Elementos de Geoestadstica.

Autores: MSc. Jos Quintn Cuador Gil.

(Departamento de Computacin, Universidad de Pinar del Ro)

Lic. Arelys Quintero Silverio.

(Departamento de Matemtica, Universidad de Pinar del Ro)

Ing. Elmidio Estvez Cruz.

(Departamento de Geologa, Universidad de Pinar del Ro)

Ing. Robert Ramirez Hernndez.

(Departamento de Geologa, Universidad de Pinar del Ro)

Universidad de Pinar del Ro 1997

Indice
Pg. 1.- Introduccin. 2.- Problema de Ciencias de la Tierra que di origen a la Geoestadstica. 3.- Variables aleatorias regionalizadas. 3.1.- Conceptos de Variable Aleatoria Regionalizada. 4.- Hiptesis de la Geoestadstica. 5.- Conceptos bsico de estadstica. 6.- El semivariograma Experimental. 6.1.- Construccin del Semivariograma. 6.2.- Variogramas relativos (efecto proporcional). 6.3.- Variogramas Cruzados. 1 3 4 5 6 8 12 13 13 14

6.4.- Problemas ms comunes encontrados en el clculo de semivariograma. 14 6.5.- Nube de variogramas. 7.- Modelado de Semivariogramas. 7.1.- Parmetros del semivariograma. 7.2.- Modelos Tericos ms importantes. 8.- Ajuste Visual y Automtico. 9.- Anlisis de anisotropa. 10.- Validacin del Modelo Terico. 10.1.- Problemas ms comunes encontrados durante el modelaje de semivariogramas. 11.- Estimacin. 11.1.- Triangulacin. 11.2.- Inverso de la distancia. 12.- Interpolacin Geoestadstica. 12.1.- Kriging Simple (KS). 12.2.- Kriging Ordinario (KO). 13.- Anlisis de Tendencia, Kriging Universal (KU): 14.- Variables correlacionadas, Co-Kriging. 15.- Otras Aplicaciones. 25 26 27 28 28 29 30 32 33 33 22 15 16 16 17 21 22

1.- Introduccin.

La bsqueda, exploracin y evaluacin de yacimientos minerales tiles es una rama muy antigua de la Geologa, destacndose entre otras tareas: el pronstico cientfico de la localizacin de los yacimientos minerales tiles, la elaboracin de mtodos eficaces para la exploracin y la evaluacin gelogo econmica de los yacimientos para su explotacin [Lepin,1986a].

Los trabajos de bsqueda y exploracin se dividen en estadios [Lepin,1986a], divisin por estadios que es el resultado de la aplicacin de un principio importante del estudio del subsuelo, el principio de Aproximaciones Sucesivas, Esta divisin est vigente en Cuba por una Instruccin del Ministerio de la Industria Bsica que presenta una clasificacin actualizada de estos trabajos Geolgicos en la cual se incluyen los levantamientos a diferentes escalas, los trabajos de prospeccin orientativa y detallada, la exploracin orientativa y detallada, y la exploracin de explotacin, se establece una clasificacin de las reservas tcnicas que incluye las reservas abiertas, parcialmente preparadas y listas siendo esta ltima las que se explotan.

Cada uno de lo estadios de Exploracin Orientativa y Exploracin Detallada culmina con la presentacin de un informe con los datos geolgicos y econmicos necesarios sobre el yacimiento, para esto es necesario realizar la determinacin los ms aproximada posible de las reservas minerales del yacimiento, actividad fundamental de las Empresas Gelogo Mineras conocida como Clculo de Reservas.

Con el objetivo de acercar lo ms posible nuestra clasificacin de las reservas minerales a las utilizadas en el mundo, existe la Instruccin para la clasificacin de las reservas minerales de 1 de Febrero de 1996 del Ministerio de la Industria Bsica. En la cual se establece una nomenclatura comn, mostrndose que los cambios realizados son imprescindibles en la situacin actual para la colaboracin y los contratos econmicos con otros pases.

Esta instruccin se refiere a:

1.- Trminos y definiciones como son: Recursos Minerales Slidos y Reservas. 2

Recursos Minerales Slidos: Concentracin de minerales tiles slidos que existen en o sobre la corteza terrestre cuyas caractersticas hacen posible la extraccin econmica actual o perspectiva de algn mineral til de dicha concentracin. Se divide en identificados y no identificados. Reservas: Es la parte de los recurso minerales slidos identificados, de la que puede extraerse econmicamente uno o varios minerales o elementos tiles en el momento de su determinacin, por los que solo incluye los componentes econmicos y marginalmente econmicos.

2.- Clasificacin de los recursos y la reservas de minerales tiles slidos, la cual se presenta en la Tabla 1.

Criterios Econmicos

Grado de Conocimiento Recursos Identificados Demostrados Probados Pobables Posibles Hipotticos Especulativos Recursos no Identificados

Econmicos Marginalmente Econmicos Subeconmicos Tabla 1. Clasificacin de las reservas. RESERVAS

a) Criterios econmicos, segn la cual se dividen en Recursos Econmicos, Recursos Marginalmente Econmicos y Recursos Subeconmicos. b) Grado de conocimiento, segn el cual se dividen en Recursos Identificados y Recursos no Identificados. Los identificados se dividen en: Probados, Probables y Posibles, de estos los dos primeros se conocen como recursos demostrados, y los no identificados se dividen en: Hipotticos y Especulativos.

3.- Requisitos generales para cada uno de los criterios anteriores, reflejndose que debe tenerse en cuenta la Proteccin del Medio Ambiente y el uso racional de los recursos minerales.

Esta Instruccin plantea que con la clasificacin no se eliminan las imprecisiones en la delimitacin y determinacin de las diferentes categoras, lo cual debe precisarse con la realizacin del anlisis dinmico de las reservas utilizando los procedimientos Geoestadsticos.

2.- Problema de Ciencias de la Tierra que di origen a la Geoestadstica.

El desarrollo de la minera ha trado unido el perfeccionamiento de los mtodos de bsqueda de los minerales tiles, y los de la determinacin de su utilidad para la extraccin [Lepin,1986a], existiendo actualmente varias formas de realizar el clculo de reservas, los mtodos clsicos y los modernos, de los clsicos se pueden destacar, el de Bloques Geolgicos y el de Perfiles Paralelos, estos se caracterizan por el uso de valores medios o media ponderadas de los contenidos de la exploracin en bloques definidos convenientemente, los cuales son eficientes cuando la informacin disponible presenta determinada regularidad, pero en la prctica como seala

[Journel,1978],[David,1977] la gran diversidad de formas en que se presentan los datos ha llevado a la utilizacin de tcnicas matemticas y estadsticas para resolver un nico problema, estimar valores desconocidos, a partir de los conocidos, claro est, no existe un mtodo por muy sofisticado que sea, que obtenga resultados exactos. Nuestro objetivo ser discutir los mtodos ms eficientes que proporcionen la mayor informacin de los datos disponibles, es decir, los modernos, de los que se pueden citar entre los Geomatemticos: El Inverso de la Distancia, Mnimo de Curvatura, Splines, etc. An mas, buscando el mejor estimador que minimice la varianza del error de estimacin surge la Geoestadstica por inspiracin de un ingeniero en minas Sudafricano Danie G Krige. [Olea,1988], conceptos iniciales que fueron tomados por la escuela francesa de Geologa con George Matheron, la cual se consolid y desarrollo en los ltimos 30 aos como ciencia aplicada casi exclusivamente en el campo minero, existiendo nicamente como respuesta a necesidades prcticas concretas, reconocindose como una rama de la estadstica tradicional, que parte de la observacin de que la variabilidad de las variables distribuidas en el espacio tienen una estructura particular [Journel,1978], desarrollando herramientas matemticas para el estudio de estas variables dependientes entre si, llamadas segn Matheron variable 4

regionalizada [Journel,1978], [David,1977], [Olea,1988], elaborando una teora como se presenta en [Journel,1978],[David,1977], de modo que la aplicacin de la teora de los procesos estocsticos a las Ciencia Naturales y en particular a los problemas de evaluacin de reservas de distintos tipos de materias primas minerales di origen a la Geoestadstica. [Alfonso,1989b]

El trmino Geoestadstica fue inventado por el profesor George Matheron [Olea,1988] en su trabajos de 1960 interesado en los problemas de estimacin de reservas minerales.

