Presentacin 2:

Anlisis variogrfico
de datos regionalizados
Introduccin
Los modelos probabilsticos (1)
Por qu recurrir a modelos probabilsticos?
Gran complejidad de las variables regionalizadas, en especial
en las ciencias de la tierra
una descripcin determinstica es inconcebible
Los modelos probabilsticos (2)
Lmites de la estadstica clsica
Se considera las observaciones como resultados (realizaciones)
independientes de una misma variable aleatoria.
Los modelos probabilsticos (3)
La independencia entre valores impide una previsin precisa de
un valor no muestreado.
la interpretacin clsica carece de realismo
El modelo geoestadstico (1)
Se considera interacciones entre las observaciones, de modo de
tomar en cuenta sus dependencias espaciales.
Se podr estimar el valor en un sitio no muestreado gracias a su
interaccin con los valores en sitios circundantes.
La interpretacin geoestadstica es satisfactoria, puesto que las
variables regionalizadas presentan dos aspectos complementarios
La interaccin entre dos valores (= resorte) se cuantifica por las
herramientas variogrficas: principalmente el variograma, pero
tambin el correlograma o la covarianza
un aspecto aleatorio causante de las irregularidades locales
un aspecto estructurado que refleja las caractersticas
globales del fenmeno (continuidad espacial, anisotropa, etc.)
El modelo geoestadstico (2)
Objetivo del anlisis variogrfico
Describir las principales propiedades de la distribucin espacial de
la variable regionalizada en estudio, ms all de un simple reporte
de los valores (perfiles, mapas).
Qu tan continua es la variable en el espacio?
Nocin de correlacin espacial (1)
Volvemos al ejemplo de las 2376 muestras de exploracin en un
yacimiento de tipo prfido cuprfero:
Observemos las nubes de correlacin diferida para seis distancias
de separacin: 0, 2, 10, 20, 50 y 100 metros
Nocin de correlacin espacial (2)
Nocin de correlacin espacial (3)
La dispersin de la nube aumenta con la distancia de separacin.
El examen de las nubes de correlacin diferida indica cun semejantes
son dos datos en funcin de la distancia que los separa. Es decir,
permite apreciar la correlacin espacial de los valores de la variable
regionalizada.
Herramientas variogrficas
Correlograma experimental (1)
Una primera manera de medir la correlacin espacial consiste en
calcular el coeficiente de correlacin de las nubes de correlacin
diferida.
Al reportar el valor de este coeficiente de correlacin en funcin
de la distancia de separacin, se obtiene lo que se denomina el
correlograma experimental de los datos. Generalmente, se trata
de una funcin decreciente de la distancia; tiende a cero cuando
sta se vuelve muy grande.
Correlograma experimental (2)
Ilustracin
Covarianza experimental
En lugar de visualizar el coeficiente de correlacin, se visualiza la
covarianza en funcin de la distancia de separacin.
Variograma experimental (1)
El variograma experimental se obtiene al visualizar el momento
de inercia de las nubes de correlacin diferida (distancia cuadrtica
promedio a la diagonal principal) en funcin de la distancia de
separacin.
Generalmente, se trata de una funcin creciente de la distancia; se
anula cuando sta vale cero.
Existe una relacin entre todas las herramientas variogrficas. En
general, se prefiere utilizar el variograma en lugar de la covarianza
o del correlograma.
Variograma experimental (2)
Ilustracin
Variograma experimental (3)
El variograma muestra caractersticas importantes de la variable
regionalizada:
1) el crecimiento indica la velocidad con la cual la variable pierde
correlacin espacial
2) la distancia para la cual se estabiliza el variograma representa
la zona de influencia de un dato; se llama alcance
3) el comportamiento cerca del origen indica qu tan semejantes
son dos datos muy cercanos, o sea, refleja la continuidad o
regularidad de la variable en el espacio
4) el clculo del variograma puede hacerse a lo largo de distintas
direcciones del espacio y evidenciar una anisotropa
| o
=
) ( N
2
)] ( z ) ( z [
| ) N( | 2
1
) (

h
x x
h
h
donde N(h) = {(o,|) tales que x
o
x
|
= h}
|N(h)| es el cardinal de N(h)
Denotemos como {x
o
, o = 1... n} los sitios de muestreo y como
z(x) la variable regionalizada.
El variograma experimental mide la desviacin cuadrtica
promedio entre dos datos en funcin de su separacin:
Variograma experimental (4)
Ejemplo
Consideremos las siguientes observaciones espaciadas cada 100 m
5 3 6 4 2 1 1 2 4 3 2
45 . 1 ) 1 1 2 1 0 1 2 2 3 2 (
10 2
1
) m 100 (

