2.7 VARIOGRAMA EXPERIMENTAL MODELAMIENTO DE VARIOGRAMA

¿Cómo se calculan las covarianzas y variogramas en diferentes espacios?

Introducción a Covarianzas y Variogramas

• Se menciona la existencia de referencias sobre covarianzas y variogramas, incluso en espacios no euclidianos como esferas.

• Ejemplos de covarianzas en grafos, donde los datos pueden representar ríos, mostrando la versatilidad de la teoría matemática aplicada.

Espacios Euclidianos y Dimensionalidad

• La mayoría de los análisis se realizan en espacios euclidianos 2D o 3D; se introduce el concepto de un espacio 5D con variables geotécnicas.

• Se destaca que la covarianza depende tanto de distancias espaciales como angulares entre muestras.

¿Qué es el análisis valog gráfico?

Etapas del Análisis Valog Gráfico

• El primer paso es calcular una curva experimental que aproxima el variograma; luego se ajusta una función teórica.

• El análisis valog gráfico permite medir la continuidad espacial de una variable, cuantificando interacciones entre datos.

Representación Cuantitativa vs. Cualitativa

• A través del valograma, se obtiene una representación cuantitativa que complementa las visualizaciones cualitativas previas.

• Se enfatiza la importancia de calcular un valograma experimental basado en datos disponibles para estimar funciones aleatorias subyacentes.

Validación del Modelo de Variograma

Importancia de Validaciones

• Es crucial validar modelos al realizar reportes públicos o internos sobre recursos; esto asegura la calidad del ajuste realizado.

Nubes de Correlación Diferida

• Se introduce el concepto de nubes de correlación diferida, donde se comparan datos a distintas distancias para evaluar su relación.

Análisis Práctico con Datos Reales

Comparación entre Datos Distantes

• Se utilizan 2376 datos sobre ley de cobre para crear nubes de correlación a diferentes distancias (0m, 2m, 10m hasta 100m).

Observaciones sobre Dispersión

Análisis de la Dispersión y Correlación Espacial

Conceptos Clave sobre la Dispersión

• La dispersión se refiere a cómo se pierde la correlación entre los datos a medida que aumenta la distancia, desde 0 hasta 100 metros.

• Se busca generar curvas en lugar de una simple nube de puntos para representar mejor esta relación.

Generación del Correlograma

• El correlograma muestra el coeficiente de correlación en función de la distancia; valores cercanos a 1 indican alta correlación, mientras que valores más bajos indican menor correlación.

• A distancias mayores, como 100 metros, se observan líneas continuas debido a pares de datos que comparten un dato común.

Comportamiento del Coeficiente de Correlación

• A mayor distancia, se espera ver una continuidad más marcada en el correlograma; sin embargo, esto depende de si los datos son omnidireccionales o no.

• La tendencia general es que el coeficiente de correlación disminuye con el aumento de la distancia. Esto puede oscilar pero tiende a ser decreciente.

Interpretaciones del Correlograma

• Para distancias grandes (más allá de 110 metros), la correlación tiende a cero, indicando independencia entre los datos analizados.

• En situaciones prácticas, cuando se toman dos datos distantes (por ejemplo, 110 m), ya no hay dependencia lineal observable.

Aplicaciones Prácticas y Observaciones

• La influencia informativa de un dato se extiende hasta aproximadamente 110 metros; más allá, los datos son independientes.

Covarianza y Correlación en Análisis de Datos

Introducción a la Covarianza y Correlación

• La covarianza se relaciona con la correlación, siendo la primera una medida no normalizada que comienza en la varianza.

• Se menciona que el correlograma inicia en uno, mientras que la covarianza comienza en un valor específico (ejemplo: 0.41) y decrece progresivamente.

Herramientas para Medir Dispersión

• El valog grama es otra herramienta que mide la dispersión de los datos utilizando un parámetro llamado inercia.

• La inercia se define como la distancia cuadrática promedio entre un punto de datos y una línea diagonal, calculando el promedio de las distancias elevadas al cuadrado.

Cálculo de Inercia

• Para calcular la inercia, se proyecta cada punto sobre la diagonal y se mide su distancia; luego se promedian estas distancias al cuadrado.

• Este cálculo permite obtener una medida cuantitativa del valog grama, reflejando cómo varía esta energía a diferentes distancias.

