Estimación I

Geoestadística - Clase 10
Calendario
Semana Fecha Actividad Evaluación
1 01 - Ago Fundamentos
2 08 - Ago Seminario
3 15 - Ago Asunción de la Virgen
4 22 - ago Inferencia
5 29 - ago Intro a Ev. De recursos + Formalismo Control 1 (15%)
6 05 - sept EDA
7 12 - sept Unidades de Estimación
- 19 - sept Fiestas Patrias
8 26 - sept Continuidad Espacial 1 Control 2 (10%)
9 03 - oct Continuidad Espacial 2 Control 3 (10%)
10 10-oct Modelamiento de Variogramas
11 17-oct Estimación 1 Control 4 (15%)
12 24-oct Estimación 2
13 31 - oct Todos los Santos
14 07 - nov Categorización y Muestreo Control 5 (10%)
15 14 - nov Simulación Control 6 (15%)
16 21 - nov Presentaciones Finales
Introducción 2
Evaluaciones
• C1: Fundamentos e Inferencia
• C2: EDA y Formalismo
• C3: Unidades de Estimación y Continuidad Espacial 1
• C4: Continuidad Espacial 2 y Variogramas Modelados
• C5: Estimación 1
• C6: Estimación 2 + Categorización

Introducción 3
El problema… versión final

Queremos estimar el valor de nuestra variable regionalizada (ley, densidad, dureza, etc.)
en un sitio sin información a partir de los datos que tenemos (sondajes)

𝒉𝟏 𝒉𝟑

1.5 0.3
𝝀𝟏 𝝀𝟑
𝒉𝟐
𝒉𝟒

1.1
0.5
𝝀𝟒
𝝀𝟐

Estimación 4
¿Cómo llegamos hasta acá?
1. Estadística e Inferencia: Aprendimos de probabilidades y estimadores
2. Formalismo: Ligamos una variable regionalizada con una interpretación probabilística,
y definimos propiedades fundamentales (estacionaridad y ergodicidad)
3. EDA: Aprendimos técnicas para familiarizarnos con los datos, corregir datos
aberrantes, y definir poblaciones homogéneas.
4. Unidades de Estimación: Definimos zonas con características geológicas y estadísticas
similares, que son estacionarias.
5. Variogramas: Definimos técnicas para cuantificar “qué tan diferente son dos datos a
cierta distancia”.
6. Variogramas modelados: Definimos la ley espacial “real” que gobierna la función
aleatoria, para cualquier dirección y en cualquier distancia.

Estimación 5
Estimación Lineal
Nos centraremos en un tipo particular de estimador: los estimadores lineales. En ellos, el
valor de un sitio sin dato es una combinación lineal ponderada de los datos cercanos.
Formalmente, si 𝑥0 es un sitio sin dato, y 𝑥1 , … , 𝑥𝑁 son sitios con datos, con 𝑧(𝑥) el valor
de la variable en el sitio 𝑥, la estimación será:
𝑁

𝑧 𝑥0 = 𝑎 + ෍ 𝜆𝑖 𝑧(𝑥𝑖 )
𝑖=1
𝑎 es una constante aditiva y 𝜆𝑖 es un ponderador para cada sitio con dato. Es decir, nuestra
estimación se basa en encontrar estos ponderadores de la mejor forma posible, junto con
la variable aditiva.
¿Y por qué lineales? Por que son los más sencillos, y son suficientemente buenos ☺

Estimación 6
Estimación Lineal
¿De qué dependen los ponderadores?
1. Cercanía al sitio a estimar
2. Continuidad espacial de la variable
3. Anisotropía
4. Redundancia de los datos

Antes de pasar al mejor estimador,

vamos a revisar algunos estimadores
tradicionales, con las ventajas y
desventajas de cada uno.

