Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EN GEOESTADISTICA LINEAL
w w w. b s c o n s u l t o r e s . c o m
GEOESTADISTICA LINEAL
Expositor: Jose Delgado Vega
EXPOSITOR
Consultores
GEOESTADISTICA Geoestadistica Lineal
I. INFORMACIÓN GENERAL
CURSO : Curso de GeoestadÍstica Lineal
Profesor : José Delgado Vega
Duración : 4 Sesiones
Fechas : 25 de Mayo del 2007
I. OBJETIVO
Comprender el marco teórico y práctico de la geoestadÍstica minera.
Objetivos Específicos
• Proveer al alumno con criterios para elegir cuál es la técnica más apropiada
para describir propiedades de un yacimiento.
SESIÓN 1
Nociones de probabilidad.
Variables aleatorias.
Algunas distribuciones importante (Normal , lognormal student)
Pruebas chicuadrado
Intervalos de confianza
Estimador de Sichel
Estacionalidad y ergodicidad.
SESIÓN 2
Aplicación de espacial de datos
Inferencia y modelamiento de la correlación espacial
Noción de variable regionalizada
Consultores
Función aleatoria
Hipótesis estacionalidad e intrínseca
Covarianza espacial
GEOESTADISTICA Geoestadistica Lineal
Variancia mínima.
Variancia de dispersión, varianza de estimación.
Cálculo de estimadores de varianza mínima.
Insesgamiento.
SESIÓN 3
Medidas de variabilidad espacial.
El variograma experimental
Nubes variograficas
El variograma teórico
Alcance y mesetas de un variograma
Correlograma.
El covariograma
ElCorrelograma.
Anisotropía
Presencia de derivas
Efecto proporcional
Estructuras anidadas
Modelos de variogramas
Varianzas de combinación lineal autorizadas
Modelos autorizados
Modelos mas corrientes
Modelo pepitico
Modelo esferico
Modelo exponencial
Modelo gaussiano
Modelo potencia
Modelo cubico
SESIÓN 4
Dispersión y soporte
El soporte de una variable regionalizada
Dispersión en función e la talla de ,los bloques
Varianza e un punto en un volumen
Varianza entre volúmenes
La relación de aditividad
Cambio de soporte regulación
Estimación Multivariable
Cokriging.
CoKrigeage de indicatrices
Categorización
Conceptos teóricos.
Técnicas de categorización
Ejemplo de aplicación de la geoestadistica a la reserva minera
Aplicación y ejemplos
IV. METODOLOGÍA
La metodología del curso está orientada a la consecución de los objetivos
enunciados y está conformada por:
a. Exposición de los temas
b. Talleres en clase
V. EVALUACIÓN
El calificativo del curso será el promedio ponderado de:
Taller 1 ............................... 25 %
Taller 2 . .............................. 25 %
Taller 3 ………....................... 25 %
Taller 4 ………....................... 25 %
supervisar el cumplimiento de las tareas, Ud. Podrá comunicarse con ellos a través de
su correo electrónico.
GEOESTADISTICA Geoestadistica Lineal
VIII. BIBLIOGRAFÍA
Consultores
GEOESTADISTICA Geoestadistica Lineal
IIN
NGGEEN ER
NIIE RIIA
AE EN
NM MIINNAASS
A
APPU
UNNT
TEESS C
CUURRSSOOGGE EOOE ESST
TAADDIISST
TIIC
CAA
L
LIIN
NEEAALL..
PPA
ARRT
TEE 11
T
TE OR
EO RIIA
A..
Consultores
1
GEOESTADISTICA Geoestadistica Lineal
REFERENCIAS BIBLIOGRAFICAS.
Consultores
2
GEOESTADISTICA Geoestadistica Lineal
1. INTRODUCCION
3
GEOESTADISTICA Geoestadistica Lineal
4
GEOESTADISTICA
GEOESTADISTICA GEOESTADISTICA
CURSO DE GEOESTADISTICA
UNIVARIABLE MULTIVARIABLE
5
LINEAL NO LINEAL LINEAL NO LINEAL LINEAL
KRIGING
LOGNORMAL
Geoestadistica Lineal
INGENIERIA EN MINAS
Consultores
GEOESTADISTICA Geoestadistica Lineal
2. VARIABLES REGIONALIZADAS
2.1 DEFINICION
z(x) z(x)
Lo ideal
Consultores
matemáticamente
x x
6
GEOESTADISTICA Geoestadistica Lineal
FIGURA N° 3 SOPORTE
x
Testigo
cilíndrico Consultores
7
GEOESTADISTICA Geoestadistica Lineal
Se usará Z(x) para representar la ley del volumen de muestra localizado en el punto x.
A. Características Estructurales
Se entiende por características estructurales:
Z2(x)
Yacimiento 2
x Consultores
8
GEOESTADISTICA Geoestadistica Lineal
FIGURA N° 5 ANISOTROPIA
Anisotropía
B. Problema de Estimación
(Ec. 1)
9
GEOESTADISTICA Geoestadistica Lineal
10
los datos están ubicados en el espacio geográfico, las hipótesis de la estadística clásica son
raramente aceptables. Por lo tanto se debe definir el concepto de variable regionalizada,
que se trata simplemente de una función definida en todo punto del espacio geográfico y
que representa numéricamente el fenómeno regionalizado estudiado.
14 30
zona
12 25 pobre
10 20
z(x) z(x)
8 15
6 10
4 5 zona
rica
2 0
0 20 40 0 200 400
local global
y son precisamente sus correlaciones las que reflejarán la “estructura” del fenómeno
regionalizado, y en especial su grado de continuidad y regularidad espacial. Así en
10
GEOESTADISTICA Geoestadistica Lineal
11
1) localmente, en el punto x, Z(x) es una variable aleatoria (de donde proviene el aspecto
errático);
2) para todo conjunto de puntos x1, x2,… xk, las variables aleatorias Z(x1), Z(x2),… Z(xk)
no son, en general, independientes, sino que están ligadas por unas correlaciones que
cuantifican la “semejanza” entre los valores que toman (de donde proviene el aspecto
estructurado).
En geoestadística lineal, se usan sólo los dos primeros momentos (Los momentos
de una función aleatoria son parámetros descriptivos de su ley espacial, bastantes simples,
como para ser, a menudo, fáciles de calcular.) de la función aleatoria. Entregan una
descripción elemental de la ley espacial, y son suficientes para resolver la mayor parte de
los problemas encontrados en la práctica.
