Professional Documents
Culture Documents
a la
Geoestadstica
Mina:
Compaa:
Fecha:
Instructor:
Introduccin a la Geoestadstica
Objetivo:
Familiarizarlos con los conceptos bsicos
de estadstica, y con las herramientas para
geoestadstica disponibles para resolver
problemas geolgicos y de estimacin de
recursos/reservas de un deposito mineral
Capacitacin en Geoestadistica MineSight
Estadstica Clsica
Los valores de muestreo son las
realizaciones de variables aleatorias
(seleccionadas al azar)
Geoestadstica
Los valores de muestreo son las
realizaciones de variables aleatorias
(seleccionadas al azar)
Las muestras son correlacionadas en
base a su ubicacin en el espacio
El valor de una muestra es una funcin de
su posicin en el deposito mineralizado
Toma en consideracin la correlacin
espacial de las muestras
Capacitacin en Geoestadistica MineSight
Definiciones
Estadstica
Geostadistica
Universo
Unidad de muestra
Soporte
Poblacin
Variable aleatoria (al azar)
Capacitacin en Geoestadistica MineSight
Estadstica
Es el conjunto de principios y mtodos
utilizados para analizar datos numricos
Incluye todas las operaciones desde la
coleccin y el anlisis de los datos hasta la
interpretacin de los resultados
Geoestadstica
Durante este curso, la Geoestadstica se
referir slo a los mtodos y herramientas
utilizadas en el anlisis de reservas de un
deposito mineral
Universo
Es la fuente de todos los datos posibles
Unidad de muestreo
Es la parte del universo en la cul se lleva
a cabo las medidas, o los muestreos
10
Soporte
Es una caracterstica de la unidad de
muestreo
Se refiere al tamao, la forma y la
orientacin de las muestras
Por ejemplo, las muestras de sondajes no
tendrn el mismo soporte que las muestras
de voladuras
Capacitacin en Geoestadistica MineSight
11
Poblacin
Tal como con el universo, poblacin se
refiere a la categora general bajo
consideracin
Es posible tener varias poblaciones dentro
del mismo universo
Por ejemplo, la poblacin de las leyes
provenientes de sondajes vs. la poblacin
de leyes provenientes de blastholes.
La unidad de muestreo y su soporte deben
ser especificados para cada poblacin
12
Capacitacin en Geoestadistica MineSight
13
Distribucin de Frecuencia
Funcin de Densidad de Probabilidad (pdf)
Continua (leyes):
1.f(x) 0 , xiR
2.f(x)dx = 1
Capacitacin en Geoestadistica MineSight
14
Distribucin de Frecuencia
Funcin de Densidad Acumulativa (cdf)
Proporcin de la poblacin debajo de cierto
valor:
F(x) = P(Xx)
1. 0F(x) 1 para todos los x
2. F(x) es incremental
3. F(-)=0 y F()=1
Capacitacin en Geoestadistica MineSight
15
Ejemplo
Consideremos la siguiente poblacin de
medidas:
1, 7, 1, 3, 2, 3, 11, 1, 7, 5
16
PDF
(Funcin de Densidad de Probabilidad)
17
CDF
(Funcin de Densidad Acumulativa)
18
Medidas Descriptivas
Medidas de ubicacin:
Media (mean)
Mediana (median)
Moda (mode)
Mnimo, Mximo
Cuartiles
Percentiles
Capacitacin en Geoestadistica MineSight
19
Media (mean)
,i=1,...,n
20
Media (mean)
Ejemplo:
Cual es la media aritmtica de la siguiente
poblacin?
1, 7, 1, 3, 2, 3, 11, 1, 7, 5
m =?
Capacitacin en Geoestadistica MineSight
21
Media (mean)
m = (1+ 7+ 1+ 3+ 2+ 3+ 11+ 1+ 7+ 5)/10
= 41/10
= 4.1
22
Media (mean)
Cual es la media si sacamos el valor mas
alto de la poblacin?
23
Media (mean)
m = (1+ 7+ 1+ 3+ 2+ 3+ 1+ 7+ 5)/9
= 30/9
= 3.33
24
Mediana (median)
Es el punto medio de los valores de los
datos si estos estn distribuidos en orden
ascendente
M = x(n+1)/2
si n es impar
M = [x n/2+x(n/2)+1]/2 si n es par
Capacitacin en Geoestadistica MineSight
25
Mediana (median)
Cual es la mediana de la poblacin en
nuestro ejemplo?
M=?
Sortear los datos en orden ascendente:
1, 1, 1, 2, 3, 3, 5, 7, 7 ,11
M=3
26
Otros
Moda (mode)
Mnimo (minimum)
Mximo (maximum)
Cuartiles (quartiles)
Deciles (deciles)
Percentiles (percentiles)
Cuantiles (quantiles)
27
Moda (Mode)
Es el valor que ocurre con mas frecuencia
En nuestro ejemplo:
1, 1, 1, 2, 3, 3, 5, 7, 7 ,11
Mode = 1
Capacitacin en Geoestadistica MineSight
28
Cuartiles (quartiles)
Divide los datos en cuatro partes
Q1 = 1st cuartil
Q3 = 3rd cuartil
En el ejemplo:
Q1= ?
Q3= ?
