Geoestadistica Lineal
August 29, 2020 | Author: Anonymous | Category: N/A
Short Description
Download Geoestadistica Lineal...
Description
w w w. b s c o n s u l t o r e s . c o m
PROGRAMA INTERNACIONAL EN GEOESTADISTICA LINEAL
GEOESTADISTICA LINEAL
Expositor: Jose Delgado Vega
Brindar un nivel de satisfacción que supere las expectativas del cliente
Geoestadistica Lineal
GEOESTADISTICA
EXPOSITOR PhD JOSE DELGADO Candidato a Doctor en al Escuela de Minas de Paris en geología aplicada , además tiene dos post-grado en la escuela de minas de Paris ,el primero como especialista en explotación de minas a cielo abierto canteras y el segundo como especialista en geoestadística , ha realizado diversos trabajos de consultarías en el área de evaluación de reservas , en minas metálicas y no metálicas , su investigación doctoral se ha centrado sobre la modelización geometalurgico y su influencia en la planificación minera de minas a cielo abierto. Es profesor jornada completa del departamento Minas de la Universidad de Antofagasta donde dictas las clases de geoestadística, estadística aplicada , planificación minera a cielo abierto, método a cielo abierto, etc. Trabajó 8 años en operaciones minas y es experto en seguridad minera clase A.; Soquimich: Jefe de perforación y tronadura; Mantos Blancos: Ingeniero de operaciones minas, Ingeniero de estudio Geomecánica . Ingeniero Civil de Minas Universidad de Antofagasta Chile. Ha realizado trabajos en: Geoestadística: Modelamiento y evaluación de yacimientos metálicos y no metálicos; Aplicación de Cokrigeage en yacimientos estratos ligados Categorización de reserva, en Minerِía: Diseño de minas a cielo Abierto ,Estudio de variables geometaliurgica y su influencia en la planificación minera y como académico: Profesor asignatura de: Ventilación de minas, geoestadística, lineal y no lineal, estadística minera , Planificación de minas a cielo abierto , seguridad minera.
Consultores
Geoestadistica Lineal
GEOESTADISTICA
PERFIL DEL PROGRAMA DE CAPACITACION BS CONSULTORES CURSO DE GEOESTADÍSTICA LINEAL SILABO I. INFORMACIÓN GENERAL CURSO : Curso de GeoestadÍstica Lineal Profesor : José Delgado Vega Duración : 4 Sesiones Fechas : 25 de Mayo del 2007 I. OBJETIVO Comprender el marco teórico y práctico de la geoestadÍstica minera. Objetivos Específicos • Proveer al alumno con herramientas básicas para caracterizar yacimientos metálicos usando información de registros de sondajes de exploración. • Proveer al alumno con criterios para elegir cuál es la técnica más apropiada para describir propiedades de un yacimiento. • Proveer al alumno con técnicas cuantitativas incertidumbre y poder categorizar el yacimiento.
para
caracterizar
la
II. CONTENIDO DETALLADO DEL CURSO
SESIÓN 2 Aplicación de espacial de datos Inferencia y modelamiento de la correlación espacial Noción de variable regionalizada Función aleatoria Hipótesis estacionalidad e intrínseca Covarianza espacial
Consultores
SESIÓN 1 Nociones de probabilidad. Variables aleatorias. Algunas distribuciones importante (Normal , lognormal student) Pruebas chicuadrado Intervalos de confianza Estimador de Sichel Estacionalidad y ergodicidad.
GEOESTADISTICA
Geoestadistica Lineal
Variancia mínima. Variancia de dispersión, varianza de estimación. Cálculo de estimadores de varianza mínima. Insesgamiento. SESIÓN 3 Medidas de variabilidad espacial. El variograma experimental Nubes variograficas El variograma teórico Alcance y mesetas de un variograma Correlograma. El covariograma ElCorrelograma. Anisotropía Presencia de derivas Efecto proporcional Estructuras anidadas Modelos de variogramas Varianzas de combinación lineal autorizadas Modelos autorizados Modelos mas corrientes Modelo pepitico Modelo esferico Modelo exponencial Modelo gaussiano Modelo potencia Modelo cubico Ejemplo de cálculo con datos regulares
La teoria del Krigeage El interés del Krigeage Las ecuaciones del Krigeage Propiedades del Krigeage El Krigeage Ordinario El krigeage Simple El krigeage de la media
Consultores
SESIÓN 4 Dispersión y soporte El soporte de una variable regionalizada Dispersión en función e la talla de ,los bloques Varianza e un punto en un volumen Varianza entre volúmenes La relación de aditividad Cambio de soporte regulación
Geoestadistica Lineal
GEOESTADISTICA
La practica del Krigeage Los ponderadores negativos Sensibilidad del Krigeage a la elección del variograma Validación Cruzada Simetría en las ecuaciones Efecto pantalla Test de calidad Estimación Multivariable Cokriging. CoKrigeage de indicatrices Categorización Conceptos teóricos. Técnicas de categorización Ejemplo de aplicación de la geoestadistica a la reserva minera Aplicación y ejemplos
IV. METODOLOGÍA La metodología del curso está orientada a la consecución de los objetivos enunciados y está conformada por: a. Exposición de los temas b. Talleres en clase V. EVALUACIÓN El calificativo del curso será el promedio ponderado de:
Taller Taller Taller Taller
1 2 3 4
............................... . .............................. ………....................... ……….......................
25 25 25 25
% % % %
VII. PAUTAS COMPLEMENTARIAS
Adicionalmente el coordinador del programa de capacitación será, el encargado de supervisar el cumplimiento de las tareas, Ud. Podrá comunicarse con ellos a través de su correo electrónico.
Consultores
El profesor es el responsable de la elaboración del material y de las actividades; así como quien absolverá las consultas que le realicen a través del correo electrónico:
Geoestadistica Lineal
GEOESTADISTICA
VIII. BIBLIOGRAFÍA
2. 3. 4. 5. 6.
Journel, A. G., 1989, "Fundamentals of Geostatistics in Five Lessons", Short Course in Geology, 8, AGU publ., 40 p.. Isaaks, E. H., and M. R. Srivastava, 1989, "An Introduction to applied Geostatistics", Oxford University Press. 561 p.. Ripley, B., 1981, "Spatial Statistics", John Wiley & Sons, New York. Stoyan, D., Kendall, W. S. and J. Mecke, 1987, "Stochastic Geometry and its Applications", J. Wiley & Sons, 345 p.. Alfaro Marcos « Apuntes de geoestadistica « Xavier Emery « geoestadistica Lineal « Apuntes de ejercicos ENSMP Serge Seguret
Consultores
1.
Geoestadistica Lineal
GEOESTADISTICA
1
IIN NG AE GE EN EN NM NIIE MIIN ER NA RIIA ASS A TIIC CA A APPU UN NT TE ESS C CU UR RSSO OG GE EO OE ESST TA AD DIISST L LIIN NE EA AL L..
PPA AR RT TE E 11
Consultores
T RIIA A.. TE EO OR
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
1
Geoestadistica Lineal
GEOESTADISTICA
2
REFERENCIAS BIBLIOGRAFICAS. •
SERGE SEGURET
•
DAVID M. ESTIMATION”
•
XAVIER EMERY “CURSO : GEOSTADISTICA LINEAL UNIVERSIDAD DE CHILE “
•
MARCO ALFARO DE ANTOFAGASATA”
“CURSO DE GEOESTADISTICA UNIVERSIDAD
•
MARCO ALFARO REGIONALIZADAS”
“ APLICACIÓN DE LA TEORIA DE VARIABLES
•
CLAUDIO PACHECO “APLICACION PRACTICA GEOESTADISTICA A UN YACIMIENTO SIMULADO”
•
MARIO ROSSI
•
BUSTILLO R./ LOPEZ J. “MANUAL DE EVALUACIÓN EXPLOTACIONES MINERAS”
•
HOWARD L. HARTMAN “SME MINING ENGINEERING HANDBOOK”
•
JOSE DELGADO
“APUNTE DE TRABAJO ENSMP” “GEOSTATISTICAL ORE RESERVE
DE
LA
“GEOESTADISTICA DE INDICADORES” Y DISEÑO DE
Consultores
“APUNTES DE TRABAJO U.A”
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
2
Geoestadistica Lineal
GEOESTADISTICA
3
1.
INTRODUCCION
1.1
DEFINICION E HISTORIA.
La geoestadística es una disciplina relativamente nueva que se ha desarrollado y consolidado en los últimos treinta años como una ciencia predictiva, con una sólida base teórica y un decidido énfasis en aplicaciones a casos de la vida real, como por ejemplo a la estimación de reservas de minerales. La geoestadística existe únicamente como respuesta a necesidades prácticas concretas (y esta es la base de su éxito). Con esta filosofía, la Geoestadística nació por inspiración de un ingeniero de minas sudafricano, Daniel Krige, (Krige 1951; Krige, 1957), se desarrolló por más de quince años casi exclusivamente en el campo minero, y se mantiene aún como una ciencia aplicada. En un esfuerzo por generar un modelo teórico, fue la escuela matemática francesa la que consolidó sus bases en lo que hoy se conoce como la teoría de las variables regionalizadas ( George Matheron, 1962). Esta concepción teórica nace de la necesidad de diferenciar datos numéricos, aparentemente del mismo tipo, pero cuya posición espacial, los hace distintos para análisis geológicos. Esto ha originado una nueva definición de la geoestadística; la aplicación de la teoría de las variables regionalizadas al reconocimiento y estimación de un fenómeno natural. 1.2.
CAMPO DE APLICACION
El campo de aplicación más importante de la geoestadística es, sin duda, la minería. Sin embargo, el formalismo teórico que la sustenta es de un carácter más general, permitiendo que esta teoría se aplique a muchos campos distintos al ámbito minero, como son la gravimetría, hidrogeología, reconocimiento forestal, ecología, etc.
•
En la predicción de leyes de mena globales (de todo un depósito) o locales (por ejemplo, predicciones de la ley de mena de la semana entrante o de un cierto sector del yacimiento).
•
En la aplicación de sus contenidos temáticos durante las distintas fases de la exploración, particularmente en la decisión de dónde y cuánto muestrear (planificación minera).
•
En la determinación de las mezclas óptimas de mineral para su envío a la planta.
CURSO DE GEOESTADISTICA
Consultores
Ejemplos importantes de aplicación son:
INGENIERIA EN MINAS
3
Geoestadistica Lineal
GEOESTADISTICA
4
1.3
IMPORTANCIA DE LA GEOESTADISTICA EN LA MINERIA
La Geoestadística considera que cualquier punto de un depósito está espacialmente relacionado con sus vecinos y cuanto más cerca mucho mayor es la correlación. Basado en esta hipótesis, la geoestadística se convierte en una avanzada herramienta para la estimación de reservas, resolviendo en gran medida las dudas planteadas por otras técnicas. La base teórica de la geoestadística permite cuantificar los conceptos geológicos de: • • • • • • •
Area de influencia ( rango) Erraticidad del depósito en estudio ( efecto pepita) Zonas de alta, regular y baja mineralización ( anisotropía) Estimación, inferencia o interpolación de valores a zonas donde no se tiene información, minimizando el error posible. Error de estimación para cada punto o bloque estimado, lo cual permite conocer los límites de confiabilidad de la estimación.( Ninguna otra técnica permite conocer estos valores punto a punto). Optimización del muestreo para reducir el error de estimación, y por consiguiente tener un gran ahorro económico para futuras campañas de muestreo en el mismo depósito. Gráfica de toda esta información, lo que representa una valiosa ayuda en la toma de decisiones.
La Geoestadística no resuelve todos los problemas en la estimación de recursos minerales, puede considerarse como una herramienta que bien usada puede dar muy buenos resultados. Un punto que se debe enfatizar es que cualquiera sea el método de estimación que se use, siempre el resultado conlleva algún error y la Geoestadística no es inmune a esta situación. No se debe olvidar que el objetivo principal de una estimación de reservas consiste en tratar de representar los resultados de los análisis de los datos del muestreo a todos los puntos del depósito que interesa, y por lo tanto, obtener el dato de ley y tonelaje que más se ajuste a la realidad.
