Programa de trabajo

Estimacin de recursos












Santiago, Lunes 7 de Enero de 2012
2

Resumen

El proyecto a realizar representa una complejidad considerable, por ello en
el programa presentado en este informe se tratarn en primera instancia los
temas desde un punto de vista terico para as dar una idea de lo que se
trabajar y que de esta manera simplifique la comprensin para el segundo
captulo de este informe, el cual explicar el uso del software Vulcan que
ser el cual se utilizar para el clculo de estimacin de reservas del
yacimiento estudiado.
Luego en el tercer captulo se realizar el programa de trabajo propiamente
tal que indicar los pasos a realizar y las fechas para cada uno de ellos en
forma de hitos con metas a cumplir.












3

ndice
Pg.
Capitulo 1: Marco terico 5
Sistema de clasificacin de recursos y reservas 5
Recurso Mineral Inferido 5
Recurso Mineral Indicado 6
Recurso Mineral Medido 6
Reserva Mineral 6
Reserva Probable Mineral 6
Reserva Probada Mineral 7
Mtodos tradicionales de estimacin de recursos mineros 8
Media aritmtica 8
Los polgonos 8
Mtodo del inverso de la distancia 9
Estadstica 12
Histograma 12
Estadsticas elementales 12
Desagrupar datos 13
Diagrama de caja (box plot) 13
Histograma acumulado 13
Grfico de probabilidad 14
Anlisis multivariable 15
Grfico cuantil contra cuantil (qq plot) 15
Nube de dispersin o de correlacin 15
Compositar sondajes 15
Geoestadstica 16
Campo 16
Soporte 17
El variograma 17
Nube variogrfica 22
Mapa variogrfico 23
4

Pg.

Ajuste de un variograma experimental a un modelo terico 24
Modelos de variogramas tericos 26
Efecto pepita 28
Ajuste en el espacio de dos o tres dimensiones 30
Estimacin 32
Kriging Simple 35
Kriging Indicadores 36
Co-kriging 37

Captulo 2: Uso software Vulcan 38


Captulo 3: Programa de trabajo 44
Carta Gantt 44
Observaciones 45













5

Captulo 1: Marco Terico

Sistema de clasificacin de recursos y reservas

Recursos minerales es una 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. La
ubicacin, cantidad, ley, caractersticas geolgicas y continuidad de un Recurso
Mineral son conocidas, estimadas o interpretadas a partir de evidencias y
conocimientos geolgicos especficos. Los Recursos Minerales se subdividen, en
orden ascendente de la confianza geolgica, en categoras de Inferidos, Indicados
y Medidos.



- Recurso Mineral Inferido es aquella parte de un Recurso Mineral por la cual
se puede estimar el tonelaje, ley y contenido de mineral con un bajo nivel de
confianza. Se infiere a partir de evidencia geolgica y se asume pero no se
certifica la continuidad geolgica ni de la ley. Se basa en informacin inferida
mediante tcnicas apropiadas de localizaciones como pueden ser
6

afloramientos, zanjas, rajos, laboreos y sondajes que pueden ser limitados o
de calidad y confiabilidad incierta.

- Recurso Mineral Indicado es aquella parte de un Recurso Mineral para el
cual puede estimarse con un nivel razonable de confianza el tonelaje,
densidad, forma, caractersticas fsicas, ley y contenido mineral. Se basa en
informacin sobre exploracin, muestreo y pruebas reunidas mediante tcnicas
apropiadas en ubicaciones como pueden ser: afloramientos, zanjas, rajos,
tneles, laboreos y sondajes. Las ubicaciones estn demasiado espaciadas o
su espaciamiento es inapropiado para confirmar la continuidad geolgica y/o
de ley, pero est espaciada con suficiente cercana para que se pueda suponer
continuidad.

- Recurso Mineral Medido es aquella parte de un Recurso Mineral para el cual
puede estimarse con un alto nivel de confianza el tonelaje, su densidad, forma,
caractersticas fsicas, ley y contenido de mineral. Se basa en la exploracin
detallada e informacin confiable sobre muestreo y pruebas obtenidas
mediante tcnicas apropiadas de lugares como pueden ser afloramientos,
zanjas, rajos, tneles, laboreos y sondajes. Las ubicaciones estn espaciadas
con suficiente cercana para confirmar continuidad geolgica y/o de la ley.

- Reserva Mineral es la parte econmicamente explotable de un Recurso
Mineral Medido o Indicado. Incluye dilucin de materiales y tolerancias por
prdidas que se puedan producir cuando se extraiga el material.
Las Reservas de Mena se subdividen en orden creciente de confianza en
Reservas Probables Minerales y Reservas Probadas Minerales.

