Geoe Stadi Stica

UNIVERSIDAD NACIONAL DE
CAJAMARCA
FACULTAD DE INGENIERIA
ESCUELA ACADEMICO PROFESIONAL DE
INGENIERIA GEOLOGICA
Trabajo de investigación: análisis estructural
Curso: GEOESTADISTICA
Docente: ING: HERNAN

INTEGRANTES:
 HUAMAN CARRASCO, James
 PAUCAR PAREDES, Eduardo.
 DIAZ LEON, Miguel Ángel.
 ROJAS URRUTIA, Cluber.
 RUIZ SANCHEZ, Heiner.
Ciclo: VI
Agradecimiento:
Damos gracias a Dios, por estar con nosotros en

cada paso que damos, por fortalecer nuestro
corazón e iluminar nuestra mente y por haber
puesto en nuestro camino a aquellas personas que
han sido nuestro soporte y compañía durante
todo el periodo de estudio.
Agradecemos hoy y siempre a nuestros padres y
demás familiares ya que nos brindan el apoyo, la
alegría y nos dan la fortaleza necesaria para seguir
adelante.
Dedicatoria:
Les dedicamos nuestro trabajo a nuestros

Padres, a quien le debemos nuestra vida, les
agradecemos el cariño y su comprensión, a
ustedes quienes han sabido formarnos con
buenos sentimientos, hábitos y valores, lo
cual nos ha ayudado a salir adelante
buscando siempre el mejor camino.
A nuestros docentes, gracias por su tiempo,
por su apoyo así como por la sabiduría que
nos transmiten en el desarrollo de nuestra
formación profesional.
UNIVERSIDAD NACIONAL DE CAJAMARCA GEOESTADISTICA
Escuela académico profesional de Ingeniería Geológica
INTRODUCCION
En el campo de las geociencias es común encontrar variables distribuidas espacialmente. Para el estudio
de estas variables son usados diversos procedimientos geoestadísticos de estimación y/o simulación. Esto
es, a partir de un conjunto de muestras tomadas en localizaciones del dominio en que se manifiesta un
fenómeno a estudiar y consideradas representativas de su realidad, que por lo general es siempre
desconocida, estos procedimientos permiten la descripción o caracterización de las variables con dos fines
diferentes, primero, proporcionar valores estimados en localizaciones de interés y segundo, generar
valores que en conjunto presenten iguales características de dispersión que los datos originales. La
geología y la minería es el campo típico para la aplicación de estos modelos, campo en el que surge y se
desarrolla la Geoestadística como ciencia aplicada.
En la búsqueda, exploración y evaluación de yacimientos minerales útiles, la aplicación de métodos

geoestadisticos es una de las actividades fundamentales que toda empresa minera debe desarrollar
durante su vida útil, destacándose entre otras tareas: el pronóstico científico en la localización de los
yacimientos minerales útiles, la elaboración de métodos eficaces para la exploración y la evaluación
geoeconómico de los yacimientos para su explotación (Lepin y Ariosa, 1986; Armstrong y Carignan, 1997;
Chica, 1987). Todo esto condicionado al agotamiento de los recursos producto de la explotación y a las
fluctuaciones de las cotizaciones del mercado. Los trabajos de búsqueda y exploración se dividen en
estadios que son resultado de la aplicación de los principios del Análisis Estructural. Cada uno de los
estadios culmina con la determinación más aproximada de los recursos minerales del yacimiento.
ANALISIS ESTRUCTURAL 1
RESUMEN
El análisis estructural es uno de los tópicos más importantes de la geoestadística puesto que se encarga
de la caracterización de la estructura espacial de una propiedad o fenómeno regionalizado. Es el proceso
en el marco del cual se obtiene un modelo geoestadístico para la función aleatoria que se estudia.
En pocas palabras podemos decir que el análisis estructural consiste en estimar y modelar una función
que refleje la correlación espacial de la variable regionalizada a partir de la adopción razonada de la
hipótesis más adecuada acerca de su variabilidad. Esto quiere decir, que en dependencia de las
características de estacionaridad del fenómeno se modelará la función de covarianzas o la de
semivarianzas. Por su importancia y generalidad estudiaremos el proceso de estimación y modelación de
la función de semivarianzas o semivariograma.
OBJETIVOS
Objetivo General:
 Describir el Análisis Estructural, como herramienta para desarrollar análisis

