Apunte de Geoestadistica

Apunte de clase
geo-estadistica lineal aplicada
DELGADO VEGA Jos

Docteur Gologie de lIngnieur
cole Nationale Suprieure des Mines de Paris
Profesor
Jos Delgado Vega: De formacin Ingeniero Civil de Minas es Doctor en al
Escuela de Minas de Paris en geologa aplicada , adems tiene dos post-titulo
en la escuela de minas de Paris ,el primero como especialista en explotacin
de minas a cielo abierto canteras y el segundo como especialista en
geoestadstica Ha realizado diversos trabajos de en el rea de evaluacin de
reservas , su investigacin doctoral se ha centrado sobre la modelizacin
geo metalrgico y su influencia en la planificacin minera de minas a cielo
abierto.
Es profesor jornada completa del departamento Minas de la Universidad de
Antofagasta , a dictado curso ( a nivel nacional e internacional ) de geo
estadstica lineal , no lineal simulacin , estadstica aplicada , planificacin
minera a cielo . Don Jos trabaj 8 aos en operaciones minas y es experto
en seguridad minera clase A. Email jose.delgado@uantof.cl

I. TIPO DE CURSO
Estos cursos se dirigen a alumnos de la universidad de

Antofagasta que deseen comprender y aprender a utilizar la
geoestadsticos lineal , sus dominios de validez y sus
mecanismos de clculo.
II. OBJETIVO GENERALES
Brindar los fundamentos de los principales conceptos y

tcnicas usados en la geoestadstica lineal .
Analizar las herramienta para la estimacin de recursos y

la cuantificacin del riesgo asociado a estos.
III. OBJETIVOS ESPECIFICOS

Proveer al alumno con herramientas bsicas para c
caracterizar yacimientos metlicos usando informacin de
registros de sondajes de exploracin.
Proveer al alumno con criterios para elegir cul es la tcnica
ms apropiada para describir propiedades de un yacimiento.
Proveer al alumno con tcnicas cuantitativas para

IV. PROGRAMA DE TRABAJO
Los principales temas a desarrollar

son
Introduccin
Conceptos bsicos de estadstica
Problema que dio origen a la
Geoestadstica
Geoestadstica, concepto
Variables aleatorias regionalizadas
Hiptesis de la Geoestadstica
El anlisis estructural
Varianza de dispersin
Varianza de estimacin
Krigeage Ordinario
Krigeage Simple
Cokrigeage
Conclusiones
V. METODOLOGA
La metodologa del curso est orientada a la consecucin de
los objetivos enunciados y est conformada por:
Exposicin de los temas
Talleres en clase
Discusiones
VI. EVALUACIN
El calificativo del curso ser el promedio ponderado de
pruebas parciales que valen el 60 % y un examen que
40 %
Valores de los exmenes
Prueba 1
............................... 33
Prueba 2
. .............................. 33
Prueba 3
.......................
tres
vale el
%
%
34 %
Referencia
PROFESOR M.ALFARO
TRABAJOS EN GEOESTADISTICA LINEAL
G.MATHERON
La theorie des varibles regionalises et ses aplications
Centre de geoestatistique Fontainebleau
CHILES JEAN-PAUL & DELFINER PIERRE (1999)
"GEOSTATISTICS Modeling Spatial Uncertainty"
A Wiley Interscience Publications 1999
EMERY XAVIER & ARNAUD MICHEL (2000)
"Estimation et interpolation spatiale mthodes dterministes
et mthodes gostatistiques" Herms Sciences Europe 2000 157p
EMERY XAVIER (2007)
Apuntes de geoestadistica,
UNIVERSIDAD DE CHILE octubre del 2007.
Margaret Armstrong Jaques Carignan
Geostatisitque lineaire Application au domaine minier
Referencia
JOFRE DUBER (2009)
"Curso de categorizacin de reservas"
Diplomado Internacional en geoestadistica aplicada a la evaluacin de recursos mineros 2009 Lima BSGrupo
LE LOCH, G. (2003)
" Notes de classes de cours de gostatistique"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
.
KIM, Y.C. & MEDHI P.K. & RODITIS I.S. (1987)
Performance evaluation of indicator kriging in a gold deposit
Mining Engineering October 1987 947p
MARCOTTE,D. (2002)
"Notes de classes de cours de Krigeage dIndicatrices"
http://geo.polymtl.ca/~marcotte/glq3401geo/chapitre7.pdf
Ecole Polytechnique Montreal GLQ3401
ONU (1996):
"Marco Internacional de las Naciones Unidas Para la Clasificacin de Reservas/Recursos,
Combustibles Slidos y Sustancias Minerales"
Versin Definitiva. Establecida y Presentada por el Equipo Especial de las Naciones Unidad. p. 77-88.
Referencia
RIVOIRAD,J. (2003) :
"Notes de classes de cours de gostatistique multivariable".
SANS, H.J (2003)
"Workshop on sampling"
CLAYTON DEUTSCH
Special Topics in geostatistics
ISAAKS , E.H. and SRIVASTAVA, R.M. (1989)
"An introduction to applied geostatistics "
Oxford University Press, New York. 1989.
DEUTSCH, C.V., JOURNEL A.G. (1998):
GSLIB: Geostatistical Software Library and Users Guide
Second Edition, Oxford University Press, 369 p.
CHICA - OLMO M. (1987)
Anlisis Geoestadstico en el Estudio de la Explotacin de Recursos Minerales"
Tesis Doctoral, Universidad de Granada, Espaa, 387 p.
INTRODUCCIO
N
La base de datos
Optimisation de la fosse finale avec

MGM
Recherche
Recherche
Gologique
Gologique
Evaluation Des
Ressources
Modle
gologique de
bloc
Paramtres Economiques
Prix du mtal
Cots dextraction
Cots de traitement
Paramtres gomtallurgiques
Autres
Optimisation
Economique (Logiciel
Whittle)
Modlisation des lithologies

Modlisation des gangues
Consommations dacide
Paramtres Gomtriques
Type de minraux
Angles de Talus
Gomtrie de la fosse
Analyse conomique
du projet
Topographie
Dimensionnement de
la fosse finale
Autres
Generalidades
Dterministicos vs. Go estadisticos
Dterministicos : Utilizan funciones matemticas
para poder hacer las predicciones ;
Go estadsticos (Estocsticos): Asocian
funciones matemticas a los anlisis estadsticos
para hacer interpolaciones (ex: Krigeage);
Generalidades
La estadstica se ocupa de los mtodos cientficos para
recolectar, organizar, resumir, presentar y analizar
datos, as como obtener conclusiones vlidas y tomar
decisiones razonables en base a dicho anlisis
La geoestadstica es una rama de la estadstica aplicada
que desarrolla herramientas matemticas para el
estudio de variables distribuidas en el espacio,
dependientes entre si, llamadas variables
regionalizadas.
Qu es la geo estadstica?
Matheron : Estudio de la variable regionalizada
Sencilla :Es la aplicacin de la estadstica a las
ciencias de la tierra
Generalidades
La geoestadstica pone nfasis en:
El contexto geolgico de los datos
La relacin espacial entre los datos
Datos medidos con un soporte volumtrico y precisin
diferentes.
La geoestadstica es til para:

Cuantificar aspectos geolgicos (ponerle nmeros a la
geologa)
Estimacin / Simulacin
Cuantificacin de la incertidumbre (categorizacin)
Diseo de muestreo
Anlisis de riesgo
Generalidades
Principios Bsicos:
Trabaja dentro de restricciones geolgicas (fsicas)

Entrega herramientas para cuantificar y aprovechar la correlacin
espacial
Considera la cercana y redundancia de la informacin disponible al
punto a estimar o simular
Algoritmos para modelamiento geolgico numrico y cuantificacin de la
incertidumbre
No facilita el trabajo, pero lo mejora (si es aplicada correctamente)
La geoestadstica no hace lo siguiente:
Reemplazar buena informacin adicional

Reemplazar la necesidad de sentido comn y buen juicio
Funcionar bien como una caja negra
Ahorrar tiempo
No reemplaza un buen trabajo de exploracin
Generalidades
Las herramientas que son apropiadas en una etapa inicial

pueden no serlo ms delante
Algunas herramientas de modelamiento numrico:

Estimacin:
Inverso del cuadrado de la distancia

Kriging Simple / Ordinario
Kriging de indicadores
Cokriging
Simulacin de variables continuas:
Simulacin Gaussiana Secuencial