3.- Variables aleatorias regionalizadas.

Continuando con el caso minero la informacin inicial para realizar el clculo de reservas es el resultado del anlisis de los testigos de perforacin, o muestras de afloramiento, que se obtiene en los laboreos de exploracin, que como una variable estadstica aleatoria puede tomar cualquier valor dentro de un rango determinado, todos con una caracterstica fundamental que las distingue, adems de su valor, una posicin en el espacio, hecho este al que Matheron denomin variable aleatoria regionalizada [Olea,1988] al referirse en este al artculo Matheron, G, 1962, Traite de Geostatistique Applique, Memories du Bureau de Researches Geolgiques et Minieres, Vol. 14, Paris. Al respecto en [Journel,1978] y [David,1977] se dedica el Captulo II y V

respectivamente a la Teora de la Variable Regionalizada. Captulos donde se presentan los conceptos fundamentales de la Geoestadstica, en la que particularmente [Journel,1978] plantea que la definicin de variable regionalizada como una variable distribuida en el espacio es puramente descriptiva y no envuelve una interpretacin probabilstica, refirindose a que desde el punto de vista matemtico una variable regionalizada es simplemente una funcin f(x) que toma valores en todos los puntos x de coordenadas (xi, yi, zi) en el espacio tridimensional, sin embargo, es muy frecuente que esta funciones varen tan irregularmente en el espacio que impiden un estudio matemtico directo, y se hace necesario realizar un anlisis de variabilidad de la informacin disponible, sugiriendo un estudio profundo de la funcin variograma como veremos ms adelante.

Es importante aclarar que una Variable Aleatoria (VA) es una variable que puede tomar ciertos valores de acuerdo a cierta distribucin de probabilidades. Un valor medido es una realizacin de la VA Z(x1) definida en el punto x1. Al conjunto de todas las mediciones en el rea de estudio de la variable regionalizada Z(x) puede considerarse como una realizacin del conjunto VA (Z(x), x rea de estudio), a este conjunto de VA es llamada Funcin Aleatoria. y se escribe Z(x). [Pg. 29, Journel,1978]

3.1.- Conceptos de Variable Aleatoria Regionalizada.

Segn [Alfonso,1989b] es importante aclarar varios conceptos en el estudio de la variable aleatorias regionalizadas, conceptos que se presentan en [Journel,1978], [David,1977] y que son utilizados en la mayora de los artculos consultados donde se aplican los mtodos Geoestadsticos como herramienta fundamental de trabajo. Estos conceptos son: Regin: se refiere al espacio en el cual existe y se estudia el fenmeno natural. Localizacin: Es el punto de una regin en la cual se define una variable aleatoria regionalizada. Soporte Geomtrico: Est determinado por el elemento fsico sobre el cual se realiza la determinacin de la variable aleatoria regionalizada, Esto no es ms que la muestra unitaria, sobre la cual estudiaremos el atributo de inters. Momentos de primer orden: - Si la funcin de distribucin de Z(xi) tiene una media definida, ser una funcin de la localizacin xi. m(xi) = E{Z(xi)}

Momento de segundo orden: - Si la varianza (Var) de Z(xi) existe, entonces se define como el momento de segundo orden y ser tambin una funcin de la localizacin xi. Var {Z(xi)} = E{[Z(xi) - m(xi)]2} - Si la varianza de las variables Z(xi) y Z(xj) existe entonces la covarianza (Cov) de las estas tambin existe y es funcin de las localizaciones xi y xj. Cov[Z(xi), Z(xj)] = E{[Z(xi) - m(xi)][Z(xj) - m(xj)]} 6

si xi = xj ;

Cov[Z(xi), Z(xj)] = Var {Z(xi)}

- La funcin variograma o funcin estructural se define como la varianza de la diferencia Z(xi) - Z(xj). Var{Z(xi) - Z(xj)} = 2(xi, xj} la magnitud (xi, xj} = Var{Z(xi) - Z(xj)} se denomina semivariograma. - Tambin se puede definir el correlograma estandarizando la covarianza para los valores xi - xj = h = 0 como: C(h) (h) = ____ C(0) -1 1

donde: C(h) es la covarianza a la distancia h, C(0) es la covarianza en el origen.

- Existen relaciones entre estas medidas de correlacin: (h} = C(0) - C(h) (h) (h) = 1 - ____ C(0) con (0) = 0

4.- Hiptesis de la Geoestadstica.

Como la forma en que se presenta la informacin inicial es muy diversa, segn [Alfonso,1989b] aspecto que trata [Journel,1978], para aplicar la Geoestadstica es necesario aceptar el cumplimiento de ciertas hiptesis sobre el carcter de la funcin aleatoria o procesos estocsticos estudiados.

Las hiptesis de la Geoestadstica son:

I- Estacionaridad Estricta.

Se dice que Z(x) es estrictamente estacionaria si la funcin de distribucin de probabilidades de las variables aleatorias regionalizadas Z(xi) son iguales entre s, independiente de la localizacin xi. Esto requiere que los momentos de distinto orden para cada variable aleatoria regionalizada sean completamente independientes de la 7

localizacin xi. Esta condicin como su nombre lo indica. Es demasiado restricta al estudiar la mayora de los fenmenos encontrados en la prctica.

II- Estacionaridad de Segundo Orden.

Esta condicin es ms frecuente en la prctica, la misma requiere que: 1) E{Z(xi)} = m, existe y no depende de la localizacin xi. 2) La funcin de covarianza Cov{Z(xi) - Z(xj)} exista y solo dependa de la longitud del vector h = xi - xj. o sea. C(h) = Cov{Z(xi), Z(xj)} = E{Z(xi), Z(xi+h)} - m2

Esta hiptesis requiere la estacionaridad solo para la media y para la funcin de covarianza de la variable aleatoria regionalizada. La segunda condicin estacionaridad de la varianza y del variograma. 1o 2o Var[Z(xi)] = E{[Z(xi) - m]2} = C(0) (h) = E{[Z(xi)]2} - E{Z(xi), Z(xi+h)} x x implica,

como E[Z(xi), Z(xi+h)] = C(h) + m2 y E[Z2(xi)] = C(0) + m2 (h) = C(0) + m2 - (C(h) + m2) (h) = C(0) - C(h). Como se observa en la ltima expresin (h) y C(h), son dos herramientas que permiten expresar la correlacin entre la variable aleatoria regionalizada Z(xi) y Z(xi+h), separadas por el vector h.

III- Hiptesis Intrnseca.

Un funcin aleatoria Z(x) se dice intrnseca cuando: a) Su esperanza matemtica existe y no depende de la localizacin Xi. E{Z(x)} = m x b) Para todo vector h el incremento [Z(x+h) - Z(x)] tiene varianza finita y no depende de la localizacin xi: 8

Var{Z(x+h) - Z(x)} = E{[Z(x+h) - Z(x)]2} = 2(h)

Cuando se cumple esta condicin se dice que la funcin homognea.

aleatoria Z(x) es

Esta condicin se encuentra con bastante frecuencia en la naturaleza, pues existen muchos procesos que no tiene varianza finita y sin embargo, poseen una funcin variograma finita.

La estacionaridad de segundo orden, siempre implica la condicin intrnseca (homogeneidad), sin embargo la relacin inversa no siempre se cumple.

IV- Procesos Cuasiestacionarios.

En la prctica la funcin estructural, covarianza o semivariograma, es solo usada por lmites |h| b. El lmite b representa la extensin de la regin en la que el fenmeno estudiado conserva cierta homogeneidad del comportamiento de Z(xi).

