Escolar Documentos
Profissional Documentos
Cultura Documentos
5. Cul es la razn de por qu se debe cumplir que las funciones variogrficas sean del tipo
negativo condicional?
Porque esa propiedad es la condicin necesaria y suficiente para que sea el variograma de
una funcin aleatoria.
6. Defina que es una funcin de tipo negativo condicional con sus propias palabras
Es una funcin la cual es negativa, pero slo para una clase restringida de valores (l1,... lk),
para los cuales su suma total es nula.
7. Nombre los rasgos importantes de un variograma, apyese en un dibujo
Son modelos que se utilizan a partir de funciones que conocemos de antemano que son del
tipo negativo condicional (ya que es una condicin difcil de controlar), y las cuales son las ms
utilizadas en la prctica.
10. Nombre los modelos bsicos de variograma
1. Efecto Pepa
2. Modelo Esfrico
3. Modelo Exponencial
4. Modelo Gaussiano
5. Modelo Potencia
6. Modelo Seno Cardinal
Efecto pepa
Modelo Esfrico
Modelo exponencial
Modelo Gaussiano
Modelo potencia
15. Cul es la diferencia entre los modelos esfrico, exponencial y gaussiano cerca de la
meseta?
Modelo esfrico se estabiliza antes que gaussiano y exponencial (llega a la meseta exacta
para |h| = a) , estos dos ltimos solo la alcanzan asintticamente.
Exponencial y gaussiano
19. Defina con sus propias palabras los conceptos de istropo y anistropo en el contexto de
modelos variogrficos.
Una anisotropa se dice geomtrica cuando el mapa variogrfico dibuja elipses concntricas
(caso 2D) o elipsoides caso (3D). Los variogramas direccionales tienen la misma forma, pero alcances
diferentes. El modelamiento slo requiere especificar las direcciones principales (ortogonales entre
s) y los alcances correspondientes.
21. Qu es la anisotropa zonal? Cmo se refleja en un modelo variogrfico?
22. Dibuje un variograma esfrico con alcance 50 metros en la direccin EW y 100 metros en
la direccin NS, dibuje como sera el modelo variogrfico en las direcciones N15E, N45Ey N60E.
0.1 + 0.9sph(100,50)
0.1 + 0.9sph(100,75)
0.1 + 0.9sph(50,100)
0.5 + 0.5*sph(100,50)
El modelo de variograma debe ser consistente en las distintas direcciones, es decir, tener
el mismo efecto pepita y el mismo nmero y tipo de estructuras anidadas.
29. Nombre algunos aspectos relevantes del variograma experimental antes de ajustar un
modelo variogrfico.
1. Efecto pepa?
2. Istropo o anistropo?
3. Anisotropa geomtrica o zonal?
4. Lineal, parablico en el origen?
5. Alcances y mesetas en cada direccin
6. Qu modelos bsicos o estructuras bsicas reflejan mejor el comportamiento?
30. Por qu el efecto pepa debe ser comn a todas las direcciones?
Porque los modelos deben ser consistente en todas las direcciones. Por ejemplo, si tuviese
un efecto pepa en una direccin y otro efecto pepa en otra, cmo definira el modelo en las
direcciones diagonales?
31. Escriba un procedimiento general de ajuste para variogramas en 2d en los casos de
anisotropa geomtrica
1. Qu es el soporte?
La variable regularizada sobre el bloque V, denotada como Z(V), se define como el promedio
de los valores puntuales en V.
En donde |V| representa el volumen del bloque V. La variable debe ser aditiva.
4. Qu es la compositacin?
5. Por qu compositamos?
Dado que las muestras tienen distintos tamaos, no poseen igual peso estadstico.
La relacin de Cartier estipula que el valor esperado de un dato tomado al azar dentro de
un bloque cuyo valor es conocido, es igual al valor del bloque.
() +
(, ) = ()
11. Cul es frmula de
(, )?
13. Qu es
(, )?
14. Cules son los efectos del cambio de soporte a nivel de distribuciones o histograma?
Misma media que la variable puntual, menor varianza (Efecto Soporte), Cambia forma de
distribucin (se simetriza).
