1Título del trabajo

Cristian Rojas & Miguel Gutiérrez.

Enero 2015.

Nombre de la institución.
Nombre del departamento.
Nombre de la asignatura
 2

ÍNDICE

1. Objetivos:.................................................................................................................................1

2.1 Objetivo general...............................................................................................................1

2.2 Objetivos específicos.......................................................................................................1
2. Desarrollo del tema:.................................................................................................................1

2.1 Aplicaciones....................................................................................................................1
2.2 Módulos...........................................................................................................................3
2.2.1 Variograma...................................................................................................................3
2.2.2 Kriging.......................................................................................................................11
2.2.3 Cokriging...................................................................................................................18
2.2.4 Herramientas..............................................................................................................27
2.3 Ventajas y Desventajas:.................................................................................................32
2.4 Video Aplicativo y/o uso del software...........................................................................33
3. Conclusiones..........................................................................................................................33

4. Recomendaciones..................................................................................................................33

5. Referencias............................................................................................................................33
 3
Resumen
1. Objetivos:

2.1 Objetivo general

Investigar el software geoestadístico Isatis para difundir su conocimiento a los

estudiantes de Ingeniería de Minas.

2.2 Objetivos específicos

 Obtener conocimientos básicos en la utilización del software minero

ISATIS.
 Interpretar los resultados obtenidos a través del software minero ISATIS.
 Visualizar los datos obtenidos a través del software minero ISATIS.
 Comprender la importancia del análisis de datos en el ámbito minero.

2. Desarrollo del tema:

2.1 Aplicaciones

Isatis es único entre los paquetes de software de geoestadística, ya que

proporciona el mejor análisis interactivo de datos 2D y 3D con mapas y ajustes

de variogramas, así como muchas técnicas de estimación (kriging simple y

ordinario, kriging del indicador, kriging disyuntivo, acondicionamiento

uniforme) y simulaciones condicional estocásticas de grado o geología.

Por ello Isatis permite:
 Hacer uso de una solución geoestadística totalmente integrada;
 Maneje un paquete operacional avanzado muy flexible y de gran alcance;
 Respalda tus resultados en algoritmos matemáticos fiables y de sonido;
 Tomar decisiones basadas en procedimientos transparentes y reproducibles
 Manejar una amplia gama de datos, estudios y análisis;
 Visualiza con precisión los datasets y los modelos de bloque con el módulo

de visor 3D.
 Fifura 1. Modelo de bloque con el módulo de visor 3D.
Fuente: Manual de ISATIS Geovarianza

Con Isatis en los últimos años, ha habido un rápido desarrollo en geoestadística en

la industria petrolera y de gas. Las razones de este éxito se encuentran en las

significativas contribuciones de las geoestadísticas al análisis de los datos

espaciales y, sobre todo, a una necesidad abrumadora de la calidad de los datos y

la evaluación del riesgo.

Isatis es un poderoso y exhaustivo paquete geoestadístico que permite a geólogos,

geofísicos e ingenieros de embalses flujos de trabajo simples o complejos para

modelar embalses y evaluar los volúmenes y las incertidumbres vinculadas a su

evaluación. Además, Isatis conectividad completa con formatos habituales de

mercado y sus interfaces con Gocad y el RML, convierten al software en una

herramienta incomparable para la integración de datos. Donde ISATIS puede

obtener un modelo realista cuando la geología se hace compleja y respalda sus

estimaciones de reserva en un marco probabilístico completo.

 2.3 Módulos

2.2.1 Variograma

El variograma se puede adaptar, en el mejor de los casos, localmente usando

el variograma local parámetros para tener en cuenta componentes no

estacionarios como Ruido que varía verticalmente. Un variograma

experimental es incompleto en cuanto a que se calcula sólo para algunas

distancias y direcciones, y los valores obtenidos dependen directamente de

los parámetros y pares de datos utilizados en su cálculo, por lo tanto es

necesario ajustarlo por un modelo teórico que se adecue al variograma de la

función aleatoria.

Figura 2. Ejemplo de variogramas en

isatis
Fuente: Geovariances
El proceso calcula

mapas experimentales

de variogramas

(cruzados y simples mapas de variograma), luego los ajusta automáticamente

usando Isatis exclusivo Algoritmo automático de ajuste de variograma. A

acelerar computaciones, variografía y cokriging factorial utilizan Fast

Fourier Transformar en datos cuadriculados.