Consultores
La siguiente figura N° 1 representa en forma esquemática la función de la Geoestadística:
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
4
Consultores
CURSO DE GEOESTADISTICA
5 KRIGING DISYUNTIVO
EXPECTACION CONDICIONAL
KRIGING ORDINARIO
KRIGING INDICADOR
KRIGING LOGNORMAL
NO LINEAL
LINEAL
ESTACIONARIO
LINEAL
GEOESTADISTICA UNIVARIABLE
KRIGING UNIVERSAL
NO ESTACIONARIO
NO LINEAL
COKRIGING INDICADOR
COKRIGING
LINEAL
ESTACIONARIO
GEOESTADISTICA MULTIVARIABLE
GEOESTADISTICA Geoestadistica Lineal
5
INGENIERIA EN MINAS
Geoestadistica Lineal
GEOESTADISTICA
6
2.
VARIABLES REGIONALIZADAS
2.1
DEFINICION
La Geoestadística establece que la distribución estadística de la diferencia en el valor de una variable (ley) entre pares de puntos (muestras) es similar a lo largo del yacimiento y que depende de la distancia y orientación entre los pares de puntos. Este concepto, denominado concepto de estacionariedad, es el punto de partida de la Geoestadística y, aunque no siempre se cumple, muy frecuentemente se asume. Así pues, si bien la Estadística clásica considera sólo la magnitud de los datos y no toma en cuenta ningún aspecto relacionado con la posición del dato, la Geoestadística considera no sólo el valor del punto, sino también la posición de ese punto dentro del cuerpo mineralizado y su relación con otras muestras. Desde un punto de vista práctico, estacionariedad implica la decisión de trabajar con muestras localizadas en una determinada área, en forma conjunta y derivar estadísticas e inferir parámetros de la función aleatoria de ellas. Si una función aleatoria es estacionaria, entonces los descriptores univariables (como por ejemplo la media, o la mediana) son independientes de las coordenadas de la muestra. De la misma manera, parámetros como la covarianza o el correlograma son independientes de la ubicación de cada una de las variables, y dependientes de su separación. Una regionalización es el desplazamiento en el espacio (o en el tiempo) de un cierto fenómeno que puede caracterizarse por magnitudes. Una variable puede considerarse "Regionalizada" si está distribuida en el espacio y si tiene (o muestra) algún grado de correlación espacial. La ley de mena, espesor de una formación y la cota (altitud) de la superficie de la tierra, son ejemplos de variables regionalizadas. En realidad, casi todas las variables que se encuentran en las ciencias de la tierra pueden ser consideradas como variables regionalizadas. Una variable regionalizada es una función Z(x), que representa el valor, según su ubicación en el espacio, de una variable asociada a un fenómeno natural. Pero esta función Z(x) no se comporta como las funciones matemáticas clásicas, debido que es muy desordenada en su variación espacial. (ver Fig. N° 2) FIGURA N° 2 COMPORTAMIENTO IDEAL
z(x)
Lo ideal matemáticamente
x
x
CURSO DE GEOESTADISTICA
Consultores
z(x)
INGENIERIA EN MINAS
6
Geoestadistica Lineal
GEOESTADISTICA
7
Una variable regionalizada se presenta bajo dos aspectos contradictorios: •
Un aspecto aleatorio a otro. Un aspecto estructural
• 2.2
aparentemente
: gran irregularidad y variaciones imprevisibles de un punto : particular a cada regionalización.
NOTACIÓN CONDENSADA.
Antes de estudiar ejemplos de variables regionalizadas se menciona que en geoestadística se utiliza la notación condensada: un punto del espacio se representa por la letra x; la ley en este punto se representa por Z(x). En consecuencia, se pueden anotar: Z(x) Z(x,y) Z(x,y,z) 2.3
para una variable regionalizada en un problema unidimensional. (1-D) para una variable regionalizada en un problema bidimensional. (2-D) para una variable regionalizada en un problema tridimensional. (3-D)
CAMPO Y SOPORTE.
Se llama campo a la zona en la cual se estudia la variable regionalizada. El soporte es el volumen de la muestra (que puede ser el volumen que se saca para medir ley). Se usa para indicar el tamaño, la forma y orientación de la muestra, es decir el volumen y la geometría de la muestra. (ver Fig. N° 3) El punto x¯es el centro de gravedad del soporte.
FIGURA N° 3 SOPORTE
x
Consultores
Testigo cilíndrico
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
7
Geoestadistica Lineal
GEOESTADISTICA
8
Se usará Z(x) para representar la ley del volumen de muestra localizado en el punto x. Nota: en el estudio de una variable regionalizada no es conveniente mezclar soportes diferentes. 2.4
OBJETIVOS DE LA TEORÍA. La teoría de las variables regionalizadas se propone dos objetivos principales:
A. B. A.
En el plano teórico, expresar las características estructurales de una variable regionalizada mediante una forma matemática adecuada. En el plano práctico, resolver el problema de la estimación de una variable regionalizada, a partir de un muestreo fragmentario. Características Estructurales Se entiende por características estructurales:
A.1. Continuidad de las leyes: Diferenciar y caracterizar la regularidad de un yacimiento en casos tales como en la Fig. N° 4 FIGURA N° 4 CONTINUIDAD DE LAS LEYES Z1(x) Yacimiento 1
x Z2(x) Yacimiento 2
Consultores
x
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
8
Geoestadistica Lineal
GEOESTADISTICA
9
A.2. Anisotropía: Detectar direcciones privilegiadas de la mineralización (ver Fig. N°5) FIGURA N° 5 ANISOTROPIA Anisotropía
Hay una dirección privilegiada de la veta
B.
Problema de Estimación
Se entiende por resolver el problema de estimación, el determinar de manera satisfactoria una estimación de una variable regionalizada a partir de un conjunto de muestras, asignando errores a las estimaciones (globales y locales).
(Ec. 1) Los dos objetivos están relacionados: el error de estimación depende de las características estructurales (continuidad, anisotropías) y se tendrá un error mayor si la variable regionalizada es más irregular y discontinua en su variación espacial. Para alcanzar estos objetivos es necesario introducir un modelo matemático.
3.2.1. MODELO MATEMATICO
En estadística clásica, se consideran los valores muestreados como realizaciones independientes de una misma variable aleatoria, es decir, que se suponen independientes unas de otras, y obedecen a la misma ley de probabilidad. Se busca entonces modelar la distribución de probabilidad de los valores y estimar sus parámetros. Sin embargo, cuando
CURSO DE GEOESTADISTICA
Consultores
Para alcanzar los objetivos propuestos por la geoestadística es necesario disponer de un modelo matemático. La geoestadística utiliza una cierta interpretación probabilística de la variable regionalizada, mediante el modelo de las funciones aleatorias.
INGENIERIA EN MINAS
9
Geoestadistica Lineal
GEOESTADISTICA
10
los datos están ubicados en el espacio geográfico, las hipótesis de la estadística clásica son raramente aceptables. Por lo tanto se debe definir el concepto de variable regionalizada, que se trata simplemente de una función definida en todo punto del espacio geográfico y que representa numéricamente el fenómeno regionalizado estudiado. Una variable regionalizada posee las siguientes características, contradictorias en apariencia: 1) localmente, es muy irregular, o errática, y requiere un modelamiento probabilístico; 2) globalmente, presenta cierta estructura en el espacio (zonas de altos valores o “ricas” / zonas “pobres”), lo que sugiere una cierta interpretación funcional.
FIGURA N°6: Aspectos local y global de una variable regionalizada 14
30
12
25
10
20
z(x)
zona pobre
z(x) 15
6
10
4
5
2
0
20
local
0
40
zona rica 0
200
global
400
Los modelos geoestadísticos consideran el valor z(x) de la variable regionalizada en un punto x del campo D como una realización de una variable aleatoria Z(x). Las variables aleatorias Z(x) así definidas no son independientes. Por el contrario, están correlacionadas, y son precisamente sus correlaciones las que reflejarán la “estructura” del fenómeno regionalizado, y en especial su grado de continuidad y regularidad espacial. Así en
CURSO DE GEOESTADISTICA
Consultores
8
INGENIERIA EN MINAS
10
Geoestadistica Lineal
GEOESTADISTICA
11
geoestadística probabilística, se interpreta la variable regionalizada como una realización de una función aleatoria. Llamamos funciones aleatorias a un grupo de variables aleatorias distribuidas en el espacio, cada una identificada por su correspondiente coordenada espacial, y cuya dependencia entre sí está gobernada por un mecanismo probabilistico. Es decir, una función aleatoria es una función Z(x) que asigna a cada punto x del espacio un valor que depende del azar. Al hacer un experimento sobre una función aleatoria se obtiene un a función ordinaria z(x) llamada realización de la función aleatoria Z(x). La hipótesis constitutiva de la geoestadística consiste en afirmar que la variable regionalizada en estudio es la realización de un acierta función aleatoria. Lo anterior equivale a decir que las leyes de nuestro yacimiento se generaron a partir de un proceso o experimento muy complejo. Este enfoque permite tomar en cuenta los aspectos erráticos y estructurados de la variable regionalizada: 1) localmente, en el punto x, Z(x) es una variable aleatoria (de donde proviene el aspecto errático); 2) para todo conjunto de puntos x1, x2,… xk, las variables aleatorias Z(x1), Z(x2),… Z(xk) no son, en general, independientes, sino que están ligadas por unas correlaciones que cuantifican la “semejanza” entre los valores que toman (de donde proviene el aspecto estructurado). En geoestadística lineal, se usan sólo los dos primeros momentos (Los momentos de una función aleatoria son parámetros descriptivos de su ley espacial, bastantes simples, como para ser, a menudo, fáciles de calcular.) de la función aleatoria. Entregan una descripción elemental de la ley espacial, y son suficientes para resolver la mayor parte de los problemas encontrados en la práctica. 3.2.2. CONTINUIDAD ESPACIAL.
Se presentan a continuación algunas funciones básicas utilizadas para describir la medida de la continuidad espacial entre dos variables:
CURSO DE GEOESTADISTICA
Consultores
En geoestadística se entiende por medida de la continuidad espacial al análisis de covariogramas, variogramas y correlogramas.
INGENIERIA EN MINAS
11
Geoestadistica Lineal
GEOESTADISTICA
12
3.2.1. Covariograma
(Ec. 2) Donde N(h) es el número de parejas (z(xi), z(xi + h)) de datos a una distancia h dada. m-h es la media de los valores izquierdos (si existen) de las parejas de datos a distancia h, definida por:
(Ec.3) Análogamente,
(Ec. 4)
Define la media de los valores derechos (si existen) de las parejas de datos a distancia h. 3.2.2. Correlograma
donde C(h) es la covarianza, s-h y s+h son las varianzas correspondientes a cada lado de los pares a distancia h.
CURSO DE GEOESTADISTICA
Consultores
(Ec. 5)
INGENIERIA EN MINAS
12
Geoestadistica Lineal
GEOESTADISTICA
13
(Ec. 6)
(Ec. 7)
3.2.3. Variograma Es una representación gráfica de la interdependencia direccional de las leyes de las muestras.
(Ec. 8)
3.3.
