Академический Документы
Профессиональный Документы
Культура Документы
Motivación.
Reconciliación
(Tonelaje-leyes)
2.- Modelamiento Geológico y Geoestadístico
5.- Extracción del Mineral/Estéril
• Regularización.
¿Qué es lo que generalmente queremos?
¿?
Estadística Univariable
Base Map (V1) Histogram (V1)
X (m) V1
2.91 Nb Samples: 100
V1 0 1 2 3
0 1 2 3 4 5 6 7 8 9 2.74 Minimum: 0.15762
9 9 2.56 Maximum: 2.90842
Mean: 1.23194
2.39
8 8 Std. Dev.: 0.586353
2.22 0.100 0.100
7 7 2.05
1.88
6 6
1.70 0.075 0.075
Frequencies
Frequencies
5 5 1.53
Y (m)
Y (m)
1.36
4 4
1.19
0.050 0.050
3 3 1.02
0.85
2 2
0.67
0.50 0.025 0.025
1 1
0.33
0 0
0.16
0 1 2 3 4 5 6 7 8 9 0.000 0.000
N/A 0 1 2 3
X (m)
Isatis V1
Simu/datos Isatis
FIbar002
- Variable #1 : V1 Simu/datos
Dec 04 2003 02:27:20 FIbar002
- Variable #1 : V1
Monovariate Statistics : Dec 04 2003 02:28:07
Clases
- Nb. samples : 100 Monovariate Statistics :
- Minimum : 0.15762 Clases
- Nb. samples : 100
- Maximum : 2.90842 - Minimum : 0.15762
- Mean : 1.23194
- Maximum : 2.90842
- Std. Dev. : 0.586353
- Mean : 1.23194
- Coef of Var. : 0.475959
- Std. Dev. : 0.586353
- Coef of Var. : 0.475959
Histogram (V1) Histogram (V1)
V1 V1
Nb Samples: 100 Nb Samples: 100
0 1 2 3 0 1 2 3
Minimum: 0.15762 Minimum: 0.15762
Maximum: 2.90842 Maximum: 2.90842
1.00
Mean: 1.23194 1.00 1.00
Mean: 1.23194 1.00
Std. Dev.: 0.586353 Std. Dev.: 0.586353
Cumulated Frequencies
Cumulated Frequencies
Cumulated Frequencies
Cumulated Frequencies
0.75 0.75 0.75 0.75
Y (m)
Y (m)
Y (m)
Y (m)
1.36 1.35
4 4 4 4
1.19 1.16
3 3 1.02 3 3 0.97
0.85 0.78
2 2 2 2
0.67 0.59
1 1 0.50 1 1 0.40
0.33 0.20
0 0 0 0
0.16 0.01
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
N/A N/A
X (m) X (m)
Isatis Isatis
Simu/datos Simu/datos
FIbar002 FIbar002
- Variable #1 : V1 - Variable #1 : V2
Dec 04 2003 02:27:20 Dec 04 2003 03:02:21
Monovariate Statistics : Monovariate Statistics :
Clases Clases
- Nb. samples : 100 - Nb. samples : 100
- Minimum : 0.15762 - Minimum : 0.0129909
- Maximum : 2.90842 - Maximum : 3.07556
- Mean : 1.23194 - Mean : 0.856266
- Std. Dev. : 0.586353 - Std. Dev. : 0.642368
- Coef of Var. : 0.475959 - Coef of Var. : 0.750196
Histogram (V1) Histogram (V2)
V1 V2
Nb Samples: 100 Nb Samples: 100
0 1 2 3 0 1 2 3
Minimum: 0.15762 Minimum: 0.0129909
Maximum: 2.90842 Maximum: 3.07556
Mean: 1.23194 Mean: 0.856266
0.125 0.125
Std. Dev.: 0.586353 Std. Dev.: 0.642368
0.100 0.100
0.100 0.100
0.075 0.075
Frequencies
Frequencies
Frequencies
Frequencies
0.075 0.075
0.050 0.050
0.050 0.050
0.025 0.025
0.025 0.025
3 3
2 2
V2
V2
1 1
0 0
0 1 2 3
V1
Isatis
Gráfico de Dispersión.
