GEOESTADISTICA

Docente: Ing. Víctor Gerardo Rivasplata Melgar

 OBJETIVOS DE LA SESION

• Realizar una introducción a la

geoestadística.
• Entender la composición de las
variables regionalizadas.
• Realizar un análisis estructural
mediante variogramas. Excel, Surfer y
• PARTE PRACTICA ArcGIS
 PRACTICA DE CAMPO.

Definir el área:
CHETILLA – EL GAVILAN –
CARRETERA A SAN PABLO

Objetivos
 GEOESTADÍSTICA

• Durante este curso, la Geoestadística se referirá

principalmente a los métodos y herramientas
utilizadas en el análisis de reservas de un
deposito mineral, cabe mencionar que se
aplicaran ejercicios de fenómenos ambientales
como complemento del curso.
VARIABLE REGIONALIZADA
• Variables Regionalizadas: Podemos definir formalmente
variable regionalizada como una variable distribuida en el
espacio de forma que presenta una estructura espacial
de correlación (autocorrelación).
Fenómeno Regionalizado: aquel que se desarrolla en el espacio
el conjunto de fenómenos físicos y químicos que producen
una mineralización el transporte de partículas que generan
depositación de un contaminante en un sitio
Variable Regionalizada: El valor de alguna de las características
del fenómeno regionalizado
la profundidad de un estrato
la potencia de una veta
la ley de Arsénico en un punto
la densidad de un bloque
la concentración de Plomo sobre un área
Representación de la variable
regionalizada en el espacio.
DEFINICION: FUNCION VARIOGRAMA

O
• En esta presentación el objetivo es mostrar
el Variograma a través de ejemplos, haciendo
ver su aporte como herramienta de trabajo
en la geología de minas, geología, etc.
Aporte que consiste en dar cuenta del
aspecto estructural del fenómeno estudiado,
aspecto estructural no contemplado por la
estadística descriptiva.
• Se denotarán z(u), correspondiendo al valor de la
variable z en el punto del espacio u
• Población: Colección de un número finito de
mediciones o una colección infinitamente grande de
datos de interés.
• Muestra: Subconjunto representativo seleccionado a
partir de la población. Una buena muestra debe
reflejar las características esenciales de la población
de la cual se obtuvo.
 UNIVERSO
• Es la fuente de todos los datos posibles
• Un ejemplo de Universo podria ser un
yacimiento
• Algunas veces, un universo puede no tener
limites bien definidos
 UNIDAD DE MUESTREO
• Es la parte del universo en la cuál se lleva
a cabo las medidas, o los muestreos
• Puede ser muestras de sondajes, muestras
de canal, muestras de suelo, etc.
• Cuando se hacen afirmaciones acerca del
universo uno debe especificar las unidad
de muestreo que se esta usando.
 SOPORTE
• Es una característica de la unidad de
muestreo
• Se refiere al tamaño, la forma y la
orientación de las muestras
• Por ejemplo, las muestras de sondajes no
tendrán el mismo soporte que las muestras
de voladuras
 POBLACIÓN
• Tal como con el universo, población se
refiere a la categoría general bajo
consideración
• Es posible tener varias poblaciones dentro
del mismo universo
• Por ejemplo, la población de las leyes
provenientes de sondajes vs. la población
de leyes provenientes de blastholes.
• La unidad de muestreo y su soporte deben
ser especificados para cada población
VARIABLE ALEATORIA (AL AZAR)

• Una variable cuyos valores son generados

aleatoriamente de acuerdo a un mecanismo
probabilístico
• Por ejemplo, el resultado de la tirada de un
dado, o la ley de una muestra de sondaje

14
Variable aleatoria: Una función desde un espacio
muestreal S en los números reales. Una forma de
representar un valor z no muestreado (desconocido).
Se denotan con letras mayúsculas.
La variable aleatoria puede tomar cualquier valor dado
por su distribución de probabilidad. Ésta modela la
incertidumbre respecto a z. La variable puede ser
continua o discreta.
• Variable continua: Una variable que puede tomar
valores en forma continua entre dos valores dados:
ley, densidad, concentración, precio,...
• Variable discreta o categórica: La variable pertenece
a una clase. No continua. Ejemplo: litologías.
• Incertidumbre: Ningún modelo numérico
reproducirá la realidad sin error. Hay incertidumbre.
Esta incertidumbre existe debido a nuestra falta de
conocimiento debida a un muestreo no exhaustivo.
No es una característica inherente al depósito.
VARIOGRAMA
VARIOGRAMA
Esta función permite medir la relación que existe entre los datos de
acuerdo con la cercanía (h, en metros por ejemplo) entre los sitios