5.- Conceptos bsico de estadstica.

Con el objetivo de conocer la informacin disponible se presenta en [Krajewsky,1993] y [David,1977] los conceptos estadsticos necesarios. As en [Krajewsky,1993] se relacionan los siguientes conceptos divididos en tres secciones:

A: Clculos Estadsticos. Utilizados para determinar si la distribucin de los datos es normal, lognormal, o si no se ajustan a una distribucin terica de probabilidad, lo cual implica tener conocimiento de:

1.- Numero de Casos: Es el nmero de valores muestreados del fenmeno en estudio, representados por n y los datos por xi, i = 1, . . . , n, que llamamos distribucin. 2.- Rango de la Distribucin: Es la diferencia entre el valor mximo y el mnimo.

3.- Media: Es la media aritmtica de la distribucin, dado por la frmula:

Xm=

1 n Xi n i =1

4.- Moda: Es el valor ms frecuente de la distribucin.

5.- Mediana: Es el valor para el cual la mitad de los datos son menores y la otra

mitad estn por encima de este valor. Si ordenamos los datos su orden ascendente podemos calcular la mediana como. X(n+1)/2 M = (Xn/2 + Xn/2+1)/2 si n es par. si n es impar.

La mediana es tambin llamada percentil 50, adems los datos no solo se dividen en dos grupos, sino que se pueden dividir en cuatro partes, cuartiles, donde Q1 = percentil 25, y Q3 = percentil 75, si los datos se dividen en 10, tenemos los deciles. De forma general estas medidas se pueden calcular por: [p(n+1)/100] sima observacin de los datos ordenados ascendentemente, donde p es el percentil que se desea calcular, y n la cantidad de datos ordenados.

6.- Varianza: Describe la variabilidad de la distribucin. Es la medida de la

desviacin o dispersin de la distribucin y se calcula por:

1 n n 1 i =1

( Xi X m)

La razn principal por la que se aboga por la divisin entre n-1 en la estimacin de la varianza es porque proporciona un mejor estimado; si dividimos por n-1 nos referimos a la varianza muestral (S2) como un estimador insesgado de la varianza poblacional (2), esto significa que si un experimento fuera repetido muchas veces se podra esperar que el promedio de los valores as obtenidos para S2 igualara a 2; por otra parte si dividimos entre n los valores obtenidos para S2 seran como promedio demasiado pequeo [Freund,1980].

7.- Desviacin Estndar: Describe la tendencia o dispersin de la distribucin. 10

Es la medida de desviacin alrededor de la media. Se calcula por: =

8.- Asimetra: Describe la simetra de la distribucin relativa a la distribucin

normal. Se calcula por:

3 =

1 n ( Xi X m )3 S 3 n i =1

En la distribucin normal la asimetra tiene valor cero, un valor negativo indica una cola a la izquierda y un valor positivo indica una cola a la derecha.

9.- Curtosis: Describe la esbeltez de la distribucin, y se puede calcular por:

1 n 4 4 = (Xi Xm) S 4 n i =1

La distribucin normal tiene curtosis igual a cero. y es llamada mesocrtica. A las distribuciones ms agudas, con colas relativamente anchas, se les llama leptocrticas, tienen valores de curtosis mayores que cero, y la distribuciones ms bien achatadas en el centro se llaman platicrticas, tienen valores menores que cero.

10.- Error Estndar: Describe el grado de conocimiento de los datos y se puede

calcular por: =

2 /n

La distribucin normal tiene una valor de error estndar menor que 1.25 y la distribucin lognormal o una distribucin con tendencia positiva, tiene valores de error estndar mayores que 1.25.

11.- Coeficiente de Variacin: Es una medida de la variacin relativa de los

datos y puede ser calculado por: CV = S/Xm y en porcentaje como: 100 CV = 100 (S/Xm) %
11

Proporciona una comparacin entre la variacin de grandes valores y la variacin de pequeos valores.

Las tcnicas de Geoestadstica Lineal producen buenos resultados cuando el coeficiente de variacin es menor que uno, CV < 1. Para CV > 1 se recomiendan tcnicas Geoestadsticas no lineal.

12.- Prueba Chi-Cuadrado: Se utiliza para determinar si la distribucin es

normal, lognormal o alguna otra distribucin probabilstica.

13.- Prueba t-Student: Se utiliza para determinar si en una distribucin bimodal

la medias de las poblaciones son estadsticamente diferentes.

B: Construccin de Grficos Estadsticos: Estos permiten ilustrar y entender las

distribuciones de los datos, e identificar datos errados, donde se incluyen: 1.- Mapa base, seccin cruzada y vista en perspectiva: Estos tres grficos son usados para visualizar la relacin espacial en 2 y 3 dimensiones, y encontrar errores. 2.- Histogramas: Son usados para ver las caractersticas descriptivas de la distribucin. Es un grfico de barras donde en las abscisas aparecen los lmites de las clases y en las ordenadas las frecuencias correspondientes a cada clase.

C: Frecuencia Acumulativa: Usado para identificar el tipo de distribucin y

ayuda a determinar si estn presentes poblaciones mixtas.

En el punto A12 se utiliza la prueba Chi-Cuadrado para la determinacin de si la distribucin es normal, lognormal u otra por ser este el estndar, en su lugar puede ser usado la prueba Kolmogorov Smirnov, la cual es ms robusta [Alfonso,1989a].

En el caso de grficos estadsticos es til usar los grficos de frecuencia absoluta, relativa, acumulativa y el diagrama de dispersin, como se presenta en el software GEOEAS 2.1.

Todos estos elementos permiten decidir las condiciones de estacionaridad vistas 12

anteriormente.

6.- El semivariograma Experimental

El concepto de variograma es uno de los ms importantes en la teora y la prctica geoestadstica. En [Alfonso,1989b], [Krajewsky,1993], [Journel,1978], [David,1977], se define el variograma como la varianza de las diferencias de los valores de la variable regionalizada en las localizaciones separadas una distancia h, o sea: Var(xi, xi+h) = Var{Z(xi) - Z(xi+h)} = 2 (xi,xi+h) donde la magnitud:

(h ) =

1 N (h) 2 Z (x i ) Z (x i + h)] [ 2 N (h ) i =1

(1)

Se llama semivariograma, donde N(h) es la cantidad de pares separados a la distancia h de la totalidad de pares posibles en los n puntos de que se dispone en la informacin inicial.

El semivariograma es una herramienta geoestadstica importante en la determinacin de las caractersticas espaciales de una variable, jugando el rol central en la geoestadstica, se le llama el prerrequisito para la estimacin Geoestadstica.

Aqu aunque no existe un criterio fijo, ni una justificacin terica para determinar el nmero de pares necesarios para calcular cada valor del semivariograma, en [Journel,1978] se sugieren 30 pares como mnimo para obtener una masa estadstica suficientemente grande.

6.1.- Construccin del Semivariograma.

El clculo del semivariograma experimental no consiste en un simple clculo de la ecuacin (1), segn se plantea en [Krajewsky,1993], [Journel,1978], [David,1977] y [Pannatier,1993], su clculo esta relacionado con: la direccin ( y ) en que se estudiar la variabilidad del atributo de inters y las distancias (h) en las cuales se quiere obtener los valores del semivariograma. El ngulo que fija la direccin debe variar entre 13

0o y 179o, lo que requiere para no ser estrictos en el clculo, de definir tolerancias angular (d y d) y lineal (dh).

Para cada distancias (h), calcular la expresin (1), con la cantidad de pares que se encuentran separados a una distancia h-dh h h+dh, y que esten incluidos en los ngulos (-d p +d) para dos dimensiones y adems (-d p +d) para tres dimensiones, donde p.y p son los ngulos definido por la direccin de la recta que une los dos puntos del par en cuestin.

Ocho

pasos

para

la

construccin

del

semivariograma

en dos y tres

dimensiones se presentan [Cuador,1997].