 Figura.3: Ejemplo de covariogramas simples y cruzados de variables de pruebas
geometalúrgicas y una ley medida por ICP con mayor cobertura de datos más el modelo
variográfico ajustado.
Fuente: Pablo Carrasco – chile -geoinnova-Geovariances

2.2.1.1 Modelado de Variogramas en Isatis

 Variables estacionarias:
- Modelado de variogramas 2D-3D con geometría y / o

anisotropías zonales.
- Visualización multidireccional de experimental variogramas
- Conjunto exhaustivo de modelos de variograma.
- Adaptación gráfica interactiva de variogramas.
- Montaje automático de alféizar simple y cruzado variogramas
 - Ajuste automático de variograma de multivariante, variogramas

multidireccionales y multiestructura a partir de una combinación

dada de básicas estructuras en cada dirección y para cada

variable.
- Modelado de variograma gaussiano truncado: ajuste las

funciones aleatorias gaussianas subyacentes de variables o

indicadores de efecto cero.

- Adaptación de un modelo puntual utilizando un modelo

experimental.
- variograma regularizado.
- Variogramas en rejillas grandes. Algoritmo basado en FFT.

 Variables no estacionarias:
- Identificación automática de deriva (IRF-k, externa
- funciones de deriva, reconocimiento de covarianza automático).
- Modelado de tendencias globales.
 Regularización de variogramas.
 Modelado de histograma (multivariante): anamorfosis función,

histogramas ponderados, soporte global corrección incluyendo

efecto de información con grado - Cálculo de curvas de tonelaje,

modelado de indicadores y variables de efecto cero. Apoyo

gaussiano corrección.

 Variograma modelado multivariable

Caso de estudio fierro
El modelo multivariable considera las mismas direcciones de anisotropía

que en el caso univariable, además el modelo univariable se incluye en el

multivariable. Las mesetas se obtienen por medio del ajuste automático

de mesetas implementado en el software Isatis.

 Ecuacion 1: Variogramas modelados multivariables caso de fierro

Figura.4: Ajuste de variograma modelado caso de estudio fierro (Anisotropia: en rojo omnihorizontal
y en violeta vertical).

En este caso la proporcionalidad entre el variograma modelado

univariable y multivariable se aprecia para la variable acumulación de

 fierro con acumulación de sílice (figura 9.6 con respecto de 9.1 y 9.3), la

acumulación de fierro magnético con la acumulación de sílice (figura 9.4

con respecto de 9.2) y la acumulación de fierro magnético con la

acumulación de fierro (9.5 con respecto de 9.2).Esta proporcionalidad

hace notar que las variables acumulación de fierro y sílice

individualmente presentan una variabilidad en el espacio similar, pues

sus variogramas simples tienen formas muy parecidas uno con respecto

del otro. Por otra parte, estas dos variables presentan un variograma

cruzado parecido al simple, por lo que la variabilidad entre ellas es

similar a la variabilidad de cada una por sí sola. En este caso se está en

un modelo cercano al de correlación intrínseca para estas variables.

Para el caso de la acumulación del fierro magnético, la forma del

variograma modelado simple es proporcional con el cruzado para las dos

variables restantes del caso de estudio. Esto se nota en las figuras 8.2 con

respecto de 8.4 y con respecto de 8.5. En este caso no se está frente a un

modelo de correlación intrínseca dada la falta de proporcionalidad con

los variogramas simples de las variables acumulación de fierro y

acumulación de sílice.

 Caso de estudio polimetálico

El modelo multivariable considera las mismas direcciones de anisotropía

que en el caso univariable. Las mesetas se obtienen por medio del ajuste

automático de mesetas implementado en el software Isatis. A

continuación, se presenta la ecuación del modelo.

Ecuacion 2: Variograma modelado multivariables casos de estudio polimetálico.
.

