1 Modelos Variogrficos

1. Cul es la diferencia entre el variograma experimental y el variograma modelado?

El variograma experimental se calcula en base a distancias obtenidas, es decir, los valores

que alcanza estn sujetos a esos datos. Por otro lado, el variograma modelado es una funcin
matemtica definida en todas las direcciones del espacio y para todas las distancias.

2. Por qu es necesario modelar un variograma?

Por dos motivos

Es imperfecto: valores obtenidos estn sujetos a imprecisiones

Es incompleto: calculado para un nmero finito de distancias y de direcciones en el
espacio

3. Cul es la relacin entre el variograma experimental y el variograma terico?

El variograma experimental es un estimador es un estimador del variograma terico sin

sesgo.

4. Qu restricciones matemticas debe satisfacer un modelo variogrfico?

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

1. El comportamiento en el origen: si es suave, continuo o discontinuo

2. El comportamiento en el infinito: alcance / meseta
3. El comportamiento direccional: istropo o anistropo
4. Otros: ciclicidad, efecto hoyo, derivas

Discontinuo en el origen, se muestra alcance y meseta.

8. Relacione comportamientos en los variograma experimentales que sean asociables a

ciertos modelos variogrficos especficos.

1. Modelo discontinuo en el origen: efecto pepa

2. Modelos lineales en el origen: esfrico o exponencial
3. Modelos parablicos en el origen: gaussiano o cbico
4. Modelos sin mesta: potencia
5. Modelos cclicos: seno cardinal

9. Qu son los modelos bsicos de variograma?

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

11. Escriba las frmula de los modelos bsicos de variograma

Efecto pepa

Modelo Esfrico

Modelo exponencial

Modelo Gaussiano

Modelo potencia

Modelo seno cardinal

14. Cul es la diferencia entre los modelos esfricos, exponencial y gaussiano cerca del origen?

Modelo esfrico y exponencial son similares, sin embargo el exponencial asciende ms

abruptamente, tiene ms curvatura y alcanza la meseta C slo en forma asinttica. Modelo
Gaussiano tiene un comportamiento parablico en el origen.

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.

16. Nombre dos modelos que lleguen asintticamente a la meseta.

Exponencial y gaussiano

17. Qu son los modelos anidados? Apyese con un dibujo

El variograma puede modelarse como la suma varios modelos elementales, denominados

modelos anidados o estructuras anidadas.
18. Qu permiten los modelos anidados?

El variograma experimental mide la desemejanza promedio entre dos datos en funcin de

su separacin. A menudo, presenta cambios de pendiente, que indican un cambio en la continuidad
espacial a partir de ciertas distancias. Se pone as en evidencia distintas escalas de variacin en la
variable regionalizada. Los modelos anidados permiten modelar este tipo de situaciones.

19. Defina con sus propias palabras los conceptos de istropo y anistropo en el contexto de
modelos variogrficos.

Un variograma () es istropo si es idntico en todas las direcciones del espacio, es

decir, si no depende de la orientacin del vector h, sino que slo de su modulo |h|. En caso
contrario hay anisotropa, tal propiedad caracteriza un fenmeno que se extiende de preferencia
en ciertas direcciones.

20. Qu es la anisotropa geomtrica, cmo se refleja en un modelo variogrfico?

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?

La anisotropa zonal es un modelo en el cual la funcin aleatoria no depende de una (o

varias) coordenadas (s). El mapa variogrfico dibuja bandas. Se trata de un caso lmite de anisotropa
geomtrica, donde el alcance en una direccin se vuelve muy grande. A la escala de trabajo, la
meseta cambia segn la direccin.

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.

23. Escriba como frmula el variograma anterior

24. Dibuje los siguientes variogramas 2D

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)

25. Dibuje los siguientes variogramas 2D

0.1 + 0.5*sph(100,50) + 0.4*sph(inf,50)

0.1 + 0.5*sph(100,50) + 0.4*sph(100,inf)

26. A qu nos referimos con que el variograma debe ser consistente?

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.