6.2.- Variogramas relativos (efecto proporcional).

Cuando en el clculo del semivariograma se detecta que existe una relacin lineal entre el valor medio de las muestras usadas en el clculo de cada (h) y la desviacin estndar correspondiente, aspecto que se puede obtener ploteando los valores de Xm contra , es decir el coeficiente de variacin /Xm es aproximadamente constante. Esta situacin se conoce como efecto proporcional (heterosedasticidad) y ocurre cuando los datos presentan una distribucin lognormal. [Journel,1978]

La solucin a este problema propuesta por Michel David en 1977 consiste en dividir cada valor del semivariograma local por el cuadrado de la media local. Y obtener lo que se conoce como variograma relativo [David,1977]. (h) F(h) = ------Xm2(h) Este variograma se puede modelar y usar en el proceso de estimacin que veremos posteriormente.

Se puede obtener el semivariograma relativo por:

14

1 N ( h ) [ Z (x i ) Z (x i + h )] F (h ) = 2 N (h ) i =1 ( Z (x ) Z (x + h )) 2 i i
2

usando los paso anteriores.

6.3.- Variogramas Cruzados.

Cuando es posible usar en el proceso de estimacin dos variables, por ejemplo, el contenido de dos minerales diferentes, obtenidos en el anlisis de los testigos de perforacin, que estn correlacionadas, conviene usar los variogramas cruzados como se presentan en [Journel,1978] y [David,1977], El variograma cruzado se obtiene por la ecuacin:
1 N (h) (h ) = [ Z A (xi ) Z A (xi + h)][ Z B (xi ) Z B (xi + h)] 2 N (h ) i =1

donde ZA y ZB son variables correlacionadas.

6.4.- Problemas ms comunes encontrados en el clculo de semivariograma.

Muchos libros de Geoestadstica dan la impresin descabellada de que es fcil calcular el semivariograma experimental, y ajustar este a un modelo terico, ajuste que veremos posteriormente, pero quin ha tratado de hacerlo sabe que no es as. [Armstrong,1984a] El primer semivariograma siempre es errtico y se necesita mucho esfuerzo para lograr un semivariograma que represente realmente la variabilidad del fenmeno es estudio, se presentan en [Armstrong,1984a] tres de los problemas que ms se presentan en este proceso, que son: 1.- Pobre eleccin de la distancias. 2.- Poblacin mixta presente en los datos. 3.- Valores fuera de lmites o distribuciones asimtricas. En [Krajewsky,1993] se presentan otras razones por los que los semivariogramas son errticos: 1.- No hay suficientes muestras. 15

2.- Las muestras no son representativas del fenmeno. 3.- Las clasificaciones de las muestras no son vlidas. 4.- El rea estudiada es no homognea. 5.- Pequeos o largos conjuntos son necesarios. 6.- Pequeas o largas distancia deben ser calculadas. 7.- Mas o menos distancias deben ser calculadas. 8.- Pequeas tolerancias es necesarias. 9.- Las muestras pueden tener localizaciones incorrectas. 10.- Las valores muestreados pueden ser malos.

De acuerdo a la experiencia, el problema fundamental en la obtencin de un semivariograma correcto es, la eleccin adecuada de los intervalos de distancias en los cuales ser calculado el semivariograma, de modo que en estos la cantidad de pares encontrados sea suficiente desde el punto de vista estadstico [Armstrong,1984a], [Krajewsky,1993].

6.5.- Nube de variogramas.

Una solucin a las dificultades planteadas anteriormente puede ser la visualizacin de la nube de variogramas, que consiste en un grfico de valores del semivariograma de los pares en funcin de la distancia de separacin entre los dos puntos del par, esto puede ser til para determinar el espaciamiento ptimo a utilizar en el clculo del semivariogra experimental, [Pannatier,1993].

7.- Modelado de Semivariogramas.

Una vez construido el semivariograma experimental o emprico es necesario ajustar a este un modelo terico, con el objetivo de determinar los parmetros descriptivos del semivariograma que posteriormente sern usados en la estimacin. [Krajewsky,1993], [Journel,1978], [David,1977], [Pannatier,1993].

7.1.- Parmetros del semivariograma.

16

Los parmetros del semivariograma caracterizan tres elementos importantes en la variabilidad de un atributo que son: la discontinuidad en el origen (Efecto Pepita), el valor mximo de variabilidad (Meseta), y el rea de influencia de la correlacin (Alcance), (Figura 1). como se presentan en [Krajewsky,1993], [Journel,1978], [David,1977], y se describen a continuacin.

El Efecto Pepita: (Nugget)

El semivariograma por definicin es nulo en el origen, pero en la prctica las funciones obtenidas pueden presentar discontinuidad en el origen, a esta discontinuidad se le llama efecto pepita, en ingles (Nugget effect) y puede ser obtenido trazando una lnea recta entre los primeros puntos del semivariograma emprico y extender este hasta que se intercepte con el eje Y. Si esta intercepcin ocurre por debajo de cero, el valor asumido por este efecto es cero, pues valores negativos de (0) no tiene significado y no es comn. El Efecto Pepita se representa como Co.

La Meseta: (Sill)

Es el valor de (h) para el cual con el aumento de h su valor permanece constante, se representa como (CT = C + Co) y se denomina meseta. Puede obtenerse trazando una lnea paralela a la abscisa y que se ajuste a los puntos de mayor valor del semivariograma, y su valor se puede leer en la intecepcin de esta lnea con la ordenada.

El Alcance: (Range)

La distancia h para la cual las variables Z(x) y Z(x+h) son independientes, se denomina Alcance y se representa por (a), es decir las distancias para la cual la variable no est ms correlacionada, o lo que es lo mismo, la distancia semivariograma alcanza su meseta. para la cual el

El alcance siempre tiene valor positivo, y puede ser obtenido a partir de la intercepcin de las lneas descritas en los puntos anteriores, ese punto ledo en la 17

abscisa es una fraccin del propio alcance, fraccin que se detallara posteriormente en la explicacin de los modelos tericos (h)

Co h a Figura 1: Parmetros del semivariograma.

La traduccin de los tres parmetros del semivariograma fue tomada de [Alfonso,1989b], nico libro consultado escrito en idioma Espaol, adems de la experiencia adquirida en participacin en las discusiones en los Talleres Nacionales de Matemticas en las Geociencias.

7.2.- Modelos Tericos ms importantes.

Dos caractersticas importantes en el modelado de variogramas son: [Journel,1978] 1.- Su comportamiento en el origen, el cual puede ser linear, parablico y con efecto pepita. 2.- La presencia o ausencia de meseta. pueden ser clasificados segn [Krajewsky,1993],

Los modelos tericos [Journel,1978], [David,1977] en:

Modelos con meseta.

Con comportamiento linear en el origen a) Esfrico. b) Exponencial. 18

Con comportamiento parablico en el origen c) Gaussiano.

Modelos sin meseta.

d) Modelo con exponente. e) Logartmico.

Modelo Esfrico.

C ( 3h/2a - (h/a)3 (h) = Co + C Este modelo alcanza su meseta para un calor precisamente, un alcance prctico puede ser: a = 2/3 a a =3/2 a

ha

h>a finito h = a, en el alcance

donde a representa la fraccin que planteamos en la explicacin anterior del alcance (Figura 2). (h)

(2/3)a

Figura 2: Modelo Esfrico

Modelo Exponencial.

(h) = Co + C ( 1 - exp(-h/a) )

Este modelo alcanza su meseta asintticamente (Figura 3), un alcance prctico puede ser: a = 1/3 a (h) 19 a = 3 a

a
Figura 3: Modelo Exponencial. Modelo Gaussiano.

(h) = Co + C ( 1 - exp([-h/a]2) )

Este modelo tambin alcanza su meseta asintticamente (Figura 4), el alcance prctico puede ser obtenido como a = (h)
3 a

a = (1/ 3 ) a.

a
Figura 4: Modelo Gaussiano.

