MTODOS GEOESTADSTICOS BSICOS PARA LA EVALUACIN DE RECURSOS MINERALES

Capacitacin-Cerro Corona

Agosto 2006

CONTENIDO
Introduccin Motivacin Antecedentes histricos y tendencias actuales Cambio de Soporte y Post-Procesamiento Alcance Estudios de Caso Discusiones

ANTECEDENTES HISTRICOS
La Geoestadstica Minera en los ltimos Cincuenta Aos Resumen del nacimiento de la Geoestadstica, fortalezas y limitaciones, xitos y fracasos, y razones de los mismos

ANTECEDENTES HISTRICOS
La Geoestadstica Minera en los ltimos Cincuenta Aos Distribucin Log-normal de Valores de Muestras tomadas en Minas de Oro Sudafricanas Sichel, finales de la dcada de los 40 La observacin realizada por Danie Krige en las Minas de Oro Sudafricanas en 1951 constituye el fundamento de la geoestadstica:
Se puede prever que los valores de oro a nivel de toda una mina estarn sujetos a una mayor variacin relativa que los valores de oro a nivel de slo una parte de la mina [en otras palabras, es ms probable que las muestras tengan valores similares si son tomadas en puntos cercanos que si son tomadas en puntos ms distantes]
4

ANTECEDENTES HISTRICOS
La Geoestadstica Minera en los ltimos Cincuenta Aos
Contribucin al Marco Terico Matheron, dcada de los 60 Matheron acu el trmino Kriging en reconocimiento al trabajo pionero de Krige Avances significativos a nivel terico, dcada de los 70 Disminucin General en el Ritmo de Avance proceso de maduracin, dcada de los 80, y una vez ms se reconoce a la geologa como elemento vital en el modelamiento de depsitos Se cometieron errores desastrosos tales como: uso de datos inapropiados (GIGO), desestimacin de la geologa, escasa comprensin y aplicaciones ineficientes

TENDENCIAS ACTUALES
Perspectiva Internacional y Mejores Prcticas Mtodos de estimacin actualmente utilizados Modelos de eficiencia Modelos de Cambio de Soporte Tcnicas de Post-Procesamiento Modelamiento de Incertidumbres y Riesgos: Estimacin y Simulacin Avance hacia el Futuro

TENDENCIAS ACTUALES
Mtodos de estimacin Depende de la naturaleza del depsito y el objetivo del modelamiento

Kriging simple y ordinario mtodo de regresin multivariada original empleado por Krige Kriging Log-normal Kriging universal Kriging disyuntivo Pruebas iterativas de kriging de indicadores (kriging de probabilidades-PK, kriging de indicadores mltiples-MIK, etc.)
7

TENDENCIAS ACTUALES
SESGOS CONDICIONALES

Subvaloracin y sobrevaloracin sistemticas de estimados de bloques en diferentes categoras de leyes.

EXPLICACIN DE SESGOS CONDICIONALES

6 6

Y sobre X

Y=X

VALORES REALES.

SOBREESTIMACIN SUBESTIMACIN
5

3 3 4 4 5 5 6 6

ESTIMADOS DE BLOQUES

TENDENCIAS ACTUALES
Modelos de Eficiencia

Definicin y explicacin de Eficiencia Falta de Eficiencia y decisiones econmicamente costosas de minado selectivo

10

MODELO DE EFICIENCIA
CORRELACIN ENTRE EFICIENCIAS Y PENDIENTES

% EFICIENCIA

VALORES REALES/ESTIMADOS PENDIENTE DE REGRESIN

11

INTRODUCCIN
ESTADSTICA CLSICA Y ESPACIAL
Dos Enfoques Estadsticos Principales de la Evaluacin de Recursos Minerales
Estadstica Clsica y Espacial Estadstica Clsica: Asume que las muestras son aleatorias o que no estn correlacionadas Ignora las posiciones relativas de las muestras (E.G., WITS y T de Sichel)

Muy pocas situaciones

Estadstica Espacial: Toma en cuenta la correlacin entre las muestras Es ms probable que las muestras de un tajo sean similares si stas se toman en puntos cercanos que si se toman en puntos distantes La Teora de Geoestadstica est basada en la estadstica espacial. Cubre una rama de la estadstica aplicada orientada a la descripcin matemtica y el anlisis de observaciones espaciales (incluyendo observaciones geolgicas)

12

INTRODUCCIN
ESTIMACIN
Se define como la prediccin del valor de una caracterstica en una ubicacin donde dicho valor se desconoce, en base a los valores de las caractersticas medidas en ubicaciones conocidas. Error de Estimacin: Discrepancia entre el valor estimado y el Valor Real. Depende de:

La variabilidad de los valores a estimar La eficiencia del mtodo de estimacin La cantidad de informacin disponible

Ejemplo de Modelo Geolgico (6)

13

INTRODUCCIN
ETAPAS DE ESTIMACIN (8) CRITERIOS PARA LA EVALUACIN DE MODELOS En promedio, los modelos, conceptos, supuestos y estimados deben ser correctos Los errores individuales locales deben ser mnimos

14

INTRODUCCIN
MUESTREO Y MINADO: Medicin de Variabilidad en diferentes Escalas (10)
El ensayo o medicin realizada a una muestra es un promedio medido sobre el volumen de la muestra, por ej. un testigo de perforacin o una muestra de guijarros.
A medida que el volumen cambia, las caractersticas de los valores medidos cambian tambin (Ver ejemplos (10)) El Promedio de las leyes es el mismo para las distintas longitudes Sin embargo, la variabilidad de las leyes medidas se reduce ste es un concepto general conocido como relacin Volumen-Varianza. A medida que el volumen sobre el cual se toma la muestra aumenta, la varianza o variabilidad de los valores de la muestra se reduce.
El minado (seleccin) se realiz en base a un volumen de bloque especfico o paneles y no a volmenes

de testigos de perforacin.
Los Tonelajes y Leyes pronosticadas en base a testigos de perforacin no se pueden lograr en base a

bloques de minado.
Se aplica a bloques de minado o Unidades de Minado Selectivo inapropiados

