INTRODUCCIN A LA GEOESTADSTICA Y ESTIMACIN DE

RECURSOS MINEROS CON LA LIBRERA GEO-R

Jean Pierre Mandujano Gutierrez, Ivan Huaman Sullcaray, Cristian Soriano Contreras,
Yoel Fernandez Urbano, Freddy Calderon Vela
Asignatura: Geoestadstica
Facultad de Ingeniera Geolgica, Minera y Metalrgica
Universidad Nacional de Ingeniera

RESUMEN
En este trabajo se presenta una metodologa de
trabajo para la estimacin de recursos mineros,
haciendo uso de la teora de Geoestadstica y de la
librera de algoritmos geoestadsticos GeoR, paquete
que forma parte del afamado software estadstico y
matemtico R.
La propuesta consiste en aprender a manejar
herramientas ms flexibles y ligeras que los softwares
convencionales, haciendo uso de la programacin.

INTRODUCCIN
Actualmente la estimacin de recursos mineros es
abordada mayoritariamente a travs de grandes
softwares multitarea, siendo los de mayor uso:
MineSight, Datamine, Gemcom, ArcGis, etc. Todos
estos softwares son enormes suites de trabajo, con
cientos de herramientas y funciones, cuestan grandes
cantidades de dinero y los cdigos fuente de su
programacin son privativos. De sus caractersticas
resultan sus desventajas: son lentos comparados con
otras opciones, necesitan buenos recursos de
hardware, son costosos y principalmente son muy
poco flexibles. Tienen la ventaja que son los ms
usados por las empresas mineras.
Una opcin muy interesante son los softwares
especficos de geoestadstica, son los ms usados por
la comunidad acadmica ligada a la industria minera,
estos son: PlayKrig, WinGslib, SGeMS, Alpha-Rho, y
un gran etc. Estos softwares tienen la ventaja de ser
ms rpidos que las grandes suites, son un poco ms
flexibles, ocupan menos espacio en disco y no exigen
hardware moderno para su funcionamiento, adems
de que son en su mayora gratuitos y tienen abiertos
sus cdigos fuente. Su desventaja es que an su
llegada a las empresas mineras es escasa.
Otra opcin es la de programar rutinas que realicen las
tareas, haciendo uso de libreras de algoritmos de
geoestadstica, hay unas cuantas libreras muy buenas
que son usadas por los softwares de geoestadstica
mencionados lneas arriba, por ejemplo: HPGL, GSTL,
Gstat, RgeoStat, GeoR y otros. Estas libreras son
gratuitas y de cdigo abierto, adems bien usadas
pueden ser ms rpidas que cualquier software. La
desventaja es que se necesita cierto conocimiento
informtico para su uso.

Esta tercera opcin es la que desarrollaremos en el

presente informe, usaremos la librera GeoR, parte de
la potente herramienta R, que es un conjunto de
libreras de matemtica y estadstica, que cuenta con
su propio lenguaje y funciones para interactuar entre
sus libreras. La principal ventaja de seguir esta
metodologa de trabajo ser la enorme flexibilidad que
nos ofrece, ya que no estamos limitados a las
herramientas del software, si no que podemos crear
tantas herramientas como necesitemos.

PRESENTACIN DEL PROBLEMA

La estimacin de recursos mineros busca calcular la
ley mineral y el volumen de mineral de un yacimiento,
tambin busca calcular las leyes promedios de zonas
o bloques dentro del yacimiento con el objetivo de
determinar las zonas ricas y pobres, y as lograr una
mejor planificacin de la explotacin.
Esta estimacin se debe realizar a partir de un
muestreo de la zona, el estudio de este muestreo nos
debe llevar a determinar la ley de partes no
muestreadas en el yacimiento.
Un ejemplo del problema al que nos enfrentamos:
Se tiene la localizacin y leyes de muestras en cierta
zona que podramos esquematizar como una malla
(ver Figura 1), queremos conocer las leyes en las
zonas no muestreadas.

Figura 1: Leyes de alcalinos en un banco de la mina de

hierro de Marquesado (Espaa).

OBJETIVOS
Objetivo general
Presentacin de los conceptos bsicos de la
geoestadstica y su aplicacin para la estimacin de
recursos mineros.

Mtodo del inverso de la distancia: Consiste en

calcular la ley de una zona realizando el promedio
ponderado con los inversos de las distancias de las
muestras cercanas. Esto da ms peso a las muestras
cercanas (Figura 3).

