Universidad Nacional de Ingeniería-FIGMM Geoestadistica

NOVIEMBRE 2018
UNIVERSIDAD NACIONAL DE INGENIERIA
FIGMM
“GEOESTADISTICA”

VARIOGRAMA PROMEDIO
ALUMNO:

 HUAMAN BAZAN DANY YORDAN 20151161H

CURSO:

 GEOESTADISTICA 1

PROFESORES:

 Ing. TEVES ROJAS AUGUSTO

 Ph.D MARIN SUAREZ VALERIANO ALFREDO

pág. 1
Universidad Nacional de Ingeniería-FIGMM Geoestadistica

DEDICATORIA

A dios, mis padres por su

abnegada labor y permanente
apoyo moral, al docente del curso
con respeto y dedicación por
enseñar y dar todo de sí, a mis
amigos por estar en las buenas y
malas.

pág. 2
Universidad Nacional de Ingeniería-FIGMM Geoestadistica

INDICE
DEDICATORIA……………………………………………………………Pag 2

INDICE……………………………………………………………………..Pag 3

RESUMEN…………………………………………………………………Pag 4

INTRODUCCIÓN………………………………………………………….Pag 5

FUNDAMENTO TEORICO……………………………………………….Pag 6

CALCULO………………………………………………………………….Pag 9

CONCLUSIONES…………………………………………………………Pag 13

BIBLIOGRAFIA……………………………………………………………Pag 14

pág. 3
Universidad Nacional de Ingeniería-FIGMM Geoestadistica

RESUMEN
En el presente trabajo se utilizó el lenguaje de programación de Python corriendo
en un sistema operativo OS X versión 10.11. 2. Gracias a esto podremos calcular
el variograma para una región cuadrangular de lado 2m usando el modelo esférico
con un C0=0.2 así como un C1=0.8 además de un alcance a= a=10m.

El variograma se tendrá que calcular a partir de un punto ubicado en la esquina

inferior izquierda del cuadrado.

Se ha usado el editor de texto Pycharm, debido a su simplicidad. Las fórmulas

usadas son las brindadas en clase de teoría.

pág. 4
 INTRODUCCION
La palabra “geoestadística” fue inventada por Georges Matheron en 1962.

El prefijo “geo” alude a las ciencias de la tierra, que ha sido históricamente la disciplina
donde la geoestadística se ha desarrollado. Los campos de aplicación actuales alcanzan
los dominios más variados, como la evaluación de recursos naturales (mineros,
forestales, gas, petróleo, etc.), ciencias del suelo y medio-ambientales, topografía,
oceanografía, geofísica, agricultura y análisis de imágenes, por nombrar algunos. El
término “estadística” se refiere al uso de herramientas estadísticas y probabilísticas. Con
respecto a la estadística clásica, la geoestadística busca tomar en cuenta las
dependencias entre las observaciones disponibles, considerando que ellas están
ubicadas en el espacio.
El estudio sobre la distribución normal lo comenzó de Moivre a finales del siglo XVIII,
aunque toma el nombre de Carl Friedrich Gauss (considerado por la comunidad científica
como el matemático más prolífico de la historia), puesto que fue el primero que aplicó
esta herramienta, concretamente, en el análisis de datos astronómicos.

La Campana de Gauss es una función con tres partes diferenciadas: la zona media, en
cuyo centro se encuentra el valor de la media y es cóncava; y los dos extremos, que son
convexos y tienden a aproximarse al “eje x”.

La importancia de esta distribución, reside en que aparece constantemente en la

naturaleza o en la actitud de las personas, puesto que representa el comportamiento de
los valores de ciertas variables, cuyas variaciones son influenciadas por fenómenos
aleatorios.
Es bien sabido que en minería muchas de las variables (por no decir todas) son
aleatorias, por lo cual es necesario tener conocimiento sobre el comportamiento de la
curva de gauss para un mejor entendimiento.

