Escolar Documentos
Profissional Documentos
Cultura Documentos
Introduccin
Las clasificaciones son un proceso fundamental de la praxis en las ciencias, los sistemas de clasificacin contienen los conceptos necesarios para el desarrollo de teoras dentro de una ciencia. Anlisis de cluster es el nombre genrico para una amplia variedad de procedimientos que pueden ser utilizados para generar clasificaciones, estos procedimientos empricamente formas clusters o grupos de entidades altamente similares. Especficamente, un mtodo de clusterizacin es un procedimiento estadstico multivariado que utiliza un conjunto de datos que contienen informacin respecto de una muestra de entidades e intenta reorganizar estas entidades dentro de grupos relativamente homogneos.
Parmetro i
Modelo n
Macizo Rocoso Diseo Tronadura Tronaduras Ci Modelo Predictivo de Fragmentacin Granulometras Interaccin de Ondas
Tronaduras Ei
k 50 = A q 4 / 5 Qe
1/ 6
E e 1090
Macizo Rocoso
k50 = Tamao promedio de los fragmentos (cm). A = factor de roca 3 q = factor de carga (kg/m ) Qe = cantidad de explosivo (kg) E e = Potencia en peso absoluta del explosivo (cal/gr)
Datos de 17 polvorazos realizados con detonadores pirotcnicos Se calcul un valor para el Factor de Roca (A) en cada uno de ellos.
0.5
0.4
0.3 0.2
0.1
0 -1 10
10
10 Tamao en cm
Matriz de Cluster
3 9 4 8 19 20 13 23 22 18 27 26 28 5 16 12 14 11 6 17 21 15 25 7 24 29 0 0.01 0.01 0.01 0.01 0.04 0.04 0.07 0.07 0.13 0.16 0.23 0.38
Es necesario verificar la validez de la informacin de clusterizacin, para ello se requiere que los objetos agrupados en el rbol de cluster tengan relacin con la distancia entre los objetos originales (matriz de distancias), para ello se utiliza el coeficiente de correlacin cophenet (tambien conocido como distancia cophenetic en anlisis de taxonomas), que se describe a continuacin : [(Z(i, j) z) (Y(i, j) y)] i< j C= (Z(i, j) z) 2 (Y(i, j) y)2 Para este trabajo i< j i< j resulto.
Y (i , j ) = Distancia entre elementos i y j y = Media de Y(i, j) Z(i, j) = Distancia entre clusters i y j z = Media de Z(i, j)
C=0,9152
Una forma para determinar las divisiones en clusters de un conjunto de datos es comparar la longitud de cada eslabn en el rbol de clusters con la longitud de los eslabones vecinos que se ubican por debajo en jerarqua. Si un eslabn es de aproximadamente la misma longitud que su eslabn vecino, esto indica que existe similitud entre los objetos agrupados a ese nivel de jerarqua, se dice que estos eslabones presentan un alto nivel de consistencia. Si la longitud entre eslabones vecinos es evidentemente dismil, esto indica que se tienen diferencias entre los elementos a ese nivel del rbol de cluster, se dice que este eslabn es inconsistente con los eslabones a su alrededor
La figura adjunta detalla la aplicacin del concepto de consistencia entre eslabones vecinos en el rbol de jerarqua del grfico dendrograma. Es posible calculara un parmetro de inconsistencia utilizando el valor promedio de la longitud de los eslabones que se ubican jerrquicamente por debajo de cada uno de estos mismos eslabones, por lo tanto se tendrn n-1 (n = nmero de elementos originales) valores de inconsistencia
Es el valor promedio de la longitud de todos los eslabones incluidos en el clculo Desviacin estndar de todos los eslabones incluidos en el clculo. Nmero de eslabones considerados en el clculo Coeficiente de Inconsistencia.
