Noviembre 2016

Cátedra de Geoestadística

M. Sc. Samuel Canchaya Moya

Los estimadores lineales:

El Inverso de la “n” potencia de la distancia
El kriging; el error de kriging

M. Sc. Samuel Canchaya Moya 2

1
 3

Estimación por el promedio aritmético simple

A
6
i Ley
B PA 0.25 6
4
P PB 0.25 4
C 1 PC 0.25 1

D PD 0.25 5
5
1.00 4 Ley promedio

P*PAS = 0.25x6 + 0.25x4 +0.25x1 + 0.25*5 = 4.0 P*PAS = 4.00

Estimación por el método del

Inverso del Cuadrado de la Distancia (ICD)
A
6 R = 70 RADIO DE INFLUENCIA

B
4 d (1/d) (1/d2) i Ley
P PA 90 fuera de R 6
C 1 PB 20 0.050 0.0025 0.81 4

R 5 D PC 50 0.020 0.0004 0.13 1

PD 65 0.015 0.0002 0.06 5
0.095 0.0031 1.00

P*ICD = 0.81x4 + 0.13x1 +0.06x5 = 3.67 P*ICD = 3.67

2
Estimación por el inverso del
RADIO DE INFLUENCIA
cuadrado de la distancia (ICD)
R = 50 m

INTERPOLACION POR ICD

Tramo d 1/d2 i Ley 2
5 E
PA 40 0.0006 0.160 6
G 3
PB 36 0.0008 0.198 4
F
PF 20 0.0025 0.642 3 P
S 0.0039 1.000 6
P 3.679 A
4
n 1 B
 n Z i n 1
d    i * Zi
Z *P  i n i
C
5
1 3
 n i H
D

i di i
50 m
P*ICD = 0.16x6 + 0.198x4 +0.642x3 = 3.679 5

Interpolación por el inverso del RADIO DE INFLUENCIA

cuadrado de la distancia (ICD) R = 50 m

INTERPOLACION POR ICD

Tramo d 1/d2 i Ley
5
2
PB 20 0.0025 0.606 4 E
G 3
PC 29 0.0012 0.288 1
F
PD 48 0.0004 0.105 5 3.68
S 0.0041 1.000 6
P 3.240 A
4
n 1 B
 n Z i n 1 P 3.24
d    i * Zi
Z *P  i n i
C
5
1 3
 n i
H
D

i di i
50 m
P*ICD = 0.606x4 + 0.288x1 +0.105x5 = 3.24

3
 7
R = 50 m Radio de influencia
empírico EN AZUL es
reemplazado por un elipsoide
Estimación por “Kriging” de influencia EN MARRÓN

R1 = 45 m y R2 = 68 m: Radios
del elipsoide de influencia obtenidos 2
5
del variograma E
G 3
F
El estimador sigue siendo lineal 6
A
n
Z *P    i * Zi B
4

i 1 P
C
Pero en esta ocasión los estimadores 5
se obtienen del llamado SISTEMA 3
D
DE ECUACIONES DE KRIGING H

50 m

Estimación de la ley media en el tramo: S2 - S3

S1 S2 S3 S4

 : 
VARIOGRAMA
(h)  
h
Z1 Z2
1  2  3  4
Z3 Z4
COMENTARIOS:

 (h) EFECTO DE MEJOR ESTIMADOR:

PEPITA PURO LEY MEDIA
0 0.25 0.25 0.25 0.25
UNICO CASO DE VALIDEZ DE
LOS METODOS CLASICOS
h
 (h) REGULARIDAD
LOS DOS PUNTOS MAS
MEDIA CERCANOS AL
1/2 0.07 0.43 0.43 0.07 SEGMENTO ESTIMADO
TIENEN MAS PESO
h
 (h) VARIOGRAMA
NO INTERVIENEN LOS PUNTOS
LINEAL LEJANOS
0 0.50 0.50 0
1 PROPIEDAD CARACTERÍSTICA
DEL VARIOGRAMA LINEAL
h
 (h) GRAN LOS PONDERADORES DE Z1
REGULARIDAD Y Z4 SON NEGATIVOS
3/2 - 0.03 0.53 0.53 - 0.03 DEBIDO A LA EXTREMA
CONTINUIDAD DE LA
h MINERALIZACION

4
  (h)  h
“n” sugerido

VARIOGRAMA

Selección del exponente

 (h) EFECTO DE
PEPITA PURO
“n” en el método del
0
0 INVERSO DE LA
h DISTANCIA
 (h) REGULARIDAD
MEDIA 1
1/2

h
 (h) VARIOGRAMA
LINEAL
2 o mayor de 2 n 1
1  n Z i n
d    i * Zi
h Z *P  i n i
 (h) GRAN
 n
1 i
i
REGULARIDAD
3/2
Mayor a 2 i di

h
9

10

6 A

Interpolación por “Kriging” C

P
B
4
1
AAA + ABB +ACC + ADD + µ = AP D
BAA + BBB +BCC + BDD + µ = BP 5
CAA + CBB +CCC + CDD + µ = CP
ANISOTROPIA
DAA + DBB +DCC + DDD + µ = DP
R1 = 45 m
A + B + C + D = 1
R2 = 68 m
A = 0.21
B = 0.20
C = 0.35 P*K = A*A + B*B + C*C + D*D
D = 0.24 P*ICD = 0.21x6 + 0.20x4 +0.35x1 + 0.24x5 = 3.61