Ilustración 0-1 FORMA DE LA CAMPANA DE GAUSS, SIGMA ES LA DESVIACION ESTANDAR

pág. 5
 FUNDAMENTO TEÓRICO
Definiciones Básicas:
Geoestadística:
Aplicación de la teoría de variables regionalizadas a la estimación de recursos
mineros.
Variables regionalizadas:
Es una función que representa variación en el espacio. Se designa por z(x).

Una variable regionalizada posee propiedades intermedias entre una variable

completamente aleatoria y una completamente determinística. A modo de
definición una variable regionalizada es una variable aleatoria cuya realización
depende de la posición. Ejemplos típicos de variables regionalizadas son la
elevación topográfica de algún terreno, el perfil de pozo registrado con alguna
herramienta de sondeo, etc. En contraposición con una variable totalmente
aleatoria, una variable regionalizada tiene cierta correlación punto a punto, pero
estos cambios son tan complejos que no pueden ser descriptos por una función
determinística.

VARIOGRAMA

El variograma o semivariograma es una herramienta que permite analizar el

comportamiento espacial de una variable sobre un área definida, obteniendo como
resultado un variograma experimental que refleja la distancia máxima y la forma en que
un punto tiene influencia sobre otro punto a diferentes distancias.

El resultado de este análisis no puede ser aplicado directamente en los diferentes

métodos de interpolación que lo ocupan como información base, es por esto que una
vez calculado el variograma experimental, debe ser realizado un modelo matemático que
modele de la mejor forma posible al variograma experimenta, el cual es conocido como
variograma teórico.

pág. 6
 Ilustración 0-2 VARIIOGRAMA ESFERICO CON EL QUE SE VA A TRABAJAR

DISTRIBUCIÓN NORMAL

En estadística y probabilidad se llama distribución normal, distribución de Gauss o

distribución gaussiana, a una de las distribuciones de probabilidad de variable continua
que con más frecuencia aparece aproximada en fenómenos reales.[cita requerida]

La gráfica de su función de densidad tiene una forma acampanada y es simétrica

respecto de un determinado parámetro estadístico. Esta curva se conoce como campana
de Gauss y es el gráfico de una función gaussiana.

La importancia de esta distribución radica en que permite modelar numerosos

fenómenos naturales, sociales y psi dado los hechios que etabn pansamdo
cológicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de
fenómenos son desconocidos, por la enorme cantidad de variables incontrolables que
en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada
observación se obtiene como la suma de unas pocas causas independientes.

De hecho, la estadística descriptiva sólo permit

ghjrtjtykj

pág. 7
hjfgktgfjhtjtyj

pág. 8
rtuyrutyujt

pág. 9
pág. 10
e describir un fenómeno, sin explicación alguna. Para la explicación causal es preciso el
diseño experimental, de ahí que al uso de la estadística en psicología y sociología sea
conocido como método correlacional.

La distribución normal también es importante por su relación con la estimación por

mínimos cuadrados, uno de los métodos de estimación más simples y antiguos.

Ilustración 0-3 DISTRIBUCION NORMAL Y CAMPANA DE GAUSS

PYTHON
ESTA MIERDA DE TRABAJO SE LO DEDICAMOS A LA GENTE QUE QUIERE
PLANCHGAS
THAGAN SU KINFORME Y NO SEAN UNOS VAGOS DE MRD
TMRE FIMRE ME LLEGA A LA ANO
Python es un lenguaje de programación interpretado cuya filosofía hace hincapié en una
sintaxis que favorezca un código legible.

Se trata de un lenguaje de programación multiparadigma, ya que soporta orientación a

objetos, programación imperativa y, en menor medida, programación funcional. Es un
lenguaje interpretado, usa tipado dinámico y es multiplataforma.

Es administrado por la Python Software Foundation. Posee una licencia de código

abierto, denominada Python Software Foundation License,1 que es compatible con la
Licencia pública general de GNU a partir de la versión 2.1.1, e incompatible en ciertas
versiones anteriores.

pág. 11
 Ilustración 0-4 LOGO DE PYTHON

CÁLCULOS
Para entender la codificación es necesario tener conocimientos de Python, mencionado
en la página anterior.

