Modelamiento de Variograma

MODELAMIENTO DE VARIOGRAMAS ESMI
INTRODUCCION
Con el objetivo de obtener una mayor precisión en la estimación de las reservas
minerales, surge la Geoestadística. Su punto de partida es que tiene una intuición
topo-probabilista [Matheron,1975], los fenómenos distribuidos en el espacio: la
mineralización, por ejemplo, presentan un carácter mixto, un comportamiento
caótico o aleatorio a nivel local; pero a la vez estructural a gran escala, de donde
se puede sugerir la idea de interpretar este fenómeno en términos de Función
Aleatoria (FA), es decir, a cada punto x del espacio se le asocia una Variable
Aleatoria (VA) Z(x), para dos puntos diferentes x e y, se tendrán dos VAs Z(x) y
Z(y) diferentes pero no independientes, y es precisamente su grado de correlación
el encargado de reflejar la continuidad de la mineralización [Matheron,1975], o de
cualquier otro fenómeno en estudio.
De forma general, la Geoestadística, se construye asumiendo condiciones de
estacionaridad y se define como el estudio de las variables numéricas
distribuidas en el espacio [Chauvet,1994], o variables regionalizadas, porque a
cada valor observado o desconocido está asociada una posición en el espacio. Su
estimador, el Kriging, tiene como objetivo encontrar el Mejor Estimador Lineal
Insesgado a partir de la información disponible [Chica-Olmo,1997], y en efecto,
el valor estimado obtenido Z*(x) de un valor real y desconocido Z(x), consiste en
una combinación lineal de pesos asociados a cada localización donde fue
muestreado un valor Z(xi) (i = 1,…n) del fenómeno estudiado, observando dos
condiciones fundamentales: 1.- que el estimador sea insesgado. E [Z*- Z] = 0, y
2.- que la varianza Var[Z* - Z] sea mínima, consiguiéndose de este modo
minimizar la varianza de error de estimación.
1
MODELAMIENTO DE VARIOGRAMA
1.- CONCEPTO:
La geoestadística comprende a un conjunto de herramientas y técnicas que sirven
para analizar y predecir los valores de una variable que se muestra distribuida en
el espacio o en el tiempo de una forma continua. Debido a su aplicación orientada
a los SIG, también se podría definir como la estadística relacionada con los datos
geográficos, de ahí que se le conozca además como estadística espacial.
Todo trabajo geoestadístico tiene que llevarse a cabo en tres etapas:
1.1) Análisis exploratorio de los datos: Se estudian los datos muestrales
sin tener en cuenta su distribución geográfica. Sería una etapa de aplicación de la
estadística. Se comprueba la consistencia de los datos, eliminándose los erróneos
e identificándose las distribuciones de las que provienen.
1.2) Análisis estructural: Estudio de la continuidad espacial de la
variable. Se calcula el variograma, u otra función que explique la variabilidad
espacial, y se ajusta al mismo un variograma teórico.
1.3) Predicciones: Estimaciones de 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,
así como la conseguida indirectamente en forma de tendencias conocidas.
2
2.- ANÁLISIS ESTRUCTURAL:
El análisis estructural o estudio variográfico según está compuesto por:
 El cálculo del semivariograma experimental.
 El ajuste a este de un modelo teórico conocido.
3.- ANÁLISIS DE LAS CARACTERÍSTICAS DEL VARIOGRAMA Y SU
MODELAMIENTO:
El Variograma es un gráfico en dos dimensiones donde el eje horizontal representa
la distancia entre pares de muestras y el eje vertical representa el variograma de
los datos analizados en una dirección dada.
ELEMENTOS DEL VARIOGRAMA
• El rango o alcance es la distancia h a la cual el variograma alcanza la meseta.
• El efecto pepita es identificado por Co , valor determinado por la proyección de
la trayectoria del variograma, hasta cortar el eje vertical. Si Co >O entonces,
existe una concentración de microvariaciones y/o a errores en la manipulación,
preparación o análisis químico de la muestra.
3
• El efecto pepita incrementa la varianza total del variograma.
• El alcance “a” proporciona una medida de la zona de relación entre muestras a
distancia h £ a (correlacionadas), donde:
• Una distancia mayor al rango o alcance indica que las muestras se consideran
independientes.
• Una distancia menor al rango o alcance indica muestras correlacionadas entre
sí.
DIAGRAMA DE RELACION ENTRE MUESTRAS
4.- AJUSTE A UN MODELO TEORICOS:
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” de lo contrario puede existir el riesgo de encontrar
varianzas negativas que no tienen sentido.
4
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, por lo que
se recomienda el uso de modelos autorizados.
El modelo de variograma seleccionado debe representar fielmente los aspectos que
se suponen importantes del variograma experimental, que serán usados
posteriormente en el proceso de estimación o simulación.
5.- MODELOS TEÓRICOS DE SEMIVARIOGRAMAS:
Los modelos teóricos de semivariogramas admisible o autorizados más utilizados en
la práctica se presentan las dos características:
1) Su comportamiento en el origen, el cual puede ser linear, parabólico y con
Efecto de Pepita.
2) La presencia o ausencia de meseta. Estos modelos son:
 Efecto de Pepita: Corresponde a un fenómeno puramente aleatorio (ruido
blanco), sin correlación entre las muestras, cualquiera sea la distancia que las
separe, (figura 9), donde C representa el valor de la meseta.
(h) =0 h=0
=C |h|>0
5
 Modelo Esférico: Este modelo es probablemente el más utilizado, es una
expresión polinomial simple, en su forma representada en la figura 10, se
puede observar un crecimiento casi lineal y después a cierta distancia finita
del origen se alcanza una estabilización, la meseta. La tangente en el origen
encuentra a la meseta en el punto de abscisa (2/3)a, donde a representa el
valor del alcance.
(h) = C [ (3/2)(h/a) - ½(h/a)3 ] ha
C h>a
 Modelo Cuadrático:
6
 Modelo Exponencial: Este modelo a diferencia del esférico crece
inicialmente más rápido y después se estabiliza de forma asintótica (figura
11). Como la meseta no se alcanza a una distancia finita, se usa con fines
prácticos el “alcance efectivo” o “alcance práctico” a´, valor que se obtiene en
el punto de abscisa para el cual el modelo obtiene el 95% de la meseta, con un
valor a´=3a, donde a es el parámetro de escala. La tangente en el origen
encuentra a la meseta en el punto a=(1/3)a´.
(h) = C [1 - Exp(-|h|/a)] |h| > 0
 Modelo Gaussiano: Este es un modelo extremadamente continuo (figura 12),
inicialmente presenta un comportamiento parabólico en el origen, después al
igual que en el modelo Exponencial se alcanza la meseta de forma asintótica.
El alcance práctico tiene un valor de a´=1.73a, que es el valor de la abscisa
donde se alcanza el 95% de la meseta.
(h)= C [ 1 - Exp(-|h|2/a2)] |h| > 0
7
 Modelo con función potencia: Este es un modelo sin meseta, su forma se
representa en la figura 13, para valores de  correspondientes a 0.5, 1.0 y 1.5.
(h) = |h| con ]0, 2[
Para el valor de =1 en el modelo anterior se obtiene el modelo Lineal, al cual no
tiene ni meseta ni alcance. Ahora por efectos prácticos, sin embargo, muchos
programas informáticos denotan la pendiente del modelo lineal con la relación C/a
(figura 14).
(h) = (C/a) |h|
Estos modelos pueden ser ajustados individualmente, aunque es posible encontrar
en la práctica aplicaciones donde a los semivariogramas experimentales se les debe
ajustar más de un modelo teórico, es decir, a través de superposición,
nombrándose estructuras.
8
APLICACIÓN DE VARIOWIN CON 500 DATOS
HM X Y RADIACION
1 9 9 81
2 21 9 58
3 33 9 73
4 45 9 79
5 57 9 62
6 69 9 73
7 81 9 58
8 93 9 66
9 105 9 86
10 117 9 55
11 129 9 75
12 141 9 49
13 153 9 75
14 165 9 93
15 177 9 60
16 189 9 75
17 201 9 94
490 117 297 95
491 129 297 110
492 141 297 95
493 153 297 41
494 165 297 39
495 177 297 76
496 189 297 46
497 201 297 22
498 213 297 76
499 225 297 76
500 237 297 57
9
PREVAR 2D
 Abrir PREVAR2D
 Buscamos la data rad.dat
 Luego hacer clic en Setting/Limits y Anotar los limites de las coordenadas
X (Este) y Y (Norte). Como se puede observar el límite de X es 237 y de
Y 297
10
 Vamos a Setting – XY coordinates.
En el cuadro inferior ya se han introducido las máximas distancias para X y Y , que
son 237 y 297.
Luego corremos el programa con Run !
Y podemos observar que se han generado 124750 pares. Ahora se ha creado un
archivo pcf.
11
VARIO 2DP
 Abrimos el archivo creado anteriormente con la extensión pcf
12
 Luego hacemos clic en Data/Map y observamos el siguiente gráfico.
 Calculate – Direccional Variogram
 Podemos ver los siguientes parámetros : en lagtolerance ponemos la mitad
del valor de lagspacing. Y en Direction modificamos a 0º, 45º, 90º y 135º.
13
 Clic en OK y vemos el Variograma Direccional
Dirección 0º
14
Dirección 45º
Dirección 90º
Dirección 135º
15
CORRECCION CON 11 PUNTOS PARA DIRECCION DE 0º, 90º, 45º Y 135º
Para dirección 0º
Para dirección 90º
16
 Guardamos el archivo y automáticamente se crea la extensión .var. En
nuestro caso es el archivo rad.var. Luego vamos a Model.

