4 Experimental Variogramas

4.1 Resumen

Como el capítulo anterior, este es OU el variograma. Se muestra al lector cómo

calcular variogramas experimentales en ID, 2D y 3D, y cómo ajustar modelos a
ellos. Se proporcionan varios ejercicios. Se discuten los problemas prácticos
encontrados con variogramas experimentales problemáticos. Estos incluyen
valores atípicos, datos espaciados casi con regularidad, etc.

4.2 Cómo calcular variogramas experimentales

El variograma experimental se puede calcular utilizando la siguiente fórmula:

NOROESTE)

y '(h) = 2N (h) (Z (x, + h) - Z (x,) J 2 (4.1)

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

Cuando los datos son bidimensionales, los variogramas deben calcularse en al

menos cuatro direcciones para verificar si hay anisotropías. El primer paso es
elegir el retraso del variograma y su tolerancia, luego los ángulos principales y la
tolerancia angular.
El procedimiento luego es el siguiente. Tomando cada punto xi a su vez, el
programacalcula la diferencia xi - Xj 0 descubre qué clase angular y qué
distancia clase a la que pertenece la pareja. La diferencia cuadrada
correspondiente (Z (xi) - Z (xi + h)) 2 luego se calcula y se agrega al subtotal para
la clase apropiada. El recuento de
los elementos en esa clase también se incrementan en 1. Cuando todos los pares
posibles han sido tratados para un punto dado xi, el programa pasa al siguiente. Al
final del proceso, los subtotales se dividen por el doble del número de pares en los
que se eligen los orígenes sucesivos. Un diagrama de flujo para esto se muestra en
la Fig. 4.2.

4.4 En tres dimensiones

El procedimiento anterior podría teóricamente generalizarse a tres dimensiones.

considerando clases de ángulos sólidos. Pero en la práctica, la tercera
dimensión usualmente juega un papel especial A menudo hay mucha más
variabilidad en la dirección vertical.que en la horizontal, debido a la
estratificación de muchos fenómenos naturales.
En consecuencia, generalmente es mucho más significativo calcular los
variogramas en el plano de los estratos utilizando los métodos descritos en la
última sección y luego calcular los perpendiculares a este plano. Por lo
general, los variogramas verticales se calculan utilizando los datos de cada
pozo de sondeo, luego los variogramas horizontales se calculan en varias
direcciones horizontales. Si el cuerpo mineral se ha inclinado debido a la
acción tectónica, los variogramas se calculan en el plano del depósito y
perpendicular a él.

4.5 Ejemplo 1: datos 1D regulares

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

LEER EN VALORES DE DATOS Z (Xj)

ELEGIBLE CASOS Y CLASES DE DISTANCIA PARA VARIOGRAMA

Do I - 1, N — 1

Do J - I + 1, N

C / u.CULATEHp = X; -X;
re 2 = (Z (x) - Z (x)2

ID1 AL CONTEO DE CLASE PARA HtuQ re 2

A VARIOGRAMA CLASES CORRESPONDIENTES
A HjJ.

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

Para la primera clase de variograma (5m), hay doce diferencias cuadradas:

(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

Fig. 4.3. Variograma experimental para muestras separadas 5 m. La línea continua

conecta valores experimentales; el punteado se extrapola de vuelta al origen

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.

4.6 Ejemplo 2: cálculo de variogramas experimentales en 2D

Tabla 4.1. muestra 56 grados organizados en una cuadrícula cuadrada unitaria.

Úselos para calcular los variogramas experimentales en las cuatro direcciones
principales para distancias de hasta 4 rezagos. Para cada distancia, tenga en
cuenta el número de pares de puntos utilizados. Deben usarse todos los pares
de puntos separados a una distancia particular en una dirección específica, no
solo aquellos en la misma fila o columna. Recuerde que la distancia a lo largo
de las diagonales es un múltiplo de O.
 Experimental Variogramas5 j

Tabla 4.1. Datos 2D regulares para calcular los variopramas experimentales

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

4.7 Nube de variograma

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)

4.8 Ajustar un modelo de variograma

Esto se ve mejor a partir de ejemplos prácticos. La experiencia ha demostrado

que la forma analítica del modelo no importa mucho, siempre que se respeten
sus características principales del fenómeno. En orden de importancia, estos
son:
— el efecto pepita,
- la pendiente en el origen,
— el rango,
— el alféizar
- Las anisotropías.
El comportamiento en el origen (tanto el efecto de pepita como la pendiente)
desempeña un papel crucial en el ajuste del variograma porque tiene una
tremenda influencia en los resultados del kriging y también en la estabilidad
numérica del sistema de kriging. La pendiente se puede evaluar a partir del
resto tres ovalores de variograma; el efecto pepita puedese estimará extrapolando
nuevamente al origen. El valor restante del variograma a menudo se obtiene de
muy pocos pares de puntos para ser confiable. Perforaciones adicionales a
distancias cortas pueden ser útiles para tener una mejor idea del efecto de
pepita.
El rango generalmente se puede evaluar visualmente. El umbral se
establece en el valor donde se estabiliza el variograma. Para variables
estacionarias, tlus debe coincidir con el total
54 Experimental Variogramas

