UNIVERSIDAD NACIONAL DE LOJA

FACULTAD DE LA ENERGÍA, LAS INDUSTRIAS Y DE RLOS ECURSOS

NATURALES NO RENOVABLES
Maestría en Minas
Mención en Mineralurgia y Metalurgia ExtracEva

Edison Ramiro Vásquez

PROFESOR

edison.vasquez@unl.edu.ec
Teléfono: 098 27 29 573
 Contenido
Definiciones
Relación con la Estadística
Historia
Software
Análisis Geoestadístico
Aplicaciones
Propósito
Variables regionalizadas
Función Aleatoria
 Geoestadística: Origen

Georges François Paul Marie Matheron (1939 – 2000)

matemático francés e ingeniero civil de minas, conocido como el
fundador de la geoestadística y cofundador de la morfología
matemática.
En 1968, creó el Centre de Géostatistique et de Morphologie
Mathématique en la Escuela de Minas de París en
Fontainebleau.
1962
Formalizó y generalizó matemáticamente
un conjunto de técnicas desarrolladas por

Danie Gerhardus Krige

Krige (1941) (Bothaville, Sudáfrica, 1919 - 2013)
ingeniero de minas
Pionero de la Geoestadística

Rama de la Geografía matemática

que explotaban la correlación espacial para
hacer predicciones en la evaluación de
reservas de las minas de oro en Sudáfrica
 Geoestadística: Definición

“aplicación del formalismo de las funciones aleatorias al

reconocimiento y estimación de fenómenos naturales”
Matheron (1962)

Es una rama de la estadística aplicada (Geografía matemática),

para el análisis, modelación y predicción de la variabilidad
(correlación) espacial de fenómenos en ciencias de la tierra
(cualquier fenómeno, siempre que exista correlación espacial). Serie de tiempo

Otras definiciones:
… se caracteriza por tomar en cuenta la relación espacial de las variables en estudio.
… se enfoca en analizar, procesar e inferir datos georeferenciados.
… conjunto de técnicas para el análisis y predicción de valores distribuidos en el
espacio y/o en el tiempo (valores correlacionados entre si)
 Estadística y Probabilidad

Estadística:
Rama de la matemática: Recolección, organizar, presentar y procesar datos,
extrapolar conclusiones con información de una muestra: Descriptiva e Inferencial

Probabilidad: Probabilidad a priori (subjetiva)

Kolmogorov (1937)
Medida de la incertidumbre que se le asocia a la ocurrencia de un resultado.

a
P( A ) =
n
Probabilidad: Concepto Frecuencial (objetiva)
Si A es un evento y nA es el número de veces que A ocurre en N
repeticiones independientes del experimento, la probabilidad del
evento A, denotada por P(A), se define como:
𝑛$
lim
!→# 𝑁
 Objeto de estudio de la
Geoestadística

El Análisis y la predicción de la distribución espacial de

fenómenos georeferenciados.
Ejemplos:
• Distribución de un mineral en el subsuelo,
• Concentración de contaminantes en la atmósfera,
• Porosidad de un yacimiento petrolero.
 Relación con la estadística

Las observaciones en ubicaciones cercanas están correlacionadas,

no se consideran independientes, existe cierta dependencia o
correlación espacial.
Mientras más cercanos mayor dependencia.
Es una rama de la estadística espacial que incluye el estudio de
objetos espaciales.
 Historia

1960’s Georges Matheron, Centro de Geoestadística, actualmente centro de

Geociencias, Fontainebleau, Francia.
1970’s Andre Journel, Centre for Reservoir Forecastin, Universidad Stanford,
California, USA.
1070’s Michael David, Ecole Polytechnique, Montreal, Canadá
1970’s 1980’s Margaret Armstrong, Centro de Geoestadística, Fontainebleau.
1970’s Aplicación a la industria petrolera: Francia, Noruega, USA.
2000’s Clayton Deutsch, Center for Computacional Geostatistics, U. Alberta,
Canadá.
 Geoestadística: Campos de aplicación

En varias ramas de las ciencias y en las ingenierías.

