CAPÍTULO 2

SESIÓN 1
 VARIOGRAMA EXPERIMENTAL-DEFINICIÓN

La correlación espacial se debe

calcular dentro de la misma unidad
estratigráfica

Z − Z base
Z tope − Z base
EJEMPLO SENCILLO
 VARIOGRAMA EXPERIMENTAL -
TOLERANCIA ANGULAR
Tolerancia angular
 CÁLCULO DE VARIOGRAMAS EXPERIMENTALES
Influencia del paso
 CÁLCULO DE VARIOGRAMAS EXPERIMENTALES
Influencia de la tolerancia en el paso
 Retos en el cálculo del
variograma
• La estructura de corto alcance es la más importante
– Pepita debido al error de medición no debiera modelarse
– Tamaño de las celdas del modelo geológico
• La dirección vertical es típicamente la mejor informada
– Puede tener artefactos producto del espaciamiento de datos de
testigo.
– Manejo de derivas verticales y variaciones areales
• La dirección horizontal es en general más difícil de estimar
– Usar un paso cercano al espaciamiento de los sondajes
– Típicas razones de anisotropía horizontal-vertical
 Comportamiento discontinuo
INTERPRETACIÓN DEL NUGGET EFFECT

1) Variable muy irregular a distancias cortas

h≈0
Z(x) y Z(x+h) difieren mucho

γ (h ) = E [ Z ( x) − Z ( x + h)] 2
1
no se aproxima a cero
2
 Comportamiento discontinuo
INTERPRETACIÓN DEL NUGGET EFFECT

3,5
2) Errores de medición en las 3
variables
2,5

Variograma
2 Valores

Z obs ( x ) = Z ( x ) + ε ( x )
observados
1,5
Valores
σε2
1 reales

0,5

γ Z (h ) = γ Z (h ) + σ ε 2 0
0
1,5
3
4,5
6
7,5
9
10,5

12
13,5
15
16,5
18
obs
Distancia
 Comportamiento discontinuo
INTERPRETACIÓN 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 3.5

pequeñas, el variograma 3

tiene un comportamiento 2.5

lineal.

Variograma
2

Representa variables 1.5

continuas pero no 1

diferenciables. Así, la 0.5

propiedad puede 0
cambiar rápidamente de
un punto a otro. Distancia
 Comportamiento Lineal
COMPORTAMIENTO LINEAL
3,5

La variabilidad de la
2,5

Variograma
2

propiedad dependerá de la 1,5

pendiente de la recta en el 1

origen 0,5

A mayor pendiente, 0 1 2 3 4 5 6 7 8 9 10 11
Distancia

mayor variabilidad 3

2,5

A menor pendiente, 2

menor variabilidad Variograma

1,5

0,5

0
0 1 2 3 4 5 6 7 8 9 10 11
Distancia
 Comportamiento Cuadrático
COMPORTAMIENTO CUADRÁTICO

Indica que para distancias

3,5

pequeñas, el variograma tiene un 3

comportamiento cuadrático. 2,5

Variograma
2

1,5
Representa variables sumamente
continuas e infinitamente 1

diferenciables. Así, la propiedad NO 0,5

puede cambiar rápidamente de un 0

punto a otro. 1

10

13

16

19

22

25

28

31

34

37
Distancia
 Comportamiento Híbrido
COMPORTAMIENTO HÍBRIDO

Variación más suave a 8

distancias cortas 7
6

Variograma
Variación más fuerte a 5

distancias grandes 4
3
2
Indica presencia de 1
estructuras actuando a 0
diferentes escalas 0 1,5 3 4,5 6 7,5 9 10,5 12 13,5 15 16,5 18
Distancia
 Comportamiento-grandes distancias
COMPORTAMIENTO A GRANDES DISTANCIAS

NO TODOS LOS VARIOGRAMAS

POSEEN UN RANGO Y UN SILL
FINITO

Variograma
INDICA LA PRESENCIA DE
UNA DERIVA O DRIFT

VARIABLE NO ESTACIONARIA

Distancia
 Anisotropías
ANISOTROPÍAS

Generalmente cuando el variograma experimental es

calculado en distintas direcciones presenta distintos
comportamientos con la variación de la distancia.