27. Cmo aseguramos que un modelo variogrfico sea consistente?

1. Tomar un nico (el ms bajo) efecto pepita istropo

2. Escoger el mismo nmero de estructuras anidadas para todas las direcciones,
basado en la direccin ms compleja.
3. Asegurar que el mismo parmetro de meseta se use para todas las estructuras
anidadas en todas las direcciones
4. Permitir un alcance diferente en cada direccin
5. Modelar una anisotropa zonal definiendo un alcance muy grande muy grande en
una o ms direcciones principales.

28. Qu alcance se asocia a una direccin que presenta anisotropa zonal?

Infinito. Por eso en las direcciones se va poniendo infinito, de modo de no alterar ms el

variograma en esa direccin (esto equivale a considerar una anistropa zonal).

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

32. Escriba un procedimiento general de ajuste para variogramas en 2d en los casos de

anisotropa zonal.

2 Efecto Soporte e Informacin

1. Qu es el soporte?

Es el volumen sobre el cual se mide o se considera la variable en estudio (testigo, compsito,

pozo de tronadura, unidad selectiva de explotacin o "bloque")

2. Qu es la regularizacin o cambio de soporte?

La variable regularizada sobre el bloque V, denotada como Z(V), se define como el promedio
de los valores puntuales en V.

3. Escriba la frmula de la regularizacin asociada de puntos a bloques.

En donde |V| representa el volumen del bloque V. La variable debe ser aditiva.

La variable ser aditiva

4. Qu es la compositacin?

Corresponde al clculo de compsitos (que en trminos simples son un volumen

regularizado de muestra) es decir, se define un tamao sobre el cual se promediarn las muestras
para obtener compsitos de tamao regular.

5. Por qu compositamos?

Dado que las muestras tienen distintos tamaos, no poseen igual peso estadstico.

El clculo de estadsticas supone una cierta homogeneidad de lo que estamos analizando.

Por ejemplo, podemos calcular la media de dos muestras si una mide 40 [m] (baja ley) y la otra
slo 2 [m] (alta ley)?.
6. Qu efectos tiene la compositacin?

Al aumentar la longitud de los compsitos se tienen varios efectos

1. Se reduce el nmero de datos

2. Diminuye la dispersin de los valores: menos valores extremos, facilita el anlisis
variogrfico

7. Describa con sus propias palabras la relacin de Cartier, dibuje.

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.

8. Cules son los efectos del cambio de soporte en el variograma?

El paso de un soporte pequeo a un soporte mayor es una operacin reguladora

("suavizamiento" de los mapas)
9. Qu es el
(, )?

Es la magnitud que disminuye la varianza puntual a la varianza de bloques.

10. Cul es la relacin entre el variograma puntual, regularizado y

(, )?

El variograma regularizado () se relaciona con el variograma puntual (). Para

distancias grandes difieren por una constante
(, )

() +
(, ) = ()
11. Cul es frmula de
(, )?

12. Cul es la relacin de

(, ) con la covarianza en el caso estacionario?

13. Qu es
(, )?

Es la varianza de bloques regularizados.

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?

Al conocer el variograma () o () de la variable de soporte "puntual", se puede

calcular la varianza de la variable a un soporte mayor

El factor de reduccin de varianza se define como la varianza de bloques dividido por la

varianza puntual.

16. Cul es la relacin de

(, ) con 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.

Histograma de leyes de bloques:

Muchos valores medios, menos valores extremos, se pierden los rasgos.

18. Qu pasa con una variable muy continua cuando se aumenta el efecto soporte?

Histograma de leyes de bloques:

Se mantienen valores extremos, se mantienen rasgos.

19. Qu es y cmo se construye una curva tonelaje-ley?

La curva tonelaje es una exploracin de la distribucin de leyes de un depsito, conocer su

distribucin es conocer la tonelaje-ley del depsito.

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

La construccin de la curva es la 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.

El factor K es dependiente si las leyes estn expresadas en porcentaje o ppm.

