Apunte de clase

geo-estadistica lineal aplicada

Prof.: Jos Delgado Vega
Dr Geologa de la Ingeniera ENSMP
Esp. Geoestadistica ENSMP
Esp. Explotacin Minas a Cielo Abierto y Cantera ENSMP
Ing Civil de Minas U.A

Objetivos del curso

Brindar los fundamentos de los principales conceptos y tcnicas

usados en la geoestadstica lineal .
Analizar las herramienta para la estimacin de recursos y la
cuantificacin del riesgo asociado a estos.

Referencia
PROFESOR M.ALFARO
TRABAJOS EN GEOESTADISTICA LINEAL
G.MATHERON
La theorie des varibles regionalises et ses aplications
Centre de geoestatistique Fontainebleau

CHILES JEAN-PAUL & DELFINER PIERRE (1999)

"GEOSTATISTICS Modeling Spatial Uncertainty"
A Wiley Interscience Publications 1999

EMERY XAVIER & ARNAUD MICHEL (2000)

"Estimation et interpolation spatiale mthodes dterministes
et mthodes gostatistiques" Herms Sciences Europe 2000 157p
EMERY XAVIER (2007)
Apuntes de geoestadistica,
UNIVERSIDAD DE CHILE octubre del 2007.
Margaret Armstrong Jaques Carignan
Geostatisitque lineaire Application au domaine minier

Referencia
JOFRE DUBER (2009)
"Curso de categorizacin de reservas"
Diplomado Internacional en geoestadistica aplicada a la evaluacin de recursos mineros 2009 Lima BSGrupo
LE LOCH, G. (2003)
" Notes de classes de cours de gostatistique"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
.
KIM, Y.C. & MEDHI P.K. & RODITIS I.S. (1987)
Performance evaluation of indicator kriging in a gold deposit
Mining Engineering October 1987 947p
MARCOTTE,D. (2002)
"Notes de classes de cours de Krigeage dIndicatrices"
http://geo.polymtl.ca/~marcotte/glq3401geo/chapitre7.pdf
Ecole Polytechnique Montreal GLQ3401
ONU (1996):
"Marco Internacional de las Naciones Unidas Para la Clasificacin de Reservas/Recursos,
Combustibles Slidos y Sustancias Minerales"
Versin Definitiva. Establecida y Presentada por el Equipo Especial de las Naciones Unidad. p. 77-88.

Referencia
RIVOIRAD,J. (2003) :
"Notes de classes de cours de gostatistique multivariable".
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

Optimisation de la fosse finale avec MGM

Recherche
Gologique

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.

La geoestadstica es til para:

Cuantificar aspectos geolgicos (ponerle nmeros a la geologa)
Estimacin / Simulacin
Cuantificacin de la incertidumbre (categorizacin)
Diseo de muestreo
Anlisis de riesgo

Generalidades

Principios Bsicos:
Trabaja dentro de restricciones geolgicas (fsicas)
Entrega herramientas para cuantificar y aprovechar la correlacin espacial
Considera la cercana y redundancia de la informacin disponible al punto a estimar o
simular
Algoritmos para modelamiento geolgico numrico y cuantificacin de la incertidumbre

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

La geoestadstica no hace lo siguiente:

Reemplazar buena informacin adicional

Reemplazar la necesidad de sentido comn y buen juicio
Funcionar bien como una caja negra
Ahorrar tiempo
No reemplaza un buen trabajo de exploracin

Generalidades

Las herramientas que son apropiadas en una etapa inicial pueden no serlo
ms delante

Algunas herramientas de modelamiento numrico:

Estimacin:

Inverso del cuadrado de la distancia

Kriging Simple / Ordinario
Kriging de indicadores
Cokriging

Simulacin de variables continuas:

Simulacin Gaussiana Secuencial

Simulacin por Bandas Rotantes
Simulacin de Indicadores
Simulated Annealing

Simulacin de variables categricas:

Simulacin de Indicadores
Truncacin de una Gaussiana
Simulacin PluriGaussiana

Generalidades

Generalidades

Generalidades
LAS CINCO ETAPAS DE UN
PROYECTO MINERO
PROSPECCION
EXPLORACION
DESARROLLO
EXPLOTACION
REHABILITACION Y ABANDONO

