Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEOREMA DE BAYES
CORRELACION
Geoestadistica 2020
Edmundo TULCANAZA
Probabilidades condicionales, control de calidad, y el valor de información adicional
Los pequeños mineros de Chile venden su producción mensual a la Agencia Nacional ENAMI.
ENAMI dispone de un protocolo de muestreo y análisis químico que se inicia con un muestreo del
lote de mineral traído por un pequeño minero directamente de su mina. Los lotes que no pasan
una prueba mínima reciben el nombre de “panteón” lo que significa que es mineral no recibido
por ENAMI para su tratamiento posterior. En general ENAMI acepta un 75% del mineral que llega
a los Poderes de Compra. 25% son rechazados.
Así los pequeños mineros muchas veces duplican el análisis químico a fin de asegurar la
aceptación de sus lotes. La pregunta entonces es ¿Cuál es la probabilidad de que un lote pase la
prueba de ENAMI dado que ha pasado esta segunda prueba (Laboratorio Certificado) de pequeña
minería.?. Como dato se conoce que, en el primer mes de aplicación, 55% de los lotes que pasan
el primer test del pequeño minero pasan también el segundo test. Por otra parte, 50% de los lotes
pasaron ambas pruebas, la del pequeño minero y la de ENAMI.
Como uno se puede dar cuenta, existen problemas que implican una probabilidad
específica a un “estado de la naturaleza”, y alguna información adicional a otro
“estado de la naturaleza”.
p (E1,E2) = 0.50
p (E2) = 0.55
Dijimos que si esas dos probabilidades son mutuamente exclusivas (independientes), es decir, la
probabilidad de un evento es no-condicional al otro.
p (A y B) = p(A) x p (B)
pero si esas dos probabilidades son dependientes (un segundo evento es condicional al primer
evento)
p(A y B) = p(A) x p (B) A
Thomas Bayes formuló una nueva relación que relaciona la probabilidad condicional con la
probabilidad no-condicional para establecer una probabilidad conjunta.
Probabilidad de que
ocurra B p (A|B) p(B) = p(B|A) p(A)
condicionada a que
anteriormente
ocurrió A
Dos sectores de una mina. F1 provee el 65% a la planta;
F2 provee el resto. F1 provee buen mineral en un 98%. F2
F1 provee buen mineral en un 95%.
F2
p(F2) p(G|F2)
p(F2|G) = p(A2)P(G|F2) =0.3325
0.35 0.95
p(B|F2)
p(F2|B) = p(A2)P(B|F2) =0.0175
0.05
Supongamos que sabemos que mineralizaciones de cobre son caracterizados a menudo la la presencia de
rutilo y otros minerales. Lo que realmente nos interés es la probabilidad de encontrar una mineralización
de cobre condicionada a la presencia de rutilo y otros minerales.
p (A y B) = p (B) x p (A|B)
----------------------------------
P(A) x P(B!A) = P(B) x P(A!B)
-------------------------------------------
p (B y A*) = p(A*) x p(B|A*)
Además
Ab09
p (A y B) = p (A) x p (B)A
33% 12%
Ab09
P(r ! 5) = p (r y 5)/ p(5) = 0.12/ 0.33 = 0.36 >>> 36%
p (A y B) = p (A) x p (B)A
p (A) = 0.032
Si p (D|NF)= 0.3 (y de no
hallar 0.7):
N
F
El diagrama de árbol está ahora
completo. Calculemos todas
las probabilidades
F
N
F
Check
Un paso final:
0.3 + 0.3 + 0.12 + 0.28 = 1
p (A|B) = p(B|A) P(A) / [ p(B|A) p(A) + p(B|A*)p(A*)]
p (B)
La probabilidad de que la ley media en ambos sacos esté por p (L/SL)= p(L/SS)=
encima de una ley de corte es 0.166. Se sabe 0.166 0.166
posteriormente que uno de los sacos estaba contaminado y
que, de seleccionarlo, esta probabilidad aumentaría a 0.60. p(L/SS)=
0.600
¿ probabilidad de seleccionar el saco sucio??
Ab09
P( A,B ) = P( B|A) P(A)
p(B)= 0.383
Muchas veces las probabilidades de ocurrencia varían con el
tiempo. Es el caso, por ejemplo, de un primer sondaje en
una zona altamente mineralizada.
