UNIVERSIDAD NACIONAL AUTÓNOMA

DE MÉXICO

GEOESTADÍSTICA
APLICADA

Tema: Análisis Variográfico

Instructores:
Dr. Martín A. Díaz Viera ([email protected])
Dr. Ricardo Casar González ([email protected])

2009
 Contenido
• Introducción
• El Semivariograma. Definición
• Estimación del semivariograma
• Forma general del variograma
• Consideraciones para el cómputo del variograma
• Modelos autorizados
• Modelos transitivos o acotados
• Modelos no acotados
• Variogramas Anisotrópicos
• Modelación del variograma experimental
• Validación del modelo del variograma

22/06/2014 CG4-Análisis Estructural 2

 Introducción
• El análisis variográfico o estructural es uno
de los tópicos más importantes de la
geoestadística puesto que se encarga de la
caracterización de la estructura espacial de
una propiedad o fenómeno.
• Es el proceso en el marco del cual se obtiene
un modelo geoestadístico para la función
aleatoria que se estudia.

22/06/2014 CG4-Análisis Estructural 3

 Introducción
• El análisis estructural consiste en estimar y
modelar una función que refleje la correlación
espacial de la variable regionalizada a partir de la
adopción razonada de la hipótesis más adecuada
acerca de su variabilidad.
• En dependencia de las características de
estacionaridad del fenómeno se modelará la función
de covarianzas o la de semivarianzas.
• Por su importancia y generalidad estudiaremos el
proceso de estimación y modelación de la función
de semivarianzas o semivariograma.

22/06/2014 CG4-Análisis Estructural 4

 El Semivariograma. Definición
• El semivariograma, conocido también
como variograma, es la herramienta
central de la geoestadística. Dada una FA
Z(x) que cumpla la Hipótesis Intrínseca
entonces existe la función semivarianza y
se define como sigue:
2
  h  Var Z  x  Z  x  h   E Z  x  Z  x  h 
1
2
1
2
 
22/06/2014 CG4-Análisis Estructural 5
 Estimación del semivariograma
• Existen varios estimadores pero la forma de
estimación más común está dada por
N  h
2
  h   1
2 N h   Z  x i  h   Z  x i  
i 1

N  h  - es el número de pares Z  x i  y Z  xi  h 
separados a una distancia h  h

22/06/2014 CG4-Análisis Estructural 6

Estimación del semivariograma
• Debido a que el estimador es esencialmente una
media muestral, tiene todas las desventajas
comúnmente asociadas a este tipo de estimadores
como es la no robustez.

• A menudo el empleo de este estimador produce

variogramas experimentales erráticos, lo cuál se
debe a desviaciones del caso ideal para la
aplicación del mismo.

22/06/2014 CG4-Análisis Estructural 7

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

1. Desviaciones en la distribución
2. No homogeneidad de la varianza
3. Desviaciones en el muestreo
4. Existencia de valores atípicos (outliers)

22/06/2014 CG4-Análisis Estructural 8

 Forma general del variograma
γ h 

h
22/06/2014 CG4-Análisis Estructural 9
 Consideraciones para el cómputo
del variograma
• Los pares de las observaciones se agrupan según la
distancia dentro de un intervalo con una tolerancia y dentro
de una dirección con una tolerancia angular.
• Se estima para valores menores que la mitad de la distancia
máxima.
• Se considera que un número máximo de 25 intervalos
es suficiente para cualquier propósito y un mínimo de
10 debe ser usado para determinar con precisión el rango
y la meseta del variograma.
• Se considera que debe haber entre 30 y 50 pares de puntos
como mínimo 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.
22/06/2014 CG4-Análisis Estructural 10
 Consideraciones para el cómputo
del variograma

22/06/2014 CG4-Análisis Estructural 11

 Ejemplo de variograma

22/06/2014 CG4-Análisis Estructural 12

 Ejemplo de variograma
Archivo de datos : BURB_KH.gsd
Tipo de variable : 2-D
Nombre de la variable: Net_kh [ kh]
Nombre Coordenada X : Easting [ ft]
Nombre Coordenada Y : Northing [ ft]
ESTIMACION EN UNA SOLA DIRECCION
Direccion = 90 grados, Tolerancia = 90.0 grados
Longitud del intervalo = 9.0000000000E+02 ft

No. lag Intervalos lags No. de pares Semivarianzas

1 606.5 3 4.3357868502E+07
2 1416.7 32 4.2722510576E+07
3 2287.1 75 4.1908861182E+07
4 3069.1 83 6.1412796703E+07
5 4080.1 91 6.8055539378E+07
6 5003.2 114 7.3922112328E+07
7 5753.4 106 8.0364283866E+07
8 6770.1 112 1.0670918759E+08
9 7715.7 105 9.5201853209E+07
10 8513.7 90 5.2483386806E+07

22/06/2014 CG4-Análisis Estructural 13

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

22/06/2014 CG4-Análisis Estructural 14

 Modelos transitivos o acotados
• Este grupo de modelos se deriva a
partir de la noción de autocorrelación
entre los valores promedios dentro
de los bloques.
• La idea es que la función aleatoria, de
la cual la propiedad medida es una
realización, depende del grado de
traslape de los dos bloques.
22/06/2014 CG4-Análisis Estructural 15
 Modelo Esférico
S

