Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Referencia
PROFESOR M.ALFARO
TRABAJOS EN GEOESTADISTICA LINEAL
G.MATHERON
La theorie des varibles regionalises et ses aplications
Centre de geoestatistique Fontainebleau
Referencia
JOFRE DUBER (2009)
"Curso de categorizacin de reservas"
Diplomado Internacional en geoestadistica aplicada a la evaluacin de recursos mineros 2009 Lima BSGrupo
LE LOCH, G. (2003)
" Notes de classes de cours de gostatistique"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
.
KIM, Y.C. & MEDHI P.K. & RODITIS I.S. (1987)
Performance evaluation of indicator kriging in a gold deposit
Mining Engineering October 1987 947p
MARCOTTE,D. (2002)
"Notes de classes de cours de Krigeage dIndicatrices"
http://geo.polymtl.ca/~marcotte/glq3401geo/chapitre7.pdf
Ecole Polytechnique Montreal GLQ3401
ONU (1996):
"Marco Internacional de las Naciones Unidas Para la Clasificacin de Reservas/Recursos,
Combustibles Slidos y Sustancias Minerales"
Versin Definitiva. Establecida y Presentada por el Equipo Especial de las Naciones Unidad. p. 77-88.
Referencia
RIVOIRAD,J. (2003) :
"Notes de classes de cours de gostatistique multivariable".
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
SANS, H.J (2003)
"Workshop on sampling"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
CLAYTON DEUTSCH
Special Topics in geostatistics
ISAAKS , E.H. and SRIVASTAVA, R.M. (1989)
"An introduction to applied geostatistics "
Oxford University Press, New York. 1989.
DEUTSCH, C.V., JOURNEL A.G. (1998):
GSLIB: Geostatistical Software Library and Users Guide
Second Edition, Oxford University Press, 369 p.
CHICA - OLMO M. (1987)
Anlisis Geoestadstico en el Estudio de la Explotacin de Recursos Minerales"
Tesis Doctoral, Universidad de Granada, Espaa, 387 p.
INTRODUCCION
La base de datos
Paramtres go-mtallurgiques
Modlisation des lithologies
Modlisation des gangues
Consommations dacide
Type de minraux
Evaluation Des
Ressources
Modle gologique
de bloc
Paramtres Economiques
Prix du mtal
Cots dextraction
Cots de traitement
Autres
Optimisation Economique
(Logiciel Whittle)
Paramtres Gomtriques
Angles de Talus
Gomtrie de la fosse
Topographie
Autres
Analyse conomique du
projet
Dimensionnement de la
fosse finale
Generalidades
Dterministicos vs. Go estadisticos
Dterministicos : Utilizan funciones matemticas
para poder hacer las predicciones ;
Go estadsticos (Estocsticos): Asocian
funciones matemticas a los anlisis estadsticos
para hacer interpolaciones (ex: Krigeage);
Generalidades
La estadstica se ocupa de los mtodos cientficos para recolectar,
organizar, resumir, presentar y analizar datos, as como obtener
conclusiones vlidas y tomar decisiones razonables en base a dicho
anlisis
La geoestadstica es una rama de la estadstica aplicada que desarrolla
herramientas matemticas para el estudio de variables distribuidas en
el espacio, dependientes entre si, llamadas variables regionalizadas.
Qu es la geo estadstica?
Matheron : Estudio de la variable regionalizada
Sencilla :Es la aplicacin de la estadstica a las
ciencias de la tierra
Generalidades
La geoestadstica pone nfasis en:
El contexto geolgico de los datos
La relacin espacial entre los datos
Datos medidos con un soporte volumtrico y precisin diferentes.
