You are on page 1of 120

Estimacin de Recursos Mineros

por Marco Antonio Alfaro Sironvalle


Doctor en Geoestadstica, Escuela de Minas de Pars Profesor de Evaluacin de Recursos Mineros, USACH Profesor de Probabilidades y Procesos Estocsticos, U. de Chile Profesor de Estadstica Aplicada y Teora de Probabilidades, U. de Los Andes Profesor de Evaluacin de Recursos Mineros, U. de Concepcin.

Mayo, 2007

Prefacio

Estimado lector: Este texto contiene mi experiencia como profesor de evaluacin de recursos mineros, desde 1972 a la fecha, realizado con didctica y con dialctica, entendiendo por didctica el arte de ensear y por dialctica el arte de razonar correctamente. Quedar muy agradecido si me hace llegar sus consultas o sugerencias a marco.alfaro@vtr.net , de manera de mejorar futuras ediciones. Todo lo malo que encuentre en este texto se debe a mi persona y todo lo bueno se debe a mis dos maestros, profesores de la Escuela Nacional Superior de Minas de Pars: Georges Matheron, creador de la geoestadstica, quin me ense esta apasionante disciplina y Phillipe Formery quien me inculc el gusto por las probabilidades.

Georges Matheron 1930-2000

Phillipe Formery 1928-2005

Tabla de Materias
Prefacio Tabla de materias Captulo 1: Los mtodos tradicionales de estimacin de recursos La media aritmtica Los polgonos El mtodo del inverso de la distancia Crtica general de los mtodos tradicionales de estimacin de leyes Captulo 2: Geoestadstica y Teora de las Variables Regionalizadas Notacin condensada Ejemplos de variables regionalizadas Campo y soporte Objetivos de la teora El modelo matemtico de la geoestadstica: Las funciones aleatorias Captulo III. El variograma Clculo del variograma para una lnea muestreada regularmente Comportamiento del variograma para distancias pequeas Comportamiento del variograma para grandes distancias Clculo del variograma para una malla regular bidimensional Clculo del variograma para mallas irregulares Ajuste de un variograma a un modelo terico Los modelos de variograma Ajuste en el espacio de dos o tres dimensiones Caso istropo Caso anistropo Anisotropa geomtrica Anisotropa zonal Captulo IV. El error de estimacin Clculo de 2E Significado de los trminos de la expresin de 2E Captulo V. El krigeado Inters del krigeado Las ecuaciones del krigeado Varianza del error Krigeado puntual Propiedades del krigeado Vecindad de estimacin Estrategia de bsqueda Bibliografa 1 2 3 4 6 7 10 16 16 17 23 27 30 33 34 36 43 50 66 70 74 82 83 84 84 86 89 94 96 102 102 106 108 111 112 114 116 119

Captulo I Los Mtodos Tradicionales de Estimacin de Recursos Mineros

La estimacin de recursos mineros se puede dividir en dos partes: a) Estimacin global: interesa estimar la ley media y el tonelaje de todo el

yacimiento (o de una zona grande S dentro del depsito o yacimiento)

Figura I.1: Zona a estimar e informacin disponible.

Se tiene un conjunto de leyes z1, z2, . . . , zN de mineral localizadas en los puntos x1, x2, . . . , xN b) Estimacin local: interesa estimar la ley media de unidades o bloques dentro de

S, con el fin de localizar las zonas ricas y pobres dentro de esta zona S.

Figura I.2: Estimacin local con bloque unitario o unidad bsica de clculo.

La estimacin global y local estn relacionadas porque se pueden obtener valores globales al componer los valores locales de los bloques vi. A continuacin estudiaremos los mtodos tradicionales ms importantes, desde un punto de vista crtico.

I.1

La media aritmtica

El mtodo de la media aritmtica se basa en lo siguiente: para estimar la ley media de un conjunto S se promedian las leyes de los datos que estn dentro de S. Ejemplo: consideremos el caso de un cuadrado con 7 muestras interiores:

Figura I.3: Ejemplo bidimensional.

zS =

1 + 1 + 1 + 3 + 2 + 2 + 1 11 = = 1.57 7 7

La frmula general es:

1 zS = N
Comentarios acerca del mtodo:

z
i =1

Todos los datos tienen el mismo peso 1/N Muy simple. Fcil de calcular Produce malos resultados cuando hay agrupaciones de datos. En el ejemplo de la figura anterior existe una agrupacin de datos en la zona de alta ley: el valor 1.57 aparece como demasiado alto.

No funciona bien en estimaciones locales porque quedan bloques sin informacin, tal como muestra la figura I.4:

Figura I.4: Una planta en el depsito de MM. En rojo la interseccin de los sondajes.

I.2

Los polgonos.

El mtodo de los polgonos se basa en lo siguiente: asignar a cada punto del espacio la ley del dato ms prximo. Para estimar una zona S se ponderan las leyes de los datos por el rea (o volumen) de influencia Si.

Figura I.5: Mtodo de los polgonos. Hay que calcular el rea de 7 polgonos.

Ejemplo: en el mismo caso anterior se tiene:

z S = 1 .3 6
La frmula general es:

1 N z S = S i zi S i =1
Comentarios:

(S = S1 + S 2 + ... + S N )

Complicado, requiere comps, regla, planmetro. El peso del dato Zi es Si / S. Funciona mejor con agrupaciones de datos que la media aritmtica. Difcil de implementar en tres dimensiones.
6

En general no es adecuado en estimaciones locales porque asigna la misma ley a todos los bloques que estn dentro de un mismo polgono. Produce problemas con datos anmalos.

La figura 1.6 muestra la dificultad de aplicar el mtodo de los polgonos. En el espacio de 3 dimensiones el mtodo (poliedros) es an ms complicado:

Figura I.6: Salar de Atacama (se trata de salmueras con contenidos de litio, boro, potasio, sulfatos). Puntos de muestreo y de bombeo. Observar la agrupacin (cluster) de los puntos en la zona central.

I.3

El mtodo del inverso de la distancia

El mtodo del inverso de la distancia se basa en lo siguiente: asignar mayor peso a las muestras cercanas y menor peso a las muestras alejadas a S. Esto se consigue al

ponderar las leyes por 1/ di , ( = 1, 2, . . . ; di = distancia entre la muestra i y el centro de gravedad de S). Si = 1 Si = 2 se tiene el inverso de la distancia (ID). se tiene el inverso del cuadrado de la distancia (ID2).

Ejemplo: En el caso anterior se obtienen las estimaciones siguientes:

Figura I.7: Mtodo del inverso de la distancia a la potencia alfa. Hay que calcular las distancias entre los datos y el centro del bloque

z1 = 1.78 (inverso de la distancia) z2 = 2.06 (inverso del cuadrado de la distancia)

La frmula general es:

zS =

d d
i =1 i i =1 N i

zi

( > 0)

Comentarios:

Simple, fcil de calcular. Se adapta mejor en estimaciones locales que globales. No funciona bien con agrupaciones de datos. Atribuye demasiado peso a las muestras cercanas al centro de gravedad. En particular no est definido si di = 0 (muestra en el centroide de S)

No toma en cuenta la forma ni el tamao de S (en el ejemplo S' tiene la misma ley que S porque su centroide. coincide con el de S).

A veces, para evitar el problema de las agrupaciones de datos, se utiliza una bsqueda octogonal: dentro de cada octante slo se considera la muestra ms cercana al

centroide, tal como muestra la figura siguiente:

Figura I.8: Bsqueda octogonal. Se podran utilizar las k (cmo definir k?) muestras ms cercanas al centro del bloque, dentro de cada octante.

En este ejemplo solo las muestras 1, 2, 3 intervienen en la estimacin del bloque S.

I.4

Crtica general de los mtodos tradicionales de estimacin de leyes

De la presentacin anterior podemos hacer los comentarios siguientes sobre los mtodos estudiados:

Son empricos... Demasiado geomtricos. No consideran la estructura del fenmeno mineralizado. Por estructura entenderemos lo siguiente: i) la continuidad de las leyes: existen casos desfavorables en los cuales las leyes son errticas y otros ms favorables en los cuales las leyes son regulares.

Figura I.9: Arriba, sondaje vertical en mina de hierro La Japonesa. Abajo, sondaje vertical en mina de hierro Boquern Chaar. Ambos tienen la misma ley media, 32% Fe. Cul es ms continuo?

10

ii)

la posible presencia de anisotropas, es decir direcciones en las cuales la variacin de leyes es privilegiada (ver la figura I.10).

Figura I.10: Anisotropas de las leyes de cobre en una planta del depsito RT. dimensiones en metros.

Ejemplo: en el caso de la figura I.11, las leyes z1 = 1.25 y z2 = 1.75 son simtricas con respecto al bloque (se observan cuatro isoleyes):

Figura I.11: Bloque e isoleyes anisotrpicas. En Chuquicamata la situacin es similar, las leyes decrecen sistemticamente de oeste a este, ver figura I.12.

11

Figura I.12: Proyeccin horizontal de los sondajes de la mina Chuquicamata. Se observa la degradacin de leyes en la zona central, de oeste a este.

Los polgonos y el inverso de la distancia asignan la misma ley al bloque S:

zS =

z1 + z2 1.25 + 1.75 = = 1.5 2 2

Sin embargo, la ley media de S es inferior a 1.5%!

