UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD DE INGENIERÍA
Escuela Académico Profesional de Ingeniería Geológica

• CURSO:
Geoestadística
• DOCENTE:
Ing. Wilder Chuquiruna Chávez

• TEMA:
ANÁLISIS DE DATOS YVARIOGRAFÍA
• INTEGRANTES:

• BARRERACHANAME ,Fátima del Milagro

• CARRANZA,Emerson
• GALLARDOPEÑA,Julinho
• MOSQUERAGUEVARA,Cristian
• NUÑEZ JARA,Jhon
• RUÍZ ZELADA,Martha Elizabeth
• TAPIACORREA,Diana Nataly

MAYO DEL2018
 OBJETIVOS
• Entender los diferentes conceptos básicos que tratan la estadística
descriptiva y probabilidad.
• Definir las reglas básicas a seguir para la construcción e interpretación
de los histogramas, resaltando las situaciones que pueden, o deben
ser utilizados.
• Comprender los diferentes métodos de distribuciones probabilísticas
y conocer su importancia.
 CAPÍTULO I:
ANÁLISIS DE DATOS Y VARIOGRAFÍA
1.1 Análisis de datos mediante histogramas.
Construcción de histogramas experimentales.
1.2Modelado de Histogramas: Distribución
Normal. Distribución Lognormal,Distibución
Exponencial,etc.
 Distribuciones paramétricas de probabilidad
Una distribución paramétrica de probabilidad es una función matemática(que
depende de uno o más parámetros) que permite asignar probabilidades a los
valores, o intervalos de valores, que puede tomaruna variable aleatoria.

Seusan muy ampliamente como alternativa a las distribuciones empíricas, que

se construyen a partir de una muestra de datos.

Las razones para usar distribuciones paramétricas son:

•mayor facilidad de manejo que con los datosoriginales

•posibilidad de suavizar e interpolar
•posibilidad de extrapolar
Una distribución particular puede representar mejor o
peor a un conjunto de datos (que son los valores que
toma la variable aleatoria).

Existen dos tipos de distribuciones de probabilidad,

discretas y continuas, según lo sea la variable aleatoria
asociada.
Las distribuciones discretas son aquellas en las que la variable
puede pude tomar un número determinado de valores:

Ejemplo: si se lanza una moneda al aire puede salir cara o cruz;

si se tira un dado puede salir un número de 1 al 6; en una ruleta
el número puede tomar un valor del 1 al32.

Hay varios tipos de distribuciones discretas de probabilidad,

tales como: binomial, geométrica, binomial negativa, Poisson,…
y otras.
 DISTRIBUCIÓNBINOMIAL
Fue desarrollada por Jakob Bernoulli (Suiza, 1654-1705); es la principal
distribución de probabilidad discreta.
Proviene de experimentos que solo tienen dos posibles resultados, a los quese
les puede llamar “éxito” o“fracaso”.
Los experimentos suelen llamarse “ensayos o pruebas de Bernoulli”.
Los datos son resultado de un conteo, por lo que es una distribución discreta.
La distribución binomial consiste en la realización reiterada de varias pruebasy
se hacen 2 suposiciones:
1) en cada una la probabilidad de éxito es la misma(p).
2) las pruebas son independientes entre sí.
Para construir una distribución binomial es necesario
conocer 2 parámetros: el número n de pruebas que se
repiten y la probabilidad p de que suceda un éxito en
cada una de ellas.
Su función de densidad de probabilidad está dadapor:
Ejemplo: La distribución binomial se puede usar para calcular la probabilidad de
tener exactamente 10 días despejados (sin nubes) en un conjunto aleatorio de30
días. (P (X = 10)).
Eslo mismo que calcular la probabilidad de tener 20 días nublados o algo
nubosos.
Definimos la variable "X: Número de días despejados obtenidos en 30días".
En este caso se tiene que x = 10 y n = 30 y suponiendo además que p = 0.5, (o sea
que suponemos en forma arbitraria que es igualmente probable tener un día
despejado que nublado o algo nuboso), resulta:
 DISTRIBUCIÓN GEOMÉTRICA
•Como en la binomial, hay ensayos repetidos independientes entre sí, con2
resultados posibles. La probabilidad de éxito es la misma (p) en todos los
ensayos.
•Pero ahora la variable aleatoria Xes el número de ensayos que hay querealizar
hasta que ocurra un éxito.

k = 1,2,….

