Apuntes Curso Geoestadística Lineal - BSGRupo - Jose Delgado V PDF

Apunte de clase
geo-estadistica lineal aplicada
Prof.: Jos Delgado Vega

Dr Geologa de la Ingeniera ENSMP
Esp. Geoestadistica ENSMP
Esp. Explotacin Minas a Cielo Abierto y Cantera ENSMP
Ing Civil de Minas U.A
Objetivos del curso
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.
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.
INTRODUCCION
La base de datos
Optimisation de la fosse finale avec MGM
Evaluation Des
Recherche
Ressources
Gologique
Modle gologique
de bloc
Paramtres Economiques
Prix du mtal
Cots dextraction
Cots de traitement
Autres
Paramtres go-mtallurgiques
Modlisation des lithologies Optimisation Economique
Modlisation des gangues (Logiciel Whittle)
Consommations dacide
Type de minraux
Paramtres Gomtriques
Angles de Talus
Gomtrie de la fosse
Topographie
Autres
Analyse conomique du
projet
Dimensionnement de la
fosse finale
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
Ttulo del grfico
4
leyes de cobre
0
0 50 100 150 200 250
distancias
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 Tran-sect
Aleatorio estratificado 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 =*
l
i =1, n
i * z i
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:
zj
zs =
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:
sjz j
zs =
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 dia
z= { }
n 1
i =1
d a
j j
POLIGONO
l = 1
PROMEDIO
1
IVOR li =
n
1
a
d
li = i
1
KRIGEAGE (se vera despus)
i =1,n d
a
a [1 , 3 ]
i
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.
Graphique de teneurs / tonnages de Cuivre Total
120000.00
100000.00
80000.00
60000.00
40000.00
20000.00
0.00
0.00 0.50 1.00 1.50 2.00 2.50 3.00
Te n ue r
Teneur Coupur e Teneur Moyenne

Curva Tonelaje - Ley de Corte
Tonelaje
EJEMPLO N1
900.000.000
800.000.000
Curva Tonelaje - Ley Media
700.000.000
600.000.000
500.000.000
400.000.000
300.000.000
200.000.000
100.000.000
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 Ley %
Precio Ley de Corte Ley Mineral Cu Fino Ingresos Vida til

US$/lb Cu % Media Toneladas lb Cu US$ 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 6

Concepto de leyes de corte econmica de equilibrio
CURVAS RELACION ESTERIL V/S MINERAL

Para realizar estas curvas se procedi segn la siguiente forma.
Ecuacin econmica de la mina:
a + b* R l
Cm 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)
Ton v/s Ley de Corte

CURVA TONELAJE- LEY Ton v/s Ley Media
12.0
10.0
Tonelaje (Millones tons)
8.0
6.0
4.0
2.0
0.0
0 1 2 3 4 5 6
Ley de Au (grs/ton)
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 bloque ?
.-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 1813529.41
Mediana 100000
Moda 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
140
Frecuencia
120
100
80
60
40
20
0
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5
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 geoestadstica)
Histograma acumulado
100%
Frecuencia acumulada
80%
Funcin no decreciente con valores de 60%
frecuencia relativa entre 0 y 1.

40%
De un grfico de cumulativo podemos leer

20%
directamente probabilidades
0%
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5
F ( x ) = Pr ob{X x}
Clase

Relacin entre densidad de probabilidades y
densidad cumulativa:
F ( x) =
-
f ( x ) dx
n
F ( x ) = pi
Muestras son un nmero finito de
realizaciones, por lo tanto:
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:
1 n 1
D D
m = z (ua ) m= z (u )du
Media n a =1
z (u( n+1) / 2 ) si n es par

Mediana
M = ( z (u n / 2 ) + z (u( n / 2)+1 ))
si n es impar
2
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 bajo zp
F ( z p ) = Prob{Z z p } = p [0,1]
Estadstica bsica
Q3
Mediana o Q2
Q1
Estadstica bsica
Medidas de dispersin:
1 n 1
Varianza s = ( z (ua ) - m) 2 s = ( z (u ) - m ) du
2 2 2
n a =1 DD
Desviacin estndar
s = s2 s = s2
Rango intercuartil IQR = Q 3 - Q 1
Coeficiente de variacin CVexp . =

s
CVpobl. =
s
m m
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
E{Z} = valor esperado de Z
E{Z } = m = n wi = Ponderador del dato i-simo
w
i =1
i 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
2
k =0
La interpretacin es bastante sencilla

