UNIVERSIDAD NACIONAL AUTNOMA

DE MXICO

GEOESTADSTICA
APLICADA

Tema: Anlisis Estructural

Instructores:
Dr. Martn A. Daz Viera (mdiazv@imp.mx)
Dr. Ricardo Casar Gonzlez (rcasar@imp.mx)

2009
 Contenido
Introduccin
El Semivariograma. Definicin
Estimacin del semivariograma
Forma general del variograma
Consideraciones para el cmputo del variograma
Modelos autorizados
Modelos transitivos o acotados
Modelos no acotados
Variogramas Anisotrpicos
Modelacin del variograma experimental
Validacin del modelo del variograma

06/02/2009 CG4-Anlisis Estructural 2

 Introduccin
El anlisis estructural es uno de los tpicos
ms importantes de la geoestadstica puesto
que se encarga de la caracterizacin de la
estructura espacial de una propiedad o
fenmeno regionalizado.
Es el proceso en el marco del cual se obtiene
un modelo geoestadstico para la funcin
aleatoria que se estudia.

06/02/2009 CG4-Anlisis Estructural 3

 Introduccin
El anlisis estructural consiste en estimar y
modelar una funcin que refleje la correlacin
espacial de la variable regionalizada a partir de la
adopcin razonada de la hiptesis ms adecuada
acerca de su variabilidad.
En dependencia de las caractersticas de
estacionaridad del fenmeno se modelar la funcin
de covarianzas o la de semivarianzas.
Por su importancia y generalidad estudiaremos el
proceso de estimacin y modelacin de la funcin
de semivarianzas o semivariograma.

06/02/2009 CG4-Anlisis Estructural 4

 El Semivariograma. Definicin
El semivariograma, conocido tambin
como variograma, es la herramienta
central de la geoestadstica. Dada una FA
Z(x) que cumpla la Hiptesis Intrnseca
entonces existe la funcin semivarianza y
se define como sigue:

( h) = Var Z ( x) Z ( x + h) = E {Z ( x) Z ( x + h)}
2
1 1
2
2

06/02/2009 CG4-Anlisis Estructural 5
 Estimacin del semivariograma
Existen varios estimadores pero el ms
comn est dado por
N (h)
( h) = Z ( x + h ) Z ( x i )
* 2
1
2 N (h) i
i =1

N ( h ) - es el nmero de pares Z ( xi ) y Z ( x i + h )
separados a una distancia h = h

06/02/2009 CG4-Anlisis Estructural 6

Estimacin del semivariograma
Debido a que el estimador es esencialmente una
media muestral, tiene todas las desventajas
comnmente asociadas a este tipo de
estimadores como es la no robustez.
A menudo el empleo de este estimador produce
variogramas experimentales errticos, lo cul se
debe a desviaciones del caso ideal para la
aplicacin del mismo.

06/02/2009 CG4-Anlisis Estructural 7

Estimacin del semivariograma
Estas desviaciones pueden ser enumeradas por su
importancia en el orden siguiente:

1. Fuerte asimetra en la distribucin de

probabilidad.
2. Varianza no constante. La varianza vara con la
posicin.
3. Muestreo sesgado. Los puntos de medicin se
encuentran distribuidos de manera no
homognea.
4. Presencia de valores atpicos (outliers)
distribucionales y espaciales.
06/02/2009 CG4-Anlisis Estructural 8
 Forma general del variograma
(h )

h
06/02/2009 CG4-Anlisis Estructural 9
 Consideraciones para el cmputo
del variograma
Los pares de las observaciones se agrupan segn la
distancia dentro de un intervalo con una tolerancia y
dentro de una direccin con una tolerancia angular.
Se estima para valores menores que la mitad de la
distancia mxima.
Se considera que un nmero mximo de 25 intervalos
es suficiente para cualquier propsito, y un mnimo de
10 debe ser usado para determinar con precisin el rango
y la meseta del variograma.
Se considera que debe haber entre 30 y 50 pares de
puntos como mnimo por intervalo.
Los valores estimados para cada intervalo se deben
graficar contra la distancia promedio de todos los pares
que se encuentran dentro de dicho intervalo.

