Geoestadística básica: análisis exploratorio de datos

GEOESTADISTICA BASICA
Sesion 3
Analisis Exploratorio de Datos
Nociones fundamentales (10)

VARIABLE REGIONALIZADA
Una variable regionalizada es una funcin que representa el desplazamiento en
el espacio de un atributo asociado a un fenmeno natural (mineralizacin)
Ejemplos:
leyes en cobre, arsnico, molibdeno
densidad de la roca
potencia y acumulacin de una veta
cdigo de litologa

Una variable regionalizada se caracteriza por:
su naturaleza (continua / categrica)
su dominio de extensin (campo)
su soporte, por ejemplo:
sondaje HQ de 1m
unidad selectiva de explotacin de 5m 5m 5m
La distribucin de los valores depende del soporte en el cual se mide la variable
(efecto de soporte, que tiene consecuencia en la selectividad)

Ejemplo: distribucin de leyes de cobre en un banco
soporte 1m 1m
soporte 5m 5m
soporte 25m 25m

ADITIVIDAD
Se dice que una variable regionalizada es aditiva cuando el valor de un soporte
grande (bloque) es el promedio aritmtico o la suma de los valores
puntuales dentro del bloque
Ejemplos:
potencia, acumulacin, ley (si soporte igual)
Contra-ejemplos
razn de solubilidad, cdigo de litologa
Cul es la ley promedio en la veta?

m1
335 253 581 199 212 505 296 356 352

gr Au
3.30
119 81 140 75 106 215 75 34 91
t
Sin ponderar por la potencia, se obtendra:

m2
1 335 253 581 199 212 505 296 356 352

gr Au
3.93
9 119
81
140
75
106 215
75
34
91
t

COMPSITOS
Un mismo conjunto de datos no debe contener muestras de soporte distinto. Por
ende, es necesario llevar las muestras a compsitos de la misma longitud
(generalmente, igual a la altura del bloque de seleccin minera o a un submltiplo de esta altura) que se pueden agrupar en el estudio estadstico.
Mientras ms largo el compsito, menos dispersos y menos errticos los valores.

Creacin de compsitos
Testigos originales
con su ley de cobre
Compsitos

ESTIMACIN LOCAL MODELO DE BLOQUES
Una variable regionalizada presenta variabilidad en el espacio, por lo cual
existe cierta incertidumbre en sus valores en sitios no muestreados. Para
compensar la falta de informacin debida al nmero limitado de datos, se
recurre a estimar los valores de los bloques que componen el yacimiento a
partir de las muestras circundantes.
Cabe recordar que las estimaciones nunca son perfectas y estn afectadas por
errores que pueden incidir en el clculo de los recursos o de las reservas

Ejemplo: clasificacin de las unidades selectivas de explotacin en mineral o estril

Fuentes de errores
variabilidad inherente de las leyes
errores en el modelo geolgico

errores de muestreo (variabilidad introducida)
Etapas en la evaluacin de yacimientos

modelamiento
geolgico:
determinacin
de
en base a la litologa, mineraloga, alteracin,
unidad se estudia y se estima por separado.
evaluacin de la calidad de los datos (muestras)
modelamiento geoestadstico de los datos
estimacin global y local de los recursos geolgicos

definicin y reporte de las reservas mineras
unidades
geolgicas
etc. En general, cada
Herramientas exploratorias
Objetivos
Estudiar la cantidad, calidad y ubicacin
para realizar la estimacin de recursos y reservas
de
Comprobar la homogeneidad de las leyes en

as como la pertinencia de las unidades geolgicas definidas
Anticipar dificultades o problemas
estimacin de recursos y reservas
que
puedan
los
cada
surgir
datos
disponibles
unidad
geolgica,
en
fase
la
de
Presentacin de los datos

Sondajes de exploracin en un yacimiento tipo prfido cuprfero
obtencin de 2376 muestras compositadas con sus leyes de
cobre total (en %), oro total (en ppm) y el tipo de roca.
Cdigo
4
54
20
31
34
Tipo de roca
Granodiorta cascada
Diorta
Brecha de turmalina
Brecha de polvo de roca
Brecha de polvo de roca y turmalina
28
29
Brecha monolito
Brecha de turmalina - monolito
Despliegue de atributos (mapas) (1)

