CONTENIDOS

CONTENIDOS

TEMAS A TRATAR

TEMAS A TRATAR
Geoestadstica y Teora de las Variables Regionalizadas
Notacin condensada
Ejemplos de variables regionalizadas
Campo y soporte
Variables aditivas
Objetivos de la teora
El variograma

Clculo del variograma para una lnea muestreada regularmente

Comportamiento del variograma para distancias pequeas
Comportamiento del variograma para grandes distancias
Clculo del variograma para una malla regular bidimensional
Clculo del variograma para mallas irregulares
Ajuste de un variograma a un modelo terico
Los modelos de variograma
Ajuste en el espacio de dos o tres dimensiones
Caso istropo
Caso anistropo
Anisotropa geomtrica
Anisotropa zonal
Modelamiento
Validacion cruzada

Que es la Geoestadistica
La Geoestadstica es la aplicacin de la teora de las variables
regionalizadas a la estimacin de los depsitos mineros (con
todas las aproximaciones que esto implica).
De manera general, diremos que un fenmeno es regionalizado
cuando se desplaza en el espacio, manifestando una cierta
estructura.

NOTACION CONDENSADA

Antes de estudiar ejemplos de variables regionalizadas, mencionemos que en

geoestadistica se utiliza la notacin condensada: Un punto del espacio se
representa por la letra x.
Por ejemplo la ley en el punto x se representa por z(x). Por consiguiente,
z(x) puede significar:
z(x) si el problema es unidimensional (1-D)
z(x1, x2) si el problema es bidimensional (2-D)
z(x1, x2, x3) si el problema es tridimensional (3-D)
Se observa que existen problemas de notacin: Se acostumbra a designar
una variable regionalizada con la letra z, lo cual coincide con la notacin
utilizada para la cota o elevacin.

Ejemplos de variables regionalizadas

z(x) si el problema es unidimensional (1-D)
Ejemplo 1: En la dimensin tiempo (una dimensin t), el precio de un metal p(t).

Precio del cobre (promedio mensual 1987-2005) en centavos de dlar / libra.

Ejemplos de variables regionalizadas

z(x1, x2) si el problema es bidimensional (2-D)

Ejemplo 2 : En el espacio de dos dimensiones, sea z(x1, x2) = z(x) = potencia
mineralizada en un yacimiento de nitratos:

Depsito de nitratos-yodo: La zona mineralizada, de color rojo en la figura, se llama caliche.

Ejemplos de variables regionalizadas

z(x1, x2, x3) si el problema es tridimensional (3-D)

Ejemplo 3: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = Ley de Cu en
el punto x dentro de un depsito masivo:

Caso tpico de depsito de xidos-sulfuros. La capa superior corresponde a grava o coluvio

En un depsito de este tipo se puede comprobar que la ley de cobre se comporta de manera diferente
en la zona de xidos y en la zona de sulfuros. Esto nos conduce a considerar para la ley de cobre, dos
variables regionalizadas diferentes.

Campo y soporte
Se llama campo a la zona en la cual se estudia la variable regionalizada.
Para definir bien el campo (por ejemplo los lmites) es necesario utilizar un
modelo geolgico adecuado
por ejemplo, en la figura se podran distinguir dos campos disjuntos,
los cuales se pueden tratar de manera independiente y corresponden a
unidades geolgicas: Unidad xidos y unidad sulfuros.

Entonces en un mismo depsito minero D pueden haber varios campos o unidades D1, D2, ...,
Dk, en general disjuntos, cuya reunin es el conjunto D.
En algunas situaciones, cada campo debera tener un tratamiento geoestadstico diferente:
Para estimar una zona contenida en una cierta unidad, slo se utilizan datos de la misma
unidad: Se dice que se tienen fronteras duras.

