Geoestadística PPTT

FACULTAD DE INGENIERÍA
CURSO: GEOESTADÍSTICA
INTEGRANTES:
 ABANTO MARÍN, José Edison

 ALCANTARA CUZCO, Danny
 CRUZADO ACUÑA, Fredesvindo.
 DÁVILA BAZÁN, Karol
 FLORES LLANOS, Jhonatan
 SALDAÑA CHUNQUI, Elki
CAJAMARCA – PERÚ, 11 de Mayo del 2018

www.themegallery.com
GEOESTADÍSTICA
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. (Emery, 2007 pág.2).
La geoestadística es una rama de la estadística aplicada que se especializa en el

análisis y la modelación de la variabilidad espacial en ciencias de la tierra. Su objeto
de estudio es el análisis y la predicción de fenómenos en espacio y/o tiempo, tales
como: ley de metales, porosidades, concentraciones de un contaminante, etc. Aunque
el prefijo geo- es usualmente asociado con geología, sin embargo, la geoestadística
tiene sus orígenes en la minería. (VIERA, 2002, pág.1).
GEOESTADÍSTICA
 Definir las reglas básicas a seguir para la construcción e interpretación de los

histogramas, resaltando las situaciones en que pueden, o deben ser utilizados.
 Conocer los tipos de modelado de histogramas, en ellos están los más

conocidos como es la distribución normal y exponencial.
 Interpretar la construcción de los variogramas experimentales en diversos

yacimientos.
 Conocer como se hace un modelamiento por medio de variogramas.
 Conocer los métodos de la transformación inversa y Montecarlo para

simulaciones y distribuciones.
GEOESTADÍSTICA
Definición
“Estudio estadístico de fenómenos naturales que se distribuyen de forma continua en el
espacio y/o el tiempo”.
La geoestadística es una rama de la estadística aplicada que pone énfasis en:
• El contexto geológico de los datos
• La relación espacial entre los datos
• Datos medidos con un soporte volumétrico y precisión diferentes.
La geoestadística es útil para:
• Cuantificar aspectos geológicos (“ponerle números a la geología”)
• Estimación / Simulación
• Cuantificación de la incertidumbre (categorización)
• Diseño de muestra
• Análisis de riesgo
GEOESTADÍSTICA
• “Estadística aplicada a datos geográficos”

• “Estadística espacial”
• “Gestión, tratamiento e interpretación de datos espaciales”
• “Descripción cuantitativa de variables naturales que se distribuyen en el
espacio y en el tiempo”.
Etapas del análisis geoestadístico
El análisis exploratorio de los datos.
Está basada en técnicas estadísticas convencionales que nos permiten obtener
todo un conjunto de información, desconocida a priori sobre la muestra bajo
estudio, que es imprescindible para realizar “correctamente” cualquier análisis
estadístico y en particular un análisis geoestadístico.
GEOESTADÍSTICA
Es el proceso de estimación y modelación de la función que describe la correlación espacial.

Las predicciones (kriging o simulaciones).
Una vez realizado el análisis estructural, la predicción de valores en puntos no muestrales se
puede hacer aplicando la técnica de interpolación “Kriging” o simulaciones a través de
“simulaciones condicionales”,
Campos de aplicación
La geoestadística ha sido ampliamente aplicada en diversas ramas de las ciencias aplicadas y
en las ingenierías, entre otras tenemos:
• Industria petrolera
• Minería
• Industria pesquera
• Hidrogeología
• Medio ambiente
• Ciencias agrícolas y forestales
• Salud publica
• Ingeniería civil
• Cartografía
• Finanzas
• Otros
GEOESTADÍSTICA
HISTOGRAMA
Tipo especial de gráfica de barras, en la cual una barra va pegada a
la otra, es decir no hay espacio entre las barras. Cada barra
representa un subconjunto de los datos. (Universidad Nacional
Autónoma de México).
¿Qué muestra el histograma?
Muestra la acumulación o tendencia, la variabilidad o dispersión y la
forma de la distribución.
¿Para qué tipo de variable se usa?
Es una gráfica adecuada para representar variables continuas,
aunque también se puede usar para variables discretas. Es decir,
mediante un histograma se puede mostrar gráficamente la
distribución de una variable cuantitativa o numérica.
Los datos se deben agrupar en intervalos de igual tamaño, llamados
clases
GEOESTADÍSTICA
HISTOGRAMA
¿Se puede construir con los siguientes datos un histograma?
GEOESTADÍSTICA
HISTOGRAMA
¿Cómo se construye el histograma?
Utilizando software de aplicación estadística se puede obtener el histograma de
los datos, por lo que hoy en día nos debemos centrar más en su interpretación.
1° Los datos se deben agrupar en clases de igual tamaño. Teniendo en cuenta lo
anterior, desarrollemos las ideas básicas de la agrupación de los datos.
Los datos del ejemplo anterior varían de 141 a
233 segundos. Si esto lo representaremos con
una recta, la longitud sería de 92. A este valor
de 92 se le conoce como rango y cómo puedes
ver es igual a la diferencia entre el valor mayor
y el valor menor. Lo podemos expresar de la
siguiente manera:
GEOESTADÍSTICA
HISTOGRAMA
Numero de clases
Amplitud de clase
GEOESTADÍSTICA
HISTOGRAMA
¿Cuántas clases se debe utilizar?
Un buen histograma, debe de proporcionar una buena idea de la acumulación,