Relación entre Energía e Inercia

• Cuando todos los puntos están sobre la diagonal, la energía es mínima (cero), lo cual contrasta con el aumento progresivo de distancia fuera de esta línea.

• A medida que aumenta la distancia desde la diagonal, el valog grama tiende a ser una función creciente, indicando mayor inercia.

Análisis Gráfico y Pérdida de Relación

• Se discute cómo identificar gráficamente cuándo los datos comienzan a perder relación mediante análisis visual.

• La pérdida progresiva de correlación puede observarse en gráficos específicos donde las correlaciones disminuyen gradualmente.

Estabilidad del Valog Grama

• Se menciona que el valog grama puede estabilizarse alrededor de ciertos valores (ejemplo: 80 m), aunque esto puede variar debido a fluctuaciones experimentales.

• El gráfico no proporciona conclusiones definitivas; más bien ofrece una representación cualitativa del comportamiento de los datos.

Cuantificación y Comparación

• Existen varias opciones para cuantificar relaciones: correlación (correlograma), covarianza (función de covarianza), e inercia (valog grama).

• Un variograma experimental muestra tendencias similares a las observadas en covarianzas o correlogramas, pero son estimaciones imperfectas debido a su naturaleza experimental.

Implicaciones del Crecimiento del Valog Grama

• La velocidad con que crece el valog grama indica cuán rápidamente se pierde dependencia espacial entre dos conjuntos de datos.

Análisis del Variograma y su Comportamiento Espacial

Yacimientos Erráticos y Estabilización del Variograma

• Se observa que los yacimientos pueden ser erráticos, lo que implica un crecimiento rápido. La estabilización del variograma no es siempre clara, con distancias de 80 a 110 como posibles puntos de referencia.

• La distancia a la cual se estabiliza el variograma se denomina "alcance". Este concepto es crucial para entender la correlación entre datos cercanos.

Influencia de la Distancia en la Correlación

• Si dos datos están dentro del alcance, tendrán correlación; si están más allá, se comportarán como independientes. Esto resalta la importancia de conocer el alcance en análisis espaciales.

Comportamiento a Pequeña Escala

• El variograma puede mostrar diferentes formas a pequeñas distancias, reflejando aspectos específicos de la variable analizada. Un ejemplo académico ilustra cómo las variables regionalizadas pueden tener una variación espacial suave.

• Una variable extremadamente regular muestra una suavidad en su variación espacial, representada por un variograma con forma parabólica.

Continuidad vs. Discontinuidad

• Las variables pueden ser suaves o irregulares; sin embargo, es más común observar continuidad en las transiciones espaciales. Esto se traduce en un comportamiento lineal en el variograma.

• La continuidad implica que las transiciones entre valores son graduales y no abruptas, lo cual es más frecuente que una regularidad extrema.

Efecto Pepita y Comportamientos Discontinuos

• El efecto Pepita describe situaciones donde hay alta concentración (como pepitas de oro), seguidas por áreas vacías. Este fenómeno refleja discontinuidades significativas en el espacio.

Comportamiento Direccional del Variograma

Variogramas y Continuidad en Geoestadística

Análisis de la Continuidad Direccional

• Se observa mayor continuidad en la dirección norte 35° oeste, mientras que hay menor continuidad en la dirección norte 55° este. Esto establece una dirección principal con mayor continuidad y otra perpendicular con menor continuidad.

• Al calcular el variograma para ambas direcciones, se obtiene una curva roja para la dirección de mayor continuidad (norte 35° oeste) y una curva negra para la dirección perpendicular (norte 55° este). Las formas son similares, pero presentan diferencias significativas.

• La curva roja crece más lentamente, indicando mayor continuidad, mientras que la curva negra crece más rápido, sugiriendo menor continuidad. El alcance del variograma es superior a los 80 m en la primera dirección y entre 30 a 40 m en la segunda.

Información del Variograma Experimental

• El variograma experimental proporciona información sobre el comportamiento a pequeña escala de las variables analizadas. Refleja regularidades o discontinuidades dentro de distancias cortas.

• Este análisis también permite identificar anisotropía en geoestadística, donde existe una dirección preferencial de continuidad. Dentro del mismo variograma se puede encontrar información cuantitativa relevante.