Campo y soporte

Las fronteras duras entre las unidades D1 y D2 se justifican cuando existe

independencia entre las leyes de D1 y D2 (es decir existe una discontinuidad
geolgica). La independencia debe ser comprobada mediante un anlisis de
las leyes en las fronteras de las unidades D1 y D2..
El soporte es el volumen de la muestra que define la variable regionalizada.
A menudo el soporte es un cilindro (figura llamado testigo).

Figura : Un testigo. Tiene un cierto largo (L) y un cierto dimetro (d).

En general, en el estudio de una variable regionalizada no es conveniente

mezclar soportes de tamaos diferentes.

Campo y soporte
En el caso en que los testigos que constituyen el sondaje son de tamao
irregular, es necesario hacer una operacin la cual consiste en regularizar o
compositar el sondaje, es decir disponer de datos (compsitos) de longitud
constante .

Variables aditivas.
En general, en la estimacin de recursos mineros conviene utilizar
variables aditivas.
Una variable regionalizada es aditiva cuando se cumple la condicin
siguiente:
Se conoce la variable z en dos soportes V1 y V2, con valores medios
respectivos z1 y z2, entonces el valor medio de la variable z en el soporte
homogeneizado V1 U V2 es igual al promedio ponderado de z1 y z2, en
particular si V1 = V2, entonces el valor medio de la variable es
(z1 + z2) / 2.

Objetivos de la teora Variable regionalizada.

La teora de las V.R. se propone entonces dos objetivos principales:
en el plano terico, expresar estas caractersticas estructurales
en una forma matemtica adecuada
en el plano prctico, resolver el problema de la estimacin de una V.R. a partir
de un muestreo fragmentario.
Estos dos objetivos estn relacionados :
El error de estimacin depende de las caractersticas estructurales
(continuidad, anisotropa) y se tendr un error mayor si la variable regionalizada
es mas irregular y ms discontinua en su variacin espacial.

Objetivos de la teora.
Ejemplo: la figura siguiente representa el caso de una
variable regionalizada z(x) = ley de cobre definida en un
soporte cuadrado de lado (a x a):
La ley de corte es c = 0.5
Se definen otros soportes (tamao del bloque): (a)x(2a),
(2a)x(a), (2a)x(2a), (3a)x(3a) y (6a)x(6a).
T es el tonelaje sobre la ley de corte medido en nmero de
bloques de tamao.
m es la ley media de los bloques cuya ley es superior a la
ley de corte.
B es el beneficio convencional, definido por:
B=T(mc)
La importancia econmica de la anisotropa y del soporte es
evidente.
Importancia econmica del soporte y la anisotropa.
A medida que aumenta el soporte, se diluyen las leyes.
Observar que la ley de corte es mayor que la ley media.
Ejercicio
Repetir los clculos para una ley de corte de 0.40.

Objetivos de la teora.

Objetivos de la teora.

El variograma
El variograma es una funcin que constituye la herramienta fundamental de la
geoestadistica.
Sean x y x + h dos puntos en el espacio
La definicin terica de la funcin variograma (h) es
la esperanza matemtica siguiente:
Dos puntos a la distancia vectorial h

Sin embargo, en la prctica siempre se utiliza el

algoritmo siguiente

Esta ecuacin es la que hay que adaptar en

cada situacin prctica
(mallas regulares e irregulares en el espacio
de n dimensiones, n = 1, 2, 3).

Las propiedades de (h), que se deducen

fcilmente de la definicin son

La ltima relacin proviene del hecho que si dos leyes z1 y z2 estn a

la distancia h,

entonces

Clculo del variograma para una lnea muestreada regularmente

Sean N datos z1, z2, . . . , zN y sea b la equidistancia entre ellos:

Lnea recta con muestras regulares

Sea h = b: Segn el algoritmo de clculo se tiene

La distancia b se llama paso del variograma.

Para interpretar el grfico del variograma distinguiremos el
comportamiento para las distancias |h| pequeas y las distancias |h|
grandes.
Un variograma experimental.

