TITULO DEL TRABAJO:

1RELACIN DE KRIAGE

CUROS: GEOESTADSTICA II
PROFESOR: AUGUSTO TEVES ROJAS.

INTEGRANTES:
MENDOZA SANTIAGO TITO
DILAS UBALDO DIEGO JOSE

UNIVERSIDAD NACIONAL DE INGENIERA, LIMA

Setiembre, 2015.

PREFACIO
La relacin de Kriage, en un yacimiento bloqueado que tiene valores (leyes), se calcula con

2T

la varianza de los datos (

= varianza de las medias de los bloques).

Qu es la relacin de Kriage?
En un variograma experimentas les da histogramas con comportamiento log-normal.

x1
..
..

x2

x3
..
.

..
xn

x1 , media del bloque 1

2

1
f ( x )=
e
2 x

1 (lnx )
2
2

{ X1 ,

X2 ,

X 3 ,., X n }

{ ln x1 , ln x 2 , ln x3 ,, ln xn }
{ y 1 , y 2 , y 3 ,.., y n }

ln y =
y =

Este modelo, modela yacimiento de Au, Cu, Ag,, casi todas las variedades.

ABSTRACT
Kriage ratio in a blocked field that has values (laws), is calculated by the variance of the data
(

2
T = variance of the middle of the blocks).

What is the relationship Kriage?

In a given variogram histograms experience with log-normal behavior.

x1
..
..

x2

x3
..
.

..
xn

x1 , average block 1
2

1
f ( x )=
e
2 x

1 (lnx )
2
2

2 ( V ) 2 (v ) + 2 ( vV )

{ X1 ,

X2 ,

X 3 ,., X n }

{ ln x1 , ln x 2 , ln x3 ,, ln xn }
{ y 1 , y 2 , y 3 ,.., y n }

ln y =
y =

This model, reservoir modeling Au, Cu, Ag, almost all varieties.

NDICE

I.INTRODUCCION...5
II.OBJETIVOS...........6
III. MARCO TEORICO ....6
IV. PROCEDIMIENTO.............7
-

GRAFICAS Y RESULTADOS

V.CONCLUSIONES....17
VI. RECOMENDACIONES....17
VII. ANEXO18

I.

INTRODUCCIN

Sabemos que la varianza de extensin nos proporciona el error cuadrtico medio que se
comete al momento que se estima el valor medio de una funcin aleatoria en un
determinado bloque de mineral. Krige encontr una relacin en funcin de estas varianzas
en muestras de un yacimiento, el cual se tratar en la parte terica as como un ejemplo de
su aplicacin. El presente trabajo muestra el procedimiento y aplicacin del mtodo de
Krige ( Kriging) para el anlisis de diferentes bloques con leyes aleatorias y comprobar su
ecuacin.

II.

OBJETIVOS

Llegar a comprobar que la varianza de un yacimiento es la suma de las varianzas de

las muestras con respecto al bloque ms la varianza de la media de los bloques.

III.

MARCO TERICO

Relacin de actividad de Kriage

La varianza de extensin proporciona el error cuadrtico medio cometido al estimar el
valor medio de la funcin aleatoria de inters en un determinado bloque a travs de un
valor puntual. No es necesario que las mediciones sean puntuales, pudindose generalizar
la idea al caso en que se estime el valor medio de la funcin aleatoria de inters en un
determinado bloque a travs del valor medio de un bloque ms pequeo. Puede
observarse que la varianza de extensin es un caso particular de la varianza de estimacin,
aqul en e l que solo existe un dato muestral, ya sea puntual o promediado en un bloque V.
Su expresin es la siguiente:
Soporte de observacin localizaciones puntuales:

E2 (V / si ) E[( X V X ( si )) 2 ]
Soporte de observacin Bloques:

E2 (V / v) E[( X V X v ) 2 ]
Aunque habitualmente se presenta como:

E2 (V / si ) 2 [( si , V ) (V , V )].
E2 (V / v) 2 [(v,V ) (v, v) (V , V )].