E [ X ] = k pk
k =0
probabilidad que la
posibles valores de X variable tome el valor k
El valor promedio que puede

asumir la variable

V [X ] = (k - E[X ]) pk
2
k =0
Desviacin cuadrtica
Desviacin cuadrtica de los posibles valores de
promedio
X respecto de su promedio E[X]
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

V [X ] = (x - E[X ])
2
f ( x) dx
-
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 Probabilidad de que la variable
asumir la variable aleatoria X tome un valor en el
intervalo [x, x + dx]

V [X ] = (x - E[X ])
2
f ( x) dx
-
Desviacin cuadrtica
promedio 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 } = s 2 = E{[ Z - m]2 } = E{Z 2 } - m 2 0

Momentos
En forma discreta, la varianza puede definirse como
n
w (z
i =1
i i - m) 2
Var{Z } = n
w
i =1
i
En forma continua, puede escribirse como

+ +
Var{Z } = ( z - m) dF ( z ) = ( z - m) 2 f ( z )dz
2
- -
Se calcula con los dos primeros momentos de Z:
Var{Z } = E {( Z - E{Z }) 2 } = E{( Z - m) 2 } = s 2

= E{Z 2 + m 2 - 2mZ } = E{Z 2 } - (1
E{Z })
2
123 424 3
Momento de Momento de Primer
Segundo Orden 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
n
( z (ua ) - m) 3
Coeficiente de asimetra = a =1
s3
Positivo Cercano a 0 Negativo

Frec. Frec. Frec.
Mm z(x) M mM
m
z(x) z(x)
Estadstica de dos variables
Anlisis bivariable
Pares deben corresponder a la misma ubicacin
en el espacio (co-localizados)
Grfico de Dispersin
2,5
2
Variable 2
1,5
0,5
0
0 0,5 1 1,5 2 2,5 3
Variable 1
Correlacin
El coeficiente de correlacin es una medida de la
dependencia lineal entre las dos variables
1 n
( z1a - mZ1 )( z2a - mZ 2 )
n a =1
r=
s Z1 s Z2
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
0 2 4 6 8 10 12 14 16
z
Propiedades:
Completamente definida por su media y varianza
Tiene una descripcin matemtica precisa
Favorable para enfoques tericos de estimacin
2
1 z -m
1 -
2 s
g( z) = e
2p s
g(z)
0.40
0.35
0.30
0.25
Distribucin Normal
0.20
0.15
0.10
0.05
0.00
0 2 4 6 8 10 12 14 16
z
z-m
Estandarizacin: y=
s
y2
Distribucin normal estndar N(0,1) 1 -
g( y ) = e 2
2p
Funcin de distribucin acumulada:

y
G( y ) = g( y ) dy
-
corresponde al rea bajo la curva
g(z)
0.40
0.35
0.30
0.25
Distribucin Normal
0.20
0.15
0.10
0.05
0.00
0 2 4 6 8 10 12 14 16
z
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 95 %
0.15 68% 0.15
0.10 0.10
0.05
16% 16%
0.05 2.5% 2.5%
0.00 0.00
0 2 4 6 8 10 12 14 16 0 2 4 6 8 10 12 14 16
z z
g(z)
0.35
0.30
0.25
0.20
0.15
Distribucin Lognormal 0.10
0.05
0.00
0 2 4 6 8 10
z
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
1 ln y - a
f Y ( y ) = F 'Y ( y ) = g o
by b
g(z)
0.35
Distribucin Lognormal
0.30
0.25
0.20
0.15
0.10
0.05
1 ln y - a 0.00
f Y ( y ) = F 'Y ( y ) = g o
0 2 4 6 8 10
z
by b
m = ea + b s 2 = m 2 [e b - 1]
2 2
/2
s2
ln y - a
a = ln m - b / 2 2
b = ln 1 + 2
2
FY ( y ) = Prob{Y y )} = Go para todo y > 0
b
m
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
0.10 0.3
0.2
0.05
0.1
0.00 0.0
0 2 4 6 8 10 0 2 4 6 8 10
z z
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
La representacin de una regionalizacin por una funcin aleatoria
estacionaria o intrnseca es una operacin SUBJETIVA que esta en
mano del usuario ,teniendo en consideracin los datos experimentales ,
la informacin disponible sobre el fenmeno regionalizado y a la escala
de trabajo , la estacionalidad indica una cierta homogeneidad de las
caractersticas de una variable en el espacio ,es necesario para
llevar a cabo la inferencia estadstica (calculo de la covarianza
O del variograna experimental en vista a su posterior modelamiento
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
g (h) = E[Z(x) -Z(x +h)]