Los mtodos tradicionales de estimacin no proporcionan el error asociado a la estimacin; entregan un nico valor, por ejemplo

zS = 1.22%Cu .

12

Sea zs la ley verdadera desconocida de S. Sera interesante poder escribir una ecuacin del tipo:

zS = zS error
La magnitud del error nos cuantificara la calidad de la estimacin y nos indicara la necesidad eventual de hacer ms sondajes.

En general estos mtodos presentan un fenmeno conocido como sesgo condicional, el cual se traduce en la prctica por una sobre-estimacin de las leyes altas y una sub-estimacin de las leyes bajas. Describiremos este fenmeno con un ejemplo extremo tomado de un caso real: un yacimiento todo o nada: o bien hay mineral con ley 1.0 o bien hay estril con ley 0.0. El mineral se representa de color gris en la figura siguiente (el valor numrico corresponde a la proporcin de mineral dentro de cada bloque; existen sondajes positivos en rojo, con ley 1.0 y negativos en blanco, con ley 0.0):

Figura I.13: Oficina Ossa. Depsito de nitratos-yodo. Malla inicial de reconocimiento de 400mx400m.

13

Debido a que los sondajes caen en el centro del bloque, no se puede aplicar inverso de la distancia. El mtodo de los polgonos se puede aplicar y estima la ley de un bloque por la ley del sondaje central. En este caso se puede calcular el porcentaje

mineralizado real del bloque, obtenido a partir de una malla de 25mx25m (correspondiente al valor superior en cada bloque) que se realiz posteriormente. Observamos que el promedio de las leyes verdaderas es 0.55 y que el promedio de las leyes estimadas es 24 / 42 = 0.57. Se dice que no hay sesgo global. Sin embargo, existe el sesgo condicional: para leyes altas ocurre que siempre la ley estimada es superior a la ley real, y para leyes bajas, la ley estimada es siempre inferior a la ley real. Al aplicar una ley de corte sobre las estimaciones, ocurre entonces que la ley mina es siempre superior a la ley de la planta. El sesgo condicional se puede comprobar en una mina a cielo abierto, al comparar las leyes estimadas de los bloques (modelo de largo plazo) con el promedio de los pozos de tronadura de los bloques (informacin de corto plazo). En algunas minas este proceso de comparacin se llama reconciliacin de leyes.

14

Figura I.14: Pozos de tronadura en mina Lomas Bayas. Leyes de cobre. Dimensiones en metros. Se observa un bloque de 25mx25mx15m.

La figura I.15 muestra la informacin de largo plazo y de corto plazo en la mina Los Bronces.

Figura I.15: Informacin de largo plazo (sondajes, en negro) y de corto plazo (pozos de tronadura, en colores). Los sondajes estn agrupados en las zonas de alta ley.

15

Captulo II Geoestadstica y Teora de las Variables Regionalizadas

En trminos mineros se define la geoestadstica como la aplicacin de la teora de las variables regionalizadas a la estimacin de los recursos mineros. Una variable regionalizada es una funcin que representa la variacin en el espacio de una cierta magnitud asociada a un fenmeno natural. Sea x un punto del espacio. Se designa la variable regionalizada por la notacin z(x).

II.1

Notacin condensada

Antes de estudiar ejemplos de variables regionalizadas, mencionemos que en geoestadstica se utiliza la notacin condensada: un punto del espacio se representa por la letra x. Por ejemplo la ley en el punto x se representa por z(x). Por consiguiente, z(x) puede significar:

z(x) z(x1, x2) z(x1, x2, x3)

si el problema es unidimensional (1-D) si el problema es bidimensional (2-D) si el problema es tridimensional (3-D)

16

Se observa que existen problemas de notacin: se acostumbra a designar una variable regionalizada con la letra z, lo cual coincide con la notacin utilizada para la cota o elevacin.

II.2

Ejemplos de variables regionalizadas

Ejemplo 1: En el espacio de una dimensin, sea z(x) = Ley de Cu a lo largo de una galera:

Figura II.1: Canaletas en una galera.

Figura II.2: Galera reconocida entre los puntos A y A

Las leyes de las canaletas se pueden graficar:

17

Figura II.3: Leyes de canaletas entre A y A. Mina Carola.

Ejemplo 2: En la dimensin tiempo (una dimensin t), el precio de un metal p(t).

Fig. II.4: Precio del cobre (promedio mensual 1987-2005) en centavos de dlar / libra.

Ejemplo 3:

En el espacio de dos dimensiones, sea z(x1, x2) = z(x) = potencia

mineralizada en un yacimiento de nitratos:

18

Figura II.5 (a): Depsito de nitratos-yodo: la zona mineralizada, de color rojo en la figura, se llama caliche.

Figura II.5 (b): Ispacas en Oficina Sur Lagunas (depsito de yodo). Las potencias estn en metros. Los lmites corresponden a propiedad minera.

19

Ejemplo 4: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = Ley de Cu en el punto x dentro de un depsito masivo:

Figura II.6: Caso tpico de depsito de xidos-sulfuros. La capa superior corresponde a grava o coluvio.

Figura II.7. Planta en mina RT. Leyes de bloques de 25mx25mx15m. Zona de xidos.

20

En un depsito de este tipo se puede comprobar que la ley de cobre se comporta de manera diferente en la zona de xidos y en la zona de sulfuros. Esto nos conduce a considerar para la ley de cobre, dos variables regionalizadas diferentes. Ejemplo 5: En el espacio de dos dimensiones, sea z(x1, x2) = z(x) = nmero de rboles por hectrea en la parcela localizada en el punto x.

Figura II.8: Reconocimiento forestal. La muestre corresponde a una parcela.

Se trata, en este caso, de una variable regionalizada no minera. Ejemplo 6: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = densidad de la roca en un punto x dentro de un depsito minero:

21

Figura II.9: Densidades superficiales en ton/m3 en la mina Chuquicamata. La falla (llamada falla oeste) la cual delimita mineral de estril queda representada por el cambio de densidades.

La densidad in situ, medida en toneladas / m3 es una variable importante para cubicar los recursos de un depsito minero.

Ejemplo 7: en el espacio de tres dimensiones sea z(x1, x2, x3) = z(x) = ley de arsnico en un depsito de cobre. Esta variable regionalizada corresponde a una impureza (figura II.10)

22

Figura II.10: Leyes de arsnico en un banco de mina Los Pelambres. Los datos corresponden a pozos de tronadura en bancos de 15 metros. Se trata de una variable muy irregular, concentrada en vetas.

Observacin: Los ejemplos anteriores nos muestran que una variable regionalizada es simplemente una funcin z(x) del punto x. Sin embargo, esta funcin no se comporta como las funciones que se estudian en Matemticas: en general z(x) es muy desordenada en su variacin espacial y no se podr expresar, en particular, z(x) como un polinomio (ver figuras II.3, II.4, II.5, II.7, II.9 y II.10).

II.3

Campo y soporte

Se llama campo a la zona en la cual se estudia la variable regionalizada. Para definir bien el campo (por ejemplo los lmites) es necesario utilizar un modelo geolgico adecuado, por ejemplo, en la figura II.6 se podran distinguir dos campos disjuntos, los cuales se pueden tratar de manera independiente y corresponden a unidades geolgicas: unidad xidos y unidad sulfuros.

23

Entonces en un mismo depsito minero D pueden haber varios campos o unidades D1, D2, ..., Dk, en general disjuntos, cuya reunin es el conjunto D.

Figura II.11: Unidades D1, D2, D3, D4 en una seccin del depsito de cobre porfdico de Inca de Oro.

En algunas situaciones, cada campo debera tener un tratamiento datos de la misma unidad: se dice que se tienen fronteras duras.

geoestadstico

diferente: para estimar una zona V contenida en una cierta unidad, slo se utilizan

Las fronteras duras entre las unidades Dr y Ds se justifican cuando existe independencia entre las leyes de Dr y Ds (es decir existe una discontinuidad geolgica). La independencia debe ser comprobada mediante un anlisis de las leyes en las fronteras de las unidades Dr y Ds.

El soporte es el volumen de la muestra que define la variable regionalizada. A menudo el soporte es un cilindro (figura II.12) llamado testigo:

24

Figura II.12: Un testigo. Tiene un cierto largo l.

z(x) ser entonces la ley del volumen de muestra localizado en el punto x. En el ejemplo 4, el soporte de la variable regionalizada es un cuadrado de lado 100 metros, en el ejemplo 5, el soporte es una colpa (un boln) de 5 kilos tomada en la superficie del pit, en el ejemplo 6 el soporte es un cilindro vertical de 15 metros de largo. En general, en el estudio de una variable regionalizada no es conveniente mezclar soportes de tamaos diferentes. En el caso en que los testigos que constituyen el sondaje son de tamao irregular, es necesario hacer una operacin la cual consiste en regularizar o compositar el sondaje, es decir disponer de datos (compsitos) de longitud constante (figura II.13).

Figura II.13: Regularizacin de un sondaje a un largo constante b. Esta operacin produce errores.

25

La figura II.14a muestra una seccin transversal en un depsito de xidos de cobre. Las lneas representan los sondajes de exploracin. El punto rojo se denomina collar del sondaje. El collar est caracterizado por las coordenadas x0, y0, z0 y por dos ngulos: (, ) azimuth e inclinacin.