15

INTRODUCCIN

CONSECUENCIAS PRCTICAS DEL EFECTO DE ESCALA Ejemplos para Trabajar (En Clase)

16

CORTES Y CAMBIO DE SOPORTE

0.90 0.90 1.05 1.15 0.95 1.00 1.35 1.20 1.00 1.05 1.25 1.30 0.90 1.10 1.20 1.30

Bloque Grande dividido en bloques SMU (Unidad de Minado Selectivo) de 16 5m x 5m

Ley media sobre ley de corte -

Ley-de corte 0.90 1.00 1.15

Bloques pequeos

Bloque grande

Proporcin sobre ley de corte Bloques pequeos Bloque grande

1.10 1.16 1.25

1.10 1.10 0.00

100% 75% 44%

100% 100% 0%

17

INTRODUCCIN
ESTADSTICA DESCRIPTIVA
DEFINICIONES
POBLACIN: Grupo de objetos con caractersticas especficas MUESTRA: Nmero de objetos seleccionados de la poblacin de acuerdo con ciertas reglas especficas. Las caractersticas de la muestra se miden y estudian para hacer una inferencia.

SOPORTE: En geoestadstica, una muestra es asociada a su soporte; se refiere al tamao, volumen, forma y orientacin de la muestra.

18

INTRODUCCIN
ESTADSTICA DESCRIPTIVA
ZONAS HOMOGENEAS GEOLGICAS
Todo anlisis geoestadstico requiere que las poblaciones en estudio sean razonablemente homogneas, es decir, que los datos no cubran a una mezcla de poblaciones con caractersticas significativamente distintas Los tipos de mineralizacin/minerales (por ej. supergnicos, hipognicos, etc., y tambin sub-dominios) proporcionan una base til y fundamental en este aspecto.

Siempre recordar el prefijo GEO en GEOestadstica.

NOTACIN (13)

19

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (16)
DISTRIBUCIN DE DATOS MEDIANTE HISTOGRAMAS O FREQUENCIAS
Una distribucin de frecuencias describe cmo las unidades de una poblacin estn distribuidas en el rango de sus posibles valores Ejemplos Trabajados en base a Datos Frecuencia Relativa Frecuencias Acumuladas y Acumuladas Inversas

20

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (18,19) HISTOGRAMA DE LEYES DE DIFERENTES TAMAOS DE MUESTRA Ntese la pequea proporcin de ensayos con resultados de alta ley y una proporcin ms pequea de ensayos con resultados de baja ley para longitudes de testigos de 2m

21

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (20)
MEDIDAS DE TENDENCIA CENTRAL O POSICIN Distribuciones Simtricas y Asimtricas o Histogramas MEDIA: la medida comnmente utilizada es la media aritmtica MODA: La moda de un conjunto de nmeros es el valor que aparece con mayor frecuencia, es decir, es el valor que ms se repite; picos de histogramas Ejemplo 1. La moda del conjunto 2,5,7,9,9,9 10 es 9 Ejemplo 2. El conjunto 3,5,8,10 no tiene moda Ejemplo 3. El conjunto 3, 4,4, 5, 5 ,7 tiene dos modas, 4 y 5-bimodal As, pueden existir varias modas. Esto podra representar una mezcla de poblaciones (zonas no homogneas) (Ver Fig.13). A la distribucin que slo tiene una moda se le denomina unimodal.

22

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (23)
MEDIDAS DE TENDENCIA CENTRAL O POSICIN MEDIANA: Es el valor central o la media aritmtica de los dos valores centrales. Divide los datos en dos mitades iguales. Ejemplo 1 La mediana de 3,4,4,6,7,8,8,8,10 es 7 Ejemplo 2 La mediana de 5,5,7,9,11,12,15,18 es (9+11) = 10 RELACIN ENTRE MEDIA, MEDIANA Y MODA (FIG 14)

23

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (23,24) RELACIN ENTRE MEDIA, MEDIANA Y MODA PARA SOPORTES O LONGITUDES DIFERENTES (Tabla 4) La Media ser siempre la misma, cualquiera sea la longitud o volumen de la muestra La moda y la mediana cambian.

24

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (25)
MEDIDAS DE DISPERSIN O VARIACIN El grado en el cual los datos numricos estn dispersos con respecto a un valor promedio. - Los histogramas ubicados o centrados en los mismos valores medios pueden diferir (Fig. 18). La variacin, magnitud o dispersin proporcionan su identidad. - La dispersin o variacin puede darse con respecto a la media, mediana o moda. - La medida de dispersin ms comn: Rango, desviacin media, rango intercuartlico, varianza y desviacin estndar - Rango = mximo - mnimo Ejemplo: 2,3,5,12 : (12-2=10)

- Desviacin Media o Desviacin Absoluta Media (28)

- Rango Intercuartlico = el 75vo valor ms grande el 25vo valor ms grande - Rango Semi-intercuartlico e= del rango intercuartlico

25

INTRODUCCIN
ESTADSTICA DESCRIPTIVA (28 & 29)