Generalidades

Generalidades
Nociones fundamentales
Variable regionalizada ( o regionalizacin )
Se trata de una funcin numrica que mide un atributo que
presenta una estructura en el espacio (por ejemplo , la ley del
cobre en un yacimiento )
Campo
El campo es el dominio en le cual se extiende la variable
regionalizada .Fuera del campo ,la variable no interesa o
simplemente no esta definida

Generalidades
Soporte
Se trata del volumen sobre el cual se considera la variable
regionalizada .Es importante destacar que las propiedades
estadsticas de los valores depende De su soporte (efecto soporte)
Compositos
Cuando los datos originales son testigos de sondages cuyo soporte
es variable ,una operacin de regularizacin

Generalidades

El inters por la geoestadistica esta basado en su habilidad

para modelar la variabilidad espacial de fenmenos de
ocurrencias natural que no pueden
ser totalmente modelados por procesos determinsticos

Generalidades
La estructura de una variable Regionalizada ?
Es una variable aleatoria donde la localizacion,
el espacio y el tiempo son importante :
Ella presenta dos aspectos contradictorio
Tiene un aspecto aleatorio
+
Su comportamiento es mas estructurada

Generalidades
Ttulo del grfico

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

Son siempre nuestros datos equiprobables

y no sujetos a concentraciones?

Generalidades

Generalidades

Que pasa con la funcin de distribucin de los datos?

Generalidades
Tipos de muestreos

Regular

Aleatorio estratificado

Aleatorio

Grupos

Tran-sect

Contorno

Generalidades

Generalidades

Breve discusin de los mtodos tradicionales

de evaluacin

Mtodos
Numerosas tcnicas de interpolacin ;
La eleccin de la tcnica depende del tipo de datos
del tipo de superficie que se quiere del tiempo y del
tratamiento que se les quiere dar.
y tambin de la tradicin

Que buscamos con nuestros mtodos?

realidad .............................. Muestras ...........................Krigeage.................Carte de varianzas

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

Puede ser: POLIGONAL

PROMEDIO
IVOR
KRIGEAGE,
EN GENERAL:

Z =
*

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
dia

n
z= {
}
n 1
i =1
a
d
j j

 POLIGONO
PROMEDIO
IVOR

= 1

1
li =
n
1

li =

KRIGEAGE (se vera despus)

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

Los mtodos tradicionales mencionados son

empricos,demasiado geomtricos y no consideran la
estructura del fenmeno mineralizado (la continuidad
de las leyes y la posible presencia de anisotropas)
Dichos mtodos presentan una sobre-estimacin de las
leyes altas y una sub-estimacin de las leyes bajas

Conceptos generales

CURVAS TONELAJE v/s LEY.

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

Graphique de teneurs / tonnages de Cuivre Total

120000.00

100000.00

80000.00

60000.00

40000.00

20000.00

0.00
0.00

0.50

1.00

1.50

2.00

Te n ue r

Teneur Coupur e

Teneur Moyenne

2.50

3.00

Tonelaje

Curva Tonelaje - Ley de Corte

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

Curva Tonelaje - Ley Media

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

Concepto de leyes de corte econmica de equilibrio

CURVAS RELACION ESTERIL V/S MINERAL
Para realizar estas curvas se procedi segn la siguiente forma.
Ecuacin econmica de la mina:

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)
Ton v/s Ley de Corte

CURVA TONELAJE- LEY

Ton v/s Ley Media

12.0

Tonelaje (Millones tons)

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

 De que depende las dimensiones del modelo de bloque ?

