Universidad Nacional de Colombia Sede Medelln 8 de septiembre de 2017

Primer Parcial de Simulacin y Modelacin de Yacimientos

Diana Fernanda Collazos Corts

Estudiante de Ingeniera Geolgica
C.c. 1214732043

1. Definir distribucin para ambas variables.

Thickness:

Figura 1. Histograma para la variable thickness.

Figura 2. Boxplot para la variable thickness.

Figura 3. Q-Q Plot: thickness vs distribucin Gaussiana [izquierda]. Q-Q Plot: thickness vs distribucin Lognormal [derecha].
De acuerdo a las figuras 1 y 2, los datos exhiben mayor concentracin en la zona central-izquierda
que en los extremos, y presentan valores atpicos hacia el borde derecho, semejante a una
distribucin asimtrica positiva cuya cola derecha es ms larga que la izquierda. Al realizar
comparaciones mediante el Q-Q Plot con las distribuciones Gaussiana y Lognormal (figura 3), que
muestran un comportamiento acampanado tal como los datos, se ajusta mejor la Lognormal. Lo
anterior se visualiza en qu tanto se acercan los puntos a la lnea recta diagonal. En los extremos de
ambas graficas los datos se alejan un poco, pero en general los puntos en la Lognormal se mantienen
ms cercanos a la recta. Esto es consecuente con la descripcin del histograma y el Boxplot.

Elevation:

Figura 4. Histograma para la variable elevation.

Figura 5. Boxplot para la variable elevation.

Figura 6. Q-Q Plot: elevation vs distribucin Gaussiana [izquierda]. Q-Q Plot: elevation vs distribucin Lognormal [derecha].
Al igual que para la variable thickness, elevation muestra un comportamiento de distribucin
asimtrica positiva. Al comparar los Q-Q Plot, de nuevo el Lognormal se acerca un poco ms a la
recta diagonal que el Gaussiano, lo que indica que una distribucin ms acertada para los datos es
una Lognormal, consecuentemente con lo observado en el histograma y el Boxplot.

2. Cmo se correlacionan estas variables?

Figura 7. Scatter Diagram: elevation vs thickness.

Se realiz un Scatter Diagram para saber la correlacin entre las variables elevation y thickness.

Figura 8. Scatter Diagram - Cmo se usa? Correlacin. Tomada de: https://www.slideshare.net/shrey8916/scatter-

diagram-39314392

De acuerdo a la figura 8, el diagrama de la figura 7 muestra un grado de correlacin alto de tipo

negativo. El programa tambin arroja un coeficiente de correlacin, rho, cuyo valor es de -0.724.
Lo anterior indica que es muy posible que las variables si estn relacionadas y de forma inversa, es
decir que, si una aumenta, la otra disminuye.
En la figura 9, tanto el tamao del + como su color, indican magnitud. Al comparar los + en ambas
grficas, se ve que son opuestas, sobre todo en los extremos. Por ejemplo, si a un lado el + es azul
y pequeo, al otro lado en la misma posicin, es rojo y ms grande.

Figura 9. Basemap para elevation (izquierda) y thickness (derecha).

3. Realizar variogramas para definir continuidad, isotropa, anisotropa, modelos.

Thickness:

Se inici con un variograma Omnidireccional. Luego de varios intentos se consider que un buen
variograma es obtenido con los datos mostrados por las flechas rojas en la figura 10. El
variograma experimental isotrpico obtenido se muestra en la figura 11.

Figura 10. Parmetros para el variograma isotrpico de la variable thickness.

 Figura 11. Variograma experimental isotrpico para la variable thickness.

En la figura 11 se ha sealado con una estrella el punto en el cual el comportamiento deja de ser
continuo. Las coordenadas de este indican el Sill (eje vertical) y el Rango (eje horizontal), que en
este caso corresponden a aproximadamente 240 y 29000 metros, respectivamente.

Figura 12. Parmetros para el H-Scatter Plot de la variable thickness basado en el Variograma isotrpico.

Figura 13. H-Scatter Plot para la variable thickness.

Para visualizar de mejor manera la continuidad de la variable, se grafic un H-Scatter Plot (figura
13). En ella se visualizan dos regiones; una en la parte superior derecha, que contiene los datos
separados por la falla, y otra en la esquina inferior izquierda, que corresponde a los datos que no
estn afectados por ella. Cada + representa un par, y cada alineacin, horizontal o vertical, son
pares que llegan a un mismo punto. Se ha escogido una distancia donde la variable es continua
(rango), es decir, que el lag puede barrer muchos pares, con la intencin de ver el comportamiento
de la mayor cantidad de posibles pares.

