Geoe Stadi Stica

UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE MINAS
“ANÁLISIS DE DATOS Y VARIOGRAFÍA”
CURSO:
GEOESTADÍSTICA
DOCENTE:
Ing. Chuquiruna Chávez, Wilder.
PRESENTADO POR:
ABANTO MARÍN, José Edison
CRUZADO ACUÑA, Fredesvindo.
DÁVILA BAZÁN, Karol
FLORES LLANOS, Jhonatan
MACHACA QUISPE, Lizeth
SALDAÑA CHUNQUI, Elqui
CAJAMARCA – PERÚ, 11 de mayo del 2018

ANÁLISIS DE DATOS Y VARIOGRAFIA
AGRADECIMIENTO
A nuestra prestigiosa Universidad Nacional de Cajamarca, la cual abrió sus puertas a jóvenes
como nosotros, preparándonos para un futuro competitivo y formándonos como personas de
bien y por concedernos los ambientes y la información necesaria para realizar nuestro trabajo.
A nuestros padres por apoyarnos siempre, por su preocupación en nuestra salud y educación.
A nuestro docente el Ing. Wilder Chuquiruna Chávez por el constante apoyo y la paciencia que
nos tiene.
GEOESTADISTICA i
DEDICATORIA
A nuestros padres, por su apoyo brindado durante todo este tiempo en que el estudio y el trabajo
ocupan nuestro tiempo. Quienes sabiamente nos supieron guiar en la vida, siendo parte de mis
planes, éxitos, alegrías y tristezas; buscando siempre ser personas de bien.
El equipo de trabajo
GEOESTADISTICA ii
INDICE DE CONTENIDOS
AGRADECIMIENTO ............................................................................................................. I
DEDICATORIA...................................................................................................................... II
INDICE DE CONTENIDOS................................................................................................ III
ANÁLISIS DE DATOS Y VARIOGRAFÍA ........................................................................ V
RESUMEN ............................................................................................................................V
ABSTRACT ........................................................................................................................... VI
1. INTRODUCCION .............................................................................................................. 1
1.2 OBJETIVOS: .............................................................................................................. 1

1.3 GEOESTADISTICA .................................................................................................. 2
1.3.1 Definición:............................................................................................................. 2
1.3.2 Definiciones alternativas: .................................................................................... 2
1.3.3 Etapas del análisis geoestadístico ....................................................................... 3
1.3.3.1 El análisis exploratorio de los datos............................................................. 3
1.3.3.2 El análisis estructural.................................................................................... 3
1.3.3.3 Las predicciones (kriging o simulaciones). ................................................. 3
1.3.4 Campos de aplicación .......................................................................................... 3
1.4 HISTOGRAMA .......................................................................................................... 4
1.4.1 ¿Qué muestra el histograma? ............................................................................. 4
1.4.2 ¿Para qué tipo de variable se usa? ..................................................................... 4
1.4.3 ¿Cómo se construye el histograma? ................................................................... 5
1.4.4 ¿Cuántas clases se debe utilizar? ........................................................................ 7
1.4.5 ¿En qué clase se consideran los datos que coinciden con los límites de clase?
......................................................................................................................................... 8
1.4.6 ¿Puede proporcionar la Tabla mayor información? ...................................... 11
1.5 OJIVAS O POLÍGONOS DE FRECUENCIA ACUMULADA .......................... 13
1.6 INTERPRETANDO HISTOGRAMAS .................................................................. 14
2. MODELADO DE HISTOGRAMAS ............................................................................ 17
2.1 DISTRIBUCIÓN NORMAL ................................................................................... 17
2.1.2 Características de la distribución Normal ....................................................... 18
GEOESTADISTICA iii
2.1.3 ¿Cómo calcular probabilidades asociadas a una curva normal específica? . 18

