Variograma cruzado

Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.

Definicin:
Elvariograma cruzadoesigualalasemicovarianzadelos
incrementosde2funcionesaleatorias:

1
2
0

Mesetadel

CasoIsotpico
1

Variograma pseudocruzado
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.

Definicin:
1
2
Elpuedesercalculadoansilasvariablesnosonconocidasen
losmismospuntos.Pero,sudiferenciatienequetenerunsentido
fsico(mismasunidades).
0

dependede
debeserestacionario

Casoheterotpico
2

Ejercicio
Clculodeunaestructurabivariable.
ConsideremoslasleyesdeCuT yCuS analizadastodoslosmetros
alolargodeunsondaje.
CuT(%)
2.60
3.18
0.75
2.13
1.40
1.48
2.23
3.93
1.70
1.35

CuS(%)
2.13
2.73
0.53
1.63
1.05
1.15
1.85
3.30
1.45
0.98

Calculelamedia,lavarianzayla
desviacinestndarparacadavariable.

Calculeelcoeficientedevariacin.

Calcularytrazarhasta

4:

Elvariograma simpledecadavariable.

Elvariograma cruzado.

Resultados
CuT
Prom 2.08
Varia 0.91
Coef. 0.46

CuS
1.7
0.7
0.5

N(h) h(m) CuT CuS CuT,CuT

9
1 1.91 1.44
1.66
8
2 2.37 1.88
2.11
7
3 1.59 1.34
1.46
6
4 1.64 1.40
1.51
4

MODELOSCOMUNES

Elmodelodecorrelacinintrnseco
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Todaslasestructurassimplesycruzadassonidnticas
(proporcionales).
,
Puedesersimpleescribirloenformamatricial(caso2
variables).

Sediceintrnsecadadoqueellanodependedelsoporte
nidelcampo.
6

Elmodelodecorrelacinintrnseco
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Enelcasoestacionario,sepuedeescribir:
,

0
Dedondelamatrizdemesetas(simtrica,dado

Representaenelmodelolamatrizdevarianzasy
covarianzasenunmismopunto.
7

Elmodelodecorrelacinintrnseco
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Lamatrizdebesersemidefinidapositiva,loquesignificaquela
varianzadetodacombinacinlinealenunmismopuntoes
positivaonula:
,
0
Lamatriz
siendosemidefinidapositiva,tenemos
necesariamente:
0


0,



,

Elmodelodecorrelacinintrnseco
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Lacorrelacinintrnsecaentrevariablesseextiendeasus
combinacioneslineales:variogramas simplesycruzadosson
.
proporcionalesa
Porotraparte:
0

Asenelmodelodecorrelacinintrnseca,laausencia
decorrelacindedosvariables(odesuscombinaciones
lineales)enunmismopuntoimplicasunocorrelacin
espacial.

Elmodelodecorrelacinintrnseco
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Ejemplo:
100
25
40

Setratadeunmodelodecorrelacinintrnseca,dadoque
podemosescribir
con:

Laestructuradebase
100
40
40 25
Estamatrizessemidefinidapositivadadoqueellacorresponde
adosvariablesdevarianzaspositivasydecorrelacinigual
a0.8.

Lamatrizdevarianzascovarianzas

10

Elmodelodecorregionalizacin lineal
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Enestemodelo,todaslasestructurassimplesycruzadas
soncombinacioneslinealesdelasmismascomponentes
estructuralesdebase,ypuedeserinterpretadoporuna
descomposicindelasvariablesencombinaciones
linealesdelascomponentescorrespondientes.
Estopuedeservistocomounageneralizacin,enelcaso

multivariable,delascomponentesanidadasdelcaso
monovariable.

11

Elmodelodecorregionalizacin lineal
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Componentesanidadascasomonovariable
Seaunavariabledemediaigual13.2(%),ajustadaconla
siguienteestructuraanidada:

11
39

Estavariablepuedeinterpretarsecomolasumadedos

sincorrelacinespacialentre
componentes
ellas,demediasnulasydeestructurasrespectivas:

11
y
39

12

Elmodelodecorregionalizacin lineal
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Casomultivariable
Ejemplo:
11
39
9
15
14.5

Sepuedeanotar:

13

Elmodelodecorrelacinlineal
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Casomultivariable
Con:
y

Ylasmatricesdevarianzas/covarianzas
11 0
y
0 9
Cadamatriz

39 14.5
14.5 15

,debesersemidefinidapositiva,sedebetener:

14

Elmodelodecorregionalizacin lineal
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Unacomponenteestructural(pepita,cortoalcance,largo
alcance)nopuedefigurarenunaestructuracruzadasinfigurar
sobrecadaunadelasdosestructurassimplescorrespondientes.
Sinembargo,puedefigurarsobredosestructurassimplessin
figurarsobrelaestructuracruzada.
Demanerageneralunmodelodecorregionalizacin linealpuede
escribirse:
Envariograma:

oencovarianzas,enelcasoestacionario:

15

Cokriging ordinario
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Definicindelestimador

Esperanzadelerrornula

Minimizacindelavarianzadelerror
,

,
,

,
16

Cokriging ordinario
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Sistemadeecuaciones
,

17

Cokriging ordinario
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Sistemadematrices
1
0
0 0
1 0

1
0

0
1
0
0

1
0

Varianzadelerrorovarianzadecokriging
,

Elpasodelsistemadematricesavariograma esdirecto,hace
faltanicamentecambiarelsignodelosparmetrosde
lagrange.
18

Comentariosfinalesdecokriging
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Elcokriging aseguralacoherenciaentreestimacionesde
diferentesvariables.Aselcokriging de
(apartirde
datossobre y porejemplo,esigualaladiferenciade
cokriging de y .
Elmodelodecorrelacinintrnseca,todaslasestructurasson
idnticas.
Elmodelolinealdecorregionalizacin,dondetodaslas
estructurassoncombinacioneslinealesdeunciertonmerode
estructurasdebase.
Enelcasoisotpico,siunadelasvariables,porejemplo
tieneunaestructuracruzadaconotravariable,idnticaala
suya,entonces esautokrigeable,sucokriging coincideconsu
kriging.Lomismoocurreenelcasoheterotpico donde es
conocidasobreelconjuntodepuntosmuestreados.
19

Consideracionesparalavecindadde
cokriging
Fuente:ApuntesCentrodeGostatistique,cole desMinesdeParis.J.Rivoirard.

Paraasegurarlacoherenciaentrevalorescokrigeados delas
diferentesvariables,esnecesariotomarunavecindadidntica
paralaestimacindecadaunadelasvariables.
Enelcasoisotpicoestoimplicaelegirlavecindadapartirdela
variablequerequierelamsgrandevecindad(vecindadesms
pequeapuedesersuficienteparalaotravariable).
Paraelcasoheterotpico (muchomscomplicado),la
estimacinde sebasaensuinformacinmslainformacin
de msdensa,lavecindaddefinidadeberincluirademsde
lasmuestrasde aquellasde enlosmismospuntosde y
enlospuntosaestimarde ,peronolosvaloresde en
otroslugares.

20