Clases Geo STD

Agenda
Clase 1 Semana 4:

Declustering
Variable Regionalizada y Modelo
Probabilstico
DECLUSTERING
Geoestadstica y Modelamiento de Recursos
Geoestadstica y Modelamiento de
Recursos
Declustering:

Una condicin que es muy difcil
de tener es que los datos sean
tomados aleatoriamente

Sondajes y muestreos de
superficie tienden a ser perforados
o tomados en reas de inters
generndose zonas con un
agrupamiento mayor de los datos

Ejemplo son las zonas de alta ley
Recursos
Declustering:

Por qu desarrollar un proceso de
Desagrupamiento?

Cual es la necesidad?

Ajustar el histograma y resumir las
estadsticas para que sean
representativas de todo el volumen
de inters
Recursos
Declustering:

Tcnicas de Desagrupamiento
asignan a cada dato un peso
basado en la cercana de los datos
que lo rodean (Rossi & Deutsch, 2014)

, = 1, ,
0 = 1
La distribucin experimental y todo
el resumen estadstico son
calculados utilizando stos pesos
en vez de una constante 1/n

Recursos
Declustering:

El agrupamiento de informacin es
consecuencia de un muestreo
espacial sesgado y su fuente est
en:

Restricciones Tcnicas y
Econmicas
Delineamiento de las Zonas de
Inters Econmicas
Acceso
Recursos
Declustering:

La idea es cambiar la frecuencia
(pesos) de las muestras en funcin
de su representatividad

Donde hay ms muestras, stas
informan menos acerca del
fenmeno (ms redundantes)
Donde hay menos muestras,
stas informan ms acerca del
fenmeno
Recursos
Mtodos de
Declustering:

Mtodo de los Polgonos o
reas de Influencia:
(Isaaks & Srivastava, 1989)

Simple
Asigna los pesos proporcional
al rea o Volumen de cada
muestra de inters
Efectivo cuando las reas de
inters estn bien definidas

Recursos
Mtodos de
Declustering:
Mtodo de las Celdas:
(Journel, 1983& Deutsch, 1989)

Funciona como sigue:
1. Divide el volumen de inters en una
grilla de celdas l=1,,L
2. Cuenta las celdas ocupadas L
0
y el
nmero de datos en cada una de las
celdas ocupadas n
l
0
, l
0
=1,,L
0
3. Pesa cada dato de acuerdo al nmero
de datos que estn en la misma celda.
Ej. Para el dato i que cae en la celda l
=
1
0

Recursos
Mtodos de
Declustering:

Como se obtiene el tamao de
Celda ptimo Mnimo:
1. Se divide el volumen de inters en
celdas de distinto tamao

Recursos
Mtodos de
Declustering:

Celda ptimo Mnimo:
2. Se iteran diferentes puntos de origen
de las celdas

Recursos
Mtodos de
Declustering:

Celda ptimo Mnimo:
2. Se iteran diferentes puntos de origen
de las celdas

3. Se grafica la media de la variable por
cada tamao de celda

En la prctica la celda ptima debiera
coincidir con la malla de sondajes
Recursos
Mtodos de Declustering:
Pesos de Kriging Ordinario
Al calcular la matriz de correlacin asigna pesos, interpolador de Lagrange,
lo que implica que Kriging desagrupa por esencia ya que es un interpolador
lineal ponderado insesgado
Recursos
Mtodos de Declustering:
Resultado del Desagrupamiento
El objetivo es obtener estadsticas representativas por lo que el proceso
corrige la distribucin:
Ponderando las frecuencias (pesos) de las muestras
Los valores de las muestras no cambian
Los pondera se calculan por celdas, polgonos y otras tcnicas
VARIABLE REGIONALIZADA Y
MODELO PROBABILSTICO
Recursos
Variable
Regionalizada:

El Valor de una Variable
Regionalizada en un punto z(u) se
interpreta como la realizacin de
una variable aleatoria Z(u)

Realizacin=Salida=Resultado=Outcome
20
10
?
z
F(z)
10 20
Recursos
Variable
Regionalizada:

Si conozco varias realizaciones y
se asume cierta homogeneidad
espacial, se puede inferir su
distribucin

Ej. Equivalente a tirar varias veces
un dado
z
F(z)
10 20
Recursos
Variable
Regionalizada:

Variable Aleatoria: es una funcin
desde un espacio muestreal S en
los nmeros reales.

Es una forma de representar un
valor z no muestreado
(desconocido)

Variable Aleatorias Continuas y
Discretas o Categricas
z
F(z)
10 20
Recursos
Funcin Aleatoria:

Es el conjunto de las variables
Aleatorias en un dominio

Variable Regionalizada es una
realizacin de la funcin aleatoria
Informacin 3D
Histograma Variograma
Realizacin
Recursos
Funcin Aleatoria:


Agenda
Clase 1 Semana 5:

Variabilidad Espacial
Conceptos
Variograma
VARIABILIDAD ESPACIAL
CONCEPTOS
y
F(y)
z
F(z)
Recursos
Funcin Aleatoria:


Informacin 3D
Histograma Variograma
Realizacin
Recursos
Funcin Aleatoria:


Recursos
Recapitulemos
Vol. (h) Krig
Recursos
Recapitulemos
Vol. (h) Krig
Recursos
Introduccin:

El objetivo esencial del modelamiento
geoestadstico es:

Establecer Medidas Cuantitativas de la
Variabilidad Espacial o Continuidad
para ser usado por subsecuentes
Estimaciones o Simulaciones
Recursos
Introduccin:

Ha sido una herramienta estndar en
el anlisis de recursos minerales

Hace ms de dos dcadas, el
Variograma Experimental, ha sido la
forma ms robusta de medicin de la
variabilidad
Recursos
Conceptos:

Mineralizacin es una sucesin de procesos
geolgicos que no siempre son totalmente
conocidos
Deposicin de Minerales necesita ciertas
condiciones geolgicas como:
Fuente de mineralizacin
Conductos
Condiciones Lito-estructurales y
termodinmicas favorables
Modelos geoestadsticos vs Modelos
Geolgicos
Recursos
Conceptos:

Supuesto detrs las
caractersticas de la deposicin
mineral invariablemente impartir
patrones de correlacin espacial, que
son importantes para la evaluacin
de recursos y la planificacin minera
Recursos
Conceptos:

La descripcin y modelamiento de
stos patrones de correlacin
permitirn realizar una prediccin de
donde se puede ubicar
espacialmente la mineralizacin y su
valor (ley) en aquellas ubicaciones
que no han sido muestreadas
Recursos
Conceptos:

Herramientas estadsticas pueden ser usadas
para describir tales correlaciones dentro de un
apropiado marco terico

Sin embargo, no necesariamente el estudio de
la Variabilidad Espacial ayuda a entender los
procesos de deposicin mineral, debido a la
multiplicidad de eventos asociados a un
depsito mineral y tal determinacin en general
es una simplificacin de un proceso complejo

Recursos
Concepto de Funcin Aleatoria:

La incertidumbre asociada a un valor z no
muestreado, es modelado a travs, de la
distribucin de probabilidad de una Variable
Aleatoria (VA) Z.