geoestadisticos.
Objetivos Específicos:
 Explicar la utilización de variogramas en los procesos de análisis estructural.
 Indicar los pazos para la construcción de variogramas experimentales y su

aplicación en los diferentes tipos de yacimientos.
METODOLOGIA
La metodología utilizada en este trabajo es exploratorio y descriptivo, pues se comenzó a
recopilar información y antecedentes sobre el análisis estructural en modelos geoestadisticos,
para luego mencionar características y la utilización de los variogramas, en el análisis de distintos
tipos de yacimientos. (Hernández Sampieri, Fernandez Collado, & Baptista Lucio, 2003)
MARCO TEÓRICO CONCEPTUAL DE LA

GEOESTADÍSTICA.
La Geoestadística implica el análisis y la estimación de fenómenos
espaciales o temporales, tales como: calidades de metal, porosidades,
concentraciones de contaminantes.
La palabra Geoestadística es normalmente asociada con la Geología, desde
que esta ciencia tiene sus orígenes en la minería.
Hoy en día, la Geoestadística es un nombre asociado con una clase de
técnicas, para analizar y predecir los valores de una variable que está
distribuida en espacio o tiempo. Se asumen tales valores implícitamente,
para ser puestos en correlación entre sí, y el estudio de semejante
correlación normalmente se llama un "análisis estructural" o un "Variograma".
Después del análisis estructural, se hacen estimaciones a las situaciones de
los sectores no muestreados usando la técnica de interpolación "Kriging" .
La Geoestadística, tiene como objetivo el caracterizar e interpretar el
comportamiento de los datos que están distribuidos espacialmente “variables
regionalizadas”.
Los pasos principales de un estudio Geoestadístico son:
o Análisis de los datos exploratorios.
o Análisis Estructural (Cálculo y modelación de los Variogramas).
o Estimaciones (Kriging o simulaciones).
2.4. Análisis de Datos Espaciales.
Algunas veces, se ha señalado a la Geoestadística como un juego de
técnicas, para los análisis espaciales de datos Geoestadísticos, o datos con
un índice espacial continúo.
Se la ha incluido en la familia de tipos de datos espaciales, datos de celosía
(datos con una colección contable de sitios espaciales, p. ej. la distribución
de mortalidades infantiles en diferentes pueblos) y diseños de datos de
puntos espaciales (datos donde ambas localidades y magnitudes son
aleatorias p. ej. una realización de sedimentos de cuerpos geológicos en el
espacio).
Los datos espaciales se pueden clasificar en:
o Puntos.
o Líneas.
Líneas aisladas (pista de aeropuerto), Líneas con Ramificaciones (río
y sus afluentes), Redes (carreteras o líneas ferroviarias.)
o Regiones.
Regiones aisladas (lago), Regiones adyacentes (países) o Regiones
anidadas (Municipios contenidos en Estados).
ANALISIS ESTRUCTURAL.
1.- COMPORTAMIENTO DEL VARIOGRAMA EN EL ORIGEN

- al analizar el comportamiento de y(h) cuando h tiende a cero, se presentan cuatro casos:
a) Ausencia de estructura:
Se trata del efecto de pepita puro
Este modelo traduce la irregularidad