dispersión y forma de la distribución de datos. Por esta razón a veces es necesario
hacer varios histogramas con diferente número de clases hasta obtener el que
muestre eficientemente las características antes mencionadas. La sugerencia
principal es que, de ser posible, el número de clases se encuentre entre 5 y 20,
tendiendo a un número mayor de clases según aumente el número de datos.
Atendiendo a la sugerencia anterior agrupemos ahora los datos en 6 clases, por lo
tanto:
GEOESTADÍSTICA
HISTOGRAMA
Redondeando al entero mayor, tenemos que
Ahora vamos a escribir las clases en una columna.

GEOESTADÍSTICA
HISTOGRAMA
¿En qué clase se consideran los datos que coinciden con los límites de clase?
Considerar a los límites Se especifica un rango un poco más

superiores en la clase amplio que el rango de los datos y se
siguiente: Es decir, contar el introduce un decimal extra en los
189 en la cuarta clase. límites de las clases
GEOESTADÍSTICA
HISTOGRAMA
Se puede contar el número de observaciones que le corresponde a cada clase. Al
número de observaciones se le conoce como frecuencia o frecuencia absoluta (fi)
Tabla de distribución de Se debe escribir el

frecuencias: Muestra nombre de los datos
con qué frecuencia se estudiados y el elemento
distribuyen los datos
donde se observaron o
alrededor del valor de la
variable. midieron
GEOESTADÍSTICA
HISTOGRAMA
Si graficamos en el eje de las X a las clases y en eje Y de obtenemos el histograma
de nuestros datos, que es la representación visual de la distribución de frecuencias.
GEOESTADÍSTICA
HISTOGRAMA
¿Puede proporcionar la Tabla mayor información?
Se puede obtener mayor información a partir de los datos si se elaboran unas
columnas adicionales en la tabla de distribución de frecuencias. Si dividimos las
frecuencias de cada clase entre el total de observaciones obtenemos la frecuencia
relativa es decir la proporción de observaciones del total que pertenecen a cada
clase.
GEOESTADÍSTICA
HISTOGRAMA
Entonces la primera clase indica que hay 2 clientes que tardaron 141 a menos de 157
segundos en ser atendidos en la caja; 4% de los clientes observados tardaron de 141
a menos de 157 segundos en caja
Para cada clase es conveniente calcular un valor que la represente. Este valor e
conoce como Marca de Clase (Xi) y es el punto medio de cada clase. Se obtiene de
la siguiente manera
GEOESTADÍSTICA
HISTOGRAMA
GEOESTADÍSTICA
OJIVAS O POLÍGONOS DE FRECUENCIA ACUMULADA
GEOESTADÍSTICA
OJIVAS O POLÍGONOS DE FRECUENCIA ACUMULADA
HISTOGRAMA
GEOESTADÍSTICA
INTERPRETANDO HISTOGRAMAS
HISTOGRAMA
¿Qué nos puede decir la forma de estos histogramas?
GEOESTADÍSTICA
HISTOGRAMA
¿Qué nos puede decir la forma de estos histogramas?