Simulacin por Bandas Rotantes
Simulacin de Indicadores
Simulated Annealing
Simulacin de variables categricas:

Simulacin de Indicadores
Truncacin de una Gaussiana
Simulacin PluriGaussiana
Generalidades
Generalidades
Generalidades
LAS CINCO ETAPAS DE UN

PROYECTO MINERO
PROSPECCION
EXPLORACION
DESARROLLO
EXPLOTACION
REHABILITACION Y ABANDONO
Generalidades
Generalidades
Nociones fundamentales
Variable regionalizada ( o regionalizacin )
Se trata de una funcin numrica que mide un
atributo que presenta una estructura en el espacio
(por ejemplo , la ley del cobre en un yacimiento )
Campo
El campo es el dominio en le cual se extiende la
variable regionalizada .Fuera del campo ,la
variable no interesa o simplemente no esta
definida
Generalidades
Soporte
Se trata del volumen sobre el cual se considera la
variable regionalizada .Es importante destacar que
las propiedades estadsticas de los valores depende
De su soporte (efecto soporte)
Compositos
Cuando los datos originales son testigos de sondages
cuyo soporte es variable ,una operacin de
regularizacin
Generalidades
El inters por la geoestadistica esta basado
en su habilidad para modelar la variabilidad
espacial de fenmenos de ocurrencias
natural que no pueden
ser totalmente modelados por procesos
determinsticos
Generalidades
La estructura de una variable Regionalizada ?
Es una variable aleatoria donde la localizacion,
el espacio y el tiempo son importante :
Ella presenta dos aspectos contradictorio
Tiene un aspecto aleatorio
+
Su comportamiento es mas estructurada
Generalidades
Generalidades
Generalidades
Algunas Problemtica general
El conocimiento que se tiene de un depsito es
siempre fragmentario :solo se dispone de
informacin cualitativa y de muestras en las cuales
se mide varios atributos : ley de cobre ,arsnico oro ,
potencia de los estratos , densidad de la rocas ,tipo
de litologa
La densidad del muestreo influye en el conocimiento
de la organizacin Espacial de los valores de la
variable en estudio ,su continuidad y otras
caractersticas estructurales (anisotropa)
Generalidades
Principios directores
1.-Respeto a los datos
2.-Principio del realismo
3.-Principio de la economa
Generalidades
Son siempre nuestros datos equiprobables

y no sujetos a concentraciones?
Generalidades
Generalidades
Que pasa con la funcin de distribucin de los

datos?
Generalidades
Tipos de muestreos
Regular
Aleatorio estratificado
Aleatorio
Tran-sect
Grupos
Contorno
Generalidades
Generalidades
Breve discusin de los mtodos tradicionales

de evaluacin
Mtodos
Numerosas tcnicas de interpolacin ;
La eleccin de la tcnica depende del tipo de datos
del tipo de superficie que se quiere del tiempo y del
tratamiento que se les quiere dar.
y tambin de la tradicin
Que buscamos con nuestros mtodos?
realidad .............................. Muestras ...........................Krigeage.................Carte de varianzas
Muestras y paneles .. ....Tonelaje de mineral... ;; Tonelaje de metal .........leyes medias
Puede ser: POLIGONAL

PROMEDIO
IVOR
KRIGEAGE,
EN GENERAL:
Z
*
i 1, n
* zi
1) MEDIA ARITMETICA:Se basa en lo

siguiente para estimar la ley media
de un conjunto se promedian las leyes
de los datos que estn dentro del
conjunto
Su frmula general:
zs
zj
N
2)Polgonos:El mtodo se basa en

asignar a cada punto del espacio la
ley del dato ms prximo.Para
estimar una zona se ponderan las
leyes de los datos por el rea de
influencia sj
Su frmula es la siguiente:
zs
sjz j
s
3) INVERSO DE LA DISTANCIA:Se basa en

asignar mayor peso a las muestras
cercanas y menor peso a las muestras
alejadas a s
Se consigue al ponderar las leyes
Su frmula es:
zi
n
di
z {
}
n
i 1 1
d
j j
POLIGONO
PROMEDIO
IVOR
1
1
i
n
di
i
1
KRIGEAGE (se vera despus)

i 1, n d i
1,3
Ejemplo
COMENTARIOS
El mtodo tradicional media
aritmtica no funciona bien en
estimaciones locales porque
quedan bloques sin informacin.
El mtodo de los polgonos en
general es menos adecuado en
estimaciones locales porque asigna
la misma ley a todos los bloques de
un mismo polgono
COMENTARIOS
Los mtodos tradicionales mencionados son

empricos,demasiado geomtricos y no consideran la
estructura del fenmeno mineralizado (la continuidad
de las leyes y la posible presencia de anisotropas)
Dichos mtodos presentan una sobre-estimacin de
las leyes altas y una sub-estimacin de las leyes
bajas
Conceptos generales
CURVAS TONELAJE v/s LEY.

Teniendo los datos de las reservas del yacimiento
se puede obtener una curva de Tonelaje v/s la
Ley de corte y la Ley media. Esto se logra a
travs del inventariado de reservas del
yacimiento que se encuentran bajo una ley de
corte determinada y calculando la ley media de
todos los recursos cuya ley es superior o igual a
la ley de corte determinada obtenindose dos
curvas en un mismo grfico.
Curva Tonelaje - Ley de

Corte
Tonelaje
900.000.000
800.000.000
700.000.000
600.000.000
500.000.000
400.000.000
300.000.000
200.000.000
100.000.000
0.1
EJEMPLO N1
Curva Tonelaje - Ley

Media
0.2
0.3
0.4
0.5
0.6 0.7
0.8
1.3
1.4
1.5
0.9
1.0
1.1
1.2 Ley %
Precio
US$/lb Cu
Ley de Corte
%
Ley
Media
%
Mineral
Toneladas
Cu Fino
lb Cu
Ingresos
US$
Vida til
Aos
1.25
0.39
0.60
550.000.000
6.547.662.000
8.184.577.500
19
1.10
0.47
0.67
400.000.000
5.317.495.200
5.849.244.720
14
0.80
0.80
1.00
160.000.000
3.174.624.000
2.539.699.200
Concepto de leyes de corte econmica de equilibrio
CURVAS RELACION ESTERIL V/S MINERAL

Para realizar estas curvas se procedi segn la siguiente form
Ecuacin econmica de la mina:
Cm
a b* R l
m
R * 1 h * ley
Los valores para desarrollar la formula son los siguientes:

R:
Recuperacin metalrgica: 95 %
h:
% de Humedad: 2%
a:
Costo mina para Mineral
b:
Costo mina para Estril
Ca: Costos Administracin
Cp: Costo Planta
f(X)
El modelo de bloque:
Es un modelamiento tridimensional que consiste en discretizar
virtualmente el yacimiento en cientos de paraleleppedos (bloques),
con caractersticas que van de acuerdo al sistema de explotacin a
utilizar, la cual permite representar caractersticas y propiedades del
yacimiento
De que depende las dimensiones del modelo de bloqu
Caractersticas del deposito
Continuidad espacial
Pasta a explotar.
Selectividad
Conceptos Bsicos de estadstica
J.DELGADO
J.DELGADO
J.DELGADO
Pensemos en un pas imaginario y pequeo llamado Elich , donde tres

seores de diferentes corrientes de opiniones discuten , al ver la siguiente
estadista de los salarios en dicho pas
Salarios de Elich
Media
Mediana
Moda
1813529.41
100000
10000
Desviacin estndar
5674424.55
Varianza de la muestra
3.2199E+13
Coeficiente de
asimetra
2.92906839
Mnimo
10000
Mximo
20000000
Cuenta
170
Representacin de los datos

