Facultad de Ciencias e Ingeniería

Especialidad: Ingeniería Geológica

Curso: GEM322 Geoestadística

M. Sc. Samuel Canchaya Moya

scanchaya@pucp.pe

Facultad de Ciencias e Ingeniería

Especialidad: Ingeniería Geológica
Curso: GEM322 Geoestadística

Introducción a la Geoestadística

M. Sc. Samuel Canchaya Moya

2

1
 52 años de 1963

Geoestadística

George F. P. M. Matheron
Fuente: en.wikipedia.org

Curso Internacional de Geoestadística

2008-2009
MODULO I: 5 al 8 de Noviembre 2008. Miguel Zulueta (Consultor Miguel Zulueta
en Geoestadística) Introducción a la Geoestadística. Las variables
regionalizadas. El variograma. Varianzas: de extensión, estimación
y dispersión. El krigeage: puntual y de bloques. La varianza de
krigeage. Introducción a la estimación de recursos. Entregables en
una estimación de recursos.

MODULO II: 8 al 10 de Diciembre 2008. Daniel Guibal (Director

Técnico de SRK Consulting-Australia) Muestreo y base de datos.
Modelamiento geológico 3D. Variografía avanzada. Anisotropía a
través de mapas de variogramas, variogramas de indicadores.
Optimización del muestreo. Optimización del krigeage.
Introducción a métodos no-lineales. El efecto del soporte. Daniel Guibal
Clasificación de recursos: códigos internacionales.

MODULO III: 16 al 17 de Marzo del 2009. André Journel

(Catedrático de la Univ. de Stanford USA) Simulación Condicionada
aplicada a Minería. Simulación de variables continuas: simulación
gaussiana secuencial, simulación por bandas rotantes. Simulación
de variables categóricas. Aplicaciones prácticas.

André Journel

2
Daniel Guibal

Grado de Ing. Civil de Minas Escuela Nacional Superior de Minas

de Nancy-Francia y Master en Ciencias, en Matemáticas y Geo-
estadística en Centro de Geoestadística de Fontainebleau-Francia.
25 años experiencia, especialista en: Geoestadística, Estimación
de Reservas y Simulación; Geoestadística No-Lineal, Optimización de Tajos Abiertos,
Simulación Condicional. Ha trabajado en: Centro de Geoestadística de Fontainebleau -
Francia (1972-1982), Empresa Estatal Minero Perú (1974-1976) y como consultor en
Australia desde 1983 (Siromines y Geoval); actualmente es Director Técnico de SRK
Consulting – Australia.
Ha realizado diversos trabajos y estudios para empresas y consorcios mineros en:
Australia, Sudamérica, Europa y Japón. Sus más recientes trabajos incluyen: Simulación
multivariable del yacimiento de Fe Pilbara (Hamersley); Revisión de los Recursos de Cu
en la División Norte de Codelco (Chile); Revisión detallada de la práctica de la
Geoestadística en Olimpic Dam (Australia); Evaluación y Due diligences de: Inco,
Newcrest, Worsley Alumina, Alcoa, etc.
Miembro activo de la Aus. I. M. M. y de la Asociación de Geoestadística de Australasia.

Dr. Dominique François Boungarçon

1974 Grado de Ing. Civil de Minas Escuela Nacional Superior de Minas

de Nancy-Francia
1978 Doctor en Mining Science and Techniques en la Escuela de Minas de Paris y la
Universidad de Nancy.
1976: Inició sus actividades profesionales en MINERO PERU, como experto extranjero
voluntario.
1978 a 1984 Investigador en el Centro de Geoestadística de Fontainebleau-Francia
Famoso por las correcciones que realizó a la famosa fórmula de Pierre Gy:
Solucionando sus dificultades de aplicación, sobre todo para el caso del oro. Ha
publicado con Pierre Gy las modificaciones propuestas. Se dice que Gy lo ha designado
públicamente como su sucesor científico.
Consultor Internacional de Geoestadística, con notables trabajos en INCO Ltd. Copper
Cliff Ontario Canadá. Vicepresidente de Geoestadística de Mineral Resource
Development Inc. San Mateo-California por 7 años.
Actualmente es Presidente de AGORATEK INTERNATIONAL
Vicepresidente de la 6ta. Conferencia Mundial de Muestreo y Mezclas que se realizó en
Lima-Perú, 19 al 22 de Noviembre del 2013; Hotel Marriot.