RELACIONES ENTRE LAS CONTINUIDAD ESPACIAL
FUNCIONES
DE
MEDIDA
DE
LA
Las relaciones entre las funciones con que se caracteriza a la continuidad espacial se cumple si los datos son considerados como estacionarios. El carácter estacionario implica la homogeneidad de Z(x) en el espacio y significa que el fenómeno representado Z(x) se repite indefinidamente en el espacio.
m = E { Z (x)}
(Ec. 9)
CURSO DE GEOESTADISTICA
Consultores
Una función aleatoria es estacionaria de segundo orden si la variable aleatoria z(x0) admite una esperanza matemática independiente del punto de apoyo x0:
INGENIERIA EN MINAS
13
Geoestadistica Lineal
GEOESTADISTICA
14
y si para todo vector h la covarianza está dada por: C(h) = E { Z(x0) Z(x0+h) }
(Ec. 10)
existe y es independiente de x0. La covarianza da una visión elemental del “acoplamiento” que existe entre Z(x1) y Z(x2). Es una forma bilineal, donde la varianza es la forma cuadrática asociada. Pero esta hipótesis supone la existencia de una varianza a priori finita C(o), es decir C(0) = E { [Z(x)]2 }
(Ec.11)
que es la varianza de la variable aleatoria Z(x0). Es así como los autores de Africa del Sur (D.G. Krige..) a partir del enorme archivo de datos del Yacimiento de Oro de Rand, calcularon la varianza de estas muestras en paneles más y más grandes, finalmente en todo el conjunto del Yacimiento de Rand se pudo concluir con certeza que no existe en este caso una varianza a priori finita. Luego se debió reemplazar la hipótesis estacionaria de segundo orden por una hipótesis más débil, pero de significación análoga:
Hipótesis Intrínseca: Aún en el caso en que la varianza a priori C(o) no existe (es infinita) puede suceder que los incrementos: Z (x0+h) - Z(x0) tengan una varianza finita. Diremos entonces que la función aleatoria Z(x) verifica la hipótesis intrínseca si, para todo vector h, el incremento Z (x0+h) - Z(x0) verifica las hipótesis: Hipótesis Intrínseca
E [ Z(x+h) - Z(x) ] = m (h)
Consultores
(Ec. 12)
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
14
Geoestadistica Lineal
GEOESTADISTICA
15
Luego la función g (h) :
(Ec. 13) Se llama semivariograma o función intrínseca. Una función aleatoria que verifica la hipótesis intrínseca constituye lo que se llama esquema intrínseco, caracterizado por su semivariograma. Si Z(x) verifica la hipótesis estacionaria de segundo orden, el variograma y covariograma estarán relacionados:
E [ z(x+h) - z(x) ]
= E [ z(x+h)] - E[ z(x) ] = 0
E {[ z(x+h) - z(x) ]2} = E { [ z(x+h)]2 + [ z(x) ]2 - 2[ z(x+h) z(x)] } = E{ [z(x+h) ]2 } + E{ [ z(x) ]2 } - 2E [ z(x+h) z(x)] 2γ (h) = 2C(0) - 2C(h), luego se tiene
γ (h) = [σ2 - C(h)]
(Ec. 14)
La relación entre el semivariograma y el covariograma cuando las condiciones de estacionaridad de segundo orden se cumplen está dada por:
γ (h) =
σ2 - C(h) (Ec. 15)
donde s2 es la varianza de los datos, C(h) es el covariograma.
Consultores
La relación entre el semivariograma y el correlograma queda dada por:
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
15
Geoestadistica Lineal
GEOESTADISTICA
16
γ (h) = σ2 [ 1- ρ(h)] (Ec. 16)
FIGURA N° 3.8
σ
2
Co
γ(h)
γ(h)
Co h
FIGURA N° 3.9 γ(h)
σ2 γ(h)
En general se cumple:
σ =/ 0 2
ρ(0) =1 =/ 0
C(h)= σ −γ(h) 2
γ(0) = 0
Consultores
h
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
16
Geoestadistica Lineal
GEOESTADISTICA
17
4.
VARIOGRAMA
4.1
DEFINICION
Puesto que la Estadística clásica considera las muestras como aleatorias y completamente independientes entre sí, mientras que la Geoestadística asume una correlación entre ellas, una forma de expresar dicha correlación es a través de una función denominada variograma o semivariograma El Variograma es considerado un elemento esencial en el análisis espacial de datos. Básicamente, el Variograma es una herramienta matemática que intenta capturar el nivel de continuidad de una función aleatoria. David (1978) define el Variograma como una función que mide el grado de similitud (correlación) o dependencia entre dos pares de muestras separadas a una distancia h, en una dirección establecida. (ver Fig. N°10) FIGURA N° 10 VARIOGRAMA
x+ h
x
Esta función define, por tanto, la correlación espacial entre los valores muestreados. El variograma o semivariograma se obtiene calculando, para cada distancia de separación entre las muestras (lag) en una determinada dirección, la diferencia al cuadrado de los valores de dichas muestras. La definición teórica de la función semivariograma g (h) es:
γ (h) = (1/2) E [ z(x+h) - z(x)]
2
Consultores
(Ec. 17)
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
17
Geoestadistica Lineal
GEOESTADISTICA
18
Y en la práctica se usa el algoritmo siguiente:
γ (h) = (1/2)
Promedio
{
2
(diferencias) de leyes en datos que están a la distancia h
} (Ec. 18)
Propiedades del Variograma: • • •
El variograma es simétrico: Se anula en el origen: Es positivo o nulo:
(h) (h). (0) 0. (h) ≥ 0.
La gran ventaja del variograma es que incorpora parámetros estructurales tales como: • • • •
Continuidad o falta de continuidad de la mineralización se refleja en la razón del incremento del g (h) para valores pequeños de h. Zona de influencia conocido como alcance y que representa la distancia en la cual influye el valor de una muestra sobre las muestras vecinas. Anisotropía es una medida de los cambios laterales en la mineralización. Correlacion es conocido como meseta y representada en el gráfico por la altura máxima que alcanza. También es la variación que existe entre las muestras separadas a cierta distancia dentro de un depósito mineral.
Consultores
La velocidad del incremento de g(h) con el lag es un reflejo de la velocidad a la cual la influencia de una muestra disminuye con la distancia, y nos da una definición adecuada de la denominada zona de influencia. La distancia en la que g(h) se hace constante corresponde al punto en el que la covarianza cov(h) entre muestras adyacentes disminuye hasta cero. Esta distancia define el límite de la zona de influencia de una muestra.
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
18
Geoestadistica Lineal
GEOESTADISTICA
19
4.2.
CONSTRUCCION DE UN VARIOGRAMA
Antes de construir el variograma asociado a una variable regionalizada es conveniente efectuar un análisis de los datos. Entre otras cosas hay que examinar: • • • • • •
Soporte de la variable: ¿ está bien definido? Método de muestreo. Implantación y orientación de sondeos. Técnicas de análisis: ¿existen errores de cuarteo, de análisis? Crítica general del reconocimiento. ¿es sistemático, existen sesgos? Homogeneidad: no mezclar zonas heterogéneas.
La siguiente figura N° 11 muestra el papel del variograma como herramienta en el análisis espacial de datos.
Consultores
En la práctica, la construcción de un Variograma se puede lograr en una, dos o tres dimensiones (en otras palabras, en una línea, una superficie o un volumen).
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
19
CURSO DE GEOESTADISTICA
Consultores
MESETA
ESTRUCTURAS
RANGO
20 a1
SOPORTE
RANGOS
a2
MUESTRAS
VARIOGRAMA
PUNTO
VARIOGRAMA RELATIVO
VARIOGRAMA CRUZADO
VARIOGRAMA RESIDUAL
VARIOGRAMA INDICADOR
VARIOGRAMA SIMPLE
TIPOS
REGULAR
EFECTO PEPITA
a1
VARIOGRAMA CRUZADO
VARIABLE 2
VARIABLE 1
{
{
VER.
HOR.
ALEATORIO
ESTRATIFICADO
MULTIVARIABLE
GEOESTADISTICO
ANALISIS
UNIVARIABLE
GEOESTADISTICO
ANALISIS
CORREGIONALIZACION
ELIPTICO
ANISOTROPIAS
CONTINUOS
CONTINUIDAD CERCA DEL ORIGEN
a2
ZONA DE INFLUENCIA
GEOESTADISTICA Geoestadistica Lineal
20
INGENIERIA EN MINAS
Geoestadistica Lineal
GEOESTADISTICA
21
4.2.1.1.
COMPORTAMIENTO PEQUEÑAS
DEL
VARIOGRAMA
PARA
DISTANCIAS
Se estudiará el comportamiento de la función g(h), para distancias pequeñas. Se analizará cuatro casos en la siguiente figura N° 12
FIGURA N° 12 VARIOGRAMAS PARA DISTANCIAS PEQUEÑAS • Caso 1: Leyes muy regulares y continuas. Z(x) es una función muy regular, su interpretación en un variograma es en forma parabólica en el origen.
γ(h)
Ley
0
x x+h
0
x
h
• Caso 2: Leyes un poco irregulares. En este caso la interpretación a través un variograma genera un comportamiento lineal en el origen. →
γ(h)
Ley
0
x
→ h
Consultores
0
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
21
Geoestadistica Lineal
GEOESTADISTICA
22
Caso 3: Leyes con microvariaciones. Su interpretación a través de un variograma genera un efecto pepita, es decir existe una discontinuidad aparente.
II
→
γ(h)
Ley
Co
0
0
x
• Caso 4:
d
→ h
Leyes con Irregularidad total. (sin ninguna relación)
Ley II
0
→
γ(h)
0
→ h
Consultores
x
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
22
Geoestadistica Lineal
GEOESTADISTICA
23
4.2.1.2.
COMPORTAMIENTO GRANDES
DEL
VARIOGRAMA
PARA
DISTANCIAS
Se estudiará el comportamiento de la función g(h), para distancias grandes. Se analizará tres casos en la Fig. N° 13
FIGURA N° 13 VARIOGRAMAS PARA DISTANCIAS GRANDES • Caso 1:
Leyes con crecimiento (decrecimiento) progresivo.
→
γ(h)
Ley
0
0
x
→ h
• Caso 2: Leyes con pseudo-periodicidades . En el caso que exista periodicidad no se observa una tendencia clara del variograma a escala de observación que se tenga. Normalmente entre lo que podría llamarse un ciclo, se observa la formación de una dispersión que frecuentemente se conoce como efecto hoyo.
→
γ(h) Ley
0
0
x
CURSO DE GEOESTADISTICA
Consultores
→ h
INGENIERIA EN MINAS
23
Geoestadistica Lineal
GEOESTADISTICA
24
• Caso 3:
Fenómeno estacionario (sin pseudo periodicidades y tendencias).
→
γ(h) Ley
0
0
x
→ h
a
4.2.2. CONSTRUCCION DE UN VARIOGRAMA PARA UNA MALLA REGULAR BIDIMENSIONAL. Se usará una malla regular (ver fig. N° 14) para una mejor visión gráfica. FIGURA N° 14 MALLA REGULAR BIDIMENSIONAL.
Se sabe que el semivariograma depende de “h” que ahora toma un carácter vectorial en dos dimensiones. (ver fig. N° 15)
CURSO DE GEOESTADISTICA
Consultores
θ
INGENIERIA EN MINAS
24
Geoestadistica Lineal
GEOESTADISTICA
25
FIGURA N° 15 DIAGRAMA VECTORIAL En este caso h es un vector h = (hx, hy) h = (h,θ)
coordenadas cartesianas coordenadas polares
hy
h θ hx
La práctica demuestra que para estudiar la estructura basta con calcular el variograma g (h) en cuatro direcciones. Por ejemplo: q = 0°, q = 45°, q = 90°, y q = 135°. 4.2.3 CONSTRUCCION DE UN VARIOGRAMA PARA UNA MALLA IRREGULAR BIDIMENSIONAL. En la figura N° 16 puede verse la localización irregular de los datos.
Consultores
FIGURA N° 16 MALLA IRREGULAR BIDIMENSIONAL.
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
25
Geoestadistica Lineal
GEOESTADISTICA
26
Para calcular el variograma a una distancia h=(hx, hy) lo más probable es que no se encuentre ningún o muy pocos pares de datos que estén exactamente a esa distancia. El método de los sectores puede solucionar este problema. •
Método de los sectores.
Este método se basa en la aproximación siguiente, determinada por los elementos de la ilustración que se muestra en la figura N° 17: Dos puntos se considerarán a la distancia h si una vez fijado el primero, el segundo cae en la zona achurada de la figura. FIGURA N° 17
FIGURA DE BUSQUEDA
h1 = h2 = h
B
Consultores
A
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
26
Geoestadistica Lineal
GEOESTADISTICA
27
En ella se ha procedido como sigue: 1.
Se fija un punto A en uno de los datos de la malla irregular, respecto del cual se va identificar la distancia h.
2.
Con vértice en A, se definen los parámetros de construcción de la figura de búsqueda (sector achurado) en donde se identifica: • Un ancho de Banda (máximum bandwidth) • Un ángulo de tolerancia ( q ) • Una tolerancia en distancia (e).
3.
Una vez establecido el sector achurado o lag, se determina la pareja asociada a AB, donde B es un dato del lag a la distancia h de A.
4.
Al pasar por cada uno de los datos se realiza el procedimiento anterior para determinar el número de parejas asociados a distintas distancias h (identificados por los lag en la fig. N° 3.18).
