• la cantidad de metal Q como función creciente del tonelaje T
• la ley media m como función creciente de la ley de corte z
• la ley media m como función decreciente del tonelaje T
• el beneficio convencional B como función decreciente de la ley de corte z
• etc.
Ejemplo 1: tonelaje vs. ley de corte
El tonelaje es una función decreciente de la ley de corte; es igual a 1 para una

ley de corte nula y a 0 para una ley de corte infinitamente alta. La curva tonelaje-
ley no es otra cosa que la función de distribución complementaria y, por lo tanto,
caracteriza completamente la distribución de la ley.
z  R, T ( z ) = 1 − F ( z )
Ejemplo 2: metal vs. ley de corte
Esta curva también es una función decreciente de la ley de corte: la cantidad de

metal es igual a la media global cuando la ley de corte es nula, y tiende a 0
cuando la ley de corte se vuelve infinitamente grande.
Para una ley de corte z dada, la cantidad de metal Q(z) representa el área del
dominio delimitado por la curva tonelaje-ley y la línea recta de ordenada T(z):
+
Q( z ) =  u f (u ) du
z
+
= z T ( z) +  T (u ) du
z
+
= min {T ( z ),T (u )}du
0
Ejemplo 3: metal vs. tonelaje
En lugar de parametrizar la cantidad de metal como función de la ley de corte, es

interesante parametrizarla en función del tonelaje:
+
T [0,1], Q(T ) =  min{T , T (u )}du
0
La curva Q(T) tiene los siguientes valores extremos: Q(0) = 0 y Q(1) = E(Z) = m.
Es una curva creciente y cóncava. Los puntos de la curva cercanos al origen
representan las leyes altas (bajo tonelaje), mientras que los puntos lejanos al
origen representan las leyes bajas (alto tonelaje).
La recta que pasa por el punto

(T0,Q0) y por el origen tiene una
pendiente igual a m0 = Q0/T0 (ley
media sobre la ley de corte z0).
La tangente a Q(T) en el punto
(T0,Q0) tiene como ecuación:
Q(T ) = Q0 + z0 (T − T0 ) = B0 + z0 T
La pendiente de esta tangente es

igual a la ley de corte z0, mientras
que el intercepto es el beneficio
convencional B0 = B(z0).
Ejemplo 4: beneficio convencional vs. ley de corte
La función B(z) es decreciente

y convexa; sus valores extremos
son B(0) = m y B(+) = 0.
La tangente a la curva en (z0,B0)

intersecta el eje de ordenadas en
Q0 = Q(z0) y el eje de abscisas
en m0 = Q(z0)/T(z0); su
pendiente es -T(z0).
Cambio de soporte
La distribución de una ley depende del soporte en el cual se mide dicha ley:
este efecto de soporte debe tomarse en cuenta al momento de estimar los
recursos recuperables, dado que los datos de muestreo están definidos en un
soporte (casi) puntual, mientras que interesa calcular los recursos en un
soporte más voluminoso (bloques).
testigo de
sondaje unidad selectiva
polígono de extracción
minera (USM)
Cambio de soporte
Consideremos la ley de un bloque v, definida como
1
Z (v ) =
|v| v
Z (x) dx
donde |v| representa el volumen del bloque v
Para que el cambio de soporte tenga sentido, es necesario que la ley sea una
variable aditiva.
Cambio de soporte
Interesa caracterizar la distribución de la ley de bloque Z(v), para, por

ejemplo, estimar la probabilidad de que sea mayor que una ley de corte dada.
El cambio de soporte tiene impacto en la distribución de ley y es responsable

de una “dilución” o pérdida de “selectividad” (capacidad de separar el mineral
del estéril) en la operación minera.
Cambio de soporte
Ejemplo: impacto del soporte en las funciones de recuperación

Cambio de soporte
Soporte pequeño: tonelaje, ley media y cantidad de metal sobre ley de corte z = 1.
T(1) = 8 / 16 = 0.5
m(1) = (1.68+1.45+2.07+1.02+2.03+1.03+1.19+1.01) / 8 = 1.435
Q(1) = 0.5 × 1.435 = 0.7175
Cambio de soporte
Soporte grande: tonelaje, ley media y cantidad de metal sobre ley de corte z = 1.
T(1) = 2 / 4 = 0.5
Para el mismo tonelaje que en el caso del
m(1) = (1.50+1.06) / 2 = 1.28 soporte pequeño, se recupera una menor
cantidad de metal y una menor ley media.
Q(1) = 0.5 × 1.28 = 0.64
Relaciones entre distribuciones
de soportes distintos
Observemos la distribución de ley en tres soportes distintos
La distribución de ley de bloque tiene
• la misma media que la distribución de ley de soporte puntual
• una varianza menor
• una forma diferente (más simétrica).

Para un tonelaje dado, la cantidad de metal decrece cuando el soporte

aumenta. Esto implica una jerarquía entre las curvas Q(T) asociadas a
soportes diferentes.
Además, para una ley de corte dada, el beneficio convencional decrece

cuando el soporte aumenta. Esto implica una jerarquía entre las curvas
B(z) asociadas a soportes diferentes.
Dado lo anterior, para modelar un cambio de soporte, no basta con

preservar la ley media y reducir la varianza: la distribución de ley de
bloque debe ser menos selectiva que la distribución de soporte puntual,
es decir, debe reproducir las jerarquías anteriores.
La menor selectividad puede ser explicada por la relación de Cartier,

según la cual la ley esperada de una muestra tomada al azar en un bloque
de ley conocida, es igual a la ley del bloque:
E{Z(x) | Z(v)} = Z(v)
donde x es un punto uniformemente distribuido en el bloque v.