P*K = 3.61
Error de estimación: 2K = iP i + PP - 
Error de estimación = 0.13

5
 11

Comparación de los resultados

CUADRO COMPARATIVO DE LAS TRES ESTIMACIONES

ERROR DE
METODO RESULTADO
ESTIMAC.
Promedio aritmético simple 4.00 No se conoce

Inverso del cuadrado de la 3.68 No se conoce

distancia
Krigeage 3.61 0.13

Inverso de la distancia BHoles Pract 3

9082339

% Cu

1.93
9082304 1.80
1.68
1.55
1.42
1.30
Norte

1.17
9082270
1.04
0.92
0.79
0.66
0.54
9082235 0.41
0.28
0.16
0.03

9082200
880503 880555 880608 880660
Este

12

6
 BHoles Pract 3
Inverso del cuadrado de la distancia: ICD

9082339

% Cu

2.46
9082304 2.30
2.13
1.97
1.81
1.65
Norte

1.48
9082270
1.32
1.16
1.00
0.83
0.67
9082235 0.51
0.35
0.18
0.02

9082200
880503 880555 880608 880660
Este

13

Inverso del cubo de la distancia

BHoles Pract 3

9082339

% Cu

2.49
9082304 2.32
2.16
1.99
1.83
1.66
Norte

1.50
9082270
1.33
1.17
1.00
0.84
0.67
9082235 0.51
0.34
0.18
0.01

9082200
880503 880555 880608 880660
Este

14

7
 Kriging Ordinario Isotrópico
BHoles Pract 3

9082339

% Cu

1.41
9082304 1.32
1.23
1.14
1.05
0.96
Norte

0.87
9082270
0.78
0.68
0.59
0.50
0.41
9082235 0.32
0.23
0.14
0.05

9082200
880503 880555 880608 880660
Este

15

Kriging Ordinario
Anisotrópico

8
 BHoles Pract 3

Kriging Ordinario Anisotrópico

9082339

% Cu

1.50
9082304 1.40
1.31
1.21
1.11
1.01
Norte

0.92
9082270
0.82
0.72
0.62
0.53
0.43
9082235 0.33
0.23
0.14
0.04

9082200
880503 880555 880608 880660
Este

17

Tipos de Kriging

Pre-requisito Nombre del

Tipo Media
mínimo modelo

KS: Kriging Constante y

Covarianza Estacionario
simple conocida

KO: Kriging Constante y

Variograma Intrínseco
ordinario desconocida

KU: Kriging Variable y

Variograma Modelo KU
universal desconocida

18

9
 Kriging simple

Condiciones:

Estacionariedad de segundo orden

La estructura de la Covarianza es desconocida

Media conocida en todo el dominio

19

Kriging Simple
CASO DE DOS OBSERVACIONES:
Son dos parámetros desconocidos y por lo tanto hay que
calcular dos derivadas e igualarlas a cero

 
 var Z u   Z * u 
 1 2  2 covu1  u2   covu0  u1   0
1

 
 var Z u   Z * u 
 2 2  1 covu2  u1   covu0  u2   0
2

Se obtiene un sistema de dos ecuaciones con dos incógnitas, que en forma

matricial sería:

 C 0 C u1  u2   1   C u0  u1 


C u  u 
 2 1 C 0  2  C u0  u2 

10
CASO DE DOS OBSERVACIONES:
El error no depende directamente de los datos, sino
de la continuidad espacial que tienen

 
var Z u   Z * u    2  1C u0  u1   2C u0  u2 

2
     C u0  u 
2

 1

21

Kriging Simple

CASO GENERICO:

Relación entre las

observaciones y el
Relación entre las observaciones
punto a estimar

Nuevamente el error no depende directamente de los datos,

sino de la continuidad espacial que tienen:

 
N
var Z u   Z * u    2    C u0  u 
 1

11
 Kriging Ordinario

Es similar al simple y sólo se diferencia en el hecho de que la

media del dominio es constante pero desconocida y deberá ser
estimada.

No es suficiente con obtener la VARIANZA MINIMA

También será necesaria la CONDICIÓN DE NO SESGO:

23

Kriging Ordinario

Se parte de una función  de la forma siguiente:

 
 
N
1 ,, N ,    var Z u   Z * u   2 1   i 
 i 1 

Para minimizar a la función  no existen restricciones; entonces

sólo se debe calcular las derivadas e igualarlas a cero.