Figura II.14a: Seccin en el depsito de cobre de RT. Se observan las unidades grava ( estril), lixiviado, xidos y sulfuros. Un compsito est caracterizado por sus coordenadas x, y, z, las leyes de cobre total, de cobre soluble, un cdigo que indica la unidad, adems del nombre del sondaje que contiene al compsito.

Cada compsito est caracterizado por sus coordenadas x, y, z, sus leyes, un cdigo que indica el dominio o unidad geolgica y la identificacin del sondaje, eventualmente otra informacin. Se tiene as la base de datos de sondajes del depsito, la cual, en formato de texto, puede ser incorporada a cualquier paquete computacional. Para tratar las desviaciones de los sondajes, se divide el sondaje en tramos rectilneos L1, L2, , Lr.

26

Figura II.14b: Azimuth (se mide desde el norte) e inclinacin (se mide desde la horizontal) de un sondaje.

II.4

Objetivos de la teora

La teora de las variables regionalizadas se propone dos objetivos principales:

Expresar las caractersticas estructurales de una variable regionalizada mediante una forma matemtica adecuada.

Resolver, de manera satisfactoria, el problema de la estimacin de una variable regionalizada a partir de un conjunto de muestras, asignando errores a las estimaciones.

Estos dos objetivos estn relacionados:

el error de estimacin depende de las

caractersticas estructurales (continuidad, anisotropas) y se tendr un error mayor si la variable regionalizada es ms irregular y discontinua en su variacin espacial.

Ejemplo: la figura II.15 siguiente representa el caso de una variable regionalizada z(x) = ley de cobre definida en un soporte cuadrado de lado axa:

27

La ley de corte es c = 0.5 T es el tonelaje sobre la ley de corte medido en nmero de bloques de tamao axa. m es la ley media de los bloques cuya ley es superior a la ley de corte. B es el beneficio convencional, definido por: B=T(mc) La importancia econmica de la anisotropa y del soporte es evidente.

Figura II.15 (a): La zona explotada vara segn el tamao del bloque unitario.

28

Figura II.15 (b): Importancia econmica del soporte y la anisotropa. A medida que aumenta el soporte, se diluyen las leyes. Observar que la ley de corte es mayor que la ley media. Repetir los clculos para una ley de corte de 0.40

29

II.5

El modelo matemtico de la geoestadstica: las funciones aleatorias.

Para alcanzar los objetivos propuestos es necesario disponer de un modelo matemtico. La geoestadstica utiliza una cierta interpretacin probabilstica de la

variable regionalizada, mediante el modelo de las funciones aleatorias. Una funcin aleatoria es una funcin Z(x) que asigna a cada punto x del espacio un valor que depende del azar (es decir un valor aleatorio). Al hacer un experimento sobre la funcin aleatoria se obtiene una funcin ordinaria (no aleatoria) z(x) llamada realizacin de la funcin aleatoria Z(x). La hiptesis constitutiva de la geoestadstica consiste en afirmar que la variable regionalizada en estudio es la realizacin de una cierta funcin aleatoria. Lo anterior equivale a decir que las leyes de nuestro yacimiento se generaron a partir de un proceso o experimento muy complejo.

Figura II.16: Funcin aleatoria y variable regionalizada. Los colores indican rangos de la variable.

30

Un ejemplo de funcin aleatoria es la siguiente: Z(x) = Z(x,y) = ley de litio en el Salar de Atacama.

Figura II.17: Leyes de litio en el Salar de Atacama para dos campaas de reconocimiento en el tiempo. Se observan los puntos de bombeo y el decrecimiento de las leyes en el tiempo. No se indican las escalas de las leyes.

Como se trata de salmueras las cuales estn en movimiento debido a corrientes subterrneas y a la explotacin, el valor de Z(x) en un punto x es aleatorio y es variable en el tiempo. Una realizacin de esta funcin aleatoria corresponde a la variable regionalizada z(x) = ley de Li en un mes dado. Observaciones: a) No se puede afirmar que una variable regionalizada es una funcin aleatoria. Esto tendra el mismo sentido que decir el nmero 6 es una variable aleatoria:

31

El enunciado correcto de la hiptesis probabilstica de la geoestadstica es: z(x) es la realizacin de una funcin aleatoria Z(x). b) Para que esta hiptesis probabilstica tenga un sentido real, es necesario poder reconstituir, al menos en parte, la ley de probabilidad de la funcin aleatoria, lo cual supone que la inferencia estadstica (es decir el clculo de parmetros que caracterizan la funcin aleatoria) es posible. Es necesario introducir una hiptesis suplementaria a la funcin aleatoria Z(x). Esta hiptesis es conocida como hiptesis de estacionaridad y expresa que la variacin espacial de las realizaciones de Z(x) deben ser homogneas. Esta hiptesis se puede debilitar al suponer que las diferencias Z(x) Z(y) son estacionarias localmente (lo cual se conoce como hiptesis intrnseca). La estacionaridad es una propiedad del modelo (funcin aleatoria) y quedar ms clara cuando se estudie el clculo de variogramas. c) Para entender mejor estos conceptos, es recomendable, antes de continuar, leer y entender M. Alfaro, Introduccin a la Teora de las Funciones Aleatorias, USACH, 2005.

32

Captulo III El variograma


El variograma es una funcin que constituye la herramienta fundamental de la geoestadstica. Sean x y x + h dos puntos en el espacio:

Figura III.1: Dos puntos a la distancia vectorial h.

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

(h ) =

2 1 E Z (x + h ) Z (x) 2

Sin embargo, en la prctica siempre se utiliza el algoritmo siguiente:

(diferencias ) 2 de leyes en puntos 1 (h ) = Promedio 2 que estn a la distancia h

33

Esta ecuacin es la que hay que adaptar en cada situacin prctica (mallas regulares e irregulares en el espacio de n dimensiones, n = 1, 2, 3). Las propiedades de (h), que se deducen fcilmente de la definicin son:

(0) = 0 ( h) 0 (h ) = (h )
La ltima relacin proviene del hecho que si dos leyes z1 y z2 estn a la distancia h, entonces (z1 - z2)2 = (z2 - z1)2

Figura III.2: La funcin gama de h es par.

a)

Clculo del variograma para una lnea muestreada regularmente

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

34

Figura III.3: Lnea recta con muestras regulares.

i)

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

( z2 z1 ) 2 + ( z3 z2 ) 2 + ... + ( z N z N 1 ) 2 (b) = 2( N 1)
ii) Sea h = 2b:

( z3 z1 ) 2 + ( z4 z2 ) 2 + ... + ( z N z N 2 ) 2 (2b) = 2( N 2)
iii) Sea h = 3b:

( z4 z1 ) 2 + ( z5 z2 ) 2 + ... + ( z N z N 3 ) 2 (3b) = 2( N 3)

iv)

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

35

N k 1 (kb) = ( zi + k zi )2 2( N k ) i =1

Posteriormente los valores

(0), (b), (2b), (3b), ...

se llevan a un grfico:

Figura III.4: Un variograma experimental.

Para interpretar el grfico del variograma distinguiremos el comportamiento para las distancias h pequeas y las distancias h grandes.

III.1 Comportamiento del variograma para distancias pequeas

Estudiaremos el comportamiento de la funcin ( h) para | h | pequeo, para lo cual analizaremos cuatro casos hipotticos.

36

Caso 1: Leyes muy regulares y continuas.

Figura III.5: Leyes muy regulares (la variable es derivable).

Para una distancia b pequea, las dos leyes de la figura son casi iguales, lo que implica que para h pequeo, (h) es prximo a cero; luego el grfico de (h) en una vecindad del origen ser como en la figura:

Figura III.6: Variograma parablico en el origen.

Se dice que (h) tiene un comportamiento parablico en el origen.

37

Caso 2: Continuidad y regularidad promedio

Figura III.7: Leyes con continuidad promedio. La variable es continua pero no es derivable.

En este caso, para una distancia pequea, la diferencia de leyes es significativa; luego el grfico de (h) en una vecindad del origen ser:

Figura III.8: Variograma lineal en el origen.

Se dice que (h) tiene un comportamiento lineal en el origen.

38

Caso 3: Existencia de micro variaciones:

Figura III.9: Presencia de una estructura a menor escala. La variable es ms discontinua.

Si la equidistancia entre datos b es menor que la escala de variacin d de las microestructuras, el variograma en una vecindad del origen ser:

Figura III.10: Efecto de pepita en el origen.

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

39

En la prctica la equidistancia b es mayor que d y se tendr un grfico del tipo:

Figura III.11: Extrapolacin al origen del variograma experimental.

Es decir existe una discontinuidad aparente en el origen.

El nombre efecto de pepita proviene del estudio de los depsitos de oro. Consideremos por ejemplo un testigo:

40

Figura III.12: Efecto de pepita en un testigo de una mina de oro.

En general, el efecto de pepita se produce debido a microvariaciones y/o a errores en el muestreo, la manipulacin, preparacin o anlisis qumico.

Caso 4: Caso lmite en el cual la irregularidad de las leyes es total:

Figura III.13. Irregularidad mxima. La variable es catica.

41

Por muy pequea que sea la distancia b, las leyes de dos puntos a esta distancia son prcticamente independientes. El grfico de (h) ser:

Figura III.14. Efecto de pepita puro: el variograma no depende de la distancia h.

