Está en la página 1de 14

SEPARATA DEL CURSO DE MODELOS MATEMTICOS

APLICADOS A LA INGENIERA
UNI
Profesor: Alfredo Marn Surez, Ph.D.
En Sciences et Techniques Minires - Option Gostatistique
alfredomaringeo@hotmail.com
http://www.geoestadistica.org.com

1. INTRODUCCIN

La Geoestadstica aporta una herramienta denominada Variograma, el cual tiene


aplicaciones en las ciencias geolgicas y mltiples aplicaciones en otras
disciplinas. La Geoestadstica fue desarrollada y presentada por George
Matheron en la dcada de los 60 del siglo XX. En efecto la Geoestadstica
considera que las variables regionalizadas estn modeladas en un espacio de
variables aleatorias reales L2
sobre un espacio de probabilidades

Representacin de la variable regionalizada en el espacio.


En la que se define la funcin Variograma:
1

Y una extensin del Variograma denominado Variograma Cruzado que relaciona


dos variables:

En esta pequea divulgacin el objetivo es presentar el Variograma y su


extensin Variograma Cruzado mediante algoritmos aritmticos simples, a travs
de ejemplos, haciendo ver su aporte como herramienta de trabajo en la geologa
de minas, de petrleo, etc. Aporte que consiste en dar cuenta del aspecto
estructural del fenmeno estudiado, aspecto estructural no contemplado por la
estadstica descriptiva.

2. APLICACIN EN LA DIFERENCIACIN DE DOS FENMENOS


2.1 En una lnea de muestreo de la zona A, tenemos los siguientes valores de la
variable regionalizada de plomo en ppm.

Realizamos un anlisis estadstico bsico.


x

a) Media aritmtica:

b) La varianza:

5 1 6 2 4
3.6
5

2
2
2
2
2

5 3.6 1 3.6 6 3.6 2 3.6 4 3.6

2 3.44
2

c) El coeficiente de variacin:

cv

Desviacin _ tpica
3.44 1.85

0.52
Media
x
3.6
3.6

d) Histograma

2.2 En otra lnea de muestreo en la zona B, tenemos los mismos valores de la


variable regionalizada de plomo en ppm, pero dispuesto de la siguiente forma; es
decir, un fenmeno estructuralmente muy diferente, a pesar de tener los mismos
valores de leyes.

Obtenemos la media aritmtica, la varianza, el coeficiente de variacin y el


histograma, y vemos que da los mismos resultados que los obtenidos en la Zona A.
Es decir que con esta estadstica descriptiva no logramos diferenciar dos
fenmenos totalmente diferentes.

2.3 Ahora procedemos a construir los Variogramas de la Zona A y B

2
2
2
2

5 1 1 6 6 2 2 4
(1)

4 x2
2
2
2

5 6 1 2 6 4
(2)
1.000
3x 2
2
2

5 2 1 4
(3)
4.500
2 x2
5 42 0.500
(4)
1x 2

7.625

Graficando el variograma para la zona A.

(h)

2
2
2
2

6 5 5 4 4 2 2 1
(1)

4 x2
2
2
2

6 4 5 2 4 1
(2)
3.667
3x 2
6 22 5 12 8.000
(3)
2 x2
2
6 1 12.500
(4)
1x 2

0.875

Graficando el variograma para la zona B.


(h)

Como se puede observar el semi-Variograma, que ms comnmente se le


denomina variograma, da cuenta de las zonas estructuralmente diferentes.

3.

MODELOS DE VARIOGRAMAS MS COMUNES

a) Efecto de Pepita Puro

(h)

b) Modelo Esfrico o de Mathern

c) Modelo de Formery o Exponencial

d) Modelo con efecto HOLE

e) Modelo Gaussiano

Es de notar que estos modelos y sus combinaciones no son necesariamente los


nicos.

4. APLICACIN DEL VARIOGRAMA CRUZADO EN EL ESTUDIO DE


CORRELACIONES

4.1 Para visualizar esta funcin, consideremos un ejemplo de una zona de terreno
explorado del cual hemos obtenidos valores geoqumicos del Oro y Plata y deseamos
estudiar la relacin entre los dos valores. Para este efecto aplicaremos el variograma
cruzado.

Siendo la formula:

AB (h) E Z A ( x) Z B ( x h)Z B Z B ( x h)xR 3


Aplicando:

AuAg (1)

5 17 2 1 62 8 6 28 3 2 43 5 9.25

4 x2
5 67 8 1 22 3 6 48 5 1.33
AuAg (2)
3x2
5 27 3 1 42 5 5.25
AuAg (3)
2 x2
5 47 5 1.00
AuAg (4)
1x 2

Cuya grfica es la siguiente:


AuAg (h)

Observamos que cuando hay una correlacin positiva alta entre las variables, el
variograma cruzado tiende a tomar valores positivos altos.
7

4.2 Ahora veamos que pasa en otra zona, donde los valores geoqumicos de la Plata
toman otros valores:

Aplicando la frmula:

AuAg (1)

5 11 6 1 66 2 6 22 5 2 45 1 7.63

4 x2
5 61 2 1 26 5 6 42 1 0.33
AuAg (2)
3x2
5 21 5 1 46 1 6.75
AuAg (3)
2 x2
5 41 1 0.00
AuAg (4)
1x 2

Con su grfica:
AuAg (h)

Observamos que cuando hay una correlacin negativa alta entre las variables
el variograma cruzado tiende a tomar valores negativos altos.