Para calcular la fraccin de metal Q'(z) simplemente se divide el metal por el metal total

Idem para la fraccin de tonelaje

La curva se obtiene graficando T'(z) versus Q'(z)

21. Qu cuantifican las curvas de selectividad?

Las curvas de selectividad cuantifican los recursos recuperables de un yacimiento

(tonelaje, cantidad de metal, etc).

22. Qu factores afectan la selectividad?

Dependen de cuatro factores

1. Efecto soporte: mientras ms voluminoso el soporte, menos selectividad

2. Efecto informacin: algunos bloques de mineral son subestimados y enviado
equivocadamente a botadero; otros bloques sobreestimados son enviados a planta.
3. Restricciones geomtricas: algunos bloques de alta ley pueden ser abandonados si los
costos para alcanzarlos son demasiado altos
4. Dilucin operativa

23. Qu es el efecto informacin?

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?

La decisin de enviar un bloque a planta o botadero se efecta en base a la ley estimada

del bloque, en lugar de la ley verdadera (desconocida). Esto puede producir dos casos no
deseables, el enviar el estril a planta, o bien, enviar el mineral a botadero.
25. Dibuje la relacin real estimado para una ley de corte cules son las cuatro opciones
entre destino, valores reales y estimado?

O2O, W2W, W2O y O2W

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).

28. Cmo afecta el efecto soporte en curvas tonelaje-ley? Explique

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.

29. Cmo afecta el efecto soporte en curvas de selectividad? Explique

Se produce prdida de selectividad. La curva se va acercando a la recta de soporte infinito.

30. Cmo afecta el efecto soporte en el variograma de leyes? Explique

Menor variabilidad de los datos, luego menor meseta y menor efecto pepa.

31. Cmo afectan estos aspectos a la minera de un depsito?

32. Cmo afecta el nivel de informacin en nuestra apreciacin del depsito?

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.

33. Por qu el efecto informacin es tan importante en relacin a decisiones sobre un

umbral de corte?

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.

34. Por qu necesitamos generar modelos de cambio de soporte?

Necesitamos evaluar los recursos recuperables sobre determinadas leyes de corte al

soporte de las unidades de seleccin mineras, pero nuestros datos son puntuales en relacin a la
escala de extraccin. Luego, se proponen modelos para tratar de estimar el histograma regularizado
a partir del histograma puntual. Conocer el histograma regularizado o de bloques es equivalente a
conocer los recursos a este soporte.
35. Nombre 5 modelos de cambio de soporte

1. Correccin Afn
2. Correccin lognormal directa
3. Correccin lognormal indirecta
4. Correccin Gaussiana discreta
5. Simulacin puntual y regularizacin

36. Explique la correccin afn

[()] [()]
Histograma de = histograma de

Este modelo mantiene la forma del histograma puntual

No toma en cuenta la simetrizacin que acompaa el cambio de soporte

slo lo contrae por un factor -> genera nuevos mximos y mnimo

La idea central es poder encontrar el factor f de reduccin de varianza.

37. Cul es la frmula de transformacin a nivel de cuantiles de bloque vs cuantiles de puntos?

38. Qu factor se requiere conocer para la transformacin afn?

2
El factor de reduccin de la varianza =
2
39. Cmo podemos calcular ese factor a partir del variograma?

Sacando las varianzas.

40. Toma en cuenta la simetrizacin del histograma esta aproximacin?

No, esta aproximacin no toma en cuenta la simetrizacin que acompaa el cambio de

soporte.

41. Qu tipo de transformacin hace la correccin lognormal directa?

El histograma puntual se modela como una lognormal de media m y varianza 2 .

El histograma regularizado se modela como una lognormal de media m y varianza 2 .

La transformacin matemtica es ()
() .

42. Qu aspecto de la distribucin intenta mantener la correccin lognormal directa?

Aplica la correccin lognormal (aunque el histograma puntual no lo es), luego ajusta el

parmetro "a" de modo que la transformacin no altere la media.

43. De dnde podemos obtener la varianza de bloques para la correccin lognormal directa?

Mediante el variograma modelado de las leyes puntuales y la relacin

44. Cul es la correcin lognormal indirecta?

Aplica la correccin lognormal (aunque el histograma puntual no lo es), luego ajusta el

parmetro "a" de modo que la transformacin no altere la media.