- Reserva Probable Mineral es la parte econmicamente explotable de un
Recurso Mineral Indicado y en algunas circunstancias Recurso Mineral
Medido. Incluye los materiales de dilucin y tolerancias por prdidas que
puedan producirse cuando se explota el material.


7

- Reserva Probada Mineral es la parte econmicamente explotable de un
Recurso Mineral Medido. Incluye los materiales de dilucin y tolerancias por
prdidas que se pueden producir cuando se explota el material. Con esos
trminos y definiciones aceptadas, el grupo CMMI se dedic a desarrollar las
normas internacionales. La responsabilidad por las estimaciones de recursos y
reservas debe ser atribuida a una persona responsable/competente, trmino
este introducido inicialmente en el cdigo JORC.
En el caso de este estudio se utilizar la norma internacional 44-111
con la cual a partir de ciertos parmetros (espaciamiento sondajes)
iniciales se obtienen directamente reservas probadas.














8

Mtodos tradicionales de estimacin de recursos mineros
- Media aritmtica:
Para estimar la ley media de un conjunto S se promedian las leyes de los datos
que estn dentro de S.

Cuya frmula general es:

Las caractersticas de este mtodo son:
- Todos los datos tienen el mismo peso

- Muy simple. Fcil de calcular.
- Produce malos resultados cuando hay agrupaciones de datos. En el
ejemplo de la figura anterior existe una agrupacin de datos en la zona de
alta ley: El valor 1.57 aparece como demasiado alto.
- No funciona bien en estimaciones locales porque quedan bloques sin
informacin.


- Los polgonos:
Asignar a cada punto del espacio la ley del dato ms prximo. Para estimar una
zona S se ponderan las leyes de los datos por el rea (o volumen) de influencia

.
9


El mismo caso anterior calculado por el mtodo de los polgonos tiene como
resultado:

Y su frmula general:

Las caractersticas de este mtodo son:
- Complicado, requiere comps, regla, planmetro.
- El peso del dato

es

.
- Funciona mejor con agrupaciones de datos que la media aritmtica.
- Difcil de implementar en tres dimensiones.
- No es adecuado en estimaciones locales porque asigna la misma ley a todos
los bloques que estn dentro de un mismo polgono. Produce problemas con
datos anmalos.

- Mtodo del inverso de la distancia:
Asignar mayor peso a las muestras cercanas y menor peso a las muestras
alejadas a S. Esto se consigue al ponderar las leyes por

( = 1, 2, .;

= distancia entre la muestra i y el centro de gravedad de S)

Si = 1 se tiene el inverso de la distancia.
Si = 2 se tiene el inverso del cuadrado de la distancia.

Nuevamente para el mismo caso anterior:
10

Cuya frmula general es la siguiente:

si > 0

Las caractersticas de este mtodo son:
- Simple, fcil de calcular.
- Se adapta mejor en estimaciones locales que globales.
- No funciona bien con agrupaciones de datos.
- Atribuye demasiado peso a las muestras cercanas al centro de gravedad. En
particular no est definido si di = 0 (muestra en el centroide de S)
- No toma en cuenta la forma ni el tamao de S (en el ejemplo S' tiene la misma
ley que S porque su centroide coincide con el de S).

Comentarios y caractersticas generales de los mtodos tradicionales:
- Son empricos.
- Demasiado geomtricos.
- No consideran la estructura del fenmeno mineralizado (continuidad de leyes y
posible presencia de anisotropas).
- Estos mtodos no entregan el error asociado a la estimacin.
- Presentan sesgo condicional, lo que significa que presenta una sobre
estimacin en leyes altas y subestimacin en leyes bajas.
11

Debido a esto, para llevar a cabo la estimacin de reservas del yacimiento se
utilizarn mtodos geoestadsticos a travs del estudio de las variables
regionalizadas.




















12

Estadstica

Previo al estudio geoestadstico se analizarn estadsticamente los datos
existentes (sondajes realizados con anterioridad) y as obtener el comportamiento
de estos (cantidad, calidad y ubicacin de los datos disponibles), anticipar
dificultades o problemas que puedan surgir en la fase de estimacin local, por
ejemplo, presencia de valores atpicos que se destacan de aquellos de los datos
vecinos. A partir de estos anlisis se podr corregir si es necesario (tomar
nuevamente las muestras) y tener un estudio lo ms asertivo posible con la mayor
disminucin de errores.
Herramientas estadsticas utilizadas usualmente:
- Histograma: El histograma representa grficamente las frecuencias de
ocurrencia en funcin del valor. Consiste en dividir el rango de los valores
en intervalos y visualizar la proporcin de datos que caben dentro de cada
intervalo. Es una herramienta til para detectar valores atpicos. Tambin
es un primer medio de verificar la homogeneidad.