Permite visualizar la ubicacin de las muestras en el espacio y darse una idea
preliminar de la organizacin espacial de la variable regionalizada en estudio:
litologa
mineralizacin
definicin de unidades geolgicas
alteracin
leyes, densidad, potencia, etc.
Tipos de despliegue: secciones; plantas; vistas 3D; mapas con escala de colores,
codificados por indicador, por smbolos, etc.
Despliegue de atributos (mapas) (2)

Nos interesamos por la ley de cobre total
Distribucin de leyes (1)

Histograma estndar
Visualiza la frecuencia de ocurrencia en funcin del valor

Desagrupamiento
Cuando el muestreo es irregular, es preferible no atribuir el mismo peso
estadstico a todos los datos. La operacin de desagrupamiento consiste en
ponderar los datos en funcin de su grado de aislamiento: mientras ms aislado,
ms peso.
Principales mtodos:
polgonos de influencia
mtodo de las celdas

Desagrupamiento: mtodo de los polgonos de influencia
Se pondera cada dato proporcionalmente a su volumen de influencia en el
campo.

Desagrupamiento: mtodo de las celdas
Se divide la zona muestreada en celdas de mismo volumen. Cada celda tiene el
mismo peso, el cual se reparte entre las muestras contenidas en esta celda.

Factores que especificar para ejecutar el mtodo de las celdas:
origen de la red de celdas
orientacin de las celdas
tamao de las celdas: tomar el tamao que minimiza el valor
promedio desagrupado?

Los algoritmos de desagrupamiento presentados
consideran
criterios
geomtricos
al
ponderar
los
datos
en
funcin de su grado de aislamiento: mientras ms aislado,
ms peso
no toman en cuenta la estructuracin espacial de los datos,
aunque idealmente este factor tambin debera ser tomado en
consideracin.

Histograma desagrupado por los pesos obtenidos por el mtodo de las celdas, con
celdas de tamao 48m 48m 12m

Estadstica bsica
medidas de posicin
media, mediana, moda, mnimo, mximo, rango, deciles, cuartiles, cuantiles
medidas de dispersin
varianza, desviacin estndar, coeficiente de variacin, rango intercuartil
medidas de forma
coeficiente de asimetra, coeficiente de aplanamiento

Herramientas alternativas al histograma estndar
histograma acumulado
grficos de probabilidad
curvas tonelaje-ley
El clculo de estas herramientas debe tomar en cuenta los ponderadores de
desagrupamiento.

Histograma acumulado
Para cada ley de corte, se visualiza la frecuencia de los valores menores que dicha
ley de corte.

Grficos de probabilidad
Estos grficos comparan una distribucin emprica con una distribucin de
referencia normal o lognormal.
El grfico de probabilidad normal distorsiona el eje de las ordenadas del
histograma acumulado, de modo que el grfico dibujara una recta en caso de
tener una distribucin normal o gaussiana.
El grfico de probabilidad lognormal consiste en usar una escala logartmica en

el eje de las abscisas: si la distribucin de los valores fuera lognormal, se
obtendra una recta.
La presencia de varias poblaciones entre los datos puede traducirse en un quiebre

de pendiente en estos grficos. Sin embargo no es una condicin necesaria ni
suficiente, por lo que se debe complementar el anlisis con otra informacin.

Curvas tonelaje-ley
El tonelaje asociado a una ley de corte es la cantidad de valores que superan esta ley
de corte. La media de estos valores provee la ley promedio sobre la ley de corte. El
tonelaje tambin puede expresarse como fraccin del total (entre 0 y 1).