Se dice que (h) presenta un efecto de pepita puro:

(0) = 0, (h) = C si h 0.
Este caso se presenta si en un campo S, se ponen pepitas al azar, como en la figura III.15:

Figura III.15: Pepitas al azar.

42

III.2 Comportamiento del variograma para grandes distancias. Estudiaremos ahora el comportamiento de la funcin (h) para |h| grande, para lo cual analizaremos tres casos hipotticos:

Caso 1: Leyes con crecimiento (decrecimiento) progresivo:

Figura III.16: Leyes con tendencia o deriva.

Se dice que existe una deriva o tendencia. Al hacer el clculo se observar que (h) siempre crece:

Figura III.17: Variograma con crecimiento sistemtico.

43

Caso 2: Leyes con pseudo-periodicidades: El fenmeno tiende a repetirse de manera estacionaria (es decir, no hay tendencia):

Figura III.18: Fenmeno con periodicidades.

Si se calcula la funcin (h) se observar la presencia de mximos y mnimos:

Figura III.19: Variograma con efecto de hoyo.

44

Se dice que el variograma presenta efecto de hoyo o de agujero. En la figura, d = 9 unidades proporciona una medida del pseudo-perodo ; es una medida de la intensidad del efecto (si el fenmeno es perfectamente peridico, entonces = 0).

Caso 3: Fenmeno estacionario sin pseudo-periodicidades (o fenmeno de transicin): El fenmeno es homogneo en su variacin espacial, con cambios bruscos.

Figura III.20: Fenmeno estacionario sin periodicidades.

Este caso debera corresponder al anterior, en el cual la magnitud crece. Si se calcula la funcin (h), se tiene:

Figura III.21: Variograma con alcance y meseta.

45

Se observa que a partir de una cierta distancia, del orden a = 6 unidades, la funcin

(h) permanece aproximadamente constante: (6) = (7) = (8) = . . . = constante = C


Esto quiere decir que da lo mismo que la distancia que separa los puntos sea 6, 7, 8 o ms unidades; en otras palabras, dos puntos cuya distancia sea superior a a = 6 unidades son prcticamente independientes en ley.

La magnitud a se llama alcance y la constante C se llama meseta.

Figura III.22: Variograma con alcance a y meseta C.

El alcance proporciona una medida de la zona de influencia de una muestra porque dos puntos cuya distancia es mayor que el alcance son prcticamente independientes:

46

Figura III.23: Zona de influencia de una muestra localizada en el punto x0.

Dos muestras cuya distancia sea inferior al alcance a estn correlacionadas entre s. En el caso de un fenmeno de transicin, la meseta C tiene una significacin estadstica si consideramos el resultado siguiente, el cual se puede demostrar utilizando el modelo matemtico de las funciones aleatorias:

C =2
en que 2 es la varianza estadstica de los datos utilizados en el clculo de (h). En la prctica, esta relacin terica es slo aproximada. Ejemplo: la figura III.24 muestra un sondaje en el depsito de carbn de Puentes de Garca Rodrguez (Espaa). Se trata de un sondaje vertical con N = 80 muestras. La equidistancia entre las muestras es b = 5 metros. El carbn se representa en rojo y el estril (la tosca) se representa en amarillo:

47

Figura III.24: Sondaje vertical en una mina de carbn. Los nmeros superiores representan la potencia real de los mantos.

Se define la variable regionalizada siguiente (llamada indicador):

1 si x carbn z ( x) = 0 si x carbn
i) Clculo de la media:

1 m= N

z
i =1

40 = 0.5 80

Este resultado nos indica que la mitad del sondaje es carbn y la otra mitad estril. ii) Clculo de la varianza:

1 = N
2

40(1 0.5) 2 + 40(0 0.5)2 = 0.25 ( zi m) = 80 i =1


N 2

48

iii)

Clculo de (h):

Se obtiene fcilmente:

(5)

0.12 0.20 0.24 0.25 0.25

(10) = (15) = (20) = (25) =


iv) Grfico de (h):

Figura III.25: Variograma sondaje de carbn.

Se observa un alcance a del orden de 20 m. y una meseta C = 0.25, la cual coincide con la varianza estadstica de las muestras.

49

El alcance tiene una significacin geolgica en este caso: corresponde al espesor promedio de los mantos de carbn (ver figura III.24): p = (31.6 + 24.8 + . . . + 10.2) / 10 = 19.8 m.

b)

Clculo del variograma para una malla regular bidimensional

Supongamos la situacin de la figura III.26 (correspondiente a leyes de cobre):

Figura III.26: Leyes de cobre en un banco de una mina a cielo abierto.

En este caso h es un vector (con coordenadas cartesianas o polares):

50

Figura III.27: componentes del vector h

h = (hx, hy) coord. cartesianas h = (h, ) coord. polares

i) Fijemos la direccin del vector h; que sea por ejemplo = 90, es decir, la direccin NS. El vector h slo puede ser:

Figura III.28: Vectores orientados segn direccin NS

51

Calculemos (h1) = NS(10).

Al aplicar el algoritmo hay que considerar las

(diferencias)2 posibles: (zi - zj)2 cuando ambos datos zi y zj estn definidos. La figura muestra las diferencias que hay que calcular:

Figura III.29: Parejas posibles para calcular gama de 10 metros en la direccin NS (hay 36 vectores).

Luego:

(h1) = [(1.6 - 1.4)2 + (1.4 - 0.9)2 + 0.9 - 0.7)2 + (0.7 - 0.8)2


+ (0.8 1.0)2 + (0.9 - 1.0)2 - (1.0 - 0.7)2 + (0.7 - 0.9)2 + (1.2 1.5)2 + (1.5 - 0.9)2 + (0.8 - 0.7)2 + (1.4 - 1.4)2 + (1.4 0.7)2 + (0.7 - 0.7)2 + (0.7 - 0.7)2 + (1.2 - 1.1)2 + (1.1 1.0)2 + (1.0 - 0.9)2 + (0.9 - 0.6)2 + (0.6 - 0.2)2 + (1.1 1.1)2 + (1.1 - 0.9)2 + (0.9 - 0.8)2 + (0.8 - 0.5)2 + (0.9 1.3)2 + (1.3 - 0.9)2 + (0.9 - 0.8)2 + (0.8 - 0.4)2 + (0.4 0.1)2 + (0.8 - 1.2)2 + (1.2 - 0.5)2 + (0.5 - 0.7)2 + (0.7 0.1)2 + (0.1 - 0.2)2 + (1.0 - 0.6)2 + (0.0 0.4)2] / (2 * 36) = 0.0535 (36 parejas)

De manera anloga se obtiene:

(h2) = 0.0987 (h3) = 0.1888

(27 parejas) (21 parejas)

52

ii) ser:

Sea ahora la direccin = 0, es decir la direccin EW. El vector h slo puede

Figura III.30: Vectores orientados segn direccin EW.

Las diferencias que hay que calcular son:

Figura III.31: Parejas posibles para calcular gama de 10 metros en la direccin EW (hay 36 vectores).

Se obtiene entonces:

53

(h1) = 0.0146 (h2) = 0.0330 (h3) = 0.0431


iii)

(36 parejas) (33 parejas) (27 parejas)

La prctica demuestra que para estudiar las estructuras basta con calcular (h)

en dos direcciones adicionales: = 45 y = 135

Figura III.32: Clculo de gama de h en la direccin de 45. La distancia entre parejas es ahora 14.41 metros.

Figura III.33: Clculo de gama de h en la direccin de 135. La distancia entre parejas es 14.41 metros.

En estas direcciones hay que tener presente que el mdulo de h es un mltiplo de 102.

54

Grfico de (h):

Figura III.34: Variograma anistropo. La variacin de las leyes es ms regular en la direccin EW que en la NS.

Se observa una clara anisotropa que nos indica que el fenmeno es ms regular en la direccin EW que en la NS. (Esto se puede comprobar al mirar como varan las leyes en esas direcciones: ver la figura III.26)

Ejemplo: Los datos que se dan a continuacin provienen de un banco en una mina de fierro:

55

Figura III. 35: Datos de leyes de fierro.

Al aplicar el algoritmo general se obtienen los grficos siguientes:

Figura III.36: Variograma NS

56

Figura III.37: Variograma EW

Figura III.38: Variograma direccin 45

Figura III.39: Variograma direccin 135

57

Observamos que (h) es casi el mismo segn las direcciones: podemos concluir que el fenmeno es istropo. En este caso se justifica calcular el variograma promedio, llamado variograma omnidireccional, el cual se puede obtener, en este caso, mediante un promedio ponderado de los valores del variograma (ponderacin por el nmero de parejas N'):

h 10.00 14.41 20.00 28.28 30.00

(h)
4.17 5.73 8.31 11.60 11.94

Grfico del variograma:

Figura III.40: Variograma omnidireccional.

58

Ejemplo: la figura III.41 muestra la fotografa area de un bosque de conferas. La variable regionalizada es z(x) = nmero de rboles / hectrea. La malla de reconocimiento es de 300 x 100 m2:

Figura III.41: Malla de reconocimiento forestal.

Figura III.42: Foto area de un bosque. Cada punto representa un rbol.

El variograma correspondiente es:

59

Figura III.43: Variogramas bosque de conferas.

