PLANIFICACION

DE MINAS
SESION 06 – A
Geoestadística Minera Aplicada

1. Introducción y definiciones.
2. Revisión de los Métodos Tradicionales de Estimación
3. Prerrequisitos Geológicos.
4. Prerrequisitos Estadísticos.
5. El Variograma: Cálculo e Interpretación.
Contexto General: El Modelado Numérico

• Este es un curso introductorio respecto a Geoestadística aplicada a la actividad

Minera para profesionales de manera general.
• El objetivo de este curso es dotar a los participantes de:
• Un conocimiento general sólido de los conceptos y métodos de la geoestadística
aplicada a la minería.
• Un entendimiento de cómo la geoestadística puede ser aplicada para crear
modelos numéricos de los Recursos de un Yacimiento.
• Herramientas para la aplicación práctica de la geoestadística en diversas áreas
de la actividad minera.
Contexto General: El Modelado Numérico

• Modelo: Representación abstracta o

concreta de un objeto o sistema desde un
punto de vista en particular y con fines
particulares.
• Históricamente la ciencia se ha ocupado
de recolectar datos y experimentar
extensivamente para luego deducir leyes
y relaciones.
• Actualmente la ciencia esta abocada
mayormente a entender y cuantificar las
leyes físicas, y a crear modelos numéricos
de los fenómenos.

4
Contexto Particular: El Modelado Geológico de yacimientos mineros.
Adquisición, Manejo
$$$ ⚫ Modelado Geométrico
Basado en el libro “Practical Geostatistics, Modeling and Spatial Analysis”, por Simon W. Houlding
Y Validación de Datos

⚫ Representación 3D de las
Mapeo
Geológico
Datos de
Taladros y Canales
características geológicas del
yacimiento.
Observaciones:
⚫ Creación de dominios para la
Mapeo + Logueo Muestras de
Taladros y
Canales

Interpretación Análisis Estadístico interpolación de leyes

Influencias y Geoestadístico
Interactiva
Geológicas
Estructuras +
Litología ⚫ Modelado Numérico
Modelos Estimación / Simulación ⚫ Representación y análisis de la
Geométricos de Leyes
Controles
de mineralización Valores
variabilidad espacial de una
Estimados y
Certeza de
variable regionalizada
Estimación

Dominios
⚫ Permite la estimación y
Geológicos 3D Modelo de
Bloques manipulación de los valores
Modelo de requeridos para el control de
Modelado leyes 3D Modelado
Geométrico Numérico leyes y el inventario de
Inventario de
Recursos
Recursos y Reservas

5
 La Geoestadística

La Geoestadística es una rama de las matemáticas aplicadas,

específicamente de la Estadística Espacial, que comprende una serie
de técnicas interrelacionadas cuyo objetivo es proveer una
descripción cuantitativa de variables distribuidas en el tiempo o en el
espacio por medio de la aplicación de métodos probabilísticos.

6
El desarrollo de la Geoestadística

• La Geoestadística se inició en los 60’s por Krige y Sichel en África del Sur y
Matheron en Francia.
• El profesor Georges Matheron (1930-2000) elaboró los mayores conceptos de
la teoría para la estimación de recursos, los cuales se plasmaron en el
monumental Traité de Géostatistique appliquée (1962-1963).
• Dos de los primeros discípulos de Matheron (Journel y David) fundaron en
EE.UU. y Canadá nuevos centros de investigación geoestadística en los 70’s.
• Rápidamente la aplicación de las técnicas geoestadística llegó a ser popular en
la minería y meteorología.
• Las aplicaciones en la industria del petróleo se difundieron a mediados de los
80’s con el uso de la simulación condicional.
• Actualmente estas técnicas son aplicadas en los campos mas diversos, desde la
industria pesquera y forestal, hasta las ciencias ambientales y la epidemiología.

7
¿Para qué y para que no sirve la Geoestadística?