- Estadsticas elementales: es conveniente calcular algunas estadsticas
bsicas sobre la distribucin de valores; Medidas de posicin (media,
cuantiles o percentiles, mnimo y mximo), Medidas de dispersin
(varianza, desviacin estndar, coeficiente de variacin, rango intercuartil).

13

- Desagrupar datos: permite generar distribuciones representativas a partir
de una ponderacin de los datos en funcin de su aislamiento en el
espacio.
Existen dos mtodos estadsticos; polgonos y celdas, siendo esta ltima la
ms utilizada, tambin a travs del mtodo geoestadstico kriging es
posible desagrupar datos.
Desagrupar por polgonos: Este tipo de desagrupamiento pondera cada
dato por su rea o volumen de influencia en el espacio
Desagrupar por celdas: Este tipo de desagrupamiento divide el espacio en
celdas congruentes, las cuales tienen asignadas un ponderador
equivalente para cada una. El ponderador depender de la cantidad de
datos presentes en la celda, respetando que aquellos valores ms alejados
posean una mayor ponderacin.

- Diagrama de caja (box plot): se acompaa el histograma con un diagrama
de caja que presenta un solo eje en el cual se representan cinco cuantiles:
los cuantiles a 2.5% y 97.5%, el primer y el tercer cuartil y la mediana.
Entre los dos cuantiles extremos, se observa el 95% de los datos, mientras
que entre el primer cuartil y la mediana se observa el 25% de los datos, al
igual que entre la mediana y el tercer cuartil. El diagrama de caja permite
resumir algunas caractersticas de la distribucin, tal como su simetra y su
dispersin.



- Histograma acumulado: se visualiza la frecuencia acumulativa, es decir, la
frecuencia de los valores bajo cierto umbral como una funcin de este
umbral, lo que da el histograma acumulado. El histograma acumulado es
una funcin creciente, desde 0 (para el valor ms bajo de la variable) hasta
1 (para el valor ms alto). Al contrario, el histograma acumulado inverso,
14

que muestra la frecuencia de valores que superan un umbral en funcin de
este umbral, es una funcin decreciente (desde 1 hasta 0), conocida en
geoestadstica minera como curva tonelaje ley dado que la frecuencia
acumulada es proporcional al tonelaje de material cuya ley supera la ley de
corte.




- Grfico de probabilidad: sirve para comparar una distribucin experimental
con una distribucin de referencia (en general, una normal o una
lognormal). Consiste en cambiar la escala de los ejes del histograma
acumulado de tal modo que, si la distribucin experimental coincide con la
distribucin de referencia, se dibujara una recta.



15

Anlisis multivariable:
- Grfico cuantil contra cuantil (qq plot): El grfico cuantil contra cuantil
busca comparar dos distribuciones entre s, que pueden ser asociadas a
variables distintas o a una misma variable medida en zonas distintas o con
aparatos distintos. En este ltimo caso, la comparacin sirve para decidir si
los dos grupos de datos tienen una distribucin idntica y, por ende,
provienen de la misma poblacin.
- Nube de dispersin o de correlacin: consiste en visualizar los valores de
una variable en funcin de otra, lo cual requiere que ambas variables
hayan sido medidas en los mismos sitios. Sirve para ver la relacin par a
par de ambas variables, as como detectar datos atpicos.



Todos estos anlisis se realizan con sondajes compositados.
Compositar sondajes: en el caso en que los testigos que constituyen el sondaje
son de tamao irregular, es necesario hacer una operacin la cual consiste en
regularizar o compositar el sondaje, es decir disponer de datos (compsitos) de
longitud constante.



16

Geoestadstica
En general, no puede considerarse modelar las variables regionalizadas por medio
de funciones determinsticas, debido a su extrema complejidad. Tampoco se
puede asimilar los datos medidos a variables aleatorias independientes. La
geoestadstica entrega una representacin intermedia, a la vez aleatoria y
funcional, al basarse en el concepto de funcin aleatoria.
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.
El estudio geoestadstico no busca trabajar sobre el fenmeno regionalizado en s,
que es una realidad fsica, sino sobre una descripcin matemtica de esta
realidad, la cual se denomina variable regionalizada o regionalizacin, que se
supone logra representar y medir correctamente el fenmeno estudiado. Esta
variable regionalizada es un atributo asociado a un punto geogrfico en especfico,
como por ejemplo, densidad, acumulacin, recuperacin metalrgica,
concentracin de algn elemento, conductividad, entre otros.
La teora de las variables regionalizadas se propone dos objetivos principales:
- Expresar las caractersticas estructurales de una variable regionalizada
mediante una forma matemtica adecuada.
- Resolver, de manera satisfactoria, el problema de la estimacin de una
variable regionalizada a partir de un conjunto de muestras, asignando
errores a las estimaciones.
Estos dos objetivos estn relacionados: El error de estimacin depende de las
caractersticas estructurales (continuidad, anisotropas) y se tendr un error mayor
si la variable regionalizada es ms irregular y discontinua en su variacin espacial.
- Campo: Se llama campo a la zona en la cual se estudia la variable regionalizada.
Para definir bien el campo es necesario utilizar un modelo geolgico adecuado, los
cuales se pueden tratar de manera independiente y corresponden a unidades
geolgicas. Sin embargo en algunas situaciones, cada campo debera tener un
17

tratamiento geoestadstico diferente; Para estimar una zona X contenida en una
cierta unidad, slo se utilizan datos de la misma unidad: Se dice que se tienen
fronteras duras.

