Documentos de Académico
Documentos de Profesional
Documentos de Cultura
c
]k
X
1]
( s) X
1k
( s) X
2]
( t) X
2k
( t)
],k=0
A
]
A
k
c
X( ],k)
( s, s) X
2]
( t) X
2k
( t)
],k=0
A
]
A
k
X
1]
( s) X
1k
( s)
X
2]
( t) X
2k
( t)
],k=0
Generalment e son modelos no-homogneos/ no- est acionarios. La funcin e
covarianza depende de las coordenadas espacio/ t iempo de los pares de
punt os considerados, pero no de las dist ancias ent re ellos. ( ver apndice)
b. Pde parablico
C( r, ) = .5 [ exp ( or) Erc [oc
-1
.5rc
-1
+ exp ( or) Erc [oc
-1
+ .5rc
-1
]
El modelo represent a un campo espacialment e- homogneo/ t emporalment e
est acionario en R
1
xI. Los valores de los coeficient es o y c afect an el rango y
forma de los modelos de covarianza.
c. Pde fsicos. Permit en derivar nuevos modelos de covarianza espacio-
t emporales, ut ilizando los ya exist ent es y la densidad espect ral. Ej emplo:
asumiendo isot ropa, la siguient e ecuacin (izquierda) produce el modelo
de covarianza espacio-t emporal no- separable en R
2
xI ( derecha) .
d. Pde ruido de Burgers. Permit e const ruir un modelo de covarianza no-
separable para grandes valores de r y en R
1
xI:
. La forma y rangos de correlacin del
modelo, dependen de los parmet ros o y z. Siendo que la magnit ud de la
pendient e aument a con la proporcin o/ z.
Ot ros modelos generados a part ir de ecuaciones diferenciales parciales
est ocst icas son los derivadas por Jones & Zhang ( 1997) , Christ akos & Hrist opulos
( 1998) y Kolovo et al. ( 2004) .
3. Modelos de covarianza generados mediant e densidades espect rales. Se
const ruye primero una funcin apt a en el dominio de frecuencia wave (ej :
densidad espect ral) y luego se deriva el modelo de covarianza en el dominio
espacio-t emporal real, aplicando la t ransformacin inversa (Fourier o Hankel;
Christ akos 1984) . Cabe mencionar que l a funcin de densidad espect ral y la
funcin de covarianza est n relacionadas mediant e el par de t ransformaciones
de Fourier.
TEM A 2: M ODELOS GEOESTADSTICOS ESPACIO-TEM PORALES
a. Se derivan modelos de covarianza homognea/ est acionarias mediant e la
densidad espect ral , obt enindose en R
n
xI:
.
El modelo vara su comport amient o segn los parmet ros o y c. La
covarianza disminuye ms rpidament e a lo largo de la direccin
t emporal que en la direccin espacial.
b. Asumiendo la covarianza dada por la ecuacin ant erior, para n= 1 y
t ransformndola en una mayor dimensin segn la ecuacin ( 1) ,
obt enemos el modelo de covarianza:
c. Se puede const ruir modelos de covarianza no- separables en R
n
xI
mediant e la t cnica delt a . Asumiendo la densidad espect ral
, podemos generar modelos de covarianza
espacio-t emporales como:
d. El result ado uni- dimensional del modelo ant erior, se reduce a
, generndose a part ir del modelo de covarianza
purament e espacial:
Est os modelos pueden ser t iles en varias aplicaciones fsicas.
e. Ot ro ej emplo en el dominio R
1
xI que se ut iliza en varias aplicaciones es:
Est e modelo represent a un campo aleat orio homogneo/ est acionario, y
su comport amient o vara segn o y b.
f. Ut ilizando las t rasnformaciones espaciales ( ec 1) se obt ienen modelos en
R
n
xI:
4. Modelos de covarianza generados mediant e reglas dinmicas. Se generan
mediant e procesos de crecimient o y formacin de pat rones en los cuales exist e
un element o aleat orio ( y su evolucin espacio- t emporal es gobernada por un
conj unt o de reglas dinmicas en lugar de ecuaciones diferenciales.
