0165 - Analisis Exploratorio6

Curso:
Geoestadstica aplicada a la
evaluacin de yacimientos
Objetivo y contenidos (1)

El curso trata de la evaluacin de recursos geolgicos y reservas
mineras en un yacimiento, para poder tomar decisiones respecto a
su explotacin y a la rentabilidad del proyecto minero. Se divide
en cuatro lecciones:
Leccin 1: estudio exploratorio de datos regionalizados
Leccin 2: anlisis variogrfico de datos regionalizados
Leccin 3: el cambio de soporte
Leccin 4: la estimacin local

muestra
El yacimiento se ve como
una reunin de bloques, que
sern estimados a partir de
datos cercanos (muestras
de sondajes o de pozos de
tronadura).
En las muestras han sido
medidos los atributos de
inters: leyes (cobre, oro,
arsnico...), densidad de la
roca, tipo de roca...
bloque
lmite de zona mineralizada

Para qu sirve evaluar los recursos y reservas?
reporte de recursos / reservas
estudio de factibilidad
diseo de la explotacin
planificacin
control de leyes: mejorar la seleccin entre mineral y estril
Leccin 1:
Estudio exploratorio
de datos regionalizados
Introduccin
Introduccin (1)
La geoestadstica es una disciplina que permite analizar datos
ubicados en un espacio, por ejemplo:
leyes de cobre, molibdeno, arsnico, etc., en un yacimiento
nmero y dimetro de los rboles en una rea forestal
cantidad de nitrato, pH, conductividad elctrica en muestras de
suelo
concentracin de un elemento contaminante en la atmsfera
porosidad y permeabilidad de la roca en un acufero
precio del cobre a lo largo del tiempo
Introduccin (2)
El anlisis geoestadstico de datos interviene en todas las etapas
de un proyecto minero:
Estudio geolgico (largo plazo)
puede indicar direcciones de continuidad, restringir o
ampliar la extensin de la zona de inters
Campaa de exploracin
evaluar y categorizar los recursos in situ (evaluacin
global)
justificar la produccin de largo plazo
Introduccin (3)
Estudio de factibilidad y operacin
campaa de sondajes en malla densa
modelamiento geolgico
estimacin local de recursos para determinar reservas
mineras, planificar la produccin de mediano y corto
plazo, clasificar cada bloque como mineral o estril
reporte (inventario) de los recursos y reservas, detallando
su cantidad y su confiabilidad
auditoria para comprobar la evaluacin
Introduccin (4)
Explotacin
mediciones en pozos de tronadura
control de leyes: definir qu bloques mandar a planta o
botadero
reconciliacin mina - planta
A medida que avanza el proyecto minero, se tiene un conocimiento
ms completo del depsito y se actualiza los modelos geolgicos y
de recursos / reservas para incorporar la informacin nueva.
Introduccin (5)
Ejemplo: prfido cuprfero en el cual se mide la ley de cobre
La densidad del muestreo influye en el conocimiento de la

continuidad espacial de los valores (regularidad, anisotropa...)
Nociones fundamentales (1)

MINERAL
material que tiene un inters econmico, en oposicin a
estril
Esta definicin depende de varios factores:
temporales (precio del metal, tecnologa...)
legales (normas de seguridad, ambientales...)
ubicacin (infraestructura disponible)
tasa de descuento...

LEY
Es la concentracin de un elemento en el subsuelo (elemento
principal, subproducto o contaminante)
POTENCIA, ACUMULACIN
LEY DE CORTE
Se trata de un valor de ley que separa categoras distintas de
material, por ejemplo mineral y estril

CONTINUIDAD
Este concepto se refiere a la distribucin de un atributo en el
espacio
continuidad geolgica
continuidad de leyes
Nota: ambos tipos de continuidad no siempre se dan en forma
simultnea

RECURSO GEOLGICO
Concentracin u ocurrencia de material de inters econmico
intrnseco en o sobre la corteza de la Tierra en forma y
cantidad en que haya probabilidades razonables de una
eventual extraccin econmica
Se habla indistintamente de recursos geolgicos, minerales o
in situ

RESERVA MINERA
Es la parte econmicamente explotable de un recurso
mineral. Incluye dilucin de materiales y tolerancias por
prdidas que se puedan producir cuando se extraiga el
material.
Contempla la consideracin de y modificacin por factores
razonablemente asumidos de extraccin, metalrgicos,
econmicos, de mercados, legales, ambientales, sociales y
gubernamentales.

CATEGORIZACIN DE RECURSOS Y RESERVAS
El nivel de conocimiento y de confianza en las estimaciones
aumenta con la exploracin del depsito. Para el reporte de
recursos y reservas, se suele definir varias categoras:
los recursos minerales se subdividen, en orden de confianza
geolgica ascendente, en categoras de inferidos, indicados y
medidos.
las reservas mineras se subdividen, en orden creciente de
confianza, en reservas probables y reservas probadas

Existen varios cdigos internacionales para guiar la categorizacin
de recursos y reservas: JORC (Australia), SAMREC (Sudfrica),
CIM (Canad), IMM (Europa), SME (Estados Unidos)...

