Sampling of discrete materials: III.

Quantitative approach—sampling of one-

dimensional objects
Muestreo de materiales discretos :
III. Enfoque cuantitativo: muestreo de
objetos unidimensionales
Resumen
La Parte III delinea las relaciones cercanas que existen entre los objetos cero y
unidimensionales. El modelo unidimensional de corrientes de materia que fluye
se presenta con suficiente detalle para apreciar cómo, sobre esta base, es posible
realizar una caracterización completa de los diversos componentes de
heterogeneidad involucrados. Esto se logra mediante el variograma , que forma
la herramienta TOS unidimensional central para fines de muestreo
prácticos. El variograma y sus características y propiedades se presentan en
detalle. Se delinean los tres modos principales de selección de muestreo de los
sistemas unidimensionales. Por último, se explica cómo un experimento
variográfico permite estimar los errores de muestreo involucrados en una
estrategia de muestreo particular.

Palabras clave
Objeto de dimensión cero

Objeto unidimensional

Autocorrelación

1 . Interrelación entre objetos unidimensionales y cero.

Desde un punto de vista teórico, la diferencia entre los objetos unidimensionales y cero
se refiere a una diferencia en la correlación interna ("autocorrelación") y en la escala
de observación .
Según la definición estricta de un objeto de dimensión cero, no existe, o debería existir,
ninguna correlación entre sus componentes. Sin embargo, el concepto de
autocorrelación no es binario (0 o 1): puede tomar cualquier valor entre estos dos
límites. Las autocorrelaciones de cero o uno son límites prácticamente inaccesibles que
suponen una homogeneidad distributiva completa del material en el primer
caso 1 una segregación completa de los constituyentes en el segundo. Una herramienta
de análisis muy poderosa, el variograma , se definirá en la Sección 3. Un variograma
detecta y cuantifica la autocorrelación entre las composiciones de los materiales que se
encuentran en dos puntos del eje del tiempo. Muestra la autocorrelación cuantificada en
función de la distancia entre estos dos puntos, de hecho, representa la autocorrelación
para un rango completo de inter-distancias. Por lo general, cuanto menor es la distancia,
mayor es la autocorrelación entre ellos.
Considere una gran cantidad de L , que fluye desde el tiempo t = 0 al tiempo t = T  L . En
el eje de tiempo, este lote L puede ser dividido en una secuencia de segmentos
adyacentes de longitud uniforme T  I . Cada uno de estos segmentos admite
un incremento potencial , I , que podría usarse para muestrear el flujo. La
autocorrelación de la serie temporal es perceptible en la escala del intervalo de tiempo
total [0, T  L ], pero generalmente es imperceptible en la escala de los segmentos de
tiempo individuales. 2A todos los efectos prácticos, cada segmento de tiempo T  I puede
considerarse como un objeto de dimensión cero. De ahí la conclusión práctica de que
para nuestros propósitos de muestreo, un objeto unidimensional L puede considerarse
como una serie temporal de objetos adyacentes de dimensión cero. Esta relación nos
permite utilizar algunos de los hallazgos fundamentales del caso de dimensión cero
también en el caso unidimensional, aunque con el debido respeto por
la situación intrínsecamente dinámica de una corriente de material que fluye.
2 . Modelo unidimensional: heterogeneidad de un lote L que fluye del
tiempo t = 0 al tiempo t = T  L *
2.1 . Descripción y cuantificación.
2.1.1 . Función descriptiva a ( t )
Definimos a ( t ) como el grado (proporción del componente A ) de un corte elemental
de materia que fluye más allá del área, delineada por la abertura del cortador, entre los
instantes t y t + d t. La cantidad a ser estimada es proporcional a la integral de un ( t )
de tiempo t = 0 y t = T  L . Uno de nuestros problemas proviene del hecho de
que nunca conocemos la expresión continua de a ( t ), lo que permitiría un cálculo de su
integral.
Lo mejor que puede hacer es sustituir la curva a ( t ) con una serie
de estimaciones discretas a ( t 1 ) ... a ( t  Q ), obtenidas mediante el ensayo de un
número Q de incrementos I  q tomados en instantes t 1 , t 2 … T  q … t  Q y(1)∘para sustituir la
media aritmética:uns={un(t1)+un(t2)+...+un(tq)+...+un(tQ)}Q (2)∘para la media
integral:unL=∫un(t)re⁢tTL
Esta sustitución se presenta en la Fig. 1 :
1. Descargar: Descargar imagen a tamaño completo
La Fig. 1 . Ilustración que muestra la sustitución de la integral continua bajo la
curva ABCDE  por una estimación discreta del área escalonada, centrada en las
estimaciones muestrales de los grados a ( t 1 ), a ( t 2 ) ... Observe el período de muestreo T o .
La curva ABCDE se reemplaza por la línea escalonada formada por los segmentos
horizontales que pasan por los puntos de
ordenada a ( t 1 ), a ( t 2 ), ... a ( t  q ) ... a ( t  Q ). La cantidad a ser estimado, el contenido
crítico un  L del lote L , es igual al área comprendida entre la curva y el eje de la abscisa,
dividido por T  L . El contenido desconocido a  L es reemplazado por su estimador una  S ,
calculada fácilmente como el área comprendida entre la línea escalonada y eleje( x ) de
la abscisa dividida por el número Q de puntos experimentales. Esta sustitución genera
un nuevo error de muestreo, que se estudiará en las siguientes secciones, pero primero
mostraremos un ejemplo de cómo seveuna serie de estimaciones puntuales de  a (  t ).
2.1.2 . Propiedades cualitativas de la función a ( t )
Ejemplo : en un experimento llevado a cabo en la alimentación a una planta de
cemento, se tomó una serie de Q = 60 incrementos I  q en un intervalo de tiempo
constante T o = 2 min desde cierto lote L (2 h de alimentación al lecho de la planta
sistema de mezcla). Cada incremento se secó, se pesó y se analizó mediante
fluorescencia de rayos X para una serie de elementos y más específicamente CaO, el
componente de particular interés en este caso .  Luego, de acuerdo con la definición
matemática dada por la ecuación. (7) de la Parte II, calculamos los 60 valores de la
contribución h  q de cada incremento I  q a latiempo la heterogeneidad del lote L . Esta
serie de tiempo se representa en la figura 2 . La serie de valores de a ( t  q ) es
prácticamente la misma que la de h  q debido a la identidad práctica de las masas de
incremento (no mostradas aquí).
1. Descargar: Descargar imagen a tamaño completo
Fig.2 . Serie de muestras de plantas de cemento de Q = 60 incrementos, I  q , tomados en un
intervalo de tiempo constante T o = 2 min. Aquí se muestran las contribuciones individuales
de heterogeneidad h  q .
2.1.3 . Autocorrelación de la serie: división de h  q en una suma de dos componentes
Observamos una correlación obvia entre el valor de h  q y su rango q (en
el eje x ). Prácticamente todas las series de datos de este tipo general (series de tiempo,
series espaciales) presentan las mismas características: un cierto grado de
continuidad, una tendencia, superpuesta por fluctuaciones cuasialeatorias . Será útil
para el próximo paso de nuestro estudio analizar los componentes de esta "señal"
compuesta; en general, hablaremos solo de una "curva" para no crear confusión
innecesaria. La forma de esta curva sugiere fuertemente la superposición de
dos componentes :
○