Histograma
200
180
160
Frecuencia
140
120
100
80
60
40
20
0
0
0,2 0,4 0,6 0,8
1,2 1,4 1,6 1,8
2,2 2,4 2,6 2,8
3,2 3,4 3,6 3,8
4,2 4,4 4,6 4,8
Clase
Se interpreta probabilsticamente (probabilidad de un valor de

pertenecer a una determinada clase).
Funcin de densidad de probabilidad:
f ( x ) F ' ( x ) Pr ob x1 x x2
Nota: No olvidemos que un histograma no presenta ninguna informacin

referente a la ubicacin espacial de los datos (que es clave en
Histograma acumulado
Funcin no decreciente con valores

de frecuencia relativa entre 0 y 1.
De un grfico de cumulativo
podemos leer directamente
probabilidades
Frecuencia acumulada
100%
80%
60%
40%
20%
0%
0
0,2 0,4 0,6 0,8
1,2 1,4 1,6 1,8
F ( x ) Pr ob X x
Relacin entre densidad de
probabilidades y densidad
cumulativa:
Muestras son un nmero finito de
realizaciones, por lo tanto:
2,2 2,4 2,6 2,8
3,2 3,4 3,6 3,8
Clase
F ( x)
f ( x )dx
F ( x ) pi
i 1
4,2 4,4 4,6 4,8
Estadstica bsica
medidas de posicin
media, mediana, moda, mnimo, mximo, rango, deciles,
cuartiles, cuantiles
medidas de dispersin
varianza, desviacin estndar, coeficiente de variacin,
rango intercuartil
medidas de forma
coeficiente de asimetra, coeficiente de aplanamiento
Estadstica bsica
Medidas de posicin:
Media
Mediana
1 n
z (u )
n 1
z (u( n1) / 2 )
( z (u n / 2 ) z (u( n / 2)1 ))
2
1
z (u )du
D D
si n es par
si n es impar
Moda, mnimo y mximo

Rango
Cuartil inferior y superior
Deciles, percentiles y cuantiles: el cuantil p
de la distr. es el valor zp tal que p% de los
datos esta Fbajo
zpProb{Z z p } p [0,1]
(zp )
Estadstica bsica
Q3
Mediana o
Q2
Q1
Estadstica bsica
Medidas de dispersin:
Varianza
1
1 n
2
2
s ( z (u ) m) 2 ( z (u ) ) du
DD
n 1
2
Desviacin estndar
s s2
Rango intercuartil
IQR Q 3 Q 1
Coeficiente de variacin
CV
exp .
s
m
CVpobl .
Momentos
Esperanza: (primer momento) es un promedio
ponderado por las probabilidades, si existe. Nos da una
idea del centro de la distribucin
n
donde:
wi z i
E{Z} = valor esperado de Z

E{Z } m i 1n
wi = Ponderador del dato i-simo
wi
i 1 n = nmero de datos
m = media
En el caso continuo:
E{Z } m
zdF ( z ) zf ( z )dz
Esperanza y varianza de una variable

aleatoria
Sea X una variable aleatoria discreta, y supongamos que
toma valores en el espacio {0, 1, 2, ..} con probabilidad
Pr X k pk
Entonces se define la esperanza de X
como
E X k pk
k 0
Y la varianza
como
V X k E X pk
k 0

aleatoria
La interpretacin es bastante
sencilla
E X k pk
k 0
posibles valores de
X
El valor promedio que
puede asumir la variable
probabilidad que la
variable tome el
valor k
V X k E X pk
2
k 0
Desviacin
cuadrtica
promedio
Desviacin cuadrtica de los posibles

valores de X respecto de su promedio
E[X]

aleatoria
Sea X una variable aleatoria continua con valores en R, y
con funcin de densidad f(x). Se define la esperanza de X
como
E X
x f ( x) dx
Y se define la varianza de X
como
VX
E
X
f ( x) dx

aleatoria
La interpretacin para el caso continuo es similar. En
efecto
E X
x f ( x) dx
posible valor de X
El valor promedio que
puede asumir la variable
VX
Desviacin
cuadrtica
promedio
Probabilidad de que la variable

aleatoria X tome un valor en el
intervalo [x, x + dx]
x E X
f ( x) dx
Desviacin cuadrtica de los posibles

valores de X respecto de su promedio
E[X]
Momentos
La varianza (segundo momento centrado). Nos da una
idea de la dispersin de la distribucin de la VA Z. Se
define como la esperanza de la desviacin de Z
respecto de su media al cuadrado:
Var {Z } 2 E{[ Z m]2 } E{Z 2 } m 2 0
Momentos
En forma discreta, la varianza puede definirse como

n
Var {Z }
w (z
i 1
w
i 1
En forma continua, puede escribirse como

Var {Z }
( z m)
dF ( z )
m) 2
( z m)
f ( z ) dz
Se calcula con los dos primeros momentos de Z:
Var Z E ( Z E Z ) 2 E ( Z m) 2 2
E Z 2 m 2 2mZ
EZ 2
M omento de
Segundo Orden
EZ 2
M omento de Primer
Orden al Cuadrado
Momentos
Propiedades de la esperanza:
E a a
E bZ b E Z
E a bZ a b E Z
E g ( Z )
g ( z ) f ( z ) dz
Propiedades de la varianza
Var a 0
Var aZ a 2 Var Z
Var b Z Var Z
Ms estadsticas
Medidas de forma:
Coeficiente de asimetra (skewness)
1 n
( z (u ) m) 3
n
Coeficient e de asimetra 1
s3
Positivo
Frec.
Cercano a 0
Negativo
Frec.
Mm
z(x)
Frec.
M
m
z(x)
mM
z(x)
Estadstica de dos
variables
Anlisis bivariable
Pares deben corresponder a la misma
ubicacin en el espacio (co-localizados)
Grfico de Dispersin
3
2,5
Variable 2
1,5
0,5
0
0
0,5
1,5
Variable 1
2,5
Correlacin
El coeficiente de correlacin es una medida de
la dependencia lineal entre las dos variables
1 n
( z1 mZ1 )( z2 mZ 2 )
n 1
Z1 Z 2
Q-q Plot
Grfico Q-Q: para comparar
dos distribuciones F1 y F2
cuantil a cuantil.
No se utiliza para comparar
la relacin par a par que hay
entre las variables.
Escoger una serie de valores
de probabilidad
pk, k = 1, 2, , K
Graficar q1(pk) versus q2(pk), k
= 1, 2, , K
Q-q Plot
Si todos los puntos caen en una lnea de 45o, las
dos distribuciones son exactamente iguales
Si la lnea esta desplazada de los 45o, las dos
distribuciones tienen la misma forma pero
diferentes medias
Si la inclinacin de la lnea no es 45o, las dos
distribuciones tienen diferentes varianzas
Si hay un carcter no lineal en el grafico Q-Q, las
distribuciones tienen diferentes formas en el
histograma
g(z)
0.40
0.35
0.30
0.25
Distribucin Normal
0.20
0.15
0.10
0.05
0.00
10
12
14
16
Propiedades:
Completamente definida por su media y
varianza
Tiene una descripcin matemtica precisa
Favorable para enfoques tericos de
estimacin
2
1 z

Funcin de densidad de
1 probabilidad:
2
g( z)
e
2
g(z)
0.40
0.35
0.30
0.25
Distribucin Normal
0.20
0.15
0.10
0.05
0.00
Estandarizacin:
10
12
14
16
z
y
Distribucin normal estndar N(0,1)

g( y )
Funcin de distribucin acumulada:
G( y )
corresponde al rea bajo la curva
1
2
y
g( y ) dy
g(z)
0.40
0.35
0.30
0.25
Distribucin Normal
0.20
0.15
0.10
0.05
0.00
10
12
14
16
Intervalos de confianza
68%
95%
g(z)
g(z)
0.40
0.40
0.35
0.35
0.30
0.30
0.25
0.25
0.20
0.20
68%
0.15
0.15
0.10
0.10
0.05
0.00
0
95%
16%
2
0.05
16%
6
10
12
14
16
0.00
0
2.5%
2.5%
2
10
12
14
16
g(z)
0.35
0.30
0.25
0.20
Distribucin Lognormal
0.15
0.10
0.05
0.00
10
Una poblacin es lognormal si los logaritmos de los datos estn

distribudos como una normal
Propiedades:
En Ciencias de la Tierra es comn encontrar variables cuya
distribucin es cercana a una lognormal
Relacin con la distribucin normal la hace fcil de utilizar
Tambin es favorable para enfoques tericos de estimacin
Funcin de densidad de probabilidad:
f Y ( y ) F 'Y ( y )
ln y
1
g o
y

g(z)
0.35
Distribucin Lognormal
0.30
0.25
0.20
0.15
0.10
0.05
ln y
1
f Y ( y ) F 'Y ( y)
g o
y

m e
0.00
10
2 m 2 [e 1]
/2
2
ln 1 2
m
ln m / 2
2
ln y
para todo y 0
FY ( y ) Prob{Y y )} Go
g(z)
G(z)
0.35
1.0
0.9
0.30
0.8
0.25
0.7
0.6
0.20
0.5
0.15
0.4
0.3
0.10
0.2
0.05
0.00
0.1
10
0.0
10
La Distribucin Log Normal
Valor esperado
Varianza
Para que sirve una varianza de dispersin