Se puede observar la presencia de anisotropas y efecto de hoyo (debido a periodicidades). Ejemplo: variogramas en cortes pulidos de minerales. La variable regionalizada z(x) (indicador) se define como:

1 z ( x) = 0

si x granos (negro) si x granos (blanco)

En los grficos, el variograma EW es de color rojo y el NS de color azul. Interpretar los variogramas! En este caso de dos estados (negro y blanco), si se considera que z(x) es la realizacin de una funcin aleatoria Z(x), entonces se dice que Z(x) es un conjunto aleatorio.

60

Figura III.44: Aproximadamente istropo.

Figura III.45: Aproximadamente istropo, con fronteras difusas. Presencia de efecto de pepita

Figura III.46: Anistropo con periodicidades.

61

Figura III.47: Presencia de dos estructuras, a pequea escala y a gran escala.

Figura III.48: Fallas. La figura se obtuvo dibujando rectas al azar, se obtienen as polgonos. Cada polgono se pinta de negro si al tirar una moneda sale cara, en caso contrario se deja igual..

En vez de utilizar una variable regionalizada con valores 0 o 1 (realizacin de un conjunto aleatorio), se puede tomar una imagen y asignar a cada pixel su cdigo computacional de su color (normalizado). La figura III.49 ilustra esta situacin:

62

Figura III.49: Variograma de una imagen (agua). Observar que la variable regionalizada es estacionaria en la direccin este-oeste, mientras que en la norte-sur tiene una deriva, la cual se manifiesta solo para grandes distancias: Se dice que la realizacin es localmente estacionaria en la direccin NS.

Observacin importante acerca del clculo de variogramas: El variograma (h) es un promedio; este promedio es bueno cuando el nmero N' de parejas es grande. Sin embargo, a medida que h crece, N' decrece; la prctica justifica entonces la regla siguiente: "Un variograma

(h) es significativo hasta una distancia dM igual a la mitad de la

dimensin del campo en la direccin de h". Ejemplo: en el caso de la figura, el variograma en la direccin EW debe calcularse en esta direccin hasta una distancia mxima del orden de 200 metros:

63

Figura III.50: Compsitos proyectados en una planta de la Extensin Norte de Mina Sur. El ancho del cuerpo es del orden de 400 metros en la direccin EW.

Ejercicio: Los datos de la figura corresponden a una zona dentro del yacimiento de nitratos-yodo de Lagunas. Encontrar la funcin (h) hasta h = 250 m. segn las direcciones: = 0, 45, 90, 135.

64

Figura III.51: Leyes de NaNO3 Oficina Lagunas. Profundidad del sondaje = 2 metros.

En el caso de existir un alcance, determinar su orden de magnitud. Si la regionalizacin es istropa, encontrar el variograma omnidireccional.

65

c)

Clculo del variograma para mallas irregulares.

En el caso bidimensional, la situacin es la siguiente:

Figura III.52: Leyes de alcalinos en un banco de la mina de hierro de Marquesado (Espaa).

En la figura III.52 se observa la localizacin de pozos de tiro en un banco de la mina de hierro de Marquesado, Espaa. Supongamos que queremos calcular (h1) utilizando el algoritmo general, siendo h1 el vector siguiente:

Figura III.53: Vector para clculo del variograma.

66

Lo ms probable es que no encontremos ningn o muy pocos pares de datos que estn exactamente a la distancia h1. Es necesario entonces introducir aproximaciones para el clculo de (h). Aproximacin : Mtodo de los sectores. Se basa en la aproximacin siguiente: Dos puntos estn aproximadamente a la distancia h si una vez fijado el primero, el segundo cae en la zona de la figura:

Figura III.54: Mtodo de los sectores.

Si el punto P2 cae en la zona amarilla, entonces se dice que P1 y P2 estn aproximadamente a la distancia h.

se llama tolerancia angular, se llama tolerancia en distancia.


La eleccin de y depende de la distribucin espacial de los datos y de la prctica. En algunos casos la prctica recomienda utilizar = 22.5 y = 0.5b, en que b es la distancia mnima (llamada paso) para el clculo de (h).

67

Este mtodo de aproximacin presenta problemas:

Puede caer ms de un punto en la zona. diferencias en el clculo.

En este caso se consideran las

si h es grande, como el ngulo se abre, la aproximacin tiende a ser grosera:

Figura III.55: La aproximacin no es buena para h grande.

Algunos paquetes computacionales definen otro tipo de zona para evitar este problema (mtodo del lpiz):

Figura III.56: Aproximacin para h grande.

68

En este caso hay que definir tres parmetros: , y d (d se llama a veces ancho

de banda).
Hay que tener presente que es necesario conocer bien el variograma en una vecindad de h=0 (los puntos ms cercanos al origen), luego, en algunas situaciones no se justifica este mtodo del lpiz.

El mtodo de los sectores se puede generalizar al espacio de tres dimensiones:

Figura III.57: Compsitos en el espacio de tres dimensiones, con leyes de cobre en mina Chuquicamata. Comparar con la figuras I.11 y II.9.

69

Figura III.58a: Aproximacin en el espacio de 3 dimensiones: Una especie de cono.

Figura III.58b: Aproximacin en el espacio de 3 dimensiones: Mtodo del lpiz.

III.1 Ajuste de un variograma a un modelo terico El objetivo de ajustar un modelo terico es disponer de una ecuacin, la cual se utilizar en los clculos posteriores. En general, los paquetes computacionales

trabajan exclusivamente con el modelo terico. Distinguiremos dos variogramas.

70

i) ii)

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

Figura III.59: Variograma experimental y variograma terico.

Es evidente que el variograma terico debe respetar al variograma experimental, sobre todo en los primeros puntos, que son ms confiables. El ajuste de variogramas constituye un punto crucial en un estudio geoestadstico porque todos los clculos posteriores se harn utilizando exclusivamente el modelo terico. Para tener un buen ajuste, hay que considerar que uno de los objetivos finales es la estimacin de leyes de bloques (modelo de bloques), dentro de una cierta vecindad restringida de manera de no considerar demasiadas muestras para estimar la ley del bloque:

71

Figura II.60a: El modelo de bloques es fundamental para la planificacin minera.

Figura III.60b: Modelo tridimensional de bloques. Existen tres unidades geolgicas (a bloque completo)

Figura III.61: Vecindad de estimacin. Para estimar el bloque de la figura solo se utilizan los compsitos que estn dentro del crculo de radio R.

72

Si la vecindad de bsqueda es circular o esfrica, slo se utilizar la funcin (h) hasta una distancia mxima de h = 2R; luego conviene ajustar (h) hasta h = 2R. En el caso de la figura siguiente, si se usa una vecindad restringida, ambos modelos darn los mismos resultados; pero el modelo 2 es ms simple y ms fcil de ajustar:

Figura III.62: Modelos de variograma.

La utilizacin de modelos es comn en otras reas; por ejemplo en Estadstica se ajusta un modelo a un histograma de datos (existen tests de bondad del ajuste que son chi-cuadrado, Kolmogorov-Smirnov). La figura III.62 muestra un ejemplo de un histograma de leyes de cobre en la mina Chuquicamata, junto al modelo lognormal ajustado.

73

Figura III.63: Histograma experimental y modelo lognormal ajustado.

74

III.1.1 Los modelos de variograma As como en estadstica existen modelos (ley de Gauss, Lognormal, ...) en Geoestadstica tambin existen modelos de variograma. El modelo debe cumplir con las propiedades siguientes:

(0) = 0 ( h) 0 (h ) = (h )
Sin embargo, la teora demuestra que estas condiciones no son suficientes: En efecto, se puede probar que (h) pertenece a una familia de funciones (llamadas funciones de tipo negativo condicional) y la eleccin del modelo debe quedar restringida a esta familia . Elegir un modelo en la familia garantiza la coherencia de los clculos (no se obtienen, por ejemplo, varianzas negativas). Por consiguiente, slo hay que utilizar los modelos que describiremos a continuacin (o bien combinaciones de ellos, las cuales consisten en sumar dos o ms modelos). No es conveniente crear nuevos modelos, salvo el caso en que se demuestre matemticamente que el modelo pertenece a . La condicin para que una funcin g(h) pertenezca a la familia requiere conceptos avanzados de Matemticas y queda fuera del alcance de este curso.

a)

El modelo potencia

La ecuacin de (h) es:

75

(h) = h

en que > 0, 0 < < 2. Un grfico sera:

Figura III.64: Modelo potencia.

Esta familia de variogramas no presenta meseta. Un caso particular importante es cuando = 1: (h) es una recta, se llama variograma lineal.

b)

El modelo esfrico: Es uno de los modelos ms importantes. A menudo, el

variograma de las leyes de cobre en un depsito de cobre porfdico corresponde a este modelo. Su ecuacin es:

C(1.5 h/a - 0.5 (h/a)3)

si h a si h > a

(h) =
C

76

(h = h)

El alcance es a y la meseta es C.

Figura III.65: Modelo esfrico o modelo de Matheron.

La figura III.66 muestra el variograma en la direccin NS calculado con pozos de tronadura en la mina Lomas Bayas (cobre porfdico):

77

Figura III.66: A la izquierda la base de datos en una planta (75000 pozos de tronadura), a la derecha el variograma esfrico (en azul) y el experimental (puntos rojos). El alcance es del orden de 100 metros.

c)

El modelo cuadrtico: Similar al esfrico pero ms simple: C(2(h/a) - (h/a)2) si h a si h > a

(h) =
C

Figura III.67: Modelo cuadrtico.