Anisotropía Geométrica

Anisotropía Zonal

Anisotropía Híbrida
TIPOS DE ANISOTROPÍA
TIPOS DE ANISOTROPÍA
DEL VARIOGRAMA
EXPERIMENTAL γ *
AL
MODELO DE VARIOGRAMA γ
DEL VARIOGRAMA EXPERIMENTAL γ AL
*

MODELO DE VARIOGRAMA γ
Por definición

Var ( Z *) = E[ Z * − E ( Z *)]2
Recordemos
Z* =
∑λ i
i Z ( xi )

∑λ
E ( Z *) = E (
i
i Z ( xi ) = ∑λ
i
i E ( Z ( xi )) = ∑λ
i
im

∑
2
 
= E λi ( Z ( xi ) − m)
 
DEL VARIOGRAMA EXPERIMENTAL γ AL
*

MODELO DE VARIOGRAMA γ

Var[
∑ λi Z ( xi )] =
∑∑ i j
λi λ j C ( xi − x j )

Var[
∑λ i Z ( xi )] = − ∑ ∑λ λ γ
i j
i j ( xi − x j )
 POR QUE HAY QUE CONSTRUIR MODELOS
Ajustar γ
*

DE VARIOGRAMA ?
El variograma experimental
6
no se puede evaluar en
variograma experimental

4
distancias o direcciones
3 Variograma intermedias
experimental

Una interpolación entre los puntos

2

1
0 del variograma experimental no
garantiza la existencia y unicidad de
4
8
2
6

4
8
2
6
0

4
0.
0.
1.
1.

2.
2.
3.
3.

Distancia
la solución del sistema de kriging
La interpolación no satisface las
6

5 condiciones que todo variograma

4
Variograma
debe satisfacer
3 experimental

2 Modelo de
variograma
El variograma experimental no
1
satisface las condiciones que todo
0
variograma debe satisfacer
4
8
2
6

4
8
2
6
0

4
0.
0.
1.
1.

2.
2.
3.
3.

Distancia
 POR QUE HAY QUE CONSTRUIR MODELOS
Variograma Teórico-propiedades
DE VARIOGRAMA ?
LOS VARIOGRAMAS TIENEN PROPIEDADES ESPECIALES, CUALQUIER FUNCIÓN QUE DEPENDA
DE LA DISTANCIA Y LA DIRECCIÓN NO NECESARIAMENTE ES UN VARIOGRAMA

1) γ (0) = 0

2) γ (− h ) = γ (h )

El variograma calculado en la dirección de h es igual al variograma

calculado en la dirección de -h

-h h
 Variograma Teórico-propiedades

Todo variograma es una funcion definida positiva condicional

Para cualquier n, cualesquiera x1 , x2 , x3 ,  , xn puntos en el espacio y cualesquiera

n
valores λ1 , λ2 , λ3 ,  , λn tales que ∑λ
i =1
i = 0 se tiene que

− ∑∑ λi λ j γ (xi − x j ) ≥ 0
n n

i =1 j =1

Esta propiedad permite calcular en forma consistente la varianza de

combinaciones lineales de funciones aleatorias

( α
)
var λ Zα = −λ λ γ αβ α β
VARIOGRAMA EXPERIMENTAL
MODELOS ADMISIBLES
EJEMPLO
 Var ( Z * ) = Var[
∑λ i Z ( xi )] = − ∑ ∑λ λ γ
i j
i j ( xi − x j )

− (λ12γ (0) + λ22γ (0) + λ32γ (0) + 2λ1λ2γ (0.8) + 2λ1λ3γ (0.8) + 2λ2 λ3γ (1))

= −(0 + 0 + 0 − 0.2 − 0.2 + 0.5)

