Está en la página 1de 33

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA GEOLOGICA, MINERA Y METALURGICA

GEOESTADISTICA I

GENERACIÓN DE DATOS ALEATORIOS Y LA CONSTRUCCIÓN DE

VARIOGRAMAS

Docente:

Ing. Augusto Teves Rojas

Autor:

Johann David De la cruz Ordoñez

Lima, Abril 2014


RESUMEN

En el presente informe se mostrara la generación de datos aleatorios en un rango de 0 a

1, representando dichos valores la ley de un mineral que en la realidad puede ser

calculado de testigos obtenidas de perforación diamantina. A dichos datos se les

configurara de manera particular como por ejemplo ordenándolos de menor a mayor,

compositandolos en rangos de 5, 10, 20, 50 y 100. Para cada configuración hecha se le

hará el análisis estadístico, construyendo el histograma, calculando los parámetros

estadísticos además del variograma.

2
Índice General

Resumen…………………………………………………………………………………2

Índice General…………………………………………………………………………...3

Índice de figuras…………………………………………………………………………5

Introducción……………………………………………………………………………...6

1. GEOESTADISTICA…………………………………………………………...........7

1.1 Estacionariedad……………………………………………………..........7

1.2 Variable Regionalizada (VR)……………………………….....................8

2. VARIOGRAMA…………………………………………………….........................8

2.1 Construcción del Variograma……………………………………………8

2.2 Componentes y características del Variograma………………………….9

2.3 Anisotropías…………………………………………………….............11

2.4 Modelos de Variogramas…………………………….............................12

2.4.1 Modelo Esférico………………………………........................12

2.4.2 Modelo Exponencial…………………………….....................12

2.4.3 Modelo Gaussiano……………………………........................13

3. ANALISIS DE DATOS…………………………………………............................14

3.1 10 000 Valores Aleatorios sin Ordenar…………………........................14

3.1.1 Generación de 10 000 valores aleatorios [0;1] …………………..14

3.1.2 Histograma…………………………………………......................14

3.1.3 Variograma……………………………………………….............15

3.2 10 000 Valores Aleatorios Ordenados de Menor a Mayor……………..16

3.2.1 Ordenando los 10 000 valores aleatorios [0;1] ………………….16

3.2.2 Histograma y Variograma respectivo…………………………….17

3
3.3 Compositando los Valores Aleatorios…………………………………19

3.3.1 Compositos de 5…………………………………………………20

3.3.1.1 Histograma y Variograma……………………...............20

3.3.2 Compositos de 10………………………………...........................21

3.3.2.1 Histograma y Variograma………………………………21

3.3.3 Compositos de 20…………………………...................................22

3.3.2.1 Histograma y Variograma……………………...............22

3.3.4 Compositos de 50…………………………...................................24

3.3.2.1 Histograma y Variograma…………………....................24

3.3.5 Compositos de 100………………………….................................25

3.3.2.1 Histograma y Variograma…………………....................25

3.4 Comparación de Variogramas………………..........................................27

4. OBSERVACIONES……………………………………………………………28

5. CONCLUSIONES…………………………………………………………...…28

REFERENCIAS BIBLIOGRAFICAS……………………………………………..29

APÉNDICES……………………………………………………………………….30

APÉNDICE A………………………………………………………………………30

APÉNDICE B………………………………………………………………………31

APÉNDICE C………………………………………………………………………32

4
Índice de Figuras

Figura 1: Construcción del Variograma……………………………………………….8


Figura 2: Variograma………………………………………………………………….9
Figura 3: Componentes del Variograma……………………………………...………10
Figura 4: Anisotrópica…………………………………………………….….………11
Figura 5: Variograma modelo Esférico………………………………………………12
Figura 6: Variograma modelo Exponencial…………………………………….……12
Figura 7: Variograma modelo Gaussiano……………………………………………13
Figura 8: Histograma de 10 000 datos aleatorios entre 0 y 1………………………...15
Figura 9: Variograma de 10 000 datos aleatorios entre 0 y 1……………...…………16
Figura 10: Histograma de 10 000 datos aleatorios ordenados de menor a mayor……17