Estimación 7
Estimación Lineal
¿De qué dependen los ponderadores?
1. Cercanía al sitio a estimar
2. Continuidad espacial de la variable
3. Anisotropía
4. Redundancia de los datos

Antes de pasar al mejor estimador,

vamos a revisar algunos estimadores
tradicionales, con las ventajas y
desventajas de cada uno.

Estimación 8
Estimadores Tradicionales
Vecino más cercano/polígonos de
influencia
Este estimador atribuye toda la
ponderación al sitio con dato más cercano.
Es decir, 𝝀𝒊 = 𝟏 para el sitio más cercano y
𝝀𝒊 = 𝟎 para el resto. La constante aditiva
𝑎 = 0 también.
También es considerado como estimador
por “polígono de influencia” porque el sitio
a estimar se encuentra en el polígono de
influencia del dato que se lleva toda la
ponderación.

Estimación 9
Estimadores Tradicionales
Vecino más cercano: Ejemplo
En la imagen se aprecian dos
esquemas distintos de polígonos
de influencia. Las zonas cercanas a
cada sitio con datos forman un
polígono, dentro del cual todos los
sitios tendrán el mismo valor
estimado.

Estimación 10
Estimadores Tradicionales
Vecino más cercano: Ejemplo
Notar que existen discontinuidades en las
fronteras, donde el valor estimado puede
cambiar drásticamente.
El dato más cercano “apantalla” al resto de
los datos, por lo cual este estimador omite
gran parte de la información.

Estimación 11
Estimadores Tradicionales
Inverso de la distancia
Cada ponderador es una función del inverso de la distancia (o una potencia de este) al sitio
a estimar.
1 Inverso de la
𝜔
𝑐 + 𝑑𝑖 distancia al sitio i
𝜆𝑖 =
1 Normalización para
σ𝑁𝑖=1 𝑐 + 𝑑 𝜔
𝑖 obtener el
ponderador.
𝑑𝑖 es la distancia entre el sitio con dato 𝑖 y la posición que se está estimando, 𝑐 es una
constante y 𝜔 es la potencia que usualmente va entre 1 y 3. La constante aditiva 𝑎 = 0.

Estimación 12
Estimadores Tradicionales
Inverso de la distancia: Ejemplo
𝜔=1 𝜔 = 2 (cuadrado de la distancia)

Estimación 13
Estimadores Tradicionales
Inverso de la distancia
• La función de interpolación es continua, con máximos locales en los sitios con
datos.
• La elección del exponente 𝜔 dice relación con la naturaleza de la variable:
exponentes altos para variables que cambian rápidamente, exponentes bajos
para variables con variaciones más suaves.
• El método tradicional no considera anisotropías, pero es posible generalizarlo
considerando distancias re-escaladas en ciertas direcciones.
• Ha sido ampliamente utilizado en la industria, por ser sencillo de aplicar. Sin
embargo, se han empezado a favorecer métodos geoestadísticos (como kriging).
• En corto plazo de algunas faenas, aún se usan los estimadores tradicionales (ID y
polígonos) por su rapidez y sencillez.

Estimación 14
Comparación - Datos

Estimación 15
Comparación– Vecino más cercano

Estimación 16
Comparación– Inverso de la distancia

Estimación 17
Otros estimadores espaciales

A continuación vamos a revisar otros

estimadores, que son menos
utilizados pero que sirven de igual
forma para estimar espacialmente.
Como ejemplo base utilizaremos el
de la imagen.