17
MODELAMIENTO
MODELO EXPONENCIAL
Variogramasurface
18
19
APLICACIONES DE MALLA REGULAR
DATA 400 MUESTRAS
Nº X Y RADIACION
1 10 10 1.86
2 20 10 1.63
3 30 10 1.78
4 40 10 1.84
5 50 10 1.67
6 60 10 1.78
7 70 10 1.63
8 80 10 1.71
9 90 10 1.91
10 100 10 1.6
11 110 10 1.8
12 120 10 1.54
13 130 10 1.8
14 140 10 1.98
15 150 10 1.65
.
385 50 200 1.46

386 60 200 1.01
387 70 200 1.46
388 80 200 1.73
389 90 200 1.95
390 100 200 1.51
391 110 200 1.92
392 120 200 1.68
393 130 200 1.33
394 140 200 1.64
395 150 200 1.77
396 160 200 1.73
397 170 200 1.82
398 180 200 1.54
399 190 200 1.61
400 200 200 1.97
20
UBICACIÓN DE LOS PUNTOS
200
180
160
140
120
COORD Y
100
MUESTRAS
80
60
40
20
0
0 50 100 150 200
COORD X
PARÁMETROS
MALLA DE: 10 x 10
min (X) 10 DIRECCION E-W

Longitud
max (X) 200 Lim.= 200 m
evaluar
min (Y) 10 hasta 105 m
max (Y) 200 14.14
DIRECCION N-E 10
Longitud
LEY(min) 1.01 Lim.= 282.84 m
evaluar
LEY(max) 2.86 hasta 148.492 m 10
x y DIRECCION N-S
Longitud
200 200 Lim.= 200 m
evaluar
10 10 hasta 105 m
Puntos en Horz.= 20 DIRECCION N-W

Longitud 282.84 m
21
Lim.=
evaluar
20
Puntos Vert.= hasta 148.49 m
Direccion= 45 º N-E
250
200 N-E
150
COORD Y
MUESTRAS
100
N-E
50
N-E
0
0 50 100 150 200 250
COORD X
RESULTADOS
 =0º  =135º  =90º  =45º

h N(h) (h) h N(h) (h) h N(h) (h) h N(h) (h)
1 10 380 0.08236 14.14 361 0.102 10 380 0.063 14.14 361 0.086
2 20 360 0.1075 28.28 324 0.138 20 360 0.122 28.28 324 0.122
3 30 340 0.10826 42.43 289 0.157 30 340 0.151 42.43 289 0.125
4 40 320 0.11993 56.57 256 0.186 40 320 0.166 56.57 256 0.131
5 50 300 0.12581 70.71 225 0.194 50 300 0.169 70.71 225 0.141
6 60 280 0.12495 84.85 196 0.19 60 280 0.184 84.85 196 0.141
7 70 260 0.12702 98.99 169 0.155 70 260 0.201 98.99 169 0.152
8 80 240 0.13083 113.14 144 0.212 80 240 0.23 113.14 144 0.168
9 90 220 0.13674 127.28 121 0.199 90 220 0.229 127.28 121 0.177
10 100 200 0.15014 141.42 100 0.17 100 200 0.198 141.42 100 0.155
11 110 180 0.17308 155.56 81 0.181 110 180 0.157 155.56 81 0.15
12 120 160 0.16226 169.71 64 0.186 120 160 0.134 169.71 64 0.09
13 130 140 0.17076 183.85 49 0.164 130 140 0.141 183.85 49 0.096
22
Variograma Malla Regular

