Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Teoria de Variables Regionalisadas y Su Aplicaion PDF
Teoria de Variables Regionalisadas y Su Aplicaion PDF
de Fontainebleau
Fascculo 5
LA TEORA DE LAS
VARIABLES REGIONALIZADAS
Y SUS APLICACIONES
Por
Georges MATHERON
1970
Traducido al espaol por
Marco ALFARO
2005
Captulo 0 INTRODUCCION.
0-1
0-2
0-3
0-4
Notaciones 7
Producto de convolucin 8
Geoestadstica y Teora de las variables regionalizadas
Mtodos transitivos y Teora intrnseca 10
14
Ejemplo introductorio 14
El covariograma transitivo 16
Regularizacin y subida 19
La estimacin de las variables regionalizadas
Ejercicios sobre los mtodos transitivos 44
50
99
24
Definiciones generales 50
Propiedades de la covarianza y del variograma 53
Regularizacin de una F.A.I. 59
Varianzas de extensin y de estimacin 63
Mtodos de aproximacin en R1 68
Mtodos de aproximacin en Rn 72
El efecto de pepita 75
El esquema esfrico 77
Inferencia estadstica y cuasi-estacionaridad 81
Ejercicios sobre las F.A.I. 86
Captulo 3 EL KRIGEADO.
3-1
3-2
3-3
3-4
3-5
3-6
Introduccin
BIBLIOGRAFIA.
121
121
126
PREFACIO
G. MATHERON
M. ALFARO
0 INTRODUCCION
0-1
NOTACIONES
Designaremos por x, y,
o 3), por dx, dy, ...
2) o de volmenes (n =
etc., ... funciones de
f ( x)dx
Por ejemplo, para n = 3 dimensiones, y, designando por (x1, x2, x3) las
tres coordenadas del punto x, esta notacin se explicita de la manera
siguiente:
f ( x)dx =
f ( x)dx
b2
f ( x)dx = dx f ( x , x )dx dx
1
a1
a2
1
dx g ( y x)dy
v 2 v v
En notacin explcita, lo anterior se escribira como:
1
v2
dx dx dx g ( y
1
x1 ; y2 x2 ; y3 x3 )dy1dy2 dy3
g ( x) = f1 ( y ) f 2 ( x y )dy = f 2 ( y ) f1 ( x y )dy
Se escribe, en notacin simblica:
g = f1 f 2
Esta
operacin
de
convolucin
juega
un
papel
fundamental
en
Geoestadstica (como tambin en probabilidades y en toda la fsica
terica). La convolucin se puede asociar con la nocin intuitiva de
media mvil:
Regularizada de una funcin f (media mvil ponderada de la funcin)
f p ( x0 ) = p ( y ) f ( x0 + y )dy = p ( y ) f ( x0 y )dy
(se atribuye el peso p(y)dy al valor tomado por f en el punto x0 + y. La
segunda expresin se obtiene al cambiar y por y).
Sea p la funcin transpuesta de la funcin p (por definicin:
p (x)=p(-x)). fp(x0) es el valor en x0 de f* p :
fp = f p
Esta media mvil fp de la
regularizada (de f por p).
funcin
(ponderada
por
p)
se
llama
fv =
1
f k
v
f v ( x) =
1
f ( x + y )dy
v v
Ejemplo 2 (radiactividades)
Si en el origen 0 de coordenadas se pone una masa unitaria de una
sustancia radiactiva, se observa a la distancia d una radiactividad igual
a Ae-d/d (A es una constante y es el coeficiente de absorcin del
medio). Sea ahora f(x) la ley en el punto x de esta sustancia radiactiva.
Designemos por d(x-x0) la distancia entre dos puntos x y x0. La masa
f(x)dx localizada en x genera en x0 una radiactividad:
Ae d ( x x0 ) / d ( x x0 ) f ( x)dx
En total, se observa en x la radiactividad:
A f ( x )
e d ( x x0 )
dx
d ( x x0 )
Esto no es otra cosa que el producto de convolucin Af* (con una funcin
p de ponderacin p(x)= e-d/d, la cual es adems simtrica, es decir p = p )
0-3 GEOSTADISTICA Y TEORIA DE LAS VARIABLES REGIONALIZADAS.