29
Cuartiles
1, 1, 1, 2, 3, 3, 5, 7, 7 ,11
Q1= 1
Q3= 7
30
D1= 1
D3= 1
D9= 7
31
Promedio de PDF
Mean(=4.1)
32
Max
33
Media en la CDF
34
Medidas Descriptivas
Medidas de amplitud (spread):
Varianza
Desviacin Estndar
Rango Entre Cuartiles
35
Varianza
S2 = 1/n (xi-m)2
i=1,...,n
36
Varianza
Ejemplo:
1, 1, 1, 2, 3, 3, 5, 7, 7 ,11
M=4.1
S2= 1/9 {(1-4.1)2+ (1-4.1)2+ (1-4.1)2+ (2-4.1)2+ (3-4.1)2+
(3-4.1)2+ (5-4.1)2+ (7-4.1)2+ (7-4.1)2+ (11-4.1)2 }
= 1/9 (9.61+ 9.61+ 9.61+ 4.41+ 1.21+ 1.21+ 0.81+ 8.41+
8.41+ 47.61)
= 100.9/9
= 11.21
37
Varianza
Si quitamos el valor mas alto:
1, 1, 1, 2, 3, 3, 5, 7, 7
M= 3.33
S2=1/8 {(1-3.33)2+ (1-3.33)2+ (1-3.33)2+ (2-3.33)2+ (3-3.33)2+
(3-3.33)2+ (5-3.33)2+ (7-3.33)2+ (7-3.33)2
= 1/8 (5.43+ 5.43+ 5.43+1.769+ 0.109+ 0.109+ 2.789+
13.469+ 13.469)
= 48/8
=6
38
Desviacin Estndar
s = s2
Es expresado en las mismas unidades que la
variable
Nunca es negativo
39
Desviacin Estndar
Ejemplo:
S2= 11.21
S = 3.348
S2 = 6
S = 2.445
Capacitacin en Geoestadistica MineSight
40
41
42
Sesgo
Sesgo= [1/n (xi-m)3] / s3
Tercer momento de inercia sobre el promedio
dividido por el cubo de la desviacin estndar
Positivo - cola a la derecha
43
Sesgo
Ejemplo:
1, 1, 1, 2, 3, 3, 5, 7, 7 ,11
M =4.1
Sk = [1/10 {(1-4.1)3+ (1-4.1)3+ (1-4.1)3+ (2-4.1)3+ (3-4.1)3+
(3-4.1)3+ (5-4.1)3+ (7-4.1)3+ (7-4.1)3+ (11-4.1)3 } ]/
3.348 3
= {1/10 (-29.79-29.79-29.79-8.82-1.33 1.33+ 0.73+
24.39+ 24.39+328.51)} /37.52
= 277.2/375.2
=0.738
Capacitacin en Geoestadistica MineSight
44
Sesgo
Si quitamos el valor mas alto:
1, 1, 1, 2, 3, 3, 5, 7, 7
M=3.3
Sk= [1/9 {(1-3.3)3+ (1-3.3)3+ (1-3.3)3+ (2-3.3)3+ (3-3.3)3
+ (3-3.3)3+ (5-3.3)3+ (7-3.3)3+ (7-3.3)3 } ]/ 2.445 3
= {1/9 (-12.17- 12.17- 12.17- 2.2- 0.03- 0.03+ 4.91+
50.65+ 50.65)} / 14.61
= 67.44/131.54
= 0.513
45
Capacitacin en Geoestadistica MineSight
Sesgo Positivo
46
47
Coeficiente de Variacin
CV = s/m
No tiene unidades
Desviacin estndar dividido por el promedio
Puede ser til para comparar la dispersin
relativa de valores entre distintas distribuciones
CV > 1 indica una variabilidad alta
Capacitacin en Geoestadistica MineSight
48
Coeficiente de Variacin
En el ejemplo:
CV = 3.348/4.1 =0.817
Si quitamos el valor mas alto:
CV = 2.445/3.33=0.743
49
Distribucin Normal
f(x) = 1 / (s 2) exp [-1/2 ((x-m)/s)2]
Es simtrica y acampanada
La frecuencia acumulativa es una lnea recta
68% de los valores estn dentro del rango +/- 1
desviacin estndar
95% de los valores estn dentro del rango +/- 2
desviaciones estndar
Capacitacin en Geoestadistica MineSight
50
51
52
53
Por lo tanto,Capacitacin
16% de las
muestras en
la poblacin son > 0.5
en Geoestadistica
MineSight
54
Distribucin Lognormal
El logaritmo de la variable aleatoria tiene
una distribucin normal
f(x) = 1 / (x 2 ) e u
,x > 0, > 0
en donde:
u= (ln x - ) 2 / 22
= promedio de los logaritmos
= varianza de los logaritmos
Capacitacin en Geoestadistica MineSight
55
56
Sesgado positivo
57
58
Distribucin de 2 Variables
(Bivariable )
Distribucin conjunta de las ocurrencias de dos
variables X e Y :
F(x,y) = Prob {Xx y Yy}
En la practica, esto se estima usando la
proporcin de pares de datos X e Y en conjunto y
debajo de sus umbrales respectivos.
Capacitacin en Geoestadistica MineSight
59
Anlisis Estadstico
Organizar, entender y/o describir los datos
Chequeo de errores
Condensar la informacin
Intercambiar la informacin de forma
uniforme
60
Chequeo de Errores
Nunca usar cero para definir valores que no
existen
Chequear por errores de tipeo
Ordenar los datos y examinar los valores
extremos
Plotear secciones y planos para encontrar
errores en las coordenadas de las muestras
Ubicar los valores extremos en un mapa.
Estn aislados, o tienen alguna tendencia?61
Capacitacin en Geoestadistica MineSight
Distribucin de frecuencias
Histogramas
Tablas de frecuencia acumulativa
Ploteos de probabilidad
Ploteos de datos dispersos (Scatter
Plots)
Ploteos de tipo Q-Q
Capacitacin en Geoestadistica MineSight
62
Correlacin
Coeficiente de correlacin
Regresin Linear
Mapas de ubicacin de datos
Mapas de contornos (contour maps)
Mapas de smbolos (impresora)
Estadstica de ventanas mviles
Efecto proporcional
Capacitacin en Geoestadistica MineSight
63
Histogramas
Despliegue visual de la distribucin de los
datos
La distribucin bimodal resalta
Se puede visualizar los valores de alta ley
(outliers)
64
.
0
.999 2.700 +
.
0
.999 3.500 +
.
0
.999 3.600 +
.
0
.999 3.700 +
.
1
1.000 3.800 +
.