- Soporte: es el volumen de la muestra que define la variable regionalizada. A
menudo el soporte es un cilindro llamado testigo. En el estudio de una variable
regionalizada no es conveniente mezclar soportes de tamaos diferentes.
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.

El variograma: El variograma es una funcin que constituye la herramienta
fundamental de la geoestadstica. La forma de estudiar las variables
regionalizadas es a travs de la funcin variograma, que permite determinar la
relacin existente entre las variables en funcin de su distancia de separacin h y
su direccin.
Sean x y x + h dos puntos en el espacio:


La definicin terica de la funcin variograma (h) es la esperanza matemtica:

()

[((

) ())

]

Sin embargo, en la prctica siempre el siguiente algoritmo:

()

)
18


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:

()
()
(

) (

)
La ltima relacin proviene del hecho que si dos leyes z1 y z2 estn a la distancia
h, entonces (z1 - z2)
2
= (z2 - z1)
2


Clculo del variograma para una lnea muestreada regularmente

Sean N datos z1, z2, . . . , zN y sea b la equidistancia entre ellos:



Sea h = b: Segn el algoritmo de clculo se tiene:

()
(

( )


19

Sea h = 2b: Segn el algoritmo de clculo se tiene:

()
(

( )


Sea h = 3b: Segn el algoritmo de clculo se tiene:

()
(

( )


Sea en general h = kb (k = 0, 1, 2, . . . , N-1):

()

( )
(

Posteriormente los valores (0), (b), (2b), (3b), ... se llevan a un grfico:



Este es un variograma experimental el cual posteriormente se debe ajustar a un
modelo terico.
La distancia b se llama paso del variograma.

20


La magnitud a se llama alcance y la constante C se llama meseta.
El alcance proporciona una medida de la zona de influencia de una muestra
porque dos muestras cuya distancia es mayor que el alcance son prcticamente
independientes:

Dos muestras cuya distancia sea inferior al alcance a estn correlacionadas entre
s.

Tolerancias en los parmetros de clculo: En relacin a la bsqueda de datos
para generar los variogramas experimentales, se est limitado a las probabilidades
de encontrar pares de datos en una cierta direccin y un cierto paso h. Es por esta
razn que con la finalidad de generar una cantidad representativa de pares se
introducen los conceptos de holguras y tolerancias.
Al establecer tolerancias en la bsqueda de pares de datos es posible que las
interpretaciones variogrficas cambien. Es por este motivo que su comprensin y
uso son fundamentales en un apropiado estudio variogrfico. A continuacin se
presentan ilustraciones de las diferentes tolerancias atribuibles a los variogramas,
tanto para dos como para tres dimensiones, adems de las regiones de bsqueda
de pares de datos:



21

En dos dimensiones se consideran los siguientes tipos de tolerancia:

En I la construccin segn tolerancia angular en torno a la direccin de azimut , II
segn ancho de banda, III segn tolerancia en la distancia y IV el rea de
tolerancia final.

Donde:
h = vector de separacin.
= azimut (contado en el sentido del reloj desde la direccin norte).
h = tolerancia en la distancia.
= tolerancia en el azimut.
BW = ancho de banda.
T(h) = regin de tolerancia asociada al vector h.

Para el caso de tres dimensiones, se considera una nueva holgura, la cual
corresponde a la tolerancia en la inclinacin, adems que para el caso anlogo al
ancho de banda se debe introducir un nuevo parmetro denominado alto de banda.
A continuacin se aprecia la zona de tolerancia en torno a una direccin del
espacio que se define como la interseccin de dos prismas.
22




Nube variogrfica: Dada una cierta direccin, la nube variogrfica consiste en
graficar, para una direccin dada, el valor de todas las diferencias

[(

) (

)]

en funcin de la distancia entre los puntos X

i
y X
j
.
Esta herramienta permite detectar la influencia de algunos datos anmalos en el
clculo del variograma. Estos datos podran ser filtrados en la variografa.

23

El dato anmalo 1.51 es el responsable de las diferencias que estn en la elipse de
la derecha.

