Curso 2014 UA Complemento

Apunte de clase
geo-estadistica lineal aplicada

Complemento
Bogot 2014
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
Profesor
Jos Delgado Vega: De formacin Ingeniero Civil de Minas es Doctor en al
Escuela de Minas de Paris en geologa aplicada , adems tiene dos post-titulo
en la escuela de minas de Paris ,el primero como especialista en explotacin
de minas a cielo abierto canteras y el segundo como especialista en
geoestadstica Ha realizado diversos trabajos de en el rea de evaluacin de
reservas , su investigacin doctoral se ha centrado sobre la modelizacin
geo metalrgico y su influencia en la planificacin minera de minas a cielo
abierto.
Es profesor jornada completa del departamento Minas de la Universidad de
Antofagasta , a dictado curso ( a nivel nacional e internacional ) de geo
estadstica lineal , no lineal simulacin , estadstica aplicada , planificacin
minera a cielo . Don Jos trabaj 8 aos en operaciones minas y es experto
en seguridad minera clase A. Email jose.delgado@uantof.cl

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

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

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

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

Proveer al alumno con herramientas bsicas para c
caracterizar yacimientos metlicos usando informacin de
registros de sondajes de exploracin.
Proveer al alumno con criterios para elegir cul es la tcnica
ms apropiada para describir propiedades de un yacimiento.
Proveer al alumno con tcnicas cuantitativas para
Referencia
PROFESOR M.ALFARO
TRABAJOS EN GEOESTADISTICA LINEAL
G.MATHERON
La theorie des varibles regionalises et ses aplications
Centre de geoestatistique Fontainebleau
CHILES JEAN-PAUL & DELFINER PIERRE (1999)
"GEOSTATISTICS Modeling Spatial Uncertainty"
A Wiley Interscience Publications 1999
EMERY XAVIER & ARNAUD MICHEL (2000)
"Estimation et interpolation spatiale mthodes dterministes
et mthodes gostatistiques" Herms Sciences Europe 2000 157p
EMERY XAVIER (2007)
Apuntes de geoestadistica,
UNIVERSIDAD DE CHILE octubre del 2007.
Margaret Armstrong Jaques Carignan
Geostatisitque lineaire Application au domaine minier
Referencia
JOFRE DUBER (2009)
"Curso de categorizacin de reservas"
Diplomado Internacional en geoestadistica aplicada a la evaluacin de recursos mineros 2009 Lima BSGrupo
LE LOCH, G. (2003)
" Notes de classes de cours de gostatistique"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
.
KIM, Y.C. & MEDHI P.K. & RODITIS I.S. (1987)
Performance evaluation of indicator kriging in a gold deposit
Mining Engineering October 1987 947p
MARCOTTE,D. (2002)
"Notes de classes de cours de Krigeage dIndicatrices"
http://geo.polymtl.ca/~marcotte/glq3401geo/chapitre7.pdf
Ecole Polytechnique Montreal GLQ3401
ONU (1996):
"Marco Internacional de las Naciones Unidas Para la Clasificacin de Reservas/Recursos,
Combustibles Slidos y Sustancias Minerales"
Versin Definitiva. Establecida y Presentada por el Equipo Especial de las Naciones Unidad. p. 77-88.
Referencia
RIVOIRAD,J. (2003) :
"Notes de classes de cours de gostatistique multivariable".
SANS, H.J (2003)
"Workshop on sampling"
CLAYTON DEUTSCH
Special Topics in geostatistics
ISAAKS , E.H. and SRIVASTAVA, R.M. (1989)
"An introduction to applied geostatistics "
Oxford University Press, New York. 1989.
DEUTSCH, C.V., JOURNEL A.G. (1998):
GSLIB: Geostatistical Software Library and Users Guide
Second Edition, Oxford University Press, 369 p.
CHICA - OLMO M. (1987)
Anlisis Geoestadstico en el Estudio de la Explotacin de Recursos Minerales"
Tesis Doctoral, Universidad de Granada, Espaa, 387 p.
INTRODUCCIO
N
La base de datos
Optimisation de la fosse finale avec

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

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

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

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

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

pueden no serlo ms delante
Algunas herramientas de modelamiento numrico:

Estimacin:
Inverso del cuadrado de la distancia

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

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

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

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

datos?
Generalidades
Generalidades
Breve discusin de los mtodos tradicionales

de evaluacin
Que buscamos con nuestros mtodos?
Puede ser: POLIGONAL

PROMEDIO
IVOR
KRIGEAGE,
EN GENERAL:
Z
*
i 1, n
*
z
i
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:
zs
zj
N
2)Polgonos:El mtodo se basa en

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

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

i 1, n d i
1,3
Ejemplo
Conceptos generales
CURVAS TONELAJE v/s LEY.

