Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
AREQUIPA
FACULTAD DE CIENCIAS NATURALES Y FORMALES
ESCUELA PROFESIONAL DE MATEMÁTICAS
AREQUIPA – PERÚ
- 2016 -
ASESOR:
________________________________
Bach. Edgar Michel Marín Ballón
CENTRO GEOESTADÍSTICO PERUANO
A mi hermano, Gerson.
AGRADECIMIENTOS
Agradezco a los señores catedráticos Dr. Octavio Roque Roque, Mg. Sergio Aquise
Escobedo y Lic. Luis Guerra Jordán, quienes conforman el jurado examinador y a través de
sus sugerencias y observaciones, ayudaron a elevar el nivel del contenido de esta tesis de
licenciatura de matemáticas.
Introducción .................................................................................................................... 15
Resumen.......................................................................................................................... 19
2.1 La Geoestadística 59
2.4.1 Covarianza 83
2.4.2 Variograma 85
2.4.3 Ajuste con variogramas teóricos 96
2.4.4 Diferencia Básica entre el Tratamiento Estadístico Descriptivo y el
Geoestadístico 97
2.4.5 Variograma Promedio 102
2.4.6 Variograma Cruzado 105
El estudio de fenómenos que caracterizan a las ciencias de la tierra y que son motivo de
análisis en la actualidad, exige el uso de modelos matemáticos y definiciones que
permitan axiomatizar la realidad del fenómeno.
A nivel mundial, Perú se ubica entre los primeros productores de diversos metales
preciosos, tales como oro, plata, cobre, plomo, zinc, entre otros; la presencia de la
Cordillera de los Andes a lo largo del territorio nacional, constituye nuestra principal
fuente de recursos minerales.
El presente trabajo de tesis de licenciatura es fruto de la labor durante dos años como
asistente del Dr. Alfredo Marín Suárez, Docteur Ingénieur en Ciencias y Técnicas
Mineras Opción Geoestadística de la Ecole National Superieure des Mines de Paris, quien
previamente realizó estudios de especialización en el Departamento de Ingeniería
Matemática de la Universidad de Chile, 1973-1975 y actualmente es profesor principal
de la Universidad Nacional de Ingeniería y profesor de la Maestría de Geología de la
Universidad Nacional de San Agustín. Se desarrolló la labor de asistente del Dr. Marín
en el Centro Geoestadístico Peruano en Lima, colaborando en las investigaciones de
geoestadística y en los servicios de consultoría especializada a varias empresas mineras
nacionales e internacionales. Se realizó el aprendizaje de manejo de softwares de la
industria minera: DATAMINE, MINESIGHT, GEMCOM, SGEMS, y se comprendieron
los fundamentos de la Geoestadística.
Es así que se presenta este trabajo de tesis, presentando los conocimientos obtenidos como
asistente en el Centro Geoestadístico Peruano y siguiendo los lineamientos de los estudios
hechos por Matheron en Francia, con el objetivo de mostrar que la Geoestadística está
fundamentada en conceptos esenciales e importantes de la matemática y exhibir su
aplicación en la estimación de yacimientos mineros, haciendo uso de un software de la
industria minera.
X E X 2 es norma en L (, A, P) .
2
3.
Capítulo 1
ASPECTOS GENERALES
En este capítulo se presenta una reseña histórica de la creación y desarrollo de la
Geoestadística, y su acogida en Latino América. Así mismo, se hace un repaso de las
definiciones y proposiciones del Análisis Funcional, la Teoría de la Medida y de la
Estadística Descriptiva que serán necesarias en los capítulos siguientes, y que
proporcionan la base matemática en la cual se fundamenta la Geoestadística.
Anteriormente hubo algunos trabajos de campo del ingeniero Daniel Krige de Sudáfrica,
usando métodos de la estadística descriptiva para modelar la variabilidad de la ley del oro
en Sudáfrica en los años 50’s.
A finales de la década de los 60’s, el gobierno francés fue informado de los trabajos de
Georges Matheron y creó el “Centre de Morphologie Mathématique” (CMM) en la École
Nationale Supérieure Des Mines de Paris, en Fontainebleau, y Georges Matheron fue
asignado como su primer director, donde continuó con sus trabajos de investigación y
“En los años 70’s se desarrollan los primeros trabajos de la aplicación de la Geoestadística
en Chile. En la Universidad de Chile se estableció un grupo específico de investigación
dedicado enteramente a la Geoestadística. Este grupo inició la publicación de la primera
revista de Geoestadística, llamada The Boletin de Geoestadística.
El Dr. Georges Matheron desarrolló la aplicación a partir de los años 70s’ con su equipo
de colaboradores, dentro los cuales citamos algunos: Jean Serra, Andre Journel, Alain
Marechal, J. Chiles, Pierre Chauvet, J. Deraisme, R. Dumay, D. Guibal, Alfredo Marín,
M. Alfaro, quienes serían los que introducirían la teoría de la Geoestadística en las
diferentes áreas profesionales, como es el caso de la geología minera y petrolera.
, : E E , x, y x, y
p1) x1 x2 , y x1 , y x2 , y
p2) x, y x, y
p3) x, y y, x
:E
Ejemplo:
1
n 2 2
x xi
i 1
E
Corolario 1.2.3:
E
es en efecto una norma.
Demostración:
1
n 2 2
N1) x xi 0
i 1
E
1
n 2 2 n
N2) ) Si xi 0 , entonces x 0 , lo cual implica xi 0 ,
2
x i
i 1
E
i 1
i 1,..., n . Es decir: x 0 .
1
n
n 2 2
) Supongamos que x 0 , entonces x 0 . Luego x xi 0.
2
i
i 1
E
i 1
1 1 1
n 2
2
2 n 2 2
n 2 2
N3) x xi xi xi x
i 1 i 1 i 1
E E
Calculemos x y
2
E
n
x y xi yi x12 y12 2 x1 y1 ... xn2 yn2 2 xn yn
2 2
E
i 1
x y 2 x1 y1 ... xn yn
2 2
E E
2 x1 y1 ... xn yn x E y x E y
2
xE y 2 x
2 2 2 2
E E E
y E E
Es decir
x E y
2
x y
2
E E
x y E
xE y E
1
n 2 2
xi
■
Es de notar que el nombre “seminorma” se debe a que a esta función le falta la propiedad
N2 de la definición 1.2.2 para convertirse en norma.
a) X ,
b) Para cada conjunto A , el conjunto Ac pertenece a ,
c) Para cada sucesión infinita Ai de conjuntos que pertenecen a , el conjunto
Ai pertenece a .
i 1
Ejemplo:
de X .
Una medida en el -álgebra del conjunto X es una función : 0, que
satisface
a) 0
b) Ai Ai
i 1 i 1
i. P A 0 , para todo A ,
ii. P 1
entonces:
P An P An
n 1 n 1
Un espacio vectorial equipado con una norma será llamado espacio vectorial normado, o
simplemente espacio normado.
sucesión de Cauchy si para cada número positivo , existe un entero positivo N tal que
sm sn siempre que m N y n N .
Un espacio con producto interno es llamado espacio de Hilbert cuando es completo con
la norma inducida por el producto interno.
1.2.2 El espacio 2
(, A, P)
Definición 1.2.15 ( 2
(, A, P) ):
de en tales que
1
p
f dP
p
f p
1
p
(, , P) f : f dP
p p
f p
O lo que es lo mismo:
(, , P) f : dP
p p
f
Particularmente para p 2 :
1
2
f dP
2
f 2
Con la norma 2
se define el espacio:
(, , P) f : f dP
2 2
1 q , y 1 1 1 . Si f p
(, , P) y g q
(, , P) , entonces fg
p q
(, , P) y satisface fg dP f
1
pertenece a p
g q
Demostración:
Supongamos f p
0 y g q
0.
f t f 1 t t 1 1
t t 1
1 1
a 1 a b
Haciendo t y , se obtiene la desigualdad a p b q .
b p p q
p q
f ( x) g ( x)
■
Reemplazando a p
y b q
, se obtiene la desigualdad deseada.
f p
g q
pertenecen a p
(, , P) , entonces f g p
f p
g p
.