Mapa variogrfico: El mapa variogrfico consiste en visualizar el variograma
experimental en todas las direcciones del espacio, bajo la forma de un mapa con
escala de color o de grises. Ayuda a distinguir si existe anisotropa, para luego
calcular el variograma experimental a lo largo de las direcciones principales de
anisotropa.
A modo de ilustracin, el mapa variogrfico de los datos de concentracin de
cobalto (fig. izquierda) dibuja una direccin de mayor continuidad con una
orientacin de 60 aproximadamente desde el eje norte-sur.
Esta observacin se confirma al calcular los variogramas experimentales
direccionales (fig. derecha), donde se aprecia un crecimiento ms lento en la
direccin N60E y ms rpido en la direccin ortogonal N30W. Para el
modelamiento, se preferir utilizar estos variogramas direccionales en lugar del
variograma omnidireccional (Figura 2), puesto que este ltimo no captura el cambio
de continuidad espacial con la direccin (anisotropa).

Consideraciones prcticas: Las direcciones de clculo del variograma experimental
deben considerar la anisotropa de la variable regionalizada. Su eleccin se puede
hacer al examinar el mapa variogrfico. En el caso istropo (es decir, si los
variogramas direccionales se superponen salvo por pequeas fluctuaciones
estadsticas), se podr considerar un variograma omnidireccional.
En general, cada variograma direccional se calcula para distancias mltiplos de
una distancia elemental, llamada paso. La eleccin del paso puede tener
repercusiones en el clculo. Un paso demasiado pequeo conducir a un
24

variograma experimental errtico, poco estable, mientras que un paso demasiado
grande no permitir apreciar los detalles de la continuidad espacial, en especial el
comportamiento en el origen del variograma. Cuando la malla de muestreo es
regular, el paso est prcticamente impuesto. En caso contrario, se podr utilizar la
nube variogrfica para encontrar un paso tal que el nmero de pares de datos que
intervienen en el clculo del variograma experimental sea suficiente (para fijar
ideas, superior a la mitad del nmero de datos), de manera que estos puntos sean
representativos.
El uso de tolerancias en las distancias y ngulos busca suavizar y hacer ms
robusto el variograma experimental cuando la malla de muestreo no es regular.
Ahora, conviene advertir el usuario de la utilizacin de tolerancias excesivas, que
pueden suavizar artificialmente el variograma experimental; aunque un variograma
suave es ms fcil de modelar, esto no garantiza que sea ms representativo de
los datos.
Es conveniente tener cuidado con la representatividad del variograma
experimental. Para cada punto de este variograma, se podr determinar el nmero
de pares de datos utilizados para su clculo; un nmero de pares bajo indica un
punto poco confiable. Igualmente, resulta de utilidad visualizar la nube variogrfica,
para identificar los pares de datos responsables de una inestabilidad numrica del
variograma experimental.


Ajuste de un variograma experimental a un modelo terico:

El objetivo de ajustar un modelo terico es disponer de una ecuacin, la cual se
utilizar en los clculos posteriores.
Distinguiremos dos tipos de variogramas:

- El variograma experimental, calculado a partir de los datos.
- El variograma terico, que corresponde a una ecuacin que se ajusta al
variograma experimental.
25


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, dentro de una cierta vecindad restringida de
manera de no considerar demasiadas muestras para estimar la ley de cada bloque.

Modelo tridimensional de bloques. Existen tres unidades geolgicas (a bloque
completo).

Vecindad de estimacin. Para estimar el bloque de la figura solo se utilizan los
compsitos que estn dentro del crculo de radio R.

Si la vecindad de bsqueda es circular o esfrica, slo se utilizar la funcin (h)
hasta una distancia mxima de |h| = 2R; luego conviene ajustar (h) hasta |h| = 2R.
26

En el caso de la figura siguiente, si se usa una vecindad restringida, ambos
modelos darn los mismos resultados; pero el modelo 2 es ms simple y ms fcil
de ajustar:


Los modelos de variogramas tericos:

a) Modelo potencia:
La ecuacin de (h) es:
()

en que > 0, 0 < < 2. Grficamente:

Esta familia de variogramas no presenta meseta.

b) Modelo esfrico:
() *(

) (

+
()

Siendo: a = alcance C = meseta
27

c) Modelo cuadrtico:
() *(

) (

+
()

Se puede observar que este modelo es similar al modelo esfrico, pero ms
simple.

d) Modelo exponencial:
Crece ms lentamente que el esfrico o cuadrtico.
() *
(

)
+
()

Este modelo se presenta a veces en leyes que estn asociadas a fallas. El
alcance prctico es aproximadamente iguala 3.

e) Modelo sinusoidal:
() *
()
()
+

28

f) Modelo gaussiano:
Tiene un comportamiento parablico en el origen.
() *
(

+


g) Modelo Cbico:
Tiene un comportamiento parablico en el origen pero su alcance es finito e
igual a a.
() ((

)
()


Efecto pepita:
Cuando existe un crecimiento rpido hasta |h| = d (debido a la micro
regionalizacin) y luego un crecimiento ms moderado (debido a la variacin a
gran escala): se dice que existe efecto de pepita.

se llama constante de pepita.