11
GEOESTADISTICA Geoestadistica Lineal
12
3.2.1. Covariograma
(Ec. 2)
Donde N(h) es el número de parejas (z(xi), z(xi + h)) de datos a una distancia h dada. m-h
es la media de los valores izquierdos (si existen) de las parejas de datos a distancia h,
definida por:
(Ec.3)
Análogamente,
(Ec. 4)
Define la media de los valores derechos (si existen) de las parejas de datos a distancia h.
3.2.2. Correlograma
(Ec. 5)
donde C(h) es la covarianza, s-h y s+h son las varianzas correspondientes a cada lado de
Consultores
12
GEOESTADISTICA Geoestadistica Lineal
13
(Ec. 6)
(Ec. 7)
3.2.3. Variograma
(Ec. 8)
Las relaciones entre las funciones con que se caracteriza a la continuidad espacial
se cumple si los datos son considerados como estacionarios. El carácter estacionario
implica la homogeneidad de Z(x) en el espacio y significa que el fenómeno representado
Z(x) se repite indefinidamente en el espacio.
m = E { Z (x)} (Ec. 9)
13
GEOESTADISTICA Geoestadistica Lineal
14
Es así como los autores de Africa del Sur (D.G. Krige..) a partir del enorme
archivo de datos del Yacimiento de Oro de Rand, calcularon la varianza de estas muestras
en paneles más y más grandes, finalmente en todo el conjunto del Yacimiento de Rand se
pudo concluir con certeza que no existe en este caso una varianza a priori finita.
Hipótesis Intrínseca:
Aún en el caso en que la varianza a priori C(o) no existe (es infinita) puede suceder
que los incrementos: Z (x0+h) - Z(x0) tengan una varianza finita. Diremos entonces que
la función aleatoria Z(x) verifica la hipótesis intrínseca si, para todo vector h, el
incremento Z (x0+h) - Z(x0) verifica las hipótesis:
Hipótesis Intrínseca
(Ec. 12)
Consultores
14
GEOESTADISTICA Geoestadistica Lineal
15
(Ec. 13)
γ (h) = σ2 - C(h)
(Ec. 15)
15
GEOESTADISTICA Geoestadistica Lineal
16
γ (h) = σ2 [ 1- ρ(h)]
(Ec. 16)
FIGURA N° 3.8
2
σ
Co
γ(h) γ(h)
Co
h
FIGURA N° 3.9
γ(h)
σ2
γ(h) σ =/ 0
2
En general se cumple:
C(h)= σ −γ(h)
2
ρ(0) =1 =/ 0
γ(0) = 0
h
Consultores
16
GEOESTADISTICA Geoestadistica Lineal
17
4. VARIOGRAMA
4.1 DEFINICION
FIGURA N° 10 VARIOGRAMA
x+ h
Esta función define, por tanto, la correlación espacial entre los valores
muestreados. El variograma o semivariograma se obtiene calculando, para cada distancia
de separación entre las muestras (lag) en una determinada dirección, la diferencia al
cuadrado de los valores de dichas muestras. La definición teórica de la función
semivariograma g (h) es:
(Ec. 17)
Consultores
17
GEOESTADISTICA Geoestadistica Lineal
18
{ }
2
(diferencias) de leyes
γ (h) = (1/2) Promedio en datos que están a
la distancia h
(Ec. 18)
Propiedades del Variograma:
La gran ventaja del variograma es que incorpora parámetros estructurales tales como:
Consultores
18
GEOESTADISTICA Geoestadistica Lineal
19
Consultores
19
CONTINUIDAD CERCA
ZONA DE INFLUENCIA
DEL ORIGEN
GEOESTADISTICA
MESETA
CURSO DE GEOESTADISTICA
RANGO
TIPOS
ESTRUCTURAS ANISOTROPIAS
VARIOGRAMA
SIMPLE HOR.
VER.
20
a1
a2
a1
a2
VARIOGRAMA
RANGOS ELIPTICO ESTRATIFICADO
INDICADOR
SOPORTE CORREGIONALIZACION
VARIOGRAMA
RESIDUAL
PUNTO
VARIABLE 1
ANALISIS
VARIOGRAMA GEOESTADISTICO
UNIVARIABLE
VARIABLE 2
MUESTRAS VARIOGRAMA
{
CRUZADO
ANALISIS
VARIOGRAMA GEOESTADISTICO
CRUZADO
VARIOGRAMA { MULTIVARIABLE
RELATIVO
Geoestadistica Lineal
20
INGENIERIA EN MINAS
Consultores
GEOESTADISTICA Geoestadistica Lineal
21
• Caso 1: Leyes muy regulares y continuas. Z(x) es una función muy regular, su
interpretación en un variograma es en forma parabólica en el origen.
Ley γ(h)
0 x 0 h
x x+h
→
Ley γ(h)
→
0 x 0 h
Consultores
21
GEOESTADISTICA Geoestadistica Lineal
22
II →
Ley γ(h)
Co
→
0 x 0 d h
Ley
II →
γ(h)
→
0 x 0 h
Consultores
22
GEOESTADISTICA Geoestadistica Lineal
23
→
Ley γ(h)
0 x 0 →
h
→
γ(h)
Ley
→
h
Consultores
0 x 0
23
GEOESTADISTICA Geoestadistica Lineal
24
→
γ(h)
Ley
0 x 0 a →
h
Se usará una malla regular (ver fig. N° 14) para una mejor visión gráfica.
θ
Consultores
24
GEOESTADISTICA Geoestadistica Lineal
25
h hy
hx
La práctica demuestra que para estudiar la estructura basta con calcular el variograma g
(h) en cuatro direcciones. Por ejemplo: q = 0°, q = 45°, q = 90°, y q = 135°.
Consultores
25
GEOESTADISTICA Geoestadistica Lineal
26
Para calcular el variograma a una distancia h=(hx, hy) lo más probable es que no se
encuentre ningún o muy pocos pares de datos que estén exactamente a esa distancia. El
método de los sectores puede solucionar este problema.
h1 = h2 = h
Consultores
26
GEOESTADISTICA Geoestadistica Lineal
27
1. Se fija un punto A en uno de los datos de la malla irregular, respecto del cual se va
identificar la distancia h.
3. Una vez establecido el sector achurado o lag, se determina la pareja asociada a AB,
donde B es un dato del lag a la distancia h de A.
4. Al pasar por cada uno de los datos se realiza el procedimiento anterior para
determinar el número de parejas asociados a distintas distancias h (identificados
por los lag en la fig. N° 3.18).