2.2 DISTRIBUCIÓN LOGNORMAL .......................................................................... 19
2.3 DISTRIBUCIÓN EXPONENCIAL ........................................................................ 21
3. SIMULACIONES DE DISTRIBUCIONES ................................................................ 22
3.1 SIMULACIÓN DE DISTRIBUCIONES DE PROBABILIDAD ......................... 22
3.2 TEOREMA DEL LÍMITE CENTRAL. ................................................................. 23
3.2.1 Aplicación para medias ..................................................................................... 23
3.3 MÉTODO DE LA TRANSFORMADA INVERSA .............................................. 25
3.3.1 Procedimiento ..................................................................................................... 25
3.4 MÉTODO DE MONTECARLO ............................................................................. 27
3.4.1 ¿Qué es la Simulación de Monte Carlo? .......................................................... 27
4.1 INTERPRETACIÓN DE VARIOGRAMAS EXPERIMENTALES .................. 33
4.1.1 Componentes de un Variograma. ..................................................................... 33
4.1.2 Ausencia de meseta ............................................................................................ 33
4.1.3 Fluctuaciones ...................................................................................................... 34
4.1.4 Ciclicidad ............................................................................................................ 35
4.1.5 Construcción del variograma............................................................................ 35
4.2 PRESENTACIÓN DE CASOS REALES EN DIVERSOS YACIMIENTOS
MINEROS ....................................................................................................................... 36
4.2.1 Proyecto minero Morococha ............................................................................. 36
4.3 MODELADO DE VARIOGRAMAS...................................................................... 40
5. CONCLUCIONES......................................................................................................... 43
BIBLIOGRAFÍA.................................................................................................................... 44
GEOESTADISTICA iv
ANÁLISIS DE DATOS Y VARIOGRAFÍA
RESUMEN
La necesidad de acudir a herramientas estadísticas para el análisis de datos en todas las áreas
del conocimiento, ha hecho que aparezcan con el correr de los años nuevas metodologías que,
no obstante, se centran en fundamentos probabilísticos comunes, son específicas para cada una
de las diversas disciplinas del saber. Algunos ejemplos son, entre otros, la econometría,
psicometría o la bioestadística. La gran relevancia que tiene actualmente a nivel mundial el
tema ambiental ha hecho que los profesionales en estadística encaminen esfuerzos en el
desarrollo de nuevas técnicas apropiadas para el análisis de información enmarcada dentro de
este contexto. Como consecuencia de este impulso surgió una nueva rama de la estadística,
denominada environmetrics (estadística ambiental). Dentro de esta última, los métodos
geoestadísticos juegan un papel preponderante. (Giraldo Henao, pág. 5)
El término geoestadística surge de la combinación del carácter aleatorio de una Variable con
el carácter geológico que indudablemente poseen. La geoestadística además se encarga de
estudiar al variograma es una herramienta que permite analizar el comportamiento espacial de
una propiedad o variable sobre una zona dada.
GEOESTADISTICA v
ABSTRACT
The need to resort to statistical tools for the analysis of data in all areas of knowledge has led
to the appearance over the years of new methodologies that, however, focus on common
probabilistic foundations, are specific to each of the various disciplines of knowledge. Some
examples are, among others, econometrics, psychometrics or biostatistics. The great relevance
that the environmental issue currently has worldwide has led professionals in statistics to direct
efforts in the development of new appropriate techniques for the analysis of information framed
within this context. As a consequence of this impulse, a new branch of statistics emerged, called
environmetrics (environmental statistics). Within the latter, geostatistical methods play a
preponderant role. (Giraldo Henao, page 5)
The term geostatistics arises from the combination of the random character of a Variable with
the geological character that undoubtedly possess. The geostatistics is also responsible for
studying the variogram is a tool that allows analyzing the spatial behavior of a property or
variable over a given area.
GEOESTADISTICA vi
1. INTRODUCCION
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, 2013, pág. Pag.1).
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.
Pag.1).
1.2 OBJETIVOS:
 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.
GEOESTADISTICA 1
 Conocer los métodos de la transformación inversa y Montecarlo para simulaciones
y distribuciones.
1.3 GEOESTADISTICA
1.3.1 Definición:
“Estudio estadístico de fenómenos naturales que se distribuyen de forma continua en el espacio
y/o el tiempo”. (García, pág. Diap 3).
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
1.3.2 Definiciones alternativas:
 “Estadística aplicada a datos geográficos”
 “Estadística espacial”
 “Gestión, tratamiento e interpretación de datos espaciales”
GEOESTADISTICA 2
 “Descripción cuantitativa de variables naturales que se distribuyen en el espacio y
en el tiempo”. (Delfiner, 1999, pág. Diap. 3)-
1.3.3 Etapas del análisis geoestadístico
1.3.3.1 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.
1.3.3.2 El análisis estructural.
Es el proceso de estimación y modelación de la función que describe la correlación
espacial.
1.3.3.3 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”. (VIERA, 2002, pág. pag 2)
1.3.4 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