MEDIDAS DE DISPERSIN O VARIACIN

VARIANZA = La desviacin promedio elevada al cuadrado con respecto a la media. = suma de (valor muestral - media)**2 nmero de muestras 1 Es la medida de dispersin o magnitud de valores ms usada Ejemplo (28) DESVIACIN ESTNDAR = Raz cuadrada de la varianza.
26

INTRODUCCIN
EJEMPLOS TRABAJADOS 1. Calcule la media, moda, mediana, varianza y desviacin estndar del conjunto: 2 2 5 7 9

27

INTRODUCCIN
PROPIEDADES DE LA DESVIACIN ESTNDAR Y LA DISTRIBUCIN NORMAL
HISTOGRAMAS MODELO Curva de frecuencia suave para histogramas (Fig. 19, pg. 32) Distribucin Normal (33): mayormente as denominada (Usada para la transformacin Normal o Gausiana) En la Distribucin Normal (34): El 68.45% de todos los valores estn comprendidos entre (media-s) y (media + s) (es decir, una desviacin estndar en cualquier lado de la media) El 95% de todos los valores estn comprendidos entre (media-2s) y (media+2s) (es decir, dos desviaciones estndar en cualquier lado de la media) El 99% de todos los valores estn comprendidos entre (media-3s) y (media+3s) (es decir, tres desviaciones estndar en cualquier lado de la media) Las distribuciones geolgicas son desviadas y no son directamente normales, aunque aquellas que han sido transformadas logartmicamente pueden ser normales; a tales distribuciones se les denomina log-normales. Para las distribuciones log-normales, la desviacin log-estndar tiene propiedades similares a las antes mencionadas (68%, 95% 99%)

28

INTRODUCCIN
EJEMPLOS TRABAJADOS (David : Clase)
Tablas de Distribucin Normal (Determinadas por la media y la varianza/Desviacin Estndar)
- Distribucin Normal Estndar Todas las distribuciones normales se pueden transformar a distribuciones estndar: Valor Normal Estndar = (valor muestral media de la muestra) desviacin estndar Se puede usar la funcin NORMDIST de Excel para hacer el clculo Se proporcionan Tablas Compiladas en la forma estndar

29

INTRODUCCIN
EJEMPLOS TRABAJADOS (David : Clase)
Pregunta: Supongamos que descubrimos un importante yacimiento de oro de 100 mt, con un promedio de 5.4 gramos/tonelada (g/t) y una distribucin normal de leyes. La desviacin estndar de muestras de testigos de perforacin es 0.7. El mineral debe ser extrado en tres categoras: por debajo de 4.6 g/t, debe ser apilado para el descanso navideo; por encima de 4.6 g/t y por debajo de 6 g/t, va a la Planta I; por encima de 6 g/t es transportado a una planta diferente (Planta II). Estime el tonelaje de cada categora (Usando la Tabla de Distribucin Normal Estndar).
- Ahora la seleccin de bloques de minado se realizar en bloques o paneles de Unidades de Minado Selectivo (SMU) mucho ms grandes, teniendo una desviacin estndar ms pequea de 0.4. Estime los nuevos tonelajes extrados en esta Grande Unidad de Minado Selectivo (Definir SMU). Comparar el impacto del cambio de SMU con el primer ejemplo.

30

INTRODUCCIN
DISTRIBUCIN LOGNORMAL

El histograma logartmico (leyes) es normal.

Ventaja: Mejor manejo de datos sesgados y uso de las propiedades de la distribucin normal. T de Sichel. CLD y LNGIG. Detalles y Ejemplos (fotocopia-WITS). (CORTE NATURAL DE INFORMACIN 1).

31

INTRODUCCIN
AGRUPACIN DE DATOS Muestreo por conglomerados o agrupacin de taladros - representan sesgo humano (por ej., se hacen ms perforaciones para confirmar las reas con mineral de alta ley). Crea sesgo en estadstica e histogramas.

32

INTRODUCCIN
DESAGRUPACIN DE DATOS

Geozonas separadas para poblaciones mixtas

Poblacin nica Uso de mallas sobre los datos

OPCIONES Seleccionar slo un dato por celda Ponderar inversamente las muestras en los bloques respectivos Promediar los datos dentro de las celdas Probar varias celdas y orgenes Ejemplo y Discusin

33

INTRODUCCIN

DOS VARIABLES (35) Media condicional y varianza condicional Covarianza y correlacin (38-42)

34

INTRODUCCIN
REGRESIN (43) Anlisis de Regresin (Lineal, multi-lineal, etc.) Coeficiente de covarianza y correlacin (CORTE NATURAL DE INFORMACIN)

35

CRITERIOS DE ESTIMACIN
FUENTES DE ERROR (48-53)

Errores de estimacin debido a la variabilidad de las leyes

Las fuentes de error debido a variabilidad son: Continuidad Zona de influencia

Variacin estructural y a pequea escala

Grado de homogeneidad Modo de Formacin
36

VARIOGRAMA
EJEMPLO SIMPLE DE VARIOGRAMA-ESTRUCTURA ESPACIAL (63) Valores de ley en un tajo (g/t) 1) 1 7 3 6 2 9 4 8 5 2) 1 3 5 7 9 8 6 4 2 Para ambos: Media = 5g/t Varianza = 6.7 Pero la naturaleza de la variabilidad es muy diferente 1) Es muy errtica 2) Cambia; es gradual y sistemtica Promedio de (diferencia)**2 entre pares sucesivos 1) 22.0 2) 3.6 baja correlacin alta correlacin

= Valores de Variograma

37

VARIOGRAMA
DEFINICIN (64) El variograma para un espaciamiento de muestra d es la mitad de la diferencia promedio al cuadrado entre todos los pares de muestras separados por una distancia d Ejemplo-1-D Manual (65) Tambin 2-D y 3-D (67, 69) NOTA: Variograma y Semivariograma se utilizan indistintamente
38