y una de estimacin ?
La idea de la funcin aleatoria
Jos Delgado
epresentacin de una regionalizacin por una funcin aleator

cionaria o intrnseca es una operacin SUBJETIVA que esta e
o del usuario ,teniendo en consideracin los datos experime
formacin disponible sobre el fenmeno regionalizado y a la
rabajo , la estacionalidad indica una cierta homogeneidad de
actersticas de una variable en el espacio ,es necesario para
ar a cabo la inferencia estadstica (calculo de la covarianza
el variograna experimental en vista a su posterior modelamie
Variografia
Anlisis Variografico
El anlisis variografico es una de las herramientas mas importante y
potente que existen para analizar las fuentes de variabilidad de los
procesos .
Podemos estudiar la variabilidad de la variable aleatoria en funcin
del tiempo o de la posicin
En el caso de la mina podemos estudiar como varan las leyes
Variograma Experimental-definicin
1
h E [Z ( x) Z ( x h)] 2
2
1
( h)
2 N h
*
( z ( xi ) z ( x j )) 2
xi x j h
Variograma Terico
Variograma Experimental
VARIOGRAMA EXPERIMENTAL
Definicin
Clculo a partir de los datos
Caractersticas bsicas
Ajuste de modelos de variograma
VARIOGRAMA TERICO
Definicin
Propiedades bsicas
Estudio de modelos de variograma
Variograma Terico-Definicin
Es una herramienta que permite

analizar
el
comportamiento
espacial de una propiedad o
variable
sobre una
zona
Informacin estructural
aportada
por eldada
Variograma
1.-continuidad espacial
2.-Zona de influencia
3.-las anisotropa
4.-Las estructuras anidadas
5.-La no estacionalidad ( derivas tendencias
Valor promedio de la diferencia al cuadrado de los valores de la

propiedad en dos puntos separados por una distancia |h|
es independiente de la localizacin
vector
depende del mdulo y de la direccin del
Variograma Terico-Caractersticas
1
h E [ Z ( x) Z ( x h)] 2
2
Z x h1
x h1
h1
Deteccin de
caractersticas
que varan
segn la
direccin y la
distancia
Z x
h
Z x h
xh
Le Variogramme
Variogramme exprimental
Variogramme thorique
Palier =Variance des dones
x
Pas de corrlation
entre points
x x
x
L effect ppite
h 2h
Porte
Distance m.
Variograma Experimental-definicin
Coordenadas estratigraficas
La correlacin espacial se
debe calcular dentro de la
misma unidad estratigrfica
Z Z base
Z tope Z base
Ejemplo Sencillo
Variograma Experimental-tolerancia angular
Tolerancia angular
Clculo de variogramas
experimentales
Influencia del paso
Clculo de variogramas
experimentales
Influencia de la tolerancia en el paso
Retos en el clculo del

variograma
La estructura de corto alcance es la ms importante
Pepita debido al error de medicin no debiera modelarse
Tamao de las celdas del modelo geolgico
La direccin vertical es tpicamente la mejor informada

Puede tener artefactos producto del espaciamiento de
datos de testigo.
Manejo de derivas verticales y variaciones areales
La direccin horizontal es en general ms difcil de

estimar
Usar un paso cercano al espaciamiento de los sondajes
Tpicas razones de anisotropa horizontal-vertical
Comportamiento discontinuo
Interpretacin del nugget effect

1) Variable muy irregular a distancias cortas
h0
Z(x) y Z(x+h) difieren mucho
1
h E [ Z ( x) Z ( x h)] 2
2
no se aproxima a cero

2) Errores de medicin en
las variables
3,5
Z obs x Z x x
Valores
observados
2
1,5
Valores
reales
1
0,5
Distancia
18
16,5
15
13,5
12
10,5
7,5
4,5
1,5
0
0
Z obs h Z h
Variograma
2,5

3) presencia de estructuras o
ausencia de valores en distancias
inferiores a las que se tomaron
las muestras
Comportamiento Lineal
Comportamiento lineal
Indica
que
para
distancias pequeas, el
variograma tiene un
comportamiento lineal.
Representa variables
continuas pero no
diferenciables. As, la
propiedad
puede
cambiar rpidamente
de un punto a otro.
Comportamiento Lineal
3,5
3
La variabilidad de la
propiedad
depender
de la pendiente de la
recta en el origen
2,5
Variograma
Comportamiento lineal
2
1,5
1
0,5
0
0 1 2 3 4 5 6 7 8 9 10 11
Distancia
A mayor pendiente,
mayor variabilidad
3
2,5
A menor pendiente,
menor variabilidad
Variograma
2
1,5
1
0,5
0
0 1 2 3 4 5 6 7 8 9 10 11
Distancia
Comportamiento Cuadrtico
Comportamiento Cuadrtico
Indica que para distancias

pequeas, el variograma tiene
un
comportamiento
cuadrtico.
3
2,5
2
1,5
1
0,5
Distancia
37
34
31
28
25
22
19
16
13
10
0
1
Variograma
Representa
variables
sumamente
continuas
e
infinitamente diferenciables. As,
la propiedad NO puede cambiar
rpidamente de un punto a otro.
3,5
Comportamiento Hbrido
Comportamiento Hbrido:
Variacin ms suave a
distancias cortas
6
Variograma
Variacin ms fuerte a
distancias grandes
5
4
3
2
Indica
presencia
de
estructuras actuando a
diferentes escalas
1
0
0
1,5
4,5
7,5
10,5 12 13,5 15 16,5 18
Distancia
Comportamiento-grandes distancias
Comportamiento a grandes
distancias :
INDICA LA PRESENCIA DE
UNA DERIVA O DRIFT
Variograma
NO TODOS LOS VARIOGRAMAS

POSEEN UN RANGO Y UN SILL
FINITO
VARIABLE NO ESTACIONARIA
Distancia
Anisotropas
Anisotropas :
Generalmente
cuando
el
variograma
experimental es calculado en distintas
direcciones
presenta
distintos
comportamientos con la variacin de la
distancia.
Anisotropa Geomtrica
Anisotropa Zonal
Anisotropa Hbrida
DEL VARIOGRAMA
EXPERIMENTAL AL MODELO
DE VARIOGRAMA
Ajustar
POR QUE HAY QUE CONSTRUIR

MODELOS DE VARIOGRAMA ?
5
variograma experimental
4
3
Variograma
experimental
2
1
0
Distancia
Una interpolacin entre los puntos del

variograma
experimental
no
garantiza la existencia y unicidad de
la solucin del sistema de kriging
6
5
4
Variograma
experimental
Modelo de
variograma
El variograma experimental no
se puede evaluar en distancias
o direcciones intermedias
La interpolacin
condiciones que
debe satisfacer
no satisface las
todo variograma
1
0
Distancia
El
variograma
experimental
no
satisface las condiciones que todo
variograma debe satisfacer
Variograma Terico-propiedades
LOS VARIOGRAMAS TIENEN PROPIEDADES ESPECIALES, CUALQUIER FUNCIN QUE

DEPENDA DE LA DISTANCIA Y LA DIRECCIN NO NECESARIAMENTE ES UN
VARIOGRAMA
1)
0 0
2)
h h
El variograma calculado en la direccin de

calculado en la direccin de
es igual al variograma
-h
-h
3) Todo variograma es una funcion definida positiva condicional

Para cualquier
valores
n, cualesquiera x1 , x2 , x3 , , xn puntos en el espacio y cualesquiera
1 , 2 , 3 , , n
tales que
i 1
0 se tiene que
i j xi x j 0
n
i 1 j 1
Esta propiedad permite calcular en forma consistente la varianza de combinaciones

lineales de funciones aleatorias
var Z
4) Si es el variograma de una funcion aleatoria estacionaria o intrnseca entonces
lim
h
h
h
En particular para h suficientemente grande existe una constante c tal que
Criterio para el comportamiento del variograma a grandes distancias

Criterio para detectar un comportamiento no estacionario
h c h 2
5) Combinacion lineal de variogramas

Si
1 h , 2 h , 3 h , , N h son modelos de variograma y 1 , 2 , 3 , , N
son valores positivos entonces

n
h i i h
i 1
Permite modelar/ajustar las estructuras imbricadas (nested structures)