.-Caractersticas del deposito
.-Continuidad espacial
.-Pasta a explotar.
.-Selectividad

Conceptos Bsicos de estadstica

J.DELGADO

J.DELGADO

J.DELGADO

Pensemos en un pas imaginario y pequeo llamado Elich , donde tres

seores de diferentes corrientes de opiniones discuten , al ver la siguiente
estadista de los salarios en dicho pas
Salarios de Elich
Media
Mediana
Moda

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

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 geoestadstica)

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

F ( x ) = Pr ob{X x}

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

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

Clase

Relacin entre densidad de probabilidades y

densidad cumulativa:
Muestras son un nmero finito de
realizaciones, por lo tanto:

F ( x) =

f ( x ) dx

-
n

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 (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

Moda, mnimo y mximo

Rango
Cuartil inferior y superior
Deciles, percentiles y cuantiles: el cuantil p de la distr.
es el valor zp tal que p% de los datos esta bajo zp
F ( z p ) = Prob{Z z p } = p [0,1]

Estadstica bsica

Q3

Mediana o Q2

Q1

Estadstica bsica
Medidas de dispersin:
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

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

Esperanza y varianza de una variable aleatoria

La interpretacin es bastante sencilla

E [ X ] = k pk
k =0

posibles valores de X

probabilidad que la
variable tome el valor k

El valor promedio que puede

asumir la variable

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]

Esperanza y varianza de una variable 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

V [X ] =

(x - E[X ])

f ( x) dx

Esperanza y varianza de una variable 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

V [X ] =
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 } = s 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

- m) 2

w
i =1

En forma continua, puede escribirse como

+

Var{Z } = ( z - m) dF ( z ) = ( z - m) 2 f ( z )dz
2

Se calcula con los dos primeros momentos de Z:

Var{Z } = E {( Z - E{Z }) 2 } = E{( Z - m) 2 } = s 2

= E{Z 2 + m 2 - 2mZ } =

E{Z 2 } 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)

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
( 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

Distribucin normal estndar N(0,1)

g( y ) =

Funcin de distribucin acumulada:

1
2p
y

G( y ) =

g( y ) dy

corresponde al rea bajo la curva

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

La Distribucin Log Normal

Valor esperado

Varianza

Para que sirve una varianza de dispersin

y una de estimacin ?

La idea de la funcin aleatoria

Jos Delgado

La representacin de una regionalizacin por una funcin aleatoria

estacionaria o intrnseca es una operacin SUBJETIVA que esta en
mano del usuario ,teniendo en consideracin los datos experimentales ,
la informacin disponible sobre el fenmeno regionalizado y a la escala
de trabajo , la estacionalidad indica una cierta homogeneidad de las
caractersticas de una variable en el espacio ,es necesario para
llevar a cabo la inferencia estadstica (calculo de la covarianza
O del variograna experimental en vista a su posterior modelamiento

Variografia

Anlisis Variografico
El anlisis variografico es una de las herramientas mas importante y potente que
existen para analizar las fuentes de variabilidad de los procesos .
Podemos estudiar la variabilidad de la variable aleatoria en funcin del tiempo o de
la posicin
En el caso de la mina podemos estudiar como varan las leyes

Variograma Experimental-definicin

1
2
g (h) = E[Z(x) -Z(x +h)]
2

1
g (h) =
2N(h)
*

(z(xi ) - z(xj ))2

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 una herramienta que permite analizar el

comportamiento espacial de una propiedad
o variable sobre una zona dada
Informacin estructural aportada por el Variograma
1.-continuidad espacial
2.-Zona de influencia
3.-las anisotropa
4.-Las estructuras anidadas
5.-La no estacionalidad ( derivas tendencias

Valor promedio de la diferencia al cuadrado de los valores de la propiedad en dos

puntos separados por una distancia |h|

es independiente de la localizacin

depende del mdulo y de la direccin del vector h

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

Palier =Variance des dones

x
x

Pas de corrlation
entre points

x
L effect ppite

2h

Porte

Distance m.

Variograma Experimental-definicin
Coordenadas estratigraficas

La correlacin espacial se debe

calcular dentro de la misma unidad
estratigrfica

Z - Z base
Z tope - Z base

Ejemplo Sencillo

Variograma Experimental-tolerancia angular

Tolerancia angular

Clculo de variogramas
experimentales
Influencia del paso

Clculo de variogramas
experimentales
Influencia de la tolerancia en el paso

Retos en el clculo del

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

La direccin vertical es tpicamente la mejor informada

Puede tener artefactos producto del espaciamiento de datos de testigo.
Manejo de derivas verticales y variaciones areales

La direccin horizontal es en general ms difcil de estimar

Usar un paso cercano al espaciamiento de los sondajes
Tpicas razones de anisotropa horizontal-vertical

Comportamiento discontinuo

Interpretacin del nugget effect

1) Variable muy irregular a distancias cortas

h0
Z(x) y Z(x+h) difieren mucho

1
g (h) = E[Z(x) -Z(x +h)]2
2

no se aproxima a cero

Comportamiento discontinuo

Interpretacin del nugget effect

2) Errores de medicin en las
variables
3,5

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

Interpretacin del nugget effect

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.

