Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Elementos de Geoestadistica PDF
Elementos de Geoestadistica PDF
Indice
Pg.
1.- Introduccin.
12
13
13
14
15
16
16
17
21
22
22
25
26
11.1.- Triangulacin.
27
28
28
29
30
32
33
33
1.- Introduccin.
Criterios Econmicos
Grado de Conocimiento
Recursos Identificados
Recursos no Identificados
Demostrados
Probados
Econmicos
Marginalmente
Econmicos
RESERVAS
Subeconmicos
Tabla 1. Clasificacin de las reservas.
3.- Requisitos generales para cada uno de los criterios anteriores, reflejndose que
debe tenerse en cuenta la Proteccin del Medio Ambiente y el uso racional de los
recursos minerales.
determinada
regularidad,
pero
en
la
prctica
como
seala
[Journel,1978] y
Es importante aclarar que una Variable Aleatoria (VA) es una variable que puede
tomar ciertos valores de acuerdo a cierta distribucin de probabilidades. Un valor
medido es una realizacin de la VA Z(x1) definida en el punto x1. Al conjunto de todas
las mediciones en el rea de estudio de la variable regionalizada Z(x) puede
considerarse como una realizacin del conjunto VA (Z(x), x rea de estudio), a este
conjunto de VA es llamada Funcin Aleatoria. y se escribe Z(x). [Pg. 29,
Journel,1978]
si xi = xj ;
-1 1
con (0) = 0
(h)
(h) = 1 - ____
C(0)
I- Estacionaridad Estricta.
localizacin xi.
Esta condicin como su nombre lo indica. Es demasiado restricta al estudiar la
mayora de los fenmenos encontrados en la prctica.
implica,
2o
E[Z2(xi)] = C(0) + m2
(h) = C(0) + m2 - (C(h) + m2)
(h) = C(0) - C(h).
Como se observa en la ltima expresin (h) y C(h), son dos herramientas que
aleatoria Z(x) es
homognea.
Esta condicin se encuentra con bastante frecuencia en la naturaleza, pues existen
muchos procesos que no tiene varianza finita y sin embargo, poseen una funcin
variograma finita.
Xm=
1 n
Xi
n i =1
5.- Mediana: Es el valor para el cual la mitad de los datos son menores y la otra
si n es impar.
M =
(Xn/2 + Xn/2+1)/2
si n es par.
La mediana es tambin llamada percentil 50, adems los datos no solo se dividen
en dos grupos, sino que se pueden dividir en cuatro partes, cuartiles, donde Q1 =
percentil 25, y Q3 = percentil 75, si los datos se dividen en 10, tenemos los deciles.
De forma general estas medidas se pueden calcular por: [p(n+1)/100] sima
observacin de los datos ordenados ascendentemente, donde p es el percentil que se
desea calcular, y n la cantidad de datos ordenados.
1 n
n 1 i =1
( Xi X m)
La razn principal por la que se aboga por la divisin entre n-1 en la estimacin
de la varianza es porque proporciona un mejor estimado; si dividimos por n-1 nos
referimos a la varianza muestral (S2) como un estimador insesgado de la varianza
poblacional (2), esto significa que si un experimento fuera repetido muchas veces se
podra esperar que el promedio de los valores as obtenidos para S2 igualara a 2; por
otra parte si dividimos entre n los valores obtenidos para S2 seran como promedio
demasiado pequeo [Freund,1980].
3 =
1 n
( Xi X m )3 S 3
n i =1
1 n
4
4 = (Xi Xm) S 4
n i =1
calcular por:
=
2 /n
La distribucin normal tiene una valor de error estndar menor que 1.25 y la
distribucin lognormal o una distribucin con tendencia positiva, tiene valores de error
estndar mayores que 1.25.
anteriormente.
(h ) =
1 N (h)
2
Z (x i ) Z (x i + h)]
[
2 N (h ) i =1
(1)
Aqu aunque no existe un criterio fijo, ni una justificacin terica para determinar
el nmero de pares necesarios para calcular cada valor del semivariograma, en
[Journel,1978] se sugieren 30 pares como mnimo para obtener una masa estadstica
suficientemente grande.
Para cada distancias (h), calcular la expresin (1), con la cantidad de pares que se
encuentran separados a una distancia h-dh h h+dh, y que esten incluidos en los
ngulos (-d p +d) para dos dimensiones y adems (-d p +d) para
tres dimensiones, donde p.y p son los ngulos definido por la direccin de la recta que
une los dos puntos del par en cuestin.
