“Cálculo de la ley Promedio

de un bloque”

INTEGRANTES:
 Flores Mondragón Ricardo

DOCENTE:
ING. AUGUSTO TEVEZ
ROJAS
 INDICE

RESUMEN ................................................................................................. 3
INTRODUCCIÓN ..................................................................................... 3
MARCO TEORICO ................................................................................... 4
CÓDIGO .................................................................................................. 11
CONCLUSIONES ................................................................................. 166
BIBLIOGRAFÍA.................................................................................... 166

1
A nuestros maestros por compartir sus
conocimientos.

Al Dr marin y al Ing Tevez por

transmitir conocimientos que no se
transmiten en otras universidades.

2
 RESUMEN
La siguiente monografía realizará la aplicación de un caso de kriging para
determinar las leyes de zonas desconocidas compositando en bloques
determinados según el ejercicio dejado en clase aplicando variograma
promedio para una región cuadrangular, utilizando el modelo esferico de
variograma con valores usando el software phyton previamente programado.

INTRODUCCIÓN

Kriging es un procedimiento geoestadístico avanzado que genera una

superficie estimada a partir de un conjunto de puntos dispersados con valores
z. A diferencia de otros métodos de interpolación en el conjunto de
herramientas de Interpolación, utilizar la herramienta Kriging en forma
efectiva implica una investigación interactiva del comportamiento espacial
del fenómeno representado por los valores z antes de seleccionar el mejor
método de estimación para generar la superficie de salida.

¿Qué es kriging?

Las herramientas de interpolación IDW (Distancia inversa ponderada) y

Spline son consideradas métodos de interpolación determinísticos porque
están basados directamente en los valores medidos circundantes o en
fórmulas matemáticas especificadas que determinan la suavidad de la
superficie resultante. Hay una segunda familia de métodos de interpolación
que consta de métodos geoestadísticos, como kriging, que está basado en
modelos estadísticos que incluyen la autocorrelación, es decir, las relaciones
estadísticas entre los puntos medidos. Gracias a esto, las técnicas de
estadística geográfica no solo tienen la capacidad de producir una superficie
de predicción, sino que también proporcionan alguna medida de certeza o
precisión de las predicciones.

3
 MARCO TEORICO

KRIGING EN BLOQUES:

El kriging también puede emplearse para estimar el valor de la variable

regionalizada sobre un soporte mayor que el soporte de las muestras
(“bloques”).

Dos alternativas:

 Discretar el bloque a muchos puntos, estimar el valor de cada punto y

promediar las estimaciones puntuales.
o Costoso en cálculos, no permite calcular la varianza de
estimación.

 Evaluar directamente el valor del bloque, sin recurrir a estimaciones

puntuales.

El kriging en bloques estima el valor promedio de los bloques rectangulares,

que están centrados en los nodos de las cuadrículas, los bloques son el
tamaño y forma de las celdas de las cuadrículas, este tipo de Kriging no
resulta ser un buen interpolador, ya que no estima el valor de un punto.

Este tipo de kriging es utilizado en:

● La evaluación de yacimientos, el cual opera de forma similar a como

lo hace el puntual, pero con la diferencia que el valor obtenido se le
asigna a un bloque y no a un punto. Esto permite, por tanto, llevar a
cabo posteriormente una evaluación de las reservas con leyes,
potencias, tonelajes, etc.

● Cuando se desea estimar los valores de Z en un área dada en mallas de

celda de un tamaño específico por modelización cuantitativa. Su
estimación de varianzas normalmente es sustantivamente menor que
la del kriging puntual.
4
Al plantear las tres etapas de construcción del kriging conduce al sistema de
kriging en bloques.

Este sistema solo difiere del sistema puntual en el miembro de la derecha. El

cálculo numérico de este miembro requiere una discretizacion (no confundir
con una estimación de bloque vía discretizacion en varios puntos).

El kriging en bloques presenta las siguientes propiedades:

 Suavizamiento: la dispersión de los valores estimados es menor que

la
dispersión 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.

El kriging es inapropiado para evaluación de procesos donde los valores

extremos son importantes (→ simulaciones).

 Insesgo, pero posible sesgo condicional: El valor esperado del error

es cero.

5
El error promedio puede no tener esperanza nula cuando se considera sólo
los sitios donde la ley estimada es alta (o baja). En general, el sesgo
condicional es pequeño si se usa suficientes datos (>15).

 Aditividad: la estimación de la ley de un bloque es igual al promedio

de las estimaciones de leyes puntuales en este bloque.

PLAN DE KRIGING
¿Cuáles son los datos a utilizar en la estimación?

