Modelacin del

variograma experimental:
Mtodos de ajuste
Maestra en Ingeniera de Hidrocarburos
Geoestadstica Bsica
Msc. Guadalupe Salas Ceballos

SEPTIEMBRE 2015

Ing. Carlos Adrin Martnez

Almanza
Ing. Fernando Reyes Gonzlez
Ing. Jose Luis Herrera Mendo
LOS DEMAS

Contenido
Mtodos de Ajuste
Mnimos cuadrados ordinarios
Mnimos cuadrados generalizados
Mnimos cuadrados ponderados
Ejemplo
Conclusin

Modelacin del variograma

experimental
Mtodos de ajuste

Algunos geoestadsticos ajustan los modelos de forma

visual, pero esta prctica no es fiable y es preferible usar
algn procedimiento estadstico para estos fines.
Con frecuencia es usada la aproximacin por mnimos
cuadrados.
Cuando se elige un modelo de semivariograma terico
que mejor se adapte al experimental es importante tener
en cuenta que, sobre todo, debe recoger el
comportamiento en el origen y a grandes distancias de
este ltimo.
Debe respetar las caractersticas de rango o alcance, sill
o meseta, nugget o efecto pepita y anisotropas.
Realizar el ajuste a primera vista o a sentimiento,
existen muchos riesgos derivados de las decisiones

Modelacin del variograma

experimental
Mtodos de
ajuste del
modelo
experimental
Mnimos
cuadrados
ordinarios
(MCO)

Mnimos
cuadrados
generalizados
(MCG)

Mnimos
cuadrados
ponderados
(MCP)

Mnimos cuadrados ordinarios (MCO)

Asume que los residuos estn normalmente distribuidos y son
independientes y que las semivarianzas estimadas poseen igual
varianza.
Por este procedimiento se estiman los parmetros del
semivariograma terico (efecto pepita, alcance y meseta) que
mejor se ajusta al experimental en trminos de error cuadrtico
medio.

Mnimos cuadrados ordinarios (MCO)

Denominado b al vector de parmetros objeto de estimacin,
se trata de determinar el valo de sus componentes de tal
forma que se minice la expresin:

Donde:
(hj;b): representa una familia semivariogrfica terica.
hj{j=1,,J): son las distancia a las que se ha calculado el
semivariograma experimental.

Mnimos cuadrados ordinarios (MCO)

El inconveniente que presenta este procedimiento de ajuste,

adems de que no tiene en cuenta el comportamiento del
semivariograma uy cerca del origen, es que no considera la
posibilidad de que los valores del semivariograma este
correlacionados, lo cual puede tener efectos perniciosos
sobre las estimaciones del vector de parmetros b a medida
que aumenta el nmero de datos.
Solucin: utilizar el mtodo de los mnimos cuadrados
generalizados.

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.

En este caso se procede a la obtencin del vector b que

minimiza la expresin:

Donde:
es el vector cuyas componentes son
: es el vector con compoentes
V: es la matriz de varianzas-covarianzas de

Mnimos cuadrados generalizados

(MCG)
Su principal inconveniente es que la determinacin de la
matriz V exige trabajar en un contexto de funciones
aleatorias gaussianas y proceder por mtodos iterativos.
Adems, el tamao de dicha matriz generalmente suele
ser muy grande.

Mnimos cuadrados ponderados (MCP)

Se minimiza con la siguiente expresin:

b es el vector de los parmetros del modelo.

es la varianza del valor estimado del semivariograma en , sin embargo
el problema es que casi siempre se desconoce.
Por esta razn, Cressie propone una alternativa al estimador de mnimos
cuadrados ponderados, demostrando que una buena aproximacin
consiste en remplazar por , dado as mayor peso a las semivarianzas
que se esperan menores.
: es el nmero de parejas a cada distancia, de tal forma que se asignan
mayores ponderaciones a los puntos semivariogrficos experimentales
calculado a partir de un mayor numero de parejas.
: permite que los puntos mas cercanos al origen reciban mayor
ponderacin que los ms lejanos.

Mnimos cuadrados ponderados (MCP)

Si se evala en un conjunto finito de vectores , se escoge b tal
que minimice:

Donde:
son ponderaciones asignadas a

Ejemplo

Conclusin

Referencias: corregir formato !!!

https://books.google.com.mx/books?id=4ACr8SktCoC&pg=PA54&lpg=PA54&dq=minimos+cuadrado+semivariograma+ejemplo&so
urce=bl&ots=ofcGfgtqvS&sig=hanSy6PAwnNIB_xvO-z8I6Z2hZ8&hl=es419&sa=X&ved=0CCMQ6AEwAWoVChMIvaDgtfSNyAIViXUeCh0CLQUq#v=onepage&q=min
imos%20cuadrado%20semivariograma%20ejemplo&f=false
https://books.google.com.mx/books?
id=FEBhY2xmmT8C&pg=PA146&lpg=PA146&dq=minimos+cuadrados+variogramas&sour
ce=bl&ots=iIxCLq9IiS&sig=4bjghgtBxqtmJ7Zenx8GmO5MSQM&hl=es419&sa=X&ved=0CCEQ6AEwAWoVChMIzcSd9O2NyAIVhzqSCh31fQGc#v=onepage&q=min
imos%20cuadrados%20variogramas&f=false
http://editorial.unsa.edu.ar/tesis/funes_hector/tesisfinal.pdf
http://eio.usc.es/pub/mte/descargas/ProyectosFinMaster/Proyecto_401.pdf
http://www.sgapeio.es/INFORMEST/VICongreso/artigos/sesion1_04.pdf
http://www.stat.ucla.edu/~nchristo/statistics_c173_c273/c173_c273_lec8a_s09.pdf
http://mmc2.geofisica.unam.mx/cursos/geoest/GeoEstadistica.pdf
http://www.docentes.unal.edu.co/mpbohorquezc/docs/Metodos%20estimacion
%20semivariograma.pdf
http://mmc2.geofisica.unam.mx/cursos/geoest/GeoEstadistica.pdf