UNIDAD SELECTIVA DE EXPLOTACIN
Es el volumen mnimo de los bloques que se puede utilizar para
seleccionar el mineral del estril
depende del equipo para explotar (pala)
base para el estudio de factibilidad
en el modelo de yacimiento, cada unidad contiene estimaciones
de sus leyes y otros parmetros (densidad, dureza, recuperacin
metalrgica, etc.)

DILUCIN
La dilucin se refiere al hecho de mezclar (no separar) el
mineral del estril. Puede deberse a varios factores:
dilucin interna
geomtrica: debido al contacto entre mineral y estril
inherente (selectividad debida al tamao de bloque)
dilucin externa o de operacin

VARIABLE REGIONALIZADA
Una variable regionalizada es una funcin que representa
el desplazamiento en el espacio de un atributo asociado a
un fenmeno natural (mineralizacin)
Ejemplos:
leyes en cobre, arsnico, molibdeno
densidad de la roca
potencia y acumulacin de una veta
cdigo de litologa

Una variable regionalizada se caracteriza por:
su naturaleza (continua / categrica)
su dominio de extensin (campo)
su soporte, por ejemplo:
sondaje HQ de 1m
unidad selectiva de explotacin de 5m 5m 5m
La distribucin de los valores depende del soporte en el cual
se mide la variable (efecto de soporte, que tiene consecuencia
en la selectividad)

Ejemplo: distribucin de leyes de cobre en un banco
soporte 1m 1m
soporte 5m 5m
soporte 25m 25m

ADITIVIDAD
Se dice que una variable regionalizada es aditiva cuando el
valor de un soporte grande (bloque) es el promedio
aritmtico o la suma de los valores puntuales dentro del
bloque
Ejemplos:
potencia, acumulacin, ley (si soporte igual)
Contra-ejemplos
razn de solubilidad, cdigo de litologa
Cul es la ley promedio en la veta?

m1
335 253 581 199 212 505 296 356 352

gr Au
3.30
119 81 140 75 106 215 75 34 91
t
Sin ponderar por la potencia, se obtendra:

1 335 253 581 199 212 505 296 356 352
gr Au
m2
3.93
9 119 81 140 75 106 215 75
34
91
t

COMPSITOS
Un mismo conjunto de datos no debe contener muestras de
soporte distinto. Por ende, es necesario llevar las muestras a
compsitos de la misma longitud (generalmente, igual a la
altura del bloque de seleccin minera o a un sub-mltiplo
de esta altura) que se pueden agrupar en el estudio
estadstico.
Mientras ms largo el compsito, menos dispersos y menos
errticos los valores.

Creacin de compsitos
Muestras originales
con su ley de cobre
Compsitos

ESTIMACIN LOCAL MODELO DE BLOQUES
Una variable regionalizada presenta variabilidad en el
espacio, por lo cual existe cierta incertidumbre en sus
valores en sitios no muestreados. Para compensar la falta
de informacin debida al nmero limitado de datos, se
recurre a estimar los valores de los bloques que componen
el yacimiento a partir de las muestras circundantes.
Cabe recordar que las estimaciones nunca son perfectas y
estn afectadas por errores que pueden incidir en el clculo
de los recursos o de las reservas

Ejemplo: clasificacin de las unidades selectivas de explotacin
en mineral o estril

Fuentes de errores
variabilidad inherente de las leyes
errores en el modelo geolgico
errores de muestreo (variabilidad introducida)
Etapas en la evaluacin de yacimientos

Modelamiento geolgico: determinacin de unidades geolgicas
en base a la litologa, mineraloga, alteracin, etc. En general, cada
unidad se estudia y se estima por separado.
Evaluacin de la calidad de los datos (muestras)
Modelamiento geoestadstico de los datos
Estimacin global y local de los recursos geolgicos
Definicin y reporte de las reservas mineras
Herramientas
exploratorias
Objetivos
Estudiar la cantidad, calidad y ubicacin de los datos disponibles
para realizar la estimacin de recursos y reservas
Comprobar la homogeneidad de las leyes en cada unidad geolgica,
y la pertinencia de las unidades geolgicas propuestas. Definir la
zona de estudio.
Anticipar dificultades o problemas que puedan surgir en la fase de
estimacin de recursos y reservas
Presentacin de los datos

Sondajes de exploracin en un yacimiento tipo prfido cuprfero
obtencin de 2376 datos compositados con sus leyes de
cobre total (en %), oro total (en ppm) y el tipo de roca.
Cdigo
4
54
20
31
34
Tipo de roca
Granodiorta cascada
Diorta
Brecha de turmalina
Brecha de polvo de roca
Brecha de polvo de roca y turmalina
28
29
Brecha monolito
Brecha de turmalina - monolito
Despliegue de atributos (mapas) (1)

