Está en la página 1de 68

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA GEOLOGICA


FACULTAD DE INGENIERIA GEOLOGICA, MINAS, METALURGIA Y GEOGRFICA
ING. YVAN HURTADO GUERRERO
PROPOSITO DEL CURSO
A partir de la escasa
informacin conocida:

Debemos * Estimar o
Predecir * el valor de una
variable en reas donde
no se conocen.
OBJETIVOS DEL CURSO
Se plantean varios problemas:
DESCRIBIR, la distribucin espacial de la variable en estudio.
ESTIMAR, sus valores en sitios no muestreados.
CALCULAR, los recursos recuperables sobre una ley de corte (aplicaciones
mineras).
CONOCER, la incertidumbre sobre los valores no muestreados
construccin de escenarios posibles
anlisis de riesgo





PLAN DEL CURSO
1) Anlisis exploratorio de datos espaciales: Estadstica Lineal.
2) Anlisis Estructural / Relacin Espacial: Calculo de variogramas.
3) Estimacin Local.
4) Modelos numricos (Simulaciones condicionales): Kriging
Etapas de anlisis:
Los pasos principales de un estudio Geoestadstico son:

Anlisis de los datos exploratorios.

Etapas de anlisis:
1) Anlisis exploratorio de datos
espaciales: Estadstica Lineal.
2) Anlisis Estructural / Relacin
Espacial: Calculo de variogramas.
3) Estimacin Local.
4) Modelos numricos (Simulaciones
condicionales): Kriging
HIPTESIS DE LA GEOESTADSTICA

VARIABLES REGIONALIZADAS (V.R.): Definicin y ejemplos. Anlisis estructural.

HIPTESIS DE TRABAJO: Funcin aleatoria. El semi-variograma.
PROPIEDADES DEL VARIOGRAMA: Meseta y Alcance

SEMIVARIOGRAMA EXPERIMENTAL

Definicin. Relacin con la covarianza. Forma de un variograma.

CONSTRUCCIN DE UN VARIOGRAMA:

Representacin esquemtica de las iteraciones.

MODELOS DE VARIOGRAMAS

Variograma con efecto de pepita.
Variograma con meseta.
Variograma sin meseta.

El termino GEOESTADISTICA, fue acuado por MATHERON
en 1962.
Definindola; como la aplicacin del formalismo de las
FUNCIONES ALEATORIAS al reconocimiento y estimacin
de los fenmenos naturales.
Dichos fenmenos los caracterizamos por la distribucin
espacial de una o mas variables: VARIABLES
REGIONALIZADAS.
HISTORIA & DEFINICION
La Geoestadstica busca estudiar las variables regionalizadas, es decir, variables numricas que se
extienden en el espacio geogrfico, a partir de una toma de muestra.
Ejemplos:

Agricultura: concentraciones de nutrientes, pH, salinidad, conductividad
elctrica del suelo

Ingeniera Forestal: densidad y dimetro promedio de los rboles en un bosque

Ciencias Medio Ambientales: concentracin de elementos contaminantes en
la atmsfera o en el suelo

Ingeniera de Petrleo, Hidrogeologa: porosidad y permeabilidad de la roca en
un reservorio petrolero o en un acufero

Minera: atributos geolgicos o metalrgicos (leyes, potencia, acumulacin,
tipo de roca, dureza, recuperacin metalrgica)
VARIABLES REGIONALIZADAS
Ejemplos de aplicacin
Ejemplo 1: Mediciones de la concentracin de plomo en una zona contaminada
Cuales son las reas que necesitan remediacin?
Ejemplos de aplicacin
Ejemplo 2: Campaa de sondajes en un yacimiento aurfero
Cules la distribucin de las leyes en el yacimiento?
Cules son los recursos minerales (tonelaje, ley media) que se puede extraer?

