Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CALCULO DE VARIOGRAMA
Dedicatoria
INTRODUCCIN
La estadstica y la geologa son unas de las ciencias afines a la Geoestadtica, pero eso no
quiere decir que esta ltima sea la fusin de las dos. Es por ello que nos vemos en la necesidad
de entender correctamente los fundamentos, definiciones y alcances de la geoestadstica.
El problema de modelar un macizo rocoso acompaa siempre a la actividad minera, por
ello la necesidad de un mejor modelado para lograr una operacin minera eficiente. Entonces,
cul de las herramientas matemticas existentes puede ofrecernos la solucin?
En cuanto a los fenmenos naturales, la imposibilidad de explicar el porqu del valor de
una ley en un determinado punto de muestra est fuera de nuestro alcance, de ah que trabajamos
con variables aleatorias (cada caso tiene la misma probabilidad de ocurrir) y que las leyes
tienen cierto grado de interdependencia.
Adems, la geoestadstica es el tratado de variables regionalizadas. No debemos pasar por
alto los puntos fundamentales que destacan: la consolidacin de la geoestadstica con los trabajos
de G. Matheron en 1965, el establecimiento de la escuela de Fontainebleau y finalmente el
desarrollo de la Geoestadstica asociada con la informtica.
En lo que contina de este informe, haremos mencin a aspectos tericos empleados en la
elaboracin del mismo. Crearemos datos aleatorios desordenados, hallaremos datos estadsticos y
esbozaremos un variograma. Luego, ordenaremos los datos aleatorios de manera decreciente y
haremos los mismos clculos que con los datos desordenados. Todo ello para comparar los
resultados obtenidos y as hacernos una idea de cmo se comporta la curva del variograma en
funcin de la dispersin de los datos.
MARCO TERICO
VARIOGRAMA
Es una funcin vectorial que permite medir las discrepancias de una propiedad en una
regin del espacio. Siendo un herramienta de uso en el anlisis de reservas minerales en una
regin definida.
Una vez que se ha obtenido el variograma experimental y se ha estudiado su comportamiento, el
paso siguiente es encontrar algn modelo paramtrico que ajuste adecuadamente los datos
muestrales, esto es realizado por medio de variogramas tericos. A continuacin se muestras los
diferentes modelos de variogramas tericos.
Como se puede observar cada modelo puede tener una forma diferente que se ajustara a un
comportamiento determinado del variograma experimental. Cada modelo tiene una meseta que
es el mximo valor del variograma, al alcanzarse la meseta se dice que se est en el rango que es
el mximo valor de h al cual se puede decir que los puntos discretizados estn correlacionados,
por lo tanto, un valor del rango muy pequeo conlleva a altas heterogeneidades. En muchos
casos, para un h igual a cero, el variograma no da cero lo cual es un error ya que se estara
realizando un estudio continuo de la propiedad de inters, esto es llamado efecto pepita y es
provocado por errores en la toma de los datos en la mayora de los casos. A continuacin se
muestra un ejemplo del ajuste del variograma experimental con un variograma terico
Gaussiano.
Los variogramas son realizados en varias direcciones para definir adecuadamente el
comportamiento de la propiedad estudiada en toda la extensin del yacimiento, en caso de estar
estudiando en un plano horizontal. Dependiendo de los resultados se utilizar un mtodo
geoestadstico u otro.
5
LA FUNCIN VARIOGRAMA:
Los variogramas se calculan mediante la frmula general
nh
[ Z (x i)Z ( x i+ h)]
2 ( h ) = i=1
nh
Dnde:
Z: variable estudiada
Z(
xi
xi
Z(
xi
xi
+h)
PARMETROS ESTADSTICOS
Se calcularan parmetros estadsticos que nos ayudaran en el anlisis tales como:
X =
i=1
Varianza (
2=
Xi
n
(X X )2
n
(X X )2 = 2
n
Codificacin
Para el trabajo del variograma use el intrprete de Python 2.7 debido a que cuenta con
libreras como numpy y matplotlib ideales para graficar los variograma.
Para estas tareas desarrolle 3 cdigos que permiten desarrollar estas tareas.
1. Primer Cdigo
Es un archivo con el nombre generar y con extensin .py
Para empezar debo introducir un parmetro que es el nmero de datos y se guarda en la
variable n., genera los siguientes.
a)
b)
c)
d)
10
2. Segundo cdigo
Es un archivo con el nombre resultado y de extensin .py
Parecido al primero solo que contiene ms parmetros y funciones n datos aleatorios,
compositados de w en w y compartiendo a, b y c datos.