45. Qu aspectos prcticos tenemos que considerar para aplicar un modelo de cambio de
soporte?

Histograma de las muestras

Simetrizacin asociada
Media de las muestras
Varianza de las muestras
Variograma en grandes distancias
Variograma en otras distancias
Ubicacin espacial de las muestras
Tonelaje que se intenta caracterizar
Densidad de informacin disponible

46. Qu caractersticas de las leyes son afectadas por el cambio de soporte?

Mnimo, Mx., Varianza, Distribucin, etc.

47. Qu es el factor de reduccin de la varianza?

48. Qu efectos genera en nuestros valores estimados el tener poca informacin?

Subestimacin o sobreestimacin (efecto informacin).

3 Estimacin Geoestadstica

3.1 Unidades de estimacin

1. Qu son los dominios de estimacin o unidades de estimacin?

Corresponden a dominios o volmenes dentro de los cuales se realiza la interpolacin de

las variables de inters.

2. Cul es el objetivo de su uso?

Su objetivo es definir dominios geolgica y estadsticamente homogneos donde efectuar

la evaluacin de la variable de inters.

3. Qu caractersticas debera tener un dominio de estimacin en trminos de geologa de

leyes?

Idealmente la variable a estimar debe presentar un comportamiento homogneo al

interior del dominio de estimacin en los siguientes aspectos:

1. Caractersticas geolgicas similares

2. Caractersticas estadsticas similares -> idealmente estacionario
3. Esperamos que los valores de la variable provengan de una nica poblacin
4. Dominio de estimacin tenga coherencia geolgica/espacial

Esperamos que las estadsticas de la variable difieran substancialmente entre un dominio

de estimacin y otro -> los dominios controlen la variable de estimacin respetando la geologa
asociada.

4. Qu tipo de herramientas o anlisis permiten establecer la pertinencia de los dominios de

estimacin?

Es conveniente analizar los distintos atributos geolgicos que forman el dominio de

estimacin, tales como alteracin, litologa, zona mineral y dominios estructurales.

En ciertas ocasiones se recurre a la definicin de isoleyes o umbrales de corte para algunas

variables, cuando no existe informacin geolgica completa o clara para definir los controles de las
variables.

5. Cmo deben ser las leyes entre dominios diferentes de estimacin?

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?

Se hace uso de distintas herramientas estadsticas (Probplot, Scatterplots, grficos media-

desviacin estndar, entre otros) de tal forma de asegurar

1. Leyes medias diferentes entre dominios

2. Diferenciacin media-desviacin estndar: dominios aparezcan separados en el
grfico media-desviacin estndar, en caso contrario sugiere que los dominios
podran ser agrupados
3. Distribuciones monomodales
4. Distribuciones diferenciadas o separadas entre dominios: se puede evaluar en
grficos de probabilidad acumulada.
5. Niveles de dispersin bajos: se busca obtener unidades cuyo coeficiente de
variacin sea <1.0 (no siempre posible)
6. Distribucin espacial diferenciada de las leyes
7. Dominios lo ms estacionarios posibles
8. Nmero de registros razonables
9. Transiciones o contactos duros entre unidades
10. Coherencia Geolgica
11. Coherencia espacial: se evala con variograma indicador

7. En qu ocasiones o bajo qu condiciones se generan unidades usando umbrales de leyes?

En ciertas ocasiones se recurre a la definicin de isoleyes o umbrales de corte para algunas

variables, cuando no existe informacin geolgica completa o clara para definir los controles de las
variables.

