UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

FACULTAD DE INGENIERÍA DE
GEOLÓGICA, MINERA Y METALURGICA
PRIMERA MONOGRAFÍA DE
GEOESTADISTICA

ALUMNO: Edward Antonio Ponte Flores

CATEDRA: Ing. Augusto Tevés Rojas (Jefe de Práctica)
Dr. Ing Alfredo Marín Suarez (Jefe de Teoría)
23 de noviembre del 2018
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

1. Objetivo

- Calcular el variograma promedio del:

D C

M* M = {A*}
h
M* = Se encuentra dentro del
bloque A-B-C-D
M
A B

ˠ
A partir de los siguientes datos (h) = Esférico { a, E0, C}, para el caso
del nuestro problema se ha definido los siguientes valores
{10, 0.2, 0.8}.
- Evaluar los variograma para un total de 75 particiones, para obtener
variograma promedio.
- Realizar un programa, en python que calcule el variograma para una
región cuadrangular de lado dos (02) metros usando el modelo
esférico con un C0=0.2 así como C1=0.8 y con alcance igual a=10 m.
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

2. Introducción

Se sabe que los valores de una variable regionalizada no son

independientes, en el sentido que un valor observado en un sitio
proporciona información sobre los valores de los sitios vecinos. En la
interpretación probabilística de la variable regionalizada, esta noción
intuitiva de dependencia está descrita por la distribución espacial de la
función aleatoria, que modela la manera como se relacionan los valores
observados en distintos sitios por una distribución de probabilidad
multivariable. En muchos problemas la descripción de la distribución
espacial se limita a los primeros momentos. El momento de orden 1
(esperanza) hace intervenir un solo sitio a la vez y no entrega realmente
información sobre dependencia espacial. En cambio, los momentos de
orden 2 (covarianza, correlograma y variograma) están definidos con la
ayuda de dos sitios, es decir del más pequeño conjunto que se puede
considerar para describir la “interacción” entre valores. Son estos
momentos los que entregan una descripción elemental y operatoria de la
continuidad espacial de la variable regionalizada. En este capítulo,
abordamos la primera etapa del análisis variográfico, que consiste en la
inferencia del variograma, es decir, el cálculo de un variograma
experimental a partir de los datos disponibles. Posteriormente (capítulo
siguiente), se verá cómo ajustar un modelo de variograma en torno al
variograma experimental.
Dado que un fenómeno regionalizado nunca posee una extensión infinita,
estudiaremos la variable regionalizada sólo dentro de un dominio limitado
D llamado campo de la variable. Este campo puede representar una zona
natural, fuera de la cual la variable no está definida. Puede tratarse
también de un dominio particular, donde la variable interesa, por ejemplo,
los sitios donde no se anula o donde es mayor que un límite de detección

Para el trabajode investigación dezarrollado se ha buscado obtener la

“predicción” o “estimación” constituye un objetivo importante de la
geoestadística. Consiste en evaluar, de la manera más precisa posible,
un valor que no ha sido medido, a partir de los datos disponibles. Una
característica de los métodos geoestadísticos será, no sólo construir
estimadores, sino también proporcionar una medida de la precisión de la
estimación por medio de herramientas probabilísticas (por ejemplo,
varianzas o intervalos de confianza...). Distinguiremos dos tipos de
estimaciones: las estimaciones globales y las estimaciones locales. La
estimación global busca caracterizar el campo D completo por un valor
único (por ejemplo, la media de la variable regionalizada en estudio) o por
una distribución estadística (histograma). Es poco común que una
estimación global sea suficiente; frecuentemente, se requiere completarla
con estimaciones locales. Por ejemplo en un estudio de contaminación de
suelo, no basta con evaluar la concentración promedio en toda la zona de
un elemento contaminante, sino que es necesario distinguir los sectores
fuertemente contaminados de aquellos que no lo están. Por el contrario,
las estimaciones locales se interesan por los diferentes sectores de la
zona de estudio. En general, se busca evaluar el valor en un sitio que no
ha sido muestreado o el valor promedio de un “bloque” cuyo soporte es
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