0.25
0.2
 (h)
0.15
a =0º
0.1 a =135º
a =90º
0.05
a =45º
0
0 50 100 150 200
APLICACIÓN # 02
DATA
N° Au Onz 13 2.20
1 2.50 14 3.00
2 1.60 15 1.50
3 1.30 16 0.90
4 1.40 17 0.70
5 2.10 18 0.80
6 0.70 19 1.10
7 0.50 20 2.20
8 1.90 21 2.30
9 1.60 22 1.70
10 1.40 23 2.00
11 1.00 24 2.50
12 0.80 25 1.80
23
H min = 2 m
H max = 22 m
Variograma Experimental Para 2m
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 1.60 0.81
2 1.60 1.30 0.09
3 1.30 1.40 0.01
4 1.40 2.10 0.49
5 2.10 0.70 1.96
6 0.70 0.50 0.04
7 0.50 1.90 1.96
8 1.90 1.60 0.09
9 1.60 1.40 0.04
10 1.40 1.00 0.16
11 1.00 0.80 0.04
12 0.80 2.20 1.96
13 2.20 3.00 0.64
14 3.00 1.50 2.25
15 1.50 0.90 0.36
16 0.90 0.70 0.04
17 0.70 0.80 0.01
18 0.80 1.10 0.09
19 1.10 2.20 1.21
20 2.20 2.30 0.01
21 2.30 1.70 0.36
22 1.70 2.00 0.09
23 2.00 2.50 0.25
24 2.50 1.80 0.49
Datos:
N(h) = 24 pares
å (Z(x+h)-Z(x))^2 = 13.45
g*(2) = 0.280208 Onz^2
24
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 1.30 1.44
2 1.60 1.40 0.04
3 1.30 2.10 0.64
4 1.40 0.70 0.49
5 2.10 0.50 2.56
6 0.70 1.90 1.44
7 0.50 1.60 1.21
8 1.90 1.40 0.25
9 1.60 1.00 0.36
10 1.40 0.80 0.36
11 1.00 2.20 1.44
12 0.80 3.00 4.84
13 2.20 1.50 0.49
14 3.00 0.90 4.41
15 1.50 0.70 0.64
16 0.90 0.80 0.01
17 0.70 1.10 0.16
18 0.80 2.20 1.96
19 1.10 2.30 1.44
20 2.20 1.70 0.25
21 2.30 2.00 0.09
22 1.70 2.50 0.64
23 2.00 1.80 0.04
Datos:
N(h) = 23 pares
å (Z(x+h)-Z(x))^2 = 25.2
g*(4) = 0.547826 Onz^2
25
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 1.40 1.21
2 1.60 2.10 0.25
3 1.30 0.70 0.36
4 1.40 0.50 0.81
5 2.10 1.90 0.04
6 0.70 1.60 0.81
7 0.50 1.40 0.81
8 1.90 1.00 0.81
9 1.60 0.80 0.64
10 1.40 2.20 0.64
11 1.00 3.00 4
12 0.80 1.50 0.49
13 2.20 0.90 1.69
14 3.00 0.70 5.29
15 1.50 0.80 0.49
16 0.90 1.10 0.04
17 0.70 2.20 2.25
18 0.80 2.30 2.25
19 1.10 1.70 0.36
20 2.20 2.00 0.04
21 2.30 2.50 0.04
22 1.70 1.80 0.01
Datos:
N(h) = 22 pares
å (Z(x+h)-Z(x))^2 = 23.33
g*(6) = 0.530227 Onz^2
26
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 2.10 0.16
2 1.60 0.70 0.81
3 1.30 0.50 0.64
4 1.40 1.90 0.25
5 2.10 1.60 0.25
6 0.70 1.40 0.49
7 0.50 1.00 0.25
8 1.90 0.80 1.21
9 1.60 2.20 0.36
10 1.40 3.00 2.56
11 1.00 1.50 0.25
12 0.80 0.90 0.01
13 2.20 0.70 2.25
14 3.00 0.80 4.84
15 1.50 1.10 0.16
16 0.90 2.20 1.69
17 0.70 2.30 2.56
18 0.80 1.70 0.81
19 1.10 2.00 0.81
20 2.20 2.50 0.09
21 2.30 1.80 0.25
Datos:
N(h) = 21 pares
å (Z(x+h)-Z(x))^2 = 20.7
g*(8) = 0.492857 Onz^2
27
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 0.70 3.24
2 1.60 0.50 1.21
3 1.30 1.90 0.36
4 1.40 1.60 0.04
5 2.10 1.40 0.49
6 0.70 1.00 0.09
7 0.50 0.80 0.09
8 1.90 2.20 0.09
9 1.60 3.00 1.96
10 1.40 1.50 0.01
11 1.00 0.90 0.01
12 0.80 0.70 0.01
13 2.20 0.80 1.96
14 3.00 1.10 3.61
15 1.50 2.20 0.49
16 0.90 2.30 1.96
17 0.70 1.70 1
18 0.80 2.00 1.44
19 1.10 2.50 1.96
20 2.20 1.80 0.16
Datos:
N(h) = 20 pares
å (Z(x+h)-Z(x))^2 = 20.18
g*(10) = 0.5045 Onz^2
28
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 0.50 4
2 1.60 1.90 0.09
3 1.30 1.60 0.09
4 1.40 1.40 0
5 2.10 1.00 1.21
6 0.70 0.80 0.01
7 0.50 2.20 2.89
8 1.90 3.00 1.21
9 1.60 1.50 0.01
10 1.40 0.90 0.25
11 1.00 0.70 0.09
12 0.80 0.80 0
13 2.20 1.10 1.21
14 3.00 2.20 0.64
15 1.50 2.30 0.64
16 0.90 1.70 0.64