( )
2
2
1
)] ( ) ( [ h x Z x Z E h + =
( ) h x Z +
1
h x +
h
1
h
( )
1
h x Z +
h x+
( ) x Z
x
Un valor observado en cada punto de x es considerado como el resultado z(x) de un
variable aleatoria Z(x),
Se debe comprender que cada uno de los puntos z(x), sean estos cuantificados o no,
son representados por la variable aleatoria Z(x).
La totalidad de variables aleatorias Z(x) localizados en cada punto x, conforman una
funcin aleatoria FA. (que es sinnimo de un proceso estocstico).
La funcin aleatoria esta caracterizada por una distribucin finita multidimensional de
variables aleatorias.
FUNCION ALEATORIA
HIPOTESIS: ESTACIONARIDAD E INTRINSECA
Para que esta hiptesis probabilstica tenga un sentido real, es necesario poder
reconstituir, al menos en parte, la ley de probabilidad de la funcin aleatoria.
Lo cual supone que la inferencia estadstica (es decir el clculo de parmetros que
caracterizan la funcin aleatoria) es posible.
Es necesario introducir una hiptesis suplementaria a la funcin aleatoria Z(x).
Esta hiptesis es conocida como hiptesis de estacionaridad y expresa que la
variacin espacial de las realizaciones de Z(x) deben ser homogneas.
Esta hiptesis se puede debilitar al suponer que las diferencias Z(x) Z(y) son
estacionarias localmente; lo cual se conoce como hiptesis intrnseca.
Es un Estimador de la varianza poblacional.
Debe tener una tendencia de estacionariedad.
Esta relacionado con una direccin y distancia (h).
Principal herramienta bsica, que da soporte a las tcnicas de
Kriging.
Representar cuantitativamente la variacin de un fenmeno
regionalizado en el espacio.
Representacin grfica de un semivarianza.
(h) = Semivarianza.
N = Nmero de pares.
Z(x) = Valor de la propiedad z en el lugar x.
Z
(x+h)
= Valor de la propiedad Z a una distancia h del lugar x.
( )

=
+ =
) (
2 *
)) ( ) ( (
2
1
) (
h N
1 i
i i
h x z x z
h N
h
Se define como la media aritmtica de todos los cuadrados de las
diferencias entre pares de valores experimentales separados por una
distancia h.
Es la varianza de los incrementos de la variable regionalizada, separadas
por una distancia h
FUNCIONES UTILIZADAS

Grafica la relacin entre semivarianza y espaciamiento.
Permite identificar la auto correlacin espacial (interpolacin y agrupamiento).
Permite identificar las distancias a partir de las cuales se considera que muestras son
independientes
Representa el valor medio de cambio de una muestra con respecto a la distancia
entre las distinta localizaciones en las que se ha medido.

PRINCIPIOS FUNDAMENTALES

1. El numero de pares mustrales, para estimar un variograma en cuestiones de
isotropa debe ser 100. Si existe anisotropa deben ser bastante mas abundantes.
2. El numero de pares de datos requeridos en el caculo de cada puntodel variograma
debe de estar, al menos, entre 30 y 50.
3. Tras definir el variograma experimental, ser necesario ajustarlo a un variograma
terico (esferico, exponencial, gaussiano, potencial, lineal, efecto pepita etc).
MODELO GRAFICO: FUNCION SEMI VARIOGRAMA
CARACTERES ESTRUCTURALES
MESETA / SILL (C).- Denominado tambin UMBRAL. Equivale a la varianza
muestral de la poblacin, de modo que al incremental la distancia h esta
alcanza un valor limite. Se representa como (Ct=C+Co)

ALCANCE (a).- Denominado tambin RANGO. Punto en el que la meseta
alcanza su maximo valor h (distancia). La dependencia espacial disminuye a
medida que la distancia h se incrementa.

EFECTO PEPITA (Co).- Representa 02 fuentes de variabilidad que con
frecuencia actan a la vez.
Variabilidad en una distancia mas pequea que el menor h
(distancia) considerado en el anlisis.
Efecto de errores experimentales.



CARACTERES ESTRUCTURALES
MODELO GRAFICO: FUNCION SEMI VARIOGRAMA
MODELO TEORICO CON MESETA
MODELO ESFERICO (Comportamiento Lineal)
MODELO TEORICO CON MESETA
MODELO ESFERICO
MODELO TEORICO CON MESETA
MODELO EXPONENCIAL (Comportamiento Lineal)
MODELO TEORICO CON MESETA
MODELO EXPONENCIAL
MODELO TEORICO CON MESETA
MODELO GAUSIANO (Comportamiento Parablico)
MODELO TEORICO CON MESETA
MODELO GAUSIANO
MODELO LINEAL
MODELO GRAFICO: FUNCION SEMI VARIOGRAMA
MODELO GRAFICO: FUNCION SEMI VARIOGRAMA
Modelo Seno Cardinal / Efecto Agujero
( )
( )
|
|
.
|

\
|
=
a h
/a h
s h
/
seno
1
Distancia
V
a
r
i
o
g
r
a
m
a
Sill s que alcanza asintticamente.
Rango aparente igual a a
Rango experimental igual a 3
Comportamiento cuadrtico en el
origen.
Se utiliza para representar fenmenos
continuos con periodicidades.