3a

Modelos con exponentes.

(h) = h

con ]0, 2[

Este modelo es frecuentemente usado en la prctica cuando = 1, que es el linear. (h)=h, donde representa el buzamiento o inclinacin en el origen.

Modelo Logartmico.

(H) = Log h

20

Note que en este modelo log h - cuando h 0, por tanto este modelo no puede ser usado para describir la variabilidad de regionalizaciones en soportes puntuales.

Modelo Lineal.

(h) = Co + C (h/a)

Note en este modelo, que a medida que aumenta h, el valor de el Alcance (a) permanece constante, de modo que (h/a) es el valor de la pendiente de la recta del modelo que varia de 0 hasta el consiente de la distancia mxima de h y a.

Estos modelos pueden ser ajustados individualmente, aunque es posible encontrar en la prctica aplicaciones donde los semivariogramas experimentales se pueden ajustar con ms de uno de estos modelos tericos es decir a travs de combinaciones aditivas, nombrndose estructuras imbricadas. [Krajewsky,1993], [Journel,1978], [David,1977]

La seleccin del modelo y los parmetros apropiados a las caractersticas del semivariograma emprico, para ser usados en la interpolacin Geoestadstica que veremos posteriormente, es el punto ms importante en este proceso planteando, adems que esta seleccin es especialmente crucial si el yacimiento en el caso particular de la minera se incluye en una de las siguientes categoras:

1.- Yacimientos con irregularidad en la densidad de barrenos. 2.- Yacimientos sin una adecuada perforacin. 3.- Yacimientos con alta asimetra en la distribucin. 4.- Yacimientos que carecen de un modelado geolgico propio. Es importante destacar el efecto negativo que tiene en la estimacin un posible error en la seleccin del modelo de semivariograma y sus parmetros.

8.- Ajuste Visual y Automtico.

La seleccin del modelo del semivariograma se puede realizar de forma visual o automtica. 21

De forma visual como se presenta en

[Krajewsky,1993], [Journel,1978],

[David,1977], que consiste en seleccionar uno de los modelos tericos de semivariograma conocido que mejor se ajuste a las caractersticas o aspecto del

semivariograma experimental, tomando de este entonces los valores de los parmetros del semivariograma. La forma automtica ha sido presentada por varios autores, en [Cressie,1985] se sugiere una forma particular de aplicar el mtodo de los mnimos cuadrados y de esta forma obtener el modelo y sus parmetros. El ajuste realizado de forma automtica no tiene porque reportar mejores resultados en el proceso de estimacin, recomendndose en [Journel,1978], [David,1977] y otros validar el modelo seleccionado de acuerdo al estimador a utilizar. Un criterio decisivo independiente de la forma utilizada en la eleccin del modelo terico y sus parmetros, se discutir en la validacin del modelo ms adelante.

9.- Anlisis de anisotropa.

Conviene aqu realizar un anlisis sobre el comportamiento de la variabilidad del atributo en estudio. Como se conoce el semivariograma describe las caractersticas de la variable regionalizada en una direccin, pero estas caractersticas pueden variar en otras direcciones como se discute en [Krajewsky,1993], [Journel,1978], [David,1977],

exigiendo la aplicacin de esta forma un anlisis de anisotropa.

Cuando el semivariograma calculado en diferentes direcciones (Norte-Sur, EsteOeste, y en direcciones intermedias de 45, con tolerancia de 22.5o, etc.), muestra similar comportamiento, se dice que es isotrpico . Cuando muestra diferentes comportamientos es anisotrpico [Krajewsky,1993].

Los

tipos

de

anisotropas

ms

comunes

son

Geomtrica

Zonal.

[Krajewsky,1993], [Journel,1978]

Anisotropa Geomtrica: Est presente cuando los semivariogramas en

diferentes direcciones tiene la misma meseta pero distinto rango. 22

Anisotropa Zonal: Est presente cuando los semivariogramas en diferentes

direcciones tiene diferentes mesetas y alcances.

En estos casos conviene realizar transformaciones de coordenadas con el objetivo de obtener modelos isotrpicos. [Journel,1978]

10.- Validacin del Modelo Terico.

El ajuste de los modelos tericos al semivariograma experimental, como hemos visto se hace de forma visual, variando los valores Co (Efecto Pepita), C + Co (Meseta) y a (Alcance), hasta coincidir con los parmetros que mejor se ajustan, o de forma automtica.

Puesto que uno de los posibles usos del semivariograma ajustado es la estimacin espacial de una variable regionalizada Z(x), parece razonable plantear un estimador del semivariograma que se base en la idea de minimizar los errores de estimacin de Z(x), esto es, existen dos trminos, Jackknife y Validacin Cruzada que tiene como objetivo validar el ajuste realizado. [Journel,1978], [David,1977].

Algunos autores distinguen entre estos dos trminos planteando que, mientras que la tcnica jackknifing es un mtodo para estimar las caractersticas estadsticas de una variable, basado en la divisin de los datos en grupos, la validacin cruzada es un mtodo para la evaluacin de errores de estimacin. En este trabajo, dada las caractersticas del uso que se le dan a estos trminos, conviene no distinguir entre estos. como lo hacen otros autores.

El mtodo de validacin cruzada ha sido ampliamente utilizado para evaluar el grado de bondad de un modelo de semivariograma y reconocido como un mtodo ptimo de estimacin de sus parmetros. La operacin de validar un semivariograma terico ajustado a uno experimental siempre toma mucho tiempo [Krajewsky,1993], este se considera como el ltimo de los pasos importantes del anlisis de variabilidad, ya que, una vez obtenido este resultado, la estimacin es slo cuestin de clculos.

23

Sea Z(x) una Funcin Aleatoria estacionaria con semivariograma (h), su funcin de covarianza C(h) viene dada por C(h) = 2 - (h) donde 2 es la varianza de Z(x). Sea Zx1, Zx2, . . . , Zxn los valores de Z(x) en n puntos medidos. La validacin cruzada consiste en suprimir el i-simo valor medido Z(xi) y estimarlo a partir del resto de los datos. El valor estimado Z*(xi) se calcula por Krigeage explicado ms adelante. Si se repite este proceso para los n puntos, de modo que se pueden calcular n errores de validacin: E(xi) = Z*(xi)- Z(xi) i = 1, 2, . . . , n.

As se van probando diferentes valores de los parmetros del semivariograma hasta que los errores de validacin cumplen los siguientes criterios estadsticos: [Journel,1978], [David,1977].

a) La media de los errores sea prxima a cero. En realidad este criterio es de escaso inters en la estimacin del semivariograma, ya que los valores krigeados son insesgados independientemente del modelo de semivariograma utilizado. Por tanto los E(xi) tendrn siempre media nula cualquiera que sea el semivariograma que se utilice. b) Mnimo error cuadrtico medio. Este criterio tiene el inconveniente de que no tiene en cuenta la geometra y la localizacin espacial de los datos ya que asigna el mismo peso a todos los errores. Los errores de krigeado, sin embargo suelen ser mayores en los puntos muy distanciados del resto de los datos. De esta forma los mayores errores normalmente situados en el contorno de la zona de estudio, tiene un efecto dominante en el error total. c) Error cuadrtico medio adimensional prximo a 1:
1 N

[ E (x ) ]
i i i =1

donde: N es el nmero de puntos en los que se realiza la validacin. Puesto que i2 es la varianza de E(xi), su valor esperado es igual a uno. Esta condicin puede interpretarse tambin como una condicin de consistencia entre los errores calculados E(xi) y las dimensiones estndar proporcionadas por el krigeado (i2). d) Mnimo valor medio de las varianzas del Krigeado (i2). e) Valor medio de las varianzas del krigeado igual a la varianza de los errores de 24

validacin. f) Ausencia de correlacin (Corr) entre los errores y los valores de [Z*(xi) - Z(xi)] donde Z(xi) es el valor medio de Z(x) en el entorno del punto i y Z*(xi) es valor estimado. g) Coeficiente de correlacin entre los valores krigeados y los medidos prximo a uno. h) Los errores normalizados [Z*(xi) - Z(xi)]/ i deben situarse a los largo de una recta en papel probabilstico normal. En otras palabras E(xi)/i deben seguir una distribucin de Gauss con media nula y varianza igual a la unidad. Este criterio se cumple cuando las variables Z(x) siguen una distribucin normal, en general sin

embargo los errores normalizados no tienen porque satisfacer este criterio.