La distribucin de probabilidad de Z de los
datos condicionantes es usualmente
dependiente de su ubicacin, se denota Z(u)
siendo u el vector de ubicacin coordenado
Recursos

Una Funcin Aleatoria (FA) es un conjunto de VAs definidas sobre un
mismo campo de inters.

Ej.: {Z(u), u es un elemento de estudio del rea A}

denotado simplemente Z(u)

Usualmente la definicin de FA es restringida a VAs relacionadas al
mismo atributo, por lo tanto, otra FA debiera ser definida para modelar
una segunda variable relacionada a otro atributo

Ej.: {Y(u), u es un elemento de estudio del rea A}

Recursos

El uso de FA implica que las variables son un
subconjunto del depsito o un rea que es
considerada estacionaria

La habilidad para aplicar el concepto de FA
est basado en el supuesto de que la ubicacin
u en A y la variable Z pertenecen a la misma
poblacin estadstica
Recursos

El propsito de conceptualizar una FA como,
{Z(u), u es un elemento del rea de estudio A}
es que existen ubicaciones dentro de A
desconocidas y nunca ser el caso cuando la
variable Z es completamente conocida.
Si todos los z(u)s son conocidos para todo u en
el rea de estudio A, no sera un problema ni una
necesidad generar el concepto de una funcin
aleatoria
Recursos

El objetivo final de un modelo de FA es
hacer algn enunciado predictivo
respecto de las ubicaciones de u
donde el valor real de z(u) es
desconocido
Recursos

La VA Z(u) est caracterizada por su Funcin de
Distribucin Acumulada (FDA), una FA Z(u) est
caracterizada por un conjunto de todas sus FDAs
N-variantes para algn nmero N y la eleccin de
las N ubicaciones u
i
, i=1,,N dentro del rea de
estudio A

1
, , = {(
1
)
1
, ,
}
Recursos

La FDA de la VA Z(u) univariante es
usada para caracterizar la
incertidumbre respecto del valor z(u)

La FDA de la VA Z(u) multivariante es
usada para caracterizar la
incertidumbre conjunta respecto de los
N-valores z(u
1
),, z(u
N
)
Recursos

La FDA bivariante (N=2) de una de las dos VAs
Z(u
1
), Z(u
2
), o ms comnmente Z(u
1
), Y(u
2
), es
particularmente importante ya que procedimientos
geoestadsticos convencionales estn restringidos
a las distribuciones

Univariante (F(u; z)) y

Bivariante F(u
1
, u
2
;z
1
, z
2
) = Prob {Z(u
1
) z
1
, Z(u
2
) z
2
}
Recursos

Uno de los estadsticos importantes de
la FDA bivariante F(u
1
, u
2
;z
1
, z
2
) es la
Covarianza definida como:

1
,
2
=
1

2

1
{
2
}

Recursos

La Covarianza es un estadstico que es:
(+) Positivo si, Z(u
1
) y Z(u
2
) estn directamente
relacionados

(-) Negativo si, Z(u
1
) y Z(u
2
) estn inversamente
relacionados

La magnitud de la Covarianza resume la fortaleza por la cual estn
relacionados

Este es un nmero simple que resume la distribucin bivariante
Recursos

Cuando se necesite un resumen ms completo, la
FDA bivariante F(u
1
, u
2
; z
1
, z
2
) puede ser descrita
por indicadores binarios transformado en clases de
la variable Z.

As, las FDAs bivariante previas, a varios umbrales
z
1
y z
2
aparecen como Covarianza no centrada de
los indicadores de la variable:

1
,
2
= {
1
,
1

2
,
2
}
Recursos

Esta relacin es importante para la interpretacin
del formalismo de los indicadores geoestadstico,
sta muestra que la inferencia de las FDAs
bivariantes se puede hacer a travs indicadores
muestreales de la covarianza

1
,
2
= {
1
,
1

2
,
2
}
Recursos

La representacin de la Funcin de Densidad de Probabilidad (o
Masa) (FDP) es ms relevante para variables categricas.

Recordando que una variable categrica Z(u) puede tomar uno
de los K-simos valores resultantes k = 1,,K, que pueden
provenir desde variables categricas que ocurren naturalmente o
desde una variable continua discretizada en K clases.

La inferencia de alguno de los estadsticos requiere algn
muestreo repetitivo.
Recursos
Concepto de Funcin
Aleatoria:

Por ejemplo, muestreos repetitivos de la
variable z(u) es necesario para evaluar la
FDA a travs de proporciones
experimentales
, = = { }

Recursos

Sin embargo, en casi todas las aplicaciones al
menos una muestra est disponible en alguna
ubicacin simple u en cuyo caso z(u) (ignorando el
error de muestreo) es conocido, y la necesidad de
considerar el modelo de la VA Z(u) desaparece
pero la necesidad permanece de inferir los
parmetros estadsticos en las ubicaciones No-
Muestreadas.

Recursos

El paradigma subyacente de la inferencia geoestadstica es
transar la replicacin no disponible en la ubicacin u por otra
replicacin disponible en algn otro lugar en espacio y/o tiempo.

Por ejemplo, la FDA F(u;z) puede ser inferida del muestreo de la
distribucin de z-muestras colectadas en otras ubicaciones
dentro del mismo dominio

Esta transaccin de replicacin corresponde a la decisin de
estacionaridad, la que es propiedad del modelo de FA y no de la
distribucin espacial fsica subyacente

Recursos
Concepto de Funcin
Aleatoria:
La FA {Z(u), u en A} se dice estacionaria
en el campo A si sus FDAs multivariantes
son invariantes bajo alguna traslacin de
N del vector coordenado u
k
que es:

1
, , ;
1
, , =
1
+1, , +1;
1
, ,

1
Recursos
Concepto de Funcin
Aleatoria:
Se impone la condicin de
invariancia de las FDAs
multivariantes o de algn orden
menor de FDA, incluyendo FDAs
univariante y bivariantes, y la
invariancia de todos sus momentos
Recursos
La Decisin de Estacionaridad permite las inferencias

= ,

Esto puede ser inferido desde:

Un histograma acumulado de los valores de z disponibles en
varias ubicaciones en A

Media y Varianza estacionarias pueden ser calculadas desde
F(z) y la Covarianza estacionaria puede ser inferida
Recursos
Estacionaridad es critica para la aplicacin de mtodos
geoestadsticos apropiados y confiables

Delimitar los datos en lmites geolgicos puede enmascarar
importantes diferencias de leyes, sin embargo, dividir los datos
en subconjuntos estacionarios puede conducir a estadsticas no
confiables debido a pocos datos por subconjunto

La regla en Inferencias Estadsticas es poner gran cantidad de
informacin relevante para formular resultados predictivos, bajo
condiciones de lmites geolgicos razonables
Recursos
Dado que Estacionaridad es una propiedad del
Modelo de VA, la decisin de estacionaridad puede
cambiar si la escala del rea de estudio cambia o si
se agrega informacin.