= −0.1
La varianza es negativa esto se produce porque la función utilizada
no esta definida positivamente
 γ
MODELOS DE VARIOGRAMA
 Modelos de Variograma
MODELOS DE VARIOGRAMA MÁS COMUNES

1.- Modelos con meseta

 Modelo Efecto Pepita Puro
 Modelo Esférico
 Modelo Exponencial
 Modelo Gaussiano
 Modelo Cúbico
 Modelo Seno Cardinal

2.- Modelo sin meseta

 Modelo Potencia
 Modelo Efecto Pepita Puro
MODELO EFECTO PEPITA PURO


0 
 si h = 0
γ h=
  
  
  

 c




si h ≠ 0



Este modelo representa a un

Variograma
fenómeno completamente
aleatorio, en el cual no hay
correlación espacial
No importa cuán cerca se
Distancia

encuentren los valores de las

variables, siempre serán no
correlacionados
 Modelo Esférico
MODELO ESFÉRICO
 
  3 

3 h 1 h
 

− si h ≤ a
  
c



 3 


 2 a 2 a




  

γ h=
  
  
  
  
  



c si h >a c




Variograma




Meseta c y alcance a
Comportamiento lineal en el origen

Pendiente igual a 1.5 c / a Distancia

Representa fenómenos continuos
pero no diferenciables

Es uno de los modelos de

variograma más utilizados
 Modelo Exponencial
MODELO EXPONENCIAL

  h  
γ (h ) = c1 − exp −
 
  a  
  

Variograma
Meseta s que alcanza asintóticamente
Alcance aparente igual a a

Alcance practico al 95 % de la meseta

Rango experimental igual a 3a
Comportamiento lineal en el origen Distancia

Pendiente igual a 3c/a

Representa fenómenos continuos
pero no diferenciables
 Modelo Gaussiano
MODELO GAUSSIANO

  2 
  h 
γ (h ) = c1 − exp − 
  a 
2
  

Meseta es c que alcanza asintóticamente

Variograma
Rango aparente igual a a

Rango experimental igual a 3a

Comportamiento cuadrático en el origen

Distancia
Representa fenómenos continuos
infinitamente diferenciables (sumamente
continuos)
 Modelo Cúbico
MODELO CÚBICO
  
  2 3 5 
  7 
  h h h h 



c7

2
− 8.75 + 3 . 5 − 0 . 75 
 si h ≤ a






a a3 a5 a7 


  

γ h=
 
  
  
  
  



c si h >a








Variograma
Meseta C y Alcance a
Comportamiento cuadrático en el origen

Representa fenómenos bastante continuos

Distancia
 Modelo Seno Cardinal
MODELO SENO CARDINAL

( ) 
 seno h /a
γ (h ) = c1 −
 h /a 
 

Meseta c que alcanza asintóticamente

Variograma
Alcance aparente igual a a

Alcance experimental igual a 3a

Comportamiento cuadrático en el origen
Se utiliza para representar fenómenos Distancia
continuos con periodicidades
 Modelo Potencia

MODELO POTENCIA

γ (h ) = s h
p

s se denomina factor de escala

Variograma
s=2.5, p=0.4
0≤ p<2 s=0.4, p=1.8
s=1.15, p=1
El comportamiento en el origen
depende del valor de p

Representa fenómenos no
estacionarios
Distancia
Estrategia de Modelamiento

REF:Xavier Emery
 ANISOTROPÍAS (6)
Ejemplo de ajuste

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

¿Cuál es el modelo
γ norte (h) = 0.13 pep + 0.54 esf (100m) tridimensional?