• Minería
• Hidrogeología (acuíferos)
• Ingeniería civil
• Ciencias agrícolas y forestales, edafología
• Ciencias del mar (pesca)
• Salud pública (corona virus)
• Finanzas
• Procesamiento de imágenes
• Cartografía
• Industria petrolera
 Geoestadística: Propósito

A partir de los datos de la muestra estimar o predecir

espacialmente (sin sesgo y con error mínimo) el valor de una
variable en otras localidades.
 Software de aplicación

1970’s BLUEPACK, Centro de Geoestadística,

Fontainebleau.
1988 GEO-EAS (Enviromental Protection Agency, USA)
DOS.
1992 GSLIB Clayton Detsch y André Journel. U. de
Stanford Co4digo abierto, lenguaje Fortran.
1990’s ISATIS (nueva version de BLUEPACK) software
comercial de geoestadi3stica de propósito general
(Escuela de Minas de Paris-Geovariances)
1989 GS+ (Gamma Design Software) software
comercial de geoestadística básica en 2D para
Windows.
2004 SGeMS Nicolas Remy (U. de Stanford), código
abierto para Windows.
R Se usa con frecuencia, limite 2D.
 Etapas de un Análisis Geoestadístico

1. Análisis exploratorio de los datos (AED)

• Comportamiento (estadística clásica)
• Supuestos estadísticos
2. Análisis de relación espacial (análisis estructural)
• Función que describa la correlación espacial (Variograma)
3. Predicción (Kriging)
ón
• Estimaciones a ci
u
al
Ev
• Simulaciones

Semivariograma:
Herramienta principal de la geoestadística.
Ej. Entre un punto y otro punto se puede dar tal condición, pero en
lugares no será posible, ahí hay que hacer interpolaciones y
estimaciones espaciales (Kriging).
 Análisis Exploratorio de Datos (AED)

Etapas

v Análisis descriptivo (gráfico y numérico) de la

naturaleza de los datos.
v Análisis de relaciones entre variables.
v Evaluar los supuestos básicos: normalidad,
linealidad, homocedasticidad.
v Identificar posibles valores atípicos (outliers) y
evaluar el impacto potencial que puedan ejercer
en análisis estadístico posteriores.
v Evaluar el impacto potencial de los datos
perdidos (missing), relacionado con el diseño de
muestreo (no se consideraran).

Estadística univariada (por cada variable)

Herramientas
Estadística bivariada (todos los pares de variables)
Regresión lineal y mínimos cuadrados
Datos con distribución Normal
Datos sin distribución Normal
Distribución con Datos atípicos
 La geoestadística es la aplicación de la
Teoría de las Variables Regionalizadas
(VR)

VR: El valor dado en un punto dentro del yacimiento está en función de

su magnitud y de su soporte (VI, forma, orientación).
Ejemplos típicos de VR son la ley, potencia, densidad.

Un fenómeno es regionalizado, cuando se desplaza en el espacio, manifestando

una cierta estructura.
v Un aspecto aleatorio.
v Los puntos cercanos en el espacio (o tiempo) suelen adoptar valores similares.

Ejemplo:
Ley de cobre, del muestreo, de los puntos cercanos tienen valores similares

Una variable, no depende de la parte cuantitativa, se asocia con la ubicación.

 Geoestadística:
Tiene en cuenta la ubicación de los datos en el espacio.
Ejemplo:
1 2 3 4 5 4 3 2 1
2 4 5 1 3 3 1 2 4 (distribución aleatoria)
! = 𝟐, 𝟕𝟖
Para las dos muestras: 𝒙 𝒔𝟐 = 𝟏, 𝟗𝟒
La distribución espacial es distinta (tiene importancia en minerías)
 Representación gráfica de los datos espaciales

Antes de iniciar cualquier tratamiento geoestadístico, es necesario:

1. Detallado análisis estadístico: distribución de los datos (Normal o LogNormal)
2. Luego, análisis de la distribución espacial (importante para la interpretación
de los resultados geoestadísticos):
ü Mapas de posicionamiento de datos.
ü Mapas de contornos
ü Mapas de símbolos

En minería todas las variables se distribuyen como LogNormal

Se usa la Normal para evitarse un problema matemático y porque
la diferencia en muchos de los casos de minería no es importante.

Media: Normal = 54%

LogNormal = 55 %
(diferencia 1% , no tiene importancia en minería)
 Continuidad espacial

La geoestadística asume que las muestras están correlacionadas.