La geoestadística:
 Incluye todas las restricciones geológicas y físicas conocidas
 Provee herramientas para cuantificar y aprovechar la correlación espacial de las variables.
 Provee algoritmos para el modelado geológico numérico y la cuantificación de la incertidumbre.
No hace el proceso de modelado mas fácil
La Geoestadística es útil para:
 “Poner la geología en números”
 Estimación
 Cuantificar la incertidumbre
 Diseño de muestreo
 Simulación / Análisis de riesgos
La Geoestadística no:
 Reemplaza datos adicionales de calidad
 Reemplaza al sentido común y crítico
 Trabaja bien como una “caja negra
 Ahorra tiempo.

8
 Aplicaciones de La Geoestadística en la Minería.

• Estimación de Recursos
• Optimización de la malla de taladros y del muestreo
• Optimización del control de leyes
• Modelado de variables categóricas (tipos de roca)
• Creación de mapas de anomalías para la exploración
geoquímica.
• Modelado de variables geomecánicas y de fracturas.
• Modelado de las propiedades metalúrgicas del mineral in situ.
• Modelado del potencial de generación de drenaje ácido de la
roca in situ.
• Cuantificación de la incertidumbre geológica y de leyes en los
recursos.
• Análisis de riesgo y sensibilidad en los recursos.
9
2. Revisión de los Métodos Tradicionales de Estimación.

13
Promedio Ponderado en Paneles
• Es usado comúnmente para la estimación de
recursos en vetas. V = A l
T = V 
• Primero se calculan las leyes promedio de las
labores (Ll) adyacentes promediando las leyes  El resultante modelo de leyes del
de las muestras z(xi) ponderas por su longitud yacimiento se presenta como un
l i: conjunto de valores constantes para
m cada panel.
 L
n

 l z( x )
i i l l  Es muy sensible a las aglomeraciones
Ll = i Lp = l
m
de datos y requiere asumir la

n
influencia de las leyes de una forma
l
i
i
l
l
difícil de justificar geológicamente.

• La ley final del panel (Lp) se obtiene

promediando las leyes de las labores (Ll)
ponderadas por su longitud (Λl)
• El volumen (V) y el tonelaje (T) de panel es
calculado como lel producto del area del Panel
(A) y la potencia promedio ( ), y luego por la
densidad promedio (δ) de la roca in situ:
14
Poligonales
• Es empleado con taladros verticales.
• A cada taladro se le asigna una zona de
influencia poligonal.
• El modelode leyes resultante es un
mosaico de áreas de ley constante.
• Remueve el sesgo producido por la
aglomeración de datos.

• Los polígonos son construidos intersecando

las perpendiculares a los puntos medios de S2 S3
los segmento que unen los taladros. S1

• El volumen de influencia de cada taladro

equivale un prisma cuya sección es el
polígono y de altura igual a la profundidad
del taladro central.

• A cada prisma así construido se le asigna una

ley constante que corresponde a la ley
promedio del taladro central.

15
Inverso de la Distancia
 Se usan todas las muestras circundantes,
asignando a cada una un peso
inversamente proporcional a su distancia
al bloque, según la siguiente fórmula:
Donde:
n
1

i =1 d i

zi v* es el valor estimado del
bloque, z1, …zn son las leyes
v = n
*
de las n muestras circundantes
1
i =1 d i

di es la distancia del bloque a
cada una de estas muestras.
α es un factor ≥ 0

• Este método puede atribuir demasiado peso a

las muestras cercanas a los bloques.
• El modelo resultante muestra un zoneamiento
gradual de valores altos y bajos.
• Es también muy sensible a la aglomeración de
datos.
 El exponente α regula la influencia de las
muestras cercanas vs. las lejanas, y por
ende el suavizado de los resultados.
 Este factor se determina por ensayo y
error, sin relación directa a la continuidad
de las leyes.
16
Principales deficiencias de los métodos tradicionales de estimación.

• No usan una medida de la correlación espacial de las leyes, debido a esto:

• No discriminan entre regiones donde las leyes se comportan regularmente de otras donde pueden ser
mas aleatorias.
• No distinguen las direcciones preferentes de la continuidad de las leyes.

• No propician la inclusión de criterios geológicos en el modelado numérico de las leyes.

• Son métodos determinísticos, no proveen medidas del error de estimación.