3
 Prof. André Journel

Ingeniero de Minas (1967) en la Escuela Nacional Superior de Minas

de Nancy – Francia y Dr. Ing. (1974) y Dr. en Cienc. Mats. Aplicadas
(1977) en Univ de Geoestadística de Nancy – Francia. Ing. de Proys.
mineros en el Centro de Morfología Matemática de Francia
(1969-1973); Centro de Geoestadística de la Escuela de Minas de
Paris (1973-1978). Univ. de Stanford - USA: Prof. Asociado (1978-1972): Prof. Principal (1992-
2010) del Departamento de Ciencias de la Tierra de Ing. de Petróleo e Investigador y Director
(1986-2010) del Centro Stanford de Predicción de Reservorios del Centro Stanford.
Entre 1998 y 2010 recibió más de 30 disertaciones de Ph. D. y M.Sc.. Desde 1980 a la fecha:
miembro del Comité Científico del Congreso Mundial de Geoestadística. Ha dictado decenas
de cursos y seminarios especializados sobre Geoestadística y temas afines.
35 años de experiencia profesional: Especialista en Planeamiento, Simulación y Evaluación de
Recursos Mineros; Modelamiento de Reservorios de Petróleo; Control y remediación de la
Polución; Predicción Bayesiana: Análisis de riesgo, Modelos de incertidumbre, etc; Estadística
no-paramétrica y espacial Gaussiana. Co-autor del famoso libro: Mining Geostatistics. Mas de
80 publicaciones especializadas. Premios: 1989: Medalla de Krumbein, 1995: “Teaching
Award” (Esc. de Cienc. de la Tierra, Stanford), 1998: Medalla de Oro Lucas (AIME/SPE), etc.

Dos tendencias de la Geoestadística actual

La Geoestadística académica: Francia, Europa,

parte de Australia,
Básicamente Estacionaria Univ. de Chile, etc.

La Geoestadística Aplicada:
Básicamente No-Estacionaria
Univ. Stanford – USA
Univ. Alberta – Canadá
CAIG - Perú
André Journel Clayton Deutch Daniel Guibal

4
 Facultad de Ciencias e Ingeniería
Especialidad: Ingeniería Geológica
Curso: GEM322 Geoestadística

Introducción a la Teoría de las

Variables Regionalizadas

M. Sc. Samuel Canchaya Moya

9

El concepto de autocorrelación

Es de esperar que dos valores contiguos Z(xi) y Z(xi+h),

separados una distancia (o vector) h, estén relacionados
entre sí: a esto se denomina: Autocorrelación.
Lo cual quiere decir que sus valores serán dependientes
el uno del otro; esto debido a que casi siempre toda
variable tiene un patrón de distribución (o estructura,
como se le llama en geoestadística), ya que nada es al
azar en la naturaleza.
La herramienta geoestadística para reconocer este patrón
de distribución es el VARIOGRAMA
10

5
 COMPARACIÓN ENTRE UNA DATA ESTRUCTURADA
(Tramo A) Y OTRA AL AZAR (Tramo B)

x s2 HISTOGRAMA VARIOGRAMA

 (h)
1
2 f(x)
3
4
5
TRAMO A 6
5 3.08 2.75
4
3
2
1 2 4 6 x h
1

2
4
f(x)  (h)
3
6
1
TRAMO B 5 3.08 2.75
1
3
2
1
4
2 4 6 x h
5

Diagrama de variación de leyes

Ley
A
x
Gran variabilidad local:
“diente de sierra”

x+h
B

Tendencia
Profundidad
12

6
 3.5

2.5

Variable Regionalizada: (V.R.)