Comportamiento del variograma para distancias pequeas

Estudiaremos el comportamiento de la funcin (h) para | h | pequeo, para lo cual
analizaremos cuatro casos hipotticos.

Caso 1: Leyes muy regulares y continuas.

Para una distancia b pequea, las dos leyes de la figura son casi
iguales, lo que implica que para |h| pequeo, (h) es prximo a cero;
luego el grfico de (h) en una vecindad del origen.

Variograma parablico en el origen

Se dice que (h) tiene un comportamiento parablico en el origen.

Comportamiento del variograma para distancias pequeas

Caso 2: Continuidad y regularidad promedio

Leyes con continuidad promedio. La variable es continua pero

no es derivable

En este caso, para una distancia pequea, la diferencia de leyes es

significativa; luego el grfico de (h) en una vecindad del origen ser:

Se dice que (h) tiene un comportamiento

lineal en el origen
Variograma lineal en el origen

Comportamiento del variograma para distancias pequeas

Caso 3: Existencia de micro variaciones:
Presencia de una estructura a menor escala. La variable
es ms discontinua

Si la equidistancia entre datos b es menor que la escala de variacin d de las

microestructuras,
el variograma en una vecindad del origen ser:
Existe un crecimiento rpido hasta |h| = d (debido a la micro
regionalizacin) y luego un crecimiento ms moderado (debido a la
variacin a gran escala): se dice que existe efecto de pepita.
Co se llama constante de pepita.
Es decir existe una discontinuidad aparente en el origen

Efecto de pepita en el origen

Comportamiento del variograma para distancias pequeas

El nombre efecto de pepita proviene del estudio de los depsitos de oro.
Consideremos
por ejemplo un testigo en un depsito de oro:

Efecto de pepita en un testigo de una mina de oro

En general, el efecto de pepita se produce debido a microvariaciones y/o a

errores en el muestreo, la manipulacin, preparacin o anlisis qumico

Comportamiento del variograma para distancias pequeas

Caso 4 : lmite en el cual la irregularidad de las leyes es total:
Irregularidad mxima. La variable es catica

Por muy pequea que sea la distancia b, las leyes de dos puntos a esta distancia son
prcticamente independientes. El grfico de (h) ser:
Efecto de pepita puro: El variograma no depende de la distancia h

Se dice que (h) presenta un efecto de pepita puro:

(0) = 0, (h) = C si h 0.

Comportamiento del variograma para grandes distancias

Estudiaremos ahora el comportamiento de la funcin (h) para |h| grande, para lo cual
analizaremos tres casos hipotticos:

Caso 1: Leyes con crecimiento (decrecimiento) progresivo

Leyes con tendencia o deriva

Se dice que existe una deriva o tendencia. Al hacer el clculo se observar que (h) siempre
crece:

Variograma con crecimiento sistemtico

Comportamiento del variograma para grandes distancias

Caso 2: Leyes con pseudo-periodicidades
El fenmeno tiende a repetirse de manera estacionaria (es decir, vara de manera homognea y sin
deriva):

Fenmeno estacionario con periodicidades

Si se calcula la funcin (h) se observar la presencia de mximos y mnimos

Se dice que el variograma presenta efecto

de hoyo o de agujero

Variograma con efecto de hoyo

Comportamiento del variograma para grandes distancias

Caso 3: Fenmeno estacionario sin pseudo-periodicidades (o fenmeno
de transicin):
El fenmeno es homogneo en su variacin espacial, con cambios bruscos .

Fenmeno estacionario sin periodicidades

Este caso debera corresponder al anterior, en el cual la magnitud crece. Si se

calcula la funcin (h), se tiene:
Variograma de un fenmeno estacionario sin periodicidades,
con alcance y meseta
Se observa que a partir de una cierta distancia, del orden a = 6 unidades, la
funcin (h) permanece aproximadamente constante:
(6) = (7) = (8) = . . . = constante = C
Esto quiere decir que da lo mismo que la distancia que separa los puntos sea
6, 7, 8 o ms unidades; en otras palabras, dos puntos cuya distancia sea
superior a a = 6 unidades son prcticamente independientes en ley.