La Geoestadstica es la aplicacin de la teora de las variables
regionalizadas a la estimacin de los depsitos mineros (con todas las
aproximaciones que esto implica). De manera general, diremos que un
fenmeno es regionalizado cuando se desplaza en el espacio, manifestando
una cierta estructura. Las ciencias de la tierra, entre otras, nos
proporcionan numerosos ejemplos. Si f(x) designa el valor en el punto x
de una caracterstica f de este fenmeno, diremos que f(x) es una
variable regionalizada, abreviado, una V.R. Se trata de un trmino
neutro, descriptivo,
probabilstica.
anterior,
en
particular
toda
interpretacin
un
aspecto
aleatorio
(alta
irregularidad,
y
variaciones
imprevisibles de un punto a otro)
un aspecto estructurado (la V.R. debe sin embargo reflejar a su
manera
las
caractersticas
estructurales
de
un
fenmeno
regionalizado)
0-4
10
funcin aleatoria
realizacin?
hipottica
de
la
cual
nuestra
V.R.
sera
una
12
13
CAPITULO 1
LOS METODOS TRANSITIVOS
1-1 EJEMPLO INTRODUCTORIO
Consideremos el fenmeno de transicin ms simple que se pueda
imaginar: presencia o ausencia de una caracterstica. Sea por ejemplo una
formacin geolgica de extensin limitada. Un sondaje perforado en el
punto x la intersecta o no la intersecta. Designemos por k(x) la
indicatriz del conjunto S, es decir la funcin definida por:
1 si x S
k ( x) =
0 si x S
Se trata de un fenmeno nico, para el cual no es posible realizar una
formulacin probabilstica: hablar de la probabilidad de que un punto
dado x pertenezca a S no tendra gran sentido. Se puede observar tambin
que todo el inters se concentra aqu en la frontera de S. En efecto,
k(x) es constante tanto al interior como al exterior de S, solamente al
pasar esta frontera k(x) vara, pasando de 1 a 0 o de 0 a 1. Esta es la
justificacin del nombre de fenmeno de transicin, y del nombre mtodos
transitivos.
El rea S de nuestra formacin est dada, evidentemente, por:
S = k ( x)dx
14
1 si x S S h
k ( x ) k ( x + h) =
0 si x S S h
Integremos en x esta expresin: obtenemos una funcin de h:
K(h) = K(-h)
Desigualdades:
0 K(h) K(0)
Relaciones:
S = K(0)
S 2 = K (h)dh
b/ Alcances: el alcance a() en la direccin es la distancia a
partir de la cual K(h) se anula en esa direccin. Entonces es la
dimensin ms grande de S en esta direccin.
c/ Pendiente en el origen (derivada a la derecha y a la izquierda)
15
K (h) = K (0) rD
rD
1-2
EL COVARIOGRAMA TRANSITIVO
g (h) = f ( x) f ( x + h)dx
(1-1)
g(h)=g(-h)
desigualdad:
g (h) g (0) = [ f ( x) ] dx
Sea Q =
(1-2)
f ( x)dx
Q 2 = g (h)dh
g (0) g (h) =
1
2
[ f ( x + h) f ( x)] dx
16
parte regular
parte irregular
17
g(x x ) 0
(1-3)
i, j
g ( x x ) = f ( y) f ( y + x x )dy =
i
i, j
i, j
= i j
i, j
f ( y + x j ) f ( y + xi )dy = i f ( y + xi ) dy 0
i
G=
18
No es, en general,
las propiedades de G en una vecindad del infinito.
fcil apreciar el comportamiento de una curva experimental en el
infinito. Esta es la razn, por la cual, el punto de vista del anlisis
armnico, no es muy interesante en las aplicaciones prcticas de la
teora de las V.R.
fp=f* p
la
g= f*f
lo cual muestra que el covariograma transitivo es la autoregularizada de
la V.R. f. El covariograma
gp = f * p* f * p = f * f * p* p = fp * fp
se puede poner en la forma:
gp = g *P
con P = p * p : entonces el covariograma de la regularizada se obtiene
regularizando g con el covariograma transitivo P de la funcin de
ponderacin p: gp es una funcin ms regular que g, as como fp es ms
regular que la V.R. inicial f.
1-3-2 La Subida
Vamos a dedicar el resto de este prrafo a una operacin llamada subida,
la cual tiene gran importancia en la teora de las V.R. (debido a que
permite, por ejemplo, reducir el clculo de una varianza de estimacin en
un espacio de n dimensiones, a una serie de operaciones mucho ms
simples, realizadas en el espacio de una dimensin). En trminos mineros,
la subida es simplemente la transposicin abstracta de la operacin que
consiste en implantar un sondaje en un punto (x1, x2) de la superficie
topogrfica.
