Sei sulla pagina 1di 19

“AÑO DE LA CONSOLIDACIÓN DEL MAR DE GRAU”

Presentado por:
FLORER HUACHO, NILTON JAIRO

Curso:
GEOESTADISTICA I

Docente:
DR. ALFREDO MARIN SUAREZ
ING. AUGUSTO TEVÉS ROJAS

Tema:
CALCULO DE VARIOGRAMA

Escuela Académico Profesional de Ingeniería de Minas


Facultad de Ingeniería Geológica, Minera y Metalúrgica
UNIVERSIDAD NACIONAL DE INGENIERIA
12/09/17
2

AGRADECIMIENTOS

A Dios, a mis padres, a mis profesores por darme la oportunidad de estudiar y ser un

profesional.

En especial a mis profesores de Geoestadística I, Ing. Augusto Tevés Rojas y Dr. Alfredo

Marín Suarez por su esfuerzo y dedicación, quien con sus conocimientos, su experiencia,

su paciencia y su motivación han logrado en mí cautivar aún más el interés por la minería

y la disciplina de la geoestadistica.
3

TABLA DE CONTENIDO

OBJETIVOS ............................................................................................................................ 4

ALCANCES ............................................................................................................................. 5

FUNDAMENTACIÓN............................................................................................................. 6

PROCEDIMIENTO: FUNCIÓN VARIOGRAMA ................................................................ 9

CONCLUSIONES ................................................................................................................ 18

BIBLIOGRAFÍA..................................................................................................................... 19
4

OBJETIVOS

 Conocer la importancia del variograma como parámetro diferenciador de

sistemas.

 Hacer un estudio de variogramas y su comportamiento frente a datos con

diversas formas de agrupación.


5

ALCANCES

Se hace uso del paquete Excel en la cual se crean pequeños códigos (lenguaje visual

Basic) para personalizarlos.


6

FUNDAMENTACIÓN

TEOREMA DEL LÍMITE CENTRAL

El Teorema del Límite Central o Teorema Central del Límite indica que, bajo condiciones
muy generales, la distribución de la suma de variables aleatorias tiende a una distribución
gaussiana cuando la cantidad de variables es muy grande.

Existen diferentes versiones del teorema, en función de las condiciones utilizadas para
asegurar la convergencia. Una de las más simples establece que es suficiente que las
variables que se suman sean independientes, idénticamente distribuidas, con valor
esperado y varianza finitas.

La aproximación entre las dos distribuciones es en general mayor en el centro de las


mismas que en sus extremos o colas, motivo por el cual se prefiere el nombre “Teorema
del Límite Central” (“central” califica al límite, más que al teorema).

Esta relación entre la forma de la distribución de la población y la forma de la distribución


de muestreo se denomina teorema del límite central, que es tal vez el más importante de
toda la inferencia estadística. Nos asegura que la distribución de muestreo de la media
se aproxima a la normal al incrementarse el tamaño de la muestra. Hay situaciones
teóricas en las que el teorema del límite central no se cumple, pero casi nunca se
encuentran en la toma de decisiones práctica. Una muestra no tiene que ser muy grande
para que la distribución de muestreo de la media se acerque a la normal. Los estadísticos
utilizan la distribución normal como una aproximación a la distribución de muestreo
siempre que el tamaño de la muestra sea al menos de 30, pero la distribución de
muestreo de la media puede ser casi normal con muestras incluso de la mitad de ese
tamaño. La importancia del teorema del límite central es que nos permite usar
estadísticas de muestra para hacer inferencias con respecto a los parámetros de
población sin saber nada sobre la forma de la distribución de frecuencias de esa
población más que lo que podamos obtener de la muestra.
7

Formulación del Problema

En esta tarea tomaremos 5000 datos aleatorios luego hallaremos su variograma

Para realizar este estudio se tienen que generar datos aleatorios (entre 0 1).