Efecto de información
Las curvas de selectividad representan los recursos recuperables (tonelaje,

metal, etc.) en un yacimiento mineral. Estos recursos dependen de varios
factores:
• el efecto de soporte: mientras mayor el soporte, menor la selectividad
• el efecto de información: algunos bloques de mineral se subestiman y

envían equivocadamente a botadero; algunos bloques de estéril se
sobrestiman y envían equivocadamente a proceso
• las restricciones geométricas: algunos bloques de alta ley podrían no

ser extraídos si el costo para alcanzarlos es demasiado alto.
La decisión de enviar un bloque a botadero o a proceso se basa en una ley

estimada Z*(v) del bloque, en lugar de la ley verdadera (desconocida) Z(v).
Se definen las funciones de recuperación “indirectas” o “efectivas”:
• Tonelaje: Teff ( z ) = E [1Z * ( v )  z ]
• Cantidad de metal: Qeff ( z ) = E [ Z (v)1Z * ( v )  z ]
• Ley media: meff ( z ) = Qeff ( z ) / Teff ( z )
• Beneficio convencional: Beff ( z ) = Qeff ( z ) − z Teff ( z )
Estas cantidades representan los recursos que realmente se recuperan cuando

se considera una ley de corte z y se toma la decisión de procesar, o no
procesar, cada bloque en base a su ley estimada.
Con respecto al efecto de soporte, el efecto de información provoca una

pérdida adicional de selectividad:
Qeff (T )  Qv (T )  Q(T )
meff (T )  mv (T )  m(T )
Beff ( z )  Bv ( z )  B( z )
Los recursos recuperables sobre la fracción T de bloques con las mayores

leyes estimadas son menores que los recursos recuperables sobre la fracción
T de bloques con las mayores leyes verdaderas. En otras palabras, los
resultados económicos solo pueden empeorar con respecto al caso ideal de
una selección de bloques hecha sobre las leyes verdaderas.
Ilustración: efecto de información producido al estimar la ley de cada

bloque por la ley promedio de los pozos de tronadura ubicados dentro del
bloque
Un resultado interesante es el siguiente: si el método usado para estimar las

leyes de bloques no tiene sesgo condicional, entonces las curvas de
selectividad calculadas sobre las leyes estimadas son idénticas a las curvas de
selectividad efectivas (incluyendo efectos de soporte e información):
Q* (T ) = E [ Z * (v)1Z * ( v )  z ]  Qeff (T )
m* (T ) = Q* (T ) / T  meff (T )
B* ( z ) = Q* ( z ) − z T* ( z )  Beff ( z )
En general, el kriging tiene poco o nulo sesgo condicional, a diferencia de

otros estimadores como el inverso de la distancia.
→ El modelo de bloques usado para control de leyes en el corto plazo

puede estimar sin sesgo los recursos recuperables.
Estimación global de los
recursos recuperables
Modelos de cambio
de soporte
Los recursos globales asociados a un soporte de bloque v pueden ser
calculados a partir de la distribución de la ley de bloque Z(v). En la
práctica, esta distribución es estimada a partir de la distribución de leyes
de soporte puntual conocida gracias a los datos de muestreo.
Las etapas son:
1) estimar la ley media
2) estimar la varianza de la ley de bloque
3) estimar la forma de la distribución de ley de bloque
Modelos de cambio
de soporte
Etapa 1: estimación de la ley media
Esta media no depende del soporte, por lo que se puede estimar por la
media de los datos de soporte puntual:
n
m =  wa z (x a )
*
a =1
con un conjunto de ponderadores {wa: a = 1... n} positivos que suman 1,

por ejemplo, determinados por el método de las celdas (desagrupamiento).
Modelos de cambio
de soporte
Etapa 2: estimación de la varianza de la ley de bloque
Se puede proceder como sigue:

→ modelar el variograma g de la ley de soporte puntual (x)
→ calcular la varianza de la ley de bloque (soporte v) como
v2 = 2x − g(v, v)
con
1
| v |2 v v g(x − y) dx dy
g ( v, v ) =
Modelos de cambio
de soporte
Etapa 3: estimación de la forma de la distribución de ley de bloque
El punto de partida es la distribución de soporte puntual. Se le aplica una

transformación para modelar el cambio de soporte:
→ corrección afín
→ corrección lognormal directa
→ corrección lognormal indirecta
→ modelo Gaussiano discreto
→ otros modelos
Corrección afín
Distribución de [z(x) – m] / x = Distribución de [z(v) – m] / v
Este modelo mantiene la forma de la distribución al cambiar de soporte.

Corrección afín
En el modelo de corrección afín, las cantidades de metal (de soportes

puntual y de bloques) asociadas a un mismo tonelaje T se relacionan como
sigue:
v   
Qv (T ) = Q(T ) + 1 − v  mT
x  x 
En consecuencia, la distribución de ley de bloque es menos selectiva que la

distribución de soporte puntual, lo que es coherente con el efecto de soporte:
 T  [0,1], Qv(T)  Q(T)

Corrección afín
Corrección afín y curva metal-tonelaje

Corrección afín
Pros
• modelo sencillo
• la selectividad decrece cuando el soporte aumenta
Contras
• la distribución no se simetriza cuando el soporte aumenta
• no es adecuada para un soporte muy grande
• no es adecuada para distribuciones con un “efecto cero”
Corrección lognormal directa
Distribución de ley puntual = lognormal de media m y varianza x2

