Apunte de clase

geo-estadistica lineal aplicada
Prof.: José Delgado Vega
Dr Geología de la Ingeniería ENSMP
Esp. Geoestadistica ENSMP
Esp. Explotación Minas a Cielo Abierto y Cantera ENSMP
Ing Civil de Minas U.A

Objetivos del curso

• Brindar los fundamentos de los principales conceptos y técnicas
usados en la geoestadística lineal .
• Analizar las herramienta para la estimación de recursos y la
cuantificación del riesgo asociado a estos.

Referencia
PROFESOR M.ALFARO
“TRABAJOS EN GEOESTADISTICA LINEAL “
G.MATHERON
“La theorie des varibles regionaliseés et ses aplications
Centre de geoestatistique Fontainebleau

CHILES JEAN-PAUL & DELFINER PIERRE (1999)
"GEOSTATISTICS Modeling Spatial Uncertainty"
A Wiley Interscience Publications 1999

EMERY XAVIER & ARNAUD MICHEL (2000)
"Estimation et interpolation spatiale méthodes déterministes
et méthodes géostatistiques" Hermès Sciences Europe 2000 157p
EMERY XAVIER (2007)
“Apuntes de geoestadistica”,
UNIVERSIDAD DE CHILE octubre del 2007.
Margaret Armstrong –Jaques Carignan
“Geostatisitque lineaire Application au domaine minier”

Referencia
JOFRE DUBER (2009)
"Curso de categorización de reservas"
Diplomado Internacional en geoestadistica aplicada a la evaluación de recursos mineros 2009 Lima BSGrupo
LE LOC’H, G. (2003)
" Notes de classes de cours de géostatistique"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
.
KIM, Y.C. & MEDHI P.K. & RODITIS I.S. (1987)
“Performance evaluation of indicator kriging in a gold deposit”
Mining Engineering October 1987 947p
MARCOTTE,D. (2002)
"Notes de classes de cours de Krigeage d´Indicatrices"
http://geo.polymtl.ca/~marcotte/glq3401geo/chapitre7.pdf
Ecole Polytechnique Montreal GLQ3401
ONU (1996):
"Marco Internacional de las Naciones Unidas Para la Clasificación de Reservas/Recursos,
Combustibles Sólidos y Sustancias Minerales"
Versión Definitiva. Establecida y Presentada por el Equipo Especial de las Naciones Unidad. p. 77-88.

Referencia
RIVOIRAD,J. (2003) :
"Notes de classes de cours de géostatistique multivariable".
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
SANS, H.J (2003)
"Workshop on sampling"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
CLAYTON DEUTSCH
“Special Topics in geostatistics”
ISAAKS , E.H. and SRIVASTAVA, R.M. (1989)
"An introduction to applied geostatistics "
Oxford University Press, New York. 1989.
DEUTSCH, C.V., JOURNEL A.G. (1998):
“GSLIB: Geostatistical Software Library and User’s Guide”
Second Edition, Oxford University Press, 369 p.
CHICA - OLMO M. (1987)
“Análisis Geoestadístico en el Estudio de la Explotación de Recursos Minerales"
Tesis Doctoral, Universidad de Granada, España, 387 p.

INTRODUCCION .

La base de datos .

Optimisation de la fosse finale avec MGM Recherche Géologique Paramètres géo-métallurgiques ·Modélisation des lithologies ·Modélisation des gangues ·Consommations d´acide ·Type de minéraux Evaluation Des Ressources Modèle géologique de bloc Paramètres Economiques ·Prix du métal ·Coûts d’extraction ·Coûts de traitement ·Autres Optimisation Economique (Logiciel Whittle) Paramètres Géométriques ·Angles de Talus ·Géométrie de la fosse ·Topographie ·Autres Analyse économique du projet Dimensionnement de la fosse finale .

Generalidades Déterministicos vs. Géo estadísticos (Estocásticos): Asocian funciones matemáticas a los análisis estadísticos para hacer interpolaciones (ex: Krigeage). . Géo estadisticos Déterministicos : Utilizan funciones matemáticas para poder hacer las predicciones .

.

llamadas variables regionalizadas. . organizar. dependientes entre si.Generalidades • La estadística se ocupa de los métodos científicos para recolectar. presentar y analizar datos. así como obtener conclusiones válidas y tomar decisiones razonables en base a dicho análisis • La geoestadística es una rama de la estadística aplicada que desarrolla herramientas matemáticas para el estudio de variables distribuidas en el espacio. resumir.

¿Qué es la geo estadística? •Matheron : Estudio de la variable regionalizada •Sencilla :Es la aplicación de la estadística a las ciencias de la tierra .

Generalidades • La geoestadística pone énfasis en: – El contexto geológico de los datos – La relación espacial entre los datos – Datos medidos con un soporte volumétrico y precisión diferentes. • La geoestadística es útil para: – Cuantificar aspectos geológicos (“ponerle números a la geología”) – Estimación / Simulación – Cuantificación de la incertidumbre (categorización) – Diseño de muestreo – Análisis de riesgo .

pero lo mejora (si es aplicada correctamente) • La geoestadística no hace lo siguiente: – – – – – Reemplazar buena información adicional Reemplazar la necesidad de sentido común y buen juicio Funcionar bien como una caja negra Ahorrar tiempo No reemplaza un buen trabajo de exploración .Generalidades • Principios Básicos: – Trabaja dentro de restricciones geológicas (físicas) – Entrega herramientas para cuantificar y aprovechar la correlación espacial – Considera la cercanía y redundancia de la información disponible al punto a estimar o simular – Algoritmos para modelamiento geológico numérico y cuantificación de la incertidumbre • No facilita el trabajo.

Generalidades • Las herramientas que son apropiadas en una etapa inicial pueden no serlo más delante • Algunas herramientas de modelamiento numérico: – Estimación: • • • • Inverso del cuadrado de la distancia Kriging Simple / Ordinario Kriging de indicadores Cokriging – Simulación de variables continuas: • • • • Simulación Gaussiana Secuencial Simulación por Bandas Rotantes Simulación de Indicadores Simulated Annealing – Simulación de variables categóricas: • Simulación de Indicadores • Truncación de una Gaussiana • Simulación PluriGaussiana .

Generalidades .

Generalidades .

Generalidades LAS CINCO ETAPAS DE UN PROYECTO MINERO •PROSPECCION •EXPLORACION •DESARROLLO •EXPLOTACION •REHABILITACION Y ABANDONO .

Generalidades .

la variable no interesa o simplemente no esta definida . la ley del cobre en un yacimiento ) Campo El campo es el dominio en le cual se extiende la variable regionalizada .Fuera del campo .Generalidades Nociones fundamentales Variable regionalizada ( o regionalización ) Se trata de una función numérica que mide un atributo que presenta una estructura en el espacio (por ejemplo .