29

El efecto pepita puede deberse a varios factores, entre los cuales destacan:

- Presencia de una micro estructura; o sea, un modelo anidado de alcance
pequeo con respecto a la escala de observacin. Por ejemplo,
consideremos un modelo anidado compuesto de dos estructuras: la primera
de alcance a centimtrico y de meseta C, y la segunda de alcance
kilomtrico. En la vecindad del origen, el variograma presentar una zona
de crecimiento que alcanzar rpidamente (despus de algunos
centmetros) la meseta C. A la escala kilomtrica, este crecimiento se
confundir con una discontinuidad en el origen, es decir, con un efecto
pepita, de meseta C.



Un efecto pepita puede ser la manifestacin de una escala de variabilidad
cuyas dimensiones caractersticas son muy inferiores a la escala de trabajo:
slo la meseta de esta micro-estructura es mensurable sus otros rasgos
son imperceptibles.

- Soporte de las mediciones: Debido al efecto de soporte, se sabe que la
variabilidad de una variable regionalizada aumenta cuando disminuye el
soporte en el cual se mide esta variable. As, un soporte de mediciones
pequeo puede significar una importante componente peptica que oculta la
continuidad subyacente de la funcin aleatoria. Un soporte ms voluminoso
conducira a una disminucin de la constante peptica y una mejor
apreciacin de la continuidad de los valores. La teora establece que la
amplitud (meseta) del efecto pepita es inversamente proporcional al
volumen de la medicin.
30

- Errores de medicin: En el caso de que las mediciones estn afectadas por
errores, el variograma suele presentar un efecto pepita. Si los errores son
independientes entre s, de misma varianza y se suman a los valores
reales, entonces el variograma de los datos errneos es igual al variograma
de los datos reales (sin error) ms un efecto pepita igual a la varianza del
error.

- Errores de ubicacin de los datos: Del mismo modo que los errores de
medicin, el tener errores en la posicin de los datos introduce un efecto
pepita en el variograma.


Ajuste en el espacio de dos o tres dimensiones:
Se acaban de indicar variogramas en el espacio de una dimensin. Sin embargo,
en la prctica se dispone de un conjunto de variogramas 1(h), 2(h), . . . , k(h)
correspondientes a las direcciones 1, 2, . . . , k.

- Caso istropo:
Es el ms simple y cumple lo siguiente:

() () ()

Se utiliza entonces como modelo general el variograma ajustado al
variograma omnidireccional:
()

()
- Caso anistropo:
En este caso los variogramas direccionales son en general diferentes:

()

()

()

31

Se distinguen dos tipos de comportamiento anistropos del variograma:

- Anisotropa geomtrica:
Se produce cuando los diversos variogramas pueden reducirse a un
variograma istropo mediante una transformacin lineal de las
coordenadas. El caso ms comn en la prctica es cuando los variogramas
presentan un mismo valor de meseta pero diferentes alcances:



Sea la razn entre el alcance mayor y menor. Las
frmulas de transformacin de coordenadas nos muestran que:
()

( )
en que

es el ngulo formado entre el eje x y el eje x' de la elipse. es el
variograma de la direccin 1.

- Anisotropa zonal:
En este caso la anisotropa no puede ser reducida por una transformacin
lineal simple de las coordenadas.
32


Se define entonces el modelo de anisotropa zonal como un modelo
anidado (o imbricado), es decir:

() () ( )

En que cada constituyente puede representar su propia anisotropa.


Estimacin:
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.

El krigeado atribuye un peso i a la muestra z(xi) es decir se desagrupan los datos.
Estos pesos i se calculan de manera de minimizar la varianza del error cometido.
El inters del krigeado proviene de su misma definicin: al minimizar
E
2
estamos
seguros de obtener la estimacin ms precisa posible de V o equivalentemente, de
sacar el mejor provecho posible de la informacin disponible.
El inters prctico ms importante del krigeado, proviene, no del hecho que
asegura la mejor precisin posible, sino ms bien porque permite evitar un error
33

sistemtico. En la mayora de los depsitos mineros, se deben seleccionar, para la
explotacin, un cierto nmero de bloques, considerados como rentables y se
deben abandonar otros bloques considerados no-explotables. Con el kriging se
demostr que, si esta seleccin se realizara considerando exclusivamente las
muestras interiores a cada bloque, resultara necesariamente (en promedio) una
sobre-estimacin de los bloques seleccionados. La razn de este problema es que
el histograma de las leyes reales de los bloques tiene menos leyes extremas, ricas
o pobres, luego tiene ms leyes intermedias que el histograma calculado con las
muestras interiores, y, si se calcula el efecto de una seleccin sobre este ltimo
histograma, los paneles eliminados sern en realidad menos pobres que lo que se
haba previsto, y los paneles conservados menos ricos.
De acuerdo a lo expresado anteriormente, el krigeado define el estimador lineal:

)

con la condicin de insesgado (llamada tambin condicin de universalidad):

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

Para obtener las ecuaciones de krigeado hay que minimizar la expresin de
E
2
.