Antes de sondear, la probabilidad de encontrar o no
encontrar mineral es de 50%.
Si el área es efectivamente altamente mineralizada, el
segundo sondaje será 0.66, y así sucesivamente. Y la
probabilidad posterior cambiará frente a nueva información.
si rayos γ > 60, serán esquistos si rayos γ < 60, serán dolomita
Existen 34 esquistos con rayos γ > 60 Existen 280 dolomitas con rayos γ > 60
P(A) x P(B1|A) = p(B1) x p(A|B1)
A: rayos γ > 60
B1: ocurrencia de dolomita
B2: ocurrencia de esquistos
P(B1): probabilidad anterior de ocurrencia de la dolomite ≅ 60% (476 / 771)
P(B2): probabilidad anterior de ocurrencia del esquisto ≅ 40% (295 / 771)
P(A|B1): probabilidad de rayos γ >60 (en dolomita)= 7% (34 / 476 dolomitas)
P(A|B2): probabilidad de rayos γ >60 (en esquisto)=95% (280/ 295 esquistos)
Busquemos la probabilidad de A
p(A)= p(A|B1)x p(B1)+ p(A|B2)xp(B2)=0.07x0.60+0.95x 0.40=0.042 + 0.38= 0.422
Probabilidad de B1 dado A:p (B1|A)=p(A|B1) x p(B1)/p(A)=0.07x0.60/0.422= 0.10
Probabilidad de B2 dado A:p (B2|A)=p(A|B2) x p(B2)/p(A)=0.95x0.40/0.422=0.90
Hemos cambiado nuestra evaluación de probabilidades de ocurrencia de la
dolomita y esquistos con Gamma > 60 API de 60% y 40%, a 10% y 90%.
Aplicación de Bayes a la Predictibilidad de Guías para la Exploración
U: 80% del área de estudio; no U: 20%; V: 10% del área de estudio; no V: 90%;
P {D|Eu} = 0.9 and P {Eu} = 0.8 P {D|Ev} = 0.5 and P {Ev} = 0.1
por lo tanto,
Cuando las variables son dependientes, la covarianza tien un valor que puede
ser positivo o negativo.
f ( x)
f ( x)
Serviría ??
11
11
11 11
11
11
11 x y
d) El coeficiente de correlación indica cuantitativamente el grado de
dependencia que existe entre dos variables, y está representado por:
: 11
entre 0 y 1
xy
Regresión Multivariable
Dos distritos con
Sector BB
8350000 m
8350000 m
depósitos
identificados.
¿cómo saber si
ellos son del
mismo tipo de
manera de poder
8300000 m
8300000 m
Sector AA asociarlos
espacialmente?
MUESTRA 1 0.4600 0.6300 0.0300 0.1300 0.0240 0.0070 0.0030 0.0400 0.0130 0.0180
MUESTRA 2 0.4400 0.5800 0.1500 0.2300 0.0490 0.0100 0.0050 0.2200 0.0140 0.5000
MUESTRA 3 6.1800 0.2600 0.1400 0.1600 0.0500 0.0080 0.0030 0.0380 0.0120 0.2100
MUESTRA 4 0.0150 0.0170 0.1000 1.9100 0.0130 0.0070 0.0030 0.0180 0.0200 0.0900
MUESTRA 5 4.4000 5.5700 0.1500 0.5300 0.0770 0.0060 0.0180 0.6000 0.0860 0.6900
MUESTRA 6 0.2300 0.3300 0.0200 1.4200 0.0580 0.0020 0.0050 0.0600 0.0270 0.2700