a. Modelo de covarianza no- separable originado mediant e simulaciones de
invasiones de percolacin, que sat isface el escalamient o dinmico:
. Ej : en n= 2 t enemos
TEM A 2: M ODELOS GEOESTADSTICOS ESPACIO-TEM PORALES
b. Modelos fract ales. Exhiben una poderosa ley de decaimient o asint t ico
de la correlacin, con exponent e no- ent ero. Pueden ser fract ales en el
espacio (r ) o t iempo ( ) . Ej : en n= n
5. Modelos de covarianza generados a part ir de la t eora de campos aleat orios
generalizados. Las covarianzas espacio-t emporales generalizadas se definen
segn st a t eora de rdenes de cont inuidad : en espacio y p en t iempo,
asocindose con dat os no- homogneos/ no- est acionarios.
a. Pueden derivarse de pde fsicos, cuya solucin es:
.
b. Ot ro ej emplo lo const it uye:
El mismo es t il para procesos nat urales que present an residuos de ruido
blanco, y para aplicaciones est ocst icas y geoest adst ica espacio-
t emporal moderna.
c. Tambin se pueden derivar modelos de covarianza ordinarios no-
homogneos/ no- est acionarios, segn:
6. Modelos de covarianza const ruidos mediant e superposicin lneal. Las
combinaciones lineales de modelos de covarianza simples son t ambin modelos
de covarianza vlidos:
El modelo result ant e puede ser no- separable incluso si sus component es lo
son. Podemos combinar los modelos de los apart ados ant eriores para producir
nuevos modelos de covarianza espacio- t emporales. Dependiendo del peso z] se
puede reducir o aument ar el efect o del modelo- component e en el modelo de
covarianza final.
Un caso part icular es la combinacin lineal de dos covarianzas espacio-
t emporales separables. Ver Ma (2005b) para obt ener ej emplos.
C( s1 , s2 ; t1 , t2 ) = 0C
1
( s1 , s2 ; t1 , t2 ) + ( 1 0) C
2
( s1 , s2 ; t1 , t2 ) .
Se deber buscar la condicin de la const ant e 0 que permit a obt ener una
funcin de covarianza vlida, a part ir de una combinacin lineal de las dos
covarianzas dadas. Se invest igar el rango del parmet ro 0 t al que est a
covarianza sea permisible.
7. Mt odos de mezcla. Formas de combinar un campo aleat orio purament e
espacial y un proceso purament e t emporal, y obt ener su funcin de covarianza:
TEM A 2: M ODELOS GEOESTADSTICOS ESPACIO-TEM PORALES
a. Z( s, t) = Z
s
( su) Z
1
( tI) donde ( u, I) es un vect or aleat orio bivariado, con
funcin de dist ribucin conj unt a F( u, :) e independient e de cada proceso
puro. Su funcin de covarianza es:
C( s
1
, s
2
; t
1
, t
2
) = C
s
( s
1
u, s
2
u) C
1
( t
1
:, t
2
:) JF( u, :) .
b. Z( s, t) = Z
s
( s + u) Z
1
( t + I) , con u y I el vect or aleat orio en S y la variable
aleat oria escalar en T, independient es ent re s, con covarianza:
C( s
1
, s
2
; t
1
, t
2
) = C
s
( s
1
+ u, s
2
+ u) C
1
( t
1
+ :, t
2
+ :) JF( u, :)
c. Z( s, t) = { A
1
cos( sw) + A
2
si n ( sw) } Z
w
( t) , una mezcla de campos aleat orios
separables, donde w es un vect or aleat orio con funcin de dist ribucin
F( w) y para un w dado, Z
w
( t) es un proceso est acionario de media cero y
covarianza C
1
( t, w) ( no- correlacionada con las variables aleat orias A
1
y
A
2
) . Ent onces Z( s, t) es est acionario con covarianza:
C( s, t) = cos( sw) C
1
( t, w) JF( w) ( s, t) eR
d
xI ( que es la t ransformada cosine
de la familia de covarianzas purament e t emporales C
1
( t, w) respect o a la
funcin mezcla F( w) ) . ( o si int ercambiramos el rol de s y t : C( s, t) =
cos( tw) C
1
( s, w) JF( w) ( s, t) eSxR)
d. Z( s, t) = exp ( isw) Z
w
( t) donde i
2
= 1 ( t ransformacin de Fourier -inversa)
8. Derivadas e int egrales
Se pueden obt ener nuevos modelos de covarianza espacio- t emporal a part ir
de funciones de covarianza espacio- t emporales dadas y t omando derivadas
parciales ( siempre que exist an) . Sea C( s1 , s2 ; t) una funcin de covarianza en
SxR est acionaria en el t iempo, si t iene derivadas parciales de segundo orden
cont inuas respect o a t, ent onces o
2
/ ot
2
C( s1 , s2 ; t) es una funcin de covarianza
en SxR est acionaria en el t iempo.
