Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Traduccion

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 21

1 Introducción

1.1 Resumen

Después de describir los tipos de problemas en la minería que se pueden utilizar para resolver
las geoestadísticas, se presenta un ejercicio introductorio. Este ilustra la necesidad de buenos
estimadores, particularmente cuando se utiliza la minería selectiva. Se destaca el impacto
económico de los efectos de apoyo e información sobre los cálculos de reservas. Por último,
se revisan algunos estudios de casos que comparan la geoestadística con otros métodos de
estimación.

1.2 Introducción

Durante los últimos 30 años, la geoestadística ha demostrado su superioridad como método


para estimar las reservas en la mayoría de los tipos de minas (metales preciosos, mineral de
hierro, metales básicos, etc.). Su aplicación a la industria del petróleo es más reciente, sin
embargo, ha demostrado su utilidad, particularmente para el mapeo de contornos y para
modelar y simular la heterogeneidad interna de yacimientos. Su uso se ha extendido a otros
campos como las ciencias ambientales, la hidrogeología, la agricultura e incluso la pesca,
donde el componente temporal y la variabilidad espacial son importantes.

1.3 Aplicación de la geoestadística en minería

La herramienta básica en geoestadística, el variograma, se utiliza para cuantificar las


correlaciones espaciales entre observaciones. Una vez que se ha ajustado una función
matemática al variograma experimental, este modelo se puede utilizar para estimar valores en
puntos no muestreados. Este procedimiento de estimación se denomina "kriging" en honor al
ingeniero sudafricano Danie Krige, quien con Herbert Sichel llevó a cabo los primeros
desarrollos en geoestadística en las minas de oro de Witwatersrand. Después de leer uno de
los primeros artículos escritos por Krige, el matemático francés Georges Matheron vio sus
implicaciones y pasó a desarrollar la teoría en los años sesenta y setenta. Antes de entrar en
detalles sobre el variograma y los diferentes tipos de kriging, se describen los principales
usos de la geoestadística en la minería.

1.3.1 Estimación de las reservas totales

El primer paso importante en un estudio de factibilidad es determinar las reservas in situ.


La geoestadística puede ayudar al planificador de minas a obtener estimaciones precisas del
tonelaje total in situ, la ley promedio y la calidad de la información disponible, y por lo tanto
lo ayudan a decidir si se justifica una mayor inversión en el proyecto.

1.3.2 Errores de estimación

Ningún método de estimación puede dar exactamente el valor correcto todo el tiempo, ya que
inevitablemente hay algún error involucrado. Por eso es importante saber qué tan grave es
este error.

Los responsables de la toma de decisiones deben saber si la calificación estimada tiene una
precisión de ± 0,1% o ± 1%. Además de proporcionar los valores estimados, la geoestadística
proporciona una medida de la precisión (accuracy) de la estimación en forma de varianza
Kriging. Ésta es una de las ventajas de la geoestadística sobre los métodos tradicionales de
evaluación de reservas.

1.3.3 Espaciamiento óptimo entre muestras (o perforaciones)

La varianza de la estimación (calculada por la geoestadística) depende del modelo de


variograma elegido para el depósito y de la ubicación de las muestras, pero no de sus valores
numéricos. Entonces, una vez que se ha seleccionado el variograma para un depósito o región
en particular, se puede encontrar la variación de estimación. Esto hace posible evaluar la
varianza de la estimación para una amplia variedad de posibles patrones de muestras sin
hacer realmente la perforación y, por lo tanto, encontrar la cuadrícula que solo brinda la
precisión (accuracy) requerida.

1.3.4 Estimación de las reservas de bloques

Una vez que se ha tomado la decisión de extraer un depósito, se necesitan estimaciones del
tonelaje y de la ley promedio bloque por bloque. Aquí, un bloque puede representar la
producción de un turno o de un mes. Además de estimar el tonelaje de mineral y la ley
promedio de los bloques minables, la geoestadística puede proporcionar estimaciones de las
variables de calidad. Para el carbón, estos incluyen contenido de cenizas, contenido de azufre,
F.S.I y valor calorífico. Para el mineral de hierro, son los porcentajes de sílice y fósforo, la
pérdida por ignición y, a veces, el contenido de manganeso.

1.3.5 Cuadrícula y mapeo de contornos


Aunque la mayoría de las empresas mineras generalmente quieren estimaciones de bloque de
sus variables en lugar de mapas de contorno, se pueden utilizar la geoestadística para estimar
los valores en los nodos de una cuadrícula regular. Después de esto, se puede utilizar un
paquete de contorneado estándar para realizar el trazado. Esto tiene la ventaja de ser más
preciso que otros métodos para evaluar los valores de los nodos de la cuadrícula. Durante los
últimos 25 años, la industria del petróleo ha recurrido cada vez más al Kriging por esto. Más
recientemente, los científicos ambientales también han comenzado a utilizar la geoestadística.