Maximun
bandwidth
lag 4
lag
Tolerancia
lag 3
lag de lag 2
espaciamiento
lag 1
Tolerancia
Angular
Dirección
lag 0
X
Consultores
27
GEOESTADISTICA Geoestadistica Lineal
28
Este método tiene problemas, ya que pueden caer más de un dato en la zona achurada; en
este caso se considera la media de los datos.
γ(h)
MESETA = CO
CO { a h
0
entre sí.
28
GEOESTADISTICA Geoestadistica Lineal
29
Datos
Independencia Relación Independencia
x0-a x0 x0+a
a a
29
GEOESTADISTICA Geoestadistica Lineal
30
Tal como se ha indicado, existe un grupo de modelos que constituyen la base más
frecuente a la hora de optar por el modelo más adecuado al semivariograma experimental,
todos ellos cumpliendo la condición matemática anteriormente citada. Aunque este
cumplimiento pueda parecer, en principio, una restricción, no lo es tanto, pues la
combinación de los diferentes modelos genera otros que también cumplen dicha
condición, por lo que el abanico final es lo suficientemente amplio como para satisfacer
las necesidades requeridas. En otras palabras, cualquier modelo, o combinación de
modelos, de los que a continuación se van a citar, permite ajustar todos los
semivariogramas que puedan aparecer en el estudio de las variables de carácter minero.
El ajuste del variograma teórico debe representar fielmente los aspectos que
considera importantes el variograma experimental (ver Fig. 21). Es el variograma teórico
el que será utilizado en los cálculos posteriores.
30
GEOESTADISTICA Geoestadistica Lineal
31
γ(h )
Variograma experimental
Variograma teórico
⎪h⎪
Para tener un buen ajuste es necesario considerar una cierta vecindad restringida de
manera de no considerar demasiadas muestras para estimar la ley del bloque.
Los modelos a considerar se pueden agrupar en dos grandes categorías: (a) los que
alcanzan una meseta (modelos de transición) y (b) los que no alcanzan una meseta.
Previamente hay que hacer constar que, teóricamente, el valor del semivariograma
para una distancia cero debería ser cero. Sin embargo, muchas veces esto no sucede,
generando lo que se denomina efecto pepita (Co) (el nombre hace mención a la aparición,
mas o menos errática, de pepitas de oro en algunos yacimientos auríferos). Sus causas
pueden ser muy variadas: errores de muestreo, fluctuaciones de la variable a una escala
Consultores
menor que la de observación, etc. Dado que su presencia es bastante común, hay que
31
GEOESTADISTICA Geoestadistica Lineal
32
1) Modelo exponencial
g(h) = C [1 - exp(-[h/a])] + Co
g(h) = C [1 - exp(-[h2/a2])] + Co
32
GEOESTADISTICA Geoestadistica Lineal
33
3) Modelo lineal
Este modelo se presenta cuando, al representar V*(h) frente a los lags, se obtiene una línea
recta. El modelo presenta la ecuación:
g(h) = p.h + k
4) Modelo de Wijsían
En este modelo, al igual que en el anterior, g(h) se incrementa más allá del valor de
la varianza de los datos. En una primera observación, parece ser semejante al modelo
lineal, pero si se representan los valores de g(h) frente al logaritmo de h, entonces se
obtiene una línea recta. Tiene la expresión:
Existen situaciones en las que, si bien no es posible el ajuste inmediato de un tipo concreto
de modelo, no hay razones para rechazar la posibilidad de buscar una continuidad
Consultores
espacial. Entre las muchas posibilidades existentes, Anneis (1991) pone de manifiesto
algunas muy características, como son:
33
GEOESTADISTICA Geoestadistica Lineal
34
Una asunción que se hace en la Geoestadística es que no existen tendencias dentro del
yacimiento que puedan causar una ruptura en el concepto de estacionariedad. La ruptura
(o cambio en la tendencia de la meseta), se produce en una distancia claramente superior
al alcance, por lo que no tiene una mayor incidencia en la estimación local de los bloques
definidos para el yacimiento, pues las dimensiones del área de búsqueda (alcance) son
menores que la distancia representada por el punto donde se produce la ruptura. Cuando
este tipo de comportamientos dominan el semivariograma, es decir, la ruptura se produce a
distancias próximas al alcance, con lo que se rompe el concepto de estacionariedad, es
necesario utilizar una técnica que se denomina Krigeage universal (Journel y Huijbregts,
1978), en lugar del Krigeage ordinario que se aplica en las situaciones de estacionariedad.
Este efecto puede reconocerse cuando alternan áreas con alta ley y áreas con baja ley. El
resultado es una pseudoperiodicidad reflejada en una oscilación del semivariograma
alrededor de una aparente-meseta.
c) SEMÍVARIOGRAMAS COMPUESTOS
Cuando la prolongación de la línea que une los dos o tres primeros puntos del
semivariograma corta la meseta a una distancia mucho menor que la correspondiente al
alcance general del semivariograma, es muy probable que la situación corresponda a una
mezcla de dos semivariogramas esféricos.
Así es posible calcular el valor de g(h) para cualquier distancia, teniendo en cuenta
Consultores
34
GEOESTADISTICA Geoestadistica Lineal
35
Este tipo de estructuras pueden ser causadas, por ejemplo, por la presencia de
zonas mineralizadas más ricas dentro de una matriz de mineralización dispersa. También
son comunes en yacimientos aluviales de oro, reflejando el alcance más corto los canales
individuales y el más largo la anchura total de la zona de interés económico.
e) ESTRUCTURAS ANIDADAS
Una estructura de rango largo puede estar sobreimpuesta con una estructura de
rango corto. El uso de modelos anidados provee suficiente flexibilidad para tomar en
cuenta ambas estructuras. Es de tener en cuenta que la sobre-sofisticación de por sí
generalmente no produce beneficios. Cada una de las estructuras modeladas debe ser
explicada por la geología del depósito o los fenómenos físicos involucrados. Por ejemplo,
cierto mineral puede presentar regionalizaciones de distinto rango, correspondiente a
distintas etapas en la mineralización. Tal caso podría ser modelado con tal vez el mismo
tipo de función (esférica, por ejemplo), de distintos rangos.
d) MODELAMIENTO DE LA ANISOTROPÍA
• Anisotropía Geométrica.