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

Indica que para distancias pequeas,

el
variograma
tiene
un
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

10,5 12 13,5 15 16,5 18

Distancia

Comportamiento-grandes distancias

Comportamiento
distancias :

grandes

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 ?

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

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

La interpolacin no satisface las condiciones

que todo variograma debe satisfacer

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*

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)

g (0 ) = 0

2)

g (- h) = g (h)
El variograma calculado en la direccin de
direccin de

es igual al variograma calculado en la

-h

-h

Variograma Terico-propiedades

3) Todo variograma es una funcion definida positiva condicional

x1 , x2 , x3 , K, xn

Para cualquier n, cualesquiera

valores

l1 , l2 , l3 , K, ln

tales que

l
i =1

=0

puntos en el espacio y cualesquiera

se tiene que

- li l j g (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 l Za = -l l g ab

Variograma Terico-propiedades

4) Si

es el variograma de una funcion aleatoria estacionaria o intrnseca entonces

lim
h

g (h )
h

=0

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

g (h ) c h

Variograma Terico-propiedades

5) Combinacion lineal de variogramas

Si

g 1 (h), g 2 (h), g 3 (h), K, g N (h)

son modelos de variograma y

son valores positivos entonces

n

g (h ) = a i g i (h )
i =1

Permite modelar/ajustar las estructuras imbricadas (nested structures)

Permite modelar la anisotropa zonal

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))

= -(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

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

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

Modelo Efecto Pepita Puro

Modelo Efecto Pepita Puro

g h=

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

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

Comportamiento lineal en el origen

Pendiente igual a

c
Variograma

1.5 c / a

Representa fenmenos continuos pero

no diferenciables
Es uno de los modelos
variograma ms utilizados

de

Distancia

Modelo Exponencial
Modelo Exponencial

Meseta

s que alcanza asintticamente

Alcance aparente igual a a

Variograma

g (h) = c1 - exp a

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

g (h ) = c 1 - exp
2

Rango aparente igual a a

Rango experimental igual a

3a

Variograma

Meseta es c que alcanza asintticamente

Comportamiento cuadrtico en el origen

Distancia

Representa fenmenos continuos infinitamente

diferenciables (sumamente continuos)

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

Comportamiento cuadrtico en el origen

Representa fenmenos bastante continuos

Variograma

Modelo Cbico

Distancia

Modelo Seno Cardinal

Modelo Seno Cardinal

( )

seno h /a
g (h) = c1
h /a

Meseta c que alcanza asintticamente

Alcance experimental igual a

Variograma

Alcacne aparente igual a a

3a

Comportamiento cuadrtico en el origen

Se utiliza para representar
continuos con periodicidades

fenmenos
Distancia

Modelo Potencia
Modelo Potencia

g (h ) = s h

s se denomina factor de escala

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

Si Z, Y son funciones aleatorias estacionarias o intrnsecas, el variograma cruzado de ellas se

define como :

1
g ZY(h) = E[(Z(x) -Z(x +h))(Y(x) -Y(x +h))]
2
Para su estimacin se utiliza el variograma cruzado experimental

1
g (h) =
2N(h)
*
ZY

(z(x ) - z(x ))(y(x ) - y(x ))

i

xi -x j = h

Variograma Cruzado-propiedades

1)

g ZY (0) = 0

2)

g ZY (- h ) = g ZY (h )

3)

g ZY (h) = g YZ (h)

El variograma cruzado es una funcin simtrica

4) Relacin con la funcin de covarianza cruzada

g ZY (h) = C ZY (0) -

1
(CZY (h ) + CYZ (h ))
2

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

Variograma Cruzado-propiedades

4) Desigualdad de Hlder

g ZY (h) 2 g Z (h) g Y (h)