1.3.6 Simulación de un depósito para evaluar un plan de minado propuesto

Dado que el Kriging está diseñado para dar estimaciones lineales de varianzas mínimas, los
valores resultantes (kriged) son más suaves que cualquier otro estimador lineal insesgado,
pero también son más suaves que los valores reales. Esto significa que si se está configurando
un modelo numérico de un depósito para probar varios planes de minado propuestos, los
valores resultantes (kriged) no deben incluirse en esto porque subestimarían seriamente la
variabilidad inherente. En este caso, se debe utilizar una simulación condicional del depósito.
En el Capítulo 9 se proporciona más información sobre cuándo utilizar simulaciones en lugar
de kriging.

1.3.7 Estimación de la recuperación

En muchas operaciones mineras, los ingenieros tienen que predecir la recuperación y las
leyes recuperadas cuando se seleccionan bloques de un tamaño específico para tratamiento (o
minado) si su ley promedio está por encima de un límite económico (economic cutoff).
Cuando la cuadrícula de muestreado tiene aproximadamente el mismo tamaño que los
bloques de selección, sus leyes pueden estimarse individualmente con una precisión
(accuracy) razonable. Pero si los bloques son mucho más pequeños que el tamaño de la
cuadrícula, como suele ser el caso en la etapa de factibilidad, puede resultar engañoso intentar
obtener estimaciones de bloques individuales. Estos simplemente no son lo suficientemente
precisos (accurate). Lo mejor que se puede hacer es predecir la proporción de unidades de
selección que se recuperarán y su ley promedio. Esto conduce a geoestadísticas no lineales.

Surgen problemas similares en el trabajo de rehabilitación de suelos donde los científicos


tienen que predecir la cantidad total de material que está contaminado, es decir, contiene
niveles inaceptablemente altos del contaminante.
En los capítulos siguientes, veremos qué es el variograma y cómo se usa el kriging para
estimar valores y obtener la varianza de la estimación. Dado que este texto se ocupa
únicamente de geoestadística lineal, no aborda temas más avanzados como la simulación
condicional o la estimación de reservas recuperables mediante métodos no lineales.

1.4 La pregunta de los $64: ¿funciona la geoestadística?

Habiendo visto algunas de las posibles aplicaciones de la geoestadística en la industria


minera, la pregunta de los $64 es: "¿Funciona la geoestadística?" o "¿Funciona mejor que los
métodos alternativos de estimación de reservas?". Primero presentamos un ejemplo
simplificado que muestra el impacto financiero de estimaciones de bloques deficientes.
Luego se revisan varios estudios de casos comparativos sobre técnicas de evaluación de
minerales.

1.5 Ejercicio de introducción

Uno de los usos más comunes de la geoestadística (en la industria minera) es estimar las leyes
promedio de los bloques mineros mediante kriging, por ejemplo, para el control diario de la
ley. Mucha gente se pregunta si el kriging realmente da mejores resultados que otros
métodos. Este ejercicio ha sido diseñado para resaltar el impacto económico de los errores de
estimación. Primero veamos los datos. Las leyes de 64 bloques de tamaño 1 x 1 estaban
disponibles en un área de 8 x 8. La Figura 1.1. muestra 16 de estas leyes, cada una de la
esquina superior izquierda de un bloque de tamaño 2 x 2. Los valores de las otras 48 muestras
se utilizarán más adelante con fines comparativos.

Figura 1.1. Dieciséis muestras de tamaño 1 x 1 que se utilizarán para estimar bloques mineros
de tamaño 2x2
Estos 16 valores se utilizarán como "muestras" para estimar los valores de los bloques
mineros de tamaño 2x2 (es decir, 4 veces más grandes que las muestras). La forma más
sencilla de estimar cada una de las 16 leyes de los bloques es igualando la ley de las muestras
en cada una con la estimación de bloque. A esto se le llama método poligonal. La figura 1.2.a
da estas estimaciones.

Ahora es su turno de diseñar una forma de estimar cada uno de estos 16 valores. Puede elegir
el método que desee; por ejemplo, mirando los valores y viendo cómo varían, o adivinando, o
tomando promedios móviles de valores vecinos. Escriba sus estimaciones en el espacio
provisto a la derecha de la figura 1.2.b.

Figura 1.2. (a) Estimaciones poligonales de las leyes de los bloques obtenidas al igualar la ley
del bloque con el valor de la muestra dentro de ella; (b) espacio para la estimación personal
del lector

Figura 1.3. Estimaciones Kriging de las leyes de los bloques


Un tercer conjunto de estimaciones se obtuvo haciendo que un geoestadístico ‘krigee’ los
valores del bloque (Fig. 1.3.). Kriging es solo un tipo especial de media móvil ponderada. No
se espera que comprenda todavía cómo se obtuvieron estos números. Por el momento, son
solo otro posible conjunto de estimaciones del bloque.