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

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

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

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

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

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

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

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

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

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

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

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

valores de X respecto de su promedio
E[X]

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

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

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

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

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

Var {Z }
( z m) dF ( z )
2
m) 2
2
(
z
m
)
f ( z )dz
Se calcula con los dos primeros momentos de Z:
Var Z E ( Z E Z ) 2 E ( Z m) 2 2
E Z 2 m 2 2mZ
EZ 2
Momento de
Segundo Orden
EZ 2
Momento 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
Coeficiente 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
Distribucin normal estndar N(0,1)

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

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

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

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

cionaria o intrnseca es una operacin SUBJETIVA que esta e
o del usuario ,teniendo en consideracin los datos experime
formacin disponible sobre el fenmeno regionalizado y a la
rabajo , la estacionalidad indica una cierta homogeneidad de
actersticas de una variable en el espacio ,es necesario para
ar a cabo la inferencia estadstica (calculo de la covarianza
el variograna experimental en vista a su posterior modelamie
Variografia
Le Variogramme
Variogramme exprimental
Variogramme thorique
Palier =Variance des dones
x
Pas de corrlation
entre points
x x
x
L effect ppite
h 2h
Porte
Distance m.
Variograma Experimental-definicin
1
2
h E [ Z ( x) Z ( x h)]
2
1
( h)
2N h
*
( z ( xi ) z ( x j )) 2
xi x j h
Variograma Terico
Variograma Experimental
Variograma Terico-Definicin
Es una herramienta que permite

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

propiedad en dos puntos separados por una distancia |h|
es independiente de la localizacin
vector
depende del mdulo y de la direccin del
Variograma Experimental-definicin
Coordenadas estratigraficas
La correlacin espacial se
debe calcular dentro de la
misma unidad estratigrfica
Z Z base
Z tope Z base
Clculo de variogramas
experimentales
Influencia del paso
Clculo de variogramas
experimentales
Influencia de la tolerancia en el paso
Retos en el clculo del

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

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

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

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

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

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

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

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

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

variograma
experimental
no
garantiza la existencia y unicidad de
la solucin del sistema de kriging
6
5
4
Variograma
experimental
Modelo de
variograma
2
1
0
Distancia
El variograma experimental no
se puede evaluar en distancias
o direcciones intermedias
La interpolacin
condiciones que
debe satisfacer
no satisface las
todo variograma
El
variograma
experimental
no
satisface las condiciones que todo
variograma debe satisfacer
Variograma Terico-propiedades
LOS VARIOGRAMAS TIENEN PROPIEDADES ESPECIALES, CUALQUIER FUNCIN QUE

DEPENDA DE LA DISTANCIA Y LA DIRECCIN NO NECESARIAMENTE ES UN
VARIOGRAMA
1)
0 0
2)
h h
El variograma calculado en la direccin de
calculado en la direccin de
es igual al variograma
-h
-h
3) Todo variograma es una funcion definida positiva condicional

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

lineales de funciones aleatorias
var Z
4) Si es el variograma de una funcion aleatoria estacionaria o intrnseca entonces
lim
h
h
0
2
h
En particular para h suficientemente grande existe una constante c tal que
Criterio para el comportamiento del variograma a grandes distancias

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

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

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

Permite modelar la anisotropa zonal
Por definicin
Var ( Z *) E[ Z * E ( Z *)]2
Recordemos
Z*
i Z ( xi )
E ( Z *) E (
i Z ( xi )
i E ( Z ( xi ))
im
i ( Z ( xi ) m)
Var [
i Z ( xi )]
Var [
i Z ( xi )]
i j C ( xi x j )
i j ( xi x j )
Var ( Z * ) Var [
i Z ( xi )]
i j ( xi x j )
(12 (0) 22 (0) 32 (0) 21 2 (0.8) 213 (0.8) 22 3 (1))
(0 0 0 0.2 0.2 0.5)

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

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

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

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

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

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

Rango experimental igual a
3a
Comportamiento lineal en el origen

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

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

Representa
continuos
fenmenos
bastante
Variograma
Meseta C y Alcance
Distancia

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

Se utiliza para representar fenmenos
continuos con periodicidades
Distancia
Modelo Potencia
Modelo Potencia
h s h
s se denomina factor de escala
El comportamiento en el origen
depende del valor de p
s=2.5, p=0.4
Variograma
0 p2
s=0.4, p=1.8
s=1.15, p=1
Representa fenmenos no
estacionarios
Distancia
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto
ZY
Variograma Cruzado
Si Z, Y son funciones aleatorias estacionarias o intrnsecas, el variograma

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

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

Permite modelar en forma consistente el variograma
variogramas individuales
cruzado y los
Z h u1 1 h u2 2 h um m h
Y h v1 1 h v2 2 h vm m h
YZ h w1 1 h w2 2 h wm m h
u j 0 vj 0
u j v j w 2j 0
j , j 1, , m
modelos de variogramas
Otras medidas experimentales para medir la variabilidad/continuidad espac
1.- Semivariograma
1
(h)
2 * N (h)
4.- Correlograma
C ( h)
1
N ( h)
( h)
( zi yi )2
i 1
N ( h)
2.- Semivariograma cruzado zy(h) 2 * N (h)
3.- Covariograma
N (h)
( zi zi' )( yi yi' )
i 1
N ( h)
( xi yi mx m y )
i 1
C ( h)
x y
5.- Semivariograma general relativo
GR (h)
(h)1
mx m y 2
(
)
2
N ( h) ( x y ) 2
1
i
i
6.- Semivariograma relativo de pareja PR(h) 2 * N (h) ( x y ) 2
i )
i 1 ( i
2
7.- Semivariograma de logaritmo
8.- Semimadograma
1
L ( h)
2 * N ( h)
N (h)
(ln( xi ) ln( yi ))2
i 1
1
M ( h)
2 * N ( h)
N ( h)
i 1
xi yi
Estrategia de
Modelamiento
REF:Xavier
Emery
Anisotropas (6)
Ejemplo de ajuste
este (h) 0.13 pep 0.42 esf (180m)

