Está en la página 1de 2

Curso intensivo de Krigeado ¿Qué es la Geoestadística?

Algunas consecuencias…
■ Def.: Aplicación de la teoría de las variables ■ La realidad es simplemente una realización
■ Es un método de Interpolación regionalizadas a la estimación de procesos en el espacio
o instancia de un experimento aleatorio
■ Lo hemos citado y lo citaremos en: ■ Si z(x) es el valor de z en el punto x, z(x) es una
➤ Imputación de ausencias (obvio…)
variable regionalizada ■ Sólo tenemos una realidad; hay que hacer
➤ Concepto no probabilístico inferencia estadística sólo con ello
➤ Detecciónde errores ➤ Quizá función continua
➤ En general no sería posible
➤ Estimación de sensibilidad de modelos ■ Usualmente z(x) está compuesta de
Componentes aleatorios y
➤ Requerirá hipótesis adicionales
■ Base estadística ➤
➤ Componentes estructurados ➤ Ej.: homogeneidad espacial
■ Incorporado en algunos GIS ➤ No luce “suave” ■ Las funciones aleatorias son sólo un
(¿malamente? ¿parcialmente?...) !Conviene considerar a z(x) como una función modelo posible de la realidad
aleatoria

Definiciones… Más definiciones Más sobre variogramas…


Momentos de la distribución ■ Def.: Z(x) estacionaria de segundo orden si Def.: γ(h)=0.5*E([Z(x+h)-Z(x)]2)
■ 1er. orden: Esperanza E(Z(x))=m(x) ➤ E(Z(x)) existe y no depende de x
➤ C(x+h,x)=C(h) (sólo depende de la separación)
■ γ(0)=0; γ(h)≥0
➤ m(x) es llamada “deriva” o ”tendencia”
Rango (Range):
■ 2do. orden: ■ Implica 2,5
Distancia a la cual el
➤ Varianza Var(Z(x))=E([Z(x)-m(x)]2) ➤ Var(Z(x))=C(0) 2 variograma se estabiliza
➤ γ(x+h,x)= γ(h)=0.5*E([Z(x+h)-Z(x)]2)
V a riogra m a
➤ Covarianza C(xi,xj) 1,5

C(xi,xj)= E([Z(xi)-m(xi)].[Z(xj)-m(xj)]) ■ h es en general un vector; suele asumirse isotropía, 1 Meseta (Sill) :


por lo que γ(h)= γ(|h|)
➤ Semivariograma γ(xi,xj) 0,5 Valor constante que toma el

γ(xi,xj)= 0.5*E([Z(xi)-Z(xj)]2)
■ γ(h)=var(Z)-C(h) sólo si la media es estrictamente variograma en distancias
mayores al rango
constante; en otro caso, usar γ(h) es más
0
0
3
6
9
12
15
18
21
24
27
30
33
36
39
42
■ Var(Z(x))≥0; γ(xi,xj)≥0 pero C(xi,xj) no se sabe conveniente que usar C(h) Distancia

Fórmula del Variograma Estimación del Variograma Krigeado


■ El variograma debe cumplir algunas condiciones ■ Un tópico en sí mismo ■ Del geólogo sudafricano D. G. Krige
matemáticas restrictivas ■ “Left to the user…” ■ Hay muchas variantes y casos particulares
■ Salen de imponer que Var(Y)≥0, siendo ■ Métodos: ■ Caso Puntual: se modela el estimador con
Y=Σ λiZ(xi), λi y xi conjunto arbitrario ➤ A sentimiento (!) N

■ Hay algunos modelos de variogramas que se ➤ Mínimos cuadrados Z * (x ) = ∑ λi (x ) Z ( xi )


i =1
ajustan a los datos ➤ Jacknife
➤ Esférico, Exponencial, Gaussiano, Pepita, etc. ➤ Máxima Verosimilitud eligiéndose los pesos λi(x) para que sea insesgado


➤ Hay otros menos populares
Todos dependen de la meseta S y el rango a,
➤ Validación Cruzada
➤ Validación Cruzada de Máxima Verosimilitud
( )
E Z * ( x ) = m = E (Z ( x ))
excepto el denominado Pepita (nugget)

➤…
Sin variograma…
y de varianza mínima
[
var Z ( x ) − Z * (x ) ]