Formula para el variograma esférico:

pág. 12
Por lo que tendríamos:

Nos damos cuenta que la función variograma de esta forma se ha vuelto dependiente de
h por lo que tendríamos que encntrar TDO DE LO DEMAS DE LOS CASOS EN EL
CUYAL NOSDOTROS NOTAMOS LAS CONDICIONES INICIALES DISTRB UFSDS EN
EL VUADRO h, para lo cual analizamos el gráfico.

Ilustración 0-5 VARIACION DE h

pág. 13
 CÓDIGO

Para el código usaremos el bucle for en Python que realizará una acción repititiva
siempre y cuando la variable esté dentro del rango, vemos que el rango está
determinado por:

Range(0,8,1): Lo cual quiere decir que el i empezará en 0, terminará en 8-1 o sea

en 7 e irá de uno en uno, esto lo hemos determinado según el gráfico anterior.

Ilustración 0-6 CODIGO PARA CALCULAR EL VARIOGRAMA PROMEDIO

pág. 14
 SALIDA

Ilustración 0-7 MUESTRA EL RESULTADO AL CORREGIR EL CODIGO

Podemos observar como resultado 0.3019

También podemos ahondar en el análisis haciendo que varíe el número de

particiones “n” y graficando el comportamiento del variograma promedio según la
variación de el número de particiones, para esto usamos una vez más el bucle for.

Ilustración 0-8 CODIGO CUANDO VARIA EL NUMERO DE PARTICIONES EN LA REGION ABCD

Nótese que en la figura anterior hemos importado la librería matplotlib.pylot para

poder graficar lo dicho anteriormente, la lista “hist” es la lista cuyos elementos son
los variogramas promedios para cada valor de “n” .

pág. 15
 SALIDA

Ilustración 0-9 SE MUESTRA EN EL EJE X NUMERO DE PETICIONES "n"

Y EN EL EJE Y LOS VALORES DEL VARIOGRAMA PROMEDIO

pág. 16
 CONCLUSIONES

 El variograma cumple por definición lo establecido ya que únicamente

depende de la interdistancia de los datos

 En el análisis extra del comportamiento del variograma promedio con el

número de particiones se puede observar que a partir de 75 particiones el
variograma promedio se vuelve casi constante, esto también es deducible
del modelo esférico.

 El análisis se ha realizado para un sistema bidimensional, puede ser llevado

a tridimensional de manera similar con un análisis no complejo.

 Nos es realmente útil saber programación, de otro modo hubiese sido difícil
la realización del presente trabajo.

 El variograma calculado nos es útil para posteriormente hallar la varianza

de estimación. El cálculo involucrado facilita más tarde una manera de
comprender el número de muestras representativas que se deben de tomar
en una región mediante la varianza de estimación

pág. 17
Universidad Nacional de Ingeniería-FIGMM Geoestadistica

BIBLIOGRAFÍA

•https://es.wikipedia.org/wiki/Distribución_normal#Definici.C3.B3n_ formal

• http://geoestadistica.com/variografia_modelamiento.htm

SWEGDFGDFBFGRGHEGFSD SDFWFWFEW EFEWFH EKJ EHE BGFRVEFBEFVB EVWRFEW V

pág. 18
GEOESTADISTICA 1 FIGMM

19 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

20 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

21 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

22 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

23 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

24 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

25 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

WFKLNWF EWVNEF EWGVN E EV NVEW V

26 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

27 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

28 UNIVERSIDAD NACIONAL DE INGENIERIA

GEOESTADISTICA 1 FIGMM

29 UNIVERSIDAD NACIONAL DE INGENIERIA

 GEOESTADISTICA 1 FIGMM

KFVNWEV FMNV ND D D BVBSDNBCWKFMNDW FK D D BWDW

• https://es.wikipedia.org/wiki/Función_gaussiana

• https://es.wikipedia.org/wiki/Python

• https://es.wikipedia.org/wiki/Teorema_del_l%C3%ADmite_central

• http://www.cg.ensmp.fr/bibliotheque/public/ALFARO_Cours_00606 .pdf

• https://es.wikipedia.org/wiki/

30 UNIVERSIDAD NACIONAL DE INGENIERIA