Permite modelar la anisotropa zonal
Por definicin
Var( Z *) E[ Z * E ( Z *)]2
Recordemos
Z*
i Z ( xi )
E ( Z *) E (
i Z ( xi )
i E ( Z ( xi ))
im
i ( Z ( xi ) m)
Var[
i Z ( xi )]
Var[
i j C ( xi x j )
i Z ( xi )]
i j ( xi x j )
Var( Z * ) Var[
i Z ( xi )]
i j ( xi x j )
(12 (0) 22 (0) 32 (0) 212 (0.8) 213 (0.8) 22 3 (1))
(0 0 0 0.2 0.2 0.5)

0.1
La varianza es negativa esto se produce porque la funcin utilizada
no esta definida positivamente
2.5
2
1.5
1
0.5
4.5
4
0
0
3.5
1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
3
2.5
2
1.5
1
2.5
0.5
0
1.5
1
0.5
0
0
1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9

MODELOS DE
VARIOGRAMA
Modelos de Variograma
Modelos de variograma isotrpicos ms comunes:
1.-Modelos con meseta

Modelo Efecto Pepita Puro
Modelo Esfrico
Modelo Exponencial
Modelo Gaussiano
Modelo Cbico
Modelo Seno Cardinal
2.-Modelo sin meseta
Modelo Potencia

0
h
c
si h 0
si h 0
Este modelo representa a

un
fenmeno
completamente aleatorio,
en
el
cual
no
hay
correlacin espacial
No importa cun cerca se
encuentren los valores de
las
variables,
siempre
sern no correlacionados
Modelo Esfrico
3 h 1 h
c
2 a 2 a
si h a
si
h a
Meseta c y alcance
Comportamiento lineal en el origen

Pendiente igual a
1.5 c / a
Representa
fenmenos
continuos pero no diferenciables
Es uno de los modelos de
variograma ms utilizados
Modelo Esfrico
Modelo Exponencial
Modelo Exponencial
Meseta
s que alcanza asintticamente
Alcance aparente igual a
Variograma
h c 1 exp
Alcance practico al 95 % de la meseta

Rango experimental igual a
3a
Comportamiento lineal en el origen

Pendiente igual a
3c/a
Representa
fenmenos
continuos pero no diferenciables
Distancia
Modelo Gaussiano
Modelo Gaussiano
h c 1 exp
a2
c que alcanza asintticamente
Rango aparente igual a
Rango experimental igual a
3a
Variograma
Meseta es
Comportamiento cuadrtico en el origen

Distancia
Representa
fenmenos
continuos
infinitamente
diferenciables
(sumamente continuos)
Modelo Cbico
si h a
h
h
h
c 7 2 8.75 3 3.5 5 0.75 7
a
a
a
a
Modelo Cbico
c si
h a

Representa
continuos
fenmenos
bastante
Variograma
Meseta C y Alcance
Distancia

seno h /a
h c 1
h /a
Alcacne aparente igual a
Alcance experimental igual a
3a
Variograma
Meseta c que alcanza asintticamente

Se utiliza para representar fenmenos
continuos con periodicidades
Distancia
Modelo Potencia
Modelo Potencia
h s h
s se denomina factor de escala
El comportamiento en el origen
depende del valor de p
s=2.5, p=0.4
Variograma
0 p2
s=0.4, p=1.8
s=1.15, p=1
Representa fenmenos no
estacionarios
Distancia
ANALISIS DE
VARIANZA DE EXTENSIN
Y
VARIANZA DE ESTIMACIN.
169
Efecto de Soporte
Introduccin
Este captulo trata sobre el efecto de soporte de
una variable regionalizada (es decir, su forma fsica y
volumen) en su histograma y su variograma.
En
un
ejercicio
introductorio,
se
calcula
las
estadsticas bsicas para dos tamaos de soporte:

bloques de 1m*1m y bloques de 2m*2m y se grafica
los histogramas resultantes.
170
Efecto de Soporte
Introduccin
A continuacin se entrega las frmulas para el
clculo de la varianza de un punto en un bloque y la
de un soporte v, pequeo, en otro de soporte V (de
mayor tamao). Posteriormente, se prueba la relacin
de aditividad de Krige.
Finalmente,
veremos
cmo
el
variograma
regularizado se relaciona con el variograma a soporte

puntual.
Un
ejercicio
ilustra
el
efecto
regularizacin tiene en el variograma.

171
que
la
El soporte de una variable
regionalizada
En muchas situaciones prcticas una variable
regionalizada se mide como el promedio en un
determinado volumen o superficie en lugar de un
punto. El volumen bsico sobre el cual se mide una
variable regionalizada se conoce como su soporte.
172
regionalizada
Un cambio de soporte da lugar a una nueva
variable regionalizada que est relacionada con la
anterior, pero que tiene caractersticas estructurales
diferentes. Por ejemplo las leyes medidas en testigos
de 2 pulgadas (es decir, en un dimetro de 50 mm)
tienen una mayor varianza que las leyes medidas en
testigos de mayor dimetro, o en bloques o muestras
a granel.
173
regionalizada
El problema que se plantea es el de saber cmo
una variable se relaciona con la otra. En otras
palabras, qu podemos decir sobre la ley de los
bloques conocidas las leyes de las muestras?
La respuesta se dar en dos etapas. En primer
lugar se considera la dispersin de los valores como
una funcin de soporte. Y luego vemos cmo se
relacionan sus variogramas.
174
regionalizada
Para ilustrar el efecto de soporte, tomemos los
datos que se presentan en las figuras 1a y 1b,
siguientes.
En el caso de la figura 1a, se trata de las leyes de
64 bloques de 1m * 1m de soporte. En tanto que en la
figura 1b, se presenta las leyes medias de 16 bloques
de 2m * 2m de soporte, obtenidos promediando 4
bloques adyacentes de los bloques de 1m * 1m de
soporte, conforme se muestra en las figuras 1a y 1b .
175
regionalizada
Figura 1a: Leyes de 64 bloques de

1m * 1m de soporte
Figura 1b: Leyes de 16 bloques de

2m * 2m de soporte
176
regionalizada
Figura 2: Leyes de 64 bloques de 1m *

1m de soporte
177
regionalizada
Figura 3: Leyes de 16 bloques de 2m *

2m de soporte
178
regionalizada
Como era de esperarse, las medias de ambos
conjuntos de datos son las mismas, pero las varianzas
no lo son.
La varianza para los bloques de 2m * 2m vale
16620, valor que es bastante ms pequea que la
varianza de los bloques de 1m * 1m, que vale 27444.
179
regionalizada
Si
los
valores
fueran
estadsticamente
independientes, la varianza del soporte ms grande

sera un cuarto de la varianza del soporte ms
pequeo. Esto no ocurre en este caso debido a que
hay una alta correlacin entre los datos.
180
regionalizada
Veamos ahora qu sucede con la forma del
histograma en cada una de las dos situaciones.
181
regionalizada
Figura 4: Histograma leyes de 64

bloques de 1m * 1m de soporte
Figura 5: Histograma de leyes de

16 bloques de 2m * 2m de
soporte
182
regionalizada
Las figuras 4 y 5 muestran que la forma de los
histogramas ha cambiado tambin. El histograma de
los bloques de 2m * 2m es menos disperso y ms
simtrico que el histograma de los bloques de 1m *
1m.Aunque las medias de ambas distribuciones son
idnticas, la varianza del soporte mayor es mucho
ms pequea y su histograma es ms simtrico que el
de soporte menor.
183
regionalizada
Las
consecuencias
de
este
cambio
son
muy
importantes en minera: slo aquellos bloques que

poseen una ley sobre un valor de corte sern
extrados de manera rentable.
Luego, es vital poder predecir la proporcin de
mineral sobre un valor de corte.
184
regionalizada
Por ejemplo, si se utiliza el mtodo de los polgonos
en la estimacin de reservas, el valor de la muestra
dentro del polgono se tomar como el valor estimado
para todo el polgono.
Esto conlleva a igualar el histograma de los valores
de las muestras con el histograma de los valores de
los bloques y, por lo tanto, a graves errores en la
estimacin de las reservas recuperables debido a que
los histogramas son bastante diferentes, como puede
verse comparando las figuras 4 y 5.
185
La varianza de un punto dentro de un

volumen
Ahora veremos la forma de evaluar la varianza de
bloques dado el variograma de las muestras.
Sin perdida de generalidad, los soportes sern
llamados v y V. Si los datos estuvieran en 3-D, stos
corresponderan a volmenes, si estuvieran en 2-D,
corresponderan a reas, y en 1-D, podran tratarse de
lneas (testigos), o bien, adimensionales: puntos.
186

