Pontificia Universidad Católica de Chile

Escuela de Ingeniería
IMM2033 Geoestadística (2018-1)

Tarea 2
Geoestadística

Profesor: Eduardo Córdova

Alumno: Joaquín Figueroa
Fecha entrega: 31 de mayo 2018
Introducción

En esta tarea se analiza el comportamiento de tres bases de datos

(las cuales contienen Cobre, Carbón, Oro y Plata) a través del cálculo de los semi-
variogramas asociados a esta data y del ajuste de modelos matemáticos en estos
variogramas.

Base datos Coalmine.dat

1. Intervalos 225 y 31

2. Intervalos 100 y 31
3. Intervalos 200 y 31

4. Intervalos 300 y 31

5. Intervalos 400 y 31
Base datos Copper.dat

1. Definición de Intervalos

Puesto que no se puede obtener un valor representativo de las

distancias se opta por realizar mediciones con largo de lag de 1. Esto se debe a
que las distancia entre los datos es muy pequeña como para poder lograr una
distancia relativa promedio viable para el variograma.

Solo definiendo una cantidad de lags de 399 se alcanzan a analizar

todos datos (o sondajes) dentro del variograma. A fin de que no se pierda
representatividad, se escoge este número para el procedimiento de generación de
variograma y del modelo asociado.
 Como se puede observar la relación de puntos no es ¨elegante¨ como
para que haya una modelo que refleje su comportamiento. Este mismo
comportamiento se aprecia en los variogramas de una sola dirección por lo que se
opta por realizar el ajuste de modelo en el variograma multidireccional. Se intenta
que el modelo pase por la mayor cantidad de ¨puntos grandes¨ de variograma, es
decir, puntos que tienen más peso dentro del muestreo. El modelo exponencial es
el que tenía un error Cressie relativamente bajo por lo que se decide por este.

Es claro ver que este modelo no representa apropiadamente el

comportamiento del Cobre.
Base datos Sushine.dat

1. Definición de Intervalos

La columna más alta del histograma representa la distancia más

frecuente entre los puntos, por lo que se define un lag similar a esta distancia para
el variograma, a modo de que represente transversalmente el comportamiento de
esta base de datos. En este caso la distancia más frecuente fue de 9,56 por lo que
el variograma se realiza con un lag de 10.

Puesto que la plata y el oro están en la misma base de datos (mismos

sondajes) esta distancia se utiliza tanto para el variograma de la plata (Ag) como
del oro (Au).
 Datos Plata (Ag)

Se establece un numero de lags de 120. A través de un proceso

iterativo se determinó que solo con este número se era capaz de considerar todos
los valores en el variograma. Esto se puede ver representado en el grafico inferior
izquierdo de la figura anterior, en el cual se están considerando todos los valores de
la base de datos. En el caso de no considerarse todos, se apreciaría un corte
abrupto en este gráfico.
 El error relativo Cressie es comparativamente bajo en este caso. Si
bien el modelo no ajusta bien para el total de los puntos, el comportamiento
“promedio” de las diferencias si se ve bien representado por este modelo, junto con
las diferencias de mayor peso (puntos más grandes en el gráfico).

Datos Oro (Au)

Con el mismo procedimiento que para la plata, se define un número

de lags de 120 para el oro.
 El comportamiento del oro se ve bien representado por el modelo
exponencial. El error Cressie es medianamente bajo, pero el hecho de que los datos
más extremos estén muy lejos de la línea (los que “aportan” la mayor cantidad de
error) es un claro indicador de que la validez de este ajuste puede resultar no muy
fidedigna para modelar el comportamiento de este tipo de yacimientos.

Consideraciones

Al momento de realizar un variograma es muy importante analizar el

comportamiento entre las distintas direcciones a fin de determinar si es que se
presentar anisotropías en el yacimiento o conjunto de datos a analizar. Es muy
importante también tener en cuenta y manejar a forma correcta conocimiento previo
con respecto a los comportamientos típicos de los yacimientos dependiendo del tipo
de mineral a evaluar.

Al momento de evaluar y definir modelos para los variogramas es muy

difícil estar siempre seguro de la decisión. Esto se debe a que si bien se puede
apreciar un comportamiento conocido en algunas secciones del variograma, la
naturaleza de los yacimientos no es consistentemente constante por lo que siempre
se tiende a que, aunque alguno de los modelos sea adecuado, no sea
fehacientemente bueno.