15. Qu es el factor de reduccin de la varianza?
17. Qu pasa con una variable muy peptica cuando se aumenta el efecto soporte?
Se suaviza el mapa variogrfico.
El tonelaje a ley de corte 0, T(0) es el depsito completo y el tonelaje T(z) sobre ley de
corte z ser una funcin decreciente relacionada con la funcin de distribucin acumulada F(z)
como sigue:
La ley media
() se relaciona con la funcin de densidad de probabilidad f(z) del modo
siguiente
Para una ley de corte dada z, el tonelaje sobre ley de corte T(z) es la suma del tonelaje de
los bloques cuyas leyes son mayores al umbral de corte z. La ley media sobre umbral de corte
() es el promedio de las leyes de los bloques que superan el umbral de corte z. El proceso se
repite para varias leyes de corte y se obtienen las curvas como se ilustra en la figura.
20. Qu es y cmo se construye una curva metal/tonelaje?
La curva metal versus tonelaje se puede calcular conociendo primero el tonelaje T(z) y la
ley media sobre umbral de corte (), el metal contenido sobre umbral Q(z) se obtiene al
conocer el tonelaje y la ley media sobre umbral de corte.
Para calcular la fraccin de metal Q'(z) simplemente se divide el metal por el metal total
El efecto informacin tiene relacin con la cantidad de datos que disponemos. Por ejemplo,
manejar poca informacin respecto al depsito, podra generar que algunos bloques de mineral
sean subestimados y enviados equivocadamente a botadero, o que otros bloques estriles sean
sobreestimados y enviados a planta. Con respecto al efecto soporte, el efecto informacin provoca
una prdida adicional de selectividad.
24. Qu implica que tome la decisin de destino con una ley estimada?
26. Dibuje la relacin real vs estimado en los casos de precisin y sesgo condicional.
Para minimizar el efecto informacin, se busca un estimador preciso e insesgado (global y
condicionalmente).
La curva ton-ley correspondiente al soporte mayor tendr un mayor tonelaje para una ley
de corte dada.
La curva-ton ley correspondiente al soporte mayor tendr una menor ley media sobre ley
de corte para una ley de corte dada.
Esto se debe a que el efecto soporte genera una simetrizacin de las distribuciones y una
disminucin de la dispersin.
Menor variabilidad de los datos, luego menor meseta y menor efecto pepa.
En general los proyectos poseen poca informacin en etapas iniciales, por lo cual el efecto
informacin es relevante en tomas de decisin en las distintas etapas de un proyecto. Al tener una
mayor informacin, se conocer mejor la distribucin de leyes en el mismo, luego en el mapa del
depsito se ver una mayor variabilidad de datos (es decir, aumenta la varianza).
Ms informacin -> estimaciones con menor error -> mejora la apreciacin del depsito.
A medida que vamos aumentando el nivel de informacin, es posible realizar una mejor
estimacin, luego el porcentaje de acierto O2O y W2W aumenta poco a poco, disminuyendo los
desaciertos O2W y W2O.
1. Correccin Afn
2. Correccin lognormal directa
3. Correccin lognormal indirecta
4. Correccin Gaussiana discreta
5. Simulacin puntual y regularizacin
[()] [()]
Histograma de = histograma de
2
El factor de reduccin de la varianza =
2
39. Cmo podemos calcular ese factor a partir del variograma?
La transformacin matemtica es ()
() .
43. De dnde podemos obtener la varianza de bloques para la correccin lognormal directa?
45. Qu aspectos prcticos tenemos que considerar para aplicar un modelo de cambio de
soporte?
Se busca que las leyes medias sean diferentes entre dominios, en general, si son similares
(<25% relativo) los dominios no controlan.
6. Cmo se construyen en general los dominios de estimacin?
A veces se interpreta slo usando probplot y se ven "quiebres" que se interpretan como
"poblaciones". No es recomendable usar esta sola prctica para definir unidades.
En este caso realmente corresponden a dos distribuciones lognormales que generan dos
quiebres y "tres falsas poblaciones", luego no es directo quiebre = poblacin, se deben visualizar
los datos y quiebres asociados y revisar a qu geologa corresponden.
