You are on page 1of 40

MI68A – Clase 4

Modelamiento de variograma
El variograma experimental requiere ser modelado:
• es imperfecto (los puntos obtenidos están sujetos a imprecisión)
• es incompleto (se calculó 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 usará este modelo como si fuera el “verdadero” variograma
de la función aleatoria que representa la variable en estudio.

Propiedades de un variograma teórico
Un variograma debe satisfacer varias restricciones matemáticas:

• función positiva: g(h)  0
• función par: g(h) = g(-h)
• nulidad en el origen: g(0) = 0
• función de tipo negativo condicional
k

1 ,...  k  R/   i = 0, x1 ,... x k ,
i =1

k

k

 
i =1 j =1

i

 j g (x i - x j )  0

• para distancias muy grandes, crece menos rápidamente que una parábola

Características esenciales de un variograma (1)
1) Comportamiento en el origen
Mientras más regular el variograma en el origen (distancias cercanas a 0),
más 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 errática

Características esenciales de un variograma (2)

meseta = varianza alcance .Características 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.

el variograma sigue creciendo infinitamente.Características esenciales de un variograma (4) A veces. .

.Características esenciales de un variograma (5) 3) Comportamiento direccional El estudio de los variogramas direccionales o del mapa variográfico permite identificar las anisotropías de la variable regionalizada.

Características esenciales de un variograma (6) 4) Otras características Periodicidades: frecuente con fenómenos temporales. menos con fenómenos espaciales Efecto de hoyo: el variograma no es monótono .

Características no descritas por el variograma El variograma sólo proporciona una caracterización parcial de la función aleatoria. como la conectividad espacial de las leyes. . varias características de la distribución espacial no están descritas por esta herramienta.

.Modelos elementales (1) Efecto pepita: g(h) = 0 si h = 0 C en caso contrario Este modelo se traduce en una ausencia total de correlación en el espacio: dos datos distintos tienen valores independientes.

   si | h |  a 2 a 2 a   Modelo esférico: g (h) =    C en caso contrario alcance = a. meseta = C .Modelos elementales (2) 3   3 |h| 1  |h|    C .

exp   a    El parámetro a es el alcance práctico: corresponde a la distancia para la cual el variograma llega al 95% de su meseta C.Modelos elementales (3)   3 | h |  Modelo exponencial: g (h) = C 1 . .

exp  .Modelos elementales (4)   3 | h |2   Modelo gaussiano: g (h) = C 1 .2   a   alcance práctico = 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 pepítico) y 2 (variograma parabólico). .

4 a.5 a. meseta = C .Modelos elementales (6)  a  | h |  g ( h ) = C 1 sen Modelo seno cardinal:    | h |  a   alcance práctico = 20. semi-período = 4.

El uso de variogramas anidados permite modelar cambios de pendientes en los variogramas direccionales. se puede sumar varios variogramas elementales. .Modelos anidados (1) Para obtener modelos más complejos. se habla de “variogramas anidados”. En este caso.

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 observación (“micro-estructura”). .

Modelos anidados (3) Otras causas que generan un efecto pepita en el variograma experimental: • soporte de la medición demasiado pequeño: la amplitud del efecto pepita es inversamente proporcional al volumen de la muestra • errores de medición • errores en la ubicación de los datos • muestreo preferencial en zonas de mayor variabilidad .

o sea el mapa de isovalores del variograma experimental en función de la separación (distancia y orientación). .Anisotropía (1) Definición Un variograma es isótropo si es idéntico en todas las direcciones del espacio. existe anisotropía. Identificación Una herramienta para detectar las anisotropías es el mapa variográfico. En caso contrario. la cual indica que la variable regionalizada posee direcciones preferenciales en cuanto a su continuidad espacial.

Anisotropía (2) Modelamiento: anisotropía geométrica El mapa variográfico dibuja elipses (2D) o elipsoides (3D). . El modelamiento sólo requiere especificar las direcciones principales (ortogonales entre sí) y los alcances correspondientes.

Anisotropía (3) Modelamiento: anisotropía zonal El mapa variográfico dibuja bandas. se trata de un caso límite de anisotropía geométrica. donde el alcance en una dirección se vuelve muy grande. . la meseta cambia según la dirección. A la escala de trabajo.

.Anisotropía (4) Modelamiento: anisotropías complejas Se obtiene formas más complejas de anisotropía al superponer anisotropías geométricas y/o zonales de orientación y razón diferentes.

suponiendo que las direcciones principales corresponden a los ejes de coordenada .Reglas de ajuste (1) Ejercicio Proponer un modelo para el siguiente variograma.

Reglas de ajuste (2) Regla: 1) Determinar el efecto pepita 2) Determinar los alcances y mesetas en cada dirección 3) Determinar la cantidad y los tipos de modelos que se anidarán para el ajuste .

