Professional Documents
Culture Documents
Geoestadistica I
mineras
integrantes:
Tony yallerco
tutor:
Arequipa-Per
2017
1
DEDICATORIA
El presente trabajo es dedicado a nuestros padres a los que nos dieron un estudio y una buena
educacin gracias a ellos seguimos adelante estudiando con ms fuerza, ellos son nuestra
motivacin para seguir adelante, por eso este trabajo va dedicado a nuestros padres.
2
AGRADECIMIENTO:
Agradecemos primero que nada a Dios por estar con nosotros y guiarnos siempre, a Ud. Ingeniero
nuestra carrera de las que estamos seguros que nos ser muy tiles en nuestra futura vida
profesional.
3
PRESENTACION
En el presente informe les daremos a conocer los conceptos bsicos y la informacin necesaria
para tener nocin y conocer del importante tema de las Variables Regionalizadas e Hiptesis
Estacionaria.
4
INDICE:
DEDICATORIA ............................................................................................................................. 1
AGRADECIMIENTO: ................................................................................................................... 3
PRESENTACION........................................................................................................................... 4
PRESENTACION........................................................................................................................... 6
OBJETIVOS ................................................................................................................................... 7
MARCO CONCEPTUAL ............................................................................................................ 8
Los Mtodos Tradicionales de Estimacin de Recursos Mineros ............................... 8
La media aritmtica ............................................................................................................... 9
Los polgonos. ...................................................................................................................... 11
El mtodo del inverso de la distancia ............................................................................ 12
La palabra kriging ...................................................................................................................... 15
EL PROBLEMA DEL KRIGEADO Y SU INTERES. ....................................................... 15
LAS ECUACIONES GENERALES DEL KRIGEADO. .................................................... 17
Validacin del kriging............................................................................................................. 19
Kriging Ordinario ................................................................................................................... 20
CONCLUSIONES: ....................................................................................................................... 22
RECOMENDACIONES ............................................................................................................... 23
11.-WEBGRAFIA: ....................................................................................................................... 24
5
PRESENTACION
En el presente informe les daremos a conocer los conceptos bsicos y la informacin necesaria
para tener nocin y conocer del importante tema de las Variables Regionalizadas e Hiptesis
Estacionaria.
6
OBJETIVOS
Reconocer en campo las tcnicas utilizadas para la determinacin e interpretacin
Determinar una zona, el tipo de leyes que se representen con los datos tomados en
campo
Conocer y usar los mtodos diferentes para las estimaciones de diferentes datos de
Kriging
7
MARCO CONCEPTUAL
Los Mtodos Tradicionales de Estimacin de Recursos Mineros
La estimacin de recursos mineros se puede dividir en dos partes:
Se tiene un conjunto de leyes z1, z2, . . . , zN de mineral localizadas en los puntos x1,
x2, . . . , xN
con el fin de localizar las zonas ricas y pobres dentro de esta zona S.
8
Figura I.2: Estimacin local con bloque unitario o unidad bsica de clculo.
Modelo de bloques de15mx15mx15m.
de vista crtico.
La media aritmtica
9
Figura I.3: Ejemplo bidimensional. Existe una grupacin de datos.
1 + 1 + 1 + 3 + 2 + 2 +1 11
zS = = = 1.57
7 7
1
z S = N zi
N
i =1
El mtodo de los polgonos se basa en lo siguiente: Asignar a cada punto del espacio la
ley del dato ms prximo. Para estimar una zona S se ponderan las leyes de los datos
Figura I.5: Mtodo de los polgonos. Hay que calcular el rea de 7 polgonos.
z S = 1 .3 6
1
z S = Sizi (S = S1 + S 2 + ... + SN )
S i =1
11
Figura I.6: Salar de Atacama (se trata de salmueras con contenidos de litio, boro,
potasio, sulfatos). Puntos de muestreo y de bombeo. Observar la agrupacin
(cluster) de los puntos en la zona central.
El mtodo del inverso de la distancia se basa en lo siguiente: Asignar mayor peso a las
12
Ponderar las leyes por 1/ di , ( = 1, 2, . . . ; di = distancia entre la muestra i y el centro
de gravedad de S).