Distribución de ley de bloque = lognormal de media m y varianza v2
La transformación matemática es
Distribución de z(v) = Distribución de a [z(x)]b
con b = [ln(1 + v2 / m2) / ln(1 + x2 / m2)]1/2

a = m1−b [1 + v2 / m2]−1/2 [1 + x2 / m2]b/2
Pros
• la distribución modelada se simetriza cuando el soporte aumenta
• el modelo es adecuado incluso para bloques de gran soporte
Contras
• el modelo solo es adecuado para leyes de distribución puntual lognormal
Corrección lognormal indirecta
En este modelo, se aplica la corrección lognormal, pero se modifica el

parámetro a de manera que la transformación no modifique la ley media:
Distribución de z(v) = Distribución de a [z(x)]b
con b = [ln(1 + v2 / m2) / ln(1 + x2 / m2)]1/2

a elegido de tal modo que z(x) y z(v) tengan la misma media
Corrección lognormal indirecta
Pros
Contras
• modelo adecuado solamente para leyes de distribución puntual “cercana” a
una lognormal
• modelo inadecuado para bloques grandes
• modelo inadecuado para distribuciones con un “efecto cero”
Modelo Gaussiano discreto
Hipótesis
1) La ley de soporte puntual Z(x) se puede transformar en una variable Gaussiana

estándar Y(x):
Z (x) = f(Y (x))
donde f es la función de anamorfosis puntual

2) La ley de bloque Z(v) también se puede transformar a una variable

Gaussiana estándar Yv:
Z (v ) = fv (Yv )
donde fv es la función de anamorfosis de bloques.

3) Cuando se considera un punto x distribuido uniformemente en un bloque v,

el par {Y(x),Yv} es bigaussiano, con coeficiente de correlación r.
El coeficiente de correlación r (conocido como coeficiente de cambio de

soporte) se relaciona con la pérdida de varianza cuando uno pasa de un
soporte puntual a un soporte de bloque:
• bloque muy pequeño: r  1
• bloque muy grande: r  0

Coeficiente de
cambio de soporte r
El modelo Gaussiano discreto es construido de manera de satisfacer la

relación de Cartier:
x  v, Z (v) = E( Z (x) | Z (v))
Esta ecuación entrega una relación entre las anamorfosis puntual y de bloque:
y  R, fv ( y ) =  f(r y + 1 − r 2 t ) g (t ) dt
donde g(.) es la densidad de probabilidad de la distribución Gaussiana estándar.

Caso general: desarrollos en series de polinomios de Hermite
El polinomio de Hermite de grado p se define como
1 d p g ( y)
pN,yR, H p ( y ) =
p! g ( y) dy p
Los polinomios sucesivos se pueden calcular recursivamente:

H 0 ( y) = 1

 H1 ( y ) = − y

p  N, H p + 2 ( y ) = − 1 y H p +1 ( y ) − p +1
H p ( y)
 p+2 p+2
Se expande la anamorfosis puntual en serie de polinomios de Hermite
+
f ( y) =  f p H p ( y)
p =0
En este caso, la expansión de la anamorfosis de bloques es
+
fv ( y ) =  f p r p H p ( y )
p =0
Por ende, solo basta con especificar el coeficiente de cambio de soporte (r)
para determinar enteramente la distribución de leyes de bloques.
Caso particular 1: distribución lognormal
La anamorfosis puntual es una función exponencial:

2
yR,f( y ) = mZ exp( y − )
2
Se obtiene, para la anamorfosis de bloque, otra función exponencial:
r 2 2
yR,fv ( y ) = mZ exp(r  y − )
2
Es decir, el modelo Gaussiano discreto coincide con la corrección

lognormal directa.
Caso particular 2: tonelaje y metal sobre una ley de corte z

Se obtienen las siguientes expresiones:
• tonelaje sobre la ley de corte z:
Tv ( z ) = 1 − G ( y )
• cantidad de metal sobre la ley de corte z:
+
Qv ( z ) = f0 [1 − G( y )] −  f p r p 1
p
H p −1 ( y ) g ( y )
p =1
En las ecuaciones anteriores, y es el equivalente Gaussiano de la ley de corte z,

es decir, z = fv(y), y G(.) es la función de distribución Gaussiana estándar.
Determinación del coeficiente de cambio de soporte

Se puede calcular la varianza de la ley de bloque de dos formas:
• vía la expansión de la anamorfosis en polinomios de Hermite:
+
var(Z (v)) =  f2p r 2 p
p =1
• vía el variograma de la ley de soporte puntual:
var(Z (v)) = g () − g (v, v)

Determinación gráfica del coeficiente de cambio de soporte

Ejemplo: datos de ley de cobre
• Etapa 1: desarrollar la anamorfosis en polinomios de Hermite
modelo con 40 polinomios

• Etapa 2: modelar el variograma de leyes de soporte puntual

• Etapa 3: asegurarse que la anamorfosis puntual y el variograma modelo sean

coherentes:
+
Varianza según anamorfosis: var(Z (x)) =  f2p = 0.35
p =1
Varianza según variograma: g() = 0.46
→ Se reescala el modelo de variograma en torno a la meseta 0.35.