Un componente continuo h 2 q responsable de las tendencias de largo alcance de

la curva, disminuyendo en la primera parte ( q <35) y aumentando en la segunda
parte,
○

Un componente discontinuo  h 1 q responsable de las fluctuaciones aparentemente

aleatorias de la curva alrededor de esta tendencia continua.
Por lo tanto, interpretamos esto de modo que h  q es la suma de dos
componentes: h 1 q y h 2 q(3)hq=h1⁢q+h2⁢q
Hemos analizado este tipo de funciones  h ( q ) o a ( t ) [16] y propusimos las siguientes
definiciones.
▪
 Relación continua y cuasifuncional : para cada valor de q hay un valor bien
definido de h ( q ). La principal propiedad de esta relación es el hecho de que
es continua en todos sus puntos de curva constituyentes.
▪

Relación cuasialeatoria discontinua : para cada valor de q , el valor de h puede

considerarse extraído al azar de una población con una media m y una
varianza σ 2 . La principal propiedad de esta relación es el hecho de que
es discontinua en todos los puntos.
▪

Relación estocástica : existe una cierta ambigüedad sobre el significado del

adjetivo "estocástico". Para ciertos autores, es simplemente un sinónimo
redundante de "aleatorio" .  En su "Introducción a los procesos estocásticos"
(1960), MS Bartlett define un proceso estocástico como "un proceso físico en el
mundo real que tiene algún elemento aleatorio involucrado en su
estructura". Hemos propuesto desde 1979 [16] reformular la definición de
Bartlett de la siguiente manera: "Se dice que una relación es" estocástica
"cuando tiene un elemento no aleatorio (continuo) y un elemento aleatorio
(discontinuo) involucrado en su estructura "(el elemento continuo está implícito
en la definición de Bartlett de" un proceso físico en el mundo real "). Así, la
contribución h  q de Iq es unafunción estocásticade  q .
Para separar estos dos componentes de una función estocástica, hemos implementado
la técnica de la media móvil , descrita en la Sección 5.6.3 de la Ref. [16], hoy en día
más conocido como el operador de media móvil. Como es bien sabido, al aumentar el
número de grados de libertad, reducimos la importancia del componente aleatorio. Esta
media móvil h  mq ( m para media) se define de la siguiente manera (con un rango que
cubre 11 valores, 3 centrados en h  q ):(4)hmetro⁢q=[hq-5 5+hq-4 4+hq-3+hq-2+hq-
1+hq+hq+1+hq+2+hq+3+hq+4 4+hq+5 5]/ /11=∼h2⁢q
La media móvil, o la media variable h  mq , es un buen estimador de la componente
continua h 2 q . La figura 3 representa esta media móvil, aplicada a la serie de valores
de h  q . Muestra muy claramente la tendencia continua de la serie. 4 4
1. Descargar: Descargar imagen a tamaño completo
Fig.3 . Serie de muestras de plantas de cemento de Q = 60 incrementos, I  q , tomados en un
intervalo de tiempo constante T o = 2 min. Resultados suavizados , h 2 q , (o h  mq ) del operador
de media móvil.
La diferencia entre el valor h  q y el de la media móvil , h  mq , es un estimador
del componente discontinuo h 1 q . Escribiremos:(5)h1⁢q=hq-
hmetro⁢qohq=h2⁢q+hmetro⁢q=∼h1⁢q+h2⁢q
La figura 4 representa esta diferencia sola. Muestra bien la parte de discontinuidad de la
serie.