• Presentan un sesgo condicional muy pronunciado, es decir, la sobreestimación de las zonas de

baja ley, y la subestimación de zonas de alta ley.

17
3. Prerrequisitos Geológicos.

18
Dominios de Estimación
• Diferencias en la media, la distribución, el error
estándar y/o la variabilidad espacial entre grupos
de muestras, en diferentes partes del yacimiento
o área de estudio, son usados para delimitar los
dominios de estimación.

• Las diferencias en la mineralogía, la

metalogénesis, el estilo de la mineralización, la
presencia de estructuras que actúan como focos
de alimentación “feeders” o límites de la
mineralización, alteraciones y tipos de rocas o
estratos favorables a la mineralización, es decir
todos los controles de mineralización, deben ser
también considerados para definir los dominios
de estimación.

• De similar forma, en las aplicaciones ambientales

es preciso reconocer las características del
entorno que podrían afectar la distribución de la
variable analizada.

19
Delimitación de los Dominios de Estimación
• La delimitación de los dominios de
estimación debe ser hecha teniendo en
cuenta tres tipos de contactos:
• Contactos Geológicos: Son limites o
superficies entre diferentes tipos de roca,
edades de los estratos, o características de
la roca. Entre estos, los contactos
estructurales pueden actuar como límites
de la mineralización, pueden ser conductos
o albergar la mineralización, o pueden ser
causantes de estilos de mineralización
diferentes.
• Contactos de Mineralización: Son limites
entre los cuales la mineralización, o la
distribución de las leyes se comporta de
forma diferente.
• Contactos Económicos: Son límites entre
cut-off’s o materiales diferentes, delimitan
porciones del yacimiento que deben ser
extraídas y tratadas de forma diferente al
resto

20
El Modelo de Bloques
• Un modelo de bloques es un arreglo 3D
de volúmenes rectangulares de
dimensiones regulares.
• También puede ser entendido como
una grilla ortogonal 3D.

• Es determinado por un origen,

orientación, las dimensiones de cada
volumen individual (bloque) y su
extensión XYZ en un sistema de
coordenadas relativo.
• El tamaño de los bloques es
determinado según los objetivos de la
caracterización 3D, la distribución
espacial de las muestras, los
requerimientos de la estimación
geoestadística y las condiciones de
minado.

21
Objetivos del Modelo de Bloques
• El principal objetivo del modelo de
bloques es proveer un medio para la
representación de la variación de una
variable regionalizada.

• La variabilidad de esta variable es

representada asignando valores
apropiados a los centroides de cada
bloque.

• Un objetivo secundario es proveer una

plataforma para la manipulación de la
variable según los objetivos de la
caracterización.

22
Integración del Modelo de Bloques y los Dominios de Estimación
• Los volúmenes geológicos son
intersecados con el modelo de bloques,
determinándose de forma precisa que
bloques, y cuanto de ellos, caen dentro
de cada dominio.
• De esta forma se asigna valores
categóricos que dependen del dominio
intersecado a cada bloque.
• Esto nos permite limitar la estimación
de una variable en aquellos bloques
que intersequen un dominio o
característica geológica particular.
• Cada bloque puede intersecar mas de
una característica geológicas

23
4. Prerrequisitos Estadísticos.

24
La Función de Distribución Acumulada (CDF)
• Se define como la probabilidad de no
exceder un cut-off z:
F ( z) = Prob{Z  z} [0,1]
• Propiedades:
• F(z) no decrece
• F(z) є [0,1]
• F(-∞) = 0, y F(∞) = 1
• La curva de Hazen: Presenta los
intervalos de probabilidades
distorsionados, de forma que la
distribución acumulada se aparece
como una línea recta si la distribución es
normal y se emplea una escala
aritmética, o si la distribución es
lognormal y se emplea una escala
logarítmica.
25
La Función de Distribución de Probabilidades PDF)
• La PDF es la derivada de la CDF:
• El Histograma: Presenta el porcentaje
(frecuencia) de muestras que se encuentran
F ( z + dz ) − F ( z )
f ( z ) = F ( z ) = lim distribuidos en cada intervalo de valores.
dz→0 dz

+
F ( z) =  f ( z)dz
−
Dist. simétrica

Dist. Sesgada a la derecha

Distribución multimodal

26
Cuantiles
• El Cuantil p de la distribución F(zp) es
el valor zp para el cual:

F ( z p ) = Prob{Z  z p } = p  [0,1]

• Por lo tanto, el Cuantil puede ser

expresado por la forma inversa del
CDF:
q( p) = F −1 ( p)

• 1er cuartil: p = 0.25

• 2do cuartil: mediana, p = 0.5
• 3er cuartil: p = 0.75 Intervalo del 90% de
probabilidad.