Es importante destacar que las propiedades estadísticas de los valores depende De su soporte (efecto soporte) Compositos Cuando los datos originales son testigos de sondages cuyo soporte es variable .una operación de regularización .Generalidades Soporte Se trata del volumen sobre el cual se considera la variable regionalizada .

Generalidades “El interés por la geoestadistica esta basado en su habilidad para modelar la variabilidad espacial de fenómenos de ocurrencias natural que no pueden ser totalmente modelados por procesos determinísticos” .

Generalidades ¿La estructura de una variable Regionalizada ? Es una variable aleatoria donde la localizacion. el espacio y el tiempo son importante : Ella presenta dos aspectos contradictorio Tiene un aspecto aleatorio + Su comportamiento es mas estructurada .

Generalidades Título del gráfico leyes de cobre 4 0 0 50 100 150 distancias 200 250 .

Generalidades .

densidad de la rocas .su continuidad y otras características estructurales (anisotropía) . potencia de los estratos .arsénico oro .Generalidades Algunas Problemática general El conocimiento que se tiene de un depósito es siempre fragmentario :solo se dispone de información cualitativa y de muestras en las cuales se mide varios atributos : ley de cobre .tipo de litología La densidad del muestreo influye en el conocimiento de la “organización “ Espacial de los valores de la variable en estudio .

-Principio de la economía .Generalidades Principios directores 1.-Principio del realismo 3.-Respeto a los datos 2.

Generalidades ¿Son siempre nuestros datos equiprobables y no sujetos a concentraciones? .

Generalidades .

Generalidades ¿Que pasa con la función de distribución de los datos? .

Generalidades Tipos de muestreos Regular Aleatorio estratificado Aleatorio Grupos Tran-sect Contorno .

Generalidades .

Generalidades .

Breve discusión de los métodos tradicionales de evaluación .

La elección de la técnica depende del tipo de datos del tipo de superficie que se quiere del tiempo y del tratamiento que se les quiere dar. y también de la tradición .Métodos Numerosas técnicas de interpolación .

¿Que buscamos con nuestros métodos? .

..................Tonelaje de mineral.........Krigeage....... Tonelaje de metal ..............realidad ........leyes medias .. . .......Carte de varianzas Muestras y paneles ..................... Muestras ........

EN GENERAL: Z = * ål i =1.Puede ser: POLIGONAL PROMEDIO IVOR KRIGEAGE. n * z i i .

• 1) MEDIA ARITMETICA:Se basa en lo siguiente “para estimar la ley media de un conjunto se promedian las leyes de los datos que están dentro del conjunto” • Su fórmula general: zs = å zj N .

Para estimar una zona se ponderan las leyes de los datos por el área de influencia sj ” • Su fórmula es la siguiente: zs = å sjz j s .• 2)Polígonos:El método se basa en “asignar a cada punto del espacio la ley del dato más próximo.

3) INVERSO DE LA DISTANCIA:Se basa en “asignar mayor peso a las muestras cercanas y menor peso a las muestras alejadas a s” • Se consigue al ponderar las leyes • Su fórmula es: zi dia n z= å{ } n 1 i =1 å a d j j .

3 ] .• POLIGONO • PROMEDIO • IVOR l = 1 1 li = n 1 li = • KRIGEAGE (se vera después) d å i =1.n a i 1 d a i a [1 .

.

Ejemplo .

.

• El método de los polígonos en general es menos adecuado en estimaciones locales porque asigna la misma ley a todos los bloques de un mismo polígono .COMENTARIOS • El método tradicional media aritmética no funciona bien en estimaciones locales porque quedan bloques sin información.

demasiado geométricos y no consideran la estructura del fenómeno mineralizado (la continuidad de las leyes y la posible presencia de anisotropías) • Dichos métodos presentan una sobre-estimación de las leyes altas y una sub-estimación de las leyes bajas .COMENTARIOS • Los métodos tradicionales mencionados son empíricos.

Conceptos generales .

Esto se logra a través del inventariado de reservas del yacimiento que se encuentran bajo una ley de corte determinada y calculando la ley media de todos los recursos cuya ley es superior o igual a la ley de corte determinada obteniéndose dos curvas en un mismo gráfico.CURVAS TONELAJE v/s LEY. . Teniendo los datos de las reservas del yacimiento se puede obtener una curva de Tonelaje v/s la Ley de corte y la Ley media.

00 0.Graphique de teneurs / tonnages de Cuivre Total 120000.00 80000.00 0.00 1.00 0.50 2.00 100000.00 60000.50 3.50 1.00 Te n ue r Teneur Coupur e Teneur Moyenne 2.00 .00 40000.00 20000.

7 0.200 6 .000.Ley de Corte EJEMPLO Nº1 900.39 0.662.577.1 0.000 5.000 500.000 8.000 400.2 0.5 Ley % Precio US$/lb Cu Ley de Corte % Ley Media % Mineral Toneladas Cu Fino lb Cu Ingresos US$ Vida Útil Años 1.500 19 1.174.184.80 0.495.6 0.000 700.00 160.000 6.317.000.000.624.000 200.000 300.0 1.000 100.8 0.000.000 Curva Tonelaje .547.60 550.000.10 0.699.5 0.80 1.Ley Media 0.000.000.000.849.000 800.67 400.3 1.2 1.000 3.1 1.720 14 0.4 0.9 1.47 0.000.244.3 0.539.Tonelaje Curva Tonelaje .000 2.25 0.000.200 5.000.000.000 600.4 1.

h )* ley Los valores para desarrollar la formula son los siguientes: üR: Recuperación metalúrgica: 95 % üh: % de Humedad: 2% üa: Costo mina para Mineral üb: Costo mina para Estéril üCa: Costos Administración üCp: Costo Planta .Concepto de leyes de corte económica de equilibrio CURVAS RELACION ESTERIL V/S MINERAL Para realizar estas curvas se procedió según la siguiente forma. üEcuación económica de la mina: Cm º a + b* R l m R * (1 .

0 2.0 0.LEY Ton v/s Ley Media 12.0 4.0 Tonelaje (Millones tons) 10.0 8.0 6.f(X) Ton v/s Ley de Corte CURVA TONELAJE.0 0 1 2 3 Ley de Au (grs/ton) 4 5 6 .

El modelo de bloque: Es un modelamiento tridimensional que consiste en discretizar virtualmente el yacimiento en cientos de paralelepípedos (bloques). la cual permite representar características y propiedades del yacimiento . con características que van de acuerdo al sistema de explotación a utilizar.