Ocho
pasos
para
la
construccin
del
semivariograma
en dos y tres
14
1 N ( h ) [ Z (x i ) Z (x i + h )]
F (h ) =
2 N (h ) i =1 ( Z (x ) Z (x + h )) 2
i
i
2
La Meseta: (Sill)
El Alcance: (Range)
para la cual el
abscisa es una fraccin del propio alcance, fraccin que se detallara posteriormente en la
explicacin de los modelos tericos
(h)
Co
h
a
Figura 1: Parmetros del semivariograma.
Modelo Esfrico.
C ( 3h/2a - (h/a)3
ha
h>a
(h) = Co +
finito h = a, en el alcance
a =3/2 a
(h)
(2/3)a
Modelo Exponencial.
(h) = Co + C ( 1 - exp(-h/a) )
a = 3 a
(h)
19
a
Figura 3: Modelo Exponencial.
Modelo Gaussiano.
(h) = Co + C ( 1 - exp([-h/a]2) )
3 a
a = (1/ 3 ) a.
(h)
3a
(h) = h
con ]0, 2[
Modelo Logartmico.
(H) = Log h
20
Note que en este modelo log h - cuando h 0, por tanto este modelo no
puede ser usado para describir la variabilidad de regionalizaciones en soportes
puntuales.
Modelo Lineal.
(h) = Co + C (h/a)
Note en este modelo, que a medida que aumenta h, el valor de el Alcance (a)
permanece constante, de modo que (h/a) es el valor de la pendiente de la recta del
modelo que varia de 0 hasta el consiente de la distancia mxima de h y a.
[Krajewsky,1993], [Journel,1978],
o aspecto del
Cuando el semivariograma calculado en diferentes direcciones (Norte-Sur, EsteOeste, y en direcciones intermedias de 45, con tolerancia de 22.5o, etc.), muestra
similar comportamiento, se dice que es isotrpico . Cuando muestra diferentes
comportamientos es anisotrpico [Krajewsky,1993].
Los
tipos
de
anisotropas
ms
comunes
son
Geomtrica
Zonal.
[Krajewsky,1993], [Journel,1978]
Puesto que uno de los posibles usos del semivariograma ajustado es la estimacin
espacial de una variable regionalizada Z(x), parece razonable plantear un estimador del
semivariograma que se base en la idea de minimizar los errores de estimacin de Z(x),
esto es, existen dos trminos, Jackknife y Validacin Cruzada que tiene como objetivo
validar el ajuste realizado. [Journel,1978], [David,1977].
Algunos autores distinguen entre estos dos trminos planteando que, mientras que
la tcnica jackknifing es un mtodo para estimar las caractersticas estadsticas de una
variable, basado en la divisin de los datos en grupos, la validacin cruzada es un
mtodo para la evaluacin de errores de estimacin. En este trabajo, dada las
caractersticas del uso que se le dan a estos trminos, conviene no distinguir entre estos.
como lo hacen otros autores.
23
Sea Z(x) una Funcin Aleatoria estacionaria con semivariograma (h), su funcin
de covarianza C(h) viene dada por C(h) = 2 - (h) donde 2 es la varianza de Z(x).
Sea Zx1, Zx2, . . . , Zxn los valores de Z(x) en n puntos medidos. La validacin cruzada
consiste en suprimir el i-simo valor medido Z(xi) y estimarlo a partir del resto de los
datos. El valor estimado Z*(xi) se calcula por Krigeage explicado ms adelante.
Si se repite este proceso para los n puntos, de modo que se pueden calcular n errores de
validacin:
E(xi) = Z*(xi)- Z(xi)
i = 1, 2, . . . , n.
[Journel,1978], [David,1977].
[ E (x ) ]
i
i =1
validacin.
f) Ausencia de correlacin (Corr) entre los errores y los valores de [Z*(xi) - Z(xi)]
donde Z(xi) es el valor medio de Z(x) en el entorno del punto i y Z*(xi) es valor
estimado.
g) Coeficiente de correlacin entre los valores krigeados y los medidos prximo a
uno.
h) Los errores normalizados [Z*(xi) - Z(xi)]/ i deben situarse a los largo de una
recta en papel probabilstico normal. En otras palabras E(xi)/i deben seguir una
distribucin de Gauss con media nula y varianza igual a la unidad. Este criterio se
cumple cuando las variables Z(x) siguen una distribucin
Otros autores solo plantean que la medidas fundamentales son la indicada por T1
y T3.
direccionales tienen la misma meseta pero diferentes alcances, esta puede ser corregida
a travs de una transformacin linear de coordenadas que permita reducir la elipse a un
circulo.