El nmero de filas queda definido por el nmero de elementos originales 1. El coeficiente de inconsistencia se define como :
Y(k,1) : Promedios de la longitud de los eslabones bajo el eslabn k Y(k,2) : Desviacin estndar de la longitud de los eslabones bajo el eslabn k Y(k,4) : Valor de los coeficientes de Inconsistencia para cada k eslabn Z(k,3) : Elementos de la tercera columna de la matriz de agrupamiento (longitud de eslabn k)
Para nuestro caso la matriz de inconsistencia fue calculada como : 0.00 0.01 0.01 0.01 0.01 0.03 0.04 0.04 0.04 0.07 0.15 0.11 0.26 0.38 0.45 0.90 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.03 0.04 0.07 0.02 0.10 0.11 0.00 0.09 0.55 1 1 1 1 2 2 1 3 2 3 2 3 3 2 2 2 0.000 0.000 0.000 0.000 0.000 0.707 0.000 1.000 0.707 0.973 0.707 1.142 1.097 0.000 0.707 0.707
Matriz de Inconsistencias =
Los valores 0 para el coeficiente ocurren para los valores que se ubican al fondo del rbol de jerarqua, el mximo valor obtenido es de 1.142. Para generar las familias de cluster es necesario definir un valor aceptable para el coeficiente de inconsistencia, segn la literatura revisada, se usa un valor menor y muy cercano al mximo coeficiente obtenido, para este caso usaremos 1.100.
N DE CLUSTER
COLOR
POLVORAZO
1A-2549 11B-2549 11D-2549 4B-2549 3C-2549 11D-2549 3E-2549 11C-2549 20C-2549 314A-K1 20C-2549 316A-K1 18C-2549 4C-2549 318A-K1 18B-2549 5C-2549
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
4 3 2 2 2 2 2 2 1 6 1 2 5 2 1 1 5
CYAN MAGENTA
ROJO
Cluster 1 1 1
Cluster 2
0.5
0.5
0 -1 10 1
10
Cluster 3
10
10
0 -1 10 1
10
Cluster 4
10
10
0.5
0.5
0 -1 10 1
10
Cluster 5
10
10
0 -1 10 1
10
Cluster 6
10
10
0.5
0.5
0 -1 10
10
10
10
0 -1 10
10
10
10
1 0.9 0.8 0.7 Pasante % 0.6 0.5 0.4 0.3 0.2 0.1 0 -2 10 10
-1
10 Tamao (inch)
10
10
1 0.9 0.8 0.7 Pasante % 0.6 0.5 0.4 0.3 0.2 0.1 0 -2 10 10
-1
10 Tamao (inch)
10
10
1 0.9 0.8 0.7 Pasante % 0.6 0.5 0.4 0.3 0.2 0.1 0 -2 10
10
-1
10 Tamao (inch)
10
10
1 0.9 0.8 0.7 Pasante % 0.6 0.5 0.4 0.3 0.2 0.1 0 -2 10 10
-1
10 Tamao (inch)
10
10
Comparacion Conv-Elect
1
0.9
0.8
0.7
0.6 Pasante %
0.5
(4,35)
Ejemplo de una tronadura con detonadores electrnicos pero con secuencia de tiempos pirotcnica. Se observa que no hay efecto visible en la fragmentacin sobre las 4, las mejoras solo podran ser atribubles a la precisin de los detonadores
10
1
0.4
0.3
0.2
0.1
0 -2 10
10
-1
10
10
Tamao (inch)
Conclusiones 1.- El anlisis de cluster es una herramienta de fcil uso que permite encontrar semejanzas entre datos que no son obvias, especialmente cuando se cuenta con una gran cantidad de ellos. 2.- El anlisis de cluster evita imponer modelos predefinidos a datos que no se ajusten a ellos de la mejor forma. 3.- Una desventaja de los anlisis de este tipo es que no se adquiere conocimiento respecto a los fenmenos fsicos que producen los agrupamientos de datos, esto porque las variables que intervienen en este tipo de asociaciones no son todas necesariamente conocidas.
1.- La disminucin en el tamao resultante, producto de la aplicacin de un tronadura precisa, puede se expresada por los siguientes indicadores :
Polv-2
10.2 10
Polv-3
11 10
Polv-4
10.2 8
5.2
10.4
4.5
1.8
1.5
2.5