Cuando aumenta la ley de corte, el tonelaje decrece y la ley media crece. El producto del
tonelaje por la ley media define la cantidad de metal (funcin decreciente de la ley de
corte).
Hay que tener cuidado que las curvas tonelaje ley dependen del soporte de los valores
medidos, en particular las curvas asociadas a las muestras (soporte puntual) no
coinciden con las curvas de las unidades selectivas de explotacin (bloques). Para
estimar estas ltimas, ser necesario construir un modelo de cambio de soporte.
Comportamiento direccional (1)

Nubes direccionales
Visualizan el comportamiento de los valores a lo largo de los ejes de
coordenada. Esta herramienta permite detectar valores atpicos e identificar
tendencias o cambios de estructuracin en la evolucin de los valores.

rango [m]
media
[% Cu]
desv. estndar [%
Cu]
0 50
0.55
0.27
50 100
0.96
0.46
100 150
1.23
0.81
150 200
1.13
0.57
200 250
1.15
0.82
250 300
0.94
0.52
300 350
0.82
0.42
350 400
0.73
0.47

rango [m]
media
[% Cu]
desv. estndar [%
Cu]
0 50
0.93
0.83
50 100
1.39
1.08
100 150
1.18
0.74
150 200
0.96
0.48
200 250
0.90
0.48
250 300
0.97
0.41
300 350
1.04
0.39
350 400
1.04
0.50
400 450
1.09
0.53
450 500
1.16
0.69
500 550
0.55
0.28
550 600
0.52
0.23
rango [m]
media
[% Cu]
desv. estndar [%
Cu]
0 25
0.91
0.48
25 50
0.95
0.45
50 75
0.95
0.51
75 100
1.00
0.65
100 125
1.03
0.73
Herramientas bivariables (1)

Grfico cuantiles contra cuantiles
Visualiza los cuantiles de una variable en funcin de los cuantiles de otra
variable.

Nube de dispersin
ver la relacin par a par de ambas variables o correlacin
detectar valores aberrantes

Coeficiente de correlacin lineal
Resume la relacin existente entre dos variables por un valor comprendido entre 1
y 1. Cuidado con las interpretaciones rpidas de este coeficiente, ya que es sensible
a relaciones no lineales entre variables y a los valores extremos.
Comportamiento espacial (1)

Nube de correlacin diferida
Se trata de la nube de correlacin entre un valor y el valor de una muestra ubicada a
cierta distancia
Al hacer variar esta distancia de separacin, se tiene una imagen de la continuidad de

la variable regionalizada en el espacio:
nube dispersa para distancia pequea: variable errtica
nube muy aplastada: variable regular en el espacio
Comportamiento espacial (2)

Ejemplo: nubes para las distancias 20m y 100m
Problemas prcticos
Estacionaridad (1)
La estacionaridad se refiere a una homogeneidad en el espacio de las
caractersticas de la variable en estudio: media, dispersin, continuidad, etc.
Implica que las propiedades estadsticas de los datos son representativas del total
del campo.
El considerar la hiptesis de estacionaridad facilita la elaboracin de modelos

geoestadsticos, en especial en lo que se refiere al anlisis variogrfico.
Estacionaridad (2)
En general, se tiende a considerar que la variable regionalizada no tiene un
comportamiento estacionario, por la presencia de zonas de altas leyes y otras de muy
bajas leyes.
Ahora bien, el concepto de estacionaridad es una propiedad del modelo
geoestadstico, no de la variable regionalizada misma. Por ende, es una decisin del
usuario considerar si se cumple o no la hiptesis de estacionaridad (ni verdadera ni
falsa, pero juiciosa o no).
Tendencias y derivas (1)

Definicin
Se habla de tendencia o deriva cuando se aprecia un cambio en el valor promedio local
de los datos al desplazarse en el espacio.
Ejemplo: ley que decrece fuertemente con la profundidad
El concepto de deriva se refiere al modelo probabilstico (el valor esperado vara en el
espacio), mientras que el trmino tendencia se refiere ms bien a la observacin
experimental (ms subjetivo)
Tendencias y derivas (2)

El considerar un modelo con deriva choca contra la hiptesis de estacionaridad y
complica el anlisis variogrfico.
Alternativas
considerar
promedio
espacio
una
hiptesis
de
estacionaridad
es localmente constante y vara
remover la deriva de los datos

subdividir la zona de estudio en varios dominios
local:
el
valor
lentamente en el
Efecto proporcional (1)

La dispersin de los valores es mayor en las zonas de altas leyes que en las
zonas de bajas leyes
este efecto es frecuente cuando

es asimtrico (por ejemplo, lognormal)
no
es
incompatible
con
la
planteada en el formalismo geoestadstico
el
histograma
hiptesis
se puede tomar en cuenta este efecto de dos maneras:
meseta del variograma que vara en el espacio

transformacin logartmica de los datos
de
de
los
datos
estacionaridad
Efecto proporcional (2)