γ vertical (h) = 0.13 pep + 0.72 esf (80m)

 ANISOTROPÍAS (7)

Modelo tridimensional

γ este (h) = 0.13 pep + 0.42 esf (180m) + 0.12 esf(∞) + 0.18 esf(∞)
γ norte (h) = 0.13 pep + 0.42 esf (100m) + 0.12 esf (100m) + 0.18 esf(∞)

γ vertical (h) = 0.13 pep + 0.42 esf (80m) + 0.12 esf (80m) + 0.18 esf (80m)

γ (h) = 0.13 pep + 0.42 esf (180m,100m, 80m)

+ 0.12 esf (∞,100m, 80m) + 0.18 esf (∞, ∞, 80m)
Verificación: la suma de las mesetas vale
0.13 + 0.42 + 0.12 + 0.18 = 0.85 = meseta total
 VARIANZA DE BLOQUE Y
VARIANZA DE DISPERSIÓN
DIAGRAMA
COMO ENTENDER
COMO ENTENDER
Si pensamos que conocimos todas las realizaciones de Z(x )

Tendremos la varianza de un punto en un volumen llamada

Varianza de dispersión de un punto en un volumen

K rigeage

K riging

K rigeaje.
K rigeaje : interpolador de la geoestadística,
que sí utiliza los análisis estructural.

Inicialmente, Matheron denominó a esta técnica

K rigeage (en francés) que en ingles se
convierte en K riging y en español se escribe
K rigeaje. Este término que tiene su origen en el
apellido de D.G. Krige, reconociendo de esta
forma su aporte.
El krigeaje es una técnica de estimación
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),
Además proporciona una error de estimación
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
análisis sobre la calidad de las estimaciones
(Weerts y Bierkens, 1993; Haas, 1992).
En términos mineros, el problema de
krigeaje consiste en encontrar la mejor
estimación lineal posible del contenido
mineral de un panel, teniendo en cuenta la
información disponible, mediciones que
han sido obtenidas tanto en el interior
como externamente al panel que se desea
estimar.
El krigeaje consiste en efectuar una
ponderación, es decir, atribuir un peso a
cada valor observado, los pesos son
calculados de manera que minimice la
varianza de estimación resultante,
teniendo en cuenta las características
geométricas del problema (Matheron,
1970). Al minimizar la varianza de
estimación se garantiza el uso óptimo de la
información disponible (Zhang, 1996).
La geoestadística exige como primera etapa
y fundamental el conocimiento del
comportamiento estructural de la
información, es decir, se debe contar
además, con el modelo de semivariograma
teórico que refleje fielmente las
características de variabilidad y correlación
espacial de la información disponible,
discutido anteriormente.
En el caso minero, particularmente, por la forma
en que se presenta la información, de estar
condicionada en una dirección por diversos
parámetros (Rivoirard y Guiblin, 1997), se debe
obtener modelos de variogramas verticales y
horizontales, el primero, que caracteriza la
correlación espacial en esta dirección, es decir a
través de los estratos, y el segundo en los
estratos, obteniéndose un modelo conjunto para
la estimación de bloques (Pan y Arik, 1993;
Armstrong y Carignan, 1997).
Los bloques a estimar son definidos con
dimensiones convenientes a la unidad de selección
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
hipótesis de la geoestadística que deben ser
asumidas y verificadas como ya se indicó.
Teniendo en cuenta las hipótesis de la
geoestadística se pueden obtener las ecuaciones
del krigeaje para los siguientes casos: función
aleatoria estacionaria de esperanza nula o
conocida, método conocido como Krigeaje Simple,
para una función aleatoria estacionaria de
esperanza desconocida, y una función aleatoria
intrínseca, método conocido para los dos últimos
casos como Krigeaje Ordinario.
Existen cuatro Krigeage uní 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 ESTIMACIÓN

Utilizar el ponderador de Lagrange para minimizar

 MINIMIZAR LA VARIANZA

Entrega un sistema de ecuaciones llamadas sistema

del Krigeage
 KRIGEAGE

Sea
X₁ X₀ X₂

d d
K.O.

Z*k (x₀) = λ₁ Z (X₁) + λ₂ Z (X₂)

a)Establecer Sistema Krigeage.

