ANLISIS DE INCERTIDUMBRE PARA HISTOGRAMAS EXPERIMENTALES

Nocin de incertidumbre:
Ningn modelo numrico reproduce la realidad sin error. Siempre existe incertidumbre
debido a nuestra falta de conocimiento por no disponer de un muestreo exhaustivo. Esta
incertidumbre no constituye una caracterstica inherente al depsito, sino que traduce
nuestra ignorancia de ste.
Los modelos de incertidumbre:
Buscan caracterizar los valores desconocidos de la variable regionalizada no por
estimaciones, sino que por distribuciones de probabilidad. Conocer cmo es susceptible
distribuirse un valor permite medir la probabilidad que ste sobrepase una determinada
ley de corte, entregar una estimacin e intervalos de confianza donde el valor real tiene
grandes probabilidades de hallarse.

INCERTIDUMBRE GLOBAL
Se busca describir la distribucin global o a priori de los valores de la variable
regionalizada. Si tomo una muestra al azar en el espacio, cmo estar distribuido el
valor de esta muestra?
Esta distribucin global puede ser representada por

la densidad de probabilidad a priori de la variable aleatoria Z(x) que modela

la variable regionalizada en el sitio x.

la densidad acumulada o funcin de distribucin a priori:

z R, F ( z ) Prob [ Z (x) z ]

Bajo la hiptesis de estacionalidad, F(z) no depende de x. Una interpretacin de este

resultado es que la definicin de F(z) no hace referencia a la posicin en el espacio de los
sitios con datos (de donde viene la denominacin a priori). No permite entonces
distinguir los sitios del espacio segn los valores tomados por los datos circundantes.
En la prctica, se puede estimar la densidad o la funcin de distribucin gracias al
histograma o al histograma acumulado de los datos disponibles.
DESAGRUPAMIENTO
Cuando la malla de muestreo es irregular, el histograma de los datos puede no ser
representativo del campo estudiado. Los datos agrupados atribuyen demasiada
importancia a las zonas densamente muestreadas y dan una visin deformada del
histograma subyacente real que se obtendra muestreando exhaustivamente el campo.
Por ejemplo, si las muestras se ubican preferentemente en las zonas de altos valores, el
histograma experimental presentar una media mayor que la del histograma real.
Para corregir el efecto del agrupamiento de las muestras, una primera solucin es
seleccionar una parte de los datos cuya reparticin es aproximadamente uniforme en el
campo, los cuales servirn para el clculo de los histogramas y estadsticas.

Una segunda opcin

Consiste en ponderar los datos, asignando un peso pequeo a los datos agrupados y un
peso mayor a los datos aislados, y en tomar en cuenta estos pesos al momento de
calcular el histograma experimental
Denotemos como {xa, a = 1... n} los sitios con datos. Si se asigna a cada dato un peso
igual a 1/n, el histograma acumulado experimental es igual, para todo valor z, a la
proporcin de los datos inferiores a z, o sea:

1
z R, F ( z )
n

1
1

z ( x ) z

Ahora bien, atribuyendo pesos a los datos {wa, a = 1... n} no necesariamente iguales, pero
cuya suma vale 1, el histograma acumulado corregido se escribe:

z R, F ( z )

z ( x ) z

Los mtodos geomtricos son frecuentemente empleados para determinar los

pesos de desagrupamiento {wa, a = 1... n}.

Mtodo de los polgonos de influencia

El peso de un dato es proporcional a su rea de influencia en la zona de estudio

Mtodo de las celdas

Se divide la zona en celdas rectangulares de igual peso; el peso de cada celda se reparte
entre las muestras que pertenecen a esta celda, el resultado depende del origen de la red
de celdas, as como de su tamao y orientacin

SUAVIZAMIENTO DEL HISTOGRAMA EXPERIMENTAL

Para modelar correctamente la funcin de distribucin terica, a veces se debe suavizar el
histograma acumulado experimental (funcin escalonada), sobre todo si el nmero de
datos disponibles es pequeo.
Existen varios algoritmos de suavizamiento que permiten restituir con mayor o menor
fidelidad las estadsticas experimentales (media, varianza, cuartiles). Se debe prestar
atencin a la eleccin de los extremos de la variable regionalizada dada su potencial
incidencia en los resultados posteriores: la ocurrencia de valores extremos es un
elemento decisivo en numerosas situaciones (estudios de contaminacin ambiental,
evaluacin de recursos y reservas mineras...).