Estimación 18
Otros estimadores espaciales
Vecindad natural/Sibson Triangulación de Delaunnay
Más cercano vecino, pero continua o Interpolación lineal continua en triángulos
derivable

Estimación 19
Otros estimadores espaciales
Akima (polinomio grado 5) K-más cercanos vecinos
Suavizamiento de los triángulos de Promedio de los k valores más cercanos.
Delaunnay

Estimación 20
Otros estimadores espaciales
Media móvil Método de Shepard
Promedio de los valores en un radio de Inverso de la distancia incorporando efecto
búsqueda de apantallamiento

Estimación 21
Otros estimadores
Superficies de Tendencia Spline
Polinomio de las coordenadas que Minimización de una integral que
minimizan el error cuadrático en los sitios interpolan datos.
con dato

Estimación 22
Estimadores Tradicionales

Ventajas:
- Fáciles de ejecutar
- Privilegian datos cercanos
- Se pueden obtener funciones con
determinadas características (continuas,
derivables)
Desventajas:
- No consideran la continuidad espacial de
la variable regionalizada: anisotropía,
efecto pepa.
- No miden la precisión/incertidumbre de
la estimación

Dentro de todos estos estimadores, ¿cuál es el mejor?

Estimación 23
Estimadores Lineales
Método de Interpolación Valor Estimado
¿Qué estimador Más cercano vecino 5.111
elegir, entonces? Vecindad natural 4.319
¿Cuál es la Método de Sibson 4.877
incertidumbre en la
estimación? Interpolación Lineal 4.354
¿Existe algo así Akima 4.632
como “el mejor” Inverso de la distancia 3.712
estimador? Inverso del cuadrado de la distancia 4.271
Inverso del cubo de la distancia 4.705
Shepard 4.362
Superficie de tendencia de grado 2 4.927
Spline laplaciano 3.766
Estimación 24
Kriging
Obtener un interpolador que además entregue una medida de precisión no es común,
pues la mayoría se formulan en un contexto determinístico.
Lograr cuantificar la precisión de un estimador requiere de un modelo probabilístico
(como los que vimos en el inicio del curso). En estos modelos, el error de estimación es
una variable aleatoria. A este error se le pueden imponer condiciones:
- Insesgo: Esperanza nula
- Precisión: Mínima varianza

Así nace el estimador por excelencia de geoestadística: El Kriging (Por Danie Krige)

Estimación 25
Kriging
El kriging es un estimador lineal, basado en el modelo de función aleatoria, en donde se
determina la ponderación de los datos según:
• Distancias al sitio a estimar
• Redundancia entre datos agrupados
• Continuidad espacial de la variable regionalizada (variograma)
➢Privilegia datos cercanos para variogramas regulares en el origen
➢Reparte ponderación de datos si existe efecto pepita
➢Privilegia las direcciones de anisotropía

Además, entrega una medida de precisión en la estimación

Estimación 26
Tipos de kriging
En verdad, no existe un solo kriging, son varias técnicas similares:
- Kriging simple: Media conocida
- Kriging Ordinario: Media desconocida
- Kriging con deriva: Media desconocida que cambia con la posición
- Universal: La deriva es función de las coordenadas
- Deriva Externa: La deriva es función de una variable secundaria
- Kriging no lineal: Kriging a una transformada de la variable
- Disyuntivo: Kriging a factores que descomponen la variable a estimar
- De Indicadores: Aplica kriging a indicadores de la variable (tipo de roca, ley de corte)
- Multi-gaussiano: Kriging a una transformación gaussiana de la variable
- Multivariable (cokriging), etc.

Estimación 27
Construcción del kriging
Para definir el kriging, impondremos una serie de restricciones, lo que nos llevará a los
ponderadores de kriging para la estimación espacial.
Restricción de linealidad
Sea 𝑧(𝑥) la variable regionalizada en estudio, {𝑥𝑖 , 𝑖 = 1, … , 𝑁} los sitios con datos, y 𝑥0 el
sitio que se busca estimar. Se impone que el valor estimado, 𝑧 ∗ (𝑥0 ), sea una combinación
lineal de los datos:
𝑁

𝒛∗ 𝒙𝟎 = 𝒂 + ෍ 𝝀𝒊 𝑧(𝑥𝑖 )
𝑖=1
Luego, el problema de estimación se reduce a encontrar el coeficiente 𝑎 y los
ponderadores 𝜆𝑖 , dado que los valores en los sitios con dato son conocidos.