Permite visualizar la ubicacin de los datos en el espacio y
darse una idea preliminar de la continuidad 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, por smbolos, etc.
Despliegue de atributos (mapas) (2)

Nos interesamos por la ley de cobre total
Distribucin de leyes (1)

Histograma estndar
Visualiza la frecuencia de ocurrencia en funcin del valor

Desagrupamiento
Cuando la malla de muestreo es irregular, es preferible no
atribuir el mismo peso estadstico a todos los datos. La
operacin de desagrupamiento consiste en ponderar los
datos en funcin de su grado de aislamiento: mientras ms
aislado, ms peso.
Principales mtodos:
polgonos de influencia
mtodo de las celdas

Desagrupamiento: mtodo de los polgonos de influencia
Se pondera cada dato proporcionalmente a su volumen de
influencia en el campo.

Desagrupamiento: mtodo de las celdas
Se divide la zona muestreada en celdas de mismo volumen.
Cada celda tiene el mismo peso, el cual se reparte entre los
datos contenidos en esta celda.

Factores que especificar para ejecutar el mtodo de las celdas:
origen de la red de celdas
orientacin de las celdas
tamao de las celdas: tomar el tamao que minimiza el valor
promedio desagrupado?

Los algoritmos de desagrupamiento presentados
consideran criterios geomtricos al ponderar los datos en
funcin de su grado de aislamiento: mientras ms aislado,
ms peso
no toman en cuenta la continuidad espacial de los datos,
aunque idealmente este factor tambin debera ser tomado
en
consideracin.

Histograma desagrupado por los pesos obtenidos por el mtodo
de las celdas, con celdas de tamao 48m 48m 12m

Estadstica bsica
medidas de posicin
media, mediana, moda, mnimo, mximo, rango, deciles,
cuartiles, cuantiles
medidas de dispersin
varianza, desviacin estndar, coeficiente de variacin,
rango intercuartil
medidas de forma
coeficiente de asimetra, coeficiente de aplanamiento

Herramientas alternativas al histograma estndar
histograma acumulado
grficos de probabilidad
curvas tonelaje-ley
El clculo de estas herramientas debe tomar en cuenta los
ponderadores de desagrupamiento.

Histograma acumulado
Para cada ley de corte, se visualiza la frecuencia de los valores
menores que dicha ley de corte.

Grficos de probabilidad
Estos grficos comparan una distribucin emprica con una
distribucin de referencia normal o lognormal.
El grfico de probabilidad normal distorsiona el eje de las
ordenadas del histograma acumulado, de modo que el grfico
dibujara una recta en caso de tener una distribucin normal
o Gaussiana.
El grfico de probabilidad lognormal consiste en usar una
escala logartmica en el eje de las abscisas: si la distribucin
de los valores fuera lognormal, se obtendra una recta.
La presencia de varias poblaciones entre los datos puede

traducirse en un quiebre de pendiente en estos grficos. Sin
embargo no es una condicin necesaria ni suficiente, por lo
que se debe complementar el anlisis con otra informacin.

Curvas tonelaje-ley
El tonelaje asociado a una ley de corte es la cantidad de valores
que superan esta ley de corte. La media de estos valores provee
la ley promedio sobre la ley de corte. El tonelaje tambin puede
expresarse como fraccin del total (entre 0 y 1).

Cuando aumenta la ley de corte, el tonelaje decrece y la ley media
crece. El producto del tonelaje por la ley media define la cantidad
de metal (funcin decreciente de la ley de corte).
Hay que tener cuidado que las curvas tonelaje ley dependen del
soporte de los valores medidos, en particular las curvas asociadas
a los datos (soporte puntual) no coinciden con las curvas de las
unidades selectivas de explotacin (bloques). Para estimar estas
ltimas, ser necesario construir un modelo de cambio de soporte.
Comportamiento direccional (1)

Nubes direccionales
Visualizan el comportamiento de los valores a lo largo de los
ejes de coordenada. Esta herramienta permite detectar valores
atpicos e identificar tendencias o cambios en la continuidad
espacial de los valores.

rango [m]
media
[% Cu]
desv. estndar
[% Cu]
0 50
0.55
0.27
50 100
0.96
0.46
100 150
1.23
0.81
150 200
1.13
0.57
200 250
1.15
0.82
250 300
0.94
0.52
300 350
0.82
0.42
350 400
0.73
0.47

rango [m]
media
[% Cu]
desv. estndar
[% Cu]
0 50
0.93
0.83
50 100
1.39
1.08
100 150
1.18
0.74
150 200
0.96
0.48
200 250
0.90
0.48
250 300
0.97
0.41
300 350
1.04
0.39
350 400
1.04
0.50
400 450
1.09
0.53
450 500
1.16
0.69
500 550
0.55
0.28
550 600
0.52
0.23
rango [m]
media
[% Cu]
desv. estndar
[% Cu]
0 25
0.91
0.48
25 50
0.95
0.45
50 75
0.95
0.51
75 100
1.00
0.65
100 125
1.03
0.73
Herramientas bivariables (1)

Grfico cuantiles contra cuantiles
Visualiza los cuantiles de una variable en funcin de los
cuantiles de otra variable.