• Anisotropía Zonal
1. ANISOTROPÍA GEOMETRICA
35
GEOESTADISTICA Geoestadistica Lineal
36
γ(h)
c
2 1
d ir d ir
o a2 a1 ⎪h⎪
Donde los alcances a1 y a2 corresponden a los valores de las longitudes de los semiejes de
la elipse.En el caso isótropo los alcances son iguales y, por tanto, la figura se convierte en
un circulo.
Consultores
Sea el factor de anisotropía k=( a1/a2) > 1, donde k es la razón del alcance mayor
al menor.
36
GEOESTADISTICA Geoestadistica Lineal
37
(Ec. 20)
Donde ϕ es el ángulo formado entre el eje x y el eje x’ de la elipse. g1 es el
variograma de la dirección 1.
2. ANISOTROPÍA ZONAL
c1 dir 1 γ(h1 )
c2
dir 2 γ(h2 )
→
o a2 a1 ⎪h⎪
Consultores
37
GEOESTADISTICA Geoestadistica Lineal
38
5. VALIDACION CRUZADA
5.1. DEFINICION
La idea es estimar Zv, en cada ubicación donde exista una muestra en un bloque o
zona V (ver Fig. N° 25). Ignorando el valor de la muestra existente en ese punto, se estima
Zv a partir de las muestras colindantes dentro de la zona de interés, utilizando el modelo
del variograma y el krigeage. Una vez estimada esa muestra, la siguiente se estima
restituyendo el valor original anterior. Se repite el proceso tantas veces como muestras
hayan. Al final se conoce en cada punto de la zona de interés, un valor observado y un
valor estimado, pudiéndose establecer, a continuación, una relación entre ambos tipos de
valores, lo que da una medida de los errores cometidos. Como el Krigeage utiliza el
semivariograma, variando los valores de éste se podrá buscar la opción que genere una
menor diferencia entre los valores estimados y los reales. Este proceso iterativo permitirá
definir qué parámetros del semivariograma (los citados efecto pepita, meseta y alcance)
son los más adecuados para la óptima modelización. La mejor situación sería que todos los
puntos estuviesen situados en la bisectriz del cuadrante, lo que indicaría que el valor real
(Z) y el estimado (Z’) son semejantes. Todo lo que se separe de dicha bisectriz indica
error en la estimación.
Sin embargo, la técnica es útil como una indicación general de las bondades (o los
posibles problemas) asociados con el modelo de variograma escogido. Además, los datos
estadísticos recogidos permiten entender mejor los resultados del estudio geoestadístico, y
por ello se debe poner a la validación cruzada como una técnica más del análisis
exploratorio de los datos. También permite detectar los problemas mas serios durante el
proceso de estimación, como son problemas computacionales, errores groseros, etc. En
general, la validación cruzada es un ejercicio que debe ser tomado como un ensayo
Consultores
38
GEOESTADISTICA Geoestadistica Lineal
39
z(xi)
A = (1/N) Σ εi
B = (1/N) Σ( εi / Z’v)
C = (1/N) Σ [ ( Z’v - Zv) / σε]2
(Ec. 21)
Donde:
• Zv es el valor observado
• Z’v es el valor estimado
• εi = Z’v - Zv = error de estimación
• σ2 ε varianza del error
A ≈ 0
B ≈ 0
C ≈ 1
Con los datos obtenidos por medio de esta técnica se construye una gráfica como la que se
muestra en la fig. N° 26; se prueba si existe una buena relación entre los datos observados
y los estimados. (Coeficiente de correlación).
Consultores
39
GEOESTADISTICA Geoestadistica Lineal
40
zv
∧
zv
Los datos estadísticos recogidos permiten entender mejor los resultados del estudio
geoestadístico y por ello se debe poner a la validación cruzada como una técnica más del
análisis exploratorio de los datos.
5.3.1 VENTAJAS
5.3.2. DESVENTAJAS
40
GEOESTADISTICA Geoestadistica Lineal
41
• Si las muestras no son representativas del área, re-estimar con buena precisión
estas muestras no implica que el modelo de variograma permita una buena
estimación del resto del depósito.
La morfología del área de búsqueda suele ser, normalmente, una elipse centrada en el
punto que va a ser estimado. Su orientación viene dictada por la anisotropía del esquema
de continuidad espacial, con el eje mayor de la elipse en la dirección de máxima
continuidad. Si no existe dicha anisotropía, la elipse se convierte en un círculo y la
cuestión de la orientación deja de ser, obviamente, relevante. Todo lo mencionado es para
dos dimensiones, por lo que si la estimación se produjese en tres dimensiones, habría que
cambiar, evidentemente, la elipse por un elipsoide o el círculo por una esfera.
41
GEOESTADISTICA Geoestadistica Lineal
42
ligeramente mayor que la distancia media de muestreo, viniendo ésta definida, de forma
muy general, por:
DMM = (St/n)1/2
donde:
DMM = Distancia media de muestreo.
St = Area total cubierta por las muestras.
n = Número demuestras.
Esta cuestión incide en dos aspectos. Por una parte, la posible presencia de agrupamientos
de muestras, que queda resuelta. Por el diseño del propio sistema de ecuaciones de
Krigeage, que toma en cuenta y pondera este fenómeno. Por otro lado, el segundo aspecto
hace mención a la importancia de las diferentes muestras para su inclusión en la
estimación, por ejemplo en cuanto a su pertenencia a la misma población que el punto a
estimar. Esta cuestión es casi imposible de asegurar, y menos de verificar, por lo que la
decisión debe venir acompañada de una información de tipo cualitativo. En otras
palabras, el estudio geológico completo de toda la información presente es el mejor
camino para definir qué muestras son relevantes y qué muestras no lo son, pudiendo ser
estas últimas apartadas del proceso de estimación. Este problema, en yacimientos de baja
complejidad geológica puede no ser tal, incrementándose según aumenta la dificultad de la
interpretación geológica.
Consultores
42
GEOESTADISTICA Geoestadistica Lineal
43
6. ERROR DE ESTIMACION
(Ec. 22)
∧ Ν
z v = ∑ αi z (xi) αi = pesos o ponderaciones
i=1
(Ec. 23)
En que los ai verifican la condición de insesgado:
α1 + α2 + α3 +.............+ αN = 1
(Ec. 24)
Las ponderaciones αi serán más altos para valores z (xi) en puntos xi más cercanos
al bloque y serán más bajos en puntos más lejanos.