Variograma
2

1.5

 Toda variable que fluctúa en: 0.5

0
el espacio (coordenadas) y/o en el tiempo. 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
Distancia
 Tiene dos características fundamentales:
 Gran variabilidad local.- Dientes de sierra
 Presenta una “estructura” o tendencia a mayor escala
 Ejemplos típicos:
 Leyes de Au, Ag, Cu (CuT, CuSAc, CuSCN), Fe, As, etc.
 Potencia de una veta o manto
 Densidad, Humedad, Porosidad y Permeabilidad
 Toneladas procesadas en Molinos o Chancadoras (“Throughput”)
 Contenido mineralógico (% qz, ser, ARCs, cac, bt, calcopirita, pirita, etc.)
 % de elementos u óxidos mayores (SiO2, TiO2, K2O, CaO, MgO, Fe2O3, etc.)
 Recuperación de Au, de Cu, etc.
 Densidad de fracturamiento
 BWI, RQD, Resistencia Mecánica (MPa), etc.
 Consumo de ácido (Kg/TM), etc.
13

M. Sc. Samuel Canchaya Moya

El Variograma:
Definición, estimación, ploteo y ajuste a
funciones teóricas.

14

7
Las tres hipótesis plausibles de la Geoestadística:
 La Hipótesis de Estacionariedad.- Dominios donde la media y la varianza son
probabilísticamente similares; así como la varianza y la covarianza sólo dependen
de la separación entre datos.

 La Hipótesis Intrínseca.- En aplicaciones prácticas necesitamos introducir la

denominada hipótesis intrínseca, la cual establece que la function variograma
2(x,h) depende sólo del vector de separación h y no de la ubicación x. Entonces
es posible estimar el variogram 2(x,h) a partir de la data disponible usando el
estimator 2*(h) que se define como:
n(h)
1
2 (h) 
*

n( h )
 [ Z ( x )  Z ( x  h )]
i 1
i i
2

 La Hipótesis del Kriging Universal.- Asume que las funciones aleatorias se

pueden descomponer en una combinación lineal de funciones determinísticas y un
componente aleatorio residual. Por lo tanto es la menos resttrictiva de las
hipótesis.

La hipótesis de M1 M2
estacionariedad
D
 La aplicación de la geoestadística M3 M4
tradicional será válida, sólo si se cumple con
la denominada Hipótesis de Estacionariedad.
 Se dice que un dominio cumple con la Hipótesis de Estacionariedad,
cuando dentro de él la media y la varianza son las mismas cualquiera
sea la muestra que se tome para estimarlas.
 En un dominio donde se cumpla la Hipótesis de Estacionariedad, el
variograma y la covarianza sólo dependerán de la separación entre
datos.
 Los dominios con el denominado EFECTO PROPORCIONAL son el
extremo opuesto a la condición de estacionariedad.
 Cuando no se cumple la mencionada hipótesis, hay que apelar al
Concepto de Krigeage Universal; así como a otras herramientas de la
Geoestadística No- Estacionaria.
16

8
 FUNCION VARIOGRAMA:
Forma de cálculo

n h 2
Es la función probabilística
 ZX  ZX

que representa el patrón de i+h i
distribución de una variable 2 (h)  i 1
regionalizada n h

x+h

x OMNIDIRECCIONAL

FUNCION VARIOGRAMA – Representación gráfica

 (h) GEO ESTADISTICA
meseta
s2
C

C0
a h
DEPENDENCIA INDEPENDENCIA
ESTRUCTURA ALEATORIEDAD
h : paso entre las muestras
C0 : efecto de pepita
a : alcance
C : sill
C + C0 : meseta
s2 : varianza estadística