volumen
En nuestro modelo, la variable en estudio se
considera como una realizacin z(x) de una funcin
aleatoria Z(x).
Z(x
)
187

volumen
Si
todos
los
valores
dentro
del
volumen
estuvieran disponibles, sera posible encontrar la

media de este volumen, as como la varianza de los
valores dentro de este volumen.
La media es
V
mV
1
V
z ( x)dx
Z(x
)
188

volumen
Del mismo modo, la varianza de los valores dentro
del volumen V queda dada por
S 2 (0|V )
V
Z(x
)
1
V
[ z ( x) mV ]2 dx
Aqu "0" indica un punto, es

decir algo con volumen cero.
189

volumen
Si dejamos que la realizacin vare, la varianza de
z(x) dentro de V se obtiene como el valor esperado de
s2(0|V) sobre todas las realizaciones posibles.
2 (0 / V ) E [ S 2 (0 / V )]
Se puede demostrar que esta variacin est
relacionada con el variograma por la frmula.
2 0 |V
1
V2
( x y)dxdy
190

volumen
Esta integral corresponde al promedio obtenido de
la variacin de x e y de forma independiente en todo
el
volumen
V.
Por
consiguiente,
esta
varianza
denotada por (V, V), corresponde a
2 0 | V (V , V )
En la prctica
(V, V) se calcula al discretizar el
bloque V en tantos puntos como se desee.
191
Varianza de v dentro de V
Consideremos ahora una nueva funcin aleatoria

definida como el promedio espacial dentro de un
volumen v.
192
El objetivo es el de encontrar la dispersin de esta

nueva variable Zv(x) mientras se mueve dentro de un
volumen de V, mayor.
193
Tpicamente v podra representar un tramo de
tstigo, mientras que V podra ser un bloque, o bien v
podra ser una unidad de seleccin minera y V podra
ser todo el depsito.
ZV ( x)
mV
1
V
1
Z ( y ) dy
v
(
x
)
v
z ( x) dx
1
S (v / V )
V
2
[ zv ( x) mV ]2 dx
194
1
2 (v / V ) E
V
2
[
z
(
x
)
m
]
dx
V
V v
Esta es igual a
1
(v / V ) 2
V
2
1
V V ( x y) dx dy v 2
( x y) dx dy
vv
o sea
2 (v / V ) (V , V ) (v, v)
195
Relacin de aditividad de Krige
La combinacin de los resultados de las ecuaciones

y
2 (0 | V ) (V ,V )
2 (v | V ) (V , V ) (v, v)
entrega
como
resultado
la
llamada
relacin
aditividad o relacin de Krige.
2 (v | V ) (V ,V ) (v, v) 2 (0 | V ) 2 (0 | v)
196
Esto
puede
generalizarse
tres
volmenes
cualquiera: v,vVy V
V,donde
V ':
2 (v | V ') 2 (v | V ) 2 (V | V ')
Por ejemplo, v podra ser un tramo de testigo de un
sondaje, V un bloque y V un gran panel o todo el
depsito. En este caso la frmula podra interpretarse
como la varianza de un tramo de testigo en el
depsito es igual a la varianza del testigo en el
bloque, ms la varianza de un bloque en el depsito.
197
2 (0 / V ) (V , V )
2 (v / V ) (V , V ) (v, v)
2 (v / V ) 2 (0 / V ) 2 (0 / v)
2 (0 / V ) 2 (0 / v) 2 (v / V )
2 (v / V ) 2 (v / V ) 2 (V / V )
198
Ahora,
comprobemos
experimentalmente
lo
planteado con los datos del ejercicio en revisin.

En este caso v corresponder a los bloques de 1m x
1m mientras que V corresponder
a los bloques de
2m x 2m.
199
Hemos visto que
2 (v | V ') 12x1 27444

y que
2 (V | V ') 22x 2 16620

El
2 puede
valor de
ser calculado en forma
(v | V )
experimental como la varianza de los cuatro bloques
pequeos (v) por cada cada bloque grande (V), lo que

da 10824.
200
Es fcil comprobar que este valor es igual a 27444

16620, y que por tanto satisface la relacin de
aditividad.
2 (v / V ) (V , V ) (v, v)
2 (v / V ) 27444 16620 10824
De hecho, esto es cierto para todos los casos en
que los bloques pequeos (v) cubren exactamente el
tamao del siguiente bloque
201
ANALISIS DE
VARIANZA DE EXTENSIN
Y
VARIANZA DE ESTIMACIN.
202
Del modelado de la estructura espacial

a la estimacin
Tres
preguntas
de
inters
fundamental
en
Geoestadstica:
Conocido el variograma calculado a partir de las
muestras, nos preguntamos:
Cmo calcular la varianza del error de estimacin
de un punto, un bloque, o dominio, mediante una
combinacin lineal de los valores de las muestras?
Cmo calcular la varianza de dispersin de un
soporte de mayor que el soporte de las muestras?
Cmo
calcular
el
variograma
de
la
regularizada a un soporte myor?

203
variable
Dos modelos de funciones aleatorias

(F.A.)
Funcin Aleatoria estacionaria de orden 2
La
esperanza y
la covarianza
existen
estacionarias:
E Z x
Cov Z x , Z x h C h
C 0 Var Z x
204
y son

(F.A.)
F.A. estacionaria de orden 2 (continuacin)
La covarianza es simtrica
C h C h
Desigualdad de Schwarz
C h C 0
La varianza de una combinacin lineal cualquiera
Z x
Var
i 1
C x x
i 1 j 1
205

(F.A.)
Funcin Aleatoria intrnseca
los incrementos [Z(x+h) Z(x)] son estacionarias

de orden 2 y de esperanza nula E [Z(x+h) Z(x)]=
0
Variograma
1
h Var Z x h Z x
2
2
1
h E Z x h Z x
en
el
h 0
origen
206

(F.A.)
Funcin Aleatoria intrnseca (continuacin)
La varianza de una combinacin lineal autorizada

i Z (xi )
con
i 1
i 1
Z x
Var
i 1
i j xi x j
i 1 j 1
207
Comparacin entre estacionaria e

intrnseca
Una funcin aleatoria estacionaria es igualmente
intrnseca si su variograma tiene meseta
La varianza estacionariaC 0 Var Z x E Z x m 2
regula la dispersin de la variable alrededor de la

media constante
m E Z x
208

intrnseca
A cada covarianza est asociado un variograma
Variograma
Covarianza
h C 0 C h
209

intrnseca
Si el variograma
h
tiene meseta, la funcin
aleatoria es estacionaria, de covarianza C(h) tal

que:
Si
el
h C 0 C h
variograma
h
covarianza
no
correspondiente
tiene
no
meseta,
la
existe.
El
variograma es una herramienta estructural ms

general que la covarianza.
210

intrnseca
Una funcin aleatoria estacionaria es tambin

intrnseca pero una funcin aleatoria intrnseca no
es necesariamente estacionaria.
211
Z(V) estimada por Z(v) (o viceversa)

E Z V Z v
2
E
Caso de una F.A. estacionaria de esperanza m y de

covarianza C(h)
E Z V Z v
E Z V Z v
Z
V
Z
v
E Z V m E
Z v m
2C ov Z V , Z v
VarZ V VarZ v 2Cov Z V , Z v

212
Clculo de la varianza de Z(V)

1
E
V
Var Z V
1
Var Z V E
V
V Z x m dx
Z
x
m
dx
1
Var Z V E 2
V
1
V

Z
t
m
dt
Z
x
m
Z
t
m
dx
dt
V V
Var Z V
1
V2
Var Z V
C x t dx dt
V V
C V ,V
213
Clculo de la covarianza entre Z(V) y Z(v)

1
Cov Z V , Z v E
V
1

Z
x
m
dx
Z
t
m
dt
Z
x
m
Z
t
m
dx
dt
Vv V v
Cov Z V , Z v E
Cov Z V , Z v
1
E Z x m Z t m dx dt
V
v
Vv
Cov Z V , Z v
1
C x t dx dt
V
v
Vv
Cov Z V , Z v C V , v
214
Z(V) estimada por Z(v)
E Z V Z v
Z V
Var
Var
Z v 2Cov Z V , Z v
E Z V Z v
C V ,V C v, v 2C V , v
En variograma, caso de una F.A. intrnseca

E Z V Z v
2 V , v V ,V v, v
215
Estimacin de Z(V) a travs de una combinacin

lineal de muestras puntuales
Z * V i Z (xi ) con
i
1
i
Varianza del error de estimacin