GEOESTADISTICA 3
 Salud publica
 Ingeniería civil
 Cartografía
 Finanzas
 Otros
1.4 HISTOGRAMA
Es una gráfica de la distribución de un conjunto de datos. Es un 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)
1.4.1 ¿Qué muestra el histograma?
Un histograma muestra la acumulación o tendencia, la variabilidad o dispersión y la forma de
la distribución.
1.4.2 ¿Para qué tipo de variable se usa?
Un histograma 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.
GEOESTADISTICA 4
¿Se puede construir con los siguientes datos un histograma?
Los datos se refieren al tiempo en segundos de atención al cliente, son cuantitativos continuos,
luego el histograma es una buena decisión de representación gráfica de estos datos.
1.4.3 ¿Cómo se construye el histograma?
Utilizando software de aplicación estadística se puede obtener fácilmente el histograma de los
datos, por lo que hoy en día nos debemos centrar más en su interpretación. Sin embargo, no
está por demás hacer en forma manual el histograma de los datos.
Lo primero que se tiene que tener en cuenta es que 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.
Para los datos que se refieren a los tiempos de atención al cliente 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:
GEOESTADISTICA 5
Supongamos que deseamos clasificar los datos en dos clases, lo que equivaldría a dividir la
recta en dos partes iguales; es decir, dividir 92/2 =46. A este valor 46, se le conoce como
amplitud o intervalo de clase. Entonces la primera clase comprendería los tiempos entre 141 y
187 y la segunda los tiempos entre 187 y 233, como se ve en la siguiente figura.
Ahora se nos ocurre clasificar los datos en cuatro clases, es decir, tenemos que dividir el rango
entre 4; 92/4 = 23. Entonces la primera clase comprendería los tiempos entre 141 y 164, la
segunda los tiempos entre 164 y 187, la tercera entre 187 y 210 y la cuarta entre 210 y 233.
GEOESTADISTICA 6
Como puedes observar la amplitud de clase se obtiene dividiendo el rango entre el número de
clases deseadas, entonces tenemos que:
1.4.4 ¿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:
GEOESTADISTICA 7
Redondeando al entero mayor, tenemos que:
Ahora vamos a escribir las clases en una columna.
A continuación, contemos el número de observaciones que pertenecen a cada clase. Antes de
proceder al conteo el valor 189 ¿Dónde se considera, en la tercera o cuarta clase?
1.4.5 ¿En qué clase se consideran los datos que coinciden con los límites de clase?
Diferentes autores dan ideas diferentes de cómo solucionar esta cuestión, aquí recomendamos
alguna de estas dos:
 Considerar a los límites superiores en la clase siguiente: Es decir, contar el 189 en
la cuarta clase. Esto equivale a leer la tercera clase, como el intervalo que incluye a los
valores desde 173 a menos de 198. Entonces en la tabla se debe identificar que el
símbolo “- “, se debe leer como “a menos de “, con lo que se resuelve el problema de
datos coincidentes con los limites.
GEOESTADISTICA 8
 Se especifica un rango un poco más amplio que el rango de los datos y se introduce
un decimal extra en los límites de las clases.
Para nuestro ejemplo se incrementa de 92 a 93, es decir se incrementó en 1. Este
aumento se reparte de forma igual entre la primera y la última clase. Es decir, ½ = 0.5,
entonces la primera clase iniciará en 141 - 0.5 = 140.5 y la última terminará en 237 +
0.5 = 237.5. Por lo tanto, las clases serían las siguientes:
Como se puede observar ya ningún dato coincide con los límites de la clase.
Agrupemos ahora los datos en 6 clases siguiendo la primera recomendación. Entonces,
tenemos:
GEOESTADISTICA 9
Ahora si podemos contar el número de observaciones que le corresponde a cada clase. A este
número de observaciones se le conoce como frecuencia o frecuencia absoluta (fi).
A la tabla de dos columnas, en que una de ellas indica las clases y la otra las frecuencias se le
conocen como tabla de distribución de frecuencias, debido a que muestra con qué frecuencia
se distribuyen los datos alrededor del valor de la variable.
Utilizar los nombres genéricos de clases y frecuencias no le indican al lector nada acerca de los
datos representados en la tabla. Por lo que en lugar de clases se debe escribir el nombre de los
datos estudiados y en lugar de frecuencias el elemento donde se observaron o midieron éstos.
En nuestro caso la variable es el tiempo invertido en la atención al cliente medido en segundos
y las frecuencias son el número de clientes.
GEOESTADISTICA 10
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.
1.4.6 ¿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.
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.
GEOESTADISTICA 11
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:
GEOESTADISTICA 12
1.5 OJIVAS O POLÍGONOS DE FRECUENCIA ACUMULADA
En la tabla también se pueden adicionar columnas que indiquen el número de observaciones
cuyo valor sea menor o igual que el límite superior de cada clase, lo que se conoce como
frecuencia acumulada.
Así, por ejemplo, para la tercera clase, el número de observaciones menores a 189 son 17 + 13
+2 = 32, que son las frecuencias de la tercera, segunda y primera clase respectivamente. Este
valor es la frecuencia acumulada hasta la tercera clase.
Si se grafican ahora sobre el eje de las X los límites superiores de clase y sobre el eje de las Y
las frecuencias acumuladas absolutas o relativas obtenemos la gráfica conocida como Ojiva o