Se asume entonces que el error ε, es una magnitud aleatoria, es decir, una variable
aleatoria. Esta magnitud aleatoria tiene una cierta ley de probabilidad caracterizada por
Consultores
una esperanza matemática mε, y una varianza σ2. Luego la ley de probabilidad del error es
la ley normal o de Gauss (ver fig. N° 27)
43
GEOESTADISTICA Geoestadistica Lineal
44
(Ec. 25)
Consultores
44
GEOESTADISTICA Geoestadistica Lineal
45
En todo caso la expresión teórica del valor zv desconocido está dada por:
• N es el número de datos
• xi son las coordenadas de los datos
• v es la geometría y el tamaño del bloque o zona v
• ϒ(h) es el variograma
• αi es el peso o ponderación que se asigna a la participación de Z(xi) en el
cálculo de Z’v
• x(ó y) es un punto variable dentro del bloque
Nota: Para el cálculo de la expresión fundamental, se supone que se conoce el modelo del
Consultores
variograma.
45
GEOESTADISTICA Geoestadistica Lineal
46
a. El término ϒ(xi,xj): Representa el valor de ϒ (h), siendo h el vector que une los
puntos xi, xj
xj
h
xi
xi x
x
xi v
Consultores
46
GEOESTADISTICA Geoestadistica Lineal
47
h
y
x
v
hij
y
x
v
Observación: Para obtener el σ2ε, los ponderadores αi son obtenidos dependiendo del
lugar de ubicación de las muestras que participan en la estimación.
¿Existe otra ponderación de los datos que nos proporcione un error menor?
Para poder lograr los pesos adecuados, de manera de minimizar la varianza del error σ2ε
es necesario de introducir el método del krigeage.
Consultores
47
GEOESTADISTICA Geoestadistica Lineal
48
7 KRIGEAGE
7.1. DEFINICION
48
GEOESTADISTICA Geoestadistica Lineal
49
• El Krigeage tiene un efecto selectivo, lo que permite seleccionar las muestras más
cercanas.
Para obtener las ecuaciones del krigeage hay que minimizar la expresión de σ2ε .
Ν Ν Ν
σ2ε = 2 ∑ αi • (1/v) ∫v γ(xi,x) dx - (1/v2) ∫v∫v γ(x,y) dx dy - ∑ ∑ αi αj γ( xi,xj)
i=1 i=1 j=1
(Ec. 31)
pero los αi, deben verificar la condición de insesgamiento:
∑ αi = 1
49
GEOESTADISTICA Geoestadistica Lineal
50
α1γ(x1, x1) + α2γ(x1, x2) + ............+ αΝγ(x1, xN) + μ = (1/v) ∫vγ(x1, x)dx
α1γ(x2, x1) + α2γ(x2, x2) + ............+ αΝγ(x2, xN) + μ = (1/v) ∫vγ(x2, x)dx
α1γ(xN, x1) + α2γ(xN, x2) + ............+ αΝγ(xN, xN) + μ = (1/v) ∫vγ(xN, x)dx
α1 + α2 +..............+ αΝ = 1
que es un sistema lineal de N + 1 ecuaciones con N + 1 incógnitas ( a1, a2, ......., aN, m),
lo cual siempre tendrá soluciones.
Ν
σ2ε = ∑ α • (1/v) ∫ γ(x ,x) dx + μ - (1/v) ∫ ∫ γ(x,y) dx dy
i v i v v
i=1
(Ec. 32)
krigeage, en las que las incógnitas para resolver el sistema se obtienen a partir del
semivariograma modelizado.
50
GEOESTADISTICA Geoestadistica Lineal
51
Ecuaciones a considerar:
α1 + α2 +..............+ αΝ = 1
Ν
σ2ε = ∑ α γ(x ,x ) + μ
i i 0
i=1
(Ec. 33)
Interpolador de Krigeage
Interpolador de minímos cuadrados
Consultores
x1 x2 x
51
GEOESTADISTICA Geoestadistica Lineal
52
Para determinar el valor del bloque, se lleva a cabo una discretización del área en
un conjunto de puntos (2x2, 3x3, etc.), obteniéndose, a continuación, la media entre los
diferentes valores. Un ejemplo de la importancia de los computadores en el desarrollo de
la geoestadística es que, para calcular, por ejemplo, el valor de un sólo bloque con una
discretización de 10 x l0, sería necesario resolver cien sistemas de ecuaciones, cada una de
ellos con, por ejemplo, 11 ecuaciones (suponiendo una estimación a partir de diez
valores). Y esto sólo para un bloque, siendo frecuente, normalmente, dividir el yacimiento
en centenares de bloques. Todo ello llevaría a la resolución de decenas o centenares de
miles de ecuaciones, hecho absolutamente inviable si no fuese por la ayuda de la
informática.
Por último, hay que hacer constar que los valores que se obtienen con el Krigeage
(tanto puntual como de bloques) llevan aparejados los correspondientes valores de la
varianza de la estimación (varianza del krígeage), lo que permite hacer un estudio de la
bondad de la estimación. Estos valores de la varianza del krigeage pueden,
posteriormente, ser interpelados y obtener mapas en la que se puede analizar qué zonas
presentan una mayor exactitud en la estimación, cuales poseen una mayor probabilidad de
error, etc., lo que suele ser muy necesario a la hora de establecer los planes de producción
minera.
Cuando se aplica el krigeage sobre un bloque V debería considerar todos los datos
disponibles ( krigeage completo). Sin embargo, esta situación implica cálculos muy
largos. Por esta razón se recomienda restringir la vecindad de estimación que puede ser
una esfera o círculo, o bien un elipsoide o elipse (3D y 2D).
muestras, los resultados que se obtienen serán muy buenos. (ver Fig. N° 29)
52
GEOESTADISTICA Geoestadistica Lineal
53
Se tiene un bloque mineralizado que ha sido evaluado por sondeos situados en sus
cuatro esquinas. El valor asignado al bloque será, si el espesor es constante, la media
aritmética de las cuatro esquinas. Pueden existir dos situaciones como las siguientes:
Si la ley mínima de corte es, por ejemplo, del 5%, está claro que ambos bloques son
explotables, independientemente de que la asignación de explotabilidad del bloque B sea
casi totalmente dependiente de un único valor (19%), lo que no se refleja directamente en
el resultado.