Ilustracin: perfil de leyes a lo largo de una direccin del espacio
Muestreo preferencial
Un muestreo es preferencial si privilegia las zonas de alta ley. Hay que tener
cuidado en el estudio geoestadstico de tales muestreos, pues los estadsticos
experimentales ya no son representativos del campo entero
desagrupar las muestras
el tener un muestreo
variogrfico de los datos
un
efecto
proporcional)
de recursos y reservas.
preferencial dificulta el anlisis

(por ejemplo, en presencia de
y
las
posteriores
estimaciones
Informacin geolgica (1)

La caracterizacin del depsito y la evaluacin de sus recursos dependen en gran parte
del conocimiento de la geologa.
Mapas geolgicos
Se basan en observaciones de superficie, trincheras, sondajes, labores subterrneas.
Sin embargo, lo esencial de estos mapas corresponde a una interpretacin. Por lo
tanto, es necesario revisar peridicamente estos mapas.
Se localizan los tipos de roca, fallas, pliegues, densidades y orientacin de
fracturas o de vetas, y se determina sus edades (anterior o posterior a la
mineralizacin).

Geometra de la zona mineralizada (contacto mineral - estril)
Modelamiento en plantas y secciones de superficies y volmenes por interpolacin /
extrapolacin a partir de la informacin de sondajes; modelamiento tridimensional.
A menudo, las fronteras modeladas son ms suaves (o sea, menos errticas) que las
fronteras verdaderas; los errores geomtricos pueden ser localmente muy importantes e
implican incertidumbre en los tonelajes de mineral.

Definicin de unidades geolgicas
Se suele dividir el depsito en varias zonas o unidades geolgicas (UG), segn la
litologa, la mineraloga y/o la alteracin existente. Tambin se puede incluir criterios
metalrgicos y condiciones estructurales (fallamiento) en la definicin de dichas unidades
Verificar la pertinencia de la divisin;
varias unidades de propiedades similares
si
es
Cada unidad debera presentar caractersticas homogneas
necesario,
agrupar

Problemas asociados con la definicin de unidades geolgicas
Transicin entre una unidad y otra:
frontera dura o blanda? (examinar los perfiles de leyes que cruzan la
frontera)
Extensin espacial de las unidades en el yacimiento
modelo determinstico o probabilstico? (las interpolaciones estn sujetas a errores,

lo que implica una incertidumbre en los volmenes y tonelajes interpretados)

Unidades geolgicas definidas por rangos de leyes
Una prctica comn es definir unidades geolgicas por referencia a rangos de leyes.
Este enfoque (mtodo de isoleyes) tambin se usa en combinacin con criterios
geolgicos.
El uso de rangos de leyes no tiene sentido geolgico. Del punto de vista geoestadstico,
puede llevar a interpretaciones errneas:
el mtodo es auto-justificativo
las fronteras entre rangos de leyes suelen ser blandas
los resultados son sensibles a los rangos de leyes escogidos
Variables categricas
Codifican una propiedad del yacimiento (tipo de roca, unidad geolgica...) no
confundir con una variable regionalizada tradicional.
Se distingue tres grandes zonas:

brecha de turmalina (centro)
diorta y granodiorta (este)
otras brechas (oeste)
Compsitos (1)
Un mismo conjunto de datos no debe contener muestras de soporte distinto. Por
ende, es necesario llevar las muestras a compsitos de la misma longitud
(generalmente, igual a la altura del bloque de seleccin minera o a un submltiplo de esta altura).
Mientras ms largo el compsito, menos dispersos y menos errticos los valores.
Si existen soportes muy distintos, se puede considerar el atributo medido en cada

soporte como una variable distinta.
Compsitos (2)
Los compsitos no deben cruzar fronteras duras entre unidades geolgicas distintas.
Es frecuente que se pierdan segmentos de la informacin inicial al compositar (en la
frontera de una unidad geolgica o al final del sondaje).
Para variables categricas (ej: cdigo de litologa o mineraloga), se puede asignar al

compsito el cdigo que ms se repite entre las muestras del compsito o el cdigo de
la muestra ubicada en su centro.
Compsitos (3)
Al compositar, se supone que las leyes son uniformes en cada testigo inicial, para
poder reconstituir el perfil de leyes de cada sondaje.
Aumentar la longitud de los compsitos tiene varios efectos.
reduce el nmero de datos
disminuye la dispersin de los valores (efecto de soporte):
menos valores extremos, facilita el anlisis variogrfico