-----------+ .........+ .........+ ......... + .........+ . ........ +
925 1.000
0
20
65
66
67
68
69
Ploteos de Probabilidad
Muestra si la distribucin es normal o
lognormal
70
Ploteo de Probabilidad
71
72
73
Regresion Linear
y = ax + b
donde:
a = pendiente de la recta
a = r (y/x)
b = constante
b = my - amx
Capacitacin en Geoestadistica MineSight
74
Regresion Linear
Diferentes rangos de datos pueden ser
descritos de forma adecuada por
diferentes regresiones
Cu<5, Mo<0.5
=0.8215
y= 0.109x +0.0029
75
Regresin Linear
Cu<5, Mo<0.5
=0.8215
y= 0.109x +0.0029
76
77
Ploteo Q-Q
78
Covarianza
Covxy= 1/n (xi-mx)(yi-my)
;i=1,...,n
79
80
81
82
Covarianza
Es afectada por la magnitud de los valores
de los datos:
Al multiplicar los valores de x e y por C, la
covarianza aumentar en C2.
83
Covarianza
C = 2097.5
C=20.975
Capacitacin en Geoestadistica MineSight
84
Correlacin
Hay tres casos de correlacin entre dos
variables:
Correlacionadas positivamente
Correlacionadas negativamente
No correlacionadas
85
Coeficiente de Correlacin
r = Covxy / xy
donde:
;i=1,...,n
86
Coeficiente de Correlacin
r = 0.99
Capacitacin en Geoestadistica MineSight
87
Coeficiente de Correlacin
r = -0.03
Capacitacin en Geoestadistica MineSight
88
Coeficiente de Correlacin
r = -0.97
Capacitacin en Geoestadistica MineSight
89
Coeficiente de Correlacin
Mide la dependencia linear
r = -0.08
90
91
92
Mapas de Smbolos
Cada uno de los valores son
representados por un smbolo
correspondiente a la clase a la cual
pertenecen
Diseado para la impresora en lnea
Generalmente no es a escala
93
94
Efecto Proporcional
Casos Posibles:
El promedio y la variabilidad son constantes
El promedio es constante, la variabilidad flucta
El promedio varia, la variabilidad es constante
95
96
97
98
Continuidad Espacial
Ploteos de Datos Dispersos (h-scatter
plots)
Se plotea el valor de la muestra en cada
ubicacin versus el valor de otra ubicacin
cercana
99
Continuidad Espacial
Una serie de ploteos de datos dispersos (hscatter plots) para varias distancias de
separacin puede mostrar como la
continuidad espacial se deteriora con el
aumento de la distancia.
Tambin se puede resumir la continuidad
espacial calculando el ndice de la fuerza
de la relacin aparente en cada ploteo de
datos dispersos (h-scatter plot)
Capacitacin en Geoestadistica MineSight
100
Continuidad Espacial
101
Momento de inercia
Para ploteos de datos dispersos que son simtrico
alrededor de la lnea x=y, el momento de inercia
alrededor de esta lnea puede ser utilizado como un
ndice de la fuerza de la relacin.
= momento de inercia alrededor de x=y
= promedio de la distancia cuadrada desde x=y
=1/n [1/2 (xi-yi)] 2
=1/2n (xi-yi)2
102
Momento de inercia
X-Y
Y
(X-Y)/2
(X,Y)
103
Variograma
Mide la correlacin entre muestras en el
espacio
(h) = 1 / 2n [Z(xi) - Z(xi+h)]2
El semi-variograma ser referido como
variograma para mayor conveniencia
104
Variogramas
Funcin de la distancia
Son un Vector
105
106
Elementos de Variogramas
107
Clculos de Variograma
h = 15 m.
108
Calculos - Parte 1
Para el primer paso (h=15), hay 4 pares:
1. x1 and x2 , o sea .14 and .28
2. x2 and x3 , o sea .28 and .19
3. x3 and x4 , o sea .19 and .10
4. x4 and x5 , o sea .10 and .09
(15) = 0.00448
Capacitacin en Geoestadistica MineSight
109
Calculos - Parte 2
Para el segundo paso (h=30), hay 3 pares:
1. x1 and x3 , o sea .14 and .19
2. x2 and x4 , o sea .28 and .10
3. x3 and x5 , o sea .19 and .09
(30) = 0.00748
110
Calculos - Parte 3
En el tercer paso (h=45), hay 2 pares:
1. x1 and x4 , o sea .14 and .10
2. x2 and x5 , o sea .28 and .09
(45) = 0.00942
111
Clculos - Parte 4
En el cuarto paso, (h=60), solamente hay un par:
1. x1 and x5 . Sus valores son .14 and .09
Entonces, para h=60, obtenemos:
(60) = 0.00125
Si tomamos otro paso (h=75), vemos que ya no hay
pares. Entonces, el calculo de los variogramas en
112
este ejemplo
termina cuando h = 60.
Capacitacin en Geoestadistica MineSight
113
115
Lag,Ventanas y Anchos de
Bandas Direcciones mltiples
116
117
118
119
Ploteo de Variogramas
121
Anisotropa
La distancia sobre la cual las muestras son
correlacionadas (rango) generalmente no son
iguales entre diferentes direcciones
La mineralizacin puede ser mas continua en
una direccin que en otra.
Los variogramas se calculan para diferentes
direcciones.
123
Tipos de Anisotropa
Geomtrica
Los mismos umbrales y pepitas, pero
los rangos son diferentes
Zonal
Los mismos rangos y pepitas, pero los
umbrales son diferentes
Capacitacin en Geoestadistica MineSight
124
Modelamiento de Anisotropia
Geometrica
125
Modelamiento de Anisotropia
Zonal
126
Modelamiento de Anisotropa
Geomtrica: Receta
1. Calcular variogramas en diferentes direcciones
2. Manteniendo la pepita y el umbral constantes,
ajustar un modelo uni-dimensional a los
variogramas de muestra de todas direcciones.