Figura I.7: Mtodo del inverso de la distancia a la potencia alfa. Hay que calcular las
distancias entre los datos y el centro del bloque
13
La frmula general es:
zi
N
d
i =1 i
zS = N ( > 0)
1
i =1 di
A veces, para evitar el problema de las agrupaciones de datos, se utiliza una bsqueda
14
La palabra kriging
La (expresin anglosajona) procede del nombre del gelogo sudafricano D. G. Krige, cuyos
considerarse como pioneros en los mtodos de interpolacin espacial. Kriging encierra un conjunto
medio de prediccin. Los mtodos kriging se aplican con frecuencia con el propsito de
prediccin, sin embargo estas metodologas tienen diversas aplicaciones, dentro de las cuales se
15
Esta condicin de homogeneidad es fundamental. No se puede hacer un krigeado entre porciones
heterogneas de un mismo depsito, y ms particularmente, en el caso cuando las muestras y el
panel a estimar sobrepasan los lmites de la mineralizacin geolgicamente homognea. (Se trata
entonces, en sentido estricto, de una dilucin y no de un krigeado; en general, no es posible,
enunciar reglas a priori: los coeficientes de dilucin, corrientemente, son determinados por la
experiencia).
Para ilustrar esta nocin, imaginemos un yacimiento filoniano reconocido por dos galeras AA y
BB
Se considera que las leyes de BB con explotables, mientras que las leyes de AA son explotables
en el segmento CC. Si nos contentamos con calcular la media de las leyes BB y CC, estamos
seguros de cometer un error por exceso: porque los trozos AC y CA pobres por construccin
tienen una influencia no despreciable sobre el trapecio BB CC. Si fuera posible dibujar una
frontera precisa entre mineral explotable e inexplotable, en general, la frontera real, no coincidira
16
con las rectas BC o BC, sino que sera una curva cualquiera, a menudo bastante irregular, tal
como la lnea complicada BDEFC. Adems en el panel rico subsistiran enclaves pobres y
recprocamente. En la explotacin estaremos obligados de abandonar ciertas porciones ricas, y de
tomar ciertas partes pobres, y este ensuciamiento traduce de manera concreta la influencia de los
trozos pobres AC y CA sobre el panel rico (como se trata de un yacimiento homogneo, y que la
frontera precisa de la ley es dudosa, nosotros hablaremos de krigeado, y no de ensuciamiento.
Emplearemos la palabra ensuciamiento en el caso en el cual los minerales ricos y pobres son
geolgicamente heterogneos, y estn separados por una frontera continua, representable por una
curva relativamente regular, tal como BDEC, que, por otra parte, no tiene ninguna razn para
coincidir con la recta BC). En este caso el krigeado conduce a ponderar las leyes de BB, CC, y
de los trozos AC y CA por coeficientes convenientes, que seran - por ejemplo 60% para BB,
27% para CC y 13% para los dos trozos.
El efecto esencial de esta ponderacin es eliminar en promedio un error sistemtico por exceso,
luego un error inquietante. Al considerar este objetivo primordial, la mejora de la precisin
propiamente dicha, aparece como secundaria.
De una manera general, el problema del krigeado puede ser formulado de la manera siguiente: sea
un depsito homogneo con un cierto variograma (istropo o no), en el cual se han tomado n
muestras S1, S2, ..., Sn, cuyas leyes (conocidas) son X1, X2, ..., Xn. Se desea encontrar el mejor
estimador Z*, es decir:
La segunda condicin es una condicin de varianza mnima. Esta condicin expresa que los
coeficientes ai del krigeado tienen valores tales que teniendo en cuenta la condicin imperativa
(22) la varianza D2 (Z-Z*), la cual mide la magnitud del error posible, tome su valor mnimo.
Entonces, teniendo en cuenta la relacin (21), esta varianza tiene la expresin:
17
Se obtiene entonces un sistema de n+1 ecuaciones lineales con n+1 incgnitas (los ai y el
multiplicador de Lagrange ). Como este parmetro de Lagrange no presenta inters por s solo,
buscaremos eliminarlo. Para ello, se har jugar un papel particular a una de las muestras, por
ejemplo Sn (en la prctica se elegir una muestra que ocupe una posicin privilegiada respecto de
las n-1 restantes, por ejemplo una posicin central) y se escribir la condicin (22) en la forma:
Se elimina al restar la ltima ecuacin de las n-1 anteriores, y se reemplaza an por su valor. Si
se pone:
La solucin de este sistema de n-1 ecuaciones lineales con n-1 incgnitas permite el clculo
efectivo de los n coeficientes de krigeado, an se determina segn.