1.5.1 Minería selectiva

En la mayoría de las operaciones mineras, los bloques de alta ley se extraen mientras que los
demás se dejan en su lugar o se arrojan como desechos. Suponga que en este caso el límite
económico (economic cutoff) es 300. Entonces, extraer un bloque con una ley de 301 genera
una ganancia de 1 unidad y, a la inversa, extraer un bloque con una ley de 299 conduce a una
pérdida de 1 unidad. Por el momento, ignoraremos cualquier restricción geométrica debido al
método de minería, y asumiremos que todos los bloques de pago están minados.

El primer paso es calcular las ganancias que serían predichas por cada uno de los tres
métodos de estimación. Trabajaremos esto juntos para la estimación poligonal y luego puede
repetirlo para los otros dos. En primer lugar, sombree los bloques con una pendiente prevista
superior a 300 (o igual). Hay cinco de ellos. Vea la Fig. 1.4.a.

Entonces, la ganancia esperada es: 735 + 450 + 337 + 430 + 460 - 5 x 300 = 912

Ahora calculamos las ganancias reales que se obtendrían cuando se extraigan los bloques que
se estima están por encima del límite. Las verdaderas leyes de los bloques de 2 x 2 se dan en
la figura 1.4.b. Para el método poligonal, cinco bloques (los sombreados) están programados
para su explotación. Sus leyes reales son 505, 270, 328, 220 y 263 en lugar de los estimados
735, 450, 337,430 y 460.

Entonces, la ganancia real sería: 505 + 270 + 328 + 220 + 263 - 1500 = 86

En lugar de obtener una ganancia de 912 unidades, la mina produce solo 86 unidades. La
empresa podría terminar en serias dificultades financieras. Repita estos cálculos para el
kriging. Muestre que sólo dos bloques están programados para la minería y que la ganancia
real es 175 en comparación con una ganancia prevista de 196. Por último, repita el cálculo
para su propio estimador y observe los resultados.
Figura 1.4. (a) Estimaciones poligonales y (b) leyes de bloque verdaderas. Los bloques
sombreados con una ley superior a 300 están programados para minar. Tenga en cuenta la
diferencia entre las leyes verdaderas y estimadas.

1.5.2 Recuperación óptima

Antes de comparar estos resultados, debemos calcular la recuperación óptima (es decir, lo
que recuperaríamos si hubiéramos conocido las leyes reales antes de la extracción).
Claramente, solo se habrían seleccionado tres bloques (505, 328 y 411) y el beneficio habría
sido 344. Comparado con esto, el beneficio predicho por el método poligonal (912) era
bastante ilusorio. Kriging dio una predicción mucho más realista de 196 en comparación con
una ganancia real de 175 (es decir, solo una diferencia del 10%), pero esto sigue siendo
subóptimo en comparación con 344.

Ahora es interesante ver por qué kriging funciona mejor, en promedio, que otros métodos de
estimación. Veremos que los problemas encontrados a la hora de estimar bloques se deben a
dos efectos: el efecto información (information effect) y el efecto soporte (support effect).

1.5.3 El Efecto información

El efecto información se debe a la información incompleta disponible en el momento en que


debemos discriminar entre bloques de ganga y de mena. Solo tenemos estimaciones para las
leyes de bloques en lugar de los reales. Para visualizar esto, dibujamos diagramas de
dispersión de la ley real (eje Y) contra la estimación (eje X) para diferentes métodos de
estimación. Idealmente, la pendiente estimada sería igual a la verdadera, por lo que los puntos
caerían en una línea de 45 que pasa por el origen. Desafortunadamente, no es así. Forman una
nube de puntos que se ha representado aquí como una elipse.
Figura 1.5. Gráfico cruzado de la ley real (eje y) frente a la ley estimada (eje x). La nube de
puntos se ha representado como una elipse. Los bloques con una ley estimada superior a 300
están programados para la extracción, mientras que los bloques que realmente superan los
300 deben extraerse

Al seleccionar bloques para el minado, todos los bloques cuyo valor estimado está por
encima del límite se consideran minerales. Para mostrar esto gráficamente, se dibuja una
línea vertical en X = 300. Los bloques a la derecha de esta línea están seleccionados para
minar. Lo que realmente queríamos eran los bloques cuya ley real esté por encima de 300.
Una línea horizontal dibujada en Y = 300 representa esto. Los bloques por encima de esta
línea deberían haberse minado. Esto divide toda el área en cuatro zonas:

1. Ley verdadera > 300; ley estimada > 300. Estos bloques de mena se estiman correctamente
como mena. Corresponden a la parte superior derecha del diagrama.

2. Ley verdadera < 300; ley estimada < 300. Estos bloques de ganga se estiman
correctamente como ganga. Se encuentran en la parte inferior izquierda del diagrama.

3. Ley verdadera > 300; ley estimada < 300. Estos bloques de mena se han considerado
ganga; este error de estimación puede tener consecuencias costosas para la mina. Estos
bloques se encuentran en la parte superior izquierda del diagrama.