3. Formar un diagrama de rosa de los rangos e
identificar la direccin del rango mas largo
Modelado de Anisotropia
Zonal: Receta
1. Calcular variogramas en diferentes direcciones
2. Manteniendo pepita constante, ajuste modelos unidimensionales a los variogramas en todas las
direcciones. Guardar estos modelos para
sobreponer luego.
3. Determinar la direccin de los ejes mayor, menor, y
vertical.
4. Utilizar estructuras anidadas para tratar de ajustar
visualmente el modelo inicial mientras se mantiene
el umbral constante (Ver Newsletter Junio 2001
128
para masCapacitacin
detalles)
en Geoestadistica MineSight
Diagrama de Rosa
La longitud de los ejes corresponde a los rangos
del variograma
45o
0o
90o
135o
129
Contornos de Variogramas
130
Estructuras Anidadas
131
Tipos de Variogramas
Normal
Relativo
Logartmico
Funcin de Covarianza (Covariance
Function)
Correlogramas
Variogramas de Indicadores
Variogramas
Capacitacin cruzados
en Geoestadistica MineSight
132
Variograma Relativo
R (h) = (h) / [m(h) + c]2
c es una constante usada para el caso de una distribucin lognormal
de tres parmetros.
133
Variograma Logartmico
Variograma usando los logaritmos en vez de
los valores de los datos
y = ln x
y = ln (x + c) para lognormal de 3 parmetros
Reduce o elimina el impacto de datos con
valores extremos en la estructura del
variograma
Capacitacin en Geoestadistica MineSight
134
135
136
Correlogramas
r(h) = C(h) / ( -h . +h )
-h es la desviacin estndar de los datos ubicados
a una distancia h de los otros datos :
2-h = 1/N (vi2 - m2-h )
137
Variograma Indicador
1, si z(x) < zc
i(x;zc) =
0, de otro modo
donde:
x es la ubicacin,
zc es una ley de corte especificada,
z(x) es el valor del dato en la ubicacin x.
Capacitacin en Geoestadistica MineSight
138
Variogramas Cruzados
CR (h) = 1/2n [u(xi)-u(xi+h)]2 * [v(xi)-v(xi+h)]2
Usados para describir continuidad cruzada
entre dos variables
Son necesarios para co-kriging y kriging
probabilstico
139
Validacin Cruzada
Pronostica el valor de un dato conocido
usando un plan de interpolacin
Solamente los puntos que se encuentran
alrededor son usados para estimar el valor
del punto, dejando fuera el valor del dato
conocido.
Otros nombres: Validacin de Puntos,
(Point validation), jack-knifing
Capacitacin en Geoestadistica MineSight
140
Validacin Cruzada
Da un valor mnimo para el error de
estimacin del promedio
141
Validacin Cruzada
El error ponderado al cuadrado (weighted square
error WSE) se calcula de la siguiente forma:
142
Promedio
Desv. Estand.
Mnimo
Mximo
Sesgo
Peakedness
=
=
=
=
=
=
ACTUAL KRIGING
DIFF
0.6991
0.7037 -0.0045
0.5043
0.3870
0.2869
0.0000
0.0200 -0.9400
3.7000
2.1000
2.2100
1.0641
0.5634
1.3559
2.0532 -0.0214
7.0010
0.3890
0.0815
143
144
La Necesidad de Modelar
Supongamos que tenemos el conjunto de datos de
mas abajo. Esta presentacin no proporciona
ninguna informacin sobre el perfil de los datos.
145
Modelos Deterministas
Depende de:
Contexto de los datos
Informacin exterior (no contenida en los
datos)
146
Modelos Probabilstas
Las variables de inters en ciencias de la tierra
son generalmente el resultado de un gran
nmero procesos, cuya compleja interaccin no
se puede describir cuantitativamente.
Los modelos probabilstas reconocen esta duda
y proporcionan las herramientas para estimar
valores en las localizaciones desconocidas una
vez que algunas asunciones sobre las
caractersticas estadsticas del fenmeno se
hagan.
Capacitacin en Geoestadistica MineSight
147
Modelos Probabilstas
En un modelo probabilstico, los datos de
muestra disponibles se observan como
resultado de un proceso aleatorio.
Los datos no son generados por un proceso
aleatorio; si no que, su complejidad aparece
como comportamiento aleatorio
148
149
150
Condiciones de Probabilidad
Si las probabilidades son representadas
por el pi, para los acontecimientos posibles
de n, entonces
1.
0 pi 1
2.
pi = 1
Capacitacin en Geoestadistica MineSight
151
152
153
154
155
Valores previstos
El valor previsto de una variable aleatoria es
su promedio o el medio del resultado.
= E(x)
E(x) se refiere a la expectativa:
E(x) = - x f(x) dx
donde f(x) es la funcin de probabilidad de la densidad
de la variable aleatoria x.
Capacitacin en Geoestadistica MineSight
156
(x-)2 f(x) dx
Desviacin Estndar es
Capacitacin en Geoestadistica MineSight
157
Valor previsto
Ejemplo:
Defina la variable aleatoria
L=resultado de lanzar dos dados y de tomar el
ms grande de los dos valores.
Cul es el valor previsto de L?
E(L)=1/36 (1) +3/36 (2) +5/36 (3) +7/36 (4) +9/36 (5)
+11/36 (6)
= 4.47
Capacitacin en Geoestadistica MineSight
158
159
Covarianza
La dependencia entre dos variables
aleatorias es describida por la covarianza
Cov(x1 ,x2) = E {[x1 - E(x2)] [x2 - E(x2)]}
= E(x1 x2) - [E(x1)] [E(x2)]
160
Independencia
Las variables aleatorias se consideran
independientes si la funcin unida de la
densidad de probabilidad satisface:
p(x1 ,x2 ,...,xn) = p(x1) p(x2) ... p(xn)
161
Independencia
Ejemplo: Cul es la probabilidad de
conseguir 6,6 cuando rodamos dos dados?
p(x1) = 1/6 and p(,x2) = 1/6
p(x1,x2)= p(x1) * p(x2) = 1/36
162
Probabilidad Condicional
La probabilidad de A dado un cierto espacio
de muestra B es la probabilidad condicional
de A con relacin a B, y es denotada por
P(AB).