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
Generalidades
Las herramientas que son apropiadas en una etapa inicial pueden no serlo
ms delante
Generalidades
Generalidades
Generalidades
LAS CINCO ETAPAS DE UN
PROYECTO MINERO
PROSPECCION
EXPLORACION
DESARROLLO
EXPLOTACION
REHABILITACION Y ABANDONO
Generalidades
Generalidades
Nociones fundamentales
Variable regionalizada ( o regionalizacin )
Se trata de una funcin numrica que mide un atributo que
presenta una estructura en el espacio (por ejemplo , la ley del
cobre en un yacimiento )
Campo
El campo es el dominio en le cual se extiende la variable
regionalizada .Fuera del campo ,la variable no interesa o
simplemente no esta definida
Generalidades
Soporte
Se trata del volumen sobre el cual se considera la variable
regionalizada .Es importante destacar que las propiedades
estadsticas de los valores depende De su soporte (efecto soporte)
Compositos
Cuando los datos originales son testigos de sondages cuyo soporte
es variable ,una operacin de regularizacin
Generalidades
Generalidades
La estructura de una variable Regionalizada ?
Es una variable aleatoria donde la localizacion,
el espacio y el tiempo son importante :
Ella presenta dos aspectos contradictorio
Tiene un aspecto aleatorio
+
Su comportamiento es mas estructurada
Generalidades
Ttulo del grfico
leyes de cobre
0
0
50
100
150
distancias
200
250
Generalidades
Generalidades
Algunas Problemtica general
El conocimiento que se tiene de un depsito es siempre
fragmentario :solo se dispone de informacin cualitativa y de
muestras en las cuales se mide varios atributos : ley de cobre
,arsnico oro , potencia de los estratos , densidad de la rocas ,tipo
de litologa
La densidad del muestreo influye en el conocimiento de la
organizacin Espacial de los valores de la variable en estudio ,su
continuidad y otras caractersticas estructurales (anisotropa)
Generalidades
Principios directores
1.-Respeto a los datos
2.-Principio del realismo
3.-Principio de la economa
Generalidades
Generalidades
Generalidades
Generalidades
Tipos de muestreos
Regular
Aleatorio estratificado
Aleatorio
Grupos
Tran-sect
Contorno
Generalidades
Generalidades
Mtodos
Numerosas tcnicas de interpolacin ;
La eleccin de la tcnica depende del tipo de datos
del tipo de superficie que se quiere del tiempo y del
tratamiento que se les quiere dar.
y tambin de la tradicin
Z =
*
i =1, n
*
z
i
i
zs =
zj
N
zs =
sjz j
s
zi
dia
n
z= {
}
n 1
i =1
a
d
j j
POLIGONO
PROMEDIO
IVOR
= 1
1
li =
n
1
li =
i =1,n
a
i
1
d
a
i
a [1 , 3 ]
Ejemplo
COMENTARIOS
El mtodo tradicional media aritmtica no
funciona bien en estimaciones locales
porque quedan bloques sin informacin.
El mtodo de los polgonos en general es
menos adecuado en estimaciones locales
porque asigna la misma ley a todos los
bloques de un mismo polgono
COMENTARIOS
Conceptos generales
100000.00
80000.00
60000.00
40000.00
20000.00
0.00
0.00
0.50
1.00
1.50
2.00
Te n ue r
Teneur Coupur e
Teneur Moyenne
2.50
3.00
Tonelaje
EJEMPLO N1
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
0.2
0.3
0.4
0.5
0.6 0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
Ley %
Precio
US$/lb Cu
Ley de Corte
%
Ley
Media
%
Mineral
Toneladas
Cu Fino
lb Cu
Ingresos
US$
Vida til
Aos
1.25
0.39
0.60
550.000.000
6.547.662.000
