Documentos de Académico
Documentos de Profesional
Documentos de Cultura
4.1 Resumen
donde xi son las ubicaciones de las muestras, Z (i) Ofe sus valores y N (h) es el
número de pares (xj, x; + h) separados por una distancia h, aquellos realmente
utilizados en el cálculo. Es muy fácil aplicar esta fórmula cuando las muestras
están regularmente espaciadas en l D, como abajo de un pozo de perforación, a lo
largo de una galería subterránea, un transecto o
Un perfil sísmico. F-xample 1 ilustra el procedimiento.
Si faltan muestras en un patrón regular, sus valores no deben interpolarse
promediando los valores vecinos, ni debe insertarse un cero en su lugar porque
distorsionan la verdadera variabilidad. Las diferencias cuadradas se calculan para
todos los pares disponibles.
Si los datos no son regulares, los variogramas se calculan para las clases de
distancia con una tolerancia asociada, generalmente 509a porque esto cubre todas
las distancias posibles. Yendo más allá, cuando los datos están espaciados
irregularmente en 2D, los variogramas se calculan para clases angulares y de
distancia.
48 Experimental Variogramas
4J en el plano
Use la fórmula [4.1] para calcular el variograma experimental para las primeras
tres distancias clases para los datos dados a continuación. "las muestras se
espacian regularmente cada 5 m en lD.
8643657289 5 5 63
Fig. 4.1. Datos de muestra espaciados cada 5 m a lo largo de una línea, con
calificaciones mostradas
Experimental Variogramas49
COMIENZ
O
Do I - 1, N — 1
Do J - I + 1, N
C / u.CULATEHp = X; -X;
re 2 = (Z (x) - Z (x)2
PARA CADA CLASE DE VARIOGRAM DIVIDE ZD 2 POR DOS VECES PARA QUE CLAFIS
DETENER
Fig. 4.2. Diagrama de flujo que muestra cómo calcular variogramas experimentales
50 Experimental Variogramas
(22 + 22 + 12 +? ^ + 1 * + 22 +: S 2 + 62 + 1 2 + 42 + 1 2 + 32]
"() ' 21
= 4.625 [4.2J
Muestre que los valores de y '(10) e y' (15) son 4.82 y 6.00 respectivamente. Al
trazar estos en función de la distancia se obtiene el variograma experimental (Fig.
4.3.). Se ha utilizado una línea continua para conectar valores conocidos; uno
punteado, para exrapolar de vuelta al origen. El efecto de pepita no podría ser
superior a 4.0, pero podría ser menor si hubiera una microestructura con un rango
de menos de 5 m.
051015
Cuando los valores de muestra tienen una distribución sesgada (con una cola larga
hacia un lado) o cuando hay valores atípicos en los datos (es decir, valores
inusualmente altos o bajos), la presencia de unos pocos valores extremos puede
causar problemas. Imagine lo que hubiera sucedido en el Ejemplo 1. si el valor de
7 & o hubiera sido 17% o 709c en su lugar. En la primera clase de distancia, las
diferencias cuadradas (5—7) 2 y (7—2) 2 se habrían convertido en (5—17) 2 y
(17-2) 2, o peor aún, (5—70) 2 y (70—2) 2. Estos dos términos dominarían por
completo el variograma experimental, lo que dificultaría su interpretación o el
ajuste de un modelo. Este punto se tratará al final de este capítulo.
2 2 1 1 d 1 d 1
6 2 9 4 i 9 i 4
e e
c c
i i
s s
é é
i i
s s
2 2 1 2 1 2 2 1
3 0 7 0 4 3 1 7
2 1 1 1 1 2 2 1
2 7 8 9 8 5 0 9
a
ñ a
o ñ
s o
s
2 1 2 1 2 2 1 1
1 5 0 8 0 0 8 3
a a
ñ ñ
o o
s s
1 1 1 1 1 2 2 2
9 8 5 5 8 3 2 0
a a
ñ ñ
o o
s s
1 d 1 d 1 1 2 1
8 ie 0 i 4 8 0 8
ci e a
a s c a ñ
ñ éi i ñ o
o s s o s
s é s
i
s
1 1 1 1 1 1 1 1
7 4 0 3 3 5 4 7
1 1 1 1 1 d 1 1
5 3 1 0 7 i 5 1
e
c
i
s
é
i
s
Tabla 4.2. Valores de los variogramas experimentales en las cuatro
direcciones principales para los datos dados anteriormente, junto con el
número de pares de puntos
y N y N y N y N
(1) (1) (2) (2) (3) (3) (4) (4)
EW 4.7 56 8.4 48 10, 40 13, 32
4 9 28 27
N 5.8 56 9.1 48 9.1 40 10, 32
— 8 1 3 77
NO 7.6 49 12,2 36 18,3 25 18,1 diec
RD 9 4 6 6 iséis
EST
E-
SO
NO 7.5 49 12. 36 10. 25 14. diec
R 5 02 00 00 iséi
O s
E
S
T
E-
S
E
Tabla 4.2. da los valores de los variogramas experimentales en las cuatro
direcciones principales y también el número de pares de puntos utilizados en su
cálculo. El variograma no es confiable para distancias mayores a la mitad de la
longitud del campo. Es por eso que se ha calculado solo para cuatro rezagos.