Considérese ahora que la mineralización y el estéril son materiales con ley superior e
inferior, respectivamente, a una determinada ley mínima de corte (5%), por lo que se les
asigna un valor 1 al primer caso y cero al segundo. Entonces se tendría que, para el
Consultores
53
GEOESTADISTICA Geoestadistica Lineal
54
La expresión matemática para una variable de este tipo sería I(x,z), correspondiente a
una ley z(x) de una muestra en un punto x y con una ley de corte z. De tal forma que:
1, si Z(X) > z
I(X,Z) =
0, si Z(X) < z
Una vez que las leyes, o cualquier otra variable a estudiar, han sido transformadas de
esta manera, se puede intentar construir un semivariograma experimental y ajustarle un
modelo matemático de los existentes. Para el caso de] modelo esférico, la ecuación sería:
7.8. EL COKRIGEAGE
54
GEOESTADISTICA Geoestadistica Lineal
55
El valor estimado de una variable por Co-Krigeage viene definido por la siguiente
expresión:
donde:
Unicamente merece la pena comentar que existen ciertas situaciones en las que
este método no mejora los resultados que se obtendrían utilizando simplemente el
krígeage. Cuando los modelos de semivariogramas son muy similares entre sí, y las
variables principal y secundaria están igualmente maestreadas en todos los puntos, los
resultados con un método y otro son, prácticamente, semejantes.
Consultores
55
GEOESTADISTICA Geoestadistica Lineal
56
IIN
NGGEEN ER
NIIE RIIA
AEENNM MIINNAASS
A
APPU
UNNT
TEESS C
CUURRSSO OG GE
EOOE ESST
TAADDIISST
TIIC
CAA
LLIIN
NE EA
ALL ..
PPA
ARRT
TEE 22
E ER
EJJE RC
CIIC
CIIO
OSS --T
TAAL
LL ER
LE RE
ESS
Consultores
56
GEOESTADISTICA Geoestadistica Lineal
57
IIN
NGGEEN ER
NIIE RIIA
AEENNM MIINNAASS
A
APPU
UNNT
TEESS C
CUURRSSO OG GE
EOOE ESST
TAADDIISST
TIIC
CAA
LLIIN
NE EA
ALL ..
G
GUUIIA
ADDE
ETTR
RAAB
BAAJJO
O 11
C
COON
NCCE
EPPT
TOOSS G
GEEN
NEER
RAAL
LEESS
Consultores
57
GEOESTADISTICA Geoestadistica Lineal
58
TEMA 1
1.1.-La varianza de una V.A . Z de densidad de probabilidad f(x) esta definida por
V[Z]=E [(Z-μ)²]
Con
μ =E[Z] = ∫ z f(z)dz
Demuestre
Demuestre E [λ Z ] = λ E [ Z]
Demostrar V [λ Z ] = λ² E [ Z]
1.3.-L a covarianza centrada entre dos variables aleatorias Z1 y Z2 esta definida por
1.4.-Z1 y Z2 son dos variables aleatorias de covarianza centrada Cov ( Z1, Z2)
Sabemos Z*= ∑ λi Zi
Consultores
58
GEOESTADISTICA Geoestadistica Lineal
59
Demuestre
V[Z*]= Z*= ∑ ∑λi λj Cov( Zi , Zj)
i j
Recuerde Z* ² = ∑ ∑λi λj Zi Zj
i j
Se desea hacer un estudio sobre un sitio que en el pasado tuvo residuos mineros, el
principal contaminante que queda en el terreno es un leve porcentaje de ácido remanente
Se ha decidido hace una primera campaña de muestreado en cuadros de 10 x 10 metros
A.- Campaña 1
90 39
80 33 43 33
70 32
60 26
50 28
40 35
30 29
20
10
0
0 10 20 30 40 50 60 70 80 90
59
GEOESTADISTICA Geoestadistica Lineal
60
B.-Campaña 2
La media deducida de la primera campaña es superior a 22 g / que es lo que la ley autoriza
como máximo , por eso se ha procedido a tomar mas muestras ,obteniendose las siguientes
leyes
90 39
80 33 43 33 9
70 32
60 9 12 26
50 28
40 35
30 12 17 29
20 23
10 15 19
0 0
0 10 20 30 40 50 60 70 80 90
60
GEOESTADISTICA Geoestadistica Lineal
61
C.- Campaña 3
Teniendo en cuenta la importancia de la dispersión de las leyes ,se ha decidido efectuar un
muestreo sistemático ,cada cuatro parcelas ,dando el siguiente resultado:
90
80 21 43 20 9 12
70
60 9 25 12 20 26
50
40 30 11 19 19 17
30
20 23 15 15 23 14
10
0 25 2 23 0 12
0 10 20 30 40 50 60 70 80 90
61
GEOESTADISTICA Geoestadistica Lineal
62
90 22 20 15 39 20 22 10 4 12 7
80 30 21 33 43 33 20 14 9 4 12
70 24 23 13 32 29 24 24 11 6 16
60 30 9 7 25 24 12 26 20 16 26
50 23 16 14 11 23 19 14 16 12 28
40 18 30 21 11 23 19 8 19 35 17
30 12 45 21 17 14 18 15 19 29 19
20 11 23 27 15 11 15 26 23 15 14
10 15 13 10 19 28 25 24 8 14 6
0 20 25 21 2 24 23 21 0 19 12
0 10 20 30 40 50 60 70 80 90
Consultores
62
GEOESTADISTICA Geoestadistica Lineal
63
Si usted observa este grafico y los anteriores cual es su comentario , Comente y discuta
con sus compañeros
Consultores
63
GEOESTADISTICA Geoestadistica Lineal
64
Consultores
64
GEOESTADISTICA Geoestadistica Lineal
65
1.8.-Efecto Información
90
80 21 43 20 9 12
70
60 9 25 12 20 26
50
40 30 11 19 19 17
30
20 23 15 15 23 14
10
0 25 2 23 0 12
0 10 20 30 40 50 60 70 80 90
Conteste
Consultores
65
GEOESTADISTICA Geoestadistica Lineal
66
Consultores
66
GEOESTADISTICA Geoestadistica Lineal
67
IIN
NGGEEN ER
NIIE RIIA
AE EN
NM MIINNAASS
A
APPU
UNNT
TEESS C
CUURRSSOOGGE EOOE ESST
TAADDIISST
TIIC
CAA
L
LIIN
NEEAALL..