17 0.70 2.00 1.69
18 0.80 2.50 2.89
19 1.10 1.80 0.49
Datos:
N(h) = 19 pares
å (Z(x+h)-Z(x))^2 = 18.05
g*(12) = 0.475 Onz^2
29
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 1.90 0.36
2 1.60 1.60 0
3 1.30 1.40 0.01
4 1.40 1.00 0.16
5 2.10 0.80 1.69
6 0.70 2.20 2.25
7 0.50 3.00 6.25
8 1.90 1.50 0.16
9 1.60 0.90 0.49
10 1.40 0.70 0.49
11 1.00 0.80 0.04
12 0.80 1.10 0.09
13 2.20 2.20 0
14 3.00 2.30 0.49
15 1.50 1.70 0.04
16 0.90 2.00 1.21
17 0.70 2.50 3.24
18 0.80 1.80 1
Datos:
N(h) = 18 pares
å (Z(x+h)-Z(x))^2 = 17.97
g*(14) = 0.499167 Onz^2
30
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 1.60 0.81
2 1.60 1.40 0.04
3 1.30 1.00 0.09
4 1.40 0.80 0.36
5 2.10 2.20 0.01
6 0.70 3.00 5.29
7 0.50 1.50 1
8 1.90 0.90 1
9 1.60 0.70 0.81
10 1.40 0.80 0.36
11 1.00 1.10 0.01
12 0.80 2.20 1.96
13 2.20 2.30 0.01
14 3.00 1.70 1.69
15 1.50 2.00 0.25
16 0.90 2.50 2.56
17 0.70 1.80 1.21
Datos:
N(h) = 17 pares
å (Z(x+h)-Z(x))^2 = 17.46
g*(16) = 0.513529 Onz^2
31
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 1.40 1.21
2 1.60 1.00 0.36
3 1.30 0.80 0.25
4 1.40 2.20 0.64
5 2.10 3.00 0.81
6 0.70 1.50 0.64
7 0.50 0.90 0.16
8 1.90 0.70 1.44
9 1.60 0.80 0.64
10 1.40 1.10 0.09
11 1.00 2.20 1.44
12 0.80 2.30 2.25
13 2.20 1.70 0.25
14 3.00 2.00 1
15 1.50 2.50 1
16 0.90 1.80 0.81
Datos:
N(h) = 16 pares
å (Z(x+h)-Z(x))^2 = 12.99
g*(18) = 0.405938 Onz^2
32
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 1.00 2.25
2 1.60 0.80 0.64
3 1.30 2.20 0.81
4 1.40 3.00 2.56
5 2.10 1.50 0.36
6 0.70 0.90 0.04
7 0.50 0.70 0.04
8 1.90 0.80 1.21
9 1.60 1.10 0.25
10 1.40 2.20 0.64
11 1.00 2.30 1.69
12 0.80 1.70 0.81
13 2.20 2.00 0.04
14 3.00 2.50 0.25
15 1.50 1.80 0.09
Datos:
N(h) = 15 pares
å (Z(x+h)-Z(x))^2 = 11.68
g*(20) = 0.389333 Onz^2
33
N° (Z(x+h)-
Z(x) Z(x+h)
Pares Z(x))^2
1 2.50 0.80 2.89
2 1.60 2.20 0.36
3 1.30 3.00 2.89
4 1.40 1.50 0.01
5 2.10 0.90 1.44
6 0.70 0.70 0
7 0.50 0.80 0.09
8 1.90 1.10 0.64
9 1.60 2.20 0.36
10 1.40 2.30 0.81
11 1.00 1.70 0.49
12 0.80 2.00 1.44
13 2.20 2.50 0.09
14 3.00 1.80 1.44
Datos:
N(h) = 14 pares
å (Z(x+h)-Z(x))^2 = 12.95
g*(22) = 0.4625 Onz^2
34
CUADRO RESUMEN
h g (h)
2 0.280208
4 0.547826
6 0.530227
8 0.492857
10 0.5045
12 0.475
14 0.499167
16 0.513529
18 0.405938
20 0.389333
22 0.4625
DIAGRAMA DEL VARIOGRAMA
Variograma
0.6
0.5
0.4
*(h)
0.3
0.2
0.1
0
0 5 10 15 20 25
h
35
APLICACIONES EN MALLA IRREGULAR
DATOS DE
INGRESO:
Nº Prof. Ley(%)
1 12 2.10
2 16 1.80
3 21 0.90
4 26 1.00
5 34 1.50
6 42 1.90
7 52 1.10
8 58 1.00
9 63 0.90
10 67 0.80
11 76 3.20
12 81 1.90
13 85 1.30
14 92 2.50
15 100 1.60
% 2.1 1.8 0.9 1 1.5 1.9 1.1 1 0.9 0.8 3.2 1.9 1.3 2.5 1.6
P(m) 12 16 21 26 34 42 52 58 63 67 76 81 85 92 100
4 5 5 8 8 10 6 5 4 9 5 4 7 8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0 4 9 14 22 30 40 46 51 55 64 69 73 80 88
2 0 5 10 18 26 36 42 47 51 60 65 69 76 84
3 0 5 13 21 31 37 42 46 55 60 64 71 79
4 0 8 16 26 32 37 41 50 55 59 66 74
5 0 8 18 24 29 33 42 47 51 58 66
6 0 10 16 21 25 34 39 43 50 58
7 0 6 11 15 24 29 33 40 48
8 0 5 9 18 23 27 34 42
9 0 4 13 18 22 29 37
10 0 9 14 18 25 33
11 0 5 9 16 24
12 0 4 11 19
13 0 7 15
14 0 8
15 0
36
VARIOGRAMA EXPERRIMENTAL
RESULTADOS:
Htotal 88
Hmin 4
Hmax 46
h Rango N(h) ∑N(h) ⁻h ∑(Z(x+h)-Z(x))² γ*(h)