Ya que, por ejemplo, procediendo de forma anloga, en el caso de soporte de observacin

puntual:

( si / s j ) 2 ( si s j )
2
E

IV.
A.

1
V2

1
V2

( X ( s) X ( si ))ds ) 2

VV

E2 (V / si ) E[( X V , X ( si )) 2 ] E

E[ X (s) X (s )( X (t )) X (s ))]dsdt
i

(s t )dsdt V (s s )ds 2 (s,V ) (V ,V )

i

PROCEDIMIENTO

Creacin del cdigo en Matlab

Para la comprobacin de la relacin de krige, necesitaremos usar algn software de
programacin (c++, Java, Matlab, Phynton, etc). En nuestro caso usaremos la herramienta
de programacin Matlab y crearemos un cdigo que nos ayudara con la comprobacin
experimental de la relacin de krige. El cdigo realizara lo siguiente:
1 Nos pedir ingresar las siguientes variables de entrada:
Los lmites de la malla (A, B, C y D), El lado del bloque, El Numero de muestras, La Media y
La Desviacin Estndar.

%Variables de Entrada
A=input('A: ');
B=input('B: ');
C=input('C: ');
D=input('D: ');
L=input('Lado del Bloque: ');
k=input('Numero de muestras: ');
mu=input('media: ');
desv=input('Desv. Standar: ');
2 Generaremos los pares ordenados (x, y) con sus respectivas leyes para cada muestra.
Donde:
Los pares ordenados tendrn distribucin Uniforme.
Las leyes tendrn distribucin normal.

%Generamos los pares Ordenados y las leyes

data=zeros(k,3);
%Matriz donde se almacenara X,Y,LEY
data(:,1)=(B-A)*rand(k,1)+A;
%Coord X con Dist Uniforme
data(:,2)=(D-C)*rand(k,1)+C;
%Coord Y con Dist Uniforme
data(:,3)=desv*randn(k,1)+mu;
%Ley de Oro con Dist Normal
m=(D-C)/L;
%Numero de filas de de la malla
Bloqueada
n=(B-A)/L;
%Numero de columnas de la malla
Bloqueada
zz=m*n;
a1=zeros(zz,1);
a2=zeros(zz,1);
3 Bloqueamos la malla en cuadrados de lado L.
%Bloqueamos la malla en cuadrados de lado "L"
figure(1)
hold on
scatter(data(:,1),data(:,2),'fill');
xi=A+0.5*L;
yi=C+0.5*L;
for j=1:m
for i=1:n
r=L*sind(45);
x=zeros(5,1);
y=zeros(5,1);
cx=xi+(i-1)*L;
cy=yi+(j-1)*L;
LIX=cx-0.5*L;
LSX=cx+0.5*L;
LIY=cy-0.5*L;
LSY=cy+0.5*L;
for k=1:5
theta=(2*k-1)*pi/4;
[x(k),y(k)]=coordpolares(cx,cy,r,theta);
end
plot(x,y,'r');
KK=(data(:,1)>LIX & data(:,1)<LSX)&(data(:,2)>LIY & data(:,2)<LSY);
POS=find(KK==1);
if isempty(POS)
else
a1(n*(j-1)+i)=var(data(POS,3));
a2(n*(j-1)+i)=mean(data(POS,3));
end
end
4end
Depuracin
de ceros, de las matrices columna a1 y a2.

%Depuracion de ceros
pos1=find(a1~=0);
b1=a1(pos1);
pos2=find(a2~=0);
8b2=a2(pos2);
5Calculos de las varianzas.
varianza1=var(data(:,3));
varianza2=mean(b1)+var(b2);

B.

RESULTADO DEL PROGRAMA

Una vez programado nuestro algoritmo, corremos el cdigo y colocaremos como datos de
entrada:

A: 200
B: 6700
C: 200
D: 6700
Lado del Bloque: 650
Nmero de Muestras: 1000
Media: 1.8
Desv. Estndar: 0.9
Arrojndonos las siguientes grficas y resultados.

Muestras Aleatorias sin Bloquear

7000

6000

5000

Eje Y

4000

3000

2000

1000

1000

2000

3000

Eje X

Fig.1

10

4000

5000

6000

7000

Malla Bloqueada

7000

6000

5000

Eje Y

4000

3000

2000

1000

1000

2000

3000

Eje X

Fig. 2

C. ANALISIS DE LOS RESULTADOS

11

Fig. 3

4000

5000

6000

7000

Segn los resultados obtenidos varianza1=0.80095 y varianza2=0.87950, en donde

Varianza1:
Varianza2:

2 ( V )
Con esto podemos
( v )que
2 decir
+ 2:( vV )
2 ( V ) 2 (v ) + 2 ( vV )
Con un error de 9.81% con respecto a la varianza1

0.879500.80095
=9.81
0.80095
Tambien podemos decir que estas varianzas estan muy cercanas al 0.81, que es la varianza
con la que hemos generado las leyes en el programa.
Luego si seguimos corriendo el programa pero esta vez para lados de bloques de : 260,
500, 650 y 1300 manteniendo constante el resto de varibles de entrada; se observo lo
siguiente:

12

Fig. 4

Fig. 5

Fig. 6

13

Fig. 7

CUADRO RESUMEN:

14

Se observa que mientras ms se acerca el lado del bloque a 6500 (ancho de la malla), el
error disminuye considerablemente acercndose a 0%, como la tendencia de la muestra en
la fig. 8.