La longitud de los compsitos se escoge generalmente en base a la altura de los
bloques usados para modelar el depsito.
Valores atpicos / aberrantes (1)

Es posible detectar valores atpicos por medio de varias herramientas, en
especial: histograma, nubes de correlacin entre variables, nubes direccionales...
Nunca se debe eliminar un valor atpico sin razn (falla en el protocolo de
medicin, en la transcripcin del dato, etc.). Adems, ningn test estadstico
puede indicar si un valor es aberrante o no.
Valores atpicos / aberrantes (2)

La presencia de valores atpicos puede plantear problema para la evaluacin de
recursos y reservas:
introduce variabilidad y complica el estudio variogrfico
puede conducir a zonas amplias con leyes estimadas muy altas
Alternativas:
mtodos geoestadsticos avanzados (transforman los datos)
capping o cutting
cambiar el tamao de los compsitos
identificar varias poblaciones de datos
Datos imprecisos (1)

Es frecuente que todo o parte de las mediciones contengan imprecisiones, debido
al protocolo de muestreo o de anlisis qumico
las
tcnicas
geoestadsticas
permiten
tomar
estas
imprecisiones,
siempre
que
hayan
sido
cuantificadas
la evaluacin de
errores de medicin
es recomendable estudiar la calidad

sobre todo si provienen de fuentes distintas.
recursos
pierde
precisin
de
en
las
en
cuenta
previamente
presencia
de
mediciones,

Ejemplo: comparacin de las mediciones procedentes de dos campaas de sondaje
distintas
Aqu se puede agrupar las mediciones de ambas campaas

La comparacin estadstica de poblaciones debe hacerse con cuidado
diferencias
naturales
por
tratarse de
muestras
diferentes,
aun
si estn tomadas en la misma zona (fluctuaciones estadsticas
que pueden ser importantes en las colas de las distribuciones)
diferencias
esperables
cuando
las
poblaciones
estn
en
zonas
distintas, debido a la evolucin en los valores de la variable
regionalizada: cambio en las leyes y en su dispersin (efecto
proporcional)
Sesion 4
VARIOGRAMA
Anisotropia
Consideraciones para generacion de

variograma
1.
Tamao de lag
2.
Numero de lag
3.
Tolerancia de lag
4.
Numero de direcciones
5.
Tolerancia de direcciones
Caso practico Cerro verde
Para este caso practico consideraremos informacion de taladros blastholes de la

zona de sulfuros primarios en cerro verde en distintos dominios para apresiar los
diferentes casos posibles
Tamao de Lag
1m
5m
15m
30m
60m
150m
Numero de Lag(Lag =15m)

5
10
15
20
30
100
Distancia optima de calculo de

variograma
Tolerancia de Lag
Sin tolerancia
Tolerancia 1 Lag
Tolerancia 7 Lag
Numero de direcciones
3 Direcciones (6o)
6 Direcciones (45)
18Direcciones (10)
Tolerancia de direcciones
Tol 0 Direct
Tol 1 Direct
Tol 18 Direct
Sesion 5
ANISOTROPIA Y VARIOGRAFIA
Anisotropia
Anisotropia
isotropia
Sesion 7
KRIGEAGE, VECINDAD DE BUSQUEDA Y VALIDACION
Caracteristicas del Krigeage
Lineal
Insesgo
Optimo
Vecindad
Validacion cruzada
Aplicacion final del curso
Como repaso breve se mostrara la data academica del proyecto Andina de Chile
El cual contiene informacion de Cu, se realizara el analisis del tipo de roca 20
Acontinuacion el desarrollo:
EDA Aplicacion Andina
Variografia
Modelo de bloques
Validacion vecindad unica
Validacion vecindad 5m
Datos
Vecino cercano
IDW 2
IDW 2.5
IDW 3
Krigeage
Proyecto Final Resolucion
Sesion 8
Clasificacion de recursos
Sesion 9
Principios de simulacion gaussiana
Conceptos basicos
Decluster
Conceptos basicos
Anamorfosis
Lmites del kriging
El kriging suaviza: el mapa de los valores estimados es ms suave que el