9
Ejemplo de cálculo manual 5
(h)
4
meseta
de un variograma 1D 3
h=1 h=2 h=3 h=4 h=5 h=6
3.2 2
[d1]2 [d2]2 [d3]2 [d4]2 [d5]2 [d6]2 [d7]2 [d8]2
4.0 experimental
0.64 1
2.8 ajuste
1.44 0.16 C0=0.25
0
3.2 0.16 0.64 0.00 0 1 2 3 4 5 6 7 8 h
3.0 0.04 0.04 1.00 0.04 a = alcance
3.6 0.36 0.16 0.64 0.16 0.16
2.56 1.00 1.44 0.64 4.00 1.44
2.0
6.25 0.81 2.25 1.69 2.89 0.25 1.69
4.5
4.00 0.25 1.21 0.25 0.49 0.09 2.25 0.49
2.5 7.29 0.49 10.24 2.56 4.84 4.00 5.76 1.44
5.2 8.41 0.04 4.84 0.09 1.69 0.49 0.16 0.25
2.3 0.25 5.76 0.09 2.89 0.64 0.64 0.81 0.16
0.36 0.01 9.00 0.09 5.29 0.04 0.04 0.64 2
2.8
 Z x h  Z x
2.2
4.1
3.61
1.21
1.69
9.00
3.24
5.76
1.21
8.41
2.56
0.00
0.16
7.29
1.96
4.41
0.25
10.24  (h )  2(n  h )
9.61 17.64 37.21 30.25 36.00 9.61 33.64 14.44
5.2 4.84 0.81 4.00 15.21 10.9 14.4 0.81 12.96
8.3 4.41 18.49 1.44 0.01 3.24 1.44 2.89 1.44
6.1 1.96 12.25 32.49 6.76 2.25 0.16 0.04 0.09
4.0 0.81 0.25 6.76 23.04 2.89 0.36 1.69 0.49
2.6 S[dh] 2 57.57 69.49 121.6 93.30 77.83 40.41 56.15 42.89
3.5
2(n-h) 36 32 28 26 22 16 10 8
(h) 1.60 2.17 4.34 3.59 3.54 2.53 5.62 5.36

Ejemplo de cálculo manual N

de un variograma 2D
2

 (h )   Z 2x(nh hZ) x

0.0144 0.0016
0.0025 0.0064 0.0025 0.0009
0.0049 0.0081
0.0009 0.0004 0.0036 0.0009 0.0064 0.0004
0.0004 0.0036 0.0009 0.0025
0.0196 0.0009
0.0009 0.0064 0.0064 0.0025 0.0064 0.0001
0.0166 0.0068 0.037 0.0231 0.0162 0.0048 0.1045
20

10
 0.0256 0.0004 0
0.0121 0.0009 0.0169 0.0064
0.0121 0.0256 0.0004 0
0.0025 0.0064 0.0009 0.0025 0.0036
0.0036 0.0009 0.0064
0.0004 0.0036
0.0025 0 0.0009 0.0009 0.0081
0.0296 0.0356 0.0283 0.0248 0.0253 0 0.1436

2

 (h )   Z 2x(nh hZ) x
0.0784 0.04 0.0004
0.0036 0.0064 0.0256
0.0016 0.0121
0.0121 0.0025 0.0121 0.0009
0.0064 0 0.0004
0.0256 0.04 0.0081
0.0009 0.0025 0.0121 0.0016
0.1286 0.045 0.0706 0.0491 0 0 0.2933

0.1024
0.0196 0.0121
0.0025 0.0324
0.0064 0.0169 0.0081
0.0004 0.0009
0.0529
0.0004 0.0009 0.0144
0.1317 0.0187 0.1199 0 0 0 0.2703

VARIOGRAMA E-W
(Zx+h - ɣ(h) =
h n 2 (n-h)
0.0160 Zx)2 (Zx+h - Zx)2/2 (n-h)
0.0140
0.0120
1 0.1045 26 50 0.0021
0.0100 2 0.1436 24 44 0.0033
ɣ(h)