Nube de dispersin
ver la relacin par a par de ambas variables o correlacin
detectar valores aberrantes

Coeficiente de correlacin lineal
Resume la relacin existente entre dos variables por un valor
comprendido entre 1 y 1. Cuidado con las interpretaciones
rpidas de este coeficiente, ya que es sensible a relaciones no
lineales entre variables y a los valores extremos.
Comportamiento espacial (1)

Nube de correlacin diferida
Se trata de la nube de correlacin entre los valores de dos datos
ubicados a cierta distancia uno de otro
Al hacer variar esta distancia de separacin, se tiene una imagen
de la continuidad de la variable regionalizada en el espacio:
nube dispersa para distancia pequea: variable errtica
nube muy aplastada: variable regular en el espacio
Comportamiento espacial (2)

Ejemplo: nubes para las distancias 20m y 100m
Problemas prcticos
Estacionaridad (1)
La estacionaridad se refiere a una homogeneidad en el
espacio de las caractersticas de la variable en estudio:
media, dispersin, continuidad, etc. Implica que las
propiedades estadsticas de los datos son representativas del
total del campo.
El considerar la hiptesis de estacionaridad facilita la
elaboracin de modelos geoestadsticos, en especial en lo
que se refiere al anlisis variogrfico.
Estacionaridad (2)
En general, se tiende a considerar que la variable regionalizada
no tiene un comportamiento estacionario, por la presencia de
zonas de altas leyes y otras de muy bajas leyes.
Ahora bien, el concepto de estacionaridad es una propiedad del
modelo geoestadstico, no de la variable regionalizada misma.
Por ende, es una decisin del usuario considerar si se cumple o
no la hiptesis de estacionaridad (ni verdadera ni falsa, pero
juiciosa o no).
Estacionaridad (3)
Ejemplo: realizaciones de un modelo estacionario de media 0
tendencias
aparentes
Tendencias y derivas (1)

Definicin
Se habla de tendencia o deriva cuando se aprecia un cambio en el
valor promedio local de los datos al desplazarse en el espacio.
Ejemplo: ley que decrece fuertemente con la profundidad
El concepto de deriva se refiere al modelo probabilstico (el valor
esperado vara en el espacio), mientras que el trmino tendencia
se refiere ms bien a la observacin experimental (ms subjetivo)
Tendencias y derivas (2)

El considerar un modelo con deriva choca contra la hiptesis
de estacionaridad y complica el anlisis variogrfico.
Alternativas
considerar una hiptesis de estacionaridad local: el valor
promedio es localmente constante y vara lentamente en
el
espacio
remover la deriva de los datos
subdividir la zona de estudio en varios dominios
Efecto proporcional (1)

La dispersin de los valores es mayor en las zonas de altas
leyes que en las zonas de bajas leyes
este efecto es frecuente cuando el histograma de los datos
es asimtrico (por ejemplo, lognormal)
no es incompatible con la hiptesis de estacionaridad
planteada en el formalismo geoestadstico
se puede tomar en cuenta este efecto de dos maneras:
meseta del variograma que vara en el espacio
transformacin logartmica de los datos
Efecto proporcional (2)

Ilustracin: perfil de leyes a lo largo de una direccin del espacio
Muestreo preferencial
Un muestreo es preferencial si privilegia las zonas de alta
ley. Hay que tener cuidado en el estudio geoestadstico de
tales muestreos, pues las estadsticas experimentales ya no
son representativas del campo entero
desagrupar los datos
el tener un muestreo preferencial dificulta el anlisis
variogrfico de los datos (por ejemplo, en presencia de
un efecto proporcional) y las posteriores estimaciones
de recursos y reservas.
Informacin geolgica (1)

La caracterizacin del depsito y la evaluacin de sus recursos
dependen en gran parte del conocimiento de la geologa.
Mapas geolgicos
Se basan en observaciones de superficie, trincheras, sondajes,
labores subterrneas. Sin embargo, lo esencial de estos mapas
corresponde a una interpretacin. Por lo tanto, es necesario
revisar peridicamente estos mapas.
Se localizan los tipos de roca, fallas, pliegues, densidades y
orientacin de fracturas o de vetas, y se determina sus edades
(anterior o posterior a la mineralizacin).

Geometra de la zona mineralizada (contacto mineral - estril)
Modelamiento en plantas y secciones de superficies y volmenes
por interpolacin / extrapolacin a partir de la informacin de
sondajes; modelamiento tridimensional.
A menudo, las fronteras modeladas son ms suaves (o sea, menos
errticas) que las fronteras verdaderas; los errores geomtricos
pueden ser localmente muy importantes e implican incertidumbre
en los tonelajes de mineral.