G
GUUIIA
ADDE
ETTR
RAAB
BAAJJO
O 22
V
VAAR
RIIO
OGGR
RAAFFIIA
A
Consultores
67
GEOESTADISTICA Geoestadistica Lineal
68
C(h) = Cov ( Z ( x + h ) , Z ( h ) )
= E[(Z(x+h)–m)(Z(x)–m)]
Demuestre C(0)>=0
Demuestre C(-h)=C(h)
Demuestre /C(h)/<=C(0)
g (h) = ( ½ )* E [ Z ( x + h ) – Z ( x ) ]2
= E [( Z ( x + h ) – m ) ( Z ( x ) - m) ]
Demuestre g (0) = 0
Demuestre g ( h ) = C ( 0 ) – C ( h )
Si
Z* = Σ λi Z(ui)
Recuerde que
Consultores
Demuestre que si Σ λi = 0
68
GEOESTADISTICA Geoestadistica Lineal
69
Entonces
V(Z*)= -ΣΣ λi λj g (Z(ui), Z(uj))
3
3 h 1 h
γ ( h) = C * ( * − * ) si h 〈a
2 a 2 a3
= c si h>=a
2.6.-si se tiene
Consultores
69
GEOESTADISTICA Geoestadistica Lineal
70
h
C (h) = 2.5 * exp(− )
200
• Calcule la V(Z*)
Consultores
70
GEOESTADISTICA Geoestadistica Lineal
71
2.8.- Z(x) es una variable aleatoria conocida en 48 nodos de hungarilla regular de paso 1
metro .En cada nodo xi asociamos un peso λi representado sobre la figura (pesos igual a
+1 y -1 )
Si
48
Z*=∑λi Z(xi)
i=1
Consultores
71
GEOESTADISTICA Geoestadistica Lineal
72
γ (h) = h si h〈 2
γ ( h) = h si h≥ 2
3
3 h 1 h
γ ( h) = C * ( * − * ) si h 〈a
2 a 2 a3
= C si h >=a
• Demuestre que la tangente de g (h) para h=0 corta la recta de la ecuación y=C en
h=(2/3)*a.
Consultores
72
GEOESTADISTICA Geoestadistica Lineal
73
3 C
γ ( h) = ( * h)
2 a
h
γ (h) = C * (1 − exp(− ))
a
• Demuestre que la tangente de g (h) para h=0 corta la recta de la ecuacion y=C em
h=a
x2 xn
exp( x) = 1 + x + + .... + + ....
2! n!
Consultores
73
GEOESTADISTICA Geoestadistica Lineal
74
Consultores
74
GEOESTADISTICA Geoestadistica Lineal
75
2.12 .-Variograma experimental a 1 dimensión .Dos series de leyes z1(p) y z2(p) .Los
datos son a un metro y p representa la cota de la ley calculada a partir del collerin del
sondaje .
• Para los dos sondajes ,las leyes utilizadas son las mismas .Que puede usted deducir
,concerniente a las medias y a las varianzas de leyes en cada sondaje (sin calcular)
• Para ambos sondajes las leyes son las mismas ,pero su disposición es diferente
.Utilizando el grafico siguiente calcule el variograma experimental de leyes a los
largo de cada sondaje ,haciendo variar p , limítese a h<5 m.
Consultores
75
GEOESTADISTICA Geoestadistica Lineal
76
Consultores
76
GEOESTADISTICA Geoestadistica Lineal
77
Consultores
77
GEOESTADISTICA Geoestadistica Lineal
78
IIN
NGGEEN ER
NIIE RIIA
AEENNM MIINNAASS
A
APPU
UNNT
TEESS C
CUURRSSO OG GE
EOOE ESST
TAADDIISST
TIIC
CAA
LLIIN
NE EA
ALL ..
G
GUUIIA
ADDE
ETTR
RAAB
BA O 33
AJJO
V
VAAR
RIIA
ANNZ
ZAASS
Consultores
78
GEOESTADISTICA Geoestadistica Lineal
79
Una función aleatoria Intrínseca Z(x), de variograma γ(h) donde se conocen las
realizaciones z(x) sobre un volumen V esta dado por
∫
1
mV = z (u )du f −1
V
La varianza de los valores z(x) en el interior del volumen V esta dada por
∫
1
S 2 (O ) = ( z (u ) − mV )2 du f −2
V V
Si ahora consideráramos todas las realizaciones posibles z(x) de la Función aleatoria Z(x),
la varianza de la Funciona aleatoria Z(x) en un volumen V esta definida por
∫
1
σ 2 (OV ) = E ( S 2 (OV ) = ( z (u ) − mV )2 du f −3
V
∫ ∫γ
1
σ 2 (OV ) = du (u − v)dv = γ (V , V ) f −4
V2
V V
Para poner en marcha estas formulas , uno de los primeros problemas es que solo se
conoce un numero limitado de “N” muestras z(xn)
Para ello recurriremos a las siguientes formulas
N
mV * =
1
∑ f − 1´
Consultores
z ( xn )
N
n=1
79
GEOESTADISTICA Geoestadistica Lineal
80
Figura 1
Consultores
80
GEOESTADISTICA Geoestadistica Lineal
81
Figura 2
Aplicación
3.1.-Se tiene un sitio con contaminación de acido en el suelo, se desea reconvertir este
lugar en sitio urbano, los resultados de las muestran están en la figura 3
Consultores
Consideraremos que estas medidas son puntuales Su valor medio es de 18.8 con una
desviación estándar de 8.48.
81
GEOESTADISTICA Geoestadistica Lineal
82
Consultores
82
GEOESTADISTICA Geoestadistica Lineal
83
• Calcule σ2(0/v)*
Consultores
83
GEOESTADISTICA Geoestadistica Lineal
84
La meseta utilizada es diferente de la varianza de los datos ,eso se puede deber a no tener
suficientes puntos o que no es necesariamente estacionaria .Este ajuste es lejos perfecto ,
pero servirá por el instante.
Hasta ahora nos habíamos conformado con calcular las varianzas de dispersión
experimentales σ2(0/V)* , σ2(0/G)* y σ2(0/v)* utilizando las formulas de aproximación
1´, 2´, 3´ ,pero es posible calcularlas directamente con la formula
σ2(0/V) = γ (V/V)
Para hacer los cálculos es necesario utilizar los ábacos de la función F( L,l ) .Esta función
da directamente el valor medio de un variograma de meseta 1 y alcance “a” cuando los
puntos x y x’ describen independientemente el rectángulo V =L x l
Consultores
84
GEOESTADISTICA Geoestadistica Lineal
85
En este caso las cosas son un poco mas complicadas porque γ (h) no es isotropico, es
necesario calcular L/a1 y l/a2 para poder leer el ábaco, posteriormente se multiplica este
valor por la meseta.