P(AB) = P(A,B) / P(B)
P(BA) = P(A,B) / P(A)
163
Probabilidad Condicional
Ejemplo: En una fbrica, la proporcin de
trabajadores son 60% varones y 40% mujeres. 20%
de las mujeres conmutan, los dems se ubican en la
vivienda de la fbrica. Cul es el % de residentes
cuales son mujeres?
P(M) = 0.6 and P(F) = 0.4
P(RF) = 1 0.2 = 0.8
P(F,R) = P(F) * P(RF) = 0.4 * 0.8 = 0.32
Entonces, 32% del total de los residentes son
mujeres
Capacitacin en Geoestadistica MineSight
164
Expectativa y varianza
Propiedades:
C es constante, entonces E(Cx) = C E(x)
Si x1 , x2 , ..., xn tienen expectativas finita, entonces
E(x1 +x2 ...+xn ) = E(x1) + E(x2) + ... + E(xn)
Si C es constante, entonces Var(Cx) = C2 Var(x)
Si x1 , x2 , ..., xn son independientes, entonces
Var(x1 +x2 ...+xn) = Var(x1)+Var(x2)+...+Var(xn)
Var(x+y) = Var(x) + Var(y) + 2 Cov(x,y)
Capacitacin en Geoestadistica MineSight
165
166
Limites de Confianza
Puede ser expresado aplicando los lmites
del error alrededor de la estimacin.
Por ejemplo, en el nivel de la confianza del
95%:
Lmite ms bajo = m - 2 (s / n)
Lmite superior = m + 2 (s / n)
167
168
Funciones Aleatorias
Funciones aleatorias es un sistema de las
variables aleatorias que tienen algunas
localizaciones espaciales y que dependencia
de una a otra es especificada por un cierto
mecanismo probabilstico.
169
170
Funciones Aleatorias
Los parmetros comnmente utilizados para
crear el resumen del comportamiento de la
funcin aleatoria:
1.
2.
3.
4.
5.
Valor previsto
Varianza
Covarianza
Correlograma
Variograma
Capacitacin en Geoestadistica MineSight
171
172
Estimador Lineal
Todos los mtodos de la valoracin implican
combinaciones lineales cargadas:
valoracin = z* = wi z(xi)
i = 1,...,n
Las preguntas:
Cules son los pesos, wi?
Cuales son los valores, z(xi) ?
Capacitacin en Geoestadistica MineSight
173
Propiedades Deseadas
Caractersticas deseables de un estimador:
1. Error promedio = E (Z - Z * ) = 0
(Imparcialidad)
3. Robusto y slido
Cmo calcular los pesos de modo que satisfagan las
caractersticas requeridas?
Capacitacin en Geoestadistica MineSight
174
175
Estacionaridad
Estacionaridad (stationarity) se refiere a la
independencia de la probabilidad de las
leyes univariables y bivariables de la
ubicacin de las muestras.
La pregunta de, " son las muestras cercanas
relevantes?"
176
Fuerte Estacionaridad
Para que la funcin aleatoria Z(x) cumpla con los
requisitos de estacionaridad fuerte, se deben
satisfacer las siguientes caractersticas :
1. E[Z(x)] = m
,m =finito e independiente de x
177
,m = finito e independiente de x
,C(h)= finito e independiente de x
178
Hiptesis intrnseca
La Hipotesis intrnseca de orden cero:
E[Z(x)] = m
,m = finito e independiente de x
E[Z(x+h)- Z(x)]2 = 2(h) = finito e independiente de x
(funcin variograma)
Hiptesis intrnseca
Hiptesis intrnseca de orden uno:
E[Z(x)] = m
E[Z(x+h)- Z(x)]2 = 2(h)
,m = finito e independiente de x
= finito e independiente de x
180
Notas de Estacionaridad
El supuesto de estacionaridad no se aplica al conjunto
entero de datos, sino solamente al rea de la bsqueda.
La estacionaridad local es asumida por todos los mtodos
de estimacin. Muchas veces es un supuesto viable, incluso
en los conjuntos de datos para los cuales la estacionaridad
global es claramente inadecuada.
181
Asegurando Imparcialidad
182
Asegurando Imparcialidad
La suma de los pesos es 1:
wi = 1
Dos Limitaciones:
1. No se garantiza que el error medio sea cero,
slo el valor estimado.
2. El resultado es vlido solamente si la
combinacin linear pertenece a la misma
poblacin estadstica
Capacitacin en Geoestadistica MineSight
183
Metodos de Estimacin
Tradicionales:
Poligonal
Triangulacin
Inverso a la Distancia
Geoestadisticos:
Kriging
Capacitacin en Geoestadistica MineSight
184
Poligonal
Asigna todo el peso a la muestra ms cercana.
Ventajas:
Fcil de entender
Fcil de calcular manualmente
Rpido
Histograma global de descongestin
Capacitacin en Geoestadistica MineSight
185
Poligonal
Desventajas:
186
Triangulacin
El peso en cada tringulo es proporcional al
rea del tringulo secundario opuesto.
Ventajas:
Fcil de entender y calcular manualmente.
Rpido
187
Triangulacin
Desventajas:
188
Inverso a la Distancia
Cada factor de peso de la muestra es
proporcionalmente inverso a la distancia entre la
muestra y el punto que sera estimado:
z* = [ (1/dip) z(xi ) ] / (1/ dip)
,i = 1,...,n
189
Inverso a la Distancia
Si p tiende a cero => promedio local de la
muestra
Si p tiende a => mtodo del vecino mas
cercano (poligonal)
Tradicionalmente, p = 2
Capacitacin en Geoestadistica MineSight
190
Inverso a la Distancia
Ventajas:
Fcil de entender
Fcil de implementar
Flexible para adaptar factores de peso a
diversos problemas de la estimacin
Puede ser modificado para requisitos
particulares
Capacitacin en Geoestadistica MineSight
191
Inverso a la Distancia
Desventajas:
192
Kriging Ordinario
Definicin:
Kriging ordinario es un estimador diseado
especialmente para la estimacin de las
leyes de bloques.