V Z  x   Z ( x  h )  E Z  x   Z ( x  h )* E Z  x   Z ( x  h )
 E Z  x   Z ( x  h )
2

Cálculo con datos de una muestra de sitios (estimador de

momentos)

 z x  h   z x  2

2ˆ h  
2 n h 
 VARIOGRAMA

MESETA

SILL
PARCIAL
C1 SILL C0 + C1
a
ALCANCE
RANGO

C0 EFECTO
PEPITA

DISTANCIA
PARÁMETROS DEL VARIOGRAMA TEÓRICO
Pepita:
Se denota por C0 y representa una discontinuidad puntual del
semivariograma en el origen. Puede ser debido a errores de medición en la
variable o a la escala de la misma. En algunas ocasiones puede ser
indicativo de que parte de la estructura espacial se concentra a distancias
inferiores a las observadas.
Meseta
Varianza de los datos. Se denota por C1 o por (C0 + C1) cuando la pepita
es diferente de cero. Se sugiere que en un modelo que explique bien la
realidad, la pepita no debe representar mas del 50% de la meseta. Si el
ruido espacial en las mediciones explica en mayor proporción la
variabilidad que la correlación del fenómeno, las predicciones que se
obtengan pueden ser muy imprecisas.
Rango – alcance (a)
Es la distancia hasta la cual hay correlación entre los datos. Entre más
pequeño sea el rango, más cerca se esta del modelo de independencia
espacial. El rango no siempre aparece de manera explícita en la fórmula
del semivariograma.
VARIOGRAMAS

• Función de la distancia

• Son un Vector
• Dependiente de la distancia y
dirección
CÁLCULOS DE VARIOGRAMA

h = 15 m.
 CALCULOS - PARTE 1
•Para el primer paso (h=15), hay 4 pares:
1. x1 y x2 , o sea .14 y .28
2. x2 y x3 , o sea .28 y .19
3. x3 y x4 , o sea .19 y .10
4. x4 y x5 , o sea .10 y .09
•Entonces, para h=15, obtenemos:
(15)=1/(2*4)[(x1-x2)2+(x2-x3)2+(x3-x4)2+(x4-x5)2 ]
= 1/8 [ (.14-.28)2 + (.28-.19)2 + (.19-.10)2 + (.10-.09)2]
= 0.125 [(-.14)2 + (.09)2 + (.09)2 + (.01)2 ]
= 0.125 ( .0196 + .0081 + .0081 + .0001 )
= 0.125 ( .0359 )
(15) = 0.00448
 CALCULOS - PARTE 1
•Para el primer paso (h=15), hay 4 pares:
1. x1 y x2 , o sea .14 y .28
2. x2 y x3 , o sea .28 y .19
3. x3 y x4 , o sea .19 y .10
4. x4 y x5 , o sea .10 y .09
•Entonces, para h=15, obtenemos:
(15)=1/(2*4)[(x1-x2)2+(x2-x3)2+(x3-x4)2+(x4-x5)2 ]
= 1/8 [ (.14-.28)2 + (.28-.19)2 + (.19-.10)2 + (.10-.09)2]
= 0.125 [(-.14)2 + (.09)2 + (.09)2 + (.01)2 ]
= 0.125 ( .0196 + .0081 + .0081 + .0001 )
= 0.125 ( .0359 )
(15) = 0.00448
 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
•Entonces, para h=30, obtenemos:
(30) = 1/(2*3) [(x1-x3)2 + (x2-x4) 2 + (x3-x5)2 ]
= 1/6 [(.14-.19)2 + (.28-.10)2 + (.19-.09)2 ]
= 0.16667 [(-.05)2 + (.18)2 + (.10)2 ]
= 0.16667 ( .0025 + .0324 + .0100 )
= 0.16667 ( .0449 )
(30) = 0.00748
 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
•Entonces, para h=30, obtenemos:
(30) = 1/(2*3) [(x1-x3)2 + (x2-x4) 2 + (x3-x5)2 ]
= 1/6 [(.14-.19)2 + (.28-.10)2 + (.19-.09)2 ]
= 0.16667 [(-.05)2 + (.18)2 + (.10)2 ]
= 0.16667 ( .0025 + .0324 + .0100 )
= 0.16667 ( .0449 )
(30) = 0.00748
 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
•Entonces, para h=45, obtenemos:
(45) = 1/(2*2) [(x1-x4 )2 + (x2-x5)2]
= 1/4 [(.14-.10)2 + (.28-.09)2 ]
= 0.25 [(.04)2 + (.19)2 ]
= 0.25 ( .0016 + .0361 )
= 0.25 ( .0377 )
(45) = 0.00942
 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
•Entonces, para h=45, obtenemos:
(45) = 1/(2*2) [(x1-x4 )2 + (x2-x5)2]
= 1/4 [(.14-.10)2 + (.28-.09)2 ]
= 0.25 [(.04)2 + (.19)2 ]
= 0.25 ( .0016 + .0361 )
= 0.25 ( .0377 )
(45) = 0.00942
 CALCULOS - PARTE 4
•En el cuarto paso, (h=60), solamente hay un par:
1. x1 and x5 . Sus valores son .14 y .09
•Entonces, para h=60, obtenemos:
(60) = 1/(2*1) (x1 - x5 ) 2
= ½ (.14-.09)2
= 0.5 (.05)2
= 0.5 ( .0025 )
(60) = 0.00125