8. Qu se busca o espera de los dominios de estimacin?

1. Leyes medias diferentes entre dominios

2. Diferenciacin media-desviacin estndar: dominios aparezcan separados en el
grfico media-desviacin estndar, en caso contrario sugiere que los dominios
podran ser agrupados
3. Distribuciones monomodales
4. Distribuciones diferenciadas o separadas entre dominios: se puede evaluar en
grficos de probabilidad acumulada.
5. Niveles de dispersin bajos: se busca obtener unidades cuyo coeficiente de
variacin sea <1.0 (no siempre posible)
6. Distribucin espacial diferenciada de las leyes
7. Dominios lo ms estacionarios posibles
8. Nmero de registros razonables
9. Transiciones o contactos duros entre unidades
10. Coherencia Geolgica
11. Coherencia espacial: se evala con variograma indicador
9. Por qu es necesario tener cautela para definir unidades basadas en leyes deducidas de
"poblaciones" probplot?

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.

10. Qu son los atributos geolgicos? nombre algunos ejemplos

Corresponden a las distintas caractersticas geolgicas que se pueden presentar en un

dominio, por ej

1. Litologia
2. Alteracion
 3. Mineralizacin
4. Asociaciones minerales
5. Dominios o bloques estructurales

12. Qu efectos generan las isoleyes?

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.

Genera fronteras duras artificiales entre rangos de leyes

Los resultados son sensibles a los rangos de leyes escogidos
Se genera un despoblamiento de valores estimados en el rango de ley

3.2 Aspectos Generales

1. Qu es un interpolador lineal?

Corresponde a un interpolador el cual entrega un valor estimado que es una combinacin

lineal de los datos disponibles (usualmente en una vecindad del punto a estimar).

2. Qu es un interpolador sesgado?

El error de la estimacin tiene una media distinta de 0 (con sesgo sistemtico)

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.

4. Cul es la expresin para un interpolador lineal ponderado?

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

Donde Z * ( x) es el valor estimado para la posicin x.

5. Qu factores podran considerarse para la asignacin de ponderadores?

Cercana a la posicin que est siendo estimada

 Redundancia entre los valores de los datos
Continuidad o variabilidad espacial
Anisotropa (direccin preferencial)

6. Explique el estimador "vecino ms cercano"

Atribuye toda la ponderacin al dato ms cercano al sitio estimar (i = 1 para el dato ms

cercano, i = 0 para los otros datos, a = 0).

7. Explique el estimador de inverso de la distancia

Atribuye a cada dato una ponderacin proporcional al inverso de su distancia al sitio

estimar. Existen variantes donde se eleva la distancia a una cierta potencia

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

8. Cul es el efecto de la potencia en la asignacin de pesos del inverso de la distancia?

Los datos que estn ms lejos tendrn menos "peso" (ponderador ms bajo) en el sitio a
estimar.
9. Qu es el Kriging?

Kriging es una coleccin de tcnicas generalizadas de la regresin lineal para minimizar

una varianza de estimacin definida de un modelo a priori de covarianza.

10. Por qu se dice que el Kriging es un estimador BLUE?

Mejor estimador lineal insesgado

Lineal porque es una combinacion lineal ponderada de datos

Insesgado porque el error de la estimacin tendr una media igual a 0
ptimo/mejor en el sentido del error de la varianza mnima para un modelo dado de
covarianza/variograma.

11. Recuerde la definicin de Variograma

El variograma experimental se obtiene al visualizar el momento de inercia de las nubes de

correlacin diferida (distancia promedio a la diagonal principal) en funcin de la distancia de
separacin

12. Recuerde la definicin de Covarianza

La covarianza es un valor que indica el grado de variacin conjunta de dos variables

aleatorias. Es el dato bsico para determinar si existe una dependencia entre ambas variables, y
adems es el dato necesario para estimar otros parmetros bsicos, como el coeficiente de
correlacin lineal o la recta de regresin.
13. Cul es la relacin entre variograma y covarianza en estado estacionario?