Estimación 28
Construcción del kriging
Condición de Insesgo
El valor esperado del error de la estimación tiene que ser nulo:

𝔼 𝒁∗ 𝒙𝟎 − 𝒁 𝒙𝟎 =0

Donde 𝒁∗ (𝒙𝟎 ) es el valor estimado y 𝒁(𝒙𝟎 ) el valor real. La diferencia, es el error de

estimación, y el valor esperado es el sesgo de la estimación.
Esto significa que el estimador no tiende ni a subestimar ni a sobreestimar el valor real de
la variable regionalizada.

Estimación 29
Construcción del kriging
Condición de optimalidad
Un estimador se dice óptimo cuando es el que minimiza la varianza de estimación. En este
caso, se aplica a la varianza del error (o también conocido como varianza de kriging):

2
𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝜎𝐾𝐺 = Var 𝒁∗ 𝒙𝟎 − 𝒁 𝒙𝟎

Esto minimiza la amplitud del error que se comete al estimar, maximizando la precisión del
estimador.

Estimación 30
Construcción del kriging
Best Linear Unbiased Estimator
Estas tres condiciones se resumen en que Kriging se construye para ser el mejor (varianza
mínima del error) estimador lineal insesgado (condición de insesgo del error).
En ingles, Kriging es conocido como BLUE (Best Linear Unbiased Estimator)
El proceso de obtener una expresión para los estimadores es siempre el mismo: Se
imponen las tres restricciones (linealidad, insesgo y optimalidad) y se despeja una formula
para los estimadores.

Nos vamos a enfocar en los tres tipos de kriging más comunes, pero la construcción del
resto es similar.

Estimación 31
Kriging Simple
El kriging simple se centra en las siguientes hipótesis:
• Se conoce la media real de la variable regionalizada, 𝒎, la cual aplica a todo el dominio
a estimar
• Se conoce la función de variograma, 𝜸(𝒉), que es estacionaria y presenta una meseta,
es decir:
𝜸 ∞ = 𝝈𝟐
• Al existir un variograma estacionario con meseta conocida, se conoce la función de
covarianza:

𝑪 𝒉 = 𝝈𝟐 − 𝜸(𝒉)

Estimación 32
Kriging Simple
Con estas hipótesis, se imponen las tres restricciones
Restricción de linealidad
La estimación por Kriging Simple en un sitio 𝒙𝟎 se escribe como una combinación lineal
ponderada de los datos en los sitios {𝑥𝑖 , 𝑖 = 1, … , 𝑁}:

𝒛∗𝑲𝑺 𝒙𝟎 = 𝑎 + ෍ 𝜆𝑖 𝑧(𝒙𝒊 )
𝑖=1

Estimación 33
Kriging Simple
Restricción de Insesgo
La esperanza del error de estimación es:
𝑁
∗
𝔼 𝑍𝐾𝑆 𝒙𝟎 − 𝑍 𝒙𝟎 = 𝑎 + ෍ 𝜆𝑖 𝔼[𝑍 𝒙𝒊 ] − 𝔼 𝑍 𝒙𝟎
𝑖=1

= 𝑎 + ෍ 𝜆𝑖 𝑚 − 𝑚
𝑖=1

Estimación 34
Kriging Simple
Restricción de Insesgo
Igualando a cero (condición de insesgo) y despejando 𝑎:

𝑎 = 1 − ෍ 𝜆𝑖 𝑚
𝑖=1

Es decir, la media tiene un ponderador complementario al valor total de los 𝜆𝑖 . Esto se

interpreta como que la media compensa la falta de información cuando hay pocos datos o
están muy alejados (a datos muy alejados, los ponderados respectivos son bajos, por lo
que la media se lleva una ponderación mayor)

Estimación 35
Kriging Simple
Restricción de Insesgo
Luego, el estimador es de la forma:
𝑁 𝑁