Variograma
La magnitud a se llama alcance y la constante C se llama meseta.

Variograma con alcance a y meseta C .

El alcance proporciona una medida de la zona de influencia de una muestra porque dos
muestras cuya distancia es mayor que el alcance son prcticamente independientes:
Dos muestras cuya distancia sea inferior al alcance a estn correlacionadas entre s.
En el caso de un fenmeno de transicin, la meseta C tiene una significacin estadstica si
consideramos el resultado siguiente, el cual se puede demostrar utilizando el modelo matemtico de
las funciones aleatorias:
C = 2
en que 2 es la varianza estadstica de los datos utilizados en el clculo de (h). En la prctica, esta
relacin terica es slo aproximada.

Variograma

Variograma
Ejemplo2 muestra un sondaje en el depsito de carbn. Se trata de un sondaje vertical con N = 80
muestras. La equidistancia entre las muestras es b = 5 metros. El carbn se representa en rojo y el
estril (la tosca) se representa en amarillo:

Los nmeros superiores representan la potencia real de los mantos.

Clculo de la varianza:
Clculo de (h):
Se obtiene fcilmente:

Grfico de (h):

(5) = 0.12
(10) = 0.20
(15) = 0.24
(20) = 0.25
(25) = 0.25

Se observa un alcance a del orden de 20 m. y una meseta C = 0.25, la cual coincide

con la varianza estadstica de las muestras.

Clculo del variograma para una malla regular

bidimensional
Supongamos la situacin de la figura (correspondiente a leyes de cobre):

Fijemos la direccin del vector h; que sea por ejemplo = 90, es decir, la direccin NS. El vector h slo puede ser:

Calculemos (h1) = NS(10). Al aplicar el algoritmo hay que

considerar las (diferencias)2 posibles: (zi - zj)2 cuando ambos datos
zi y zj estn definidos.

Vectores orientados segn direccin NS

Clculo del variograma para una malla regular bidimensional

Parejas posibles para calcular gama de 10 metros en

la direccin NS (hay 36 vectores).

De manera anloga se obtiene

(h2) = 0.0987 (27 parejas)
(h3) = 0.1888 (21 parejas)

Sea ahora la direccin = 0, es decir la direccin EW. El vector h slo puede

ser:
Las diferencias
que hay que
calcular son:

Parejas posibles para calcular gama de 10 metros en la direccin EW

(hay 36 vectores).

Clculo del variograma para una malla regular bidimensional

Se obtiene entonces:

(h1) = 0.0146 (36 parejas)

(h2) = 0.0330 (33 parejas)
(h3) = 0.0431 (27 parejas)

La prctica demuestra que, para estudiar las estructuras basta con calcular (h) en dos
direcciones adicionales: = 45 y = 135

Clculo de gama de h en la direccin de

45. La distancia entre parejas es ahora
14.41 metros.

Clculo de gama de h en la direccin de 135. La distancia entre

parejas contiguas (el paso) es 14.41 metros

Clculo del variograma para una malla regular bidimensional

Clculo del variograma para una malla regular bidimensional

Grfico de (h):

Variograma anistropo. La variacin de las leyes es ms regular en la direccin EW que en la NS

Se observa una clara anisotropa que nos indica que el fenmeno es ms regular en la
direccin EW que en la NS. (Esto se puede comprobar al mirar como varan las leyes
en esas direcciones:

Clculo del variograma para una malla regular bidimensional

Clculo del variograma para una malla regular bidimensional

Los datos que se proporcionan a continuacin provienen de un banco en una mina de fierro:

Clculo de gama de h en
la direccin de 45. La
distancia entre parejas es
ahora 14.41 metros.