La medidas fundamentales a tener en cuenta para aceptar un ajuste son: [Myers,1992] 1.- El error medio, dado por aproximadamente igual a cero. 2.- El error medio cuadrado, dado por T2 = (1/n) i=1,n [Z(xi) - Z*(xi)]2, debe ser pequeo. 3.- La medida, T3 = (1/n) i=1,n {[Z(xi) - Z*(xi)]/}2, debe ser igual a uno. 4.- La medida, T4 = Corr{[Z(xi) - Z*(xi)]/, Z*(xi)}, debe ser cero. 5.- La medida, T5 = Corr{Z(xi), Z*(xi)}, debe ser uno. T1 = (1/n) i=1,n [Z(xi) - Z*(xi)], debe ser

Otros autores solo plantean que la medidas fundamentales son la indicada por T1 y T3.

10.1.- Problemas ms comunes encontrados durante el modelaje de semivariogramas.

Segn [Krajewsky,1993] al modelar semivariogramas se pueden presentar los siguientes problemas, que complican este proceso.

1.- Anisotropa geomtrica esta presente:

Indica que los variogramas 25

direccionales tienen la misma meseta pero diferentes alcances, esta puede ser corregida a travs de una transformacin linear de coordenadas que permita reducir la elipse a un circulo.

2.- Anisotropa

zonal esta presente: indica que tanto la meseta como los

alcances son diferentes para los semivariogramas direccionales, puede ser corregido separando el semivariograma en sus componentes isotrpicos, horizontal y anisotrpico vertical.

3.- La tendencia de los datos esta presente: indica que los valores medidos

aumentan o disminuyen dramticamente en la zona estudiada con el aumento de la distancia. Esto puede ser resuelto aplicando pilonomios a la ecuacin del variograma.

4.- El efecto proporcional esta presente: Indica que la desviacin estndar local

es proporcional al cuadrado de la media local y que los datos presentan una distribucin lognormal, puede ser resuelto dividiendo cada valor del semivariograma local por el cuadrado de la media local, es decir usando semivariogramas relativos.

5.- Estructuras anidadas esta presente: indica que diferentes procesos operan a

diferentes escalas, como por ejemplo alguno o todos los siguientes: A muy pequeas distancias la variabilidad puede estar presente debido a cambios de una composicin mineral a otra. A pequeas distancias la variabilidad puede estar presente debido a errores, A grandes distancia la variabilidad puede estar presente debido a casos transitorios de desgaste mineral. El cual puede ser resuelto aplicando varios modelos simultneamente.

6.- Efecto hueco esta presente: indica que muy pocos pares estn disponible para

la comparacin a una distancia especfica. Y puede ser resuelto recuperando ms casos para la distancia definida.

7.-

Periodicidad

esta

presente:

indica

que

el

comportamiento

del

semivariograma repite por si mismo periodicidades, por ejemplo: El valor de la meseta puede aumentar o disminuir sistemticamente, o un caso en que los valores son tomados 26

alternativamente a travs de diferentes estratos, como piedras areniscas, esquistos, etc. Esto puede ser resulto si es un problema real y no un antifaz del anlisis, la periodicidad puede ser tambin un fenmeno real mostrado por zonal ricas y pobres repetidas a espacios similares.

11.- Estimacin.
Todo lo expresado hasta aqu tiene un nico objetivo, conocer la informacin disponible para realizar estimaciones, planteamiento que se deduce de [Journel,1978], [David,1977] y de la totalidad de la bibliografa consultada.

Existen varias tcnicas de estimacin muy utilizadas en la actividades de estimacin de reservas segn [Barnes,1989], donde se presenta una investigacin acerca de la efectividad y limitaciones de las tcnicas ms populares las cuales son: Kriging Ordinario, Aproximacin por Polgonos, Interpolacin Triangular, Splines Cbicos y el Mtodo del Inverso de la Distancia. Se concluye que la ejecucin de las tcnicas de estimacin pueden ser peor que la calidad esperada por los mineros, que serios

problemas de estimacin pueden ser evitados observando los resultados obtenidos en su trabajo, los cuales permiten hacer una mejor eleccin de la aproximacin de reservas minerales.

Teniendo en cuenta la gran cantidad de aplicaciones y autores que usan tcnicas de estimacin y en particular la estimacin Geoestadstica podemos asegurar que los resultados en la aplicacin de estas no son tan descabellados, solo se hace necesario buscar el estimador ptimo.

Los mtodos de interpolacin se pueden clasificar en clsicos y modernos, a su vez los modernos se pueden dividir en Modelacin Matemtica y Geoestadsticos. Los mtodos clsicos como su nombre lo indica son los ms sencillos e informacin sobre estos se puede encontrar en [Lepin,1986b], prestamos aqu mayor atencin a los mtodos modernos de estimacin entre los que se destacan los siguientes:

11.1.- Triangulacin.
27

Este mtodo consiste en ajustar un plano que pase por las tres muestras mas cercanas y adyacentes a la localizacin que se desea estimar. [Barnes, 1989] La ecuacin del plano es: Z=ax+by+c
(2)

Cada muestra tiene coordenadas (x, y) y z representa el valor muestreado. Con el objetivo de obtener la ecuacin del plano que pase por las tres muestras construimos el siguiente sistema de ecuaciones lineales: a x1 a x2 a x3 + + + b y1 b y2 b y3 + + + c c c = = = z1 z2 z3

y as obtenemos los coeficientes a, b y c, entonces el valor de z en cualquier localizacin dentro del tringulo se puede obtener sustituyendo su coordenadas en la ecuacin (2).

Existen varios mtodos para obtener los tringulos dentro de los cuales el ms utilizado es el de Delauney [Barnes,1989],[David,1977]

11.2.- Inverso de la distancia.

Este mtodo se basa en una combinacin lineal dada por: [Barnes,1989] Z*(x) = i Z(xi) En la que i son loa pesos proporcionales a la distancia euclidiana entre las localizacin que se desea estimar igual a: 1/doi i = ----------1/doj donde: doi es la distancia Euclidiana entre la localizacin a estimar y la localizacin de la muestra i. Generalizando obtenemos: 1/doi Z (x) = i+1,n ------------ Z(xi)
*

(3)

28

i=1,n1/doj Se pueden obtener distintos estimadores si escribimos la ecuacin anterior como: (1/doi) Z*(x) = i=1,n ---------------- Z(xi) i=1,n(1/doj) Note que si = 1 Obtenemos la ecuacin (3).

Estas dos tcnicas matemticas de estimacin utilizan directamente los valores muestreados en la estimacin y refieren pesos de acuerdo a la distancia euclidiana entre los datos, sin tener en cuanta un anlisis de variabilidad en la informacin disponible. Veamos ahora un mtodo que utiliza estos trminos denominado krigeage.

12.- Interpolacin Geoestadstica.

La interpolacin Geoestadstica se basa fundamentalmente en 3 pasos [Journel,1978], [David,1977] 1.- Anlisis de variabilidad, obtencin del semivariograma emprico. 2.- Ajuste a un modelo terico, y seleccin adecuada del semivariograma y sus parmetros. 3.- Uso del semivariograma terico ajustado , el proceso de estimacin por el popular (dentro de la Geoestadstica) mtodo llamado Kriging.