MUESTRA 7 0.4100 0.5800 0.0900 0.5200 0.0750 0.0110 0.0050 0.1800 0.0300 0.2400
MUESTRA 8 0.5800 0.6600 0.0800 0.5900 0.0300 0.0080 0.0050 0.0720 0.0230 0.1000
MUESTRA 9 0.0520 0.0670 0.0300 4.7700 0.0280 0.0090 0.0030 0.0620 0.0190 0.1100
MUESTRA 10 0.0760 0.0840 0.0300 0.7500 0.0460 0.0080 0.0030 0.0600 0.0220 0.1400
MUESTRA 11 0.7000 0.7900 0.8700 0.0800 0.0350 0.0220 0.0170 0.5600 0.1900 1.0700
MUESTRA 12 1.8000 1.9500 0.1400 0.0600 0.0320 0.0110 0.0080 0.4300 0.0560 0.3500
MUESTRA 13 0.0340 0.0330 0.1100 0.0300 0.0170 0.0070 0.0030 0.0400 0.0620 0.1300
MUESTRA 14 0.6300 0.7200 0.1900 0.0700 0.0180 0.1600 0.0120 0.1400 0.1600 0.5200
MUESTRA 15 0.0120 0.0090 0.0300 0.1100 0.0200 0.0090 0.0030 0.0060 0.1100 0.0800
MUESTRA 16 1.3000 1.5900 0.2300 0.0800 0.0410 0.0390 0.0210 0.3100 0.0880 0.6100
MUESTRA 17 3.7000 4.5900 0.0900 0.4500 0.0630 0.0220 0.0070 0.4200 0.0200 0.4100
MUESTRA 18 0.4100 0.5000 0.0900 2.0100 0.0330 0.0090 0.0030 0.0580 0.0460 0.1600
MUESTRA 19 3.3000 3.6100 1.0700 0.1800 0.0720 0.0350 0.0400 0.2200 0.1100 0.5300
MUESTRA 20 0.2600 0.2800 0.2200 0.0900 0.0320 0.0090 0.0030 0.0540 0.0440 0.0800
MUESTRA 21 0.4600 0.5800 0.9500 0.1100 0.0460 0.0180 0.0180 0.2100 0.0920 0.3200
MUESTRA 22 1.5000 1.1500 0.6200 0.0400 0.0420 0.0180 0.0160 0.1500 0.0820 0.4500
MUESTRA 23 0.1100 0.1100 0.4600 0.0200 0.0300 0.0140 0.0060 0.0700 0.0760 0.1200
MUESTRA 24 2.3000 2.7900 1.1600 0.0200 0.0340 0.0160 0.0160 0.2200 0.0890 0.6100
MUESTRA 25 3.0000 3.7000 0.8900 0.4800 0.0750 0.0530 0.0500 0.8400 0.1000 0.6100
MUESTRA 26 0.7500 1.1000 0.3200 0.1600 0.0480 0.0170 0.0120 0.1700 0.0450 0.1200
MUESTRA 27 0.2300 0.2900 0.1000 0.0900 0.0320 0.0090 0.0030 0.0920 0.0410 0.0700
MUESTRA 28 3.0000 2.49000 0.1600 0.4600 0.0570 0.0160 0.0130 0.1400 0.1600 0.2800
MUESTRA 29 1.3000 1.3700 0.4300 0.3100 0.0560 0.0190 0.0050 0.1700 0.1600 0.8400
MUESTRA 30 5.7000 6.3600 0.8500 0.0800 0.0710 0.0410 0.0180 0.9500 0.084 1.6300
Un ejemplo: Confirmación de dos grupos por ubicación
F3
85% Sector AA
6 17
5
10 7 12
30
9 28 2 16
F2
18
15
14
1 8
29
27 3
413 11
25
24
20 24
22
F1 23 92% SectorBB
Un ejemplo: Discriminación en cuatros sectores 2
D
4
4 GRUPOS 5
0.952 4
0
B
A 3
B 5 2
D
0.575 B B
A B
3
B 0
A B
C 2
0.199 5
AA B
A
A L T T
A W LOG
A O2 W
1
C G0 0
C 9
A
-0.554 8
1
5 7
C 6
D D
D 1 5
0
-0.768 4
D
3
D 5
D 2
D
1
-0.930
1 2 3 4 5 6 7 8 9 1 Número
-0.930 -0.554 -0.177 0.199 0.575 0.952 1.32 0 de
grupos
Un ejemplo: Confirmación de tres grupos por atributos.