VARIOGRAMA
PROPIEDADES DEL VARIOGRAMA (70)
Zona de Influencia

- En general, el variograma aumenta con la distancia

- En promedio, la diferencia entre los valores aumenta con la distancia - La tasa de aumento del variograma refleja la tasa a la cual la influencia o correlacin de valores disminuye con la distancia - La tasa de aumento puede variar (anisotropa) o no (isotropa) Ver Fig. 46 Continuidad (71) Es reflejada por la tasa de crecimiento del variograma sobre distancias pequeas. Cuando el grado de continuidad es alto, existe muy poca diferencia entre las muestras tomadas en puntos cercanos, y los valores del variograma para distancias pequeas sern bajos. - Mientras ms bruscos sean los cambios en los valores muestrales, ms altos sern los valores del variograma. Ver Fig. 47 (desde a hasta d)

39

VARIOGRAMA
PROPIEDADES DEL VARIOGRAMA (70)

Estructuras de Transicin (72, Fig. 48)

- Rango : Coloca un valor mximo en la zona de influencia - Meseta : El variograma flucta alrededor de un valor constante=meseta (varianza) Anisotropas (73) - El grado de continuidad cambia con la direccin (Fig. 49) - Anisotropas geomtricas y zonales - Homogeneidad geolgica y variogramas (Fig. 53)
40

VARIOGRAMA
TIPOS DE VARIOGRAMAS EXPERIMENTALES Tradicional: Uso de leyes brutas en la frmula del variograma

Variogramas logartmicos: transformacin logartmica (logaritmo(leyes)) antes del clculo del variograma.
De Indicadores: Transformacin de indicadores antes del clculo. Relativo: Divide el variograma para las distancias respectivas entre el cuadrado de la media de los datos usados para calcular el variograma.

Relativo de parejas
por cada par de muestras dividir entre (la mitad de (muestras de cabeza + muestras de relave)**2 Variograma de puntajes normales: Transforme los datos a distribucin normal estndar antes del clculo del variograma Covarianza: Mapea la parte de correlacin del variograma (la correlacin disminuye con la distancia) Correlograma: Divida entre (desviacin estndar de muestras de cabeza)*desviacin estndar de muestras de relave)

41

VARIOGRAMA
MODELADO DE VARIOGRAMAS EXPERIMENTALES Tpicos: Modelo de Variograma Esfrico (Fig. 54, pp82 : Fig. 57, pp84) Lineal, gausiano Estructuras Anidadas

42

VARIOGRAMA
INTERPRETACIN Y MODELADO DE VARIOGRAMAS: PROBLEMAS Y SUGERENCIAS
INGREDIENTE MS IMPORTANTE Conocimiento geolgico; Controles sobre mineralizacin - Estructural estructuras transversales, etc. - Direccin, buzamiento Variogramas a lo largo del taladro: informacin densa, asistencia para estimados de pepita Espaciamiento de Paso - Distancia incremental para el clculo de variogramas Por lo menos distancia de paso (lag)=espaciamiento de muestreo Espaciamiento desigual de muestras Uso de compsitos relativos a la escala de minado o mltiplos (87)--- tambin los datos disponibles despus de compositar o regularizar Datos no alineados: uso de ngulo de Tolerancia (Fig. 59-pp88) Alta anisotropa esperada (uso de ngulo de menor tolerancia, datos limitados-mayor tolerancia Visualizacin del nmero de parejas usadas por paso, modelo para meseta=varianza de datos Variogramas errticos: Cortes Superiores, transformacin logartmica, transformacin Gausiana, etc. Variograma cruzado (91) EJEMPLOS ( en Datamine - Prcticas)

43

VARIOGRAMA
VARIOGRAMAS: DIFERENTES TAMAOS DE SOPORTE O BLOQUE (85) El variograma representa caractersticas espaciales medidas para soporte o volumen especfico. un

Cada tamao de soporte, por ej. muestras de guijarros individuales en una seccin de minado, es decir, partculas de cms de tamao, y promedios de 50x50m en la misma seccin, producir variogramas distintos.

Por lo general:
- El efecto de pepita disminuye con el aumento del TAMAO DE SOPORTE O BLOQUE - La varianza de los valores se reduce a medida que su volumen o tamao aumenta - El rango de influencia tiende a aumentar el tamao de soporte (CORTE NATURAL DE INFORMACIN)

44

VARIOGRAMA
CLCULOS NUMRICOS DE VARIOGRAMAS DENTRO DE VOLMENES (DISCRETIZACIN):

Ejemplos Relacin de Krige (94)

(CORTE NATURAL DE INFORMACIN)

45

TCNICAS DE ESTIMACIN
GENERALIDADES Principios de estimacin Varios mtodos de estimacin Fortalezas y debilidades de las diferentes tcnicas

46

TCNICAS DE ESTIMACIN
PRINCIPIOS DE ESTIMACIN Controles e ingresos geolgicos fundamentales (GEO en GEOestadstica)

Proporcionar estimados precisos e insesgados: globales y locales. Estimados para estudios de factibilidad confiables y para diversos requerimientos de planificacin minera (a corto, mediano y largo plazo)
Impacto directo sobre $$$$

47

TCNICAS DE ESTIMACIN
CALIDAD DE LA ESTIMACIN Ejemplos de elipse de error (Estimacin buena y deficiente: sesgos condicionales)

IMPACTO DE ESTIMACIONES IMPRECISAS

Decisiones erradas sobre factibilidad de uso intensivo de capital Asignacin errnea de material mineral y de desecho Prdidas operativas Posibilidad de reconciliacin deficiente
48