Objetivos particulares
Desarrollar y presentar a travs de la librera GeoR
incluido en el sistema computacional denominado R, la
metodologa que usa la geoestadstica para la
interpolacin de datos espaciales.
Incentivar una metodologa alternativa al uso de
software privativo en los clculos geoestadsticos y la
ciencia en general.

DESCRIPCIN DE LA SOLUCIN

Figura 3: Mtodo del inverso de la distancia a la potencia

alfa. Hay que calcular las distancias entre los
datos y el centro del bloque

Los mtodos estadsticos no presentan una solucin

satisfactoria al problema planteado, repasemos unos
cuantos mtodos distintos a la geoestadstica.
La media aritmtica: Este mtodo muy simple
consiste en promediar todas las leyes conocidas
dentro de la malla. Esto equivale a darle un peso
igual (1 / N) a cada punto dentro de la malla, lo que
evidencia la mala estimacin zonal, ya que no nos da
informacin sobre zonas ricas y pobres.
Mtodo de los polgonos: El mtodo de los polgonos
se basa en asignar a cada punto de la malla la ley del
dato ms prximo. Para estimar una malla de rea S
se ponderan las leyes de los datos por el rea (o
volumen) de influencia Si (ver Figura 2).

La frmula sera:

Funciona mejor en estimaciones locales y es fcil de

calcular, aunque no se adapta bien a agrupaciones de
datos. No toma en cuenta la forma ni el tamao del
bloque a estimar.
En general las desventajas de estos mtodos son:
- Son empricos.
- Demasiado geomtricos.
- No toman en cuenta la estructura del cuerpo en
estudio. Es decir no se analiza si la variabilidad de las
leyes es regular o errtica, ni la posible presencia de
anisotropas en el cuerpo.
Veremos otro mtodo que plantea una solucin con un
sustento matemtico, desarrollado por el PhD.
Georges Matheron de la Escuela de Minas de Pars.
Geoestadstica
Regionalizadas

Figura 2: Mtodo de los polgonos. Hay que calcular el rea

de 7 polgonos

Funciona mejor que la media aritmtica pero se

necesita muchos datos para dar un resultado
satisfactorio cuando se quiere estimar localmente, ya
que asigna la misma ley a bloques dentro de un
mismo polgono, una dato anmalo genera mucho
sesgo.
Su aplicacin en 3D, el mtodo de los poliedros es
muy complicado.

Teora

de

las

Variables

En trminos mineros se define la geoestadstica como

la aplicacin de la teora de las variables
regionalizadas a la estimacin de los recursos
mineros.
Una variable regionalizada es una funcin que
representa la variacin en el espacio de una cierta
magnitud asociada a un fenmeno natural.
Sea x un punto del espacio. Se designa la variable
regionalizada por la notacin z(x).
Entonces una variable regionalizada es simplemente
una funcin z(x) del punto x. Sin embargo, esta
funcin no se comporta como las funciones que se

estudian en Matemticas: En general z(x) es muy

desordenada en su variacin espacial y no se podr
expresar, en particular, z(x) como un polinomio u otras
funciones conocidas.
La teora de las variables regionalizadas se propone
dos objetivos principales:
Expresar las caractersticas estructurales de
una variable regionalizada mediante una forma
matemtica adecuada.

y es variable en el tiempo. Una realizacin de esta

funcin
aleatoria
corresponde
a
la
variableregionalizada z(x) = ley de Li en un mes dado.
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.
El variograma

Resolver, de manera satisfactoria, el problema

de la estimacin de una variable regionalizada a partir
de un conjunto de muestras.

El variograma es una funcin que constituye la

herramienta fundamental de la geoestadstica.

El modelo matemtico de la geoestadstica

Sean x y x + h dos puntos en el espacio:

Las funciones aleatorias. Para alcanzar los objetivos

propuestos es necesario disponer de un modelo
matemtico.
La geoestadstica utiliza una cierta interpretacin
probabilstica de la variable regionalizada, mediante el
modelo de las funciones aleatorias.
Una funcin aleatoria es una funcin Z(x) que asigna a
cada punto x del espacio un valor que depende del
azar (es decir un valor aleatorio).
Figura 5: Dos puntos a la distancia vectorial h.

Al hacer un experimento sobre la funcin aleatoria se

obtiene una funcin ordinaria (no aleatoria) z(x)
llamada realizacin de la funcin aleatoria Z(x).
La hiptesis constitutiva de la geoestadstica consiste
en afirmar que la variable regionalizada en estudio es
la realizacin de una cierta funcin aleatoria. Lo
anterior equivale a decir que las leyes de nuestro
yacimiento se generaron a partir de un proceso o
experimento muy complejo.
Un ejemplo de funcin aleatoria es la siguiente:
Z(x) = Z(x,y) = ley de litio en el Salar de Atacama.