mayor que el soporte de los

datos. En este problema, debe
considerarse la continuidad
espacial de la variable
regionalizada, las distancias
entre el sector a estimar y los
sitios con datos, así como la
configuración espacial de los
mismos sitios con datos puesto
que datos agrupados suelen
tener valores parecidos,
constituyéndose en información
redundante. Otro aspecto de la
estimación local es la cuantificación de la incertidumbre en los valores de
la variable regionalizada y la probabilidad de que estos valores superen o
queden debajo de ciertos límites. Por ejemplo, el agrónomo está
interesado en conocer los sectores de una parcela donde el pH es
demasiado bajo, para poder abonarlos con cal y mejorar la fertilidad. El
medio-ambientalista quiere cuantificar el riesgo de que la concentración
de un elemento tóxico en el suelo supere un umbral crítico, de modo de
poder tomar medidas de remediación. Al ingeniero de minas le interesa
saber si las leyes de mineral son mayores que una ley de corte que
asegura la rentabilidad de la explotación minera, luego evaluar los
tonelajes y cantidades de metal que se puede extraer sobre esta ley de
corte. Los problemas de estimación no son los únicos a los que responde
la geoestadística. El análisis de la dependencia espacial permite describir
la distribución de los valores en el espacio, cuantificar las correlaciones o
redundancias de información entre valores medidos en sitios diferentes,
determinar el tamaño de la “zona de influencia” de una observación, así
como detectar anisotropías que indican que la variable regionalizada tiene
direcciones preferenciales de continuidad en el espacio.
El estudio sobre la
distribución normal lo
comenzó de Moivre a finales
del siglo XVIII, aunque toma
el nombre de Carl Friedrich
Gauss (considerado por la
comunidad científica como el
matemático más prolífico de
la historia), puesto que fue el
primero que aplicó esta
herramienta, concretamente,
en el análisis de datos
astronómicos.

Esta nube consiste en visualizar los valores de una variable en función de otra, lo cual
requiere que ambas variables hayan sido medidas en los mismos sitios. Sirve para ver la
relación par a par o “correlación” de ambas variables, así como detectar datos atípicos
(puntos que se alejan del resto de la nube). En el ejemplo de los datos de contaminación
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

3. Distribución Normal
En estadística y probabilidad se llama distribución normal, distribución de
Gauss o distribución gaussiana, a una de las distribuciones de
probabilidad de variable continua que con más frecuencia aparece
aproximada en fenómenos reales.
La gráfica de su función de densidad tiene una forma acampanada y es
simétrica respecto de un determinado parámetro estadístico. Esta curva
se conoce como campana de Gauss y es el gráfico de una función
gaussiana.
La importancia de esta distribución radica en que permite modelar
numerosos fenómenos naturales, sociales y psicológicos. Mientras que
los mecanismos que subyacen a gran parte de este tipo de fenómenos
son desconocidos, por la enorme cantidad de variables incontrolables que
en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observación se obtiene como la suma de unas pocas
causas independientes.
De hecho, la estadística descriptiva sólo permite describir un fenómeno,
sin explicación alguna. Para la explicación causal es preciso el diseño
experimental, de ahí que al uso de la estadística en psicología y sociología
sea conocido como método correlacional.
La distribución normal también es importante por su relación con la
estimación por mínimos cuadrados, uno de los métodos de estimación
más simples y antiguos.
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

4. Variograma

El variograma o semivariograma es una herramienta que permite analizar

el comportamiento espacial de una variable sobre un área definida,
obteniendo comoresultado un variograma experimental que refleja la
distancia máxima y la forma en que un punto tiene influencia sobre otro
punto a diferentes distancias.
El resultado de este análisis no puede ser aplicado directamente en los
diferentes métodos de interpolación que lo ocupan como información
base, es por esto que una vez calculado el variograma experimental, debe
ser realizado un modelo matemático que modele de la mejor forma posible
al variograma experimenta, el cual es conocido como variograma teórico.
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