total de un fenómeno. Hay ausencia
de estructura como cualquiera que
fuera la escala de leyes de 2 muestras
independientes.
y(h) = 0 para h=0
El grafico “ley” en función de la distancia “x” seria:
b) Valores muy regulares y continuos
El comportamiento de las leyes es tan homogéneo que los valores de 2 muestras distantes entre sí por
“d” son prácticamente las mismas, es decir que para h pequeña, y(h) tiende a ser 0. Estas condiciones el
variograma (figura de la derecha) muestra un comportamiento parabólico en el origen, mostrando un
fenómeno muy regular y dando cuanta de la existencia de una deriva.
c) Continuidad media:
En un diagrama de leyes (grafico de la izquierda), donde la diferencia de leyes para 2 muestras distantes
de “d” es significativa. El variograma correspondiente tiene u comportamiento lineal en el origen,
poniendo de manifiesto un fenómeno de cierto regularidad, más o menos estacionaria.
d) presencia de micro estructuras.
2. ALCANCE (a)
Para h ≥ a se tiene que k(h) = 0 para valores

superiores que “a” no existe dependencia
entre los valores, es decir que el valor en un
punto no influye sobre el valor del otro
punto. La función y(h) permanece constante.
La existencia de un alcance (a) como permite
limitar el estudio a un campo igual al del
panel a estudiar determinado por la
distancia a.
El alcance también nos indica las características geológicas de la formación de un yacimiento por
ejemplo.
- En un yacimiento sedimentario, el alcance representa las dimensiones de las unidades de

sedimentación y en consecuencia de las zonas mineralizadas.
- En un yacimiento lenticular representa las dimensiones de los lentes.
- En un yacimiento estratiforme refleja la potencia promedio.
El alcance también nos indica la zona de influencia de una muestra, puesto que para distancias mayores
que “a”, los valores de las muestras son independientes.
Sector de valores zona de influencia sector de valores
--------------------------------------------- ------------------------------------
Independentes independientes
X0 – a X0 X0 + a
Con el siguiente ejemplo se pretende comprender una de las bondades del alcance.
En un yacimiento de carbón se a tomado 80 muestras a malla regular de 5m. las potencias de los 10
mantos de carbón, en metros , son: 31.6; 24.8; 5.1; 11.1; 4.6; 34.5; 49.2; 14.7; 10.2; al determinar la
continuidad espacial de la VR z(x) definida por:
1 (en blanco) si la muestra se encuentra en un manto carbonífero.
Z(x) 0 (en negro) si la muestra se encuentra en los estratos estériles.
Se calculó: el promedio =0.5 m la varianza = 0.25 (%)2 y los valores de y(h):
Y(5) = 0.12; y(10) = 0.20; y(15) = 0.24; y(20) = 0.25; y(25) = 0.25
Analizando el variograma experimental se observa que el alcance es de orden de los 20 m, distancia la

cual la muestra C, es igual a 0.25 (%)2 coincidiendo con la varianza, de las muestra.
En este caso el alcance, representa la potencia media de los mantos de carbón:
Potencia media = (31.6 + 24.8 + 5.1 + 11.1 + 4.6 + 34.5 + 49.2 + 14.7 + 10.2 + 10.2)/10 = 19.8m
3. EFECTO PEPITA (CO)

La discontinuidad aparente que se aprecia acerca del origen, se la conoce como efecto pepita, este
efecto puede verse a la presencia de microestructuras, y artificialmente se puede generar por errores en
el muestreo (toma de muestras, preparación, manipulación, análisis de leyes) y debido a las tasas de
recuperación. Este nombre común en el lenguaje geo estadísticos tiene sus raíces en esos yacimientos
auríferos de áfrica del sur, que al representar en un plano la ley vs la distancia se obtiene el grafico.
La discontinuidad en el variograma manifestado al comienzo estaría representado por:
Un tal efecto de pepita debido a la presencia de micro estructuras, permitirá estudiar en detalle el
fenómeno, estableciendo, por ejemplo, en un plano de sondajes, una o varias “cruces de sondajes”.
4. SUPERPOSICION DE STRUCTURAS.
Es frecuente encontrar variogramas con configuraciones con figura adjunta, llamadas o estructuras
superpuestas.
Una estructura de esta forma puede explicarse de la siguiente manera.
• La existencia del efecto de pepita puede deberse:

1. A la taza de recuperación,
2. A la presencia de microestructuras,
3. A errores de muestreo
• El primer alcance explicaría la característica petrográfica.
• El segundo alcance puede caracterizar la mineralización
• El tercer valor nos indica diferencias a nivel regional del yacimiento (orogénesis)
Y(h) se escribirá entonces de la siguiente manera:
Y(h) = Co + y1(h) + y2(h) + y3(h)
C1, a1 C2, a2 C3, a3
2.5. Variable Regionalizada.
Dado que x, es un punto en el espacio R3 y z(x) es el valor de la función para el
punto x, en el que se está interesado. Está función es llamada “Variable
Regionalizada”, p. ej. Puede ser la consistencia de un depósito en un punto, o la
gravedad especifica de los minerales. Tal función usualmente es altamente variable
y no-continua y no puede ser estudiada correctamente. El estudio se lo realiza,
examinando sus incrementos.
La idea básica de la teoría es considerar a tal función z(x), donde x es un punto o
un vector en Rn , como una realización de una función aleatoria Z(X). Solo se tiene
una realización de aquella función aleatoria, el fin es encontrar las características
de la función aleatoria Z(X) para hacer las estimaciones de posibles puntos
desconocidos.
2.6. Variograma.
Es un estimador de la varianza poblacional, por lo tanto la población debe tener una
tendencia de estacionariedad; el variograma está relacionado con una dirección y
distancia (h), es la principal herramienta básica, que da soporte a las técnicas de
Kriging, permite representar cuantitativamente la variación de un fenómeno
regionalizado en el espacio. El variograma modela como dos valores en el espacio
o tiempo se ponen en correlación.
FIGURA 2.6. GRÁFICO DE VARIOGRAMA.
El Variograma está conformado por los siguientes elementos:
Efecto Nugget (Co): Generalmente el variograma no tiende a cero como lo hace la
distancia h, el Efecto Nugget indica la discontinuidad del semivariograma para
distancias que sean menores, que la menor distancia que se da entre los puntos
muestrales. Parte de esta discontinuidad puede también ser dividida en errores de
medición, una pobre precisión analítica, o más a menudo por mineralización
altamente errática a baja escala.
Umbral (Sill = C1 + Co): Es el valor alcanzado por el variograma en el Rango. El
Sill de un variograma, puede ser denotado como la varianza de la muestra.
Escala (C1): Es el valor tal que; C1 + Co = Sill.
Rango (a): Es la distancia dentro de la cual, las muestras están correlacionadas
espacialmente.
2.6.1. Cálculo del Variograma.
Para calcular el variograma se debe definir un incremento lag, tomar
todos los pares de puntos que tengan esa distancia entre ellos, calcular
el cuadrado de las diferencias para cada par de puntos, resumir todas
las diferencias y luego dividir para dos veces el numero de pares de
puntos que tienen esta distancia entre sí, este resultado es el valor del
variograma. Hacer lo mismo para otros incrementos lag.
FIGURA 2.6.1.
CONSTRUCCIÓN DEL VARIOGRAMA DESDE DATOS MUESTRALES.
El variograma es definido como:
2 γ(h) = Var. [Z(x +h) – Z(x)] = E[{Z(x +h) – Z(x)}2]
Puede ser estimado a partir de una muestra por:
Muchos autores definen al variograma de una forma distinta a la ecuación
descrita arriba, considerando que usualmente al variograma también se lo
conoce como semivariograma, el cual es definido como:
Puede ser estimado a partir de una muestra por:
2.6.2. Modelos Teóricos del Variograma.
Son varios los modelos básicos de los Variogramas, que son capaces
de explicar los diferentes comportamientos que pueden presentar las
variables regionalizadas; entre los modelos más usuales que se dan
tenemos:
o Modelo Esférico.
Está representado por la ecuación siguiente:
Este modelo, presenta una tendencia creciente curvilínea, hasta que
llega al Sill, para tomar una tendencia lineal. El modelo Esférico alcanza