Clculo de gama de h en
la direccin de 135. La
distancia entre parejas
contiguas (el paso) es
14.41 metros

Al aplicar el algoritmo general se obtienen los grficos siguientes

Clculo del variograma para una malla regular bidimensional

Clculo del variograma para una malla regular bidimensional

Variograma NS

Variograma direccin 45 (paso = 14.41 metros)

Variograma EW

Variograma direccin 135 (paso = 14.41 metros)

Observamos que (h) es casi el mismo segn las direcciones: podemos concluir
que el fenmeno es istropo.

Clculo del variograma para una malla regular bidimensional

Clculo del variograma para una malla regular bidimensional
En este caso se justifica calcular el variograma promedio, llamado variograma omnidireccional, el
cual se puede obtener, en este caso, mediante un promedio ponderado de los valores del
variograma (ponderacin por el nmero de parejas N'):

Grfico del variograma

Variograma omnidireccional. Su clculo se justifica en el caso istropo

Que se puede orientar o utilizar en cualquier direccin o sentido

Clculo del variograma para mallas irregulares

En el caso bidimensional, la situacin es la siguiente:
Supongamos que queremos
calcular (h1) utilizando el
algoritmo general, siendo h1
el vector siguiente:

Vector para clculo del variograma.

Lo ms probable es que no encontremos ningn o muy pocos pares de datos que estn exactamente a la distancia
h1. Es necesario entonces introducir aproximaciones para el clculo de (h).
Aproximacin : Mtodo de los sectores. Se basa en la aproximacin siguiente: Dos puntos estn aproximadamente
a la distancia h si una vez fijado el primero, el segundo cae en la zona de la figura

Mtodo de los sectores

Clculo del variograma para mallas irregulares

Si el punto P2 cae en la zona amarilla, entonces se dice que P1 y P2
estn aproximadamente a la distancia h.

se llama tolerancia angular, se llama tolerancia en distancia

La eleccin de y depende de la distribucin espacial de

los datos y de la prctica.
En algunos casos la prctica recomienda utilizar = 22.5
y = 0.5b, en que b es la distancia mnima, llamada paso,
para el clculo de (h).

Algunos paquetes computacionales definen otro tipo de zona (mtodo del lpiz):

En este caso hay que definir tres parmetros: , y d

(d se llama a veces ancho de banda).

Clculo del variograma para mallas irregulares

La nube variogrfica.
Dada una cierta direccin, la nube variogrfica consiste en graficar, para una direccin dada, el valor de todas las
diferencias
en funcin de la distancia entre los puntos xi y xj .
En la figura se ha representado la nube variogrfica correspondiente a leyes de alcalinos en una mina de
hierro, en la direccin de azimuth 45, con tolerancia angular de 22.5. Se ha representado tambin el
variograma experimental para un paso de 10 metros, con una tolerancia en distancia de 10 metros.
Esta herramienta permite detectar la influencia de algunos datos anmalos en el clculo del variograma. Estos
datos podran ser filtrados en la variografa

El dato anmalo 1.51 es el

responsable de las diferencias que
estn en la elipse de la derecha

Ajuste de un variograma a un modelo terico

El objetivo de ajustar un modelo terico es disponer de una ecuacin, la cual se utilizar en los clculos
posteriores. En general, los paquetes computacionales trabajan exclusivamente con el modelo terico.
Distinguiremos dos variogramas.
i) El variograma experimental, calculado a partir de los datos.
ii) el variograma terico, que corresponde a una ecuacin que se ajusta al variograma experimental:

Es evidente que el variograma terico debe respetar al variograma experimental, sobre

todo en los primeros puntos, que son ms confiables.
El ajuste de variogramas constituye un punto crucial en un estudio geoestadstico porque todos los
clculos posteriores se harn utilizando exclusivamente el modelo terico.