Al realizar el anlisis estadstico descriptivo de las lneas de muestreo de la Zona A y la


Zona B, correspondientes a la variable regionalizada plomo; obtenemos el mismo
resultado estadstico; es decir, que este anlisis estadstico descriptivo no nos ayuda a
dar cuenta del aspecto estructural de estos fenmenos totalmente diferentes. En tanto, al
aplicar la funcin Variograma vemos que s da cuenta del aspecto estructural de estos
8

fenmenos totalmente diferentes. Por lo que constituye una herramienta de gran utilidad
en el tratamiento de variables regionalizadas.

Observamos que cuando hay una correlacin positiva alta entre las variables
regionalizadas, el variograma cruzado tiende a tomar valores positivos altos; mientras
que, cuando hay una correlacin negativa alta entre las variables, el variograma cruzado
tiende a tomar valores negativos altos. Por lo que el variograma cruzado se suma a las
herramientas que permiten estudiar la correlacin entre variables.

5.

TCNICA DEL KRIGING DE MATHERON

Considerando las variables Z(xi) que estn cerca de un soporte geomtrico a


estimar y dentro de su aureola de influencia. Aureola definida por medio de los
alcances estimados a partir de un estudio de variogramas.
Visualizaremos el procedimiento a partir de la siguiente disposicin de las
muestras con respecto a un soporte geomtrico V.

2 z ( x 2 )

1 z ( x1 )

n z ( x n )

Disposicin de muestras con respecto a un soporte geomtrico V.

Y deseamos estimar la variable Z(x) del soporte geomtrico V a partir de las


muestras Z(xi). Entonces necesitamos encontrar los pesos para estimar la variable
Zv(x0), a partir de:

Z V* x0 1 Z x1 2 Z x 2 ... n Z x n
En el ejemplo que presentaremos a continuacin consideremos que estamos en
condiciones de aplicar un Krigeage ordinario bajo la hiptesis estacionaria de
orden 2, por lo que usaremos el siguiente sistema de ecuaciones.

v , v u v ,V

1 a n

Este sistema resulta de minimizar la varianza de estimacin sujeta a la condicin


n

de universalidad

, que hace que nuestro estimador sea insesgado.

El error cometido en este procedimiento de estimacin viene dado por la varianza


de Kriging de Matheron siguiente:

k2 j v j ,V u V1V
Ejemplo:
A partir de los valores de la potencia de un manto de Hematita en los puntos A y
B, se desea estimar la potencia en el punto C. Considerando que la potencia del
manto tiene el siguiente modelo de variograma.

3h 1h3
C 3
2a 2a

h 0, a

C h a

a 6m y

C 1

10

Es decir un modelo de Matheron o tambin denominado esfrico. A continuacin


se muestra la ubicacin de las potencias y su orden de magnitud.

Variable regionalizada Potencia en los puntos A y B de un manto de Hematita

Entonces tendremos a partir del sistema de ecuaciones anterior, el siguiente


sistema particular:

Reemplazando:

I.
II.
III.
11

Restando (I) (II) :

Ahora tenemos el siguiente sistema:

I'.
II'.
Sumando (I) + (II) :

Reemplazando en (II) :

En la primera ecuacin inicial:

Despejamos:

12

Parmetro auxiliar que ser usado posteriormente en la frmula de la varianza de


Kriging de Matheron.

Siendo la potencia estimada del manto igual a:

Reemplazamos:

Ahora veamos cul es el error que se comete en esta estimacin, para lo cual
particularizamos la frmula de la varianza de Kriging de Matheron dada
anteriormente.

Reemplazando:

Este valor es el error cometido en el proceso de estimacin realizado.

13

REFERENCIAS

- Matheron G. (1962, 1963) - Trait de Gostatistique Applique.


Ed. Technip, Paris VOL. 1; VOL. 2.
- Guibal D. (1972) - Simulation de Schmas Intrinsques. N-291 E.N.S.M.P.
- Journel A. (1977) - Gostatistique Miniere, tomo 1 y 2. E.N.S.M.P
- Marchal A., Deraisme J., Journel A., Matheron G. (1978) - Cours de
Gostatistique non Linaire. C-74 E.N.S.M.P.
- Marn Surez A. (1978) - Mthodologie de L'estimation et Simulation
Multivariable des Grands Gisements Tridimensionnels. Thse prsente
I'cole Nationale Suprieure des Mines de Paris
Para obtener el grado de:
Docteur Ingnieur en Sciences et Techniques Minires - Option Gostatistique
- Marn Surez A. (1986) - Modelo Geoestadstico de Filones de Almadn. Ed.
Minas de Almadn S.A., Almadn (Espaa).
- Remy N., Boucher A., Wu J., Journel A. (2009) - Applied Geostatistics with
GSLIB and SGEMS. Ed. Cambridge University Press.

14