Definicin de unidades geolgicas
Se suele dividir el depsito en varias zonas o unidades
geolgicas (UG), segn la litologa, la mineraloga y/o la
alteracin existente. Tambin se puede incluir criterios
metalrgicos y condiciones estructurales (fallamiento) en la
definicin de dichas unidades
Verificar la pertinencia de la divisin; si es necesario, agrupar
varias unidades de propiedades similares
Cada unidad debera presentar caractersticas homogneas

Problemas asociados con la definicin de unidades geolgicas
Transicin entre una unidad y otra:
frontera dura o blanda? (examinar los perfiles de leyes
que cruzan la frontera)
Extensin espacial de las unidades en el yacimiento
modelo determinstico o probabilstico? (las interpolaciones
estn sujetas a errores, lo que implica una incertidumbre en los
volmenes y tonelajes interpretados)

Unidades geolgicas definidas por rangos de leyes
Una prctica comn es definir unidades geolgicas por referencia
a rangos de leyes. Este enfoque (mtodo de isoleyes) tambin
se usa en combinacin con criterios geolgicos.
El uso de rangos de leyes no tiene sentido geolgico. Del punto
de vista geoestadstico, puede llevar a interpretaciones errneas:
el mtodo es auto-justificativo
las fronteras entre rangos de leyes suelen ser blandas
los resultados son sensibles a los rangos de leyes escogidos
Variables categricas
Codifican una propiedad del yacimiento (tipo de roca, unidad
geolgica...) no confundir con una variable regionalizada
tradicional.
Se distingue tres grandes zonas:
brecha de turmalina (centro)
diorta y granodiorta (este)
otras brechas (oeste)
Compsitos (1)
Un mismo conjunto de datos no debe contener muestras de
soporte distinto. Por ende, es necesario llevar las muestras a
compsitos de la misma longitud (generalmente, igual a la
altura del bloque de seleccin minera o a un sub-mltiplo
de esta altura).
Mientras ms largo el compsito, menos dispersos y menos
errticos los valores.
Si existen soportes muy distintos, se puede considerar el
atributo medido en cada soporte como una variable distinta.
Compsitos (2)
Los compsitos no deben cruzar fronteras duras entre unidades
geolgicas distintas. Es frecuente que se pierdan segmentos de la
informacin inicial al compositar (en la frontera de una unidad
geolgica o al final del sondaje).
Para variables categricas (ej: cdigo de litologa o mineraloga),
se puede asignar al compsito el cdigo que ms se repite entre
las muestras del compsito o el cdigo de la muestra ubicada en
su centro.
Compsitos (3)
Al compositar, se supone que las leyes son uniformes en cada
testigo inicial, para poder reconstituir el perfil de leyes de cada
sondaje.
Aumentar la longitud de los compsitos tiene varios efectos.
reduce el nmero de datos
disminuye la dispersin de los valores (efecto de soporte):
menos valores extremos, facilita el anlisis variogrfico
La longitud de los compsitos se escoge generalmente en base a
la altura de los bloques usados para modelar el depsito.
Valores atpicos / aberrantes (1)

Es posible detectar valores atpicos por medio de varias
herramientas, en especial: histograma, nubes de correlacin
entre variables, nubes direccionales...
Nunca se debe eliminar un valor atpico sin razn (falla en
el protocolo de medicin, en la transcripcin del dato, etc.).
Adems, ningn test estadstico puede indicar si un valor
es aberrante o no.
Valores atpicos / aberrantes (2)

La presencia de valores atpicos puede plantear problema para
la evaluacin de recursos y reservas:
introduce variabilidad y complica el estudio variogrfico
puede conducir a zonas amplias con leyes estimadas muy altas
Alternativas:
mtodos geoestadsticos avanzados (transforman los datos)
capping o cutting
cambiar el tamao de los compsitos
identificar varias poblaciones de datos
Datos imprecisos (1)

Es frecuente que todo o parte de las mediciones contengan
imprecisiones, debido al protocolo de muestreo o de anlisis
qumico
las tcnicas geoestadsticas permiten tomar en cuenta
estas imprecisiones, siempre que hayan sido previamente
cuantificadas
la evaluacin de recursos pierde precisin en presencia
de
errores de medicin
es recomendable estudiar la calidad de las mediciones,
sobre todo si provienen de fuentes distintas.