La definicin terica de la funcin variograma

es la esperanza matemtica siguiente:

( h)

1
2
( h )= E [ ( Z ( x +h ) Z ( x ) ) ]
2
Sin embargo, en la prctica siempre se utiliza el
algoritmo siguiente:

1
( h )= Promedio [ ( diferencias )2 de leyes en puntos que est
2
Esta ecuacin es la que hay que adaptar en cada
situacin prctica (mallas regulares e irregulares en el
espacio de n dimensiones, n = 1, 2, 3).
Las propiedades de
( h ) , que se deducen
fcilmente de la definicin son:

( 0 )=0
Figura 4: Leyes de litio en el Salar de Atacama para dos
campaas de reconocimiento en el tiempo.
Se observan los puntos de bombeo y el decrecimiento de las
leyes en el tiempo. No se indican las
escalas de las leyes.

Como se trata de salmueras las cuales estn en

movimiento debido a corrientes subterrneas y a la
explotacin, el valor de Z(x) en un punto x es aleatorio

( h) 0
( h )= ( h )

Clculo del variograma para una malla regular

bidimensional
Supongamos la situacin de la figura 6
(correspondiente a leyes de cobre):

Entonces: ( h1 )= NS ( 10 )=0.00535 ( 36 parejas )

De manera anloga calculamos para diferentes
valores de h:
( h2 )= NS ( 20 )=0.0987 ( 27 parejas ) ,

( h3 )= NS ( 30 )=0.1888 ( 21 parejas ) .
Realizamos los mismo clculos para diferentes
direcciones, para 0 por ejemplo, es decir en la
direccin EW.
Grfico de

( h) :

Figura 6: Leyes de cobre en un banco de una mina a cielo

abierto.

Fijemos la direccin del vector h; que sea por

ejemplo = 90, es decir, la direccin NS. El vector h
slo puede ser:

Figura 9: Variograma anistropo. La variacin de las leyes es

ms regular en la direccin EW que en la NS.

Se observa una clara anisotropa que nos indica que el

fenmeno es ms regular en la direccin EW que en la
NS. (Esto se puede comprobar al mirar como varan
las leyes en esas direcciones: ver la figura 6).
Clculo del variograma para mallas irregulares
En el caso bidimensional, la situacin es la siguiente
(Figura 1):

Figura 7: Vectores orientados segn direccin NS

Calculemos ( h1 )= NS ( 10 ) . Al aplicar el algoritmo

hay que considerar las (diferencias) posibles: (z i - zj )
2 cuando ambos datos zi y zj estn definidos. La figura
muestra las diferencias que hay que calcular:

Figura 1

En la figura 1 se observa la localizacin de pozos de

tiro en un banco de la mina de hierro de Marquesado,
Espaa.
Figura 8: Parejas posibles para calcular gama de 10 metros
en la direccin NS (hay 36 vectores)

Supongamos que queremos calcular ( h1 )

utilizando el algoritmo general, siendo h1 el vector
siguiente:

En general, los paquetes computacionales trabajan

exclusivamente con el modelo terico.
Distinguiremos dos variogramas.
i) El variograma experimental, calculado a partir de los
datos.
Figura 10: Vector para clculo del variograma.

ii) el variograma terico, que corresponde a una

ecuacin que se ajusta al variograma experimental:

Lo ms probable es que no encontremos ningn o

muy pocos pares de datos que estn exactamente a la
distancia h1. Es necesario entonces introducir
aproximaciones para el clculo de ( h ) .
Aproximacin : Mtodo de los sectores. Se basa en la
aproximacin siguiente:
Dos puntos estn aproximadamente a la distancia h si
una vez fijado el primero, el segundo cae en la zona
de la figura:

Figura 12: Variograma experimental y variograma terico.

Es evidente que el variograma terico debe respetar al

variograma experimental, sobre todo en los primeros
puntos, que son ms confiables.
El ajuste de variogramas constituye un punto crucial
en un estudio geoestadstico porque todos los clculos
posteriores se harn utilizando exclusivamente el
modelo terico.
Para tener un buen ajuste, hay que considerar que
uno de los objetivos finales es la estimacin de leyes
de bloques (modelo de bloques), dentro de una cierta
vecindad restringida de manera de no considerar
demasiadas muestras para estimar la ley de cada
bloque:
Figura 11: Mtodo de los sectores.