FIGURA N° 3.18 FIGURA DE BUSQUEDA A DISTINTOS LAG
Y
Maximun bandwidth lag Tolerancia
lag 4
lag 3
lag de espaciamiento
lag 2 lag 1
Dirección
X
Nota: Estas figuras de búsquedas se realizan en las direcciones principales de estudio. CURSO DE GEOESTADISTICA
Consultores
lag 0
Tolerancia Angular
INGENIERIA EN MINAS
27
Geoestadistica Lineal
GEOESTADISTICA
28
Este método tiene problemas, ya que pueden caer más de un dato en la zona achurada; en este caso se considera la media de los datos. 4.2.4 ANÁLISIS DE LAS CARACTERÍSTICAS DEL VARIOGRAMA. El Variograma es un gráfico en dos dimensiones donde el eje horizontal representa la distancia entre pares de muestras y el eje vertical representa el variograma de los datos analizados en una dirección dada, como se observa en la figura N° 19: FIGURA N° 19 ELEMENTOS DEL VARIOGRAMA
γ(h) MESETA = CO
C
{
CO
a
0
• •
El rango o alcance es la distancia h a la cual el variograma alcanza la meseta. El efecto pepita es identificado por Co , valor determinado por la proyección de la trayectoria del variograma, hasta cortar el eje vertical. Si Co > 0 entonces, existe una concentración de microvariaciones y/o a errores en la manipulación, preparación o análisis químico de la muestra. El efecto pepita incrementa la varianza total del variograma. El alcance “a” proporciona una medida de la zona de relación entre muestras (ver Fig. N° 20) a distancia h £ a (correlacionadas), donde: • •
Una distancia mayor al rango o alcance indica que las muestras se consideran independientes. Una distancia menor al rango o alcance indica muestras correlacionadas entre sí.
CURSO DE GEOESTADISTICA
Consultores
• •
h
INGENIERIA EN MINAS
28
Geoestadistica Lineal
GEOESTADISTICA
29
FIGURA N° 20
DIAGRAMA DE RELACION ENTRE MUESTRAS
Datos Independencia
Relación x0
x0-a a
4.3
Independencia x0+a a
AJUSTE DEL VARIOGRAMA
Como se verá posteriormente, la estimación de la variable en un punto a través del Krigeage necesita de la utilización del semivariograma, pero no en la forma del semivariograma experimental, pues éste posee numerosas zonas donde no existen valores concretos (únicamente existen valores definidos en aquellos lugares donde se ha realizado el muestreo). Por tanto, puede resultar necesario definir el valor de la variable en puntos donde el semivariograma experimental no ofrece información suficiente. Para ello, es necesario construir un modelo que sí nos permita obtener dicha información. Ahora bien, la pregunta que surge es: ¿qué modelos pueden utilizarse?. A continuación se va a intentar resolver esta pregunta de la forma más sencilla posible.
En las Ciencias de la Tierra es necesario admitir la existencia de incertidumbre en el comportamiento del fenómeno entre los puntos muestreados, por lo que es imprescindible acudir a los modelos de funciones aleatorias, que permiten resolver esta problemática planteada. Por esta razón, los estudios de estimación geoestadística se basan en modelos probabilísticos que reconocen estas incertidumbres. En los modelos probabilísticos, el conjunto de datos se muestra como el resultado de la actuación de procesos aleatorios.
CURSO DE GEOESTADISTICA
Consultores
La información más interesante que debería considerarse a la hora de intentar resolver el problema de la estimación de una variable es la descripción de cómo se ha producido el fenómeno. En determinadas situaciones, los procesos físicos o químicos que generan el conjunto de datos pueden ser conocidos con suficiente detalle como para avanzar una descripción completa del perfil a partir de unos únicos valores. En dichas situaciones, aplicar modelos determinísticos sería lo más apropiado. Sin embargo, desgraciadamente son pocos los procesos naturales cuyas pautas de comportamiento son tan bien conocidas como para poder utilizar este tipo de modelos. La mayor parte de estos procesos son, en realidad, el resultado final de una combinación de variables cuyas complejas interacciones impiden describir el fenómeno cuantitativamente.
INGENIERIA EN MINAS
29
Geoestadistica Lineal
GEOESTADISTICA
30
Una variable aleatoria es aquella cuyos valores se generan aleatoriamente de acuerdo con un mecanismo probabilístico. El ejemplo clásico de este tipo de variables aleatorias sería el resultado de tirar un dado, cuyas realizaciones se reparten aleatoriamente entre las seis posibilidades existentes en el dado. De igual forma, se puede definir una función aleatoria como un conjunto de variables aleatorias que tienen alguna localización espacial y cuya dependencia, una de otra, viene determinada por algún mecanismo probabilístico. Este tipo de funciones aleatorias son las que utiliza la Geoestadística. Aunque el ajuste de un modelo a un semivariograma experimental es la forma más común de aproximación al esquema de continuidad espacial, no es la única ni necesariamente la mejor. Existen numerosas situaciones en las que la selección del modelo adecuado se debe basar principalmente en aproximaciones cualitativas. La experiencia con conjuntos de datos semejantes puede constituir una guía más óptima que el simple esquema mostrado por unas pocas y solitarias muestras. Más aún, la posible existencia de un semivariograma aparentemente sin posibilidad de modelización no debe obviar este proceso, pues, muchas veces, problemas como un número insuficiente de muestras, errores en el muestreo, valores erráticos, etc., pueden enmascarar el esquema real de continuidad espacial. En resumen, la selección del modelo a aplicar es un cuidadoso proceso en el que se deben considerar todos los aspectos involucrados. Tal como se ha indicado, existe un grupo de modelos que constituyen la base más frecuente a la hora de optar por el modelo más adecuado al semivariograma experimental, todos ellos cumpliendo la condición matemática anteriormente citada. Aunque este cumplimiento pueda parecer, en principio, una restricción, no lo es tanto, pues la combinación de los diferentes modelos genera otros que también cumplen dicha condición, por lo que el abanico final es lo suficientemente amplio como para satisfacer las necesidades requeridas. En otras palabras, cualquier modelo, o combinación de modelos, de los que a continuación se van a citar, permite ajustar todos los semivariogramas que puedan aparecer en el estudio de las variables de carácter minero. El ajuste del variograma teórico debe representar fielmente los aspectos que considera importantes el variograma experimental (ver Fig. 21). Es el variograma teórico el que será utilizado en los cálculos posteriores. Se distinguen dos tipos de variogramas: Variograma Experimental : Variograma Teórico :
Calculado a partir de los datos. Ecuación que se ajusta al variograma experimental
Consultores
• •
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
30
Geoestadistica Lineal
GEOESTADISTICA
31
FIGURA N° 21
GRAFICA DE AJUSTE DEL VARIOGRAMA
γ(h ) Variograma experimental Variograma teórico
⎪h⎪ El variograma teórico debe respetar al variograma experimental, sobre todo en los primeros puntos, ya que son los más confiables. Para tener un buen ajuste es necesario considerar una cierta vecindad restringida de manera de no considerar demasiadas muestras para estimar la ley del bloque. Los modelos a considerar se pueden agrupar en dos grandes categorías: (a) los que alcanzan una meseta (modelos de transición) y (b) los que no alcanzan una meseta.
Previamente hay que hacer constar que, teóricamente, el valor del semivariograma para una distancia cero debería ser cero. Sin embargo, muchas veces esto no sucede, generando lo que se denomina efecto pepita (Co) (el nombre hace mención a la aparición, mas o menos errática, de pepitas de oro en algunos yacimientos auríferos). Sus causas pueden ser muy variadas: errores de muestreo, fluctuaciones de la variable a una escala menor que la de observación, etc. Dado que su presencia es bastante común, hay que
CURSO DE GEOESTADISTICA
Consultores
En el primer grupo se incluyen aquellos modelos en los que la curva asciende de forma continuada hasta alcanzar un nivel, denominado meseta. La distancia a la que alcanzan la meseta se denomina alcance o rango. Entre estos modelos, los más característicos son el exponencíal y el esférico o Matheron. En el segundo grupo están los que van incrementándose a medida que la distancia aumenta, sin llegar a alcanzar una meseta. Los más representativos son el lineal y el de Wijsian. A continuación se van a describir todos ellos, centrándose, especialmente, en el denominado esférico o Matheron, que es el que presenta un mayor número de aplicaciones en minería.
INGENIERIA EN MINAS
31
Geoestadistica Lineal
GEOESTADISTICA
32
acostumbrarse a trabajar con ella, lo que no necesariamente significa un menoscabo en la utilidad y exactitud de la técnica de estimación. 1) Modelo exponencial Este modelo va ascendiendo lentamente hasta alcanzar la meseta a un valor constante. Existen dos posibles esquemas: Formery y Gaussiano. El primero tiene la expresión: g(h) = C [1 - exp(-[h/a])] + Co Done C es el valor comprendido entre el efecto pepita (Co) y la meseta, h la distancia y a representa el alcance o rango. En este esquema la tangente en el origen intercepta la meseta a un valor de a/3. Por su parte, el esquema Gaussiano posee la siguiente expresión: g(h) = C [1 - exp(-[h2/a2])] + Co en este caso, la tangente en el origen intercepta la meseta a un valor de a/√3.
2) Modelo esférico o Matheron El modelo esférico o Matheron es el que mejor se suele ajustar cuando se trata de variables mineras ( ley o espesor). El modelo esférico presenta una curva del semivariograma que aumenta rápidamente para bajos valores del lag para, posteriormente, ascender más lentamente hasta alcanzar una zona plana a valores del lag altos. Una tangente a la curva, dibujada a partir de los dos o tres primeros puntos, define un par de valores en el eje X (g(h)) que se denominan Co y C. Esta tangente, a su vez, intersecta la prolongación de la zona plana a 2a/√3, siendo a el punto, en el eje Y (lags), donde el semivariograma alcanza la zona plana. La distancia entre la curva y la zona plana para lags inferiores a "a" representa la covarianza entre las muestras. Más allá de a, la covarianza es cero y, por tanto, no hay relación entre las muestras tomadas a esas distancias.
Donde Co es el efecto pepita, Co +C es el valor de la meseta, a es el alcance o rango y h es el valor del correspondiente lag. Co +C viene a representar el equivalente
CURSO DE GEOESTADISTICA
Consultores
g(h) = Co + C [1.5(h/a) - 0,5(h/a)3] para h < a g(h) = Co + C para h > a
INGENIERIA EN MINAS
32
Geoestadistica Lineal
GEOESTADISTICA
33
geoestadístico de la varianza del conjunto de datos. Si el semivariograma muestra fluctuaciones aleatorias alrededor de una línea horizontal, entonces se tiene lo que se denomina efecto pepita puro, siendo mejor, en este caso, llevar a cabo la evaluación del yacimiento por cualquiera de los métodos clásicos comentados anteriormente. No obstante, la presencia del efecto pepita puro no implica necesariamente una ausencia de continuidad en la estructura del semivariograma sino que puede ser debido, por ejemplo, a una red de muestreo con distancias muy grandes entre muestras.
3) Modelo lineal Este modelo se presenta cuando, al representar V*(h) frente a los lags, se obtiene una línea recta. El modelo presenta la ecuación: g(h) = p.h + k donde p es la pendiente de la recta, h el lag y k la intersección en el eje X (g(h)) Este modelo suele estar presente en algunos yacimientos de hierro (Annels, 1991).
4) Modelo de Wijsían En este modelo, al igual que en el anterior, g(h) se incrementa más allá del valor de la varianza de los datos. En una primera observación, parece ser semejante al modelo lineal, pero si se representan los valores de g(h) frente al logaritmo de h, entonces se obtiene una línea recta. Tiene la expresión: g(h) = 3 α [Ln(h/L) +3/2] Donde α es el coeficiente de dispersión absoluta, una medida de la variación espacial, y L se define como el espesor equivalente. Ambos coeficientes pueden determinarse calculando los valores de g(h) para dos lags, con lo que se obtiene dos ecuaciones con dos incognitas. Este tipo de modelo tiene una aplicación más restringida aún que el lineal, estando presente únicamente en algunos yacimientos hidrotermales, principalmente de estaño, y utilizando como variable el espesor del cuerpo mineralizado.