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

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

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

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

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

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

Aleatoria Z (y) sobre el volumen v (x)
m
V
1
z ( x)dx
V
V
y
1
S (v / V ) [ z ( x) m ] dx
V
2
La varianza de dispersin de v en V
1
(v / V ) E{ [ z ( x) m ] dx}
V
2
Esta es igual a
1
1
(v / V ) ( x y )dxdy ( x y )dxdy
V
v
2
sea
(v / V ) (V ,V ) (v, v)
2
vv
Relacin de aditividad de Krige
(v / V ) (V ,V )
2
(v / V ) (V ,V ) (v, v)
2
(v / V ) (O / V ) (O / v)
2
(O / V ) (O / v) (v / V )
2
(v / V ) (v / V ) (V / V )
2
Varianza de bloque y varianza de dispersin
Como entender
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
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 )
Krigeage
Kriging
Krigeaje.
Krigeaje : interpolador de la geoestadstica, que

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

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

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

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

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

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

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

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

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

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

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

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

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

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

j= 1
i=
X)
1
1
= VAR [Z* - Z] 2 ( i 1)
= - (0) 2 (2d) - (0) + 2
(d)
+ 2 (d) 2 ( + - 1)
/ = -2 ( + -1) = 0
+ = 1
/ = -2 (0) 2 (2d) + 2 (d)
2=0
(0) + (2d) + = (d)
/ = -2 (2d) 2 (0) + 2 (d)
2=0
(2d) + (0) + = (d)
(2d) + = (d)
(2d) + = (d)
+ = 1
= =
= (d) - (2d)
= (d) (1/2) (2d)
Krigeage puntual :Minimizar la varianza
Este es el sistema de Krigeage
Krigeage Puntual
Varianza del krigeage
Krigeage de bloque
Sistema de Krigeage
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
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
Jos Delgado
Jos Delgado
Jos Delgado
Jos Delgado
Jos Delgado
Jos Delgado
Jos Delgado
Jos Delgado
Krigeage indicatrice
Para una variable continua el , el Krigeage es un buen estimador de la esperan

Condicional
Donde los puntos son obtenidos por krigeage ordinario de la

variable indicatriz es una estimacin de
Cual es la probabilidad
de estar bajo la ley de
corte
Kriging de indicadores (1)
Principio
Se busca caracterizar el valor en el sitio ? por una distribucin
de probabilidad, la cual refleja la incertidumbre en este sitio.

sitio
A
B
C
D
E
F
?
ponderador de
kriging (%)
5.2
-7.2
57.9
27.1
15.7
1.2
ley
0.21
0.35
0.42
0.28
0.53
0.05
0.389
ley de corte ley de corte ley de corte ley de corte ley de corte
n1 0.1
n2 0.2
n3 0.3
n4 0.4
n5 0.5
0
0
1
1
1
0
0
0
1
1
0
0
0
0
1
0
0
1
1
1
0
0
0
0
0
1
1
1
1
1
0.012
La estimacin de cada
indicador se interpreta
como la probabilidad que
el valor verdadero sea
menor que la ley de corte
asociada.
0.012
0.335
0.263
0.842
Se debe corregir las estimaciones para que sean crecientes

entre 0 y 1
correccin ascendente
correccin descendente
Se promedian ambas correcciones, luego se interpola y

extrapola para completar la distribucin de probabilidad.
correccin final
interpolacin/extrapolaci
n
Kriging de indicadores
Pros
fcil de ejecutar, no requiere ninguna hiptesis particular
el formalismo de los indicadores permite incorporar datos
imprecisos
los valores aberrantes se transforman en 0 - 1
Contras
mtodo engorroso cuando hay numerosas leyes de corte
anlisis variogrfico de indicadores: coherencia matemtica?
la codificacin en indicadores pierde informacin
problemas de relacin de orden
interpolacin y extrapolacin
cambio de soporte
Revisin de la estimacin log normal para reservas In situ
Sea Z(x) una variable regionalizada estacionaria con distribucin log normal
L(x) = log Z(x) con distribucin Normal N( , )
La covarianza del log L(x) es ( h )
Definiremos
L(x) en trminos de una funcin normal estandarizada Y(x)
L(x) = + Y(x)
( h) = es la covarianza de Y( x )
( h ) = * ( h)
Z(x ) = = e * e
Y(x) - /2
Y(x)
e +/2 * e
Una empresa minera a explotado muchos yacimientos de fierro, por lo que su ley en fierro esta
claramente modelizada por una funcin aleatoria estacionaria, que llamaremos Z(x) .
Se ha notado que ella presenta problemas , donde es necesario trabajar en el campo no lineal ,
nosotros estaremos en el campo gaussiano . Segn este modelo la ley puede ser exprimida
en termino de una variable gaussiana reducida y con la ayuda de la anamorfosis gausiana
Z(x) =
La empresa utiliza el modelo analtico siguiente para describir la anamorfosis
Z(x)=a - b *eC *Y(X)
El valor de la constante a esta fijado en 70% ,porque la ley del fierro no puede pasar este limite.
Las dos constantes desconocidas b y c son siempre positivas ( b y c > 0 ) pero su valor es ajustado
segn el yacimiento .
1.-Distribucion de la ley Z(x)