4. Ley verdadera < 300; ley estimada > 300. Estos bloques de ganga se han considerado
mena. Este segundo tipo de error de estimación no anula el anterior y puede tener costosas
consecuencias para la mina. Estos bloques se encuentran en la parte inferior derecha del
diagrama.
Volviendo a nuestro ejemplo, La Fig. 1.6. muestra las gráficas cruzadas correspondientes al
método poligonal y al kriging. Para kriging, la pendiente de la regresión es aproximadamente
1.0 (es decir, a 45 °) mientras que es menor que 1.0 para el método poligonal.

Ahora mire la "gordura" de las dos nubes. Kriging efectivamente da una nube "más delgada".
El lector puede volver a los dos diagramas de dispersión y ver los bloques mal asignados para
cada uno de los métodos de estimación (en los cuadrantes superior izquierdo e inferior
derecho). Esto confirma que el kriging es mejor. En el capítulo 8 veremos que los criterios
para juzgar un estimador incluyen la pendiente de la línea de regresión del valor verdadero
sobre el estimado.

Figura 1.6. Gráfico cruzado de la ley real frente a la ley estimada; (a) para el estimador
poligonal y (b) para el kriging. Idealmente, los puntos deben estar a lo largo de la diagonal
(ley real = ley estimada)

1.5.4 El Efecto soporte

En geoestadística, el término "soporte" se refiere al tamaño y volumen de una muestra o un


bloque. Aquí las muestras tienen un soporte de 1 m x 1 m mientras que los bloques son de 2
m x 2 m. En general, el soporte de las muestras es menor que el de los bloques. Las
verdaderas leyes de los dieciséis bloques de 2m x 2m y de los sesenta y cuatro bloques de 1m
x 1m se muestran en las Figs. 1.4. y 1. 7. Aunque las dos medias son iguales, la varianza de
las muestras es mayor que la de los bloques.
Figura 1.7. Las verdaderas leyes de los sesenta y cuatro bloques de 1 m x 1 m

Sus histogramas (Fig. 1.8.) muestran que los bloques pequeños están más dispersos que los
grandes. Para el cutoff de 300, se recuperará más mineral si se extraen bloques de 1m x 1m
en lugar de bloques de 2m x 2m. Como el método poligonal iguala las leyes de las muestras
(es decir, un pequeño soporte) con las de los bloques, sustituye el histograma de bloques por
el histograma de las muestras, aunque son bastante diferentes. Esto muestra que un buen
estimador debe tener en cuenta la diferencia entre los soportes de las muestras y de los
bloques a estimar; es decir, del efecto soporte.

Figura 1.8. Histogramas de las leyes, (a) para bloques pequeños y (b) para bloques más
grandes. Aunque las medias siguen siendo las mismas (201), las variaciones son diferentes y
también lo son las formas.
Entonces, hemos visto que el efecto soporte y el efecto información son dos de las principales
causas de la predicción incorrecta de las reservas. Ahora conocemos algunas de las
propiedades que debería tener un buen estimador. Podemos ver que la forma en que
combinamos los datos en la vecindad del bloque a estimar es importante. La primera parte de
este curso se ocupará del variograma; esta es una herramienta estadística para evaluar qué tan
similares son los valores, en función de la distancia entre ellos. En la segunda parte del libro,
el variograma se utiliza para calcular los pesos que se utilizarán al estimar bloques (por
ejemplo); es decir, al krigear bloques.

1.6 ¿Funciona la geoestadística en el mundo real?

Para responder a esta pregunta, veremos algunos estudios de casos en los que las predicciones
realizadas utilizando geoestadísticas se compararon con cifras de producción reales. Primero
veremos dos casos de estudios sobre el carbón, que generalmente es bastante fácil de estimar,
luego otros dos sobre oro, que involucran kriging lognormal y luego revisaremos algunos más
recientes.

1.6.1 Estudios de casos iniciales del carbón

Los estudios sobre carbón son Sabourin (1975) y Wood (1976). Ambos quedaron gratamente
impresionados por los resultados del kriging. Sabourin estimó el contenido de azufre de los
bloques utilizando muestras de canales. Luego comparó sus estimaciones con las cifras reales
de producción. El error relativo medio entre las estimaciones y el valor real fue del 9,8%, que
puede considerarse "muy satisfactorio". Es importante señalar que este depósito tuvo una
marcada tendencia en los valores de azufre, lo que requirió el uso de kriging universal. Como
esto es más complicado que el kriging ordinario, el estrecho acuerdo con las cifras de
producción es particularmente impresionante.