F3
Zn Cu
Ni
Co
Pb
Mo
R U
U
Mo
V205
F1
F2
MnO2
Un ejemplo: Identificación de ocurrencias mediante 7 atributos
15 Atributos 1, 3, y 6
Depósitos F3 (MnO2)
están más asociados a los 23
4
atributos 1, 3, 4, 6, y 7. 19 20
3
26
21 1
10
29
1
18 25
8
3
4 5
9 24
16 F2 (MnO2)
30
2
11 17
2
14 12
F1 (R,U,Co,Mo,Pb)
Atributos 1, 4, y 7 Atributos 2, 4, y 5
Modelamiento Continuidad Espacial
Introducción
1
6
5
4
3
2
1
0 1 2 3 4 5 6
15361542324
Aleatorio
1
6
5
4
3
2
1
0 1 2 3 4 5 6
12345654321
Estructural
F3 (MNO 2)
F2
(M
NO
2 )
B)
O ,P
,M
CO
,U ,
(R
F1
ASOCIACION ESPACIAL
entre mismas variables
Cu,Mo
Cu,Mo
1.0 0.40
Cu se capturan cada 0.5m.
1.2
Tomemos los valores en leyes de cobre de la
|
1.5 0.10
1.0 muestra 1 y la muestra 2, y crucemos el
|
3.0 0..86
0.4 muestras 2 y 3; 3 y 4;…9 y 10.
|
3.5 0.68
0.2
|
4.0 1.18
Repitamos el mismo ejercicio pero ahora
| | | | | | | | | | 4.5 0.91 tomando la muestra 1 y la muestra 3; la
1 2 3 4 5 6 7 8 9 10
5.0 1.03 muestra 2 y 4; 3 y 5….la 8 y la 10, y
5.5 0.51 marquemos todos esos cruces con un .
1.6
|
6.0 0.75
1.4 Lo que acabamos de hacer es calcular los
|
6.5 0.95
valores de autocorrelación de una variable
1.2
|
1 (h) = V - K (h)
= ½ E [(x(i) – x(i+h)]2
sa
Función de = ½N(h) [ [x(i) – x(i+h)]2]
autocorrelación
V
(h)
V Función
Variograma, (h)
K(h) Función
Covariograma, K (h)
h
h
m = E(Z(x)) = E(Z(x+h))
F(mi) = P(Mi < mi) puede ser establecida para cada una de ellas.
M1
S1
m1
M2
m2 S2
M3
m3 S3
Grado Covariograma
Asociación
alcance distancia
Meseta
Gamma
Variograma
0
alcance distancia
X+1, Y+1
X-1, Y+1
X,Y
X,Y
Cu (x,y) Cu (x,y)
CORRELACION ESPACIAL
Desviación
Cui
Cui - Cuj
Cuj
Cui, Cuj
2 = (Cui –
Cuj)2
= ½ (Cui –
Cuj)2
Cui
2
Para i,j (Cui - Cuj) /2N
cualesquiera Variograma (i,j)=Promedio de las distancias a la diagonal al cuadrado
El concepto de variabilidad, sigue muy de cerca la ilustración
anterior.
La variabilidad espacial, entendida esta como la discrepancia en
atributos cualitativos (geológicos) y cuantitativos (estadísticos),
entre pares de puntos en el espacio 3D, es mínima cuando la
distancia entre estos pares de puntos tiende a cero, y alcanza su
máximo valor o meseta a una distancia a entre esos puntos
denominada alcance.
Específicamente, más allá del alcance a, la discrepancia entre las
características asociadas con pares de puntos separados por
distancias más allá de a es, en promedio, independiente de la
distancia entre ellos.
La función, que mide el promedio de las discrepancias
cuadráticas entre valores asociados a un atributo perteneciente
a pares de puntos separados por una distancia cualquiera h, se
llama variograma.
El variograma, se identifica con la expresión 2 (h). Es el
semivariograma (h), sin embargo, el que en la práctica recibe
normalmente el nombre de variograma.
La Figura siguiente ilustra cómo la variografía permite asociar las
variabilidades espaciales a poblaciones geológico-estadísticas
diferentes.