2 2 2 2 2 2 2 2 2 2
= + + + + + + + + +

=
39 . 2 ) 2 1 3 1 1 3 4 1 1 (
9 2
1
) m 200 (

2 2 2 2 2 2 2 2 2
= + + + + + + + +

=
06 . 3 ) 0 2 3 0 3 5 1 1 (
8 2
1
) m 300 (

2 2 2 2 2 2 2 2
= + + + + + + +

=
Variograma experimental (5)
Cuando la malla de muestreo es irregular, se suele definir
parmetros de tolerancia, tanto en la longitud del vector h como en
su orientacin
Variograma experimental (6)
Parmetros que definir para calcular un variograma direccional
acimut
tolerancia en el acimut
ancho de banda horizontal
inclinacin
tolerancia en la inclinacin
ancho de banda vertical
distancias (mltiplos de una distancia elemental = paso)
nmero de pasos
Variograma experimental (7)
El variograma experimental es poco estable cuando
la distancia h considerada es grande
el muestreo es muy irregular o preferencial
la distribucin de los datos es muy asimtrica o contiene
valores extremos
Variograma experimental (8)
Alternativas
desagrupar el variograma: poco usado
usar otra herramienta estructural
usar otra frmula para calcular el variograma experimental: se
debe introducir hiptesis adicionales
transformar los datos (por ejemplo, pasar a logaritmo): volver
a la variable inicial requiere hiptesis restrictivas
utilizables: covarianza, covarianza no centrada, correlograma
inservibles: variograma relativo, madograma, rodograma
Variograma experimental (9)
Influencia de los parmetros de clculo (1)
Estudio de caso: 256 datos en el espacio de dos dimensiones
Cmo influyen los parmetros de clculo en el variograma
experimental?
Influencia de los parmetros de clculo (2)
Influencia del paso
Influencia de los parmetros de clculo (3)
Influencia de la tolerancia en el paso
Influencia de los parmetros de clculo (4)
Influencia del nmero de pasos
Influencia de los parmetros de clculo (5)
Influencia de la herramienta estructural
Influencia de los parmetros de clculo (6)
Influencia de la tolerancia angular
Variograma terico
Variograma terico (1)
El variograma experimental requiere ser modelado:
es imperfecto (los puntos obtenidos son experimentales,
luego estn sujetos a imprecisiones)
es incompleto (se calcul de manera discreta a lo largo
de algunas direcciones del espacio)
Se ajusta un modelo de variograma, definido en todas las
direcciones del espacio y para todas las distancias, en torno al
variograma experimental obtenido. Se usar este modelo como
si fuera el verdadero variograma del proceso aleatorio que
genera la variable en estudio.
Variograma terico (2)
(h) = E{ [Z(x + h) Z(x)]
2
} / 2
El variograma terico se define al considerar los valores como
aleatorios (denotados con mayscula) y al utilizar una esperanza
matemtica en lugar de un promedio:
| o
=
) ( N
2
)] ( z ) ( z [
| ) N( | 2
1
) (

h
x x
h
h
El variograma experimental fue definido como:
Variograma terico (3)
Propiedades del variograma terico
funcin positiva: (h) > 0
funcin par: (h) = (h)
nulidad en el origen: (0) = 0
funcin de tipo negativo condicional
0 ) ( , ,... , 0 ,...
k
1 i
k
1 j
j i j i k 1
k
1 i
i k 1
s = e

= = =
x x x x R/
para distancias muy grandes, crece menos rpidamente que
una parbola
Variograma terico (4)
Caractersticas esenciales del variograma
Comportamiento para distancias muy pequeas
Mientras ms regular el variograma en el origen, ms regular
la variable regionalizada en el espacio. Se distingue tres tipos
de comportamiento para el variograma:
derivable: variable regionalizada muy suave
lineal: variable regionalizada continua
discontinuo (efecto pepita): variable regionalizada errtica
Variograma terico (5)
Variograma terico (6)
Comportamiento para distancias muy grandes
Frecuentemente, el variograma se estabiliza en torno a una
meseta cuando la distancia crece infinitamente.
meseta
= varianza
alcance
Variograma terico (7)
A veces, el variograma sigue creciendo infinitamente.
Variograma terico (8)
Comportamiento direccional
El estudio de los variogramas direccionales permite identificar
las anisotropas de la variable regionalizada.
Variograma terico (9)
Otras caractersticas
Periodicidades: frecuente con fenmenos temporales, menos
con fenmenos espaciales
Efecto de hoyo: el variograma no es montono
Variograma terico (10)
El variograma slo proporciona una caracterizacin parcial de la
variable regionalizada. Varios rasgos de la distribucin espacial
de los valores no estn descritos por esta herramienta, como por
ejemplo la conectividad o agrupacin espacial de las leyes.
Variograma terico (11)
El variograma (h), el correlograma (h) y la covarianza C(h)
estn relacionados entre s:
(h) = C(h) / C(0)
C(h) = () (h)
(h) = C(0) C(h)
Cuando la distancia de separacin h se vuelve infinita, la covarianza
y el correlograma tienden a 0, y el variograma es igual a la varianza:
Relaciones con otras herramientas variogrficas
() = o
2
= C(0)
Modelos elementales (1)
Efecto pepita:
contrario caso en C
si 0
) (
0 h
h
=
=
Este modelo se traduce en una ausencia total de correlacin en el
espacio: dos datos distintos tienen valores independientes.
Modelos elementales (2)
Modelo esfrico:
contrario caso en C
| | si
| |
2
1
| |
2
3
C
) (
3
a
a a
s