• Etapa 4: calcular la varianza de leyes de bloque (soporte 10m × 10m × 12m)
var(Z (v)) = g () − g (v, v) = 0.24
• Etapa 5: determinar el coeficiente de cambio de soporte
r = 0.86
Se puede determinar la distribución de leyes de soporte de bloques, así como

las curvas de selectividad, tonelajes y cantidades de metal sobre leyes de corte
dadas.
Ley de corte = 0.5% Cu Tonelaje Ley media
Soporte puntual 74.8% 1.06 %Cu
Soporte de bloque 81.3% 1.01 %Cu

Para cuantificar el efecto de información, el modelo Gaussiano discreto

trabaja con cuatro variables:
• ley de bloque Z(v)

• ley estimada del bloque, combinación lineal positiva de datos puntuales:
K K
Z (v) =  l k Z (u k ) con l k  0 y  l k = 1
*
k =1 k =1
• ley puntual Z(x) con x aleatorio en su bloque v

• ley puntual Z(x) con x el punto aleatorio que coincide con uk con la
probabilidad lk
Ejemplo de ponderaciones aplicadas a pozos de tronadura para estimar la

ley de un bloque:
Se consideran las transformadas Gaussianas (Y(x),Y(x),Yv, Yv*) de las variables

(Z(x), Z(x),Z(v), Z*(v)):
Z (x) = f(Y (x))
Z (x) = f(Y (x))
Z (v) = fv (Yv )
Z * (v) = f*v (Yv* )
y se supone que los siguientes pares de variables tienen distribuciones

bigaussianas:
• {Y(x),Yv} con correlación r
• {Y(x),Yv*} con correlación r*
• {Yv,Yv*} con correlación rv
Los coeficientes de correlación r, r* y rv se eligen de modo de reproducir las

siguientes varianzas y covarianza:
 +
var(Z (v)) =  f p r
2 2p
 p =1
 +
var(Z (v)) =  f p (r )
* 2 * 2p
 p =1
 +
cov(Z (v), Z (v)) =  f2p (r r * rv ) p
*
 p =1
Para que Z*(v) no tenga sesgo condicional, se debe tener r* = r rv, en cuyo
caso la regresión de Z(v) sobre Z*(v) coincide con la identidad:
E{Z(v) | Z*(v)}= Z*(v)

Tonelaje y metal efectivos sobre una ley de corte z

Se obtienen las siguientes expresiones:
• tonelaje efectivo sobre la ley de corte z:
Teff ( z ) = 1 − G ( y * )
• cantidad de metal efectiva sobre la ley de corte z:
+
Qeff ( z ) = f0 [1 − G( y )] −  f p (r rv ) p
* 1
p
H p−1 ( y* ) g ( y* )
p =1
En las ecuaciones anteriores, y* es el equivalente Gaussiano de la ley de corte z,

es decir, z = fv*(y*).
Pros
• el modelo es adecuado para bloques grandes
• el modelo es adecuado para numerosos tipos de distribuciones de leyes
• el modelo puede modelar el efecto de información
Contras
• el modelo puede ser inadecuado para distribuciones con un “efecto cero”
Síntesis
Consistencia matemática Consideraciones prácticas
Realista Realista para Generalizable Restricciones

Reproduce
Disminuye Disminuye la para distribuciones para modelar sobre la
Método la ley
la varianza? selectividad? bloques con efecto el efecto de distribución
media?
grandes? cero? información? de leyes
Corrección Cercana a
afín
      Gaussiana
Corrección
lognormal       Lognormal
directa
Corrección
Cercana a
lognormal       lognormal
indirecta
Modelo
Gaussiano       Cualquiera
discreto
Estimación local de los
recursos recuperables
Noción de distribución condicional
Para tomar en cuenta la información local aportada por los datos de muestreo, se
utiliza el concepto de distribución de probabilidad “condicional”:
z  R, F (x; z | datos ) = Prob [ Z (x)  z | Z (x1 ),... Z (x n )]
La probabilidad de sobrepasar una ley de corte z depende del sitio x

considerado, mediante los valores de los datos cercanos a x y la posición de
estos datos.
Kriging de indicadores
para variables continuas
La distribución condicional se puede reescribir como

zz
R data)) == EE[[11ZZ((xx))zz||ZZ((xx11),...
R,, FF((xx;;zz||datos ),...ZZ((xxnn)]
)]
donde 1Z (x) z es una variable binaria o indicador:
1 si Z (x)  z
1Z ( x ) z =
0 en caso contrario
Dado que es difícil determinar la esperanza condicional de un indicador, se

reemplaza por un kriging:
n
z  R, F (x; z | datos) = Prob{Z (x)  z | Z (x1 ),...Z (x n )}  a +  l a 1Z ( xa ) z
a =1
Etapas
• Elegir K umbrales z1,… zK
• Para k = 1… K:
1. Codificar los datos en indicadores 1Z (x ) zk
2. Hacer el análisis variográfico del indicador
3. Hacer el kriging del indicador
• Procesar las estimaciones para obtener una distribución condicional válida.

Ejemplo Datos originales
• 6 datos (círculos negros)

1.52
• 1 punto a estimar (cuadrado rojo) 1.27
0.85
0.95
0.52
0.61
Ejemplo Primer indicador (z1 = 0.7)
• Codificación de datos en
0
indicadores
0
0
0
1
Ejemplo Segundo indicador (z2 = 1.0)
0
indicadores
0
1
1
1
Ejemplo Tercer indicador (z3 = 1.3)
0
indicadores
1
1
1
1
Ejemplo Resumen (z1, z2, z3)
(0,0,0)
indicadores
(0,0,1)
(0,1,1)
(0,1,1)
(1,1,1)
(1,1,1)
Ejemplo
• Kriging simple del primer indicador (z1)

0
0
i1*=0.05
0
0
1
Ejemplo
• Kriging simple del segundo indicador (z2)

0
0
i2*=0.35
1
1
1
Ejemplo
• Kriging simple del tercer indicador (z3)