Wood no se encontró con el problema de una tendencia en los datos en su estudio del carbón
sudafricano. Por lo tanto, pudo utilizar el kriging ordinario. El objetivo de su estudio fue
predecir el ancho de la veta a una distancia de 18 m (un pilar) antes de los trabajos en la veta
No 2 en la mina Witbank. Se consideraron cuatro métodos de estimación:

1. el promedio de todas las mediciones en los últimos 3 pilares avanzados,

2. el promedio de todas las mediciones en el último pilar avanzado,

3. la medida única más cercana, y


4. kriging

Las pruebas se llevaron a cabo en dos partes de la mina (una con 133 conjuntos de valores de
datos, la otra con 101 conjuntos). Las diferencias entre los valores estimados y las cifras de
producción reales se calcularon para los cuatro métodos (Cuadro 1.1.). Esto mostró que las
estimaciones de kriged estaban consistentemente más cerca de los valores verdaderos que los
otros métodos considerados.

Cuadro 1.1. Cuadrado medio de los errores de estimación estandarizados, tomado de Wood
(1976) Informe No 2 Cámara de Minas de Sudáfrica

1.6.2 Estudios de casos de oro

Pasamos ahora a ver algunos estudios de casos comparativos sobre depósitos de oro, que
claramente son mucho más difíciles de estimar debido a la asimetría de las distribuciones.
Dos interesantes son Rendu (1979) y Krige y Magri (1982), quienes trabajaron en depósitos
sudafricanos.

Rendu se propuso probar si las predicciones geoestadísticas se verificaban en la práctica.


Tenía alrededor de 5000 leyes de oro de una sección de la mina Hartebeestfontein. Como los
datos estaban en una cuadrícula muy cercana (25 pies), los bloques de tamaño 125 pies x 125
pies contenían 25 muestras y el promedio de estas da una idea precisa de la verdadera
pendiente de cada bloque. Luego, Rendu tomó el central de las 25 leyes como la "muestra" y
estimó las leyes del bloque kriging utilizando las "muestras". Al mover el centro de la
cuadrícula de "muestra", pudo realizar su procedimiento en 4808 bloques.
Dado que los datos tenían una distribución logarítmica normal de tres parámetros, utilizó
kriging logarítmico normal, así como kriging ordinario y también dos métodos clásicos
(polígonos de influencia y ponderación de distancia inversa). Para presentar sus resultados
calculó la regresión de la ley real frente a la estimada (en una escala bi-Iogarítmica) para
todos los métodos de estimación considerados. Idealmente, la línea de regresión debería estar
a 45 grados. El kriging lognormal con una media conocida se acercó más a esto que
cualquiera de los otros métodos. Si la línea de regresión no está en este ángulo, se dice que
las estimaciones están sesgadas condicionalmente. Cuando eso ocurre, la pendiente suele ser
inferior a 1,0, por lo que la ley de los bloques ricos se sobreestima, mientras que la de los
pobres se subestima. Este fue ciertamente el caso del método poligonal. Como hemos visto,
las consecuencias económicas de esto pueden ser muy graves cuando las estimaciones se
utilizan para seleccionar bloques por encima de una ley de corte para la minería y para
predecir las reservas recuperables.

El segundo estudio comparativo de Krige y Magri se centró en las leyes de oro de un arrecife
muy variable en la mina de oro Lorraine y en las leyes de plomo en la mina de cobre y zinc
Prieska. Sus hallazgos confirmaron los de Rendu.

1.6.3 Casos de estudios más recientes

Varios estudios comparativos más se presentaron en el Simposio de Estimación de Reservas


Minerales celebrado en Montreal en mayo de 1986. Dos particularmente interesantes fueron
los de Raymond y Armstrong (1986) que trabajaron en un depósito de pórfido de cobre y de
Blackwell y Johnston (1986) que estudiaron un Depósito de molibdeno de cobre de baja ley.
Raymond y Armstrong encontraron una concordancia muy estrecha entre la ley del mineral
molido durante un período de 17 meses. Utilizaron kriging lognormal (que es una forma
especial de kriging diseñada para datos asimétricos con una distribución lognormal). En el
otro artículo, los autores describieron cómo utilizaron tanto los datos de DDH como los datos
de barrenos al hacer kriging de bloques. En su conclusión, citaron tres ventajas de usar
métodos geoestadísticos:

1. Los resultados de las reservas minerales son fácilmente duplicados por diferente personal
de la mina, ya que hay poca necesidad de interpretación subjetiva después de que se
seleccionan los modelos de variograma.
2. La geoestadística mejora efectivamente las leyes estimadas, incluso cuando se utilizan
datos de leyes de diferente tamaño y confiabilidad.

3. La reserva mineral mejorada permite una mejor planificación a corto y largo plazo y
permite al operador flexibilidad al lidiar con el tiempo de inactividad, averías, inestabilidades
de pendientes de muros, cambios en el precio del metal.

Dado que estos estudios comparativos confirman la superioridad del kriging sobre otros
métodos de estimación de uso común para depósitos que van desde el carbón al oro, parece
que vale la pena analizar más de cerca la técnica. Empezaremos por ver cómo utilizar la
geoestadística para modelar este tipo de variables.