5. Python

Python es un lenguaje de programación interpretado cuya filosofía hace

hincapié en una sintaxis que favorezca un código legible.
Se trata de un lenguaje de programación multiparadigma, ya que soporta
orientación a objetos, programación imperativa y, en menor medida,
programación funcional. Es un lenguaje interpretado, usa tipado dinámico
y es multiplataforma.
Es administrado por la Python Software Foundation. Posee una licencia
de código abierto, denominada Python Software Foundation License,1
que es compatible con la Licencia pública general de GNU a partir de la
versión 2.1.1, e incompatible en ciertas versiones anteriores.
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

6. Cálculos

Para entender la codificación es necesario tener conocimientos de

Python, mencionado en la página anterior.
Fórmula para el variograma esférico

Por lo que tendríamos:

Nos damos cuenta que la función variograma de esta forma se ha vuelto

dependiente de h por lo que tendríamos que encontrar h, para lo cual
analizamos el gráfico.
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

6.1. Código de Programación

Para el código usaremos el bucle for en Python que realizará una

acción repititiva siempre y cuando la variable esté dentro del rango,
vemos que el rango está determinado por:

Range(0,8,1): Lo cual quiere decir que el i empezará en 0, terminará

en 8-1 o sea en 7 e irá de uno en uno, esto lo hemos determinado
según el gráfico anterior.

6.2. Resultado ( Salida)

 Se observa que el resultado es 0.30194356

También podemos ahondar en el análisis haciendo que varíe el

número de particiones “n” y graficando el comportamiento del
variograma promedio según la variación del número de particiones,
para esto usamos una vez más el “bucle for”.
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

Nótese que en la figura anterior hemos importado la librería

matplotlib.pylot para poder graficar lo dicho anteriormente, la lista
“hist” es la lista cuyos elementos son los variograma promedios para
cada valor de “n”

Salida:
UNIVERSIDAD NACIONAL DE INGENIERIA GEOESTADISTICA

7. Conclusiones

 hubiese sido difícil la realización del presente trabajo.

 El variograma calculado nos es útil para posteriormente hallar
la varianza de estimación.
 El cálculo involucrado facilita más tarde una manera de
comprender el número de muestras representativas que se
deben de tomar en una región mediante la varianza de
estimación.
 El variograma cumple por definición lo establecido ya que
únicamente depende de la interdistancia de los datos
 En el análisis extra del comportamiento del variograma
promedio con el número de particiones se puede observar que
a partir de 75 particiones el variograma promedio se vuelve casi
constante, esto también es deducible del modelo esférico.
 El análisis se ha realizado para un sistema bidimensional,
puede ser llevado a
 tridimensional de manera similar con un análisis no complejo.
 Nos es realmente útil saber programación , de otro modo

8. Bibliografía

- https://www.ucursos.cl/usuario/f697544fb48474f4153ef2aafbe
4c963 mi blog/r/Geoestadistica.pdf
- Ahmed S. and de Marsily G., 1987. Comparison of
geostatistical methods for estimating transmissivity using data
on transmissivity and specific capacity, Water Resources
Research, Vol. 23, No 9, p. 1717-1737
- Atteia O., Dubois J.P. and Webster R., 1994. Geostatistical
analysis of soil contamination in the Swiss Jura, Environmental
Pollution, Vol. 86, p. 315-327.
- Petitgas P., 2001. Geostatistics in fisheries survey design and
stock assessment: models, variances and applications, Fish
and Fisheries, Vol. 2, p. 231-249
- Rouhani S. and Wackernagel H., 1990. Multivariate
geostatistical approach to spacetime data analysis, Water
Resources Research, Vol. 26, No. 4, p. 585-591.
- Wackernagel H., Lajaunie C., Thiéry L., Vincent R. and Grzebyk
M., 1993. Applying geostatistics to exposure monitoring data in
industrial hygiene. In: Soares A. (ed.), Geostatistics Tróia’92:
Kluwer Academic, Dordrecht, Vol. 1, p. 463-476.
- Séguret S. and Huchon P., 1990. Trigonometric kriging: a new
method for removing the diurnal variation from geomagnetic
data, Journal of Geophysical Research – Solid Earth and
Planets, Vol. 95, No. B13, p. 21383-21397.
- Yarus J.M. and Chambers R.L. (eds.), 1994. Stochastic
Modeling and Geostatistics: Principles, Methods and Case
Studies, American Association of Petroleum Geologists
(AAPG), Tulsa, 379 p