Figura 5: Ajuste de variograma modelado univariable caso polimétalico (anisotropia: en verde

dirección este, en rojo dirección norte y en violeta dirección vertical)

Como se aprecia en la figura 12, la estructura de corto alcance corresponde a la

dirección este, la que se grafica de color verde en la figura en cuestión. El ajuste del
variograma modelado en este caso es difícil dado lo errático del variograma
experimental, sobre todo en variables como el antimonio que presentan un número
menor de datos.
 Figura 5: Ajuste de variograma modelado univariable caso polimétalico (anisotropia: en verde
dirección este, en rojo dirección norte y en violeta dirección vertical).

La proporcionalidad del variograma simple con el cruzado entre cobre y arsénico se

aprecia de las figuras 12.4 y 12.2 con respecto de 13.2, en este caso se estaría en
presencia de un modelo cercano al de correlación intrínseca para las variables cobre y
arsénico.

2.2.2 Kriging

La estimación por kriging constituye uno de los principales elementos de la

Geoestadística y definió una nueva era en las tareas de pronóstico en las ciencias
geológicas, mineras y otras que han empleado los conceptos y procedimientos de

esta rama aplicada de las Matemáticas. Sin embargo, el triunfo de la

Geoestadística dentro de la práctica geológica y minera todavía es ensombrecido

por el hecho de que la varianza de estimación -parámetro que se optimiza al

aplicar el método- solo depende, a través del variograma, de la posición

geométrica de los datos con respecto al punto o panel donde se estima la variable

que se estudia, es decir, que esta varianza no está relacionada funcionalmente con

los valores particulares de la variable en los puntos.

a. Definición clásica de la estimación por kriging

Según David (1977), la estimación por kriging parte del conocimiento de los

valores de la variable W en un conjunto de n puntos Pi, o sea, se conocen los datos

(Pi,Wi) con i=1,2,…,n. Se supone estudiada la variabilidad del comportamiento de

W en el dominio D que se investiga, y esta variabilidad se expresa por el

variograma γ(h) que es una función de la distancia euclidiana h definida entre

puntos del dominio D. La expresión analítica de este variograma, usualmente se

obtiene mediante el ajuste de uno o varios modelos teóricos a un variograma

experimental y debe cumplir cierta restricción, basada en la necesidad de que la

varianza de cualquier estimación debe ser nula o positiva. La estimación por

kriging del valor de W en un panel A se define como:

 Donde debe anotarse que son considerados k puntos (k≤n) para realizar esta

estimación.

Se quieren encontrar valores adecuados de ai (conocidos como pesos o

ponderadores) tales que se cumplan dos condiciones:

1. , si la media no es conocida.
2. Se minimice la varianza de estimación:

Donde γ(Pi ,A) indica la variabilidad de cada punto Pi con respecto al panel A. El

valor γ(Pi ,Pj) sea la variabilidad entre lows puntos Pi y Pj . Finalmente γ(A ,A) es

la variabilidad total del panel A. O sea, que la varianza de estimación depende de

la relación de las muestras con el panel A, de la relación entre las muestras, y de la

variación de calidad dentro del panel a estimar (Clark, 1977, p. 88).

Aplicando el método de los multiplicadores de Lagrange (David 1977) se ha

demostrado que los valores ai se determinan resolviendo el sistema de ecuaciones

siguiente:

Donde se ha simplificado la notación tomando γij = γ(Pi ,Pj) y tomando γiA =

γ(Pi ,A) . El valor auxiliar µ es el multiplicador de Lagrange. La varianza de

estimación ahora queda determinada por la expresión:

Manteniendo el mismo variograma para todo el dominio D y asumiendo constantes

el tamaño y la forma del panel A, se tiene que para un conjunto dado de k puntos la

varianza de estimación solo depende de la posición geométrica de los puntos Pi ya

que son las distancias entre cada dato usado y el panel los que determinan los

valores de cada término γ(Pi ,A) y de cada peso ai. O sea, σ2e no depende de los

valores particulares W(Pi), i=1,2,…,k. De esta formulación puede derivarse el caso

de la estimación puntual considerando idealmente el panel A con las dimensiones

de un punto Pe. La expresión γ(Pi ,A) se reduce a γ(Pi ,Pe,) y γ(A ,A) = 0.