Figura 11: Variograma de 10 000 datos aleatorios ordenados de menor a mayor……18
Figura 12: Variogramas de los datos sin ordenar y ordenados……………………….19
Figura 13: Histograma de datos de compositos de 5………………………….………20
Figura 14: Variograma de datos de compositos de 5………………………….……...20
Figura 15: Histograma de datos de compositos de 10……………………….………..21
Figura 16: Variograma de datos de compositos de 10………………………………..22
Figura 17: Histograma de datos de compositos de 20………………………………..22
Figura 18: Variograma de datos de compositos de 20………………………….……23
Figura 19: Histograma de datos de compositos de 50………………………..………24
Figura 20: Variograma de datos de compositos de 50……………………….………25
Figura 21: Histograma de datos de compositos de 100………………………………25
Figura 22: Variograma de datos de compositos de 100………………………………26
Figura 23: Variogramas para diferentes compositos………………………………....27

5
INTRODUCCIÓN

La búsqueda, exploración y evaluación de yacimientos minerales 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,

etc. Todo esto condicionado al agotamiento de los recursos producto de la explotación y

a las fluctuaciones de las cotizaciones del mercado.

El desarrollo de la minería ha traído unido el perfeccionamiento de los métodos de

búsqueda de los minerales útiles, y los de la determinación de su cantidad

y utilidad para la extracción.

Nuestro objetivo principal será analizar y discutir, los variogramas a obtener producto

de las diferentes configuraciones de datos de una misma data.

6
1. GEOESTADISTICA

Buscando el mejor estimador que minimice la varianza del error de estimación

surge la Geoestadística por los trabajos de G. Matheron en la Escuela Superior

de Minas de París, basado en conceptos iniciales de trabajos de H.S. Sichel en

1947 y 1949, en la aplicación de la distribución lognormal en minas de oro,

seguido por la famosa contribución de D.G. Krige en la aplicación del análisis de

regresión entre muestras y bloques de mena. Estos trabajos fijaron la base de la

Geoestadística Lineal. La Geoestadística se consolidó y desarrollo en los últimos

30 años como ciencia aplicada casi exclusivamente en el campo minero, la cual

ha sido ampliamente usada, existiendo como ciencia aplicada que da respuesta a

necesidades prácticas y concretas.

La geoestadística, a diferencia de la estadística en el tratamiento de las muestras,

tiene en cuenta la ubicación de los datos, en el espacio. Lo que resulta de gran

interés en los estudios geológicos mineros.

La geoestadística asume que las muestras están correlacionadas. Es esta

Correlación Espacial la que debemos encontrar en un yacimiento. Datos más

cercanos tienen más posibilidades de ser similares que dos alejados.

1.1 Estacionariedad

La Geoestadística, establece que la distribución estadística de la diferencia de

una variable (ley, potencia), entre muestras es similar y depende de la distancia

que las separa y su distribución.

7
1.2 Variable Regionalizada (VR)

Es aquella que el valor dado en un punto dentro del yacimiento está en función

de su magnitud y de su soporte (forma, orientación). Ejemplos Típicos de VR

son la ley, potencia, densidad.

2. VARIOGRAMA

El variograma es la herramienta geoestadística básica. Permite la cuantificación

de los parámetros geológicos y expresa la correlación espacial entre los valores

muestreados.

En términos prácticos, en el campo geológico – minero, el Variograma

constituye una función de característica geológica(o cualquier otra variable

regionalizada) en el espacio. Él represente el grado de continuidad de la variable

bajo estudio

En términos muy simples podemos definir el variograma como la media de los

cuadrados de las diferencias entre pares de muestras separados por una distancia

h:

 z 
N(h)
1
h  ( x)  z( x  h )
2

2 N( h) x 1

2.1 Construcción del Variograma

Con el uso de la formula anterior, se hace la construcción hallando  (h) para

cada valor de h

Figura nº 1.

