Modelado

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).

o Su objeto de estudio es el análisis

y la predicción de fenómenos en
espacio y/o tiempo
o Su base subyace en “la teoría de
las variables regionalizadas” esto
significa variables aleatorias que
están correlacionadas en el espacio
(o en el tiempo).
 CAMPOS DE
APLICACIÓN Minería Hidrogeología
_ __

La geoestadística es Geodiversidad Geoquímica

__

aplicada en muchas ramas

de la ciencia sobre todo en
la interpretación de MDE Geofísica
variables naturales (es decir ¿

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.

▪ Familiarizarnos con los datos

¿Para qué? ▪ Detectar patrones de regularidad.
 Objetivos
• Analizar la cantidad, la calidad y la ubicación de los datos disponibles.

• Definir la(s) zona(s) de estudio.

• Anticipar dificultades o problemas que puedan surgir en la fase de

estimación local.
Análisis exploratorio.
Se enfoca en analizar los datos
desde todos sus ángulos,
desde la estadística, pasando
por el comportamiento
espacial, hasta las
dependencias entre variables.
Análisis exploratorio de los datos
Resumen estadístico. La estadística clásica permite efectuar una exploración
descriptiva y cuantitativa de datos.

• Media, mediana, moda

Medidas de • Cuartiles y percentiles
• Mínimo y máximo
posición
• Varianza
Medidas de • Desviación estándar
• Coeficiente de variación
dispersión • Rango intercuartil
Análisis exploratorio de los
datos
Análisis a través de gráficos

• 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.

¿Cual es la dirección de distribución de la variable de interés? N

Horizontal
Vertical
Norte
Sur
Sureste….

¿Cómo es el medio donde se distribuye la variable?

Isotrópico: de igual medida en todas las direcciones a su alrededor.
Anisotropico: existe preferencia a una dirección.
 Variograma

Llamado correlación entre muestras, en contexto de estimación de reservas, nos da

información como el rango de influencia de la muestra y la anisotropía de mineralización.

Estadística clásica Geoestadística

Muestras aleatorias y Asume una correlación entre las

completamente independientes. muestras y puede expresar dicha
correlación utilizando una función,
denominada variograma.
Variograma

Suponiendo que existe una función

Z(x), usando las muestras disponibles,
podemos tomar la diferencia entre
algunas muestras o dos muestras en
los puntos x y x+h.

Diferencia= Z(x)-Z (x+h)

 Elementos del variograma

Meseta parcial (C1).

Representa la variabilidad
estructural (C - C0 ) Meseta (C). Representa el valor máximo
de variabilidad presente en los datos

Efecto pepita (C0). Representa Alcance (a). Distancia a

una discontinuidad puntual partir de la cual dos
del semivariograma en el observaciones son
origen independientes.
 Variograma Experimental
A partir de los datos que se disponen, es posible determinar el semivariograma
experimentalmente por medio de su definición:
Para ilustrar la construcción de un semivariograma supongamos los siguientes valores
de Z y su correspondiente ubicación unidimensional x:

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

45° Azimut 135° Azimut

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

45° Azimut 135° Azimut

Caso 2D
Ejemplo 2. Semivariograma experimental a 0°, 90°, 45 y 135 azimut
provenientes de datos de una mina de fierro
Observamos que y(h) es casi el mismo según las direcciones: podemos concluir que el fenómeno es
isótropo.
En este caso se justifica calcular el variograma promedio, llamado variograma omnidireccional, el cual
se puede obtener, en este caso, mediante un promedio ponderado de los valores del variograma
(ponderación por el número de parejas N'): Su cálculo se justifica en el caso isótropo.

|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)

Modelos Anidados: Para obtener modelos

más complejos, se puede sumar varios
variogramas elementales. En este caso, se
habla de “Variogramas Anidados”. Permite
modelar cambios de pendiente en el
variograma
Ajuste del variograma

✓ No se posee una fórmula analítica.

• Variograma ✓ No verifica las propiedades que
experimental. necesariamente debe cumplir un modelo
teórico de variograma.

Modelos teóricos que poseen una expresión

matemática manejable y que cumplen dichas
restricciones. Ajuste
 Ajuste del variograma
La elección de un modelo teórico debe estar respaldado.

Yacimientos de tipo sedimentario como las capas de carbón se suele esperar un

comportamiento esférico isótropo
Usar un modelo exponencial es típico de variables mineras, tales como las variables de
calidad en yacimientos de carbón, leyes en yacimientos minerales, modelos de
precipitaciones, etc...
Un modelo esférico es típico de variables mineras tales como la potencia
En casos de extrema suavidad sería aconsejable utilizar un modelo gaussiano.
 Ajuste del variograma (esférico)
Procedimiento:

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).

El estimador se pone bajo la forma:

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

El estimador se pone bajo la forma:

𝑛

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

Se impone que la suma de las incógnitas 𝜆𝛼 es

igual a 1, esto se logra introduciendo una
incógnita adicional llamada multiplicador de
Matriz de semivarianzas
Lagrange, denotada como µ.
VARIANZA DE KRIGING (KRIGING ORDINARIO)

+
 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.

• M. Alfaro, 2003, Introducción al muestreo minero, Instituto de ingenieros de Minas de Chile.

• 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.