E Z V Z V
*
VarZ V VarZ * V 2Cov Z V , Z * V
216
Varianza del estimador Z*(V)

n
VarZ V i j C xi x j
*
i 1 j 1
Covarianza entre Z(V) y Z*(V)

Cov Z V , Z V
*
1
E
V

Z
t
m
dt
Z
x
i
i
i 1

n
Cov Z V , Z V i E Z xi m
V
i 1
*
Z
t
m
dt
Cov Z V , Z V iC xi , V
*
i 1
217
Estimacin de Z(V) por la media de n muestras

n
Z V i Z ( xi )
*
i 1
Varianza del error de estimacin
E Z V Z V
*
C V ,V i j C xi x j 2 iC xi ,V
i 1 j 1
i 1
Varianza del error de estimacin (con variogramas)
E Z V Z V
*
2 i xi ,V V ,V i j xi x j
i 1
i 1 j 1
218
La varianza del error de estimacin depende de:
el soporte V de la variable a estimar,
el soporte v de la variable medida,
de la posicin relativa de V y v
y de la estructura espacial
E Z V Z v
V , v V , V v, v
No depende ni de Z(V) ni de Z(v), lo que permite

optimizar la malla de exploracin.
219
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto
ZY
Variograma Cruzado
Si Z, Y son funciones aleatorias estacionarias o intrnsecas, el variograma

cruzado de ellas se define como :
1
ZY (h) E[( Z ( x) Z ( x h)) (Y ( x) Y ( x h))]
2
Para su estimacin se utiliza el variograma cruzado experimental
1
( h)
2 N h
*
ZY
( z( x ) z( x ))( y( x ) y( x ))
i
xi x j h
Variograma Cruzado-propiedades
1)
ZY 0 0
2)
ZY h ZY h
3)
variograma cruzado es una funcin simtrica

ZY h YZ h El
4) Relacin con la funcin de covarianza cruzada
ZY (h) CZY 0
1
CZY h CYZ h
2
CZY h E Z x mZ Y x h mY
4) Desigualdad de Hlder
ZY h
Z h Y h
Consecuencias:
El modelo de variograma cruzado no puede ser escogido independientemente de
cada uno de los variogramas individuales
El producto de cada uno de los sill de los variogramas individuales es mayor que
el cuadrado del sill del variograma cruzado
2
S ZY
S Z SY
4) Modelo lineal de coregionalizacin

Permite modelar en forma consistente el variograma
variogramas individuales
cruzado y los
Z h u1 1 h u2 2 h um m h
Y h v1 1 h v2 2 h vm m h
YZ h w1 1 h w2 2 h wm m h
u j 0 vj 0
u j v j w 2j 0
j , j 1, , m
modelos de variogramas
VARIOGRAMA DE FUNCIONES
INDICADORAS
Modelando el comportamiento
espacial de Facies
Funciones Indicadoras
La funcin indicadora de la facies F se define como
si x F
si no
1F x
Si se considera la facies F como un conjunto aleatorio entonces su funcin indicadora es

una funcin aleatoria que puede ser estacionaria o no.
En lo sucesivo asumiremos que la funcin indicadora de F es estacionaria
1
2
F h E 1F x h 1F x
2
Propiedades
1)
E 1F x P ( x F ) p 0,1
var 1F x p 1 p
2)
F h 0.5
El sill de variogramas de funciones indicadoras no puede ser mayor a 0.5

3) Relacin con la funcin de covarianza
F h C F 0 C F h
C F h E 1F x h p 1F x p
C F 0 var 1F x p 1 p 0.25
4) Desigualdad Triangular
F h1 h2 F h1 F h2
En particular
F 2h 2 F h
Consecuencia :
Un variograma con comportamiento en el origen de la
forma
no puede ser el variograma de una funcin indicadora
p 1
5) Rango y Anisotropas
Variograma
F h P( x F y x h F )
R2
R1
Distancia
Otras medidas experimentales para medir la variabilidad/continuidad espac
1.- Semivariograma
1
( h)
2 * N ( h)
(
h
)
zy
2.- Semivariograma cruzado
2 * N ( h)
3.- Covariograma
4.- Correlograma
C ( h)
1
N ( h)
( h)
N ( h)
( zi yi )2
i 1
N ( h)
( zi zi' )( yi yi' )
i 1
N ( h)
( xi yi mx m y )
i 1
C ( h)
x y
5.- Semivariograma general relativo
GR ( h)
(h)1
mx m y 2
(
)
2
N ( h) ( x y ) 2
1
i
i
(
h
)
6.- Semivariograma relativo de pareja PR

(
x
y
2 * N (h) i 1 ( i
i ) )2
2
7.- Semivariograma de logaritmo
8.- Semimadograma
1
L (h)
2 * N ( h)
N ( h)
(ln(xi ) ln(yi )) 2
i 1
1
M ( h)
2 * N ( h)
N ( h)
i 1
xi yi
Estrategia de
Modelamiento
REF:Xavier
Emery
Anisotropas (6)
Ejemplo de ajuste
este (h) 0.13 pep 0.42 esf (180m)

norte (h) 0.13 pep 0.54 esf (100m)
vertical (h) 0.13 pep 0.72 esf (80m)
Cul es el modelo
tridimensional?
Anisotropas (7)
Modelo tridimensional
este (h) 0.13 pep 0.42 esf (180m) + 0.12

+ 0.18
esf()
esf()
norte (h) 0.13 pep 0.42 esf (100m) 0.12 esf (100m) + 0.18
esf()
vertical (h) 0.13 pep 0.42 esf (80m) 0.12 esf (80m) 0.18 esf (80m)
(h) 0.13 pep 0.42 esf (180m,100m, 80m)
0.12 esf (,100m, 80m) 0.18 esf (, , 80m)
Verificacin: la suma de las mesetas vale
0.13 + 0.42 + 0.12 + 0.18 0.85 meseta total
Relacin de Krigen
Varianza de un punto en un volumen

Si todos los valores de z(x) en el interior de el
Volumen V estuvieran disponible nosotros podramos
calcular
m
V
S (O / V )
2
1
z ( x)dx
V
V
1
[ z ( x) m ] dx
V
2
Equivalente a la esperanza y a la varianza ,reemplazando

La media aritmtica sobre las realizaciones por una media
espacial
S (O / V )
2
1
[ z ( x) m ] dx
V
2
O designa un punto
El muestreo puntual es soporte de volumen nulo
Si ahora nosotros estudiramos todas las realizaciones

De Z (x)
(O / V ) E[ S (O / V )]
2
Esta es la llamada varianza de un punto en un volumen

Conocida como varianza de dispersin de un punto en el
Volumen V
Se puede demostrar que
(O / V )
2
1
( x y )dxdy (V ,V )
V
2
Varianza de v en V
1
Z ( x) Z ( y )dy
v
V
v(x)
Esta es la funcin Aleatoria , media espacial de la funcion

Aleatoria Z (y) sobre el volumen v (x)
m
V
1
z ( x)dx
V
V
y
1
S (v / V ) [ z ( x) m ] dx
V
2
La varianza de dispersin de v en V
1
(v / V ) E{ [ z ( x) m ] dx}
V
2
Esta es igual a
1
1
(v / V ) ( x y )dxdy ( x y )dxdy
V
v
2
sea
(v / V ) (V ,V ) (v, v)
2
vv
(v / V ) (V ,V )
2
(v / V ) (V ,V ) (v, v)
2
(v / V ) (O / V ) (O / v)
2
(O / V ) (O / v) (v / V )
2
(v / V ) (v / V ) (V / V )
2
Varianza de bloque y varianza de dispersin
Como entender
Si pensamos que conocimos todas las realizaciones de

Z(x )
Tendremos la varianza de un punto en un volumen

llamada
Varianza de dispersin de un punto en un
volumen
Discusin de varianza de dispersin y extensin

La varianza de dispersin es el promedio de las varianzas de
extensin
Cuando v toma todas las posiciones posible en V
La varianza de estimacin disminuye cuando la muestra v deviene

Mas representativa del dominio V a estimar
La varianza de estimacin disminuye cuando el variograma es mas regular