1. Litologia
2. Alteracion
3. Mineralizacin
4. Asociaciones minerales
5. Dominios o bloques estructurales
Muchas veces usando el probplot se definen valores de leyes para generar unidades de
estimacin (mtodo de "isoleyes") o rangos de leyes en combinacin con criterios geolgicos.
El uso de rangos de leyes debe ser cauteloso, puede puede no tener sentido geolgico
cuando se toman quiebres basados en estadsticas ms que en fenmenos o poblaciones
geolgicas.
1. Qu es un interpolador lineal?
2. Qu es un interpolador sesgado?
3. Qu es un interpolador insesgado?
En promedio, el estimador entrega el valor correcto, sin sesgo sistemtico (pero con cierta
imprecisin). El error de la estimacin tendr una media igual a 0.
La idea bsica es estimar el valor de una variable regionalizada en una posicin x donde no
conocemos el valor verdadero, planteando
n
Z * ( x) a i Z ( xi )
i 1
1
c d iw
a0 i
1
i1 c d w
n
donde di es la distancia entre el dato i y la posicin que se est estimando, c es una constante
pequea, y w es un valor usualmente comprendido entre 1 y 3
Los datos que estn ms lejos tendrn menos "peso" (ponderador ms bajo) en el sitio a
estimar.
9. Qu es el Kriging?
17. Escriba la expresin matemtica, para la esperanza del error entre el valor estimado menos
el valor real desconocido sea nulo.
n
E{Z ( x) Z ( x)} a i E{Z ( xi )} E{Z ( x)} 0
*
i 1
n
a i m m
i 1
n
a {1 i } m
i 1
19. Expanda la varianza del error de estimacin, entre las variables aleatorias del valor real
desconocido y la variable aleatoria.
var{Z * ( x) Z ( x)}
21. Escriba el sistema a que lleva a encontrar los pesos tales que minimizan de la varianza del
error.
22. A qu corresponde el lado izquierdo del sistema de kriging simple y que refleja?
23. A qu corresponde el lado derecho del sistema de kriging simple y que refleja?
24. Qu se debe hacer para obtener los pesos finales a partir del sistema?
Para obtener los pesos finales se debe invertir la matriz del lado izquierdo y resolver la aritmtica
matricial
25. Cmo debe ser la matriz del lado izquierdo para encontrar una solucin?
Debe ser invertible y de m x n, donde la matriz del lado derecho es de m x 1 para asi poder
multiplicarlas
26. Qu condicin debe cumplir la funcin de covarianza de modo que la matriz sea invertible?
Debe cumplir con la Estacionaridad para poder decir que C(h) = C(0) - (h)
27. Qu ocurre si tengo dos datos con la misma ubicacin en el sistema de kriging?
Si se tienen dos datos con la misma ubicacin tipo C(x,x) eso es igual a 0.
n n
Z * ( x) i Z ( xi ) {1 i } m
i 1 i 1
29. Describa la relacin entre los pesos de los datos y el peso asignado a la media.
La varianza que se calcula en el kriging corresponde a la varianza del error que se minimizo. Tiene
la gracia de poder calcularse sin conocer el valor de los datos.
31. Cmo se obtiene la varianza de kriging, una vez obtenidos los pesos?
n
KS
2
( x) 2 i C ( xi x)
i 1
n
KS
2
( x) 2 i C ( xi x)
i 1
Depende del valor de la covarianza de los datos y de los ponderadores obtenidos por el kriging.
No depende del valor de los datos.
34. Calcule la expresin kriging simple en caso un dato en funcin de las covarianzas y varianzas
35. Calcula la expresin de la varianza de kriging simple en el caso de un dato en funcin de
covarianzas y varianzas.
36. Calcule la expresin kriging simple en caso de dos datos cualesquiera en funcin de las
covarianzas y varianzas.
37. Calcula la expresin de la varianza de kriging simple en el caso de dos datos cualquiera en
funcin de covarianzas y varianzas.
No se conoce el valor promedio (m) de la variable regionalizada. Solo se conoce el valor del
variograma o la funcin de covarianza
39. Cul es la implicancia de que la media sea desconocida y la condicin de insesgo, en los pesos
y constante a?