varianza pero a veces esto no es cierto debido a la presencia de tendencias de

largo alcance. Si hay más de un rango, los rangos intermedios se pueden distinguir
visualmente porque el variograma tiene un cambio en la curvatura en estos
puntos. Modelar anisotropías requiere más experiencia. En general, se puede
obtener un ajuste de gocd con la suma de dos o tres modelos. El uso de más de
esto aumenta considerablemente los costos de computación posteriores y debe
evitarse. El ajuste es dtinc por prueba y error, utilizando un terminal gráfico.
La gente a menudo pregunta por qué no usamos mínimos cuadrados u otros
métodos automáticos para ltt modelos de variogramas. Hay tres rcasons para esto.
En primer lugar, el modelo debe ser una función definida positiva (de lo contrario,
la varianza podría resultar negativa). Los polinomios obtenidos por regresión de
mínimos cuadrados rara vez satisfarían estas condiciones. En segundo lugar, los
mínimos cuadrados suponen que las muestras de muestra son observaciones
independientes, lo que claramente no es cierto para el variograma experimental.
Consiste en cuadrados de diferencias de combinaciones de valores. En tercer
lugar, no se conoce el comportamiento del variograma muy cerca del origen (es
decir, para distancias más brillantes que el primer retraso) y, sin embargo, es vital
y los mínimos cuadrados no tienen en cuenta esto. Se requiere experiencia y
juicio. El primer problema podría superarse ajustando solo modelos positivos
definidos,

4.9 Variogramas problemáticos

Los variogramas experimentales encontrados en la práctica son a menudo mucho

más erráticos que los ejemplos presentados en libros de texto y artículos de
revistas. Dado que las causas de los problemas potenciales son extremadamente
numerosas y variadas, sería imposible presentarlas todas. Armstrong (1984)
muestra algunos de los más comunes. Aquí hay algunos ejemplos más.

4.9.1 Valores atípicos

Como se vio en los ejercicios sobre el cálculo de variogramas experimentales, la

presencia de incluso un valor atípico puede conducir a un variograma altamente
errático. En un estudio sobre carbón de dos vetas en la cuenca de Bowen en
Australia (Armstrong, 1980), los variogramas para tres de las variables (espesor de
la costura, contenido de cenizas y FSI) fueron muy similares para ambas costuras,
pero los variogramas de azufre fueron totalmente diferentes. (Fig. 4.7.). Esto fue
bastante sorprendente. Un examen más detallado reveló que los datos de la costura
superior contenían dos valores de azufre extremadamente altos entre un grupo de
207 valores. (Esto se puede ver con bastante claridad en un histograma). El primer
paso fue verificar si estos valores eran correctos, pidiéndole al geólogo que
inspeccionara el medio núcleo restante. De hecho, las muestras provienen de un
área con alto contenido de azufre y los núcleos mostraron pirita visible. Entonces
los valores son reales. Después de eliminar estos dos valores anormales, el
variograma volvió a caer aproximadamente a un quinto de sus valores anteriores y
se parecía al variograma de azufre para la otra costura. Eliminar puntos
adicionales no hizo una diferencia significativa en el variograma.
 Experimental Variogramas ss

6 6
Variograma para top s'eam con 2 valores atípicos incluidos

4 4

2 Variograma para costura inferior

" Tbp costura, sin valores atípicos

080160240320
Fig. 4.7. 'tres variogramas para el contenido de azufre en dos vetas de carbón La
superior proviene de la costura superior con 2 valores atípicos incluidos, los otros
variogramas ‹: ame de la costura inferior y la estafa tcp después de eliminar los
valores atípicos

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).

4.9.2 Hipo pseudoperiódico

El variograma de cenizas calculado para un retraso de 40 m para el carbón de la
cuenca de Bowen en Australia ilustra el problema del "hipo pseudoperiódico"
(Fig. 4.8.a). Al principio, los dos picos bastante extraños en h = l00m y h = 280m
pueden parecer un signo de algún tipo de periodicidad en el carbón, pero esto no
es físicamente probable dada la naturaleza del carbón. Aunque inicialmente no es
obvio, las muestras se encuentran en una cuadrícula casi regular. El trazado del
histograma de las distancias entre pares de puntos para cada clase de distancia
muestra que este fue claramente el caso. (Fig. 4.Sb) En este caso la solución es
bastante simple. Todo lo que necesitamos hacer es cambiar la longitud del paso. El
cálculo de los variogramas para las clases de distancia l0tlm suavizó los baches.
56 Experimental Variogramas

0100200300 100200 300 400 500

Figura 4.8. (norte)Variograma experimental errático para contenido de cenizas en

carbón, (b) el histograma que muestra el número de pares de puntos para cada
rezago de variograma a la derecha Tenga en cuenta los picos en el histograma
(l60m y 320m)

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

Figura 4.9. : Variograma de diente de sierra errático

 Experimental Variogramas 57

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

Ej 4.1 Valores perdidos. Figura 4.10. muestra 13 ubicaciones de muestra

espaciadas a 5 m de distancia. Las calificaciones están disponibles en 12 de 13
puntos. falta el otro grado. Demuestre que solo hay 10 pares de puntos para el
primer retraso y que el valor de y '(5) =
4.7. Calcule el variograma experimental para los próximos dos rezagos y
complételo. A veces, las personas colocan erróneamente un cero en el lugar del
valor faltante. Calcule los primeros tres rezagos del variograma experimental y
compárelo con el anterior.

864365728563

Figura 4.10. Datos de ID regulares con 1 valor faltante

Ej 4.2 Valores atípicos. La siguiente figura muestra 13 ubicaciones de muestra

espaciadas a 5 m de distancia, con una pendiente (90) mucho más grande que las
otras. Calcule el variograma experimental para los primeros tres rezagos y
complételo. 'Si veo el impacto del valor atípico, compare este variograma con el
obtenido anteriormente (Fig. 4.3.)

86436572890563
Figura 4.11. Datos regulares de 1D que contienen un valor atípico
58 Experimental Variogramas

Ej 4.3 Varlograins en 2D. El tabie beiow otorga 35 grados en una cuadrícula

regular de l00m x l00m. Calcule los variogramas experimentales en las dos
direcciones principales para hasta 3 l) (lm. 1s, ¿este variograma es isotrópico?

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