Figura 4.4. muestra los cuatro variogramas direccionales.
Diagonales
15 15
E—
W
10 10
NS
55 55
00 • y 00 0 0 '' '
o 6
0 0 123456 1234
Fig. 4.4. Variogramas experimentales en 4 direcciones.
52 Experimental Variogramas
Como hay poca diferencia entre ellos, los consideramos isotrópicos. Por lo
tanto, se calculó el variograma experimental promedio para todas las direcciones
(Fig. 4.5.). Un modelo lineal con una pendiente de aproximadamente 3 más un
efecto de pepita de aproximadamente 3 proporciona un buen ajuste. Este ejemplo
fue diseñado para mostrar cómo calcular variogramas. En la práctica, los
variogramas suelen ser más erráticos que estos.
20
Omnidireccional
15
10
0 0
0123456
Fig. 4.5. Variograma omnidireccional calculado a partir de los datos regulares de
213, y el modelo lineal ajustado con un efecto de pepita de 3 y una pendiente de 3
Hay dos formas de trazar variogramas: la forma estándar que se muestra arriba
donde la diferencia cuadrada promedio se traza contra la distancia o
alternativamente como una nube de diferencias cuadradas cada una trazada contra
su distancia. Chauvet (1982) llamó a esto la nube de variograma. La ventaja del
diagrama estándar es que sintetiza toda la información en un punto por clase de
distancia, pero al hacerlo, se pierden los detalles. Y este detalle puede ser muy útil
para comprender el variograma.
Para ilustrar el concepto, la nube de variograma se calculó para los datos del
Ejemplo 1. Para la primera clase de distancia hubo 12 diferencias cuadradas: 4, 4,
1,
9, 1, 4, 25, 36, 1, 16, 1 y 9. Para las siguientes dos clases de distancia, hubo 11 y
10 pares, respectivamente. Para ser compatible con el variograma, estos valores se
redujeron a la mitad antes de trazarse. La figura 4.6.a muestra la nube de
variograma resultante. Los puntos experimentales se ubican en columnas
verticales porque los datos se espacian regularmente cada 5 m. Solo 6 cruces son
evidentes en la primera clase de distancia porque solo hay 6 valores distintos para
los medios cuadrados. Si bien la mayoría de estos cuadrados son pequeños,
algunos son bastante grandes. Entonces sus histogramas para cada clase de
distancia son asimétricos.
Para ilustrar el impacto de los oufliers, la nube se recalculó para el caso
mencionado anteriormente donde se produce un valor de 179c en lugar del 7%
(Fig. 4.6.b). En comparación con la nube original a la izquierda, la escala vertical
a la derecha es cuatro veces
Experimental Variogramas 53
más grande Para cada clase de distancia, las dos diferencias cuadradas más
grandes (es decir, las dos cruces más altas) corresponden a pares que involucran
el valor atípico.
20,0 100
75)
10.C 50
25)
0. / + +
0.05.0 10.015.0 0.
0.05.010.015.0
4a si
Fig. 4.6. Nubes de Variograma calculadas usando los 13 datos regularmente
espaciados (a) del Ejemplo 1 y (b) los mismos datos cuando un valor del 7%
ha sido reemplazado por un valor atípico de l7 & o. Tenga en cuenta el cambio
en la escala vertical entre las dos figuras. En ambos casos, algunos cruces
representan varios valores (por ejemplo, 1.0 para un retraso de 5 m)
6 6
Variograma para top s'eam con 2 valores atípicos incluidos
4 4
En este caso, la solución fue bastante simple: eliminar los valores atípicos. Esto
fue posible por dos razones: en primer lugar, porque los valores atípicos se
encuentran en un área geográficamente distinta que debe tratarse por separado del
resto, y en segundo lugar porque el carbón con azufre Ngh es menos valioso que
el carbón con bajo contenido de azufre.