Demostración:
Sean f , g p
(, A, P) . Si p 1 o f g p
0 , se cumple la desigualdad:
p 1 f g 1 f g dP f dP g dP f 1 g 1
Podemos suponer f g p
0 y p 1. Entonces, x
f ( x) g ( x) f ( x) g ( x) 2 max f ( x) , g ( x)
p p p
2 p max f ( x) , g ( x)
p
2 p f ( x) g ( x)
p p
Luego
f g f g dP 2 p f dP g dP
p p p p
p
f g p
(, , P) .
p 1
f ( x) g ( x) f ( x) g ( x) f ( x) g ( x)
p
f ( x) g ( x)
p 1
f ( x) g ( x)
p 1 p 1
= f ( x) f ( x) g ( x) g ( x) f ( x) g ( x) ()
1 1 pq
Tomando q 1 con 1 1 p 1 q p
p q pq
p 1 p
f g f g q
q
(, , P)
En efecto,
p q p
q
f g f g dP f g dP f g
p p
q q
p
q
1 1
p 1 p
( p 1) q q
f f g dP f f g
p
dP dP
1 1
p 1 p
( p 1) q q
g f g dP g dP f g
p
dP
f g dP f f g
p
p 1
g f g
p 1
dP
p 1 p 1
f f g dP g f g dP
1 1 1 1
p
q
p
q
f f g dP g dP f g dP
p p p p
dP
1
q
Dividiendo ambos lados por f g dP :
p
f g dP
p
1 1
p
p
f g dP
p p
1
dP
q
f g dP
p
1
1 1 1 1
q p
p
p
f g dP f g dP f g dP
p p p p
dP
■
f g p
f p
g p
Proposición 1.2.18:
2
: 2
(, , P) es una seminorma.
Demostración:
Sea f 2
(, , P) y
1
2
0 y por lo tanto f dP 0 .
2 2
1) f 2
es positivo, pues f
1 1 1
2 2 2 2
f f dP f dP f dP f
2 2 2
2) 2 2
.
3) La desigualdad triangular se verifica de manera inmediata con la desigualdad de
■
Minkowski: f g 2 f 2
g 2.
2
no es norma, pues x 2 0 no necesariamente implica x 0 .
Contraejemplo:
Consideremos la función f 2
(, , P) definida por:
1, x a
f ( x)
0, x a
La función 2
aplicada a f 2
(, , P) da como resultado cero, pero f no es la
función nula.
Proposición 1.2.19:
El espacio 2
(, , P) es un espacio vectorial.
Demostración:
2
(, , P) es un subconjunto del espacio de funciones con valores reales, que es un
f g, f 2
(, , P) .
Sean f , g 2
(, , P) y x .
f dP g dP
2 2
y
Supongamos que f ( x) g ( x) 0 :
f ( x) g ( x) f ( x) g ( x)
2 2
max f ( x) , g ( x) max f ( x) , g ( x)
2
2 max f ( x) , g ( x)
4 max f ( x) , g ( x)
2 2
4 f ( x) g ( x)
2 2
, x
f g 2 f g dP 4 f g dP
2
2
2 2
4 f dP 4 g dP
2 2
Así, f g 2
(, , P) .
Sea f 2
(, , P) , y x .
Supongamos que f 0 :
f f dP 2 f dP 2 f dP
2 2 2 2
2
f 2
(, , P)
■
Así, 2
(, , P) es un espacio vectorial.
Sea (, , P) un espacio de probabilidad. Se dice que una propiedad de los elementos
de se cumple casi ciertamente (c.c.) si el conjunto de puntos de en los cuáles la
propiedad falla es P -nulo.
se cumple.
Definición 1.2.21:
Corolario 1.2.22:
Demostración:
Sean f , g , h elementos de 2
(, , P) , mostremos que es una relación reflexiva,
simétrica y transitiva:
f ( x) g ( x) g ( x) h( x) , x M C
f ( x) h( x) , x M C
f ( x) h( x) , x M
Es decir fRh .
■
Por lo tanto, la relación es en efecto una relación de equivalencia.
L2 (, , P) 2
(, , P) / R f : f 2
(, , P)
Dónde f g
2
(, , P) : gRf .
Corolario 1.2.24:
f g f g y f f
Demostración:
f ' f y g ' g .
f f f ' f '
■
Estas operaciones hacen que L2 (, , P) sea un espacio vectorial:
Proposición 1.2.25:
Demostración:
Sean f , g L (, , P)
2
f y g son elementos de 2
(, , P)
f 2
y g 2
f g 2 f 2
g 2
f g 2
(, , P)
f g f g L2 (, , P)
Sea f L2 (, , P) y
f 2
(, , P) f 2
f 2
f 2
f f L2 (, , P)
■
Así, L2 (, , P) es espacio vectorial.
fórmula f2 f 2
.
Proposición 1.2.26:
2
es norma sobre L2 (, , P) .
Demostración:
f2 f 2
0
f 2 f 2 f 2
f 2
f2
f g 2 f g 2 f g 2 f 2
g 2
f 2 g 2
f 2 0 f 0 :
f 2 f 0 2 f 0 2 f 0 2 0
f 0 c.c. f 0
f 2 0 2 0 2 0
■
Lo cual comprueba que 2
es norma sobre L2 (, , P) .
Decimos que
vk es convergente si lim vk existe
k 1
n
k 1
v
k 1
k es absolutamente convergente si la serie v
k 1
k de números reales es
convergente.
1. f1 x f 2 x ...
2. f x lim f n x
n
0, , y sean f y f1 , f 2 , ... funciones A -medibles en X con valores en , tales
1. f x lim f n x
n
2. f n x g ( x), n 1, 2,...
fd lim f d .
n
n
Teorema 1.2.30:
Corolario 1.2.31:
Proposición 1.2.32:
Demostración:
satisfacen
k
fk 2
.
2
g ( x) f k ( x)
k 1
1
n
2
2 n n
f k dP fk fk
k 1 2
k 1 2 k 1
2
n
2
n n
2
gdP lim
n
f k dP lim f k dP lim f k 2
n
k 1 n
k 1
k 1
f k ( x), si g ( x)
f ( x) k 1
0
, en otro caso
g, y f (, , P) .
2 2
Entonces f es medible y satisface f
n n 2
n
c.c., el teorema de la convergencia dominada implica que lim
n
f
k 1
k f 0.
2
n
Es decir, la serie f
k 1
k absolutamente convergente es también convergente. Entonces,
■
por el teorema 1.2.29, L2 (, , P) es completo.
1, x A
I A x
0, x A
Se definió al espacio 2
(, , P) como el espacio de las variables aleatorias. Denotemos
X como un elemento de 2
(, , P) . A continuación, se presenta el concepto
matemático de la variable aleatoria.
X :
B , X 1 B
M X (t ) E e e
tX tx
f (x)dx
Teorema 1.2.36:
Sea X una variable aleatoria para la cual existe la función generadora de momentos
M X (t ) , entonces:
n
E X n M X (t )
t n t 0
Lema 1.2.37:
g (t ) e
tx
f ( x)dx
Converge para todo t h, h , para algún h 0 , entonces existen las derivadas parciales
como:
n g (t ) n etx
t n
t n f ( x)dx
aplicando el lema
n M X (t ) n etx
t n
t n
f ( x)dx x n etx f ( x)dx
n M X (t )
x n f ( x)dx E X n
■
t n
t 0
Ejemplo:
Sea X una variable aleatoria con distribución exponencial de parámetro , o sea con
densidad
f ( x) e x I (0,) ( x)
1, x 0,
Donde I (0, ) ( x) es la función indicadora.
0, x 0,
Entonces
M X (t ) E e tX
e e
tx x
dx e ( t ) x dx
0 0
t e t x
t
dx
0
t
Siempre que t .
Calculemos ahora E X y V X :
M X (t ) 1
EX
t t 0 t t t 0 ( t )2 t 0
Como V X E X 2 E ( X ) , calculemos E X 2 :
2
2 M X (t ) 2 t
EX2
2
t 2 t 0 t t 2 t
4
2
t 0 t 0
2 1 1
Entonces V X .
2
2
2
1.2.3.1 Histogramas
1) Determinar el tamaño de compósito de los taladros, esto con el fin de lograr que
las variables en estudio sean aditivas. Se define la longitud de compósito como la
longitud que regulariza el tamaño de las muestras, de manera que tengan longitud
constante, que se traduce en un mismo soporte geométrico.
𝑓(𝑥)
Frecuencia
Longitud 𝑥
Ilustración 3: Histograma de la selección de longitud de compósito
2) Con frecuencia ocurre que se filtran valores muy altos o bajos de leyes de mineral
en comparación con la mayor parte de valores. Una de las aplicaciones de los
histogramas experimentales es para identificar valores altos, llamados valores
erráticos. La presencia de valores erráticos se puede deber a varias razones, entre
las cuales están que los valores pertenezcan a un evento geológico posterior, o
posibles errores que se hayan filtrado en los datos pese a un estudio previo de
control de calidad QA-QC (Técnicas estadísticas que permiten tener una data
representativa y confiable).
Se determina el valor capping para la ley en estudio. El “capping” separa a los valores
erráticos de los demás valores de la zona en estudio.
Ejemplo: Histograma de la variable Zinc en partes por millón (ppm) de 5526 datos:
𝑓(𝑥)
Frecuencia
En la ilustración se aprecia que la variable Zinc tiene una distribución lognormal, pero
con una población adicional de valores altos mostrados en la “cola” del histograma
experimental.