Ejemplo: comparacin de las mediciones procedentes de dos
campaas de sondaje distintas
Aqu se puede agrupar las mediciones de ambas campaas

La comparacin estadstica de poblaciones debe hacerse con
cuidado
diferencias naturales por tratarse de muestras diferentes,
aun
si estn tomadas en la misma zona (fluctuaciones estadsticas
diferencias
cuando
estn en zonas
que puedenesperables
ser importantes
en las
las poblaciones
colas de las distribuciones)
distintas, debido a la evolucin en los valores de la variable
regionalizada: cambio en las leyes y en su dispersin (efecto
proporcional)
La regresin de D. Krige
Regresin lineal (1)

Se considera la nube de dispersin entre dos variables X e Y
(ejemplos: leyes de cobre total vs. cobre soluble; leyes estimadas
vs. reales; acumulacin de oro vs. potencia; ley vs. coordenada)
La regresin lineal consiste en determinar la recta que mejor
represente la nube de puntos. Su ecuacin es:
aX b
Y
con: a
cov (X, Y)
var ( X)
b mY a mX
Regresin lineal (2)

Ilustracin: valores reales vs. valores estimados de leyes
La regresin de Krige (1)

Problemtica
A principios de los aos 1950, en los yacimientos de oro
sudafricanos, se sola estimar la ley de un panel por la media
de las leyes de las muestras contenidas en dicho panel.
Este proceder resultaba en un fuerte sesgo condicional: si las
muestras tienen una alta ley, el panel tiende a tener una ley
ms baja, y viceversa, a causa del efecto de soporte. Luego,
cuando el estimador proporcionaba una ley muy alta, lo ms
probable es que la ley verdadera del panel fuera ms baja.

Propuesta de D. Krige
Para corregir los sesgos, Krige aplic la siguiente regresin:
ley estimada del panel a mi (1 a ) m

con
mi: ley promedio de las muestras al interior del panel
m: ley promedio de todas las muestras
a: coeficiente inferior a 1

Propuesta de G. Matheron
En la regresin de D. Krige, todas las muestras dentro del panel
tienen el mismo peso; asimismo las muestras fuera del panel
tambin tienen un peso igual entre s, se siten o no prximos a
l.
G. Matheron mejor la ponderacin al atribuir a cada dato el
ponderador que se merece realmente, segn su alejamiento al
centro del panel y la continuidad espacial de los valores; as
formaliz el mtodo llamado kriging (1963).
Bibliografa (1)
Chils J.P. and Delfiner P., Geostatistics: Modeling Spatial Uncertainty, Wiley, New York, 1999,
696 p.
Deutsch C.V. and Journel A.G., GSLIB: Geostatistical Software Library and Users Guide,
Second edition, Oxford University Press, New York, 1998, 369 p.
Emery X., Geoestadstica lineal, Departamento de Ingeniera de Minas, Universidad de Chile,
2000, 411 p.
Goovaerts P., Geostatistics for natural resources evaluation, Oxford University Press, New York,
1997, 480 p.
Isaaks E. and Srivastava R., An Introduction to applied geostatistics, Oxford University Press,
New York, 1989, 561 p.
Journel A. G. and Huijbregts C. J., Mining geostatistics, Academic Press, London, 1978, 600 p.
Matheron G., The theory of regionalized variables and its applications, Les cahiers du centre de
morphologie mathmatique de Fontainebleau, Fascicule 5, Ecole des Mines de Paris, 1971, 212 p.
Sinclair A.J. and Blackwell G.H., Applied Mineral Inventory Estimation, Cambridge University
Press, Cambridge, 2002, 381 p.
Wackernagel H., Multivariate geostatistics: an introduction with applications, Springer-Verlag,
Berlin, 1998, 291 p.
Bibliografa (2)
Sobre categorizacin de recursos y reservas
CIM, CIM Standards on Mineral Resources and Reserves - Definitions and Guidelines. Prepared
by the CIM Standing Committee on Reserve Definitions: CIM Bulletin, v. 93, no. 1044, 2000, p.
53-61
CSA, Standards of disclosure for mineral projects: National Instrument 43-101, Canadian
Securities Administration, 2001, 22 p.
EURO, Code for reporting of mineral exploration results, mineral resources and mineral reserves
(the European code). Report prepared by the Institution of Mining and Metallurgy Working Group
on Resources and Reserves in conjunction with the European Federation of Geologists and the
Institute of Geologists of Ireland, 2002, 34 p.
JORC, Australasian Code for reporting of exploration results, mineral resources and ore reserves
(the JORC Code, 2004 Edition). Report prepared by the Joint Ore Reserve Committee of the
Australasian Institute of Mining and Metallurgy, Australian Institute of Geoscientists and Minerals
Council of Australia, 2004, 21 p.
SAMREC, South African Code for Reporting of Mineral Resources and Mineral Reserves (The
SAMREC Code). Report prepared by the South African Mineral Resource Committee SAMREC
under the auspices of the South African Institute of Mining and Metallurgy, 2000, 38 p.
Ejercicios
Repetir el estudio exploratorio de los datos de cobre y realizar el
estudio de los datos de oro en los sondajes de exploracin
locxyz, histplt, declus, scatplt, qpplt, probplt, gtcurve, getpairs
Comparar las caractersticas de las leyes de cobre en los
sondajes con aquellas de los pozos de tronadura ubicados en los
centros de los bloques de 25m 25m 12m
pixelplt, histplt, qpplt
Comparar las caractersticas de los pozos de tronadura con
aquellas de los bloques de 25m 25m 12m
pixelplt, histplt, qpplt, scatplt
Archivos de parmetros
de los programas GSLib
Mapa de ubicacin
Parameters for locxyz
*********************
START OF PARAMETERS:
muestras.dat
-file with data
1
2
4
columns for X, Y, variable
3
-1.0e21
1.0e21
columns for Z and coordinate limits
-1.0
1.0e21
trimming limits
mapa_muestras_Cu_planta.ps
-file for PostScript output
0.0
400.
-xmn,xmx
0.0
600.
-ymn,ymx
0
-0=data values, 1=cross validation
0
-0=arithmetic, 1=log scaling
1
-0=gray scale, 1=color scale
0
-0=no labels,
1=label each location
0.0
3.0
0.5
-gray/color scale: min, max, increm
0.25
-label size: 0.1(sml)-1(reg)-10(big)
Muestras de exploracion (planta)
-Title
Histograma
Parameters for HISTPLT
**********************
muestras.dat
4
0
-1.0
1.0e21
hist_muestras_Cu.ps
0.0
3.0
0.12
30
0
0
0
2
Histograma estandar
1.5
-1.1e21
-file with data