06/02/2009 CG4-Anlisis Estructural 10

 Consideraciones para el cmputo
del variograma

06/02/2009 CG4-Anlisis Estructural 11

 Ejemplo de variograma

06/02/2009 CG4-Anlisis Estructural 12

 Modelos vlidos de variogramas
Slo ciertas funciones pueden ser consideradas
modelos vlidos de variogramas y se dicen que
son modelos autorizados.
El hecho de probar si una funcin dada es
aceptable o no, est relacionado con el
examen de su Transformada de Fourier.
Christakos [1984] obtuvo las condiciones que el
espectro de la funcin debe reunir para ser un
modelo vlido.
Como una propiedad importante se debe
destacar que cualquier combinacin lineal de
modelos autorizado es tambin un modelo vlido.

06/02/2009 CG4-Anlisis Estructural 13

 Modelos transitivos o acotados
Este grupo de modelos se deriva a
partir de la nocin de
autocorrelacin entre los valores
promedios dentro de los bloques.
La idea es que la funcin aleatoria,
de la cual la propiedad medida es
una realizacin, depende del grado
de traslape de los dos bloques.

06/02/2009 CG4-Anlisis Estructural 14

 Modelo Esfrico
S
{
3( h a ) ( h a )
( h) = 2
3
} para 0 h a
S para h>a

06/02/2009 CG4-Anlisis Estructural 15

 Modelo Exponencial
(h) = S 1 exp ( 3h a ) para h0

06/02/2009 CG4-Anlisis Estructural 16

 Modelo Gaussiano

(
(h) = S 1 exp ( 3h a )
2

) para h0

06/02/2009 CG4-Anlisis Estructural 17

 Modelo Efecto Agujero (Hole)
(h) = S (1 cos( h a) ) para h0

06/02/2009 CG4-Anlisis Estructural 18

 Modelo Efecto Pepita (Nugget)
(h) = S (1 (h) )

06/02/2009 CG4-Anlisis Estructural 19

 Influencia del Alcance
100 m

3m 10 m

100 m
25 m 50 m

06/02/2009 CG4-Anlisis Estructural 20

 Efecto Nugget
d
x x x x
x x x x Distancia entre los datos=d

x x x x

(h)
Rango mnimo detectable = d

Longitud de onda mnima detectable = 2d

0 h
d Frecuencia espacial mxima detectable = 1/(2d)
06/02/2009 CG4-Anlisis Estructural 21
 Influencia del Efecto Nugget

Sin Efecto
Nugget

33%
Nugget

06/02/2009 CG4-Anlisis Estructural 22

 Influencia del Efecto Nugget

66%
Nugget

100%
Nugget

06/02/2009 CG4-Anlisis Estructural 23

 Modelos no acotados
Existen casos en que la varianza
aparenta incrementarse indefinidamente.
Si se toma cada vez un menor intervalo
de muestreo, siempre existe alguna
variacin que queda sin resolver.
Mandelbrot (1982) llam al resultado de
tales procesos fractales.
Ejemplos: El ruido gaussiano fraccional
(fGn) y el movimiento browniano fraccional
(fBm).

06/02/2009 CG4-Anlisis Estructural 24

 Modelos no acotados
1
Modelo Potencia (h) = h ; para 0 < < 2
2
Relacin entre la dimensin fractal D
(Hausdorff-Besicovitch) y el parmetro
D = 2 ( 2 )
Casos Extremos:

=2 y D=1, es una parbola, no representa
un proceso aleatorio.

=0 y D=2 ruido puro (efecto nugget).
06/02/2009 CG4-Anlisis Estructural 25
 Combinacin de Modelos
Una combinacin lineal de modelos de
variogramas autorizados con
coeficientes positivos representa un
modelo de variograma vlido.
Usualmente los modelos anteriores los
encontramos como combinaciones del
tipo:
( h) = 0 ( h) + 1 ( h)
donde
0 (h) efecto nugget y 1 ( h ) otro modelo
06/02/2009 CG4-Anlisis Estructural 26
 Combinacin de Modelos
La combinacin formada por variogramas
con diferentes rangos se conoce como
estructura anidada.
Describen variaciones espaciales a
diferentes escalas y que se deben por lo
tanto, a factores de naturaleza diferente.
Por ejemplo: ( h ) = 0 ( h ) + 1 ( h ) + 2 ( h )
donde 0 (h) nugget, 1 ( h ) esferico 1
y 2 ( h ) esferico 2.
06/02/2009 CG4-Anlisis Estructural 27
 Combinacin de Modelos
( h) = 0 ( h) + 1 ( h) + 2 ( h)