Después de separar o eliminar los valores erráticos, usando un valor capping de 3000 ppm
(partes por millón), tenemos:
𝑓(𝑥)
Frecuencia
Así, se hacen estudios sólo con los valores de la variable que son menores que 3000 ppm.
𝑓(𝑥)
Frecuencia
𝑥
Leyes de Oro
Así mismo, se define la función de densidad de probabilidad para una variable aleatoria
continua X .
Y verifica
1. f X ( x) 0 , para todo x
2.
f X x dx 1
1 (ln x )2
1 2 2
f ( x) e ,x0
2 x
Dónde:
Media aritmética de los logaritmos
de las leyes de mineral
2 Varianza de los logaritmos de las leyes de mineral
1 ( yy )
2
1 2 y2
f ( y) e , y0
2
y
Dónde:
Teorema 1.2.40:
La función
1 ( yy )
2
1 2 y2
f ( y) e , y0
2
y
Demostración:
2.
f ( y )dy 1 .
En efecto, calculemos:
1 ( yy )
2
1 2 y
2
2
e dy
y
1 ( y y )
2
1 2 y2 1 12 t 2 1 1
t2 2 1
t2
2 y
e dy
2
e dt
2
e 2
dt
2 e
0
2
dt
1
t2
Llamemos I e
0
2
dt . Calculemos I 2 :
1
t2
1
s2
1 2 2
t s
I e dt e ds e
2 2 2 2
dtds
0 0 0 0
2 2 1 r2 2
d e d d 1 2
I
2
d e 2
0 0 0 0 0
2
Con lo cual se tiene I . Por lo tanto:
2 2
1 ( y y )
2
1
2 y2 2 2 2
2 y
e dy
2
I
2 2
1
1 ( yy )
2
1 2 y 2
f ( y) e , y0
2
y
■
en el modelo de distribución normal es una función de densidad de probabilidad.
Teorema 1.2.41:
La función
1 (ln x )2
1 2 2
f ( x) e ,x0
2 x
Demostración:
2.
f ( x)dx 1 .
En efecto, calculemos:
1 (ln x )2
1
2 2
e dx
2 x
ln x 1
t dt dx
x
Entonces queda:
1 (ln x )2
1 1 12 t 2 1 1
t2 2 1
t2
e e
2
e 2
dx e dt 2
dt 2
dt
2 x 2 2 2 0
1
t2
Llamemos I e
0
2
dt . Calculemos I 2 :
1
t2
1
s2
1 2 2
t s
I2 e
0
2
dt e
0
2
ds
0
e
0
2
dtds
ds cos dr rsen d
dt sen dr r cos d
Donde:
cos rsen
J r
sen r cos
Entonces:
2 1 2 1
r2 r2
I re drd d re
2 2 2
dr
0 0 0 0
1
r2 d rdr
2
2 2 1 r2 2
d e d d 1 2
I
2
d e 2
0 0 0 0 0
2
Con lo cual se tiene I . Por lo tanto:
2 2
1 (ln x )2
1
2 2 2
■
2
e 2
dx I 1
2 x 2 2 2
Se puede obtener una distribución normal aplicando el logaritmo natural a los valores de
una variable aleatoria que sigue una distribución lognormal.
Ejemplo:
𝑓(𝑥) 𝑓(𝑥)
𝑥 𝑥
7.a 7.b
La variable Oro presenta una distribución Log Normal (7.a). Después de aplicar logaritmo
natural a sus valores, se obtiene una distribución normal (7.b), como en una gran mayoría
de variables correspondientes a las leyes de mineral.
Mide la relación que existe entre variables en estudio, auxiliado por la construcción de
nubes de correlación. También se determina el coeficiente de Correlación r , definido
como una medida de la asociación entre las variables estadísticas. Se expresa como:
r
X Y
X Y
X Y
2 2
X Y
Capítulo 2
INTRODUCCIÓN A LA TEORÍA
DE VARIABLES
REGIONALIZADAS
En este capítulo se definen los principales conceptos de la Teoría de Variables
Regionalizadas, se presentan las hipótesis de trabajo y se enfocan estas definiciones a la
aplicación en la estimación de yacimientos mineros.
2.1 La Geoestadística
El carácter aleatorio.
El carácter estructural de la regionalización.
Se definió el espacio 2
(, A, P) como:
(, A, P) f : : f dP
2 2
Proposición 2.2.1:
X E X 2 es una seminorma.
Demostración:
Sean X , Y 2
(, A, P) y
a) X E X 2 0
b) X E 2 X 2 2 E X 2 X
c) Desigualdad triangular:
E X Y E X 2 E Y 2 2E XY
2
E X Y E X 2 2 E Y 2 2 E XY 0
2
2E XY
2
4E Y 2 E X 2 0
E XY
2
E Y 2 E X 2 0
E XY E X 2 E Y 2
Entonces:
2
= E X 2 E Y 2
2
E X Y E X 2 E Y 2
2
E X Y E X 2 E Y 2
2
X Y X Y ■
Si X es una variable aleatoria con momento de orden 2 finito y c una constante real,
entonces para cada número real 0 se cumple
E X c
2
P X c
2
Demostración:
Se sabe que
P X c
x c
f X ( x)dx
xc x c 2
2
x c 1
2
2
y por ello
x c
2
1
P X c f X ( x)dx x c
2
f X ( x)dx
x c
2
2
E X 2
P X
2
0 P X 0 P X 0
Esto no necesariamente implica X 0 . Basta escoger una variable aleatoria que asuma
L2 (, A, P) 2
(, A, P) / R f : f 2
(, A, P)
fórmula X X .
Proposición 2.2.3:
X E X 2 es norma en L (, A, P) .
2
Demostración:
) X X 0 X 0 X 0 0
X 0 c.c. X 0
) X 0 X 0 0 0
X
■
E X 2 es norma en L (, A, P) .
2
X ,Y E X Y .
Lema 2.2.4:
Sean X , Y 2
(, A, P) . X , Y E X Y es producto interno.
Demostración:
Sean X , X1 , X 2 , Y 2
(, A, P) y
E X1Y E X 2Y X1 , Y X 2 , Y
p2) X , Y E XY E XY X , Y
p3) X , Y E XY E YX Y , X
p4) X , X E X 2 0 , si X 0
producto interno.
E X XdP
1
2
E X X dP
2 2
La cual es la norma 2
dada en la definición 1.2.15. Es decir que las normas
1
2
X f2 f dP
2
E X 2 y
2
. Entonces también es completo con la norma X E X 2 , y dado que esta
Observación 2.2.6:
Ilustración 8: Representación de la variable regionalizada en el espacio
Donde:
- h es un vector de distancia.
- Z ( x1 ) , Z ( x2 ) , … , Z ( x3 ) son las variables regionalizadas que representan a
Para cada x n
, la media aritmética:
m( x) E Z ( x)
La varianza:
2 ( x) E Z ( x) m( x)2
2
C ( x1 , x2 ) E Z ( x1 ) m x1 Z ( x2 ) m x2
Proposición 2.2.9:
C ( x1 , x2 ) E Z ( x1 )Z ( x2 ) m x1 m x2 , x1 , x2 n
Demostración:
Desarrollando la igualdad C ( x1 , x2 ) E Z ( x1 ) m x1 Z ( x2 ) m x2 :
E Z ( x1 ) m x1 Z ( x2 ) m x2
E Z ( x1 ) Z ( x2 ) Z ( x1 )m x2 m x1 Z ( x2 ) m x1 m x2
E Z ( x1 ) Z ( x2 ) E Z ( x1 )m x2 E m x1 Z ( x2 ) E m x1 m x2
E Z ( x1 ) Z ( x2 ) m x2 m x1 m x1 m x2 m x1 m x2
E Z ( x1 ) Z ( x2 ) m x1 m x2
C ( x1 , x2 ) E Z ( x1 )Z ( x2 ) m x1 m x2
■
Denotemos C (h) como la covarianza de la variable aleatoria Z ( x) en dos puntos
E Z x m x
2 2
Ejemplo:
Para h 0 :
1 2 3 4 6 5
E Z x 3.5
6
1 2 3 4 6 5
E Z x 0 3.5
6
1 3.5 2 3.5 3 3.5 4 3.5 6 3.5 5 3.5
2 2 2 2 2 2
C 0 3.5
6 1
Para h :
1 2 3 4 6
E Z x 3.2
5
23 4 65
E Z x h 4
5
C h
1 3.2 2 4 2 3.2 3 4 3 3.2 4 4 4 3.2 6 4 6 3.2 5 4 2.5
5 1
Para 2h :
1 2 3 4
E Z x 2.5
4
3 4 65
E Z x 2h 4.5
4
C 2h
1 2.53 4.5 2 2.5 4 4.5 3 2.56 4.5 4 2.5 5 4.5 1.33
4 1
3,50
3,00
2,50
2,00
Covarianza
1,50
1,00
0,50
0,00
-0,50
-1,00
h
En la práctica, la media m x , x n
, de las leyes minerales en el yacimiento en estudio
Corolario 2.2.10:
Sean x, y n
. Además de cumplir con las propiedades correspondientes a la norma,
Demostración:
tZ ( x) Z ( y) 0
2
E tZ ( x) Z ( y) 0
2
2E Z ( x)Z ( y) 4E Z ( x) E Z ( y) 0
2 2 2
E Z ( x)Z ( y) E Z ( x) E Z ( y) 0
2 2 2
E Z ( x) Z ( y ) E Z ( x) 2 E Z ( y ) 2
Z ( x), Z ( y ) Z ( x) Z ( y )
Se verifica que
(2.1):
E Z ( x) Z ( y )
2
E Z ( x) 2 E Z ( y ) 2
E Z ( x) Z ( y ) E Z ( x) Z ( y ) E Z ( x) 2 E Z ( y ) 2
2 E Z ( x) Z ( y ) 2 E Z ( x) 2 E Z ( y ) 2
Reemplazando en (2.2)
E Z ( x) Z ( y ) E Z ( x) 2 E Z ( y ) 2 2 E Z ( x) 2 E Z ( y ) 2
2
2
E Z ( x ) Z ( y ) E Z ( x) 2 E Z ( y ) 2
2
E Z ( x) Z ( y ) E Z ( x) 2 E Z ( y ) 2
2
Z ( x) Z ( y ) Z ( x) Z ( y )
Se verifica que
E Z ( x) Z ( y) E Z ( x)2 E Z ( y )2 2E Z ( x)Z ( y )
2
Luego
2
E Z ( x ) Z ( y ) E Z ( x) 2 E Z ( y ) 2
2
E Z ( x) Z ( y ) E Z ( x) 2 E Z ( y ) 2
2
Z ( x) Z ( y ) Z ( x) Z ( y )
■
Con lo cual queda demostrada la proposición.
