Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Contenido
Alcance
Variables regionalizadas
Covarianza
El semivariograma
Definición
Cálculo del variograma
Interpretación del variograma
Modelos de variograma
Mapas variográficos
Limitaciones del variograma
El Kriging 2
Alcance de los métodos geoestadísticos
• permiten estimar las reservas teniendo en cuenta las características estructurales del depósito.
• asignan errores de estimación.
¿Qué factores de ponderación son los mejor para elegir? ¿A partir de qué distancia se pueden
incluir muestras? ¿Quá confiable es la estimación cuando se utilizan muestras lejanas?
Por otra parte, la idea de ponderar muestras por alguna medida de su similitud con lo que se
desea estimar es atractiva.
La geoestadística asume que las muestras en un yacimiento están correlacionadas. Datos más
cercanos tienen más posibilidades de ser similares que dos alejados
Alcance de los métodos geoestadísticos
• Análisis Estructural
Se estudia la continuidad espacial, es indispensable conocer la distribución
geográfica de las variables para realizar esta etapa del estudio. Se calculan los
variogramas que expliquen la variabilidad espacial y se ajustan a un variograma
teórico.
• Kriging
Estima la variable en los puntos no muestrales, considerando la estructura de
correlación espacial seleccionada e integrando la información obtenida de forma
directa en los puntos muestrales. 4
Alcance de los métodos geoestadísticos
Sea x un punto del espacio, se designa la variable regionalizada por la notación z(x), por
ejemplo la ley en el punto x se representa por z(x)
Z(x)
6
Variables regionalizadas
Una variable aleatoria es una cantidad que puede tomar cualquiera de los valores dentro
de un conjunto dado de frecuencias relativas especificadas.
Una variable regionalizada es simplemente una función z(x) del punto x. Sin embargo,
esta función no se comporta como las funciones que se estudian en Matemáticas: En
general z(x) es muy desordenada en su variación espacial y no se podrá expresar como un
polinomio
7
Variables regionalizadas
Supongamos que tenemos un conjunto de datos de leyes repartidas en un espacio XY, y
asignamos a cada muestra un símbolo con un tamaño proporcional a su valor:
Ejemplo
10
Variables regionalizadas
20
15
10
n
5
0
0,00 0,50 1,00
ley (ppm)
Perfil 1 Perfil 2
nº Valores 50 50
Máximo 1,44 1,43
Mínimo 0,17 0,17
Media 0,8004 0,8002
Desv. Estándar 0,26994 0,26997
Error medio 0,03817 0,03818
Varianza 0,07286 0,07288
11
Variables regionalizadas
En los perfiles se observa que los valores son diferentes en ambos perfiles,
pero la estadística falla a la hora de detectar una diferencia de tipo espacial. 12
Variables regionalizadas
Perfil 1
Distancia 1
Inicio final
0,74 0,82
0,82 0,92
0,92 0,95
0,95 1,06
1,06 1,09
1,09 1,11
1,11 0,98
0,98 0,87
… …
13
Variables regionalizadas
Inicio final
Perfil 1 0,74 0,82
0,82 0,92
0,92 0,95
0,95 1,06
1,06 1,09
1,09 1,11
1,11 0,98
0,98 0,87
0,87 0,77
0,77 0,81
0,81 0,84
0,84 0,92
0,92 1,04
1,6
Corr inicio-final=0,8953
R² = 0,8074
1,4
1,2
1
Final
0,8
0,6
0,4
0,2
0
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6
Inicio
15
Variables regionalizadas
Perfil 1
Distancia 2
Inicio final
0,74 0,92
0,82 0,95
0,92 1,06
0,95 1,09
1,06 1,11
1,09 0,98
0,98 0,77
… …
16
Variables regionalizadas
Perfil 1 Inicio final
0,74 0,92
0,82 0,95
0,92 1,06
0,95 1,09
1,06 1,11
1,09 0,98
1,11 0,87
0,98 0,77
Dist 1
0,87 0,81 Corr inicio-final=0,8953
0,77 0,84 Dist 2
0,81 0,92 Corr inicio-final=0,8195
0,84 1,04
0,92 0,9
Perfil 1
18
Variables regionalizadas
Correlación
1,0 0,8953
0,8195
0,7419 0,6453
0,5511
0 1 2 3 4 5
Distancia
Correlograma
19
Variables regionalizadas
Perfil 2
1,4
R² = 0,0019
1,2
Corr inicio-final=0,1338
1
0,8
Final
0,6
0,4
0,2
0
0 0,2 0,4 0,6 0,8 1 1,2 1,4
Inicio
0 1 2 3 4 5
Distancia
La estadística clásica no resulta útil para tratar casos de este tipo, ya que no se trata de
datos abstractos sino que tienen una distribución en el espacio.