Si los objetivos del estudio son globales entonces
detalles locales pueden ser menos importantes, a
la inversa, si existen ms datos disponibles
aproximaciones a las decisiones finales tales como
grade control o diseo de mina final, pueden ser
significantes con mayor cantidad de datos
Recursos
Concepto de Funcin
Aleatoria:
Z es una Funcin Aleatoria con media m y
varianza
2
conocida

m y
2
son independientes de la ubicacin

m(u) = m y
2
(u) =
2
para todas la
ubicaciones en el rea de estudio
Recursos
El Variograma se define como:

2 = [ + = { +
2
}

En palabras, el Variograma es la Esperanza al cuadrado de la
diferencia entre dos valores de datos separado por un vector
distancia h

El semivariograma es del variograma 2

=
1
2
[ + =
1
2
{ +
2
}

Recursos
Como la media m y varianza
2
, el variograma no depende de las
ubicaciones o en otras palabras, es independiente de las
ubicaciones

Lo que el variograma aplica es un vector que se trasladada o
escanea todas las ubicaciones en el rea de inters A

El Variograma es:
Una medida de variabilidad
Este incrementa a medida que las muestras son ms dismiles o
desiguales

La Covarianza es:
Una medida Estadstica
Que es usada para medir correlacin o similaridad

Recursos
La Covarianza se define como:

= +
2

C(h) es 0 cuando los valores separados a la distancia h no estn
linearmente correlacionados

A h=0 la covarianza estacionaria C(0) es igual a la varianza
estacionaria
2

0 = + 0
2

0 =
2

2

0 = =
2
Recursos
En ciertas situaciones la covarianza estandarizada, que es el
coeficiente de correlacin, se prefiere utilizar:
() = ()/(0)
La siguiente relacin entre el semivariograma y la covarianza se
establece para un FA estacionaria:
= 0 ()

= 0 ()
Esta relacin es dependiente de la decisin del modelo aplicado en
cual la media y varianza son constantes e independientes de la
ubicacin espacial
Estas relaciones son importantes en la interpretacin del
variograma y para proveer covarianzas a las ecuaciones de
Kriging

Variograma:
Sill o Meseta: el sill o meseta del
variograma es la varianza
equiponderada de los datos que
entran en el clculo del
variograma, el cual es el valor del
variograma que corresponde a
cero correlacin linear.
El variograma puede aplanarse
en un aparente sill que est sobre
o bajo la meseta de la varianza

Range o Alcance: el range o
alcance del variograma es
la distancia a la cual sta
correlacin cero es
alcanzada. Si el variograma
el sill mltiples veces, es
comn considerar como el
alcance la primera vez que
se alcanza el sill

Variograma:
Variograma:
Nugget Effect o Efecto Pepita: el
efecto pepita es el valor del
variograma a una distancia no
mayor que el tamao de muestra,
el cual caracteriza la variabilidad a
muy corta distancia o variabilidad
en el origen o en si misma.
Es comn utilizar el trmino
variabilidad a cortas distancias
cuando se refiere a distancias del
variograma menores que el
espaciamiento entre las muestras

Variograma:
La correlacin entre Z(u) y Z(u+h) es:
Positiva cuando el valor del variograma
es menor que el sill
Cero cuando el valor del variograma es
igual al sill
Negativa cuando el valor del variograma
es mayor o excede el sill
Modelamiento Geoestadstico generalmente
utiliza el semivariograma en vez de la
covarianza debido a que es ms robusto en
casos donde la media cambia localmente. En
la prctica, Estacionaridad de Segundo
Orden es casi siempre asumida y esta no es
prcticamente importante

Agenda
Clase 2 Semana 5:

Variogramas Experimentales y Anlisis
Exploratorio de Datos
Inferencia e Interpretacin de Variogramas
Modelamiento de Variogramas 3D
Modelos de Variogramas
Tips para el modelamiento de Variogramas
VARIOGRAMAS EXPERIMENTALES Y
ANLISIS EXPLORATORIO DE DATOS
y
F(y)
z
F(z)
Recursos
Recursos
Variogramas
Experimentales y EDA:

=

El proceso se llama
Clculo de Variograma
Recursos
Variogramas Experimentales y EDA:

Un valor del variograma (h) para una distancia y
direccin particular es simple de interpretar y
entender

Dificultades prcticas y de implementacin:

Debemos calcular valores confiables
Simultneamente considerar varios vectores de
h comnmente denominados lags o pasos
Recursos

El Variograma es una medida de:
La variabilidad geolgica vs la distancia
Presenta variaciones en las distintas
direcciones

El Patrn espacial de continuidad es anisotrpico
cuando la variable es ms continua en una
direccin en particular
Recursos

Pasos a revisar antes de calcular un
variograma

1. Los datos deben ser visualizados y
entendidos desde el punto de vista geolgico
2. Un apropiado sistema de coordenadas debe
ser definido
3. Outliers y transformaciones gaussianas
(normal scores) deben ser consideradas
Recursos

Clculo de Variograma:

Sistema de coordenadas: el mismo para el clculo
de variograma y el que ser usado para el
modelamiento
Leyes de compsitos y transformaciones normal
scores deben ser consideradas si tcnicas de
determinacin de incertidumbre gaussiana o
simulaciones son consideradas
Recursos


ALERTAS: sin un razonable entendimiento de los
datos puede ocurrir
No entendimiento de los datos
Propagacin de Errores
No entendimiento de trends y configuracin de los
datos
Recursos


Visualizacin de los datos se debe realizar de diferentes maneras
Complejidad Geolgica debe ser entendida respecto de los datos
Definicin de Dominios y variables debe ser razonable
Debe haber un cuestionamiento de los datos, en especial:
Datos Extraos
Valores Extremos (bajos y outliers)
Recursos


Antes de calcular el variograma se DEBE DEFINIR:
Eleccin de la variable para determinar su
variabilidad espacial
La variable no se debe transformar si queremos
usar Kriging
La variable se debe transformar si queremos
Simular
La variable se debe codificar si queremos usar
Kriging o Simulacin de Indicadores
Recursos