Todas las preguntas estarn referido a un yacimiento DAMONE para el que existe una buena cantidad
de sondajes de exploracin Los histogramas permiten calculas las constantes desconocidas entregando
un valor de b=7.8 y de c= 0.5 .
Preguntas
1.-Demuestra que la media se escribe
2.- Demuestre que la varianza
3.-Calcule el valor de la media y de la varianza
4.- Disee una funcin de anamorfosis con soporte puntual para los valores Y(x) entre -3 y 3
(por ejemplo Y(X)= -3,-2,-1,0,-1,2 Y 3) . Trace una funcin de reparticin de las leyes de fierro para el yacimiento
5.-Usando la funcin de distribucin normal estndar calcule y dibuje el histograma acumulado del yacimiento de
Hierro
2.-Reservas recuperables globales con y sin cambio de soporte

Nos interesa las reservas recuperable globales , ,con soporte puntual .En funcin de la situacin
econmica nos interesa el calculo de las reservas para una ley de corte zc=58.0% .
Comencemos con la estimacin de soporte puntual .
En este caso el mineral zc esta definido como
T(zc)=E{IZ(x) ZC}
y el metal como
Q(zc)=E{ Z(x) * IZ(x) ZC}
1.-Demuestre que el tonelaje puede ser calculado por:
Donde
es una distribucin normal estndar
2.-Que proporcin del yacimiento esta sobre la ley de corte Zc =58 %

3.-Demuestre que la cantidad de metal es calculada por
Donde
Use la formula
4.-Cual es la cantidad de metal para una ley de corte 58%
5.-Cual es la ley media para una ley de corte de 58 %
Curvas de selectividad
Las curvas de selectividad son herramientas
alternativas al histograma para visualizar la
distribucin de los valores de una variable. Entre ellas,
las ms importantes son:
tonelaje - ley de corte: indica la proporcin de valores
(fraccin del tonelaje total) que supera una ley de corte
ley promedio - ley de corte: indica la media de los valores
que superan una ley de corte
ley promedio - tonelaje
cantidad de metal - ley de corte: la cantidad de metal se
define como el producto de la ley promedio por el tonelaje
cantidad de metal - tonelaje
Lospolinomios de Hermitesonunejemplodepolinomiosortogonalesque
encuentransuprincipalmbitodeaplicacionesenmecnicacuntica,sobre
todoenelestudiodelosciladorarmnicounidimensional.
SonnombradosasenhonordeCharlesHermite.
Definicin
LospolinomiosdeHermitesedefinencomo
Atendiendo al modelo
funcin no lineal que establece una

correspondencia biyectiva entre las
variables aleatoria Z e Y
Krigeage lognormal simple
Efecto proporcional
Permanencia de la log normalidad
Ejercicio 2
El calculo realizado anteriormente desentenda el tamao del
bloque , el cual es de 10 x 20 m2 , de este modo es necesario
considerar el cambio de soporte .
Para la construccin del cambio de soporte ,debemos asumir
que los bloques siguen la misma distribucin de las muestras
,asumiremos la permanencia de la distribucin
Donde Y es una variable normal estndar
1.-El variograma promedio sobre v ha sido calculado

como
Use el resultado obtenido en el ejercicio 1 , demuestre
2.-Cul es el valor
a la ley de corte
de la variable normal estndar Y , correspondien

cuando este es aplicado a los bloques
Calcule la recuperacin
, la cantidad de metal
media para el deposito

3.-.Compare los resultados para bloques y puntos
y la ley
Krigeage lognormal simple
Estimacin puntual de media conocida
Estimacin puntual de media no conocida

Primer criterio
EJERCICIO
Estimacin de
Reserva / depsito de plata] En este estudio
bivariado 2D que se estiman las reservas del plomo (Pb) y plata (Ag).
El ejercicio se debe a Jacques RIVOIRARD. Los parmetros son sobre los
de un estudio de caso real realizado por Peter DOWD en un Pb / Zn /
yacimiento Ag en Broken Hill, Australia (que se describe en [20] el
P256). La variable Z1 (Pb), tiene un grado promedio de 13% con
una variacin del 50. El variograma se compone de un efecto
pepita y un modelo esfrico con un alcance de 60 m:
La variable Z2 (Ag) tiene una calificacin promedio de 4

(expresado en onzas /
tonelada), una variacin de 3 y el modelo de variograma:
El variograma cruzado entre el plomo y la plata no tiene

efecto pepita:
RECOVERABLE RESERVES OF
LEAD
El histograma de valores de punto del plomo se ha modelado
mediante una
anamorfosis Gaussiana truncada en el segundo Orden:
con coeficientes o = 13, 1= -6,928

cuenta que los
polinomios de Hermite no se normalizan.
2 = 2. Tenga en
Las unidades mineras de seleccin son bloques de tamao 24 x 24 m2.