El grafico es bastante simtrico, e indica que hay regiones en las cuales se forman muchos pares en
todas direcciones, por lo que hay suficiente informacin en esa regin para hacer un modelo que
pueda estimar valores donde no hay datos.

Tambin, con ver este grfico se podra decir que, quiz, una buena opcin para modelar los datos
sera separndolos en dos regiones: los que estn afectados por la falla y los que no.

Figura 14. Variogram Map para la variable thickness.

Se realiz un Variogram Map (figura 14) para mirar las direcciones en que se presenta menor y
mayor varianza, ya que en donde hay menor varianza es donde los datos estn ms cercanos, por
tanto, hay mayor informacin. Consecuentemente, es preferible usar los datos en esa direccin.
Para la variable thickness se hall que exhibe menor varianza a 135-315 (azimut).

Figura 15. Parmetros para el variograma anisotrpico de la variable thickness.

 Figura 16. Variograma experimental anisotrpico para la variable thickness

En la figura 16 se observa el variograma direccional a N135. Aproximadamente: Sill = 237 m Rango

= 30000 m.

Seguidamente, se procede a usar la herramienta Variogram Fitting para hallar modelos para los
variogramas, isotrpico (figura 17) y anisotrpico (figura 18), obtenidos. Esto se hace con el fin de
que, mediante una funcin matemtica, se puedan estimar, con cierto grado de error, datos que no
fueron muestreados.

Figura 17. Variogram Fitting basado en el variograma experimental isotrpico para la variable thickness.

Model : Covariance part

=======================
Number of variables = 1
- Variable 1 : thickness
Number of basic structures = 1
S1 : Cubic - Range = 53032.33m
Sill = 249.2039777695
Automatic Fitting scores :
- Number of iterations = 14
- Sum of squared residuals = 9.189153
- Akaike criterion = -9.822422
- Bayesian Information criterion = -8.536839
The Model Parameter File (Variog_Exp_Isot_Thick2) has been updated
El modelo de la figura 17 se obtuvo con un ajuste cbico tras 14 iteraciones. Notar que el Sill es muy
cercano al del variograma isotrpico experimental (menos de 10 unidades de diferencia). El Rango
no, probablemente porque la funcin alcanza el Sill despus.

Figura 18. Variogram Fitting basado en el variograma experimental anisotrpico para la variable thickness.

Model : Covariance part

=======================
Number of variables = 1
- Variable 1 : thickness
Number of basic structures = 1
S1 : Cubic - Range = 52455.58m
Sill = 245.8825915922
Automatic Fitting scores :
- Number of iterations = 14
- Sum of squared residuals = 8.420007
- Akaike criterion = -11.570685
- Bayesian Information criterion = -10.285103
The Model Parameter File (T4) has been updated

El modelo de la figura 18 se obtuvo con un ajuste cbico tras 14 iteraciones. El Sill es muy cercano
al del variograma experimental (menos de 10 unidades de diferencia) mientras que el Rango se
aleja, ya que la funcin tarda un poco en alcanzar estabilidad.

Elevation:

Se considera que un buen variograma es obtenido con los datos mostrados por las flechas azules en
la figura 19. El variograma experimental isotrpico resultante se muestra en la figura 20. En esta
ltima, se ha sealado con una estrella el punto en el cual el comportamiento deja de ser continuo.
En este caso el Sill tiene un valor de 37000 y el rango un valor de 18750.
 Figura 19. Parmetros para el variograma isotrpico de la variable elevation.

Figura 20. Variograma experimental isotrpico para la variable elevation.

Se realiz un Variogram Map (figura 21), el cual indica que la variable elevation presenta dos
direcciones preferenciales, una ms marcada a N97 y otra a N135. Para realizar el variograma
experimental se escogi la direccin N97 (Figura 23).
Figura 21.Variogram Map para la variable elevation (izquierda) y los variogramas en las direcciones N97 y N135.

Figura 22. Parmetros para el variograma anisotrpico de la variable elevation.

Figura 23. Variograma experimental anisotrpico para la variable elevation.

 Figura 24. Variogram Fitting basado en el variograma experimental isotrpico para la variable elevation.

Model : Covariance part

=======================
Number of variables = 1
- Variable 1 : elevation
Number of basic structures = 1
S1 : Cubic - Range = 30459.25m
Sill = 38329.79595189
Automatic Fitting scores :
- Number of iterations = 7
- Sum of squared residuals = 264278.965161
- Akaike criterion = 108.589645
- Bayesian Information criterion = 107.480530
The Model Parameter File (Variog_Exp_Isot_Elev2) has been updated

El modelo isotrpico para elevation de la figura 24 se obtuvo con un ajuste cbico tras 7 iteraciones.
El Sill es nuevamente similar al obtenido en el variograma experimental (~1000 unidades de
diferencia), mientras que el rango se aleja ms de 10000 unidades.