Polígonos de frecuencia acumulada.
GEOESTADISTICA 13
Algunas de las afirmaciones que podemos hacer al observar la gráfica, son las siguientes:
 46 clientes tardaron menos de 205 segundos; es decir el 92% de los clientes tardaron
menos de 205 segundos.
 El proceso es muy tardado sólo en el 2% de los casos; tardaron más de 221 segundos.
 El proceso es muy rápido sólo en el 4% de los casos; tardaron menos de 157 segundos.
 El 64% de los clientes tardaron menos de 189 segundos.
1.6 INTERPRETANDO HISTOGRAMAS
Hemos mencionado que hoy en día nos debemos centrar más en la interpretación de los
histogramas que en su elaboración, ya que se cuenta con tecnología para elaborarlos. A
continuación, se presentan cuatro histogramas correspondientes a las calificaciones obtenidas
en la asignatura de estadística en cuatro grupos diferentes. ¿Qué nos puede decir la forma de
estos histogramas?
La sección A muestra que las calificaciones se distribuyen en forma aproximadamente
simétrica, con respecto a la clase de mayor frecuencia, que comprenden las calificaciones de
GEOESTADISTICA 14
7.8 a 8.2.; la mayoría de los estudiantes obtienen calificaciones entre 7.4 y 8.6, (acumulación
o tendencia). A esta forma de la distribución se le conoce como normal.
La sección B muestra una distribución con una cola larga a la derecha, es decir, muestra un
sesgo positivo. La mayoría de los estudiantes obtuvieron calificaciones muy bajas, como lo
muestra la acumulación de las calificaciones en la parte izquierda de la gráfica y muy baja
densidad en la parte derecha. Esto se puede deber a varias razones, como, por ejemplo, que el
grupo esté formado por muy malos estudiantes o el profesor sea muy exigente o el examen
como instrumento de evaluación sea inadecuado, etc.
La sección C muestra una distribución con una cola larga a la izquierda, es decir, muestra un
sesgo negativo.
La mayoría de los estudiantes obtuvieron calificaciones muy altas, como lo muestra la
acumulación de las calificaciones en la parte derecha de la gráfica y muy baja densidad en la
parte izquierda. Esto se puede deber a varias razones, como, por ejemplo, que el grupo esté
formado por muy buenos estudiantes o el profesor sea muy relajado o el examen fue muy fácil,
etc.
La sección D muestra dos distribuciones normales traslapadas, una con acumulación entre 5.6
y 6.4 y la otra entre 7.2 y 8.0. Este se puede deber a que el grupo este conformado por
estudiantes con distintos antecedentes en la asignatura (repetidores y regulares), con distintos
hábitos de estudio, etc.
GEOESTADISTICA 15
Examinemos ahora los histogramas que se muestran enseguida y que se refieren al peso en
kilogramos de los estudiantes de un grupo de estadística. La gráfica con nombre total, muestra
la distribución del peso de todos los estudiantes, mientras que las otras dos gráficas separan el
peso de los hombres y de las mujeres, ¿Qué podemos apreciar en estas gráficas? Para el grupo
D se observan dos poblaciones traslapadas. Un aspecto relevante que revelan estas gráficas es
la acumulación o tendencia y la variabilidad.
La variabilidad total del peso se encuentra entre 35 y 105. La variabilidad para los hombres
disminuye y se encuentra entre 55 y 105 y para las mujeres aun es menor y se encuentra entre
35 y 75 kilos. La variabilidad al formar grupos por el género disminuye, debido a que son
grupos más homogéneos. Para los hombres la tendencia se muestra entre 55 y 85 kilos, mientras
que para las mujeres se encuentra entre 45 y 65.
En resumen, una gráfica sencilla, como lo es el histograma, es un instrumento poderoso para
obtener información del comportamiento de los datos y describir adecuadamente su
distribución.
GEOESTADISTICA 16
2. MODELADO DE HISTOGRAMAS
2.1 DISTRIBUCIÓN NORMAL
Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que
se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o de Laplace-
Gauss. 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.
Su función de densidad es:
La curva normal adopta un número infinito de formas, determinadas por sus parámetros μ y σ.
GEOESTADISTICA 17
2.1.2 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.
2.1.3 ¿Cómo calcular probabilidades asociadas a una curva normal específica?
Dado que tanto µ como σ pueden asumir infinitos valores, es impracticable tabular las
probabilidades para todas las posibles distribuciones normales. Para solucionarlo, se utiliza la
distribución normal reducida o tipificada.
Se define una variable:
Es una traslación, y un cambio de escala de la variable original.
GEOESTADISTICA 18
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
2.2 DISTRIBUCIÓN LOGNORMAL
La distribución lognormal es una probabilidad utilizada para expresar el comportamiento de
observaciones con asimetría positiva en donde la mayoría de los valores ocurren en las
proximidades de un valor mínimo.
Esta distribución es característica en conjuntos de datos donde existe mayor frecuencia de
valores pequeños por lo cual la media se desplaza hacia la derecha y esto hace que el mejor
estadígrafo de posición sea la moda y no la media aritmética.
Dada una variable aleatoria X ∼ N (µ, σ), se dice que la variable aleatoria sigue una
distribución log normal. La función de densidad de dicha distribución es:
GEOESTADISTICA 19
Se tiene que:
La distribución lognormal es el resultado de un número elevado de causas independientes con
efectos positivos que se componen de manera multiplicativa y donde cada una de estas causas