Se dice que una función aleatoria Z ( x) converge en media cuadrática (m.c.) hacia una
lim Z ( x) Z ( x) 0 , x n
0
Z ( x h) Z ( x) 0 cuando h 0
Teorema 2.2.13:
Sean x, x ' n
. Si se cumple que
Z ( x)
m .c .
0
Z ( x)
Y ' ( x ') m .c .
'0 '
Y ( x ')
Entonces E Z ( x)Y ' ( x ') converge en media cuadrática hacia E Z ( x)Y ( x ') cuando
0 y ' 0 ' .
Demostración:
Entonces:
Luego,
Z ( x)
m.c.
0
Z ( x) lim Z ( x) Z ( x) 0
0
Entonces:
■
lim E Z ( x) Y ' ( x ') E Z ( x)Y ( x ')
0
'0 '
Teorema 2.2.14:
covarianza C (h) es continua en h 0. Más aún C (h) será continua en todo su dominio.
Demostración:
E Z x h Z x E Z x h E Z x 2 E Z x h Z x
2 2 2
C 0 C 0 2C h
2 C 0 C h
Entonces
E Z x h Z x C 0 C h
1 2
2
Z x h Z x E Z x h Z x 0
2
h0
Entonces
lim E Z x h Z x 0
2
h 0
Esto implica:
lim C h C 0
h 0
0
m. c .
Z x h Z x h
0
Además
m. c .
Z x Z x
m. c .
E Z x Z x h E Z x Z x h
0
O lo que es lo mismo:
m. c .
C h C h
0
n
.
aleatoria Z ( x) para reconstituir la ley de distribución; Esto supone lograr que la inferencia
estadística sea posible.
Entonces, se deben introducir hipótesis sobre la función aleatoria, a fin de hacer posible
la inferencia de los valores de la variable regionalizada.
m( x) m( x h) m constante
C ( x1 , x2 ) C ( x1 h, x2 h) , con x1 , x2 , h n
de la diferencia x2 x1 .
h n
un vector cualquiera, las n variables regionalizadas Z ( x1 ) , Z ( x2 ) ,…, Z ( xn )
Z ( x2 h) ,…, Z ( xn h) .
Gráficamente:
Frecuencia
Frecuencia
Ilustración 11: La Ley de Distribución es Invariante por traslación
La condición anterior es muy estricta, pues resulta difícil aceptar que las variables
aleatorias que conforman la función aleatoria tengan la misma función de distribución de
probabilidad. Normalmente la función de distribución varía a medida que nos movemos
en el espacio. A continuación, se presenta una hipótesis menos estricta.
Decimos que una F.A. es estacionaria de orden 2 si la variable aleatoria Z ( x) admite una
E Z ( x) m
existe y es independiente de x , x n
.
2 (h) E Z ( x) Z ( x h) , x, h
2 n
Proposición 2.3.3:
Demostración:
En efecto
E Z ( x h) Z ( x) E Z ( x h) E Z ( x) 0
E Z ( x h ) Z ( x ) E Z ( x h ) Z ( x ) 2 Z ( x h) Z ( x )
2 2 2
E Z ( x h ) E Z ( x ) 2 E Z ( x h) Z ( x )
2 2
= 2C 0 2C h
Luego se tiene:
Gráficamente:
La hipótesis intrínseca es más débil que la hipótesis estacionaria de orden 2, dado que la
estacionaridad se limita a los puntos donde
E Z ( x) m( x), x n
2 (h) E Z ( x) Z ( x h) , x
2 n
Z ( x h) Z ( x)
mismo vector h se consideran como dos realizaciones diferentes del mismo incremento
Z ( x) Z ( x h) .
E Z ( x) m( x) , x n
E Z ( x h) Z ( x) m h
2 (h) E Z ( x h) Z ( x) , x
2 n
Donde:
2.4.1 Covarianza
x0 n
y del vector h n
: C ( x0 , h) . Si consideramos que se verifica la hipótesis
n
estacionaria de orden 2, tenemos que la covarianza depende únicamente del vector h
: C ( h) .
Proposición 2.4.2:
n
Sean x, h . La covarianza verifica las propiedades:
1. C (h) C (h)
2. C (0) E Z ( x)2 0
Demostración:
covarianza es independiente de x n
. Entonces podemos aplicar C (h) en el
punto x h :
C (h) E Z ( x h) Z ( x h) h
= E Z ( x h) Z ( x )
= E Z ( x ) Z ( x h)
aleatoria Z ( x) .
2.4.2 Variograma
n
Sean x y x h dos puntos en el espacio y Z ( x) una función aleatoria. La función
variograma : n
de la función aleatoria Z ( x) se define como:
1
(h) E Z ( x h) Z ( x) , x
2 n
2
n(h)
Z ( x ) Z ( x h)
2
i i
( h) i 1
, x n
2 n( h)
Y en su forma continua:
1
Z x h Z x dx
2
( h)
2V
Dónde h n
es un vector que señalará la dirección en la que estamos analizando las
muestras. n(h) representa al número de parejas de muestras con las que se hacen cálculos
que en la práctica depende de h .
del vector h , pero para simplificar la notación se asume que h representa a su norma.
1
𝛾(ℎ) = ∗ 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜{(𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠)2 𝑑𝑒 𝑙𝑒𝑦𝑒𝑠 𝑒𝑛 𝑝𝑢𝑛𝑡𝑜𝑠
2
Proposición 2.4.4:
1. (0) 0
2. (h) 0, h n
3. (h) (h), h n
Demostración:
1 1
1. (0) E Z ( x) Z ( x) 2 E 0 0
2 2
1
3. Se sabe que (h) E Z ( x h) Z ( x) , que como se ve es independiente de
2
2
x n
. Entonces podemos aplicar (h) en el punto x h :
( h) E Z ( x h ) h Z ( x h )
1 2
2
= E Z x Z ( x h )
1 2
2
1
= E Z ( x h ) Z ( x ) ( h)
2
2
■
Lo cual verifica que (h) (h), h n
.
La última relación indica que (h) es una función par. Esto proviene del hecho que si
distancia h , entonces Z ( x1 ) Z ( x2 ) Z ( x2 ) Z ( x1 ) .
2 2
Es de notar que de la igualdad (h) C (0) C (h) y del teorema 2.2.14, se tiene que la
función variograma (h) es una función continua.
Se debe resaltar que el variograma nos permite dar cuenta del aspecto estructural del
fenómeno estudiado, aspecto estructural no contemplado por la estadística descriptiva.
En la subsección 2.4.4 se presentan dos ejemplos del cálculo de variogramas, pero antes
se presentan algunas definiciones importantes.
b) Alcance ( a ): Indica la distancia hasta la cual las muestras guardan relación entre
ellas. En la gráfica de la función variograma, el alcance se reconoce por ser la
interdistancia h a partir de la cual el variograma cambia de pendiente y toma un
valor constante. Es decir, la función que lo modela deja de tener una tendencia
monótona creciente.