Scatter Diagram (V1, V2)
V1
rho=0.035
0 1 2 3
3 3
2 2
V2
V2
1 1
0 0
0 1 2 3
V1
Isatis
Simu/datos
FIbar002
- Variable #1 : V1
- Variable #2 : V2 Dec 04 2003 03:13:53
Clases
Monovariate Statistics :
- Nb. samples : 100 100
- Minimum : 0.15762 0.0129909
- Maximum : 2.90842 3.07556
- Mean : 1.23194 0.856266
- Std. Dev. : 0.586353 0.642368
- Coef of Var. : 0.475959 0.750196
Multivariate Statistics :
- Correlations : 1 0.03463
0.03463 1
- Regression Lines :
V2 = (0.037938) * V1 + (0.809529)
V1 = (0.031610) * V2 + (1.204874)
Correlación.
1 n
n i 1
( xi mx )( yi m y )
x y
• n: Número de datos.
• x1, …, xn: Valores de los datos de la primera variable.
• mx: Media de los datos de la primera variable.
• σx: Desviación estándar de los datos de la primera variable.
• y1, …, yn: Valores de los datos de la segunda variable.
• my: Media de los datos de la segunda variable.
• σy: Desviación estándar de los datos de la segunda variable.
La ubicación de los datos no siempre es
regular.
o
o o o o o o o o o o o o o
o o o
o o o
o o o o o o o o o o o o o
o o o
o o o o o o o o o o
o o o o o
o o o o o o o o o o o o o o o o o o
o o o o o o o o o o o o o o o o
o o o o o o o o o o o o o o o
o o o o o
o o o o o o o o o o o o o o o o
o o o
o o o o o o o o o o o o o o oo o o o o o
o o o
o o o o o o o o o o o o o o
o o o o o
o o o o o o o o o o o o o o
o
Configuración geométrica de los datos.
o o o
o o
0.912 1.002
o o o
0.882 1.119
Desventajas del método.
• El espaciamiento de la grilla debe ser más
pequeña que la separación de los datos
agrupados.
• La grilla tendrá muchos puntos si el
espaciamiento de ella es pequeño.
• Los problemas de borde se mantienen.
Celda desagrupante.
• Se toma una grilla regular sobre el dominio.
• Se cuenta el número de muestras en cada
celda.
• Se define un peso que es inversamente
proporcional al número de muestras.
Definición de peso:
1
nci
wi n 1
nc
i 1 i
• nci: número de datos en la celda que contiene
el dato i.
• wi: peso aplicado al dato i para calcular la
media ponderada.
Celda desagrupante.
o o o
0.882 1.119
6832400
6832200 u
6832000
u+h
6831800
6831600
D
322400 322600 322800 323000 323200 323400 323600 323800 324000
Hipótesis Estacionaria de Orden 2.
Una función aleatoria Z(u) es estacionaria de orden 2 si sus dos primeros momentos
existen y son invariantes por traslación:
E ( Z (u )) m
Cov ( Z (u ), Z (u h)) C (h)
1 N (h)
C ( h)
*
N (h) 1
[ z (u ) z (u h)] mh m h
Con:
1 N (h)
mh
N (h) 1
z (u )
1 N (h)
m h
N (h) 1
z (u h)
C (u
i 1 j 1
i j i uj) 0
Variograma teórico.
Se define el semi-variograma como la varianza del incremento [Z(u)-Z(u+h)], es decir:
Var {Z (u ) Z (u h)}
( h)
2
El semi-variograma es la herramienta estructural básica de la Geoestadística Lineal.
Puesto que es tan comúnmente usado, se llama simplemente variograma. La ecuación
se expresa también de la siguiente manera:
E{[Z (u ) Z (u h)]2 }
( h)
2
El estimador del variograma viene dado por:
Nh
z (u ) z (u h ) 2
* (h) 1
2Nh
Algunas propiedades del variograma teórico.
