clase 1,2
-
Upload
david-carmona -
Category
Documents
-
view
3 -
download
0
description
Transcript of clase 1,2
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 1/60
UNIVERSIDAD NACIONAL DE CAJAM
FACULTAD DE INGENIERÍ A
EAPIG GEOLOGÍA
Clase 1 y 2
C
Docente: Ing. Wilder Chuquiruna Chávez
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 2/60
ESTADISTICA(Media, CV, Análisis, correlación)
VARIOGRAFIA (Conceptos, Análisis)
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 3/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 4/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 5/60
Promedio o Media de la muestra
Mediana: Valor que deja el 50% de los datosCon los datos Ordenados:
Número Impar de datos -- el dato centralNúmero Par de datos -- promedio de los dos
datos centrales.
Moda: Valor más común
n
i
i
n1
XX
Medidas de Posición
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 6/60
Geology – Modeling /
• Parámetros de tamaño
– Mínimo (P0)
– Máximo (P100)
– Moda (Mo)
– Mediana (M = P50)
P0 P100
Mo
P 50
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 7/60
0 1 2 3 4 5 6 7 8 9 10
Media = 5
Lejos, es la Medida de Tendencia Central másutilizada
0 1 2 3 4 5 6 7 8 9 10 12 14
Media = 6
Afectada por Valores Extremos (Outliers)
Media
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 8/60
Mediana
0 1 2 3 4 5 6 7 8 9 10
Mediana = 5
0 1 2 3 4 5 6 7 8 9 10 12 14
Mediana = 5
No es afectada por los valores extremos(robusta), sino por el tamaño de la muestra.
En Arreglo Ordenado , la Mediana es el valor “del medio”
Si n es impar, Mediana = X[(n+1)/2]. Si n es par, Mediana =½(X[n/2]+X[n/2+1])
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 9/60
Moda
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Moda = 9
0 1 2 3 4 5 6
No-Moda
Valor que ocurre más Frecuentemente
No es Afectado por Valores Extremos
Puede que no exista Moda
Pueden existir varias Modas
Se emplea en datos Categóricos o
Numéricos
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 10/60
¿Datos soncategóricos?
Si
No
MODALa primera consideración es el datos, si la variable es categóricModa es la única medida que mdescribe los datos
¿El total esde Interés?
Si
No
MEDIA
La segunda consideración es prtarse si el total de las observaces de algún interés. Si la respueafirmativa, entonces la medida cuada de la tendencia central eMedia
¿DistribuciónSesgada?
Si
No
MEDIANA
Si el total de las observaciones
de interés. Entonces, si elhistograma es sesgado, usar laMediana como medida de latendencia central.
MEDIAEn caso contrario la Media si esmoderadamente sesgadaEn todos los casos elhistograma debe ser unimodal
¿Cuándo usar Media, Moda o Mediana?
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 11/60
Medidas de variabilidad
Rango: Diferencia entre los valores máximo y
mínimo 2
2 1
( )
1
n
i
i
X X
S n
Varianza muestral
Desviación estándar 2
S S
x
sV C ..
Coeficiente
Variacion
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 12/60
Importante Medida de la Dispersión
Mide la Desviación Cuadrática Promedioalrededor de la Media; esto es, toma encuenta cómo se distribuyen los datos alredorde la Media
Variancia Muestral
Variancia Muestral : ( )2
2 1
n
i
i X X
s
1n
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 13/60
Deviación Estándar Muestral
La más Importante Medida de Dispersión
Muestra la Raíz de la Desviación cuadráticapromedio alrededor de la Media
Tiene las misma Unidad que los Datos Origina
( )2
1
n
i
i
X X
s
1n
= 23,3 s
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 14/60
Comparando Desviaciones Estándar
Media = 1
s = 3.3311 12 13 14 15 16 17 18 19 20 21
Datos A^
11 12 13 14 15 16 17 18 19 20 21
Media = 1
s = .9258
Datos B
^
11 12 13 14 15 16 17 18 19 20 21
Media = 1
s = 4.57
Datos C
^
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 15/60
Estadísticas BásicasYacimiento tipo pórfidocuprífero CV = 0.7
Yacimiento de cobre demediana var. CV = 1.5
Yacimiento de oro de altavariabilidad CV = 4.5
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 16/60
• Histograma• La escala de intensidades se divide en N clases.
• Una frecuencia está asociada a cada centro de clase yrepresentada por un rectángulo proporcional
• Las frecuencias pueden ser absolutas (Nb) o relativas (
Histogramme de MoS2.