TCNICAS DE ESTIMACIN
EJEMPLOS Vecino ms prximo Poligonales Inverso de la distancia (varias potencias) Kriging (varias pruebas iterativas)

49

TCNICAS DE ESTIMACIN
VECINO MS PRXIMO (NN)
Valor muestral asignado al punto de estimacin
Ejemplo + 4g/t +? + 10g/t

A
A a B = 5m,

B
B a C =15m

Estimado del vecino ms prximo para el punto B = 4g/t Ventaja: rpido, no requiere ponderacin matemtica Desventaja: imperfecto, ignora la variabilidad espacial de las leyes y el efecto de escala (volumen-varianza)

50

TCNICAS DE ESTIMACIN
MTODOS POLIGONALES
Valor de la muestra dentro de los respectivos polgonos asignados como estimados Los polgonos pueden tener cualquier forma: cuadrangular, triangular, seccional, etc. Ejemplo

Ventajas y desventajas: Ver Vecino ms Prximo (Consecuencias de aplicar cortes a las muestras en lugar de SMUs)

51

TCNICAS DE ESTIMACIN
MTODOS DE PONDERACIN Suma de las leyes de las muestras ponderadas
Estimado= ( peso1 * valor muestral1 + peso2 * valor muestral2 + peson * valor muestraln )

Ejemplos Media aritmtica: Asigna el mismo peso a todas las muestras

52

TCNICAS DE ESTIMACIN
MTODOS DE PONDERACIN DE LA DISTANCIA
MTODOS DE INVERSO DE LA DISTANCIA (ID)
Intuitivamente, las muestras ms cercanas estn ms correlacionadas al punto de estimacin
Asigna altos pesos a las muestras cercanas Estimado de ID= Suma de leyes de las muestras ponderadas Ejemplos: Estimado del Inverso de la Distancia al Cuadrado (IDS): pondera cada muestra en funcin inversa a la distancia2 y divide el resultado entre la suma de las distancias inversas2 + 0.5 A +? C AC= 8m, BC= 7m, CD= 12m IDS = 0.5/(82) + 1.1/(72) + 1.5/(122) ((1/82) + (1/72) + 1/122)) + 1.1 B +1.5 D

53

TCNICAS DE ESTIMACIN
MTODOS DE PONDERACIN DE LA DISTANCIA
MTODOS DE INVERSO DE LA DISTANCIA (ID) Ventaja Rpido Fcil de usar Desventaja Los supuestos no son siempre verificados. Por qu ID al cuadrado y no al cubo, etc. No se toma en cuenta el agrupamiento, los parmetros de variograma y la escala Puede hacer una sobreprediccin para cuerpos mineralizados con alto efecto de pepita/sesgados positivamente.

54

TCNICAS DE ESTIMACIN
PONDERACIN DE LA DISTANCIA-ESTIMACIN PTIMA (184)
KRIGING Estimado= ( peso1 * valor muestral1 + peso2 * valor muestral2 + peson * valor muestraln )

Los pesos (basados en el variograma) se computan para proporcionar un estimado insesgado produciendo una varianza de estimacin mnima (error)

( CORTE ANTES DE LA DERIVACIN)

55

TCNICAS DE ESTIMACIN
PONDERACIN DE LA DISTANCIA-ESTIMACIN PTIMA (184)
GENERALIDADES SOBRE LA DERIVACIN DE KRIGING (184-194) EJEMPLOS DISCRETIZACIN IMPACTO DE LOS CAMBIOS SOBRE LOS PARMETROS DEL VARIOGRAMA (Pepita, etc.) DIFERENTES PRUEBAS ITERATIVAS (OK,SK,Lognormal, IK,MIK, etc.) ESTIMACIN Vs SIMULACIN (CORTE)

56

PRUEBAS DE CALIDAD DEL KRIGING

SESGOS CONDICIONALES EFICIENCIA DEL KRIGING

PESOS DEL KRIGING

CORRELACIN ENTRE VALORES REALES VS VALORES ESTIMADOS PESO DE LA MEDIA

57

PRUEBAS DE CALIDAD DEL KRIGING

SESGOS CONDICIONALES

58

SESGOS CONDICIONALES
La eliminacin de estos sesgos es fundamental para la valoracin del mineral y todos los procedimientos geoestadsticos. David: Estimacin Geoestadstica de Reservas de Minerales (1977): La insesgadez condicional es el - tema clave del trabajo preparado por Krige en 1951, - uno de los temas clave del trabajo que prepar en 1976, Y luego apareci como una revelacin para mucha gente.

Posteriormente, recalc adems que existe un efecto de suavizacin inevitable en el proceso de kriging por bloques.

59

SESGOS CONDICIONALES (continuacin)

POR QU SON IMPORTANTES? La figura que aparece abajo muestra cmo estos sesgos dan lugar a una mala clasificacin de los bloques de mineral, lo que conlleva a un nivel de utilidad muy inferior al que se podra lograr. Lnea de tendencia = lnea de regresin, y pendiente (es decir, desvo con respecto a la pendiente de 45 grados) = medida de sesgo.
ESTIMADOS DE BSQUEDA LIMITADA vs. VALORES REALES SECTORES: ESTIMADOS Y VALORES REALES, AMBOS NO ENTREGABLES=A; AMBOS ENTREGABLES=C ESTIMADOS NO ENTREGABLES, VALORES REALES ENTREGABLES=B; ESTIMADOS ENTREGABLES, VALORES REALES NO ENTREGABLES=D ESTIMADOS CATEGORIZADOS INCORRECTAMENTE=B Y D (XHATCHED)