Antes de calcular el variograma se deben TRATAR
LOS VALORES EXTREMOS:
Outliers se deben detectar y remover
Valores altos y bajos pueden tener una gran
influencia en cada par calculado
Datos Errneos deben ser removidos
Valores legtimos altos pueden enmascarar la
estructura de los datos mayoritarios
Recursos


Variogramas Ruidosos PRODUCTO DE:

Alta variabilidad e incremento de sta
Muestreo preferencial

Pueden dificultar su interpretacin y modelamiento
Recursos


Variogramas Ruidosos pueden SER MITIGADOS
por:
Aplicacin de logaritmos a los datos
Transformacin normal score

Pueden compensar los efectos de outliers y una apropiada
transformacin de vuelta (Back Transforming), debe ser
posteriormente considerada
Recursos


Eleccin de la correcta variable DEPENDENDE DE:
Presencia de Trend(s)
Manejo de stos para el modelamiento
Remocin de Trend(s)
Modelo geoestadstico de la variable ms los residuos
(valor original Trend)
Variograma de los residuos es necesario y el manejo de
artefactos
Recursos
Variogramas Experimentales y
EDA:

Sistema de Coordenadas y Tipo de
Depsito:

Diseminados: UTM o Local
Tabulares: Coordenadas estratigrficas
Meteorizados: Coordenada z vertical bajo
la superficie
Recursos

Variograma:

Es una estadstica entre dos punto (cabeza y cola)
Estadsticas curvilneas no pueden ser representada
con dos puntos
rea de Estudio debe subdividirse si la direccin de
continuidad cambia
Se debe evaluar entre conservar la precisin local o
mantener suficientes datos para clculos confiables
Existen nuevas herramientas LAV
Recursos

Variograma:

Es calculado para lags basados en distancia y
direccin
Debe haber suficientes pares de datos
Es el promedio de las diferencias al cuadrado de los
pares de datos:
2()
1
()

+
2
()
=1

Recursos

Variograma:

Es raro encontrar pares exactamente en la direccin
y distancia definidos
Pare N(h) deben ser buscados usando distancias y
direcciones razonables y tolerancias
Escanea o consulta todos los pares que encuentra
en la direccin y distancia definidos pero adems,
consulta y calcula aquellos que se forman en el rea
de tolerancia
Variograma:
Tolerancia
Es una ayuda en la
bsqueda y evaluacin
de los pares
Se aplica a la direccin y
distancia del vector o lag
h
Define sectores entre los
cuales la separacin del
vector es definida
Variograma:
Bsqueda
La flecha entre los puntos
rojos es el vector o lag
Si algn par cae
exactamente en la
direccin del vector no
necesita la tolerancia
Si algn par no cae
exactamente en la
direccin del vector,
necesita la tolerancia
Variograma:
Ejemplo 2D:
23 datos
16 pares
(h) experimental es el
promedio de las diferencias
al cuadrado de los 16 pares
Algunos datos no son
usados por cercana y
configuracin de los datos y
la configuracin de la
tolerancia
Algunos se usan una vez,
algunos dos y hasta tres
Variograma:
Comentarios sobre la Tolerancia
Si es muy grande la
continuidad se suavizar y
ser imprecisa
En general tolerancia para lag
y direcciones se debe fijar tan
pequea como sea posible
para asegurar buena definicin
de la continuidad direccional y
obtener variogramas estables
En general se debe usar la
malla de muestreo que tienen
Variograma:
Comentarios sobre Lags:
N mximo de lags debe ser
del tamao del dominio
(h) es valido solo para una
distancia de dominio. A
distancias mayores datos
quedan fuera
Lag tolerance es usualmente
del lag distance
En casos de (h) errticos o
con pocos datos lag tolerance
puede ser mayor para obtener
pares adicionales
Variograma:
Eleccin de las Direcciones:
Dependen del tipo de yacimiento y la
anisotropa de la variable
Comenzar con Variogramas
Omnidireccionales abriendo las
tolerancias a 90 para evaluar todas las
direcciones o Mapas Variogrficos
Mirar las direcciones en secciones y
plantas
Elegir las direcciones en las direcciones
del depsito y los sondajes
Se deben considerar mltiples
direcciones antes de elegir las 3
ortogonales que sern los principales
ejes del elipsoide
Major
Semi-Major
Minor
Variograma:
Eleccin de las Direcciones:
Un Variograma Down-The-
Hole es til para determinar
el efecto pepita y las
continuidades a corta
escala
A veces hay suficientes
datos para calcular
variogramas exhaustivos
pero en la mayora de los
casos los variograma en la
vida real no son como los
de libro

Recursos
Recursos
Recursos
INFERENCIA E INTERPRETACIN DE
VARIOGRAMAS
y
F(y)
z
F(z)
Recursos
Inferencia e Interpretacin de
Variogramas:


Pequeo gran problema En la interpretacin es la
falta de datos para calcular variogramas confiables

Pocos datos no significa que no exista (h)

Conocimiento geolgico o experto es necesario

Recursos
Variogramas:

Que AFECTA la inferencia?

Densidad de los Datos
Diferentes Tipos de Datos (DDH, RC, DTH, CHN)
Outliers, Trends y Alta relativa Variabilidad
CoV es una indicador de que un muestreo
exhaustivo es necesario
Clustering de Altas Leyes y afectar las distancias
cortas ((h) muy alto o muy bajo)
Recursos
Variogramas:

Que AFECTA la inferencia?

Efecto pepita (precisin en la determinacin)
Ciclicidad de Corta escala por el efecto pepita
Efecto proporcional por Clustering
Sud-Dominios Estacionarios
Diferentes Patrones de Anisotropa a Corta y Larga
escala

Recursos
Variogramas:

Como se puede MEJORAR la inferencia?

