0 calificaciones0% encontró este documento útil (0 votos)
7 vistas4 páginas
El documento habla sobre el efecto pepita y el análisis estructural o estudio variográfico. Explica que el semivariograma experimental muestra cómo cambia la variable entre localizaciones y debe ajustarse a un modelo teórico para su uso en estimación. También cubre los problemas de estimación global vs local y la importancia de considerar la continuidad espacial de la variable.
El documento habla sobre el efecto pepita y el análisis estructural o estudio variográfico. Explica que el semivariograma experimental muestra cómo cambia la variable entre localizaciones y debe ajustarse a un modelo teórico para su uso en estimación. También cubre los problemas de estimación global vs local y la importancia de considerar la continuidad espacial de la variable.
El documento habla sobre el efecto pepita y el análisis estructural o estudio variográfico. Explica que el semivariograma experimental muestra cómo cambia la variable entre localizaciones y debe ajustarse a un modelo teórico para su uso en estimación. También cubre los problemas de estimación global vs local y la importancia de considerar la continuidad espacial de la variable.
El Efecto Pepita (Nugget): El semivariograma por definición es nulo en el origen, pero en la práctica las
funciones obtenidas pueden presentar discontinuidad en el origen, a esta discontinuidad se le
llama efecto de pepita El análisis estructural o estudio variográfico según (Armstrong y Carignan, 1997) está compuesto por: •El cálculo del semivariograma experimental. •El ajuste a este de un modelo teórico conocido. El cálculo del semivariograma experimental es la herramienta geoestadística más importante en la determinación de las características de variabilidad y correlación espacial del fenómeno estudiado (Chica, 1987), es decir, tener conocimiento de como la variable cambia de una localización a otra (Lamorey y Jacobsom, 1995; Issaks & Co.,1999), representando el útil más importante de que dispone el geoestadístico para el análisis del fenómeno mineralizado o de la variable de distribución espacial en estudio (Sahin et al.,1998; Genton, 1998a). Este análisis tiene como condicionantes: la distribución estadística, la existencia de valores aberrantes o anómalos, la presencia de zonas homogéneas o posibles zonaciones en la distribución de las leyes. Ahora, el semivariograma experimental obtenido no es utilizado en el proceso de estimación, debe ser ajustado a éste uno a varios modelos teóricos, obteniéndose un modelo o función analítica que caracteriza la continuidad espacial de la variable estudiada. Los modelos de variograma teórico utilizado en el proceso de estimación o simulación deben satisfacer ciertas condiciones, es decir tienen que ser "definido positivo" o de "tipo positivo" (Deutsch, 1994; Myers, 1992; Cressie y Grondona, 1992) de lo contrario puede existir el riesgo de encontrar varianzas negativas que no tienen sentido (Armstrong y Carignan, 1997). En general el ajuste a modelos teóricos para la determinación de los parámetros del semivariograma se realiza de forma visual. En ocasiones se efectúan ajustes polinomiales por el método de los mínimos cuadrados u otras variantes, que aunque se encuentra el mejor ajuste, no siempre se verifica la condición de que el variograma obtenido sea siempre de tipo positivo, siendo insatisfactorio (Genton, 1998b), por lo que se recomienda el uso de modelos autorizados. Finalmente debe obtenerse uno o varios modelos de variogramas con los correspondientes valores de meseta y alcance. El modelo de variograma seleccionado debe representar fielmente los aspectos que se suponen importantes del variograma experimental (Wackernagel, 1995), que serán usados posteriormente en el proceso de estimación o simulación. Los problemas de estimación La “predicción” o “estimación” constituye un objetivo importante de la geoestadística. Consiste en evaluar, de la manera más precisa posible, un valor que no ha sido medido, a partir de los datos disponibles. Una característica de los métodos geoestadísticos será, no sólo construir estimadores, sino también proporcionar una medida de la precisión de la estimación por medio de herramientas probabilísticas (por ejemplo, varianzas o intervalos de confianza...). Distinguiremos dos tipos de estimaciones: las estimaciones globales y las estimaciones locales. La estimación global busca caracterizar el campo D completo por un valor único (por ejemplo, la media de la variable regionalizada en estudio) o por una distribución estadística (histograma). Es poco común que una estimación global sea suficiente; frecuentemente, se requiere completarla con estimaciones locales. Por ejemplo en un estudio de contaminación de suelo, no basta con evaluar la concentración promedio en toda la zona de un elemento contaminante, sino que es necesario distinguir los sectores fuertemente contaminados de aquellos que no lo están. Por el contrario, las estimaciones locales se interesan por los diferentes sectores de la zona de estudio. En general, se busca evaluar el valor en un sitio que no ha sido muestreado o el valor promedio de un “bloque” cuyo soporte es mayor que el soporte de los datos. En este problema, debe considerarse la continuidad espacial de la variable regionalizada, las distancias entre el sector a estimar y los sitios con datos, así como la configuración espacial de los mismos sitios con datos puesto que datos agrupados suelen tener valores parecidos, constituyéndose en información redundante. Otro aspecto de la estimación local es la cuantificación de la incertidumbre en los valores de la variable regionalizada y la probabilidad de que estos valores superen o queden debajo de ciertos límites. Por ejemplo, el agrónomo está interesado en conocer los sectores de una parcela donde el pH es demasiado bajo, para poder abonarlos con cal y mejorar la fertilidad. El medio-ambientalista quiere cuantificar el riesgo de que la concentración de un elemento tóxico en el suelo supere un umbral crítico, de modo de poder tomar medidas de remediación. Al ingeniero de minas le interesa saber si las leyes de mineral son mayores que una ley de corte que asegura la rentabilidad de la explotación minera, luego evaluar los tonelajes y cantidades de metal que se puede extraer sobre esta ley de corte. Los problemas de estimación no son los únicos a los que responde la geoestadística. El análisis de la dependencia espacial permite describir la distribución de los valores en el espacio, cuantificar las correlaciones o redundancias de información entre valores medidos en sitios diferentes, determinar el tamaño de la “zona de influencia” de una observación, así como detectar anisotropías que indican que la variable regionalizada tiene direcciones preferenciales de continuidad en el espacio.