El parámetro de esta distribución es p.

Un ejemplo es la probabilidad de esperar x años hasta que una variable
meteorológica supere un cierto valor umbral. Dependiendo del caso, la
distribución geométrica podrá o no ajustarla adecuadamente.
 DISTRIBUCIÓN BINOMIALNEGATIVA
Essimilar a la geométrica, y con las mismas hipótesis, pero ahora Xes el número de
fracasos que deben ocurrir antes que se observe el r-ésimo éxito. Tiene 2
parámetros, p y r.
Setiene que:

X+r es el “tiempo que hay que esperar” para que ocurran “r” éxitos.
 DISTRIBUCIÓN DEPOISSON
Describe el número de eventos discretos independientes que
ocurren en una serie o secuencia (en general en el tiempo,pero
puede ser en el espacio).
Sesupone que hay independencia en la ocurrencia de eventos en
intervalos disjuntos. Los eventos ocurren aleatoriamente, pero con
un valor medio constante deocurrencia.
Tiene un solo parámetro, λ , que representa la ocurrencia mediade
eventos.
EXAMPLE 4.4 Poisson Distribution and Annual Tornado Counts in New York State
Consider the Poisson distribution in relation to the annual tornado counts in New York state for 1959–1988,
in Table 4.3. During the 30 years covered by these data, 138 tornados were reported in New York state. The
average, or mean, rate of tornado occurrence is simply 138/30 = 4.6 tornados/year, so this average is the
method-of-moments estimate of the Poisson intensity for these data. Having fit the distribution by
estimating a value for its parameter, the Poisson distribution can be used to compute probabilities that
particular numbers of tornados will be reported in New York annually. (Wilks, 2006)
 DISTRIBUCIONESCONTINUAS
Las distribuciones de probabilidad continuas son aquellas en las que
la variable aleatoria es continua, o sea que puede asumir un número
virtualmente infinito y no numerable de valores, que suelen ser
resultado de una medición. Por ejemplo, el valor de la temperatura
media del aire en intervalos dados de tiempo. Los valores de las
variables aleatorias continuas dependen de la exactitud del
instrumento de medición.
Algunas distribuciones continuas: Normal o gausiana, Log-normal,
Gamma, t de Student, χ-cuadrado, yotras.
FUNCIÓN DE DENSIDAD DEPROBABILIDAD.
La función f(x) es una función de densidad de
probabilidad para la variable aleatoria continua X,
definida sobre el conjunto de los números reales, R,
si:
Ejemplo 4.4. La duración de sardinas empaquetadas en un almacén (en
horas) es una variable aleatoria continua, cuya función de densidad viene
expresada por:

1) Verifique el aparte 2 de la definición de función de densidad

2) Determine la probabilidad de que uno de estos paquetes

durará en el almacén:
a) cuando menos 150 horas.
b) a lo más 90 horas.
c) entre 70 y 110 horas
En algunos casos interesa conocer la probabilidad de que el valor de
una variable aleatoria continua sea menor que o igual a algún
número real x. Para este tipo de problema se podría utilizar la
función de distribución acumulada.

FUNCIÓN DE DISTRIBUCIÓNACUMULADA
Sea Xuna variable aleatoria continua, la función que
viene dada por

Donde f(t) representa el valor de la función de densidadde

probabilidad de X en t, se
denomina función acumulada deX.
Sea F(x) la distribución acumulada de la variable
aleatoria continua X, con función de densidad f(x),
entonces:

P 𝑎 ≤𝑋 ≤ 𝑏 = 𝐹 𝑏 −𝐹 𝑎

a y b son dos constantes reales cualquiera con a ≤ b .

Ejemplo 4.5. El tiempo de espera (en horas) entre dos conductores de
vehículo, de manera sucesiva, que rebasan la velocidad máxima, es una
variable aleatoria continua, cuya distribución acumuladaes:

Encuentre la probabilidad de esperar menos de 10 minutos

entre dos infractores
sucesivos, utilizando la distribución acumulada de X.
DISTRIBUCIÓN GAUSSIANA ONORMAL
La distribución normal fue reconocida por primera vez por el francés Abrahamde Moivre
(1667-1754) y posteriormente, Carl Friedrich Gauss (1777-1855) formuló la ecuación de
la curva; de ahí que también se la conozca, más comúnmente, como la "campana de
Gauss".