8.184.577.500
19
1.10
0.47
0.67
400.000.000
5.317.495.200
5.849.244.720
14
0.80
0.80
1.00
160.000.000
3.174.624.000
2.539.699.200
Cm
a + b* R l
m
R * (1 - h )* ley
f(X)
Ton v/s Ley de Corte
12.0
10.0
8.0
6.0
4.0
2.0
0.0
0
Ley de Au (grs/ton)
El modelo de bloque:
Es un modelamiento tridimensional que consiste en discretizar virtualmente el
yacimiento en cientos de paraleleppedos (bloques), con caractersticas que van de
acuerdo al sistema de explotacin a utilizar, la cual permite representar
caractersticas y propiedades del yacimiento
J.DELGADO
J.DELGADO
J.DELGADO
1813529.41
100000
10000
Desviacin estndar
5674424.55
Varianza de la muestra
3.2199E+13
Coeficiente de
asimetra
2.92906839
Mnimo
10000
Mximo
20000000
Cuenta
170
Frecuencia
140
120
100
80
60
40
20
0
0
0,2 0,4
0,6 0,8
Clase
f ( x ) = F ' ( x ) = Pr ob{x1 x x2 }
Histograma acumulado
Frecuencia acumulada
100%
80%
60%
40%
20%
0%
0
F ( x ) = Pr ob{X x}
Clase
F ( x) =
f ( x ) dx
-
n
F ( x ) = pi
i =1
Estadstica bsica
medidas de posicin
media, mediana, moda, mnimo, mximo, rango, deciles,
cuartiles, cuantiles
medidas de dispersin
varianza, desviacin estndar, coeficiente de variacin,
rango intercuartil
medidas de forma
coeficiente de asimetra, coeficiente de aplanamiento
Estadstica bsica
Medidas de posicin:
Media
Mediana
1 n
m = z (ua )
n a =1
z (u( n+1) / 2 )
M = ( z (u n / 2 ) + z (u( n / 2)+1 ))
m=
1
z (u )du
D D
si n es par
si n es impar
Estadstica bsica
Q3
Mediana o Q2
Q1
Estadstica bsica
Medidas de dispersin:
Varianza
1
1 n
2
2
s = ( z (ua ) - m) 2 s = ( z (u ) - m ) du
DD
n a =1
2
Desviacin estndar
s = s2
Rango intercuartil
Coeficiente de variacin
s = s2
IQR = Q 3 - Q 1
CVexp . =
s
m
CVpobl. =
s
m
Momentos
Esperanza: (primer momento) es un promedio ponderado por las
probabilidades, si existe. Nos da una idea del centro de la distribucin
donde:
E{Z} = valor esperado de Z
wi = Ponderador del dato i-simo
n = nmero de datos
m = media
E{Z } = m =
wi z i
i =1
n
w
i =1
En el caso continuo:
E{Z } = m =
zdF ( z ) = zf ( z )dz
Pr{X = k } = pk
Entonces se define la esperanza de X como
E [ X ] = k pk
k =0
Y la varianza como
V [X ] = (k - E[X ]) pk
k =0
E [ X ] = k pk
k =0
posibles valores de X
probabilidad que la
variable tome el valor k
V [X ] = (k - E[X ]) pk
2
k =0
Desviacin cuadrtica
promedio
E[X ] =
x f ( x) dx
V [X ] =
(x - E[X ])
f ( x) dx
E[X ] =
x f ( x) dx
posible valor de X
El valor promedio que puede
asumir la variable
V [X ] =
Desviacin cuadrtica
promedio
(x - E[X ])
f ( x) dx
Momentos
La varianza (segundo momento centrado). Nos da una idea de la
dispersin de la distribucin de la VA Z. Se define como la esperanza
de la desviacin de Z respecto de su media al cuadrado:
Momentos
Var{Z } =
w (z
i =1
- m) 2
w
i =1
Var{Z } = ( z - m) dF ( z ) = ( z - m) 2 f ( z )dz
2
E{Z 2 } 123
Momento de
Segundo Orden
2
(1
E{Z })
424
3
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 (ua ) - m) 3
n
Coeficiente de asimetra = a =1
s3
Positivo
Frec.
Cercano a 0
Negativo
Frec.
Mm
z(x)
Frec.
M
m
z(x)
mM
z(x)
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
( z1a - mZ1 )( z2a - mZ 2 )
n a =1
r=
s Z1 s Z2
Q-q Plot
Grfico Q-Q: para comparar dos
distribuciones F1 y F2 cuantil a
cuantil.
No se utiliza para comparar la
relacin par a par que hay entre las
variables.