Ciclicidad y Comportamiento Temporal

• Se menciona que algunos fenómenos pueden mostrar ciclicidad cuando se analizan datos temporales. Un variograma puede depender tanto de distancia como del tiempo entre los datos.

• Ejemplos raros incluyen un estudio sobre un acuífero donde se observó ciclicidad clara al analizar porosidad en sondajes verticales. Esta ciclicidad fue explicada por alternancias geológicas entre estructuras porosas y menos porosas.

Formalización del Variograma Experimental

• Se introduce formalmente el cálculo del variograma experimental denotado como γ(h), que representa una estimación basada en los datos recolectados.

• La definición teórica implica calcular la mitad de la varianza de las diferencias entre pares de datos separados por una distancia específica H.

Cálculo Práctico del Variograma

• Para calcular el variograma experimentalmente, se toma cada par de datos separados por un vector H e identifica sus diferencias elevadas al cuadrado para promediar estos valores.

Análisis de Datos Experimentales en Distancias Variables

Cálculo de Diferencias al Cuadrado

• Se inicia el cálculo considerando pares de datos separados por 100 metros, evaluando la diferencia entre cada par consecutivo.

• Para cada par, se calcula la diferencia y se eleva al cuadrado. Por ejemplo, para los datos 5 y 3, la diferencia es 2 y su cuadrado es 4.

• La suma total de las diferencias al cuadrado se divide por el número total de términos (10 en este caso), lo que permite calcular una media ajustada.

Estimaciones a Distancias Mayores

• Al aumentar la distancia a 200 metros, se repite el proceso con nuevos pares de datos. El cálculo muestra un aumento en el valor estimado experimental.

• Para distancias mayores como 300 metros, se observa que el número de términos disminuye a medida que aumenta la distancia, afectando los resultados.

Comportamiento del Valor Experimental

• A medida que se incrementa la distancia hasta 1000 metros, solo queda un par extremo para calcular. Esto resulta en una estimación menos confiable (valor experimental = 4.5).

• La calidad de las estimaciones tiende a deteriorarse con distancias más largas debido a la reducción del número de pares utilizados en los cálculos.

Fluctuaciones en Resultados Experimentales

• Se menciona que al aumentar la distancia, las fluctuaciones en los resultados experimentales suelen ser más pronunciadas.

• Los datos experimentales muestran un comportamiento más regular inicialmente pero tienden a oscilar más cuando hay menos pares disponibles.

Reglas Empíricas sobre Distancia y Datos

• Se discute cómo después de alcanzar cierta distancia (como 500 o 600 metros), algunos datos quedan "huérfanos", lo cual afecta negativamente el análisis estadístico.

Herramientas y Conceptos en Geología

Introducción a la prografía

• La prografía se presenta como una herramienta simple para geólogos de recursos, destacando su utilidad en la divulgación del valog grama.

Ciencia y Arte en el Valog Grama

• Se menciona que el valog grama combina ciencia y arte; la parte científica se basa en fórmulas matemáticas, mientras que la artística implica decisiones sobre datos irregulares.

Tolerancias en el Muestreo

• Al trabajar con datos reales, es común enfrentar muestreos irregulares. Se debe definir una tolerancia para distancias y direcciones al calcular el valog grama.

• Las tolerancias son esenciales para ajustar los cálculos a las irregularidades de los datos, considerando tanto distancia como dirección.

Representación Vectorial

• En un contexto 2D, se utiliza un vector H que representa distancia y dirección. La búsqueda de pares de datos se realiza colocando el origen del vector sobre un dato específico.

• La definición de tolerancias crea zonas grises alrededor del vector H, permitiendo cierta flexibilidad en los cálculos.

Parámetros Adicionales

• Algunos software incluyen parámetros adicionales como ancho de banda, que determina hasta qué distancia máxima se puede alejar uno de la dirección de referencia.

Ejemplos Prácticos

• Se presentan ejercicios académicos aplicando conceptos teóricos a mallas regulares. Aunque no siempre es necesario usar tolerancias con mallas regulares, se explora su aplicación práctica.

• A través del uso de vectores H y tolerancias definidas, se busca identificar pares de datos relevantes para sumarizar información útil.

Cálculo Experimental

• El proceso culmina al dividir la suma total por dos veces el número total de términos encontrados durante los cálculos experimentales.