0.0080 3 0.2933 22 38 0.0077

0.0060 4 0.2703 14 20 0.0135
0.0040
0.0020
0.0000
0 2 h 4 6

VARIOGRAMA N-S
0.0100
(Zx+h - ɣ(h) = 0.0090
h n 2 (n-h)
Zx)2 (Zx+h - Zx)2/2 (n-h) 0.0080
0.0070
1 0.2057 29 56 0.0037 0.0060
ɣ(h)

0.0050
2 0.2138 25 46 0.0046 0.0040
0.0030
3 0.1636 20 34 0.0048 0.0020
0.0010
4 0.1896 15 22 0.0086 0.0000
0 1 2 3 4 5
h

11
 Ajuste del Variograma Experimental
a Funciones Teóricas
h3
(h) = C
3h
+ Co h*a
2a 2a3

(h) = C + Co h>a

 (h)  ( h)  ph ;   1 (h) = Co + mh

 (h)  ph ;  1

 (h)  C 1 exp ah   C0

 

Ajuste del Variograma

experimental a funciones
teóricas

Parámetro Lineal Expo-

nencial
C0 0.783 0.673
C0 + C 1.281 1.347
a 345.9 193.4
r2 0.845 0.900
RSS 0.061 0.040
C/[C0+C] 0.389 0.500

12
 25
n
Combinación lineal de variogramas:  h     i  ih 
Para modelar y/o ajustar estructuras imbricadas (“nested structures”) i 1

2.5
2.5

2 2

1.5 1.5

1 1

0.5 0.5

0 0
0 1.2 2.4 3.6 4.8 6 7.2 8.4 9.6 10.8 12 13.2 14.4 15.6 16.8 0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9

4.5
4
3.5
3 Permite modelar la
2.5 anisotropía zonal
2
1.5
1
0.5
0
0 1.2 2.4 3.6 4.8 6 7.2 8.4 9.6 10.8 12 13.2 14.4 15.6 16.8

Ejemplo de Variogramas
 (h) Au (gr/TM) 2
Yacimiento epitermal de
Au de alta sulfuración
30

15
 (h) Cu (%) 2

0
25 50 75
h 20

 (h) Potencia (m)2

10

1.6
h
80 160
1.2
Pórfido de Cu-Au
0.8 Veta polimetálica

0.4 Variograma
experimental
0
200
h Ajuste teórico
100

13
Ejemplo de variogramas de gangas y
minerales de alteración:

27

28

Ejemplo de variogramas de Gangas

14
 M. Sc. Samuel Canchaya Moya

El cálculo automatizado
de los variogramas

29

Parámetros para el

cálculo automatizado de
   variogramas 2D


  

puntos aceptados

puntos descartados

Para cada dirección  se define una tolerancia 

y se utilizan únicamente los puntos que se
encuentran entre las direcciones:    y   

15
 31

Combinación de sector con banda

   


  

puntos aceptados
b

puntos descartados

b = ancho de banda

Aplicación de los pasos h



clase de distancia h

clase de distancia 2h

clase de distancia 3h

16
Aplicación de la configuración de cálculo
en el dominio establecido




Cálculo de Variogramas 3D:

Búsqueda cónica de pares

Sección transversal del

cono debe ser elíptica para
involucrar anisotropía

h = Ángulo horizontal
v = Ángulo vertical
34
t = Ángulo de tolerancia

17
 Cálculo Variogramas 3D:
Búsqueda cilíndrica de pares

Sección transversal del

cilindro debe ser elíptica
para involucrar anisotropía

h = Ángulo horizontal
v = Ángulo vertical
t = Ángulo de tolerancia 35

Cálculo de Variogramas 3D:

Búsqueda de pares por capas

h = Tolerancia en dirección Z
36

18