1 2
Variograma Terico
2
1
g (h) =
*
2N(h)
(z(xi ) - z(xj ))2 Variograma Experimental
xi - x j = h
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 dada
Informacin estructural aportada por el 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 x
depende del mdulo y de la direccin del vector h
Variograma Terico-Caractersticas
g (h) = E [Z (x) - Z ( x + h)]2

1
2 Z (x + h 1 )
x + h1
h1
Deteccin de
caractersticas que
varan segn la Z (x )
x h
direccin y la
Z ( x + h)
distancia
x+ h
Le Variogramme
Variogramme exprimental
Variogramme thorique
Palier =Variance des dones
x x x
x
x
x
x Pas de corrlation
x entre points
x
Porte
L effect ppite
h 2h 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
g (h) = E[Z(x) -Z(x +h)]2

1
no se aproxima a cero
2
2) Errores de medicin en las

variables
3,5
Z obs ( x ) = Z ( x ) + e ( x ) 3
2,5 se 2
2 Valores
g Z (h) = g Z (h) + se
Variograma
observados
2 1,5
Valores
obs 1 reales
0,5
0
0
12
15
18
1,5
4,5
7,5
10,5
13,5
16,5
Distancia
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 3.5
tiene un comportamiento 3
lineal. 2.5
Variograma
2
Representa variables
continuas pero no 1.5
diferenciables. As, la 1
propiedad puede cambiar
0.5
rpidamente de un punto a
0
otro.
Distancia
Comportamiento Lineal
3,5
Comportamiento lineal 2,5
Variograma
2
La variabilidad de la 1,5
1
propiedad depender de la
0,5
pendiente de la recta en el
0
origen 0 1 2 3 4 5 6 7 8 9 10 11
Distancia
A mayor pendiente, 3
mayor variabilidad 2,5
2
Variograma
A menor pendiente, 1,5
menor variabilidad 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, 3,5

el variograma tiene un
3
comportamiento cuadrtico.
2,5
Variograma
2
Representa variables sumamente 1,5

continuas e infinitamente diferenciables.
1
As, la propiedad NO puede cambiar
rpidamente de un punto a otro. 0,5
0
1
10
13
16
19
22
25
28
31
34
37
Distancia
Comportamiento Hbrido
Comportamiento Hbrido:
8
Variacin ms suave a 7
distancias cortas 6
5
Variograma
Variacin ms fuerte a 4
distancias grandes 3
2
1
Indica presencia de
0
estructuras actuando a 0 1,5 3 4,5 6 7,5 9 10,5 12 13,5 15 16,5 18
diferentes escalas Distancia
Comportamiento-grandes distancias
Comportamiento a grandes
distancias :
NO TODOS LOS VARIOGRAMAS POSEEN

