Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
IV. PROGRAMA DE TRABAJO
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 %
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".
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
SANS, H.J (2003)
"Workshop on sampling"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
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
Evaluation Des
Ressources
Modle
gologique de
bloc
Paramtres Economiques
Prix du mtal
Cots dextraction
Cots de traitement
Paramtres gomtallurgiques
Autres
Optimisation
Economique (Logiciel
Whittle)
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.
Generalidades
Principios Bsicos:
Generalidades
Generalidades
Generalidades
Generalidades
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
Generalidades
Generalidades
Generalidades
Tipos de muestreos
Regular
Aleatorio estratificado
Aleatorio
Tran-sect
Grupos
Contorno
Generalidades
Generalidades
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
Z
*
i 1, n
* zi
zs
zj
N
zs
sjz j
s
n
di
z {
}
n
i 1 1
d
j j
POLIGONO
PROMEDIO
IVOR
1
1
i
n
di
i
1
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
Conceptos generales
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
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
Cm
a b* R l
m
R * 1 h * ley
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
Continuidad espacial
Pasta a explotar.
Selectividad
J.DELGADO
J.DELGADO
J.DELGADO
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
Frecuencia
140
120
100
80
60
40
20
0
0
Clase
f ( x ) F ' ( x ) Pr ob x1 x x2
Histograma acumulado
Frecuencia acumulada
100%
80%
60%
40%
20%
0%
0
F ( x ) Pr ob X x
Relacin entre densidad de
probabilidades y densidad
cumulativa:
Muestras son un nmero finito de
realizaciones, por lo tanto:
Clase
F ( x)
f ( x )dx
F ( x ) pi
i 1
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
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
i 1 n = nmero de datos
m = media
En el caso continuo:
E{Z } m
zdF ( z ) zf ( z )dz
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
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
E X
x f ( x) dx
Y se define la varianza de X
como
VX
E
X
f ( x) dx
E X
x f ( x) dx
posible valor de X
El valor promedio que
puede asumir la variable
VX
Desviacin
cuadrtica
promedio
x E X
f ( x) dx
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
Var {Z }
w (z
i 1
w
i 1
( z m)
dF ( z )
m) 2
( z m)
f ( z ) dz
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
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
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
Valor esperado
Varianza
Jos Delgado
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 independiente de la localizacin
vector
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
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
Tolerancia angular
Clculo de variogramas
experimentales
Influencia del paso
Clculo de variogramas
experimentales
Influencia de la tolerancia en el paso
Comportamiento discontinuo
h0
Z(x) y Z(x+h) difieren mucho
1
h E [ Z ( x) Z ( x h)] 2
2
no se aproxima a cero
Comportamiento discontinuo
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
Comportamiento discontinuo
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
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
Distancia
Comportamiento-grandes distancias
Comportamiento a grandes
distancias :
INDICA LA PRESENCIA DE
UNA DERIVA O DRIFT
Variograma
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
5
variograma experimental
4
3
Variograma
experimental
2
1
0
Distancia
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
1)
0 0
2)
h h
es igual al variograma
-h
-h
Variograma Terico-propiedades
1 , 2 , 3 , , n
tales que
i 1
0 se tiene que
i j xi x j 0
n
i 1 j 1
var Z
Variograma Terico-propiedades
lim
h
h
h
h c h 2
Variograma Terico-propiedades
h i i h
i 1
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 )
Variograma Terico-propiedades
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
0
h
c
si h 0
si h 0
Modelo Esfrico
3 h 1 h
c
2 a 2 a
si h a
si
h a
Meseta c y alcance
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
Variograma
h c 1 exp
3a
3c/a
Representa
fenmenos
continuos pero no diferenciables
Distancia
Modelo Gaussiano
Modelo Gaussiano
h c 1 exp
a2
3a
Variograma
Meseta es
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
fenmenos
bastante
Variograma
Meseta C y Alcance
Distancia
seno h /a
h c 1
h /a
3a
Variograma
Distancia
Modelo Potencia
Modelo Potencia
h s h
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
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
Un
ejercicio
ilustra
el
efecto
que
la
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
176
regionalizada
regionalizada
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
180
regionalizada
Veamos ahora qu sucede con la forma del
histograma en cada una de las dos situaciones.