1. Descargar: Descargar imagen a tamaño completo

Fig.4 . Serie de muestras de plantas de cemento de Q = 60 incrementos, I  q , tomados en un
intervalo de tiempo constante T o = 2 min. Resultados de restar la tendencia suavizada de los
datos brutos, revelando el componente discontinuo , h 1 q .
Las fluctuaciones de h 1 q son de hecho aparentemente similares a las fluctuaciones
aleatorias . En la Fig. 5 , mostramos tanto la curva de h  q como la de h 2 q .
1. Descargar: Descargar imagen a tamaño completo
Fig.5 . Serie de muestras de plantas de cemento de Q = 60 incrementos, I  q , tomados en un
intervalo de tiempo constante T o = 2 min. Ilustración compuesta tanto del componente de
tendencia suavizado con el componente discontinuo superpuesto.
Aquí hemos presentado un medio simple para analizar la función descriptiva h ( t ),
representada por la serie de valores de h  q y dividirla en dos componentes
principales. Este resultado será interpretado y completado en la Sección 4 .
Ahora debemos ver cómo se puede caracterizar y cuantificar la heterogeneidad
temporal de L y cómo se pueden relacionar los errores de muestreo con
esta heterogeneidad temporal cuantificada . Este será el objeto de la Sección 3 . Las
siguientes derivaciones son en gran medida análogas a las de la Parte II.
3 . El modelo unidimensional, que caracteriza la heterogeneidad de un
lote fluido L
3.1 . El variograma
Georges Matheron , el fundador de la ciencia conocida como geoestadística , ha
estudiado ampliamente las series autocorrelacionadas como a ( t ) , es decir, la ciencia
de la evaluación espacial de las llamadas "variables regionalizadas", por ejemplo,
depósitos minerales que se extienden en tres dimensiones. Matheron desarrolló una
serie de herramientas matemáticas esenciales, incluido el variograma, que también es
exactamente necesario para resolver el problema unidimensional actual.
3.1.1 . Definición del variograma.
Nosotros no conocemos la función de un ( t ): todo lo que podemos hacer es obtener
una serie temporal de valores de punto de una ( t  q ) con q = 1,2, ... Q . Por lo tanto,
utilizaremos la notación a ( t  q ), recordando que esta es solo una estimación de los
valores verdaderos, siempre desconocidos.
El variograma experimental (observado) está diseñado para caracterizar , cuantificar la
autocorrelación de la función a ( t ) y servir como puente entre el conjunto de
valores a ( t  q ) y la varianza de muestreo involucrada al sustituir la serie de puntos
valores para la curva completa a ( t ).
Supongamos que Q = 60 incrementos de I  q haber sido tomada en un habitual
intervalo T o durante el paso de la porción entre el tiempo t = 0 y t = T  L . Cada
incremento se analiza (si es necesario, se seca, se pesa y finalmente) y se calcula su
contribución h  q = h ( t  q ). Definiremos un parámetro de retraso auxiliar:j:un
número(j=1,2,...,J)tal que:j<=Q-qoq+j<=Q.
Δ h ( q , q - j ) = h  q - h  q - j : Δ h es, por lo tanto, el incremento algebraico de h ( t ) entre
el tiempo t  q y el tiempo t  q - j . Estos dos puntos están separados en el eje de tiempo por
el intervalo jT o , que se llama retraso de tiempo.  Los valores individuales, o el signo de
Δ h ( q , q - j) no son importantes: solo nos interesan sus propiedades estadísticas,
cuantificadas por su media cuadrática para cada intervalo de tiempo. Es por eso que la
función se llama variograma  v ( jT o ). v ( j ) se define como el cuadrado semi-medio del
incremento algebraico (aumento o disminución) de h ( t ):(6)v(j)=12(Q-j)∑q[Δ⁢h(q,q-
j)]2variograma deh(t)
¿Por qué usar el cuadrado semi-medio y no solo el cuadrado medio? Suponga que los
dos valores de h  q y h  q - j se toman al azar de una población con una media cero y una
varianza σ 2 . Si se usara el valor del cuadrado medio en lugar del cuadrado semi-medio,
el variograma sería un estimador de 2 σ 2 . Al usar el cuadrado medio medio, es un
estimador de σ 2 , que es consistente .
3.1.2 . Cómo calcular el variograma experimental: ilustración para j = 2
Esto ilustra la forma en que el autor solía calcular los variogramas en los años 60, en un
momento en que las computadoras aún no estaban disponibles, ¡inimaginable para los
científicos de hoy, pero es cierto!
Las series de valores de h  q se escriben en dos columnas idénticas, la segunda se
desplaza j = 2 líneas más abajo que la primera. En una tercera columna se escribió la
diferencia, calculada mentalmente, entre la primera y la segunda columna. La señal,
irrelevante, fue olvidada. Para j = 2, la primera diferencia computable es h 3 - h 1 y la
última h 60 - h 58 . El número de diferencias utilizadas en el cálculo del variograma
es Q - j = 60−2 = 58.
Solo quedaba cuadrar cada diferencia y resumir estos cuadrados. La suma de los
cuadrados finalmente se dividió por Q - j = 60−2 = 58 para obtener el cuadrado medio,
luego por dos para obtener el valor de v (2). Mediante el desplazamiento progresivo
posterior de la segunda columna, una línea hacia abajo a la vez, todos los valores del
variograma para todos los rezagos j = 2,3,4 ... Q también podrían calcularse. En 1962,
el cálculo de un variograma que involucra 60–100 datos o más podría tomar desde
varias horas hasta un par de días.
Hoy, con computadoras modernas y un conveniente programa de hoja de cálculo, solo
lleva unos segundos. ¡Progreso!
 La varianza σ 2 ( h  q ) de la población de valores de h  q se llama el alféizar del
variograma (que es un término derivado de la geología, que significa "losa plana").
Asumiremos ahora que la serie de datos sin procesar se ha utilizado para calcular un
variograma experimental. Nada nos impide calcular todos los valores del variograma
hasta v ( Q −1), pero por varias razones (véanse las Refs. [17–20]), se recomienda
retener solo los valores de ( Q - j ) mayores o iguales a Q / 2 o 30, lo que sea mayor.
Inicialmente, el variograma se usó solo para estimar la varianza del Error de selección
de punto (PSE). Pero el cálculo de numerosos variogramas desde 1962 mostró que
también revelaba una forma de fluctuaciones de la función h ( t ), que no se había
tenido en cuenta adecuadamente, es decir, cualesquiera fluctuaciones cíclicas
que estuvieran presentes. Un análisis teórico mostró que las fluctuaciones cíclicas
podrían de hecho también generar muy importantes errores de
muestreo, especialmente cuando se toma incrementos de la corriente a una constante
intervalo  T o , que pasó a ser un múltiplo del período Pdel ciclo. El variograma, por lo
tanto, además ofrece la posibilidad muy importante de detectar fluctuaciones periódicas,
potencialmente perjudiciales para el muestreo. Por esta razón, ahora presentaremos una
serie de variogramas reales según lo observado a partir del muestreo en sectores
industriales del mundo real.
3.1.3 . Ejemplos de variogramas.
3.1.3.1 . Primer ejemplo: variograma de la alimentación a una planta de procesamiento de mineral de
uranio (contenido de U)
Se tomó una serie de 60 incrementos en un intervalo de 2 minutos y se calculó el
variograma v ( j ) para valores de j de 1 (59 grados de libertad) a 30 (30 grados de
libertad). El variograma y su alféizar se representan en la figura 6 .