tiene un efecto despreciable frente al global. Esto se debe a que la aditivita de los efectos
conduce a una ley normal, en el caso de la ley lognormal, lo hace la proporcionalidad de los
efectos.
En el campo industrial, la ley lognormal, puede recibir justificaciones teóricas como las
características de un material (resistencia, dureza, etc.) que puede resultar de la combinación
multiplicativa de factores elementales. También en el campo económico la ley lognormal se
encuentra con frecuencia (distribución de salarios, ventas, etc.).
Ejemplo
Se estudia la proporción de rentistas por encima de 18.000€ anuales para un sector económico
cuya distribución salarial medida en miles de euros sigue un modelo
logaritmo normal con parámetros y se define la variable aleatoria
Puesto que, Y sigue una distribución log normal, se puede considerar una variable tal que, por
tanto;
GEOESTADISTICA 20
2.3 DISTRIBUCIÓN EXPONENCIAL
Esta ley de distribución describe procesos en los que interesa saber el tiempo hasta que ocurre
determinado evento; en particular, se utiliza para modelar tiempos de supervivencia. Un
ejemplo es el tiempo que tarda una partícula radiactiva en desintegrarse. El conocimiento de la
ley que sigue este evento se utiliza, por ejemplo, para la datación de fósiles o cualquier materia
orgánica mediante la técnica del carbono 14.
Se dice que una variable aleatoria Y tiene distribución exponencial con parámetro β > 0 si y
solo si la función de densidad de Y es:
Si Y es una variable aleatoria con distribución exponencial y parámetro β > 0, entonces:
El parámetro β usualmente representara la media o el promedio del evento que modela la
variable aleatoria Y.
Ejemplo.
La magnitud de los terremotos registrados en una región de los Estados Unidos puede
representarse mediante una distribución exponencial con media 2.4, de acuerdo a la escala de
Richter. Calcule la probabilidad de que un terremoto en esta región rebase los 3.0 grados en la
escala de Richter.
Solución: Tenemos que Y ∼ exp (2,4), y queremos P (Y > 3,0), entonces:
Si realizamos un cambio de variable se tiene que
GEOESTADISTICA 21
Por otro lado, si en vez de tener como valor esperado a β se tiene 1/λ, entonces la función de
densidad se escribe:
Es claro, que ambas funciones representan lo mismo, la diferencia es el dato que da cada
ejercicio. Fíjese que en el ejercicio anterior nos decía que los terremotos se distribuían
exponencial con media 2.4, es decir, que en promedio esa es la escala. En ese caso ese
parámetro representa a β. Si quisiéramos utilizar la notación con λ, entonces seria 1/2,4.
3. SIMULACIONES DE DISTRIBUCIONES
3.1 SIMULACIÓN DE DISTRIBUCIONES DE PROBABILIDAD
La simulación es, grosso modo, la representación de un proceso o fenómeno mediante otro más
simple, que permita analizar sus características. Al simular un fenómeno, la pretensión es que
el proceso se comporte de la misma forma que la realidad y produzca resultados similares. Para
simular una distribución de probabilidad específica, tal como la función exponencial o la
función normal de probabilidad se requieren al menos dos cosas:
a) Un generador de números pseudo aleatorios entre cero y uno. Esta función aparece
en casi todas las calculadoras científicas y se relaciona con la distribución uniforme de
probabilidad entre cero y uno: U (0,1).
b) Un algoritmo (por lo general una fórmula) que incorpore el número aleatorio, y
genere una muestra sintética de valores de la variable aleatoria asociada con la función
que se simula.
GEOESTADISTICA 22
3.2 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.
El término “central” se debe a Polyá (1920) y significa “fundamental” o de “importancia
central”. Al científico Laplace se le atribuye el descubrimiento de este importante teorema.
Mientras la media y la varianza existan, la distribución de muestreo se aproximará a una
distribución normal conforme “n” aumente. (ENTORNO ECONOMICO, págs. 4,5,6)
El teorema se fundamenta en tres propiedades:
1) La media de las medias muéstrales en una actividad de muestreo con apego a las
bases técnicas, es igual a la media de la población.
Entre el valor de la media muestral y el valor de la media de la población, no existe
diferencia significativa.
2) El error estándar de la muestra es igual al valor de la desviación estándar de la
población dividida entre la raíz cuadrada de “n”.
No existe diferencia significativa entre ambos valores.
3) La distribución del muestreo de la media o de la proporción, cuando ha sido realizada
técnicamente y el número de observaciones es de treinta o más, tiene un
comportamiento normal o aproximadamente normal.
3.2.1 Aplicación para medias
̅−𝝁
𝒙
𝒁= 𝝈
√𝒏
GEOESTADISTICA 23
1. El gerente de una empresa de bienes y raíces, ha realizado un estudio estadístico sobre sus
ventas anuales y ha establecido que el ingreso mensual por venta de casas, 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?
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?
GEOESTADISTICA 24
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?
3.3 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)
3.3.1 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
Ejemplo: Encontrar la función generadora de la exponencial.
1. 𝑭(𝒙) = 𝟏 − 𝒆−𝜷𝒙
GEOESTADISTICA 25
2. 𝑭(𝒙) = 𝟏 − 𝒆−𝜷𝒙 = 𝑹
𝟏
3. 𝒙 = − 𝜷 ∗ 𝒍𝒏(𝟏 − 𝑹); 𝒆𝒔𝒕𝒂 𝒃𝒊𝒆𝒏𝒆 𝒂 𝒔𝒆𝒓 𝒍𝒂 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒊𝒏𝒗𝒆𝒓𝒛𝒂
𝟏
4. 𝒙𝒊 = − 𝜷 ∗ 𝒍𝒏(𝟏 − 𝑹𝒊 )
