Lección 6:

Modelamiento
de variograma
 Variograma teórico (1)

El variograma experimental requiere ser modelado:

• es incompleto (se calculó solamente para algunas
distancias y algunas direcciones del espacio)
• no cumple las condiciones matemáticas de una función
variograma

 Se ajusta un modelo teórico de variograma, definido en todas

las direcciones del espacio y para todas las distancias, en torno
al variograma experimental obtenido.
 Variograma teórico (2)

El variograma experimental fue definido como:

1
gˆ (h) =
2 | N(h) |
 
[ z (
N (h )
x ) − z ( x  )] 2

El variograma teórico se define al considerar los valores como

aleatorios (denotados con mayúscula) y al utilizar una esperanza
matemática en lugar de un promedio:

g(h) = E{ [Z(x + h) – Z(x)]2 } / 2

 Variograma teórico (3)

Propiedades del variograma teórico

• función positiva: g(h)  0

• función par: g(h) = g(−h)

• nulidad en el origen: g(0) = 0

• función de tipo negativo condicional

k k k
1 ,... k  R/  i = 0, x1 ,...x k ,   i  j g (xi − x j )  0
i =1 i =1 j =1
 Variograma teórico (4)

Relaciones entre herramientas variográficas

El variograma g(h), el correlograma r(h) y la covarianza C(h)

están relacionados entre sí:

r(h) = C(h) / C(0)

C(h) = g() – g(h)
g(h) = C(0) – C(h)

Cuando la distancia de separación h se vuelve infinita, la covarianza

y el correlograma tienden a 0, y el variograma es igual a la varianza:

g() = s2 = C(0)
 Variograma teórico (5)

Ilustración: función de covarianza y variograma

 Características de un variograma (1)

Comportamiento para distancias muy pequeñas

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 de un variograma (2)
 Características de un variograma (3)

Comportamiento para distancias muy grandes

Frecuentemente, el variograma se estabiliza en torno a una
meseta cuando la distancia crece infinitamente.

meseta
= varianza

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

→ efecto de escala (existe una meseta para distancias mayores)

→ presencia de una deriva (cuestionar un modelo estacionario)
→ función aleatoria con varianza infinita
 Características de un variograma (5)

Comportamiento direccional

El estudio de los variogramas direccionales permite identificar

las anisotropías de la variable regionalizada.
 Características de un variograma (6)

Otras características
Periodicidades: frecuente con fenómenos temporales,
menos con fenómenos espaciales
Efecto de hoyo: el variograma no es monótono
 Modelos elementales (1)
0 si h = 0
Efecto pepita: g (h) =
C en caso contrario

Este modelo se traduce en una ausencia total de correlación en el

espacio: dos datos distintos tienen valores independientes.
 Modelos elementales (2)
 3 | h | 1  | h | 3 
C −    si | h |  a
Modelo esférico: g (h) =  2 a 2 a  

C en caso contrario

alcance = a, meseta = C
 Modelos elementales (3)
  3 | h | 
Modelo exponencial: g (h ) = C 1 − 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 (4)
  3 | h |2  
Modelo Gaussiano: g (h) = C 1 − exp  − 2 
  a 

alcance práctico = a, meseta = C

 Modelos elementales (5)

Modelo potencia: g(h) = | h |q

Este variograma no posee alcance ni meseta

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

(variograma parabólico).
 Modelos elementales (6)
 a  | h | 
Modelo seno cardinal: g(h) = C 1 − sen  
 |h|  a 

alcance práctico = 20.4 a, semi-período = 4.5 a, meseta = C

 Modelos elementales (7)

Otros modelos
• cúbico
• pentaesférico
• seno exponencial
• modelos dependientes de un
parámetro de forma b:
✓ estable
✓ gamma
✓ Bessel-J
✓ Bessel-K (Whittle-Matérn)
✓ Cauchy generalizado
 Modelos anidados (1)

Para obtener modelos más complejos, se puede sumar varios

variogramas elementales. Se habla de “variogramas anidados”.
g (h) = g 1 (h) + g 2 (h) + ... + g S (h)

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 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 (soporte) de la muestra

• errores de medición

• errores en la ubicación de los datos

• muestreo preferencial en zonas de mayor variabilidad

 Anisotropías (1)

Definición

Un variograma es isótropo si es idéntico en todas las

direcciones del espacio. En caso contrario, existe anisotropía, la
cual indica que la variable regionalizada posee direcciones
preferenciales en cuanto a su continuidad.