Existe una importante propiedad de la estimación por kriging que resulta

indispensable recordar: el efecto screen (David, 1977). A medida que la

variabilidad de los valores de W tiende a ser independiente de la distancia entre los

puntos, o sea, el comportamiento de W tiende a ser completamente aleatorio,

entonces los valores de ai tienden a 1/K y µ tiende a σ2 /K (σ2 es la varianza de W

en los datos).

b. Elementos básicos en la práctica del kriging

La práctica de la estimación por kriging tiene mucho de arte: hay que conocer

profundamente sus aspectos técnicos, es indispensable la práctica y además, es

necesaria cierta dosis de inspiración.

Todos los autores reconocen que lo primario es realizar un correcto análisis

variográfico, que consiste básicamente en determinar los siguientes elementos:

♦ Efecto pepita.

♦ Alcance.

♦ Meseta.

♦ Anisotropía.

♦ Zona de Influencia.

♦ Tipo de variograma.

Luego, teniendo en cuenta las características particulares del problema, establecer

el tipo de kriging que se utilizará, así como sus parámetros (forma y dimensiones de

los paneles, estrategias de búsqueda, tratamiento de los pesos negativos, etc.) En la

bibliografía referida al final de este trabajo (y en otras), han sido profusamente

tratadas las caracterizaciones y los procedimientos para determinar dichos

parámetros, por lo que este artículo concentra la atención en la influencia que

tienen éstos, y otros elementos, en el valor estimado We y en el valor de la varianza

de estimación σ2e.

Efecto Pepita: Desde el punto de vista numérico esta variable que generalmente se

denota Co , toma valores no negativos y en la medida que aumenta, desde cero hasta

el valor de la varianza de los datos σ2, se tiene que:

a) Los valores de los pesos ai tienden al valor 1/K.

b) El valor estimado We tiende a la media aritmética de los datos W(Pi) con i=1,2,

…,k.
c) El valor de µ aumenta y tiende a σ2/K.
d) El valor de σ2e aumenta hasta σ2/K cuando se trata de kriging de bloque y hasta

σ2 + σ2/k cuando es kriging puntual.

Alcance: para un variograma simple y transitivo, en la medida que el alcance

aumenta desde cero hasta el valor de la mayor distancia entre dos puntos

pertenecientes a los datos, se produce un cambio importante en el modelo de la

variabilidad expresado mediante el variograma. Se tiene que:

a) Para variogramas no decrecientes, al aumentar el alcance disminuye el valor

puntual del variograma para cada una de las distancias menores que el nuevo

alcance. En la práctica esto significa que el valor de σ2e disminuye cuando aumenta

el alcance.

b) Las variaciones de We en general no están correlacionadas con los cambios del

valor del alcance. Para valores relativamente altos de este último con respecto a las

distancias entre los puntos relacionados con una estimación, los cambios del

alcance definen pocas variaciones en el valor de We.

Cuando se trata de variogramas anidados y se ha considerado una anisotropía

global, los cambios en el alcance de cualquiera de las estructuras que forman a los

variogramas producen efectos análogos.

Meseta: en el caso de variogramas simples (no compuestos), cuando el resto de los

elementos permanece invariables, al aumentar el valor de la meseta:

a) Permanece constante el valor estimado We.

b) Aumenta el valor de la varianza de estimación σ2e.

Vale decir que para variogramas anidados el valor de We no permanece constante.

Anisotropía: La isotropía o anisotropía del fenómeno estudiado se determina

mediante el análisis de los variogramas direccionales. Algunos autores (Bleines et

al. 2001, p. 395) definen la anisotropía como la diferencia de la variabilidad de un

fenómeno en las diferentes direcciones del espacio. Un fenómeno se considera

isotrópico cuando las características numéricas (efecto pepita, alcance, meseta) y el

tipo de todos los variogramas direccionales son semejantes. Hace tres décadas, la

doctora Isobel Clark (1977) planteaba que: “la anisotropía era el problema más

sencillo de acometer”. (p.112)