-Pasta a explotar.-Características del deposito .¿ De que depende las dimensiones del modelo de bloque ? .-Selectividad . .-Continuidad espacial .

Conceptos Básicos de estadística .

DELGADO .J.

DELGADO .J.

J.DELGADO .

Pensemos en un país imaginario y pequeño llamado Elich .55 Varianza de la muestra 3.92906839 Mínimo 10000 Máximo 20000000 Cuenta 170 . al ver la siguiente estadista de los salarios en dicho país Salarios de Elich Media Mediana Moda 1813529. donde tres señores de diferentes corrientes de opiniones discuten .2199E+13 Coeficiente de asimetría 2.41 100000 10000 Desviación estándar 5674424.

.

Representación de los datos Histograma 200 180 160 Frecuencia 140 120 100 80 60 40 20 0 0 0.8 1 1.8 4 4.4 1.2 2.4 2.2 0.2 4.6 4.6 0.4 3.4 4.4 0.6 3.8 5 Clase Se interpreta probabilísticamente (probabilidad de un valor de pertenecer a una determinada clase).2 3. Función de densidad de probabilidad: f ( x ) = F ' ( x ) = Pr ob{x1 ³ x ³ x2 } Nota: No olvidemos que un histograma no presenta ninguna información referente a la ubicación espacial de los datos (que es clave en geoestadística) .8 2 2.6 2.2 1.8 3 3.6 1.

2 0. De un gráfico de cumulativo podemos leer directamente probabilidades Frecuencia acumulada 100% 80% 60% 40% 20% 0% 0 0.4 1.2 2.6 1.6 3.8 Clase ¥ Relación entre densidad de probabilidades y densidad cumulativa: Muestras son un número finito de realizaciones.2 1.4 4.2 4.4 3.4 0.8 3 3.4 2.8 5 .8 1 1.8 2 F ( x ) = Pr ob{X £ x} 2.6 2.6 4.6 0.Histograma acumulado Función no decreciente con valores de frecuencia relativa entre 0 y 1. por lo tanto: F ( x) = ò f ( x ) dx -¥ n F ( x ) = å pi i =1 4 4.2 3.

coeficiente de variación. mínimo. desviación estándar. moda. cuantiles • medidas de dispersión varianza. máximo. deciles. rango. mediana.Estadística básica • medidas de posición media. cuartiles. coeficiente de aplanamiento . rango intercuartil • medidas de forma coeficiente de asimetría.

1] . percentiles y cuantiles: el cuantil p de la distr.Estadística básica • Medidas de posición: – Media – Mediana 1 n m = å z (ua ) n a =1 z (u( n+1) / 2 ) ì ï M = í ( z (u n / 2 ) + z (u( n / 2)+1 )) ïî 2 m= 1 z (u )du D Dò si n es par si n es impar – Moda. es el valor zp tal que p% de los datos esta bajo zp F ( z p ) = Prob{Z £ z p } = p Î [0. mínimo y máximo – Rango – Cuartil inferior y superior – Deciles.

Estadística básica Q3 Mediana o Q2 Q1 .

Q 1 CVexp .Estadística básica • Medidas de dispersión: – Varianza 1 1 n 2 2 s = å ( z (ua ) . = s m .m) 2 s = ò ( z (u ) .m ) du DD n a =1 2 – Desviación estándar s = s2 – Rango intercuartil – Coeficiente de variación s = s2 IQR = Q 3 . = s m CVpobl.

si existe.Momentos • Esperanza: (primer momento) es un promedio ponderado por las probabilidades. Nos da una idea del centro de la distribución donde: E{Z} = valor esperado de Z wi = Ponderador del dato i-ésimo n = número de datos m = media n E{Z } = m = å wi z i i =1 n åw i =1 i • En el caso continuo: E{Z } = m = +¥ +¥ -¥ -¥ ò zdF ( z ) = ò zf ( z )dz .

. . 2.} con probabilidad Pr{X = k } = pk Entonces se define la esperanza de X como ¥ E [ X ] = å k × pk k =0 Y la varianza como ¥ V [X ] = å (k . 1.E[X ]) pk k =0 2 . y supongamos que toma valores en el espacio {0.Esperanza y varianza de una variable aleatoria Sea X una variable aleatoria discreta.

E[X ]) pk 2 k =0 Desviación cuadrática promedio Desviación cuadrática de los posibles valores de X respecto de su promedio E[X] .Esperanza y varianza de una variable aleatoria La interpretación es bastante sencilla ¥ E [ X ] = å k × pk k =0 posibles valores de X probabilidad que la variable tome el valor k El valor “promedio” que puede asumir la variable ¥ V [X ] = å (k .

Se define la esperanza de X como E[X ] = ¥ ò x × f ( x) dx -¥ Y se define la varianza de X como V [X ] = ¥ ò (x . y con función de densidad f(x).E[X ]) 2 -¥ f ( x) dx .Esperanza y varianza de una variable aleatoria Sea X una variable aleatoria continua con valores en R.

Esperanza y varianza de una variable aleatoria La interpretación para el caso continuo es similar. En efecto E[X ] = ¥ ò x × f ( x) dx -¥ posible valor de X El valor “promedio” que puede asumir la variable V [X ] = Desviación cuadrática promedio Probabilidad de que la variable aleatoria X tome un valor en el intervalo [x.E[X ]) 2 f ( x) dx -¥ Desviación cuadrática de los posibles valores de X respecto de su promedio E[X] . x + dx] ¥ ò (x .

Momentos • La varianza (segundo momento centrado). Se define como la esperanza de la desviación de Z respecto de su media al cuadrado: Var{Z } = s 2 = E{[ Z .m 2 ³ 0 .m]2 } = E{Z 2 } . Nos da una idea de la dispersión de la distribución de la VA Z.

m) 2 } = s 2 = E{Z 2 + m 2 .m) 2 f ( z )dz 2 -¥ • -¥ Se calcula con los dos primeros momentos de Z: Var{Z } = E {( Z . la varianza puede definirse como n Var{Z } = å w (z i =1 i .E{Z }) 2 } = E{( Z .2mZ } = E{Z 2 } 123 Momento de Segundo Orden 2 (1 E{Z }) 424 3 Momento de Primer Orden al Cuadrado .Momentos • En forma discreta.m) 2 i n åw i =1 • i En forma continua. puede escribirse como +¥ +¥ Var{Z } = ò ( z .m) dF ( z ) = ò ( z .