|
.
|

\
|

=
h
h h
h
alcance = a, meseta = C
Modelos elementales (3)
Modelo exponencial:
El parmetro a es el alcance prctico: corresponde a la distancia
para la cual el variograma llega al 95% de su meseta C.
)
`

|
.
|

\
|
=
a
| | 3
exp 1 C ) (
h
h
Modelos elementales (4)
Modelo Gaussiano:
)
`

|
|
.
|

\
|
=
2
2
| | 3
exp 1 C ) (
a
h
h
alcance prctico = a, meseta = C
Modelos elementales (5)
Modelo potencia:
El exponente u puede variar entre 0 (variograma peptico) y 2
(variograma parablico).
u
e = | | ) ( h h
Este variograma no posee alcance ni meseta
Modelos elementales (6)
Modelo seno cardinal:
)
`

|
.
|

\
|
=
a
a | |
sen
| |
1 C ) (
h
h
h
alcance prctico = 20.4 a, semi-perodo = 4.5 a, meseta = C
Modelamiento
Modelos anidados (1)
Para obtener modelos ms complejos, se puede sumar varios
variogramas elementales. En este caso, se habla de variogramas
anidados:
El uso de variogramas anidados permite modelar cambios de
pendientes en los variogramas direccionales.
) ( ... ) ( ) ( ) (
S 2 1
h h h h + + + =
Modelos anidados (2)
El concepto de variogramas anidados permite explicar una de
las causas del efecto pepita: se trata de un modelo anidado de
alcance muy corto con respecto a la escala de observacin
(micro-estructura).
Modelos anidados (3)
Otras causas que generan un efecto pepita en el variograma
experimental:
errores de medicin
errores en la ubicacin de los datos
muestreo preferencial en zonas de mayor variabilidad
soporte de la medicin demasiado pequeo:
la amplitud del efecto pepita es inversamente proporcional
al volumen de la muestra
Anisotropas (1)
Definicin
Un variograma es istropo si es idntico en todas las direcciones
del espacio. En caso contrario, existe anisotropa, la cual indica
que la variable regionalizada posee direcciones preferenciales en
cuanto a su continuidad.
Anisotropas (2)
Identificacin
Una herramienta para detectar las anisotropas consiste en graficar
el mapa variogrfico, o sea el mapa de isovalores del variograma
experimental en funcin de la separacin (distancia y orientacin).
El mapa variogrfico dibuja elipses (2D) o elipsoides (3D). Slo
se requiere especificar las direcciones principales (ortogonales)
y los alcances correspondientes.
Anisotropas (3)
Modelamiento: anisotropa geomtrica
Anisotropas (4)
Modelamiento: anisotropa zonal
El mapa variogrfico dibuja bandas; se trata de un caso lmite
de anisotropa geomtrica, donde el alcance en una direccin
se vuelve muy grande. A la escala de trabajo, la meseta cambia
segn la direccin.
Anisotropas (5)
Modelamiento: anisotropas complejas
Se obtiene formas ms complejas de anisotropa al superponer
anisotropas geomtricas y/o zonales de orientacin y razn
diferentes.
Reglas de ajuste (1)
Ejercicio
Proponer un modelo para
el siguiente variograma,
suponiendo que las
direcciones principales
corresponden a los ejes de
coordenada
Reglas de ajuste (2)
Regla:
1) Determinar el efecto pepita
2) Determinar los alcances y
mesetas en cada direccin
3) Determinar la cantidad y los
tipos de modelos que se
anidarn para el ajuste
Reglas de ajuste (3)
Empezamos con un efecto pepita
de amplitud (meseta) 0.1
Luego se agrega una estructura
(exponencial) que llega a la
primera meseta, con alcances
propios a cada direccin
Luego se agrega una segunda
estructura para llegar a la
segunda meseta, dejando infinito
el alcance en la direccin 1
Finalmente se agrega una tercera
estructura para llegar a la meseta
total, dejando infinitos los
alcances en las direcciones 1 y 2
(h) = 0.1 pepa
+ 0.9 exp(200m,120m,50m)
+ 0.3 exp(,120m,50m)
+ 0.2 exp(,,50m)
Reglas de ajuste (4)
Verificacin
(h) = 0.1 pepa + 0.9 exp(200m,120m,50m) + 0.3 exp(,120m,50m)