1 ,, N ,  
0 j  1,2,  , N
 j

1 ,, N ,  
0


12
 Kriging Ordinario

Se puede demostrar que:


 var Z u   Z * u  
 2  covu  u j   2 covu  u j 
N

 j  1

Por lo tanto se obtiene:

2  covu  u j   2  2 covu  u j 
N
j  1,2,  , N
 1

Kriging Ordinario

El sistema de ecuaciones en forma matricial sería:

 C 0 C u1  u2   C u1  u N  1   1   C u  u1  

  u  u  C 0  C u2  u N  1      C u  u  
 2 1  2   2 

          
    
C u N  u2  C u N  u2   C 0 1   N  C u  u N 
 1 1 1 1 0      1 

De esta manera se filtra el valor

desconocido de la media

Ahora la varianza del error es:

 
N
var Z u   Z * u    2    C u0  u   
 1

13
 Kriging Ordinario

Kriging ordinario usando el variograma

La relación entre el variograma y la covarianza es:

C h  C 0   h

 C 0   u  u     C 0   u  u 

N


 1
j j j  1,2,  , N

  u  u      u  u 
N


 1
j j j  1,2,  , N

Kriging Ordinario

El sistema de ecuaciones escrito en forma

matricial sería:

 0  u1  u2    u1  u N  1   1    u  u1  
  u  u  0   u2  u N  1       u  u  
 2 1  2  2 

          
    
 u N  u2   u N  u2   0 1  N   u  u N 
 1 1 1 1 0      1 

Siendo los resultados iguales a los obtenidos con la Covarianza.

Esta propiedad no es cierta en el caso del kriging simple; por lo que el

sistema de ecuaciones del kriging simple sólo debe ser escrito usando
la función de covarianza y NO la función variograma.

14
 M. Sc. Samuel Canchaya Moya

Estimación de Recursos por Kriging

29

Ejemplo de estimación por kriging de cuerpos

tabulares.- Caso de veta polimetálica
NE

Tomado de Canchaya (1983)

15
Análisis variográfico
Veta polimetálica.

Tomado de Canchaya (1983)

Clasificación de
Recursos y Reservas
Resultados de Prospección/Exploración
RECURSOS RESERVAS
Mayor confianza y menor riesgo
Mayor conocimiento geológico

INFERIDOS

INDICADOS PROBABLES

MEDIDOS PROBADAS

Factores modificantes: minado, metalurgia, mercado, legal, MA, CC,etc.

16
 33

Configuración de paneles en vetas:

Configuración Chimenea
2:
10
3 Elipse de influencia

1 20
20
Configuración
1: 10
2 1 2 10 Galería

20

Tramo muestreado

Planteamiento de las ecuaciones de

Kriging en vetas – Configuración 1:
111 + 122 + µ = 1P
211 + 222 + µ = 2P
 1 + 2 + = 1

1 = Ponderador del tramo muestreado

que flanquea al bloque o panel
2 = Ponderador del total de la galería
o chimenea
 = Parámetro de Lagrange

Error de estimación: 2K = iP i + PP - 

34

17
Planteamiento de las ecuaciones de
Kriging en vetas – Configuración 2:
111 + 122 + 133 + µ = 1P
211 + 222 + 232 + µ = 2P
311 + 322 + 332 + µ = 3P

1 + 2 + 3 = 1

1 = Ponderador de tramo muestreado que flanquea el bloque

2 = Ponderador de otro tramo muestreado que flanquea el bloque
3 = Ponderador del total de la galería o chimenea
 = Parámetro de Lagrange

Error de estimación: 2K = iP i + PP - 

35

36

Definición de Reservas Probadas

en vetas: Probables

Chimenea

10
Elipse de influencia

20
20

10
Galería 10

20

Tramo muestreado

18
Configuración y clasificación de paneles
Caso de veta polimetálica
NE

Probado Probable Inferido

Tomado de Canchaya (1983)

Otro ejemplo de configuración de bloques:

Veta Rosa -Chacua

Tomado de Villanueva (1992)

19
Kriging de bloques:
Proyección 2D del modelo de bloques:

B B


C C
A Ponderador de los puntos A
A A


B B

P B Ponderador de los puntos B

B B


A A

C Ponderador de los puntos C

C C
B B

39

Referencias bibliográficas

 Canchaya S. (2004) Log-normalidad y efecto proporcional. Características

frecuentes en los yacimientos de oro.- XII Congr. Peruano Geol.; 4p.

 David, M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier Scientific

Publishing Co.; 364 p.

 Journel, A. G. & Huijbregths Ch. J. (1978) Mining Geostatistics.- Academic Press;

600 p.

 Krige, D. G. (1981) Lognormal-de Wijsian Geostatistcs for Ore Evaluation.- South

African Inst. Min. Metall; 51.

 Villanueva, R. (1992) Etude Geostatistique du Filon „Rosa“ de la Mine Uchucchacua,

Lima- Perou.- Memoire de fin de cycle CESEV, Ecole Nationale Superieure de
Géologie de Nancy; 115 p.

40

20