FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL INGENIERÍA DE MINAS

CURSO:GEOESTADÍSTICA

DOCENTE: ING. WILDER, CHUQUIRUNA CHÁVEZ

INTEGRANTES: SANGAY MARTOS, GADY

VELÁSQUEZ GUEVARA DEYSI
 INTRODUCCIÓN

El variograma es una de las herramientas más poderosas que tiene

la Geoestadística

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.
OBJETIVOS
OBJETIVO GENERAL
Conocer, interpretar, aplicar el variograma y sus
teorías
OBJETIVOS ESPECÍFICOS
Analizar el comportamiento de dichos gráficos para
cada caso analizado.
Interpretar los resultados de las gráficas para
comprender las diferencias entre los parámetros
estadísticos y la utilidad de la Geoestadística.
 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 muy simples podemos definir el variograma

como la media de los cuadrados de las diferencias entre
pares de muestras separados por una distancia h:

Ү = ½ N . ∑ [ ( Z(x) – Z(x+h)) ]2
Construcción del Variograma
 Construcción del Variograma

h=1; Y = 1/2x8 [(1-2)2+(2-3)2+(3-4)2+(4-5)2+(5-4)2+(4-3)2+(3-2)2+(2-1)2]= 0,5

h=2; Y = 1/2x7 [(1-3)2+(2-4)2+(3-5)2+(4-4)2+(5-3)2+(4-2)2+(3-1)2]= 1,71

h=3; Y = 1/2x6 [(1-4)2+(2-5)2+(3-4)2+(4-3)2+(5-2)2+(4-1)2]= 3,17

h=4; Y = 1/2x5 [(1-5)2+(2-4)2+(3-3)2+(4-2)2+(5-1)2]= 4

Representación gráfica
h=1; Gh= 1/2x8 [(5-1)2+(1-3)2+(3-1)2+(1-4)2+(4-2)2+(2-2)2+(2-4)2+(4-3)2]= 2,62
h=2; Gh= 1/2x7 [(5-3)2+(1-1)2+(3-4)2+(1-2)2+(4-2)2+(2-4)2+(2-3)2]= 1,07
h=3; Gh= 1/2x6 [(5-1)2+(1-4)2+(3-2)2+(1-2)2+(4-4)2+(2-3)2]= 2,33
h=4; Gh= 1/2x5 [(5-4)2+(1-2)2+(3-2)2+(1-4)2+(4-3)2]= 1,30
 Componentes de un Variograma.
• La continuidad espacial queda reflejada en la tasa de
crecimiento de la Varianza (Y) de acuerdo a los aumentos
de la distancia de muestreo (h).
 Forma del variograma
• La forma del variograma proporciona la siguiente información:
 Modelos 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 existe 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.
 MODELOS TEÓRICOS DEL VARIOGRAMA
Son varios los modelos básicos de los Variogramas, que son
capaces de explicar los diferentes comportamientos que pueden
presentar las variables regionalizadas; entre los modelos más
usuales que se dan tenemos:

MODELO ESFÉRICO.
Está representado por la ecuación
siguiente:
Este modelo, presenta una tendencia
creciente curvilínea, hasta que llega al Sill,
para tomar una tendencia lineal. El modelo
Esférico alcanza el valor Sill, en la
para valores de h < a distancia a (rango actual).

para valores de h >= a

en donde "a" es el alcance, que es la

distancia "h" en donde el variograma
alcanza la meseta.
GRÁFICO MODELO ESFÉRICO.
 MODELO EXPONENCIAL: Corresponde a un comportamiento del variograma de
crecimiento muy gradual similar a la figura Nº y. La expresión matemática es:

en donde "a" es el alcance que equivale en

este modelo a un tercio de la distancia que
se alcanza a la meseta.

El modelo Exponencial, alcanza el

valor Sill asintóticamente, el rango
(a) es la distancia a la cual el valor
del modelo, es el 95 % del Sill.
MODELO POTENCIAL: Corresponde a la expresión matemática

en donde el exponente "n"

puede adoptar valores entre
cero y 2, reproduciendo lo
indicado en la figura adjunta. (el
signo "^n" se debe interpretar
como potencia "n")
 MODELO LINEAL
Está representado por la ecuación siguiente:

No posee valor Sill,

continúa aumentando
mientras la distancia (h)
aumenta, es utilizado para
modelar fenómenos que
presentan capacidad
infinita de dispersión.
 MODELO GAUSSIANO:

Está representado por la

ecuación siguiente:

El modelo Gaussiano,
alcanza el valor Sill
asintóticamente, el rango
(a) es la distancia a la cual
el valor del modelo, es el
95 % del Sill.
Modelos de Variogramas
 MODELOS DE VARIOGRAMAS

Los modelos más utilizados en geología 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
Modelo de Independencia (Pepita Puro)

Es indicativo de carencia de
correlación espacial entre las
observaciones de una variable. Es
común sumar este modelo a otro
modelo teórico de semivarianza, para
obtener lo que se conoce como
semivariograma anidado. Lo anterior
se sustenta en una propiedad de los
semivariogramas que dice que
cualquier combinación lineal de
semivariogramas con coeficientes
positivos es un semivariograma. Su
expresión
matemática es:
LA FUNCIÓN VARIOGRAMA:
Los variogramas se
calculan mediante la fórmula
general
1.- Análisis Gráfico (es central, aunque pueda parecer que es
menos importante que el análisis numérico)
- Gráfico de la secuencia de residuos:
Zonas de sobreestimación, subestimación
Detección de atípicos (bandas de confianza al 95%)
 Puntuales
 Zonales
 Regulares con patrones que ayuden a entender
errores de especificación (por ejemplo, un modelo
de previsión de consumo energético que se
equivocara sistemáticamente todos los domingos)
Patrones de heterocedasticidad (ordenando previamente las
observaciones conforme a alguna de las variables exógenas)
Expresiones para el cálculo de la
varianza del error para un modelo con
una única variable exógena
 CONCLUSIONES

- El Variograma es una herramienta que nos ayuda analizar cómo

están distribuidas las variables y determinar su comportamiento
espacial, en lo cual la estadística se limita en solo analizar el
conjunto más no el orden.

- Para el primer caso (datos desordenados), vemos que los puntos

se acercan a una recta horizontal, por tanto, podemos decir que el
efecto pepita es constante y no empieza en cero.

- En el segundo caso (datos ordenados), vemos que los puntos

forman una parábola, la cual tiende a iniciar en el origen; por tanto,
el efecto pepita es casi nulo.

Para ambos casos, los parámetros estadísticos son los mismos.