𝒛∗𝑲𝑺 𝒙𝟎 = 1 − ෍ 𝜆𝑖 𝑚 + ෍ 𝜆𝑖 𝑧(𝒙𝒊 )
𝑖=1 𝑖=1

= 𝑚 + ෍ 𝜆𝑖 [𝑧(𝒙𝒊 ) − 𝑚]
𝑖=1
Notar que es posible definir una nueva variable: 𝒛 𝒙 − 𝒎, la cual tiene media cero por
construcción. Es decir, el kriging simple es equivalente a estimar una variable de media
cero, y posteriormente agregar la media al final de la estimación. Esto nos ayudará en la
siguiente restricción.

Estimación 36
Kriging Simple
Restricción de optimalidad
Esto equivale a minimizar la varianza del error:
𝝈𝟐𝑲𝑺 = 𝐕𝐚𝐫 𝒁∗𝑲𝑺 𝒙𝟎 − 𝒁 𝒙𝟎

∗
= 𝐕𝐚𝐫 𝐙𝐊𝐒 𝐱𝟎 + 𝐕𝐚𝐫 𝐙 𝐱 𝟎 − 𝟐 𝐂𝐨𝐯 𝐙 ∗ 𝐱𝟎 , 𝐙 𝐱 𝟎

𝐍 𝐍 𝐍

= ෍ ෍ 𝛌𝐢 𝛌𝐣 𝐂𝐨𝐯 𝐙 𝐱 𝐢 , 𝐙 𝐱 𝐣 + 𝐂 𝟎 − 𝟐 ෍ 𝛌𝐢 𝐂𝐨𝐯 𝐙 𝐱 𝟎 , 𝐙 𝐱 𝐢
𝐢=𝟏 𝐣=𝟏 𝐢=𝟏

𝐍 𝐍 𝐍

= ෍ ෍ 𝛌𝐢 𝛌𝐣 𝐂(𝐱 𝐢 − 𝐱 𝐣 ) + 𝐂 𝟎 − 𝟐 ෍ 𝛌𝐢 𝐂(𝐱 𝟎 − 𝐱 𝐢 )
𝐢=𝟏 𝐣=𝟏 𝐢=𝟏

Estimación 37
Kriging Simple
Restricción de optimalidad
Luego, debemos encontrar los ponderadores 𝝀𝒊 , que minimizan esta expresión. Esto se
logra usando una técnica básica de optimización: derivar e igualar a cero. Tomamos las
derivadas parciales con respecto a cada ponderador:

N
𝜕 Var Z∗ 𝐱𝟎 − Z 𝐱𝟎
= 2 ෍ λj C 𝐱 𝐢 − 𝐱 𝐣 − 2C 𝐱 𝟎 − 𝐱 𝐢 i = 1, … , N
𝜕λi
j=1
Igualando a cero:
N

෍ 𝛌𝐣 C 𝐱 𝐢 − 𝐱 𝐣 = C 𝐱 𝟎 − 𝐱 𝐢 i = 1, … , N
j=1
Este sistema de 𝑁 ecuaciones para encontrar 𝑁 ponderadores 𝝀𝒊 se conoce como el
sistema de Kriging simple

Estimación 38
Kriging Simple
Notación Matricial:

C 𝐱𝟏 − 𝐱𝟏 ⋯ C 𝐱𝟏 − 𝐱𝐍 λ1 C(𝐱 𝟏 − 𝐱 𝟎 )
⋮ ⋱ ⋮ ⋮ = ⋮
C 𝐱𝐍 − 𝐱𝟏 ⋯ C 𝐱𝐍 − 𝐱𝐍 λN C 𝐱𝐍 − 𝐱𝟎

Mide la correlación Mide la correlación entre los

(redundancia) entre datos datos y el sitio a estimar

La solución de este sistema entrega los ponderadores para la estimación →¡Los

encontramos!