( 0) 0
( h) 0
Dado un conjunto de puntosu i y un conjunto de ponderadores que
i cumplen
n
i 1
i 0
se tiene que:
n n n
Var Z (ui ) i j (ui u j )
i 1 i i
(u
i i
i j i uj) 0
Para las funciones aleatorias Z(u) que se estudian aquí (estacionarias de 2° Orden)
se cumple que:
1
u , h (u , u h) Var Z (u ) Z (u h)
2
1
{Var [ Z (u )] Var [ Z (u h)] 2Cov[ Z (u ), Z (u h)]}
2
1
{ 2 2 2C (h)]} ,σ2 = C(0)
2
C (0) C (h)
Por lo tanto,
(h) C (0) C (h)
Es decir, el Variograma y la
Covarianza están ligados.
Uno se deduce a partir del otro.
2 se estima a partir de la
varianza de z(u).
Ejercicio.
• Calcular la función variograma para los
siguientes puntos equidistantes a 1 m:
o o o o o o o o o o o o
2 3 1 2 3 4 3 2 3 1 2 2
Nh
1
( h)
*
z (u ) z (u h ) 2
2Nh 1
¿Y en un muestreo irregular?
• No se encontrarán muchos puntos dado un vector h.
• Número de pasos.
• Distancia de separación de los pasos.
• Tolerancia en el paso.
• Acimut.
• Tolerancia en el acimut.
• Ancho de banda horizontal.
• Inclinación.
• Tolerancia en la inclinación.
• Ancho de banda vertical.
Ejemplo de variograma calculado en una dirección.
¿Cómo influyen los parámetros de cálculo en el
variograma experimental?
• Paso:
Volvamos al variograma teórico.
• Ahora necesitamos modelar el variograma teórico.
¿Por qué?
– Se calcula de manera discreta.
– Como los puntos son experimentales, está sujetos a
imprecisiones.
• En este sentido, NO SE DEBE realizar un ajuste de
mínimos cuadrados para ajustar un polinomio de grado
n, pues no cualquier polinomio es un modelo válido.
• Se utilizan entonces una serie de modelos que si son
válidos.
• Un modelo es válido si es definido positivo, o sea, la
varianza de cualquier combinación lineal es positiva.
Discontinuo (“efecto pepita”).
0 si h 0
( h)
C si h 0
Modelo esférico.
3 h 1 h 3
C si 0 h a
(h) 2 a 2 a
C si h a
• C: meseta.
• a: alcance.
Modelo cuadrático.
h h 2
C 2 si 0 h a
(h) a a
C si h a
Modelo cúbico.
h 2 35 h 3 7 h 5 3 h 7
C 7 si 0 h a
(h) a 4 a 2 a 4 a
C si h a
Modelo gaussiano.
h 2
(h) C 1 e a h
Norte
C0 + C 1 + C 2
Este
C0 + C 1 Vertical
C0
a1 a2 a3
Solución.
Este C0 C1 Esf (a3 ) C2 Esf (a3 )
Norte C0 C1 Esf (a1 ) C2 Esf (a1 )
Vertical C0 C1 Esf (a2 ) + C2Esf(∞)
a3 a3
C0 C1 Esf a1 C2 Esf a1
a
2
• Lección aprendida: Nunca modelar direcciones de
variogramas independientemente.
¿Y en la práctica?
• El efecto pepita es mejor calcularlo a lo largo de los sondajes.
• La elección de las direcciones de anisotropía dependen del conocimiento
previo del fenómeno en estudio.
• El paso del variograma va de la mano (aproximadamente) con la malla de
muestreo.
• La tolerancia en el paso conviene tomarla como la mitad del paso.
• Se recomienda calcular no muchas direcciones. En minería, 3: vertical, la
de mayor continuidad y su perpendicular.
• Ojo con el número de pares.
• Todo lo anterior depende de la densidad del muestreo.
• Modelamiento:
– Buscar modelos sencillos, tratar de no anidar más de tres estructuras.
– El modelo final depende del usuario y su experiencia.
– No hay problema en no ajustar la meseta a la varianza experimental.
¡¡¡Basta de variogramas!!!
Por el momento!!!!!…