78

d)

El modelo exponencial: Crece ms lentamente que el esfrico o cuadrtico y tiene por ecuacin:

(h) = C (1 - exp(- h / ) )
La meseta es C; el alcance en teora es infinito pero en la prctica: si h>3, entonces

(h) C: el alcance prctico es 3.

Figura III.68: Modelo exponencial o modelo de Formery. Este modelo se presenta a veces en leyes que estn asociadas a fallas (ver la figura III.48, ver tambin la figura III.25). El alcance prctico es aproximadamente iguala 3.

La figura III.68 muestra el variograma en la direccin NS calculado con sondajes realizados en material quebrado en la mina Salvador (cobre porfdico):

79

Figura III.69: Variograma vertical para el cobre, material quebrado remanente de la explotacin por block-caving en mina Salvador. En azul el modelo exponencial, en rojo, los puntos experimentales.

e)

El modelo sinusoidal: Sirve para representar el efecto de hoyo; su ecuacin es:

(h) = C(1 - sen( h) / ( h) )

Figura III.70: Modelo sinusoidal (ver figura III.46).

80

f)

El modelo gaussiano:

Tiene un comportamiento parablico en el origen; su

ecuacin es:

(h) = C(1 - exp(- (h / )2) )

Figura III.71: Modelo gaussiano. Es derivable en el origen.

g)

El modelo cbico: Tiene un comportamiento parablico en el origen pero su

alcance es finito e igual a a; su ecuacin es:

C(7(h / a)2 - 8.75(h / a)3 + 3.5 (h / a)5 - 0.75(h / a)7)

si ha si h>a

(h) =
C

81

Figura III.72: Modelo cbico. Es derivable en el origen.

III.2 Ajuste en el espacio de dos o tres dimensiones Acabamos de estudiar el ajuste de variogramas en el espacio de una dimensin. Sin embargo, en la prctica se dispone de un conjunto de variogramas 1(h), 2(h), . . . ,

k(h) correspondientes a las direcciones 1, 2, . . . , k.

Figura III.73: Direcciones en las cuales se ha calculado el variograma.

82

a)

Caso istropo:

Es el caso ms simple. Se cumple que:

1(h) 2(h) . . . k(h)

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

(h) = omni(h)

En esta notacin:

h = (hx , hy ) | h |= hx 2 + hy 2

h = ( hx , hy , hz ) h = hx 2 + hy 2 + hz 2

Ejemplo: En el caso estudiado en las figura III.34, el modelo istropo ajustado es:

(h) = 0.417 | h |
o bien, con otra notacin:

83

(hx , hy ) = 0.417 hx 2 + hy 2

b)

Caso anistropo:

En este caso los variogramas direccionales son en general diferentes:

1(h) 2(h) . . . k(h)

En la prctica se distinguen dos tipos de comportamiento anistropos del variograma:

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

Figura III.74: Elipse de anisotropa geomtrica (rosa de alcances)

84

En la figura se ha representado una anisotropa geomtrica (en el caso istropo lo anterior sera un crculo). Sea k = a1/a2 > 1 la razn entre el alcance mayor y menor. Las frmulas de

transformacin de coordenadas nos muestran que:

(h) = 1(h')

en que h' = (hxcos + hysen)2 + k2(hycos - hxsen)2

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


direccin 1. k = a1/a2. En el caso de un variograma lineal con diferentes pendientes:

(h) = ()h

se procede de manera anloga, utilizando la elipse de inversos de pendientes.

Ejemplo: En el caso de la figura III.26, se puede suponer, en primera aproximacin, que el eje de la elipse coincide con los ejes de coordenadas:

85

EW: NS:

1(h) = 0.0015|h| = h / 666.67 2(h) = 0.0054|h| = h / 185.19

Aplicando la frmula anterior, con = 0,

(h) = 1 (h ') = 1 ( hx 2 + k 2 hy 2 ) (h) = 0.0015 hx 2 + 12.96hy 2

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

Figura III.75: Anisotropa zonal.

86

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

(h) = 1 ( h1 ) + 2 (h2 ) + ...


En que cada constituyente puede representar su propia anisotropa. Por ejemplo, en un yacimiento sedimentario el variograma vertical puede ser muy diferente al variograma horizontal:

Figura III.76: Anisotropa zonal.

Se puede utilizar en este caso un modelo del tipo:

(hx , hy , hz ) = 1 (| h |) + 2 (| hz |)
En que:

87

| h |= hx 2 + hy 2 + hz2

y hz corresponde a la direccin vertical.

88

Captulo IV

El error de estimacin

Enunciado del problema: Sea un bloque o zona V y un conjunto de datos z(x1), z(x2), . . . , z(xN), en que: xi z(xi) = = coordenada del dato z(xi) ley en el punto xi

Figura IV.1: Volumen a estimar. Localizacin de las muestras.

N = N de datos No se conoce la ley media de V: zV En la prctica, se estima la ley media desconocida por una frmula lineal del tipo:

89

zV = 1 z ( x1 ) + 2 z ( x2 ) + ... + N z ( xN )
En que los i verifican la condicin de insesgado:

1 + 2 + ... + N = 1
Los pesos i dependen del mtodo de estimacin utilizado:

i = 1 / N i = Si / S i = (1 / di) / ( 1/di)

media aritmtica polgonos inverso distancia

Se supone, entonces, que los i son conocidos. El error de estimacin es:

= zV zV
en que

zV es la ley estimada (conocida) y zv es la ley real (desconocida).

Mencionemos que es equivalente definir el error como:

= zV zV

90

Debido a que zv es desconocido, entonces es desconocido. Renunciamos entonces a conocer el error en signo y magnitud. Sin embargo, se puede caracterizar probabilsticamente el error , al utilizar el modelo matemtico. Asumimos entonces que es una magnitud aleatoria; es decir, una variable aleatoria. Esta magnitud aleatoria tiene una cierta ley de probabilidad caracterizada por una esperanza matemtica mE y una varianza E2. Respecto de la ley de probabilidad del error, asumimos que: La ley de probabilidad del error es la ley normal o de Gauss (en Geoestadstica esta aproximacin es razonable).

Figura IV.2: Densidad de probabilidad de la ley normal o de Gauss.

Conviene recordar las siguientes reas de la ley de Gauss:

91

Figura IV.3: Ley normal. es la desviacin estndar.

Figura IV.4: Ley normal, regla de los dos sigma. Es el caso ms utilizado en la prctica.

Figura IV.5: Ley normal, regla de los tres sigma.

92

En otras palabras, utilizando probabilidades: P(m - m + ) P(m - 2 m + 2) P(m - 3 m + ) = = = 0.68 0.95 0.997

Estudio de mE: En trminos tericos: mE = E() Este valor es nulo porque los errores se compensan (siempre que el mtodo de estimacin verifique la condicin de insesgado = 1). Luego:

mE = 0
Estudio de E2 En trminos tericos:
2 E = E ( mE ) 2 = E 2 2 E = E 2

La Geoestadstica demuestra que se puede calcular numricamente el valor de Luego, el problema est resuelto. podemos afirmar que:

2 E .

Segn las propiedades de la Ley de Gauss,

93

P[ - E E ] = 0.68 P[ - 2E 2E ] = 0.95 P[ - 3E 3E ] = 0.997

(i) (ii) (iii)

En la prctica se utiliza frecuentemente la ecuacin (ii); es decir, se admite un riesgo de equivocacin del 5%. En otras palabras: - 2E 2E con 95% de confianza o bien, se puede afirmar, con 95% de confianza que la ley verdadera es igual a la ley estimada dos sigma (regla de las dos sigmas):

zV = zV 2 E

(con 95% de confianza)

Entonces el problema radica en el clculo numrico de estndar


2 E = E .

2 E

o de la desviacin

Clculo de E2 : Sabemos que:

2 E = E ( 2 ) = E ( zV zV ) 2

94

Por otra parte:

zV = zV =

i =1

z ( xi )

1 V

z ( x)dx

(La ley real desconocida se calcula, en el caso de ser posible, por el promedio de las leyes de todos los puntos x dentro de V). La integral anterior puede ser simple, doble o triple. Luego el error es la diferencia entre una sumatoria y una integral:

= i z ( xi )
i =1

1 z ( x)dx VV

Al desarrollar 2 y tomar luego la esperanza matemtica, se demuestra la frmula siguiente:

2 E

1 = 2 i V i =1

1 ( xi , x ) d x 2 V V

V V

( x, y )dxdy
i =1 i =1 i

( xi , x j )

Que constituye la frmula fundamental para el clculo de E2. En esta expresin (notacin condensada) (p, q) significa el valor numrico de (h) (modelo o ecuacin), siendo h el vector que une los puntos p y q:

95

Figura IV.6: Vector que une los puntos p y q.