UN RANGO Y UN SILL FINITO
Variograma
INDICA LA PRESENCIA DE UNA
DERIVA O DRIFT
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 g *
EXPERIMENTAL AL MODELO
DE VARIOGRAMA g
Ajustar g*
6
POR QUE HAY QUE CONSTRUIR MODELOS
5
DE VARIOGRAMA ?
variograma experimental
4
3 Variograma
experimental
2 El variograma experimental no se
1 puede evaluar en distancias o
0
direcciones intermedias
0
4
0.4
0.8
1.2
1.6
2.4
2.8
3.2
3.6
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
La interpolacin no satisface las condiciones
3 experimental que todo variograma debe satisfacer
2 Modelo de
variograma
1
0
El variograma experimental no satisface las
condiciones que todo variograma debe
0
4
0.4
0.8
1.2
1.6
2.4
2.8
3.2
3.6
Distancia 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) g (0 ) = 0
2) g (- h) = g (h)
El variograma calculado en la direccin de h es igual al variograma calculado en la

direccin de -h
-h h
3) Todo variograma es una funcion definida positiva condicional
Para cualquier n, cualesquiera x1 , x2 , x3 , K, xn puntos en el espacio y cualesquiera

n
valores l1 , l2 , l3 , K, ln tales que l
i =1
i =0 se tiene que
- li l j g (xi - x j ) 0
n n
i =1 j =1
Esta propiedad permite calcular en forma consistente la varianza de combinaciones lineales de

funciones aleatorias
( a
)
var l Za = -l l g ab a b
4) Si g es el variograma de una funcion aleatoria estacionaria o intrnseca entonces
g (h )
lim 2
=0
h h
g (h ) c h
2
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

5) Combinacion lineal de variogramas
Si g 1 (h), g 2 (h), g 3 (h), K, g N (h) son modelos de variograma y a 1 , a 2 , a 3 , K, a N

son valores positivos entonces
n
g (h ) = a i g 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* =
l i
i Z ( xi )
l
E ( Z *) = E (
i
i Z ( xi ) = l
i
i E ( Z ( xi )) = l
i
im

2

= E li (Z ( xi ) - m)

Var [
l i Z ( x i )] = l l
i j
i j C ( xi - x j )
Var[
l i Z ( xi )] = - l l g
i j
i j ( xi - x j )
Var ( Z * ) = Var [
l i Z ( xi )] = - l l g
i j
i j ( xi - x j )
- (l12g (0) + l22g (0) + l32g (0) + 2l1l2g (0.8) + 2l1l3g (0.8) + 2l2l3g (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
1.5
0.5 4.5
4
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 3.5
3
2.5
+ = 2
1.5
1
2.5 0.5
0
2
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
1.5
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
g
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 si h = 0
g h=

c si h 0

Variograma
Este modelo representa a un
fenmeno completamente
aleatorio, en el cual no hay
correlacin espacial
No importa cun cerca se Distancia
encuentren los valores de las

variables, siempre sern no
correlacionados
Modelo Esfrico
Modelo Esfrico

3

3 h 1 h
- si h a

c

3

2 a 2 a

gh=

c si h >a
c

Variograma

Meseta c y alcance a
Comportamiento lineal en el origen Distancia
Pendiente igual a 1.5 c / a
Representa fenmenos continuos pero

no diferenciables
Es uno de los modelos de

variograma ms utilizados
Modelo Exponencial
Modelo Exponencial
h

g (h) = c1 - exp -
a

Meseta s que alcanza asintticamente
Variograma
Alcance aparente igual a a
Alcance practico al 95 % de la meseta

Rango experimental igual a 3a
Comportamiento lineal en el origen Distancia
Pendiente igual a 3c/a
Representa fenmenos continuos pero

no diferenciables
Modelo Gaussiano
Modelo Gaussiano
2
h
g (h ) = c 1 - exp -
a
2

Meseta es c que alcanza asintticamente
Variograma
Rango aparente igual a a
Rango experimental igual a 3a
Comportamiento cuadrtico en el origen

Distancia
Representa fenmenos continuos infinitamente

diferenciables (sumamente continuos)
Modelo Cbico
Modelo Cbico

2

3 5 7
h h h h

c7

2
- 8.75 + 3.5 - 0.75
si h a

a a3 a5 a7

g h=

c si h >a

Meseta C y Alcance a
Variograma
Representa fenmenos bastante continuos
Distancia
( )
seno h /a
g (h) = c1 -
h /a