•Si tomamos otro paso (h=75), vemos que ya no

hay pares. Entonces, el calculo de los
variogramas en este ejemplo termina cuando h =
60.
 CALCULOS - PARTE 4
•En el cuarto paso, (h=60), solamente hay un par:
1. x1 and x5 . Sus valores son .14 y .09
•Entonces, para h=60, obtenemos:
(60) = 1/(2*1) (x1 - x5 ) 2
= ½ (.14-.09)2
= 0.5 (.05)2
= 0.5 ( .0025 )
(60) = 0.00125

•Si tomamos otro paso (h=75), vemos que ya no

hay pares. Entonces, el calculo de los
variogramas en este ejemplo termina cuando h =
60.
ILUSTRACIÓN - MALLA DE MUESTREO
CÁLCULO DEL SEMIVARIOGRAMA

 z x  h   z x  2

2ˆ h  
2 nh 

 (100)38  37 2  37  352  ... 37  362 / 2n(int ervalos  h)

 2
 2
 
 (200) 38  35  35  30  ... 39  36 / 2n(int ervalos  h)
2

El semivariograma experimental se calcula mediante la

suma de los cuadrados de las diferencias entre
observaciones que se encuentran a una distancia h por 2
(en el ejemplo 100, 200, 300, etc)
 SEMIVARIOGRAMA DATOS DE LA ILUSTRACIÓN

Distancia Semivariograma

100 3.403

200 6.258
Semivariograma
300 … 25
20
400 … 15
10
5
0
0 500 1000
 h  E [Z ( x)  Z ( x  h)] 2
1
2 Z x  h1 

x  h1
h1
Detección de
características que
varían según la Z x 
x h
dirección y la
Z x  h
distancia
xh
 Variograma

Distancia
Variograma

Distancia
   1
 h  E [Z ( x)  Z ( x  h)] 2
Variograma Teórico
2

1
 ( h) 
*

2 N h
 ( z ( xi )  z ( x j )) 2 Variograma Experimental

xi  x j  h
La correlación espacial se debe Coordenadas estratigraficas
calcular dentro de la misma
unidad estratigráfica

Z  Z base
Z tope  Z base
 FORMA DEL
VARIOGRAMA
• La forma del variograma proporciona la siguiente información:
 MODELOS PARA VARIOGRAMAS

• Esférico (Spherical)
• Linear
• Exponencial
• Gaussiano
• Efecto de Hueco (Hole-Effect)

39
 MODELOS PARA VARIOGRAMAS
Spherical

Exponential

Gaussian

Linear
GRACIAS POR SU
ATENCIÓN