Antes de explicar cmo se calculan los trminos en forma numrica, observamos que

E2 depende de:

N xi V

es decir, el nmero de datos es decir, las coordenadas de los datos es decir, la geometra y el tamao del bloque o zona V es decir, de la regularidad o irregularidad de las leyes es decir, del mtodo de estimacin

(h) i

Significado de los trminos en la expresin de E2: En la expresin anterior xi representa las coordenadas de los datos; x ( y) representa un punto variable dentro del bloque (o zona) V. En el clculo de la frmula fundamental se supone que se conoce el modelo de variograma. i) Trmino (xi, xj): Representa el valor de (h) siendo h el vector que une los puntos xi y xj:

96

Figura IV.7: Vector que une el dato en xi con el dato en xj.

i)

1 Trmino V ( xi , x) dx : Representa el valor medio de la funcin (h) (h es el V


vector que une xi con x), siendo x un punto variable dentro de V:

Figura IV.8: El punto xi es fijo, el otro punto es variable dentro de V.

En la prctica la integral anterior se calcula por discretizacin de V en k puntos.


97

Entonces, la aproximacin es:

1 1 k ( xi , x)dx k (h j ) VV j =1
Esta aproximacin es mejor cuando el nmero k de puntos dentro de V es ms grande. La prctica recomienda un nmero mnimo de puntos dentro de V de manera de obtener una precisin aceptable: i) ii) Si V es bidimensional: Si V es tridimensional: k 36 ptos. k 64 ptos.

Se puede tomar un valor de k superior a los recomendados, pero los procesos computacionales sern ms lentos.

iii)

Trmino

1 V2

VV

( x, y)dxdy

: Representa el valor medio de la funcin (h)

(h es el vector que une x con y) siendo x e y dos puntos variables dentro de V:

Figura IV.9: El punto x y el punto y describen independientemente l conjunto V.

98

Esta integral tambin se calcula por discretizacin de V en k puntos. Entonces, la aproximacin es:

1 V2

1 ( x, y )dxdy 2 V k V

(h )
i =1 j =1 ij

El clculo numrico de E2 es entonces posible. computacional para calcular E2 2E.

Se puede utilizar un programa

Ejemplo: En el yacimiento istropo de la figura III.35 , se tiene que:

2 (hx , hy ) = 0.417 hx2 + hy

Individualizamos el bloque siguiente:

Figura IV.10: Bloque con N=2 muestras.

99

a)

Si se estima zV por zV = 0.5 Z(x1) + 0.5 Z(x2) = 38, un calculo computacional

proporciona: 2 E = 3.02 Luego: zV = 38 3.02 (con 95% de confianza) b) Si se estima zV por zV = 1 z(x1) = 35, se obtiene: 2 E = 2.84

Luego: zV = 35 2.84 En este caso se utiliz un solo dato (contra 2 del caso anterior) y sin embargo se obtuvo un error menor. La razn de esta aparente paradoja es que en el caso a) se utiliz mal la informacin de los sondajes, atribuyndoles a ambos el mismo peso 0.5. Es evidente que el dato z(x1) debe tener mayor peso que el dato z(x2). c) Si se estima zV por zV = 0.75 z(x1) + 0.25z(x2) = 36.5, se obtiene 2E = 2.38.

Luego:

zV = 36.5 2.38

Como este error (con confianza del 95%) es menor que los dos anteriores, se elimina la paradoja. Este ejemplo nos lleva a la conclusin que no basta con tener datos sino que hay que utilizarlos bien (es decir, ponderarlos en forma adecuada). Sin embargo, nos

100

queda una inquietud (que responderemos en el captulo siguiente): ponderacin de los datos que nos proporcione un error menor?....

Existe otra

Observaciones: 1. La frmula para el clculo de la varianza de estimacin o varianza del error


2 E :

2 E = 2 i i =1

1 V

( xi , x ) d x

1 V2

V V

( x , y ) d xd y


i =1 i =1 i

( xi , x j )

No depende de las leyes z(x1), z(x2), . . . , z(xN) utilizadas en el estimador ZV = iz(xi) (en estricto rigor s depende porque estas leyes se utilizaron en el clculo de (h) ). Por consiguiente, se puede calcular la varianza del error en el caso de agregar uno o ms sondajes adicionales. Se puede entonces cuantificar la ganancia de precisin que aportara un reconocimiento suplementario. 2. Nos podramos plantear el problema inverso: Suponer que en el estimador ZV =

iz(xi) los pesos i son desconocidos y definir un criterio para calcularlos.


Intuitivamente vemos que el criterio debera ser: "encontrar los pesos i de manera de minimizar E2". Esta es la idea del mtodo del krigeado.

101

Captulo V El Krigeado
V.1. Introduccin En trminos mineros, el krigeado consiste en encontrar la mejor estimacin lineal insesgada de un bloque o zona V considerando la informacin disponible; es decir, las muestras interiores y exteriores a V.

Figura V.1: Volumen a estimar.

El krigeado atribuye un peso i a la muestra z(xi). Estos pesos se calculan de manera de minimizar la varianza del error cometido. Inters del Krigeado El inters del krigeado proviene de su misma definicin: al minimizar E2 estamos seguros de obtener la estimacin ms precisa posible de V o equivalentemente, de sacar el mejor provecho posible de la informacin disponible.

102

El nombre krigeado proviene de los trabajos de Daniel Krige en las minas de oro sudafricanas de la Rand Corporation, en los aos 50. La teora fue formalizada una dcada ms tarde por el geomatemtico francs Georges Matheron.

Figura V.2: Dos bloques contiguos en la oficina Ossa (ver figura I.13). El color amarillo representa mineral (con ley 1) y el blanco estril (conley 0). Se observa que en ambos casos es necesario utilizar datos externos al bloque.

El inters prctico ms importante del krigeado, proviene, no del hecho que asegura la mejor precisin posible, sino ms bien porque permite evitar un error sistemtico. En la mayora de los depsitos mineros, se deben seleccionar, para la explotacin, un cierto nmero de bloques, considerados como rentables y se deben abandonar otros bloques considerados no-explotables. Daniel Krige demostr que, si esta seleccin se realizara considerando exclusivamente las muestras interiores a cada bloque, resultara necesariamente (en promedio) una sobre-estimacin de los bloques seleccionados. La razn de este problema es que el histograma de las leyes reales de los bloques tiene menos leyes extremas, ricas o pobres, luego tiene ms leyes intermedias que el histograma calculado con las muestras interiores, y, si se calcula el efecto de una seleccin sobre este ltimo histograma, los paneles eliminados sern en realidad menos pobres que lo que se haba previsto, y los paneles conservados menos ricos (figura V.2).

103

Figura V.3: Histograma de bloques y de muestras.

De acuerdo a lo expresado anteriormente, el krigeado define el estimador lineal:

z K = 1 z ( x1 ) + 2 z ( x 2 ) + ... + N z ( x N )

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

1 + 2 + ... + N = 1

Los pesos

i se calculan de manera de minimizar la varianza E2 del error

= ZK - ZV, en que ZV es la ley media desconocida de V.


Como es natural, el krigeado atribuye pesos altos a las muestras cercanas a V y pesos dbiles a las alejadas. Sin embargo, esta regla intuitiva puede fallar en ciertas

104

situaciones en las cuales se habla de efecto de pantalla o de transferencia de influencia. Estudiaremos estos conceptos con un ejemplo: La figura siguiente muestra un bloque que debe ser estimado a partir de 8 muestras S1, S2, . . . , S8.

Figura V.4: Transferencia de influencia y efecto de pantalla.

El krigeado encontrar en este caso, suponiendo isotropa espacial: i)

1 i
La muestra S1 es la de mayor peso.

(i = 2, 3, . . . , 8)

ii)

2, 3 i

(i = 4, 5, . . . , 8)

Las muestras S2 y S3 tienen mayor peso que las muestras S4, S5 , . . . , S8 iii)

6 0
Se dice que la muestra S5 hace pantalla a la muestra S6.

iv)

4 5 + 6 + 7 + 8

105

Se dice que hay una transferencia de influencia; es decir, la influencia de la muestra S4 se reparte entre las muestras S5, S6, S7 y S8. Se puede afirmar que el krigeado desagrupa la informacin. La menor o mayor intensidad de los efectos anteriores depende, evidentemente, del variograma (efecto de pepita, meseta, alcance).

V.2. Las ecuaciones del krigeado Para obtener las ecuaciones de krigeado hay que minimizar la expresin de E2

2 E

1 = 2 i V i =1

1 ( x i , x ) dx 2 V V

V V

( x , y ) dxdy ( x , x
i =1 i =1 i j i

pero los i deben verificar la condicin:

i =1

i = 1

El mtodo clsico para minimizar la expresin de E2 (igualar a cero las derivadas parciales de E2 respecto de 1, 2, . . . , N) no asegura que la suma de los i sea 1. En este caso hay que utilizar el mtodo de Lagrange, el cual explicaremos con un ejemplo: Ejemplo: Minimizar la funcin A = x2 + y2 si x + y = 1. El mtodo de Lagrange define la funcin A' siguiente:

106

A' = x2 + y2 - 2(x + y - 1)

es una incgnita auxiliar llamada parmetro de Lagrange. Observamos que A' es


una funcin de tres variables: x, y, . Por otra parte, si se verifica la condicin x + y = 1, entonces A' = A. El mtodo de Lagrange consiste en igualar a cero las derivadas parciales de A':

A' / x = 2x - 2 = 0 A' / y = 2y - 2 = 0 A' / = -2(x + y - 1) = 0


Es fcil de ver que la solucin de este sistema es: x = 0.5 y = 0.5

= 0.5
Luego el mnimo de A' de A es: Ao = (0.5)2 + (0.5)2 = 0.5 Por lo general el parmetro carece de significacin fsica. En el caso del krigeado hay que considerar la expresin: A' = E2 + 2(1 + 2 + . . . + N - 1)

107

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

1(x1, x1) + 2(x1, x2) + 1(x2, x1) + 2(x2, x2) + 1


+

... + N(x1, xN) + = (1/V)v(x1, x)dx ... + N(x2, xN) + = (1/V)v(x2, x)dx

2
+

1(xN, x1) + 2(xN,x2) +

... + N(xN, xN) + = (1/V)v(xN, x)dx


... +

que es un sistema lineal de N+1 ecuaciones con N+1 incgnitas (1, 2, . . . ,

N, )

Se demuestra que el sistema siempre tiene solucin (se supone que el modelo de (h) es autorizado), salvo el caso en el cual existen dos (o ms) muestras diferentes con las mismas coordenadas: Este caso no debera presentarse en la prctica pero a veces ocurre, lo cual hace necesario una revisin previa de la base de datos. El mtodo que hemos presentado se conoce como krigeado ordinario y se puede aplicar siempre que la variable regionalizada no presente una deriva en la vecindad de estimacin.