Meseta c que alcanza asintticamente
Alcacne aparente igual a a
Variograma
Alcance experimental igual a 3a
Se utiliza para representar fenmenos

continuos con periodicidades Distancia
Modelo Potencia
Modelo Potencia
g (h ) = s h
p
s se denomina factor de escala

0 p<2 s=2.5, p=0.4
Variograma
s=0.4, p=1.8
El comportamiento en el origen s=1.15, p=1
depende del valor de p
Representa fenmenos no
estacionarios
Distancia
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto
g ZY
Variograma Cruzado
Si Z, Y son funciones aleatorias estacionarias o intrnsecas, el variograma cruzado de ellas se

define como :
1
g ZY(h) = E[(Z(x) -Z(x +h))(Y(x) -Y(x +h))]
2
Para su estimacin se utiliza el variograma cruzado experimental
1
g (h) =
*
ZY
2N(h)
(z(x ) - z(x ))(y(x ) - y(x ))
i j i j
xi -x j = h
Variograma Cruzado-propiedades
1) g ZY (0) = 0
2) g ZY (- h ) = g ZY (h )
3) g ZY (h) = g YZ (h) El variograma cruzado es una funcin simtrica
4) Relacin con la funcin de covarianza cruzada
g ZY (h) = C ZY (0) - (CZY (h ) + CYZ (h ))

1
2
CZY (h) = E [(Z(x) - mZ )(Y (x + h) - mY )]

4) Desigualdad de Hlder
g ZY (h) 2 g Z (h) g 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 cruzado y los variogramas individuales
g Z (h) = u1 g1 (h) + u2 g 2 (h) + L+ um g m (h)

g Y (h) = v1 g1 (h) + v2 g 2 (h) + L+ vm g m (h)
g YZ (h) = w1 g1 (h) + w2 g 2 (h) + L+ wm g m (h)
u j > 0 vj > 0 u j v j - w 2j > 0
g j , j = 1,K, m modelos de variogramas

VARIOGRAMA DE FUNCIONES
INDICADORAS
Modelando el comportamiento
espacial de Facies
gF
Funciones Indicadoras
La funcin indicadora de la facies F se define como
1 si x F

1F ( x ) =
0 si no

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
g F (h ) = E (1F (x + h ) - 1F (x ))
1 2
2
Propiedades
1) E (1F (x )) = P( x F ) = p [0,1]
var (1F (x )) = p (1 - p )
2) g 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
g (h ) = C F (0 ) - C F (h ) C F (0 ) = var (1F (x )) = p (1 - p ) 0.25

F
C F (h ) = E ([1F (x + h ) - p ][1F (x ) - p ])
4) Desigualdad Triangular
g F (h1 + h2 ) g F (h1 ) + g F (h2 )
En particular g F (2h ) 2 g F (h )
Consecuencia :
p >1
p
Un variograma con comportamiento en el origen de la forma h
no puede ser el variograma de una funcin indicadora
5) Rango y Anisotropas
g F (h) = P( xF y x + hF)
Variograma R2 R1
Distancia
Otras medidas experimentales para medir la variabilidad/continuidad espacial
N ( h)
1.- Semivariograma g ( h) =
1
2 * N (h) i =1
( zi - yi )2
N (h)
2.- Semivariograma cruzado g zy(h) =

1
2 * N (h) i =1
( zi - zi' )( yi - yi' )
N (h)
3.- Covariograma C ( h) =
1
N (h) i =1
( xi yi -mxm y )
C ( h)
4.- Correlograma r ( h) =
s xs y
g (h)1
5.- Semivariograma general relativo g GR (h) =
mx + m y 2
( )
2
1 N ( h) ( x - y ) 2
6.- Semivariograma relativo de pareja g PR(h) = i i
2 * N (h) i =1 ( xi + yi ) 2
( )
2
N ( h)
7.- Semivariograma de logaritmo g L ( h) =
1
2 * N ( h) i =1
(ln( xi ) - ln( yi ))2
N (h )
8.- Semimadograma g M (h) =
1
2 * N (h ) i =1
xi - yi
Estrategia de Modelamiento
REF:Xavier Emery
Anisotropas (6)
Ejemplo de ajuste
g este (h) = 0.13 pep + 0.42 esf (180m)