8
Figura nº 2.

2.2 Componentes y Características del Variograma

En general el variograma es una función creciente de h, ya que los valores

tomados en dos puntos distintos son, en promedio, tanto mas diferentes cuanto

mas alejados estén el uno del otro. De este modo, el variograma da un contenido

preciso a la noción tradicional de la zona de de influencia de una muestra: el

crecimiento mas o menos rápido del variograma representa, en efecto, la manera

mas o menos rápida con la cual se deteriora la influencia de una muestra dada

sobre las zonas mas lejanas del yacimiento.

9
Figura nº 3.

La función  h aumenta a medida que (h) aumenta, alcanzando un valor máximo,

denominado meseta, a esta distancia a la cual se produce dicha meseta se le

denomina alcance y nos proporciona una medida promedio de la zona de

influencia de la mineralización en estudio.

Por el contrario, en algunas ocasiones la función  h no tiene una meseta, crece

indefinidamente: en este caso se esta en presencia de una tendencia, vale decir

de una variación sistemática a gran escala y no existe estacionalidad del

fenómeno.

Los cambio bruscos de mineralización a muy pequeña escala (h  0) se reflejan

por un salto brusco de  h en las vecindades del origen, dando lugar a los

fenómenos denominados “efecto de pepita” ( C o ).

10
2.3 Anisotropías

El variograma puede tener distintos alcances y mesetas, según la dirección con

que se aparean los datos.

Figura nº 4.

11
2.4 Modelos de Variogramas

Los modelos más utilizados en geología son del tipo transicional (con meseta).

Estos son:

2.4.1 Modelo Esférico

Figura nº 5.

2.4.2 Modelo Exponencial

Figura nº 6.

12
2.4.3 Modelo Gaussiano

Figura nº 7.

13
3. ANALISIS DE DATOS

3.1 10000 VALORES ALEATORIOS SIN ORDENAR

3.1.1 Generación de 10000 datos aleatorios entre [0;1]

Los valores aleatorios a generar representan la ley del mineral presente en 1

metro de testigo. Para ello se utilizara el programa Matlab.

Con el comando “rand” se generan valores aleatorios cuya distribución es

uniforme

>>D= rand(10000,1) %% En general “rand(m,n)”

Obteniendo un vector D de dimensiones D10000x1

3.1.2 Grafica del Histograma

El uso del comando “hist” nos simplifica el trabajo, así como los otros comandos

para hallar las características estadísticas:

>>hist(D) %% Obtenemos el histograma del los 10000 datos


>>mean(D) %% Media
>>std(D) %% Desviación Estándar
>>min(D) %% Mínimo
>>max(D) %% Máximo

14
HISTOGRAMA - LEY DEL MINERAL
600

500

400
FRECUENCIA

300

200

100

0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
LEY

Figura nº 8.

La media es: 0.50515


La desviación estándar es: 0.29004
El máximo es: 0.9998
El mínimo es: 0.0000155

3.1.3 Construcción del variograma con los 10000 datos

Se hizo un algoritmo para calcular los valores de  (h) para cada h.

m=10000

for j=1:1:m-1
h=0;
for i=1:1:m-j
k=(D(i)-D(i+j))^2;
h=h+k;
end
h=h./(2*(m-j));
V(j)=h;
end
Obteniendo el vector V de dimensiones 9999x1, el cual representa el variograma

 (h) . Finalmente se grafica el vector V, es decir el variograma.

15
>>plot(V)

VARIOGRAMA DE LOS VALORES ALEATORIOS SIN ORDENAR


0.35

0.3

0.25

0.2
V(h)

0.15

0.1

0.05

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
h

Figura nº 9.

En el apéndice A se presenta el pseudocódigo completo para la generación de

valores, histograma, variograma y graficas para un caso general de “n” variables.