Ejercicios resueltos:

Insesgados: caso b y c debido a que sus datos se distribuyen de manera semi homogénea y no
amontonándose en un extremo como lo hace el caso a.

Resumen estadístico para los 4 grupos

Caso Media SD Varianza Suma Mínimo Q1 Mediana Q3 Máximo Rango IQR


caso a 31.25 11.33 128.33 500.00 15.00 20.00 30.00 40.00 50.00 35.00 20.00
caso b 25.00 16.43 270.00 400.00 5.00 10.00 25.00 38.75 55.00 50.00 28.75
caso c 25.00 10.95 120.00 400.00 10.00 15.00 22.50 35.00 45.00 35.00 20.00
ley real 25.00 10.80 116.67 400.00 10.00 15.00 25.00 35.00 45.00 35.00 20.00

Diagrama de dispersión con regresión lineal para los 3 casos

El caso c es el más aproximado a las leyes reales con y = 2.778 + 0.8889x

2 Variables Regionalizadas

2.1. Resumen
En este capítulo se presentan las definiciones básicas en geoestadística, incluidos los
conceptos de función aleatoria y variable regionalizada. Se introducen las hipótesis
subyacentes (estacionariedad de segundo orden y la hipótesis intrínseca más débil). Se
definen el variograma y la covarianza espacial. Se discute el problema de cómo decidir si
tratar una variable como estacionaria, intrínseca o no estacionaria.
Algunas de las propiedades básicas de la covarianza espacial se presentan en este capítulo, ya
que son útiles para decidir el grado de estacionariedad. Se deriva la relación entre el
variograma y la covarianza espacial, pero el resto de las propiedades del variograma se dejan
para el capítulo siguiente.
2.2 Modelando variables regionalizadas
Dado que la información disponible sobre la variable en estudio esta fragmentada,
necesitamos un modelo para poder sacar conclusiones sobre puntos que no han sido
muestreados. Hay muchas formas de configurar modelos. Se discutirán varios.

Modelos genéticos. Una de las formas más intuitivamente atractivas de desarrollar un


modelo matemático es modelar la génesis del fenómeno. Como los procesos sedimentarios se
encuentran entre los más sencillos de describir, Jacod y Joathon (1970 a, b) intentaron
modelarlos a principios de los setenta. Desafortunadamente, los factores geológicos que
controlan incluso los procesos sedimentarios simples son extremadamente complicados y
requieren muchos parámetros para representarlos. Como era de esperar, resultó difícil obtener
estimaciones significativas de estos a partir de datos de muestra limitados.

Estos problemas llevaron a los investigadores a abandonar este enfoque en ese momento. El
trabajo reciente de Hu, Joseph y Dubrule (1994) en el modelado de yacimientos de petróleo
compuestos por lóbulos progradantes ha tenido más éxito, pero se ha abandonado la idea de
simular matemáticamente la génesis de los depósitos. La geología de los reservorios y
depósitos es demasiado complicada y aún no se conoce lo suficiente como para que funcione
este enfoque, al menos en la actualidad.

Superficies de tendencia. A finales de los años sesenta, las computadoras se habían vuelto
mucho más comunes, lo que permitió realizar los cálculos involucrados en métodos
estadísticos como las superficies de tendencia. Entonces, al mismo tiempo que Jacod y
Joathon estaban trabajando en la génesis del yacimiento, dos estadounidenses aplicaron el
análisis de superficies de tendencias para predecir las propiedades del carbón. El supuesto
implícito que subyace a estos tipos de métodos de regresión es que la superficie en estudio se
puede representar, al menos localmente, mediante una función determinista bastante simple,
como un polinomio, más un componente de error aleatorio.

Aquí, "aleatorio" significa que el error no está correlacionado de un lugar a otro y no depende
de la función. La dificultad de este enfoque se puede ver en la Tabla 2.1, que muestra la
ecuación ajustada por Gómez y Hazen (1970) para la proporción de azufre pirítico en cierto
carbón. La ecuación es muy complicada y contiene muchos términos como senos, cosenos y
exponenciales. El problema es que la mayoría de las variables geológicas muestran una
cantidad considerable de variación a pequeña escala además de las tendencias a gran escala
que pueden describirse razonablemente mediante funciones deterministas. Insistir en tener
errores no correlacionados significa que la función tiene que girar y girar mucho, lo que
explica la presencia de todos los términos exponenciales y trigonométricos de la Tabla 2.1.
Esto sugiere que podría ser mejor permitir correlaciones entre valores a diferentes distancias.
Esta es la idea básica detrás de la geoestadística.

