Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Geoestadístico usando
el software libre
SGeMS
Geoestadística
(Definición)
La aplicación del formalismo de las funciones aleatorias al reconocimiento y
estimación de fenómenos naturales (Matheron, 1962).
cualquier variable
espacialmente distribuida). SIG Riesgos geológicos
__
Industria Petrolera
Análisis Exploratorio de los
datos
El análisis exploratorio de datos definido por John
W.Tukey (E.D.A.: Exploratory data analysis) es,
básicamente, el tratamiento estadístico al que se
someten las muestras recogidas durante un proceso
de investigación en cualquier campo científico.
• Visualización y descripción de la
distribución de frecuencias de los datos.
• Identificación de valores atípicos
Modelado Geoestadístico
Análisis de Modelado
la de la
Estimación Simulación
continuidad continuidad
espacial. espacial
Análisis y modelado de la continuidad espacial.
Análisis estructural
Encontrar los alcances de búsqueda de la estimación.
11 39 1.77
10 46 2.3
9 88 4.88
8 89 5.56
7 108 7.71
6 84 7
Caso 2D
Ejemplo 1. Semivariograma experimental a 0° y 90° azimut de leyes
de cobre de una mina a cielo abierto
Caso 2D
Ejemplo 2. Semivariograma experimental a 0°, 90°, 45 y 135 azimut
provenientes de datos de una mina de fierro
0° Azimut 90° Azimut
|h| ƴ (h) 14
12
0 0
10
10 4.17
ƴ (h)
8
14.41 5.73 6
20 8.31 4
28.28 11.60 2
30 11.94 0
0 5 10 15 20 25 30 35
Variograma Omnidireccional
Calculo de ƴ (h) para una malla irregular
1. Se elige el número de Lags (se sugiere un mínimo
de 10 y hasta 25)
2. Selección de la distancia del Lag
3. Definición de la tolerancia en el Lag (50% del lag).
4. Se define el azimut del vector de búsqueda
5. Definición de la tolerancia angular ΔƟ (Angulo que
considera incluir datos válidos para el cálculo, se
recomienda utilizar 22.5).
6. Ancho de banda. Banda dentro de la cual se
consideran validos los datos para el calculo del
variograma; se mide en forma perpendicular al
azimut definido.
Modelo teórico (estructural)
El objetivo de ajustar un modelo teórico es disponer de una ecuación, la
cual se utilizará en los cálculos posteriores.
❑ Variograma experimental:
calculado a partir de los datos.
❑ Variograma teórico:
corresponde a una ecuación
que se ajusta al variograma
experimental.
Modelo teórico (estructural)
Efecto Pepita Puro: Este modelo considera ausencia total de
correlación espacial.
Modelo teórico (estructural)
Esférico: Forma de variograma comúnmente encontrada. El
alcance corresponde al parámetro a, la meseta al parámetro C.
Modelo teórico (estructural)
Exponencial:
Modelo teórico (estructural)
Gaussiano
Modelo teórico (estructural)
Potencia
Modelo teórico (estructural)
1.- Dibuje una línea que representa el valor de la meseta (C1+Co), tomando el
valor de la varianza de todas las muestras.
2.- Proyecte los primeros puntos en el eje y (estimación del Nugget).
3.- Proyecte la misma línea hasta que intercepte con la meseta, esta distancia
es 2/3 del rango o alcance.
4.- Usando las estimaciones de a, Co, C y C1 calcule algunos puntos y vea si la
curva ajusta con el variograma experimental.
Esférico Exponencial
Gaussiano
Estimación
Espacial
Sesgo condicional
KRIGING
Se busca un
estimador
preciso e
insesgado
BLUE
Best Linear
Unbiased
Estimator
KRIGING SIMPLE
Se supone que la variable regionalizada z es la realización de una función aleatoria Z estacionaria tal que
donde V representa la vecindad de kriging (para un kriging en una vecindad única, V es el campo completo
de la variable regionalizada).
Donde:
𝑍 ∗ 𝑥0 = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜
Z 𝑥𝛼 = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜𝑠
𝜆𝛼 = 𝑝𝑒𝑠𝑜 𝑜 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟 (𝛼 = 1 … 𝑛)
𝑚 = 𝑚𝑒𝑑𝑖𝑎 𝑔𝑙𝑜𝑏𝑎𝑙
KRIGING SIMPLE
El valor de los ponderadores se obtiene resolviendo el siguiente sistema matricial, donde C(h) es la covarianza
de la función aleatoria Z
Variograma
Variograma
Covarianza
𝛾 ℎ = 𝐶𝑜𝑣 0 − 𝐶𝑜𝑣 ℎ
𝛾 ℎ = 𝑠𝑖𝑙𝑙 − 𝐶𝑜𝑣 ℎ
𝛾 ℎ = 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 − 𝐶𝑜𝑣 ℎ
Distancia
VARIANZA DE KRIGING SIMPLE
KRIGING ORDINARIO
𝑍 ∗ 𝑥0 𝜆𝛼 𝑍(𝑥𝛼 )
𝑎=1
Donde:
𝑍 ∗ 𝑥0 = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜
𝑍 𝑥𝛼 = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜𝑠
𝜆𝛼 = 𝑝𝑒𝑠𝑜 𝑜 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟 (𝛼 = 1 … 𝑛)
KRIGING ORDINARIO
El valor de los ponderadores se obtiene resolviendo cualquiera de los siguientes sistemas matriciales
Matriz de covarianzas
+
Referencias bibliográficas
• Chica Olmo, M. (1988). “Análisis geoestadístico en el estudio de la explotación de los recursos
minerales”. Tesis doctoral. Departamento de Geodinámica de la Facultad de Ciencias de la Universidad
de Granada.
• G. Matheron, 2005, Curso de Geoestadística. Ecole Nationale Supérieure des Mines de París.
• Kim, Y. C. (1991). Introductory geostatistics and mine planning. University of Wollongong, Key Centre
for Mines.
• Matheron, G., & ALFARO, M. (1969). Curso de geoestadística. Escuela de Minas de París.
• Villanueva Robinson, 2008, Geoestadística, Remote Sensing, Natural Resources and Environment,
Lima Perú.