( h)
c0
De la ilustración 14, los puntos azules representan a las realizaciones de la función (h)
y la curva roja es la gráfica de un modelo teórico que se ajusta al variograma experimental.
Se presentarán estos modelos en la definición 2.4.10.
Es de notar que el error de muestreo y error de laboratorio son lo que en QA-QC se conoce
como error fundamental, también llamado “ruido”.
Para determinar qué muestras deben ser consideradas para calcular la ley mineral en un
determinado punto o volumen de un bloque del espacio, se hace uso del elipsoide de
influencias.
El elipsoide de influencias se usa para seleccionar las muestras que van a intervenir en la
estimación de la variable en estudio.
Sus tres semiejes están dados por los dos mayores alcances de los variogramas con
direcciones perpendiculares entre sí, y el alcance del variograma cuya dirección es el
producto vectorial de las dos direcciones anteriores, de manera que todas las direcciones
son perpendiculares entre sí.
x2 y 2 z 2
1 , a1 , a2 , a3 0
a12 a22 a32
Las líneas verdes, rojas y amarillas representan a las muestras tomadas con taladros.
Azimut: Ángulo horizontal con respecto al norte, medido en sentido horario, que
cubre las direcciones de interés dentro de los 360°.
Dip: Ángulo con respecto al horizonte, con valores de elevación angular positivos
y negativos.
(h) c0 , h 0
Modelo lineal
3 h 1 h3
C
(h) 2 a 2 a3 , h 0, a
C , h a
3h
(h) C 1 e a
, h 0
sen(ah)
(h) 1 ,h0
ah
2
h
2
( h) C 1 e a , h 0
3 h 1 h3
1.30 5.06
2 17.8 2 17.83 , h 0,17.8
( h)
6.36, h 17.8
Este ajuste fue realizado haciendo uso del software industrial DATAMINE V. 3.2. En el
capítulo 4 se tratará más sobre este software.
Ejemplo:
En una línea de muestreo de una zona A, tenemos los siguientes valores de la variable
regionalizada plomo en ppm (partes por millón):
a) Media aritmética:
5 1 6 2 4
x 3.6
5
b) La varianza:
2
5 1
2 4.3
c) El coeficiente de variación:
4.3
cv 0.58
x 3.6
d) Histograma
En otra línea de muestreo en una zona B, tenemos los mismos valores de la variable
regionalizada plomo en ppm, pero dispuesto de la siguiente forma;
es decir, un fenómeno estructuralmente muy diferente, a pesar de tener los mismos valores
de leyes.
a) Media aritmética:
6 5 4 2 1
x 3.6
5
b) La varianza:
2
5 1
2 4.3
c) El coeficiente de variación:
4.3
cv 0.58
x 3.6
d) Histograma
Vemos que se obtienen los mismos resultados que los obtenidos en la Zona A. Es decir,
con esta estadística descriptiva no logramos diferenciar dos fenómenos totalmente
diferentes.
5 1 1 6 6 2 2 4
2 2 2 2
( h) 7.625
4 x2
5 6 1 2 6 4
2 2 2
(2h) 1.000
3x 2
5 2 1 4
2 2
(3h) 4.500
2 x2
5 4
2
(4h) 0.500
1x 2
(h)
6 5 5 4 4 2 2 1
2 2 2 2
( h) 0.875
4 x2
6 4 5 2 4 1
2 2 2
(2h) 3.667
3x2
6 2 5 1
2 2
(3h) 8.000
2 x2
6 1
2
(4h) 12.500
1x 2
(h)
(h)
Ejemplo:
Supongamos que se toman muestras en una malla de 50m x 50m, en la cual se estudia
una determinada variable (por ejemplo, molibdeno en partes por millón). Para hacer
variogramas, se toma por ejemplo la dirección dada por azimut 135 y dip 0 .
E D C B A
50 m
F 50 m
1 4 5 2
G
6 7 4
N
4 8 5
3 6 2 1
2 4
2
h 2
1 2
Línea C:
5 7 7 5 5 1
2 2 2
h 4
3 2
5 5 7 1
2 2
2h 9
22
5 1
2
3h 8
1 2
4 2
2
3h 2
1 2
Línea E:
1 6 6 8
2 2
h 7.25
22
1 8 8 3
2 2
2h 18.5
22
6 3
2
3h 4.5
1 2
1 3
2
4h 2
1 2
4 3
2
h 0.5
1 2
9 2 18.5 2
p 2h 13.75
4
2 1
p 4h 2
1
Sea h n
. El variograma cruzado de dos variables aleatorias Z A x y Z B x , con
x n
, se define como:
2 AB h E Z A x Z A x h Z B x Z B x h , x n
Ejemplo:
Para visualizar esta función, consideremos un ejemplo de una zona de terreno explorado
del cual hemos obtenido valores geoquímicos del Oro y Plata y deseamos estudiar la
relación entre los dos valores.
AuAg (h)
5 1 7 2 1 6 2 8 6 2 8 3 2 4 3 5 9.25
4 x2
AuAg (2h)
5 6 7 8 1 2 2 3 6 4 8 5 1.33
3x2
AuAg (3h)
5 2 7 3 1 4 2 5 5.25
2 x2
AuAg (4h)
5 4 7 5 1.00
1x 2
Graficando:
AuAg (h)
(h)
Observamos que cuando hay una correlación positiva alta entre las variables, el
variograma cruzado tiende a tomar valores positivos altos.
b. Ahora veamos que pasa en otra zona, donde los valores geoquímicos de la Plata
toman otros valores:
AuAg (h)
5 11 6 1 6 6 2 6 2 2 5 2 4 5 1 7.63
4 x2
AuAg (2h)
5 6 1 2 1 2 6 5 6 4 2 1 0.33
3x2
AuAg (3h)
5 2 1 5 1 4 6 1 6.75
2 x2
AuAg (4h)
5 4 1 1 0.00
1x 2
Con su gráfica:
AuAg (h)
(h)
Observamos que cuando hay una correlación negativa alta entre las variables, el
variograma cruzado tiende a tomar valores negativos altos.
Capítulo 3
MÉTODOS DE ESTIMACIÓN
GEOESTADÍSTICOS
Estimaremos el valor verdadero de la variable regionalizada en todo punto donde no se
tenga una muestra haciendo uso de una combinación lineal pesada de las muestras
disponibles (Marín, Apuntes de Curso de Post-Grado de Geoestadística Aplicada en
Maestría de Geología de UNSA, 2014):
n
Z * x i Z xi , x, xi 3
(3.1)
i 1
Ilustración 38: Leyes minerales en las muestras con sus pesos para estimar la ley
mineral de un bloque V
Consiste en promediar las leyes de mineral de los datos dentro de un área (o volumen) V
para tener la ley media de V . Así, la fórmula es:
Z (x ) i
Z
*
V
i 1
, xi 3
*
Donde ZV es el valor estimado de la variable en el centro de un volumen V y n es el
número de muestras del que se disponen.
1
Este método hace que todas las muestras tengan el mismo peso de ponderación .
n
1. En el plano, se une una muestra con otra muestra mediante una recta, para luego
trazar una perpendicular desde el punto medio de la recta.
2. Se repite este procedimiento con cada par de muestras formándose polígonos con
las rectas perpendiculares, tal como se muestra en la figura siguiente:
V Z ( x )
i i
Z
*
V
i 1
n , xi 3
V
i 1
i
Por ejemplo, la siguiente ilustración muestra los polígonos que se forman haciendo uso
del procedimiento anterior en una zona de muestreo en 2D. (Edward H. Isaaks, 1989)
Se aprecia que el método de los polígonos asigna pesos adecuados a cada muestra, aun
habiendo presencia de conglomeraciones de datos.
Consiste en asignar mayor peso a las muestras cercanas y menor peso a las muestras
alejadas del punto en el que se desea estimar el valor de la variable. Esto se consigue al
n
Z ( xi )
d
ZV* i 1n i , xi 3
1
i 1 d i
Casos Particulares:
Este método es fácil de aplicar y tiene una formulación sencilla, pero asigna el mayor
peso de ponderación a las muestras cercanas al punto en el que se desea estimar el valor
de la variable.
Este método estima o sobrestima de acuerdo al valor de la variable más cercana. Así, si
el valor más cercano es muy alto, entonces sobrestima la ley del bloque.
Esta estimación del valor verdadero de la variable regionalizada se realiza usando una
combinación lineal pesada de las muestras como en los métodos anteriores:
n
Z * x i Z xi , x, xi n
(3.1)
i 1
n
2
E i Z ( xi ) ZV ( x) , x
2
E
n
i 1
En donde:
- Los i son los pesos o ponderadores
Como se mencionó en el capítulo 2, estamos considerando que todos los valores obtenidos
con las muestras son realizaciones de variables aleatorias, y considerando su ubicación
en el espacio, son variables regionalizadas.