Geoestadística. El término variable regionalizada fue acuñado por Matheron (1963, 1965)
para enfatizar dos aspectos aparentemente contradictorios de este tipo de variables: un
aspecto aleatorio, que da cuenta de las irregularidades locales, y un aspecto estructurado, que
refleja tendencias a gran escala. Los modelos estadísticos comunes, incluidas las superficies
de tendencia, colocan toda la aleatoriedad en el término de error, mientras que toda la
estructura se coloca en el término determinista. Desafortunadamente, esto no es realista para
los fenómenos geológicos. Una mejor forma de representar la realidad es introducir
aleatoriedad en términos de fluctuaciones alrededor de una superficie fija que Matheron
llamó "deriva" para evitar cualquier confusión con el término "tendencia". Las fluctuaciones
no son "errores", sino más bien características completas del fenómeno, con una estructura
propia. La primera tarea en un estudio geoestadístico es identificar estas estructuras, de ahí el
nombre de "análisis estructural". El geoestadístico puede continuar estimando o simulando
las variables.

2.3 Funciones aleatorias

El valor observado en cada punto de datos x se considera como el resultado, z(x), de una
variable aleatoria, Z(x). Su media se llama deriva (drift), m(x). En los puntos donde no se han
realizado mediciones, los valores z(x) están bien definidos aunque se desconocen. También
se pueden considerar como los resultados (o realizaciones) de la correspondiente variable
aleatoria Z(x).
Cuadro 2.1. Ecuación de regresión para azufre pirítico en carbón (de Gómez y Hazen, 1970)
Este método asume errores no correlacionados, lo que obliga a la superficie de tendencia a
girar y girar rápidamente, de ahí los términos trigonométricos y exponenciales

En términos matemáticos, la familia de todas estas variables aleatorias se denomina función


aleatoria. (Sinónimos: proceso estocástico, campo aleatorio). Una función aleatoria tiene la
misma relación con una de sus realizaciones que una variable aleatoria con uno de sus
resultados. excepto que la realización de una función aleatoria es una función mientras que el
resultado de una variable aleatoria es un número. Una función aleatoria se caracteriza por sus
distribuciones de dimensión finita, es decir, por las distribuciones conjuntas de cualquier
conjunto de variables Z (X1), Z (X2), ... Z (Xk), para todo k, y para todos los puntos x1, x2,
…, Xk. Sería imposible hacer algo con este modelo a menos que estemos preparados para
hacer algunas suposiciones sobre las características de estas distribuciones. La siguiente
sección presenta las hipótesis más utilizadas. Antes de entrar en estos en detalle, los lectores
pueden estar interesados en saber qué tipos de variables pueden modelarse como funciones
aleatorias. El recuadro n. ° 1 enumera algunos de los más comunes.

Recuadro No 1: Variables que pueden modelarse mediante funciones aleatorias.

- Leyes de metales, para metales preciosos, uranio, metales básicos, carbón, diamantes,
arenas de playa, minerales industriales,

- Parámetros de calidad, por ejemplo, para mineral de hierro, sílice, alúmina, pérdida por
ignición y, a veces, manganeso; para el oro, arsénico; para carbón, poder calorífico, cenizas y
contenido de azufre; para cemento, contenido de hierro, óxido de magnesio, humedad,

- Variables topográficas como el espesor de la veta, el espesor del overburden, la profundidad


a un horizonte geológico, la posición del fondo marino,

- Indicadores de tipo de roca, por ejemplo, para distinguir entre arenisca y lutita en depósitos
de petróleo, o entre diferentes facies en general,

- Porosidad y permeabilidad, tanto para depósitos de petróleo como para acuíferos, altura
hidráulica y transmisividad en hidrología,

- Concentraciones de oligoelementos geoquímicos en muestras de suelo y sedimentos de


arroyos,

- Concentraciones de contaminantes en el suelo y el agua y en la atmósfera,

- Para la ciencia del suelo, concentraciones de oligoelementos (por ejemplo, Cu & Co),
recuentos de nematodos en el suelo,

- En ciencias pesqueras, recuento de peces y huevos, temperatura del agua, salinidad;


densidad de mariscos por unidad de área,

- En hidrología, mediciones de precipitaciones y escorrentías,

- Densidad de árboles en bosques tropicales.

2.4 Hipótesis estacionarias e intrínsecas

En estadística es común suponer que la variable es estacionaria, es decir, su distribución es


invariante bajo translación. Del mismo modo, una función aleatoria estacionaria es
homogénea y se repite en el espacio. Para cualquier incremento h, la distribución de Z(X1),
Z(X2), ... Z(Xk) es la misma que la de Z(X1 + h), Z(X2 + h), ... Z(Xk + h) Esto hace posible
la inferencia estadística en una sola realización. En su sentido más estricto, la estacionariedad
requiere que todos los momentos sean invariantes durante la translación, pero como esto no
se puede verificar a partir de los datos experimentales limitados, generalmente solo
requerimos que los dos primeros momentos (la media y la covarianza) sean constantes. Esto
se llama estacionariedad "débil" o de segundo orden. En otras palabras, el valor esperado (o
media) de Z(x) debe ser constante para todos los puntos x.