Consecuencias:
El modelo de variograma cruzado no puede ser escogido independientemente de cada uno de los
variogramas individuales
El producto de cada uno de los sill de los variogramas individuales es mayor que el cuadrado del sill
del variograma cruzado

2
S ZY
S Z SY

Variograma Cruzado-propiedades

4) Modelo lineal de coregionalizacin

Permite modelar en forma consistente el variograma cruzado y los variogramas individuales

g Z (h) = u1 g1 (h) + u2 g 2 (h) + L+ um g m (h)

g Y (h) = v1 g1 (h) + v2 g 2 (h) + L+ vm g m (h)
g YZ (h) = w1 g1 (h) + w2 g 2 (h) + L+ wm g m (h)
u j > 0 vj > 0

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

La funcin indicadora de la facies F se define como

1 si x F

1F ( x ) =
0 si no

Si se considera la facies F como un conjunto aleatorio entonces su funcin indicadora es una funcin aleatoria
que puede ser estacionaria o no.

En lo sucesivo asumiremos que la funcin indicadora de F es estacionaria

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

3) Relacin con la funcin de covarianza

(h ) = C F (0 ) - C F (h )

C F (h ) = E ([1F (x + h ) - p ][1F (x ) - p ])

C F (0 ) = var (1F (x )) = p (1 - p ) 0.25

Funciones Indicadoras

4) Desigualdad Triangular

g F (h1 + h2 ) g F (h1 ) + g F (h2 )

En particular

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

Otras medidas experimentales para medir la variabilidad/continuidad espacial

N ( h)

1.- Semivariograma

1
g ( h) =
2 * N (h)

( zi - yi )2

i =1

N (h)

2.- Semivariograma cruzado

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

5.- Semivariograma general relativo

g (h)1

g GR (h) =
(

mx + m y 2
)
2

6.- Semivariograma relativo de pareja

N ( h) ( x - y ) 2
1
i
i
g PR(h) =

2 * N (h) i =1 ( xi + yi ) 2
(
)
2

7.- Semivariograma de logaritmo

1
g L ( h) =
2 * N ( h)

N ( h)

(ln( xi ) - ln( yi ))2

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

g este (h) = 0.13 pep + 0.42 esf (180m)

g norte (h) = 0.13 pep + 0.54 esf (100m)
g vertical (h ) = 0.13 pep + 0.72 esf (80m)

Cul es el modelo
tridimensional?

Anisotropas (7)
Modelo tridimensional

g este (h) = 0.13 pep + 0.42 esf (180m) + 0.12 esf()

+ 0.18 esf()

g norte (h) = 0.13 pep + 0.42 esf (100m) + 0.12 esf (100m) + 0.18 esf()
g vertical (h) = 0.13 pep + 0.42 esf (80m) + 0.12 esf (80m) + 0.18 esf (80m)
g (h) = 0.13 pep + 0.42 esf (180m,100 m, 80 m)
+ 0.12 esf (,100 m, 80m ) + 0.18 esf (, , 80m )
Verificacin: la suma de las mesetas vale
0.13 + 0.42 + 0.12 + 0.18 = 0.85 = meseta total

Relacin de Krigen

Varianza de un punto en un volumen

Si todos los valores de z(x) en el interior de el
Volumen V estuvieran disponible nosotros podramos
calcular
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)
s (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
s (O / V ) =
2

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)

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
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

Relacin de aditividad de Krige

s (v/V) = g (V,V)
2

s (v/V) = g (V,V) -g (v,v)

2

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

2

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

2

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

2

Varianza de bloque y varianza de dispersin

Como entender

Si pensamos que conocimos todas las realizaciones de Z(x )

Tendremos la varianza de un punto en un volumen llamada

Varianza de dispersin de un punto en un volumen

Discusin de varianza de dispersin y extensin

La varianza de dispersin es el promedio de las varianzas de extensin
Cuando v toma todas las posiciones posible en V

La varianza de estimacin disminuye cuando la muestra v deviene

Mas representativa del dominio V a estimar
La varianza de estimacin disminuye cuando el variograma es mas regular
(la variable es mas continua )

Plan de trabajo
Varianza de estimacin definicin
Los tres componentes esenciales de la varianza de estimacin
Interpretacin
Clculos
bacos
Combinacin de errores elementales
Precisin en la estimacin
Aplicacin

Nociones de varianza

Verdader
a

Estimada

Z*

(Z-Z*)2

(Z-m)2

(Z*-m*)2

suma

25

25

10

14

suma/5

2.8

0.8

Krigeage
Kriging
Krigeaje.