1. Descargar: Descargar imagen a tamaño completo

Fig.6 . Variograma de alimentación a una planta de procesamiento de mineral de uranio
(contenido en U). Visualización clara tanto de un alféizar como de un efecto de
pepita (consulte el texto para más detalles).
 Este variograma presenta una cierta tendencia lineal hasta aproximadamente j = 20-25
(40-50 min), después de lo cual aparentemente se aplana. Tal variograma es típico de
funciones sencillas.
3.1.3.2 . Segundo ejemplo: variograma de la alimentación a un horno de cemento (CaO%).
Se tomaron nuevamente una serie de 60 incrementos a los 2 minutos. intervalo; el
variograma v ( j ) también se calculó para j del 1 al 30. El variograma experimental y el
umbral correspondiente se muestran en la figura 7 .

1. Descargar: Descargar imagen a tamaño completo

Fig.7 . Variograma de alimentación a un horno de cemento (CaO%), que muestra evidencia
de un patrón cíclico más complejo superpuesto en el variograma de umbral básico ( Fig.
6 ). Esta serie temporal contiene tanto una autocorrelación básica (para distancias entre
muestras por debajo de j -lags 25) como también una ciclicidad algo irregular (período
indicado de aproximadamente 9 lags).
Este variograma es menos directo que el anterior. Su forma también sugiere la
existencia de un término cíclico complejo. Se sabía que el caudal de esta alimentación
estaba regulado aguas arriba del punto de muestreo. El dispositivo de regulación del
caudal funciona de forma cíclica entre un máximo y un mínimo. Para revelar sus
propiedades, también calculamos el variograma de masa incremental.
3.1.3.3 . Tercer ejemplo: variograma de la misma alimentación al horno de cemento que en la Fig.
7 (para la masa M  q de los incrementos I  q )
Este variograma de masa particular se representa en la figura 8 .
1. Descargar: Descargar imagen a tamaño completo
Fig.8 . Incremente el variograma de masa de la misma alimentación al horno de cemento
que en la Fig.7 . Observe cómo la ciclicidad del proceso de producción es mucho más
evidente en las series de tiempo en masa.
Este variograma es muy obviamente cíclico, lo que refleja la naturaleza cíclica de la
fluctuación de masa incremental, en sí misma una consecuencia del funcionamiento del
regulador del caudal. Gracias a la acumulación de grados de libertad al calcular el
variograma, esta naturaleza cíclica se mejora en el variograma. Cuando, por ejemplo,
calculando el variograma de una curva sinusoidal, sen x , es fácil mostrar que el
variograma resultante también es una curva sinusoidal con el mismo período. Este
período es obvio en la figura 8 . Observamos cuatro mínimos ( j = 0; 9; 18; 27 o jT o =
0, 18, 36 y 54 min), que corresponden respectivamente a 0, 1 C o , 2 C o , 3C o , y también
observamos tres máximos (9, 18 y 27 min) exactamente en el medio de los intervalos de
fluctuación. Es fácil calcular  C o = 9 min, lo que se confirmó mediante la observación
del regulador de caudal.
Más adelante veremos que también necesitamos una estimación de v (0), que se ha
denominado el "componente de discontinuidad" del variograma (en geoestadística, este
componente se conoce como el "efecto de pepita", como en "pepita de oro" "—Pero
esta terminología no está particularmente bien elegida, como veremos más
adelante). Esta estimación no es proporcionada por el variograma, ya que este último
solo puede calcularse para j ≥1. En el caso de un variograma cíclico, la Fig. 8 sugiere
(lo que confirma la experiencia adicional) que la mejor estimación (mejor porque se
obtuvo con el mayor número de grados de libertad) de v (0) es igual a v ( C o), tal vez
calculado como un promedio durante más ciclos (compárese con la Fig. 8 ).
4 . Modelo unidimensional: desglose h  q y el variagrama v ( h  q )
4.1 . Romper h  q
Hemos visto arriba, la ecuación. (3) , que h  q era, a primera vista, la suma
de dos componentes principales: h 1 q y h 2 q . Pero como se mostró en nuestro libro de
texto [18] (Capítulo 5), esto es a menudo un poco más complejo. En el caso más
general, h  q es de hecho la suma de cuatro componentes:(7)hq=h1⁢q+h2⁢q+h3⁢q+h4 4⁢q