GEOESTADÍSTICA
HISTOGRAMA
GEOESTADÍSTICA
MODELADO DE HISTOGRAMAS
HISTOGRAMA
DISTRIBUCIÓN NORMAL
Fue descubierta y publicada por primera vez en 1733 por De Moivre. A la

misma llegaron, de forma independiente, Laplace (1812) y Gauss (1809), en
relación con la teoría de los errores de observación astronómica y física.
Está caracterizada por dos parámetros: la media, μ y la desviación típica, σ.
La curva normal adopta un número infinito de formas, determinadas por sus
parámetros μ y σ
GEOESTADÍSTICA
Características de la distribución Normal
 Tiene forma de campana, es asintótica al eje de las abscisas (para x = ±∞)
 Simétrica con respecto a la media (µ) donde coinciden la mediana (Mn) y la
moda (Mo).
 Los puntos de inflexión tienen como abscisas los valores µ ± σ.
GEOESTADÍSTICA
¿Cómo calcular probabilidades asociadas a una curva normal específica?
Ejemplo:
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2,03?

Se busca en la tabla el área correspondiente a z = 2.03
GEOESTADÍSTICA
DISTRIBUCIÓN LOGNORMAL
GEOESTADÍSTICA
GEOESTADÍSTICA
DISTRIBUCIÓN EXPONENCIAL
GEOESTADÍSTICA
GEOESTADÍSTICA
SIMULACIÓN DE DISTRIBUCIONES DE PROBABILIDAD
La Representación Proceso o fenómeno Simple

simulación
Analizar sus características
La pretensión es que el proceso se

Al simular un comporte de la misma forma que la
fenómeno realidad y produzca resultados
similares.
GEOESTADÍSTICA
SIMULACIÓN DE DISTRIBUCIONES
Para simular una Función exponencial

distribución de
probabilidad específica
Función normal
Se requieren
b) Un algoritmo (por lo general una

fórmula) que incorpore el número
a) Un generador de números
aleatorio, y genere una muestra
pseudo aleatorios entre cero
sintética de valores de la variable
y uno.
aleatoria asociada con la función que
se simula.
GEOESTADÍSTICA
SIMULACIÓN DE DISTRIBUCIONES
TEOREMA DEL LÍMITE CENTRAL.
Consiste en un conjunto de resultados acerca del comportamiento de las
distribuciones muéstrales, en el que se afirma, bajo ciertas hipótesis, que la
distribución de las medias de un número muy grande de muestras se aproxima a
una distribución normal.
Mientras la media y la
varianza existan, la
distribución de muestreo se
aproximará a una distribución
normal conforme “n”
aumente.
ഥ−𝝁
𝒙
𝒁= 𝝈
𝒏
GEOESTADÍSTICA
TEOREMA DEL LÍMITE CENTRAL

1. El gerente de una empresa minera, ha realizado un estudio estadístico sobre sus
ventas anuales y ha establecido que el ingreso mensual por venta de Au, tiene un
comportamiento normal con una media de Q148 mil y una desviaciones estándar de
Q62 mil.
Dado que la variable tiene un comportamiento normal, se puede utilizar la curva
normal para dar respuesta a ciertas interrogantes, como, por ejemplo:
1.1. Si se toma una muestra de 25 meses ¿cuál es la probabilidad que el ingreso mensual
promedio sea no inferior a Q100 mil?
GEOESTADÍSTICA

1.2 Si se toma una muestra de 25 meses ¿cuál es la probabilidad que el
ingreso mensual promedio sea de Q120 mil al menos?
GEOESTADÍSTICA

1.3 Si se toma una muestra de 25 meses ¿cuál es la probabilidad que el ingreso
mensual promedio sea de Q155 mil a Q175 mil?
GEOESTADÍSTICA
MÉTODO DE LA TRANSFORMADA INVERSA
El método de la transformada inversa, es el método más utilizado en

la obtención de variables aleatorias para experimentos de
simulación. Para aplicar este método suponga que queremos generar
el valor de una variable aleatoria discreta X con función de masa de
probabilidad: (Acuña, 2005, pág. 2)
Procedimiento:
1. Encontrar la función acumulada de la distribución 1. Encontrar la
función acumulada de la distribución respectiva.
2. Igualar esa función a R (número aleatorio uniformemente
distribuido) sea F(x)=R
3. Resolver la anterior ecuación para x.
4. Establecer la función generadora
GEOESTADÍSTICA
Ejemplo: Encontrar la función generadora de la exponencial.