Esta idea ha evolucionado como consecuencia del desarrollo de la teoría

geoestadística y con la experiencia práctica de su aplicación. Hoy en día puede

considerarse que la anisotropía es el aspecto más complicado de comprender y de

resolver en cada caso particular, ya que su determinación visual (examinando los

variogramas direccionales) o automatizada (Hart & Rudman, 1997). Debe

corresponderse con una realidad que generalmente es muy compleja. Se conocen

dos tipos de anisotropía:

a) Geométrica. Para variogramas obtenidos en diferentes direcciones, sus

alcances son diferentes y otras características coinciden. Si en una dirección

el alcance es máximo (Amax), entonces se debe considerar una extensión

mayor de la zona de influencia en esa dirección; un dato situado en esa

dirección a una distancia Amax deberá tener el mismo peso en la estimación

que uno situado a la distancia Amin en la dirección de menor alcance Amin. En

estos casos el fenómeno anisotrópico es considerado durante la estimación

como un fenómeno isotrópico, corrigiendo las distancias entre los puntos

mediante una expresión matemática, lo cual significa en la práctica que el

alcance de todos los variogramas direccionales será el mismo. Este asunto

 conduce a una pregunta. ¿Qué valor tomar como alcance general: ¿Amin,

Amax, otro? La respuesta a esta pregunta es definitoria para el rango de los

valores de σ2e por tanto, el análisis de los mismos debe hacerse

cuidadosamente ya que, como se sabe, aumentan si disminuye el alcance.

b) Zonal. Existen zonas del dominio tal que los variogramas direccionales que

apuntan a esas zonas se diferencian marcadamente de los demás (por

ejemplo, el caso de una mineralización estratiforme). La anisotropía zonal

más distinguida por muchos autores es aquella donde se presentan

diferentes mesetas y coinciden otras características. Estas anisotropías son

modeladas mediante modelos anidados con anisotropías locales según cada

estructura.
En la actualidad algunos autores se refieren a la anisotropía efecto pepita

(Deutsch & Journel, 1998, p. 25), pero esto parece ser una condición impuesta

por casos reales que se encuentran en muy pocas ocasiones. Más bien puede

pensarse que este tipo de anisotropía se ha tomado a partir de la necesidad

práctica del ajuste de variogramas anidados.

Otro fenómeno interesante relacionado con un comportamiento direccional de

la variabilidad es el llamado efecto proporcional donde los variogramas

presentan el mismo alcance y diferentes mesetas, pero Néstas son una función

de la media de W en cada dirección. El efecto proporcional puede ser directo

(cuando aumenta la meseta junto con las medias) o inverso, y se determina

mediante un gráfico en el plano de las varianzas direccionales contra las medias

direccionales. La solución básica de estos casos está ligada con la división de

cada variograma por su respectiva media direccional (David, 1977, p. 172).

2.2.3 Cokriging

Busca realizar la estimación local conjunta de varias variables, tomando en cuenta

sus dependencias espaciales. Esta técnica generaliza el kriging: se construye el

estimador como una combinación lineal ponderada de los datos disponibles, sin

sesgo y con varianza mínima de error. El cokriging es ventajoso cuando la variable

de interés esta sub-muestreada con respecto a otras variables correlacionadas con

ella. (BS Group, 2017, p. 12).

Tal como para el el kriging, existen varias variantes del cokriging:

a. Cokriging Simple

El estimador simple de una variable (índice i0) a partir de N variables (índices i) es:

Donde:

Zio, Wi = Ponderados asociados a la estimación

Zi(X) = Datos variables i.

mi = Media de variable i.

Xo = El punto a estimar

mi0 = Es la media conocida de la variable primaria

La varianza de estimación de error es:

Donde:

Cii(0) = Varianza de una variable primaria.

Wi = Ponderados asociados a la estimación.

Cij(h) = Covarianza cruzada entre las variables Zi – Zj

Xi = Vector de posición.

Xo = Posición del valor a estimar.

Para estimar Zio se deben determinar los ponderadores Wi, los que son multiplicados

por los daros duros que caen dentro de la vecindad utilizada. Dichos ponderadores

se determinan por medio del sistema de ecuaciones que se presenta a continuación.

Cabe notar que a media mi debe ser conocida para cada una de las variables.

(Galvez, 2011, p.20).

Donde:

Cij = Cij es la matriz de covarianzas entre los datos de la i-esima

variable y aquellas de la j-esima variable.

 Ciio = Covarianzas entre las variables de interés los datos de la i-esima

variable.

Wi = Pesos asociados a los datos de la i-esima variable.

b. Cokriging Ordinario:

Las medias son desconocidas, en este caso el estimador es el siguiente:

Donde:

Xo = Es el punto a estimar

Wi = Ponderados asociados a la estimación.