Existen situaciones en las que, si bien no es posible el ajuste inmediato de un tipo concreto de modelo, no hay razones para rechazar la posibilidad de buscar una continuidad espacial. Entre las muchas posibilidades existentes, Anneis (1991) pone de manifiesto algunas muy características, como son:
CURSO DE GEOESTADISTICA
Consultores
Algunas particularidades respecto a los modelos de variogramas
INGENIERIA EN MINAS
33
Geoestadistica Lineal
GEOESTADISTICA
34
a) b) c) d) e)
Semivariogramas con tendencias. Semivariogramas con efecto agujero. Semivariogramas compuestos. Semivariogramas con estructuras anidadas. Anisotropia.
a) SEMIVARÍOGRAMAS CON TENDENCIAS Una asunción que se hace en la Geoestadística es que no existen tendencias dentro del yacimiento que puedan causar una ruptura en el concepto de estacionariedad. La ruptura (o cambio en la tendencia de la meseta), se produce en una distancia claramente superior al alcance, por lo que no tiene una mayor incidencia en la estimación local de los bloques definidos para el yacimiento, pues las dimensiones del área de búsqueda (alcance) son menores que la distancia representada por el punto donde se produce la ruptura. Cuando este tipo de comportamientos dominan el semivariograma, es decir, la ruptura se produce a distancias próximas al alcance, con lo que se rompe el concepto de estacionariedad, es necesario utilizar una técnica que se denomina Krigeage universal (Journel y Huijbregts, 1978), en lugar del Krigeage ordinario que se aplica en las situaciones de estacionariedad. b) SEMIVARIOGRAMAS CON EFECTO AGUJERO O EFECTO HOYO Este efecto puede reconocerse cuando alternan áreas con alta ley y áreas con baja ley. El resultado es una pseudoperiodicidad reflejada en una oscilación del semivariograma alrededor de una aparente-meseta. c)
SEMÍVARIOGRAMAS COMPUESTOS
Cuando la prolongación de la línea que une los dos o tres primeros puntos del semivariograma corta la meseta a una distancia mucho menor que la correspondiente al alcance general del semivariograma, es muy probable que la situación corresponda a una mezcla de dos semivariogramas esféricos. El modelo compuesto tendría, pues, la siguiente forma:
Así es posible calcular el valor de g(h) para cualquier distancia, teniendo en cuenta las tres partes que definen el semivariograma.
CURSO DE GEOESTADISTICA
Consultores
g(h) = Co + C1 [3h/2a1 - (h/ a1)3/2] + C2 [3h/2 a2 - (h/a2)3/2]
INGENIERIA EN MINAS
34
Geoestadistica Lineal
GEOESTADISTICA
35
Este tipo de estructuras pueden ser causadas, por ejemplo, por la presencia de zonas mineralizadas más ricas dentro de una matriz de mineralización dispersa. También son comunes en yacimientos aluviales de oro, reflejando el alcance más corto los canales individuales y el más largo la anchura total de la zona de interés económico. e) ESTRUCTURAS ANIDADAS En aplicaciones reales es común encontrar que los variogramas experimentales se pueden modelar con más de una estructura teórica. Por ejemplo, el variograma típico no parte de cero, sino que muestra una discontinuidad en el origen (efecto pepita). Por ello, la primera estructura del modelo considerará un valor en el origen, Co . Además, el variograma suele mostrar distintos tipos de correlación espacial a distintas distancias. Una estructura de rango largo puede estar sobreimpuesta con una estructura de rango corto. El uso de modelos anidados provee suficiente flexibilidad para tomar en cuenta ambas estructuras. Es de tener en cuenta que la sobre-sofisticación de por sí generalmente no produce beneficios. Cada una de las estructuras modeladas debe ser explicada por la geología del depósito o los fenómenos físicos involucrados. Por ejemplo, cierto mineral puede presentar regionalizaciones de distinto rango, correspondiente a distintas etapas en la mineralización. Tal caso podría ser modelado con tal vez el mismo tipo de función (esférica, por ejemplo), de distintos rangos. d) MODELAMIENTO DE LA ANISOTROPÍA El comportamiento de los variogramas experimentales en distintas direcciones puede ser la clave para entender y caracterizar la variable regionalizada. Hay dos modelos básicos de anisotropía: • Anisotropía Geométrica. • Anisotropía Zonal
1. ANISOTROPÍA GEOMETRICA
Consultores
Si los variogramas en las direcciones principales presentan un mismo valor de meseta, pero alcances distintos para diferentes direcciones como lo muestra la figura N° 22, hablamos entonces de Anisotropía Geométrica:
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
35
Geoestadistica Lineal
GEOESTADISTICA
36
FIGURA N° 22
ANISOTROPÍA GEOMETRICA
γ(h) c d ir
2
o
d ir
1
a2
⎪h⎪
a1
Estos tipos de variograma se pueden reducir a un variograma isótropo mediante una transformación lineal de las coordenadas. Luego la elipse de anisotropía geométrica (rosa de alcances) queda gráficamente en la Fig. 23 como: FIGURA N° 23
ELIPSE DE ANISOTROPÍA GEOMETRICA
y
y’
x’ a2
a1
ϕ
x
Sea el factor de anisotropía k=( a1/a2) > 1, donde k es la razón del alcance mayor al menor.
CURSO DE GEOESTADISTICA
Consultores
Donde los alcances a1 y a2 corresponden a los valores de las longitudes de los semiejes de la elipse.En el caso isótropo los alcances son iguales y, por tanto, la figura se convierte en un circulo.
INGENIERIA EN MINAS
36
Geoestadistica Lineal
GEOESTADISTICA
37
Las fórmulas de transformación de coordenadas nos muestran que:
(Ec. 20) Donde ϕ es el ángulo formado entre el eje x y el eje x’ de la elipse. g1 es el variograma de la dirección 1. 2. ANISOTROPÍA ZONAL Se habla de Anisotropía Zonal cuando los variogramas de la zona en estudio presentan distinto valor de meseta y distinto alcance para diferentes direcciones, como lo muestra la Fig. N° 24 FIGURA N° 24
ANISOTROPÍA ZONAL
→
γ(h ) →
dir 1
c1
γ(h1 ) →
dir 2
c2
→
a2
⎪h⎪
a1
Consultores
o
γ(h2 )
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
37
Geoestadistica Lineal
GEOESTADISTICA
38
5. VALIDACION CRUZADA 5.1.
DEFINICION
Es una técnica simple, cuyo objetivo consiste en determinar el modelo del variograma obtenido con los datos muestrales que mejor los representa. Se trata de elegir el mejor entre dos o más modelos alternativos disponibles y así usar con mayor certidumbre dicho modelo en un krigeage. La idea es estimar Zv, en cada ubicación donde exista una muestra en un bloque o zona V (ver Fig. N° 25). Ignorando el valor de la muestra existente en ese punto, se estima Zv a partir de las muestras colindantes dentro de la zona de interés, utilizando el modelo del variograma y el krigeage. Una vez estimada esa muestra, la siguiente se estima restituyendo el valor original anterior. Se repite el proceso tantas veces como muestras hayan. Al final se conoce en cada punto de la zona de interés, un valor observado y un valor estimado, pudiéndose establecer, a continuación, una relación entre ambos tipos de valores, lo que da una medida de los errores cometidos. Como el Krigeage utiliza el semivariograma, variando los valores de éste se podrá buscar la opción que genere una menor diferencia entre los valores estimados y los reales. Este proceso iterativo permitirá definir qué parámetros del semivariograma (los citados efecto pepita, meseta y alcance) son los más adecuados para la óptima modelización. La mejor situación sería que todos los puntos estuviesen situados en la bisectriz del cuadrante, lo que indicaría que el valor real (Z) y el estimado (Z’) son semejantes. Todo lo que se separe de dicha bisectriz indica error en la estimación.
Sin embargo, la técnica es útil como una indicación general de las bondades (o los posibles problemas) asociados con el modelo de variograma escogido. Además, los datos estadísticos recogidos permiten entender mejor los resultados del estudio geoestadístico, y por ello se debe poner a la validación cruzada como una técnica más del análisis exploratorio de los datos. También permite detectar los problemas mas serios durante el proceso de estimación, como son problemas computacionales, errores groseros, etc. En general, la validación cruzada es un ejercicio que debe ser tomado como un ensayo general, antes de llevar a cabo la estimación total del área.
CURSO DE GEOESTADISTICA
Consultores
Algunos especialistas han cuestionado la validez y utilidad del método, principalmente porque no es suficientemente sensitivo como para detectar ventajas menores de un modelo de variograma comparado con otro. (clark, 1986, Davis, 1987, Isaaks and Srivastava, 1989). Además, el análisis se realiza utilizando las muestras, lo que no permite obtener una conclusión definitiva acerca de toda el área A. En particular, si las muestras no son representativas del área, re-estimar con buena precisión estas muestras no implica que el modelo de variograma permita una buena estimación del resto del depósito.
INGENIERIA EN MINAS
38
Geoestadistica Lineal
GEOESTADISTICA
39
FIGURA N° 25 BLOQUE O ZONA V
z(xi) V
5.2.
CÁLCULOS DE LOS ESTADISTICOS
Para determinar la calidad del modelo de variograma empleado y del plan de krigeage empleado, es necesario calcular algunos estadísticos: A = (1/N) Σ εi B = (1/N) Σ( εi / Z’v) C = (1/N) Σ [ ( Z’v - Zv) / σε]2 (Ec. 21)
Donde: • • • •
Zv es el valor observado Z’v es el valor estimado εi = Z’v - Zv = error de estimación varianza del error σ2 ε
Si el modelo de variograma está correcto, se deberían cumplir las relaciones siguientes:
Con los datos obtenidos por medio de esta técnica se construye una gráfica como la que se muestra en la fig. N° 26; se prueba si existe una buena relación entre los datos observados y los estimados. (Coeficiente de correlación).
CURSO DE GEOESTADISTICA
Consultores
A ≈ 0 B ≈ 0 C ≈ 1
INGENIERIA EN MINAS
39
Geoestadistica Lineal
GEOESTADISTICA
40
FIGURA N° 26 DATOS OBSERVADOS v/s DATOS ESTIMADOS
zv
∧
zv
Los datos estadísticos recogidos permiten entender mejor los resultados del estudio geoestadístico y por ello se debe poner a la validación cruzada como una técnica más del análisis exploratorio de los datos.
5.3.
VENTAJAS Y DESVENTAJAS DE LA VALIDACION CRUZADA
5.3.1 VENTAJAS •
Es útil como indicación general de las bondades( o los posibles problemas) asociados con el modelo de variograma escogido.
•
Permite detectar los problemas más serios durante el proceso de estimación, como problemas computacionales, errores groseros.
•
No es suficientemente sensitivo como para detectar ventajas menores de un modelo de variograma comparado con otro.
•
El análisis se realiza al utilizar las muestras, lo que no permite obtener una conclusión definitiva acerca de toda el área.
CURSO DE GEOESTADISTICA
Consultores
5.3.2. DESVENTAJAS
INGENIERIA EN MINAS
40
Geoestadistica Lineal
GEOESTADISTICA
41
•
Al tener una malla aleatoria estratificada( o malla regular). Al remover un punto, siempre queda mal estimado, no se puede discriminar entre 2 modelos.
•
Si las muestras no son representativas del área, re-estimar con buena precisión estas muestras no implica que el modelo de variograma permita una buena estimación del resto del depósito.