Estimación 39
Kriging Simple
Precisión de la estimación
Además, es posible calcular la varianza del error como medida de precisión de la
estimación (varianza de kriging simple) si reemplazamos los ponderadores en la ecuación
de Varianza del error que vimos anteriormente:
N

σ2KS x0 = σ2 − ෍ λi C(𝐱 𝐢 − 𝐱 𝟎 )
i=1

Siempre se tiene que:

σ2KS x0 ≤ σ2
Esta varianza (al igual que los ponderadores), no dependen de los valores en los sitios con
datos, solo de su configuración geométrica.

Estimación 40
Kriging Simple
Se tienen un sitio a estimar y tres datos, con 3 ecuaciones para determinar los
ponderadores:

λ1 C 1,1 + λ2 C 1,2 + λ3 C 1,3 = C(0,1)

λ1 C 2,1 + λ2 C 2,2 + λ3 C 2,3 = C(0,2)
λ1 C 3,1 + λ2 C 3,2 + λ3 C 3,3 = C(0,3) 𝛾(2,3)
𝛾(1,2)
𝛾(1,3)
𝛾(0,2)
Notar que C h = C 0 − 𝛾(ℎ) 𝛾(0,1) 𝛾(0,3)

Estimación 41
Kriging Simple
Ejemplo 1: Efecto pepita puro
Si la covarianza es un efecto pepita, y el sitio a estimar no coincide con un dato, los
ponderados de kriging se anulan y el estimador es igual a la media conocida del dato.
Por su parte, la varianza de kriging es igual a la varianza a priori (meseta del variograma
pepítico) es decir, 𝝈𝟐 .

Estimación 42
Kriging Simple
Ejemplo 2: Cambio de alcances del variograma
Kriging simple con variograma esférico isótropo con tres alcances diferentes.

alcance = 1 alcance = 5

Alcance 𝝀𝟏 𝝀𝟐 𝝀𝟑
g alcance = 10
10 0.781 0.012 0.065
5 0.648 -0.027 0.001
1 0.000 0.000 0.000
Distancia

Estimación 43
Kriging Simple
Ejemplo 3: Cambio en efecto pepita
Kriging simple con variograma esférico isótropo de alcance 10 y diferentes efectos pepita

Cambio del efecto pepita

100% Pepita 𝝀𝟏 𝝀𝟐 𝝀𝟑
75% 0% 0.781 0.012 0.065
g
25% 0.468 0.203 0.064
pepita = 25% 75% 0.172 0.130 0.053
100% 0 0 0
Distancia

Estimación 44
Kriging Simple
Ejemplo 4: Cambio de anisotropía
Kriging simple de variograma esférico con un efecto pepita del 25%, un alcance principal de
10 y alcances menores diferentes. Anisotropía en la dirección de la figura.

Cambio de anisotropía
Anisotropía 𝝀𝟏 𝝀𝟐 𝝀𝟑
1:1 0.468 0.203 0.064
2:1 0.395 0.087 0.141
5:1 0.152 -0.055 0.232
20:1 0 0 0.239

Estimación 45
Kriging Simple
Ejemplo 4: modelo esférico en una dimensión

Kriging Varianza de Kriging Ponderador de la

media

Estimación 46
Plan de Kriging
¿Qué datos se utilizan para estimar?
Vecindad: lugar donde se buscan los datos que servirán para la estimación.
Existen esencialmente dos tipos:
1. Vecindad única: Se utilizan todos los datos disponibles para estimar cada sitio.
2. Vecindad móvil: Se utilizan solo los 𝑁 datos más cercanos al sitio a estimar.

La vecindad única aumenta innecesariamente los tiempos de cálculo sin mejorar la

precisión de la estimación (el sistema de kriging es muy grande), por lo que usualmente se
trabaja con vecindad móvil.
Hay que especificar la forma y el tamaño de esta vecindad.