Escoger una serie de valores de
probabilidad
pk, k = 1, 2, , K
Graficar q1(pk) versus q2(pk), k = 1, 2,
, K
Q-q Plot
Si todos los puntos caen en una lnea de 45o, las dos
distribuciones son exactamente iguales
Si la lnea esta desplazada de los 45o, las dos distribuciones
tienen la misma forma pero diferentes medias
Si la inclinacin de la lnea no es 45o, las dos distribuciones
tienen diferentes varianzas
Si hay un carcter no lineal en el grafico Q-Q, las
distribuciones tienen diferentes formas en el histograma
g(z)
0.40
0.35
0.30
0.25
Distribucin Normal
0.20
0.15
0.10
0.05
0.00
10
12
14
16
Propiedades:
Completamente definida por su media y varianza
Tiene una descripcin matemtica precisa
Favorable para enfoques tericos de estimacin
Funcin de densidad de probabilidad:
g( z) =
1
2p s
1 z -m
-
2 s
g(z)
0.40
0.35
0.30
0.25
Distribucin Normal
Estandarizacin:
y=
0.20
0.15
0.10
0.05
0.00
10
12
14
16
z-m
s
g( y ) =
1
2p
y
G( y ) =
g( y ) dy
y2
2
g(z)
0.40
0.35
0.30
0.25
Distribucin Normal
0.20
0.15
0.10
0.05
0.00
Intervalos de confianza
68%
g(z)
10
12
14
16
95%
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
95 %
0.15
0.10
0.10
0.05
0.00
0
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 - a
1
g o
by b
g(z)
0.35
Distribucin Lognormal
0.30
0.25
0.20
0.15
0.10
0.05
ln y - a
1
f Y ( y ) = F 'Y ( y ) =
g o
by b
m = ea + b
0.00
s 2 = m 2 [e b - 1]
10
/2
s2
b = ln 1 + 2
m
a = ln m - b / 2
2
ln y - a
para todo y > 0
FY ( y ) = Prob{Y y )} = Go
b
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
0.1
0.00
10
0.0
10
Valor esperado
Varianza
Jos Delgado
Variografia
Anlisis Variografico
El anlisis variografico es una de las herramientas mas importante y potente que
existen para analizar las fuentes de variabilidad de los procesos .
Podemos estudiar la variabilidad de la variable aleatoria en funcin del tiempo o de
la posicin
En el caso de la mina podemos estudiar como varan las leyes
Variograma Experimental-definicin
1
2
g (h) = E[Z(x) -Z(x +h)]
2
1
g (h) =
2N(h)
*
xi - x j = h
Variograma Terico
Variograma Experimental
VARIOGRAMA EXPERIMENTAL
Definicin
Clculo a partir de los datos
Caractersticas bsicas
Ajuste de modelos de variograma
VARIOGRAMA TERICO
Definicin
Propiedades bsicas
Estudio de modelos de variograma
Variograma Terico-Definicin
es independiente de la localizacin
Variograma Terico-Caractersticas
1
g (h) = E [Z (x) - Z ( x + h)]2
2
Z (x + h 1 )
x + h1
h1
Deteccin de
caractersticas que
varan segn la
direccin y la
distancia
Z (x )
h
Z ( x + h)
x+ h
Le Variogramme
Variogramme exprimental
Variogramme thorique
x
x
Pas de corrlation
entre points
x
L effect ppite
2h
Porte
Distance m.
Variograma Experimental-definicin
Coordenadas estratigraficas
Z - Z base
Z tope - Z base
Ejemplo Sencillo
Tolerancia angular
Clculo de variogramas
experimentales
Influencia del paso
Clculo de variogramas
experimentales
Influencia de la tolerancia en el paso
Comportamiento discontinuo
h0
Z(x) y Z(x+h) difieren mucho
1
g (h) = E[Z(x) -Z(x +h)]2
2
no se aproxima a cero
Comportamiento discontinuo
Z obs ( x ) = Z ( x ) + e ( x )
se 2
1,5
Valores
reales
1
0,5
Distancia
18
16,5
15
13,5
12
10,5
7,5
4,5
0
1,5
obs
Valores
observados
g Z (h) = g Z (h) + se
Variograma
2,5
Comportamiento discontinuo
Comportamiento Lineal
Comportamiento lineal
Indica que para distancias
pequeas, el variograma
tiene un comportamiento
lineal.