1.- Es un estimador lineal

Z*k (x₀) = λ₁ Z (X₁) + λ₂ Z (X₂)

2.- Es insesgado
Ε [Z*(x₀)] = Ε [Z (x₀)]

Ε [Z*(x₀) - Z (x₀)] = 0

Ε [λ₁ Z (X₁) + λ₂ Z (X₂) - Z (X₀)] = 0

λ₁ m + λ₂ m – m = 0

λ₁ + λ₂ = 1
3.- Varianza de estimación (Varianza del error)
Blue: Best Linear unbiased estimate
VAR (Z* - Z₀) = VAR (λ₁ Z₁ + λ₂ Z₂ - Z₀)

VAR (Z) = - ∑∑ λi λj γ (Xi - Xj)

VAR (∑ Zi) = -[+ λ₀ λ₀ γ₀₁ - λ₀ λ₁ γ₀₁ - λ₀ λ₂ γ₀₂ - λ₁ λ₀ γ₁₀

+ λ₁ λ₁ γ₁₁ + λ₁ λ₂ γ₁₂ - λ₂ λ₀ γ₂₀ + λ₂ λ₁ γ₂₁ + λ₂ λ₂
γ₂₂]
2

i=0

= -λ₁² γ₁₁ - λ₂² γ₂₂ - λ₀² γ₀₀ - 2 λ₁ λ₂ γ₁₂ + 2 λ₀ λ₁

γ₁₀
+ 2 λ₀ λ₂ γ₂₀
Pero λ₀ = 1

= -λ₁² γ₁₁ - λ₂² γ₂₂ - γ₀₀ - 2 λ₁ λ₂ γ₁₂ + 2 λ₁ γ₁₀

+ 2 λ₂ γ₂₀
2 2 2

∑ ∑ λi λj γ (Xi – Xj) – 2 ∑ λi γ (Xi - X₀) – γ (X₀ - X₀)

i=1 j= 1 i=1

Ø = VAR [Z* - Z₀] – 2 μ (∑ λi – 1)

= - λ₁² γ (0) – 2 λ₁ λ₂ γ (2d) - λ₂² γ (0) + 2 λ₁ γ (d)

+ 2 λ₂ γ (d) – 2 μ (λ₁ + λ₂ - 1)
∂Ø / ∂μ = -2 (λ₁ + λ₂ -1) = 0
λ₁ + λ₂ = 1

∂Ø / ∂λ₁ = -2 λ₁ γ (0) – 2 λ₂ γ (2d) + 2 γ (d) – 2 μ = 0

λ₁ γ (0) + λ₂ γ (2d) + μ = γ (d)

∂Ø / ∂λ₂ = -2 λ₁ γ (2d) – 2 λ₂ γ (0) + 2 γ (d) – 2 μ = 0

λ₁ γ (2d) + λ₂ γ (0) + μ = γ (d)
λ₂ γ (2d) + μ = γ (d)

λ₁ γ (2d) + μ = γ (d)

λ₁ + λ₂ = 1
 λ₁ = λ₂ = ½

μ = γ (d) - λ₂ γ (2d)

μ = γ (d) – (1/2) γ (2d)

KRIGEAGE PUNTUAL :MINIMIZAR LA VARIANZA

Este es el sistema de Krigeage

 KRIGEAGE PUNTUAL

Varianza del krigeage

KRIGEAGE DE BLOQUE

Sistema de Krigeage
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 Esférico :Alcance 250 m ,Meseta 2.0

KRIGEAR UN BLOQUE

El sistema de Krigeage es
KRIGEAR UN BLOQUE
KRIGEAR UN BLOQUE

Solución
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 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 incógnitas

Matriz de dispersión
CASO ESTACIONARIO DE ORDEN DOS
P ropiedades del Krigeage:

1.-Lineal sin sesgo y con mínima varianza

2.-Interpolador exacto

3.-Efecto pantalla

4.-Toma en cuenta la posición 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 sim etría

λ1= A

λ2=λ3 =λ4 =λ5=B

λ6=λ7 =λ8 =λ9=C

λ10=λ11 =λ12 =λ13=D

Efecto P antalla

λ10=λ11 =λ12 =λ13=0