Kriging es un trmino creado por George Matheron en sus trabajos en 1960, el cual interesado en los problemas de estimacin de reservas minerales, se apoyo en la ideas iniciales de un ingeniero en minas sudafricano Danie G. Krige quien desarrollaba sus trabajos sobre evaluacin de minas de oro. [Olea,1988],

Inicialmente Matheron denomin a esta tcnica Krigeage que en ingles se convierte en Kriging [Olea,1988] trmino que tiene su origen en el apellido de Krige reconociendo de esta forma su inspiracin inicial de minimizar la varianza de estimacin, hecho por el que surge este interpolador y la Geoestadstica en general.

Kriging en una tcnica de estimacin que proporciona el mejor estimador lineal 29

imparcial (BLUE, en ingles, Best Linear Unbiased Estimator) [Journel,1978], [David,1977], [Myers,1992], [Myers,1991]. El sistema Kriging, deduccin terica que se puede encontrar en [Journel,1978], [David,1977], puede presentarse en su formulacin final de acuerdo a las siguientes variantes.

12.1.- Kriging Simple (KS).

Su formulacin final es: Estimador: Z*KS(xo) = m + i=1,n i(xo) [Z(xi) - m] Sistema: j=1,n j (xi, xj) = (xo, xi) Con varianza de estimacin: 2KS = j=1,n j (xo, xj) - (xo, xo) y en forma matricial el sistema KS puede ser expresado como: [K] [] = [M2] [] = [K]-1 [M2] y 2KS = []t [M2] - (xo,xo) donde: []t es la transpuesta del vector []. xo es la localizacion a estimar, xi y xj son la localizaciones i y j respectivamente. i(xo) son los pesos de cada localizacin conocida con respecto a xo. m es el valor medio de los datos muestreados. (xi, xj) es el valor se semivariograma terico obtenido en el ajuste. (x1,x1) [K] = (xi,x1) (xn,x1) 1 2 [] = . [M2] = (x1,xj) (xi,xj) (xn,xj) (x1,xn) (xi,xn) (xn,xn) (x1,xo) (xi,xo) . 30 i = 1, ...,n

(xn,xo)

12.2.- Kriging Ordinario (KO).

Su formulacin final es: Estimador: Z*KO(x) = i=1,n i(x) Z(xi) Sistema: j=1,n j (xi, xj) - = (xo, xi) j=1,n j = 1 Con varianza de estimacin: 2KO = j=1,n j (xo, xj) + - (xo, xo) donde: es el parmetro de Lagrange. y en forma matricial el sistema KO puede ser expresado como: [K] [] = [M2] [] = [K]-1 [M2] y 2KO = []t [M2] + - (xo, xo) (x1,x1) [K] = (xi,x1) (xn,x1) 1 1 2 [] = . n [M2] = (x1,xj) (xi,xj) (xn,xj) 1 (x1,xn) (xi,xn) (xn,xn) 1 i = 1, ...,n

1 1 1 0

(x1,xo) (xi,xo) . (xn,xo) 1

El sistema Kriging puede escribirse en trminos de covariograma, si tenemos en cuenta que (h) = C(0) - C(h). Particularmente cuando la funcin aleatoria Z(x) es intrnseca solamente y la covarianza C(h) no est definida, se utiliza el sistema Kriging 31

en trminos de variograma. [Journel,1978], [David,1977]

Observaciones: Segn [Journel,1978]: 1.- El sistema Kriging tiene una solucin nica si y solo s la matriz de K es definida estrictamente positiva, es decir: i=1,nj=1,n ij C(xi, xj) 0 o en trminos de variograma: - i=1,nj=1,n ij (xi, xj) 0 y no existen datos con las mismas coordenadas.

2.- Kriging, el cual es un estimador imparcial, es tambin un interpolador exacto. Note que, aunque la suma de los pesos i es 1, no necesariamente estos tienen que ser positivos, y por tanto los valores estimados pueden ser negativos.

La efectividad de estos procedimientos se ha presentado en mucho trabajos, donde los autores aseguran resultados satisfactorios.

Es importante sealar que este procedimiento no es tan complejo, comparndolo con la cantidad de clculos que requiere, donde su desarrollo ha sido favorecido por el auge de la informtica moderna.

13.- Anlisis de Tendencia, Kriging Universal (KU):

Uno de los problemas encontrados al modelar semivariogramas segn [Krajewsky,1993] es cuando est presente la tendencia en los datos, es decir que los valores medidos aumentan o diminuyen con la distancia en el rea de estudio. Un anlisis en este sentido se ofrece en [Journel,1978], [David,1977], donde se plantea que las caractersticas de la variabilidad de un atributo, en estos casos, se describen mejor con la suma de dos componentes distintos, uno determinstico m(x) y un componente estocstico R(x) obtenindose la estimacin por Z(x) = m(x) + R(x).

Para el componente determinstico sugieren utilizar una funcin polinomial de las 32

coordenadas para modelar la tendencia, es decir: m(x) = l=1,L al fl(x) donde al son coeficientes y fl es la funcin que describe la tendencia. Una variante de Kriging que tiene en cuenta esta situacin, fue desarrollada por Goldberger, A, S. en 1962 y descrita por Matheron en 1969, para tratamiento de datos dbilmente estacionarios y con tendencia llamada Kriging Universal (KU) [Carr,1990].

La aplicacin de KU a datos dbilmente estacionarios es difcil por tres razones: [Carr,1990] 1.- Es difcil obtener el semivariograma para datos dbilmente estacionarios. 2.- El orden de la tendencia para datos dbilmente estacionarios debe ser modelado. 3.- La solucin de la ecuacin para KU difiere de la solucin para KS o KO. Concluye que estas tres dificultades no son insuperables. Al respecto [Armstrong,1984b] presenta los problemas ms comunes al utilizar KU que son: 1.- La indeterminacin en la tendencia. 2.- La indeterminacin en el variograma. El sistema KU puede ser reducido a KO si L=0. [Journel,1978]

14.- Variables correlacionadas, Co-Kriging.

Es posible encontrar casos de variables insuficientemente muestreadas, pero que se conoce su correlacin con otras variables en la zona de inters [Journel,1978], [David,1977], utilizando esta correlacin es posible estimar las variables

insuficientemente muestreadas a partir de la informacin de la propia variable adems de las correlacionadas con ellas [Journel,1978], [David,1977].

En este caso se utiliza una variante conocida como Co-Kriging, siendo una extensin 33

del procedimiento Kriging, que requiere del conocimiento de su variograma cruzado.

15.- Otras Aplicaciones.

Los mtodo Geoestadsticos, en la actualidad toman auge fuera de las aplicaciones mineras, siendo utilizados en gran cantidad de aplicaciones de Ciencias de la Tierra, este trabajo no slo se limita a realizar este planteamiento, sino, se sealan ejemplos donde los mtodo Geoestadsticos han sido aplicados en xito: En la estimacin de reservas de petrleo. En el estudio de la precipitaciones. En el tratamientos de imgenes. En anlisis de movimientos ssmicos. En el filtraje de sonidos. En el estudio de aguas subterrneas y caracterizacin de acuferos. En la nematologa en el cultivo de las plantas. En el monitoreo y estudio ambiental. En la identificacin de anomalas Geoqumicas, etc.

En un estudio ms profundo de Geoestadstica pueden ser utilizado durante el anlisis bibliogrfico dos libros que merecen especial atencin, estos son [Journel,1978] y [David,1977], en los cuales se presentan los conceptos y definiciones fundamentales de la Geoestadstica aplicada a la estimacin de reservas minerales.

Journel, A., and Huijbregts, Ch., 1978, Mining Geostatistics, presenta los siguientes captulos.

I. Geostatistics and Mining Application: Hace una introduccin

a la

geoestadstica aplicada a la industria minera, presentando problemas donde puede se aplicada, los problemas de variabilidad estructural de variable de inters. Introduce la terminologa de la geoestadstica.

II. The Theory of Regionalized Variables: Es el captulo terico fundamental,

presentando los conceptos bsicos de la geoestadstica. Introduce tres de los principales conceptos y herramientas: El variograma, la estimacin de la varianza, y la dispersin de la varianza.