3
2.5
Variograma
Representa
variables
continuas
pero
no
diferenciables.
As,
la
propiedad puede cambiar
rpidamente de un punto a
otro.
3.5
2
1.5
1
0.5
0
Distancia
Comportamiento Lineal
3,5
3
Comportamiento lineal
Variograma
La
variabilidad
de
la
propiedad depender de la
pendiente de la recta en el
origen
2,5
2
1,5
1
0,5
0
0 1 2 3 4 5 6 7 8 9 10 11
Distancia
A
mayor
pendiente,
mayor variabilidad
3
2,5
A menor pendiente,
menor variabilidad
Variograma
2
1,5
1
0,5
0
0 1 2 3 4 5 6 7 8 9 10 11
Distancia
Comportamiento Cuadrtico
Comportamiento Cuadrtico
3,5
3
2
1,5
1
0,5
Distancia
37
34
31
28
25
22
19
16
13
10
0
1
Representa
variables
sumamente
continuas e infinitamente diferenciables.
As, la propiedad NO puede cambiar
rpidamente de un punto a otro.
Variograma
2,5
Comportamiento Hbrido
Comportamiento Hbrido:
7
6
Variacin ms fuerte
distancias grandes
Variograma
Variacin ms suave
distancias cortas
5
4
3
2
Indica
presencia
estructuras
actuando
diferentes escalas
de
a
1
0
0
1,5
4,5
7,5
Distancia
Comportamiento-grandes distancias
Comportamiento
distancias :
grandes
Variograma
VARIABLE NO ESTACIONARIA
Distancia
Anisotropas
Anisotropas :
Anisotropa Geomtrica
Anisotropa Zonal
Anisotropa Hbrida
DEL VARIOGRAMA
EXPERIMENTAL AL MODELO
DE VARIOGRAMA
Ajustar
6
5
4
3
Variograma
experimental
2
1
El variograma experimental no se
puede evaluar en distancias o
direcciones intermedias
3.6
3.2
2.8
2
2.4
1.6
1.2
0.8
0
0.4
Distancia
6
5
4
Variograma
experimental
Modelo de
variograma
2
1
Distancia
3.6
3.2
2.8
2
2.4
1.6
1.2
0.8
0
0
0.4
variograma experimental
g*
Variograma Terico-propiedades
1)
g (0 ) = 0
2)
g (- h) = g (h)
El variograma calculado en la direccin de
direccin de
-h
-h
Variograma Terico-propiedades
x1 , x2 , x3 , K, xn
l1 , l2 , l3 , K, ln
tales que
l
i =1
=0
- li l j g (xi - x j ) 0
n
i =1 j =1
var l Za = -l l g ab
Variograma Terico-propiedades
4) Si
lim
h
g (h )
h
=0
g (h ) c h
Variograma Terico-propiedades
g (h ) = a i g i (h )
i =1
a 1 , a 2 , a 3 , K, a N
Por definicin
2
Var ( Z *) = E[ Z * - E ( Z *)]
Recordemos
Z* =
i Z ( xi )
E ( Z *) = E (
i Z ( xi ) =
i E ( Z ( xi )) =
= E
li (Z ( xi ) - m)
im
Var [
i Z ( x i )] =
i j C ( xi - x j )
Var[
l l
j
l l g
i Z ( xi )] = -
i j ( xi - x j )
Var ( Z * ) = Var [
i Z ( xi )] = -
l l g
i j ( xi - x j )
- (l12g (0) + l22g (0) + l32g (0) + 2l1l2g (0.8) + 2l1l3g (0.8) + 2l2l3g (1))
Variograma Terico-propiedades
2.5
2
1.5
1
0.5
4.5
4
0
0
3.5
1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
3
2.5
2
1.5
1
2.5
0.5
0
1.5
1
0.5
0
0
1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
g
MODELOS DE
VARIOGRAMA
Modelos de Variograma
g h=
si h = 0
si h 0
Variograma
Distancia
Modelo Esfrico
Modelo Esfrico
gh=
3 h 1 h
2 a 2 a
c
Meseta c y alcance
si
si h a
h >a
c
Variograma
1.5 c / a
de
Distancia
Modelo Exponencial
Modelo Exponencial
Meseta
Variograma
g (h) = c1 - exp a
3a
3c/a
Distancia
Modelo Gaussiano
Modelo Gaussiano
g (h ) = c 1 - exp
2
3a
Variograma
Modelo Cbico
g h=
c7
- 8.75
Meseta C y Alcance
h
h
h
+
3
.