1 8 4 12 20 147 7.35 18.18 0.4545
2 16 8 24 34 524 15.41 41.09 0.60426
3 24 12 36 40 934 23.35 40.79 0.50988
4 32 16 48 51 1566 30.71 42.74 0.41902
5 40 20 60 55 2122 38.58 53.81 0.48918
6 48 24 72 58 2547 43.91 56.97 0.49112
7 56 28 84 56 2812 50.21 47.72 0.42607
8 64 32 96 52 2752 52.92 44.33 0.42625
VARIOGRAMA EXPERIMENTAL
0.7
0.6
0.5
0.4
0.3 γ*(h)
0.2
0.1
0
0 10 20 30 40 50 60 70
37
GRAFICO DE DISPERCION:
ANALISIS DEL PUNTO 2 NUMERO DE PUNTOS : 34
Z(x) Z(x+h)
2.1 0.9 GRAFICO DE DISPERSION
2.1 1 3.5
2.1 1.5
1.8 1 3
1.8 1.5
0.9 1.5 2.5
0.9 1.9
1 1.5
2 R² = 0.0418
Z(x+h)
1 1.9
1.5 1.9
1.5
1.5 1.1
1.5 1
1
1.9 1.1
1.9 1
1.9 0.9 0.5
1.1 0.9
1.1 0.8 0
1.1 3.2 0 0.5 1 1.5 2 2.5 3 3.5
1 0.8 Z(x)
1 3.2
1 1.9
0.9 3.2
0.9 1.9
0.9 1.3
0.8 3.2
0.8 1.9
0.8 1.3
3.2 1.3
3.2 2.5
3.2 1.6
1.9 2.5
1.9 1.6
1.3 2.5
1.3 1.6
2.5 1.6
38
MODELAMIENTO
MODELAMIENTO:
h γ*(h) EXPONENCIAL
8 0.4545 0.237759635
MODELO: 3
16 0.60426 0.381968144
PARAMETROS MODELOS
24 0.50988 0.604264706 Esferico =1
C0= 0
32 0.41902 0.604264706 Cuadratico =2
C1= 0.60426471
40 0.48918 0.604264706 Exponecial =3
S= 0.60426471
48 0.49112 0.604264706
a= 16
56 0.42607 0.604264706
64 0.42625 0.604264706
Modelamiento
0.7
0.6
0.5
0.4
γ*(h)
0.3 EXPONENCIAL
0.2
0.1
0
0 10 20 30 40 50 60 70
39
EJERCICIO 02
DATA
N° Dist. Ley
Ag
1 0 5.8
2 3 3.4
3 5 5.1 HALLAR LOS GRAFICOS DE V ARIOGRAMA
4 5 6.8
DISTANCIA TOTAL : 54 METROS
5 4 9.9
6 6 7.6
7 2 6.4
8 2 6.8
9 4 6.7
10 3 7.5
11 2 8.9 Intervalo
H
12 6 7.4 [i j]
4 2 6
13 2 6.3
8 4 12
14 5 6.2 12 6 18
15 6 8.8 16 8 24
20 10 30
24 12 36
28 14 42
32 16 48
36 18 54
MATRIZ DE DISTANCIAS
Dist 0 3 5 5 4 6 2 2 4 3 2 6 2 5 6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0 3 8 13 17 23 25 27 31 34 36 42 44 49 55
2 0 5 10 14 20 22 24 28 31 33 39 41 46 52
3 0 5 9 15 17 19 23 26 28 34 36 41 47
4 0 4 10 12 14 18 21 23 29 31 36 42
5 0 6 8 10 14 17 19 25 27 32 38
6 0 2 4 8 11 13 19 21 26 32
7 0 2 6 9 11 17 19 24 30
8 0 4 7 9 15 17 22 28
9 0 3 5 11 13 18 24
10 0 2 8 10 15 21
11 0 6 8 13 19
12 0 2 7 13
13 0 5 11
14 0 6
15 0
40
1. VAROGRAMA EXPERIMENTAL PARA H= [2-6]