3.2 10000 VALORES ALEATORIOS ORDENADOS DE MENOR A MAYOR

3.2.1 Ordenando de menor a mayor los 10000 valores aleatorios

Teniendo los valores ya generados pasamos a ordenarlos de menor a mayor, con

ayuda del comando “sort”

>>sort(D) %% Ordena los valores del vector D de menor a

mayor

16
3.2.2 Grafica del Histograma de los valores ordenados

>>hist(D) %% Obtenemos el histograma del los 10000 datos


>>mean(D) %% Media
>>std(D) %% Desviación Estándar
>>min(D) %% Mínimo
>>max(D) %% Máximo

HISTOGRAMA - LEY DE MINERAL


600

500

400
FRECUENCIA

300

200

100

0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
LEY

Figura nº 10.

La media es: 0.50515


La desviación estándar es: 0.29004
El máximo es: 0.9998
El mínimo es: 0.0000155

17
3.2.3 Construcción del variograma con los 10000 datos

Con el mismo algoritmo para calcular los valores de  (h) para cada h.

m=10000

for j=1:1:m-1
h=0;
for i=1:1:m-j
k=(D(i)-D(i+j))^2;
h=h+k;
end
h=h./(2*(m-j));
V(j)=h;
end
Obteniendo el vector V de dimensiones 9999x1, el cual representa el variograma

 (h) . Finalmente se grafica el vector V, es decir el variograma.

>>plot(V)

VARIOGRAMA DE VALORES ALEATORIOS ORDENADOS DE MENOR A MAYOR


0.5

0.45

0.4

0.35

0.3
V(h)

0.25

0.2

0.15

0.1

0.05

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
h

Figura nº 11.

18
VARIOGRAMAS DE LA MISMA DATA
0.5
Sin ordenar
Ordenando de menor a mayor
0.45

0.4

0.35

0.3
V(h)

0.25

0.2

0.15

0.1

0.05

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
h

Figura nº 12.

3.3 COMPOSITANDO LOS VALORES ALEATORIOS

3.3.1 COMPOSITOS DE 5

Se promedian los valores de acuerdo al tamaño del composito

p=10000/5;
for i=1:1:p
D2(i,1)=mean(D(c*(i-1)+1:c*i)); %% Promedio
end
Obteniendo el nuevo vector D2 de valores compositos de dimensión 5, al cual le

haremos su histograma y variograma.

3.3.1.1 Histograma de los compositos de 5

>>hist(D2) %% Obtenemos el histograma del los 2000 datos


>>mean(D2) %% Media
>>std(D2) %% Desviación Estándar
>>min(D2) %% Mínimo
>>max(D2) %% Máximo

19
HISTOGRAMA DE DATOS COMPOSITADOS DE 5 EN 5
350

300

250

200
Frecuencia

150

100

50

0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley

Figura nº 13.

La media compositando 5 es: 0.50515


La desviación estándar compositando 5 es: 0.13057
El máximo de los datos compositando 5 es: 0.87496
El mínimo de los datos compositando 5 es: 0.10359

3.3.1.2 Variograma de los compositos de 5

El algoritmo es el mismo hecho en la parte de los valores sin compositor. El

algoritmo completo y más general se encuentra en el apéndice C

VARIOGRAMA DE DATOS COMPOSITADOS DE 5 EN 5


0.04

0.035

0.03

0.025
V(h)

0.02

0.015

0.01

0.005

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
h

Figura nº 14.

20
3.3.2 COMPOSITOS DE 10.

Se promedian los valores de acuerdo al tamaño del composito Obteniendo el

nuevo vector D2 de valores compositos de dimensión 10, al cual le haremos su

histograma y variograma.

3.3.2.1 Histograma de los compositos de 10

HISTOGRAMA DE DATOS COMPOSITADOS DE 10 EN 10


200

180

160

140

120
Frecuencia

100

80

60

40

20

0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley

Figura nº 15.