Krigeaje : interpolador de la geoestadstica, que s

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

El krigeaje es una tcnica de estimacin que

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

Adems proporciona una error de estimacin

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

En trminos mineros, el problema de krigeaje

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

El krigeaje consiste en efectuar una ponderacin,

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

La geoestadstica exige como primera etapa y

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

En el caso minero, particularmente, por la forma

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

Los bloques a estimar son definidos con dimensiones

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

Teniendo en cuenta las hiptesis de la

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

Existen cuatro Krigeage un variable

1.-Krigeage Simple : Variable estacionaria de media
conocida
2.-Krigeage ordinario : Variable estacionaria de
media no conocida
3.-Krigeage de la media :Variable estacionaria
4.-Krigeage Universal Variable no estacionari

Minimizar la varianza de estimacin

Utilizar el ponderador de Lagrange para minimizar

Minimizar la varianza

Entrega un sistema de ecuaciones llamadas sistema

del Krigeage

Krigeage
Sea
X

X
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

[ 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

j= 1

i=1

i j (Xi Xj) 2 i (Xi - X) (X - X)

i=1

= VAR [Z* - Z] 2 ( i 1)
= - (0) 2 (2d) - (0) + 2 (d)
+ 2 (d) 2 ( + - 1)

 / = -2 ( + -1) = 0
+ = 1
/ = -2 (0) 2 (2d) + 2 (d) 2 = 0
(0) + (2d) + = (d)
/ = -2 (2d) 2 (0) + 2 (d) 2 = 0
(2d) + (0) + = (d)

 (2d) + = (d)
(2d) + = (d)
+ = 1

 = =
= (d) - (2d)
= (d) (1/2) (2d)

Krigeage puntual :Minimizar la varianza

Este es el sistema de Krigeage

Krigeage Puntual
Varianza del krigeage

Krigeage de bloque

Sistema de Krigeage

Krigeage Simple

Es llamada el pesos de la media

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

Krigeage Puntual Simple :Minimizar la varianza

Se obtiene el siguiente sistema

Este es el sistema de Krigeage

Krigeage de bloque
Varianza de Krigeage

Bloques regulares

Valor medio del variograma

entre xi y todos los puntos de v

Valor medio del variograma

entre 2 puntos de v tomando
todos los pares de puntos

Variogramas similares

Variograma similares aplicado al krigeage de un bloque

Muestras

Variograma esferico

Krigear un bloque
Talla del bloque 200 x 200 m
Malla de muestreo 200 x 200
Z1= 6
Z2=4
Z3=3
Z4=5
Z5=8

Krigear un bloque
Variograma Esfrico :Alcance 250 m ,Meseta 2.0

Krigear un bloque
El sistema de Krigeage es

Krigear un bloque

Krigear un bloque
Solucin

Krigear un punto ,con cinco muestras en una malla regular de

200m x 200 m

Solucionemos este ejercicio

Escritura matricial del Krigeage

Krigeage ordinario de bloque

Matrice de coeficiente variografico

Matriz de las incgnitas
Matriz de dispersin

Caso estacionario de orden dos

C*Sph(h/a)+C0

Jos Delgado

Propiedades del Krigeage:

1.-Lineal sin sesgo y con mnima varianza
2.-Interpolador exacto
3.-Efecto pantalla
4.-Toma en cuenta la posicin de los puntos en el espacio
5.-Toma en cuenta la continuidad espacial de los datos
6.-Efecto de alisamiento
7.-Casi sin sesgo condicional
8.-Transitiva , coherencia en lo estimado

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