el valor Sill, en la distancia a (rango actual).
FIGURA 2.6.2.1.
GRÁFICO MODELO ESFÉRICO.
o Modelo Exponencial:
El modelo Exponencial, alcanza el valor Sill asintóticamente, el rango
(a) es la distancia a la cual el valor del modelo, es el 95 % del Sill.
FIGURA 2.6.2.2.
GRÁFICO MODELO EXPONENCIAL.
o Modelo Gaussiano:
El modelo Gaussiano, alcanza el valor Sill asintóticamente, el rango
(a) es la distancia a la cual el valor del modelo, es el 95 % del Sill.
FIGURA 2.6.2.3.
GRÁFICO MODELO GAUSSIANO.
o Modelo Lineal.
No posee valor Sill, continua aumentando mientras la distancia (h)
aumenta, es utilizado para modelar fenómenos que presentan
capacidad infinita de dispersión.
FIGURA 2.6.2.4.
GRÁFICO MODELO LINEAL.
2.7. Anisotropía.
Si al calcular Variogramas en diferentes direcciones, los valores del rango (a)
presentan cambios, esto nos indica que se está dando una anisotropía
geométrica, en cambio si la diferencia muestra cambios en el valor del Sill en
diferentes direcciones, entonces hay una anisotropía zonal. Algunos
Variogramas son combinaciones de anisotropía geométrica y zonal.
Se debe calcular varios Variogramas en diferentes direcciones, y hacer uso
de un diagrama de rosa, para descubrir la existencia de anisotropía. La
proporción de la anisotropía es la proporción entre el rango más pequeño y
el rango más grande, utilizando un proporción de uno, indica un variograma
isotrópico, es decir el mismo variograma en todas las direcciones (círculo
isotrópico).
FIGURA 2.7.
A. ROSA ELÍPTICA B. CÍRCULO ISOTRÓPICO.
A B
FUENTE: GEOSTATISTICS FOR NATURAL RESOURCES
EVALUATION.
2.8. Kriging.
El Kriging es conocido como el método interpolador Geoestadístico, es un
estimador lineal insesgado, presenta dos propiedades básicas que son:
Hacer que la suma de errores tienda a cero, y que el cuadrado de las
desviaciones sea mínimo.
Tiene como objetivo estimar el valor de la variable Z, para un punto x0 que no ha
sido considerado anteriormente, realiza una suma ponderada sobre todos los
sectores que conforman la zona de estudio de interés, tomando los vecinos más
cercanos al punto de interés x0.
El proceso del Kriging es asignar pesos a los vecinos más cercanos,
considerados para la estimación, la diferencia del Kriging con otros métodos
de interpolación, es que utiliza un método semejante a la interpolación por
media móvil ponderada, a diferencia que los pesos son asignados a partir de
un análisis espacial, basado en el semivariograma experimental.
Un método de interpolación será exacto cuando, pase por los puntos
muestrales, lo más cercano posible a ellos.
Es importante que un modelo para semivariograma que ha sido ajustado,
represente una tendencia a los modelos antes descritos, para que las
estimaciones obtenidas por medio del Kriging sean más exactas y más
confiables.
Las estimaciones mediante el método Kriging pueden ser, por punto o por
bloque.
2.8.1. Métodos de Estimación del Kriging.
Existen dos métodos de Kriging para realizar las estimaciones.
2.8.1.1. Kriging Ordinario.
Es el método más apropiado, para situaciones
medioambientales, este método asume que las medias
locales, no están necesariamente relacionadas lo más
cercanamente a la media poblacional, por lo cual solo usa las
muestras en la vecindad local para la estimación.
2.8.1.2. Kriging Simple.
Asume que las medias locales son relativamente constantes e
iguales a la media poblacional, la cual es conocida. La media
poblacional es usada como un factor en cada estimación local,
a lo largo con las muestras en la vecindad local.
Hay dos tipos de Kriging, el de Punto y el de Bloque, lo cuales
generan unas cuadrículas de interpolación.
2.8.1.3. Kriging de Punto.
Estima los valores de los puntos en los nodos de las cuadrículas.
FIGURA 2.8.2. REPRESENTACIÓN TÉCNICA PUNTO