La media compositando 10 es: 0.50515


La desviación estándar compositando 10 es: 0.092354
El máximo de los datos compositando 10 es: 0.79816
El mínimo de los datos compositando 10 es: 0.18639

21
3.3.2.2 Variograma de los compositos de 10

VARIOGRAMA DE DATOS COMPOSITADOS DE 10 EN 10


0.018

0.016

0.014

0.012
V(h)

0.01

0.008

0.006

0.004

0.002
0 100 200 300 400 500 600 700 800 900 1000
h

Figura nº 16.

3.3.3 COMPOSITOS DE 20.

Obteniendo el nuevo vector D2 de valores compositos de dimensión 20, al cual

le haremos su histograma y variograma.

3.3.3.1 Histograma

HISTOGRAMA DE DATOS COMPOSITADOS DE 20 EN 20


160

140

120

100
Frecuencia

80

60

40

20

0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley

Figura nº 17.

22
La media compositando 20 es: 0.50515
La desviación estándar compositando 20 es: 0.064583
El máximo de los datos compositando 20 es: 0.69217
El mínimo de los datos compositando 20 es: 0.31284

3.3.3.2 Variograma

VARIOGRAMA DE DATOS COMPOSITADOS DE 20 EN 20


0.014

0.012

0.01

0.008
V(h)

0.006

0.004

0.002

0
0 50 100 150 200 250 300 350 400 450 500
h

Figura nº 18.

23
3.3.4 COMPOSITOS DE 50.

Obteniendo el nuevo vector D2 de valores compositos de dimensión 50, al cual

le haremos su histograma y variograma.

3.3.4.1 Histograma

HISTOGRAMA DE DATOS COMPOSITADOS DE 50 EN 50


90

80

70

60

50
Frecuencia

40

30

20

10

0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley

Figura nº 19.

La media compositando 50 es: 0.50515


La desviación estándar compositando 50 es: 0.039921
El máximo de los datos compositando 50 es: 0.61968
El mínimo de los datos compositando 50 es: 0.39058

24
3.3.4.2 Variograma

-3
x 10 VARIOGRAMA DE DATOS COMPOSITADOS DE 50 EN 50
3

2.5

2
V(h)

1.5

0.5

0
0 20 40 60 80 100 120 140 160 180 200
h

Figura nº 20.

3.3.5 COMPOSITOS DE 100.

Obteniendo el nuevo vector D2 de valores compositos de dimensión 100, al cual

le haremos su histograma y variograma.

3.3.5.1 Histograma

HISTOGRAMA DE DATOS COMPOSITADOS DE 100 EN 100


60

50

40
Frecuencia

30

20

10

0
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
Ley

Figura nº 21.

25
La media compositando 100 es: 0.50515
La desviación estándar compositando 100 es: 0.02811
El máximo de los datos compositando 100 es: 0.57048
El mínimo de los datos compositando 100 es: 0.43696

3.3.5.2 Variograma

-3
x 10 VARIOGRAMA DE DATOS COMPOSITADOS DE 100 EN 100
1.4

1.2

0.8
V(h)

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70 80 90 100
h

Figura nº 22.

3.4 COMPARACIÓN DE VARIOGRAMAS

Ejecutando el algoritmo completo “Variogramas_Total” el apéndice C en el

software Matlab de la siguiente manera:

>>Variogramas_Total(n,c1,c2,c3,c4,c5,c6)

n: Numero de valores aleatorios a generar

c1, c2, c3, c4, c5, c6: Magnitudes de los compositos a desear

Como se nos pidió compositos de 5, 10, 20, 50 y 100, ejecutamos el programa

hecho de la siguiente manera:

>>Variogramas_Total(10000,1,5,10,20,50,100)

Obteniendo como resultado final la siguiente grafica:

26
VARIOGRAMAS
0.16
Sin compositar
Compositos de 5
0.14 Compositos de 10
Compositos de 20
Compositos de 50
Compositos de 100
0.12

0.1

0.08

V(h)

Figura nº 23.
0.06

0.04

0.02

27
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
h
4. OBSERVACIONES Y DISCUSIONES

- Los histogramas mostrados anteriormente, tiene un ancho de rango de 0.05

- Los datos aleatorios generados siguen una distribución uniforme

- Cuando se ordeno los datos generados de menor a mayor, se impuso una

“regla de correspondencia” entre los datos, evidenciándose lo mencionado en

su respectivo variograma

- La media en todos los casos (configuraciones de datos) nos da lo mismo,

diciéndonos que la estadística hace caso omiso al reordenamiento de los

datos, cosa que el variograma si lo nota.