Los grados de estos bloques se supone que son perfectamente conocidos
en el momento de la seleccin (sin efecto la informacin). La ley de corte
utilizados para la seleccin de los grados Z1(v) es z1c= 15%. Conocer el
variograma y se ha calculado la varianza de los bloques como var (Z1
(v)) = 21v = 28.
1. Hacer una representacin grfica de la funcin de

anamorfosis. Cul es su dominio de validez?
2. En el marco del modelo discreto gausiano la anamorfosis de
los valores del
bloque son:
Sabiendo que la varianza de los bloques es
calcular el valor del cambio de apoyo del coeficiente

r1.
3. Calcule la Ley de Corte yc aplicado a Yv que corresponde a la Ley

de corte
Z1C = 15%.
4. Utilizando una tabla de
tonelaje de mineral recuperado:
calcular el
5. La cantidad de plomo recuperado se puede

escribir:
Calcule Q1 (Z1C) usando tablas de G(y) y g(y). Calcular m1 (Z1C) y

comparar con la
media general del depsito.
ANAMORFOSIS DE PLATA
La anamorfosis de los grados de punto de la plata se escribe:
con coeficientes 0 = 4, 1 = -1.71 y 2 = 0,384. La

transformacin de Gauss de
los valores de plata se denota U (x).
1. Calcule y grafique la funcin de anamorfosis. Cul es su dominio
deLa
validez?
2.
varianza de la plata con la de apoyo del bloque es var (Z2
(v)) = 1,26.
Calcular
el valor de la de cambio de apoyo coeficiente r2.
RESERVAS RECUPERABLES DE PLATA

PARA LA SELECCIN DE PLOMO
Los bloques se seleccionan sobre la base de los valores de plomo ya

que los datos
sobre los grados de plata son escasos. Por lo tanto, se trata de
estimar la cantidad
recuperada de plata de una seleccin realizada sobre la base
de plomo. La
cantidad a estimar es la siguiente:
La cantidad de acondicionamiento de plata en la transformacin de

Gauss de
plomo es,
Esta es la expresin que necesitamos para calcular la esperanza

condicional de
plomo plata,
Esta es la expresin que necesitamos para calcular la esperanza

condicional de
plomo plata,
donde la anamorfosis r2p (Yv) depende tanto de la cooperacin

de plata como del cambio de apoyo de r2 y el coeficiente
de correlacin entre las variables gaussianas Yv y Uv.
1. Sabiendo que el valor de la cruz-covarianza entre Z1 (v) y Z2 (v) es
Y usando la relacin
Calcular el valor del coeficiente de correlacin .

2. Calcular la cantidad recuperada de plata
Calcular m2 (z1c).
ESTIMACIN DE LOCALES
DE PLOMO
El objetivo de este estudio es estimar las reservas recuperables de
plomo para los
paneles de V de tamao 72 x 72 m2
, es decir:
La proporcin P de los bloques que tienen un superior grado de z1c
= 15%
La cantidad Q de plomo de estos bloques.
1. Suponiendo que la anamorfosis es vlida en el plano de los

paneles,
Calcular el valor del cambio de punto-panel-de-apoyo del

coeficiente r'1.
2. La estimacin se realiza para un panel especial con un grado de

plomo de Z1 (V)
= 12,76%. Cul es el valor correspondiente yv?
3. La notacin v indica un bloque situado al azar en el panel V.

Suponiendo que el
par (Yv, Yv) es bi-Gauss, la correlacin entre Yv y Yv viene dada por
la correlacin
R = r'1 / r1. Cul es la expresin para el estimador de
la proporcin de los bloques por encima de la ley de corte dentro de
un panel con
un valor dado Z1 (V)?:
4. Cul es el valor de P*(z1c) para un valor de Z1 (V)

= 12,76%?
5. La cantidad de plomo dentro de un bloque est escrito por:
Donde,
Una tabla de valores de los coeficientes

se indican a
continuacin.
precalculados de Qp
. En los clculos numricos, es preferible utilizar el polinomio

normalizado de
Hermite
para evitar un gran nmero de los polinomios.

La expresin (4.59) es entonces
Vuelva a escribir la expresin obtenida en la pregunta anterior,

en trminos del
polinomio de Hermite normalizado.
Kriging con Modelo de

Punto-Bloque Discreto
El Kriging disyuntivo es el mtodo clsico para estimar las funciones
no lineales de
los datos. Varios mtodos geoestadsticos para la estimacin local de
funciones no
lineales de las variables del bloque se presentan, incluyendo la
esperanza
condicional, el kriging disyuntivo y acondicionamiento uniforme.
Funcin no lineal de una variable de bloque

En los problemas de seleccin que estn interesados en la estimacin
de algunos
funcin no lineal de Z(v) como por ejemplo la funcin de indicador
de
que si no cuenta con una variable de bloque Z(v) est por encima del
nivel prescrito
Z .
Para tener datos sobre el punto variable Z(x) los pasos son los
siguientes para la
creacin de un modelo discreto gausiano punto del bloque:
1. Calcular la anamorfosis punto Z(x) = (Y (x)),
2. Conocer el variograma (h) de Z (x), calcular el coeficiente r punto de
bloque de
bloque anamorfosis Z (v) = v (Y(v)) en (4.9), en primer lugar la
evaluacin de la
varianza de Z(v) con (4.12) y luego calcular r usando (4.11),
3. De nuevo con el variograma (h) de Z (x), calcule el bloque de
covarianzas
CLa(v,v')
y, a continuacin
el correspondiente
bloque
Gauss y las
anamorfosis
de funcin
no lineal puede
ser de
especificado
covarianzas
en la base de la
(v,v')
usando de
la Zrelacin
(4.29), teniendo cuidado de que la matriz
anamorfosis
(v),
de estas
covarianzas es definida positiva.
Kriging condicional
expectativa y disyuntiva
de un bloque
Una primera aproximacin, que requiere una asuncin de

multinormalidad, eso es,
calcular la esperanza condicional (CE) con los siguientes pasos:
1. Calcular Y( x) = -1 (Z ( x)) y lo identifican con Y ( x), como en el

modelo de las
muestras se consideran como colocados al azar dentro de v los
bloques correspondientes.
2. Realizar el kriging simple del valor de bloqueo
resolviendo el sistema
donde (x, x), (x,v0) se obtienen mediante las frmulas