1. 𝑭 𝒙 = 𝟏 − 𝒆−𝜷𝒙
Ejemplo de aplicación: Genérese los valores de x de variables
aleatorias con función de densidad.
1
0≤𝑥≤1
𝒇 𝒙 = 4
3
1≤𝑥≤2
4
Primera parte: Segunda parte:
𝒙 𝒙
1 𝒙 𝒙 1 3 3 1 3 1
𝑭 𝒙 = න 𝒅𝒕 = ⇒𝒓= 𝑭 𝒙 = + න 𝒅𝒕 = 𝒙 − ⇒𝒓= 𝒙−
0 4 4 4 4 1 4 4 2 4 2
GEOESTADÍSTICA
Al tomar la transformación inversa y resolviendo tenemos:
𝟏
𝒙 = 𝟒𝒓 𝒔𝒊 𝟎 ≤ 𝒙 ≤
𝟒
𝟒 𝟐 𝟏
𝐱= 𝐫 + 𝐬𝐢 ≤ 𝐱 ≤ 𝟏
𝟑 𝟑 𝟒
Para generar un valor de x se debe en primer lugar generar un valor

de r, cuando r<1/4 el valor de x estará determinado por x=4r.
𝟒 𝟐
Y si r>1/4 entonces 𝒙 = 𝒓 +
𝟑 𝟑
GEOESTADÍSTICA
MÉTODO DE MONTECARLO
¿Qué es la Simulación de Monte Carlo?
La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la
estadística y los ordenadores para imitar, mediante modelos matemáticos, el
comportamiento aleatorio de sistemas reales no dinámicos
La clave de la simulación Monte Carlo consiste en crear un modelo matemático

del sistema, proceso o actividad que se quiere analizar, identificando aquellas
variables (inputs del modelo) cuyo comportamiento aleatorio determina el
comportamiento global del sistema.
Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo un

experimento consistente en (1) generar – con ayuda del ordenador-muestra
aleatorio (valores concretos) para dichos inputs, y (2) analizar el comportamiento
del sistema ante los valores generados.
GEOESTADÍSTICA
Tras repetir n veces este experimento, dispondremos de n observaciones sobre

el comportamiento del sistema, lo cual nos será de utilidad para entender el
funcionamiento del mismo –obviamente, nuestro análisis será tanto más preciso
cuanto mayor sea el número n de experimentos que llevemos a cabo. (Ángel)
Veamos un ejemplo sencillo
En la imagen inferior se muestra un análisis histórico de 200 días sobre el

número de consultas diarias realizadas a un sistema de información
empresarial (EIS) residente en un servidor central. La tabla incluye el número
de consultas diarias (0 a 5) junto con las frecuencias absolutas (número de días
que se producen 0, 1, ..., 5 consultas), las frecuencias relativas (10/200 = 0,05,
...), y las frecuencias relativas acumuladas.
GEOESTADÍSTICA
Frec. Relativa
Consultas EIS Frec. Absoluta (días) Frec. Relativa
Acumulada
0 10 0.05 0.05
1 20 0.1 0.15
2 40 0.2 0.35
3 60 0.3 0.65
4 40 0.2 0.85
5 30 0.15 1.00
Total 200 1.00
Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el

suceso asociado, en este caso, la probabilidad de un determinado número de
consultas (así, p.e., la probabilidad de que se den 3 consultas en un día sería de
0,30), por lo que la tabla anterior nos proporciona la distribución de probabilidad
asociada a una variable aleatoria discreta (la variable aleatoria es el número de
consultas al EIS, que sólo puede tomar valores enteros entre 0 y 5).
GEOESTADÍSTICA
Supongamos que queremos conocer el número esperado (o medio) de consultas

por día. La respuesta a esta pregunta es fácil si recurrimos a la teoría de la
probabilidad: Denotando por X a la variable aleatoria que representa el número
diario de consultas al EIS, sabemos que:
𝒋
E 𝑿 = σ𝒊=𝟏 𝒙𝒊 𝑷 𝑿 = 𝒙𝒊 = 𝟎 ∗ 𝟎, 𝟎𝟓 + 𝟏 ∗ 𝟎. 𝟏𝟎 + ⋯ + 𝟓 ∗ 𝟎. 𝟏𝟓 = 𝟐. 𝟗𝟓
Por otra parte, también podemos usar simulación de Monte Carlo para estimar el
número esperado de consultas diarias (en este caso se ha podido obtener el valor
exacto usando teoría de probabilidad, pero ello no siempre será factible).
Veamos cómo:
GEOESTADÍSTICA
Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria

discreta, será posible usar la columna de frecuencias relativas acumuladas para
obtener los llamados intervalos de números aleatorios asociados a cada suceso.
En este caso, los intervalos obtenidos son:
• [0,00, 0,05) para el suceso 0
• [0,05, 0,15) para el suceso 1
• [0,15, 0,35) para el suceso 2
• [0,35, 0,65) para el suceso 3
• [0,65, 0,85) para el suceso 4
• [0,85, 1,00) para el suceso 5

GEOESTADÍSTICA
Esto significa que, al generar un número pseudo-aleatorio con el ordenador
(proveniente de una distribución uniforme entre 0 y 1), estaremos llevando a cabo
un experimento cuyo resultado, obtenido de forma aleatoria y según la distribución
de probabilidad anterior, estará asociado a un suceso. Así, por ejemplo, si el
ordenador nos proporciona el número pseudo-aleatorio 0,2567, podremos suponer
que ese día se han producido 2 consultas al EIS.
GEOESTADÍSTICA
Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):
Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a
Finalmente, usando la función PROMEDIO será posible calcular la media de los valor
es de la columna H.
GEOESTADÍSTICA
En este caso, hemos obtenido un valor estimado que corresponde exactamente

con el valor real anteriormente calculado vía la definición teórica de la media.
Sin embargo, debido a la componente aleatoria intrínseca al modelo,
normalmente obtendremos valores “cercanos” al valor real, siendo dichos
valores diferentes unos de otros (cada simulación proporcionará sus propios
resultados).
GEOESTADÍSTICA
Sean x y (x + h) dos puntos en el

DEFINICIÓN: espacio:
 El variograma es la herramienta geoestadística

básica. Permite analizar el comportamiento
espacial de los parámetros geológicos y expresa
la correlación espacial entre los valores
muestreados (Alfaro Sironvalle , 2007).
 El variograma es una herramienta que permite

analizar el comportamiento espacial de una
variable sobre una zona dada y modela como dos
valores en el espacio se ponen en correlación. Es
un estimador de la varianza poblacional y es un
soporte para las técnicas del Kriging
VARIOGRAMA
GEOESTADÍSTICA
 El variograma está
relacionado con la dirección
y la distancia (h).
 El variograma se ve limitado
porque es un estadístico de
dos puntos y además
porque es extremadamente
sensible a valores extremos.
VARIOGRAMA
GEOESTADÍSTICA
Sin embargo, en la práctica siempre se utiliza el algoritmo siguiente:
VARIOGRAMA
GEOESTADÍSTICA
 el crecimiento indica la velocidad con la cual se “desestructura” la variable en el
espacio
 la distancia para la cual se estabiliza el variograma representa la “zona de
influencia” de un dato. Se llama alcance
 el comportamiento cerca del origen indica qué tan semejantes son dos datos muy
cercanos, o sea, refleja la continuidad o regularidad de la variable en a pequeña
escala
 el cálculo del variograma puede hacerse a lo largo de distintas direcciones del
espacio y evidenciar una anisotropía
VARIOGRAMA
GEOESTADÍSTICA
 Meseta = la varianza
Componentes de un Variograma.
 Alcance = la distancia a la cual el
variograma alcanza la meseta
 Efecto pepita = suma de
variabilidad debida a micro-
estructuras geológicas y error de
medición
VARIOGRAMA
GEOESTADÍSTICA
Ausencia de meseta.
 Puede deberse a la escala de
trabajo (distancias de cálculo <
alcance).
 ¿Puede deberse a la presencia

de tendencias → considerar una
deriva explícita en el modelo de
función aleatoria?
 Puede interpretarse como

función aleatoria de varianza
infinita
VARIOGRAMA
GEOESTADÍSTICA
Aumentan cuando aumenta la

distancia de separación
El variograma experimental no es
confiable / interpretable para
distancias muy grandes con
respecto al diámetro del dominio
muestreado
Regla empírica: calcular el