0
1
i3*=0.83
1
1
1
Ejemplo
• Tratamiento de los resultados: las estimaciones son interpoladas y

extrapoladas para obtener una distribución completa.
1.00 1.00
0.83 0.83
0.35 0.35
0.05 0.05
0.00 0.00
z1 z 2 z3 z1 z2 z3
Problemas de relación de orden
La distribución condicional F(x ; z | datos) debe satisfacer dos restricciones

matemáticas:
1) 0  F(x ; z | datos)  1
2) F(x ; z | datos) es creciente: F(x ; zk | datos)  F(x ; zk′ | datos) si zk  zk′
Si las estimaciones {F(x ; zk | datos)*, k = 1... K} no cumplen estas restricciones,

se dice que hay un problema de relación de orden. Este problema es uno de los
mayores inconvenientes de los métodos de kriging de indicadores.
Problemas de relación de orden
1) Corrección de límite
0 si F (x; z k | datos)*  0

F (x; z k | datos) =  F (x; z k | datos)* si 0  F (x; z k | datos)*  1
**

 1 si F ( x; z k | datos) *
1
2) Corrección de monotonicidad
Resumen
Cambio de soporte
Dos ingredientes
• Estimar la distribución condicional puntual por kriging de indicadores
• Aplicar una corrección (afín, lognormal, etc.) para modelar el cambio de soporte
Cambio de soporte
Inconvenientes
• Elección del modelo de cambio de soporte
• Elección del factor de reducción de varianza
→ En general, no se recomienda el kriging de indicadores para estimar

distribuciones de soporte de bloque
Cambio de soporte
para variables categóricas
Etapas
• Elegir K valores z1,… zK correspondientes a las categorías
• Para k = 1… K:
1. Codificar los datos en indicador 1Z (x )= zk

2. Hacer el análisis variográfico del indicador
3. Hacer el kriging del indicador
• Procesar las estimaciones para obtener una distribución condicional válida.

Aquí no hay necesidad de interpolar entre los valores z1,… zK.
Ejemplo Datos originales
• Tres categorías: A, B, C
A
• 1 punto a estimar (cuadrado rojo) A
B
B
B
Ejemplo Primer indicador (A)
• Codificación de los datos

1
en indicadores
1
0
0
0
Ejemplo Segundo indicador (B)

0
en indicadores
0
1
1
1
Ejemplo Tercer indicador (C)

0
en indicadores
0
0
0
0
Ejemplo Resumen (A,B,C)

(1,0,0)
en indicadores
(1,0,0)
(0,1,0)
(0,1,0)
(0,0,1)
(0,1,0)
Ejemplo
• Kriging simple del primer indicador (A)

1
1
iA*=0.65
0
0
0
Ejemplo
• Kriging simple del segundo indicador (B)

0
0
iB*=0.25
1
1
1
Ejemplo
• Kriging simple del tercer indicador (C)

0
0
iC*=0.05
0
0
0
Ejemplo
• Tratamiento de los resultados: las probabilidades condicionales deben ser

positivas y sumar 1.
1.00
0.95 1.000
0.90 0.947
0.65 0.684
0.00 0.00
A B C A B C
• El espacio se ve como una unión de bloques que no traslapan.
• La posición de un dato se considera aleatoria dentro del bloque al cual

pertenece el dato.
Denotaremos como x una posición aleatoria dentro de un bloque.

Dominio
Dato de posición
aleatoria dentro de su
bloque
Bloque
Hipótesis:
1) La ley de soporte puntual Z(x) se transforma en una variable Gaussiana Y(x):
Z (x) = f(Y (x))
donde f es la función de anamorfosis puntual
2) La ley de bloque Z(v) también se transforma en una variable Gaussiana Yv:
Z (v ) = fv (Yv )
donde fv es la función de anamorfosis de bloque

3) Además, todo conjunto de valores de Y(x) e Yv tiene una distribución

multigaussiana.
Modelo global Modelo local

El modelo Gaussiano discreto para la estimación local se caracteriza por:
• la anamorfosis puntual f
• el coeficiente de cambio de soporte r
• las covarianzas directas y cruzadas de las variables Gaussianas:
x, x'  R d , (x, x' ) = cov{Y (x),Y (x' )}


x, v  R , (x, v) = cov{Y (x),Yv }
d
 
v , v  R d
, (v, v) = cov{Yv , Yv }
Se puede establecer las siguientes relaciones entre covarianzas:
r 2 (v, v) if x  x'

x  v, x'  v, (x, x' ) =
1 en caso contrario
x  v, (x, v) = r (v, v)
Con respecto al modelo para estimación global, sólo se requiere especificar

una de las covarianzas directas y cruzadas, por ejemplo la covarianza de la
Gaussiana de bloque (v,v′).
En la práctica, se puede proceder como sigue.
1) Análisis variográfico de la ley Z(x) con posiciones no aleatorias

2) Cambio de soporte para obtener el variograma de la ley de bloque Z(v)
1
g(v, v ) =
| v |2  
v v
g(x − y) dx dy
3) Cálculo del variograma de la variable Gaussiana de bloque Yv
+
C (v, v) =  f2p r 2 p [(v, v)] p
p =1
4) Ajuste de un modelo al variograma calculado

Kriging multigaussiano
Dado un conjunto de datos puntuales {xa: a = 1… n}, la distribución condicional

de Yv es Gaussiana, de media igual al kriging simple (YvSK) y varianza igual a la
varianza de kriging simple (vSK)2
La esperanza condicional (kriging multigaussiano) de una función j(Yv) es:
[j(Yv )]CE = E{j(Yv ) | data } =  j(YvSK + vSK t ) g (t ) dt
donde g(.) es la densidad de probabilidad de la distribución Gaussiana estándar.