+ 0.2 exp(,,50m)
La suma de las mesetas de los modelos
anidados vale:

0.1 + 0.9 + 0.3 + 0.2 = 1.5
= meseta total

Consideraciones prcticas (1)
Generalmente, se busca modelar anisotropas sencillas, con 2
3 direcciones principales ortogonales entre s
buscar la elipse o el elipsoide que mejor se acerca al mapa
variogrfico.
El variograma experimental es poco confiable para distancias
grandes (superiores a la mitad del dimetro del campo).
La meseta del variograma (varianza terica) puede diferir de la
varianza del histograma (varianza emprica).
Las distancias pequeas son las ms importantes.
describen la continuidad a pequea escala
son cruciales para estimar leyes a partir de los datos cercanos
Consideraciones prcticas (2)
Desconfiar de los procedimientos de ajuste automticos
el anlisis variogrfico debe ser un trabajo interactivo,
donde el usuario tiene la palabra final.
Se debe prestar atencin a la representatividad de los puntos
experimentales, a la informacin disponible sobre la variable
regionalizada y a la escala de trabajo.
No existe un modelo nico.
Aplicacin a los datos mineros (1)
Estudio de anisotropa (mapa variogrfico)
Se destaca la direccin vertical, en oposicin con las direcciones
horizontales.
Aplicacin a los datos mineros (2)
Variograma experimental
Calculado cada 20m en el plano horizontal y 12m en la vertical
(con tolerancia angular de 15 )
Aplicacin a los datos mineros (3)
Variograma modelado
Superposicin de tres modelos: pepita + 2 esfricos
(h) = 0.05 pep + 0.13 esf (15m,180m) + 0.28 esf(100m,180m)
Validacin cruzada
La validacin cruzada (1)
Validar el modelo terico de variograma
Comparar la calidad de varios modelos posibles
Validar los parmetros del kriging (vecindad...)
Objetivos
El kriging es un mtodo que permite estimar el valor de una
variable con un promedio ponderado de los valores de los datos
vecinos. La ponderacin ptima depende del modelo de
variograma. Como resultado, el kriging tambin entrega la
desviacin estndar del error, que mide la amplitud potencial de
ste.
La validacin cruzada (2)
estimar sucesivamente por kriging cada dato, considerando
solamente los datos restantes
calcular el error de estimacin (valor estimado menos valor
real) cometido en cada sitio con dato
estudiar la calidad de los errores de estimacin por medio de
herramientas estadsticas y grficas. Se puede complementar
con el estudio de los errores estandarizados (es decir, los
errores divididos por su desviacin estndar calculada por el
kriging).
Principio
La validacin cruzada (3)
Ilustracin con los datos de cobre (1)
La validacin cruzada (4)
Ilustracin con los datos de cobre (2)
La validacin cruzada (5)
medias de los errores y de los errores estandarizados
varianza de los errores
varianza de los errores estandarizados
nube de dispersin entre valores reales y estimados
deben ser cercanas a cero estimador insesgado
debe ser la ms baja posible estimador preciso
debe ser cercana a 1 el variograma cuantifica adecuadamente
la incertidumbre
la regresin debe acercarse a la diagonal insesgo condicional
Factores que considerar para la validacin del modelo
La validacin cruzada (6)
Qu implica tener sesgo condicional?
Supongamos que se produce sesgo condicional al momento del control de leyes
(seleccin entre mineral y estril)
ley de
corte
botadero
Centro de gravedad
sobre la diagonal: la
ley media estimada es
menor que la ley
verdadera.
Centro de gravedad de
la nube en la diagonal:
la ley media estimada
es igual a la ley media
verdadera.
La validacin cruzada (7)
Qu implica tener sesgo condicional?
Supongamos que se produce sesgo condicional al momento del control de leyes
(seleccin entre mineral y estril)
ley de
corte
planta
Centro de gravedad
bajo la diagonal: la ley
media estimada es
mayor que la ley
verdadera.
La validacin cruzada (8)
Estudio del insesgo condicional
Ley de corte [%Cu] Media efectiva Media estimada
0.00 1.054 1.056
0.20 1.054 1.056
0.40 1.092 1.094
0.60 1.182 1.186
0.80 1.299 1.301
1.00 1.446 1.451
1.20 1.628 1.629
1.40 1.849 1.846
1.60 2.043 2.046
1.80 2.325 2.295
2.00 2.608 2.563
2.20 2.996 2.922
2.40 3.301 3.123
2.60 3.746 3.490
2.80 3.970 3.657
Comparar las leyes promedio reales y estimadas al seleccionar
los datos cuyos valores estimados superan una ley de corte
La validacin cruzada (9)
Estudio del insesgo condicional
En este caso, el sesgo condicional es despreciable.