KRIGING.
2.8.1.4. Kriging de Bloque.
Estima el valor promedio de los bloques rectangulares, que
están centrados en los nodos de las cuadrículas, los bloques
son le tamaño y forma de las celdas de las cuadrículas, este
tipo de Kriging no resulta ser un buen interpolador, ya que no
estima el valor de un punto.
2.8.2. Efecto del Rango en las Estimaciones.
Un valor grande para el rango (a), significa un comportamiento más continuo.
Las estimaciones dan como resultado mapas bastante lisos para la variable
de interés.
2.8.3 Efecto del modelo en las Estimaciones.
Considerando la forma que presenta el Variograma en los primeros lags, un
modelo Gaussiano es más continuo que un modelo Esférico con un mismo
efecto en 6h, para la variable mejor correlacionada, se muestran los mapas
con más suavización.
2.8.4. Efecto del Sill en las Estimaciones.
El cambiar el valor de Sill, no cambia los valores de las estimaciones, por lo
que los mapas de estimaciones seguirán siendo los mismo, afecta a la
variación de las estimaciones, un sill más alto indica, mayor variación en las
estimaciones.
2.8.5. Error de Estimación.
Dado que no son estrictamente equivalentes, hay un error de
estimación involucrado en los procedimientos. La aceptación de un
método de estimación será dada por la magnitud de los errores
involucrados, el mejor método a considerar de be ser el que de los
errores más pequeños, considerando todos los bloques o puntos en la
estimación.
2.8.6. La Varianza en la Estimación.
La varianza indica la dispersión que presentan los valores estimados
con respecto a los valores reales.
El Kriging no solo provee una estimación de mínimos cuadrados,
también está ligado a la varianza del error.
La varianza del error es:
o Dependiente en el modelo de la covarianza.
La precisión de la estimación podría depender de la complejidad de la
variabilidad espacial de z, modelado por la covarianza.
o Dependiente en la configuración de los datos.
La localización de los datos y sus distancias entre sí, son estimadas.
o Independiente de los valores de los datos.
Para un modelo de covarianza dado, la configuración de dos datos
idénticos podría producir la misma varianza Kriging, sin importar que los
datos estuvieren.
El mapa de varianzas, indica más incertidumbre en los sectores del
área de estudio, en el que los datos están más dispersos del área de
estudio.
Análisis Estructural
Para cada variable realizar los siguientes pasos:
0) Análisis Exploratorio de los Datos
− Análisis de normalidad,
− Análisis de valores atípicos (outliers) tanto distribucionales como espaciales,
− Análisis de la distribución espacial de los datos
1) Análisis de la estacionaridad (si existe “tendencia” o no)
Hay No hay
Z1(x)=m1(x)+R1(x) 2)
Z2(x)=m2(x)+R2(x)
2) Estimación del variograma adireccional (0°, ±90°)
3) Análisis de anisotropía
− Estimar variogramas en cuatro direcciones: 0° , 45° , 90° y 135° con ventanas de ±25°.
− Determinar la posible existencia de anisotropía geométrica cuando los alcances de los
variogramas son significativamente diferentes.
− Si la anisotropía es significativa se determinan los alcances (radio de correlación) en las
direcciones de mayor (A) y de menor valor (B).
4) Ajustar un modelo al variograma estimado y dar el criterio de bondad de ajuste usado.
5) Validación cruzada del modelo de variograma y el análisis de las diferencias (Z-Z*) en