Zi(X) = Datos duros de la variable.

La varianza del error es:

Donde:

Cioio(0) = Varianza de la variable primaria.

Wi = Ponderados asociados a la estimación.

Cij(h) = Covarianza cruzada entre Zi y Zj

Xi = Es un vector de posición.

Xo = Posición del valor a estimar.

 Uio = Multiplicador de LaGrange.

Este tipo de cokriging caracteriza muy bien el momento de segundo orden

(covarianza), sin embargo, el momento de primer orden (media) que libre. Un

sistema de ecuaciones similar al descrito en el caso del cokriging simpe se genera

en donde adicionalmente son introducidos incógnitas adicionales como

multiplicadores de LaGrange (Gálvez, 2011, p. 21).

Donde:

Cij = Cij es la matriz de covarianza entre los datos de la i-esima

variable y aquellas de la j-esima variable.

Ciio = Covarianzas entre variable de interés y los datos de la i-esima

variable.

Wi = Pesos asociados a los datos de la i-esima variable.

I = Matriz de identidad

U = Multiplicador de LaGrange.

c. Cokriging Colocalizado
Uno de los pasos cruciales del cokriging corresponde a la ecuación de la vecindad

esto es dad la gran cantidad de cálculos involucrados. Se sabe que en algunos casos

el cokriging es equivalente a hacer los cálculos con una sola variable, resultando en

un kriging univariable. Sería interesante que en dichos lugares en vez de usar

muchas variables en la estimación solo considere una de ellas.

Dentro de los posibles casos determinaos por las bases de datos, se le pone especial

atención cuando una variable secundaria se encuentra densamente muestreada. Las

distintas vecindades son:

La primera usando todos los datos disponibles de la variable primaria y se restringe

la segunda variable a solo los lugares donde ay información de la primera variable

y al sitio a estimar (vecindad multicolocalizada). En la segunda solamente se

incluye la segunda variable en el sitio a estimar (vecindad colocalizada).

De acuerdo con el mismo autor al aplicar la primera vecindad a un caso densamente

muestreado, se conduce rápidamente a sistema de cokriging casi singular. En

cuanto al tamaño de la vecindad, las principales implicancias de esta decisión se

reflejan en los tiempos de cálculo que son los que aumentan la complejidad del

problema.

La vecindad colocalizada es válida para el cokriging simple esto el caso ordinario la

restricción de que los ponderadores de la variable secundaria deben sumar cero.

Esto conlleva a que el peso Wo usado en este tipo de estimación para el único dato

secundario sea cero. (Gálvez, 2011, p. 23)

 d. Cokriging Colocalizado Simple

Se llama cuando la variable secundaria se considera solamente en el punto que se

quiere estimar. En este caso se dice que el valor de la variable secundaria en el

punto de estimación es colocalizado con el punto que se quiere estimar, es decir, el

único punto donde existe el dato de la variable secundaria es el punto que se quiere

estimar. (Gálvez, 2011, p.24)

En este caso el estimador de la variable primaria (Z):

Donde:

S(Xo) = Valor colocalizado con respecto a la variable a estimar Z(Xo)

Mz = Media de la variable a estimar

Ms = Media de la variable secundaria.

e. Cokriging Colocalizado Ordinario

Cuando se trata del cokriging ordinario como ya se presentó no es aplicable cuando

la variable secundaria existe solamente en el punto a estimar, lo que se debe de

hacer en este caso es usar un vecindario del tipo muticolocalizado es tos considerar

datos de la variable secundaria en todos los puntos donde se conoce la variable

primaria incluso en el que se quiere estimar. (Gálvez, 2011, p. 24)

Ecuación: Cokriging Colocalizado Ordinario

Donde:

S(Xo) = Valor Colocalizado con respecto a la variable a estimar Z(Xo)

S(X) = Corresponde a los datos colocalizados con los puntos coexistentes las

variables primarias o secundarias.

f. Aplicaciones Del Cokriging

Las aplicaciones que han recibido una mayor atención en la geoestáditica de minas

son los casos donde dos o más variables estas muestreadas, pero una está menos

muestreada que las otras o existe la presencia de errores de muestreo

Existe un número de dificultades prácticas, la más importante de todas es la

ausencia de modelos estándar para las covarianzas cruzadas o covariagramas. Uno

de los modelos más simples, el modelo estricto lineal no produce una varianza de

estimación menor que el kriging separado excepto en los casos mencionados.