Es una combinacin lineal de los datos
disponibles dentro o cerca al bloque, tal
que la estimacin es imparcial y tiene
variacin mnima
Capacitacin en Geoestadistica MineSight
193
Kriging Ordinario
B.L.U.E. por best linear unbiased estimator (el
mejor estimador lineal imparcial )
Lineal porque sus estimaciones son combinaciones
lineales de los datos disponibles.
Imparcial puesto que la suma de los pesos
ponderados es 1.
194
Estimador Kriging
z* = wi z(xi )
i = 1,...,n
195
Estimador Kriging
Caractersticas deseadas:
Minimizar 2 = F (w1, w2, w3,,wn)
r = error medio = 0 (imparcial)
wi = 1
196
197
198
Kriging Ordinario
Minimiza el error:
2R= 2z + (i j Ci,j ) - 2 i C i,o
i = 1
Utilizando el mtodo de Lagrange (Isaaks
and Srivastava, pg 284-285) se obtiene:
Ci,o = (i Ci,j) +
i = 1
Capacitacin en Geoestadistica MineSight
199
200
Kriging de Punto
La matriz C consiste en los valores Cij de la
covarianza entre las variables aleatorias Vi y Vj en
las.
201
202
Kriging de Bloques
En kriging de punto, la matriz D de covarianza
consiste en covarianzas punto-a-punto. En kriging
de bloques consiste de covarianzas bloque-apunto.
Los valores de covarianza para CiA ya no son de
punto-a-punto como Ci0, sino la covarianza media
entre una muestra particular y todos los puntos
dentro de A: CiA = 1/A Cij
En la prctica, A est individualizado usando un
nmero de puntos en las direcciones x, y y z para
aproximar CiA.
Capacitacin en Geoestadistica MineSight
203
Varianza Kriging
2ok = CAA - [(i CiA) + ]
Los datos son independientes
204
Discretizacin de Bloques
Se debe considerar:
Rango de influencia del
variograma usado en kriging.
Tamao de los bloques con
respecto a este rango.
Cocientes horizontales y
verticales de la anisotropa.
205
Ventajas de Kriging
Considera las caractersticas espaciales de
continuidad.
Estimador exacto
Capacidad incorporada para desagrupar.
Calcula la varianza de kriging para cada
bloque.
Robusto
Capacitacin en Geoestadistica MineSight
206
Desventajas de Kriging
Requiere computadora
Requiere variografia previa
Consume mas tiempo
Efecto suavisante de la funcin
207
Supuestos
No hay deriva presente en los datos
(hiptesis de Fijacin).
208
Efecto de la Escala
209
Efecto de la Forma
210
Efecto de la Pepita
211
212
Efecto de
la Anisotropa
213
Estrategia de Bsqueda
Defina una rea de bsqueda dentro de la cual
se utilice un nmero especifico de muestras.
Si existe anisotropa, utilice una bsqueda
elipsoidal.
La orientacin de esta elipse es importante.
Si no existe anisotropa, el elipse se convierte en
una esfera y el tema de la orientacin ya no es
relevante.
Capacitacin en Geoestadistica MineSight
214
Estrategia de Bsqueda
Incluya por lo menos un anillo formado por
sondajes con bastantes muestras alrededor de los
bloques que se estimarn.
No extienda las leyes de los sondajes perifricos a
reas muy lejanas que no contienen sondajes.
Aumentar la distancia vertical de la bsqueda tiene
ms impacto en el nmero de muestras disponibles
para un bloque dado, que aumentar la distancia
horizontal de bsqueda (en sondajes verticalmente
orientados).
Limite el nmero de muestras usadas por cada
sondaje individual.
Capacitacin en Geoestadistica MineSight
215
Bsqueda de
Volumen (2D)
216
217
218
Decongestionamiento
Congestion en un rea con alta ley:
Promedio Nave =
(0+1+3+1+7+6+5+6+2+4+0+1)
/12
=3
Promedio Decongestionado=
[(0+1+3+1+2+4+0+1) +
(7+6+5+6)/4] /9
=2
Capacitacin en Geoestadistica MineSight
220
Decongestionamiento
Congestion en un rea con ley promedio:
Promedio Nave =
(7+1+3+1+0+6+5+1+2+4+0+6)/
12 =
=3
Promedio Decongestionado =
[(7+1+3+1+2+4+0+6) +
(0+6+5+1)/4] /9 =
=3
Capacitacin en Geoestadistica MineSight
221
Decongestionamiento
Congestion en un rea con baja ley:
Promedio Nave =
(7+1+6+1+0+3+4+1+2+5+0+6)/1
2
=3
Promedio Decongestionado =
[(7+1+6+1+2+5+0+6) +
(0+3+4+1)/4] /9 =
=3.33
Capacitacin en Geoestadistica MineSight
222
Decongestionamiento
Los datos sin correlacin, no necesitan
decongestionarse (modelo con efecto
pepita puro).
Si el modelo del variograma tiene un
rango alto y una pepita pequea, usted
puede necesitar decongestionar
Capacitacin en Geoestadistica MineSight
223
Decongestionamiento
Decongestion de celdas
Poligonal
224
Decongestion de clulas
Cada dato es ponderado por el inverso del nmero de
datos en la celda
225
Decongestion Poligonal
226
Decongestionando el Promedio
Global
DGM = (wi . vi ) / wi i=1,...,n
donde n es el nmero de muestras, wi son los pesos
decongestionados asignados a cada muestra, y vi
son los valores de la muestra.
El denominador acta como factor para
estandardizar los pesos de modo que sumen 1.