mapa de los valores verdaderos
no se puede predecir la ocurrencia de valores extremos
no se puede trabajar sobre el mapa de valores estimados como si se
trataran de los valores verdaderos
la intensidad del suavizamiento depende de la cantidad de datos en
la
vecindad
La varianza de kriging no mide todas las fuentes de incertidumbre (no
toma en cuenta el efecto proporcional)
Principios de la simulacin (1)
Construir mapas de valores que reproducen la variabilidad real de la

variable en estudio (histograma, variograma, distribucin espacial...)
cada mapa representa un escenario posible
uso de las simulaciones
anlisis de riesgo: escenario ms optimista / pesimista
estimacin: promediar las respuestas obtenidas en los escenarios
medicin de la incertidumbre: qu tan distintos son los escenarios
posibilidad de realizar un cambio de soporte, al rebloquear los valores
en cada mapa simulado
La simulacin se basa en la interpretacin de la variable regionalizada como

una realizacin de una funcin aleatoria
consiste en construir otras realizaciones de esta misma funcin
aleatoria
para ello, es preciso conocer la distribucin espacial de la funcin aleatoria,
es decir, el conjunto de las distribuciones de probabilidad de mltiples
puntos:
distribucin univariable (histograma)
distribuciones bivariables
distribuciones trivariables, ...

conocer el valor de la media y el variograma es insuficiente

Nocin de fluctuaciones ergdicas
Una funcin aleatoria es ergdica si las estadsticas experimentales

(histograma, variograma, etc.) calculadas sobre una realizacin particular,
convergen hacia las estadsticas del modelo cuando el dominio se vuelve muy
grande.
Problema: el dominio simulado siempre est acotado
Por lo tanto, se espera observar discrepancias (fluctuaciones ergdicas) entre
las estadsticas experimentales y aquellas del modelo terico. Para el
variograma, las fluctuaciones son pequeas cerca del origen y se vuelven
considerables para distancias mayores que la mitad del dimetro del campo.
Simulacin condicional vs. no condicional
Para que sea realista, es deseable que cada mapa respete los valores
conocidos en los sitios de muestreo
simulacin condicional
consiste en reproducir la distribucin espacial a posteriori, i.e.
condicional
a los datos disponibles o local
La simulacin no condicional busca solamente construir mapas que tienen la
misma variabilidad que la variable en estudio, pero sin tomar en cuenta los
valores de los datos.
busca reproducir la distribucin espacial a priori
Ilustracin: perfiles de leyes

realidad
kriging
simulacin condicional
Modelo multi-Gaussiano
Definicin: una funcin aleatoria {Y(x), x Rd} tiene una distribucin

multi-Gaussiana si toda combinacin lineal ponderada de sus valores
sigue una distribucin Gaussiana.
Esto requiere en particular que el histograma sea Gaussiano
El modelo posee propiedades interesantes:

se caracteriza por sus dos primeros momentos (media y variograma)
cualquier variograma es compatible con la distribucin multi-Gaussiana
el teorema del lmite central facilita la bsqueda de algoritmos de

simulacin
Modelo que es lejos el ms sencillo de todos
Pasos a seguir para la simulacin
1) Transformacin de los datos a valores Gaussianos (anamorfosis)