5
0
.
75
a3
a5
a7
c si
si h a
h >a
Variograma
Modelo Cbico
Distancia
( )
seno h /a
g (h) = c1
h /a
Variograma
3a
fenmenos
Distancia
Modelo Potencia
Modelo Potencia
g (h ) = s h
El comportamiento en
depende del valor de p
Representa
fenmenos
estacionarios
el
origen
s=2.5, p=0.4
Variograma
0 p<2
s=0.4, p=1.8
s=1.15, p=1
no
Distancia
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto
g ZY
Variograma Cruzado
1
g ZY(h) = E[(Z(x) -Z(x +h))(Y(x) -Y(x +h))]
2
Para su estimacin se utiliza el variograma cruzado experimental
1
g (h) =
2N(h)
*
ZY
xi -x j = h
Variograma Cruzado-propiedades
1)
g ZY (0) = 0
2)
g ZY (- h ) = g ZY (h )
3)
g ZY (h) = g YZ (h)
g ZY (h) = C ZY (0) -
1
(CZY (h ) + CYZ (h ))
2
Variograma Cruzado-propiedades
4) Desigualdad de Hlder
2
S ZY
S Z SY
Variograma Cruzado-propiedades
g j , j = 1,K, m
u j v j - w 2j > 0
modelos de variogramas
VARIOGRAMA DE FUNCIONES
INDICADORAS
Modelando el comportamiento
espacial de Facies
gF
Funciones Indicadoras
1 si x F
1F ( x ) =
0 si no
Si se considera la facies F como un conjunto aleatorio entonces su funcin indicadora es una funcin aleatoria
que puede ser estacionaria o no.
1
2
g F (h ) = E (1F (x + h ) - 1F (x ))
2
Funciones Indicadoras
Propiedades
1)
E (1F (x )) = P( x F ) = p [0,1]
var (1F (x )) = p (1 - p )
2)
g F (h ) 0.5
El sill de variogramas de funciones indicadoras no puede ser mayor a 0.5
(h ) = C F (0 ) - C F (h )
C F (h ) = E ([1F (x + h ) - p ][1F (x ) - p ])
Funciones Indicadoras
4) Desigualdad Triangular
g F (2h ) 2 g F (h )
Consecuencia :
Un variograma con comportamiento en el origen de la forma
no puede ser el variograma de una funcin indicadora
p >1
Funciones Indicadoras
5) Rango y Anisotropas
Variograma
g F (h) = P( xF y x + hF)
R2
R1
Distancia
1.- Semivariograma
1
g ( h) =
2 * N (h)
( zi - yi )2
i =1
N (h)
g zy(h) =
1
2 * N (h)
( zi - zi' )( yi - yi' )
i =1
N (h)
3.- Covariograma
4.- Correlograma
C ( h) =
1
N (h)
r ( h) =
( xi yi -mxm y )
i =1
C ( h)
s xs y
g (h)1
g GR (h) =
(
mx + m y 2
)
2
N ( h) ( x - y ) 2
1
i
i
g PR(h) =
2 * N (h) i =1 ( xi + yi ) 2
(
)
2
1
g L ( h) =
2 * N ( h)
N ( h)
i =1
N (h )
8.- Semimadograma
1
g M (h) =
2 * N (h )
i =1
xi - yi
Estrategia de Modelamiento
REF:Xavier Emery
Anisotropas (6)
Ejemplo de ajuste
Cul es el modelo
tridimensional?