MODELO GRAFICO: FUNCION SEMI VARIOGRAMA
MODELO GRAFICO: FUNCION SEMI VARIOGRAMA

|
|
|
|
.
|

\
|
|
.
|

\
|
>
s +
=
a h si s
a h si
a
h
0.75
a
h
3.5
a
h
8.75
a
h
7 s
7
7
5
5
3
3
2
2
h
Rango a y sill s.
Comportamiento cuadrtico en el
origen.
Representa fenmenos bastante
continuos.


Distancia
V
a
r
i
o
g
r
a
m
a
Modelo Cubico
Distancia
V
a
r
i
o
g
r
a
m
a
s=2.5, p=0.4
s=0.4, p=1.8
s=1.15, p=1
Modelo Potencia ( )
p
h s h =
s se denomina factor de escala
El comportamiento en el
origen depende del valor de p
Representa fenmenos no
estacionarios


2 0 < s p
MODELO GRAFICO: FUNCION SEMI VARIOGRAMA
Una teora es una buena teora siempre que
satisfaga 02 requisitos:

1. Debe describir con precisin un amplio conjunto de
observaciones, sobre la base de un modelo que
contenga solo unos parmetros arbitrarios.

2. Debe ser capaz de predecir positivamente los
resultados de observaciones futuras.

DEBEMOS RECORDAR SIEMPRE




UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA GEOLOGICA
FACULTAD DE INGENIERIA GEOLOGICA, MINAS, METALURGIA Y GEOGRFICA
ING. YVAN HURTADO GUERRERO




UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA GEOLOGICA
FACULTAD DE INGENIERIA GEOLOGICA, MINAS, METALURGIA Y GEOGRFICA
ING. YVAN HURTADO GUERRERO
COMPORTAMIENTO DE CORRELACION: TIPO DE DIRECCION
COMPORTAMIENTO DE CORRELACION: TIPO DE DIRECCION
COMPORTAMIENTO DE CORRELACION: TIPO DE DIRECCION
Modelo Anisotrpicos
( ) h
1

Variograma isotrpico de sill 1 y rango 1


( )
|
|
.
|

\
|
+ =
2
2
2
2
1
y
y
x
x
R
h
R
h
s h Variograma anisotrpico de sill s con rango
x
R
en la direccin del eje X y rango
y
R en la direccin
del eje Y
x
R
y
R
X
Y
Los ejes de anisotropa coinciden con los ejes de
coordenadas
X
Y
Modelo Anisotrpicos
Los ejes de anisotropa NO coinciden con los ejes de
coordenadas
x
R
y
R
X
Y
u
1) Transformar los puntos del sistema de
coordenadas XY al sistema de coordenadas
XY
Rh h = ' R= matriz de rotacin
T
2) Proceder como antes para ajustar la
longitud de los ejes de anisotropa
' Th
= matriz para transformar
las distancias
3) Evaluar el variograma isotrpico en el resultado.
( ) ( ) TRh s h
1
=
Es un variograma anisotrpico en la direccin
u
con eje mayor igual a
x
R
y eje menor igual a
y
R
El variograma en la prctica indica (en cada uno de sus puntos) el valor esperado de la
diferencia entre las muestras distanciadas en h metros. Este instrumento servir de
soporte para la medicin de la probabilidad de acercarse a la realidad al realizar la
estimacin de la ley en un depsito de mineral.





UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA GEOLOGICA
FACULTAD DE INGENIERIA GEOLOGICA, MINAS, METALURGIA Y GEOGRFICA
ING. YVAN HURTADO GUERRERO
Herramientas de anlisis exploratorio de datos
Despliegue de atributos (mapas)

Permite visualizar la ubicacin de las muestras en el espacio y darse una idea preliminar
de la distribucin espacial de la variable regionalizada en estudio:

litologa

mineralizacin definicin de unidades geolgicas

alteracin

leyes, densidad, potencia, etc.

Tipos de despliegue: secciones; plantas; vistas 3D; mapas con escala de
colores, codificados por indicador, pos smbolos, etc.