R x Z * x ZV x , x n
(3.2)
n
R x i Z xi ZV x , x n
(3.3)
i 1
Así decimos que el error que se comete cuando estimamos el valor desconocido en el
punto x n
es el resultado de la variable aleatoria R x .
Definición 3.1:
n
E R x E i Z xi ZV x 0 (3.4)
i 1
n
E R x E i Z xi E ZV x
i 1
n
i E Z xi E ZV x 0
i 1
verifica:
- E Z ( x) m
E Z ( x h) Z ( x) 2 (h)
2
-
Aplicando esta hipótesis, todos los datos tienen por esperanza una constante m :
E Z x m , x n
, con lo cual se tiene:
n n
E Z x E Z x m m
i 1
i i V
i 1
i
n
i 1 (3.5)
i 1
n
2
E i Z ( xi ) ZV ( x) , x
2
E
n
(3.6)
i 1
E2 E Z * ( x) ZV ( x) 2Z * ( x) ZV ( x) , x n
2 2
E Z * ( x) E ZV ( x) 2 E Z * ( x) ZV ( x)
2 2
C Z * ( x), Z * ( x) C ZV ( x), ZV ( x) 2C Z * ( x), ZV ( x)
n n
C Z * ( x), Z * ( x) C i Z xi , i Z xi E i Z xi i Z xi
n n
i 1 i 1 i 1 i 1
n n n n
E i j Z xi Z x j i j E Z xi Z x j
i 1 j 1 i 1 j 1
i j C Z xi , Z x j
n n
i 1 j 1
Haremos uso de la notación C Z xi , Z x j Cij . Entonces el primer término queda:
C Z * ( x), Z * ( x) i j Cij
n n
i 1 j 1
C ZV ( x), ZV ( x) CVV
n n
2C Z * ( x), ZV ( x) 2C i Z xi , ZV ( x) 2 E i Z xi ZV ( x)
i 1 i 1
n n
2 i E Z xi ZV ( x) 2 iC Z xi , ZV ( x)
i 1 i 1
2C Z ( x), ZV ( x) 2 i CiV
n
*
i 1
Por lo tanto:
n n n
E2 i j Cij CVV 2 i CiV (3.7)
i 1 j 1 i 1
La igualdad (3.7) proporciona una expresión para la varianza de estimación como una
función de n variables, las cuáles son los pesos 1 , ... , n .
Este problema de minimización con una restricción puede ser resuelto usando el método
de Lagrange.
n n n
E2 i j Cij CVV 2 i CiV
i 1 j 1 i 1
n
sujeta a la restricción:
i 1
i 1.
n n
i 1 i 1 0
i 1 i 1
n
i 1 0
i 1
n
2 i 1 0
i 1
n n n
n
E2 i j Cij CVV 2 i CiV 2 i 1 (3.8)
i 1 j 1 i 1 i 1
n n n
n
E2
i j Cij CVV 2 i CiV 2
i 1
i 1
i 1 j 1 i 1
n
2 i 1
i 1
Igualando a cero:
E2 n
2 i 1 0
i 1
n
i 1 0
i 1
La cual es la condición de universalidad. Esto nos indica que la solución del sistema de
n 1 ecuaciones dará como resultado un conjunto de pesos i : i 1,...n con la
restricción que la suma de los pesos será 1, garantizando una estimación insesgada.
n n n
n
E
2
C
i j ij CVV 2 C
i iV 2 i 1
i 1
i 1 j 1 i 1
1 1
n n n n
C i iV
C i 1
E CVV 2 i 1
i j ij
2 i 1
2
i 1 j 1
(3.9)
1 1 1 1 1
n n
i j Cij
i 1 j 1 C C C C C
n n n n
1
i 1
i 1i
j 2
j j1 1 11
i 1
i 1i
j 1
j j1
n n
i j Cij
i 1 j 1 2 C
n
1
i 1
i 1i
CVV
0
1
n
i CiV
2 i 1 2C
1
1V
n n
i 1 i 1
i 1 i 1
2 2 2
1 1
E2 n
2 i C1i 2C1V 2
1 i 1
n
2 i C1i 2C1V 2 0
i 1
C
i 1
i 1i C1V
De igual forma se obtienen ecuaciones derivando con respecto a los demás pesos i :
E2 n n
2 i C1i 2C1V 2 i C1i C1V
1 i 1 i 1
E2 n n
2 i C2i 2C2V 2 i C2i C2V
2 i 1 i 1
E2 n n
2 i Cni 2CnV 2 i Cni CnV
n i 1 i 1
n
i C ji C jV , j 1,..., n
i 1
n
1
i 1
i
Con el sistema de Kriging se obtienen los pesos i y el parámetro . Los pesos son
reemplazados en la siguiente ecuación:
n
Z * x i Z xi
i 1
n n n
E2 i j Cij CVV 2 i CiV
i 1 j 1 i 1
Pero se puede obtener una fórmula más sencilla para hallar E2 haciendo los siguientes
cálculos:
n
j i C ji j C jV , j 1,..., n
i 1
n
j i C ji j j C jV , j 1,..., n
i 1
n n n n
j
j 1
iC ji j j C jV
i 1 j 1 j 1
n n n
C C
i 1 j 1
i j ij
j 1
j jV
n n n
E2 i j Cij CVV 2 i CiV
i 1 j 1 i 1
n n
j C jV CVV 2 i CiV
j 1 i 1
n
CVV i CiV
i 1
n
K2 CVV i CiV (3.10)
i 1
la notación: ij Z xi , Z x j E Z ( xi ) Z ( x j ) , x
1 2 n
.
2
ij E Z ( xi ) Z ( x j )
1 2
2
E Z ( xi ) E Z ( x j ) E Z xi Z x j
1 2 1 2
2 2
1 1
Cii C jj Cij
2 2
C
i 1
i ji C jV , j 1,..., n
C ij CVV jV
n
i VV
i 1
n n
C
i 1
i VV i ij CVV jV
i 1
n
CVV i ij CVV jV
i 1
n
i 1
i ij jV , j 1,..., n
n
i ij jV , j 1,..., n
i 1
n
1
i 1
i
n
Z * x i Z xi
i 1
n
K2 i iV VV
i 1
Z ( x1 ) 4% (0,0,20)
Z ( x2 ) 2%
Z ( x3 ) 10%
(10,0,0)
(0,15,0)
Se deben calcular pesos i para obtener un estimador lineal. Supongamos que tenemos
el elipsoide de influencias hallado con los alcances de los variogramas realizados.
Consideremos que el variograma experimental que representa a la variable en estudio
sigue un modelo esférico o de Matheron.
3 h 1 h3
c0 c1 3
, h 0, a
2 a 2 a
(h)
c0 c1 , h a
0, h 0
3 h 1 h3
0.2 0.8 3
, h 0, 70
2 70 2 70
(h)
1, h 70
0, h 0
Así, el valor estimado de la variable Zinc en el centro del bloque V es: 4.54% .
K2 1 10 2 20 3 30 VV
Es de notar que VV 00 . Esto se debe a que sólo se está estimando la ley del Zinc en el
Capítulo 4
METODOLOGÍA DE LA
APLICACIÓN EN
YACIMIENTOS MINEROS
En este último capítulo se muestra la metodología a seguir para aplicar las definiciones y
herramientas de la Geoestadística presentadas. La metodología desarrollada es el aporte
de la aplicación de los conceptos presentados en este trabajo de tesis. Para ello, haremos
uso de la data de la mina Pachapaqui. Procesaremos los datos haciendo uso del software
SPSS 20 y del software de estimación avanzada DATAMINE, aplicado en varias
empresas de la industria minera mundial.
Pachapaqui es una mina polimetálica (zinc, cobre, plomo, plata y oro) que está ubicada
en el distrito de Aquia, en la provincia de Bolognesi, región Áncash, en la zona central
minera de Perú, a 3900 m.s.n.m.
Los datos obtenidos del análisis de las muestras revelan que se trata de una zona de
sulfuros, donde el elemento químico de interés es el zinc, emplazado en caliza.
Tamaño de
compósito
Taladros
Compositación
Interdistancia, ángulos
Taladros
azimut y dip, tolerancias
Compositados
Variografía
Variogramas
Experimentales
Modelo
Ajuste de Variogramas Geológico
Modelo de Bloques
estimado
2) Survey (Inspección): Indican el azimuth y dip de las muestras que los taladros
toman; en consecuencia, informan sobre el desvío ocasionado en los taladros
durante la perforación. El archivo survey de la data en estudio contiene 1144
datos.