Para las celdas V sucesivamente iguales a G, V v calcule por este método σ2(0/V) ,
σ2(0/G) y σ2(0/v), ,Usted puede utilizar la tabla siguiente
• ¿Si considera ahora una meseta de 72, los resultados mejoran? , ¿Cuales son sus
Conclusiones?
Consultores
85
GEOESTADISTICA Geoestadistica Lineal
86
Consultores
86
GEOESTADISTICA Geoestadistica Lineal
87
Consultores
87
GEOESTADISTICA Geoestadistica Lineal
88
LA RELACION DE KRIGE
x ⊂ v ⊂V ⊂ G
Consultores
88
GEOESTADISTICA Geoestadistica Lineal
89
∫
1
Zv ( x) = Z (u )du
V
V ( x)
Por un estimador ZV(x) cometiendo un error aleatorio (ZV(x) –ZV(x)*) , por lo tanto será
una medida importante de la varianza , que llamaremos varianza de estimación
σ 2 = V [ZV ( x) − ZV ( x)*]
Si el estimador ZV(x) es no sesgado .es decir que su error (ZV(x) –ZV(x)*) es de esperanza
nula ,entonces
σ E 2 = E[(ZV ( x) − ZV ( x)*)2 ]
∫
1
Z v ( x) = Z (u )du
v
v( x )
89
GEOESTADISTICA Geoestadistica Lineal
90
Estos volúmenes pueden ser reducidos a puntos con media de cantidades Z(xk) , tenemos:
Estas varianza del error que son las varianzas de estimacion .se calculan con las ayudas de
los abacos como para las varianzas de dispersión ,sabiendo que :
90
GEOESTADISTICA Geoestadistica Lineal
91
3.10.-El mismo rectangulo estime ZV(x) * = (1/4)*Σ(Z(xk) ,la media de las medidas
situadas en las extremidades .
91
GEOESTADISTICA Geoestadistica Lineal
92
∫
1
ZG = Z (u )du
G
G
*
Con Z Vi , estimacion local de la media sobre Vi .Deseando cuantificar la varianza del
error cometido
σT2 = V [Z * − ZG ] var ianza estimacion global
Si desarrollamos esta expresión se obtiene:
Consultores
92
GEOESTADISTICA Geoestadistica Lineal
93
Calculo de σ2G varianza del error de calidad, si trabajamos en 2D y presentando tres casos,
se tienen
• Composición Directa
Todos los Vi son idénticos ,los z(xi) están en una malla regular ,y para calcular σ2G lo
haremos aproximadamente Z*Vi=Z(xi)
2 ≈ 1 2
σG σ (0, V )
N E
• Aleatorio estratificado
Idenm al anterior , pero con cada xi implantado al hazard en Vi
2 ≈ 1 2
σG σ (0 / V )
N
Consultores
93
GEOESTADISTICA Geoestadistica Lineal
94
∑ Vi2 * σ E
2 (L , V )
i i
2
σ Panel ≈ i =1
N
∑ i =1
Vi2
2
Con σ E(Li,i)=Varianza de estimación de la media sobre Vi por la media sobre Li ,y N el
numero de Vi .
Cada línea Li es reconocida por una sucesión de Z(xi) espaciadas a distancia constante l
.Hacemos una aproximación que Z*li=Z(Li) ,donde
2 1 2
σ Linea ≈ σ (0, l )
M E
2 ≈σ
σG 2 2
panel+σ linea
Si consideramos
N
G=
U i =1
Vi
Consultores
94
GEOESTADISTICA Geoestadistica Lineal
95
Donde los Vi son todos identicos , no se conoce la geometría del dominio G mas que por
aproximación de los datos asociados a Vi que indicarian una mineralizacion .Si contamos
su cantidad esta es N , lo que entregaria una area aproximada de A* =N*V
La varianza del error cometido sera
σ 2A 1 N2 N2
≈ ( + 0.061* 1 )
A2 N2 6 N2
N N
N21 = Inf ( Vertical , Horizonal )
2 2
Consultores
95
GEOESTADISTICA Geoestadistica Lineal
96
• ¿Para los dos valores de a ,calcule las varianza de estimación global del panel
según los cuatro casos ,posteriormente sintetice los resultados en la tabla siguiente
,compare ,concluya ?
Consultores
96
GEOESTADISTICA Geoestadistica Lineal
97
Una superficie G reconocida por las muestras puntuales .Las muestras con mineralización
son indicadas como 1 , y las otras como 0 .La malla de reconocimiento es de 10 x 10 m.
Consultores
97
GEOESTADISTICA Geoestadistica Lineal
98
IIN
NGGEEN ER
NIIE RIIA
AEENNM MIINNAASS
A
APPU
UNNT
TEESS C
CUURRSSO OG GE
EOOE ESST
TAADDIISST
TIIC
CAA
LLIIN
NE EA
ALL ..
G
GUUIIA
ADDE
ETTR
RAAB
BA O 44
AJJO
KR
K RIIG
GEEA
AGGE
E
Consultores
98
GEOESTADISTICA Geoestadistica Lineal
99
99
GEOESTADISTICA Geoestadistica Lineal
100
4.3.-Sistema general
Si estimamos el valor medio de Z(u) por un Krigeage Ordinario utilizando los valores de
Z de los puntos Mi
Consultores
100
GEOESTADISTICA Geoestadistica Lineal
101
101
GEOESTADISTICA Geoestadistica Lineal
102
La meseta C=2
• Con la ayuda de los ábacos ,encuentre la solución ,escriba ,el estimador dando la
varianza del krigeage.
Consultores
102
GEOESTADISTICA Geoestadistica Lineal
103
IIN
NGGEEN ER
NIIE RIIA
AE EN
NM MIINNAASS
A
APPU
UNNT
TEESS C
CUURRSSOOGGE EOOE ESST
TAADDIISST
TIIC
CAA
L
LIIN
NEEAALL..
PPA
ARRT
TEE 33
A
ABBA
ACCO
OSS..
Consultores
103
GEOESTADISTICA Geoestadistica Lineal
104
Consultores
104
GEOESTADISTICA Geoestadistica Lineal
105
Consultores
105
GEOESTADISTICA Geoestadistica Lineal
106
Consultores
106
GEOESTADISTICA Geoestadistica Lineal
107
Consultores
107
GEOESTADISTICA Geoestadistica Lineal
108
Consultores
108
GEOESTADISTICA Geoestadistica Lineal
109
Consultores
109
GEOESTADISTICA Geoestadistica Lineal
110
Consultores
110