Una expresión alternativa basada en expansiones en polinomios de Hermite es:
+  Y SK 
[j(Yv )]CE
=  j p [1 − ( ) ]
SK 2 p / 2
Hp  v 
v  1 − ( ) 
SK 2
p =0  v 
Ejemplo 1: kriging lognormal

Si j es una función exponencial:
r 22
Z v = f(Yv ) = m Z exp( r  Yv − )
2
entonces, la esperanza condicional se simplifica en:
 r 
2 2
[ (  v ) − 1] 
SK 2
(Z v )CE = mZ exp r  Yv +
SK

 2 
Este estimador se conoce como “kriging lognormal simple”. Permite

estimar la ley de un bloque, siempre y cuando la ley de soporte puntual
tenga una distribución lognormal.
Ejemplo 2: tonelaje y metal sobre una ley de corte z
El kriging multigaussiano da:
 y − YvSK 
CE
{Tv ( z )} = 1 − G 
 v
SK

+  Y SK 
{Qv ( z )} CE
=  q p ( y ) [1 − ( SK 2 p / 2
v ) ] H p v 
 1 − ( SK ) 2 
p =0  v 
donde y es el equivalente Gaussiano de z, es decir, z = fv(y)

q0, q1, …, son los coeficientes de la expansión de Qv(z) en polinomios de
Hermite.
Ejemplo 3: tonelaje y metal efectivos sobre una ley de corte z
Usando la extensión al modelamiento del efecto de información, el kriging

multigaussiano da:
 y * − Yv*SK 
CE
{Teff ( z )} = 1 − G 
 v
*SK

+  Y *SK 
{Qeff ( z )} CE
=  qp ( y ) [1 − (
* *SK 2 p / 2
v ) ] Hp  v 
 1 − (*SK ) 2 
p =0  v 
donde y* es el equivalente Gaussiano de z, es decir, z = fv*(y)

q0′, q1′, …, son los coeficientes de la expansión en polinomios de
Hermite de la cantidad de metal de h(Z*(v)) sobre la ley de corte h(z),
donde h(z) = E{Z(v)|Z*(v)=z}.
Aplicación: datos de ley de cobre
Primera etapa: análisis variográfico
Z(x) Z(v) Yv
Segunda etapa: kriging multigaussiano de tonelaje y metal sobre 0.5%Cu
Z (v1Z) (ifsi
v)ZZsi (v00)..55%
((vv)Z)  %0Cu
.Cu
5% Cu Z (v) si Z (v)  0.5% Cu
Q ( 0.5=%)
0
Qv (0T.v5v (%). 5 %) = Qv (0.5%) =
0 en0 casoen caso
otherwise contrario
contrario 0 en caso contrario
Reemplazando kriging simple por kriging ordinario en la construcción del

estimador
Z (v1Z) (ifsi
v)ZZsi (v00)..55%
((vv)Z)  %0Cu
.Cu
5% Cu Z (v) si Z (v)  0.5% Cu
Q ( 0.5=%)
0
Qv (0T.v5v (%). 5 %) = Qv (0.5%) =
0 en0 casoen caso
otherwise contrario
contrario 0 en caso contrario
Kriging disyuntivo
El kriging disyuntivo de una función j(Yv) se obtiene al desarrollar esta función

en serie de polinomios de Hermite
+
j(Yv ) =  j p H p (Yv )
p =1
y al estimar cada polinomio por kriging simple:
+ pmax n
j DK
(Yv ) =  j p {H p (Yv )} SK
  j p  lpa H p [Y (x a )]
p =1 p =1 a =1
El kriging simple de Hp(Yv) utiliza los polinomios de soporte puntual {Hp[Y(xa)]:

a = 1… n} como datos de entrada. La serie polinomial se trunca a un grado
finito pmax.
Condicionamiento uniforme
Idea clave
El condicionamiento uniforme estima la distribución de la ley de bloque a la escala
de un ‘panel’ V (unión de varios bloques), sin distinguir entre los bloques de un
mismo panel. La idea es tener una estimación robusta en casos de estacionaridad
local, al introducir el kriging ordinario de la ley del panel Z(V) como si fuera el
valor verdadero de esta ley.
Modelo
El modelo Gaussiano discreto se extiende al soporte de panel:
+
• ley de soporte puntual: Z (x) =  f p H p [Y (x)]
p =0
+
• ley de bloque: Z (v) =  f p r p H p (Yv )
p =0
+
• ley de panel: Z (V ) =  f p r  p H p (YV )
p =0
donde r y r′ son los coeficientes de cambio de soporte de punto a bloque y de

punto a panel, mientras que Y(x), Yv e YV son las transformadas Gaussianas de
Z(x), Z(v) y Z(V), respectivamente.
Caso hipotético donde se conoce la ley de un panel V

La estimación de una función de la ley de un bloque elegido al azar dentro del
panel sería
E{j(Yv ) | Z (V )} =  j( R YV + 1 − R 2 u) g (u) du
donde R = r′/r es el coeficiente de cambio de soporte entre bloque y panel,

g es la densidad Gaussiana estándar, v es un bloque aleatorio en V, e YV es la
transformada Gaussiana de la ley del panel Z(V).
Caso real donde se desconoce la ley del panel V

Se reemplaza la ley verdadera del panel por su kriging ordinario:
{j(Yv )}UC =  j( R YVOK + 1 − R 2 u) g (u) du
donde YVOK es la transformada Gaussiana de la ley estimada del panel Z(V)OK.