2) Verificacin del carcter bi-Gaussiano; anlisis variogrfico de la Gaussiana
3) Simulacin de la funcin aleatoria multi-Gaussiana
eleccin de un algoritmo de simulacin

construccin de varias realizaciones
condicionamiento a los datos Gaussianos disponibles (si el algoritmo
no
lo hace directamente)
4) Transformacin Gaussiana inversa, para volver a la variable original
Algunos algoritmos
de simulacin de funciones
aleatorias multi-Gaussianas
Algoritmo secuencial
Principio
Consiste en estimar un primer bloque de ubicacin aleatoria con los datos
brindados y usar este bloque como dato real para estimar el siguiente bloque
de ubicacin aleatoria y repetir el proceso hasta generar un modelo
simulado, puede requerir uso de anamorfosis gausiana
Pros
mtodo sencillo y fcil de ejecutar
permite realizar directamente simulaciones condicionales a un
conjunto
de datos: se considera estos datos como si fueran valores ya simulados
Contras
Mtodo lento: el sistema de kriging se vuelve cada vez ms grande a
medida
que se desarrolla la simulacin
En la prctica, se restringe los valores condicionantes (datos iniciales +
valores previamente simulados) a los ms cercanos del sitio a simular, es
decir, se usa una vecindad mvil.
Fuente de imprecisin, que requiere ciertos trucos para minimizar sus
efectos:
aleatorizacin del orden de los sitios a simular, para evitar
artefactos
Ejemplo
Simulacin de una funcin aleatoria Gaussiana de variograma esfrico + pepa

en un dominio de 400 400: variogramas de 100 realizaciones
Vecindad con 20 datos
condicionantes
Vecindad con 100 datos

condicionantes
Mtodo de bandas rotantes (1)
Principio
Simplificar el problema de la simulacin en espacios multidimensionales,
usando simulaciones unidimensionales y esparcindolas al espacio 2D o
3D
Funcin aleatoria en 1D
Esparcimiento a 2D
Aplicacin
Simulacin de una funcin aleatoria Gaussiana de variograma esfrico + pepa
en un dominio de 400 400: variogramas de 100 realizaciones
1000 rectas equi-distribuidas

Geoestadística básica: análisis exploratorio de datos

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Geoestadística básica: análisis exploratorio de datos

Uploaded by

Copyright:

Available Formats

GEOESTADISTICA BASICA

Nociones fundamentales (10)

Nociones fundamentales (11)

Nociones fundamentales (12)

soporte 25m 25m

Nociones fundamentales (13)

Nociones fundamentales (14)

Cul es la ley promedio en la veta?

335 253 581 199 212 505 296 356 352

Sin ponderar por la potencia, se obtendra:

1 335 253 581 199 212 505 296 356 352

Nociones fundamentales (15)

Mientras ms largo el compsito, menos dispersos y menos errticos los valores.

Nociones fundamentales (16)

Nociones fundamentales (17)

Nociones fundamentales (18)

Nociones fundamentales (19)

errores en el modelo geolgico

Etapas en la evaluacin de yacimientos

estimacin global y local de los recursos geolgicos

Comprobar la homogeneidad de las leyes en

Presentacin de los datos

Despliegue de atributos (mapas) (1)

definicin de unidades geolgicas

Despliegue de atributos (mapas) (2)

Distribucin de leyes (1)

Distribucin de leyes (2)

Distribucin de leyes (3)

Distribucin de leyes (4)

Distribucin de leyes (5)

Distribucin de leyes (6)

Distribucin de leyes (7)

Distribucin de leyes (8)

Distribucin de leyes (9)

Distribucin de leyes (10)

Distribucin de leyes (11)

El grfico de probabilidad lognormal consiste en usar una escala logartmica en

Distribucin de leyes (12)

La presencia de varias poblaciones entre los datos puede traducirse en un quiebre

Distribucin de leyes (13)

Distribucin de leyes (14)

Comportamiento direccional (1)

Comportamiento direccional (2)

Comportamiento direccional (3)

Comportamiento direccional (4)

Herramientas bivariables (1)

Herramientas bivariables (2)

Herramientas bivariables (3)

Comportamiento espacial (1)

Al hacer variar esta distancia de separacin, se tiene una imagen de la continuidad de

nube muy aplastada: variable regular en el espacio

Comportamiento espacial (2)

El considerar la hiptesis de estacionaridad facilita la elaboracin de modelos

Tendencias y derivas (1)

Tendencias y derivas (2)

remover la deriva de los datos

Efecto proporcional (1)

este efecto es frecuente cuando

se puede tomar en cuenta este efecto de dos maneras:

meseta del variograma que vara en el espacio

Efecto proporcional (2)

preferencial dificulta el anlisis