Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Geoestadistica PDF
Geoestadistica PDF
E{Z(x)} = E{Z(x+h)} = m, xD
E{Z(x+h) - Z(x)} = 0, xD
1
[z ( x + h) z ( x)]2
N (h) N ( h )
en donde N(h) es el nmero de pares de valores que tenemos separados por el vector h.
Este estimador, al no precisar del conocimiento de la media m, presenta la ventaja de no
ser sesgado a diferencia del estimador de la funcin covarianza, que s lo es. Tambin
ocurre que cuando existe en la realidad una pequea tendencia lineal (E{Z(x)} = m(x)),
el estimador de la covarianza de la funcin resulta mucho ms afectado (con el cuadrado
de la dimensin del dominio), que el del variograma (con el cuadrado de h) (Cressie,
1993).
Consideremos algunos conceptos importantes relacionados con el variograma. Sean V y
v dos soportes (puntos, reas o volmenes). El valor esperado del error cuadrtico
cometido al estimar el valor medio de la variable regionalizada (ZV) sobre V, con el
valor medio (Zv) sobre v (por ejemplo cuando extendemos o extrapolamos el valor de la
ley obtenido a partir de una pequea muestra en el frente de una galera, al resto de la
seccin de la galera), es lo que se llama varianza de extensin, y su valor es igual a:
C(v,v) = C(v,V), , = 1 a n
1 = 0, con = 1 a n
Con C(a,b) igual al valor medio de la covarianza cuando un extremo del vector h
recorre el soporte a y el otro el b. El parmetro de Lagrange de la ecuacin de
ligadura es y el valor de la varianza es: 2ko = C(V,V) + - C(v,V).
(v,v) + = (v,V), , = 1 a n
1 = 0, con = 1 a n
Con (a,b) igual al valor medio del variograma cuando un extremo del vector h
recorre el soporte a y el otro el b. En este caso obtenemos que el valor de la varianza
es: 2ko = (v,V) + - (V,V).
Estas ecuaciones representan lo que Matheron (1963) denomin Krigeage o Kriging, en
honor de D.G. Krige, un ingeniero de minas que preconiz este procedimiento en los
aos 50, trabajando en las minas de oro de frica del Sur. Comparando la informacin
real sobre leyes medias de paneles de explotacin, con las estimadas ponderando
muestras prximas a cada panel, con objeto de lograr un estimador ptimo, deduca el
valor de las ponderaciones obligando a que la varianza de la estimacin fuese mnima
(Azcrate, 1982).
El krigeage obtiene como resultados los mejores estimadores lineales no sesgados y hoy
en da, el trmino est referido a toda una familia de tcnicas de estimacin e incluso de
simulacin. As por ejemplo, en caso de conocer E{Z(x)} = m, se emplea el krigeage
simple; a veces se hacen transformaciones no lineales de las variables objeto de estudio:
krigeage lognormal, disyuntivo, indicador, probabilstico, y otras veces se incorpora la
tendencia en caso de existir: krigeage universal. Aqu hemos desarrollado las ecuaciones
del krigeage ordinario.
Si nos centramos en la hiptesis de estacionariedad intrnseca, para que el sistema de
ecuaciones tenga solucin y sea nica, el variograma ha de ser una funcin
condicionalmente definida negativa. Esta condicin proviene del hecho de que la
varianza del krigeage no puede ser negativa, y de la necesidad de existencia de un nico
mnimo global. Ya vimos que la funcin variograma poda ser estimada con el
variograma experimental e(h), pero en la realidad sta se ajusta a una combinacin
lineal de modelos tericos que garanticen la existencia de solucin y su unicidad.
Algunos de estos, estandarizados, se muestran en la fig. n 1.
VARIOGRAMAS TERICOS
Esfrico
Gaussiano
Exponencial
Potencial (a<1)
1.2
1
g
0.8
0.6
0.4
0.2
0
0
50
100
150
200
250
300
h (m)
Modelo esfrico:
Modelo exponencial:
Modelo gaussiano:
[] = [C]-1 [D]
Esta sencilla ecuacin muestra que los pesos vienen afectados por la distancia
estadstica [D] en vez de por la distancia geomtrica h. Los pesos se definen por la
estructuracin espacial del fenmeno que a su vez depende de la distancia geomtrica.
En general, cuanto ms alejado est un dato conocido del soporte a estimar, menor ser
la covarianza entre ellos dos, y menor peso se le aplicar a ese dato.
El efecto de la matriz [C]-1 es siquiera ms notable: ajusta los pesos que se obtienen con
[D], la distancia estadstica, para tener en cuenta la posible redundancia entre las
muestras (Srivastava, 1989). De nuevo se trabaja en trminos estadsticos, ya que la
redundancia entre datos depende de no slo de su distancia geomtrica y disposicin
espacial, sino tambin de la continuidad del fenmeno estudiado. Todo ello queda
reflejado en esta matriz.
Si observamos las ecuaciones de la varianza de la estimacin, la varianza del error de
nuestro modelo, podemos deducir que es un buen indicador de la incertidumbre del
error real, al incluir todos los elementos que intuitivamente le relacionamos: nmero y
disposicin espacial de las muestras, y variabilidad del fenmeno.
El modelo planteado por la geoestadstica muestra mayor coherencia que los modelos
clsicos. Es fcilmente perceptible que cuando variamos el tamao del soporte de la
muestra (v.g. de un trozo de testigo a un banco de explotacin), la funcin de
distribucin de la variable (v.g. leyes), cambia. Este hecho lo introduce de forma natural
la geoestadstica mediante la varianza de dispersin, presentada anteriormente. La
variacin de la varianza de la funcin de distribucin de la variable Z sobre el dominio
V, al variar el soporte de v a v, se refleja con el cambio del valor (v,v) a (v,v). Si
ves mayor que v entonces (v,v) ser mayor que (v,v), disminuyendo la varianza de
la distribucin.
El modelo incorpora tambin, la posible anisotropa que pudiera manifestar el fenmeno
estudiado. Cuando establecimos las hiptesis de estacionariedad, escribimos que la
covarianza o el variograma slo dependa del valor de h, distancia entre los soportes
considerados. En realidad h representa un vector, y como tal debe ser interpretado en las
ecuaciones.
De todas estas anotaciones y del hecho cierto del gran desarrollo y utilizacin prctica
de la geoestadstica, se concluye que, en general, los estimadores utilizados por sta,
dan mejores resultados que los estimadores clsicos.
Referencias
CRESSIE, N.A. (1985) Fitting variogram models by weighted least squares. Journal of
the International Asosciation for Matematical Geology, 17, pp. 563-586.
CRESSIE, N.A. (1993) Statistics for spacial data. USA. Jonh Wiley & Sons, INC.
JOURNEL, A.G. y HUIJBREGTS, Ch. J. (1978) Mining geostatistics. London,
Academic Press.
MATHERON, G. (1962) Trait de Gostatistique Applique. Tome 1. Pars, Edit.
Technip.
MATHERON, G. (1963) Trait de Gostatistique Applique. Tome 2. Pars, Editions
Technip.