Momentos • Propiedades de la esperanza: E{a} = a E{bZ } = b × E{Z } E{a + bZ } = a + b × E{Z } E{g ( Z )} = ¥ ò g ( z) × f ( z ) × dz -¥ • Propiedades de la varianza Var{a} = 0 Var{aZ } = a 2 × Var{Z } Var{b + Z } = Var{Z } .

Mm z(x) Frec. M m z(x) mM z(x) . Cercano a 0 Negativo Frec.m) 3 å n Coeficiente de asimetría = a =1 s3 – Positivo Frec.Más estadísticas • Medidas de forma: – Coeficiente de asimetría (skewness) 1 n ( z (ua ) .

5 1 0.5 Variable 2 2 1.Estadística de dos variables • Análisis bivariable • Pares deben corresponder a la misma ubicación en el espacio (co-localizados) Gráfico de Dispersión 3 2.5 Variable 1 2 2.5 0 0 0.5 3 .5 1 1.

mZ 2 ) n a =1 r= s Z1 × s Z2 .Correlación • El coeficiente de correlación es una medida de la dependencia lineal entre las dos variables 1 n × å ( z1a .mZ1 )( z2a .

2.Q-q Plot • Gráfico Q-Q: para comparar dos distribuciones F1 y F2 cuantil a cuantil. k = 1. • No se utiliza para comparar la relación par a par que hay entre las variables. …. 2. K . K • Graficar q1(pk) versus q2(pk). • Escoger una serie de valores de probabilidad pk. …. k = 1.

las distribuciones tienen diferentes formas en el histograma . las dos distribuciones tienen diferentes varianzas • Si hay un carácter no lineal en el grafico Q-Q.Q-q Plot • Si todos los puntos caen en una línea de 45o. las dos distribuciones tienen la misma forma pero diferentes medias • Si la inclinación de la línea no es 45o. las dos distribuciones son exactamente iguales • Si la línea esta desplazada de los 45o.

20 0.40 0.g(z) 0.25 Distribución Normal 0.30 0.35 0.00 0 2 4 6 8 10 12 14 16 z • Propiedades: – Completamente definida por su media y varianza – Tiene una descripción matemática precisa – Favorable para enfoques teóricos de estimación • Función de densidad de probabilidad: g( z) = 1 2p × s ×e 1 æ z -m ö .ç ÷ 2è s ø 2 .05 0.15 0.10 0.

35 0.20 0.1) g( y ) = • Función de distribución acumulada: 1 2p y G( y ) = ò g( y ) dy -¥ • corresponde al área bajo la curva e y2 2 .05 0.15 0.g(z) 0.30 0.10 0.40 0.00 0 2 4 6 8 10 12 14 16 z z-m s • Distribución normal estándar N(0.25 Distribución Normal • Estandarización: y= 0.

35 0.g(z) 0.20 0.5% 2 4 6 8 10 12 14 16 z .05 0.35 0.20 0.15 0.00 0 2.05 16% 6 8 10 12 14 16 z 0.15 0.40 0.30 0.10 0.00 0 4 16% 2 4 0.05 0.30 0.10 0.25 0.40 0.15 95 % 0.30 0.35 0.25 0.40 0.10 0.00 0 2 • Intervalos de confianza 68% g(z) 6 8 10 12 14 16 z 95% g(z) 0.20 68% 0.25 Distribución Normal 0.5% 2.

.

.

35 0.25 0.a ö 1 ÷÷ g o çç by è b ø .15 0.30 0.00 0 2 4 6 8 10 z Una población es lognormal si los logaritmos de los datos están distribuídos como una normal Propiedades: – En Ciencias de la Tierra es común encontrar variables cuya distribución es cercana a una lognormal – Relación con la distribución normal la hace fácil de utilizar – También es favorable para enfoques teóricos de estimación Función de densidad de probabilidad: f Y ( y ) = F 'Y ( y ) = æ ln y .10 0.g(z) 0.20 Distribución Lognormal • • • 0.05 0.

4 0.20 0.35 Distribución Lognormal 0.7 0.1 0.1] 0 2 4 6 8 10 z 2 /2 æ s2 b = ln çç1 + 2 m è a = ln m .05 0.a ö 1 ÷ f Y ( y ) = F 'Y ( y ) = g o çç by è b ÷ø m = ea + b 2 0.0 z 0 2 4 6 8 10 z .00 s 2 = m 2 [e b .0 0.g(z) 0.3 0.2 0.35 1.b / 2 2 2 æ ln y .25 0.30 0.6 0.00 0 2 4 6 8 10 0.15 0.15 0.a ö ÷÷ para todo y > 0 FY ( y ) = Prob{Y £ y )} = Go çç b è ø ö ÷÷ ø g(z) G(z) 0.5 0.05 æ ln y .10 0.8 0.25 0.9 0.10 0.20 0.30 0.

.

.

La Distribución Log Normal Valor esperado . Varianza .

¿Para que sirve una varianza de dispersión y una de estimación ? .

La idea de la función aleatoria .

.

.

José Delgado .

.

.

.

teniendo en consideración los datos experimentales . la información disponible sobre el fenómeno regionalizado y a la escala de trabajo .La representación de una regionalización por una función aleatoria estacionaria o intrínseca es una operación SUBJETIVA que esta en mano del usuario .es necesario para llevar a cabo la inferencia estadística (calculo de la covarianza O del variograna experimental en vista a su posterior modelamiento . la estacionalidad indica una cierta homogeneidad de las características de una variable en el espacio .

Variografia .

.

.

.

.

Podemos estudiar la variabilidad de la variable aleatoria en función del tiempo o de la posición En el caso de la mina podemos estudiar como varían las leyes .Análisis Variografico El análisis variografico es una de las herramientas mas importante y potente que existen para analizar las fuentes de variabilidad de los procesos .

.

x j = h Variograma Teórico Variograma Experimental .z(xj ))2 xi .Variograma Experimental-definición 1 2 g (h) = E[Z(x) -Z(x +h)] 2 1 g (h) = 2N(h) * å (z(xi ) .

• VARIOGRAMA EXPERIMENTAL • Definición • Cálculo a partir de los datos • Características básicas • Ajuste de modelos de variograma • VARIOGRAMA TEÓRICO • Definición • Propiedades básicas • Estudio de modelos de variograma .

-las anisotropía 4.-Zona de influencia 3.-Las estructuras anidadas 5.-La no estacionalidad ( derivas tendencias .-continuidad espacial 2.Variograma Teórico-Definición Es una herramienta que permite analizar el comportamiento espacial de una propiedad o variable sobre una zona dada Información estructural aportada por el Variograma 1.

Valor promedio de la diferencia al cuadrado de los valores de la propiedad en dos puntos separados por una distancia |h| x • es independiente de la localización • depende del módulo y de la dirección del vector h .