• Con grandes volúmenes de datos, es crucial contar con programación adecuada para realizar cálculos eficientes sin perder precisión ni tiempo.

Discusión sobre Tolerancias

• Se plantea una pregunta sobre cómo determinar las tolerancias adecuadas; estas dependen principalmente del diseño del muestreo y las características geológicas específicas.

¿Cómo se manejan las distancias y tolerancias en software de modelado?

Parámetros y distancias

• Se discute la importancia de los parámetros en el modelado, mencionando que las distancias son múltiplos de una distancia elemental. Ejemplos incluyen configuraciones para 100, 200, hasta 600 metros.

• Se menciona el concepto de "lag" o paso, donde se establece un número definido de pasos (ejemplo: 10 pasos para llegar a 1000 metros), lo cual es crucial para la dirección del análisis.

Tolerancias en dirección

• La tolerancia en el dip (inclinación) y ancho de banda se aborda, destacando que algunos softwares como Isatis pueden tener limitaciones en su manejo.

• Se plantea la duda sobre si Isatis permite modular tanto la tolerancia en asimut como en dip; se busca confirmación sobre esta funcionalidad.

Variabilidad y datos experimentales

• Se discuten las razones por las cuales diferentes variables pueden mostrar comportamientos distintos en un valograma experimental, incluyendo la continuidad de algunas variables frente a otras más erráticas.

• La variabilidad entre diferentes sectores dentro del mismo yacimiento puede requerir parámetros distintos para cálculos experimentales.

Confiabilidad de los datos

• Algunos softwares establecen un número mínimo de pares de datos necesarios para generar un valograma confiable; menos datos podrían resultar en representaciones poco fiables.

• La representación tridimensional (3D) de las tolerancias es discutida, enfatizando cómo los prismas representan estas tolerancias tanto horizontal como verticalmente.

Geometría y flexibilidad

• Se describe cómo los prismas utilizados para representar asimut y dip interactúan entre sí, creando una geometría compleja pero flexible que permite desacoplar tolerancias.

• Al establecer una tolerancia angular amplia (90 grados), se obtiene un variograma omnidireccional que no depende de la dirección específica sino solo de la distancia.

Implicaciones del variograma omnidireccional

• Un cono con una apertura correspondiente a una alta tolerancia angular abarca todas las direcciones posibles, permitiendo así un análisis más generalizado sin depender estrictamente del ángulo específico.

Ejercicio de Sensibilización en Cálculo de Valogramas

Introducción al Ejercicio

• Se presenta un ejercicio de sensibilización utilizando datos inventados con una distribución normal en un área de 1000 m por 1000 m, con un total de 256 datos.

• El objetivo es calcular el valograma variando los parámetros uno a uno, comenzando con valogramas omnidireccionales que dependen solo de la distancia.

Parámetros y Tolerancia

• Se establece un paso elemental para el cálculo (10 m, 25 m, 50 m, 100 m), donde se busca obtener puntos experimentales cada cierta distancia.

• La tolerancia en la distancia se define como la mitad del paso; esto asegura que las zonas no se traslapen y sean adyacentes.

Efecto del Tamaño del Paso

• Al usar pasos grandes (ej. 100 m), puede haber "puntos huérfanos" debido a la falta de datos en ciertas distancias.

• Un paso pequeño genera muchos puntos pero menos robustez; mientras que un paso grande ofrece más robustez pero menos detalle.

Búsqueda del Equilibrio

• Se discute cómo encontrar el equilibrio entre robustez y detalle al elegir el tamaño del paso adecuado (se sugiere 50 m).

• La cantidad total de pasos se determina según la distancia máxima deseada para el análisis (hasta 600 m).

Impacto de la Tolerancia

• La tolerancia predeterminada es crucial; si es muy estricta (ej. ±1m), hay pocos datos disponibles, lo que afecta negativamente la robustez.

• Una tolerancia amplia permite incluir más datos pero puede diluir la precisión deseada en los resultados.

Consideraciones Finales sobre Distancias

• Se enfatiza que tanto parámetros pequeños como grandes tienen sus pros y contras: detalle vs. robustez.

• Se menciona que las distancias máximas deben ser consideradas cuidadosamente para evitar fluctuaciones inestables en los resultados.

Comparación con Otros Métodos

• Se introduce brevemente otros métodos como covarianza y varrogramas relativos, sugiriendo alternativas para mejorar el análisis.