Ley 5.8 3.4 5.1 6.8 9.9 7.6 6.4 6.8 6.7 7.5 8.9 7.4 6.3 6.2 8.8
Ley 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
5.8 1 0 3 8 13 17 23 25 27 31 34 36 42 44 49 55
3.4 2 0 5 10 14 20 22 24 28 31 33 39 41 46 52
5.1 3 0 5 9 15 17 19 23 26 28 34 36 41 47
6.8 4 0 4 10 12 14 18 21 23 29 31 36 42
9.9 5 0 6 8 10 14 17 19 25 27 32 38
7.6 6 0 2 4 8 11 13 19 21 26 32
6.4 7 0 2 6 9 11 17 19 24 30
6.8 8 0 4 7 9 15 17 22 28
6.7 9 0 3 5 11 13 18 24
7.5 10 0 2 8 10 15 21
8.9 11 0 6 8 13 19
7.4 12 0 2 7 13
6.3 13 0 5 11
6.2 14 0 6
8.8 15 0
Tabla de datos = (Z(x+h)-Z(x))^2
Ley 5.8 3.4 5.1 6.8 9.9 7.6 6.4 6.8 6.7 7.5 8.9 7.4 6.3 6.2 8.8
Ley 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
5.8 1 0 5.8 0.5 1 17 3.2 0.4 1 0.8 2.9 9.6 2.6 0.3 0.2 9
3.4 2 5.8 0 2.9 12 42 18 9 12 11 17 30 16 8.4 7.8 29
5.1 3 0.5 2.9 0 2.9 23 6.3 1.7 2.9 2.6 5.8 14 5.3 1.4 1.2 14
6.8 4 1 12 2.9 0 9.6 0.6 0.2 0 0 0.5 4.4 0.4 0.3 0.4 4
9.9 5 17 42 23 9.6 0 5.3 12 9.6 10 5.8 1 6.3 13 14 1.2
7.6 6 3.2 18 6.3 0.6 5.3 0 1.4 0.6 0.8 0 1.7 0 1.7 2 1.4
6.4 7 0.4 9 1.7 0.2 12 1.4 0 0.2 0.1 1.2 6.3 1 0 0 5.8
6.8 8 1 12 2.9 0 9.6 0.6 0.2 0 0 0.5 4.4 0.4 0.3 0.4 4
6.7 9 0.8 11 2.6 0 10 0.8 0.1 0 0 0.6 4.8 0.5 0.2 0.3 4.4
7.5 10 2.9 17 5.8 0.5 5.8 0 1.2 0.5 0.6 0 2 0 1.4 1.7 1.7
8.9 11 9.6 30 14 4.4 1 1.7 6.3 4.4 4.8 2 0 2.3 6.8 7.3 0
7.4 12 2.6 16 5.3 0.4 6.3 0 1 0.4 0.5 0 2.3 0 1.2 1.4 2
6.3 13 0.3 8.4 1.4 0.3 13 1.7 0 0.3 0.2 1.4 6.8 1.2 0 0 6.3
6.2 14 0.2 7.8 1.2 0.4 14 2 0 0.4 0.3 1.7 7.3 1.4 0 0 6.8
8.8 15 9 29 14 4 1.2 1.4 5.8 4 4.4 1.7 0 2 6.3 6.8 0
N(h) = 16 Pares h= 4.1