Esto se obtiene mediante estimadores de la continuidad espacial, que son una una
función matemática que permite analizar el comportamiento espacial de una variable
sobre un área definida, teniendo en cuenta la direccionalidad (anisotropía) de los valores
Las más co nocidas son:
El correlograma
La función covarianza
El semi-variograma
22
Covarianza
La covarianza indica el grado de variación conjunta de dos variables
aleatorias respecto a sus medias. Es el dato básico para determinar si existe
una dependencia entre ambas variables y además es el dato necesario para
estimar otros parámetros básicos, como el coeficiente de correlación lineal o
la recta de regresión.
h, l= medias
23
El semi-variograma
Definición
Y
(X,X)
X-Y
(X,Y)
?
Entonces,
24
El semi-variograma
Considérese la distancia 1 del perfil 1 del ejemplo anterior
El variograma se define como la media de los cuadrados de las diferencias entre pares
de muestras separados por una distancia h:
Donde:
h = distancia entre los pares.
n = número de pares. 25
Z(xi) = la localización y valor de la muestra.
El semi-variograma
Definición
Y
(X,X)
X-Y
(X,Y)
?
Entonces,
26
El semi-variograma
Perfil 1
Perfil 2
27
El semi-variograma
→
x x+h
Z(x) Z(x+h)
Varianza (σ2)
promedio
28
El semi-variograma
Cálculo del variograma
a) Para muestreo en una línea
Si γ=b:
Si γ=2b:
En general, si γ=kb:
29
El semi-variograma
Cálculo del variograma
a) Para muestreo en una línea
30
El semi-variograma
Cálculo del variograma
a) Para muestreo en una línea
g (h) Meseta
Covarianza
Alcance:
Distancia a la
cual el
variograma se
estabiliza
Alcance
El primer punto de nuestra función γ (h) vendrá dado por γ(10), esto es, la media de los cuadrados
de las diferencias entre todos los pares de muestras separados por una distancia de 100 m:
32
γ (h) = 1/2n Σ [Z(xi+h) - Z(xi)]2
El semi-variograma
Cálculo del variograma
a) Para muestreo en una malla regular
γ (h) = 1/2n Σ [Z(xi) - Z(xi + h)]2
36 pares
33
El semi-variograma
Cálculo del variograma
a) Para muestreo en una malla regular
γ (h) = 1/2n Σ [Z(xi) - Z(xi + h)]2
27 pares
4 2 2 3 4 3 4 4 1
También a 45º
35
Igual se debería hacer a 135º
El semi-variograma
Cálculo del variograma
Este variograma indica que la distribución de las leyes presenta una anisotropía,
siendo más regulares en la dirección EW que en la NS.
36
El semi-variograma
Cálculo del variograma
g (h)
Con el alcance se puede determinar el
distanciamiento óptimo del muestreo. De tal modo
que su influencia tenga el solapamiento adecuado.
Alcance
Gran solapamiento
Alta covarianza
Solapamiento reducido
Menor covarianza
Sin solapamiento
Covarianza cero
37
El semi-variograma
Interpretación del variograma
?
