Está en la página 1de 7

UNIVERSIDAD DE LAS FUERZ

GEOESTADÍSTICA
NOMBRE: JOSSELYN GAVILANEZ

REALIZAR UN SEMIVARIOGRAMA OMNIDIRECCIONAL USANDO UN h APROXIMADO

DATOS

Punto E N CADMIO DISTANCIA 1 2


1 288 311 11.5 1 0 23.0867928
2 286 288 10 2 23.0867928 0
3 274 269 12 3 44.2718872 22.4722051
4 281 249 10.7 4 62.39391 39.3192065
5 274 231 11.2 5 81.215762 58.2494635
6 276 206 11.6 6 105.68349 82.6075057
7 286 182 7.2 7 129.015503 106
8 288 164 5.7 8 147 124.016128
9 293 137 5.2 9 174.071824 151.162165
10 278 119 7.2 10 192.26024 169.189243

CÁLCULO DEL ÁREA CÁLCULO DE h

ÁREA= 2560 ℎ≈ √(𝐴/𝑛) 𝐷𝑜𝑛𝑑�:


A=Área
𝑛=𝑁ú𝑚�𝑟𝑜 𝑑� 𝑝𝑢𝑛𝑡𝑜�

ℎ≈ √(2560/10)

ℎ≈ 16
ℎ= 15
E LAS FUERZAS ARMADAS
EOESTADÍSTICA
FECHA: 10/12/2017

MATRIZ DE DISTANCIAS

3 4 5 6 7 8 9 10
44.2718872 62.39391 81.215762 105.68349 129.015503 147 174.071824 192.26024
22.4722051 39.3192065 58.2494635 82.6075057 106 124.016128 151.162165 169.189243
0 21.1896201 38 63.031738 87.823687 105.929222 133.360414 150.053324
21.1896201 0 19.3132079 43.2897216 67.1863081 85.2877482 112.641023 130.034611
38 19.3132079 0 25.0798724 50.447993 68.4470598 95.9009906 112.071406
63.031738 43.2897216 25.0798724 0 26 43.6806593 71.063352 87.0229855
87.823687 67.1863081 50.447993 26 0 18.1107703 45.5411901 63.5059052
105.929222 85.2877482 68.4470598 43.6806593 18.1107703 0 27.4590604 46.0977223
133.360414 112.641023 95.9009906 71.063352 45.5411901 27.4590604 0 23.430749
150.053324 130.034611 112.071406 87.0229855 63.5059052 46.0977223 23.430749 0

h=15
SEMIVARIOGRAMA OMNIDIRECCION
Promedio 20
Intervalo h ճ(h)
distancias 18
0-15 0.000 0.000 16
15-30 22.905 1.901 14
30-45 41.712 3.700 12
45-60 50.084 2.961
ճ(h)

10
60-75 65.938 7.022 8
75-90 84.792 7.005
6
90-105 95.901 18.000
4
105-120 108.465 9.379
2
120-135 114.761 11.934
0
135-150 147.000 16.820 0 50 100 150
150-165 150.608 11.520
165-180 171.631 11.883
180-195 192.260 9.245 h (distancia)
MA OMNIDIRECCIONAL

100 150 200 250

h (distancia)
MODELOS DE VARI
Los modelos de variogramas son curvas, generadas a partir de una función matem
nuestros datos y nos permitirán conocer la distribución para todos los puntos en e

6. Modelo Efecto pepita


1. Modelo lineal. El variograma pepítico de m
Define un modelo no acotado en función de dos constantes
positivas. La función tiende a infinito para distancias grandes lo que
hace que este modelo no se corresponda con un proceso
estacionario. Este modelo de variograma
correlación espacial, de mo
estadística clásica. Es un cas
de medición sean muy gran
alcance real, en cuyo caso la

7. Modelo seno cardinal


2. Modelo Nugget effect. El variograma seno cardinal
Es la estructura más básica del semivariograma indicando falta de
estructura espacial. Viene dado por:

Este modelo presenta oscila


(fenómeno periódico amorti

8. Modelo de efecto agujero


3. Modelo potencial (Power). El efecto agujero es indicativ
Definido por un factor 0 < ω < 2, una pendiente positiva c1 y un más comunes de modelos d
efecto nugget c0,
S es un factor de escala
Este puede ser usado para r
un comportamiento periódi
sucesión de zonas ricas y po

4. Modelo del efecto Hole o sinusuidal.


Se utiliza para definir componentes cíclicas subyacentes. Con una 9. Modelo Lineal con Mese
varianza a priori de c1 y un efecto nugget de c0, se define como
En una dimensión los bloqu
longitud a y la distancia entr
cuando se expresa como un

S es un factor de escala
En una dimensión los bloqu
longitud a y la distancia entr
cuando se expresa como un

S es un factor de escala
5. Familia Matérn.
Esta clase se define mejor en términos de la función de covarianza
definida por
10. Modelo de Wijsian
Este modelo esta definido por

En este caso, θ1 > 0 define un parámetro de dependencia espcial y


θ2 > 0 es un parámetro de forma. La función Γ(·) representa la
función gamma mientras que kθ2 es la función modificada de Bessel
de tercera clase de orden θ2. Como casos especiales se tiene que θ2
→ 1/2 tiende a la forma exponencial y el límite de θ2 → ∞ daría
lugar a la forma Gaussiana.

Bibliografía:
Reyes, M. (2010).Estimación paramétrica y no paramétrica de la Tendencia en Datos con Dependencia Espacial. U
Obtenido de: http://eio.usc.es/pub/mte/descargas/ProyectosFinMaster/Proyecto_401.pdf

Guinzo,M. Análisis estadístico de datos funcionales


Obtenido de: http://eio.usc.es/pub/mte/descargas/ProyectosFinMaster/Proyecto_388.pdf
E VARIOGRAMAS
as a partir de una función matemática, que ajustaremos a
bución para todos los puntos en el espacio

6. Modelo Efecto pepita


El variograma pepítico de meseta C se define como:

Este modelo de variograma alcanza inmediatamente su meseta: hay ausencia total de


correlación espacial, de modo que la geoestadística encuentra todos los resultados de la
estadística clásica. Es un caso poco frecuente en las aplicaciones, a menos que los errores
de medición sean muy grandes o que las distancias entre datos sean mayores que el
alcance real, en cuyo caso la continuidad espacial es imperceptible.

7. Modelo seno cardinal


El variograma seno cardinal de parámetro a y meseta C se define como:

Este modelo presenta oscilaciones, las cuales tienen generalmente una interpretación física
(fenómeno periódico amortiguado, por ejemplo).

8. Modelo de efecto agujero


El efecto agujero es indicativo de fenómenos con componentes periódicas. Las expresiones
más comunes de modelos de semivariogramas son:

S es un factor de escala
Este puede ser usado para representar procesos regularmente continuos y que muestran
un comportamiento periódico, el cual es frecuentemente encontrado, donde existe una
sucesión de zonas ricas y pobres. Es un modelo negativo definido en tres dimensiones.

9. Modelo Lineal con Meseta.


En una dimensión los bloques son simplemente líneas. Supongamos que estos son de
longitud a y la distancia entre sus centros es h. Su solapamiento es entonces a−h, el cual,
cuando se expresa como una proporción de a es 1-(h/a), siendo h ≤ a.

S es un factor de escala
En una dimensión los bloques son simplemente líneas. Supongamos que estos son de
longitud a y la distancia entre sus centros es h. Su solapamiento es entonces a−h, el cual,
cuando se expresa como una proporción de a es 1-(h/a), siendo h ≤ a.

S es un factor de escala

10. Modelo de Wijsian


Este modelo esta definido por la siguiente fórmula:

�(ℎ)= 3𝛼 𝑙𝑛(ℎ)

atos con Dependencia Espacial. Un Estudio de Simulación

También podría gustarte