(Z(x+h)-Z(x))^2 = 41
*[2,6] = 1.29563
2. VAROGRAMA EXPERIMENTAL PARA H= [4 12]
41
Ley 5.8 3.4 5.1 6.8 9.9 7.6 6.4 6.8 6.7 7.5 8.9 7.4 6.3 6.2 8.8
Ley 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
5.8 1 0 3 8 13 17 23 25 27 31 34 36 42 44 49 55
3.4 2 0 5 10 14 20 22 24 28 31 33 39 41 46 52
5.1 3 0 5 9 15 17 19 23 26 28 34 36 41 47
6.8 4 0 4 10 12 14 18 21 23 29 31 36 42
9.9 5 0 6 8 10 14 17 19 25 27 32 38
7.6 6 0 2 4 8 11 13 19 21 26 32
6.4 7 0 2 6 9 11 17 19 24 30
6.8 8 0 4 7 9 15 17 22 28
6.7 9 0 3 5 11 13 18 24
7.5 10 0 2 8 10 15 21
8.9 11 0 6 8 13 19
7.4 12 0 2 7 13
6.3 13 0 5 11
6.2 14 0 6
8.8 15 0
Ley 5.8 3.4 5.1 6.8 9.9 7.6 6.4 6.8 6.7 7.5 8.9 7.4 6.3 6.2 8.8
Ley 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
5.8 1 0 5.8 0.5 1 17 3.2 0.4 1 0.8 2.9 9.6 2.6 0.3 0.2 9
3.4 2 5.8 0 2.9 12 42 18 9 12 11 17 30 16 8.4 7.8 29
5.1 3 0.5 2.9 0 2.9 23 6.3 1.7 2.9 2.6 5.8 14 5.3 1.4 1.2 14
6.8 4 1 12 2.9 0 9.6 0.6 0.2 0 0 0.5 4.4 0.4 0.3 0.4 4
9.9 5 17 42 23 9.6 0 5.3 12 9.6 10 5.8 1 6.3 13 14 1.2
7.6 6 3.2 18 6.3 0.6 5.3 0 1.4 0.6 0.8 0 1.7 0 1.7 2 1.4
6.4 7 0.4 9 1.7 0.2 12 1.4 0 0.2 0.1 1.2 6.3 1 0 0 5.8
6.8 8 1 12 2.9 0 9.6 0.6 0.2 0 0 0.5 4.4 0.4 0.3 0.4 4
6.7 9 0.8 11 2.6 0 10 0.8 0.1 0 0 0.6 4.8 0.5 0.2 0.3 4.4
7.5 10 2.9 17 5.8 0.5 5.8 0 1.2 0.5 0.6 0 2 0 1.4 1.7 1.7
8.9 11 9.6 30 14 4.4 1 1.7 6.3 4.4 4.8 2 0 2.3 6.8 7.3 0
7.4 12 2.6 16 5.3 0.4 6.3 0 1 0.4 0.5 0 2.3 0 1.2 1.4 2
6.3 13 0.3 8.4 1.4 0.3 13 1.7 0 0.3 0.2 1.4 6.8 1.2 0 0 6.3
6.2 14 0.2 7.8 1.2 0.4 14 2 0 0.4 0.3 1.7 7.3 1.4 0 0 6.8
8.8 15 9 29 14 4 1.2 1.4 5.8 4 4.4 1.7 0 2 6.3 6.8 0
N(h) = 30 Pares h= 7.8

(Z(x+h)-Z(x))^2 = 123
*[4,12] = 2.04333
42
3. VAROGRAMA EXPERIMENTAL PARA H= [6 18]
Ley 5.8 3.4 5.1 6.8 9.9 7.6 6.4 6.8 6.7 7.5 8.9 7.4 6.3 6.2 8.8
Ley 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
5.8 1 0 3 8 13 17 23 25 27 31 34 36 42 44 49 55
3.4 2 0 5 10 14 20 22 24 28 31 33 39 41 46 52
5.1 3 0 5 9 15 17 19 23 26 28 34 36 41 47
6.8 4 0 4 10 12 14 18 21 23 29 31 36 42
9.9 5 0 6 8 10 14 17 19 25 27 32 38
7.6 6 0 2 4 8 11 13 19 21 26 32
6.4 7 0 2 6 9 11 17 19 24 30
6.8 8 0 4 7 9 15 17 22 28
6.7 9 0 3 5 11 13 18 24
7.5 10 0 2 8 10 15 21
8.9 11 0 6 8 13 19
7.4 12 0 2 7 13
6.3 13 0 5 11
6.2 14 0 6
8.8 15 0
Ley 5.8 3.4 5.1 6.8 9.9 7.6 6.4 6.8 6.7 7.5 8.9 7.4 6.3 6.2 8.8
Ley 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
5.8 1 0 5.8 0.5 1 17 3.2 0.4 1 0.8 2.9 9.6 2.6 0.3 0.2 9
3.4 2 5.8 0 2.9 12 42 18 9 12 11 17 30 16 8.4 7.8 29
5.1 3 0.5 2.9 0 2.9 23 6.3 1.7 2.9 2.6 5.8 14 5.3 1.4 1.2 14
6.8 4 1 12 2.9 0 9.6 0.6 0.2 0 0 0.5 4.4 0.4 0.3 0.4 4
9.9 5 17 42 23 9.6 0 5.3 12 9.6 10 5.8 1 6.3 13 14 1.2
7.6 6 3.2 18 6.3 0.6 5.3 0 1.4 0.6 0.8 0 1.7 0 1.7 2 1.4
6.4 7 0.4 9 1.7 0.2 12 1.4 0 0.2 0.1 1.2 6.3 1 0 0 5.8
6.8 8 1 12 2.9 0 9.6 0.6 0.2 0 0 0.5 4.4 0.4 0.3 0.4 4
6.7 9 0.8 11 2.6 0 10 0.8 0.1 0 0 0.6 4.8 0.5 0.2 0.3 4.4
7.5 10 2.9 17 5.8 0.5 5.8 0 1.2 0.5 0.6 0 2 0 1.4 1.7 1.7
8.9 11 9.6 30 14 4.4 1 1.7 6.3 4.4 4.8 2 0 2.3 6.8 7.3 0
7.4 12 2.6 16 5.3 0.4 6.3 0 1 0.4 0.5 0 2.3 0 1.2 1.4 2
6.3 13 0.3 8.4 1.4 0.3 13 1.7 0 0.3 0.2 1.4 6.8 1.2 0 0 6.3
6.2 14 0.2 7.8 1.2 0.4 14 2 0 0.4 0.3 1.7 7.3 1.4 0 0 6.8
8.8 15 9 29 14 4 1.2 1.4 5.8 4 4.4 1.7 0 2 6.3 6.8 0
N(h) = 41 Pares h= 11
(Z(x+h)-Z(x))^2 = 198
*[6,18] = 2.41976
43
Y ASI REALIZAREMOS SUSECIVAMENTE Y POR QUE TENDREMOS:
TABLA RESUMEN
Intervalo
H g*(h) h
[i j]
4 2 6 1.295625 4.063
8 4 12 2.043333 7.767
12 6 18 2.419756 11.38
16 8 24 2.325755 15.5
20 10 30 2.362273 18.22
24 12 36 2.641724 22.64
28 14 42 2.854091 25.5
32 16 48 2.623273 27.8
36 18 54 2.81125 29.71
GRAFICO DE VARIOGRAMA
Variograma
3
2.5
2
*h
1.5
1
0.5
0
0 5 10 15 20 25 30 35
h
44
CONCLUSIONES
Los modelos teóricos de semivariogramas autorizados más utilizados en la
práctica se presentan las dos características: Su comportamiento en el
origen, el cual puede ser linear, parabólico y con Efecto de Pepita y la
presencia o ausencia de meseta.
Estos modelos empíricos pueden ser ajustados individualmente, aunque es
posible encontrar en la práctica aplicaciones donde a los semivariogramas
experimentales se les debe ajustar más de un modelo teórico, es decir, a
través de superposición, nombrándose estructuras.
El modelo de variograma seleccionado debe representar fielmente los
aspectos que se suponen importantes del variograma experimental, que serán
usados posteriormente en el proceso de estimación o simulación.
El software VARIOWIN permite un análisis estructural completo de datos
espaciales. Además del análisis gráfico, brinda en forma de tablas
información numérica del análisis de estimaciones resultante del cálculo del
variograma experimental y de la superficie de variograma, contribuyendo a
una mejor elección del modelo y parámetros a ajustar.
45