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:
𝒙
𝟏 𝒙 𝒙
𝑭(𝒙) = ∫ 𝒅𝒕 = ⇒𝒓=
𝟎 𝟒 𝟒 𝟒
Segunda parte:
𝒙
𝟏 𝟑 𝟑 𝟏 𝟑 𝟏
𝑭(𝒙) = + ∫ 𝒅𝒕 = 𝒙 − ⇒𝒓= 𝒙−
𝟒 𝟏 𝟒 𝟒 𝟐 𝟒 𝟐
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 = 𝟑 𝒓 + 𝟑
GEOESTADISTICA 26
3.4 MÉTODO DE MONTECARLO
3.4.1 ¿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 (por lo general, cuando se trata de sistemas cuyo estado va
cambiando con el paso del tiempo, se recurre bien a la simulación de eventos discretos o bien
a la simulación de sistemas continuos).
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-muestras aleatorias (valores concretos) para dichos
inputs, y (2) analizar el comportamiento del sistema ante los valores generados. 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.
GEOESTADISTICA 27
Consultas Frec. Absoluta Frec. Frec. Relativa
EIS (días) 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).
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:
GEOESTADISTICA 28
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:
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
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
GEOESTADISTICA 29
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.
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 valores de la
columna H.
GEOESTADISTICA 30
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). Se puede comprobar este hecho pulsando repetidamente sobre la función
F9 (cada vez que se pulsa dicha tecla, Excel genera nuevos valores aleatorios y, por tanto,
nuevos valores para la columna H y la casilla I1). Si en lugar de usar una muestra aleatoria
formada por 100 observaciones hubiésemos usado una formada por 10, los valores que
obtendríamos al pulsar repetidamente F9 no serían estimaciones tan buenas al valor real. Por
el contrario, es de esperar que si hubiésemos usado 1.000 (o mejor aún 10.000) observaciones,
los valores que obtendríamos en la casilla I1 estarían todos muy cercanos al valor real.4.
VARIOGRAMA
‘‘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).
GEOESTADISTICA 31
Sean x y (x + h) dos puntos en el espacio:
La definición teórica de la función variograma γ(h) es la esperanza matemática siguiente:
Sin embargo, en la práctica siempre se utiliza el algoritmo siguiente:
El variograma muestra características importantes de la variable regionalizada:
 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
GEOESTADISTICA 32
4.1 INTERPRETACIÓN DE VARIOGRAMAS EXPERIMENTALES
4.1.1 Componentes de un Variograma.
Meseta = la varianza
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
4.1.2 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
GEOESTADISTICA 33
4.1.3 Fluctuaciones
 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 diámetro
GEOESTADISTICA 34
4.1.4 Ciclicidad
 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
4.1.5 Construcción del variograma
h=1; Gh = 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; Gh = 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; Gh = 1/2x6 [(1-4)2 + (2-5)2 + (3-4)2 + (4-3)2 + (5-2)2 + (4-1)2] = 3,17
h=4; Gh = 1/2x5 [(1-5)2 + (2-4)2 + (3-3)2+ (4-2)2 + (5-1)2] = 4
GEOESTADISTICA 35
4.2 PRESENTACIÓN DE CASOS REALES EN DIVERSOS YACIMIENTOS
MINEROS
4.2.1 Proyecto minero Morococha
Se localiza en el Perú Central aproximadamente a 140 Kilómetros al este de Lima en el Distrito
polimetálico de Morococha, Provincia de Yauli, Departamento de Junín.
El archivo secuencial tiene el siguiente número de muestras para las variables económicas:
Los variogramas experimentales del cobre presentados reflejan distancias de 45 a 90 metros de
alcance para este tipo de yacimiento pórfido skarn.
GEOESTADISTICA 36
El cobre tiene un coeficiente de variabilidad de 1.02, una varianza estadística de 0.19 muy por
debajo de su meseta y su pepita representa el 35 % de su meseta.
GEOESTADISTICA 37
Se localiza en el Perú Central aproximadamente a 140 Kilómetros al este de Lima en el Distrito
polimetálico de Morococha, Provincia de Yauli, Departamento de Junín.
El archivo secuencial tiene el siguiente número de muestras para las variables económicas:
GEOESTADISTICA 38
Los variogramas experimentales del cobre presentados reflejan distancias de 45 a 90 metros de
alcance para este tipo de yacimiento pórfido skarn.
El análisis de la distribución espacial de las leyes permitió determinar zoneamientos definidos:
1) Zonación central con contenidos de Cu y Mo,
2) Anillo intermedio de Ag, Pb, Zn y
3) Zonación de Au y Pb que se extiende a los bordes de la zona mineralizada
Esta información contribuyó en la modelación de variogramas.
La malla de perforación fue de 60x60 metros, los sondajes fueron analizados cada 1.5 metros
y cada 10 metros en la “contra muestra”, ello permitió tener un mayor número de información
y tener una mejor representación de las leyes.
GEOESTADISTICA 39
 COBRE (Cu %)
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.
GEOESTADISTICA 40
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.
GEOESTADISTICA 41
GEOESTADISTICA 42
5. CONCLUCIONES
 El histograma es una herramienta estadística de gran ayuda a la hora de analizar
variables, ya que allí se puede observar el tipo de distribución al cual pertenecen
nuestras variables.
 Se dio a conocer de manera simple y fácil de entender en que consiste cada una de las
distribuciones encontradas para el modelado de histogramas.
GEOESTADISTICA 43
BIBLIOGRAFÍA
Acuña, D. J. (2005). GENERACION DE NUMEROS GENERACION DE NUMEROS.,