Variograma Teórico-Características 1 g (h) = E [Z (x) .Z ( x + h)]2 2 Z (x + h 1 ) x + h1 h1 Detección de características que varían según la dirección y la distancia Z (x ) x h Z ( x + h) x+ h .

.Le Variogramme Variogramme expérimental Variogramme théorique Palier =Variance des donées x x x x x x x x Pas de corrélation entre points x L’ effect pépite h 2h Portée Distance m.

.

Z base Z tope .Variograma Experimental-definición Coordenadas estratigraficas La correlación espacial se debe calcular dentro de la misma unidad estratigráfica Z .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 .

– 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 .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.

Comportamiento discontinuo Interpretación del nugget effect 1) Variable muy irregular a distancias cortas h»0 Z(x) y Z(x+h) difieren mucho 1 g (h) = E[Z(x) -Z(x +h)]2 2 no se aproxima a cero .

5 9 7.5 3 0 1.5 6 4.5 15 13.5 obs Valores observados 2 0 g Z (h) = g Z (h) + se 2 Variograma 2.5 Valores reales 1 0.5 .Comportamiento discontinuo Interpretación del nugget effect 2) Errores de medición en las variables 3.5 Distancia 18 16.5 Z obs ( x ) = Z ( x ) + e ( x ) 3 se 2 1.5 12 10.

Comportamiento discontinuo Interpretación del nugget effect 3) presencia de estructuras o ausencia de valores en distancias inferiores a las que se tomaron las muestras .

el variograma tiene un comportamiento lineal.Comportamiento Lineal Comportamiento lineal Indica que para distancias pequeñas. la propiedad puede cambiar rápidamente de un punto a otro.5 Variograma Representa variables continuas pero no diferenciables.5 2 1. Así.5 0 Distancia . 3 2. 3.5 1 0.

menor variabilidad Variograma 2 1.5 0 0 1 2 3 4 5 6 7 8 9 10 11 Distancia A mayor pendiente.5 1 0.5 0 0 1 2 3 4 5 6 7 8 9 10 11 Distancia .5 1 0. mayor variabilidad 3 2.Comportamiento Lineal 3.5 A menor pendiente.5 3 Comportamiento lineal Variograma La variabilidad de la propiedad dependerá de la pendiente de la recta en el origen 2.5 2 1.

la propiedad NO puede cambiar rápidamente de un punto a otro.5 .Comportamiento Cuadrático Comportamiento Cuadrático Indica que para distancias pequeñas.5 Distancia 37 34 31 28 25 22 19 16 13 10 7 4 0 1 Representa variables sumamente continuas e infinitamente diferenciables.5 1 0. el variograma tiene un comportamiento cuadrático. 3. Así.5 3 2 1. Variograma 2.

5 6 7.5 18 Distancia .5 9 10.Comportamiento Híbrido Comportamiento Híbrido: 8 a 7 6 Variación más fuerte distancias grandes a Variograma Variación más suave distancias cortas 5 4 3 2 Indica presencia estructuras actuando diferentes escalas de a 1 0 0 1.5 3 4.5 15 16.5 12 13.

Comportamiento-grandes distancias Comportamiento distancias : a grandes INDICA LA PRESENCIA DE UNA DERIVA O DRIFT Variograma NO TODOS LOS VARIOGRAMAS POSEEN UN RANGO Y UN SILL FINITO 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 .

.

.

g DEL VARIOGRAMA * EXPERIMENTAL AL MODELO DE VARIOGRAMA g .

4 0 Distancia Una interpolación entre los puntos del variograma experimental no garantiza la existencia y unicidad de la solución del sistema de kriging 6 5 4 Variograma experimental 3 La interpolación no satisface las condiciones que todo variograma debe satisfacer Modelo de variograma 2 1 Distancia 4 3.4 1.8 2 2.8 0 0.2 0.2 2.4 1.6 1.6 1.8 2 2.2 0.8 0 0 0.4 variograma experimental g* El variograma experimental no satisface las condiciones que todo variograma debe satisfacer .Ajustar POR QUE HAY QUE CONSTRUIR MODELOS DE VARIOGRAMA ? 6 5 4 3 Variograma experimental 2 1 El variograma experimental no se puede evaluar en distancias o direcciones intermedias 4 3.6 3.6 3.2 2.

Variograma Teórico-propiedades LOS VARIOGRAMAS TIENEN PROPIEDADES ESPECIALES. CUALQUIER FUNCIÓN QUE DEPENDA DE LA DISTANCIA Y LA DIRECCIÓN NO NECESARIAMENTE ES UN VARIOGRAMA 1) g (0 ) = 0 2) g (.h) = g (h) El variograma calculado en la dirección de dirección de h es igual al variograma calculado en la -h -h h .

x j ) ³ 0 n n i =1 j =1 Esta propiedad permite calcular en forma consistente la varianza de combinaciones lineales de funciones aleatorias ( a ) a b var l Za = -l l g ab . K. K. ln n tales que ål i =1 i =0 puntos en el espacio y cualesquiera se tiene que . cualesquiera valores l1 .Variograma Teórico-propiedades 3) Todo variograma es una funcion definida positiva condicional x1 . l3 .ååli l j g (xi . xn Para cualquier n. x3 . x2 . l2 .

Variograma Teórico-propiedades 4) Si g es el variograma de una funcion aleatoria estacionaria o intrínseca entonces lim h® ¥ g (h ) h 2 =0 En particular para h suficientemente grande existe una constante c tal que Criterio para el comportamiento del variograma a grandes distancias Criterio para detectar un comportamiento no estacionario g (h ) £ c h 2 .

a 2 . K. K. g 3 (h). a 3 . g N (h) son modelos de variograma y son valores positivos entonces n g (h ) = å a i g i (h ) i =1 Permite modelar/ajustar las estructuras imbricadas (nested structures) Permite modelar la anisotropía zonal a 1 .Variograma Teórico-propiedades 5) Combinacion lineal de variogramas Si g 1 (h). a N . g 2 (h).

Por definición

2
Var ( Z *) = E[ Z * - E ( Z *)]
Recordemos

Z* =

ål

i Z ( xi )

i

ål

E ( Z *) = E (

i Z ( xi ) =

i

ål

i E ( Z ( xi )) =

i

å

é
= Eê
ë

ù
li (Z ( xi ) - m)ú
û

ål

im

i

2

Var [

ål

i Z ( x i )] =

i j C ( xi - x j )

i

ål

Var[

å ål l
j

å ål l g

i Z ( xi )] = -

i j ( xi - x j )

i

j

Var ( Z * ) = Var [ ål i Z ( xi )] = - å ål l g i j ( xi .0.2 + 0.1 La varianza es negativa esto se produce porque la función utilizada no esta definida positivamente .2 .8) + 2l2l3g (1)) = -(0 + 0 + 0 .(l12g (0) + l22g (0) + l32g (0) + 2l1l2g (0.5) = -0.x j ) i j .8) + 2l1l3g (0.0.