Figura 25. Variogram Fitting basado en el variograma experimental aniisotrpico para la variable elevation.

El modelo anisotrpico para elevation de la figura 25 se obtuvo con un ajuste cbico tras 8
iteraciones.
Model : Covariance part
=======================
Number of variables = 1
- Variable 1 : elevation
Number of basic structures = 1
S1 : Cubic - Range = 36323.95m
Sill = 47115.21028716
Automatic Fitting scores :
- Number of iterations = 8
- Sum of squared residuals = 283666.813223
- Akaike criterion = 153.747475
- Bayesian Information criterion = 154.163575
The Model Parameter File (T5) has been updated

4. Validar cada uno de los variogramas construidos y concluir con cual se realizara mejor la
estimacin.

Thickness Isotrpica

Figura 26. Cross-validation Test del modelo para la variable thickness basado en el variograma experimental isotrpico.

La figura 26 muestra la estimacin del modelo en un punto aleatorio escogido. Se ve que el valor
obtenido (56.64) es bastante cercano al real (55.78).
 Figura 27. Resultados arrojados por Cross-validation para el modelo isotrpico de la variable thickness.

El rho obtenido es de 0.947 (grfica superior izquierda de la figura 27), por lo cual se considera que
es un buen modelo. En las grficas pareciera que hay muchos outliers, pero es debido a que al valor
del threshold que fue muy pequeo (2.5).
 Thickness anisotrpica

Figura 28. Cross-validation Test del modelo para la variable thickness basado en el variograma experimental
anisotrpico.

Para el punto aleatorio escogido, se observa que la estimacin obtenida (56.63) es bastante cercana
a la real (55.78).
 Figura 29. Resultados arrojados por Cross-validation para el modelo anisotrpico de la variable thickness.

El rho obtenido es de 0.947 por lo que se considera que es un buen modelo. En este caso hay menos
outliers porque se escogi un threshold ms amplio.
 Elevacin Isotrpica

Figura 30. Cross-validation Test del modelo para la variable elevation basado en el variograma experimental isotrpico.

Para este caso, en el punto aleatorio escogido hay una diferencia de aproximadamente 15 unidades
entre el valor estimado y el real. A pesar del error, se considera que el modelo puede estimar
relativamente bien el comportamiento de este dato.
 Figura 31. Resultados arrojados por Cross-validation para el modelo isotrpico de la variable elevation.

El rho obtenido fue de 0.993, lo que indica que el modelo hace estimaciones bastante acertadas
acerca del valor real de un dato.
 Elevacin Anisotropica

Figura 32. Cross-validation Test del modelo para la variable elevation basado en el variograma experimental anisotrpico.

Para este caso, en el punto aleatorio escogido hay una diferencia de aproximadamente 20 unidades
entre el valor estimado y el real. Aun as, el modelo da una idea bastante cercana del valor real.
 Figura 33. Resultados arrojados por Cross-validation para el modelo anisotrpico de la variable elevation.

El rho obtenido fue de 0.994, lo que indica que el modelo hace estimaciones bastante acertadas
acerca del valor real de un dato.

Conclusiones

Para ambas variables, la diferencia de rho entre los modelos isotrpicos y anisotrpicos no fue
considerable. En el caso de thickness, el rho fue el mismo para ambos, y en el de elevation, la
diferencia fue de apenas 0.001, siendo mayor para la elevacin anisotrpica. En general, las
aproximaciones obtenidas son buenas, muy cercanas a las reales. El error parecera mayor para
elevation, pero esto se debe a que el rango de sus datos es mayor que el de thickness. Mientras que
en thickness los espesores varan entre aproximadamente 20 y 120 metros, en elevation estos van
de 1200 a 2600 metros.
5. Cul es la diferencia entre varianza real y terica?

La diferencia es que para la varianza terica se toman un conjunto de datos muestreados, mientras
que la varianza real vendra a ser la que se obtendra si se muestreara cada unidad del espacio. Como
un modelo es una aproximacin matemtica que puede calcular su valor en cada punto de su
dominio, la varianza calculada en este sera la varianza real para el modelo, porque lo calcula con
toda la informacin de su espacio. Hay que tener en cuenta que el modelo no representa la realidad
exactamente, sino que se basa en suposiciones y tiene una extensin limitada. Por eso es posible
que en realidad nunca se conozca la varianza real, pero para fines prcticos, un modelo puede dar
un resultado bastante acertado.