- La desviación estándar varia con respecto a la configuración de los datos

- El comportamiento de la grafica del Variograma es mas notorio cuando se

ordenan los datos de menor a mayor o viceversa, a diferencia de solo

compositar

5. CONCLUSIONES

- Se construyó el histograma para cada configuración de datos de una misma

data.

- Se hizo el análisis de los variogramas obtenidos para cada configuración de

datos, notando el comportamiento en cada caso.

- Se observó el efecto pepita en cada caso, con ayuda de las gráficas hechas

- Cuando existe una “regla de correspondencia” entre los datos, el variograma

deja de ser una línea, aproximándose muy bien a una parábola

28
REFERENCIAS

- Tulcanaza, E. (1992). Técnica Geoestadística y Criterios Técnico-


Económicos Para la Estimación y Evaluación de Yacimientos Mineros.
Chile: Estudios Mineros.
- Marin, Augusto. “Variograma” (Apuntes de clase del profesor, Lima, Perú,
Abril,2014)
- Teves, Augusto. “Compositos” (Apuntes de clase del profesor, Lima, Perú,
Abril,2014)

29
APENDICE A

PSEUDOCODIGO DESARROLLADO EN MATLAB PARA GENERAR DATOS


ALEATORIOS ENTRE 0 Y 1, GRAFICAR HISTOGRAMA Y CONSTRUIR EL
VARIOGRAMA

function y=V(n)
%%%%% Generacion de datos aleatorios entre 0 y 1%%%%%%
D=rand(n,1);
M=size(D);
m=M(1);
%%%%%%%%%%%%% Histograma %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
x=0:0.05:1;
hist(D,x);
%%%%%% Calculo de varialbes estadisticas %%%%%%
%% MEDIA %%
imp=strcat('La media es:');
disp(strcat(imp,num2str(mean(D))))

%% DESVIACION ESTANDAR %%
imp=strcat('La desviacion estandar es:');
disp(strcat(imp,num2str(std(D))))

%% MAX Y MIN %%
imp=strcat('El maximo es:');
disp(strcat(imp,num2str(max(D))))
imp=strcat('El minimo es:');
disp(strcat(imp,num2str(min(D))))
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%% CONSTRUCCION DEL VARIOGRAMA %%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for j=1:1:m-1
h=0;
for i=1:1:m-j
k=(D(i)-D(i+j))^2;
h=h+k;
end
h=h./(2*(m-j));
V(j)=h;
end
V';
size(V);
%%%%%%%%%%%%%%%%% GRAFICANDO EL VARIOGRAMA %%%%%%%%%%%%
figure;
plot(V,'-')

30
APENDICE B

PSEUDOCODIGO DESARROLLADO EN MATLAB PARA GENERAR DATOS


ALEATORIOS ENTRE 0 Y 1 ORDENANDOLOS DE MENOR A MAYOR,
GRAFICAR HISTOGRAMA Y CONSTRUIR EL VARIOGRAMA

function y=V(n)
%%%%% Generacion de datos aleatorios entre 0 y 1%%%%%%
D=rand(n,1);
M=size(D);
m=M(1);
%%%%%%%% Ordenando los datos de menor a mayor %%%%%%%%
D=sort(D);
%%%%%%%%%%%%% Histograma %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
x=0:0.005:1;
hist(D,x);
%%%%%% Calculo de varialbes estadisticas %%%%%%
%% MEDIA %%
imp=strcat('La media es:');
disp(strcat(imp,num2str(mean(D))))

%% DESVIACION ESTANDAR %%
imp=strcat('La desviacion estandar es:');
disp(strcat(imp,num2str(std(D))))