columns for variable and weight
trimming limits
-attribute minimum and maximum
-frequency maximum (<0 for automatic)
-number of classes
-0=frequency, 1=cumulative histogram
number of cum. quantiles (<0 for all)
-number of decimal places (<0 for auto.)
-title
-positioning of stats (L to R: -1 to 1)
-reference value for box plot
Desagrupamiento (1)
Parameters for DECLUS
*********************
muestras.dat
1
2
3
4
-1.0
1.0e21
declus.sum
declus.out
1.0
0.25
0
94 30.0 500.0
10
-file with data

- columns for X, Y, Z, and variable
- trimming limits
-file for summary output
-file for output with data & weights
-Y and Z cell anisotropy (Ysize=size*Yanis)
-0=look for minimum declustered mean (1=max)
-number of cell sizes, min size, max size
-number of origin offsets
Desagrupamiento (2)
Parameters for SCATPLT
**********************
declus.sum
-file with data
1
2
0
0
- columns for X, Y, wt, third var.
-1.0
1.0e21
- trimming limits
media_vs_tamano.ps
-file for Postscript output
0.0
500.0
0
-X min and max, (0=arith, 1=log)
0.8
1.10
0
-Y min and max, (0=arith, 1=log)
1
-plot every nth data point
0.5
-bullet size: 0.1(sml)-1(reg)-10(big)
0.0
5.0
-limits for third variable gray scale
Media desagrupada vs tamano de celda
-title
Desagrupamiento (3)
Parameters for DECLUS
*********************
muestras.dat
1
2
3
4
-1.0
1.0e21
declus.sum
declus.out
1.0
0.25
0
1 48.0 48.0
10
-file with data

- columns for X, Y, Z, and variable
- trimming limits
-file for summary output
-file for output with data & weights
-Y and Z cell anisotropy (Ysize=size*Yanis)
-0=look for minimum declustered mean (1=max)
-number of cell sizes, min size, max size
-number of origin offsets
Desagrupamiento (4)
Parameters for HISTPLT
**********************
declus.out
4
7
-1.0
1.0e21
hist_declus_Cu.ps
0.0
3.0
0.12
30
0
0
0
2
Histograma desagrupado
1.5
-1.1e21
-file with data

columns for variable and weight
trimming limits
-attribute minimum and maximum
-frequency maximum (<0 for automatic)
-number of classes
-0=frequency, 1=cumulative histogram
number of cum. quantiles (<0 for all)
-number of decimal places (<0 for auto.)
-title
-positioning of stats (L to R: -1 to 1)
-reference value for box plot
Grficos de probabilidad
Parameters for PROBPLT
**********************
declus.out
-file with data
4
7
- columns for variable and weight
-1.0 1.0e21
- trimming limits
logprobplt_declus_Cu.ps
0
-number of points to plot (<0 for all)
1
0.1
10.0
0.5
-min,max,increment for labeling
Grafico de probabilidad lognormal -title
Curvas tonelaje-ley
Parameters for GTCURVE
**********************
declus.out
4
7
-1. 1.0e21
100.0
gtcurve_declus_Cu.ps
30
0.0
3.0
0.0
1.0
0.0
5.0
Curvas Tonelaje-Ley
\file with data

\ columns for grade and weight
\ trimming limits
\ clipping limit (upper limit)
\file for Postscript output
\Cutoff: num, min and max
\Tonnes:
min and max
\Grade:
min and max
Nubes direccionales
**********************
declus.out
1
4
7
0
-1.0
1.0e21
nube_Cu_este.ps
0.
400.0
0
0.0
7.3
0
1
0.25
0.0
5.0
Nube direccional (este)
-file with data

- trimming limits
-title
Nubes de dispersin
**********************
declus.out
4
5
7
0
-1.0
1.0e21
scatplt_cobre_oro.ps
0.
7.0
0
0.0
70.0
0
1
0.25
0.0
5.0
Nube de dispersion
-file with data