Incorporar Informacin Geolgica
Remover datos clusterizados dejando una grilla
regular proporcional a larga escala
No tomar en cuenta valores altos del variograma a
corta escala
Utilizar modelos ms robustos cmo correlogramas o
variogramas relativos en vez del variograma
tradicional

Interpretacin de Variogramas:
Consiste en explicar la
variabilidad a diferentes
escalas de distancias
(Corta, Media, Larga)
(h) es un carta de
Varianza vs Distancia o
Variabilidad Geolgica vs
Direccin y Distancias
Euclidianas
Racionalidad y
razonabilidad de (h) debe
establecerse

4 casos Principales de
Interpretacin

Trends o Tendencias
Ciclicidad
Anisotropa Geomtrica
Anisotropa Zonal

Estos fenmenos o principios
pueden estar superpuestos o
combinarse
Trends, Tendencias o Derivas
Es una caracterstica geolgica
importante comn en
yacimientos (Ej. Prfidos la ley
decrece en profundidad)
Causa que el sill pueda
sobrepasar la varianza del
Variograma y mostras
correlaciones negativas
Trends deben ser
exhaustivamente definidos
geolgicamente
Trends se deben incorporar en
posteriores estimaciones o
simulaciones
Ciclicidad o Efecto Hoyo
Relacionada a
caractersticas geolgicas
comunes
Puede deberse a pocos
datos
Se debe tener especial
cuidado en el Efecto
Pepita y la definicin del
Alcance
Anisotropa Geomtrica
El Alcance depende de la
correlacin
En diferentes direcciones
puede haber distintas
correlaciones
condicionadas por aspectos
geolgicos
Cuando uno de los
alcances del variograma
direccional es distinto se
dice que existe anisotropa
Geomtrica
Anisotropa Zonal
Diferentes Sills en las
direcciones preferenciales
Caractersticas geolgicas
pueden explicar estas
formar como variabilidad
entre y en los estratos o
variabilidad debido a la
forma de los depsitos y
condiciones mineralgicas y
puede ser observado en
diferentes direcciones
MODELAMIENTO DE VARIOGRAMAS
3D
y
F(y)
z
F(z)
Recursos
Modelamiento de Variogramas
3D:

Clculo de (h) Puntos calculados no se
utilizan directamente para
clculos posteriores

Modelo de (h) Una funcin paramtrica
se ajusta a los puntos
calculados
Recursos
Modelamiento de Variogramas 3D:

Razones por qu AJUSTAR un modelo de Variograma:

1. Se requiere valores para el Variograma y Covarianza vlido
para todas las distancias y direcciones, no solo las
calculadas

Cual es la necesidad: interpretar e interpolar de forma vlida en todas
las direcciones en la funcin (h) para todos los valores de h

El modelo llevar consigo toda la informacin:
Geolgica
Mineralgica
Anisotropas
Trends
Efecto pepta
Recursos


Una funcin ajustada permitir:

Filtrar la informacin
Evitar artefactos del espaciamiento de los datos
Evitar efectos de prcticas de muestreo
Recursos


2. Se requiere valores que el Variograma y Covarianza sean
definidos positivos

Por ejemplo: La varianza de alguna combinacin lineal debe ser positiva
lo que es requerido por Kriging ya que son combinaciones lineares
ponderadas y esta varianza puede se escrita en trminos de variograma
()
=1

( )
=1
=1

Recursos


definidos positivos

Varianza debe ser positiva para cualquier ubicacin (u) y peso () en el
dominio

Las Funciones de Variograma (modelo), en el campo no negativo de la
varianza, son llamados definidos semi-positivos

Por esta razn, practicantes de la geoestadstica, usan modelos
conocidos que son funciones definidas positivas
Recursos


definidos positivos

Un modelo definido positivo asegura que:

Las Ecuaciones de Kriging puedan ser resueltas
Sea una solucin nica
La Varianza de Kriging sea positiva

Una funcin definida positiva es una medida de distancia vlida
Recursos


3. Incorporar informacin geolgica adicional que permita
asegurar las continuidades en las distancias y direcciones

Para ello es posible incorporas:

Datos blandos
Geofsica
Geoqumica
Modelos de
Variogramas:
Efecto Pepita

No hay correlacin espacial
Debe haber una pequea
componente de sta
caracterstica en la varianza
total
Se debe principalmente a:
Errores en las mediciones
Microestructura geolgica
Modelos de
Variogramas:
Modelos

Esfrico
= {
1.5
0.5
3,
1,

Exponencial
= 1 exp (
3
)
Gaussian
= 1 exp (3
2
)
Power Law
=
; 0 < < 2
Recursos
Tips para el Modelamiento de Variogramas:

Decidir la variable a modelar
Encontrar una buena forma de estimar el efecto pepita
Determinar las mejores anisotropas
Definir el Sill al cual el variograma alcanza la distancia de correlacin
cero
Dispersin de la Varianza
Pesos Desclusterizados
Valores Outlaiers
Definir como tratar los Trends
Ajustar el Variograma y decidir el N y tipo de estructuras anidadas
Agenda
Clase 1 Semana 6:
Estimacin de Recursos
Objetivo y Propsito
Sesgo Condicional
Soporte del Volumen de Estimacin
Estimacin Global y Local
Estimacin Linear Ponderada
Mtodos Tradicionales de Estimacin
De los Polgonos
Vecino ms Cercano (Nearest-Neighbor)
Inverso a la Distancia
Recursos
Recapitulemos
y
F(y)
z
F(z)
Vol. (h) Krig
Recursos
Recapitulemos
y
F(y)
z
F(z)
Krig
OBJETIVOS Y PROPSITOS
y
F(y)
z
F(z)
Recursos
Objetivos y Propsitos:

Cuanto se muestrea de un depsito?

<< de 1 billonsima de su Volumen
Total
Recursos

Estimacin De leyes y otros atributos +
2
(geolgica)

Al menos, tenemos una tarea
compleja
Recursos

Estimacin Es asignar un valor en
las ubicaciones NO-Muestreadas
utilizando una Variable Aleatoria con la
que se infiere una Funcin de
Distribucin de Probabilidad y la
Recursos

Estimacin de Recursos DEPENDER
de:

Objetivos Diferentes Esquemas
Recursos

Estimacin de Recursos DEPENDER
de:

Objetivos Diferentes Esquemas
Objetivo
Mtodo de
Estimacin
Simplicidad y
Reproductibilidad
Polgonos o ID
Produccin de Largo Plazo Kriging o ID
Produccin de Corto Plazo Kriging o Simulacin
Recursos

El Objetivo MAYOR es:

Predecir producciones futuras Tonelaje/ley error

Dos Escenarios Posibles:
Provisional: antes de explotar y agregacin de informacin
antes de DECISION MAKING; exactitud en la estimacin
GLOBAL
Final: explotacin donde pits o stopes en estado FINAL y
flexibilidades disminuyen; precisin y exactitud en la
estimacin LOCAL
Recursos

Cmo ENFRENTAR estos escenarios:

Las aproximaciones son diferentes
debido a que tienen distintos objetivos,
la racionalidad de sta eleccin es
parcialmente explicada por el concepto
de SESGO CONDICIONAL
(Conditional Bias)
SESGO CONDICIONAL
y
F(y)
z
F(z)
Recursos
Sesgo Condicional:

QU ES:

Cuando el valor esperado de la ley real
condicionada por la ley estimada no es igual a la
ley estimada
{|

= }
V es un volumen de estimacin, por ejemplo una
SMU
Recursos
Sesgo Condicional:

Cuando OCURRE:

Casi siempre presente efecto suavizamiento
de todas los procedimientos de estimaciones
lineares

Kriging con datos muy espaciados genera SC
Sesgo Condicional:
REQUISITOS de las
Estimaciones:

Globalmente Insesgadas
Ley Estimada sea
cercana a la Ley Real
Sesgo Condicional:
POR QU se Sesgan:

Al aplicar ciertas
condiciones
Ley de Corte
Vecindad
Plan de Estimacin
Clustering
Sesgo Condicional:
POR QU se Sesgan:

Al aplicar ciertas
condiciones
Ley de Corte
Vecindad
Plan de Estimacin
Clustering
Sesgo Condicional:
Cmo se SOLUCIONA:
Usando muchas
muestras en la
estimacin
Pero se genera otro
problema mayor que es
el suavizamiento
Isaaks (2004) plantea
que es peor el
Suavizamiento que SC
SOPORTE DEL VOLUMEN DE
ESTIMACIN
y
F(y)
z
F(z)
TIPOS de Soporte:

Puntual: Muestra,
Compsito
Linear: Sondaje
Volumen: Bloque,
SMU
Soporte del Volumen de
Estimacin
Recursos
Soporte del Volumen de Estimacin:

En QU ESTAMOS INTERESADOS:

Cambio de Soporte estimar bloques
o volmenes minables (SMU) a partir
de un soporte puntual, tratando de
mantener la varianza entre los
diferentes soportes
Recursos
Valor del Variograma Promedio:
Qu Representa el valor medio del (h) es
cuando,
un miembro del vector h describe el dominio V(u)
y otro miembro independientemente describe el
dominio v(u)
(, ) =
1

()

)

Recursos

De la misma manera se define la
Covarianza Media
(, ) =
1

()

)

Cmo se CALCULA:

Algunas soluciones
analticas existen
Tablas para casos
especficos
Actualmente la
aproximacin es
calcularlo numricamente
cuando sea requerido
Estimacin
Cmo se INTERPRETA:

(, ) implica una gran
variabilidad entre V(u) y
v(u)
(, ) es la variabilidad
entre v(u) y si mismo, el
cual incrementa si |V|
incremente
Estimacin
Recursos
Varianza de Dispersin o Espacial: D
2
(V,v)
2
(V,v)

Qu REPRESENTA es la varianza del
volumen v en un volumen mayor V

2
, = {

2
}
Cmo se INTERPRETA:

(, ) implica una gran
variabilidad entre V(u) y
v(u)
(, ) es la variabilidad
entre v(u) y si mismo, el
cual incrementa si |V|
incremente
Estimacin
Soporte del Volumen
de Estimacin
Varianza de Dispersin

Cmo se UNEN estos dos
conceptos

, =

()

()

, =

=

Recursos

Se UNEN por la relacin Volumen-Varianza

, = , ,

Esta relacin es ampliamente usada
SIGNIFICA que: la
2
(Comp)
, que es una pequea escala de datos (),
dentro del tamao de bloque v est dado por el Valor del Variograma
promedio donde (0)=0

2
, = (, )

Recursos

DEBIDO a la propiedad de Aditividad de las Varianzas
podremos relacionar las variaciones de la varianza desde
un soporte puntual a la escala del yacimiento

, = , ,

Esta relacin nos dice como cambia la varianza con el cambio de
volumen o CAMBIO DE SOPORTE

Recursos

RELACIONANDO tamao de muestra (s) a SMU al depsito
(A)

, = , ,
, = , ,

Podemos sumar stas varianzas

, =
, +
,
Esta es la bien ecuacin conocida como: Relacin de Krige

Recursos

Relacin de Krige:
, =
, +
,

La varianza de los bloques pequeos (v) en el rea A, es la varianza de los
bloques pequeos dentro de los bloques grandes (V) ms la varianza de los
bloques grandes en el rea A

a

Soporte del Volumen
de Estimacin
Relaciones
Volumen/Varianza:

La Varianza decrece como el volumen se
incrementa debido a que se van
promediando valores altos y bajos
Qu afecta este efecto de ir promediando:
Tamao y forma de Volumen
Continuidad de la variable
Procesos de Promediar
Podemos cuantificar la reduccin de
varianza con la DISPERSIN de varianza

Soporte del Volumen
de Estimacin
Relaciones Volumen/Varianza:

Cmo se MIDE:
Por el FACTOR de REDUCCIN
de VARIANZA f

=

2
(, )
2
(, )
0,1
Soporte del Volumen
de Estimacin
Relaciones Volumen/Varianza:
f es la varianza de dispersin de
bloques (v) y puntos () dentro del
depsito (G)
=

2
(, )
2
(, )
0,1

Y la varianza de los puntos () en el
Depsito (G) es la varianza
2
= 1
2
,
2
= 1
(, )
2

Soporte del Volumen
de Estimacin
Modelo Analtico de Cambio de
Soporte:

1.27
2
1.55
2
= = 0.67

Ventaja del modelo analtico:
Rpido y aplicable a pequeos
cambios de escala
Adecuado para procesos
cuantitativos
Soporte del Volumen
de Estimacin

Otros Modelos de Cambio de
Soporte:
Correccin Affine
Correccin Indirecta
Lognormal
Modelo Gaussiano Discreto

Trabajan bien para f cercanos a 1
ESTIMACIN GLOBAL Y LOCAL
y
F(y)
z
F(z)
Recursos
Estimacin Global y Local:

MBITO de una estimacin Local:

Estimar valores que especficos para una ubicacin dentro
del depsito

Esquemas de tradicionales de Estimacin
Por polgonos
ID
Kriging
Globalmente las estimaciones estn orientadas a remover
efectos de sesgo y clustering, que fueron descritos en el
estudio de EDA
Recursos
Estimacin Global y Local:
ESTIMACIN LINEAR PONDERADA
y
F(y)
z
F(z)
Estimaciones utilizan estimadores
lineares ponderados

Estimador:
Revierte a la media a cierta distancia
del dato
Las distancias desde el trend de una
ubicacin no muestreadas es
ESTIMADA utilizando algn mtodo
de interpolacin.