La distribución de una variable normal está completamente determinada por dos

parámetros, su media y su desviación estándar. La función de densidad de la curva
normal está definida por la siguienteecuación:
 Características de la distribución de probabilidadnormal
1.La curva normal tiene forma de campana. La media, la moda y la mediana
de la distribución son iguales y se localizan en el centro de ladistribución.

2.La distribución de probabilidad normal es simétrica alrededor de su

media. Por lotanto, la mitad del área bajo la curva está antes del punto
central y la otra mitad después. El área total bajo la curva es iguala 1.

3.La curva normal tiende a 0 conforme se aleja de la media en ambas

direcciones.
El cálculo de áreas bajo la curva, utilizando la definición, resulta muy
tedioso, por lo que es conveniente aplicar una tabla estandarizada,
convirtiendo los valores de la variable aleatoria X en valores Z, a través dela
fórmula:
EJEMPLO:Dados los datos de temperaturas medias (º C)
para el mes de Enero de la estación de Artigas para 1971-
2000, se pide estimar la probabilidad de que la
temperatura media del mes de Enero sea inferior a 26 ° C,
suponiendo que la distribución de las temperaturas se
puede aproximar razonablemente por unaN(μ,σ2);

SOLUCIÓN
Comenzamos estimando ambos parámetros (μ yσ)
Media muestral = 25,4 °C
Desviación típica muestral = 0.8 °C
Para la temperatura de 26 ºC, el valor de la
variable estandarizadada será :
([26-25,4]/0.80) =0,75.

En la tabla de la N(0,1) para un valor de z = 0,75, tenemos

que la probabilidad de
obtener un valor inferior a z será 0,77.
O bien: normcdf(26, 25.4, 0.8) =0.7734
Luego, en estas hipótesis, se espera que el 77 %de los años
la temperatura en
enero en Artigas será inferior a 26 ºC
 DISTRIBUCIÓNLOGNORMAL
Este tipo de distribución se utiliza cuando el logaritmo de la variable aleatoria
posee una Distribución Normal.
(No necesariamente es siempre la mejor transformación, pero se usa muy
habitualmente (ver Wilks, p. 43-47)).

La densidad para la variable original x es: Media, Varianza y Desviación Estándar de una Distribución
LogNormal.
La media, varianza y la desviación estándar de una distribución
Log-Normal, vienen
dadas por
1.3 Simulaciones de distribuciones:Teorema del
límite Central. Método de la Transformada
inversa.Método de Montecarlo.
 TEOREMA DEL LÍMITE CENTRAL

Este teorema nos dice que si una muestra es lo bastante grande, generalmente
cuando el tamaño muestral (n) supera los 30, y la distribución de la media muestral (x),
tomada de una muestra aleatoria grande de una distribución con varianza finita,
seguirá una distribución normal. Es decir, dada cualquier variable aleatoria, si
extraemos muestras de tamaño n (n>30) y calculamos los promedios muestrales,
dichos promedios seguirán una distribución normal. (Canal Diaz, s.f.)

Fuente: http://www.revistaseden.org/files/8-CAP%208.pdf
La media muestral (xb), está distribuida normalmente con una media
(µx); y, una varianza (δ2x/n).

El teorema no solo nos proporciona un método para calcular la

distribución de una suma de variables aleatorias, sino que además nos
ayuda a explicar la forma formal de las poblaciones existentes en la.

(Gonzales, 2014)

Fuente: https://es.scribd.com/document/211737265/TEOREMA-DEL-LIMITE-CENTRAL-pdf
 Propiedades:
 El teorema del límite central garantiza una distribución normal cuando n es
suficientemente grande.
 Otra de las propiedades de este teorema es que establece que es suficiente que
las variables que se suman sean independientes, idénticamente distribuidas, con
valor esperado y varianza finitas.
 Este teorema, perteneciente a la teoría de la probabilidad, encuentra aplicación
en muchos campos relacionados, tales como la inferencia estadística o la teoría
de renovación.
 Aplicación:
1. Para realizar el cálculo de la probabilidad se aplica la siguiente formula:
a.Cuando Xb es un solo valor.

