Beruflich Dokumente
Kultur Dokumente
PROFESOR M.ALFARO
TRABAJOS EN GEOESTADISTICA LINEAL
G.MATHERON
La theorie des varibles regionalises et ses aplications
Centre de geoestatistique Fontainebleau
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.
CLAYTON DEUTSCH
Special Topics in geostatistics
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
PROSPECCION
EXPLORACION
DESARROLLO
EXPLOTACION
REHABILITACION Y ABANDONO
Generalidades
Generalidades
Nociones fundamentales
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
Compositos
4
leyes de cobre
0
0 50 100 150 200 250
distancias
Generalidades
Generalidades
Algunas Problemtica general
Principios directores
3.-Principio de la economa
Generalidades
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
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
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 %
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)
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:
.-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
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
Frecuencia acumulada
80%
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
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
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
Pr{X = k } = pk
k =0
Esperanza y varianza de una variable aleatoria
k =0
Desviacin cuadrtica
Desviacin cuadrtica de los posibles valores de
promedio
X respecto de su promedio E[X]
Esperanza y varianza de una variable aleatoria
E[X ] = x f ( x) dx
-
V [X ] = (x - E[X ])
2
f ( x) dx
-
Esperanza y varianza de una variable aleatoria
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
w (z
i =1
i i - m) 2
Var{Z } = n
w
i =1
i
- -
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
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
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
Funcin de densidad de probabilidad:
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
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
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
Funcin de densidad de probabilidad:
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
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
1.-continuidad espacial
2.-Zona de influencia
3.-las anisotropa
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
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
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
h0
Z(x) y Z(x+h) difieren mucho
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
Comportamiento discontinuo
Comportamiento lineal
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
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
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
Variograma
2
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 :
Variograma
INDICA LA PRESENCIA DE UNA
DERIVA O DRIFT
VARIABLE NO ESTACIONARIA
Distancia
Anisotropas
Anisotropas :
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
1) g (0 ) = 0
2) g (- h) = g (h)
-h h
Variograma Terico-propiedades
- li l j g (xi - x j ) 0
n n
i =1 j =1
( a
)
var l Za = -l l g ab a b
Variograma Terico-propiedades
g (h )
lim 2
=0
h h
g (h ) c h
2
En particular para h suficientemente grande existe una constante c tal que
n
g (h ) = a i g i (h )
i =1
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))
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
Modelo Esfrico
Modelo Exponencial
Modelo Gaussiano
Modelo Cbico
Modelo Potencia
Modelo Efecto Pepita Puro
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
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
h
g (h) = c1 - exp -
a
Variograma
Alcance aparente igual a a
2
h
g (h ) = c 1 - exp -
a
2
Variograma
Rango aparente igual a a
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
Comportamiento cuadrtico en el origen
Distancia
Modelo Seno Cardinal
Modelo Seno Cardinal
( )
seno h /a
g (h) = c1 -
h /a
Variograma
Alcance experimental igual a 3a
g (h ) = s h
p
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
1
g ZY(h) = E[(Z(x) -Z(x +h))(Y(x) -Y(x +h))]
2
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 )
4) Desigualdad de Hlder
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
gF
Funciones Indicadoras
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.
g F (h ) = E (1F (x + h ) - 1F (x ))
1 2
2
Funciones Indicadoras
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
C F (h ) = E ([1F (x + h ) - p ][1F (x ) - p ])
Funciones Indicadoras
4) Desigualdad Triangular
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
Funciones Indicadoras
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)
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
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)
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
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
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.
d d
K.O.
[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)
2
VAR ( Zi) = -[+ - - -
i=0
+ + - + + ]
= - - - - 2 + 2
+ 2
Pero = 1
= - - - - 2 + 2
+ 2
2 2 2
= VAR [Z* - Z] 2 ( i 1)
(2d) + = (d)
+ = 1
= =
= (d) - (2d)
Sistema de Krigeage
Krigeage Simple
Varianza de Krigeage
Bloques regulares
Muestras
Variograma esferico
Krigear un bloque
Z1= 6
Z2=4
Z3=3
Z4=5
Z5=8
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
2.-Interpolador exacto
3.-Efecto pantalla
6.-Efecto de alisamiento
1= A
2=3 =4 =5=B
6=7 =8 =9=C
Efecto Pantalla