A estos datos se debe hacer un estudio estadístico (descriptivo) y geoestadistico (función

variograma).

MODELO MATEMÁTICO

Estadística (descriptiva)

La media

n
xi
x
i 1 n

La varianza

 2

 (x  x) 2


x 2

 x2
n n

Desviación estándar

  (x  x) 2


x 2

 x2
n n

Coeficiente de variación


C.V 
x
8

GEOESTADISTICO (Función Variograma)

np

{Z ( x )  Z ( x  h)}
i i
2

 ( h)  xi

2  np
9

PROCEDIMIENTO: FUNCIÓN VARIOGRAMA

1. ALEATORIOS

Generación de los 1000 Números Aleatorios entre [0,1]

Datos aleatorios
0.518058441
0.147880904
0.128171753
0.741702677
0.228781411

0.195398026
0.999982642
0.054086968
0.473086449
0.625997832
0.514288426
0.57770847
0.379179085
0.480379563

Estadística descriptiva

Media 0.4959004
Error típico 0.00905066
Mediana 0.49297163
Moda #N/A
Desviación estándar 0.28620688
Varianza de la muestra 0.08191438
Curtosis -1.19120645
Coeficiente de
asimetría 0.02363854
Rango 0.99990406
Mínimo 8.8815E-05
Máximo 0.99999288
Suma 495.900402
Cuenta 1000
10

Histograma

%
Clase Frecuencia acumulado
8.8815E-05 1 0.10%
0.03234378 30 3.10%
0.06459875 34 6.50%
0.09685372 37 10.20%
0.12910869 23 12.50%
0.16136366 29 15.40%
0.19361863 32 18.60%
0.2258736 34 22.00%
0.25812857 30 25.00%
0.29038354 36 28.60%
0.32263851 40 32.60%
0.35489348 42 36.80%
0.38714845 34 40.20%
0.41940342 33 43.50%
0.45165839 23 45.80%
0.48391336 35 49.30%
0.51616833 31 52.40%
0.5484233 30 55.40%
0.58067827 37 59.10%
0.61293324 24 61.50%
0.64518821 37 65.20%
0.67744318 41 69.30%
0.70969815 27 72.00%
0.74195312 27 74.70%
0.77420809 31 77.80%
0.80646306 30 80.80%
0.83871803 33 84.10%
0.870973 38 87.90%
0.90322797 23 90.20%
0.93548294 40 94.20%
0.96773791 33 97.50%
y mayor... 25 100.00%
11

Histograma

45 120.00%
40 100.00%
35
Frecuencia

30 80.00%
25 60.00%
20
15 40.00%
10 20.00%
5
0 0.00% Frecuencia

0.58067827
0.64518821
8.88151E-05
0.064598755
0.129108694
0.193618634
0.258128573
0.322638512
0.387148452
0.451658391
0.516168331

0.709698149
0.774208089
0.838718028
0.903227968
0.967737907
% acumulado

Clase

Variograma

γ(h) Desordenado
0.082600157
0.081719634
0.0823355
0.080315433
0.081684702
0.078622047
0.081585105
0.079360332
0.079168618

0.077896267
0.081261357
0.083177717
0.080075829
0.080451047
0.083074001
0.083769969
0.081565343
12

Algoritmo

Sub regionalizacionaleatorio()

Sheets("Aleatorios").Select

m = 1000

l=1

Do While l < m

k=0

f=0

Do While k < m - l

k=k+1

f1 = (Cells(k + 2, 2) - Cells(k + l + 2, 2)) ^ 2

f = f + f1

Loop

Sheets("Variogramas").Select

Cells(l + 3, 2) = (f) / (2 * k)

l=l+1

Sheets("Aleatorios").Select

Loop

End Sub
13

γ(h) Desordenado
0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
0 200 400 600 800 1000 1200

2. ORDENADOS

Datos ordenados de forma descendente de los datos aleatorios.