C(h) = C(0) - (h)

3.3 Kriging Simple

14. Cules son las hiptesis del kriging simple?

Se conoce el valor promedio m de la variable regionalizada

Tambin se conoce el variograma g(h), el cual presenta una meseta

15. Qu es la restriccin de linealidad?

n Corresponde a imponer que el estimador sea una combinacin

Z * ( x) a i Z ( xi )
i 1
lineal de los valores circundantes asociados a sus variables
aleatorias

16. Qu es la condicin de insesgo?

Se necesita que la media del error sea igual a 0 por lo tanto

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

18. Cul es la implicancia de la condicin de insesgo, para constante a en el kriging simple?

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)}

var{Z * ( x)} 2 cov{Z * ( x), Z ( x)} var{Z ( x)}

 n n n
C ( x x ) 2 C ( x x ) C (0)
i 1 j 1
i j i j i i
i 1

20. Qu es necesario hacer para minimizar la expresin anterior de la pregunta anterior?

Se toman derivadas parciales de los ponderadores de covarianza y se igualan a 0

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?

El lado izquierdo mide las correlacin (redundancias) entre datos

23. A qu corresponde el lado derecho del sistema de kriging simple y que refleja?

El lado derecho mide las correlaciones entre datos y valor a estimar

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.

28. Escriba la forma del estimador de kriging simple.

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 media aparece con un ponderador que es el complemento de la ponderacin acumulada de los

datos. Mientras ms lejos el sitio x de los datos, menores sern sus ponderadores y mayor ser la
ponderacin de la media. La media es la que compensa la falta de informacin aportada por los
datos.

30. Qu es la varianza de kriging?

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

32. Cul es la expresin para la varianza de kriging?

n
KS
2
( x) 2 i C ( xi x)
i 1

33. De qu depende la varianza de kriging y de que no depende?

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.

3.4 Kriging Ordinario

38. Cules son las hiptesis del kriging ordinario?

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

40. Por qu es necesario incluir un multiplicador de lagrange a la expresin a minimizar?

Porque es la nica forma es que se puede encontrar el valor de los ponderadores utilizando
derivadas parciales e igualando a 0

41. Escriba el sistema al que desemboca el sistema de kriging ordinario.

n
j C ( xi x j ) C ( x xi ) , i 1,... n
j 1
n
1

i 1
i

42. Escriba matricialmente el sistema de kriging ordinario.

43. Cules son las diferencias con el sistema de kriging simple?

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.

45. Escriba el sistema de kriging ordinario en trminos de variograma.

( x1 x1 ) ( x1 xn ) 1 1 ( x1 x)


(x x )
( xn xn ) 1 ( x x)
n 1
n n

0
1 1 1

46. Escriba el estimador de kriging ordinario.

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?

En el KO se pierde el trmino que involucra a la media m ya que en este caso es un valor

desconocido.

48. Escriba la expresin de la varianza de kriging ordinario.

 n
KO
2
( x) 2 i C ( xi x)
i 1
n
i ( xi x)
i 1

49. Cul es la diferencia en la expresin de la varianza de kriging simple y kriging ordinario?

Se agrega en el clculo de la varianza del KO la resta de la media .

50. Escriba un procedimiento para la obtencin de un valor estimado a partir de n muestras en el

caso de kriging simple y kriging ordinario.

Para KS:

Se calculan los valores de Covarianzas para las distintas muestras a estimar.

Se realiza la notacin matricial
Se invierte la matriz de la izquierda y se multiplica por la matriz de la derecha
Se obtienen asi los valores de los ponderadores
Se calcula el valor de a y finalmente el de la varianza teniendo los ponderadores del KS

Para KO:

Se calculan los valores de Covarianzas para las distintas muestras a estimar.

Se realiza la notacin matricial
Se invierte la matriz de la izquierda y se multiplica por la matriz de la derecha
Se obtienen asi los valores de los ponderadores y de la media
Se asume a=0 y se obtiene el valor de m mediante la condicion de insesgo y varianza
minima
finalmente se obtiene el valor de la varianza teniendo los ponderadores del KO y la media

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.

3.5 Kriging de Bloques

55. Qu es el kriging de bloques?

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.