En cualquier caso, constituye el método más común y utilizado para testificar la bondad del ajuste del semivariograma. 5.4. CONSIDERACIONES SOBRE EL ÁREA DE BÚSQUEDA Cuando se describió el método de estimación del inverso de la distancia, se hizo mención a las características que debía presentar el área de búsqueda, es decir, cómo se definía la zona de captura de los puntos que entraban a formar parte de la estimación. En el Krigeage, es necesario volver a incidir en este tema, si cabe con mayor profundidad. Para guiar la discusión, se puede centrar el problema en las siguientes cuestiones: a) Forma del área de búsqueda b) Número de muestras a capturar c) Relevancia de las muestras 5.4.1
FORMA DEL ÁREA DE BÚSQUEDA
La morfología del área de búsqueda suele ser, normalmente, una elipse centrada en el punto que va a ser estimado. Su orientación viene dictada por la anisotropía del esquema de continuidad espacial, con el eje mayor de la elipse en la dirección de máxima continuidad. Si no existe dicha anisotropía, la elipse se convierte en un círculo y la cuestión de la orientación deja de ser, obviamente, relevante. Todo lo mencionado es para dos dimensiones, por lo que si la estimación se produjese en tres dimensiones, habría que cambiar, evidentemente, la elipse por un elipsoide o el círculo por una esfera. NÚMERO DE MUESTRAS A CAPTURAR
El siguiente paso seria definir el tamaño de la elipse, es decir, cuántos puntos de estimación deben incluirse en ella. La respuesta más simple establecería que tendría que incluir algunas muestras, viniendo este aspecto condicionado por la morfología de la malla de muestreo. En la práctica se intenta conseguir que la elipse incluya, al menos, de 6 a 12 puntos de estimación. En mallas irregulares de muestreo, la longitud de la elipse debe ser
CURSO DE GEOESTADISTICA
Consultores
5.4.2
INGENIERIA EN MINAS
41
Geoestadistica Lineal
GEOESTADISTICA
42
ligeramente mayor que la distancia media de muestreo, viniendo ésta definida, de forma muy general, por: DMM = (St/n)1/2 donde: DMM = Distancia media de muestreo. St = Area total cubierta por las muestras. n = Número demuestras. La cuestión todavía no ha sido resuelta del todo, pues quedan algunos aspectos que comentar. En primer lugar, cuantas más muestras se incluyan, mayor será el número de operaciones que debe llevar a cabo el sistema de ecuaciones y mayor será el suavizado en la estimación. En segundo lugar, si se incluyen muestras cada vez más y más lejanas la estacionariedad puede no ser asumida, con lo que la estimación queda en entredicho. El primer aspecto queda minimizado. En cuanto al segundo, genera que conceptos básicos como el carácter de mejor estimador insesgado del Krigeage no se cumplan, por lo que es necesario intentar llegar a un compromiso en cuanto al tamaño de la elipse. Es regla común utilizar, como semi-eje de la elipse, un valor próximo al alcance del semivariograma en la dirección considerada. De esta forma se asegura el mantenimiento de la estacionariedad y se cumple la correcta estimación. No obstante, el ampliar este valor no excesivamente, cuando el número de muestras es insuficiente, mejora el proceso de estimación (Isaaks y Srivastava, 1989). 5.4.3 RELEVANCIA DE LAS MUESTRAS
Consultores
Esta cuestión incide en dos aspectos. Por una parte, la posible presencia de agrupamientos de muestras, que queda resuelta. Por el diseño del propio sistema de ecuaciones de Krigeage, que toma en cuenta y pondera este fenómeno. Por otro lado, el segundo aspecto hace mención a la importancia de las diferentes muestras para su inclusión en la estimación, por ejemplo en cuanto a su pertenencia a la misma población que el punto a estimar. Esta cuestión es casi imposible de asegurar, y menos de verificar, por lo que la decisión debe venir acompañada de una información de tipo cualitativo. En otras palabras, el estudio geológico completo de toda la información presente es el mejor camino para definir qué muestras son relevantes y qué muestras no lo son, pudiendo ser estas últimas apartadas del proceso de estimación. Este problema, en yacimientos de baja complejidad geológica puede no ser tal, incrementándose según aumenta la dificultad de la interpretación geológica.
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
42
Geoestadistica Lineal
GEOESTADISTICA
43
6.
ERROR DE ESTIMACION
El error de estimación es entendido como la diferencia entre el valor real y el valor estimado de un punto o bloque.
Error de Estimación
Valor estimado (conocido)
Valor real (desconocido)
(Ec. 22) Por otra parte, la estimación Z’v de un bloque se efectúa en términos de los valores observados Z(xi) de puntos colindantes mediante la expresión:
Ν ∧ z v = ∑ αi z (xi)
αi = pesos o ponderaciones
i=1
(Ec. 23) En que los ai verifican la condición de insesgado:
α1 + α2 + α3 +.............+ αN = 1 Las ponderaciones αi serán más altos para valores al bloque y serán más bajos en puntos más lejanos.
(Ec. 24) z (xi) en puntos xi más cercanos
Se asume entonces que el error ε, es una magnitud aleatoria, es decir, una variable aleatoria. Esta magnitud aleatoria tiene una cierta ley de probabilidad caracterizada por una esperanza matemática mε, y una varianza σ2. Luego la ley de probabilidad del error es la ley normal o de Gauss (ver fig. N° 27)
CURSO DE GEOESTADISTICA
Consultores
En la ecuación 22, como Zv es desconocido, entonces ε es desconocido, la cual se renuncia en conocerlo en signo y magnitud. Sin embargo, se puede caracterizar probabilísticamente el error ε, al utilizar un modelo matemático.
INGENIERIA EN MINAS
43
Geoestadistica Lineal
GEOESTADISTICA
44
FIGURA N° 27 LEY NORMAL O DE GAUSS
Las siguientes áreas de la Ley de Gauss:
68%
6.1.
95%
99.7%
CALCULO DE LA VARIANZA DE ESTIMACION
La varianza de estimación se refiere a la varianza del error entendido como la diferencia entre el valor real y el valor estimado de un punto o bloque, se supone que los errores tienen esperanza nula.
Consultores
(Ec. 25)
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
44
Geoestadistica Lineal
GEOESTADISTICA
45
En la práctica se utiliza un riesgo de equivocación del 5%. En otras palabras si los errores tienen distribución normal de esperanza cero y varianza σ2ε -2σε ≤ ε ≤ 2σε con 95% de confianza, o bien Zv = Z’v +/- 2σε En todo caso la expresión teórica del valor zv desconocido está dada por: Zv = (1/v) ∫z(x) dx
(Ec.26)
Al reemplazar en la ecuación 25 queda Ν
σ2ε = Ε [ ∑ α z (x ) - (1/v) ∫ z(x) dx]2 i i i=1 v (Ec. 27) Al resolver el binomio se obtiene:
σε = 2
Ν
2 ∑ αi i=1
Ν Ν
(1/v) ∫ γ(xi,x) dx - (1/v ) ∫ ∫ γ(x,y) dx dy - ∑ ∑ αi αj γ( xi,xj) vv i=1 j=1 2
(Ec. 28)
que es la expresión fundamental del cálculo de σ2ε. Donde:
•
N xi v ϒ(h) αi
es el número de datos son las coordenadas de los datos es la geometría y el tamaño del bloque o zona v es el variograma es el peso o ponderación que se asigna a la participación de Z(xi) en el cálculo de Z’v x(ó y) es un punto variable dentro del bloque
Nota: Para el cálculo de la expresión fundamental, se supone que se conoce el modelo del variograma.
CURSO DE GEOESTADISTICA
Consultores
• • • • •
INGENIERIA EN MINAS
45
Geoestadistica Lineal
GEOESTADISTICA
46
Significados de los términos en la expresión de σ2ε : a. El término ϒ(xi,xj): Representa el valor de ϒ (h), siendo h el vector que une los puntos xi, xj xj
h
xi
b. El término (1/v) ∫ ϒ (xi,x) dx : Representa el valor medio teórico de la función ϒ(h), ( h el vector que une los puntos xi, xj ) siendo x un punto cualquiera variable dentro de la zona v.
x
xi
v
En la práctica la integral anterior se calcula por discretización de v en k puntos:
x xi
Consultores
v
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
46
Geoestadistica Lineal
GEOESTADISTICA
47
entonces, la aproximación es: (1/v) ∫ ϒ (xi,x) dx ≅ (1/k) Σ ϒ(hj).
(Ec. 29)
Se recomienda un número mínimo de puntos dentro de v, de manera de obtener una precisión aceptable: • Si v es bidimensional: k ≥ 36 puntos. • Si v es tridimensional: k ≥ 64 puntos. c. El término (1/v2) ∫∫ ϒ (x,y) dxdy: Representa el valor medio de la función ϒ(h), ( h el vector que une los puntos x con y) entre puntos variando dentro de v.
h
y
x v También se calcula por discretización de v en k puntos:
hij y x
v Entonces, la aproximación es: (1/v2) ∫∫ ϒ (x,y)dxdy ≅ (1/k)2 ∫∫ ϒ(hij)
(Ec. 30)
Consultores
Observación: Para obtener el σ2ε, los ponderadores αi son obtenidos dependiendo del lugar de ubicación de las muestras que participan en la estimación. ¿Existe otra ponderación de los datos que nos proporcione un error menor? Para poder lograr los pesos adecuados, de manera de minimizar la varianza del error σ2ε es necesario de introducir el método del krigeage.
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
47
Geoestadistica Lineal
GEOESTADISTICA
48
7
KRIGEAGE
7.1.
DEFINICION
El Krigeage es una herramienta geoestadística cuyo objetivo es encontrar los pesos de los ponderadores ai de manera que minimicen la varianza de estimación de acuerdo a la geometría del depósito y al carácter de la mineralización. El krigeage es una técnica utilizada en la evaluación de yacimientos para estimar el valor de una variable regionalizada en un punto (o en un bloque, como se verá posteriormente), a partir de unos factores de ponderación que trabajan de forma semejante a como lo hacen en el inverso de la distancia. Ese valor se caracteriza por ser el mejor estimador lineal ínsesgado de la variable. El mejor, porque los factores de ponderación se determinan de forma tal, que la varianza de la estimación es mínima; lineal, porque es una combinación lineal de la información; e insesgado porque, en promedio, el error es nulo, es decir, no hay sesgo en los errores (considerando como error la diferencia entre el valor real y el estimado). Por todo ello, junto con la información asociada que ofrece en relación al error que se comete en la estimación, el Krigeage se puede considerar, en general, como un método óptimo de estimación, estando su utilización ampliamente desarrollada en todo tipo de yacimientos, especialmente en aquellos que poseen un alto valor (oro y diamantes). Dado que el alto número de cálculos matemáticos que necesita el Krigeage ya está resuelto con el uso de la informática, quizás el único problema que presenta es la mayor complejidad conceptual frente a los métodos clásicos. De lo contrario, probablemente se habría convertido en el único método de estimación viable para la mayor parte de los yacimientos a escala mundial. Entonces, desde un punto de vista práctico, el Krigeage tiene la importancia de evitar errores sistemáticos, bien sea sobrestimado o subestimado el valor calculado. En términos generales, el Krigeage asignará bajos pesos a las muestras más lejanas, y altos a las más cercanas, pero esta regla intuitiva falla a veces en situaciones tal como:
Consultores
• Transferencia de la influencia o el Efecto de pantalla Las muestras más cercanas al bloque tienden a anular la influencia de las muestras más lejanas. La consecuencia práctica de esta propiedad es que algunas muestras tendrán ponderaciones negativas del Krigeage.
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
48
Geoestadistica Lineal
GEOESTADISTICA
49
7.2.
PROPIEDADES DEL KRIGEAGE
Hay muchas propiedades buenas asociadas con el estimador Krigeage, además de dos obvias como el insesgamiento y la varianza mínima de estimación. Algunas de éstas son las siguientes: •
El Krigeage calcula la varianza de Krigeage para cada punto o bloque.
•
Es un interpolador exacto. En otras palabras, el Krigeage estimará todos los puntos de datos conocidos exactamente, es decir no hay error.
•
El Krigeage tiene un efecto desagrupador ( Desclustering effect) de datos durante la estimación. Esto es muy útil cuando los datos usados para estimar la ley están muy agrupados e irregulares.
•
El Krigeage tiene un efecto selectivo, lo que permite seleccionar las muestras más cercanas.
7.3.
ECUACIONES DEL KRIGEAGE
Para obtener las ecuaciones del krigeage hay que minimizar la expresión de σ2ε . σ2ε =
Ν
2 ∑ αi • (1/v) ∫v γ(xi,x) dx - (1/v2) ∫v∫v γ(x,y) dx dy i=1
Ν Ν
∑ ∑ αi αj γ( xi,xj)
i=1 j=1
(Ec. 31) pero los αi, deben verificar la condición de insesgamiento: ∑ αi = 1 El método clásico para minimizar la expresión σ2 (igualar a cero las derivadas parciales de σ2 respecto de α1, α2, ......., αN) no asegura que la suma de los αi sea 1. En este caso, hay que utilizar el método de Lagrange.