1
Algunos detalles Algunos detalles(2) Algunos detalles(3)
■ Se asume m constante; hay variantes para otro ■ Donde γ ij = γ (xi − x j ); γ i = γ ( xi − x ) ■ El de Krigeado es un estimador BLUE
➤ Sólo si el variograma es “exacto”
caso ■ Nótese que: ➤ Sólo si la función aleatoria es normal
■ Los pesos son función del punto ➤ El variograma depende de los datos – En ese caso, es el Best incluso comparando con los no lineales
➤ Los coeficientes λi dependen del variograma, pero no – Difícil de verificar la normalidad en la práctica (por lo
 0 γ 12 γ 13 L γ 1n 1   λ1   γ 1  multivariado…)
■ Salen del      de los datos mismos
sistema: γ 21 0 γ 23 L γ 2 n 1  λ2  γ 2 
■ El Krigeado es interpolante
➤ Idem con la varianza, mediante la expresión
Sólo si se asumen datos sin error
γ 31 γ 32 0 M M  M   M 

 .  =  
Var ( Z * − Z ) = ∑ λi γ (xi − x ) + µ ■ Bajo ciertas hipótesis
 M M M M M  M   M 

i
La matriz del sistema es constante; puede usarse LU ➤ error ~N(-2/d); N nro. de puntos y d dimensión del espacio
γ n1 γ n 2 γ n3 L 0 1  λn  γ n  (típicamente 2)
     ■ El resultado es perfectamente determinista; lo ➤ ¡Incluso con el variograma erróneo!
 1 1 1 L 1 0  µ   1  estocástico reside en los datos mismos – Pero en este caso la varianza no es consistente

Algunos detalles(3) Simulación Método Matricial de Simulación


■ Def.: No es el más eficaz si se necesitan muchos puntos
■ Si los datos tienen un error cuya varianza es ε2 ■
➤ No condicionada: Consiste en generar ➤ Matricial O(n3)
el sistema cambia levemente
realizaciones con igual media y varianza que la ➤ Bandas rotantes O(n1/2)
ε2
γ 12 γ 13 L γ 1n 1  λ1  γ 1 
disponible
   γ  ■ Implícitamente se asume normalidad
γ 21 ε
2
γ 23 L γ 2n 1 λ2   2 ➤ Condicionada: Idem, pero obligando a que ■ La fórmula para ZS es:
γ 31 γ 32 ε2 M M  M  M
 .  =   además adopte valores específicos en ciertos
 M M M M M  M   M  puntos Z S = Z * + M.u; M.MT = C; u i ~ N (0,1)
γ γ n2 γ n3 L ε 2 1 λn  γ n 
 n1     ■ Tres tipos de métodos ■ La simulación se logra generando diversos u
 1 1 1 L 1 0  µ   1 
➤ Espectrales, Bandas Rotantes y Matricial ➤ Problema estándar
➤ Sólo presentaremos el Matricial ➤ Muchas librerías disponibles

¿Para qué se usa la Simulación? Literatura & Software


■ Generar realizaciones ■ Digital:
➤ Compatibles con las medidas disponibles ➤ Rudolf Dutter, Vienna Inst. of Technology
CD del curso; http://www.statistik.tuwien.ac.at/public/dutt/vorles/geost_03/geo.html
➤ Compatibles con el variograma asumido ➤ Denis Marcotte, École Polytechnique de Montréal
CD del curso; http://geo.polymtl.ca/~marcotte/glq3401geo.html
■ Ejemplo: un MDE
➤ Oscar Rondón, Venezuela
➤ Generar N realizaciones del raster buscado CD del curso

➤ Delinear zona de visibilidad a un mástil ■ Papel:


➤ Calcular área Ai de esa zona ➤ Samper, F.J. y Carrera, J. 1990. Geoestadística: Aplicaciones a la
hidrología subterránea, CIMNE, ISBN 84-404-6045-7
➤ Calcular valor esperado, promedio, máximos, etc.
■ Biblioteca GSLIB
del conjunto Ai y sus niveles de confianza
■ Matlab+EasyKrig
■ Se comentarán más casos luego ftp://globec.whoi.edu/pub/software/kriging/V2.1/easy_krig2.1