Sondage n°647
MOS2
Nb
d'obs
0
4
8
12
16
20
24
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
MoS2 (%) Nb Obs.
<0,15 80,29 37 0,43 31
0,57 140,71 40,86 11,00 31,14 01,28 1
1,42 1
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 17/60
• Histograma• La selección del número de clases influye
en la legibilidad
• 15 a 20 clases es comunmente óptimo
7, 21 o 100 clases para un total de 800 observaciones
Zn(%)
3.8
9.3
14.8
20.2
25.8
31.2
36.8
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 18/60
• Histograma en frecuencias acumuladas• Frecuencias acumuladas de 0% a 100%• Lectura rápida de « percentiles »
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 19/60
Tipos de distribución• Distribución Normal
• Eventos debido a múltiples causas independientes,…
• Ex. granulometría de un sedimento, Densidad por alteración,fluctuationes mensuales de un nivel piezométrico, geoquímica deelemento mayor y móvil (Fe, Mn,…), …
f x e
x
( ). .
( )
.
2
22
2
con :
µ = media
σ = desviación típica
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 20/60
Distribución Normal (Gaussiana)• La distribución gaussiana es simétrica:
• La media y mediana son iguales
• Cualquier Distribucion puede pasar a Normal Gaussian
(estandarizar).
• Si y definimos: , entonces:
• Y tiene distribucion Normal Gaussiana
),(~ 2 N X
X Y )1,0(~ N Y
0 2 4 6 8 10 12 140.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
g(z)
95 %
2.5% 2.5%
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 21/60
Análisis Univariables valores extremos
• Valores extremos: afectan considerablemente las estadísticas básicas
• ¿Qué hacer con ellos?:
• Declarar los valores extremos como erróneos yeliminarlos• Clasificarlos en poblaciones estadísticas separadas• Usar estadísticas robustas, que son menos sensibles a
los valores extremos: mediana, coeficiente decorrelación de posición
• Transformar los datos para reducir su influencia• Bajarlos a un máximo “razonable”
• Outliers: Observaciones que parecen no pertenecer a la misma poblaciónconstituida por el resto de los datos
• Generan considerables problemas al aplicar regresión, debido a que tienenun efecto desproporcionado sobre los coeficientes de regresión estimados
• Los datos considerados extremos (outliers) puede eliminarse sólo si se hacomprobado que están errados. En caso de ser datos verdaderos, proveeninformación que puede ser crítica para la respuesta del modelo.
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 22/60
Análisis Univariable• La distribuciones son útiles para chequear la
presencia de dos poblaciones
CDF PDF
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 23/60
Análisis Estadístico
• Son útiles para chequear la presencia de dos poblacio
• Debe confirmarse con información geológica
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 24/60
O b s e r v e d V a l u e
¿Agrupaciones de puntos? Investigar
-4 -3 -2 -1 0 1 2 3 4
Theoretical Quantile
-2
0
2
4
6
8
10
12
14
16
18
Histogram
-1,0 0,7 2,3 4,0 5,6 7,3 9,0 10,6 12,3 13,9 15,6
Var1
0
10
20
30
40
50
60
70
80
90
Noofobs
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 25/60
Correlación : parámetro adimensional [-1,1]
Covarianza : parámetro adimensional [-∞,+∞]
yy xx
xy
xy
.
Fe Ni Cu VFe 1.00 .90 .38 .81Ni .90 1.00 .44 .73Cu .38 .44 1.00 .52
V .81 .73 .52 1.00
Correlació
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 26/60
Correlación
• Diferentes
ejemplos decoeficiente decorrelación
Caso 1
= 1
X
Y
Caso 2
= 0,68
X
Y
Caso 3
= 0
X
Y
Caso 4
= 0
X
Y
Caso 5
= -0,87
X
Y
Caso 6
= -1
X
Y
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 27/60
‘Perfecta’
‘Muy Fuerte’
‘Fuerte’
‘Modesta’‘Débil’
‘Muy Débil’
‘Ninguna’
Correlaciónentre X e Y es…
1.00-1.00
0.90 – 0.99-0.99 - -0.90
0.70 – 0.89-0.89 - -0.70
0.40 – 0.69-0.69 - -0.40
0.20 - 0.39-0.39 - -0.20
0.01 - 0.19-0.19 - -0.01
0.000.00
Pendiente
Positiva
Pendiente
Negativa
Regla Práctica de Interpretación
r
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 28/60
ESTADISTICA
(Media, CV, Análisis, correlación)
VARIOGRAFIA (Conceptos, Análisis)
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 29/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 30/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 31/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 32/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 33/60
Variograma -Definición
Es una herramienta que permite
analizar el comportamiento espacialde una propiedad o variable sobre
una zona dada
Detectar direcciones de anisotropía
Ejemplo:
Zonas de influencia y su extensión (correla
espacial)
Variabilidad con la distancia
Parámetros del semivariograma
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 34/60
Los parámetros del semivariograma caracterizan tres elementos importantes envariabilidad de un atributo que son: la discontinuidad en el origen (existencia de efde pepita), el valor máximo de variabilidad (meseta), y el área de influencia dcorrelación (alcance), (figura 8). como se presentan en Krajewski y Gibbs (1993), JournHuijbregts (1978), David (1977), Echaabi (1995), Lamorey y Jacobsom (1995), Wallac
Hawkims (1994), Pannatier (1993), Arik (1990), Pitard (1994), y se describencontinuación.