El esquema de interpolacin ms
comn es un Estimador Linear
Ponderado

(
0
)
0
=
[(
=1

* Estimado
u
0
ubicacin no muestreada
z(u
i
) valor de la variable
m(u
i
) media o trend

i
ponderador
i=1,,n ndice del valor del dato

(
0
)
0
=
[(
=1

La Estimacin es un ejercicio de
DETERMINAR los PESOS utilizando
cierto CRITERIO

Cercana a los datos
Redundancia entre los datos
Continuidad Anisotrpica
Magnitud de la Continuidad/Variabilidad
MTODOS TRADICIONALES DE
ESTIMACIN
y
F(y)
z
F(z)
Recursos
Mtodos Tradicionales de Estimacin:

Asignan valores a las ubicaciones no
muestreadas
Estados iniciales de proyectos
Para chequear
Entregan un orden de magnitud

Entre los ms comunes se encuentran:

De los Polgonos
Vecino ms Cercano
Inverso a la Distancia Ponderado
Mtodo de los Polgonos
Asigna un REA de INFLUENCIA a
cada dato
El rea se CONSTRUYE alrededor del
dato basado en la idea del Bisector
(=) entre los datos y todos los
circundantes
Se extiende en 3D a Volumen de
Influencia
Cada dato est en el centro de cada
rea de influencia
Se debe limitar el lmite exterior
Se pueden utilizar lmites geolgicos o
fijar una distancia mxima al dato
Mtodo de los Polgonos
Intuitivamente tiene que ver
con la cantidad de informacin
que aporta cada dato, es
proporcional a su rea de
influencia
Aplicaciones en mtodos de
desclusterizacin
Puede indicar una ley
promedio en un depsito con
informacin espaciada
Mtodo del Vecino ms
Cercano
Asigna directamente en un modelo de
bloques la ley o atributo
Aplicaciones computarizada de los
polgonos
Usos
Mtodo de Desclusterizacin, concepto
equivalente al de los polgonos
En estimacin de recursos
No promedia valores
Varianza de los datos se mantiene
No suaviza
Cambios abruptos en los atributos, genera
artefactos
Mtodo de Chequeo
Tiende a sobre estimar la ley y subestimar el
tonelaje si se usa cut-off
Errores en bloques individuales en distribuciones
con Skewness positivo
Mtodo del Inverso a la
Distancia ID*
Es parte de los mtodos de
promedio ponderado
Estimacin es una versin
suavizada de los datos
Calcula los pesos a partir de
las distancias de las
muestras al punto o bloque a
estimar
=1

=1

Distancia ID*
=1

=1

z* valor estimado
w
i
pesos asignados a
cada dato
z
i
valor del dato
i=1,,N ndice de los
datos usados
Distancia ID*
Clculo de los Pesos

=
1
+

w
i
ponderador, los pesos son
estandarizados para suma 1 y asegurar un
estimador globalmente insesgado
d
i
distancia entre el dato y el punto o bloque
a ser estimado
exponente
c es una constante que permite sobre-pesar
los datos cercanos
Distancia ID*
Ponderador
w
i
=0 1 Media Mvil
w
i
=2 IDS
w
i
=3 IDC
w
i
=n NN, el exponente incrementa
tanto que cada ponderador recibe el mismo
peso
Ponderadores + Anisotropa
(se normalizan las distancias
direccionales)

Distancia ID*
EFECTOS de la Potencia en la
Estimacin
Potencia 2 y 3 suavizan los
atributos
Usos en topografa, Estimacin de
Recursos, Espesores, Densidades
Potencia 3 incrementa el
ponderador cerca del dato,
generalmente en variables ms
errticas y los datos aun son
espaciados como Oro, Yodo, etc.

Agenda
Clase 2 Semana 6:
Estimacin de Recursos
Kriging
Simple
Ordinario
KRIGING
y
F(y)
z
F(z)
Recursos
KRIGING:

CUALES son las ventajas?

Permite CALCULAR los pesos de manera
PTIMA de acuerdo a mnimos cuadrados o el
valor mnimo esperado de la varianza de error

No ENTREGA una buena medida de la
incertidumbre asociada a la estimacin
Recursos
KRIGING:

Qu ES?

Es una coleccin de tcnicas generalizadas de
regresin lineal para minimizar una varianza de
estimacin definida de un modelo a priori de
covarianza (Olea, R., 1991)

Es el mejor estimador lineal insesgado, mejor
solamente en el sentido del error de mnimos
cuadrados para un modelo dado de
Covarianza/Varianza (Deutsch, C., 2006)
Recursos
KRIGING:

Kriging Simple:
Minimiza el error de la varianza sin
restricciones en los pesos
La media es una constante conocida para todo
el dominio, se infiere de la distribucin.

Kriging Ordinario
La media es desconocida y es implcitamente
re-estimada como una constante dentro de
cada vecindad
KRIGING SIMPLE
y
F(y)
z
F(z)
Recursos
KRIGING SIMPLE:

Es insesgado por definicin ya que
asume una media estacionaria
conocida
Poco uso en Estimacin de Recursos
Minerales
Estimador con error de varianza
mnimo

Recursos
KRIGING SIMPLE:

=1

+ 1
=1

=1

: son los valores de los datos

: es el estimador
: constante conocida y se asume estacionaria e independiente
de las ubicaciones
Recursos
KRIGING SIMPLE:

=1

+ 1
=1

=1

Caractersticas:

KS es un estimador insesgado por definicin
KS desarrolla la Estimacin en los valores de los datos residuales
m es conocida, se SUSTRAE de los valores de los datos y se INCORPORA
nuevamente una vez que los residuos han sido estimados
Error de Estimacin es expresado como una combinacin lineal de los
residuos
()
Recursos
KRIGING SIMPLE:

La Varianza de Error o Varianza de Estimacin

()
2
=
2
2
+
2

Puede ser expresada como una combinacin lineal de los VALORES
de la COVARIANZA de los RESIDUOS:

()
2
=
() ()
=1
=1
2
+ 0 =
=1
(, )
=1
=1
2
(, ) + 0
=1

(a + b)
2
= a
2
2ab + b
2
Recursos
KRIGING SIMPLE:

La Varianza de Error

()
2
=
(, )
=1
=1
2
(, ) + 0
=1

: Pesos usados en la estimacin
C(0): Varianza
C(u,u
i
): La Covarianza entre la ubicacin de los datos y el dato
C(u
i
,u
j
): La Covarianza entre la ubicacin de los datos
Recursos
KRIGING SIMPLE:

La Varianza de Error

()
2
=
(, )
=1
=1
2
(, ) + 0
=1

La Covarianza es NECESARIA porque la ESTIMACIN tiene una FORMA
LINEAR
La Varianza de Estimacin es NECESARIA porque la ESTIMACIN tiene
una FORMA CUADRTICA
Los valores de la Covarianza NECESARIOS son CALCULADOS desde el
MODELO de VARIOGRAMA
Recursos
KRIGING SIMPLE:

Los Pesos ptimos

= 2
=1
2 , = 0, = 1, ,

i
, i=1,,n Pesos ptimos son DETERMINADOS por derivadas parciales de
la Varianza de Error con respecto a los pesos igualado a cero