27
Medidas de Tendencia Central
• La Media: Es el valor mas representativo de • Media o Valor esperado de una
una distribución simétrica o normal. distribución:
• Para muestras de igual soporte: +
E{Z } =  z  f ( z)dz
−
1 n
m =  xi
n i =1
• Para muestras de soporte diferente: • Propiedades:
n
E{a} = a
 i xi
Donde xi, son las leyes
n es el numero de muestras, y
E{aZ } = aE{Z }
i m= i =1 es el peso de cada muestra
E{ X + Y } = E{ X } + E{Y }
n


i =1
i

• La Mediana: es el valor que divide un grupo

de muestras o una población en dos
mitades iguales

28
Medidas de Dispersión
• La Varianza. Es el promedio del cuadrado de • Varianza de una distribución:
las diferencias entre los valores y la media.
Se expresa como:
   
 2 = E [ Z − m]2 = E Z 2 − m 2
= Var{Z }
n
s =  ( xi − m) 2 / (n − 1)
2

i =1

• Varianza ponderada:
• La Desviación Estándar. Es la raíz cuadrada
de la varianza, tiene la ventaja que puede n  n 
ser expresada en las mismas unidades que
los datos.

i =1
i  zi2 
−  i m 2

 i =1 

s2 =
s =  s2  n 
n 

 i 

• El Coeficiente de Variación. Se calcula como
el cociente entre la desviación estándar y la
  i −
i =1 
i =1
n


media:  
 
Es usado para comparar la variabilidad de
las leyes relativa a la media entre diferentes
dominios o yacimientos.
CV = s / m

29
 La Covarianza

• Es la extensión de la varianza a dos variables.

Cov{ X , Y } = E{[ X − m X ][Y − mY ]}

= E{ XY } − m X E{Y } − E{ X }mY + m X mY .
= E{ XY } − m X mY − m X mY + m X mY
= E{ XY } − m X mY

• La covarianza entre la misma variable es la varianza:

Cov{X , X } = Var{X }

30
Correlación
• El coeficiente de correlación es una • Gráfico de Correlación
medida de dependencia lineal entre
dos variables:
Cov{ X , Y }
 XY =  [−1,+1]
Var ( X )Var (Y )

• También se le conoce como “covarianza

estandarizada”

• Si  XY = 1 , las dos variables están

perfectamente correlacionadas.

• Si las variables son independientes el

coeficiente de correlación es cero.

• Si  XY = 0 no implica que las dos

variables sean independientes.
31
Altos Erráticos

 Un alto errático es un valor que es mucho mas alto que el resto de la población, particularmente en
comparación a los valores de las muestras vecinas.
 No es lo mismo “Errático” que “Erróneo”.

 Existen métodos estadísticos de identificación de altos erráticos pero sus resultados deben ser validados por
la observación y el sentido común.

Grupo de leyes
Que se separan
de la tendencia

 Los altos erráticos también pueden ser identificados visualmente o usando una curva de Hazen.

32
Tratamiento de los Altos Erráticos
• Los altos erráticos pueden ser indicadores
de zonas anómalas interesantes o en
algunos casos la presencia de unos
cuantos puede determinar la viabilidad de
un proyecto. Debido a esto no siempre la
mejor solución es eliminarlos o reducirlos
a un valor arbitrario.

a) Corrección usando el Gráfico de Hazen:

Los valores mas altos son transformados
haciendo que caigan sobre la recta que
forman los valores mas bajos en el gráfico

b) Reducción del valor mas alto.

Si hay un solo valor que es
significativamente superior que los demás,
entonces este valor mas alto puede ser
reducido al valor inmediatamente inferior.