(pág. 6). Obtenido de https://simulacion.files.wordpress.com/2009/09/3-numeros-
aleatorios.pd
Alfaro Sironvalle , M. A. (2007). Estimación de Recursos Mineros .
Ángel, J. F. (s.f.). Simulación de Monte Carlo con Excel. Obtenido de
https://uplamcdn.files.wordpress.com/2009/04/libro-cap-08.pdf
Delfiner, C. y. (1999). Diapositiva 1. Obtenido de Diapositiva 1:
http://langif.uaslp.mx/documentos/presentaciones_internacionl/01/d2_p2_marco_a_h
dz.pdf
Emery, X. (2013). (Microsoft Word - Apunte geoestad\355stica2013.doc). Obtenido de
(Microsoft Word - Apunte geoestad\355stica2013.doc): https://www.u-
cursos.cl/usuario/f697544fb48474f4153ef2aafbe4c963/mi_blog/r/Geoestadistica.pdf
García, I. M. (s.f.). Diapositiva 1. Obtenido de Diapositiva 1:
http://langif.uaslp.mx/documentos/presentaciones_internacionl/01/d2_p2_marco_a_h
dz.pdf
Giraldo Henao, R. (s.f.). Introducción a la Geoestadística. Bogotá.
METODOS CUANTITATIVOS. (s.f.)., (pág. 28). Obtenido de
file:///C:/Users/FREDY/Downloads/94383968-Teorema-de-Limite-Central-7.pdf
Universidad Nacional Autónoma de México, F. d. (s.f.). 7. HISTOGRAMAS.pdf. Obtenido de
7. HISTOGRAMAS.pdf:
http://asesorias.cuautitlan2.unam.mx/Laboratoriovirtualdeestadistica/DOCUMENTO
S/TEMA%201/7.%20HISTOGRAMAS.pdf
VIERA, M. A. (2002). Lista de Tablas. Obtenido de Lista de Tablas:
http://mmc2.geofisica.unam.mx/cursos/geoest/GeoEstadistica.pdf
GEOESTADISTICA 44