Nos genera:
a) Medias, varianzas, coeficientes de variacin, desviaciones estndar, varianzas y
funciones gamma para cada uno de los 3 escenarios.
b) Variogramas de los datos ordenados en los tres escenarios
c) Histograma de los mil datos
d) Variograma de los tres escenarios con los datos desordenados
11
12
Es solo una parte del cdigo, el cdigo completo estar en la carpeta del Cd
3. Tercer cdigo
Es un archivo de nombre grupos con extensin .py
En el tercer cdigo debemos introducir los siguientes parmetros n nmero de datos
aleatorios, a=nmero de datos del primer grupo de compositos, b=nmero de datos del
segundo grupo de compositos, c=nmero de datos del tercer grupo de compositos.
a) Medias, varianzas, coeficientes de variacin, desviaciones estndar, varianzas y
funciones gamma para cada uno de los 3 escenarios.
b) Histograma de los mil datos
c) Variograma de los tres escenarios con los datos desordenados
13
14
15
Resultados
1) Ejercicio 1
Figura1
b) Media, varianza, desviacin, coeficiente de variacin
16
c) Variograma de los nmeros aleatorios ordenados de mayor a menor
Figura 2
Nota: No se pondrn los datos pseudoaleatorios ya que ocuparan mucho espacio pero se pueden
ver en la consola de comandos.
17
2) Ejercicio 2
Introducimos los parmetros
Figura3
b) la media, varianza coeficiente de variacin, desviacin estndar y funciones gamma
Se pueden ver en la consola ya que ocuparan mucho espacio
18
c) Los variogramas de los datos ordenados de los tres escenarios
Figura 4
d) Los variogramas de los datos
pseudoaleatorios desordenados
Figura5
2) Ejercicio3
Ingresamos los parmetros
19
Figura 6
b) La media, desviacin, estndar, y los otros datos estarn en la consola de comandos ya que
ocupan mucho espacio.
c) Variogramas de los grupos de 5, 10 y 15 con datos ordenados
20
Figura 7
Lista de Tablas
Numeros Aleatorios
0.6088
0.734
0.5384
0.172
0.856
0.6555
0.1684
0.0614
0.0164
0.716
0.4219
0.5366
21
0.2483
0.6822
0.5192
0.551
0.7349
0.4671
0.1491
0.8398
0.9774
0.4755
0.8118
0.4066
0.4893
0.1399
0.8215
0.1641
0.2272
0.8733
0.5373
0.7237
0.7669
0.5931
0.8322
0.111
0.7977
0.0667
0.4206
0.7261
0.075
0.6807
0.6987
0.1872
0.9196
0.3335
0.3985
0.6728
0.1151
0.2566
0.9366
0.52
0.3318
0.3095
0.9512
0.0787
0.6282
0.3525
0.8406
0.2702
0.8922
0.7573
0.5175
0.5504
0.9068
0.0277
0.9277
0.9569
0.4655
0.4181
0.7345
0.4025
0.7552
0.6528
0.1266
0.9198
0.8537
0.4664
0.227
0.9251
0.4301
0.4857
0.7676
0.0835
Tabla1 (se muestra los 80 primeros nmeros aleatorios generados con el intrprete de python)
Datos ordenados de mayor a menor
0.9999
0.9999
0.9997
0.9997
0.9997
0.9996
0.9996
0.9995
0.9994
0.9994
0.9993
0.9991
0.9991
0.9989
0.9989
0.9986
0.9984
0.9981
0.9981
0.9981
0.9979
0.9978
0.9977
0.9977
0.9974
0.9973
0.997
0.9969
0.9969
0.9967
0.9967
0.9966
0.9966
0.9965
0.9965
0.9962
0.9961
0.9961
0.9961
0.996
0.9959
0.9956
0.9956
0.9954
0.9953
0.9953
0.9953
0.9953
0.9953
0.9952
0.9952
0.9952
0.995
0.995
0.9949
0.9948
0.9945
0.9944
0.9943
0.9942
0.9942
0.9941
0.9941
0.9939
0.9939
0.9937
0.9935
0.9934
0.9933
0.9932
0.9932
0.9931
0.9927
0.9926
0.9926
0.9926
0.9926
0.9924
0.9923
0.9922
Tabla 2 (se muestra los 80 primeros nmeros aleatorios ordenados de mayor a menor con el
intrprete de python)
Conclusiones:
22
Lista de figuras