Si ahora la media es desconocida, no es un dato, por lo tanto se asume a=0 y la suma de todas las
ponderaciones del KO deben ser 1
n
a0
i 1
i 1
Porque es la nica forma es que se puede encontrar el valor de los ponderadores utilizando
derivadas parciales e igualando a 0
n
j C ( xi x j ) C ( x xi ) , i 1,... n
j 1
n
1
i 1
i
En la matriz izquierda, se agrega una fila y una columna de 1s donde el valor final ubicado en la
posicin nxn es 0. En el vector de ponderadores se agrega la media (desconocida) al final y a la
matriz de la derecha se le agrega un 1 al final de las covarianzas.
44. Cules son las diferencias entre los valores estimados lejos de las muestras entre el kriging
simple y ordinario?
Los valores lejanos a las muestras son mas suavizados en el KO que en el KS. Esto debido a que
como en el primero no se conoce la media, tiende a suavizar las leyes incluso entregando valores
de leyes negativas en algunos casos.
( x1 x1 ) ( x1 xn ) 1 1 ( x1 x)
(x x )
( xn xn ) 1 ( x x)
n 1
n n
0
1 1 1
n
Z * ( x) i Z ( xi )
i 1
47. Cul es la diferencia entre la expresin del estimador de kriging ordinario y el de kriging simple?
Para KS:
Para KO:
51. Calcule la expresin kriging ordinario en caso un dato en funcin de las covarianzas y varianzas.
52. Calcule la expresin de la varianza de kriging ordinario en el caso de un dato en funcin de
covarianzas y varianzas.
53. Calcule la expresin kriging ordinario en caso de dos datos cualesquiera en funcin de las
covarianzas y varianzas.
54. Calcule la expresin de la varianza de kriging ordinario en el caso de dos datos cualquiera en
funcin de covarianzas y varianzas.
Idea central es discretizar el bloque en un conjunto de nodos. En lugar de estimar cada nodo y
luego promediar los valores estimados, se efecta a nivel de covarianzas.
Se utiliza un valor ponderado por bloque para las covarianzas de la matriz del lado derecho
N
1 1
C ( xi , V)
V
V
C ( xi , x) dx
N
C(x , x )
k 1
i
V
k
58. Cules son los aspectos que considera el kriging para el clculo de los ponderadores?
Considera efectos de la distancia entre la muestra y el dato a estimar, adems del efecto pantalla
y la anisotropia
59. Cules son los aspectos que no considera el kriging para el clculo de los ponderadores?
El valor de los datos ni las derivas que existen entre los datos
60. En general un dato ms alejado debe tener un peso mayor o menor que un dato cercano?
En general debera tener un peso menor ya que un dato ms cercano puede que sea ms parecido
al valor que queremos estimar que uno que est muy lejos
62. Cmo son los pesos de kriging para los datos agrupados?
Los datos que se encuentren agrupados en una direccin van a ponderar menos individualmente
que un dato que se encuentre al lado opuesto solo, pero ponderan ms en conjunto (la suma de
las ponderaciones es mayor que la del ponderador que se encuentra solo).
Antes de realizar el kriging es necesaria hacer la validacin cruzada y para esto se necesitan los
valores desagrupados, por lo tanto, si es necesario.
64. Entre ms alto el efecto pepita, como son los ponderadores de kriging?
Si el efecto pepa es mayor, los valores ms cercanos pierden ponderacin y la ganan los que estn
ms alejados del dato a muestrear.
Interpolacin exacta: la estimacin en un sitio con dato es igual al valor del dato y la varianza
de kriging en este sitio vale 0
Aditividad: la estimacin de la ley de un bloque es igual al promedio de las estimaciones de
leyes puntuales en este bloque
Suavizamiento: la dispersin de los valores estimados es menor que la dispersin de los
valores verdaderos, sobre todo en las zonas donde hay pocos datos.
Insesgo y precisin: por construccin
Sesgo condicional: el error promedio puede no tener esperanza nula cuando se considera
slo los sitios donde la ley estimada es alta (o baja).
La propiedad aditiva del kriging postula que la estimacin de la ley de un bloque es igual al
promedio de las estimaciones de leyes puntuales en este bloque
68. Cul es la propiedad de suavizamiento y que implicancia tiene para la toma de decisin de
valores extremos?