El Efecto Pepita (Nugget): El semivariograma por definición es nulo en el origen, peropráctica las funciones obtenidas pueden presentar discontinuidad en el origen a est
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 35/60
práctica las funciones obtenidas pueden presentar discontinuidad en el origen, a estdiscontinuidad se le llama efecto de pepita, en ingles (Nugget effect). Puede ser obtetrazando una línea recta entre los primeros puntos del semivariograma empírico y exésta hasta que se intercepte con el eje Y. Si esta intersección ocurre por debajo de cevalor asumido por este efecto es cero, pues valores negativos de (0) no tienen signifno es común. El efecto pepita se representa como Co.
La Meseta (Sill): Es el valor de (h) para el cual con el aumento de h su valor permanconstante, se representa como (CT = C + Co) y se denomina meseta. Puede obtenersetrazando una línea paralela a la abscisa y que se ajuste a los puntos de mayor valor dsemivariograma y su valor se lee en la intersección de esta línea con la ordenada.
El Alcance (Range): La distancia h para la cual las variables Z(x) y Z(x+h) son independse denomina alcance y se representa por (a), es decir, las distancias para la cual los v
de la variable dejan de estar correlacionados, o lo que es lo mismo, la distancia parael semivariograma alcanza su meseta.El alcance siempre tiene valor positivo y puede ser obtenido a partir de la intersecciólas líneas descritas en los puntos anteriores, ese punto leído en la abscisa es una fracdel propio alcance, fracción que se detallara posteriormente en la explicación de losmodelos teóricos.
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 36/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 37/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 38/60
Estimador del variograma
• Variograma:
pero en el caso estacionario:
• El estimador del variograma es:
( ))()(var 2
1
),( 2121 xxxx Z Z ianza
( ) 0)()(( 2
hxx Z Z E
( ) 2)()(
2
1, hxxhx Z Z E
)(
1
2* )()()(2
1)(
h
hxxh
h
N
z z N
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 39/60
Propiedades del variograma
• Simétrico
• Se anula en el origen
• Positivo o nulo
• En el infinito, crece más lento que una parábola
• Toda suma de variogramas es un variograma• El producto de variogramas no es necesariamente un
variograma
( ) ( )hh
( ) 00
( ) 0h
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 40/60
Variograma Experimental
-
obtenció
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 41/60
( )
)(2* ))()((
2
1)(
h N
1i
ii h x z x z
h N h
( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( )( 5
2
54
2
43
2
32
2
21
*
5*2
1 x z x z x z x z x z x z x z x z x z h
( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) 264
2
53
2
42
2
31
*
4*2
12 x z x z x z x z x z x z x z x z h
( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) 263
2
52
2
41
*
3*2
13 x z x z x z x z x z x z h
1 x
2 x
3 x
4 x
5 x
6 x
h
Datos Igualmente espaciados:
Variograma Teórico
-
Definició
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 42/60
1
5
3
7
9
8
2
4
6
12
34
56
78
A B
MEDIA = 5
0
2
4
6
8
10
12
0 1 2 3 4
Distancia
V a r i o g r a m a
0
2
4
6
8
10
12
0 1 2 3
Distancia
V a r i o g r a m a
VARIANZA=50/9
HISTOGRAMAS IGUALES
Cont inuidad es
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 43/60
Mapa de Variogram
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 44/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 45/60
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 46/60
Propiedades del variograma
• Simétrico
• Se anula en el origen
• Positivo o nulo
• En el infinito, crece más lento que una parábola
•Toda suma de variogramas es un variograma
• El producto de variogramas no es necesariamente un variogram
( ) ( )hh
( ) 00
( ) 0h
I t t ió d i i t l
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 47/60
Interpretación de variogramas experimentales
• Meseta = la varianza (1.0 si los datos están estandarizados)
• Alcance = la distancia a la cual el variograma alcanza la meseta (95%)
• Efecto pepita = suma de variabilidad debida a microestructuras geológicas y error de m
• Cualquier error en la medición del valor o la posición asignada a la medida se tradun efecto pepita mas alto.