Cabe dest acar que las evoluciones dinmicas de los procesos, son
usualment e gobernadas por un conj unt o de pde o por reglas de evolucin dinmica
que no permit en una descripcin pde.
A su vez, l a funcin de densidad espect ral y la funcin de covarianza est n
nt imament e relacionadas segn el par de t ransformaciones de Fourier. La
ut ilizacin de la aproximacin por densidades espect rales parece est ar limit ada si
no exist e una expresin explcit a para la funcin de covarianza, que es un pre-
requisit o esencial para la est imacin por mxima verosimilit ud y para la prediccin
pt ima o kriging.
TEM A 2: M ODELOS GEOESTADSTICOS ESPACIO-TEM PORALES
Descargar el programa RandomFields, desarrollado en R por Mart in
Schlat her (2001) , para simulacin de campos aleat orios. Puede encont rarse en el
sit io ht t p: / / cran.r- proj ect .org/ . Ent rar en Packages y elegir, en la list a alfabt ica, el
paquet e Random Fieds; dent ro del paquet e, usar la funcin GaussR.
Experiment ar realizando simulaciones de algunos campos aleat orios espaciales y
espaciot emporales.
Comprobar los cambios que se producen en las caract erst icas de las
realizaciones al variar los valores de parmet ros que int ervienen en los modelos.
Present ar algunos result ados significat ivos de est a prct ica.
Las funciones de covarianza derivadas desde los mt odos mencionados
ant eriorment e est n disponibles para campos aleat orios espacio-t emporales
gaussianos, pero pueden no ser apt os para ot ros t ipos de campos aleat orios
( binarios, log- gaussianos, et c; Mat heron, 1989) los cuales requieren mayor
invest igacin.
Met odologa
Ut ilizamos el ej emplo sencillo de covarianza separable propuest o por el modelo
gaussiano:
C
z
( , ) = c exp ( | |
2
:
2
2
)
Est e modelo es un caso especial del modelo est able con o= 2: C( x) = exp ( x
u
) , y
donde el parmet ro o pert enece al int ervalo ( 0,2] . La funcin de covarianza est able
present a una pendient e infinit a en el origen, lo cual explica la t ext ura granulosa de
sus realizaciones ( Lant uj oul, 2002) .
Simulamos un proceso bi- dimensional y la funcin de covarianza
correspondient e a part ir de la const ruccin de un variograma emprico. El siguient e
cdigo det alla la simulacin realizada:
dx <- runif(300,0,8)
dy <- runif(300,0,8)
dz <- GaussRF(x=dx, y=dy, grid=FALSE, model="gaus",
param=c(1,2,1,2))
ev <- EmpiricalVariogram(x=dx, y=dy, data=dz, grid=FALSE,
bin=(-1:20)/4)
x <- seq(1,5,0.1);
ShowModels(x=x, y=x, empirical=ev)
Las salidas grficas regist radas consist en en:
Grfico de la funcin covarianza. ( grfico superior izquierdo)
Simulacin bi- dimensional ( debaj o a la izquierda)
Parmet ros del modelo, se incluye la varianza, el efect o nugget , la media y
la escala o los parmet ros de anisot ropa. ( derecha)
Result ados
En l a f i gur a 1.A obser vamos el gr f i co de par t i da, cor r espondi ent e al model o de
covar i anza gaussi ano (cov) y l os par met r os: escala=0.975, var i anza=1.45, nugget =1.45 y
medi a=0.