Datos
ordenados
0.999992877
0.999982642
0.996545192
0.99618146
0.996093277
0.994565597
0.993830098

0.010945552
0.008740526
0.004768987
0.004330587
0.001006731
0.000294486
8.88151E-05
14

Estadística descriptiva

Media 0.495900402
Error típico 0.009050656
Mediana 0.492971628
Moda #N/A
Desviación estándar 0.286206875
Varianza de la muestra 0.081914375
Curtosis -1.191206449
Coeficiente de asimetría 0.023638545
Rango 0.999904062
Mínimo 8.88151E-05
Máximo 0.999992877
Suma 495.9004025
Cuenta 1000

Histograma

%
Clase Frecuencia acumulado
0.000174064 1 0.10%
0.032416087 21 2.20%
0.064658109 33 5.50%
0.096900132 31 8.60%
0.129142154 34 12.00%
0.161384177 35 15.50%
0.193626199 36 19.10%
0.225868222 25 21.60%
0.258110244 32 24.80%
0.290352267 28 27.60%
0.322594289 30 30.60%
0.354836312 36 34.20%
0.387078334 22 36.40%
0.419320357 42 40.60%
0.451562379 38 44.40%
0.483804402 44 48.80%
0.516046424 33 52.10%
0.548288447 25 54.60%
0.580530469 34 58.00%
0.612772492 38 61.80%
15

0.645014515 31 64.90%
0.677256537 34 68.30%
0.70949856 30 71.30%
0.741740582 32 74.50%
0.773982605 40 78.50%
0.806224627 27 81.20%
0.83846665 38 85.00%
0.870708672 28 87.80%
0.902950695 32 91.00%
0.935192717 30 94.00%
0.96743474 28 96.80%
y mayor... 32 100.00%

Histograma
50 120.00%
45
40 100.00%
35
Frecuencia

80.00%
30
25 60.00%
20
15 40.00%
10 Frecuencia
20.00%
5 % acumulado
0 0.00%

Clase
16

Variograma

γ(h)
Ordenado
9.84541E-07
2.94601E-06
5.91686E-06
9.84783E-06
1.4805E-05
2.0747E-05
2.76636E-05
3.55838E-05
4.44802E-05

0.489237012
0.490922945
0.492461268
0.494041109
0.495670619
0.496751537
0.498379174
0.499796135
0.499904066
Algoritmo

Sub regionalizacionordenado()

Sheets("Ordenados").Select

m = 1000

l=1

Do While l < m

k=0

f=0

Do While k < m - l

k=k+1

f1 = (Cells(k + 2, 3) - Cells(k + l + 2, 3)) ^ 2


17

f = f + f1

Loop

Sheets("Variogramas").Select

Cells(l + 3, 3) = (f) / (2 * k)

l=l+1

Sheets("Ordenados").Select

Loop

End Sub

γ(h) Ordenado
0.6

0.5

0.4

0.3

0.2

0.1

0
0 200 400 600 800 1000 1200
18

CONCLUSIONES

Se observa que los parámetros estadísticos tanto de los datos aleatorios y


ordenados son las mismas, sin embargo son dos sistemas diferentes.

El Variograma es un parámetro que nos ayuda diferenciar un sistema con otro, ya


que es demasiado sensible a cualquier cambio de los datos es por ello el cambio
en la gráfica.

Es una herramienta que nos permite analizar el comportamiento espacial de una


propiedad o variable sobre una zona dada.

Nos damos cuenta de un comportamiento lineal del variograma para distancias


pequeñas.
19

BIBLIOGRAFÍA

Estadística Descriptiva e Inferencial (Manuel Córdova Zamora. Quinta edición)

Las Variables Regionalizadas y su Estimación- George Matheron.


An Introduction to Multivariate Statistical Análisis-John Wiley & Sons.
Estadística Descriptiva e Inferencial – Manuel Córdova Zamora.