- trimming limits
-title
Grfico cuantiles contra cuantiles

Parameters for QPPLT
********************
declus.out
-file with first set of data (X axis)
4
7
declus.out
-file with second set of data (Y axis)
5
7
-1.0
1.0e21
- trimming limits
qqplt_declus_CuAu.ps
0
-0=Q-Q plot, 1=P-P plot
0
-number of points to plot (<0 for all)
0.0
7.0
-X minimum and maximum
0.0
70.0
-Y minimum and maximum
0
Grafico cuantiles contra cuantiles
-Title
Nube de correlacin diferida (1)

Parameters for GETPAIRS
***********************
muestras.dat
1 2 3 4
muestras.dat
1 2 3 4
getpairs.out
60.0
-first data file

-columns for X, Y, Z, and Value
-second data file
-columns for X, Y, Z, and Value
-output file with pairs
-maximum distance
Nube de correlacin diferida (2)

Parameters for LOCMAP
*********************
getpairs.out
-file with data
2
3
1
columns for X, Y, variable
18.0
22.0
trimming limits
hscatt20.ps
0.0
3.0
-xmn,xmx
0.0
3.0
-ymn,ymx
0
-0=data values, 1=cross validation
0
0
0
-0=no labels,
1=label each location
-1.0
0.0
0.5
-gray/color scale: min, max, increm
0.2
-label size: 0.1(sml)-1(reg)-10(big)
Nube de correlacion diferida (20m)
-Title
Mapa de datos ubicados en una grilla

Parameters for PIXELPLT
***********************
Grilla_25x25.dat
-file with gridded data
4
- column number for variable
-1.0 1.0e21
- data trimming limits
pixel_pozos25_Cu.ps
-file with PostScript output
1
-realization number
16
12.5
25.0
-nx,xmn,xsiz
24
12.5
25.0
-ny,ymn,ysiz
11
11.0
12.0
-nz,zmn,zsiz
1
-slice orientation: 1=XY, 2=XZ, 3=YZ
10
-slice number
Leyes de cobre - pozos centrales
-Title
Este
-X label
Norte
-Y label
0
1
0
-0=continuous, 1=categorical
0.0 3.0 0.5
-continuous: min, max, increm.
2
-categorical: number of categories
1
3
Code_One
-category(), code(), name()
2
1
Code_Two
Color Codes for Categorical Variable Plotting:
1=red, 2=orange, 3=yellow, 4=light green, 5=green, 6=light blue,
7=dark blue, 8=violet, 9=white, 10=black, 11=purple, 12=brown,
13=pink, 14=intermediate green, 15=gray

0165 - Analisis Exploratorio6

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

0165 - Analisis Exploratorio6

Uploaded by

Copyright:

Available Formats

Curso:

Objetivo y contenidos (1)

Objetivo y contenidos (2)

lmite de zona mineralizada

Objetivo y contenidos (3)

La densidad del muestreo influye en el conocimiento de la

Nociones fundamentales (1)

Nociones fundamentales (2)

Nociones fundamentales (3)

Nociones fundamentales (4)

Nociones fundamentales (5)

Nociones fundamentales (6)

Nociones fundamentales (7)

Nociones fundamentales (8)

Nociones fundamentales (9)

Nociones fundamentales (10)

Nociones fundamentales (11)

Nociones fundamentales (12)

soporte 25m 25m

Nociones fundamentales (13)

Nociones fundamentales (14)

Cul es la ley promedio en la veta?

335 253 581 199 212 505 296 356 352

Sin ponderar por la potencia, se obtendra:

Nociones fundamentales (15)

Nociones fundamentales (16)

Nociones fundamentales (17)

Nociones fundamentales (18)

Nociones fundamentales (19)

Etapas en la evaluacin de yacimientos

Presentacin de los datos

Despliegue de atributos (mapas) (1)

definicin de unidades geolgicas

Despliegue de atributos (mapas) (2)

Distribucin de leyes (1)

Distribucin de leyes (2)

Distribucin de leyes (3)

Distribucin de leyes (4)

Distribucin de leyes (5)

Distribucin de leyes (6)

Distribucin de leyes (7)

Distribucin de leyes (8)

Distribucin de leyes (9)

Distribucin de leyes (10)

Distribucin de leyes (11)

Distribucin de leyes (12)

La presencia de varias poblaciones entre los datos puede

Distribucin de leyes (13)

Distribucin de leyes (14)

Comportamiento direccional (1)

Comportamiento direccional (2)

Comportamiento direccional (3)

Comportamiento direccional (4)

Herramientas bivariables (1)

Herramientas bivariables (2)

Herramientas bivariables (3)

Comportamiento espacial (1)

Comportamiento espacial (2)

Tendencias y derivas (1)

Tendencias y derivas (2)

Efecto proporcional (1)

Efecto proporcional (2)

Informacin geolgica (1)