Geoe Stadi Stica

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Geoe Stadi Stica

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD NACIONAL DE CAJAMARCA

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE MINAS

“ANÁLISIS DE DATOS Y VARIOGRAFÍA”

Ing. Chuquiruna Chávez, Wilder.

ABANTO MARÍN, José Edison

CRUZADO ACUÑA, Fredesvindo.

DÁVILA BAZÁN, Karol

FLORES LLANOS, Jhonatan

MACHACA QUISPE, Lizeth

SALDAÑA CHUNQUI, Elqui

CAJAMARCA – PERÚ, 11 de mayo del 2018

como nosotros, preparándonos para un futuro competitivo y formándonos como personas de

planes, éxitos, alegrías y tristezas; buscando siempre ser personas de bien.

INDICE DE CONTENIDOS................................................................................................ III

ANÁLISIS DE DATOS Y VARIOGRAFÍA ........................................................................ V

1.2 OBJETIVOS: .............................................................................................................. 1

2.1.3 ¿Cómo calcular probabilidades asociadas a una curva normal específica? . 18

ANÁLISIS DE DATOS Y VARIOGRAFÍA

psicometría o la bioestadística. La gran relevancia que tiene actualmente a nivel mundial el

tema ambiental ha hecho que los profesionales en estadística encaminen esfuerzos en el

desarrollo de nuevas técnicas apropiadas para el análisis de información enmarcada dentro de

denominada environmetrics (estadística ambiental). Dentro de esta última, los métodos

geoestadísticos juegan un papel preponderante. (Giraldo Henao, pág. 5)

el carácter geológico que indudablemente poseen. La geoestadística además se encarga de

estudiar al variograma es una herramienta que permite analizar el comportamiento espacial de

una propiedad o variable sobre una zona dada.

environmetrics (environmental statistics). Within the latter, geostatistical methods play a

preponderant role. (Giraldo Henao, page 5)

variable over a given area.

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

están ubicadas en el espacio. (Emery, 2013, pág. Pag.1).

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

concentraciones de un contaminante, etc. Aunque el prefijo geo- es usualmente asociado con

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

histogramas, resaltando las situaciones en que pueden, o deben ser utilizados.

como es la distribución normal y exponencial.

 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 simulaciones

“Estudio estadístico de fenómenos naturales que se distribuyen de forma continua en el espacio

y/o el tiempo”. (García, pág. Diap 3).

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”)

• Cuantificación de la incertidumbre (categorización)

1.3.2 Definiciones alternativas:

 “Estadística aplicada a datos geográficos”

 “Gestión, tratamiento e interpretación de datos espaciales”

 “Descripción cuantitativa de variables naturales que se distribuyen en el espacio y

en el tiempo”. (Delfiner, 1999, pág. Diap. 3)-

1.3.3 Etapas del análisis geoestadístico

1.3.3.1 El análisis exploratorio de los datos.

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.

1.3.3.2 El análisis estructural.

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

1.3.3.3 Las predicciones (kriging o simulaciones).