ESTADISTICA (Revisin de conceptos)
Determinacin de la Ley Media

Introduccin
Mtodos estadsticos para la determinacin de la ley media
Carcter normal o lognormal
Mtodo de los histogramas
Mtodo de la recta de Henry

Estadstica Descriptiva

Histograma
Marca de clase, intervalo de variacin y rango
Medidas de tendencia central: media aritmtica, mediana y moda
Medidas de dispersin: rango, varianza y desviacin estndar
Coeficiente de variacin
Rango Intercuartlico
Grfico de cajas y bigotes (Box plot)
Ley de distribucin Normal (Ley de Laplace-Gauss)
Limitaciones de la ley normal
Coeficientes de la forma de la distribucin
El Coeficiente de Curtosis
El Coeficiente de Asimetra

Tablas de frecuencia e histogramas
Dan una representacin de la distribucin experimental de los datos:

- Tabla de frecuencia histograma

- Frecuencia acumulada histograma acumulado o funcin de reparticin

- Curvas de tonelaje ley, ley promedio ley...

- Valores atpicos discernimiento del usuario

- Lmites de deteccin.
Los histogramas y las curvas de tonelaje ley dependen del soporte (es, decir, el
volumen) de la medicin.

Estadsticas bsicas
Medidas de Posicin

Media, mediana, moda, mnimo, mximo, rango, cuartiles, deciles, cuantiles.

Medidas de Dispersin

Varianza, desviacin estndar, rango intercuartil, coeficiente de variacin.

Medidas de Forma

Coeficiente de asimetra (skewness), coeficiente de aplanamiento (kurtosis)








Nos permiten determinar si la distribucin de los datos poseen un
comportamiento Normal o Lognormal
ESTADISTICA LINEAL: CONCEPTOS BASICOS
ESTADISTICA LINEAL: CONCEPTOS BASICOS
ESTADISTICA LINEAL: CONCEPTOS BASICOS
Ejemplo 1: modelo litolgico

modelo
tridimensional
dos secciones
Ejemplo 2: Yacimiento de tipo prfido cuprfero (2376 muestras de longitud 12m)
Compositacin
Creacin de compsitos a partir de testigos:
Histograma
Curva tonelaje - ley
Curva ley promedio - ley
Frecuencia acumulada
Buscan comparar dos distribuciones empricas entre s (misma poblacin?)
Grficos cuantiles contra cuantiles
N Ley % Acum. N

Ley % Acum. N Ley % Acum. N

Ley % Acum.
1 0.02 3.33 16 0.40 53.33 1 0.01 5.00 11 1.02 55.00
2 0.03 6.67 17 0.50 56.67 2 0.02 10.00 12 1.02 60.00
3 0.05 10.00 18 0.52 60.00 3 0.04 15.00 13 1.10 65.00
4 0.07 13.33 19 0.61 63.33 4 0.08 20.00 14 1.15 70.00
5 0.07 16.67 20 0.66 66.67 5 0.12 25.00 15 1.20 75.00
6 0.10 20.00 21 0.85 70.00 6 0.15 30.00 16 1.22 80.00
7 0.12 23.33 22 1.03 73.33 7 0.35 35.00 17 1.24 85.00
8 0.15 26.67 23 1.10 76.67 8 0.52 40.00 18 1.25 90.00
9 0.20 30.00 24 1.20 80.00 9 0.78 45.00 19 1.27 95.00
10 0.20 33.33 25 1.32 83.33 10 0.96 50.00 20 1.29 100.00
11 0.22 36.67 26 1.40 86.67
12 0.28 40.00 27 1.42 90.00
13 0.29 43.33 28 1.50 93.33
14 0.35 46.67 29 1.53 96.67
15 0.36 50.00 30 1.55 100.00

Estos grficos sirven para comparar una distribucin experimental con una distribucin de
referencia que es normal o lognormal.

