CONCEPTOS BSI COS Y FUNDAM ENTOS

( The) degree of aggregat ion in nat ure

is always st rongly a funct ion of spat ial scale
Hurlbert ( 1990)
I NTRODUCCI N
Aproximacin est ocst ica a la variacin espacial
Dado que los fact ores que det erminan los valores de las variables
ambient ales son numerosos, prct icament e desconocidos e int eraccionan de
manera complej a sin que los podamos desent ramar, sus result ados se pueden
considerar aleat orios. Adopt ando un punt o de vist a est ocst ico, en cada punt o del
espacio no exist e un solo valor para una propiedad dada, sino un conj unt o de
valores. El valor observado proviene de una dist ribucin de probabilidad, por lo cual
cada punt o en el espacio present a una variacin ( Webst er y Oliver, 2001) . As, en
el punt o x, la propiedad Z( x) es t rat ada como una variable aleat oria con media ,
varianza
2
, moment os de mayor orden, una funcin de dist ribucin acumulat iva
( cdf, F( Z( x; z) ) = P[ Z( x) z
c
] ) y una funcin de densidad probabilst ica ( pdf,
(Z( x) ) = JF( Z( x; z) ) / Jz) .
El rango de posibles valores const it uye un ensambl e ( ensemble) y un
miembro de st e es la realizacin. El conj unt o de variables aleat orias Z( x

) para los
punt os x

, const it uyen una funcin aleat oria, proceso aleat orio o proceso
est ocst ico. Al conj unt o de valores act uales de Z que conforman la realizacin de la
funcin aleat oria, se le llama variable regionalizada.
1. ACTI VI DADES
Elaborar un breve resumen sobre los siguient es aspect os:
1. Propiedades element ales de covarianzas espaciales en el caso est acionario.

Covarianza espacial
Para definir la variacin necesit amos describir el ensemble de manera sencilla.
Dado que los valores de las variables regionalizadas suelen est ar relacionados ent re
s en alguna escala, describimos est a relacin ut ilizando el concept o de covarianza.
La covarianza nos permit ir det erminar la relacin ent re 2 variables (z
1
y z
2
) para
observaciones pareadas (z
1
y z
2
, i = 1 n) :
C
`
( z
1
z
2
) = 1/ n(( z
1
z
1
) ( z
2
z
2
) )
n
=1

donde z
1
y z
2
, son las medias de cada variable. Podemos ext ender est a definicin
para relacionar 2 variables aleat orias (Z( x
1
) y Z( x
2
) , conj unt o de valores con la
misma propiedad Z) en el espacio ( punt os x
1
y x
2
) .
C( x
1
, x
2
) = E[ ( Z( x
1
) p( x
1
) ) ( Z( x
2
) p( x
2
) ) ]
donde p( x
1
) y p( x
2
) son las medias de Z en x
1
y x
2
.
CONCEPTOS BSI COS Y FUNDAM ENTOS



A part ir de aqu, dado que t enemos solo una realizacin de Z en cada punt o,
para progresar en nuest ro anlisis necesit aremos est ablecer 2 propiedades de la
covarianza espacial:
Est acionalidad. Est o significa que la dist ribucin del proceso aleat orio t iene
ciert os at ribut os que son los mismos en cualquier lugar ( est a const ancia nos
permit e considerar los valores en diferent es punt os como diferent es
realizaciones de la propiedad) . En est e sent ido, la media ( ent re realizaciones
individuales fluct uant es) y la varianza del proceso ( finit a) , son const ant es
para t odo x. A su vez, la covarianza ent re dos punt os depende de su
separacin () y no de sus posiciones absolut as. Est a const ancia de los
moment os de primer y segundo orden del ensamble o proceso, const it uye la
est acionalidad de segundo orden o est acionalidad dbil. Si los moment os de
mayor orden t ambin dependen solament e de la separacin, se dice que se
t rat a de un proceso est rict a o complet ament e est acionario
i
. Obt enemos:

C(x

, x
j
) = E[ ( Z( x

) p) ( Z(x
]
) p) ]

const ant e para cualquier = x

x
j
. Si reescribimos la ecuacin ant erior de
t al manera que la covarianza sea funcin del lag () , t enemos la funcin de
aut ocovarianza:
C(x

, x
j
) = C(x

x
j
) = C( )

Dado que la aut ocovarianza depende de la escala en la cual se mida Z,
ut ilizamos la funcin de aut ocorrelacin para quit arle est a dimensionalidad:

( ) = C( ) / C( 0)

donde C( 0) es la covarianza a lag 0 (
2
) .
Ergodicidad. Un proceso ser ergdico si cuando los moment os de una nica
realizacin observable en el espacio se aproxima a aquella del ensamble
como los lmit es regionales expanden hacia el infinit o.

2. Propiedades element ales de variogramas espaciales.
A part ir del siguient e modelo, podemos represent ar un proceso aleat orio
est acionario:
Z( x) = + ( x)
donde ( x) es la component e aleat oria cuya dist ribucin present a media cero
y covarianza C( ) = E[ ( x) ( x + ) ] .
Sin embargo, a menudo nos encont ramos con el serio problema de que la
media parece variar a lo largo de la regin, la varianza aument a sin lmit e
cuando el rea de int ers se increment a y no se puede definir la covarianza.
Las hipt esis int rnsecas de Mat heron ( 1965) permit irn proseguir cuando
los supuest os de est acionalidad de segundo orden no se cumplen o son
dudosos: 1) a pesar de que la media pueda no ser const ant e, lo ser al
menos- para pequeos | | ( os E[ Z( x) Z( x + ) ] = 0) ; 2) reemplaza la covarianza
CONCEPTOS BSI COS Y FUNDAM ENTOS



por la varianza de las diferencias, como medida de la relacin espacial que
depende del lag ( as :or[ Z( x) Z( x + ) ] = Ej(Z( x) Z( x + ) )
2
[ = 2y( ) ; y( ) se
llama semivarianza a lag ) . Finalment e, plant ea el semivariograma
( variograma) como funcin de .
Propiedades del variograma:
Equivalencia con la covarianza: para los procesos est acionarios de segundo
orden, y( ) = C( 0) C( ) . La semivarianza y el coeficient e de aut ocorrelacin,
se relacionan por y( ) =
2
( 1 p( ) ) . El grfico del variograma es l a imagen
de la covarianza proyect ado sobre la lnea o el plano paralelo a la abscisa.
Sin embargo, si el proceso es int rnseco, no exist e equivalencia porque la
covarianza no exist e.
Cuasi-est acionalidad: el variograma es de int ers solo localment e, donde
podemos rest ringir la media a aquellas en la vecindad V: Z( x) = p
v
+ e( x) .
Cuando permanece dent ro de los lmit es de V, el variograma no es
afect ado.

Caract erst icas de la covarianza y el variograma:
Aut ocovarianza simet rica en el espacio: C( ) = C( ) ; y semivarianza
simt rica en el espacio: y( ) = y( ) .
Semidefinidos posit ivos en la covarianza y semidefinidos negat ivos en el
variograma.
Cont inuidad: con lags cont inuos. Dado que el proceso est ocst ico que
creemos represent ar es cont inuo, la aut ocovarianza decae desde C( 0) =
2