06/02/2009 CG4-Anlisis Estructural 28

 Variogramas Anisotrpicos
Existen numerosas situaciones en que la
variacin es anisotrpica, es decir
depende de la direccin.
Si la anisotropa se puede tener en
cuenta mediante una transformacin
lineal simple de las coordenadas, entonces
se dice que la anisotropa es geomtrica o
afn.
La anisotropa se refleja en diferentes
alcances segn la direccin. El grfico
direccional de los rangos forma una elipse.
06/02/2009 CG4-Anlisis Estructural 29
 Anisotropa Geomtrica
Frmula de la transformacin:
( ) = ( A cos ( ) + B sen ( ) )
1
2 2 2 2 2

A- eje mayor (variabilidad es ms lenta)

B- eje menor (variabilidad es ms rpida)
- direccin (ngulo) del eje mayor.
Se aplica como un factor al argumento h del
variograma en los modelos acotados o al
gradiente en los modelos no acotados.
=A/B es una medida de la anisotropa.
06/02/2009 CG4-Anlisis Estructural 30
 Anisotropa Geomtrica

A

B

06/02/2009 CG4-Anlisis Estructural 31

 Anisotropa Geomtrica
En la prctica se estiman los variogramas en
4 direcciones principales (0, 45, 90 y 135
grados)
Se determinan los rangos para cada direccin.
Luego se construye el grfico direccional de
los rangos para decidir si hay anisotropa
geomtrica presente o no.
Finalmente, se determinan A, B y la direccin
(ngulo) de mayor alcance.
06/02/2009 CG4-Anlisis Estructural 32
 Anisotropa Geomtrica

06/02/2009 CG4-Anlisis Estructural 33

 Anisotropa Zonal
Cuando la anisotropa se refleja en la meseta, es
decir, en dependencia de la direccin el
variograma presenta diferentes mesetas.
Un ejemplo tpico es la situacin cuando
tenemos medida cierta propiedad en diferentes
pozos.
Por lo general el variograma en la vertical (en
profundidad) presenta una mayor variabilidad
(meseta) que en la direccin horizontal.
06/02/2009 CG4-Anlisis Estructural 34
 Anisotropa Zonal

06/02/2009 CG4-Anlisis Estructural 35

 Modelacin del variograma
Algunos geoestadsticos ajustan los
modelos de forma visual.
Es recomendable auxiliarse con algn
procedimiento estadstico.
Por ejemplo, un ajuste con un Mtodo de
Mnimos Cuadrados.
Se requiere de un criterio de bondad de
ajuste y complejidad del modelo
Criterio de Informacin de Akaike (AIC)
06/02/2009 CG4-Anlisis Estructural 36
 Modelacin del variograma

Ajuste MC

06/02/2009 CG4-Anlisis Estructural 37

 Modelacin del variograma

Ajuste Visual

06/02/2009 CG4-Anlisis Estructural 38

 Validacin del modelo
Un mtodo sencillo y eficienciente es el
leave one out
Consiste en sacar un punto de la muestra y
estimar con Kriging el valor en ese punto
usando el modelo de variograma obtenido.
De forma anloga se acta para el resto de
los elementos de la muestra.
Como resultado se obtiene un mapa de las
diferencias entre el valor real y el estimado.

06/02/2009 CG4-Anlisis Estructural 39

 Validacin del modelo
Si el modelo del variograma refleja adecuadamente la
estructura espacial del conjunto de datos, entonces los
valores estimados deben ser cercanos a los valores
observados.
Esta "cercana" puede ser caracterizada segn los
siguientes criterios: n
1

n i =1
{ Z ( x i ) Z *
( xi )} cercano a 0
1 n
{ Z ( x i ) Z ( x i )} pequeo
* 2

n i =1
El histograma de los errores normalizados permite
identificar valores atpicos (outliers), datos sospechosos
o anomalas de otra naturaleza.

06/02/2009 CG4-Anlisis Estructural 40

 Validacin del modelo

06/02/2009 CG4-Anlisis Estructural 41