Valores reales correspondientes

Tendencia promedio

Estimados de bsqueda con 1 a 8 puntos

60

SESGOS CONDICIONALES (cotd)

ESTIMADOS KRIGEADOS ADECUADOS VS VALORES REALES SEGMENTOS: ESTIMADOS Y VALORES REALES: AMBOS NO ENTREGABLES =A, AMBOS ENTREGABLES =C ESTIMADOS NO ENTREGABLES, VALORES REALES ENTREGABLES=C ESTIMADOS ENTREGABLES, VALORES REALES NO ENTREGABLES=D

ESTIMADOS CATEGORIZADOS INCORRECTAMENTE: SEGMENTOS B&D (XHATCHED)

Valores reales correspondientes

Tendencia promedio

Estimados krigeados con bsqueda adecuada

61

QU CONTRIBUYE A LOS SESGOS CONDICIONALES?

1.

Datos insuficientes. En 1950, slo se usaban datos perifricos para cada bloque. Hoy en da, con la geoestadstica, la rutina de bsqueda de datos a menudo sigue siendo inadecuada, an cuando la base de datos completa est instalada en la computadora. No se realiza ningn anlisis previo para determinar la rutina de bsqueda mnima requerida para eliminar los sesgos. No se llevan a cabo estudios de seguimiento para registrar la presencia de estos sesgos y la necesidad de eliminarlos.
62

2.

3.

EJEMPLOS PRCTICOS DE SESGO CONDICIONAL

Sesgado Positivamente: Estimados de Bloques versus Promedios de Taladros

PROMEDIOS DE TALADROSAI%

TENDENCIA DE REGRESIN

Estimados de Bloque a Largo Plazo AI%

63

EFICIENCIA DE BLOQUE Y PENDIENTE DE REGRESIN

64

EFICIENCIA DE ESTIMADO DE BLOQUE Y PENDIENTE DE REGRESIN

1. Definicin de Eficiencia: La eficiencia se puede medir de la siguiente manera: Eficiencia = (BV-KV)/BV expresada como un porcentaje. Donde: BV = Varianza de Bloques (es decir, la varianza de los valores reales del bloque (Calculada a partir de la discretizacin del variograma) y KV = Varianza de Kriging (es decir, la varianza de error de los estimados de bloque respectivos) Para valoraciones perfectas: KV = 0, la varianza de dispersin (DV) de los estimados (calculada a partir del modelo krigeado observado) = BV; entonces: Eficiencia = (BV-0)/BV = 100%. Cuando slo un estimado global de todos los bloques es posible, todos los bloques se valorarn en base a la media global, es decir: DV = 0, KV = BV, y Eficiencia = (BV-BV)/BV = 0%. Usualmente, los bloques se valoran de manera imperfecta. Sin sesgos condicionales: DV = BV KV, y Eficiencia = (BV-KV)/BV = DV/BV.

65

EFICIENCIA DE ESTIMADO DE BLOQUES Y PENDIENTE DE REGRESIN

Sin embargo, cuando hay presencia de sesgos condicionales, esta relacin no se cumple y entonces:
DV > (BV-KV) debido a la insuficiente suavizacin, y Eficiencia < DV/BV = (BV-KV)/BV La eficiencia puede incluso ser negativa si KV>BV. Dicha situacin es absurda y las valoraciones de los bloques no tendrn utilidad; sin embargo, el autor ha encontrado en la prctica varios casos en que la informacin a la que se tuvo acceso por bloque fue insuficiente.

66

EFICIENCIA VERSUS PENDIENTE DE REGRESIN

CORRELACIN ENTRE EFICIENCIAS Y PENDIENTES

% EFICIENCIA

VALORES REALES/ESTIMADOS PENDIENTE DE REGRESIN

67

POR QU OCURREN SESGOS CONDICIONALES

Razn Principal = Rutina de bsqueda de datos limitada es decir, nmero de datos empleados.

El nivel requerido de datos depende de:

El tamao y forma de los bloques de mineral Patrn de datos y posicin relativos al bloque.

Patrn espacial de datos (variograma).

Variabilidad local (Pepita) Rango Forma Anisotropas (Direccin para variaciones en la intensidad de las continuidades). {Ntese que el ID al cuadrado no puede incorporar todos estos elementos}
68

SUAVIZACIN
Por qu los estimados krigeados son suavizados?
EFECTO DE SUAVIZACIN DE KRIGING

Valores reales de bloque

VALORES
REALES

Estimados sujetos a regresin

ESTIMADOS

ESTIMADOS DE BLOQUE

69

SUAVIZACIN (continuacin)
IMPLICANCIAS: Los recursos indicados e inferidos deben ser valorizados en bloques grandes para asegurar que no se produzcan sesgos condicionales. Son muy suaves y conllevan a la sobrevaloracin o subvaloracin de los tonelajes y leyes de corte, respectivamente, y deben ser postprocesadas.