h 1 q es el  componente de discontinuidad (compárese con la Fig. 4 ). Tiene en
cuenta las heterogeneidades constitucionales y distributivas observadas en la
escala de los incrementos I  q . Es responsable de los errores asociados con el
modelo de dimensión cero (Parte II). Estos errores son especialmente
observables con sólidos en partículas, como se observa en la figura 4 . Sin
embargo, con los líquidos suelen ser imperceptibles.
 h 2 q es el  componente no cíclico de continuidad . Tiene en cuenta las
fluctuaciones macroscópicas, las  tendencias , observadas en la escala general del
lote  L e ilustradas en la figura 3 . Es responsable del error de fluctuación de
tiempo (no cíclico) (TFE) (modelo unidimensional sin fluctuaciones cíclicas).
h 3 q es el  componente cíclico de continuidad.  Sólo toma en cuenta las
fluctuaciones observadas en la escala del lote  L . Es responsable del  error de
fluctuación cíclica (CFE)adicional  (tiempo) observado cuando hay fluctuaciones
cíclicas, como se ilustra en la figura 8 .(8)Error de selección de punto:PSE=TFE+CFE
h 4 q es el componente aleatorio de h  q que tiene en cuenta todos los errores de
medición , involucrados en la estimación de  h  q , es decir, muestreo, pesaje,
procesamiento de muestras, análisis, etc.
4.2 . Romper v ( j )
Hemos demostrado que, a todos los efectos, el variograma de una suma de términos
independientes es igual a la suma de los variogramas individuales de estos
términos. Con v 1 ( j ), v 2 ( j ), v 3 ( j ) y v 4 ( j ) son los variogramas de h 1 q , h 2 q , h 3 q y h 4 q ,
respectivamente:(9)v(j)=v1(j)+v2(j)+v3(j)+v4 4(j)
El variograma v 1 ( j ) del componente discontinuo  h 1 q es una constante  v  1 igual a
la varianza  σ 2 ( h 1 q ) de los verdaderos valores desconocidos de h 1 q . Esta variación
resulta de la distribución heterogeneidad del lote L en la escala de los incrementos
extraídos de L . Se ha expresado en la Parte II de este artículo como igual a
la Heterogeneidad Distributiva (DH L ).(10)v1(j)=v1=DHL=v1(0 0)=Constante>0 0
El variograma v 2 ( j ) del componente continuo no cíclico  h 2 q es una curva que
comienza desde el origen de las coordenadas, ya que el variograma de una función
continua se cancela para  j = 0.(11)v2(0 0)=0 0
El variograma v 3 ( j ) del componente cíclico continuo h 3 q también es una curva cíclica
que comienza desde el origen de las coordenadas, ya que, de hecho, el variograma de
una función continua se cancela para  j = 0. El variograma de y = h 3 sen 2 π  j / P es
(con v 3 = h 3 2 ).(12)v3(j)=v3(1-cos⁢2⁢π⁢j/ /PAG)por lo tantov3(0 0)=0 0
El variograma v 4 ( j ) del componente aleatorio  h 4 q es una constante igual a
la varianza  v 4 de los errores aleatorios asociados con la estimación de h  q .(13)v4
4(j)=v4 4=Constante>0 0
La intersección v (0) del variograma v ( j ), es decir, el "efecto de pepita", se debe ver
como la suma compuesta de las dos constantes  v 1 y v 4 .(14)v(0 0)=v1+v4 4=Constante>0 0
Al ser la suma de dos variaciones de cantidades distintas de cero, v (0) es siempre
una cantidad estrictamente positiva , lo que se confirma por experiencia: todos los
variogramas tienen una intersección positiva.
Por lo tanto, el efecto de pepita de término de los geoestadísticos , una expresión nunca
aprobada completamente por el presente autor, es un concepto demasiado limitado, que
no tiene en cuenta el hecho de que una parte significativa de v (0) también refleja
errores de muestreo, procesamiento de muestras y ensayos. , todo lo cual no tiene nada
que ver con pepitas físicas .
5 . Modelo unidimensional: desde el variograma hasta la varianza del
error de selección de punto, σ 2 (PSE)
5.1 . Funciones auxiliares del variograma.
No existe un vínculo directo entre la varianza de muestreo y el variograma. Debemos
definir un cierto número de funciones auxiliares que se utilizarán para expresar la
varianza de muestreo buscada.
▪

La integral única  S ( j ) del variograma v ( j ),

▪

El valor medio  w ( j ) de S ( j ),

▪

La integral doble  S '( j ) del variograma v ( j ),

▪

El valor medio  w ′ ( j ) de S ′ ( j ).