■ Vecindad única: se usa todos los datos

■ Vecindad móvil: se usa sólo los datos cercanos al sitio (bloque) a estimar

■ En general, se toma una vecindad en forma de elipse (2D) o

elipsoide (3D), orientado según la anisotropía observada en el
variograma.
■ Se suele dividir la vecindad en sectores angulares (cuadrantes
en 2D u octantes en 3D) y buscar datos en cada sector
■ Los radios del elipse (elipsoide) no necesariamente
corresponden a los alcances del variograma, sino que se definen
de manera de poder encontrar suficientes datos para hacer la
estimación.

6
APLICACIÓN
Para determinar el valor del bloque, se lleva a cabo una discretización del
área en un conjunto de puntos (2x2, 3x3, etc.), obteniéndose a continuación
la media entre los diferentes valores.

Esta capacidad de krigeaje de llevarse a cabo sobre un área y no solo sobre

un punto, es una característica propia y única de este método de estimación,
no compartida por otros métodos. Aunque la forma de operar puede
trasladarse a métodos como el inverso a la distancia, los resultados no son
muy consistentes.

Un ejemplo de la importancia de los ordenadores en el desarrollo de la

geoestadística es que para calcular, por ejemplo, el valor de un solo bloque
con una discretización de 10x10, sería necesario resolver cien sistemas de
ecuaciones, cada una de ellos con por ejemplo 10 ecuaciones (suponiendo
una estimación a partir de diez valores). Y esto sólo para un bloque, siendo
frecuente, normalmente dividir el yacimiento en centenares o incluso miles
de bloques. Todo eso llevaría a la resolución de millones de ecuaciones,
hecho absolutamente inviable si no fuese por la inestimable ayuda de la
informática.

Por último, hay que constar que los valores que se obtienen con el krigeage
(tanto puntual como de bloques) llevan aparejados los correspondientes
valores de la varianza de la estimación (varianza del krigeaje), lo que permite
hacer un estudio de la bondad de la estimación.

Estos valores de la varianza del krigeage pueden, posteriormente, ser

interpolados y obtener mapas en la que se pueda analizar qué zonas presentan
una mayor exactitud en la estimación, cuales poseen una mayor probabilidad
de error, etc., lo que suele ser muy necesario a la hora de establecer los planos
de producción minera.

Cuando se aplica el krigeage sobre el bloque V debería considerar todos los

datos disponibles (krigeage completo). Sin embargo, esta situación implica
cálculos muy largos. Por esta razón se recomienda restringir la vecindad de
estimación que puede ser una esfera o circulo, o bien un elipsoide o elipse.

7
La práctica recomienda que una vecindad contenga un promedio del orden
de 8 muestra, los resultados que se obtienen serán muy buenos.

En el caso cuando se desea conocer el valor promedio sobre una región o

bloque, se formulan las ecuaciones del Kriging de manera análoga al caso
puntual.

En el kriging por bloques en lugar de estimar el valor en un punto k x se

considera una región V de área Ak con centro en el punto xk. El estimador
tiene la siguiente forma:

En las ecuaciones del Kriging puntual el vector del miembro derecho las semivarianzas
𝛾𝑖𝑗 son reemplazadas por las semivarianzas promedios con respecto al bloque 𝑉𝐾 que se
expresan como:

Entonces las ecuaciones del Kriging por bloques serán:

Y la varianza de la estimación se expresa como:

8
Dónde:

La estimación por bloques resulta más suave que la estimación puntual.

Al contrario que el kriging ordinario es más indicado para cuando tenemos

valores atípicamente altos y/o bajos.

Además, es necesario emplear todos los puntos comprendidos en el área

estudiada y, si es posible, puntos localizados en la vecindad inmediata.

Isaaks y Srivastava (1989) muestran a través de ejemplos que el kriging en

bloques coincide con el promedio de predicciones hechas por kriging
ordinario sobre cada uno de los puntos del enmallado dentro del bloque. Así
mismo indican que en la práctica es suficiente con un enmallado cuadrado
(6x6) para obtener estimaciones estables en los bloques.

9
CÁLCULOS

Se utiliza la fórmula de variograma esférico:

3ℎ 1 ℎ3
𝛾(ℎ) = 𝑐0 + 𝑐1 ( − 𝑥 )
2𝑎 2 𝑎3

Para poder programar un software que realice el cálculo del variograma

promedio debemos dar valores de las constantes para definir C0, C1 y a donde
le daremos valores de C0 , C1 y a:
C0 = 1

C1 = 1.2

a = 50m

Por lo que tendríamos:

3ℎ ℎ3
𝛾(ℎ) = 1 + 1.2 ∗ ( − )
100 2(50)3

Una vez dado los valores para las constantes, valor de efecto pepita, alcance;
tenemos definidad la función de Matheron y podemos proceder a plantear el
sistema de ecuaciones para el Kriging de Matheron:
• K1 Y1.1 + K2 Y1.2 + K3 Y1.3 + K4Y1.4 + µ = Y0.1
• K1 Y2.1 + K2 Y2.2 + K3 Y2.3 + K4Y24 + µ = Y0.2
• K1 Y31 + K2 Y3.2 + K3 Y3.3 + K4Y3.4 + µ = Y0.3
• K1 Y4.1 + K2 Y4.2 + K3 Y4.3 + K4Y4.4 + µ = Y0.4
• K1 + K2 + K3 + K4 = 1

10
 CÓDIGO

Para realizar el código se utilizó el programa Python xy que viene con unas
librerías para poder manejar matrices (en este caso se usará la librería
numphy) y usarlas para programar de tal manera que pueda dar solución al
sistema de ecuaciones del Kriging de Matheron.

Procedemos a definir los parámetros de entrada del sistema de ecuaciones

para los cuales definiremos Co, C1 y a1 como variables vacías las cuales al
correr el programa nos pedirá que ingresemos sus valores iniciales.

También definiremos las listas 1 y 2 que serán rangos vacíos que

almacenarán valores como las coordenadas de los taladros y las coordenadas
del punto al cual se le buscará hallar la ley mediante el Kriging de Matheron.

A la vez también pedirá el ingreso del número de taladros a ser usados,

11
Para el código usaremos el bucle for en Python que realizará una acción
repetitiva siempre y cuando la variable esté dentro del rango, vemos que el
rango está determinado por:

A partir de el bucle for empezará a desarrollar los cálculos para hallar los
valores de Variograma de la función Matheron que acompañará a los lamdas
del sistema de ecuaciones.

Definimos también las funciones distancia entre dos puntos y definimos

también la función Matheron.

12
Terminamos de escribir el código pidiendo que imprima los valores de los rangos XX que
viene a ser la matriz solución de los lamdas 1,2,3,4 y el parámetro u.

La matriz MVBC nos imprimirá el valor de la matriz compuestas por todos los
coeficientes ganma de la función matheron que forma una matriz simétrica, en nuestro
caso una matriz cuadrada de 5x5.

La matriz MVBCresul nos proporciona los valores de la función matheron

𝛾01 𝛾02 𝛾03 𝛾04.

13
Al correr el programa nos indica ingresar los parámetros definidos con anterioridad, para
lo cual nosotros otorgamos valores a los parámetros de la función Matheron, las
coordenadas del punto a evaluar la ley.

Las coordenadas de los taladros, la ley de cada uno.

0.34700698 0.29350137 0.2919948 0.067292 0.13872223

Solución de la matriz de lambdas 1,2,3,4, u

1 1.32845623 1.33348525 1.98235327 1

1.32845623 1 1.36889566 1.86730095 1

1.33348525 1.34847855 1 1.93100453 1

1.98235327 1.34548496 1.38587863 1 1

14
Matriz de términos independientes compuestos por las funciones variograma del punto
inicial a los taladros respectivos.

CÁLCULO DE LAS LEYES Y VARIABILIDADES

k1 k2 k3 k4 u
0.35648492 0.28460134 0.422259 0.04522296 0.147689

z1 z2 z3 z4
0.6 1 2.6 0.7

y1v y2v y3v y4v

1.5622033 1.7546 1.762986 1.97671742

z(o) 1.54027115

σ´2 1.81723603

15
 CONCLUSIONES

 El uso del Kriging de Matheron nos proporciona una ley que se

asemeja más a la realidad, que otras técnicas en la estimación de
recursos.
 Como el Dr Marin dijo en clase en el único modelo que da los errores
de las mediciones.
 La solución del Sistema de ecuaciones del Sistema de Kriging de
Matheron se simplifica programando un Código que simule las
funciones distancia entre dos puntos, función Matheron, y que
resuelve el Sistema de ecuaciones lineales, esto se extiende en
Sistemas de 2x2 hasta de nxn.
 La programación en el lenguaje Python resulta útil por la simplicidad
del lenguaje y la facilidad para poder realizar los programas y que
funcionen adicionando determinadas librerías que faciliten nuestro
trabajo.

BIBLIOGRAFÍA
 Emery X., 2005. Variograms of order ω: a tool to validate a bivariate distribution
model, 0DWKHPDWLFDO *HRORJ\, Vol. 37, No. 2, in press.

 Emery X. and Ortiz J.M., 2007. Weighted sample variograms as a tool to better
assess the spatial variability of soil properties, HRGHUPD, Vol. 140, No. 1-2, p.
81-89.

 Goovaerts P., 1992. Factorial kriging analysis: a useful tool for exploring the
structure of multivariate spatial information, -RXUQDO RI 6RLO 6FLHQFH,
Vol. 43, No. 4, p. 567- 619.

16