El efecto de suavizacin tambin se puede reducir y la calidad de las estimaciones de los bloques de recursos indicados adyacentes o cercanos a las reas minadas se pueden mejorar mediante:
La regularizacin de los datos del rea minada en bloques de datos y el uso de sus leyes medias junto con cualquier dato limitado del rea donde se encuentra el recurso, mediante co-kriging, para valorar estos bloques de recursos.
70

PESOS DE KRIGING
EN EL KRIGING ORDINARIO - LA SUMA DE LOS PESOS ES 1.0 (INSESGADEZ GLOBAL) - UNA ALTA PROPORCIN DE PESO CERO O NEGATIVO PUEDE INDICAR LA NECESIDAD DE REDUCIR LA BSQUEDA - LOS PESOS PERIFRICOS ALTOS RELATIVOS AL PESO TOTAL PODRAN INDICAR LA NECESIDAD DE INCREMENTAR LA BSQUEDA CON MUESTRAS DE BAJO EFECTO DE PEPITA DENTRO DE LOS BLOQUES, OBTIENE UN MAYOR PESO Y SUCEDE LO CONTRARIO CON MUESTRAS DE ALTO EFECTO DE PEPITA.
71

PRUEBAS DE CALIDAD DEL KRIGING

COEFICIENTE DE CORRELACIN DE VALORES REALES VERSUS VALORES ESTIMADOS (R) ESTO SE PUEDE CALCULAR EN BASE AL VARIOGRAMA PARA ESTIMADOS DE KRIGING DIFERENTES, MIENTRAS MAYOR SEA LA CORRELACIN, MEJOR

72

PRUEBAS DE CALIDAD DEL KRIGING

PESO DE LA MEDIA COMO UNA PRUEBA PARA LA BSQUEDA ADECUADA CON LA TCNICA DE KRIGING, SE PUEDE CALCULAR EL KRIGING SIMPLE CORRESPONDIENTE (KRIGING CON MEDIA CONOCIDA). EL PESO ASIGNADO A LA MEDIA SE PUEDE ANALIZAR. POR LO GENERAL, CUANDO SE ASIGNA A LA MEDIA UN PESO MAYOR AL 10-15%, UNA MAYOR VECINDAD DE BSQUEDA REDUCIR EL SESGO CONDICIONAL PARA EL ESTIMADO DE KRIGING ORDINARIO.

73

CONSEJOS BSICOS
1. 2. Use las unidades de datos y tamao de bloques correctos. Establezca todos los modelos y parmetros geoestadsticos necesarios. Verifique si existen tendencias obvias en la ley, ancho, gravedad especfica (SG), ingresos geolgicos, etc. y subdivida los datos en subreas/Dominios lgicos, o tome en cuenta la tendencia de manera adecuada. Tenga cuidado con los cortes superiores.

3.

4.

Determine la rutina de bsqueda requerida para eliminar los Sesgos Condicionales. Use los bloques de datos regularizados cuando sea apropiado.
Cuando sea posible, verifique para cada sub-rea los promedios generales de las leyes de los bloques versus los promedios de los datos usados despus de que estos ltimos hayan sido desagrupados. Ello permitir determinar si existe algn sesgo global obvio (esto no siempre es posible cuando hay extrapolacin directa); Revise el modelo de Bloque versus los datos (secciones, etc.) A medida que los bloques sean extrados, realice estudios de seguimiento 74 para validar sus estimados.

5.

6.

TAMAO DE BLOQUE-ESCALA
RELACIN VOLUMEN-VARIANZA-Relacin de Krige (94):
: TRABAJO DE APCOM Sea: s2(v/D) = varianza de leyes de bloques pequeos v (por ej. SMU = 5x5x2.5m) dentro de un Depsito (D) s2(v/V) = varianza de leyes de bloques v dentro de un bloque grande V (por ej. 20x20x2.5m) s2(V/D) = varianza de leyes de bloque grande V dentro de un Depsito (D) La relacin entre estas tres varianzas es: s2(v/D) = s2(v/V) + s2(V/D) A esto se le denomina la relacin de Krige. Las varianzas geoestadsticas se pueden calcular por medio de variogramas y la relacin de Krige. Se requieren para pasar de una escala a otra (Detalles del ejemplo de APCOM contenido en el Estudio 75 de Caso).

LEYES ESTIMADAS Y VERDADERAS

CARACTERSTICAS DE TAMAO DE BLOQUE Y LEY (198):

TRABAJO DE APCOM Curvas de ley/tonelaje para diferentes tamaos de bloque (8.1.1) Las caractersticas de las leyes estimadas y verdaderas (8.1.2)

76

TAMAO DE BLOQUE-ESCALA
LA VARIANZA DE LEYES VERDADERAS DE BLOQUES (200-210) TRABAJO DE APCOM Sea: s2(v/V) = varianza de las leyes verdaderas de los bloques v (por ej. 5x5x3) dentro de un bloque o banco grande (V) S*2(v/V) = varianza de las leyes estimadas del bloque v(5x5x3) dentro del bloque o banco grande V s2k = varianza de kriging promedio de los bloques v Se cumple la siguiente relacin: s2(v/V) = S*2(v/V) + s2k Esto sirve de base para el post-procesamiento a fin de obtener curvas de ley/tonelaje realistas (no suavizadas), especialmente para estimaciones de recursos basadas en datos limitados derivados de perforacin diamantina (DD)/circulacin de reservas (RC). (CORTE NATURAL DE INFORMACIN)

77

ESTUDIO DE CASO
DATOS DE CONTROL DE RECURSOS/LEYES DERIVADOS DE DD/RC/BH CONTROL DE LEYES/ESTIMADOS GEOESTADSTICOS A LARGO PLAZO INGRESOS GEOLGICOS Individuales estratigrafas/mineral Tipo de zona permetros/mallas de alambre Zonas/dominios homogneos Estructura, etc. Geologa: Impacto significativo sobre cualquier tcnica de estimacin

78

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS
VERIFICACIN DE DATOS (GIGO) Muestreo/Ensayos de Aseguramiento de la Calidad/Control de Calidad (QA/QC)
TAMBIN RECUPERACIN DE TESTIGOS Y GRAVEDAD ESPECFICA ANLISIS ESTADSTICOS PARA LOS DOMINIOS DE ROCAS RESPECTIVOS Alternativa de compsitos para el tamao a compositar TAMBIN DEBE ESTAR RELACIONADO CON LAS ALTURAS DE LOS BANCOS Verificaciones para asegurar la confiabilidad de los resultados de los compsitos media y varianza de datos pre/post-compsitos Comparacin RC/DD/BH (principalmente en el ancho total o compositados por la geologa) Verificacin del grosor promedio de las lneas o alambres versus los resultados reales de la perforacin de taladros.