Para construir el variograma tenemos las series de
puntos v (1), v (2), .. v ( q ), ... v ( Q ). ¿Cómo podemos calcular o estimar estas
funciones auxiliares necesarias para la estimación de la varianza de muestreo? Los
geoestadísticos han asumido el hábito de modelar los variogramas por medio de
funciones algebraicas manejables que son fáciles de integrar al
calcular S ( j ), w ( j ), S ′ ( j ), w ′ ( j ) .Lo mismo hizo el autor, cuando estaba
implementando el variograma por primera vez, ca. 1960-1962. Pero pronto se
descubrió, por experiencia, que esta estimación de la varianza muestral era tan buena
o tan mala como la aplicabilidad, la validez, del modelo algebraico
particular.usado. Dentro de la geoestadística hay cierta discusión sobre el uso de un
conjunto de modelos estándar algo estilizados. Pero dentro del desarrollo de la teoría
del muestreo, nuestra atención pronto se dirigió al hecho más serio de que, mientras que
para los minerales y muchos tipos diferentes de materiales industriales, las
fluctuaciones cíclicas eran más frecuentes de lo que cualquiera había esperado, eran
raras en geología. Además, el modelado de tales fluctuaciones, que cuando es regular
 puede aproximarse mediante una suma de términos trigonométricos (p. Ej.,
Sinusoidales), era prácticamente imposible debido al hecho de que los períodos y las
amplitudes de los fenómenos no eran necesariamente constantes: un buen ejemplo es
presentado en el Capítulo 10 [15].
5.2 . Cálculo punto por punto de una integral
En lugar de buscar un modelo algebraico complicado y cuestionable, decidimos adoptar
un cálculo aproximado de punto por punto de las integrales ilustradas en la figura 9 .

1. Descargar: Descargar imagen a tamaño completo

Fig.9 . Alternativa de cálculo integral punto por punto de TOS a la integración de la curva
algebraica de variogramas para los pequeños rezagos, digamos 1-8. Esta integración gráfica
conduce a una estimación de extrapolación hacia atrás de v (0).
Lo que se llama un experimento variográfico proporciona un cierto número de
puntos: v (1), v (2), ... v (8) para este cálculo. Pero no proporciona v (0). Por lo general,
estimamos esto último por extrapolación gráfica (o, en raras ocasiones, por
algebraica) de la serie v ( j ) hacia cero . Luego, hacemos dos hipótesis muy simples,
naturales y realistas:
▪

El variograma real, desconocido, que queremos integrar, contiene todos los

puntos experimentales v ( j ) más la estimación de v (0)
▪

El variograma real, desconocido, es lineal entre dos puntos consecutivos.