RESULTADO es un sistema de n ecuaciones con n pesos incognitos
Recursos
KRIGING SIMPLE:

Los Pesos ptimos

(, )
=1
= , , = 1, ,

(
1
1
) (
1
)

(
1
) (
=
(
1
0
)
(
0
)

KRIGING SIMPLE o Sistema de Ecuaciones Normales, es un sistema de n
ecuaciones con n pesos incognitos
Recursos
KRIGING SIMPLE:

Varianza de Kriging

= 0
(, )
=1

Es la Varianza de Estimacin minimizada
Recursos
KRIGING SIMPLE:

Una forma ms general de KS, que da cuenta del soporte o
volumen de la ubicacin que est siendo estimada est
dada por:
=1

(, )
=1
= , , = 1, ,
= ,
(, )
=1

Donde:
La solucin EXISTE y es NICA si la matriz (, ) es definida positiva

Note que si existen datos duplicados resultar una particular matriz de covarianza dado que las distancias sern cero
Recursos
KRIGING SIMPLE:

Propiedades Bsicas

Por definicin es INSESGADO
m se infiere de los datos dentro de un dominio estacionario
Aplicaciones en minera son pocas debido a que los dominios estacionarios son raros
Usualmente utilizado en Simulaciones
Por construccin, en todas sus formas es un estimador de Varianza de Error
mnimo
Ninguna otra forma de determinar los ponderadores proveer varianzas de
estimacin menor que Kriging
Optimizacin por mnimos cuadrados es una de sus propiedades ms
valoradas
Varianza mnima puede ser un incorrecto criterio de optimizacin para usar
Recursos
KRIGING SIMPLE:

Propiedades Bsicas

Es un interpolador EXACTO
Esto significa que, en una ubicacin conocida el valor estimado es el valor del dato
Si u coincide con una ubicacin dato u
0
, KS retorna el valor del dato como valor estimado
KS honra los valores de los datos duros en sus ubicaciones
Varianza de Kriging depende solo de los valores de la Covarianza, no de los
valores actuales de los datos
varianza de Kriging puede ser conocida antes de desarrollar cualquier estimacin
Los ponderadores o pesos de Kriging, al igual que la varianza, no es
dependiente de los datos.
A igual valores de covarianza y configuracin de los datos resultar en los mismos
ponderadores independientemente de los valores de las muestras individuales usadas para
estimar
Kriging toma en cuenta la geometra del volumen que est siendo estimado
A travs, de la consideracin de los volmenes V
Estimar un gran volumen V es fcil dado que la varianza de estimacin ser menor
Recursos
KRIGING SIMPLE:

Propiedades Bsicas

La DISTANCIA de la informacin a la ubicacin que est siendo estimada,
es tomada en cuenta como una distancia ESTRUCTURAL
ID considera la distancia como euclidiana, siempre la misma
independientemente de la geologa, ambiente de deposicin o la variable
que es est estimando
Kriging es una mejora porque esto lo considera una distancia que es
especfica a una ambiente geolgico
La continuidad estructural de la variable que est siendo considerada es
modelada, incluyendo su anisotropa y otras caractersticas que resultan
de medir la correlacin espacial de los datos
La configuracin de los datos puede ser cuantificada a travs, del termino
(, ) , el cual toma en cuenta la redundancia y el agrupamiento de los
datos
Recursos
KRIGING SIMPLE:

Propiedades Bsicas

El efecto de suavizamiento de Kriging se puede
predecir, ya qu:
Varianza de Estimacin, Valores de la Covarianza entre los datos y
los valores de la covarianza entre los datos y el volumen V que est
siendo calculado puede ser pre-calculado, por esto es posible
obtener distribuciones tericas para diferentes volmenes de soporte
KRIGING ORDINARIO
y
F(y)
z
F(z)
Recursos
KRIGING ORDINARIO:

Se basa en que es un Estimador, con error de
varianza mnimo, en cualquier lugar no
muestreado donde el valor real es desconocido
La media m es desconocida y no asume nada
al respecto
Es insesgado globalmente por definicin ya que
limita la suma de los pesos a 1
Cmo resultado no NECESITA conocer la
media
Suponemos que la media desconocida, para el
volumen que se estima, es constante
Recursos
KRIGING ORDINARIO:

=1

=1
+ 1
=1

=1
= 1 es la condicin de INSESGO cuando la media es desconocida
La ESENCIA de KO es que la varianza de estimacin es minimizada, bajo la
condicin de, que la suma de los pesos es igual a 1
Recursos
KRIGING ORDINARIO:

Se puede demostrar que, KO puede re-estimar,
la media en cada nueva ubicacin u si se usara
en la expresin de KS
KO es mayormente aplicado en vecindades
mviles de bsqueda, utilizando diferentes
datos para cada ubicacin de u, la media
implcita re-estimada m
*
(u) depende de la
ubicacin u.
KO es un tipo de KS, donde el valor m de la
media constante es reemplazada por una
media m
*
(u) estimada dependiente de la
ubicacin.

Recursos
KRIGING ORDINARIO:

KO es un algoritmo Non-Estacionario, el cual
corresponde a un modelo de Funcin Aleatoria
con una MEDIA VARIABLE y COVARIANZA
ESTACIONARIA
La habilidad de re-escalar localmente el modelo
de Funcin Aleatoria z(u) a un valor diferente
de la media estimada m
*
(u) explica lo robusto
de KO
KO ha sido y ser el algoritmo ancla de la
geoestadstica

Recursos
KRIGING ORDINARIO:

KO es adems, un sistema de
ecuaciones normales, pero con el
ingrediente adicional que la suma de los
pesos es igual a 1
El formalismo de los Interpoladores de
Lagrange es usado para obtener los
pesos ptimos y derivar las ecuaciones
del sistema de KO

Recursos
KRIGING ORDINARIO:

Pesos ptimos:

, = 1, , =
2
+2
=1

Usando la notacin ms general que toma en cuenta los diferentes
soportes a ser estimados desde muestras a bloques, la derivacin
del sistema de ecuaciones de KO

Recursos
KRIGING ORDINARIO:

Pesos ptimos:
= 2 ,
+2
=1
+2 = 0, = 1, ,
=1
= 0
Derivadas parciales con respecto a los pesos y utilizando el
multiplicador de Lagrange
donde vienes siendo el parmetro de Lagrange debido a la
restriccin de que los pesos deben sumar 1

Recursos
KRIGING ORDINARIO:

Sistema de Ecuaciones de KO
, =
=1
, , = 1, ,
=1
= 1

Recursos
KRIGING ORDINARIO:

Varianza de KO

= ,
(,
=1

Clases Geo STD

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clases Geo STD

Cargado por

Copyright:

Formatos disponibles

Agenda

También podría gustarte