.

3 15.3 15.6 16.5 0 2 0 1.3 2.9 1.1 10.5 1 0.1 10.Variograma Teórico-propiedades 2.5 1 0.6 3.2 6.6 3.4 11.8 9.6 16.5 0.3 2.3 2.5 0 0 1.9 5.5 4 0 0 3.6 16.5 4.5 7.5 7.4 11.5 7.8 9.5 + = 2 1.4 11.2 6.7 13 14.9 .8 9.5 2 1.7 13 14.2 6.6 3.7 13 14.9 3 2.5 1.3 15.9 5.1 10.9 5.5 1 2.

g MODELOS DE VARIOGRAMA .

Modelos de Variograma Modelos de variograma isotrópicos 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 g h= æ ç ç ç è ö ÷ ÷ ÷ ø ì ï ï ïï í ï ï ï îï 0 si h = 0 c si h ¹ 0 Este modelo representa a un fenómeno completamente aleatorio. en el cual no hay correlación espacial No importa cuán cerca se encuentren los valores de las variables. siempre serán no correlacionados Variograma c Distancia .

5 c / a Representa fenómenos continuos pero no diferenciables Es uno de los modelos variograma más utilizados de Distancia .Modelo Esférico Modelo Esférico c gh= æ ç ç ç è ö ÷ ÷ ÷ ø æ ç ç ç ç ç ç ç è 3 h 1 h 2 a 2 a c Meseta c y alcance 3 ö÷ ÷ ÷ ÷ 3 ÷ ÷ ÷ ø si si h £ a h >a a Comportamiento lineal en el origen Pendiente igual a c Variograma ì ï ï ï ï ï ï ï ï ï ï í ï ï ï ï ï ï ï ï ï ï î 1.

expç ç a ÷ ÷÷ ç è øø è Alcance practico al 95 % de la meseta Rango experimental igual a 3a Comportamiento lineal en el origen Pendiente igual a 3c/a Representa fenómenos continuos pero no diferenciables Distancia .Modelo Exponencial Modelo Exponencial Meseta s que alcanza asintóticamente Alcance aparente igual a a Variograma æ æ h ö ö÷ ç ÷ g (h) = cç1 .

Modelo Gaussiano Modelo Gaussiano æ æ 2 öö ç h ÷÷ ç g (h ) = c ç1 .exp ç ÷÷ 2 ç ç a ÷÷ è øø è Rango aparente igual a a Rango experimental igual a 3a Variograma Meseta es c que alcanza asintóticamente Comportamiento cuadrático en el origen Distancia Representa fenómenos continuos infinitamente diferenciables (sumamente continuos) .

75 Meseta C y Alcance 5 h h h + 3 . 75 a3 a5 a7 c si ö 7 ÷÷ ÷ ÷ ÷ ÷ ÷ ÷÷ ø si h £ a h >a a Comportamiento cuadrático en el origen Representa fenómenos bastante continuos Variograma ì ï ï ï ï ï ï ï ï ï ï ïï í ï ï ï ï ï ï ï ï ï ï ï ïî Modelo Cúbico Distancia .Modelo Cúbico g h= æ ç ç ç è ö ÷ ÷ ÷ ø æ ç ç ç ç ç ç ç çç è c7 h 2 2 a 3 . 5 0 .8.

Modelo Seno Cardinal Modelo Seno Cardinal ( ) ö÷ æ seno h /a g (h) = cç1 ç h /a è ÷ ø Meseta c que alcanza asintóticamente Alcance experimental igual a Variograma Alcacne aparente igual a a 3a Comportamiento cuadrático en el origen Se utiliza para representar continuos con periodicidades fenómenos Distancia .

15.8 s=1.Modelo Potencia Modelo Potencia g (h ) = s h p s se denomina factor de escala El comportamiento en depende del valor de p Representa fenómenos estacionarios el origen s=2.5.4 Variograma 0£ p<2 s=0. p=1 no Distancia . p=0.4. p=1.

VARIOGRAMA CRUZADO comportamiento espacial en conjunto g ZY .

Variograma Cruzado Si Z. el variograma cruzado de ellas se define como : 1 g ZY(h) = E[(Z(x) -Z(x +h))(Y(x) -Y(x +h))] 2 Para su estimación se utiliza el variograma cruzado experimental 1 g (h) = 2N(h) * ZY å (z(x ) . Y son funciones aleatorias estacionarias o intrínsecas.z(x ))(y(x ) .y(x )) i xi -x j = h j i j .

Variograma Cruzado-propiedades

1)

g ZY (0) = 0

2)

g ZY (- h ) = g ZY (h )

3)

g ZY (h) = g YZ (h)

El variograma cruzado es una función simétrica

4) Relación con la función de covarianza cruzada

g ZY (h) = C ZY (0) -

1
(CZY (h ) + CYZ (h ))
2

CZY (h) = E [(Z(x) - mZ )(Y (x + h) - mY )]

Variograma Cruzado-propiedades

4) Desigualdad de Hölder

g ZY (h) 2 £ g Z (h) g Y (h)
Consecuencias:
El modelo de variograma cruzado no puede ser escogido independientemente de cada uno de los
variogramas individuales
El producto de cada uno de los sill de los variogramas individuales es mayor que el cuadrado del sill
del variograma cruzado

2
S ZY
£ S Z SY

Variograma Cruzado-propiedades

4) Modelo lineal de coregionalización

Permite modelar en forma consistente el variograma cruzado y los variogramas individuales

g Z (h) = u1 g1 (h) + u2 g 2 (h) + L+ um g m (h)
g Y (h) = v1 g1 (h) + v2 g 2 (h) + L+ vm g m (h)
g YZ (h) = w1 g1 (h) + w2 g 2 (h) + L+ wm g m (h)
u j > 0 vj > 0

g j , j = 1,K, m

u j v j - w 2j > 0
modelos de variogramas

VARIOGRAMA DE FUNCIONES
INDICADORAS
Modelando el comportamiento
espacial de Facies

gF

Funciones Indicadoras

La función indicadora de la facies F se define como

ì1 si x Î F
ï
1F ( x ) = í
ï 0 si no
î
Si se considera la facies F como un conjunto aleatorio entonces su función indicadora es una función aleatoria
que puede ser estacionaria o no.