Varianza del error. Se demuestra que la expresin de E2 se simplifica, obtenindose:

108

2 E

i =1

1 V

( x , x ) dx V ( x , y ) dxdy +
i 2 V V

Ejemplo 1: En el caso del yacimiento istropo de la figura IV.10, estudiado anteriormente:

Figura: V.5: Bloque a krigear, en negro la ley de la muestra, en azul el nmero de la muestra.

zV = 1 z ( x1 ) + 2 z ( x2 )
se obtiene:

1 = 0.77 2 = 0.23
ZV = 0.77 x 35 + 0.23 x 41 = 36.38 2 E = 2.37 ZV = 36.38 2.37 (con 95% de confianza)

109

Ejemplo 2: En el caso del yacimiento anistropo estudiado anteriormente en la figura III.26, se tiene el bloque siguiente :

Figura V.6: En negro leyes de cobre, en rojo nmero de la muestra.

zV = 1 z ( x1 ) + 2 z ( x 2 ) + 3 z ( x3 ) + 4 z ( x 4 ) + 5 z ( x5 )

se obtienen los ponderadores siguientes:

1 = 0.47 2 = 0.20 3 = 0.20 5 = 0.08


4 = 0.08

110

2E = 0.12

zV = 0.61

zV = 0.61 0.12

Vemos que el krigeado ha considerado la anisotropa, asignando mayor peso a los datos 2 y 3 que a 4 y 5.

Krigeado Puntual En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa estimar la ley en un punto x0 (problema de interpolacin). Corresponde al caso particular en que el volumen V tiende a cero. Se obtiene el sistema siguiente:

1(x1, x1) + 2(x1, x2) + . . . + N(x1, xN) + = 1(x2, x1) + 2(x2, x2) + . . . + N(x2, xN) + =
+

(x1, x0) (x2, x0) (xN, x0)


1


+ +

N
=

1(xN, x1) + 2(xN,x2) + . . . + N(xN, xN) + = 1


con la varianza:

2 E

(x , x
i =1 i i
111

)+

Figura V.7: Krigeado del punto x0. Se puede generar una grilla de valores interpolados al hacer variar x0. Esta tcnica tiene aplicacin en la cartografa automtica y en la simulacin de leyes.

El krigeado puntual tiene la propiedad de ser un interpolador exacto en el sentido de que si se desea estimar la ley en un punto conocido (por ejemplo el punto A de la figura V.7), el krigeado proporciona la ley del dato con una varianza E2 = 0. Se dice que el krigeado puntual "pasa por los puntos":

Figura V.8: Krigeado puntual en una dimensin versus interpolador de mnimos cuadrados.

112

Esta propiedad no la tienen otros interpoladores tales como los mnimos cuadrados.

V.3. Propiedades del Krigeado Las propiedades ms importantes del mtodo de krigeado son: a. Propiedad de simetra

Si (h) es istropo, entonces datos que son simtricos respecto de V y con respecto a los otros datos tienen pesos iguales.

Figura V.9: Propiedad de simetra del krigeado.

En el ejemplo de la figura:

1 = 1 2 = 4 = 6 = 8 3 = 5 = 7 = 9

Esta propiedad era til cuando se resolvan los sistemas de krigeado a mano

113

b.

Composicin de krigeados

Sean dos volmenes disjuntos V1 y V2; sean z1 y z2 los estimadores de krigeado respectivos:

Figura V.10. Composicin de krigeados.

Entonces el krigeado z de V1 V2 es:

z=

V1 z1 + V2 z2 V1 + V2

Es decir una ponderacin por volmenes o por tonelajes. Esta relacin no es vlida para las varianzas: si se desea conocer la varianza es necesario krigear el bloque V1 V2 o bien utilizar una aproximacin.

114

V.4. Vecindad de Estimacin.

Figura V.11: Vecindad de estimacin. Para el krigeado no importa la agrupacin de datos al lado izquierdo del bloque (el krigeado desagrupa la informacin). Cul radio tomar?

En estricto rigor, el krigeado de un bloque V debera realizarse considerando todos los datos disponibles (krigeado completo). Sin embargo, esta situacin implica clculos muy largos; por otra parte, las muestras alejadas tendran un peso casi nulo. Por esta razn la prctica recomienda restringirse a una vecindad de estimacin que puede ser una esfera o crculo, o bien un elipsoide o elipse (3D y 2D). Como recomendacin prctica, el radio de bsqueda en una cierta direccin no debe ser inferior al alcance en esa direccin. La prctica ha demostrado que, en el espacio de dos dimensiones, con una vecindad que contenga un promedio del orden de 8 muestras, los resultados son buenos. En el espacio de tres dimensiones la situacin es ms compleja y debe ser analizada en cada caso particular.

115

Figura V.12: En el espacio 3D hay que elegir los parmetros de bsqueda de manera de que se produzca interpolacin entre los sondajes. En esta mina se observa que quedarn bloques mejor estimados que otros y habr que categorizarlos en medidos, indicados e inferidos.

V.5. Estrategia de bsqueda. Esta estrategia establece los parmetros que hay que utilizar para la bsqueda de compsitos a utilizar en la estimacin del bloque. Dependiendo del software utilizado, estos parmetros son: Radios de bsqueda (Rx, Ry, Rz). En primera aproximacin se pueden utilizar los alcances del variograma en las direcciones (x, y, z), en una vecindad con forma de elipsoide.

Figura V.13: Elipsoide de bsqueda. En algunas situaciones este elipsoide puede estar inclinado. El centroide es el centro de gravedad del bloque.

116

Mnimo k de muestras para krigear. Sirve para controlar el caso en que solo una muestra cae en la vecindad. Si, por ejemplo, se pone k = 2, solo se krigearn los bloques que tengan dos o ms datos en la vecindad.

Mximo r de muestras para krigear. Si se pone, por ejemplo r = 32, entonces cuando en la vecindad de un cierto bloques existan ms de 32 compsitos, solo se utilizarn en la estimacin los 32 compsitos ms cercanos al centro del bloque. Este parmetro se usa para mayor velocidad de los clculos.

Mximo l de muestras por octante. Si se pone, por ejemplo l = 2, en cada octante se utilizarn las 2 muestras ms cercanas al centro del bloque (ver figura I.8)

Mximo s de compsitos por sondaje. Si se pone, por ejemplo s = 2, en cada sondaje se utilizar un mximo de 2 compsitos, los ms cercanos al centro del bloque.

Los parmetros l y s deben ser utilizados con precaucin. Para no introducir artefactos, es recomendable que estos valores sean altos, lo que hace que su uso no sea interesante (ver figuras V.14 y V.15).

117

Figura V.14: Existencia de sondaje inclinado: Al usar octantes con l = 1, se utilizan exclusivamente los compsitos 1 y 5. Luego, hay que usar un l mayor.

Figura V.15: Al usar un mximo s = 1 de compsitos por octante, slo se usan los compsitos 8 y 3 (casi a la misma cota que el bloque), sin tomar en cuenta la variacin en la vertical. Luego, hay que usar un s mayor.

118

VI. Bibliografa. M. Alfaro Introduccin a la Teora de las Funciones Aleatorias. Depto. De Ingeniera en Minas, USACH, 2005. M. Alfaro Curso de Probabilidades. Departamento de Ingeniera Matemtica, U. de Chile, 2007. M. Alfaro Estadstica. Departamento de Ingeniera Matemtica, U. de Chile, 1996. M. Alfaro Introduccin al Muestreo Minero. Instituto de Ingenieros de Minas de Chile, 2003. G. Matheron Curso de Geoestadstica. ENS. de Minas de Pars. Traduccin al espaol por Marco Alfaro, 2005. G. Matheron La Teora de las Variables Regionalizadas y sus Aplicaciones. ENS. de Minas de Pars. Traduccin al espaol por Marco Alfaro, 2005. A. Journel y Ch. Huijbregts J. P Chils y P. Delfiner Geostatistics, Modeling Spatial Uncertainty. Wiley, 2000. Mining Geostatistics. Academic Press, 1978.

Biblioteca en lnea del Centro de Geoestadstica de la Escuela de Minas de Pars: www.cg.ensmp.fr/bibliotheque

119

You might also like