56. Cul es la diferencia entre el kriging puntual y de bloques?

Se utiliza un valor ponderado por bloque para las covarianzas de la matriz del lado derecho

57. Por qu es posible calcularlo directamente de ese modo?

Se puede ya que se discretiza el bloque de volumen V mediante la ecuacin

N
1 1
C ( xi , V)
V
V
C ( xi , x) dx
N
C(x , x )
k 1
i
V
k

3.6 Propiedades del Kriging

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

61. A que nos referimos con el efecto pantalla?

A que, si se tienen 3 muestras en la misma direccin, se apantallan de manera tal que su

ponderador no es tan alto como si solo hubiera una sola

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).

63. Es necesario desagrupar para estimar por kriging?

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.

65. Nombre algunas propiedades del kriging.

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).

66. A qu nos referimos que el kriging es un interpolador exacto?

Nos referimos a que la estimacin en un sitio con dato es igual al valor del dato y la varianza de
kriging en este sitio vale 0

67. Cul es la propiedad de aditividad del kriging?

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.

69. A qu nos referimos con que el kriging es un interpolador insesgado?

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?

Es preciso ya que la condicion del kriging es que se debe minimizar la varianza

71. Qu es el sesgo condicional, dibuje un grfico real (eje Y) vs estimado(eje X)?

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%)

72. Cmo se puede mitigar el sesgo condicional?

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.

3.7 Parmetros de Estimacin

74. Qu son los parmetros de estimacin, plan kriging o plan de estimacin?

Conjunto de parmetros que definen como se ejecuta la estimacin de la variable de

inters.

75. Qu es la vecindad de estimacin?

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.

76. La vecindad debe ser definida para cada unidad de estimacin.

77. Qu se define en la vecindad de estimacin?

Se define hasta que distancia se aceptarn muestras para efectuar la estimacin.

78. Nombre y explique 6 fundamentos para la eleccin de radios de bsqueda.

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)

Eleccin a partir de la geometra de la unidad / geologa : La idea es seleccionar los radios

dada la geometra de unidad estimacin o continuidad geolgica. Ideal para
mineralizacin en estructuras como vetas, vetillas.

Eleccin por anlisis de vecindad de kriging: Idea central es calcular mtricas de

desempeo de estimacin

Eleccin en fine-tunning en autoconsistencia y prediccin. La idea es revisar cmo

cambian estas mtricas como la pendiente de regresin en funcin de radios y
 anisotropas definidas, entre ms cercana a 1 es la pendiente de regresin mejor estimado
se encuentra el bloque.

79. Cul es la diferencia entre vecindad nica y la vecindad local?

Vecindad nica: se usan todos los datos

Vecindad mvil: se usan slo los datos cercanos al sitio (bloque) a estimar

80. Qu pasa si se estima con muy pocas muestras (<3)?

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?

Con objeto de asegurar el uso espacial balanceado de muestras, se imponen restricciones de

muestras por sectores angulares.

82. Qu tipos de restricciones se aplican a las altas leyes?

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?

Malla de sondajes disponible

Continuidad espacial de la variable a estimar (variograma)
Continuidad/geometra de la geologa que controla leyes

84. Qu factores invitan a disminuir el tamao de la vecindad?

Cambios en valores a nivel espacial, derivas

Datos lejanos irrelevantes
Aumento de tiempos de clculo

85. Qu factores invitan a aumentar el tamao de la vecindad?

Precisin
 Insesgo condicional

86. Cul es el efecto del nmero de muestras en relacin al sesgo 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.

87. Cul es el efecto del nmero de muestras en relacin a la varianza de kriging?

A mayor cantidad de muestras se obtienen valores de desviacin estndar menores, por lo que
los valores de las varianzas deberan ser bajas.

3.8 Validaciones de Estimacin

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.

89. Cmo se chequea la condicin de insesgo global?

A travs de las estadsticas de promedios de bloques vs promedios de muestras

90. Cmo se verifica el carcter local de la estimacin por kriging?

A travs del chequeo que las estadsticas de promedios de bloques vs promedios de muestras a
escala local sean similares

91. Cmo se verifica la interpolacin exacta?

A travs de verificar que los valores estimados son similares a los valores en las cercanas de los
datos

92. Qu son chequeos de desempeo?

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

94. Explique el procedimiento de jacknife.

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.