variograma experimental para
distancias menores a la mitad de
este
VARIOGRAMA
GEOESTADÍSTICA
Puede estar vinculada a la

periodicidad geológica
Puede deberse a información
limitada / mala elección de
parámetros de cálculo
Preocuparse del efecto pepita y

una estimación razonable del
alcance
VARIOGRAMA
GEOESTADÍSTICA
VARIOGRAMA
4.2 VARIOGRAMAS EXPERIMENTALES EN
DIVERSOS YACIMIENTOS
Metodología de modelamiento de variogramas
 Definir un dominio poblacional, refrendado en los análisis previos.
 Para la búsqueda de los variogramas se determina parámetros de trabajo: La interdistancia
(h), comúnmente llamada por los operadores de software como “LAG”, tiene que ser
encontrada evaluando estadísticamente la distancia entre las muestras. Los ángulos de
Azimut e Inclinación para las direcciones de la estructura mineralizada.
 Definidos los parámetros se procede a la búsqueda de los variogramas experimentales.

 Obtenido el variograma de mayor alcance, se debe verificar si se tiene una buena
población representativa del número de pares de trabajo de los primeros
términos de la función variograma. Y(h)
 La búsqueda se realizara por los rangos de Azimut de 0° y 360° y con rangos de
Inclinación de -90°, 90°.
 Por último, el proceso de este trabajo es reiterativo, ya que se busca el
variograma de mayor tendencia, y que este sustentado por el mayor número de
parejas posibles.
4.2.1 YACIMIENTOS FILONIANOS
Para este yacimiento se tomó como ejemplo el proyecto Caylloma. En el cual se
trabajó con un total de 26577 muestras. Y el compósito se consideró de 0.5 m.
Figura . Vista SE de los sondajes y chimeneas que corresponden a la

información usada para el estudio del proyecto minero Caylloma.
Figura . Vista de la distribución espacial de las leyes de Plata,
Ag(gr/tn) de las muestras compósito del proyecto minero Caylloma.
4.2.2.1 Variogramas experimentales de plata.
Gráfica . Variograma de la Plata (Ag), LAG 1 y 2.

Gráfica . Variograma de la Plata (Ag), LAG 2.
Los variogramas experimentales de la plata en este tipo de yacimiento
filoneano, reflejan en direcciones verticales y horizontales mayores
grados de erraticidad de la variable.

Gráfica . Variograma de la Plata (Ag), con
Az y DP diferentes.
Los variogramas de plata presentados en la dirección de 40º y 60º de azimut
muestran comportamiento errático puro de la variable en esas direcciones.

4.2.2.2 Variogramas experimentales de oro.
Los variogramas
experimentales del oro
para este tipo de
yacimiento filoneano,
muestran
comportamiento
estacionario en rangos
Gráfica . Variograma del Oro (Au), LAG 2.
de 6 a 12 metros con alta
erraticidad, lo cual es
4.2.2.2 Variogramas experimentales del plomo.
Los variogramas experimentales del
plomo encontrados, reflejan radios
de influencia de 24 metros como
máximo, como se observa en la
dirección de azimut de 130º, con un
buzamiento de -45º, en este tipo de
yacimiento filoneano considerado

Gráfica . Variograma del Plomo (Pb), LAG 2.
epitermal intermedio.
4.2.2 YACIMIENTO EPITERMAL DE ALTA SULFURACIÓN
Para este yacimiento se tomó como ejemplo el proyecto Hualgayoc.
En el cual se trabajó con un total de 4420 muestras. Y el compósito
se consideró de 2 m.
Figura . Vista de los sondajes y canales que corresponden a

la información usada para el estudio del proyecto Hualgayoc.
Los variogramas experimentales del oro de
este proyecto ubicado en la franja
metalogenética de los volcánicos Cenozoicos
de la zona norte de la cordillera de los
Andes, clasificado como un yacimiento
Epitermal HS de baja ley, reflejan un
comportamiento de media a baja
variabilidad, una relación que va desde el
40% al 45% entre su efecto pepita y la

Gráfica Variograma del Oro (Au).
meseta, con una varianza estadística de 0.76
por encima de la meseta del variograma y
alcance de entre 20 a 40 metros.

