MI68A Clase 4

Modelamiento de variograma
El variograma experimental requiere ser modelado:
es imperfecto (los puntos obtenidos estn sujetos a imprecisin)
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
de la funcin aleatoria que representa la variable en estudio.

Propiedades de un variograma terico

Un variograma debe satisfacer varias restricciones matemticas:

funcin positiva: g(h) 0

funcin par: g(h) = g(-h)
nulidad en el origen: g(0) = 0
funcin de tipo negativo condicional
k

1 ,... k R/ i = 0, x1 ,... x k ,
i =1

i =1 j =1

j g (x i - x j ) 0

para distancias muy grandes, crece menos rpidamente que una parbola

Caractersticas esenciales de un variograma (1)

1) Comportamiento en el origen
Mientras ms regular el variograma en el origen (distancias cercanas a 0),
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

Caractersticas esenciales de un variograma (2)

Caractersticas esenciales de un variograma (3)

2) Comportamiento para distancias muy grandes

Frecuentemente, el variograma se estabiliza en torno a una meseta cuando

la distancia crece infinitamente.
meseta
= varianza

alcance

Caractersticas esenciales de un variograma (4)

A veces, el variograma sigue creciendo infinitamente.

Caractersticas esenciales de un variograma (5)

3) Comportamiento direccional

El estudio de los variogramas direccionales o del mapa variogrfico permite

identificar las anisotropas de la variable regionalizada.

Caractersticas esenciales de un variograma (6)

4) Otras caractersticas

Periodicidades: frecuente con fenmenos temporales, menos con fenmenos

espaciales
Efecto de hoyo: el variograma no es montono

Caractersticas no descritas por el variograma

El variograma slo proporciona una caracterizacin parcial de la funcin

aleatoria; varias caractersticas de la distribucin espacial no estn descritas
por esta herramienta, como la conectividad espacial de las leyes.

Modelos elementales (1)

Efecto pepita:

g(h) =

0 si h = 0
C en caso contrario

Este modelo se traduce en una ausencia total de correlacin en el espacio: dos

datos distintos tienen valores independientes.

Modelos elementales (2)

3

3 |h| 1 |h|

C
- si | h | a
2 a 2 a
Modelo esfrico: g (h) =

C en caso contrario

alcance = a, meseta = C

Modelos elementales (3)

3 | h |
Modelo exponencial: g (h) = C 1 - exp
a

El parmetro a es el alcance prctico: corresponde a la distancia para la cual

el variograma llega al 95% de su meseta C.

Modelos elementales (4)

3 | h |2
Modelo gaussiano: g (h) = C 1 - exp - 2
a

alcance prctico = a, meseta = C

Modelos elementales (5)

q
Modelo potencia: g (h) = | h |

Este variograma no posee alcance ni meseta

El exponente q puede variar entre 0 (variograma peptico) y 2 (variograma

parablico).

Modelos elementales (6)

a
| h |
g
(
h
)
=
C
1
sen
Modelo seno cardinal:

|
h
|
a

alcance prctico = 20.4 a, semi-perodo = 4.5 a, meseta = C

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.

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:
soporte de la medicin demasiado pequeo:
la amplitud del efecto pepita es inversamente proporcional al volumen
de la muestra
errores de medicin
errores en la ubicacin de los datos
muestreo preferencial en zonas de mayor variabilidad

Anisotropa (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 espacial.
Identificacin
Una herramienta para detectar las anisotropas es el mapa variogrfico, o
sea el mapa de isovalores del variograma experimental en funcin de la
separacin (distancia y orientacin).

Anisotropa (2)
Modelamiento: anisotropa geomtrica
El mapa variogrfico dibuja elipses (2D) o elipsoides (3D). El modelamiento
slo requiere especificar las direcciones principales (ortogonales entre s) y
los alcances correspondientes.

Anisotropa (3)
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.

Anisotropa (4)
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

g(h) = 0.1 pepa

+ 0.9 exp(200m,120m,50m)
+ 0.3 exp(,120m,50m)
+ 0.2 exp(,,50m)

Reglas de ajuste (4)

Verificacin
g(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 las 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).

Consideraciones prcticas (2)

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.
Desconfiar de los procedimientos de ajuste automticos
el anlisis variogrfico debe ser un trabajo interactivo, donde el usuario
tiene la palabra final.

No existe un modelo nico.

Aplicacin a los datos de Andina (1)

Estudio de anisotropa (mapa variogrfico)

Se destaca la direccin vertical, en oposicin con las direcciones horizontales.

Aplicacin a los datos de Andina (2)

Variograma experimental

Calculado cada 20m en el plano horizontal y 12m en la vertical (con tolerancia

angular de 15 )

Aplicacin a los datos de Andina (3)

Variograma modelado

Adicin de tres modelos (pepita y dos esfricos):

g(h) = 0.05 pep + 0.13 esf (15m,180m) + 0.28 esf(100m,180m)

Validacin cruzada (1)

Objetivos
validar el modelo terico de variograma
comparar la calidad de varios modelos posibles
validar los parmetros del kriging (vecindad...)

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.

Validacin cruzada (2)

Principio
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 errores
estandarizados (es decir, los errores divididos por su desviacin estndar
calculada por el kriging).

Validacin cruzada (3)

Ilustracin con los datos de Andina

Validacin cruzada (4)

Ilustracin con los datos de Andina

Validacin cruzada (5)

Factores que considerar para la validacin del modelo

medias de los errores y de los errores estandarizados

deben ser cercanas a cero estimador insesgado
varianza de los errores

debe ser la ms pequea posible estimador preciso

varianza de los errores estandarizados
debe ser cercana a 1
el variograma cuantifica adecuadamente la incertidumbre
nube de dispersin entre valores reales y estimados
la regresin debe acercarse a la diagonal insesgo condicional

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)

botadero

Centro de gravedad de
la nube en la diagonal:
la ley media estimada
es igual a la ley media
verdadera.

Centro de gravedad
sobre la diagonal: la
ley media estimada es
menor que la ley
verdadera.
ley de
corte

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)

planta

Centro de gravedad
bajo la diagonal: la ley
media estimada es
mayor que la ley
verdadera.
ley de
corte

Validacin cruzada (8)

Estudio del insesgo condicional

Comparar las leyes promedio reales y estimadas al seleccionar los datos

cuyos valores estimados superan una ley de corte
Ley de corte [%Cu]
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1.40
1.60
1.80
2.00
2.20
2.40
2.60
2.80

Media efectiva
1.054
1.054
1.092
1.182
1.299
1.446
1.628
1.849
2.043
2.325
2.608
2.996
3.301
3.746
3.970

Media estimada
1.056
1.056
1.094
1.186
1.301
1.451
1.629
1.846
2.046
2.295
2.563
2.922
3.123
3.490
3.657

Validacin cruzada (9)

Estudio del insesgo condicional

En este caso, el sesgo condicional es despreciable.