Ajuste de un variograma a un modelo terico

Para tener un buen ajuste, hay que considerar que uno de los objetivos
finales es la estimacin de leyes de bloques (modelo de bloques), dentro de
una cierta vecindad restringida de manera de no considerar demasiadas
muestras para estimar la ley de cada bloque:

Vecindad de estimacin.
Modelo tridimensional de bloques.
Existen tres unidades geolgicas (a bloque completo)

Para estimar el bloque de la figura solo se utilizan

los compsitos que estn dentro del crculo de radio
R.

Ajuste de un variograma a un modelo terico

Para estimar el bloque de la figura solo se utilizan los

compsitos que estn dentro del crculo de radio R

Si la vecindad de bsqueda es circular o esfrica, slo se utilizar la funcin (h) hasta

una distancia mxima de |h| = 2R; luego conviene ajustar (h) hasta |h| = 2R.

La utilizacin de modelos es comn en otras

reas; por ejemplo en Estadstica se
ajusta un modelo a un histograma de datos

Los modelos de variograma

As como en estadstica existen modelos (ley de Gauss, Lognormal, ...) en Geoestadstica tambin
existen modelos de variograma.

El modelo debe cumplir con las propiedades

siguientes:
Sin embargo, la teora demuestra que estas
condiciones no son suficientes: En efecto,
se puede probar que (h) pertenece a una
familia de funciones (llamadas funciones
de tipo negativo condicional) y la eleccin
del modelo debe quedar restringida a esta
familia . Elegir un modelo en la familia
garantiza la coherencia de los clculos (no
se
obtienen, por ejemplo, varianzas
negativas).
Por consiguiente, slo hay que utilizar los
modelos que describiremos a continuacin
(o bien combinaciones de ellos, las cuales
consisten en sumar dos o ms modelos).

Los modelos de variograma

a) El modelo potencia
La ecuacin de (h) es:

en que > 0, 0 < < 2. Un grfico sera:

Esta familia de variogramas no

presenta meseta. Un caso particular
importante es cuando = 1: (h) es
una recta, se llama variograma lineal.

b) El modelo esfrico:

Es uno de los modelos ms importantes. A menudo, el variograma

de las leyes de cobre en un depsito de cobre porfdico corresponde a este modelo. Su ecuacin
es:

Modelo mas frecuente se puede

Combinar con el efecto pepita

El alcance es a y la meseta es C.

Modelo esfrico o modelo de Matheron

A la izquierda la base de datos en una planta (75000 pozos de

tronadura), a la derecha el variograma esfrico (en azul) y el
experimental (puntos rojos). El alcance es del orden de 100 metros.

c) El modelo cuadrtico: Similar al esfrico pero ms simple:

(h) =

C(2(h/a) - (h/a)2) si h a
C

si h > a

Modelo cuadrtico.

d) El modelo exponencial:

Crece ms lentamente que el esfrico o cuadrtico y tiene por

ecuacin:

(h) = C (1 - exp(- h / ) )
La meseta es C; el alcance en teora es
infinito pero en la prctica: si h>3, entonces
(h) C: el alcance prctico es 3.

Modelo exponencial o modelo de Formery. Este modelo se presenta a veces

en leyes que estn asociadas a fallas

e) El modelo sinusoidal: Sirve para representar el efecto de hoyo; su ecuacin es

(h) = C(1 - sen( h) / ( h) )

f) El modelo gaussiano: Tiene un comportamiento parablico en el origen; su ecuacin es:

(h) = C(1 - exp(- (h / )2) )

g) El modelo cbico: Tiene un comportamiento parablico en el origen pero su

alcance es finito e igual a a; su ecuacin es:

(h) =

C(7(h / a)2 - 8.75(h / a)3 + 3.5 (h / a)5 - 0.75(h / a)7)

C

si ha
si h>a

Modelo cbico. Es derivable en el origen

En algunas ocasiones se puede ajustar un modelo correspondiente a la suma de dos (o ms)

modelos, llamados modelos anidados. La suma de dos modelos de variograma constituye un
modelo autorizado. Donde se representa el modelo:

Anlisis variografico a corta distancia

a.-Parablico :(h) h tal comportamiento indica
que la V.R. es muy regular .ella es continua y
diferenciable
b.-Lineal (h)h en este caso la V.R. es continua
pero no diferenciable ,es menor regular que la
parablica
c.-Esto indica que la variable es extremadamente
irregular a pequeas distancias ,indicando
fuertes variaciones a corta distancia
d.-La relacin entre dos valores continuos no
presentan ninguna correlacin

Ajuste en el espacio de dos o tres dimensiones

Acabamos de estudiar el ajuste de variogramas en el espacio de una dimensin. Sin embargo, en la

prctica se dispone de un conjunto de variogramas 1(h), 2(h), . . . ,k(h) correspondientes a las
direcciones 1, 2, . . . , k.

a) Caso istropo: Es el caso ms simple. Se cumple que: 1(h) 2(h) . . . k(h)

Se utiliza entonces como modelo general el variograma ajustado al variograma omnidireccional:

1(h) 2(h) . . . k(h)

(h) = omni(|h|)
En esta notacin:

Ajuste en el espacio de dos o tres dimensiones

b) Caso anistropo: En este caso los variogramas direccionales son en general diferentes:

En la prctica se distinguen dos tipos de comportamiento anistropos del variograma

Anisotropa geomtrica:
Se produce cuando los diversos variogramas pueden reducirse a un variograma istropo
mediante una transformacin lineal de las coordenadas. El caso ms comn en la prctica es
cuando los variogramas presentan un mismo valor de meseta pero diferentes alcances:

Elipse de anisotropa geomtrica (rosa de alcances)

En la figura se ha representado una anisotropa geomtrica (en el caso istropo lo

anterior sera un crculo).

Anisotropa geomtrica:

anisotropa zonal
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.

Se define entonces el modelo de anisotropa zonal como un

modelo anidado :

Validacin cruzada

La validacin cruzada (1)

Factores que considerar para la validacin del modelo
medias de los errores y de los errores estandarizados
deben ser cercanas a cero estimador insesgado
varianza de los errores
debe ser la ms baja posible estimador preciso
varianza de los errores estandarizados
debe ser cercana a 1 el variograma cuantifica adecuadamente la
incertidumbre
nube de dispersin entre valores reales y estimados
la regresin debe acercarse a la diagonal insesgo condicional

La validacin cruzada (2)

Qu implica tener sesgo condicional?
Supongamos que se produce sesgo condicional al momento del control
de leyes (seleccin entre mineral y estril)

botadero

Centro de gravedad
sobre la diagonal: la
ley media estimada
es menor que la ley
verdadera.

Centro de gravedad
de la nube en la
diagonal: la ley
media estimada es
igual a la ley media
verdadera.
ley de
corte

La validacin cruzada (2)

Qu implica tener sesgo condicional?
Supongamos que se produce sesgo condicional al momento del control
de leyes (seleccin entre mineral y estril)

planta

Centro de gravedad
bajo la diagonal: la
ley media estimada
es mayor que la ley
verdadera.
ley de
corte

La validacin cruzada (4)

Estudio del insesgo condicional
Comparar las leyes promedio reales y estimadas al seleccionar los datos
cuyos valores estimados superan una ley de corte
Ley de corte [%Cu]
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1.40
1.60
1.80
2.00
2.20
2.40
2.60
2.80

Media efectiva
1.054
1.054
1.092
1.182
1.299
1.446
1.628
1.849
2.043
2.325
2.608
2.996
3.301
3.746
3.970

Media estimada
1.056
1.056
1.094
1.186
1.301
1.451
1.629
1.846
2.046
2.295
2.563
2.922
3.123
3.490
3.657

La validacin cruzada (5)

Estudio del insesgo condicional

En este caso, el sesgo condicional es despreciable.