Con el fin de ilustrar, se presentan parte de los datos del archivo assay
correspondientes al taladro PAM-006:
BHID FROM TO N° SAMPL Au_ppm Ag_ppm Cu_% Zn_ppm Mo_ppm As_ppm Sb_ppm Pb_ppm
PAM-006 0 36 - - - - - - - -
PAM-006 36 37.9 PPA – 001328 0.068 0.9 0.03 17.7 38 171 10 213
PAM-006 37.9 39.9 PPA – 001329 0.06 1 0.032 13.8 44 265 6 203
PAM-006 39.9 41.65 PPA – 001330 0.127 1.6 0.019 19.2 42 174 9 35
PAM-006 41.65 43.4 PPA – 001331 0.123 1.2 0.029 105 62 243 15 45
PAM-006 43.4 45.35 PPA – 001332 0.072 1.1 0.026 18.3 82 243 2.5 51
PAM-006 45.35 47.3 PPA – 001333 0.064 1.2 0.027 17.4 53 279 2.5 81
PAM-006 47.3 49.35 PPA – 001334 0.085 0.6 0.03 29.5 69 360 21 50
PAM-006 49.35 50.1 PPA – 001335 0.064 0.7 0.016 25.3 51 149 2.5 73
PAM-006 50.1 51.5 PPA – 001336 0.115 0.6 0.047 26.7 50 484 8 198
PAM-006 51.5 52.5 PPA – 001337 0.135 0.3 0.037 26.8 79 917 2.5 101
PAM-006 52.5 53.9 PPA – 001338 0.128 1.2 0.089 31 57 199 2.5 179
PAM-006 53.9 55.4 PPA – 001339 0.198 0.5 0.023 46.6 37 167 2.5 214
PAM-006 55.4 57.1 PPA – 001340 0.14 1.4 0.137 58.7 82 327 5 89
PAM-006 57.1 58.6 PPA – 001341 0.126 0.6 0.332 112 48 196 2.5 65
PAM-006 58.6 60.2 PPA – 001342 0.119 0.8 0.03 78.5 57 615 17 294
PAM-006 60.2 61.85 PPA – 001343 0.181 4.2 0.047 67.9 83 545 10 116
PAM-006 61.85 63.85 PPA – 001344 0.126 0.8 0.453 87.1 38 43 2.5 39
PAM-006 63.85 65.9 PPA – 001345 0.014 0.5 0.012 6.9 2 17 2.5 41
PAM-006 65.9 67.7 PPA – 001346 0.149 1.5 0.022 54.1 59 205 8 204
Con estos tres archivos se forma un archivo de taladros en DATAMINE. El nombre que
se le dio a este archivo es holes_tesis, que tiene 23242 filas de datos.
En este archivo cada muestra está identificada por su localización (X, Y, Z), tamaño, su
dirección (azimut y dip) en el espacio y su código. En cada muestra se presentan las leyes
minerales encontradas por análisis en el laboratorio.
BHID X Y Z LENGTH A0 B0 FROM TO ENDDEPTH N° SAMPL Au_ppm Ag_ppm Cu_% Zn_ppm Mo_ppm As_ppm Sb_ppm Pb_ppm
PAM-006 347148,6 8820394 4301,991 36 36,949 59,677 0 36 501 - - - - - - - -
PAM-006 347154,35 8820401,65 4285,633 1,9 36,949 59,677 36 37,9 501 PPA - 001328 0,068 0,9 0,03 17,7 38 171 10 213
PAM-006 347154,95 8820402,44 4283,95 2 36,949 59,677 37,9 39,9 501 PPA - 001329 0,06 1 0,032 13,8 44 265 6 203
PAM-006 347155,51 8820403,19 4282,331 1,75 36,949 59,677 39,9 41,65 501 PPA - 001330 0,127 1,6 0,019 19,2 42 174 9 35
PAM-006 347156,05 8820403,9 4280,821 1,75 36,949 59,677 41,65 43,4 501 PPA - 001331 0,123 1,2 0,029 105 62 243 15 45
PAM-006 347156,61 8820404,64 4279,224 1,95 36,949 59,677 43,4 45,35 501 PPA - 001332 0,072 1,1 0,026 18,3 82 243 2,5 51
PAM-006 347157,2 8820405,43 4277,541 1,95 36,949 59,677 45,35 47,3 501 PPA - 001333 0,064 1,2 0,027 17,4 53 279 2,5 81
PAM-006 347157,81 8820406,24 4275,814 2,05 36,949 59,677 47,3 49,35 501 PPA - 001334 0,085 0,6 0,03 29,5 69 360 21 50
PAM-006 347158,23 8820406,8 4274,606 0,75 36,949 59,677 49,35 50,1 501 PPA - 001335 0,064 0,7 0,016 25,3 51 149 2,5 73
PAM-006 347158,56 8820407,24 4273,678 1,4 36,949 59,677 50,1 51,5 501 PPA - 001336 0,115 0,6 0,047 26,7 50 484 8 198
PAM-006 347158,92 8820407,72 4272,642 1 36,949 59,677 51,5 52,5 501 PPA - 001337 0,135 0,3 0,037 26,8 79 917 2,5 101
PAM-006 347159,29 8820408,21 4271,606 1,4 36,949 59,677 52,5 53,9 501 PPA - 001338 0,128 1,2 0,089 31 57 199 2,5 179
PAM-006 347159,73 8820408,79 4270,355 1,5 36,949 59,677 53,9 55,4 501 PPA - 001339 0,198 0,5 0,023 46,6 37 167 2,5 214
PAM-006 347160,21 8820409,44 4268,973 1,7 36,949 59,677 55,4 57,1 501 PPA - 001340 0,14 1,4 0,137 58,7 82 327 5 89
PAM-006 347160,7 8820410,08 4267,592 1,5 36,949 59,677 57,1 58,6 501 PPA - 001341 0,126 0,6 0,332 112 48 196 2,5 65
PAM-006 347161,17 8820410,71 4266,254 1,6 36,949 59,677 58,6 60,2 501 PPA - 001342 0,119 0,8 0,03 78,5 57 615 17 294
PAM-006 347161,66 8820411,36 4264,852 1,65 36,949 59,677 60,2 61,85 501 PPA - 001343 0,181 4,2 0,047 67,9 83 545 10 116
PAM-006 347162,21 8820412,1 4263,276 2 36,949 59,677 61,85 63,85 501 PPA - 001344 0,126 0,8 0,453 87,1 38 43 2,5 39
PAM-006 347162,83 8820412,92 4261,528 2,05 36,949 59,677 63,85 65,9 501 PPA - 001345 0,014 0,5 0,012 6,9 2 17 2,5 41
Estadísticos descriptivos
El estudio de la información de las leyes de laboratorio revela que existen leyes de oro,
plata, cobre, molibdeno, arsénico, antimonio y plomo, que acompañan a la presencia de
zinc, pero por sus valores bajos en el yacimiento y de bajo valor económico de acuerdo
al precio de los metales no se les consideró en este estudio.
𝑓(𝑥)
Frecuencia
En el software SPSS se identifican los valores capping para cada una de las variables, de
manera que si la ley de una de estas variables tiene un valor que está fuera de la ley de
distribución que modela la variable (valor errático), se cambia este valor por el capping o
algunas veces se le saca de acuerdo a la interpretación realizada. Este cambio se realiza
con el software.
𝑓(𝑥)
Frecuencia
𝑥
Zinc (en ppm)
Ilustración 48: Histograma de la variable Zinc con capping 2750 ppm en muestras
Aplicamos este valor capping en los datos del archivo de taladros en el software y
llamaremos a este nuevo archivo: holes_tesis_cap, que tiene 23242 datos.
Estadísticos descriptivos
𝑓(𝑥)
Frecuencia
𝑥
Logaritmo de la variable Zinc
Para poder realizar estimaciones con los datos proporcionados por el muestreo, es
necesario que las variables en estudio sean aditivas; esto se logra haciendo que el tamaño
de las muestras sea el mismo. Para ello se elabora un histograma de frecuencias de las
longitudes de las muestras, para escoger la más frecuente y usarla como longitud de
compósito.
𝑓(𝑥)
Frecuencia
𝑥
Longitud
Ilustración 50: Histograma de la longitud de las muestras
Por lo que se escoge 1.5 metros como longitud de compósito. Compositamos el archivo
de taladros y lo llamaremos: holes_tesis_cap_comp, que tiene 27259 datos y en el cual
todas las muestras tienen una longitud de 1.5 metros.
Para proseguir con la estimación, es necesario tener un modelo geológico que represente
a las zonas mineralizadas con presencia de zinc. Este modelo es elaborado usando
herramientas del software DATAMINE
El tamaño de bloques se fija por restricciones operacionales y tipo de roca. Así, por
ejemplo, si la explotación va a ser por tajo abierto, se hace corresponder la altura del
bloque con la altura del banco, tal es el caso de las minas de Cerro Verde, Toquepala,
Chuquicamata, pues usan como altura de banco 15 metros, entonces el bloque unitario
puede tener, de largo, ancho y altura 15 metros.
Para la estimación de esta mina, se escogió rellenar el modelo geológico con bloques de
60m x 60m x 10m, considerando que tiene objetivo estimar a nivel de recursos.