%% MAX Y MIN %%
imp=strcat('El maximo es:');
disp(strcat(imp,num2str(max(D))))
imp=strcat('El minimo es:');
disp(strcat(imp,num2str(min(D))))
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%% CONSTRUCCION DEL VARIOGRAMA %%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

for j=1:1:m-1
h=0;
for i=1:1:m-j
k=(D(i)-D(i+j))^2;
h=h+k;
end
h=h./(2*(m-j));
V(j)=h;
end
V'
size(V);
%%%%%%%%%%%%%%%%% GRAFICANDO EL VARIOGRAMA %%%%%%%%%%%%
figure;
plot(V,'.-')

31
APENDICE C

PSEUDOCODIGO DESARROLLADO EN MATLAB PARA GENERAR DATOS


ALEATORIOS ENTRE 0 Y 1 COMPOSITANDOLOS, GRAFICAR HISTOGRAMA
Y CONSTRUIR EL VARIOGRAMA

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%% VARIOGRAMA DE LOS COMPOSITOS %%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%% 5-10-20-50-100 %%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

function y=V(n,c1,c2,c3,c4,c5,c6);
%Dando dimensiones del composito
e(1)=c1;
e(2)=c2;
e(3)=c3;
e(4)=c4;
e(5)=c5;
e(6)=c6;

%Se genera los "n" datos aleatorios de distribucion uniforme


D=rand(n,1);
M=size(D);

%%%% CREANDO LOS VECTORES V(h) PARA DIFERENTES DIMENSIONES -


COMPOSITOS%%%%
for r=1:1:6
c=e(r);
m1=M(1);
p=floor(m1/c);
D2=0;
%% Se promedian los valores de acuerdo al tamaño del composito
for i=1:1:p
D2(i,1)=mean(D(c*(i-1)+1:c*i));
end
x=0:0.05:1;

%% Se grafica el HISTOGRAMA
figure;
hist(D2,x);
%%%%%% Calculo resultados de las varialbes estadisticas %%%%%%
%% MEDIA %%
imp=strcat('La media de compositar
compositando',strcat(num2str(e(r)),' es:'));
disp(strcat(imp,num2str(mean(D2))))

%% DESVIACION ESTANDAR %%
imp=strcat('La desviacion estandar
compositando',strcat(num2str(e(r)),' es:'));
disp(strcat(imp,num2str(std(D2))))

%% MAX Y MIN %%
imp=strcat('El maximo de los datos
compositando',strcat(num2str(e(r)),' es:'));
disp(strcat(imp,num2str(max(D2))))

32
imp=strcat('El minimo de los datos
compositando',strcat(num2str(e(r)),' es:'));
disp(strcat(imp,num2str(min(D2))))
disp('=====================================================')
disp('=====================================================')

%%% REGLA DE RECURRENCIA PARA EL CALCULO DE V(h)


MM=size(D2);
m=MM(1);

for j=1:1:m-1
h=0;
for i=1:1:m-j
k=(D2(i)-D2(i+j))^2;
h=h+k;
end
h=h./(2*(m-j));
V(j,r)=h;
end
V';
size(V);
figure;
plot(V(1:(n/e(r))-1,r),'-');
end

%% GRAFICANDO TODOS LOS VARIOGRAMAS EN UNA SOLA GRAFIA A UNA SOLA


ESCALA
x1=e(1):e(1):n-e(1);
x2=e(2):e(2):n-e(2);
x3=e(3):e(3):n-e(3);
x4=e(4):e(4):n-e(4);
x5=e(5):e(5):n-e(5);
x6=e(6):e(6):n-e(6);

figure;
plot(x1,V(1:(n/e(1))-1,1),x2,V(1:(n/e(2))-1,2),x3,V(1:(n/e(3))-
1,3),x4,V(1:(n/e...
(4))-1,4),x5,V(1:(n/e(5))-1,5),x6,V(1:(n/e(6))-1,6))

33

También podría gustarte