Modelamiento de Variograma

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelamiento de Variograma

Încărcat de

Drepturi de autor:

Formate disponibile

MODELAMIENTO DE VARIOGRAMAS ESMI

Con el objetivo de obtener una mayor precisión en la estimación de las reservas

minerales, surge la Geoestadística. Su punto de partida es que tiene una intuición

topo-probabilista [Matheron,1975], los fenómenos distribuidos en el espacio: la

mineralización, por ejemplo, presentan un carácter mixto, un comportamiento

se puede sugerir la idea de interpretar este fenómeno en términos de Función

Z(y) diferentes pero no independientes, y es precisamente su grado de correlación

el encargado de reflejar la continuidad de la mineralización [Matheron,1975], o de

cualquier otro fenómeno en estudio.

De forma general, la Geoestadística, se construye asumiendo condiciones de

estacionaridad y se define como el estudio de las variables numéricas

distribuidas en el espacio [Chauvet,1994], o variables regionalizadas, porque a

cada valor observado o desconocido está asociada una posición en el espacio. Su

estimador, el Kriging, tiene como objetivo encontrar el Mejor Estimador Lineal

Insesgado a partir de la información disponible [Chica-Olmo,1997], y en efecto,

el valor estimado obtenido Z*(x) de un valor real y desconocido Z(x), consiste en

una combinación lineal de pesos asociados a cada localización donde fue

muestreado un valor Z(xi) (i = 1,…n) del fenómeno estudiado, observando dos

condiciones fundamentales: 1.- que el estimador sea insesgado. E [Z*- Z] = 0, y

2.- que la varianza Var[Z* - Z] sea mínima, consiguiéndose de este modo

minimizar la varianza de error de estimación.

La geoestadística comprende a un conjunto de herramientas y técnicas que sirven

el espacio o en el tiempo de una forma continua. Debido a su aplicación orientada

geográficos, de ahí que se le conozca además como estadística espacial.

Todo trabajo geoestadístico tiene que llevarse a cabo en tres etapas:

1.1) Análisis exploratorio de los datos: Se estudian los datos muestrales

sin tener en cuenta su distribución geográfica. Sería una etapa de aplicación de la

estadística. Se comprueba la consistencia de los datos, eliminándose los erróneos

e identificándose las distribuciones de las que provienen.

1.2) Análisis estructural: Estudio de la continuidad espacial de la

variable. Se calcula el variograma, u otra función que explique la variabilidad

espacial, y se ajusta al mismo un variograma teórico.

1.3) Predicciones: Estimaciones de 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,

así como la conseguida indirectamente en forma de tendencias conocidas.

2.- ANÁLISIS ESTRUCTURAL:

El análisis estructural o estudio variográfico según está compuesto por:

 El cálculo del semivariograma experimental.

 El ajuste a este de un modelo teórico conocido.

3.- ANÁLISIS DE LAS CARACTERÍSTICAS DEL VARIOGRAMA Y SU

El Variograma es un gráfico en dos dimensiones donde el eje horizontal representa

la distancia entre pares de muestras y el eje vertical representa el variograma de

los datos analizados en una dirección dada.

ELEMENTOS DEL VARIOGRAMA

• El rango o alcance es la distancia h a la cual el variograma alcanza la meseta.

• El efecto pepita es identificado por Co , valor determinado por la proyección de

la trayectoria del variograma, hasta cortar el eje vertical. Si Co >O entonces,

existe una concentración de microvariaciones y/o a errores en la manipulación,

preparación o análisis químico de la muestra.

• El efecto pepita incrementa la varianza total del variograma.

• El alcance “a” proporciona una medida de la zona de relación entre muestras a

distancia h £ a (correlacionadas), donde:

• Una distancia menor al rango o alcance indica muestras correlacionadas entre

DIAGRAMA DE RELACION ENTRE MUESTRAS

4.- AJUSTE A UN MODELO TEORICOS:

El semivariograma experimental obtenido no es utilizado en el proceso de

un modelo o función analítica que caracteriza la continuidad espacial de la variable

Los modelos de variograma teórico utilizado en el proceso de estimación o

positivo” o de “tipo positivo” de lo contrario puede existir el riesgo de encontrar

varianzas negativas que no tienen sentido.

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

se encuentra el mejor ajuste, no siempre se verifica la condición de que el