En un yacimiento se debe encontrar una Correlación espacial.
Datos más cercanos tienen más probabilidad de ser similares que datos alejados

Herramientas para medir correlación espacial:

v Diagramas de dispersión

v Función de correlación

v Función de covarianza

v Ecuación del semivariograma (variograma)

 Estadística bivariada

En Ciencias de la Tierra interesa conocer el patrón de

dependencia que relaciona a una variable aleatoria X (porosidad)
con otra variable aleatoria Y (permeabilidad)

Función de distribución de probabilidad bivariada

𝐹&' 𝑋, 𝑌 = 𝑃 𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦

Se estima mediante la proporción de pares de valores de X y Y

que se encuentra por debajo del umbral x, y respectivamente
 Diagrama de dispersión (Scattergram)

El grado de dependencia entre dos variables aleatorias X y Y

puede ser caracterizado por el diagrama de dispersión alrededor
de una línea de regresión

Covararianza

Cov 𝑋, 𝑌 = 𝜎&' = 𝐸 𝑋 − 𝑚( − 𝑌 − 𝑚)
- -
1 1
𝜎&' = 0 𝑥* − 𝑚( 𝑦* − 𝑚) = 0 𝑥* 𝑦* − 𝑚( 𝑚)
𝑁 𝑁
*+, *+,
 Semivariograma

Es el momento de inercia del diagrama de dispersión

con respecto a una línea con pendiente 45º, se define:

- -
1 .
1 .
𝛾&' = 0 𝑑* = 0 𝑥* − 𝑦*
𝑁 2𝑁
*+, *+,

A mayor valor del semivariograma, más dispersos

estarán los valores en el diagrama de dispersión y
menor será la dependencia entre las dos variables
aleatorias
 Coeficiente de correlación lineal de Pearson

Caracteriza el grado de dependencia lineal entre dos variables aleatorias.

Ejemplo, si Y = aX + B, entonces se cumple

𝟏 𝒑𝒂𝒓𝒂 𝒂 > 𝟎
𝒓𝒙𝒚 = -
−𝟏 𝒑𝒂𝒓𝒂 𝒂 < 𝟎
 Diagrama de dispersión (Scattergram)

r = 0,88

r = 0,72
 Estadística multivariada

Técnicas multivariadas:
Ø Análisis de Regresión
Ø Análisis de conglomerados
Ø Análisis de componentes principales
Ø Análisis Factorial
Ø Análisis discriminante, …
 Regresión lineal y Mínimos cuadrados

La regresión trata de establecer relaciones

funcionales entre variables aleatorias. Dados N valores de dos variables aleatorias X y Y
La regresión lineal consiste en establecer una Suposiciones:
relación descrita mediante una recta. 1. X es una variable independiente (VI)
Los modelos de regresión permiten hacer 2. Y depende de X en forma lineal
predicciones o pronósticos a partir del modelo
establecido. Modelo lineal
El método para estimar los parámetros del
modelo de regresión es el de los Mínimos Donde:
Cuadrados.
 Regresión lineal
Condiciones que deben cumplir los residuos

𝑬 𝒆𝒊 = 𝟎 Valor esperado igual a cero

𝐕𝐚𝐫 𝒆𝒊 = 𝝈𝟐𝒆 Varianza constante

𝐂𝐨𝐯 𝒆𝒊 , 𝒆𝒋 = 𝟎 ∀𝒊 ≠ 𝒋 No correlacionados

𝒆~𝑵 𝟎, 𝝈𝟐𝒆 Distribución Normal

 Mínimos Cuadrados Ordinarios (MCO)

Método que consiste en halla los parámetros del modelo de manera

que la suma de los cuadrados de los errores sea mínima.