(4.27) y (4.28). La
diferencia es el bloque kriging
donde s2 es la varianza de YSK (v0);
3 -. La estimacin de la funcin no lineal para un bloque

especfico v0 es
Un segundo enfoque para la estimacin de (Z (v0) es por kriging

disyuntivo (DK),
que estima directamente los trminos de la descomposicin ortogonal
y por lo tanto
se limita a exigir la asuncin de binormalidad en lugar de
multinormalidad.
Se lleva a cabo en los siguientes pasos:
1. Calcular los primeros K del polinomio Hk (Y (x)) teniendo en cuenta
de nuevo la
ubicacin al azar de cada muestra, dentro del bloque v que lo
contiene;
2. Realizar para k = 1,..., K el kriging simple del bloque
donde los pesos wak son solucin de
con la varianza del kriging
y con p correlaciones contadas a partir del modelo discreto punto de

Gauss-bloque;
4. A continuacin la estimacin del kriging disyuntivo
y la variacin correspondiente de este kriging disyuntivo es
Kriging disyuntivo de un
grupo especial
Consideremos ahora el problema de la prediccin de la media de una

funcin
no lineal de los valores de bloque para un grupo determinado V0 como se
muestra
en la Figura 5.1. El panel de V0 se divide en N bloques v, cada
una de las
muestras que se encuentran al azar en un bloque diferente (dentro
o fuera del
panel) y denotamos M (V0) a la media de una funcin lineal a lo largo del
panel,
El estimador para el panel es simplemente el kriging disyuntivo,
Figura 5.1: Panel de Vo dividido en bloques v y los puntos de las

muestras
de x considerado como colocados al azar dentro de bloques v que los
contienen.
Con
Cuando el peso de Kriging se obtienen a partir
Con la varianza del kriging igual a
Y la varianza del kriging disyuntivo nuevamente es
Uniforme acondicionado
En algunos problemas el punto en el panel de bloque de promedios Z
(V) estn
disponibles. Por ejemplo, un modelo de circulacin general (GCM)
proporciona
valores para los paneles de 100x100 km2, mientras que el tamao
de
una redgeoestadstico
de
El anlisis
del punto de datos Z (x) proporciona un
estaciones
x muestras de punto.
variogramaproporciona
(h),
punto de anamorfosis coeficientes k y un coeficiente punto
bloque r usando la
relacin (4.11). De la misma manera r' una correlacin punto del
panel de
coeficiente
y un bloque de panel coeficiente se obtiene como RvV = r '/ r.

Considerando un
bloque v al azar situado en V y se escribe,
Tenemos
La tcnica uniforme acondicionado consiste en la adopcin de la

esperanza
condicional de una funcin no lineal de los bloques con respecto a
los valores del
panel conocido.
suponiendo que la condicin variable Y(v) | Y (V0) es una

distribucin normal con
media rvV Y(V0) y varianza 1 - r2vV.
En muchas aplicaciones el valor Z (V) del panel no est disponible y
el truco es
generarlo por kriging ordinario. Esto ha sido visto como una forma de
introducir una
gran escala de no estacionalidad en el modelo y se ha aplicado en la
minera de
evaluacin de las reservas
EJERCICIO
[depsito de mineral de hierro] sta es una continuacin del
ejercicio 1.4 en p10 en el que se aplic el mtodo de esperanza
condicional en un marco lognormal. El modelo discreto de Gauss para
tres muestras y los bloques que aparecen en la Figura 1.2 se discuti
all. Ahora aplicamos kriging disyuntivo. Normalizado el polinomio de
Hermite se definen como
con 1(y) = -y and 2(y) = (y2-1)/square(2)

El desarrollo de la funcin de indicador de una variable de bloque de
Gauss se
puede escribir:
donde YVc es el bloque de ley de corte calculado en el Ejercicio

1.3.
1. Cules son los valores de los coeficientes 0, 1 y 2 en este
desarrollo?
2. Cules son los valores de los polinomios de Hermite 1 (Y) y 2
(Y) para los
tres puntos de muestreo?
3. Cual es el valor de
4. Expresar el estimador del segundo polinomio de Hermite

en funcin de los tres valores 2 (Y) y de la media E [2 (Y (v3))].
Desarrollar el sistema de kriging y resolverlo. Cul es el valor de
5 ..Suponiendo que las condiciones

para k> 2 se
pueden
despreciar, cual seria el valor de la estimacin del kriging disyuntivo
EJERCICIO
[la minera global e Invest Smart] La compaa minera global
ha
llevado a cabo una campaa de exploracin de un depsito. La
produccin se basar
en bloques v con una superficie de 12 x 12 m2que servir de apoyo a la
seleccin.
La evaluacin del depsito se realiz con un modelo discreto gausiano
1. El bloque
punto de
punto
y la anamorfosis del depsito es el siguiente:
kriging disyuntivo 2D.
Donde H1(Y(x))= -Y(x) y H2(Y(x))= Y2(x)-1 son polinomios de

Hermite.
Cul es el valor de la media y la varianza de Z(x)?
El variograma (h) se utiliz para calcular (v,v) = 22. En un

modelo discreto
gausiano punto del bloque la anamorfosis del bloque es:
El desarrollo se detiene cuando se obtenga un orden K = 2.