79

ESTUDIO DE CASO
ESTIMADOS DE GEOESTADSTICA
ANLISIS ESTADSTICOS PARA LOS DOMINIOS DE ROCAS RESPECTIVOS
Histograma y grficos de frecuencia acumulada (verificaciones de distribucin, por ej. verificaciones de log-normalidad tambin ayudan a elegir la metodologa de post-procesamiento) Verificacin de posibles valores atpicos (outliers) (COMPUTA LA PROPORCIN DE METAL PERDIDO Y HACE UN ANLISIS) Desagrupacin (tambin requerida como una de las herramientas para verificar los resultados krigeados) Anlisis de Tendencias y verificacin en dominios geolgicos (se pueden requerir sub-dominios si se presentan tendencias significativas)

80

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD
VARIOGRAMA para Dominios/Zonas de Mineralizacin
Uso de datos de compsitos de BH, RC y DD.

Computacin: parmetros de variograma experimental 3-D, tolerancia en la distancia de paso (lag)

Expectativas/comprensin geolgica y direcciones de variogramas 3-D Interpretacin y modelamiento de variogramas experimentales direccionales 3-D para su uso en el kriging.

81

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC
ELECCIN DE LA METODOLOGA DE ESTIMACIN CONSIDERACIONES: Disponibilidad de datos Tamao de bloque (Padre y SMUs) Varianza de kriging, eficiencia de kriging, empleo de datos de compsitos de RC y DD Suavizacin de bloques padres y post-procesamiento

Kriging simple (requiere medias locales, eficiente con informacin limitada) o kriging ordinario
El kriging ordinario y el kriging simple dan resultados similares cuando se dispone de suficiente informacin (por ej., con control de leyes de RC)

82

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC MODELO DE BLOQUE VACO Proporcional y Centroide Ventajas y Desventajas

83

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC
BLOQUE ORIGINAL SE RELACIONA CON LA MALLA DE PERFORACIN - Depende del variograma, etc., pero, en el caso de mtodos indirectos, la regla general es: el tamao de bloque no debe ser menor a la mitad del espaciamiento de datos (se debe probar) Estrategias de bsqueda: uso de parmetros y criterios de eficiencia de variogramas

Nmero mnimo de muestras usado para el kriging ordinario y el kriging simple: Contribuye significativamente a la calidad de las estimaciones de kriging ordinario (produce sesgos condicionales de los estimados de kriging ordinario A MENUDO IGNORADO !!!!! 84

ESTUDIO DE CASO
RECURSOS ESTIMADOS GEOESTADSTICOS A LARGO PLAZO DERIVADOS DE DD/RC

ESTIMADOS KRIGEADOS DE BLOQUES ORIGINALES

Validacin Verificaciones globales con medias desagrupadas Planes y secciones de datos krigeados y datos de DD o RC Sesgos condicionales Curvas de Suavizacin y Ley / Tonelaje: no en kriging con eficiencia, sino suavizando estimaciones padre krigeadas. Consecuencias de usar curvas de tonelaje/ley krigeados y suavizados originales (ver tambin Ejemplo de Dowd)
85

ESTUDIO DE CASOS
RECURSOS ESTIMADOS GEOESTADSTICOS A LARGO PLAZO DERIVADOS DE DD / RC

ESTIMACIN DE TONELAJE/LEY POST-PROCESAMIENTO PARA ELIMINAR LA SUAVIZACIN INDEBIDA

Computa parmetros para correccin de informacin

Relevancia del tamao de SMU (por ej. 10x10x10m?) para el minado

Computar las curvas de tonelaje/ley para SMUs en base a bloques krigeados del panel original, por ej. 20x20x2.5 (Ver relaciones previas y el trabajo de APCOM)

Enviables de salida para Whittle: Conceptos de enviable

Parmetros de gravedad especfica, arcilla/azufre y disolucin Modelos de roca combinados para corridas de Whittle

86

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC Cuestiones de estimacin y planificacin a mediano/corto plazo. Consideraciones importantes para un eficiente modelo krigeado de control de leyes RC/BH Relevancia para Reconciliacin de Produccin de RC/BH

87

ESTUDIO DE CASO
ESTIMADOS GEOESTADSTICOS DERIVADOS DE DD/RC DISCUSIN GENERAL SOFTWARE DESARROLLADO Datamine Statistica

Isatis

88

GEOESTADSTICA NO LINEAL
GENERALIDADES Kriging Disyuntivo

Condicionamiento Uniforme
Tcnicas de Indicadores (IK, MIK etc. ) Pueden manejar mineralizaciones mixtas de alta y baja ley, especialmente con controles geolgicos difciles, Correccin de Probabilidades (correccin de orden) problemas, y numerosas demandas de clculo de variogramas. Otra transformacin (por ejemplo, transformada logartmicamente) Puede manejar distribuciones desviadas, pero presenta problemas de transformacin inversa (back-transformation) Simulaciones: Secuencial Gausiana, Bandas Rotantes (Turning Bands), Secuencial Indicadora, Recocido, etc.: No son herramientas de evaluacin, sino que han de usarse para realizar un anlisis de incertidumbres/riesgos del cuerpo mineralizado. Cundo? Ventajas Desventajas

89

FIN

90