( )

pero los i deben verificar la condicin:

34

El mtodo clsico para minimizar la expresin de
E
2
no asegura que la suma de
los i sea 1. En este caso hay que utilizar el mtodo de Lagrange, el cual
explicaremos con un ejemplo matemtico:

Minimizar la funcin si . El mtodo de Lagrange define
la funcin A' siguiente:

( )

es una incgnita auxiliar llamada parmetro de Lagrange. Observamos que A' es
una funcin de tres variables: x, y, . Por otra parte, si se verifica la condicin
, entonces A' = A.

El mtodo de Lagrange consiste en igualar a cero las derivadas parciales de A':

( )

La solucin de este sistema es:
x = 0.5
y = 0.5
= 0.5
Luego el mnimo de A' de A es:
Ao = (0.5)2 + (0.5)2 = 0.5
Por lo general el parmetro carece de significacin fsica.
En el caso del krigeado hay que considerar la expresin:

( )
35

Se demuestra que al realizar N + 1 derivaciones se obtiene el sistema de
ecuaciones siguiente:
( ) ( ) ( ) ()( )
( ) ( ) ( ) ()( )
. . . . .
. . . . .
. . . . .
. . . . .
( ) ( ) ( ) ()( )


que es un sistema lineal de N+1 ecuaciones con N+1 incgnitas ( ).
Se demuestra que el sistema siempre tiene solucin, salvo el caso en el cual
existen dos (o ms) muestras diferentes con las mismas coordenadas: Este caso
no debera presentarse en la prctica pero a veces ocurre, lo cual hace necesario
una revisin previa de la base de datos.
El mtodo descrito previamente se conoce como krigeado ordinario y se
puede aplicar siempre que la variable regionalizada no presente una deriva
en la vecindad de estimacin.
Varianza del error.
Se demuestra que la expresin de
E
2
se simplifica, obtenindose:

( )

Kriging Simple:
En el kriging ordinario se desconoce la media de la funcin aleatoria. Esto permite
generalizar el estimador a situaciones donde esta media no es constante en el
espacio. Al contrario el kriging simple corresponde al kriging que se genera
considerando la media o esperanza (M) de la funcin aleatoria como conocida.


36

( )

( )

( )

( )

( )

( )

. . . .
. . . .
. . . .
. . . .

( )

( )

( )

Estimador lineal:

Varianza:

Kriging Indicadores:
El concepto de la geoestadstica de indicadores es la transformacin de los valores
reales de cualquier fenmeno natural a la forma de una variable binaria (indicador)
que ser 1 si el valor real es menor o igual a una ley de corte () y 0 en caso
contrario, es decir:




Si I=1 la muestra Z(x) se define como esteril, y si I=0 como mineral.

>
s
=
o
o
o
) ( 0
) ( 1
) ), ( (
x z si
x z si
x Z I
37

La eleccin de leyes de corte a considerar en un estudio de este tipo se debe
basar en una discretizacin adecuada de la funcin de distribucin acumulada de
las leyes reales. Para ello se deben tener en cuenta los siguientes aspectos:
- Definir leyes de corte donde la estructura espacial cambia
significativamente de un punto a otro.
- Definir leyes de corte tal que se obtengan intervalos donde las leyes reales
sean anmalas.
- No es conveniente elegir los deciles de la distribucin porque se pierde
resolucin en la discretitizacin.
- No es conveniente elegir grupos de leyes que representen igual cantidad de
metal porque existirn pocas leyes de corte en el extremo inferior de la
distribucin.

Co-kriging:
El co-kriging consiste en la extensin del kriging al caso multivariable, es decir,
considera no slo la variable a estimar en el espacio, sino adems utiliza la
informacin de una o varias variables adicionales en sitios cercanos. Si bien el co-
kriging posee las mismas caractersticas del kriging (genera estimaciones precisas
e insesgadas), el considerar variables adicionales mejora la precisin de la variable
de inters, generando ms coherencia a los resultados si es que en un estudio
multivariable se estima cada variable con kriging de manera independiente, pero
dificulta la inferencia.