Sector anisotropo Sector isotropo
(h) (h)
160 160
135
galerías
135
chimeneas Variogramas asociados
110 110
con sectores Isotropos
Variabilidad
Variabilidad
85 85
y Anisotropos
galerías
60 60
chimeneas
35 35
(h) (h)
0 8 16 24 32 40 0 8 16 24 32 40
(mt) Distancia (mt) Distancia
Chimeneas
Galerías
Modelo
Semivariograma de leyes de plata
a lo largo de chimeneas
1.75
1.50
1.25
1.00
0.50
Semivariograma de leyes de Wolfram
0.25
0
8 16 24 32 40 48 56 64 72 80 88 96 104 112 120
El modelo geológico es
relevante para configurar
los principales dominios
de un sector mineralizado
tratando de identificar las
direcciones principales de
la mineralización así como
sus rasgos intrínsecos
fundamentales.
Un variograma se caracteriza esencialmente por su
forma y sus parámetros de meseta, alcance, y
crecimiento paulatino o precipitado en el origen, es
decir, en las cercanías de h = 0. Un crecimiento
precipitado en las cercanías del origen da inicio a los
fenómenos de efecto de pepita que caracterizan
fuertes discrepancias entre pares de valores
posicionados a muy corta distancia entre ellos (p ej,
discrepancias entre pepitas de oro de alto contenido y
muestras casi estériles a muy corta distancia de las
primeras).
Propiedades del variograma
La función
Como
(h) = K (0) - K (h)
(0) = 0
Como consecuencia de la relación [2.10], el semivariograma de una
función aleatoria está necesariamente acotado (p ej, alcanza una
meseta). Sin embargo, existen variogramas que no exhiben una
meseta. Ellos no proporcionan el valor K(0), y de este modo ellos no
responden a la hipótesis estacionaria.
d d d d d d
——————————————
m1 m2 m3 m4 mn
Para una distancia los pares de valores ...es decir
h equivalente a... que discrepan son...
Para cada distancia entre muestras d, 2d, 3d, ..... (n - 1) d, el valor del
semivariograma estará dado por:
(h)
2
1 Suma de todos los cuadrados de discrepancias entre los pares de valores asociados a la distancia h
Nº de pares de discrepancias al cuadrado
En general, cada término del semivariograma puede
ser escrito como
1 1 n K
(h Kd )
2 n K i=1
(mi+K mi ) 2
Alcance
0
a h
Variograma experimental
Sector Anisotropo Sector Isotropo
(h) (h)
2 2
(g Ag/t) (g Ag/t) Galerías
Galerías
100
500 Chimeneas
50
Chimeneas
0 0
h (m) h (m)
3 h 1 h3
C 3
2 a 2 a si h a
( h)
C si h a
El alcance es a; la meseta es C; la pendiente en el origen es
3 C
2 a
Esquema exponencial (3 dimensiones)
h
(h) C(1 e ) a
( h) F * h
El semi-variograma lineal no considera meseta.
(h) Esférico
Exponencial
Lineal
0 h
Modelos de variogramas
2
Varianza = (x – mx) =
2
T meseta
Co Varianza = (x – mx) (y – my)
K(h) Co Varianza = (x – 0) (y – 0)
18A Co Varianza = (x ) (y )
Co Varianza = (x ) (x +h)
Co
6
Co Varianza = K (h) = (h)
a=
24m
g(0) = 0
(h) = Co + C - K(h) = 6 + 18 – K(h) 2/3 a = T
K(0) = Co + C ………………. meseta 2/3 a = 16
K(h) = (h) = Co + C – (h) a = 24m
El variograma debe ser construido, según varias direcciones, en el
espacio. Estudiando cómo se deforma la función (h), cuando se
cambia la dirección de estudio , se puede poner en evidencia y
caracterizar las eventuales anisotropías. Puede suceder, sin embargo,
que (h) no dependa en realidad de la orientación , es decir que el
cálculo ejecutado en diferentes direcciones proporcione la misma
curva en función de h. En la práctica, aunque tal isotropía no sea sino
aproximada, se postulará la isotropía teórica. La regionalización será
llamada isótropa.
Por supuesto que cada variograma responde a cada dominio
específico de variación, a cada “campo geométrico” de estudio; la
definición de los diferentes “campos” de una variable permite
diferenciar claramente en el espacio su estructura de variabilidad y, por
lo tanto, los rasgos más sobresalientes de la mineralización en cada uno
de ellos.