Fig. 8

V.

CONCLUSIONES

Corroboramos la aproximacion de la relacion de Krige con un error aceptable de

9.81%.

15

Ambas varinzas obtenidas por el programa son cercanas a 0.81 (varianza con la que

generamos los 1000 leyes de Oro con Dist Normal).

El lado del bloque y el error tienen una relacion inversa.
Cuando el lado del bloque tiende al ancho de la malla (6500 en nuestro caso) el
error se vuelve cada vez mas insificante.

VI.
-

RECOMENDACIONES

Tener conocimiento de algn tipo de programacin (C++, Java, Matlab, Python, etc).
Programas como el Matlab y Python son muy tiles para estos tipos de trabajos ya que te
permiten graficar y almacenar un gran tamao de datos a comparacin del lenguaje C++ o

el macros de Excel (para este caso hemos usado Matlab).

Utilizar comandos fciles para hacer la malla y poder realizar bien el cdigo de
programacin ya que se ha encontrado problemas cuando se digitan las variables.

VII.

ANEXO

Cdigo completo usado para la comprobacin experimental de la relacin de Kriage.

clear all;
clc;
%Variables de Entrada
A=input('A: ');
B=input('B: ');
C=input('C: ');
D=input('D: ');
L=input('Lado del Bloque: ');
k=input('Numero de muestras: ');
mu=input('media: ');
desv=input('Desv. Standar: ');
%Generamos los pares Ordenados y las leyes

16

data=zeros(k,3);
data(:,1)=(B-A)*rand(k,1)+A;
data(:,2)=(D-C)*rand(k,1)+C;
data(:,3)=desv*randn(k,1)+mu;
m=(D-C)/L;
Bloqueada
n=(B-A)/L;
Bloqueada
zz=m*n;
a1=zeros(zz,1);
a2=zeros(zz,1);

%Matriz donde se almacenara X,Y,LEY

%Coord X con Dist Uniforme
%Coord Y con Dist Uniforme
%Ley de Oro con Dist Normal
%Numero de filas de de la malla
%Numero de columnas de la malla

figure(1)
scatter(data(:,1),data(:,2),'MarkerFaceColor','m');
xlabel('Eje X');
ylabel('Eje Y');
title('Muestras Aleatorias');
%Bloqueamos la malla en cuadrados de de lado "L"
figure(2)
hold on
scatter(data(:,1),data(:,2),'MarkerFaceColor','m');
xi=A+0.5*L;
yi=C+0.5*L;
for j=1:m
for i=1:n
r=L*sind(45);
x=zeros(5,1);
y=zeros(5,1);
cx=xi+(i-1)*L;
cy=yi+(j-1)*L;
LIX=cx-0.5*L;
LSX=cx+0.5*L;
LIY=cy-0.5*L;
LSY=cy+0.5*L;
for k=1:5
theta=(2*k-1)*pi/4;
[x(k),y(k)]=coordpolares(cx,cy,r,theta);
end
plot(x,y,'r');
KK=(data(:,1)>LIX & data(:,1)<LSX)&(data(:,2)>LIY & data(:,2)<LSY);
POS=find(KK==1);
if isempty(POS)
else
a1(n*(j-1)+i)=var(data(POS,3));
a2(n*(j-1)+i)=mean(data(POS,3));
end
end
end

17

xlabel('Eje X');
ylabel('Eje Y');
title('Malla Bloqueada');
hold off
%Depuracion de ceros
pos1=find(a1~=0);
b1=a1(pos1);
pos2=find(a2~=0);
b2=a2(pos2);
varianza1=var(data(:,3));
varianza2=mean(b1)+var(b2);
error=abs(varianza1-varianza2)/varianza1*100;
fprintf('------RESULTADOS DEL PROGRAMA------\n');
fprintf('VARIANZA1: %4.5f \n',varianza1);
fprintf('VARIANZA2: %4.5f \n',varianza2);
fprintf('Error: %2.2f \n',error);

18