( posit ivo) a valores menores segn aument a . En variogramas muest rales,
las discont inuidades de los procesos espaciales se manifiest a, cuando la
dist ancia t iende a cero ( = 0) , a t ravs de las diferencias ent re sus valores
( > 0) y y( ) = 0. A est a discrepancia se le llama nugget variance (nugget :
int ercept o posit ivo en las ordenadas) , mient ras que un variograma se llama
pure nugget cuando la variacin no est correlacionada ( ruido blanco) .
Para propiedades que varan de manera cont inua en el espacio, la varianza
nugget rene errores de medicin y la variacin que ocurre sobre aquellas
dist ancias menores que el menor int ervalo de muest reo.
Monot nicament e crecient e con el lag: la varianza aument a con el
increment o de la dist ancia lag. Tambin la aut ocorrelacin ( ) aument a con
el acort amient o de la dist ancia lag, y el proceso se llama aut ocorrelacionado
o espacialment e dependient e.
Sill y rango: los variogramas de procesos est acionarios de segundo orden
alcanzan el sill (mximo const ant e o asnt ot a) , un lmit e superior en el cual
permanecen luego del increment o inicial. Si est o ocurre a dist ancias lag
finit as, se obt iene un rango ( rango de correlacin) , que es el rango en el
cual la aut ocorrelacin es cero. Est a separaci n marca el lmit e de la
dependencia espacial. ( en la prct ica el rango efect ivo es considerado como
aquel que se alcanza luego de 0.95 veces su st ill) .
Variogramas ilimit ados: Cuando el variograma aument a indefinidament e con
la dist ancia lag ( el proceso no es est acionario de segundo orden, debe ser
int rnseco no exist e covarianza- ) .
CONCEPTOS BSI COS Y FUNDAM ENTOS



Efect o Hole: (hole: fluct uacin peridica) , el variograma decrece desde su
mximo ( equivalent e al mnimo en la funcin de covarianza -hole- ) a un
mnimo local y luego vuelve a aument ar. Se t rat a de un proceso con
repet iciones regulares.
Anisot ropa: si el proceso es anisot rpico ( la variacin espacial no es la
misma en t odas las direcciones) , t ambin lo ser su variograma y su
covarianza (si exist e) .
Deriva: en algunas ocasiones el variograma se aproxima al origen con un
gradient e decrecient e ( forma cncava) , en est os casos el modelo para la
variacin espacial es: Z( x) = u( x) + ( x) , donde u( x) es la deriva. No ocurre
ni el supuest o de est acionalidad de segundo orden ni la hipt esis int rnseca,
y el t rmino de error const it uye un proceso aleat orio.


3. Modelos bsicos ( definicin, caract erst icas principales) de los variogramas
espaciales ms ut ilizados en la prct ica: esfrico, gaussiano, exponencial.

Cuando queremos describir la varianza de la regin, nos enfrent amos al
inconvenient e de desconocer cunt o de las fluct uaciones observadas se debe al
error y cunt o es est ruct ural. As, el modelado del variograma implica aj ust ar
una funcin simple que d cuent a de est a varianza, concent rndose en la
t endencia general y aplicando ciert as limit ant es mat emt icas. Recapit ulando las
caract erst icas de los variogramas, dicha funcin debe ser capaz de represent ar
ciert as caract erst icas principales:
I ncrement o monot nico con el aument o de la dist ancia lag desde la
ordenada
Mximo const ant e o asint t ico ( st ill )
I nt ercept o posit ico en las ordenadas ( nugget )
Fluct uaciones peridicas ( hole )
Anisot ropa
Exist en 2 familias principales de funciones simples que dan cuent a de est as
caract erst icas y son semidefinidas negat ivas condicionales ( CNSD) : unas
represent an variacin ilimit ada y la ot ra limit ada. En est a inst ancia se
describirn modelos referent es al caso de la variacin limit ada ( que es el ms
comn) , donde la varianza t iene un mximo que es la varianza a priori del
proceso ( varianza sill) . Los variogramas que describiremos represent an
procesos est acionarios de segundo orden.
I . Modelo esfrico
Se t rat a de un modelo t ridimensional, que aj ust a los result ados
experiment ales de los muest reos de suelo mej or que los modelos uni y
bidimensionales. La funcin se curva gradualment e, posiblement e porque
exist en fuent es adicionales de variacin en ot ras escalas diferent es a las que se
pueden represent ar. Es uno de los modelos ms ut ilizados, represent a las
caract erst icas de t ransicin que t ienen una ext ensin comn y que aparecen
como parches, algunos con mayor t amao y ot ros menores. El dimet ro
promedio de los parches est represent ado por el rango del modelo.
Sus funciones de aut ocorrelacin y su variograma, son los siguient es:
CONCEPTOS BSI COS Y FUNDAM ENTOS