Z= (xb - µ)/(δ/ 𝑛)

b.Cuando la probabilidad de hallar la media muestral se

encuentra entre dos valores.
 Ejemplo (a)
Un banco llevó una estadística de los reclamos de los clientes en todas sus sucursales
y vio que está distribuida normalmente, con una media de 305 reclamos por año y una
desviación estándar de 27 reclamos. Obtenga la probabilidad de que en una muestra
aleatoria de 33 sucursales se tengan 290 reclamos por año.
Z = (X - µ)/ (δ/ 𝑛)

Z = (290 - 305)/ (27/ 33)

Z = -3.1914
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.001 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.001 0.001
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.002 0.0019
Fuente: (MathFis, 2016)
 Ejemplo (b)
Una maquina llena bolsas de pasabocas con un contenido medio de 150 gr y
una varianza de 120 gr2. Si se toma una muestra de 40 bolsas, ¿Cuál es la
probabilidad de que la media muestral este entre 15 y 153 gr?

Datos

µ = 150 gr X --- N( 150, 120/40) P(145 <- X <- 153) = ?

δ2 = 120 gr = P((145-150)/ 3 <- (X -150)/ 3 <- (153 – 150)/ 3)

n = 40 = P(-2.89 <- Z <- 1.73)

= P(Z<- 1.73) – P(Z<- -2.89)

= 0.9582 – 0.0019

= 0.9563

Fuente: (util,2013)
Método de la Transformada
Inversa
• El método de la transformada (o transformación)
inversa, también conocido como método de la
inversa de la transformada, es un método para la
generación de números aleatorios de cualquier
distribución de probabilidad continua cuando se
conoce la inversa de su función de distribución.

• El método se utiliza para simular valores de las

distribuciones exponenciales, Cauchy, triangular, de
Pareto y Weibull.
Fuente: Método de la transformada inversa. (30-10-2017).n/a.Recuperado
de:https://es.wikipedia.org/wiki/M%C3%A9todo_de_la_transformada_inversa
 Generación de Variables Aleatorias
•Las variables aleatorias se representan por medio de distribuciones deprobabilidad.
Generadores
Generador congruencial lineal
Técnicamente, un número aleatorio, ri, se define como una muestra aleatoria
independiente extraída de una distribución uniforme continua, cuya función de densidad
de probabilidad (fdp) está dadapor:

Así cada número aleatorio estará distribuido de manera uniforme en el intervalo entre 0 y
1.
Fuente:: Prof. M.Sc. Kryscia Daviana Ramírez Benavides.(s.f).Generación de variables aleatorias.Recuperado de:
https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-variables-aleatorias
https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-variables-aleatorias
Fuente: Prof. M.Sc. Kryscia Daviana Ramírez Benavides.(s.f).Generación de variables aleatorias.Recuperado d
https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-variables-aleatorias
 Obtención del método

• Este método requiere una función de distribución acumulada (fda) F(x) se puede
obtener en forma cerrada (tiene fórmula y es posible calcularF-1(x)).
• Como ejemplos se tienen las distribuciones exponencial, uniforme, triangular y la
de Weibull.
Fuente: Método de la transformada inversa. (30-10-2017).n/a.Recuperado de
:https://es.wikipedia.org/wiki/M%C3%A9todo_de_la_transformada_inversa
 Este método consiste en los siguientes
pasos:
• Dada la función de densidad de probabilidad f(x), se elabora la función de
distribución acumulada como:

 Segenera un número aleatorio r ∈[0,1].

 Seestablece F(x) = r y se determina el valor

de x. La variable x es entonces una variable
aleatoria continua de la distribución cuyafdp
está dada por f(x).

Fuente: Prof. M.Sc. Kryscia Daviana Ramírez Benavides.(s.f).Generación de variables aleatorias.Recuperado de :

https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-variables-aleatorias
 Distribución Exponencial

• Setiene la siguientefdp:

 Secalculafda:

 Segenera un número aleatorio r, por ejemplo, r =0.

