UNIVERSIDAD ALAS PERUANAS

FACULTAD DE INGENIERA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERA DE MINAS

CURSO: GEOESTADSTICA II

DOCENTE DEL CURSO

ING. KROVER W. LAZARTE PONCE

Ing. Krover W. Lazarte P. 1

 4. CONTENIDO ANALTICO

SEMANA 3
1.7 Semivariogramas Anisotrpicos
1.8 Modelacin del variograma experimental
1.8.1 Mtodos de ajuste
1.8.2 Criterios de Seleccin de los Modelos
1.9 Validacin del modelo del semivariograma
SEMANA 4
Captulo I: KRIGING
2.1 Estimador lineal insesgado
2.2 Planteamiento del problema general
2.3 Ecuaciones del Kriging ordinario
2.4 Ecuaciones del Kriging ordinario en forma matricial

Ing. Krover W. Lazarte P. 2

 1.7 Semivariogramas Anisotrpicos
Todos los modelos anteriormente presentados son isotrpicos, es decir, la
variabilidad espacial no depende de la direccin.
En la prctica existen numerosas situaciones en que la variacin es
anisotrpica, por lo que en cada direccin hay semivariograma diferente.
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.

Ing. Krover W. Lazarte P. 3

 Anisotropa Geomtrica
Frmula de la transformacin:

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.

Ing. Krover W. Lazarte P. 4

 Anisotropa Geomtrica

Ing. Krover W. Lazarte P. 5

 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.

Ing. Krover W. Lazarte P. 6

 Anisotropa Geomtrica

Ing. Krover W. Lazarte P. 7

 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.

Ing. Krover W. Lazarte P. 8

 Anisotropa Zonal

Ing. Krover W. Lazarte P. 9

 1.8 Modelacin del variograma experimental
1.8.1 Mtodos de ajuste
Algunos geoestadsticos ajustan los modelos de forma visual esta
practica no es fiable.
Es recomendable auxiliarse con algn procedimiento estadstico.
Por ejemplo: con frecuencia se usa un ajuste con un Mtodo de
Mnimos Cuadrados.
Mnimos Cuadrados Ordinarios (MCO). Asume que los residuos estn
normalmente distribuidos y son independientes y que las semivarianzas
estimadas poseen igual varianza.
Mnimos Cuadrados Generalizados (MCG). Se evitan muchos de los
problemas de los MCO, pero requiere de la inversin de grandes
matrices, lo que hace el procedimiento muy complicado.
Mnimos Cuadrados Ponderados. Se minimiza la siguiente expresin:

donde

Ing. Krover W. Lazarte P. 10

 1.8 Modelacin del variograma experimental
1.8.2 Criterios de Seleccin de los Modelos
Se requiere de un criterio de bondad de ajuste y complejidad del
modelo
Criterio de Informacin de Akaike (AIC)

Ing. Krover W. Lazarte P. 11

 Modelacin del variograma

Ing. Krover W. Lazarte P. 12

 Modelacin del variograma

Ing. Krover W. Lazarte P. 13

 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.

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.

Ing. Krover W. Lazarte P. 14

 Validacin del modelo
Esta "cercana" puede ser caracterizada segn los siguientes criterios:

El histograma de los errores normalizados permite identificar valores

atpicos (outliers), datos sospechosos o anomalas de otra naturaleza.

Ing. Krover W. Lazarte P. 15

 Validacin del modelo

Ing. Krover W. Lazarte P. 16

Ciencia Tecnologia y Medio Ambiente

Para uso restringido para KL. Todos los derechos reservados. Ninguna
parte de esta presentacin puede ser reproducida o utilizada en ninguna
forma o por ningn medio sin permiso explcito de Krover Lazarte.