Una herramienta para detectar las anisotropías consiste en graficar

el mapa variográfico, o sea el mapa de valores del variograma
experimental en función de la separación (distancia y orientación).
 Anisotropías (2)

Modelamiento: anisotropía geométrica

El mapa variográfico dibuja elipses (2D) o elipsoides (3D).
Sólo se requiere especificar las direcciones principales
(ortogonales) y los alcances correspondientes.
 Anisotropías (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. A la escala de trabajo, la meseta cambia
según la dirección.
 Reglas de ajuste

El modelo de variograma debe ser consistente en las

distintas direcciones, es decir, tener el mismo efecto pepita
y el mismo número y tipo de estructuras anidadas.

Por ejemplo, si el modelo de variograma fuera de tipo

esférico en una dirección y exponencial en otra, ¿cuál sería
su expresión en una dirección diagonal?
 Ajuste manual (1)

Ejercicio
Proponer un modelo para
el siguiente variograma,
suponiendo que las
direcciones principales
corresponden a los ejes de
coordenada
 Ajuste manual (2)

Prueba-y-error
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
 Ajuste manual (3)

g(h) = 0.1 pepita

Empezamos con un efecto pepita
de amplitud (meseta) 0.1
 Ajuste manual (4)

g(h) = 0.1 pepita

Empezamos con un efecto pepita
de amplitud (meseta) 0.1 + 0.9 exp(200m,120m,50m)
Luego se agrega una estructura
(exponencial) que llega a la
primera meseta, con alcances
propios a cada dirección
 Ajuste manual (5)

g(h) = 0.1 pepita

Empezamos con un efecto pepita
de amplitud (meseta) 0.1 + 0.9 exp(200m,120m,50m)
Luego se agrega una estructura + 0.3 exp(,120m,50m)
(exponencial) que llega a la
primera meseta, con alcances
propios a cada dirección
Luego se agrega una segunda
estructura para llegar a la
segunda meseta, dejando infinito
el alcance en la dirección 1
 Ajuste manual (6)

g(h) = 0.1 pepita

Empezamos con un efecto pepita
de amplitud (meseta) 0.1 + 0.9 exp(200m,120m,50m)
Luego se agrega una estructura + 0.3 exp(,120m,50m)
(exponencial) que llega a la + 0.2 exp(,,50m)
primera meseta, con alcances
propios a cada dirección
Luego se agrega una segunda
estructura para llegar a la
segunda meseta, dejando infinito
el alcance en la dirección 1
Finalmente se agrega una tercera
estructura para llegar a la meseta
total, dejando infinitos los
alcances en las direcciones 1 y 2
 Ajuste automático (1)

Mínimos cuadrados ordinarios

Se busca un modelo de variograma dentro de una familia de

modelos g(h;b) dependiente de un vector de parámetros b (efecto
pepita, alcances y mesetas de modelos básicos predefinidos). Se
elige el vector b que minimiza

K
Q(b) = [ gˆ (h k ) − g (h k ; b)]2
k =1

donde {hk: k = 1… K} son los vectores de separación para los

cuales fue calculado el variograma experimental.
 Ajuste automático (2)

Mínimos cuadrados ponderados

La cantidad a minimizar es:

K
Q(b) =  wk [ gˆ (h k ) − g (h k ; b)]2
k =1

para un conjunto de ponderadores {wk: k = 1… K} asignados a los

distintos vectores de separación. Elecciones comunes incluyen:
• wk proporcional al número de pares de datos usados para
calcular gˆ (h k )
• wk inversamente proporcional a la distancia |hk |
• wk inversamente proporcional al cuadrado de gˆ (h k )
 Consideraciones prácticas (1)

• Modelamiento direccional

Generalmente, se busca modelar anisotropías sencillas, con

2 ó 3 direcciones principales ortogonales entre sí

→ buscar la elipse o el elipsoide que mejor se acerca al mapa

variográfico
→ calcular el variograma experimental a lo largo de las
direcciones principales identificadas
→ eventualmente, complementar con otras direcciones o con
un variograma omnidireccional
 Consideraciones prácticas (2)

• Modelamiento para distancias grandes

El variograma experimental es poco confiable para distancias

grandes, es decir, superiores a la mitad del diámetro del
campo. Las fluctuaciones del variograma experimental
pueden ser considerables.