TEM A 2: M ODELOS GEOESTADSTICOS ESPACIO-TEM PORALES
Sea cov el model o en not aci n est ndar , el model o de covar i anza se apli ca segn l a
var i anza, el ef ect o nugget y l a escal a ut il i zada, como: nugget + vari ance * cov( (.)/ scal e). Por
t ant o, obser vamos que al aument ar l a var i anza del sist ema el gr f i co de covar i anza pr esent a
movi mi ent o ver t i cal haci a ar r i ba (f i gur a 1.B, var i anza=3.01) decayendo a l a mi sma di st anci a
que en el model o de par t i da. Como er a de esper ar, si el model o pr esent a var i anza=0, l a
f unci n de covar i anza es const ant e en 0 y no se i dent i f i can cl ar ament e l os pat r ones de l a
f i gur a (f igur a 1.C, var i anza=0).
Asi mi smo, al aument ar el par met r o nugget obt enemos el consi guient e aument o de
punt o en x=0 de l a f unci n de covar i anza (f i gr a 1.D, nugget =3.05). Al eli mi nar el ef ect o nugget
obt enemos una f unci n de covar i anza si n sal t o en el pr i mer punt o y un gr f i co que seal a ms
cl ar ament e l os pat r ones pr esent es. Cabe r ecor dar que 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.
Al vari ar l a escal a del pr oceso, var a su medi a y aument a el punt o donde l a f unci n de
covar i anza se apr oxi ma asi nt t i cament e a cer o (f i gur a 1.E). Fi nal ment e, al aument ar l a medi a
del model o, obser vamos que st a es ignor ada en l a eval uaci n de l a f unci n e covar i anza o
var i ogr ama (f i gur a 1.F) y por consi gui ent e en l a i magen del pr oceso.
TEM A 2: M ODELOS GEOESTADSTICOS ESPACIO-TEM PORALES
A
C B
TEM A 2: M ODELOS GEOESTADSTICOS ESPACIO-TEM PORALES
Fi gur a 1. Gr f i cos compar at i vos del model o de covar i anza gaussi ana en R
2
xI par a par es de
val or es espaci o-t empor ales, y segn l os par met r os ut i l i zados en el mi smo.
D E
F G
TEM A 2: M ODELOS GEOESTADSTICOS ESPACIO-TEM PORALES
APNDICE
A cont inuacin describiremos ms ej emplos de la generacin de modelos de
covarianzas espacio- t emporales mediant e ecuaciones diferenciales ( parciales)
est ocst icas ( Kolovos et al. 2004) .
Aplicando las t ransformaciones espaciales al modelo mencionado en el
apart ado correspondient e, obt enemos un modelo en R
n
xI: Cn( r, ) , donde
variando los coeficient es r y t au se evidencia la dependencia espacio-
t emporal.
Aplicando las ecuaciones de difusin obt enemos un modelo en R
n
xI:
Cn( r, ) . La forma de la covarianza cambia segn los valores n y alfa.
Ut ilizando est e modelo y la ec 1, se pueden obt ener ot ros modelos de
covarianza para R
n
xI: Cn( r, ) . ( ec 7 n= n, ec 8 n= 2, ec 8b en n= 3)
Se puede modificar la ec 6, en el caso espacial, agregndole const ant es
luego del t iempo de ret raso: ec 9 . Ut ilizada en est udios de la mecnica
de fluidos.
Ut ilizando la ec 9 y las t ransformaciones espaciales de la ec1,
obt enemos nuevos modelos de covarianza: ec 9.b y 9.c.
Se puede derivar modelos de covarianza espacio-t emporales no-
separables de la ec.6: ec 10.a y 10.b, en n= 2. Si los graficamos
podemos ident ificar el efect o hole a los largo de la direccin espacial.