Esto se ilustra esquemáticamente en la figura 9 . La integral de v ( j ) es el área
comprendida entre la línea de escalera en negrita que une (de derecha a izquierda) v (8)
a v (0) y el eje de la abscisa. Consideraciones geométricas muy simples muestran que
esta estimación de la integral de v ( j ) entre j = 0 y J = 8 en esta figura es igual a:
(15)Integral dev(j)=1/ /2⁢v(0 0)+v(1)+...+v(J-1)+1/ /2⁢v(J)
Este método es extremadamente fácil de informatizar. Este esquema se ha
implementado muchas veces desde su inicio y no necesita restar valor a nadie por su
complejidad; Las hojas de cálculo actuales son excelentes vehículos para todos los
cálculos necesarios. De hecho, el mismo programa puede en un primer paso calcular
todos los valores de variograma v ( j ) y, en un segundo paso, los de todas las funciones
auxiliares S ( j ), w ( j ), S ′ ( j ) y w ′ ( j ) de acuerdo con sus definiciones
específicas. Solo hay un pequeño paso entre los cálculos manuales descritos
anteriormente (difícil y muy laborioso) y la Fig. 9, pero estos últimos representan un
acceso universal moderno de salto gigante a la poderosa instalación del variograma .
5.3 . Modos de selección
La varianza de muestreo que queremos determinar no es solo una función de las
funciones auxiliares del variograma, sino también de la forma particular en que se
seleccionan los incrementos de puntos en el eje de tiempo, es decir, dependiendo de la
estrategia de muestreo particular que uno desee adoptar. Uno puede imaginar una
infinidad de modos de selección, pero en principio solo hay tres:
▪ Modo  SY: selección sistemática con intervalo uniforme T  SY entre incrementos
consecutivos. El primer incremento I 1 se selecciona al azar (para garantizar la
corrección) en el tiempo t 1 , entre t = 0 y t = T  SY . Todos los
incrementos I 2 , I 3 ... I  q ... I  Q se colocan en el eje del tiempo a una distancia
igual T  SY de sus vecinos. Es muy simple usar un temporizador, establecido en un
intervalo T  SY, que inicia la unidad de muestreo cada tantos minutos o segundos. ¿Por
qué, por lo tanto, imaginar y usar modos de selección más complicados? Por una sola
razón: en el caso de fluctuaciones cíclicas cuantitativas y / o cualitativas con un
período P prácticamente constante (ver Fig. 8 ), una selección sistemática con un
intervalo T  SY igual a P o a un múltiplo de P daría como resultado un riesgo de,
erróneamente, estimar una variación muy grande del Error de Selección de Punto
(PSE). Nuestra experiencia ha demostrado que en unidades industriales,tales
fluctuaciones cíclicas de calidad y caudal son, de hecho, muy frecuentes (es la regla
más que la excepción) . Veremos ejemplos de esto a continuación. Es para suprimir este
riesgo que también se pueden implementar otros modos de selección.
▪ Modo  ST: selección aleatoria estratificada con longitud de estratos
uniforme  T  ST . En un primer paso, el lapso de tiempo T  L durante el cual fluye
el lote L se divide en una secuencia de estratos de igual longitud T  ST . En un segundo
paso, se selecciona un incremento de puntos al azar (por lo tanto, correctamente) dentro
de cada estrato. Supongamos que las fluctuaciones cíclicas son más o menos sinusoidal
(sólo para las ideas fix), con un periodo P . Con una selección sistemática , si T  SY es
igual a P , la Qlos incrementos de puntos tienen la misma posición en la curva
sinusoidal. En otras palabras, con respecto al Error de Selección de Punto (PSE), una
muestra de incrementos de Q no produce más información que una muestra compuesta
de una sola: esto resulta en una pérdida de reproducibilidad y / o pérdida de dinero. Si,
por el contrario, implementamos una selección aleatoria estratificada con una longitud
de estrato T  ST igual a P , cada punto se selecciona al azar dentro decada ciclo de la
curva sinusoidal. Sin embargo, en la práctica, si el riesgo existe, puede considerarse
pequeño, pero el teórico tuvo que describir y cuantificar este riesgo. Esto se hizo en la
Ref. [13] ya en 1967. Los dispositivos fueron inventados y patentados para generar
secuencias de instantes que simulan este modo de selección (1965, 1966 y 1968).
▪ Modo  RA: selección aleatoria directa de  Q puntuales incrementos . Se elige un cierto
número Q de incrementos para formar la muestra. Entonces, Q instantes son
seleccionados al azar entre t = 0 y t = T  L . Este modo de selección nunca es mejor que
los otros dos . Se menciona aquí por una sola razón: todavía es recomendado por ciertos
estándares, mientras que este modo debe abandonarse por completo para el muestreo
unidimensional.
▪ Parámetros característicos:  T  SY,  T  ST y Q son los parámetros característicos de estos
tres modos de selección.
▪ Comparación de las variaciones de selección : en los ejemplos presentados en
nuestros libros, la variación de selección de puntos σ 2 (PSE) se calcula para los tres
modos de selección presentados anteriormente. Estos ejemplos muestran que:
∘

En ausencia de fluctuaciones cíclicas , la varianza del modo SY siempre es

ligeramente menor que la del modo ST y mucho menor que la del modo RA .
∘

En presencia de fluctuaciones cíclicas , la varianza del modo ST es Q veces

menor que el máximo de la varianza del modo SY, y menor que la de RA .
5.4 . Funciones generadoras de errores W ( j )
En nuestro enfoque de variograma, las funciones generadoras de errores están
destinadas a desempeñar el mismo papel, en el modelo unidimensional, que la varianza
en el modelo de dimensión cero [18,20]. Cuando se conocen estas funciones, la
varianza de muestreo, aquí la varianza de selección de puntos, se puede obtener
simplemente dividiendo la función generadora de errores por el número Q de
incrementos. Por supuesto, hay tres funciones generadoras de errores, una para cada
modo de selección alternativa: W  SY ( j ), W  ST ( j ), W  RA ( j ). Se derivan de las funciones
auxiliares a continuación. 5 5Las derivaciones reales no se dan aquí, ya que son de una
naturaleza más técnica, lo que no es necesario para apreciar plenamente su función: nos
permiten estimar los errores de muestreo correspondientes asociados con las tres
estrategias de muestreo alternativas.(dieciséis)■Selección sistemática:WS⁢Y(j)=2⁢w(j/ /2)-w′(j)
(17)■Selección aleatoria estratificada:WS⁢T(j)=w′(j)(18)■Selección aleatoria
directa:WR⁢UN(j)=σ2(hq)=DHL=constante
5.5 . Variación del error de selección de puntos (PSE)
Aquí nuevamente, distinguiremos lo siguiente:(19)■Selección
sistemática:σ2(PSE)S⁢Y=WS⁢Y(j)TS⁢Y(j)TS⁢Y/ /TL(20)■Selección aleatoria
estratificada:σ2(PSE)S⁢T=WS⁢T(j)TS⁢T/ /TL(21)■Selección aleatoria
directa:σ2(PSE)R⁢UN=WR⁢UN(j)/ /Q=DHL/ /Q
6 . Recapitulación: modelo unidimensional
Hemos podido desarrollar un enfoque de estimación completo para la varianza del error
de selección de punto σ  (PSE). Este enfoque consiste en:
 2

Tomando del flujo un cierto número Q (tan grande como sea económicamente

posible, pero preferiblemente siempre mayor que 60) de incrementos I  q ,
cubriendo todo el dominio {0, T L }, con un intervalo de tiempo constante T o
▪

(Secado, pesaje, si corresponde, y) ensayo de cada uno de estos incrementos

de Q I  q .
▪

Lograr los siguientes cálculos mediante un simple programa de computadora:

▪

Calcular el valor de h  q para cada incremento I  q

▪
 Calcular los valores consecutivos del variograma v ( j )
▪

Estimando el valor de v ( 0 ), completando así las series v (0), v (1), v (2), etc.