Determinar el valor del coeficiente del punto del bloque r.
Cul es el yc valor correspondiente a una ley de corte zc= 11
utilizado para la
seleccin de los bloques?
Los umbrales y las curvas

de selectividad
Se introduce la nocin de umbral que conduce a la seleccin de
subconjuntos de los
valores de una funcin aleatoria que puede resumirse utilizando
diferentes tipos de
curvas de selectividad. Por cierto, lo que ilustra el significado
geomtrico de dos
Umbral y Proporcin
medidas de dispersin: la varianza y la selectividad.
Hay una serie de problemas en los que nuestro objetivo es
estimar en un dominio
espacial o temporal, la proporcin global de una determinada
cantidad est por
El ejemplo
tradicional
en Geoestadstica es la minera. Qu
encima
de un
umbral fijo.
proporcin de un
depsito es el grado de un mineral determinado por encima de un
umbral econmico
por debajo del cual la minera no es rentable? Esto determinar la
Tonelaje, cantidad de recuperacin, inversin y

beneficio
Para un yacimiento minero de la concentracin de un metal precioso
se denota Z, que
es una variable positiva. Hacemos un llamado T tonelaje (z) la
proporcin del depsito
(que se considera de unidad de volumen) para los que el grado est
por encima de un
umbral determinado z. El valor de z en este captulo representa
un valor fijo, el
llamado de corte, es decir, el grado por encima del cual es
econmicamente
interesante para eliminar un volumen del depsito y dejar que se
someten a procesos
qumicos y mecnicos para extraer el metal.
Sea F (z) la funcin de distribucin de los grados, entonces el tonelaje

de T (z) se
expresa por la integral
donde 1 Z z es la prueba de funcin indicador de si Z est por encima

de un umbral
determinado z.
Como F (z) es una funcin creciente, T (z) es una funcin decreciente. El
tonelaje es
realmente complementaria de la funcin de distribucin
l
La cantidad Q (z) de metal recuperado por encima de una ley de corte z
viene dado
por la integracin
La funcin Q (z) est disminuyendo. El valor de Q (z) para z = 0 es la

media debido a
que la ley de corte es una variable positiva
La cantidad recuperada de metal se pueden escribir
La cantidad recuperada es, pues, dividido en dos perodos, que se puede

interpretar
de la siguiente manera en la economa minera (suponiendo que la ley
de corte est
bien ajustado al contexto econmico)
- La cuota de C(z) de metal que refleja la inversin, es decir, la parte
del metal de
recubierto que servir para reembolsar la inversin necesaria para
extraer y procesar
el mineral,
- La cantidad B(z) de metal, que representa los beneficios
convencionales, es decir,
los restos de metal una vez que la cantidad necesaria para el
reembolso de la
inversin se ha restado.
Figura 6.1: La funcin T (z) del tonelaje extrado en funcin de

la ley de corte. La
superficie sombreada en T (z) representa la cantidad de metal Q (z),
que se compone
de la inversin convencional C(z) y el beneficio convencional B(z).
Estas cantidades son diferentes a todos los presentes en la

trama de la
funcin T(z) como muestran las figuras ajenas a la inversin
6.1.La inversin
convencional (suponiendo que el corte refleja adecuadamente
la situacin
econmica) es una superficie rectangular
Mientras que el beneficio convencional
es la superficie en T (z) a la derecha de la lnea de ley de corte z.

La funcin B(z) es convexa y decreciente. La integral de B(z) para z
= 0 es
donde m es la media y 2 la varianza de Z.
Figura 6.2: Funcin B (z) de los beneficios convencionales. La

superficie sombreada
en la letra B (z) representa la mitad de la varianza 2.
Selectividad
La Selectividad S de una distribucin F se define como
donde Z y Z 'son dos variables aleatorias independientes con la misma

distribucin
F. Es una analoga con la siguiente frmula calcular la variacin bajo
las mismas
condiciones
La selectividad y varianza son las medidas de dispersin, pero la
selectividad es ms
robusta que la varianza.
La Selectividad dividida por la media que se conoce en la
econometra como el
coeficiente de Gini (ver por ejemplo [21], [1])
y representa una alternativa para el coeficiente de variacin de / m.