A = σ2 - 2μ(α1 + α2 + α3 + ….. +αn -1)
CURSO DE GEOESTADISTICA
Consultores
En el caso del Krigeage hay que considerar la expresión:
INGENIERIA EN MINAS
49
Geoestadistica Lineal
GEOESTADISTICA
50
Por lo general, el parámetro m carece de significación física. Al realizar N+1, derivaciones sostiene el sistema de ecuaciones siguiente:
α1γ(x1, x1) + α2γ(x1, x2) + ............+ αΝγ(x1, xN) + μ = (1/v) ∫vγ(x1, x)dx α1γ(x2, x1) + α2γ(x2, x2) + ............+ αΝγ(x2, xN) + μ = (1/v) ∫vγ(x2, x)dx
α1γ(xN, x1) + α2γ(xN, x2) + ............+ αΝγ(xN, xN) + μ = (1/v) ∫vγ(xN, x)dx α1
+
α2
+..............+
αΝ
=
1
que es un sistema lineal de N + 1 ecuaciones con N + 1 incógnitas ( a1, a2, ......., aN, m), lo cual siempre tendrá soluciones. Se demuestra que la expresión de se2 se simplifica, obteniéndose: Ν
σ2ε = ∑ α • (1/v) ∫ γ(x ,x) dx + μ - (1/v) ∫ ∫ γ(x,y) dx dy v i v v i i=1
(Ec. 32) 7.3.1. KRIGEAGE PUNTUAL
Como se ha comentado anteriormente, el krigeage opera a través de la utilización de unos factores de ponderación. Estos factores de ponderación, para obtener el valor de la variable, se calculan a partir de un sistema de ecuaciones, denominadas ecuaciones de krigeage, en las que las incógnitas para resolver el sistema se obtienen a partir del semivariograma modelizado.
CURSO DE GEOESTADISTICA
Consultores
En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa estimar la ley en un punto X0.
INGENIERIA EN MINAS
50
Geoestadistica Lineal
GEOESTADISTICA
51
Ecuaciones a considerar:
α1γ(x1, x1) + α2γ(x1, x2) + ............+ αΝγ(x1, xN) + μ = γ(x1, x0) α1γ(x2, x1) + α2γ(x2, x2) + ............+ αΝγ(x2, xN) + μ = γ(x2, x0)
α1γ(xN, x1) + α2γ(xN, x2) + ............+ αΝγ(xN, xN) + μ = γ(xN, x0) α1
+
α2
+..............+
αΝ
=
1
Se demuestra que la expresión de σ2ε se simplifica, obteniéndose: Ν
σ2ε = ∑ α γ(x ,x ) + μ i 0 i i=1
(Ec. 33) El krigeage puntual tiene la propiedad de ser un interpolador exacto (ver Fig. N° 28) en el sentido de que si se desea estimar la ley en un punto conocido, el krigeage proporciona la ley del dato, con una varianza σ2ε = 0. Se dice que el krigeage puntual pasa por los puntos ( esta propiedad no la tienen los otros interpoladores): FIGURA N° 28
INTERPOLADOR EXACTO
Interpolador de Krigeage
x1
x2
x
CURSO DE GEOESTADISTICA
Consultores
Interpolador de minímos cuadrados
INGENIERIA EN MINAS
51
Geoestadistica Lineal
GEOESTADISTICA
52
7.3.2. KRIGEAGE DE BLOQUES Otro tipo de krigeage más frecuentemente utilizado en la evaluación de yacimientos es el krigeage de bloques, que opera de forma similar a como lo hace el puntual, pero con la diferencia de que el valor obtenido se le asigna a un bloque y no a un punto. Dentro del modelo de función aleatoria descrito anteriormente, el valor medio de una función aleatoria en una zona determinada (bloque) es, simplemente, la media aritmética de todas las variables puntuales aleatorias incluidas dentro de esa zona. Esta capacidad del Krigeage de llevarse a cabo sobre un área y no sólo 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 de la distancia, los resultados no son muy consistentes (Isaaks y Srivastava, 1989). 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. Un ejemplo de la importancia de los computadores en el desarrollo de la geoestadística es que, para calcular, por ejemplo, el valor de un sólo bloque con una discretización de 10 x l0, sería necesario resolver cien sistemas de ecuaciones, cada una de ellos con, por ejemplo, 11 ecuaciones (suponiendo una estimación a partir de diez valores). Y esto sólo para un bloque, siendo frecuente, normalmente, dividir el yacimiento en centenares de bloques. Todo ello llevaría a la resolución de decenas o centenares de miles de ecuaciones, hecho absolutamente inviable si no fuese por la ayuda de la informática. Por último, hay que hacer 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 krígeage), lo que permite hacer un estudio de la bondad de la estimación. Estos valores de la varianza del krigeage pueden, posteriormente, ser interpelados y obtener mapas en la que se puede 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 planes de producción minera.
La práctica recomienda que una vecindad contenga un promedio del orden de 8 muestras, los resultados que se obtienen serán muy buenos. (ver Fig. N° 29)
CURSO DE GEOESTADISTICA
Consultores
Cuando se aplica el krigeage sobre un 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 círculo, o bien un elipsoide o elipse (3D y 2D).
INGENIERIA EN MINAS
52
Geoestadistica Lineal
GEOESTADISTICA
53
FIGURA N° 29
VECINDAD DE ESTIMACION
V
7.3.4. KRIGEAGE INDICADOR El Krigeage indicador es una de las innumerables variaciones que la Geoestadística presenta para la evaluación de yacimientos, utilizándose, cada vez más, en el análisis de las reservas, especialmente en explotaciones de alto valor (oro). Es un método no paramétrico en el que los valores obtenidos son convertidos a 0 y 1, dependiendo de su relación con una determinada ley de corte. Permite estimar la proporción de un bloque bajo estudio que tiene un determinado porcentaje de probabilidad de encontrarse por encima de la citada ley de corte. La mejor forma de observar su funcionamiento es con un ejemplo. Se tiene un bloque mineralizado que ha sido evaluado por sondeos situados en sus cuatro esquinas. El valor asignado al bloque será, si el espesor es constante, la media aritmética de las cuatro esquinas. Pueden existir dos situaciones como las siguientes: Bloque A: 6%, 5%, 6% y 6% - ley media = 5,75% Bloque B: 1%, 2%, 1% y 19% - ley media = 5,75%
Considérese ahora que la mineralización y el estéril son materiales con ley superior e inferior, respectivamente, a una determinada ley mínima de corte (5%), por lo que se les asigna un valor 1 al primer caso y cero al segundo. Entonces se tendría que, para el bloque A, todos los sondeos entrarían en la categoría de mineralización y se le podría asignar, al bloque, un indicador medio de 1. Por el contrario, para el bloque B, sólo un
CURSO DE GEOESTADISTICA
Consultores
Si la ley mínima de corte es, por ejemplo, del 5%, está claro que ambos bloques son explotables, independientemente de que la asignación de explotabilidad del bloque B sea casi totalmente dependiente de un único valor (19%), lo que no se refleja directamente en el resultado.
INGENIERIA EN MINAS
53
Geoestadistica Lineal
GEOESTADISTICA
54
sondeo entraría en la categoría de mineralización, por lo que recibiría un indicador medio de 0,25. En este caso (bloque B), aunque la ley media sugiere que todo el bloque es mineralización, el indicador medio nos afirma que tan sólo el 25% del bloque se puede considerar como mineralización. Este efecto debe ser tomado en cuenta en todos aquellos estudios que generen cálculos de reservas, pues su no consideración puede producir, como en el caso del ejemplo, una sobreestimación de los tonelajes de la mineralización. La expresión matemática para una variable de este tipo sería I(x,z), correspondiente a una ley z(x) de una muestra en un punto x y con una ley de corte z. De tal forma que: 1, si Z(X) > z I(X,Z) = 0, si Z(X) < z Una vez que las leyes, o cualquier otra variable a estudiar, han sido transformadas de esta manera, se puede intentar construir un semivariograma experimental y ajustarle un modelo matemático de los existentes. Para el caso de] modelo esférico, la ecuación sería: γ(h,z) = I0 + I [1.5(h/a) - 0,5(h/a)3] γ(h,z) = I0 + I
para h < a para h > a
Donde I0 e I son equivalentes a C0 y C, en un semivariograma normal. Una vez que el semivariograma de indicadores está modelizado, se puede llevar a cabo un krígeage de bloques, que recibiría el nombre de ktigeage indicador. El valor que saliese para cada bloque vendría a representar el porcentaje recuperable de mineralización que tiene ese bloque para una determinada ley de corte. Los resultados pueden ser comparados con los valores obtenidos en un Krigeage de bloques normal, con otros Krigeages indicadores para otras leyes de corte, etc., con el fin de obtener estrategias de explotación.
El Co-Krigeage constituye, al igual que el Krigeage indicador, otra de las aplicaciones del Krigeage a la estimación de variables. Hasta el momento, el krigeaje utilizaba, como parámetros para realizar la estimación, los valores de una variable. Sin embargo, suele ser frecuente, en minería, conocer no sólo una variable sino varias de ellas, que, usualmente, están relacionadas entre sí (pAg y Pb/Zn). Por tanto, resulta interesante utilizar la información suministrada por una de las variables para calcular la otra, siempre y cuando, obviamente, exista una relación entre ambas. Este proceso se denomina, en Geoestadística, Co-Krigeage.
CURSO DE GEOESTADISTICA
Consultores
7.8. EL COKRIGEAGE
INGENIERIA EN MINAS
54
Geoestadistica Lineal
GEOESTADISTICA
55
El Co-Krigeage pues, se define como un método de estimación que minimiza la varianza de la estimación utilizando la correlación entre varias variables, estando los estimados obtenidos tanto a partir de las variables secundarias como de la principal. La utilidad de la variable secundaria muchas veces se ve incrementada por el hecho de que la variable principal pueda encontrarse submuestreada en algunas zonas del yacimiento. El valor estimado de una variable por Co-Krigeage viene definido por la siguiente expresión: Uo = Σai Σui + ΣbjΣvj donde: U0 = Valor del estimado en el punto 0 ui = Los datos de la variable principal en n puntos vj = Los datos de la variable secundaria en m puntos ai y bj = Los factores de ponderación a determinar para resolver los sistemas de ecuaciones. Como se puede observar, el aspecto de la expresión es muy similar a la que correspondería para el Krigeage. De hecho, el desarrollo del sistema de ecuaciones del correaje es idéntico al correspondiente para el Krigeage. Por tanto, prácticamente todo lo expuesto para un método (ktigeaje) es válido para el otro (co-krígeage), en relación a los modelos de funciones aleatorias, cálculo del semivariograma, áreas de búsqueda, etc.
Consultores
Unicamente merece la pena comentar que existen ciertas situaciones en las que este método no mejora los resultados que se obtendrían utilizando simplemente el krígeage. Cuando los modelos de semivariogramas son muy similares entre sí, y las variables principal y secundaria están igualmente maestreadas en todos los puntos, los resultados con un método y otro son, prácticamente, semejantes.
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
55
Geoestadistica Lineal
GEOESTADISTICA
56
IIN NG AE GE EN EN NM NIIE MIIN ER NA RIIA ASS A TIIC CA A APPU UN NT TE ESS C CU UR RSSO OG GE EO OE ESST TA AD DIISST L LIIN NE EA AL L ..