( Fig. 9 )
▪

Calcular el valor de todas las funciones auxiliares necesarias S ( j ), w ( j ), S ′

( j ) y w ′ ( j )
▪

Calcular el valor de las funciones generadoras de

errores W  SY ( j ), W  ST ( j ), W  RA ( j )
▪

Calcular el valor de las variaciones de muestreo en consecuencia (ver también

la Sección 7 a continuación).
7 . Modelo y variogramas experimentales: muestreo de varianzas
calculadas al final de un experimento variográfico
Debemos distinguir cuidadosamente entre el variograma modelo v  mod ( j ), que supone
que los valores verdaderos de h  q son conocidos e implementados en nuestros cálculos,
y el variograma experimental v  exp ( j ). Con el modelo variogram v  mod ( j ), las
ecuaciones. (19) , (20) , (21) expresan las variaciones del error de selección de punto
(PSE) propiamente dicho. En la práctica, sin embargo, nunca estamos tratando con los
valores verdaderos y desconocidos de h  q, sino con las estimaciones experimentales.,
siempre alterado por muestreo, procesamiento de muestras, pesaje y análisis o errores
de ensayo. En este caso, debemos calcular el variograma
experimental  v exp ( j ); las funciones auxiliares correspondientes w exp ( j ) y w ′ exp ( j ) y
las funciones generadoras de errores  W exp ( j ) relacionadas con esto. Las expresiones
(19–21) dan como resultado el valor de la varianza del Error de muestreo total (TSE)
que incluye no solo el Error de selección de punto (PSE) sino también incluye todos los
errores experimentales anteriores, reconocidos como los "errores de dimensión cero".
La diferencia más notable entre el modelo y los variogramas experimentales se refiere
al valor de v (0).(22)Por definición:vmodificación(0 0)=0 0mientrasvExp(0 0)=v0 0>0 0(Nunca0
0)
A todos los efectos, v 0 representa la varianza de todos los errores experimentales ; más
específicamente, la varianza de los errores de muestreo de dimensión cero CSE + ISE,
así como los errores analíticos totales (TAE) (que, sin embargo, generalmente son
insignificantes, Parte I). El error de selección de punto (PSE), por definición, no está
incluido en v 0 pero está dado por las ecuaciones. (19) , (20) , (21) .
8 . Errores cometidos durante el muestreo unidimensional: división del
error de muestreo total, TSE
La práctica operación de muestreo se puede dividir en dos fases independientes:
Fase 1: Selección de un número determinado Q del inmateriales incrementos
puntuales I . En términos generales, esta primera fase genera el Error de selección de
punto (PSE). Esta selección suele ser correcta . El error de selección de punto (PSE) es
arquetípico del modelo unidimensional. En el caso más general, el PSE se puede dividir
en una suma de dos, y solo dos, componentes:
○

Error de fluctuación de tiempo, TFE (no cíclico)

○

Error de fluctuación cíclica, CFE

(23)PSE=TFE+CFE

Fase 2: Extracción de los incrementos de material correspondientes sobre los Q puntos

seleccionados. Esta operación, que se llama "materialización de los incrementos de
punto", se lleva a cabo en la escala de grupos de elementos , donde es aplicable
el modelo de dimensión cero . La materialización de los incrementos puede ser
probabilística o no probabilística (Parte I, Sección 7, Fig. 6).
Cuando este muestreo no es probabilístico , no hay forma de pronosticar los errores
generados, ya que no existe un enfoque teórico posible para el muestreo no
probabilístico.
Cuando es probabilístico , el modelo de dimensión cero desarrollado en la Parte II es
completamente aplicable. Los mismos errores están involucrados aquí, a saber:
○

Errores de muestreo correctos (CSE): CSE es la suma de dos, y solo dos,

componentes:
▪

Error de muestreo fundamental, FSE

▪

Error de agrupamiento y segregación, GSE(24)CSE=FSE+GSE

○
 Errores de muestreo incorrectos (ISE): ISE es la suma de tres, y solo tres,
componentes:
▪

Error de delimitación incorrecto, IDE

▪

Error de extracción incorrecto, IEE

▪

Errores de procesamiento incorrectos, IPE(25)ISE=IDE+IEE+IPE

Fases 1 + 2 para el modelo unidimensional: el error de muestreo total (EET)
involucrado cuando el muestreo es probabilístico es la suma de siete, y solo
siete , componentes divididos en tres grupos según las ecuaciones. (23) , (24) , (25) :
(26)EET=PSE+CSE+ISE=(TFE+CFE)+(FSE+GSE)+(IDE+IEE+IPE)
Esto completa nuestra introducción tutorial al muestreo unidimensional. El formato
asignado no permite más elaboraciones aquí. Sin embargo, la introducción en la Parte
III se relaciona razonablemente con las presentaciones aumentadas en [20], que
contienen muchos más detalles.