Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GEOESTADISTICA ANALISIS DE DATOS Y VARIOGRAFIA III y II
GEOESTADISTICA ANALISIS DE DATOS Y VARIOGRAFIA III y II
FACULTAD D E I N G E N I E R Í A
GEOESTADISTICA
Docente: ing. AGUILAR JULCA PAUL
INTEGRANTES
•
Díaz Cayotopa, Milber
•
García Aguilar, Iván Roner
•
•
Goicochea Chuquiruna, Denis Namrod
C a j a m ar c a e n e r o
INTRODUCCIÓN
El análisis de datos y la variografía son técnicas fundamentales en la exploración y
evaluación de recursos naturales. La recopilación y validación de información de campo es
crucial para asegurar la precisión y representatividad de los datos, y la creación de una base
de datos permite su fácil acceso y uso posterior. La estimación de recursos es un proceso
importante que permite determinar la cantidad y calidad de los recursos presentes en el área
de interés. El análisis de datos mediante histogramas y técnicas estadísticas ayuda a
comprender patrones y tendencias en los datos recopilados, lo que puede identificar áreas
de mayor potencial. La variografía se utiliza para evaluar la continuidad espacial de los
recursos en el área de interés, lo que ayuda a determinar la cantidad y calidad de los
recursos en diferentes áreas. Los ejemplos y casos de estudio ilustran la aplicación práctica
de estas técnicas.
RESUMEN
En el informe se analiza las técnicas y procesos utilizados en el análisis de datos y la
variografía para explorar y evaluar los recursos naturales de una determinada área
geográfica. Se aborda la recopilación y validación de la información de campo, la creación
de una base de datos, la estimación de recursos, el análisis de datos mediante histogramas y
técnicas estadísticas, y la variografía. El informe proporciona una visión general de estas
técnicas y procesos, y su importancia en la exploración y evaluación de recursos naturales.
OBJETIVOS
Objetivo general
Utilizar herramientas y técnicas de análisis de datos y bases de datos para obtener resultados y datos
valiosos y tomar decisiones informadas en diferentes áreas, mediante la recopilación, validación,
organización, análisis de información, el uso de herramientas estadísticas y gráficas como los
histogramas y variogramas, y la utilización de modelos interpretables.
Objetivos Específicos
variable de escala.
Donde:
La función de
densidad de μ es la media de la distribución.
probabilidad σ es la desviación estándar de la distribución.
π es la constante matemática pi
La distribución log-normal
Es una distribución de probabilidad
continua que se utiliza comúnmente en
el modelado de histogramas para
describir variables aleatorias que tienen
una distribución asimétrica y que se
encuentran limitadas por valores
mínimos o máximos.
La función de densidad de probabilidad
La función de Donde:
densidad de λ es la tasa de ocurrencia de eventos por
probabilidad unidad de tiempo
La distribución de Poisson
Es una distribución estadística discreta que se
utiliza en la geoestadística para modelar la
frecuencia de ocurrencia de eventos raros en el
espacio y el tiempo. Se utiliza en la función de
semivarianza para medir la variabilidad espacial
entre pares de puntos en un conjunto de datos y se
utiliza para ajustar un modelo geoestadístico. La
distribución de Poisson también se utiliza en la
modelización de procesos de recuento de eventos
como la densidad de población, la ocurrencia de
enfermedades y la presencia de recursos
Fuente: la Distribución de Poisson. | Download naturales.
Scientific Diagram. (ResearchGate, n.d.)
Donde:
x! Es el número de ocurrencias del evento
La función de raro en el intervalo de tiempo o espacio.
densidad de λ es la tasa media de ocurrencia del evento
probabilidad raro por unidad de tiempo o espacio.
e es la constante matemática e.
La distribución binomial
Se utiliza en el modelado de histogramas
para analizar la distribución de los datos de una
muestra que se pueden clasificar en dos
categorías mutuamente excluyentes, y se utiliza
comúnmente en la modelización de eventos en
la naturaleza y en la ingeniería que presentan
un comportamiento discreto y binario. (Marco,
2020)
Fuente: La Distribución Binomial. Físicaymates.
(Márquez, n.d.)
Donde:
La función de n Número de ensayos/experimentos
densidad de x Número de éxitos
probabilidad p Probabilidad de éxito
q Probabilidad de fracaso (1-p)
La distribución de Weibull
En el modelado de histogramas, la distribución
de Weibull se utiliza para ajustar la distribución
de los datos de una muestra que representan
tiempos de falla o de supervivencia de equipos y
sistemas. Esta distribución tiene una forma
flexible que puede ajustarse a diferentes tipos de
curvas de distribución de probabilidad,
incluyendo la distribución exponencial, la
distribución normal y la distribución log-
normal. (Probabilidad y Estadística, n.d.)