Los valores as obtenidos se pueden introducir en la expresin (23) de la varianza de estimacin,
se obtiene entonces el valor mnimo K2 de la
varianza, que llamaremos varianza de krigeado. Vemos que esta varianza toma la forma muy
simple siguiente:
18
La primera parte de esta frmula representa la varianza de extensin:
elegido con respecto a los datos mustrales y por ende de las predicciones hechas con kriging. El
puntos mustrales y con los n-1 valores restantes y el modelo de semivariograma escogido,
predecir va kriging el valor de la variable en estudio en la ubicacin del punto que se excluy. Se
piensa que si el modelo de semivarianza elegido describe bien la estructura de auto correlacin
espacial, entonces la diferencia entre el valor observado y el valor predicho debe ser pequea. Este
procedimiento se realiza en forma secuencial con cada uno de los puntos mustrales y as se obtiene
errores de prediccin para diferentes modelos de semivarianza y seleccionar aquel que optimice
algn criterio como por ejemplo el del mnimo error cuadrtico medio (MECM). Este
diversos contextos estadsticos para calcular varianzas de estimacin, entre otros aspectos. Una
valores observados contra los valores predichos. En la medida en que la nube de puntos se ajuste
ms a una lnea recta que pase por el origen, mejor ser el modelo de semivariograma utilizado
diferentes de los mustrales va kriging, se debe elaborar un mapa que d una representacin global
del comportamiento de la variable de inters en la zona estudiada. Los ms empleados son los
mapas de contornos, los mapas de residuos y los grficos tridimensionales. En el caso de los mapas
19
en cada uno de los nodos de ste mismo. Posteriormente se unen los valores predichos con igual
valor, generando as las lneas de contorno (isolneas de distribucin). Este grfico permite
Confianza. Asumiendo que los errores de prediccin siguen una distribucin normal estndar y
Kriging Ordinario
Suponga que se hacen mediciones de la variable de inters Z en los puntos xi , i= 1, 2,..., n, de la
regin de estudio, es decir se tienen realizaciones de las variables Z(x1), . . . , Z(xn), y se desea
predecir Z(xo), en el punto x0 donde no hubo medicin. En esta circunstancia, el mtodo kriging
ordinario propone que el valor de la variable puede predecirse como una combinacin lineal de las
en donde los i representan los pesos o ponderaciones de los valores originales. Dichos pesos se
calculan en funcin de la distancia entre los puntos muestreados y el punto donde se va a hacer la
correspondiente prediccin. La suma de los pesos debe ser igual a uno para que la esperanza del
predictor sea igual a la esperanza de la variable. Esto ltimo se conoce como el requisito de
20
Asumiendo que el proceso es estacionario de media m (desconocida) y utilizando las propiedades
del valor esperado, se demuestra que la suma de las ponderaciones debe ser igual a uno:
Se dice que Z * (x0) es el mejor predictor, lineal en este caso, porque los pesos se obtienen de tal
manera que minimicen la varianza del error de prediccin, es decir que minimicen la expresin:
21
CONCLUSIONES:
Se reconoci satisfactoriamente las diferentes tcnicas explicadas en el
22
RECOMENDACIONES
En las diferentes tcnicas vistas anteriormente ninguna posee una exactitud del 100% ya
que siempre conlleva a una simulacin terica la cual en la prctica se podra apreciar
23
11.-WEBGRAFIA:
http://cg.ensmp.fr/bibliotheque/public/matheron_ouvrage_00536.pdf
https://es.scribd.com/doc/315459789/introduccion-a-la-teoria-de-variables-
regionalizadas-pptx
http://cg.ensmp.fr/bibliotheque/public/MATHERON_Ouvrage_00638.pdf
http://digibug.ugr.es/bitstream/10481/34751/1/ChicaOlmo_VariablesRegionaliz
adas.pdf
24