términos del valor medio y de la varianza.
CONCLUSIONES

BIBLIOGRAFIA
• Dominguez, F. 1963. Topografía general y aplicada. Editorial Dossat, S.A. Madrid.

• Estruch M. 2002. Topografía para Minería Subterránea. Ediciones UPC. Barcelona.
• Valdés Doménech, Francisco. 1991. Topografía. Ediciones CEAC,
Barcelona.
• Tapia A. 1997. Topografía Subterránea. Ediciones UPC. Barcelona.
• http://www.upct.es/~minaeees/topografia_minera.pdf. (18 de ABRIL de 2013).
http://www.upct.es/~minaeees/topografia_minera.pdf. Recuperado el 18 de ABRIL de
2004

Geoe Stadi Stica

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Geoe Stadi Stica

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL DE

Trabajo de investigación: análisis estructural

Docente: ING: HERNAN

Damos gracias a Dios, por estar con nosotros en

Les dedicamos nuestro trabajo a nuestros

En la búsqueda, exploración y evaluación de yacimientos minerales útiles, la aplicación de métodos

 Describir el Análisis Estructural, como herramienta para desarrollar análisis

 Explicar la utilización de variogramas en los procesos de análisis estructural.

 Indicar los pazos para la construcción de variogramas experimentales y su

MARCO TEÓRICO CONCEPTUAL DE LA

La Geoestadística implica el análisis y la estimación de fenómenos

espaciales o temporales, tales como: calidades de metal, porosidades,

La palabra Geoestadística es normalmente asociada con la Geología, desde

que esta ciencia tiene sus orígenes en la minería.

Hoy en día, la Geoestadística es un nombre asociado con una clase de

distribuida en espacio o tiempo. Se asumen tales valores implícitamente,

para ser puestos en correlación entre sí, y el estudio de semejante

correlación normalmente se llama un "análisis estructural" o un "Variograma".

Después del análisis estructural, se hacen estimaciones a las situaciones de

los sectores no muestreados usando la técnica de interpolación "Kriging" .

La Geoestadística, tiene como objetivo el caracterizar e interpretar el

comportamiento de los datos que están distribuidos espacialmente “variables

Los pasos principales de un estudio Geoestadístico son:

o Análisis de los datos exploratorios.

o Análisis Estructural (Cálculo y modelación de los Variogramas).

o Estimaciones (Kriging o simulaciones).

2.4. Análisis de Datos Espaciales.

Algunas veces, se ha señalado a la Geoestadística como un juego de

técnicas, para los análisis espaciales de datos Geoestadísticos, o datos con

un índice espacial continúo.

Se la ha incluido en la familia de tipos de datos espaciales, datos de celosía

(datos con una colección contable de sitios espaciales, p. ej. la distribución

de mortalidades infantiles en diferentes pueblos) y diseños de datos de

puntos espaciales (datos donde ambas localidades y magnitudes son

aleatorias p. ej. una realización de sedimentos de cuerpos geológicos en el

Los datos espaciales se pueden clasificar en:

Líneas aisladas (pista de aeropuerto), Líneas con Ramificaciones (río

y sus afluentes), Redes (carreteras o líneas ferroviarias.)

Regiones aisladas (lago), Regiones adyacentes (países) o Regiones

anidadas (Municipios contenidos en Estados).

1.- COMPORTAMIENTO DEL VARIOGRAMA EN EL ORIGEN

Se trata del efecto de pepita puro

Este modelo traduce la irregularidad

y(h) = 0 para h=0

El grafico “ley” en función de la distancia “x” seria:

b) Valores muy regulares y continuos

d) presencia de micro estructuras.

Para h ≥ a se tiene que k(h) = 0 para valores

- En un yacimiento sedimentario, el alcance representa las dimensiones de las unidades de

Sector de valores zona de influencia sector de valores

1 (en blanco) si la muestra se encuentra en un manto carbonífero.

Z(x) 0 (en negro) si la muestra se encuentra en los estratos estériles.

Se calculó: el promedio =0.5 m la varianza = 0.25 (%)2 y los valores de y(h):

Analizando el variograma experimental se observa que el alcance es de orden de los 20 m, distancia la

En este caso el alcance, representa la potencia media de los mantos de carbón:

3. EFECTO PEPITA (CO)

La discontinuidad en el variograma manifestado al comienzo estaría representado por:

Una estructura de esta forma puede explicarse de la siguiente manera.

• La existencia del efecto de pepita puede deberse:

Y(h) se escribirá entonces de la siguiente manera:

Y(h) = Co + y1(h) + y2(h) + y3(h)

C1, a1 C2, a2 C3, a3

2.5. Variable Regionalizada.