En lo sucesivo asumiremos que la función indicadora de F es estacionaria

1
2
g F (h ) = E (1F (x + h ) - 1F (x ))
2

1] var (1F (x )) = p (1 .Funciones Indicadoras Propiedades 1) E (1F (x )) = P( x Î F ) = p Î [0.5 El sill de variogramas de funciones indicadoras no puede ser mayor a 0.p ) £ 0.p ]) C F (0 ) = var (1F (x )) = p (1 .p ) 2) g F (h ) £ 0.5 3) Relación con la función de covarianza g F (h ) = C F (0 ) .25 .C F (h ) C F (h ) = E ([1F (x + h ) .p ][1F (x ) .

Funciones Indicadoras 4) Desigualdad Triangular g F (h1 + h2 ) £ g F (h1 ) + g F (h2 ) En particular g F (2h ) £ 2 g F (h ) Consecuencia : Un variograma con comportamiento en el origen de la forma no puede ser el variograma de una función indicadora h p p >1 .

Funciones Indicadoras

5) Rango y Anisotropías

Variograma

g F (h) = P( xÎF y x + hÏF)

R2

R1

Distancia

Otras medidas experimentales para medir la variabilidad/continuidad espacial
N ( h)

1.- Semivariograma

1
g ( h) =
2 * N (h)

å

( zi - yi )2

i =1

N (h)

2.- Semivariograma cruzado

g zy(h) =

1
2 * N (h)

å

( zi - zi' )( yi - yi' )

i =1

N (h)
3.- Covariograma

4.- Correlograma

C ( h) =

1
N (h)

r ( h) =

å

( xi yi -mxm y )

i =1

C ( h)

s xs y

5.- Semivariograma general relativo

g (h)1

g GR (h) =
(

mx + m y 2
)
2

6.- Semivariograma relativo de pareja

N ( h) ( x - y ) 2
1
i
i
g PR(h) =
å
2 * N (h) i =1 ( xi + yi ) 2
(
)
2

7.- Semivariograma de logaritmo

1
g L ( h) =
2 * N ( h)

N ( h)

å

(ln( xi ) - ln( yi ))2

i =1

N (h )

8.- Semimadograma

1
g M (h) =
2 * N (h )

å
i =1

xi - yi

.

Estrategia de Modelamiento REF:Xavier Emery .

13 pep + 0.54 esf (100m) g vertical (h ) = 0.13 pep + 0.72 esf (80m) ¿Cuál es el modelo tridimensional? .42 esf (180m) g norte (h) = 0.13 pep + 0.Anisotropías (6) Ejemplo de ajuste g este (h) = 0.

18 esf(¥) g norte (h) = 0.42 esf (80m) + 0.13 pep + 0. 80m ) Verificación: la suma de las mesetas vale 0.12 + 0.18 esf(¥) g vertical (h) = 0.100 m.13 pep + 0.13 + 0.18 = 0.18 esf (80m) g (h) = 0.42 esf (180m.13 pep + 0.12 esf (100m) + 0.Anisotropías (7) Modelo tridimensional g este (h) = 0.42 esf (180m) + 0.100 m.12 esf(¥) + 0.42 + 0.13 pep + 0. ¥.85 = meseta total .12 esf (80m) + 0.42 esf (100m) + 0.12 esf (¥. 80 m) + 0. 80m ) + 0.18 esf (¥.

Relación de Krigen .

Varianza de un punto en un volumen Si todos los valores de z(x) en el interior de el Volumen V estuvieran disponible nosotros podríamos calcular m = V S (O / V ) = 2 1 ò z ( x)dx V V 1 ò [ z ( x) .m ] dx V 2 V V Equivalente a la esperanza y a la varianza .reemplazando La media aritmética sobre las realizaciones por una media espacial .

m ] dx V 2 V V ¨O¨ designa un punto El muestreo puntual es soporte de volumen nulo .S (O / V ) = 2 1 ò [ z ( x ) .

V ) V 2 V V .y ) dxdy = g (V .Si ahora nosotros estudiáramos todas las realizaciones De Z (x) s (O / V ) = E[ S (O / V )] 2 2 Esta es la llamada varianza de un punto en un volumen Conocida como varianza de dispersión de un punto en el Volumen V Se puede demostrar que s (O / V ) = 2 1 ò ò g ( x .

media espacial de la funcion Aleatoria Z (y) sobre el volumen v (x) m = V 1 ò z ( x)dx V V y 1 S (v / V ) = ò [ z ( x) .m ] dx V 2 2 V v V .Varianza de v en V 1 Z ( x) = ò Z ( y )dy v V v(x) Esta es la función Aleatoria .

òò g ( x .y )dxdy V v 2 2 V 2 V sea s (v / V ) = g (V .V ) . v ) 2 vv .m ] dx} V 2 2 V v V Esta es igual a 1 1 s (v / V ) = ò ò g ( x .La varianza de dispersión de v en V 1 s (v / V ) = E{ ò [ z ( x) .y )dxdy .g (v.

Relación de aditividad de Krige s (v/V) = g (V.V) 2 s (v/V) = g (V.V) -g (v.v) 2 s (v/V) =s (O/V) -s (O/ v) 2 2 2 s (O/V) =s (O/ v) +s (v/V) 2 2 2 s (v/V¢) =s (v/V)+s (V/V¢) 2 2 2 .

Varianza de bloque y varianza de dispersión .

.

.

.

.

.

.

.

.

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 .

.

.

.

.

.

Discusión de varianza de dispersión y extensión La varianza de dispersión es el promedio de las varianzas de extensión Cuando v toma todas las posiciones posible en V La varianza de estimación disminuye cuando la muestra v deviene Mas representativa del dominio V a estimar La varianza de estimación disminuye cuando el variograma es mas regular (la variable es mas continua ) .

.

.

.

.

.

Plan de trabajo Varianza de estimación definición Los tres componentes esenciales de la varianza de estimación Interpretación Cálculos Ábacos Combinación de errores elementales Precisión en la estimación Aplicación .

8 .8 0.Nociones de varianza Verdader a Estimada i Z Z* (Z-Z*)2 (Z-m)2 (Z*-m*)2 1 5 6 1 0 1 2 7 6 1 4 1 3 6 4 4 1 1 4 2 4 4 9 1 5 5 5 0 0 0 suma 25 25 10 14 4 suma/5 5 5 2 2.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

Krigeage Kriging Krigeaje. .

Krigeaje : interpolador de la geoestadística.G. Este término que tiene su origen en el apellido de D. . Matheron denominó a esta técnica Krigeage (en francés) que en ingles se convierte en Kriging y en español se escribe Krigeaje. Inicialmente. reconociendo de esta forma su aporte. Krige. que sí utiliza los análisis estructural.