Capacitacin en Geoestadistica MineSight
227
Validacin Cruzada
Para verificar que tan bien se realizara el
procedimiento de estimacin .
Deseche temporalmente el valor de la muestra
en una ubicacin particular y despus estime
el valor en esa ubicacin usando los valores
restantes.
229
Validacin Cruzada
Puede sugerir mejoras.
Compara, no determina
parmetros.
Revela debilidades/defectos
230
Validacin Cruzada
Verifique:
Histograma de errores
Diagramas de dispersin de actual contra
estimacin
231
Validacin Cruzada
Recuerde:
Todas las conclusiones se basan en
observaciones de errores en las localizaciones en
donde no son necesarias estimaciones.
Quitamos valores que, despus de todo, vamos a
utilizar.
232
Cuantificacin de dudas
Un mtodo:
Asuma que la distribucin de errores es
Normal.
Asuma que la estimacin kriging ordinario
proporciona el promedio de la distribucin
normal.
Construya los intervalos de confidencia de 95
porciento tomando 2 desviaciones de
estndar en cualquiera de la estimaciones de
kriging ordinario
Capacitacin en Geoestadistica MineSight
233
Cuantificacin de dudas
Varianza de Kriging
2ok = CAA - [(i CiA) + ]
Ventajas
No depende de datos.
Puede ser calculado antes de que los datos de la
muestra estn disponibles (de variografia
anterior/conocida).
Desventajas
No depende de datos.
Si existe el efecto proporcional, las asunciones
anteriores no son verdades
Capacitacin en Geoestadistica MineSight
234
Cuantificacin de dudas
La Misma Variacin
De Kriging!
235
Cuantificacin de dudas
Otro Mtodo:
Incorpore el grado en el clculo de la variacin del
error:
Variacin relativa = varianza de Kriging/cuadrado del
grado Krigado
236
Cuantificacin de dudas
Varianza Combinada
=raz cuadrada (varianza local * varianza de kriging)
Donde varianza local del promedio cargado (2w )
es:
2w = w2i * (Z0- zi )2 i = 1, n (n>1)
n es el numero de datos utilizados,
Wi son los pesos que corresponden a cada dato,
Z0 es la estimacin del bloque,
y zi son los valores de los datos
Capacitacin en Geoestadistica MineSight
237
Cuantificacin de dudas
ndice Relativo De la Variabilidad (RVI) =
Raz cuadrada (Varianza Combinada) / Grado Krigado
238
Cambio de Soporte
N=4
M = 8.825
239
Cambio de Soporte
N = 16
M = 8.825
240
Cambio de Soporte
>10
N = 2 = 50%
M = 11.15
241
Cambio de Soporte
>10
N = 5 = 31%
M =18.6
242
Cambio de Soporte
El medio sobre 0.0 corte no cambia con un cambio
en soporte.
La variacin de la distribucin del bloque disminuye
con un soporte ms grande.
La forma de la distribucin tiende llegar a ser
simtrica mientras que el soporte aumenta.
Las cantidades recuperadas dependen del tamao
del bloque
243
Afinidad de Correccin
Asunciones:
La distribucin del bloque o de las leyes de SMU
tiene misma forma que la distribucin del punto o
de las muestras compuestas.
La proporcin de las varianzas, ejemplo, varianza
del las leyes del bloque (o las leyes de SMU)
sobre grados del punto es no-condicional a los
datos circundantes usados para la valoracin.
244
Relacin de Krige
2p = 2b + 2 pb
2p =Varianza de la dispersin de compositos en el depsito
(umbral)
2b = Varianza de la dispersin de bloques en el deposito
2 pb = Varianza de la dispersin de puntos en los bloques
ste es el complemento espacial a repartir de varianzas que
dice simplemente que la varianza de los valores del punto es
igual a la varianza de los valores del bloque ms la varianza
de puntos dentro de los bloques.
245
246
247
Calculacin de A.C.
K2 = 2b / 2p
248
249
250
251
252
253
254
255
256
257
258
259
260
Ejemplo Numrico
El promedio de los compositos= 0.0445, y el atajo
del grado especificado zsmu = 0.055
Si la proporcin p / smu = 1.23, cual es el atajo
equivalente del grado ?
zp=1.23 (0.055) + 0.0445 (1 - 1.23) =0.0574
Entonces, el atajo equivalente del grado que ser
aplicado a la distribucin de compositos es 0.0574
261
Corte Equivalente
si el atajo del grado especificado es menos que el
promedio, el corte equivalente del grado se
convierte en menos que el corte.
si el corte del grado especificado es mas que el
promedio, el corte equivalente del grado se
convierte en un valor mas que el corte.
262
263
264
Kriging Simple
Z*sk = i [Z(xi ) - m] + m
i = 1,...,n
Z*sk -estimacin del grado de un bloque o de un
punto
Z(xi ) grado de la muestra
i -pesos correspondientes de simple kriging
asignados a Z(xi )
n numero de muestras
m = E{Z(x)} - valor previsto dependiente de la
localizacin de Z(x).
Capacitacin en Geoestadistica MineSight
265
Cokriging
Conveniente cuando la variable primaria no se ha
muestreado suficientemente.
La precisin de la valoracin puede ser mejorada
considerando las correlaciones espaciales entre la
variable primaria y la mejor-muestreada variable.
Ejemplo: datos extensos de voladura como la
variable secundaria - datos extensamente
espaciados de exploracin como la variable primaria
266
Cokriging
[Cov{didi}]
[Cov{dibj}]
[1]
[0]
[i]
[Cov{x0di}]
[Cov{dibj}]
[Cov{bjbj}]
[0]
[1]
[j]
[Cov{x0bj}]
[1]
[0]
[0]
[1]
267
268
Kriging Universal
269
Kriging Restringido de
puntos extremos
Determine la ley del corte de los puntos extremos.