A A A B
X X X
X X X
X X X
(h) (h)
B
A A
Isótropo Anisótropo
0 S 0 S
500 Chimeneas
50
Chimeneas
0 0
h (m) h (m)
2
1
e 1
0
(a) h(m)
e (b)
0
(h) h
0
h
1.11.11 El efecto pepita
Cuando una discontinuidad se presenta en las vecindades del origen,
reflejando con esto traspaso de un cierto tipo de valores a otro, a una muy
pequeña distancia (como es el caso de una pepita de alta ley inserta en una
regionalización estéril), se está en presencia justamente de un efecto pepita.
En un cuerpo masivo, la presencia de venillas o microfracturas ricas en
mineral puede dar nacimiento a un efecto de esta naturaleza. En un
yacimiento de oro las leyes en mineral de dos muestras muy vecinas, pueden
diferir notablemente si una de éstas proporciona por azar un alto contenido.
El efecto es tanto más marcado si las muestras son de muy pequeño tamaño,
ya que así bastaría una muy pequeña traslación de su soporte para que una
muestra contenga, o no, una gran pepita capaz de modificar su ley mineral.
El hecho de que una pepita marginal sea, o no, incluida en una muestra
aparece como un fenómeno totalmente aleatorio. Sin embargo, el
comportamiento de la ley en mineral no puede ser considerado como
aleatorio, sino localmente. De este modo se hace referencia, muchas veces, a
una ley en mineral “excepción” o “anormal” (por su valor demasiado alto)
que hace alusión a una hipotética anomalía en el comportamiento de la
mineralización. Desde el punto de vista estadístico, estas anomalías no son
tales, sino que existen realmente y aparecen con una determinada frecuencia
regidas por las leyes del azar. Desde el punto de vista geoestadístico el hecho
sorprendente no reside en la presencia de valores “anormales” elevados, sino
en el comportamiento localmente aleatorio de estos valores; es decir, en que
ellos no presentan una restricta zona de influencia. Así, la aparición de estos
valores anormales dan origen a un fenómeno que puede ser considerado
como aleatorio sólo localmente.
Supongamos estudiar un fenómeno de transición, como el indicado en la Figura 1.59.
Si en lugar de estudiar la regionalización a escala métrica () se hace a escala
centimétrica (▬), vemos que a esta escala no habría discontinuidad de la función (h),
la cual crecería rápidamente hasta lograr una meseta a un alcance de a = a1 cms. Esta
misma microestructura proporciona, a una escala mayor (escala métrica), una
discontinuidad en su nuevo origen. Por lo tanto, a una escala métrica el (h) obtenido
corresponde a una superposición de ambas estructuras que a esa escala de trabajo
(métrica) pueden suponerse independientes, Figura 1.60.
Estructura Pepítica
Estructura Mayor
Estructura Pepítica
Estructura Pepítica
(h)
(h) = C0 + 2 (h)
C0
0 (h) = C0 para h a0
a0 a2
Escala Escala
centimétrica métrica
Co
0 h
1.11.12 Modelamiento de un variograma
a) ¿Por qué modelar un variograma?
Después del análisis variográfico disponemos de una interpretación de los variogramas
experimentales y de sus características (anisotropía, alcances, mesetas, efectos de
pepita).
¿Por qué no trabajar directamente con el variograma experimental, haciendo
coincidir, por ejemplo, un polinomio de grado suficientemente elevado con la curva
experimental?
La respuesta proviene de dos consideraciones estadísticas, (M. Hohn, 1980):
El variograma (h), que intervendrá en los cálculos posteriores, no es una función
cualquiera, sino debe tener propiedades particulares.
Así, por ejemplo, las varianzas que se calcularán con (h) deberán ser siempre
positivas, y no está garantizado, sin embargo, que el polinomio, pasando por todos los
puntos del variograma experimental, cumpla con esa condición.
Por otra parte, se sabe que a partir del mismo conjunto de datos es imposible
proporcionar a la vez una estimación y la precisión asociada. Esta imposibilidad no
permite utilizar el variograma experimental para el cálculo de las varianzas.