III. Structural Analysis: Se presenta un anlisis estructural del fenmeno

34

regionalizado, que consiste en construir un modelo de variograma que caracterice los principales rasgos de las regionalizaciones.

IV. Case Study of Structural Analysis: Se analizan quince casos de estudio,

donde se tienen en cuenta: modelos de variogramas, ajuste de modelos que presentan efecto hueco y efecto proporcional, casos de regionalizacin y su ajuste en modelos lineales, modelos con anisotropa, anlisis estructural en tres dimensiones (3D), casos de la prctica minera con dos herramientas fundamentales, estimacin y dispersin de la varianza.

V. Kriging and the estimation of in situ resources: Presenta como objetivo del

captulo la estimacin de reservas in situ, Introduciendo la tcnica Kriging, Kriging Universal para el caso no estacionario, Co-Kriging para variables correlacionadas, presentando ejemplos de aplicacin de la tcnica para distintos casos posibles.

VI. Selection and Estimation of Recoverables Reserves: Presenta el estudio de

la influencia de la regionalizacin de la variable seleccionada en la recuperacin de las reservas de un yacimiento.

VII. Simulation of Deposits: Presenta los conceptos fundamentales de la

simulacin condicional, el original Mtodo de las Bandas Rotantes Turning Bands, y aplicaciones prcticas de la simulacin condicional.

VIII. Introduction to non-linear geostatistics: Se dan los elementos

fundamentales a la pregunta Por qu la geoestadstica no linear?, presentando las variantes de Kriging para estos casos, Kriging Disyuntivo, y sus aplicaciones.

David, M., 1977, Geostatistical Ore Reserve Estimation, presenta los siguientes captulos.

I. Elementary Statistics Theory and Applications: Presenta los conceptos

fundamentales de estadstica bsica.

35

II. Constribution of Distribution to Mineral Reserve Problems: Hace una

breve introduccin a la herramientas de estadstica elemental que pueden ser usadas en los problemas de estimacin de reservas.

III. What is Ore Reserve Calculation?: Presenta los problemas fundamentales

de la estimacin de reservas minerales, refirindose al salto de los mtodos tradicionales a la geoestadstica.

IV. What is a Variogram?: Introduce el variograma, presentando los problemas

de variabilidad, presentando dos ejercicios a fin de mostrar lo real de los resultados.

V. Theoretical Basic of Approach: The Theory of Regionalized Variables:

Presenta la teora de la variable regionalizada formalizada por Matheron en 1965.

VI. The practice of Variogram Modelling: Presenta un estudio Geoestadstico

de los diferentes modelos de variogramas que representan la variabilidad de la variable de inters, una gua paso a paso del clculo de variogramas y su modelaje, hace un estudio de los problemas ms frecuentemente encontrados en este proceso a travs de problemas reales.

VII. The Effective Computatin of Block Variances: Un corto captulo

dedicado nicamente al clculo y aplicacin de la varianza de bloques de cualquier tamao, presentando ejemplos aplicados.

VIII. Computing Estimation Variances: Precision Problems: Captulo

dedicado a la aplicacin de la varianza del error obtenido cuando estimamos volmenes, presentando un pequeo programa para calcular la varianza y su solucin en muchos problemas de exploracin , incluyendo la precisin.

IX. Optimization of grade estimation: Kriging: Presenta al interpolador

Kriging puntual y de bloque, respuesta terica a los problemas de estimacin ptima de bloques, presentando ejemplos de aplicacin , el Kriging Universal para fenmenos no estacionarios. 36

X. The practice of Kriging: Presenta varios pasos que son reflexiones necesarias

al hacer Kriging, un mtodo de estimacin eficiente, presentando aplicaciones, presenta al Co-Kriging en el uso de unas variables para predecir otras.

XI. Grade-Tonnage Curves, Ore-Waste Selection and Planning Problems: En

este captulo se da respuesta a muchas interrogantes, su propsito es mostrar un conjunto de problemas de tonelaje, comenzando con las definiciones de reservas y su diferentes parmetros y su influencia en las reservas.

XII. Orebody Modelling: Se refiere a dos clases de problemas a ser resuelto por

el modelo minero, la estimacin y la simulacin, presentando ejemplos.

XIII. Statistical Problems in Sample Preparation: Hace referencias a los

problemas de representatividad de las muestras.

Referencias Bibliogrficas.
[Alfonso,1989a] Alfonso Roche, J.R., 1989a, Estadsticas en las Ciencias Geolgicas,

Tomo 1, Editorial ISPJAE, Ciudad de la Habana, 308 p.

[Alfonso,1989b] Alfonso Roche, J.R., 1989b, Estadsticas en las Ciencias Geolgicas,

Tomo 2, Editorial ISPJAE, Ciudad de la Habana, 380 p.

[Armstrong,1984a] Armstrong, M., 1984a, Common Problems Seen in Variograms,

Mathematical Geology, Vol.16, No. 3, p.305-313.

[Armstrong,1984b] Armstrong, M., 1984b, Problem with Universal Krigimg,

Mathematical Geology, Vol. 16, No. 1, p.101-108.

[Barnes,1989] Barnes, M.W., 1989, The Limitations of popular techniques for

preproducction reserve estimation, thesis of Master of Sciences, Department of Mining Engineerng, The University of Utah, 86 p.

37

[Carr,1990] Carr, J.R.,

1990a, UVKRIG: A Frotram-77 Program for Universal

Krigimg, Computers & Geosciences, Vol.16, No.2, p.211-236.

[Cressie,1985] Cressie, N., 1985, Fitting Models by Weighted Least Squares,

Mathematical Geology, Vol. 17, No.5, p.563-586.

[Cuador,1997] Cuador Gil, J.Q., 1997, Aplicacin Geoestadstica para el Clculo de

Reservas, Tesis de Maestria en Informtica Aplicada, CREPIAI, ISPJAE, Ciudad Habana.

[David,1977] David, M., 1977, Geostatitical Ore Reserve Estimation, Elsevier,

Amsterdam, 364 p.

[Freund,1980] Freund, J. E., 1980, Estadstica Elemental Moderna, Editorial Publo y

Educacin, 466 p.

[Journel,1978] Journel, A, G. and Huijbregts, C. J., 1978, Mining Geostatistics,

Academic Press, New York, 600 p.

[Krajewski,1993] Krajewski, S. A. and Gibbs, B.L., 1993, A Variaogram Primer,

Gibbs Associates, 93 p.

[Lepin,1986a] Lepin, O. V., and Ariosa, J. D., 1986a, Bsqueda, Exploracin y

Evaluacin Gelogo Econmica de Yacimientos Minrales Slidos, Editorial Pueblo y Educacin, Ciudad de La Habana, Primera Parte, 348 p.

[Lepin,1986b] Lepin, O. V., and Ariosa, J. D., 1986b, Bsqueda, Exploracin y

Evaluacin Gelogo Econmica de Yacimientos Minrales Slidos, Editorial Pueblo y Educacin, Ciudad de La Habana, Segunda Parte, 191 p.

[Myers,1991] Myers, D.E., 1991a, Interpolation and Estimation with Spatially

Located Data, Chemometrics and Intelligent Laboratory Systems, 11, Elsevier Science Publishers B.V., p.209-228. 38

[Myers,1992] Myers, D.E., 1992, Krigimg, Cokrigimg, Radial Basic Functions and

The Role of Positive Definiteness, Computers Mathematical Application, Vol. 24, No.12, p.139-148.

[Olea,1988] Olea, R.A., 1988, Geostatistical Semantics, Geostatistics, Vol.2, No. 2,

p.4-7.

[Pannatier,1993] Pannatier, Y., 1993, MS-WINDOWS Program for exploratory

variography and variogram modeling in 2D, International Workshop on Statistics of Spatial Processes-Theory and Applications, Bari, Italy 27-30 September 1993.

39