Asigne los indicadores a los compositos basados en el
grado de corte
0 si el grado est debajo del corte
1 de otra manera
Utilice kriging ordinario con el variograma del indicador,
o utilice IDS, o cualquier otro mtodo para asignar la
probabilidad de un bloque para tener ley sobre el corte
de puntos extremos.
Modifique la matriz de Kriging.
Capacitacin en Geoestadistica MineSight
270
Matriz de ORK
271
272
273
274
Porqu No lineal
Para superar los problemas encontrados con puntos
extremos.
Proporcionar estimaciones "mejores" que sos
proporcionados por mtodos lineales.
Para aprovecharse de las caractersticas en
distribuciones no-normales de datos y de tal modo
proporcionar estimaciones ms ptimas.
Para proporcionar respuestas a los problemas no
lineares.
Para proporcionar estimaciones de distribuciones en
una escala diferente de la de los datos (problema de
275
"cambio de
soporte
Capacitacin
en Geoestadistica MineSight
Kriging Lognormal
El kriging ordinario de los logaritmos de las leyes
se transforma para dar las leyes deseados del
bloque.
Extremadamente sensible a la asuncin de la
normalidad logartmica de las leyes. Por lo tanto,
no es tan robusta como kriging ordinario.
No utilizar sin verificar los resultados
cuidadosamente
276
277
Indicator Kriging
Supongamos que el cargo de muestras dadas N es
utilizado para estimar la probabilidad que el grado
del mineral en una localizacin especificada est
debajo de un grado del atajo.
La proporcin de las muestras de N que estn
debajo de este grado del atajo se puede tomar
como la probabilidad que el grado estimado es
debajo de este grado de atajo.
278
Kriging Indicador
Kriging indicador obtiene una distribucin de la
probabilidad acumulativa en una localizacin dada
de una manera similar, excepto que asigna
diversos pesos a las muestras circundantes
usando la tcnica Kriging ordinario para reducir al
mnimo la varianza de la estimacin.
279
Kriging Indicador
La base del Kriging Indicador es la funcin
indicadora:
En cada punto x del deposito considerar la
siguiente funcin indicadora:
1,
si z(x) < zc
i(x;zc ) =
0,
si no
Donde:
x es la ubicacin,
zc es el valor de ley de corte especificado,
z(x) es el valor
en la ubicacin x
Capacitacin en Geoestadistica MineSight
280
Kriging Indicador
Ejemplos:
Separar variables continuas en diferentes
categoras:
1 si k(x) 30,
I(x) =
0 si k(x) >30
281
282
283
284
285
286
287
La funcin (A;zc)
(A;zc ) = 1/AA i(x;zc )
,dx [0,1]
288
Proporcin de valores
z(x) zc dentro del rea A
289
290
291
Estimacin of (A;zc)
(A;zc) es la proporcin de leyes z(x) bajo la ley de corte zc
dentro de A (desconocido ya que i(x;zc) solo es conocido
en un numero finito de puntos).
(A;zc) = 1/n i(xj ;zc) j=1,...,n
o
(A;zc) = j i(xj ;zc)
xj D
j=1,...,N
Donde n es el numero de muestras en A, N es el numero
de muestras en el volumen de bsqueda D, j son los pesos
asignados a las muestras, j = 1, y generalmente N >> n.
Kriging ordinario se usa para estimar (A;zc) desde los
datos indicadores i(xj ;zc). Se usa un modelo de funcin al
azar para (xj ;zc), el cual ser designado por I(xj ;zc).
Capacitacin en Geoestadistica MineSight
292
Variografia de Indicador
I(h;zc ) = 1/2 E [ I(x+h);zc ) - I(x;zc ) ]2
293
Variograma de Mediana
del Indicator
Es el variograma del indicador donde la ley de
corte corresponde a la mediana de los datos
m(h;zm ) = 1/2n [ I(xj+m+h);zm ) - I(xj;zm ) ]2
j=1,,n
294
Relaciones de Orden
295
296
297
Cambio de Soporte
La funcin *(A;zc) y la relacin entre ley y tonelaje en
cada bloque se basa en la distribucin de punto de
las muestras (compositos)
Algunos volmenes de unidades mineras (SMU) son
mayores que el volumen de la muestra, por lo tanto se
deben realizar correcciones volumen-varianza a la
curva ley-tonelaje inicial de cada bloque.
298
Correccin Affine
La ecuacin para la correccin affine de
cualquier bloque es dada por:
*v (A;z) = * (A;zadj)
donde
zadj= ley de corte ajustada = K(z - ma)+ma
Usar la correccin affine cuando:
(2p -2b) /2 p 30%
299
300
301
302
303
304
305
306
307
308
Control de mineral
Para predecir el tonelaje y ley que se mandara al
molino:
Las curvas G-T curves deben basarse en el
soporte SMU
Se debe considerar el impacto de una
clasificacin errnea al momento del minado
309
Clasificacin errnea
Que es una clasificacin errnea?
Desmonte es minado como mineral
- Dilucin de la ley de mineral
Mineral es minado como desmonte
mineral enviado al botadero
Puede que un tipo de mala clasificacin puede ser
mas preponderante que otra
Capacitacin en Geoestadistica MineSight
310
Impacto de una
Clasificacin Errnea
Desmonte es minado como mineral
La ley de mineral se diluye (no se concentra)
Es posible que el tonelaje aumente, dependiendo del
procedimiento de control de mineral
Perdida monetaria. Material de botadero no paga por
los costos de procesamiento
Disminucin de ganancias netas cuando la dilucion
aumenta
Perdida de capacidad de proceso (la cual podria haber
sido usada para procesar mineral real)
Capacitacin en Geoestadistica MineSight
311
Impacto de una
Clasificacin Errnea
Mineral es minado como desmonte
Aumenta la ley de desmonte
Es posible que el tonelaje de desmonte aumente (coeficiente
de recuperacin) dependiendo del procedimiento de control de
mineral
Perdida monetaria donde potenciales ganancias por mineral
se pierden
Ganancias netas disminuyen con el aumento de la ley de
desmonte
312
313