Christensen et al. 1990)..1993.. en ingles.. (Schaug et al.1993. . Best Linear Unbiased Estimator). Abasov et al.El krigeaje es una técnica de estimación que proporciona el mejor estimador lineal imparcial (BLUE.

1993. Journel y Huijbregts. 1997. . 1992). 1990). Esto brinda la posibilidad de hacer análisis sobre la calidad de las estimaciones (Weerts y Bierkens. Haas. 1978. Abasov et al..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. 1977. David.

En términos mineros. mediciones que han sido obtenidas tanto en el interior como externamente al panel que se desea estimar. teniendo en cuenta la información disponible. el problema de krigeaje consiste en encontrar la mejor estimación lineal posible del contenido mineral de un panel. .

Al minimizar la varianza de estimación se garantiza el uso óptimo de la información disponible (Zhang. 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).El krigeaje consiste en efectuar una ponderación. 1996).

discutido anteriormente. con el modelo de semivariograma teórico que refleje fielmente las características de variabilidad y correlación espacial de la información disponible. se debe contar además.La geoestadística exige como primera etapa y fundamental el conocimiento del comportamiento estructural de la información. es decir. .

1993. que caracteriza la correlación espacial en esta dirección. es decir a través de los estratos. particularmente. obteniéndose un modelo conjunto para la estimación de bloques (Pan y Arik. de estar condicionada en una dirección por diversos parámetros (Rivoirard y Guiblin. y el segundo en los estratos.En el caso minero. por la forma en que se presenta la información. 1997). . 1997). Armstrong y Carignan. el primero. se debe obtener modelos de variogramas verticales y horizontales.

Los bloques a estimar son definidos con dimensiones convenientes a la unidad de selección minera. es decir. la distancia hasta la cual las muestras se encuentran correlacionadas espacialmente. . teniendo en cuenta el espaciamiento entre muestras y el alcance estructural. Las ecuaciones del krigeaje se obtienen entonces de acuerdo las hipótesis de la geoestadística que deben ser asumidas y verificadas como ya se indicó.

y una función aleatoria intrínseca. para una función aleatoria estacionaria de esperanza desconocida. método conocido como Krigeaje Simple. método conocido para los dos últimos casos como Krigeaje Ordinario. .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.

-Krigeage ordinario : Variable estacionaria de media no conocida 3.-Krigeage Simple : Variable estacionaria de media conocida 2.-Krigeage Universal Variable no estacionari .Existen cuatro Krigeage uní variable 1.-Krigeage de la media :Variable estacionaria 4.

Minimizar la varianza de estimación Utilizar el ponderador de Lagrange para minimizar .

Minimizar la varianza Entrega un sistema de ecuaciones llamadas sistema del Krigeage .

O.Es un estimador lineal Z*k (x₀) = λ₁ Z (X₁) + λ₂ Z (X₂) . Z*k (x₀) = λ₁ Z (X₁) + λ₂ Z (X₂) a)Establecer Sistema Krigeage.. 1.Krigeage Sea X₁ X₀ d X₂ d K.

Z (X₀)] = 0 λ₁ m + λ₂ m – m = 0 λ₁ + λ₂ = 1 .Z (x₀)] = 0 Ε [λ₁ Z (X₁) + λ₂ Z (X₂) .Es insesgado Ε [Z*(x₀)] = Ε [Z (x₀)] Ε [Z*(x₀) ..2.

λ₀ λ₁ γ₀₁ .λ₂² γ₂₂ .λ₂ λ₀ γ₂₀ + λ₂ λ₁ γ₂₁ + λ₂ λ₂ γ₂₂] = -λ₁² γ₁₁ .2 λ₁ λ₂ γ₁₂ + 2 λ₀ λ₁ γ₁₀ + 2 λ₀ λ₂ γ₂₀ .Z₀) = VAR (λ₁ Z₁ + λ₂ Z₂ ..Xj) 2 VAR (∑ Zi) = -[+ λ₀ λ₀ γ₀₁ .∑∑ λi λj γ (Xi .λ₀ λ₂ γ₀₂ .Varianza de estimación (Varianza del error) Blue: Best Linear unbiased estimate VAR (Z* .λ₀² γ₀₀ .3.Z₀) VAR (Z) = .λ₁ λ₀ γ₁₀ i=0 + λ₁ λ₁ γ₁₁ + λ₁ λ₂ γ₁₂ .

X₀) i=1 Ø = VAR [Z* .1) .γ₀₀ .λ₂² γ (0) + 2 λ₁ γ (d) + 2 λ₂ γ (d) – 2 μ (λ₁ + λ₂ .Z₀] – 2 μ (∑ λi – 1) = .Pero λ₀ = 1 = -λ₁² γ₁₁ .λ₂² γ₂₂ .2 λ₁ λ₂ γ₁₂ + 2 λ₁ γ₁₀ + 2 λ₂ γ₂₀ 2 2 2 j= 1 i=1 ∑ ∑ λi λj γ (Xi – Xj) – 2 ∑ λi γ (Xi .X₀) – γ (X₀ .λ₁² γ (0) – 2 λ₁ λ₂ γ (2d) .

∂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 .

λ₂ γ (2d) μ = γ (d) – (1/2) γ (2d) .λ₁ = λ₂ = ½ μ = γ (d) .

Krigeage puntual :Minimizar la varianza Este es el sistema de Krigeage .

Krigeage Puntual Varianza del krigeage .

Krigeage de bloque Sistema de Krigeage .

Krigeage Simple Es llamada el pesos de la media .

-Es menos utilizado .-Debe estar seguro de que “ m “ esta bien estimado .-Sus ecuaciones son mas simples .El krigeage simple .

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 .

Meseta 2.0 .Krigear un bloque Variograma Esférico :Alcance 250 m .

Krigear un bloque El sistema de Krigeage es .

Krigear un bloque .

Krigear un bloque Solución .

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 .

C*Sph(h/a)+C0 .

.

José Delgado .

-Transitiva .-Toma en cuenta la continuidad espacial de los datos 6.-Toma en cuenta la posición de los puntos en el espacio 5.-Efecto de alisamiento 7.Propiedades del Krigeage: 1.-Interpolador exacto 3.-Efecto pantalla 4. coherencia en lo estimado .-Lineal sin sesgo y con mínima varianza 2.-Casi sin sesgo condicional 8.

.

Efecto de simetría λ1= A λ2=λ3 =λ4 =λ5=B λ6=λ7 =λ8 =λ9=C λ10=λ11 =λ12 =λ13=D Efecto Pantalla λ10=λ11 =λ12 =λ13=0 .