2 exp(. dejando infinito el alcance en la dirección 1 Finalmente se agrega una tercera estructura para llegar a la meseta total.50m) + 0..120m.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. dejando infinitos los alcances en las direcciones 1 y 2 g(h) = 0.120m.50m) + 0.9 exp(200m.3 exp(. con alcances propios a cada dirección Luego se agrega una segunda estructura para llegar a la segunda meseta.1 pepa + 0.50m) .

1 pepa + 0.3 + 0.120m.5 = meseta total .2 = 1.1 + 0.9 + 0..2 exp(.9 exp(200m.3 exp(.50m) + 0.120m.Reglas de ajuste (4) Verificación g(h) = 0.50m) La suma de las mesetas de los modelos anidados vale: 0.50m) + 0.

con 2 ó 3 direcciones principales ortogonales entre sí  buscar la elipse o el elipsoide que mejor se acerca al mapa variográfico • El variograma experimental es poco confiable para las distancias grandes (superiores a la mitad del diámetro del campo). • La meseta del variograma (varianza teórica) puede diferir de la varianza del histograma (varianza empírica).Consideraciones prácticas (1) • Generalmente. . se busca modelar anisotropías sencillas.

.Consideraciones prácticas (2) • Se debe prestar atención a la representatividad de los puntos experimentales. a la información disponible sobre la variable regionalizada y a la escala de trabajo. donde el usuario tiene la palabra final. • No existe un modelo único. • Desconfiar de los procedimientos de ajuste automáticos  el análisis variográfico debe ser un trabajo interactivo.

. en oposición con las direcciones horizontales.Aplicación a los datos de Andina (1) Estudio de anisotropía (mapa variográfico) Se destaca la dirección vertical.

Aplicación a los datos de Andina (2) Variograma experimental Calculado cada 20m en el plano horizontal y 12m en la vertical (con tolerancia angular de 15º ) .

13 esf (15m.180m) .180m) + 0.28 esf(100m.Aplicación a los datos de Andina (3) Variograma modelado Adición de tres modelos (pepita y dos esféricos): g(h) = 0.05 pep + 0.

. . La ponderación óptima depende del modelo de variograma. Como resultado.. el kriging también entrega la desviación estándar del error. que mide la amplitud potencial de éste.) El kriging es un método que permite estimar el valor de una variable con un promedio ponderado de los valores de los datos vecinos.Validación cruzada (1) Objetivos • validar el modelo teórico de variograma • comparar la calidad de varios modelos posibles • validar los parámetros del kriging (vecindad.

Se puede complementar con el estudio de errores estandarizados (es decir. considerando solamente los datos restantes • calcular el error de estimación (valor estimado menos valor real) cometido en cada sitio con dato • estudiar la calidad de los errores de estimación por medio de herramientas estadísticas y gráficas. los errores divididos por su desviación estándar calculada por el kriging).Validación cruzada (2) Principio • estimar sucesivamente por kriging cada dato. .

Validación cruzada (3) Ilustración con los datos de Andina .

Validación cruzada (4) Ilustración con los datos de Andina .

Validación cruzada (5) Factores que considerar para la validación 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 más pequeña posible  estimador preciso • varianza de los errores estandarizados debe ser cercana a 1  el variograma cuantifica adecuadamente la incertidumbre • nube de dispersión entre valores reales y estimados la regresión debe acercarse a la diagonal  insesgo condicional .

ley de corte . Centro de gravedad sobre la diagonal: la ley media estimada es menor que la ley verdadera.Validación cruzada (6) ¿Qué implica tener sesgo condicional? Supongamos que se produce sesgo condicional al momento del control de leyes (selección entre mineral y estéril) botadero Centro de gravedad de la nube en la diagonal: la ley media estimada es igual a la ley media verdadera.

ley de corte .Validación cruzada (7) ¿Qué implica tener sesgo condicional? Supongamos que se produce sesgo condicional al momento del control de leyes (selección entre mineral y estéril) planta Centro de gravedad bajo la diagonal: la ley media estimada es mayor que la ley verdadera.

40 1.Validación 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] 0.40 2.295 2.849 2.996 3.563 2.451 1.325 2.60 1.446 1.490 3.301 3.657 .056 1.846 2.60 2.40 0.20 2.20 1.608 2.046 2.80 1.00 1.056 1.629 1.970 Media estimada 1.054 1.094 1.043 2.628 1.123 3.00 2.182 1.186 1.60 0.746 3.80 2.299 1.80 Media efectiva 1.092 1.301 1.054 1.00 0.20 0.922 3.

Validación cruzada (9) Estudio del insesgo condicional En este caso. . el sesgo condicional es despreciable.