38

Captulo 2: Uso software Vulcan

De acuerdo a lo establecido en teora, luego de tener los datos recolectados, stos
se ingresarn al software Vulcan para su anlisis y posterior estimacin de
reservas. Los pasos a seguir para tal objetivo son los siguientes:

Ingreso de datos - Con o sin codificacin

Compositacin - (Mediante mtodo straight o run lenght)

Uso de quiebres geolgicos, en esta etapa se pueden utilizar cdigos para
realizar quiebres por geologa o cdigos de roca mayoritaria en el compsito.
Aqu se puede definir tambin como manejar aquellos intervalos de sondajes no
muestreados o en los cuales no se encuentra informacin.










39

Anlisis exploratorio de datos

- Estadsticas generales (correlaciones, histogramas, distribuciones, medias,
etc)
- Identificacin de distintas poblaciones, validar agrupaciones (Contact profile,
grficos log-probabilisticos, etc).

Bajo el men Analyse Statistics, se pueden analizar distintos tipos de
informacin tal como objetos grficos, archivos ASCII, bases de datos, y
modelos de bloques. El anlisis estadstico cubre el ploteo de histogramas y
estadsticas univariadas, diagramas de torta, ploteo de puntos y lneas, grficos
ternarios. Las estadsticas generales pueden ser tambin incluidas en los
grficos.

Bajo el men de Geology: Sampling, se pueden realizar anlisis de derivas
(Drit Analyser), desagrupamiento de muestras (Cell decluster) y anlisis de
contactos entre las distintas poblaciones (Contact Profile)


40

Estadsticas: Salidas Envisage y Excel


Anlisis de deriva

Anlisis de contacto


41

Variografa

Mapas variogrficos (Cube editor), para advertir la existencia de anisotropas
Clculo de variogramas 3D
Modelamiento variogrfico

Los Variogramas son creados y modelados bajo el men Block:Variography
Directional Variaography.

Se debe realizar seleccin de datos a utilizar en los clculos para evitar mezclar
dos tipos de roca en la generacin del variograma.
En VULCAN existen diferentes estrategias de seleccin de muestras:
por cdigos de tipo numricos o character adems de seleccin por
triangulaciones y restricciones en los campos de la base de datos compositada.

La combinacin de criterios proporciona una poderosa herramienta en
seleccin de muestras para la creacin de variogramas. Una vez que los
variogramas han sido creados pueden ser visualizados y modelados
interactivamente en pantalla.














42

Tcnicas de interpolacin

Inverso a la distancia
Validacin cruzada
Kriging (ordinario, simple, indicadores)
Indicator simulation
Co kriging (simple, estandarizado)
Simulacin estocstica





43


Despliegue de modelo de bloques estimado en Vulcan

Reservas Clculo (cubicacin)

Una vez analizados los resultados y hallada la estimacin que nos deje
conforme, el prximo paso es cubicar las reservas del modelo de bloques. Esto
puede ser realizado con el mens Block Reserves Advanced Reserves
alternativamente las opciones bajo el men <BLOCK MANIPULATION> pueden
ser usadas para calcular reservas generales o por poligonales.

Validaciones

Una vez que la estimacin est terminada se pueden analizar los resultados:
Estadsticas bajo el men ANALYSE STATISTICS.
Si se ha utilizado la opcin de validacin cruzada se pueden analizar los errores
de los valores estimados contra los actuales.







44

Captulo 3: Programa de trabajo

Las fechas esperadas para la realizacin del proyecto se presentan en la siguiente tabla
junto con la correspondiente carta Gantt.










4 - 8 Feb 11 - 15 Feb 18 - 22 Feb 25 Feb - 1 Mar 4 - 8 Mar 11 - 15 Mar 18 - 22 Mar
Tecnicas de interpolacin
Procedimientos
Informe, anlisis de resultados y conclusiones
Recopilacin e ingreso de datos
Compositacin
Anlisis exploratorio de datos
Variografa
25 - 29 Mar 1 - 5 Abr 8 - 12 Abr 15 - 19 Abr 22 - 26 Abr 29 Abr - 3 May 6 - 10 May
Tecnicas de interpolacin
Procedimientos
Informe, anlisis de resultados y conclusiones
Recopilacin e ingreso de datos
Compositacin
Anlisis exploratorio de datos
Variografa
13 - 17 May 20 - 24 May 27 - 31 May 3 - 7 Jun 10 - 14 Jun 17 - 21 Jun 24 - 28 Jun
Tecnicas de interpolacin
Procedimientos
Informe, anlisis de resultados y conclusiones
Recopilacin e ingreso de datos
Compositacin
Anlisis exploratorio de datos
Variografa
1 - 5 Jul 8 - 12 Jul 15 - 19 Jul 22 - 26 Jul 29 Jul - 2 Ago
Tecnicas de interpolacin
Procedimientos
Informe, anlisis de resultados y conclusiones
Recopilacin e ingreso de datos
Compositacin
Anlisis exploratorio de datos
Variografa
45

Observaciones

Para el presente trabajo se deben considerar las correspondientes salidas a terreno.