Si el punto P2 cae en la zona amarilla, entonces se

dice que P1 y P2 estn aproximadamente a la distancia
h.
se llama tolerancia angular, se llama tolerancia en
distancia.
La eleccin de y depende de la distribucin
espacial de los datos y de la prctica.
En algunos casos la prctica recomienda utilizar =
22.5 y = 0.5b, en que b es la distancia mnima,
llamada paso, para el clculo de ( h ) .
El paso en una direccin dada se puede determinar
como la distancia entre datos aproximadamente
contiguos en esa direccin.
Ajuste de un variograma a un modelo terico
El objetivo de ajustar un modelo terico es disponer de
una ecuacin, la cual se utilizar en los clculos
posteriores.

Figura 13: El modelo de bloques es fundamental para la

planificacin minera.

Los modelos de variograma tericos

modelo exponencial
modelo esfrico
modelo sinusoidal
modelo cbico
modelo gausiano
modelo cuadrtico

El Krigeado
En trminos mineros, el krigeado consiste en
encontrar la mejor estimacin lineal insesgada de un
bloque o zona V considerando la informacin
disponible; es decir, las muestras interiores y
exteriores a V.

Figura 14: Volumen a estimar

El krigeado atribuye un peso i a la muestra z(xi).

Estos pesos i se calculan de manera de minimizar la
varianza del error cometido.
De acuerdo a lo expresado anteriormente, el krigeado
define el estimador lineal:
zk = 1 z(x1) + 2 z(x2) + ... + Nz (xN)
con la condicin de insesgado (llamada tambin
condicin de universalidad):

Figura 15: Estadsticas de la data cargada

Tambin la orden: summary(datos), nos da las

estadsticas de la data, de ah observamos que la
mxima distancia de dos puntos de la data es poco
ms de 260, por tanto al graficar los variogramas
calculamos hasta distancias menores a esta.
Ahora calcularemos el variograma emprico tomando
cuatro direcciones 0, 45, 90, 135, la mxima
distancia a la que se comparan datos
var4_emp <- variog4(datos, max.dist = 200)

1 + 2 + ... + N = 1
Los pesos i se calculan de manera de minimizar la
varianza E del error = Z K - ZV , en que ZV es la ley
media desconocida de V.

Dibujando con el comado plot, resulta:

RESULTADOS
Basados en la teora geoestadstica procederemos a
estimar una malla de leyes usando GeoR.
Se empieza con una data en formato ASCII que tiene
tres columnas: la coordenada X, coordenada Y y la
Ley en el punto con coordenadas (X, Y), separados
por espacios. (Ver Anexo 1)
Se carga la data al espacio de trabajo de R, con el
comando:
datos <- read.geodata("Descargas/data2D.dat", head=T,
coords.col=1:2, data.col=3)

Esto crea un objeto datos con la data estructurada

idneamente para los clculos.
Podemos dar una vistazo a la estadstica de la data
con el comando:
plot(datos)

Lo que nos da la siguiente salida:

Figura 16: Variogramas en 4 direcciones

Se observa que el variograma en la direccin 90 es

bastante distinta (mucho ms irregular) que en las
otras direcciones, se trata entonces de una
anisotropa.

A pesar de la anisotropa calcularemos el variograma

omnidireccional, con el comando:
var_emp <- variog(geodata = datos, uvec = seq(0, 250, l
= 20), bin.cloud = T)

Hemos establecido que en el variograma el vector

distancia inicie en 0 hasta un lmite de 250, con un
total de 20 pasos. Dibujando tenemos:

Figura 18: Variograma esfrico ajustado

Con el comando: summary(var_teo), podemos acceder

a los parmetros del variograma esfrico. Estos no
estaban tan alejados de nuestros clculos y son:
alcance = 90.7738, meseta = 113.0513, tambin nos
da el parmetro pepita = 22.5718. A partir de ahora
este variograma y sus parmetros sern los que
usaremos para el clculo del Krigeado.
Figura 17: Variograma omnidireccional o variograma
promedio

No se llega a apreciar claramente una meseta, pero se

nota una correlacin hasta una distancia cercana a
100, podemos pensar en este valor como nuestro
alcance, entonces un valor para la meseta podra ser
algo cercano a 120, que es donde se pierde la
correlacin de los datos.
Con estas observaciones estimaremos un variograma
terico, esto podramos hacerlo dibujando varios
variogramas tericos con distintos parmetros y
escoger uno que visualmente se ajuste, pero
utilizaremos el mtodo de ajuste de mnimos
cuadrados, para esto hacemos:

Para realizar el krigeado debemos definir nuestro

diagrama de bloques, en este caso ser una malla (ya
que es en 2D):
malla <- expand.grid(seq(0, 200, 5), seq(0, 200, 5))

Basndonos en nuestra data definimos una malla que

la cubra en la mayor parte, estos es de 0 a 200, tanto
en el eje X, como en el eje Y, y tomamos la malla
compuesta por cuadrados de 5x5. Veamos:

var_teo <- variofit(var_emp, c(100, 120), cov.model =

"spherical")

Hemos usado los valores observados y asumimos un

modelo esfrico, que es el ms comn tericamente.
Si el ajuste no fuera ptimo debemos probar con otros
valores para el alcance y meseta o incluso pensar en
otro modelo de variograma. Graficando sobre el plot
anterior, con el comando: lines(var_teo), tenemos:

Figura 19: Malla de cuadrados de 5x5 a estimar por krigeado

Definiremos un borde para nuestra data, y

restringiremos el krigeado a la interseccin de la malla
y este borde.
Empezamos creando un arreglo de coordenadas de
nuestra data, esto es:

Notar que hemos usado los parmetros del

variograma terico, graficando tenemos:

borde = datos$coords

Ahora con el algortimo de Convex Hull, hallamos el

cerco convexo del polgono:
ch = Chull(borde)
ch = c(ch, ch[1])

Por ltimo hacemos que borde reciba las coordenadas

de los puntos del cerco convexo:
borde = borde[ch,]

Graficando nos queda:

Figura 21: Malla de cuadrados krigeada. A color ms claro le

corresponde ley ms alta

Figura 20: El krigeado seguir el borde

Ya tenemos todo listo para realizar el krigeado, y lo

hacemos con el comando:
k <- krige.conv(datos, coords=datos$coords, loc = malla,
border = borde, krige =
krige.control(cov.model="spherical", cov.pars =
c(90.7738, 113.0513), nugget = 22.5718))

Figura 22: Isolneas de ley

ANEXOS
Anexo 1:

Figura 23: El krigeado en perspectiva, el eje Z es la ley

Se puede apreciar en los tres tipos de grficos que el

rea ms rica se encuentra al centro y aumenta en
direccin del eje Y.
Ese aumento de ley es la anisotropa que habamos
detectado en la direccin 90.

CONCLUSIONES
El mtodo geoestadstico de estimacin de recursos
mineros es en la actualidad el mtodo ms idneo, por
encima de mtodos estadsticos y otros.
Se puede hacer uso de las libreras de algoritmos de
geoestadstica con un poco de conocimiento de
programacin y as ganar gran flexibilidad y certeza de
la idoneidad de lo que se hace.

BIBLIOGRAFA
[1] Apuntes del curso de Geoestadistica de la faculta
de ingeniera geolgica, minera y metalrgica, dictado
por el PhD. Alfredo Marn Suarez.
[2] Estimacin de recursos mineros PhD. Marco
Alfaro Sironvalle.
[3] Curso de Geoestadstica, Centro de morfologa
matemtica de Fontainebleau PhD. Georges
Matheron.
[4] geoR : Package for Geostatistical Data Analysis
An illustrative session - Paulo J. Ribeiro Jr. & Peter J.
Diggle

X
Y
Ley
20 220 7.8
48 219 9.3
77 222 17.7
104.5
220 54.4
134.5
217 12.8
163 221 13.4
188.5
220 11.3
214.5
218.5
240 226 5.1
47 188 4.3
104 184.5
43.4
134 188 7.1
162.5
186 9.1
188 181 4.8
19 168.5
4.1
76.5 176 9.3
104 160 22.2
134 159.5
4.3
213 169.5
0.7
239 171.5
0.6
46.5 158 3.2
161.5
154 8
188.5
153.5
238.5
148.5
46 125 3.9
76 132.5
8
104 122.5
23.1
133 138 22
187 123 2
213 133 0.8
238.5
125 0.5
133.5
113.5
160.5
111 7.4
212 103 1.2
238 99 0.8
186.5
94.5 1.8
133 88 10.3
103.5
90.5 18
76 88 10.1
45.5 87.5 5.1
133 62.5 9.8
159.5
73.5 8
186 63.5 5.1
211.5
69 2.2
44.5 43 2.9
75.5 42 7.4
102.5
55.5 15.1
103 22.5 20.3
133 37.5 7
158 28.5 8.5
185.5
26.5 6
211.5
39 2
133 13 24.3
239.5
205.5

4.8

3.7
0.5

15.1

0.4