La meseta del variograma (varianza teórica) puede diferir de

la varianza del histograma (varianza empírica).
 Consideraciones prácticas (3)

• Modelamiento para distancias pequeñas

El comportamiento del modelo para distancias pequeñas es lo

más importante
→ describe la continuidad a pequeña escala
→ es crucial para la interpolación a partir de los datos cercanos
→ puede ser corroborado o rebatido si se dispone de datos
cercanos (cruces de muestreo, agrupamientos…)
→ comportamientos muy regulares son poco comunes; en
general, se tiene un variograma lineal en el origen o con
efecto pepita
 Consideraciones prácticas (4)

• Desconfiar de los procedimientos de ajuste

automático

→ el ajuste debe ser un trabajo interactivo,

donde el usuario tiene la palabra final
→ se debe prestar atención a la
representatividad de los puntos del
variograma experimental (número de
pares de datos usados), a la información
disponible sobre la variable regionalizada
y a la escala de trabajo

→ no existe un único modelo posible

 Aplicación a datos mineros (1)

Estudio de anisotropía (mapa variográfico)

Se destaca la dirección vertical, en oposición con las direcciones

horizontales.
 Aplicación a datos mineros (2)

Variograma experimental
Calculado cada 20m en el plano horizontal y 12m en la vertical
(con tolerancia angular de 15º )
 Aplicación a datos mineros (3)

Variograma modelado
Suma de tres modelos: pepita + 2 esféricos
g(h) = 0.05 pep + 0.13 esf (15m,180m) + 0.28 esf(100m,180m)
 Validación cruzada (1)

Objetivos

• Validar el modelo teórico de variograma

• Comparar la calidad de varios modelos posibles
• Validar los parámetros del kriging (vecindad...)

El kriging es un método que permite estimar el valor de una

variable con un promedio ponderado de los valores de los datos
vecinos. 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.
 Validación cruzada (2)

Principio

• estimar sucesivamente por kriging cada dato, 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. Se puede complementar
con el estudio de los errores estandarizados (es decir, los
errores divididos por su desviación estándar calculada por el
kriging).
 Validación cruzada (3)

Ilustración con los datos de ley de cobre (1)

 Validación cruzada (4)

Ilustración con los datos de ley de cobre (2)

 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 baja 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
 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:
Centro de gravedad
la ley media estimada
sobre la diagonal: la
es igual a la ley media
ley media estimada es
verdadera.
menor que la ley
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.
ley de
corte
 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] Media efectiva Media estimada
0.00 1.054 1.056
0.20 1.054 1.056
0.40 1.092 1.094
0.60 1.182 1.186
0.80 1.299 1.301
1.00 1.446 1.451
1.20 1.628 1.629
1.40 1.849 1.846
1.60 2.043 2.046
1.80 2.325 2.295
2.00 2.608 2.563
 Validación cruzada (9)
Estudio del insesgo condicional

En este caso, el sesgo condicional es despreciable.

 Validación cruzada (10)

Jack-knife
Una técnica similar a la validación cruzada es el llamado “jack-
knife”, el cual no considera una reposición de los datos: se divide
los datos en dos sub-conjuntos y se estima los datos del primer
sub-conjunto a partir de los datos del segundo sub-conjunto.
 Lecturas recomendadas

Carrasco, P., 2010. Nugget effect, artificial or natural?, Journal

of the South African Institute of Mining and Metallurgy 110(6),
299-305.

Chilès J.P. and Delfiner P., 2012. Geostatistics: Modeling Spatial

Uncertainty, Wiley, New York, 699 p

Cressie N., 1991. Fitting variogram models by weighted least

squares, Mathematical Geology 17(5), 563-586

Cressie N.A.C., 1993. Statistics for Spatial Data, Wiley, New

York, 928 p
 Lecturas recomendadas

David M., 1988. Handbook of Applied Advanced Geostatistical

Ore Reserve Estimation, Elsevier, Amsterdam

Emery X. and Séguret S.A., 2020. Geostatistics for the Mining

Industry - Applications to Porphyry Copper Deposits. CRC Press,
Boca Raton, 247 p.

Goovaerts P., 1997. Geostatistics for Natural Resources

Evaluation, Oxford University Press, New York, 480 p

Gringarten E. and Deutsch C.V., 2001. Variogram Interpretation

and Modeling, Mathematical Geology 33(4), 507-534
 Lecturas recomendadas

Guibal D., 2001. Variography: a tool for the resource geologist, in:
Edwards A.C. (ed.) Mineral Resource and Ore Reserve Estimation:
The AusIMM Guide to Good Practice. The Australasian Institute of
Mining and Metallurgy, Melbourne, pp. 85-90.

Isaaks E.H. and Srivastava R.M., 1989. An Introduction to Applied

Geostatistics, Oxford University Press, New York, 561 p

Journel A.G. and Huijbregts C.J., 1978. Mining Geostatistics,

Academic Press, London, 600 p

Marchant B.P. and Lark R.M., 2004. Estimating Variogram

Uncertainty, Mathematical Geology 36(8), 867-898