Cokrigear una variable es al menos tan preciso como krigear esta variable si el

vecindario de kriging es el mismo de cokriging y si los modelos univariable y

multivariable son consistentes

Para asegurar la consistencia entre el cokriging de las variables, el vecindario de

cokriging debe de ser el mismo para todos los cokrigings.

Para el caso isotopic el vecindario se escoge a partir de la variable que requiere un

mayor rango mientras que en el caso de heterotopic la localización geográfica para

cada variable juega un rol, pero también el arreglo mutuo.

Cokriging permite mejorar la consistencia entre las estimaciones de diferentes

variables. En el caso isotopic mejora la estimación de la variable, si la estructura

simple es diferente de la estructura cruzada con la otra variable (caso contrario, se

dice variable autokrigeable)

Al añadir muestras de Z2 para estimar Z1 es posible aumentar en preciso, la

varianza de cokriging es menor o igual a la varianza de kriging. ( BSGroup, 2017, p

22)

g. Consideraciones

Acerca de los pesos

Los pesos de la variable objetivo Z1 no tienen unidad, mientras que los pesos de la

co.variable Z2, que suma 0, tienen unidad z1/z2.

Pesos negativos de Z2 pueden hacer negativa la estimación de Z1 positivo.

Acerca del vecindario

En el caso univariable, la elección del vecindario de búsqueda depende de la

posición de los datos, estructuras de la variable, la distancia límite de la hipótesis de

estacionaridad.

Tips para elección

Varianza del krgingPeso de la media en el kriging simple

Pendiente de la regresión valor real/ valor estimado para el kriging ordinario.

h. Ejemplos Aplicativos del Cokriging

Sistema para dos muestras

Figura 6: Cokriging caso isotópico
Fuente: BS Group (2017)

Figura 7: cokriging caso heterotopico

Fuente: BS Group (2017)
2.2.4 Herramientas

ISATIS tiene un conjunto integrado y completo de herramientas para la

geoestadística mineras donde sus herramientas son adecuadas para diferentes

situaciones:
 Estimación
 Simulación
 Lineal, no lineal
 2D, 3D
 Univariante, multivariado
 Herramientas integradas

1) Herramientas para adquisición y gestión de datos:

 Integración
 Estadísticas
 Estadísticas espaciales
 Visualización
 Identificar tendencias
 Validación
 Validación
 Buscar duplicados
 Errores de datos
 Valores perdidos
 Errores de numero de muestra
 Evaluar el impacto de los valores atípicos

2) Herramientas de gestión e integración de datos

ISATIS trabaja con todos los datos disponibles
 Puntos, agujeros de perforación, modelos de bloques,
 marcos de cables, fallas, polígonos.
 Tipos de datos: ensayo, densidad, geología, geofísica
 Capacidades multivariantes
 Migrar herramientas
3) Herramientas para el análisis de datos espaciales, únicas interactivas y

dinámicamente vinculadas:
 Mapas base, histogramas
 Diagramas de dispersión
 Diagramas QQ
 Gráficos PP
 Variogramas experimentales
 Nubes de variogramas
 Mapas de variogramas

4) Herramientas para la estimación de recursos in-situ

Métodos de estimación: kriging, indicador kriging
 Herramientas de validación
 Herramientas de informes
 Herramientas de visualización
 Herramientas de documentación
 Herramientas de flujo de trabajo

5) Herramientas para la estimación de recursos recuperables

Métodos basados en Gauss:
 Adaptación de anamorfosis gaussiana interactiva
 Acondicionamiento uniforme por grado de panel de kriged
 Cambio de soporte con opción de estimación de efecto de información

por separado.
Métodos indicadores:
 Indicador Kriging (Múltiple)
 Manipulación del modelo del variólogo (uni a multi)
 Indicador pre y pos procesamiento
 Curvas de tonelaje de grado

6) Herramientas para simulación

 Simulando variables categóricas(geología)
 Simulando variables continuas(grado)

7) Herramientas para productividad:

Se puede grabar cualquier función Isatis en un archivo por lote, es muy

flexible con bucles y otras herramientas de programación, tiene una buena

forma de generar flujos de trabajo eficientes y documentar

procedimientos.