181
regionalizada
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
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
186
Z(x
)
187
todos
los
valores
dentro
del
volumen
V
mV
1
V
z ( x)dx
Z(x
)
188
S 2 (0|V )
V
Z(x
)
1
V
[ z ( x) mV ]2 dx
189
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
V.
Por
consiguiente,
esta
varianza
2 0 | V (V , V )
En la prctica
191
Varianza de v dentro de V
192
Varianza de v dentro de V
193
Varianza de v dentro de V
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
Varianza de v dentro de V
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
2 (0 | V ) (V ,V )
2 (v | V ) (V , V ) (v, v)
entrega
como
resultado
la
llamada
relacin
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
a los bloques de
2m x 2m.
199
2 puede
valor de
ser calculado en forma
(v | V )
experimental como la varianza de los cuatro bloques
200
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
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
variable
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
La covarianza es simtrica
C h C h
Desigualdad de Schwarz
C h C 0
Z x
Var
i 1
C x x
i 1 j 1
205
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
i 1
i 1
Z x
Var
i 1
i j xi x j
i 1 j 1
207
208
Variograma
Covarianza
h C 0 C h
209
Si el variograma
h
Si
el
h C 0 C h
variograma
h
covarianza
no
correspondiente
tiene
no
meseta,
la
existe.
El
210
211
Varianza de estimacin
Z
V
Z
v
E Z V m E
Z v m
2C ov Z V , Z v
Varianza de estimacin
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
Varianza de estimacin
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
Varianza de estimacin
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
2 V , v V ,V v, v
215
Varianza de estimacin
1
i
216
Varianza de estimacin
VarZ V i j C xi x j
*
i 1 j 1
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
Varianza de estimacin
Z V i Z ( xi )
*
i 1
E Z V Z V
*
C V ,V i j C xi x j 2 iC xi ,V
i 1 j 1
i 1
E Z V Z V
*
2 i xi ,V V ,V i j xi x j
i 1
i 1 j 1
218
Varianza de estimacin
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
219
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto
ZY
Variograma Cruzado
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)
ZY (h) CZY 0
1
CZY h CYZ h
2
CZY h E Z x mZ Y x h mY
Variograma Cruzado-propiedades
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
Variograma Cruzado-propiedades
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
si x F
si no
1F x
1
2
F h E 1F x h 1F x
2
Funciones Indicadoras
Propiedades
1)
E 1F x P ( x F ) p 0,1
var 1F x p 1 p
2)
F h 0.5
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
Funciones Indicadoras
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
Funciones Indicadoras
5) Rango y Anisotropas
Variograma
F h P( x F y x h F )
R2
R1
Distancia
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
GR ( h)
(h)1
mx m y 2
(
)
2
N ( h) ( x y ) 2
1
i
i
(
h
)
y
2 * N (h) i 1 ( i
i ) )2
2
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
Cul es el modelo
tridimensional?
Anisotropas (7)
Modelo tridimensional
Relacin de Krigen
S (O / V )
2
1
z ( x)dx
V
V
1
[ z ( x) m ] dx
V
2
S (O / V )
2
1
[ z ( x) m ] dx
V
2
O designa un punto
El muestreo puntual es soporte de volumen nulo
1
( x y )dxdy (V ,V )
V
2
Varianza de v en V
1
Z ( x) Z ( y )dy
v
V
v(x)
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
Como entender
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.
Minimizar la varianza
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
Pero = 1
= - - - - 2 + 2
+ 2
2
/ = -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
Varianza del krigeage
Krigeage de bloque
Sistema de Krigeage