 Seestablece F(x) = r y se determina el valor dex:
Fuente: Prof. M.Sc. Kryscia Daviana Ramírez Benavides.(s.f).Generación de
variables aleatorias.Recuperado de :
https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-variables-
aleatorias
Método Monte Carlo
 •El método Monte Carlo fue inventado por
stanislaw Ulam, en el año de 1940,
mientras trabajaba en el proyecto Manjatan
en los Alomos, en estados unidos, el
proyecto de la bomba atómica

El método Monte carlo para que funcione

bien, tiene que ser un buen generador de
números aleatorios similar a la ruleta de los
casinos
1.4Variografía
 VARIOGRAMA
Concepto:
PROPIEDADES
El Variograma es una herramienta
• Gama(0)=0
geoestadística básica que nos ayuda a analizar
Gama(-h)=Gama(h)
cómo están distribuidas las •variables y determinar su comportamiento espacial, es decir
• Gama(h)>=0
permite la cuantificación de los parámetros geológicos y expresa la correlación espacial
Fuente:”scribd,» - 3 2017. [En línea]. Available:
entre los valores muestreados.
https://es.scribd.com/presentation/347253828/Analisis-de-Datos-y-
Variografia. [Último acceso: 14 052018

Es decir el variograma resulta de 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
 Componentes de un variograma:
1. EFECTOPEPITA(Co)

2. SILL(C)

3.Rango(a)

Fuente:”scribd,» - 3 2017. [En línea]. Available: https://es.scribd.com/presentation/347253828/Analisis-de-Datos-y-

Variografia. [Último acceso: 14 05 2018
Por ejemplo para el caso de cálculo del variograma en una dirección se tiene en el siguiente ejemplo. Fig. 11, leyes
distanciadas cada 2 metros. En la fig.12 se describe el cálculo de cada punto del variograma para distancias h=2m,
h=4m, h=6m, etc

Fuente:Geoestadistica,com, «Teoría Geoestadística:Variografía-Interpretación-Modelamiento,» - - -. [Enlínea].

Available: http://geoestadistica.com/variografia_modelamiento.htm. [Último acceso: 8 052018].
En todos los casos es necesario determinar gama (h) en todas
las direcciones posibles para identificar la orientación del
comportamiento de la mineralización.
Si bien la expresión matemática indica que el variograma es
función de h, en donde h es la distancia entre pares de
muestras, esto significa que la función se creará en base al
valor promedio de la diferencia de pares de muestras que se
encuentren distanciados a h metros.
 Aplicaciones de un variograma en la geología

Tomando el caso de un depósito D, el cual consiste de una

infinidad de puntos Xi , cada uno de ellos con un valor
determinado de la variable Z(xi) que nos interesa estudiar, esta
variable puede ser: ley de Au, contenido de As, intensidad de una
alteración, peso específico, dureza, porosidad etc. Estas
entidades son denominadas variables regionalizadas porque sus
valores corresponden a ubicaciones precisas en el tiempo o
espacio.
Es de esperar que dos valores contiguos Z(xi) y Z(xi+h),
separados una distancia h, estén relacionados entre sí, es
decir que sus valores sean dependientes el uno del otro; esto
debido a que casi siempre toda variable tiene un patrón de
distribución o estructura, como se le llama en geoestadística,
ya que nada es al azar en la naturaleza. También sabemos que
debido a la complejidad de los procesos geológicos no habrán
patrones de distribución idénticos.
Modelos elementales de Variograma
 Efecto pepita
• El variograma pepítico de meseta Cse define como:

• Es un caso poco frecuente en las aplicaciones, a menos que

los errores de medición sean muy grandes o que las distancias
entre datos sean mayores que el alcance real, en cuyo caso la
continuidad espacial es imperceptible.
Variograma pepítico (derecha) y ejemplo de
variable regionalizada asociada (izquierda)

Fuente 1: fcfm Universidad de Chile-2013-Pag 48.

  Modelo esférico
• El variograma esférico de alcance a y meseta Cse define como:

El efecto pepita podría verse como un modelo esférico de alcance

infinitamente corto.
Loa diferencia entre los dos es que el primero representa una variable
regionalizada discontinua a la escala de observación, para la cual los
valores cambian repentinamente de un punto a otro, mientras que el
segundo describe una variable regionalizada continua.
Variograma esférico (derecha) y ejemplo de
variable regionalizada asociada (izquierda)

Fuente 2: fcfm Universidad de Chile-2013-Pag 48.