Estimación 47
Plan de Kriging
Tamaño de la vecindad móvil (radios de búsqueda)
La idea de la vecindad móvil es descartar datos que reciban poca ponderación y/o datos
agrupados (redundantes entre sí).
En general, su forma es una elipse (2D) o elipsoide (3D), a la cual se le debe asignar una
orientación, un tamaño, y número máximo de datos utilizados.
Orientación: se orienta generalmente en las direcciones principales de anisotropía del
variograma.
Tamaño (radios): Proporcionales a los alcances del variograma, considerando la malla de
muestreo, con el fin de tener suficientes datos para estimar. Tamaños muy grandes no son
aconsejables por la poca confiabilidad del variograma a grandes distancias.

Estimación 48
Plan de Kriging

División en sectores angulares

Para mejorar la repartición de los
datos utilizados para estimar, es usual
dividir la vecindad en sectores
angulares, y buscar un numero
predefinido de datos en cada sector.
(3, 4 o 5 datos por cuadrante, por
ejemplo).

Estimación 49
Kriging Simple
Ejemplo: Estime por kriging simple el valor del central usando los dos datos más
cercanos y una elipse de búsqueda de radio 3. La ley media del dominio es 1.8.

Tabla 1: Valor de los datos

Fig. 1: Configuración Espacial
Fig. 2: Variograma Modelado

Estimación 50
Capitulo Especial: Evaluación Docente.

Estimación 51
Evaluación Docente: Modelo Educativo UNAB
• Estudiante UNAB:
• Aprendizaje centrado en el estudiante, el que debe ser protagonista de su
aprendizaje y formación personal.
• Basado en aprendizaje activo: aprender con sus pares, analizar, discutir, etc.
• Docente UNAB:
• Facilitador del aprendizaje –no como depositario único del conocimiento-,
buscando que superen las barreras del conocimiento que puedan encontrar.
• Retroalimenta oportunamente al estudiante
• Diseña y planifica estrategias pedagógicas innovadoras y desafiantes.
• Reflexiona sobre su propia práctica.
• Adapta los contenidos para que todos los estudiantes puedan aprender.

Estimación 52
Evaluación Docente: Modelo Educativo UNAB
Aprender UNAB:
• Requiere que los estudiantes aprendan a aprender y sean gestores de su
propio aprendizaje.
• Mayor proporción de actividades centradas en el estudiante (ejercicios,
simulaciones, estudios de casos, etc.)
• Evaluaciones:
• No evalúan conocimientos, sino desempeño (?)
• Más frecuentes que esporádicas.
• Formativas y sumativas. (?)
• Integran aspectos cualitativos y cuantitativos. (?)
• Considera el uso de compromisos de aprendizaje. (?)
• Estimulan la autoevaluación y evaluación de pares.

Estimación 53
Capitulo Especial: Evaluación Docente.
• ¿Qué opinan ustedes de la calidad de la educación que se les entrega
en la carrera? ¿Ha mejorado o empeorado a lo largo de los años?

• ¿Cuál ha sido la peor experiencia como alumnos con respecto a un

docente? ¿Y la mejor?

• ¿Han sabido de casos en que la encuesta docente haya influido en el

estado laboral de un profesor?

• ¿La experiencia en sus cursos se relaciona con lo comprometido en el

modelo educativo UNAB?

Estimación 54
Referencias
• Jean-Paul Chilès & Pierre Delfiner, 1999. “Geostatistics: Modeling Spacial Uncertainty”, Wiley.
• A.G. Journel & Ch.J. Huijbregts, 1989. “Mining Geoestatistics”, Academic Press.
• J. Ortiz, Apuntes de curso: “MI5041 – Evaluación de Yacimientos”, Universidad de Chile.
• X. Emery, Apuntes de curso: “MI4040 – Análisis Estadístico y Geoestadístico de Datos”,
Universidad de Chile.
• Mario E. Rossi & C.V. Deutsch, “Mineral Resource Estimation”, Springer.

Variogramas y Continuidad 55