Cul es el modelo
g norte (h) = 0.13 pep + 0.54 esf (100m) tridimensional?
g vertical (h ) = 0.13 pep + 0.72 esf (80m)

Anisotropas (7)
Modelo tridimensional
g este (h) = 0.13 pep + 0.42 esf (180m) + 0.12 esf() + 0.18 esf()
g norte (h) = 0.13 pep + 0.42 esf (100m) + 0.12 esf (100m) + 0.18 esf()
g vertical (h) = 0.13 pep + 0.42 esf (80m) + 0.12 esf (80m) + 0.18 esf (80m)
g (h) = 0.13 pep + 0.42 esf (180m,100 m, 80 m)

+ 0.12 esf (,100 m, 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
1
m =
V z ( x)dx
V
V
1
S (O / V ) =
2
[ z ( x) - m ] dx
V V
2
Equivalente a la esperanza y a la varianza ,reemplazando

La media aritmtica sobre las realizaciones por una media
espacial
1
S (O / V ) =
2
[ z ( x ) - m ] dx
V V
2
O designa un punto
El muestreo puntual es soporte de volumen nulo
Si ahora nosotros estudiramos todas las realizaciones
De Z (x)
s (O / V ) = E[ S (O / V )]
2 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
1
s (O / V ) =
2
2 g ( x - y ) dxdy = g (V ,V )
V V V
Varianza de v en V
1
Z ( x) = Z ( y )dy
V v(x)
v
Esta es la funcin Aleatoria , media espacial de la funcion
Aleatoria Z (y) sobre el volumen v (x)
1
m =
V z ( x)dx
V
V
y
1
S (v / V ) = [ z ( x) - m ] dx
2
V v V
2
V
La varianza de dispersin de v en V
1
s (v / V ) = E{ [ z ( x) - m ] dx}
2
V v V
2
Esta es igual a
1 1
s (v / V ) = g ( x - y )dxdy - g ( x - y )dxdy
2
2 2
V V V v vv
sea
s (v / V ) = g (V ,V ) - g (v, v )
2
Relacin de aditividad de Krige
s (v/V) = g (V,V)
2
s (v/V) = g (V,V) -g (v,v)

2
s (v/V) =s (O/V) -s (O/ v)

2 2 2
s (O/V) =s (O/ v) +s (v/V)

2 2 2
s (v/V) =s (v/V)+s (V/V)

2 2 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
i Z Z* (Z-Z*)2 (Z-m)2 (Z*-m*)2
1 5 6 1 0 1
2 7 6 1 4 1
3 6 4 4 1 1
4 2 4 4 9 1
5 5 5 0 0 0
suma 25 25 10 14 4
suma/5 5 5 2 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
4.-Krigeage Universal Variable no estacionari

Minimizar la varianza de estimacin
Utilizar el ponderador de Lagrange para minimizar

Minimizar la varianza
Entrega un sistema de ecuaciones llamadas sistema

del Krigeage
Krigeage
Sea
X X X
d 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 2 2
i j (Xi Xj) 2 i (Xi - X) (X - X)

i=1 j= 1 i=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
Krigeage Simple
Es llamada el pesos de la media

El krigeage simple
.-Es menos utilizado
.-Debe estar seguro de que m esta bien estimado
.-Sus ecuaciones son mas simples

Krigeage Puntual Simple :Minimizar la varianza
Se obtiene el siguiente sistema
Este es el sistema de Krigeage

Krigeage de bloque
Varianza de Krigeage
Bloques regulares
Valor medio del variograma

entre xi y todos los puntos de v
Valor medio del variograma

entre 2 puntos de v tomando
todos los pares de puntos
Variogramas similares
Variograma similares aplicado al krigeage de un bloque
Muestras
Variograma esferico
Krigear un bloque
Talla del bloque 200 x 200 m
Malla de muestreo 200 x 200
Z1= 6
Z2=4
Z3=3
Z4=5
Z5=8
Krigear un bloque
Variograma Esfrico :Alcance 250 m ,Meseta 2.0