p( ) = _
1
3
2o
+
1
2
_

o
]
3
poro o
0 poro > o

y( ) = _
c _
3
2o

1
2
_

o
]
3
_ poro o
c poro > o

donde c es la varianza sill y a el rango.
Es CNSD en
2
y
1
.

I I . Modelo exponencial
Esla funcin ms ut ilizada, cuyo variograma es el siguient e:

y( ) = c _1 exp
[-
h

]

con el sill c y el parmet ro de dist ancia r, que define la ext ensin espacial del
modelo. La funcin se aproxima a su sill de manera asint t ica, y cuando lo hace
no t iene un rango finit o. Sin embargo, para propsit os prct icos, es convenient e
asignarle un rango efect ivo que usualment e es la dist ancia a la cual y iguala el
95% de la varianza sill ( aprox. 3r) . En el origen present a pendient e de c/ r.
La funcin es muy import ant e, ya que represent a la aleat oriedad del
espacio. Se t rat a del variograma de procesos aut orregresivos de primer orden y
procesos de Markov.
Esperamos encont rar variogramas de est a forma donde las diferencias en el
t ipo de suelo son las principales cont ribuciones a la variacin del suelo, y donde
los lmit es ent re los t ipos de suelo ocurren aleat oriament e como un proceso de
Poisson. Es decir, se t rat a del variograma de los procesos de t ransicin en los
cuales las est ruct uras present an ext ensiones aleat orias. Aqu, si la int ensidad
del proceso es , ent onces la dist ancia media ent re lmit es es J

= 1/ p, y el
variograma.
y( ) = c _1 cxp
-
h
d

] = c( 1 cxp
-qh
)

I I I . Modelo gaussiano
Es una funcin con curvat ura reversa cercana al origen, la funcin se aproxima
a su sill asint t icament e con un rango efect ivo aproximadament e de 3r, donde
alcanza el 95%de su varianza sill. Su variograma est dado por:

y( ) = c _1 exp
_-
h
2

2
]
_
donde c es la varianza sill y r el parmet ro de dist ancia.
Una seria desvent aj a de est e modelo es que se aproxima al origen con
gradient e cero, el lmit e para la variacin aleat oria, en el cual la variacin se
vuelve cont inua y doblement e diferenciable. Est o puede conducir a ecuaciones
kriging inest ables y a efect os ext raos cuando se ut ilizan para la est imacin. Por
lo t ant o, si el variograma parece ser sigmoide, se recomienda ut ilizar en su
lugar la funcin Whit t le. A su vez, si la curvat ura r eversa es fuert e, se puede
reemplazar el exponent e de la ecuacin por un parmet ro adicional ( ) con un
valor menor a 2:
CONCEPTOS BSI COS Y FUNDAM ENTOS



y( ) = c _1 exp
_-
h

]
_
Est os modelos se llaman modelos est ables . Se conocen pocas aplicaciones
de est e modelo, y exist en ot ros modelos ms simples.

i
Si l a di st r i buci n es nor mal (gaussi ana) ent onces l os moment os de or den 3 y aquell os mayor es, son
const ant es conocidas. Por el l o, si es posi ble, ser t i l t r ansf or mar de dat os no-nor mal es a l a nor mali dad.




BI BLI OGRAF A:
Webst er, R y Oliver, M.A. (2001) Geost at ist ic for Environment al Scient ist s.
St at ist ics in pract ice ( Chichest er, England) .