• Cuando los datos son escasos el efecto pepita aparece más alto de lo esperado
Variograma Vertical
Distancia
Meseta
Rango
Efecto pepita
Variograma teórico (7)
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 48/60
Variograma teórico (7)
• Comportamiento direccional
El estudio de los variogramas direccionales permite identifica
anisotropías de la variable regionalizada.
Modelos elementales (2)
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 49/60
Modelos elementales (2)
Modelo esférico:
contrariocasoenC
||si ||
21||
23C
)(
3
a
aa
h
hh
h
alcance a, meseta C
Modelos elementales (3)
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 50/60
Modelos elementales (3)
Modelo exponencial:
El parámetro a es el alcance práctico : corresponde a la distancia
la cual el variograma llega al 95% de su meseta C.
a
||3exp1C)(
hh
Modelos elementales (4)
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 51/60
Modelos elementales (4)
Modelo gaussiano:
2
2||3exp1C)(
a
hh
alcance práctico a, meseta C
Modelos elementales (Estructuras)
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 52/60
Geology – Mode
Modelos elementales (Estructuras)
P bl V i
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 53/60
Problem Variograms
Lag distance (h)
( h )
0 62.5 125.0 187.5 20
0.5
1.0
1.5
2 2 3 8
1 8 8 7
3 7 8 4
4 9 9 2
6 0 5 0
7 0 9 4
8 0 3 8 8
8 1 4
8 4 1 4
7 9 3 4
8 0 9 8
7 3 4 9
7 1 5 1
7 6 4 0
7 2 0 6
6 5 2 2
6 2 9 5
6 1 0 3
5 7 5 0
5 4 5 8
5 5 1 4
5 1 3 5 4
7 3 5
4 4 7 3
4 5 0 4
4 2 0 9
3 9 9 3
3 6 6 7
3 5 4 6
3 3 3 1
3 1 1 0
2 9 9 2
2 8 4 9
2 5 7 1
AZIMUTH = 0 DIP = 0
*
Sample variogram points with less than 350 pairs have not been plotted.
(h) = 0.400 + 0.329 Sph30.7(h) + 0.271 Sph270.1(h)
Cál l d i i t l
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 54/60
Cálculo de variogramas experimentales
• 2-D o 3-D, regular o irregularmente espaciado
• Especificación de Dirección (regular):
• Especificación de dirección (irregular):
Azimuth
tolerance
Bandwidth
Azimuth
Y axis (North)
X axis (East)
Cál l d i i t l
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 55/60
)(
)([)(
1)(2
h N
zu z h N
h
Ejemplo: Comienzo con una separación (#4)
Comenzar en un nodo y comp
valor con todos los nodos que
dentro del la tolerancia de sep
y tolerancia angular ....
Cálculo de variogramas experimentales
Cálculo de variogramas experimentales
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 56/60
)(
)([)(
1)(2
h N
zu z h N
h
...
Ir al siguiente nodo.
Cálculo de variogramas experimentales
Variograma Experimental
-
distancia & direcci
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 57/60
clase de distancia h
clase de distancia 2h
clase de distancia 3h
Variograma Experimental
-
obtenc
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 58/60
Variograma Experimental
-
tolerancia angu
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 59/60
Tolerancia angular
Conclusion Primera Parte
7/21/2019 clase 1,2
http://slidepdf.com/reader/full/clase-12-56da7d0c11f38 60/60
• Ley espacial
• Esperanza matemática (Probabilidades) o momento
de primer orden
• Momentos de segundo orden:
• Varianza
• Covarianza
• Variograma
• Correlograma
( )
h x x
ji
ji
x z x z h N
h 2*
))()((2
1)(
( ) )()( 00 xx m Z E
22 )()()( xxx m Z E
)()()()(
)()()()(),(
2121
221121
xxxx
xxxxxx
mm Z Z E
m Z m Z E C
)()(
),(),(
2
2
1
2
2121
xx
xx
xx
C