8) Herramientas para ayudar a clasificar los recursos

Evaluar la confianza de los recursos con varios métodos:
 Varianza de Kriging
 Cálculo directo de Intervalos de Confianza
 Pendiente de Regresión y otros parámetros de kriging para

clasificación
 Simulaciones
  Intervalos de confianza de simulaciones

Figura 8. Intervalos de confianza de simulaciones.

Fuente:Geovariances.

9) Herramientas para ayudar a las funciones de control de pendiente

 Los flujos de trabajo personalizados y las potentes capacidades de

procesamiento por lotes admiten actualizaciones rápidas de modelos

de recursos y simulaciones.
 Realiza actualizaciones periódicas (incluso diarias) con nuevos datos

posibles para fines de control de grado.

 Estimar e informar con polígonos y estructuras alámbricas que

representan explosiones individuales.

 Usa polígonos para informar las estimaciones de bloques para la

entrada a tu proceso de reconciliación de recurso /fábrica.

2.4 Ventajas y Desventajas:

Ventajas:
  Obtener Isatis implica aprovechar una probada solución de software en

distintas ramas, incluida la minería, el petróleo y el gas y el medio ambiente,

pero también una gran cantidad de campos como hidrogeología,

oceanografía, silvicultura, agricultura o arqueología.

 Con Isatis, se beneficia de un entorno integrado en el que todas las

operaciones pueden almacenarse y reproducirse de forma automática.

 Isatis brinda acceso al conjunto más exhaustivo de metodologías

geoestadísticas probadas y avanzadas, con una cantidad impresionante de

algoritmos de kriging y simulaciones disponibles

 Cada año, disfruta de metodologías innovadoras para modelos

geoestadísticos mejorados.
 El soporte de proveedores es constante en el mercado.
Desventajas:
 Los costos de obtención de licencia son demasiado altos.
 El espacio de instalación de disco es mucho mayor al de un software libre.
 Mantenimiento de software constante y de costo elevado.
 El idioma del software en su mayoría de versiones es en inglés.

2.5 Video Aplicativo y/o uso del software

3. Conclusiones

4. Recomendaciones

5. Referencias

- Bleines, C., Deraisme J., Geffroy, F.,Parseval, S., Rambert, F.,Renard, D. &.

Touffait,Y. (2001): ISATIS Software Manual. Geovariance and Ecole des

Mines de Paris.
- Business Solutions Group Institute. (2017). Diplomado programa

internacional en Geoestadistica Aplicada ala Evaluacion de Recursos Mineros.

- Clark, I. (1977). Practical Geostatistics. Geostokos Limited, United Kingdom.

Versión digital. Consulta: 28-sept-2009. Disponible en:

http://uk.geocities.com/drisobelclark/PG1979. 119 p.
- David, M. (1977): Geostatistical ore reserve estimation. Elsevier Scientific

Publishing Company. New York, 364 p.

- Deutsch, C. &. Journel, A. (1998). GSLIB : Geoestatistical software library

and User’s Guide. Oxford University Press, New York, 369 p.

- Galvez, I. (2011). Comparacion de vecindades del CoKriging para estimar una

Corregionalizacion : “Facultad de Ciencias Fisicas y Matematicas –

Departamento de Ingenieria de Minas” (Tesis de Título Universitario).

Universidad de chile.
- Hart, D. & Rudman, A. J. (1997). Least-squares fit of an ellipse to anisotropic

polar data: application to azimuthal resistivity surveys in Karst regions.

Computers & Geosciences 23(2): 189-194.

- https://www.geovariances.com/wpcontent/uploads/2016/09/geovariancesisati-

maafk.pdf
SETIEMBRE -2016- GEOVARIANCES)
- https://www.geovariances.com/en/testimonials/isatis-una-herramienta-de-

eleccion-geoinnova/
(Pablo Carrasco – chile -geoinnova-Geovariances)
- http://www.tesis.uchile.cl/tesis/uchile/2011/cf-galvez_ip/pdfAmont/cf-

galvez_ip.pdf
tesis: IGNACIO PATRICIO GÁLVEZ PARRA - enero 2011