Los variogramas experimentales de
la plata reflejan distancias de entre
20 a 30 metros de alcance. Tienen
una variabilidad menor que la del
oro para este yacimiento, que es de
1.45 tal cual se refleja en sus
variogramas. Los variogramas
también reflejan un mayor grado Gráfica . Variograma de la Plata (Ag).

de variabilidad en la dirección
vertical.
4.3 MODELADO DE VARIOGRAMAS
Los modelos de variogramas son curvas, generadas a partir de una función
matemática, que ajustaremos a nuestros datos y nos permitirán conocer la
distribución para todos los puntos en el espacio.
Se utilizan para Krigear; con el variograma experimental quedan muchas
zonas donde no existen valores concretos. Por lo tanto, es posible que sea
necesario definir el valor de la variable (Ley; Pot) en puntos donde V.E: no
ofrece información.
Los modelos más utilizados son del tipo
transicional (con meseta). Estos son:
 MODELO ESFÉRICO
 MODELO EXPONENCIAL
 MODELO PARABÓLICO
 Otro modelo comúnmente utilizado,
podríamos decir que sólo tiene meseta y se
denomina MODELO EFECTO PEPITA
PURO.

Geoestadística PPTT

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Geoestadística PPTT

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA

 ABANTO MARÍN, José Edison

CAJAMARCA – PERÚ, 11 de Mayo del 2018

La palabra “geoestadística” fue inventada por Georges Matheron en 1962. El prefijo

La geoestadística es una rama de la estadística aplicada que se especializa en el

 Definir las reglas básicas a seguir para la construcción e interpretación de los

 Conocer los tipos de modelado de histogramas, en ellos están los más

 Interpretar la construcción de los variogramas experimentales en diversos

 Conocer como se hace un modelamiento por medio de variogramas.

 Conocer los métodos de la transformación inversa y Montecarlo para

• “Estadística aplicada a datos geográficos”

Es el proceso de estimación y modelación de la función que describe la correlación espacial.

Un buen histograma, debe de proporcionar una buena idea de la acumulación,

Redondeando al entero mayor, tenemos que

Ahora vamos a escribir las clases en una columna.

Considerar a los límites Se especifica un rango un poco más

Tabla de distribución de Se debe escribir el

¿Qué nos puede decir la forma de estos histogramas?

Fue descubierta y publicada por primera vez en 1733 por De Moivre. A la

¿Cómo calcular probabilidades asociadas a una curva normal específica?

¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2,03?

SIMULACIÓN DE DISTRIBUCIONES DE PROBABILIDAD

La Representación Proceso o fenómeno Simple

Analizar sus características

La pretensión es que el proceso se

Para simular una Función exponencial

b) Un algoritmo (por lo general una

TEOREMA DEL LÍMITE CENTRAL

TEOREMA DEL LÍMITE CENTRAL

TEOREMA DEL LÍMITE CENTRAL

MÉTODO DE LA TRANSFORMADA INVERSA

El método de la transformada inversa, es el método más utilizado en

MÉTODO DE LA TRANSFORMADA INVERSA

Ejemplo: Encontrar la función generadora de la exponencial.

MÉTODO DE LA TRANSFORMADA INVERSA

Al tomar la transformación inversa y resolviendo tenemos:

Para generar un valor de x se debe en primer lugar generar un valor

La clave de la simulación Monte Carlo consiste en crear un modelo matemático

Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo un

Tras repetir n veces este experimento, dispondremos de n observaciones sobre

Veamos un ejemplo sencillo

En la imagen inferior se muestra un análisis histórico de 200 días sobre el

Total 200 1.00

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el

Supongamos que queremos conocer el número esperado (o medio) de consultas

Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria

En este caso, los intervalos obtenidos son:

• [0,00, 0,05) para el suceso 0

• [0,05, 0,15) para el suceso 1

• [0,15, 0,35) para el suceso 2

• [0,35, 0,65) para el suceso 3

• [0,65, 0,85) para el suceso 4

• [0,85, 1,00) para el suceso 5

Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):

Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a

En este caso, hemos obtenido un valor estimado que corresponde exactamente

Sean x y (x + h) dos puntos en el

 El variograma es la herramienta geoestadística

 El variograma es una herramienta que permite

Sin embargo, en la práctica siempre se utiliza el algoritmo siguiente:

 el crecimiento indica la velocidad con la cual se “desestructura” la variable en el

 la distancia para la cual se estabiliza el variograma representa la “zona de

influencia” de un dato. Se llama alcance