Sistema de ecuaciones:

Coeficiente de determinación R2 Criterios de la bondad de ajuste

Para los modelos lineales Si
Mide el grado de la bondad de ajuste R2 ≅ 1 el ajuste es bueno
Es igual al coeficiente de correlación lineal al cuadrado.
R2 ≅ 0 las variables no están relacionadas (linealmente
Representa la proporción de varianza explicada por la regresión lineal. al menos), no tiene sentido hacer un ajuste lineal.
 Regresión lineal
Y = Permeabilidad X = Porosidad

R2 = 0,51
R2 = 0,78

Análisis de los residuos

Y = logPermeabilidad X = Porosidad
 Función aleatoria (FA)

Si a cada punto x que pertenece a un dominio Ω en el espacio se hace

corresponder una VA Z, entonces el conjunto de variables aleatorias
espacialmente distribuidas será una función aleatoria Z(x).
Ejemplo:
La distribución espacial de las facies o la porosidad en un yacimiento.
 Variable regionalizada (VR)

Al tomar una muestra de una función aleatoria (una realización), se

obtendrá una función espacial discreta la cual constituye una variable
regionalizada.
Variable regionalizada: Es una realización de una función aleatoria.
 Función de distribución de Función Aleatoria

Sea una función aleatoria Z(x) definida en una región Ω, entonces el vector aleatorio:
𝒁 𝒙𝟏 , 𝒁 𝒙𝟐 , … , 𝒁 𝒙𝒏
Se caracteriza por su función de distribución de probabilidad n-variada:
𝑭𝒁 𝒙𝟏 ,𝒁 𝒙𝟐 ,…,𝒁 𝒙𝒏 𝒁𝟏 , 𝒁𝟐 , … , 𝒁𝒏 , = 𝑷(𝒁 𝒙𝟏 ≤ 𝒁𝟏 , 𝒁 𝒙𝟐 ≤ 𝒁𝟐 , … , 𝒁 𝒙𝒏 ≤ 𝒁𝒏 )

Ley espacial de probabilidad de la función aleatoria Esta función en la práctica es

Conjunto de todas las distribuciones para todo valor de n imposible determinar y solo se puede
y para cualquier selección de puntos en Ω esperar inferir los primeros momentos
de la distribución FA Z(x)
 Momentos de una Función Aleatoria

Momento de Primer Orden Momentos de Segundo Orden

Valor medio o media de Z(x) Varianza de Z(x)
𝒎 𝒙 = 𝑬 𝒁(𝒙) 𝝈𝟐 𝒙 = 𝑽𝒂𝒓 𝒁(𝒙) = 𝑬 𝒁 𝒙 − 𝒎(𝒙) 𝟐

Covarianza de Z(x)
𝑪𝒐𝒗 𝒙𝒊 , 𝒙𝒋 = 𝑬 𝒁 𝒙𝒊 − 𝒎(𝒙𝒊 ) 𝒁 𝒙𝒋 − 𝒎(𝒙𝒋 )

Semivariograma Z(x)
𝟐𝜸 𝒙𝒊 , 𝒙𝒋 = 𝑽𝒂𝒓 𝒁 𝒙𝒊 − 𝒁(𝒙𝒋 )
𝟏 𝟐
𝜸 𝒙𝒊 , 𝒙𝒋 = 𝑬 𝒁 𝒙𝒊 − 𝒁(𝒙𝒋 )
𝟐
También se conoce como
función de semivariograma o variograma
Estacionaridad de una Función Aleatoria

Función aleatoria estrictamente estacionaria

Si su función de distribución de probabilidad es invariante a
cualquier traslación respecto a un vector h.
Resulta práctico limitar la hipótesis de estacionaridad a
los primeros momentos
 Clasificación de las Funciones Aleatoria según su grado de estacionaridad

Funciones Aleatorias de segundo orden Funciones Aleatorias intrínsecas

Funciones Aleatorias NO estacionarias

Funciones Aleatorias NO estacionarias

Ejemplo de variograma en presencia de

tendencia, muestra un crecimiento h2
 Ejemplos de Estacionaridad Media estacionaria

Media y varianza constante Media variable y varianza constante

Media no estacionaria

Media constante y varianza no constante Media y varianza no constante

 UNIVERSIDAD NACIONAL DE LOJA
FACULTAD DE LA ENERGÍA, LAS INDUSTRIAS Y DE RLOS ECURSOS
NATURALES NO RENOVABLES
Maestría en Minas
Mención en Mineralurgia y Metalurgia ExtracEva

Edison Ramiro Vásquez

PROFESOR

edison.vasquez@unl.edu.ec
Teléfono: 098 27 29 573