Curvas y Confiabilidad en Modelos

Herramientas de Análisis de Datos

• Se discute la curva Mogama como una herramienta alternativa para el análisis, destacando que algunas personas prefieren su estética y robustez.

• Se mencionan diferencias menores en los cálculos entre las herramientas, aunque la curva se mantiene similar hasta un valor de 0.15.

• El primer punto experimental es considerado poco confiable debido a la escasez de datos cercanos (0 a 25 m), lo que afecta su validez.

Decisiones sobre Puntos Experimentales

• La confiabilidad del primer punto puede llevar a ignorarlo si no sigue la tendencia general; sin embargo, puede ser útil conservarlo por su información limitada.

• Se plantea una pregunta sobre por qué algunos puntos son considerados más confiables que otros, enfatizando que el contexto y la relación con otros datos son cruciales.

Evaluación de Covarianza y Valograma

• La covarianza se considera menos confiable si no coincide con el resto de los datos; se debe evaluar cada punto en función de su relevancia.

• Aunque un punto sea poco confiable, puede aportar información valiosa si está alineado con otros datos relevantes.

Comparación entre Herramientas

• Es recomendable revisar el número de pares de datos disponibles para evaluar la confiabilidad; más pares indican mayor confianza en los resultados.

• Las herramientas como covarianza y Valograma son equivalentes, pero otras herramientas menos comunes pueden ser complementarias pero no sustitutas.

Sensibilidad a Parámetros Angulares

• Se introduce un ejemplo sobre cómo diferentes tolerancias angulares afectan la visualización de curvas; menor tolerancia genera curvas inestables.

• La influencia del ángulo es significativa: poca tolerancia resulta en detalles finos pero baja robustez, mientras que alta tolerancia ofrece robustez a expensas del detalle.

Equilibrio entre Detalle y Robustez

• Un parámetro muy pequeño proporciona mucho detalle pero poca estabilidad; uno muy grande ofrece estabilidad pero pierde información crítica sobre anisotropía.

Variogramas y Anisotropía en Geología

Discusión sobre la anisotropía en variogramas

• Se observa que el variograma negro muestra una anisotropía más marcada en comparación con otro, sugiriendo que a menores grados se estructura mejor, mientras que el otro requiere mayor tolerancia angular para estructurarse.

• Se plantea la posibilidad de que cada dirección tenga una tolerancia angular distinta, como 22 grados para la negra y 40 grados para la roja, debido a un diseño diferente de malla de muestreo.

• Se discute la limitación de los software, que generalmente requieren parámetros transangulares uniformes en todas las direcciones. Surge una duda sobre si hay justificación gráfica o parámetros específicos para estas tolerancias.

Estrategias prácticas en el uso de datos

• La práctica común es usar 20 grados como opción por defecto al buscar un variograma direccional. Sin embargo, si se dispone de muchos datos, se puede reducir esta tolerancia angular.

• En situaciones con pocos datos o yacimientos irregulares, se puede aumentar la tolerancia angular para robustecer el análisis. A veces se opta por un modelo omnidireccional cuando los resultados son poco claros.

Consideraciones sobre distancias y fluctuaciones

• Al analizar distancias máximas en variogramas, se menciona que después de cierta distancia (como 150 m), los resultados comienzan a fluctuar más. Es importante estabilizarse dentro del rango adecuado.

• Se sugiere que el variograma debería estar limitado a distancias razonables respecto al tamaño del área analizada (por ejemplo, hasta 500 o 600 metros).

Identificación de anisotropía mediante análisis gráfico

• Se introduce el concepto del análisis gráfico donde dos curvas superpuestas (omnidirccionales) permiten observar diferencias entre direcciones sin depender exclusivamente de ellas.

• Para identificar anisotropía, se recomienda realizar un análisis inicial tomando varias direcciones y comparando sus curvas experimentales. Esto ayuda a diagnosticar si existe anisotropía y cuáles son las direcciones principales.

Herramienta del mapa valog gráfico

• Se presenta el mapa valog gráfico como una herramienta útil para visualizar variogramas experimentales en forma de mapas coloreados según diferentes direcciones y distancias.

Cómo interpretar un variograma isótropo y anisotrópico

Introducción al variograma

• Se presenta un gráfico que ilustra cómo debería verse un mapa de color en un variograma isótropo, donde el programa indica que no depende de la dirección, resultando en círculos concéntricos de color.