 3 h a    h a 
 ( h)   2
3
 para 0  h  a
 S para ha

22/06/2014 CG4-Análisis Estructural 16

 Modelo Exponencial
 (h)  S 1  exp   3h a   para h0

22/06/2014 CG4-Análisis Estructural 17

 Modelo Gaussiano

  2
 (h)  S 1  exp   3h a  
  para h0

22/06/2014 CG4-Análisis Estructural 18

 Modelo Efecto Agujero (Hole)
 (h)  S 1  cos( h a)  para h0

22/06/2014 CG4-Análisis Estructural 19

 Modelo Efecto Pepita (Nugget)
 (h)  S 1   (h) 

22/06/2014 CG4-Análisis Estructural 20

 Influencia del Alcance
3 lags 10 lags

25 lags 50 lags

22/06/2014 CG4-Análisis Estructural 21

 Influencia del Efecto Nugget

Sin Efecto
Nugget

33%
Nugget

22/06/2014 CG4-Análisis Estructural 22

 Influencia del Efecto Nugget

66%
Nugget

100%
Nugget

22/06/2014 CG4-Análisis 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 variación
que queda sin resolver.
• Mandelbrot (1982) llamó al resultado de
tales procesos fractales.
• Ejemplos: El ruido gaussiano fraccional
(fGn) y el movimiento browniano fraccional
(fBm).

22/06/2014 CG4-Análisis Estructural 24

 Modelos no acotados
1 
Modelo Potencia  (h)  h ; para 0    2
2
Relación entre la dimensión fractal D
(Hausdorff-Besicovitch) y el parámetro 
D  2   2 
Casos Extremos:
 =2 y D=1, es una parábola, no representa
un proceso aleatorio.
 =0 y D=2 ruido puro (efecto nugget).
22/06/2014 CG4-Análisis Estructural 25
 Combinación de Modelos
• Una combinación lineal de modelos de
variogramas autorizados con
coeficientes positivos representa un
modelo de variograma válido.
• 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
22/06/2014 CG4-Análisis Estructural 26
 Combinación de Modelos
• La combinación 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.
22/06/2014 CG4-Análisis Estructural 27
 Combinación de Modelos
  h   0  h  1  h   2  h

22/06/2014 CG4-Análisis Estructural 28

 Variogramas Anisotrópicos
• Existen numerosas situaciones en que la
variación es anisotrópica, es decir depende
de la dirección.
• Si la anisotropía se puede tener en cuenta
mediante una transformación lineal simple
de las coordenadas, entonces se dice que la
anisotropía es geométrica o afín.
• La anisotropía se refleja en diferentes
alcances según la dirección. El gráfico
direccional de los rangos forma una elipse.

22/06/2014 CG4-Análisis Estructural 29

 Anisotropía Geométrica
Fórmula de la transformación:
1
( )   A2 cos 2 (   )  B 2 sen 2 (   )  2

A- eje mayor (variabilidad es más lenta)

B- eje menor (variabilidad es más rápida)
 - dirección (ángulo) 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 anisotropía.
22/06/2014 CG4-Análisis Estructural 30
 Anisotropía Geométrica

22/06/2014 CG4-Análisis Estructural 31

 Anisotropía Geométrica
En la práctica se estiman los variogramas en
4 direcciones principales (0, 45, 90 y 135
grados)
Se determinan los rangos para cada dirección.
Luego se construye el gráfico direccional de
los rangos para decidir si hay anisotropía
geométrica presente o no.
Finalmente, se determinan A, B y la dirección
(ángulo) de mayor alcance.
22/06/2014 CG4-Análisis Estructural 32
 Anisotropía Geométrica

22/06/2014 CG4-Análisis Estructural 33

 Anisotropía Zonal
Cuando la anisotropía se refleja en la meseta, es
decir, en dependencia de la dirección el
variograma presenta diferentes mesetas.
Un ejemplo típico es la situación 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 dirección horizontal.
22/06/2014 CG4-Análisis Estructural 34
 Anisotropía Zonal

22/06/2014 CG4-Análisis Estructural 35

 Modelación del variograma
• Algunos geoestadísticos ajustan los
modelos de forma visual.
• Es recomendable auxiliarse con algún
procedimiento estadístico.
• Por ejemplo, un ajuste con un Método de
Mínimos Cuadrados.
• Se requiere de un criterio de bondad de
ajuste y complejidad del modelo
• Criterio de Información de Akaike (AIC)
22/06/2014 CG4-Análisis Estructural 36
 Modelación del variograma

Ajuste MC

22/06/2014 CG4-Análisis Estructural 37

 Modelación del variograma

Ajuste Visual

22/06/2014 CG4-Análisis Estructural 38

 Validación del modelo
• Un método sencillo y eficiente 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 análoga se actúa 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.
22/06/2014 CG4-Análisis Estructural 39
 Validación 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 "cercanía" puede ser caracterizada según los
siguientes criterios:
1 n

n i 1
 Z  x i   Z *
 xi  cercano a 0
1 n 2

n i 1
 Z  x i   Z  x i  pequeño
*

• El histograma de los errores normalizados permite

identificar valores atípicos (outliers), datos sospechosos
o anomalías de otra naturaleza.

22/06/2014 CG4-Análisis Estructural 40

 Validación del modelo

22/06/2014 CG4-Análisis Estructural 41