33
Desaglomeración (Declustering)
• Es una práctica común que se
tomen mas muestras en las
zonas ricas que en las zonas de
baja ley. Esto produce un sesgo
en las estadísticas e incluso la
sobreestimación de la ley.

• Esta no es necesariamente una

mala práctica y no debe ser
cambiada, ya que
proporcionan mayor
información en las zonas mas
importantes del depósito.

• Para reducir este sesgo y

obtener un conjunto de datos
estadísticamente
representativos es necesario
aplicar una de las técnicas de
“desaglomeración”

34
Métodos de Desaglomeración
• Para un tamaño fijo de celda y diferentes • Desaglomeración poligonal:Cada
orígenes producen diferentes pesos. muestra es ponderada por el área
de su polígono de influencia.
• Esto se evita considerando múltiples
orígenes. • Es difícil de implementar en 3D
• El tamaño de celda óptimo es el que
minimiza la media desaglomerada.

• Desaglomeración por celdas.

• El volúmen de interés es dividido en una
malla de celdas regulares. I=1,….,L
• Se registra el número de celdas
ocupadas L0 y el número de muestras
en cada celda ni:

i = 1 (ni  L0 )

35
Modelos Paramétricos de Distribución
• Existen muchas distribuciones de
probabilidades (PDF o CDF) cuyas
formas puede ser descrita por una
expresión analítica que depende de un
número finito de parámetros.

• En geoestadística la mas usada es la

distribución gaussiana, cuya PDF se
expresa como:

• Donde μ es la media y σ la desviación

estándar de la distribución.

36
Propiedades de la distribución Gaussiana

• Teorema del Límite Central: Si una población, cuya PDF de media μ y desviación estándar σ puede tener
cualquier forma, es muestreada al azar en subgrupos de N muestras. La distribución de las medias de estos
grupos tiende a ser gaussiana con media μ y desviación estándar σ/N

37
 Anamorfosis Gaussiana

 Sirve para transformar cualquier distribución a una distribución Gaussiana o normal.

 Es muy usada para variables continuas.
 Pasos:
1. Construir la distribución acumulada F(z) de la variable Z.
2. Equiparar los cuantiles y hallar los valores correspondientes en la distribución
normal. Esto es:
y = G −1 ( F ( z ))
Donde G( y)es la distribución normal estándar

Un paso posterior puede requerir el ajuste de la distribución transformada con

polinomios de Hermite.

38
 Simulación Montecarlo

• Sobre una CDF conocida y representativa

de la población de muestras, considerar la
función cuantil:

q( p) = F −1 ( p) = x p

Generar los valores p al azar

p  [0,1]
• Generar un número aleatorio, ,
de distribución uniforme.

• La función cuantil q(p) arroja el valor

simulado Xp.

• Es aconsejable contar con un generador

de números aleatorios robusto.

39
5. El variograma Calculo e Interpretación.

40
Correlación Espacial
• Como se puede ver en los mapas
de la derecha, si bien todos
comparten el mismo conjunto de
datos, la estructura de la
correlación espacial es diferente.

• La correlación y variabilidad
espacial dependen de la
distribución detallada de las leyes
en el espacio.

• Los variogramas, reflejan estas

diferencias en la estructura de la
variabilidad espacial.

41
 Análisis de la Variabilidad y correlación Espacial:
El Variograma
 La estimación geoestadística de valores en puntos no muestreados requiere de una
medida de la variabilidad espacial de una variable regionalizada.
 La variabilidad entre un par de muestras z1 y z2 es dada por:

2 12 = ( z1 − z 2 ) 2
 Cada par de muestras está separada por un hvector
 Si tenemos n pares de muestras separadas
h por
h es preciso promediar la
variabilidad espacial entre los pares:
n
2 (h) = 
i =1
( zi − zi + ( h   h) ) 2

 Esta es la fórmula del Semi-Variograma, y se entiende como la semi-varianza de

las diferencias entre pares separados por un vector h, o lo que es lo mismo: La
media de la diferencia al cuadrado de los valores separados por
h un vector :
2 (h) = E{[Z (u) − Z (u + h)]2 }
 Propiedades:
 (0) = 0  (h)  0  (−h) =  (h)