Ahora bien, siguiendo al TCL podemos coger una Las rentabilidades medias de todas las muestras
muestra de estas 500 empresas para realizar el análisis. seleccionadas se aproximaron a la rentabilidad media
La única limitación que tenemos es que en la muestra del total del índice. Tal y como demuestra el teorema
tiene que haber más de 30 compañías para que se cumpla Central del Límite.
el teorema. Entonces imaginemos que cogemos 50
compañías del índice de manera aleatoria y repetimos el Por tanto, mediante inferencia de la rentabilidad
proceso varias veces. Los pasos a seguir el ejemplo media de la muestra podemos acercarnos a la
serían los siguientes: rentabilidad media del índice.
Método de la transformación inversa
El método de la transformada (o transformación) inversa,
también conocido como método de la inversa de la
El método consiste en:
transformada, es un método para la generación de números
aleatorios de cualquier distribución de probabilidad continua ❖ Definir la función de Densidad f(x) que
representa la variable a modelar.
cuando se conoce la inversa de su función de distribución.
Este método es en general aplicable, pero puede resultar ❖ Calcular la función acumulada f(x).
muy complicado obtener una expresión analítica de la
❖ Despejar la variable aleatoria x y
inversa para algunas distribuciones de probabilidad. obtener la función acumulada inversa
f(x)-1.
El método de la transformada (o transformación) inversa,
❖ Generar las variables aleatorias x,
también conocido como método de la inversa de la sustituyendo valores con números
pseudoaleatorios ~ U (0,1) en la
transformada, es un método para la generación de números
función acumulada inversa.
aleatorios de cualquier distribución de probabilidad continua
cuando se conoce la inversa de su función de distribución.
Método Montecarlo
El término Monte Carlo se aplica a un conjunto de
métodos matemáticos que se empezaron a usar en los
Ejemplo: Gotas de lluvia para estimar π
años 1940 para el desarrollo de armas nucleares en los
Álamos, favorecidos por la aparición de los ordenadores
digitales modernos. Consisten en resolver un problema
mediante la invención de juegos de azar cuyo
comportamiento simula algún fenómeno real gobernado
por una distribución de probabilidad (e.g. un proceso
físico) o sirve para realizar un cálculo (e.g. evaluar una
integral).
Escala (C1)
Rango (a)
Elementos que conforman el variograma
Variograma en el infinito (𝒉 = ∞)
Figura: 2.4 variograma experimental y variograma teórico
Fuente: Instituto de capacitaciones en ingenieria (INC)geoestadística para
evaluación de recursos naturales
Modelo independencia (pepita puro) Modelo exponencial
Representa un fenómeno completamente aleatorio En este modelo podemos observar que crecen inicialmente más
conocido como ruido blanco. rápido y después se estabilizan de forma asintótica. Como la
Es común sumar este modelo a otro modelo teórico meseta no se alcanza a una distancia finita, se usa como fines
de semivariaza, para obtener lo que se le conoce prácticos el “alcance efectivo” o “alcance práctico”, se considera
como semivariograma anidado. que el rango a, es la distancia para la cual el valor del variograma
es el 95 % de la meseta.
Fuente: Instituto de capacitaciones en ingenieria (INC)geoestadística para Figura: Alcanza la meseta C de manera asintótica. Se considera un alcance
evaluación de recursos naturales. Aquino, J. (2020) práctico de 3 a (95% del valor de la meseta)
Fuente: geoestadística con minesigth torque, sql y python Análisis Variografico.
Modelo esférico
Modelo gaussiano
Por lo general es de todos los modelos el más utilizado
para análisis geoestadístico es una expresión polinomial Presenta un comportamiento parabólico em el origen después al
igual que em el Modelo exponencial se alcanza la meseta.
simple, en el gráfico se puede observar un crecimiento
casi lineal y después de cierta distancia finita del origen
se alcanza una estabilización, la meseta.
En donde:
C1: representa la meseta
a: el rango
h: la distancia.
Figura. la variable regionalizada y el variograma gaussiano
Fuente: Instituto de capacitaciones en ingenieria (INC)geoestadística para
evaluación de recursos naturales
Para la búsqueda de los variogramas se determina parámetros de trabajo: La Inter distancia (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 realizará 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. (J. Ortiz)
Yacimientos filonianos
Variogramas experimentales de la plata
Figura: Vista de la distribución espacial de las leyes de Plata, Ag(gr/tn) de las Gráfica del Variograma de la Plata (Ag), LAG 2.
muestras compósito del proyecto minero Caylloma.
Variogramas experimentales de oro Variogramas experimentales del plomo
Variable n Min
Gráfica del
Variogram
a de la
Plata (Ag).
La distribución de las leyes en un yacimiento minero puede tener forma normal o
lognormal.
La Simulaciones de distribuciones consiste en simular variables aleatorias que
siguen ciertas distribuciones probabilísticos el cual nos ayudan a modelar
matemáticamente y dar respuestas aproximadas para un problema.
El modelo teórico es el que proporciona una mejor estimación y precisión de datos.
La geoestadística es una herramienta muy importante en el estudio de la distribución
espacial y leyes de los yacimientos metálicos.