Estas dos razones nos obligan, entonces, a escoger un modelo de variograma y
ajustarlo al variograma experimental. Describamos los modelos más utilizados en la
práctica.
b) Los modelos de variograma.
1) Esquemas con meseta.
Esquema esférico (a tres dimensiones)
3 h 1 h3
C
Este variograma se escribe: 2 a 2 a 3 si h a
( h)
C si h a
3 C
El alcance es a; la meseta es C; la pendiente en el origen es 2 a
h
Esquema exponencial (tres dimensiones) (h) C (1 e a )
Su pendiente en el origen es menor que aquella del esquema esférico, Figura 1.62.
Esférico
(h)
Exponencial
0 h
Figura 1.62 Modelos de variogramas.
Anisotropía geométrica
Anisotropía zonal
Anisotropía mixta
Muchas veces los valores a vario-
graficar se presentan desordenados
espacialmente y se requiere un
ordenamiento (artificial) para obtener
una variograma razonable.
{
Error 1
Error 2
{ Ley extraída (conjunto de
= Error 1 + Error 2
bloques)
CANALES, EO, 83 (1976), 1,37% Cu
CANALES, NS, 117 (2363), 1,42% Cu
SONDAJES, EO, (+45°), 20 (522), 1,28% Cu
CANALES, 45°, 41 (1142), 0,84% Cu
CANALES, 315°, 73 (1725), 0,87% Cu
SONDAJES, EO, 39 (3068), 0,92% Cu
SONDAJES, 45° (-45°), 11 (480), 0,97% Cu
SONDAJES, VERT, 11 (368), 1,083% Cu
SONDAJES, NS, 7 (355), 0,644% Cu
CANALES, EO, 95 (3171), 2,47% Cu
CANALES, 45°, 67 (3674), 1,63% Cu
CANALES, NS, 230 (8424), 2,12% Cu
CANALES, 315°, 117 (3410), 1,78% Cu
SONDAJES, EO, 7 (294), 1,54% Cu
SONDAJES, 45°(-45°), 5 (122), 1,53% Cu
SONDAJES, VERT, 10 (134), 1,29% Cu
SONDAJES, 45°, (+45°), 35 (685), 1,52% Cu
SONDAJES, NS, 8 (310), 1,59% Cu
MINERAL PRIMARIO MINERAL SECUNDARIO
De este modo para cualquier distancia “h1” a lo largo de la dirección 1, el valor
del semivariograma para una distancia cualquiera será directamente el valor
encontrado en 1; igualmente, para cualquier distancia “h2” a lo largo de la
dirección 2, el valor del semivariograma para una distancia cualquiera será
directamente el valor encontrado en 2.
Pero como determinanos el valor del semivariograma para una distancia “h” a lo
largo de otra dirección “”cualquiera? Indudablemente que lo más fácil será usar
un solo semivariograma, isótropo, para cualquier dirección “”, para cualquier
alcance “a”, y para cualquier “h”. Para trabajar con un solo semivariograma,
isótropo, podemos simplemente cambiar la escala a lo largo de aquella dirección
con el mayor alcance. Veamos como se hace esto considerando que la razón (en
este caso) es = (alcance mayor/alcance menor).
Supongamos tener un sistema de coordenadas cartesianas y dos direcciones
principales cualesquiera perpendiculares
1. Posicionamos el sistema de
coordenadas cartesianas (X1,Y1)
de acuerdo al sistema de ejes
N direccionales de la mineralización.
En este nuevo sistema (X2,Y2),
a1 1
=1
cualquier distancia h del sistema
5m
2 original (X1,Y1)
2 + h2 )
hX1Y1 = (h X1
Y1
60m
=
a2 se transforma en
2 2
2. h1 2= (h 1+ h 2) , con
4 h
m/
=
60
m
=
a2
4. El paso final es restaurar el sistema de coordenadas 3. Hasta aquí solo se ha hecho una
original. Para ello se regresa a la orientación original transformación de sistema de
mediante una nueva rotación en un ángulo - . coordenadas. El paso siguiente es
transformar la elipse en un circulo.
hX1* = cos h 1* - sin h 2 * Para ello, en el nuevo sistema *:
hX2* = sin h 1* + cos h2 * h1* = h 1 y h2 * = h2
Con > 1
Ejercicios