Anisotropas (7)
Modelo tridimensional
+ 0.18 esf()
g norte (h) = 0.13 pep + 0.42 esf (100m) + 0.12 esf (100m) + 0.18 esf()
g vertical (h) = 0.13 pep + 0.42 esf (80m) + 0.12 esf (80m) + 0.18 esf (80m)
g (h) = 0.13 pep + 0.42 esf (180m,100 m, 80 m)
+ 0.12 esf (,100 m, 80m ) + 0.18 esf (, , 80m )
Verificacin: la suma de las mesetas vale
0.13 + 0.42 + 0.12 + 0.18 = 0.85 = meseta total
Relacin de Krigen
S (O / V ) =
2
1
z ( x)dx
V
V
1
[ z ( x) - m ] dx
V
2
S (O / V ) =
2
1
[ z ( x ) - m ] dx
V
2
O designa un punto
El muestreo puntual es soporte de volumen nulo
1
g ( x - y ) dxdy = g (V ,V )
V
2
Varianza de v en V
1
Z ( x) = Z ( y )dy
v
V
v(x)
1
z ( x)dx
V
V
y
1
S (v / V ) = [ z ( x) - m ] dx
V
2
La varianza de dispersin de v en V
1
s (v / V ) = E{ [ z ( x) - m ] dx}
V
2
Esta es igual a
1
1
s (v / V ) = g ( x - y )dxdy - g ( x - y )dxdy
V
v
2
sea
s (v / V ) = g (V ,V ) - g (v, v )
2
vv
s (v/V) = g (V,V)
2
Como entender
Plan de trabajo
Varianza de estimacin definicin
Los tres componentes esenciales de la varianza de estimacin
Interpretacin
Clculos
bacos
Combinacin de errores elementales
Precisin en la estimacin
Aplicacin
Nociones de varianza
Verdader
a
Estimada
Z*
(Z-Z*)2
(Z-m)2
(Z*-m*)2
suma
25
25
10
14
suma/5
2.8
0.8
Krigeage
Kriging
Krigeaje.
Minimizar la varianza
Krigeage
Sea
X
X
d
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
Pero = 1
= - - - - 2 + 2
+ 2
2
j= 1
i=1
i=1
= VAR [Z* - Z] 2 ( i 1)
= - (0) 2 (2d) - (0) + 2 (d)
+ 2 (d) 2 ( + - 1)
/ = -2 ( + -1) = 0
+ = 1
/ = -2 (0) 2 (2d) + 2 (d) 2 = 0
(0) + (2d) + = (d)
/ = -2 (2d) 2 (0) + 2 (d) 2 = 0
(2d) + (0) + = (d)
(2d) + = (d)
(2d) + = (d)
+ = 1
= =
= (d) - (2d)
= (d) (1/2) (2d)
Krigeage Puntual
Varianza del krigeage
Krigeage de bloque
Sistema de Krigeage
Krigeage Simple
El krigeage simple
.-Es menos utilizado
.-Debe estar seguro de que m esta bien estimado
.-Sus ecuaciones son mas simples
Krigeage de bloque
Varianza de Krigeage
Bloques regulares
Variogramas similares
Muestras
Variograma esferico
Krigear un bloque
Talla del bloque 200 x 200 m
Malla de muestreo 200 x 200
Z1= 6
Z2=4
Z3=3
Z4=5
Z5=8
Krigear un bloque
Variograma Esfrico :Alcance 250 m ,Meseta 2.0
Krigear un bloque
El sistema de Krigeage es
Krigear un bloque
Krigear un bloque
Solucin
C*Sph(h/a)+C0
Jos Delgado
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