Ejemplo: estimación del tonelaje y el metal sobre una ley de corte z
El condicionamiento uniforme da:
 y − R YVOK 
{Tv ( z )}UC = 1 − G 2 

 1− R 
+
{Qv ( z )}UC
= q
p =0
p ( y) R p H p (YVOK )
donde y es el equivalente Gaussiano de z, es decir, z = fv(y)

q0, q1, …, son los coeficientes de la expansión de Qv(z) en polinomios de
Hermite.
Condicionamiento
uniforme localizado
Idea clave
Se busca un estimador de la ley de bloque que no suaviza.
Pro
• Los recursos recuperables (curvas de selectividad), a la escala de un panel o
del depósito completo, se estiman sin sesgo
Contras
• El modelo de ley es menos preciso que el modelo obtenido por kriging y
puede tener sesgo condicional
• El modelo de ley no es continuo al pasar de un panel a otro.
Condicionamiento
uniforme localizado
Implementación
Para cada panel

(1) Aplicar condicionamiento uniforme para determinar la distribución de leyes
de bloques dentro del panel
(2) Aplicar kriging ordinario para estimar la ley de cada bloque en el panel
(3) Transformar las leyes estimadas en el paso (2) para que las leyes
transformadas tengan la distribución obtenida en el paso (1).
→ El método ‘localiza’ los resultados del condicionamiento uniforme

Condicionamiento
uniforme localizado
Simulación directa
de leyes de bloques
Bajo el modelo Gaussiano discreto, la simulación directa de bloques se obtiene

de la siguiente manera:
1) Simular Yv en los bloques que contengan datos condicionantes y en los

bloques del modelo de bloques. Obtener una simulación no condicional
YvNCS
2) Simular Y(x) en cada punto con dato xa (a = 1… n):
a {1,...n},Y (xa ) NCS = r YvNCS

a
+ 1 − r 2
Ta
donde {Ta: a = 1… n} son variables Gaussianas estándares independientes
y va es el bloque que contiene xa.
Simulación directa
de leyes de bloques
3) Condicionar Yv a los datos por kriging simple:
n
Yv
CS
=Y
v
NCS
+  lSK
a (v ) { ya − Y ( x a )
NCS
}
a =1
donde l a (v) es el ponderador asignado a Y(xa) para estimar Yv

KS
4) Transformar Yv de vuelta a Z(v), usando la función de anamorfosis de

bloque.
Simulación directa
de leyes de bloques
Pros
Simulación muy rápida, sin necesidad se almacenar valores puntuales.
Posibles extensiones
1) Simulación multivariable
2) Simulación conjunta de las leyes reales y las leyes que serán estimadas
en la etapa de producción, de manera de modelar el efecto de información
3) Condicionamiento por (co)kriging ordinario.

Pros y contras del
modelo Gaussiano discreto
1) Fácil de uso, matemáticamente consistente, poco tiempo de cálculo
2) Posibles extensiones:
• Adaptable al modelamiento del efecto de información
• Adaptable a estimación/simulación multivariable
• Adaptable al modelamiento de estacionaridad local

Pros y contras del
modelo Gaussiano discreto
3) El modelo puede ser inadecuado cuando
• la ley Z(x) tiene un “efecto cero” que complica la anamorfosis Gaussiana

• la variable transformada Y(x) no tiene una distribución cercana a una
distribución multigaussiana
• el cambio de soporte es importante (bloques muy grandes)
Síntesis
Libre de Toma en Toma en

Adaptable a Condiciones Resolución
problemas cuenta el cuenta el
Modelo Método estacionaridad ideales de del
de relación efecto de efecto de
local? aplicación resultado
de orden? soporte? información?
Kriging de
Ninguno
indicadores    
Kriging
multigaussiano     Bloque
Kriging
disyuntivo     Bloque
Depósito
Gaussiano Condicionamiento
uniforme     diseminado Panel
discreto & bloques
pequeños
Condicionamiento
uniforme     Bloque
localizado
Simulación directa
de bloques     Bloque
Referencias
Abzalov M, 2006. Localised Uniform Conditioning (LUC): A new approach for

direct modelling of small blocks. Mathematical Geology 38(4), 393-411.
Chilès JP, Delfiner P, 2012. Geostatistics: Modeling Spatial Uncertainty. Wiley,