42
El Variograma Experimental

• Es un gráfico de la varianza de la
diferencia entre pares a diferentes
distancias para una orientación
determinada.
• Es calculado por la siguiente fórmula:


1
2 (h) = [ z (u ) − z (u + h)]2
N ( h) N ( h )

• En la práctica, especialmente cuando los

datos están irregularmente localizados,
Incremento de un haz de búsqueda es usado para
La variabilidad encontrar los pares separados a cierta
distancia.
• Este haz se mueve de nodo a nodo, y
cambia su longitud para diferentes
separaciones (Lags).

43
Parámetros para el Cálculo del Variograma Experimental
 Tamaño de los Incrementos de Distancia
(Lag Spacing): Debe ser coincidente con
la separación media entre las muestras.

 Número de Incrementos: Es
determinado por el tamaño de los
incrementos y las dimensiones del área
de estudio. Una regla práctica es
restringir la variografía a la mitad de la
diagonal del área de la zona de estudio.
 Tolerancia Angular: Está determinada
por la anisotropía esperada de la
mineralización y por la densidad del
muestreo.
 Límite de Tolerancia Angular: Sirve para
restringir el cono de la tolerancia angular
cuando esta a alcanzado determinada
abertura.

44
Componentes del Variograma
• La distancia a la que el variograma se
estabiliza es el alcance, y es la distancia
donde se pierde la correlación espacial.

• El efecto pepita es la variabilidad a muy 2

corta escala o producida por errores de
muestreo y análisis. Meseta = C1

• La meseta es la altura a la que el Efecto

variograma se estabiliza. Pepita = C0

Alcance
• La meseta mas el efecto pepita suele
ser cercana a la varianza, la
variabilidad media de todas las
muestras.

45
Interpretación del Variograma Experimental
• Tendencias: Una deriva en el variograma experimental indica la
presencia de una tendencia en los valores reales en la dirección de
tal variograma.
• La presencia de una tendencia posa un problema a la decisión de
estacionareidad.
• Pero puede ser removida ajustando una curva determinística.
• El variograma sin tendencia se calcula con los residuales.
• La tendencia es reintroducida al momento de modelar las leyes.

46
5.6 Interpretación del Variograma Experimental
(2)
• Ciclicidad: Puede estar vinculada a periodicidad geológica como secuencias en la estratificación
favorable a la mineralización.
• Pero también puede deberse a la escasez de datos.

47
5.6 Interpretación del Variograma Experimental
(3)

• Anisotropía Geométrica: Se da cuando el alcance de la correlación espacial varía a diferentes direcciones.

• Esta es producida usualmente por la dirección del flujo de la mineralización, por procesos de deposición, o el sentido de la
dispersión de los contaminantes.

48
5.6 Interpretación del Variograma Experimental
(4)
• Anisotropía Zonal: Es cuando la magnitud de la variabilidad (meseta) cambia según la
dirección.
• Suele producirse por la presencia de diferentes estratos o capas, lo que incrementa la varianza
en la dirección perpendicular a la estratificación.
• También es producida por un incremento de la varianza entre taladros, que puede ser mayor a
la varianza a lo largo de los taladros.

49
El Mapa de Variogramas
• permite analizar rápidamente el comportamiento espacial de una variable a diferentes
direcciones, esto se logra por medio de un sistema de coordenadas esféricas donde las
curvas de isovaloras representan el valor del variograma a diferentes direcciones y
módulos del vector h.

50
El Variograma la Covarianza y el Correlograma

• Bajo la decisión de estacionareidad, el variograma, la covarianza y el

correlograma (correlación), son herramientas equivalentes para caracterizar la
variabilidad espacial de dos puntos:
 (h) =  2 − C (h) =  2 [1 −  (h)]
• Donde: C (h) = E{Z (u )  Z (u + h)} − E{Z (u )}  E{Z (u + h)} C (0) =  2
• La covarianza mide la continuidad de las leyes, mientras que el variograma mide
la variabilidad.

51
GRACIAS