• La observación del mapa valog gráfico sugiere que el fenómeno es isótropo, ya que las direcciones parecen similares.

Análisis de anisotropía

• Se identifica anisotropía preferencial con continuidad noroeste y variabilidad noreste; esto implica diferentes niveles de continuidad en distintas direcciones.

• Se determinan dos direcciones principales: una hacia el norte 30° oeste (mayor continuidad) y otra hacia el norte 60° este (menor continuidad), lo cual indica un fenómeno anisotrópico.

Herramientas para el análisis

• El autor menciona ejemplos idealizados y destaca la importancia de observar mapas gráficos reales, donde los datos pueden no seguir patrones perfectos.

• Se enfoca en las anomalías más relevantes cerca del centro del gráfico, sugiriendo que se debe priorizar la continuidad en ciertas direcciones.

Cálculo del variograma

• Al calcular los variogramas en las dos direcciones identificadas, se observa que a medida que aumenta la distancia, el modelo se vuelve más disperso y menos robusto.

• La dificultad para modelar la dirección roja se atribuye a fluctuaciones fuertes; se sugiere utilizar modelos intermedios para abordar esta ciclicidad.

Consideraciones geológicas y muestreo

• Es crucial identificar las direcciones principales de anisotropía basándose en pruebas, errores o conocimiento geológico previo sobre mineralización.

• La dirección de cálculo puede estar influenciada por el diseño del muestreo; por ejemplo, sondajes verticales limitan opciones para cálculos oblicuos.

Estrategias para optimizar resultados

• En situaciones con muestreo regular (cada 50 m), es necesario ajustar los cálculos a la dirección vertical debido a la falta de pares de datos oblicuos.

• El paso utilizado para calcular el variograma debe alinearse con las distancias típicas entre sondajes o compósitos según sea necesario.

Tolerancia y robustez

• La tolerancia es clave: una tolerancia excesiva proporciona robustez pero pierde detalle; mientras que una tolerancia muy baja ofrece detalle pero carece de robustez.

¿Cómo afecta la cantidad de datos a la confiabilidad de los puntos experimentales?

Confiabilidad de los datos

• La confiabilidad de cada punto experimental varía según la cantidad de datos utilizados en su cálculo. Puntos calculados con pocos datos son menos confiables que aquellos basados en un mayor número de pares de datos.

Comportamiento del variograma

• Se discute el comportamiento típico del variograma, donde se espera que crezca y luego se estabilice. El valor al que se estabiliza representa la varianza de los datos, lo cual es compatible con la hipótesis inicial sobre estacionalidad.

• Sin embargo, hay casos donde el crecimiento del variograma excede la varianza esperada, lo que puede ser modelado por ciertos modelos aún válidos.

Modelos alternativos

• Se introduce el concepto de "estacionar intrínseca", una versión más general que permite variogramas crecientes sin superar una función cuadrática. Esto ofrece flexibilidad en el modelado.

• Se menciona un modelo local con meseta, válido hasta cierta distancia, sugiriendo que las características pueden variar dependiendo del alcance considerado.

Dificultades en el modelado

• Existen casos complicados donde el variograma experimental muestra un aumento abrupto, cuestionando así la validez del modelo estacionario. Este fenómeno no es común pero plantea dudas sobre su aplicabilidad.

• La hipótesis de estacionalidad puede ser válida solo a escalas locales y no necesariamente a nivel global, lo cual puede llevar a interpretaciones erróneas si no se considera adecuadamente.

Análisis práctico y ejemplos

• Se observa cómo una media variable puede afectar drásticamente los resultados cuando se analizan desde diferentes escalas. Esto resalta la importancia del contexto en el análisis estadístico.

• Un participante comparte su experiencia trabajando con pozos distribuidos irregularmente y cómo esto complica el modelado del variograma debido a diferencias significativas entre muestras verticales y horizontales.

Estrategias para mejorar modelos

• Se propone explorar ajustes en 3D para abordar problemas relacionados con las diferencias entre mesetas observadas en distintos contextos geológicos.

• Un ejemplo práctico ilustra cómo algunos informes han utilizado enfoques simplificados (2D), acumulando información relevante para calcular recursos sin perder precisión significativa.