En caso de identidad con una distribucin normal o lognormal, el grfico de probabilidad
correspondiente dibuja una recta.
Grficos de probabilidad normal y lognormal
Los quiebres de pendiente pueden indicar una mezcla de varias poblaciones.
Grfico de dispersin o nube de correlacin (scatterplot)
El coeficiente de correlacin lineal es un ndice entre 1 y 1 de la similitud entre dos variables. Es
sensible a la presencia de valores anmalos y no detecta relaciones no lineales
Visualiza los valores de una variable en funcin de otra.
ver la relacin par a par de ambas variables o correlacin
detectar valores anmalos





UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA GEOLOGICA
FACULTAD DE INGENIERIA GEOLOGICA, MINAS, METALURGIA Y GEOGRFICA
ING. YVAN HURTADO GUERRERO
La Estimacin de Recursos es una de las etapas mas importantes para evaluar
un depsito o parte de un depsito de minerales
Por lo general se realiza partiendo de informacin de muestras tomadas del
terreno mediante sondajes, canaletas, zanjas, puntos, debidamente analizadas
en laboratorios reconocidos, y adecuadamente interpretadas. La informacin de
leyes as como la interpretacin geolgica deben estar correctamente
registrados tanto en material fsico como virtual, de tal forma que sea entendible
a todo profesional de geologa y minas, dando con ello un importante valor
agregado al depsito.
La evaluacin de recursos se desarrolla de manera indistinta para cuerpos, vetas
angostas y mantos (con fuerte o suave buzamiento), en todos los casos, la
aplicacin de reglas y estndares de estimacin se mantienen debido a la slida
base terico y prctica de la geoestadstica.
La Geoestadistica, es una solucin econmica y totalmente efectiva en la
Estimacin de Recursos, que le permitir, contar con resultados altamente
confiables, acompaado con un detallado informe tcnico elaborado de manera
excelente para sustentar los resultados.




Estimacin de Recursos
1) Las leyes de metal deben contar con un registro, acompaado de la
interpretacin geolgica y los cores fsicos guardados y protegidos.
2) Los logueos y los resultados de anlisis qumicos deben estar registrados
en medios magnticos.
3) Se recomienda aplicar los estndares internacionales en el anlisis, registro
y proteccin de las muestras, ante una eventual necesidad de
financiamiento bancario. Acceda a la primera parte del Cdigo Jorc.
4) Para los clculos de estimacion de recursos aplicar software seguro y de
preferencia bancable, por ejemplo: Vulcan, Mine Sight, Gemscom, Data
Mine, etc.
5) Encargar la revisin de la estimacin de los recursos a terceros, a fin de
asegurar los resultados.
ESTIMACION DE RECURSOS: Recomendaciones Bsicas
1) Tenga usted la seguridad que las variables utilizadas en el software de estimacin
fueron aplicadas de acuerdo a los lineamientos planteados en la geoestadstica.
2) Evaluar y verificar si la precisin de la estimacin encontrada, guarda relacin con el
tipo de mineralizacin del depsito y con los indicadores encontrados en el
variograma.
3) Asegrese de visualizar a tres dimensiones el modelo de recursos y la informacin
geolgica para mejor interpretacin de los resultados.
4) Que los resultados de estimacin de recursos sean exportable al software de clculo
de "reservas" minables.
5) Considere usted que los solo los recursos medidos e indicados podrn participar en
los siguientes procesos de evaluacin econmica del depsito, los recursos inferidos
no podrn formar parte en la evaluacin ni estar comprendidos como parte de
reservas probadas y probables.
ESTIMACION DE RECURSOS: Recomendaciones Bsicas

VARIOGRAMA EXPERIMENTAL
VARIOGRAMA TERICO
Propiedades bsicas
Definicin
Estudio de modelos de variograma
Clculo a partir de los datos
Caractersticas bsicas
Definicin
Ajuste de modelos de variograma
ESTUDIO DE VARIOGRAMAS
Hiptesis intrnseca de estacionariedad
En estadstica es comn asumir la estacionariedad de las variables, por ejemplo sus
distribuciones son invariables a la traslacin, de la misma forma una funcin aleatoria
estacionaria es homognea y auto repetitiva en el espacio. Es decir para todo incremento h,
la distribucin probabilstica de Z(x1), Z(x2), Z(x3),...., Z(xk) es la misma a h metros de
distancia Z(x1+h), Z(x2+h), Z(x3+h),...., Z(xk+h). Esto hace posible realizar una inferencia
estadstica sobre una ocurrencia particular de las variables.


En el estricto sentido la estacionariedad requiere que todos los momentos (estadsticos)
sean invariables en la traslacin, pero esto no puede ser verificado a partir de data
experimental, usualmente solo podemos contar con dos momentos que son la media y la
covarianza para que sean constantes.. En otras palabras, reconocemos y dejamos
establecido que el valor esperado (o promedio) de Z(x) debe ser constante para todos los
puntos x.
Estacionariedad de segundo orden
.