Es decir,

E(Z(x)) = m(x) = m

En segundo lugar, la función de covarianza entre dos puntos x y x + h depende del vector h
pero no del punto x. Es decir,

E[Z(x) Z(x + h)] - m2 = C(h)

No es necesario hacer una suposición sobre la varianza porque resulta ser igual a la
covarianza para una distancia cero, C(0).

En la práctica, a menudo sucede que estos supuestos no se cumplen. Claramente, cuando hay
una tendencia marcada, no se puede suponer que el valor medio sea constante. Se ha
desarrollado otra rama de la geoestadística para manejar variables regionalizadas "no
estacionarias". Está fuera del alcance de este texto. Los lectores interesados pueden consultar
a Matheron (1973) o Delfiner (1976).

Por el momento, solo consideraremos los casos en los que la media sea constante. Sin
embargo, incluso cuando esto sea cierto, no es necesario que exista la covarianza. Un ejemplo
práctico particularmente sorprendente de esto fue descrito por Krige (1978) para las leyes de
oro en Sudáfrica. Tanto desde el punto de vista teórico como práctico, conviene poder
debilitar esta hipótesis. Por eso Matheron (1963, 1965) desarrolló la "hipótesis intrínseca".
Supone que los incrementos de la función son débilmente estacionarios: es decir, la media y
la varianza de los incrementos Z(x + h) - Z(x) existen y son independientes del punto x.

E[Z(x + h) - Z(x)] = 0

Var[Z(x+h) - Z(x)] = 2γ(h)

La función γ(h) se llama semi-variograma (variograma para abreviar). Es la herramienta


básica tanto para la interpretación estructural de fenómenos como para la estimación.
Las variables regionalizadas que son estacionarias siempre satisfacen la hipótesis intrínseca,
pero lo contrario no es necesariamente cierto. Más adelante en este capítulo veremos que si
una variable regionalizada es estacionaria, existe una equivalencia entre su variograma γ(h) y
su covarianza C(h).

La mayoría de los estimadores utilizados en las ciencias de la tierra son combinaciones


lineales (es decir, promedios móviles ponderados) de los datos. Esto es cierto para el método
de distancia inversa y para kriging (como se verá más adelante) e incluso para el método
poligonal donde todos los pesos excepto uno son cero. Por tanto, es importante poder calcular
la varianza de las combinaciones lineales en términos del variograma y/o la covarianza. A
diferencia del caso estacionario, cuando se trabaja con variables intrínsecas, las operaciones
se definen solo para incrementos. Más adelante mostraremos que la varianza de las
combinaciones lineales se puede calcular solo si la suma de las ponderaciones es 0. Al usar
variables regionalizadas intrínsecas en lugar de solo estacionarias, tenemos que trabajar con
incrementos, pero la variedad de modelos de variogramas disponibles se amplía
considerablemente.

2.5 Cómo decidir si una variable es estacionaria

Antes de entrar en más detalles sobre el variograma, es importante ver cómo decidir si una
variable en particular puede considerarse estacionaria o no. En situaciones prácticas, el
variograma solo se utiliza hasta una cierta distancia. Este límite podría ser la extensión de una
zona homogénea dentro de un depósito o el diámetro de la vecindad utilizada en kriging (es
decir, estimación). En consecuencia, el fenómeno solo debe permanecer estacionario hasta
esta distancia. El problema es decidir si podemos encontrar una serie de vecindarios móviles
dentro de los cuales el valor esperado y el variograma puedan considerarse constantes y
donde haya suficientes datos para dar estimaciones significativas. Esta suposición de cuasi-
estacionariedad es realmente un compromiso entre la escala de homogeneidad del fenómeno
y la de la densidad de muestreo. Esto se puede ver mejor con un ejemplo.
Figura 2.1. Representación esquemática de leyes de azufre y ampliación de la sección central.
En toda la longitud de 8 km, el contenido de azufre claramente no es estacionario debido al
aumento en el promedio. Pero en secciones más cortas se puede considerar como localmente
estacionario porque las fluctuaciones dominan la tendencia.

Considere el contenido de azufre del carbón a lo largo de un transecto (Fig. 2.1.). Sobre la
distancia total mostrada (8 km) hay un claro aumento de izquierda a derecha. Sin embargo, al
observar una explosión de la sección central, las fluctuaciones parecen cubrir la tendencia.
Esto significa que a esta escala el contenido de azufre podría considerarse como una variable
localmente estacionaria o, al menos, intrínseca, mientras que es claramente no estacionario en
distancias más largas. En la práctica, los bloques de carbón que se estiman son
aproximadamente 100 m x 100 m para las minas subterráneas y 200 m x 60 m para las
operaciones de extracción a cielo abierto. Las muestras generalmente se encuentran en una
cuadrícula de 500 m x 500 m para agujeros espaciados anchos, hasta 100 m x 100 m más
adelante. Con muestras a estas distancias. No tiene sentido buscar datos a varios kilómetros
de distancia. Hay mucho más cerca.

También podría gustarte