(la variable es mas continua )
Plan de trabajo
Varianza de estimacin definicin
Los tres componentes esenciales de la varianza de
estimacin
Interpretacin
Clculos
bacos
Combinacin de errores elementales
Precisin en la estimacin
Aplicacin
Nociones de varianza
Verdader
a
Estimada
Z*
(Z-Z*)2
(Z-m)2
(Z*-m*)2
suma
25
25
10
14
suma/5
2.8
0.8
Krigeage
Kriging
Krigeaje.
Krigeaje : interpolador de la geoestadstica, que

s utiliza los anlisis estructural.
Inicialmente, Matheron denomin a esta tcnica
Krigeage (en francs) que en ingles se convierte
en Kriging y en espaol se escribe Krigeaje.
Este trmino que tiene su origen en el apellido de
D.G. Krige, reconociendo de esta forma su aporte.
El krigeaje es una tcnica de estimacin

que proporciona el mejor estimador lineal
imparcial (BLUE, en ingles, Best Linear
Unbiased Estimator), (Schaug et al.,1993;
Christensen et al.,1993; Abasov et al.,
1990),
Adems proporciona una error de

estimacin conocido como varianza de
krigeaje que depende del modelo de
variograma obtenido y de las
localizaciones de los datos originales
(Armstrong y Carignan, 1997; Journel y
Huijbregts, 1978; David, 1977; Abasov et
al., 1990). Esto brinda la posibilidad de
hacer anlisis sobre la calidad de las
estimaciones (Weerts y Bierkens, 1993;
Haas, 1992).
En trminos mineros, el problema de

krigeaje consiste en encontrar la mejor
estimacin lineal posible del contenido
mineral de un panel, teniendo en cuenta la
informacin disponible, mediciones que
han sido obtenidas tanto en el interior
como externamente al panel que se desea
estimar.
El krigeaje consiste en efectuar una

ponderacin, es decir, atribuir un peso a
cada valor observado, los pesos son
calculados de manera que minimice la
varianza de estimacin resultante,
teniendo en cuenta las caractersticas
geomtricas del problema (Matheron,
1970). Al minimizar la varianza de
estimacin se garantiza el uso ptimo de la
informacin disponible (Zhang, 1996).
La geoestadstica exige como primera etapa

y fundamental el conocimiento del
comportamiento estructural de la
informacin, es decir, se debe contar
adems, con el modelo de semivariograma
terico que refleje fielmente las
caractersticas de variabilidad y correlacin
espacial de la informacin disponible,
discutido anteriormente.
En el caso minero, particularmente, por la

forma en que se presenta la informacin,
de estar condicionada en una direccin
por diversos parmetros (Rivoirard y
Guiblin, 1997), se debe obtener modelos
de variogramas verticales y horizontales,
el primero, que caracteriza la correlacin
espacial en esta direccin, es decir a
travs de los estratos, y el segundo en los
estratos, obtenindose un modelo
conjunto para la estimacin de bloques
(Pan y Arik, 1993; Armstrong y Carignan,
1997).
Los bloques a estimar son definidos con

dimensiones convenientes a la unidad de
seleccin minera, teniendo en cuenta el
espaciamiento entre muestras y el alcance
estructural, es decir, la distancia hasta la cual
las muestras se encuentran correlacionadas
espacialmente. Las ecuaciones del krigeaje se
obtienen entonces de acuerdo las hiptesis de
la geoestadstica que deben ser asumidas y
verificadas como ya se indic.
Teniendo en cuenta las hiptesis de la

geoestadstica se pueden obtener las
ecuaciones del krigeaje para los siguientes
casos: funcin aleatoria estacionaria de
esperanza nula o conocida, mtodo conocido
como Krigeaje Simple, para una funcin
aleatoria estacionaria de esperanza
desconocida, y una funcin aleatoria
intrnseca, mtodo conocido para los dos
ltimos casos como Krigeaje Ordinario.
Existen cuatro Krigeage un variable

1.-Krigeage Simple : Variable estacionaria de
media
conocida
2.-Krigeage ordinario : Variable estacionaria
de
media no conocida
3.-Krigeage de la media :Variable
estacionaria
Minimizar la varianza de estimacin
Utilizar el ponderador de Lagrange para minimizar
Minimizar la varianza
Entrega un sistema de ecuaciones

llamadas sistema del Krigeage
Krigeag
e
Sea
X
X
X
d
K.O.
Z*k (x) = Z (X) + Z (X)
a)Establecer Sistema Krigeage.
1.- Es un estimador lineal
Z*k (x) = Z (X) + Z (X)
2.- Es insesgado
[Z*(x)] = [Z (x)]
[Z*(x) - Z (x)] = 0
[ Z (X) + Z (X) - Z (X)] = 0
m + m m = 0
+ = 1
3.- Varianza de estimacin (Varianza del error)

Blue: Best Linear unbiased estimate
VAR (Z* - Z) = VAR ( Z + Z - Z)
VAR (Z) = - i j (Xi - Xj)
2
VAR ( Zi) = -[+ - - -

i=
+ + - +
0
+ ]
= - - - - 2 + 2

+ 2
Pero = 1
= - - - - 2 + 2
+ 2
2
i j (Xi Xj) 2 i (Xi - X) (X i=

j= 1
i=
X)
1
1
= VAR [Z* - Z] 2 ( i 1)
= - (0) 2 (2d) - (0) + 2
(d)
+ 2 (d) 2 ( + - 1)
/ = -2 ( + -1) = 0
+ = 1
/ = -2 (0) 2 (2d) + 2 (d)
2=0
(0) + (2d) + = (d)
/ = -2 (2d) 2 (0) + 2 (d)
2=0
(2d) + (0) + = (d)
(2d) + = (d)
(2d) + = (d)
+ = 1
= =
= (d) - (2d)
= (d) (1/2) (2d)
Krigeage puntual :Minimizar la varianza
Este es el sistema de Krigeage
Krigeage Puntual
Varianza del krigeage
Krigeage de bloque
Sistema de Krigeage

Apunte de Geoestadistica

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apunte de Geoestadistica

Caricato da

Copyright:

Formati disponibili

Apunte de clase

geo-estadistica lineal aplicada

DELGADO VEGA Jos

Estos cursos se dirigen a alumnos de la universidad de

II. OBJETIVO GENERALES

Brindar los fundamentos de los principales conceptos y

Analizar las herramienta para la estimacin de recursos y

III. OBJETIVOS ESPECIFICOS

Los principales temas a desarrollar

Valores de los exmenes

Optimisation de la fosse finale avec

Modlisation des lithologies

La geoestadstica es til para:

Trabaja dentro de restricciones geolgicas (fsicas)

No facilita el trabajo, pero lo mejora (si es aplicada correctamente)

La geoestadstica no hace lo siguiente:

Reemplazar buena informacin adicional

Las herramientas que son apropiadas en una etapa inicial

Algunas herramientas de modelamiento numrico:

Inverso del cuadrado de la distancia

Simulacin de variables continuas:

Simulacin Gaussiana Secuencial

Simulacin de variables categricas:

LAS CINCO ETAPAS DE UN

Son siempre nuestros datos equiprobables

Que pasa con la funcin de distribucin de los

Breve discusin de los mtodos tradicionales

Que buscamos con nuestros mtodos?

realidad .............................. Muestras ...........................Krigeage.................Carte de varianzas

Muestras y paneles .. ....Tonelaje de mineral... ;; Tonelaje de metal .........leyes medias

Puede ser: POLIGONAL

1) MEDIA ARITMETICA:Se basa en lo

2)Polgonos:El mtodo se basa en

3) INVERSO DE LA DISTANCIA:Se basa en

KRIGEAGE (se vera despus)

Los mtodos tradicionales mencionados son

CURVAS TONELAJE v/s LEY.

Curva Tonelaje - Ley de

Curva Tonelaje - Ley

Concepto de leyes de corte econmica de equilibrio

CURVAS RELACION ESTERIL V/S MINERAL

Los valores para desarrollar la formula son los siguientes:

De que depende las dimensiones del modelo de bloqu

Caractersticas del deposito

Conceptos Bsicos de estadstica

Pensemos en un pas imaginario y pequeo llamado Elich , donde tres

Representacin de los datos

0,2 0,4 0,6 0,8

1,2 1,4 1,6 1,8

2,2 2,4 2,6 2,8

3,2 3,4 3,6 3,8

4,2 4,4 4,6 4,8

Se interpreta probabilsticamente (probabilidad de un valor de

Nota: No olvidemos que un histograma no presenta ninguna informacin

Funcin no decreciente con valores

0,2 0,4 0,6 0,8

1,2 1,4 1,6 1,8

2,2 2,4 2,6 2,8

3,2 3,4 3,6 3,8

4,2 4,4 4,6 4,8

Moda, mnimo y mximo

E{Z} = valor esperado de Z

Esperanza y varianza de una variable