Krigear un bloque
El sistema de Krigeage es
Krigear un bloque
Krigear un bloque
Solucin
Krigear un punto ,con cinco muestras en una malla regular de
200m x 200 m
Solucionemos este ejercicio
Escritura matricial del Krigeage
Krigeage ordinario de bloque
Matrice de coeficiente variografico
Matriz de las incgnitas

Matriz de dispersin
Caso estacionario de orden dos
C*Sph(h/a)+C0
Jos Delgado
Propiedades del Krigeage:
1.-Lineal sin sesgo y con mnima varianza
2.-Interpolador exacto
3.-Efecto pantalla
4.-Toma en cuenta la posicin de los puntos en el espacio
5.-Toma en cuenta la continuidad espacial de los datos
6.-Efecto de alisamiento
7.-Casi sin sesgo condicional
8.-Transitiva , coherencia en lo estimado

Efecto de simetra
1= A
2=3 =4 =5=B
6=7 =8 =9=C
10=11 =12 =13=D
Efecto Pantalla
10=11 =12 =13=0

Apuntes Curso Geoestadística Lineal - BSGRupo - Jose Delgado V PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apuntes Curso Geoestadística Lineal - BSGRupo - Jose Delgado V PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Apunte de clase

geo-estadistica lineal aplicada

Prof.: Jos Delgado Vega

Brindar los fundamentos de los principales conceptos y tcnicas

Analizar las herramienta para la estimacin de recursos y la

CHILES JEAN-PAUL & DELFINER PIERRE (1999)

EMERY XAVIER & ARNAUD MICHEL (2000)

EMERY XAVIER (2007)

Margaret Armstrong Jaques Carignan

JOFRE DUBER (2009)

SANS, H.J (2003)

ISAAKS , E.H. and SRIVASTAVA, R.M. (1989)

DEUTSCH, C.V., JOURNEL A.G. (1998):

CHICA - OLMO M. (1987)

Dterministicos vs. Go estadisticos

Dterministicos : Utilizan funciones matemticas

Go estadsticos (Estocsticos): Asocian

La estadstica se ocupa de los mtodos cientficos para recolectar,

La geoestadstica es una rama de la estadstica aplicada que desarrolla

Matheron : Estudio de la variable regionalizada

Sencilla :Es la aplicacin de la estadstica a las

La geoestadstica pone nfasis en:

La geoestadstica es til para:

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

La geoestadstica no hace lo siguiente:

Algunas herramientas de modelamiento numrico:

Simulacin de variables continuas:

Simulacin de variables categricas:

Variable regionalizada ( o regionalizacin )

Se trata del volumen sobre el cual se considera la variable

Cuando los datos originales son testigos de sondages cuyo soporte

El inters por la geoestadistica esta basado en su habilidad

Es una variable aleatoria donde la localizacion,

Ella presenta dos aspectos contradictorio

Tiene un aspecto aleatorio

El conocimiento que se tiene de un depsito es siempre

La densidad del muestreo influye en el conocimiento de la

1.-Respeto a los datos

2.-Principio del realismo

Son siempre nuestros datos equiprobables

Que pasa con la funcin de distribucin de los datos?

Regular Aleatorio Tran-sect

Aleatorio estratificado Grupos Contorno

Numerosas tcnicas de interpolacin ;

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

El mtodo tradicional media aritmtica no

Los mtodos tradicionales mencionados son

Dichos mtodos presentan una sobre-estimacin de las

Teniendo los datos de las reservas del yacimiento se puede

Teneur Coupur e Teneur Moyenne

Precio Ley de Corte Ley Mineral Cu Fino Ingresos Vida til

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 6

CURVAS RELACION ESTERIL V/S MINERAL

Ton v/s Ley de Corte

Es un modelamiento tridimensional que consiste en discretizar virtualmente el

.-Caractersticas del deposito

Desviacin estndar 5674424.55

Se interpreta probabilsticamente (probabilidad de un valor de pertenecer a una

Nota: No olvidemos que un histograma no presenta ninguna informacin referente a la ubicacin

Funcin no decreciente con valores de 60%

frecuencia relativa entre 0 y 1.