La propiedad de suavizamiento indica que la dispersin de los valores estimados es menor que la
dispersin de los valores verdaderos, sobre todo en las zonas donde hay pocos datos. En
consecuencia, se tiende a subestimar las zonas de altas leyes y sobreestimar las zonas de bajas
leyes.
A que se impone que la media de los errores debe ser 0 (es decir, que no haya sesgo en la
medicin)
70. A qu nos referimos con que el kriging es un interpolador por construccin preciso?
El sesgo condicional se refiere a que el error promedio puede no tener esperanza nula cuando se
considera slo los sitios donde la ley estimada es alta (o baja). En general, el sesgo condicional es
pequeo si se usa suficientes datos (>15%)
Se puede mitigar comparando los grficos de ley estimada y ley real y ver si se est sobre o
subestimando
73. Qu implicancias tiene el sesgo condicional en la seleccin de destinos?
Teniendo el centro de gravedad de la nube de dispersin es necesario ver si este est sobre la
diagonal de la regresin. Si esta sobre, entonces estamos subestimando la ley. Si esta justo en la
diagonal, las leyes son iguales y si est por debajo, estoy sobrestimando la ley.
La vecindad de estimacin es el espacio que contiene el sitio a estimar y las muestras con las
cuales se estimar el sitio. Esta es definida para cada unidad de estimacin, unidad que debe estar
disponible en bloques y muestras.
Eleccin basada en el variograma de las leyes: Se utilizan los variogramas de leyes como
gua para la seleccin de radios de estimacin
Eleccin basada en malla actual y orientacin de sondajes: En los casos que se cuenta con
mallas de sondajes semi regulares se tiende a buscar radios que cubran la malla de
sondajes disponible(s)
Se obtienen valores estimados muy suavizados, sobre todo para valores lejanos a dichas
muestras ya que se ponderando en base a solo esa cantidad de datos. Se est por lo tanto
subestimando la realidad, realizando una mala estimacin
81. Con qu objetivo se utilizan restricciones de interpolacin como uso de octantes o mximo de
muestras por sondaje?
Se limitan a las muestras con valores mnimos y mximos vlidos para estimar eg. CuT 0-100%.
As se evitan obtener valores aberrantes, sabiendo que por ej. Es muy difcil que encontremos
leyes de calcopirita mayores a un 50%.
83. Qu aspectos del fenmeno e informacin disponible son relevantes para escoger el plan de
kriging?
Precisin
Insesgo condicional
A mayor nmero de muestras, se obtiene una nube de correlacin cuyo centro de gravedad cada
vez se encuentra ms cerca de la diagonal de la regresin. Por lo que a mayor cantidad de datos
nos acercamos ms al valor real.
A mayor cantidad de muestras se obtienen valores de desviacin estndar menores, por lo que
los valores de las varianzas deberan ser bajas.
88. Explique los chequeos de kriging a nivel de consistencia interna y los de prediccin.
Los chequeos de consistencia interna son todos los chequeos que puedan verificar que las cosas
pasaron como se planificaron. No miden ningn tipo de desempeo, solo buscan validad la
consistencia lgica-matemtica de lo que se realiz.
Los chequeos de prediccin buscan evaluar el desempeo del estimador que se utiliz contra la
realidad de lo que se tiene en el depsito.
A travs del chequeo que las estadsticas de promedios de bloques vs promedios de muestras a
escala local sean similares
A travs de verificar que los valores estimados son similares a los valores en las cercanas de los
datos
Son procedimientos para validar los parmetros del kriging (modelo de variograma, vecindad
elegida) en relacin al nivel de prediccin contra la realidad de las predicciones.
93. Explique el procedimiento de validacin cruzada.
Dado un conjunto de datos se requiere evaluar la prediccin del valor de cada muestra a partir
de las muestras cercanas. Se selecciona una muestra, se elige su vecindad y esta se estima. Se
repite el proceso para otra muestra. Finalmente se repite el proceso para cada una de las
muestras en el conjunto de datos
El proceso del Jacknife busca estimar un conjunto de muestras a partir de otro conjunto Se busca
poner a prueba distintas vecindades de kriging. til para evaluar desempeo en nueva campaa
de sondajes, sondajes de infill o en pozos de banco siguiente o similar.