Академический Документы
Профессиональный Документы
Культура Документы
2. RESUMEN
Dada la influencia que se tiene de las medias de los indicadores sobre su varianza, la meseta del
variograma varía con esta media, lo que no se está considerando. Se propone un método que sí
considere estas variaciones, utilizando una variable indicador transformada, más Específica
mente, a la variable indicador se le resta su media variable para centrar en cero, y además se
estandariza para eliminar el efecto del cambio de varianza. El análisis se lleva a cabo a través de
dos casos de estudio. El primer estudio consta de la estimación por kriging de indicadores
tradicional y con la mejora propuesta, sobre una base de datos sintética con un indicador. A este
caso también se le realiza un análisis de sensibilidad para revisar los resultados. El segundo caso
de estudio consta de la simulación secuencial de indicadores sobre una base de datos real de
una veta, contando con información de un muestreo por canales. Se comparan ambas
metodologías y se validan los modelos a través de jack-knife.De las estimaciones resultantes del
primer caso, se hace un estudio de los errores promedio y varianza del kriging promedio. Los
resultados para ambas metodologías son similares, a excepción de la varianza del kriging, la cual
para el método propuesto presenta menores valores y una alta influencia de la media del
indicador.
Este resultado se mantiene a pesar de disminuir los datos muestreados y cambiar el variograma
de los datos sintéticos. Las simulaciones del caso de estudio real, en ambas metodologías,
resultaron similares. De acuerdo a un análisis de errores cuadráticos, se simularon más bloques
con menor error para la metodología propuesta que en la tradicional. Mediante un jack-knife se
validan los modelos y se comparan sus porcentajes de aciertos. Ambas metodologías poseen
porcentajes de aciertos iguales, incluso con distintos modelos variográficos.
Quiero agradecer a mi familia por todo el apoyo, ánimo, enseñanzas y amor entregados en estos
22 años. Gracias por dejarme ser, por no cuestionarme mis locuras y por siempre estar ahí. A
mis tatas por siempre inculcarme el estudiar y el esforzarme por ser profesional, a mi
mamá por facilitarme la vida para enfocarme en los estudios, por tu alegría y cariño, a mi
hermana por motivarme a sacar la carrera, y a mi angelito Manuel que espero nos siga cuidando
siempre.
7. Simulación
Una simulación es un modelo numérico que intenta reproducir las características de una variable
en estudio, a través de la construcción de una variable regionalizada ficticia. Para poder utilizar
la simulación se requiere definir un modelo adecuado de función aleatoria. Dado que es
imposible conocer a cabalidad un fenómeno en la realidad, se recurre a las herramientas
de simulación, pues ofrece la ventaja de que las distintas realizaciones de la función aleatoria
presentan la misma estructura que la variable regionalizada real, en particular la misma
variabilidad espacial, a diferencia del kriging, que a causa del suavizamiento causa que las
estimaciones no tengan las mismas propiedades que los valores reales.
. Esta rutina de krigeado, permite simular valores de acuerdo a parámetros de la grilla deseada
y la relación espacial de los datos a través del variograma. También incluye parámetros de
la simulación a través de bandas rotantes como el número de bandas, número de
realizaciones y semilla. Los valores utilizados para la generación de efecto pepita, con
media cero son:
Un análisis variográfico busca describir y modelar la continuidad espacial de una variable con
el objetivo de poder descubrir presencias de anisotropías, si existen zonas de
continuidad espaciales preferenciales este se verán reflejadas en el mapa, esto un estudio a
priori pues las anisotropías se deben comprobar dentro de los variogramas, pero es del
análisis variográfico donde se encuentran pistas . Para realizar este análisis se realizó un mapa
variográfico para cada una de las leyes, donde se visualiza el variograma en todas las direcciones
del espacio.
9.1.2KRIGING EN LA GRILLA
La interpolación por Kriging se realiza en ISATIS. Los modelos para el Kriging pueden ser
adoptados con un soporte puntual o un soporte de bloques. Para mejor zonación, se
determinó utilizar modelo de bloques. Las mallas empleadas son de 80mx80mx10m. Este
método, se utilizara para las cuatro variables de la muestra (Fe, Sn, Ag, So).
HIERRO:
Analizando primero las estadísticas básicas se observa que la media es bastante similar, 36.71
contra 32.17, el número de muestras obviamente aumenta pues en el segundo caso se estima
para toda la malla. Efectivamente el máximo es menor bajando de 855 a 841 [gr/t] , y en ambos
casos el comportamiento se mantiene pues ambas curvas son de la misma forma en el QQPlot.
Donde
Debido a que 𝛶(ℎ) es esencialmente una media maestral, tiene todas las desventajas
comúnmente asociadas a este tipo de estimador como es la no robustez.
- Es un estimador no paramétrico.
- Es óptimo cuando se dispone de una malla regular de muestreo que sea representativa y la
distribución sea normal. En estas condiciones el sesgo es el mínimo posible.
π 2a3 h3
V= − a2 h + para h ≤ a
4 3 3
Dividiendo por el volumen de la esfera (πa3/6) se obtiene la función de autocorrelación
3h 1 h 3
p(h) = 1 − + ( )
2a 2 a
𝑠 ℎ h 3
{2 {3 (𝑎) − (a) } Para 0≤h≤a
𝑠
h≥a
HIERRO