  Modelo exponencial
• El variograma exponencial de parámetro a y meseta Cse define como:

• Contrariamente al modelo esférico que llega a la meseta exacta para

| h | = a, el modelo exponencial sóloalcanza su meseta
asintóticamente.

• En todo caso, se puede considerar un alcance práctico igual a 3a

para el cual el variograma llega al 95% del valor de sumeseta
Variograma exponencial (derecha) y ejemplo de
variable regionalizada asociada (izquierda).

Fuente 3: fcfm Universidad de Chile-2013- Pag 49.

  Modelo Gaussiano
• El variograma Gaussiano de parámetro a y meseta Cse define como:

La meseta se alcanza asintóticamente y el alcance práctico puede

considerarse igual a a 3 .
Variograma Gaussiano (derecha) y ejemplo de
variable regionalizada asociada (izquierda).

Fuente 4: fcfm Universidad de Chile-2013-Pag 50.

  Modelo seno cardinal
• El variograma seno cardinal de parámetro a y meseta Cse define
como:

• Este modelo presenta oscilaciones, las cuales tienen generalmente

una interpretación física (fenómeno periódico amortiguado, por
ejemplo).
Variograma seno cardinal (derecha) y ejemplo
de variable regionalizada asociada (izquierda).

Fuente 5: fcfm Universidad de Chile-2013- Pag 50.

  Modelo potencia
• El variograma potencia de pendiente w y exponente q se define
como:

• Este variograma no posee ni meseta ni alcance, sino que crece en

forma indefinida.
• El exponente q puede variar entre 0 (variograma pepítico) y 2
(variograma parabólico).
• El modelo se llama lineal cuando el exponente vale 1.
Variograma potencia (derecha) y ejemplo de
variable regionalizada asociada a un variograma
lineal (izquierda)

Fuente 6: fcfm Universidad de Chile-2013- Pag 51.

Modelamiento de un variograma experimental

• Elementos Gráficos del Variograma:

• Efecto Pepita (Co), es el grado de erraticidad de la variable y está
determinado en la intersección con el eje Y.
• Meseta(C), es la ordenada donde la Función deja de ser creciente. La
función variograma no siempre tendrá meseta.
• Radio de Influencia o Alcance del Variograma(a), es la proyecciónen
el eje de las abscisas del punto en donde deja de ser creciente la
función.
 Representación del comportamiento típico de un semivariograma acotado conuna
representación de los parámetros básicos encontrado en el proyecto minero
Toromocho, para el Molibdeno.

Teniéndose la relación: C1=C - Co

Fuente 7: “METODOLOGÍA DEMODELAMIENTO

DEVARIOGRAMAS COMO TEMA DEAPLICACIÓN
DELAGEOESTADISTICAA LAINGENIERIA
GEOLÓGICA”-ELIZABETH JACINTAPÉREZ
PAREDES-LIMA – PERUOCTUBRE,2010
 Modelos anidados
• El variograma experimental mide la desemejanza promedio
entre dos datos en función de su separación
• Sepone así en evidencia distintas escalas de variación en la
variable regionalizada.
• El variograma puede modelarse como la suma de varios
modelos elementales denominados modelos anidados o
estructuras anidadas.
Variograma anidado obtenido por la sumade
un efecto pepita y dos modelos esféricos
Fuente 8: fcfm Universidad de Chile-2013- Pag 52.
 Bibliografía

 Canal Diaz, N. (s.f.). pdf. Obtenido de http://www.revistaseden.org/files/8-

CAP%208.pdf
 Gonzales, L. (10 de marzo de 2014). SCRIBD. Obtenido de
https://es.scribd.com/document/211737265/TEOREMA-DEL-LIMITE-CENTRAL-pdf
 MathFis. (9 de Junio de 2016). Youtube. Obtenido de
https://www.youtube.com/watch?v=LY4v1AsTQGw
 util, E. (5 de octubre de 2013). Youtube. Obtenido de
https://www.youtube.com/watch?v=o2afi9BKRIM
GRACIAS