Robustez del variograma experimental

• El variograma experimental tiende a ser poco robusto y fluctúa considerablemente bajo ciertas condiciones como muestreos irregulares o presencia de valores extremos.

Efectos de los Datos Extremos en el Análisis Estadístico

Problemas con Datos Extremos

• La presencia de datos extremos puede complicar el análisis, elevando valores como el valograma de 12 a 16, lo que indica un efecto significativo en la interpretación.

• Se menciona que una mala edición del programa puede llevar a resultados erróneos y se discuten alternativas para manejar programas complejos.

Alternativas para Manejar Inestabilidad

• Una opción es desagrupar los datos, lo cual permite un cálculo más robusto al usar promedios ponderados en lugar de simples promedios.

• Al desagrupar, se observa una disminución del error relativo en el valograma experimental, mejorando la certeza del análisis.

Transformaciones de Datos

• Otra alternativa es transformar los datos mediante logaritmos o recortes (capping), donde se eliminan o reducen los efectos de datos extremos.

• El uso de compósitos más largos (de 2 m a 10 m) suaviza la distribución espacial y mejora la presentación del valograma.

Cambios en Variables y Tolerancias

• Cambiar variables analizadas (por ejemplo, pasar de ley de nitrato a potencia acumulada) puede resultar en un valograma más favorable.

• Aumentar las tolerancias también puede hacer que el programa sea más robusto aunque pierda detalle.

Herramientas Alternativas y Covarianza

• Se presentan herramientas alternativas como covarianza y correlogramas; sin embargo, no son sustitutos directos del varograma.

Dilemas en la Estimación de Covarianza

Precisión vs. Exactitud

• La estimación de covarianza puede introducir sesgo, lo que plantea un dilema entre precisión (robustez) y exactitud (sesgo). Se discute la elección entre una curva "precisamente inexacta" o "exactamente imprecisa".

Robustez y Sesgo en Métodos

• El F experimental es preciso pero no robusto, mientras que la covarianza experimental tiene sesgo. Se menciona el colograma como una alternativa, aunque también presenta sesgo.

Alternativas a la Covarianza

• Se propone usar covarianza sin media para evitar sesgos. Sin embargo, muchos softwares no ofrecen esta opción. También se mencionan otras herramientas que no son equivalentes al varr.

Ejemplos de Valogramas Robustos

• Los valogramas basados en media pueden ser inestables debido a datos extremos; se sugiere reemplazar la media con mediana para mayor robustez, aunque esto introduce sesgo.

Innovaciones en Valogramas

• Un método de los años 80 utiliza diferencias al cuadrado atenuadas por raíces cuadradas para mayor estabilidad, pero puede generar sesgos si los datos no cumplen ciertos supuestos.

Estrategias para Manejar Datos Complejos

Opciones Comunes en Análisis de Datos

• Las alternativas incluyen desagrupar programas, cambiar variables o aumentar tolerancias. No hay una solución mágica; cada situación depende del tipo y cantidad de datos disponibles.

Transformación de Datos

• La transformación logarítmica es útil cuando hay variaciones espaciales significativas. Esta técnica ayuda a mejorar las simulaciones y el análisis general de los datos.

Limitaciones del Logaritmo

• La exponencial del logaritmo no equivale a estimar directamente la variable original debido a que estas operaciones no son lineales ni conmutativas.

Tratamiento de Valores Anómalos

Discusión sobre Caping y Variogramas

Práctica de Caping en Programas y Clustering

• El caping es una práctica ingenieril que puede realizarse tanto en programas como en el clustering, dependiendo de la situación. No siempre se aplica, ya que su uso depende de la práctica específica.

• Se menciona que un caping muy violento puede afectar negativamente las variables involucradas. En el análisis exploratorio de datos (EDA), también se puede aplicar caping para observar su influencia en estadísticas como la media o varianza.

Pausa y Reflexiones sobre Variogramas

• Se propone una pausa hasta las 2:30 PM, lo cual permite a los participantes tiempo para descansar y cocinar. La discusión se centra en la importancia del variograma en relación con la exactitud y covarianza.

Comparación entre Variogramas Experimentales y Teóricos

• Se explica que el variograma experimental estima el variograma teórico con precisión promedio pero menos exactitud, mientras que la covarianza experimental ofrece mayor precisión aunque con sesgo.