PPA AR RT TE E 22
Consultores
E RC CIIC RE ESS CIIO OSS --T TA AL LL LE ER EJJE ER
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
56
Geoestadistica Lineal
GEOESTADISTICA
57
IIN NG AE GE EN EN NM NIIE MIIN ER NA RIIA ASS A TIIC CA A APPU UN NT TE ESS C CU UR RSSO OG GE EO OE ESST TA AD DIISST L LIIN NE EA AL L .. G GU UIIA AD DE ET TR RA AB BA AJJO O 11
Consultores
C CO ON NC CE EPPT TO OSS G GE EN NE ER RA AL LE ESS
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
57
Geoestadistica Lineal
GEOESTADISTICA
58
TEMA 1 Esperanza Varianza, covarianza, histograma efecto de soporte, efecto de información 1.1.-La varianza de una V.A . Z de densidad de probabilidad f(x) esta definida por V[Z]=E [(Z-μ)²] Con μ =E[Z] = ∫ z f(z)dz Demuestre V[Z]=E [Z²]= {E[Z]} ² 1.2.- Z Es una variable aleatoria, λ es una constante Demuestre E [λ Z ] = λ E [ Z] Demostrar V [λ Z ] = λ² E [ Z] 1.3.-L a covarianza centrada entre dos variables aleatorias Z1 y Z2 esta definida por Cov(Z1,Z2) = E [ (Z1-μ1) (Z2-μ2)] Con
μ1 = E[Z1] y
μ2= E[Z2]
Demuestre Cov (Z1,Z2) = E [ Z1 Z2 ] –E[Z1] E[Z2] Demuestre Cov (Z2,Z1) = Cov (Z1,Z2) Demostrar Cov (Z1,Z, = V(Z1) 1.4.-Z1 y Z2 son dos variables aleatorias de covarianza centrada Cov ( Z1, Z2) Demuestre V[ Z1 + Z2 ] = V[Z1] + V[Z2]+ 2Cov(Z1,Z2) 1.5.- Sean n variables aleatorias Z1 , Z2 , …..Zn y sean n coeficientes λ1, λ2….. λn Z*= ∑ λi Zi
Consultores
Sabemos
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
58
Geoestadistica Lineal
GEOESTADISTICA
59
Demuestre V[Z*]= Z*= ∑ ∑λi λj Cov( Zi , Zj) i j Recuerde
Z* ² = ∑ ∑λi λj Zi Zj i j
Demuestre
V[ Z*] = ∑ λi ² V[Zi] + ∑ ∑λi λj Cov ( Zi , Zj) i i =1 j1 V[ Z*] = ∑ λi ² V[Zi] +2 ∑ ∑λi λj Cov ( Zi , Zj) i i=1 j=i+1
Demuestre
1.6.-Aplicación: Influencia del muestreo sobre los cálculos de medias , varianza y histogramas Se desea hacer un estudio sobre un sitio que en el pasado tuvo residuos mineros, el principal contaminante que queda en el terreno es un leve porcentaje de ácido remanente Se ha decidido hace una primera campaña de muestreado en cuadros de 10 x 10 metros A.- Campaña 1 90 80 70 60 50 40 30 20 10 0
39 33 43 33 32 26 28 35 29
0 10 20 30 40 50 60 70 80 90
Consultores
Calcule la media la varianza y realice un histograma de 9 clases (0,5) , (5,10)….(40,45)
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
59
Geoestadistica Lineal
GEOESTADISTICA
60
B.-Campaña 2 La media deducida de la primera campaña es superior a 22 g / que es lo que la ley autoriza como máximo , por eso se ha procedido a tomar mas muestras ,obteniendose las siguientes leyes 39 90 33 43 33 80 32 70 9 12 60 50 40 17 30 12 20 19 10 15 0 0 10 20 30 40 50 60
9 26 28 35 29 23 0 70 80 90
Consultores
Calcule la media la varianza y realice un histograma de 9 clases (0,5) , (5,10)….(40,45) comente y compare con la primera campaña
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
60
Geoestadistica Lineal
GEOESTADISTICA
61
C.- Campaña 3 Teniendo en cuenta la importancia de la dispersión de las leyes ,se ha decidido efectuar un muestreo sistemático ,cada cuatro parcelas ,dando el siguiente resultado: 90 80 70 60 50 40 30 20 10 0
21
43
20
9
12
9
25
12
20
26
30
11
19
19
17
23
15
15
23
14
25 2 23 0 12 0 10 20 30 40 50 60 70 80 90
Consultores
Realice los mismos cálculos anteriores
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
61
Geoestadistica Lineal
GEOESTADISTICA
62
D.-Mas tarde con un muestreo en todo el sector se tendra , lo siguiente : 22 30 24 30 23 18 12 11 15 20 0
20 21 23 9 16 30 45 23 13 25 10
15 33 13 7 14 21 21 27 10 21 20
39 43 32 25 11 11 17 15 19 2 30
20 33 29 24 23 23 14 11 28 24 40
22 20 24 12 19 19 18 15 25 23 50
10 14 24 26 14 8 15 26 24 21 60
4 9 11 20 16 19 19 23 8 0 70
12 4 6 16 12 35 29 15 14 19 80
7 12 16 26 28 17 19 14 6 12 90
Consultores
90 80 70 60 50 40 30 20 10 0
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
62
Geoestadistica Lineal
GEOESTADISTICA
63
Si usted observa este grafico y los anteriores cual es su comentario , Comente y discuta con sus compañeros
1.7.- Efecto de soporte de las muestras sobre la varianza y histograma
Consultores
Siempre en nuestro sitio ,,las nuevas parcelas se denominaran V y seran constituida de 4 pequeñas parcelas v ,ellas miden 20 x 20 (con todos los datos) , si calculamos los valores de 1.6 se tendrá los siguientes valores
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
63
Geoestadistica Lineal
GEOESTADISTICA
64
Consultores
Calcule la media , la desviación estandar de estos datos y trace un histograma experimental y compare
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
64
Geoestadistica Lineal
GEOESTADISTICA
65
1.8.-Efecto Información Si usted debe tomar la decisión sobre el terreno a partir de la campaña 3 ,tenemos el iguietne plano
90 80 70 60 50 40 30 20 10 0
21
43
20
9
12
9
25
12
20
26
30
11
19
19
17
23
15
15
23
14
25 2 23 0 12 0 10 20 30 40 50 60 70 80 90
Recuerde que un sector es considerado habitable si el congtenido de acido es menos a 22 grs / ton Conteste
Consultores
a.- Parcelas estimadas contaminadas y en la realidad están contaminadas b.- Parcelas estimadas no contaminadas y en la realidad están no contaminadas c.- Parcelas estimadas contaminadas y en la realidad están no contaminadas d.- Parcelas estimadas no contaminadas y en la realidad están contaminadas
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
65
Geoestadistica Lineal
GEOESTADISTICA
66
Consultores
Realice una nube de correlación
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
66
Geoestadistica Lineal
GEOESTADISTICA
67
IIN NG AE GE EN EN NM NIIE MIIN ER NA RIIA ASS A TIIC CA A APPU UN NT TE ESS C CU UR RSSO OG GE EO OE ESST TA AD DIISST L LIIN NE EA AL L.. G GU UIIA AD DE ET TR RA AB BA AJJO O 22
Consultores
V VA AR RIIO OG GR RA AFFIIA A
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
67
Geoestadistica Lineal
GEOESTADISTICA
68
Tema 2: Covarianzas y variograma teórico y experimental 2.1.-Z(x) es una función aleatoria estacionaria de esperanza m , de covarianza C(h) C(h) = Cov ( Z ( x + h ) , Z ( h ) ) = E[(Z(x+h)–m)(Z(x)–m)] Demuestre C(0)>=0 Demuestre C(-h)=C(h) Demuestre /C(h)/= 0 Demuestre g (0) = 0 Demuestre g (-h) = g (h) 2.3.-Z(x) es una función aleatoria estacionaria, de covarianza C(h) Demuestre g ( h ) = C ( 0 ) – C ( h ) 2.4.-Z(x) es una función aleatoria estacionaria λ 1 , λ2 , λn de coeficientes constante , u1 u2 u3….un , las ubicaciones en el espacio . Si Recuerde que V(Z*)= ΣΣ λi λj Cov(Z(ui), Z(uj)) Demuestre que si Σ λi = 0 CURSO DE GEOESTADISTICA
Consultores
Z* = Σ λi Z(ui)
INGENIERIA EN MINAS
68
Geoestadistica Lineal
GEOESTADISTICA
69
Entonces V(Z*)= -ΣΣ λi λj g (Z(ui), Z(uj))
2.5.- Z(x) es una función estacionaria de covarianza C(h) y de variograma g (h) esférico : 3 3 h 1 h ) γ ( h) = C * ( * − * 2 a 2 a3
= c
si h
〈a
si h>=a
Si tenemos Z*= Z(u 1 ) +Z (u 2 ) con pesos u 1 y u 2 distante a 100 mts.
• • • • •
¿Puede escribir V(Z*) directamente con la ayuda de g(h) ? Entregue una expresión para V(Z*) Calcule V(Z*)con una meseta C=3 y un alcance a=250 mts. Calcule V(Z*)con una meseta C=3 y un alcance a=25 mts. Explique la diferencia
Consultores
2.6.-si se tiene
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
69
Geoestadistica Lineal
GEOESTADISTICA
70
• •
Podemos escribir V(Z*) directamente con la ayuda de los de g(h) ? Calcule V(Z*) cuando la covarianza es exponencial C (h) = 2.5 * exp(−
h 200
)
El variograma esferico es: γ (h) = 2 * (3 *
h 200
−
3 h 1 * ) 2 2003
si h
〈 200
g (h)= 4 si h >= 200 • Cual es la meseta y el alcance estos variograma •
Calcule la V(Z*)
•
Dos medidas z(u1) y z(u2) en un espacio a una dimensión ,¿cual es la distancia h de separación? .
•
Dos medidas z(u1) y z(u2) en un espacio a dos dimensiones u1=(x1,y1) y u2=(x2,y2) ,¿cual es la distancia de separación?
•
Dos medidas z(u1) y z(u2) en un espacio a tres dimensiones u1=(x1,y1,z1) y u2=(x2,y2,z2) ,¿cual es la distancia de separación?
CURSO DE GEOESTADISTICA
Consultores
2.7.- A provisto de la distancia h y de ciertas confusiones posibles ,tenemos
INGENIERIA EN MINAS
70
Geoestadistica Lineal
GEOESTADISTICA
71
2.8.- Z(x) es una variable aleatoria conocida en 48 nodos de hungarilla regular de paso 1 metro .En cada nodo xi asociamos un peso λi representado sobre la figura (pesos igual a +1 y -1 )
Si
Consultores
48 Z*=∑λi Z(xi) i=1
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
71
Geoestadistica Lineal
GEOESTADISTICA
72
y cometemos el error de considerar ,a 2 dimensiones ,el variograma siguiente
γ (h) = h
si
h〈 2
γ ( h) = h
si
h≥ 2
denominandose lineal por pedazo ,que no es admisible que a 1 D •
Sobre el grafico siguiente trace el variograma y el covariograma
3 2
γ ( h) = C * ( *
h a
−
3 1 h * ) 2 a3
= C
si h
〈a
si h
>=a
•
Usando el grafico de la página siguiente, trace un variograma con meseta 2 y alcance 100 metros.
•
Calcule la derivada g’ (h)del variograma g (h)
•
Demuestre que la tangente de g (h) para h=0 corta la recta de la ecuación y=C en h=(2/3)*a.
CURSO DE GEOESTADISTICA
Consultores
2.9 Variograma esferico recordemos la formula :
INGENIERIA EN MINAS
72
Geoestadistica Lineal
GEOESTADISTICA
73
•
Demuestre que el comportamiento de g (h) en el origen es idéntico al comportamiento del variograna lineal 3 C h) 2 a
γ ( h) = ( *
•
Siempre en el mismo grafico trace un variograma que sea la suma de dos variogranas esféricos de alcance a1=50 ,a2=100 m ;la meseta C1=C2=1 (para h> =0)
2.10 Variograma exponencial recordemos la formula γ (h) = C * (1 − exp(−
h
))
a
•
Siempre sobre el mismo grafico trace el variograma C=2 y a = 30 m ,compare con los anteriores variogramas
•
Por definición el alcance practico de un veriograma es la distancia donde g (h) es el 95 % de su meseta C .Calcule el alcance practico de un variograma exponencial.
•
Calcule la derivada de g’(h) , del variograma g (h)
•
Demuestre que la tangente de g (h) para h=0 corta la recta de la ecuacion y=C em h=a
2.11.-Variograma gaussiano recordando la formula 2
a2
))
•
Siempre sobre el mismo grafico trace el variograma C=2 y a = 50 m ,compare con los anteriores variogramas
•
Desarrolle limite de la función exp(x) para x proximo a 0 es
exp( x) = 1 + x +
CURSO DE GEOESTADISTICA
x2 xn + .... + + .... 2! n!
Consultores
γ (h) = C * (1 − exp(−
h
INGENIERIA EN MINAS
73
Geoestadistica Lineal
GEOESTADISTICA
74
Calcule el desarrollo limite del variograma para h próximo a 0 ,deduciendo que el variograma gausiano posee un comportamiento parabólico en el origen .
Consultores
•
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
74
Geoestadistica Lineal
GEOESTADISTICA
75
2.12 .-Variograma experimental a 1 dimensión .Dos series de leyes z1(p) y z2(p) .Los datos son a un metro y p representa la cota de la ley calculada a partir del collerin del sondaje .
Para los dos sondajes ,las leyes utilizadas son las mismas .Que puede usted deducir ,concerniente a las medias y a las varianzas de leyes en cada sondaje (sin calcular)
•
Para ambos sondajes las leyes son las mismas ,pero su disposición es diferente .Utilizando el grafico siguiente calcule el variograma experimental de leyes a los largo de cada sondaje ,haciendo variar p , limítese a h
View more...
Comments