New York, 699 p.
Demange C, Lajaunie C, Lantuéjoul C, Rivoirard J, 1987. Global recoverable
reserves: testing various change of support models on uranium data. In:
Armstrong M, Matheron G (eds.) Geostatistical Case Studies. Reidel, Dordrecht,
pp. 135-147.
Emery X, Séguret SA, 2020. Geostatistics for the Mining Industry: Applications
to Porphyry Copper Deposits. CRC Press, Boca Raton, 247 p.
Emery X, Soto-Torres JF, 2005. Models for support and information effects: a
comparative study. Mathematical Geology 37(1), 49-68.
Referencias
Guibal D, Remacre AZ, 1984. Local estimation of the recoverable reserves:
comparing various methods with the reality on a porphyry copper deposit. In:
Verly G, David M, Journel AG, Maréchal A (eds.) Geostatistics for Natural
Resources Characterization. Reidel, Dordrecht, pp. 435-448.
Journel AG, Kyriakidis PC, 2004. Evaluation of Mineral Reserves: a Simulation
Approach. Oxford University Press, 226 p.
Lajaunie C, 2000. Introduction to the modelling of the support effect. In: Pandalai
HS, Saraswati PK (eds.), Geological data analysis: Statistical methods. Hindustan
Publishing, New Delhi, pp. 155-171.
Maréchal A, 1976. The practice of transfer functions: numerical methods and
their application. In: Guarascio M, David M, Huijbregts CJ (eds.) Advanced
Geostatistics in the Mining Industry. Reidel, Dordrecht, pp. 253-276.
Matheron G, 1976. Forecasting block grade distributions: The transfer functions.
In: Guarascio M, David M, Huijbregts CJ (eds.), Advanced Geostatistics in the
Mining Industry. Reidel, Dordrecht, pp. 237-251.
Referencias
Matheron G, 1984. The selectivity of the distributions and the second principle of
geostatistics. In: Verly G, David M, Journel AG, Maréchal A (eds.), Geostatistics
for Natural Resources Characterization. Reidel, Dordrecht, pp. 421-433.
Remacre AZ, 1989. Uniform conditioning versus indicator kriging: a
comparative study with the actual data. In: Armstrong M (ed.) Geostatistics.
Kluwer Academic, Dordrecht, pp. 947-960.
Rivoirard J, 1994. Introduction to disjunctive kriging and non-linear
geostatistics. Clarendon Press, Oxford, 181 p.
Rossi ME, Parker HM, 1994. Estimating recoverable reserves: is it hopeless? In:
Dimitrakopoulos R (ed.) Geostatistics for the Next Century. Kluwer Academic,
Dordrecht, pp. 259-276.
Verly G, 1983. The multigaussian approach and its application to the estimation
of local reserves. Mathematical Geology 15(2), 259-286.

02 Recursos Recuperables

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

02 Recursos Recuperables

Cargado por

Copyright:

Formatos disponibles

Evaluación de recursos

Las técnicas de kriging permiten evaluar la cantidad y ubicación de

→ modelamiento de unidades geológicas

Sin embargo, el kriging tiene varias limitaciones. Una de ellas es el efecto

Para evaluar el valor de un yacimiento y para la planificación minera, puede

→ Debido al efecto de suavizamiento, el modelo de bloques obtenido por

Ejemplo 1: histogramas de leyes verdaderas y estimadas (gris oscuro = estéril;

→ Una solución es construir un conjunto de simulaciones de las leyes, de

→ Dado que la simulación es exigente (en hipótesis y en recursos

La distribución marginal de la ley de un elemento de interés, asociada a una

Experimentalmente, la densidad de probabilidad se puede estimar mediante el

Histograma estándar Histograma desagrupado

El tonelaje asociado a un umbral o ley de corte z se define como

En particular, se tiene T(z)  [0,1].

T(z) representa la fracción de tonelaje total o fracción de mineral recuperable

La cantidad de metal y la ley media sobre la ley de corte z se definen como

En particular, dado que Z es una variable positiva, se tiene Q(0) = m(0) = m

El beneficio convencional sobre la ley de corte z se define como

Esta expresión tiene el significado de un beneficio, puesto que es la diferencia

Las siguientes curvas se conocen como curvas de selectividad:

• el tonelaje T como función decreciente de la ley de corte z

Ejemplo 1: tonelaje vs. ley de corte

El tonelaje es una función decreciente de la ley de corte; es igual a 1 para una

Ejemplo 2: metal vs. ley de corte

Esta curva también es una función decreciente de la ley de corte: la cantidad de

Ejemplo 3: metal vs. tonelaje

En lugar de parametrizar la cantidad de metal como función de la ley de corte, es

La recta que pasa por el punto

La pendiente de esta tangente es

Ejemplo 4: beneficio convencional vs. ley de corte

La función B(z) es decreciente

La tangente a la curva en (z0,B0)

Consideremos la ley de un bloque v, definida como

donde |v| representa el volumen del bloque v

Interesa caracterizar la distribución de la ley de bloque Z(v), para, por

El cambio de soporte tiene impacto en la distribución de ley y es responsable

Ejemplo: impacto del soporte en las funciones de recuperación

La distribución de ley de bloque tiene

• la misma media que la distribución de ley de soporte puntual

• una varianza menor

• una forma diferente (más simétrica).

Para un tonelaje dado, la cantidad de metal decrece cuando el soporte

Además, para una ley de corte dada, el beneficio convencional decrece

Dado lo anterior, para modelar un cambio de soporte, no basta con

La menor selectividad puede ser explicada por la relación de Cartier,

E{Z(x) | Z(v)} = Z(v)

donde x es un punto uniformemente distribuido en el bloque v.

Las curvas de selectividad representan los recursos recuperables (tonelaje,

• el efecto de soporte: mientras mayor el soporte, menor la selectividad

• el efecto de información: algunos bloques de mineral se subestiman y

• las restricciones geométricas: algunos bloques de alta ley podrían no

La decisión de enviar un bloque a botadero o a proceso se basa en una ley

Se definen las funciones de recuperación “indirectas” o “efectivas”:

• Tonelaje: Teff ( z ) = E [1Z * ( v )  z ]

• Cantidad de metal: Qeff ( z ) = E [ Z (v)1Z * ( v )  z ]

• Ley media: meff ( z ) = Qeff ( z ) / Teff ( z )

• Beneficio convencional: Beff ( z ) = Qeff ( z ) − z Teff ( z )

Estas cantidades representan los recursos que realmente se recuperan cuando

Con respecto al efecto de soporte, el efecto de información provoca una

Los recursos recuperables sobre la fracción T de bloques con las mayores

Ilustración: efecto de información producido al estimar la ley de cada

Un resultado interesante es el siguiente: si el método usado para estimar las

En general, el kriging tiene poco o nulo sesgo condicional, a diferencia de

E{Z(v) | Z(v)}= Z(v)