2.- Anisotropa
alcances son diferentes para los semivariogramas direccionales, puede ser corregido
separando el semivariograma en sus componentes isotrpicos, horizontal y anisotrpico
vertical.
3.- La tendencia de los datos esta presente: indica que los valores medidos
4.- El efecto proporcional esta presente: Indica que la desviacin estndar local
es proporcional al cuadrado de la media local y que los datos presentan una distribucin
lognormal, puede ser resuelto dividiendo cada valor del semivariograma local por el
cuadrado de la media local, es decir usando semivariogramas relativos.
5.- Estructuras anidadas esta presente: indica que diferentes procesos operan a
diferentes escalas, como por ejemplo alguno o todos los siguientes: A muy pequeas
distancias la variabilidad puede estar presente debido a cambios de una composicin
mineral a otra. A pequeas distancias la variabilidad puede estar presente debido a
errores, A grandes distancia la variabilidad puede estar presente debido a casos
transitorios de desgaste mineral. El cual puede ser resuelto aplicando varios modelos
simultneamente.
6.- Efecto hueco esta presente: indica que muy pocos pares estn disponible para
7.-
Periodicidad
esta
presente:
indica
que
el
comportamiento
del
11.- Estimacin.
Todo lo expresado hasta aqu tiene un nico objetivo, conocer la informacin
disponible para realizar estimaciones, planteamiento que se deduce de [Journel,1978],
[David,1977] y de la totalidad de la bibliografa consultada.
pueden ser peor que la calidad esperada por los mineros, que serios
11.1.- Triangulacin.
27
Este mtodo consiste en ajustar un plano que pase por las tres muestras mas
cercanas y adyacentes a la localizacin que se desea estimar. [Barnes, 1989]
La ecuacin del plano es:
Z=ax+by+c
(2)
b y1
z1
a x2
b y2
z2
a x3
b y3
z3
Existen varios mtodos para obtener los tringulos dentro de los cuales el ms
utilizado es el de Delauney [Barnes,1989],[David,1977]
(3)
28
i=1,n1/doj
Se pueden obtener distintos estimadores si escribimos la ecuacin anterior como:
(1/doi)
Z*(x) = i=1,n ---------------- Z(xi)
i=1,n(1/doj)
Note que si = 1 Obtenemos la ecuacin (3).
i = 1, ...,n
(x1,xj)
(x1,xn)
[K] = (xi,x1)
(xi,xj)
(xi,xn)
(xn,x1)
(xn,xj)
(xn,xn)
[] =
(x1,xo)
(xi,xo)
[M2] =
.
30
(xn,xo)
i = 1, ...,n
j=1,n j = 1
Con varianza de estimacin:
2KO = j=1,n j (xo, xj) + - (xo, xo)
donde: es el parmetro de Lagrange.
y en forma matricial el sistema KO puede ser expresado como:
[K] [] = [M2]
[] = [K]-1 [M2]
y
(x1,xj)
(x1,xn)
[K] = (xi,x1)
(xi,xj)
(xi,xn)
(xn,x1)
(xn,xj)
(xn,xn)
[] =
(x1,xo)
(xi,xo)
[M2] =
(xn,xo)
Observaciones:
Segn [Journel,1978]:
1.- El sistema Kriging tiene una solucin nica si y solo s la matriz de K es
definida estrictamente positiva, es decir:
i=1,nj=1,n ij C(xi, xj) 0
o en trminos de variograma:
- i=1,nj=1,n ij (xi, xj) 0
y no existen datos con las mismas coordenadas.
utilizando
esta
correlacin
es
posible
estimar
las
variables
En este caso se utiliza una variante conocida como Co-Kriging, siendo una extensin
33
Journel, A., and Huijbregts, Ch., 1978, Mining Geostatistics, presenta los
siguientes captulos.
a la
34
V. Kriging and the estimation of in situ resources: Presenta como objetivo del
35
X. The practice of Kriging: Presenta varios pasos que son reflexiones necesarias
XII. Orebody Modelling: Se refiere a dos clases de problemas a ser resuelto por
Referencias Bibliogrficas.
[Alfonso,1989a] Alfonso Roche, J.R., 1989a, Estadsticas en las Ciencias Geolgicas,
37
Amsterdam, 364 p.
Educacin, 466 p.
Gibbs Associates, 93 p.
[Myers,1992] Myers, D.E., 1992, Krigimg, Cokrigimg, Radial Basic Functions and
p.4-7.
39