Como S m el
coeficiente de Gini es ms bajo que uno.
En geoestadstica el coeficiente de Gini se suele llamar como ndice de

La
siguiente desigualdad entre la selectividad y la desviacin
selectividad.
estndar se puede
demostrar
La igualdad se obtiene para la distribucin uniforme. Esto nos
proporciona un coeficiente de uniformidad
donde 0 U 1.
Para una distribucin gaussiana con una desviacin estndar de una
selectividad es
Cantidad recuperada en
funcin del tonelaje
La funcin Q (z) de metal con respecto a la ley de corte se puede escribir
como
Como Q (z) est disminuyendo, se puede expresar como la integral del

mnimo de los
dos valores T (z) y T (u) evaluando todos los grados de u.
La funcin Q (T) de metal en funcin del tonelaje de T se define com
Figura 6.3: La funcin Q (T) de la cantidad de metal en lo que

respecta al tonelaje. La
superficie sombreada entre Q (T) y la lnea diagonal corresponde a la
mitad del valor de
la selectividad S.
Un tpico Q (T), la curva se muestra en la Figura 6.3. El rea entre la curva

Q (T) y el MT
diagonal (entre el origen y el punto Q (1) = m) vale la mitad de
la selectividad S.
En efecto, puede demostrarse que
Se puede observar que la selectividad es cero cuando la distribucin F

se concentra en
un punto (una medida de Dirac). Por ltimo tenemos
Figura 6.4: Medio Ambiente de series de tiempo Z (t) con un valor

de ley de corte z: la
parte sombreada corresponde a la cantidad de molestias Q (z) = B (z)
+ C (z) durante el
tiempo T (z) cuando el nivel de tolerancia es traspasado.
De series de tiempo en el
monitoreo ambiental
Cuando el estudio de series temporales en la vigilancia del medio
ambiente, el
inters se centra generalmente en los perodos de traspaso de un
umbral por
encima del cual se considera un producto qumico, una concentracin de
polvo o
un nivel de ruido a ser peligroso para la salud. Estos umbrales
Cuando
serie
fijados lapor
las de tiempo se evala estamos interesados en saber
durante
normascunto
ambientales son el anlogo de leyes de corte en la minera.
tiempo en total, un nivel de tolerancia ha sido traspasado, como se
muestra en la
Figura 6.4. El tonelaje de T (z) de la minera se convierte en la
fraccin de tiempo
durante el cual fue traspasado el nivel. En un T correspondiente
(z) como en la
curva de la Figura 6.1 la fraccin del tiempo total se puede leer en el
que Z (t) est
La selectividad S es una importante medida de dispersin para

comparar las
distribuciones con una misma media
- Ya sea como un indicador del cambio en la distribucin de una
variable para
diferentes soportes en el mismo dominio espacial o temporal (la media no
cambia
cuando se admite el cambio);
- O como un coeficiente para clasificar la distribucin de los diferentes
conjuntos de
medidas con una media similar.
No est claro lo que significa que la curva B(z) puede tener en los
problemas
ambientales, con la salvedad de que su grfica contiene una
representacin
geomtrica de (medio de) la varianza 2
cuando se trazan, junto con la lnea que

Curso 2014 UA Complemento

Hochgeladen von

Dokumentinformationen

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

Curso 2014 UA Complemento

Hochgeladen von

Copyright:

Verfügbare Formate

Apunte de clase

geo-estadistica lineal aplicada

Estos cursos se dirigen a alumnos de la universidad de

II. OBJETIVO GENERALES

Brindar los fundamentos de los principales conceptos y

Analizar las herramienta para la estimacin de recursos y

III. OBJETIVOS ESPECIFICOS

Optimisation de la fosse finale avec

Modlisation des lithologies

La geoestadstica es til para:

Trabaja dentro de restricciones geolgicas (fsicas)

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

La geoestadstica no hace lo siguiente:

Reemplazar buena informacin adicional

Las herramientas que son apropiadas en una etapa inicial

Algunas herramientas de modelamiento numrico:

Inverso del cuadrado de la distancia

Simulacin de variables continuas:

Simulacin Gaussiana Secuencial

Simulacin de variables categricas:

Son siempre nuestros datos equiprobables

Que pasa con la funcin de distribucin de los

Breve discusin de los mtodos tradicionales

Que buscamos con nuestros mtodos?

Puede ser: POLIGONAL

1) MEDIA ARITMETICA:Se basa en lo

2)Polgonos:El mtodo se basa en

3) INVERSO DE LA DISTANCIA:Se basa en

KRIGEAGE (se vera despus)

CURVAS TONELAJE v/s LEY.

Curva Tonelaje - Ley de

Curva Tonelaje - Ley

Concepto de leyes de corte econmica de equilibrio

CURVAS RELACION ESTERIL V/S MINERAL

Los valores para desarrollar la formula son los siguientes:

De que depende las dimensiones del modelo de bloqu

Caractersticas del deposito

Representacin de los datos

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

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

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

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

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

Se interpreta probabilsticamente (probabilidad de un valor de

Nota: No olvidemos que un histograma no presenta ninguna informacin

Funcin no decreciente con valores

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

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

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

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

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

Moda, mnimo y mximo

Esperanza y varianza de una variable

Esperanza y varianza de una variable

Desviacin cuadrtica de los posibles

Esperanza y varianza de una variable

Esperanza y varianza de una variable

Probabilidad de que la variable

Desviacin cuadrtica de los posibles

En forma discreta, la varianza puede definirse como

En forma continua, puede escribirse como

Se calcula con los dos primeros momentos de Z:

Distribucin normal estndar N(0,1)

corresponde al rea bajo la curva