Sin embargo, en otros casos (especialmente distributitinas muy sesgadas, como
los grados de oro o uranio), no es tan fácil encontrar una buena manera de estimar
el variograma. Las muestras de alto grado no suelen estar en un área separada. Por
lo general, se mezclan entre materiales de grado inferior. Más importante aún, el
pequeño porcentaje de altas calificaciones a menudo hace la diferencia entre abrir
la mina y no hacerlo. Eliminar los valores atípicos o recortarlos a un valor
arbitrario no es una buena solución.
Se han sugerido varios métodos "robustos" para calcular el variograma
(Cressie y 1lawkins, 1980; Armstrong y Delfiner, 1980). "Este tema fue uno de los
principales temas de discusión en el taller de geoestadística de la OTAN celebrado
en Lake Tahoe en septiembre de 1983 (Ver Verly, 1984).
4.9.3 Artefactos
Los siguientes dos ejemplos se han incluido para señalar que muchos de los
problemas con los variogramas se deben a un "error del operador" en lugar de
problemas estadísticos con los datos. Figura 4.9. muestra un notable
variograma "diente de sierra". La variable en estudio fue muy sesgada, como
el oro o el uranio. Un porcentaje sustancial de valores por debajo del umbral
de registro se había registrado como cero. Como los datos parecían
lognormales, parecía aconsejable tomar registros. Para evitar problemas con
los ceros, estos se establecieron arbitrariamente en 0.00fH1 y se convirtieron
en —5.0 después de la transformación logarítmica (aquí a la base 10). Como
todos los demás registros se encontraban en el rango de —3.0 a +3.0, los —
5.0 eran valores extremos y sus ubicaciones determinaban completamente la
forma del variograma. En este caso, la solución fue simple: establezca los
valores de corte a continuación en 0.001 en lugar de 0.OOll,
6 6
44
2
0 0
0100200300
El segundo ejemplo está en las mismas líneas. En este caso, el problema fue
causado por la presencia de varios valores cero para el grosor de la costura. Esto
podría indicar que la costura se había pinchado en esta región, pero como esto
parece poco probable, los datos fueron reexaminados. Esto reveló que el grosor de
costura cero correspondía a valores faltantes tanto para la parte superior como
para la inferior de la costura. Como se asignó un valor de --1 a todos los valores
faltantes, y cuando el estudiante que realizó el estudio olvidó incluir una prueba de
valores perdidos en su programa para calcular el grosor de la costura, la resta de
—1 de –1 resultó en una buena número de ceros, que determinó la forma del
variograma.
Estos errores son bastante tontos. Al leerlos, todos naturalmente sienten que no
cometerá un error, pero la experiencia muestra que este tipo de errores son mucho
más comunes de lo que a la mayoría de nosotros nos interesa admitir. Lo que es
más, la única forma de descubrir su causa y tratarlos es investigando
cuidadosamente los datos. Sería absolutamente fatal aplicar un método de
variograma "robusto" ‹xl a los datos para resolver los problemas con el
variograma. Afortunadamente, la tecnología informática ahora nos permite
trabajar con ventanas vinculadas. Por lo tanto, es posible visualizar varios gráficos
(como el mapa base, el histograma y el variograma) simultáneamente para
descubrir qué está causando el comportamiento errático.
4.10 Ejercicios
864365728563
86436572890563
Figura 4.11. Datos regulares de 1D que contienen un valor atípico
58 Experimental Variogramas
Tabla 4.3. Treinta y cinco grados en una cuadrícula regular llXlm x l00m
3 2.8 4 4 5.3 3 4
. . . . .
6 1 6 8 2
4
.
2
3 3.5 5 4 6.1 4 4
. . . . .
6 2 5 4 0
4 4
. .
5 0
5 3.8 4 3 .5.7 d 6
. . , . .
1 9 3 2 3
4 4.0 5 4 4.9 5 4
. 4.0 . . . .
2 6 2 3 4
4 4
. .
2 2
4 5.7 6 5 4.7 5 6
. . . . .
6 1 4 2 0