Se escogió las direcciones Azimut 0 Dip 0, Azimut 90 Dip 0, Azimut 0 Dip 90, con
tolerancia horizontal de 22.5º, tolerancia vertical de 15º, con un paso de variograma de
50 metros y tolerancia de 20 metros.
Parámetros
Interdistancia (h) 50
Tolerancia en interdistancia 20
Número de interdistancias 10
Azimut 0
Tolerancia horizontal 22.5
Incremento horizontal 90
Número de horizontales 2
Dip 0
Tolerancia vertical 15
Incremento vertical 90
Número de verticales 2
Nº Azimut Dip
1 0 0
2 90 0
3 0 90
4 - -
h
Se obtienen cuatro variogramas, de los cuales tres están dados en las direcciones indicadas
anteriormente y el cuarto es llamado Variograma Omnidireccional, que es un variograma
promedio de las direcciones calculadas. El variograma Omnidireccional proporciona
información general sobre la estructura del fenómeno.
h
h
h
h
Se debe considerar que los variogramas mostrados en las cuatro últimas ilustraciones son
variogramas promedio calculados como en el ejemplo de la subsección 2.4.5.
Se ven cuatro variogramas, cada uno de ellos con su respectiva leyenda que indica el
azimut y dip. Se procede a ajustar un modelo teórico a cada variograma promedio por
dirección. Haremos uso del modelo lineal y del modelo esférico o de Matheron:
3 h 1 h3
c0 c 3
( h) 2 a 2 a , h 0, a
c c, h a
0
h
3 h 1 h3
0.3 0.45 2 241 2 2413 , h 0, 241
( h)
0.75, h 241
h
3 h 1 h3
0.3 0.5 3
( h) 2 205 2 205 , h 0, 205
0.8, h 205
h
3 h 1 h3
0.3 0.43 3
( h) 2 240 2 240 , h 0, 240
0.73, h 240
Para cada variograma experimental se usaron dos modelos teóricos: El modelo lineal o
de efecto pepita puro y el modelo esférico o de Matheron, usando una pepita de 0.3. De
estos datos, se puede ver que el mayor alcance es 241 metros, que corresponde a la
dirección azimut 90º y dip 0º. Esto indica que la mineralización provino probablemente
de esa dirección. Generalmente se usan más variogramas para determinar con más
exactitud la dirección de procedencia del mineral. Se identifican dos direcciones
principales siendo una la de mayor alcance, y se obtiene una tercera dirección que resulta
del producto vectorial de las anteriores direcciones.
Teniendo los valores de los alcances en las tres direcciones, se precede a construir el
elipsoide de influencias al que llamaremos wf_zn.
En el proceso de estimación ocurre que hay bloques que se desean estimar, pero las
muestras están muy alejadas y no son consideradas con el elipsoide de influencias.
Entonces, se multiplican los alcances que constituyen el elipsoide por un factor de
expansión, de modo que con esta expansión sí se consideran muestras que están alejadas
del centro del bloque por estimar, pero con una categoría inferior de estimación.
Así, se definen:
Recurso Medido: Suele calcularse usando la mitad del alcance del variograma.
Recurso Indicado: Usa el alcance del variograma como radio de búsqueda.
Recurso Inferido: Usa como radio de búsqueda un valor mayor que el alcance.
Como parte de los resultados obtenidos se presenta la curva tonelaje-ley de corte, que
informa del tonelaje total a diferentes valores cut-off de la ley del mineral, es decir la
cantidad de toneladas y la ley de mineral, que corresponden a aquellos bloques cuya ley
mineral es mayor a un valor llamado cut-off.
El procedimiento para obtener la curva tonelaje ley de corte se ilustra a continuación, así
si disponemos de los siguientes resultados de estimación ordenados de menor a mayor de
acuerdo a la ley mineral:
Nº de
X (m) Y (m) Z (m) Zn (ppm) VOLUMEN Densidad Tonelaje
Bloque
1 60 60 7.915018 0 28494.0661 2.6 74084.5719
2 60 60 10 0 36000 2.6 93600
3 60 60 10 0 36000 2.6 93600
4 60 60 10 0 36000 2.6 93600
5 60 60 10 0 36000 2.6 93600
…
…
99 60 60 10 15.2634409 36000 2.6 93600
100 60 60 10 15.3459143 36000 2.6 93600
101 60 60 10 15.8018999 36000 2.6 93600
102 60 60 6.243644 15.8722785 22477.1183 2.6 58440.5076
103 60 60 10 15.8744613 36000 2.6 93600
104 60 60 3.328536 15.9103536 11982.7286 2.6 31155.0944
…
…
8021 60 60 8.318437 5380.62793 29946.372 2.6 77860.5672
8022 60 60 10 5422.20771 36000 2.6 93600
8023 60 60 10 5425.16576 36000 2.6 93600
LEY
Nº de Bloques que Cut-Off Zn
TONELAJE MEDIA Zn
Ingresan (ppm)
(ppm)
8023 >=0 733496366.85 310.1397
1326 >=500 121233558 1023.82238
441 >=1000 40343530 1703.21074
205 >=1500 18723849.2 2240.18862
84 >=2000 7771396.01 2967.67121
50 >=2500 4628862.31 3481.36907
32 >=3000 2944062.31 3951.46921
20 >=3500 1820862.31 4371.76139
11 >=4000 1013860.57 4930.36547
7 >=4500 639460.567 5243.44026
7 >=5000 639460.567 5243.44026
400000000
300000000
200000000
100000000
0
0 1000 2000 3000 4000 5000 6000
LEY DE CORTE
Ilustración 71: Vista en 3D del modelo de bloques con recursos medido, indicado e
inferido
Ilustración 72: Vista en sección del modelo de bloques con recurso medido, indicado e
inferido
Se puede apreciar que los bloques que están cerca a los taladros corresponden al recurso
medido.
𝜎𝐾2
Varianza de Kriging
Conclusiones y Recomendaciones
Conclusiones
El Variograma resulta ser una herramienta consistente muy útil para el geólogo y
el Ingeniero de Minas, u otra disciplina, dado que da cuenta de la estructura del
fenómeno en estudio.
Recomendaciones
Anexos
(Larson, 1992) Usaremos el teorema del límite central para simular realizaciones de una
variable aleatoria de la realidad, con media y y desviación estándar y dadas y
Considerando:
n
r n i 1
b 1 2
z
lim P a
n
i 1
n
b
2
e 2
dz
a
Se tiene:
n
n
y y ri n ri n
Z i 1
y y i 1 y
y n n
Ejemplo:
Se desean simular valores que sigan distribución normal y tengan una media igual a 3 y
una desviación estándar igual a 0.7.
0.8, 0.3, 0.6, 0.1, 0.5, 0.2, 0.9, 0.3, 0.7, 0.2, 0.8, 0.5
y 3 r ni
Z i 1
0.7 n
Luego
1
5.9 12
y 0.7 2 3 2.93
1
12
12
Se puede también simular valores con distribución lognormal, basta con aplicar la función
exponencial a los valores simulados.
(Swokowski, 1988) Este método fue descubierto por el matemático francés Joseph-Louis
Lagrange. Consiste en calcular los máximos y mínimos de una función f sujeto a
restricciones dadas. Se fundamenta en el siguiente teorema:
Teorema de Lagrange:
f ( x0 , y0 ) g ( x0 , y0 )
Demostración:
x h(t ) , y k (t )
r(t ) xi yj h(t )i k (t )j
F (t ) f h(t ), k (t )
es un máximo o mínimo de f bajo esta restricción, resulta que F (t0 ) f h(t0 ), k (t0 )
dx dy
F´(t ) f x ( x, y) f y ( x, y) f x ( x, y)h´(t ) f y ( x, y)k´(t )
dt dt
Tomando t t0 ,
f ( x, y) g ( x, y) y g ( x, y) 0
Ejemplo:
(4 x2 y 2 5z 2 ) (2 x 3 y 4 z 12)
O equivalentemente,
Igualando componentes:
8x 2, 2 y 3, 10 z 4
2 5
4x y z
3 2
8
y 6x y z x
5
5 30 8
x , y , z
11 11 11
5 30 8 5 30 8 1320
Se concluye que el valor mínimo se alcanza en , , , y f , , .
11 11 11 11 11 11 121
- Banco: Recorte horizontal del piso a lo largo del cual se realiza el minado en una
mina a tajo abierto.
- Compósito: Longitud que uniformiza el soporte geométrico de todas las muestras.
- Valor Capping: Valor que separa a los valores erráticos comúnmente altos de la
variable en estudio, es decir que están fuera de la ley de distribución de la variable
en estudio.
-
Referencias Bibliográficas
Estadística y Probabilidades
Matemática
[5] Botelho, G., Pellegrino, D., & Teixeira, E. (2012). Fundamentos de Análise
Funcional. Río de Janeiro: SBM.
Geoestadística
Software