El semi-variograma
Interpretación del variograma
Mediante el variograma determinaremos que
muestras pueden tener una influencia “real” en la
estimación de la ley (o cualquier otra variable que
estemos considerando), ya que el alcance nos indica
hasta que distancia existe una relación entre las
muestras. Ej., si el alcance determinado por la
modelización del variograma fuera de a = 100 m, la
muestra 5 tendría que ser descartada
H≤200m
5 2
1
Un variograma γ(h) es significativo
100m hasta una distancia igual a la mitad
4 de la dimensión del campo en la
dirección de h. 39
El semi-variograma
Interpretación del variograma
Relación con la función de covarianza:
Variograma
(C0)
g(h) 1
g (h) E[(Z (x h) Z (x))2 ]
Variograma
2
Variograma
1 1
E[(Z (x h))2 ] E[ Z (x h) Z (x)] E[(Z (x))2 ]
Covarianza 2 2
1
1
C (0) 2 C (h) 2 C (0) 2
2 2
Covarianza C (0) C (h)
C(h)
Distancia
40
Modelos de semi-variograma
Parabólico
g (h)
Esférico Parabólico Exponencial
Gaussiana Lineal
41
Modelos de semi-variograma
Esférico
γ Representa variables continuas pero no
diferenciables. Representa la no superposición de
dos esferas de influencia. La fórmula es cúbica ya
C que representa volúmenes, y se basa en dos
parámetros: el rango de influencia (radio de la
esfera) y la meseta que el gráfico alcanza en el
a rango. La fórmula y la forma de este modelo se
muestran a continuación.
h (distancia entre muestras)
γ(h) = C[1.5(h/a)-0.5(h/a)3]
C+C0 γ γ(h) = C
C
Además de esto, puede haber un intercepto
positivo γ en el eje, el efecto pepita.
a
C0
γ(h) =C0+ C[1.5(h/a)-0.5(h/a)3]
Parabólico
Representa variables sumamente continuas e infinitamente
diferenciables. Así, la propiedad no puede cambiar
rápidamente de un punto a otro.
43
Modelos de semi-variograma
g (h)
Alcance
g (h)
Efecto pepita
Alcance
h
Cuando la curva no empieza en el origen del sistema XY (varianza 0), es debido al
denominado efecto pepita, debido a fluctuaciones aleatorias de la variable o a errores en el
muestreo.
46
Interpretación del semi-variograma
Variaciones cíclicas
g (h)
Alcance
Existen datos que pueden mostrar diferentes poblaciones. En muchos casos las poblaciones están
geográficamente diferenciadas, donde se deben tratar las zonas por separado. En otros, las poblaciones
se presenten mezcladas geográficamente, en este caso una solución puede ser un cambio de escala, con
lo que se logra reducir la diferencia de los valores extremos. 47
Interpretación del semi-variograma
g (h)
Alcance
h
Puede estar vinculada a la periodicidad geológica
Puede deberse a información limitada / mala elección de parámetros de cálculo
Hay que comprobar si se produce el efecto pepita y hacer una estimación razonable
del alcance 48
Interpretación del semi-variograma
Puede deberse:
g (h)
- a la escala de trabajo
(distancias de cálculo <
rango).
- a la presencia de tendencias
→ considerar una deriva
explícita en el modelo de
función aleatoria?
Puede interpretarse como
función aleatoria de varianza h
infinita
49
Interpretación del semi-variograma
Anisotropía zonal
3,5
g (h) 3
2,5
2
Variograma
1,5
h
0,5
0
0 0,94 1,99 3,04 4,09 5,14 6,19 7,24 8,29 9,34 10,4 11,4
Distancia
g (h)
2,5
2
Variograma
1,5 N-S
E-O
1
0,5
h
0
0,0 0,9 2,0 3,0 4,1 5,1 6,2 7,2 8,3 9,3 10,4 11,4
Distancia
Es aquella en la que el variograma en distintas direcciones presenta el mismo sill pero rangos distintos.
https://www.u-cursos.cl/ingenieria/2007/1/MI54A/1/material.../127358
52
Interpretación del semi-variograma
Limitaciones del variograma
7 7
10 10
Es extremadamente 11 11
12
12
sensible a valores 13 25
14
extremos
14
12 12
13 13
10 2
11 11
9 9
8 8
γ (4)=6.62
γ (4) )=63.5
60
8
50
Variograma
Variograma
6 40
30
4
20
2 10
0 0
1 2 3 4 5 6 1 2 3 4 5 6
Distancia Distancia
53
Variables regionalizadas
54
El semi-variograma
Definición
Y
Valores (X,X)
esperados
X-Y
(X,Y)
?
Por tant
?d= (X-Y)
X
Valores reales
Entonces,
55
Por tant Por tant
?d= (X-Y) ?d2= (X-Y)2
2
Valor de d promedio
56