Si f3(x)=f3(x1, x2, x3) es una V.R. en el espacio de tres dimensiones (por
ejemplo), se dice que la V.R.:
f 2 ( x1 , x2 ) = f 3 ( x1 , x2 , x3 )dx3
definida en el espacio de dos dimensiones se deduce
orden 1, paralela al eje de los x3). Por ejemplo,
puntual, f2(x1, x2) es la acumulacin (cantidad
cuadrado) del sondaje implantado en el punto (x1,
topogrfica.
19
f1 ( x3 ) = f3 ( x1 , x2 , x3 )dx1dx2
definida en el espacio de una sola dimensin (el eje de los x3) y que
representa, en trminos mineros, la cantidad de metal por metro de
profundidad aportada por el nivel de cota x3.
Se tiene que el
covariograma g2(h1, h2) de la V.R. f2 deducida de f3 por subida de orden 1
se obtiene efectuando directamente esta misma operacin de subida sobre
el covariograma g3(h1, h2, h3) de la V.R. f3, dicho de otra manera, en
lenguaje breve: el covariograma sube al mismo tiempo que la V.R.
asociada.
Demos una demostracin de este resultado a partir de
Sea fn(x1, x2, ..., xn) una V.R. en Rn, n(u1, u2, ...,
de Fourier. Por subida de orden 1 a lo largo del
obtiene la V.R. fn-1(x1, x2, ..., xn-1) cuya transformada
(1-5)
la relacin (1-4).
un) su transformada
eje de las xn, se
de Fourier es:
Gn = n
, Gn 1 = n 1
20
2
2
g n 1 (r ) = 2 g n ( h + r )dh
g (r ) = 2 g ( h 2 + r 2 )hdh
0 n
n2
(1-6)
u
(
)
2
=
g
r
g n (u )
du
n 1
(u 2 r 2
r
(
)
2
g
r
0 gn (u )udu
n2
g n (r ) =
(1-7)
1
2 r
g n' 2
g n +1 =
1
2 r
g n' 1 (r )
g n (r ) = 2 g n +1 (u )
r
udu
u2 r2
'
n 1
(u )
du
u2 r2
21
(1-8)
udu
g n 1 (r ) = 2 g n (u ) 2 2
u r
g (r ) = 1 g ' (u ) du
n
r n 1
u2 r2
r = A r +1
( no entero)
22
(1-11)
r 2 k log (r ) A2 k r 2 k +1
2 k +1
A2 k +1r 2 k + 2log (r )
r
donde
se
log (r ) r
r r 2log (r )
Clculo de los coeficientes A Para una demostracin rigurosa, ver [4].
Daremos aqu una justificacin simblica, cuyo principio nos servir
tambin para el clculo de varianzas de estimacin. Al considerar que r
es una distribucin (y no como una funcin, lo que implica que esta
justificacin es slo simblica), r admite, en el espacio de n
dimensiones, la transformada de Fourier siguiente:
Fn (r ) =
+n / 2
+n
2 1
+n
2
Fn 1 ( n ) =
n +1
+
2
+1
2 +1
r
+n
(1-12)
1+
= tg
A =
2
2
1 +
1 + 1 +
Esta
justificacin,
repitmoslo,
es
solamente
simblica,
y,
en
particular, no muestra que la regla de correspondencia (1-10) proporciona
el resultado de la subida salvo una serie entera. Sin embargo, el
resultado (1-12) es correcto. En el caso de una serie singular (1-11), se
obtiene (por pasos al lmite sobre los cuales no insistiremos aqu):
23
(1-13)
2k k !
22 k (k !) 2
=
A2 k =
1 3 (2k + 1)
(2k + 1) 2
2 k
A = 2 (2k + 1)!
2 k +1
k !(k + 1)!
Q=
f ( x)dx
Q* ( x0 ) = a f ( x0 + pa )
p =
24
dx +
E (Q* ) = a f ( x0 + pa ) 0 = f ( x)dx = Q
p
a
0
(a) = E (Q ) Q = Q* ( x0 )
2
*2
dx0
Q2
a
Q* ( x0 ) = a 2
p = q =
f ( x0 + pa ) f ( x0 + qa ) = a 2 f ( x0 + pa) f ( x0 + pa + ka )
k
Integremos de 0 a a. Se tiene:
a
Q ( x )
*
dx0 =a
= a2
f (x
+ pa ) f ( x0 + pa + ka )dx0 =
f ( x0 ) f ( x0 + ka )dx0 = a 2 g (ka )
k
k =
(a) = a g (ka )
2
g (h)dh
25
k2
k3
aproximado
el
valor
exacto
de
la
g (h)dh .
integral
Por
la malla a es ms pequea
la funcin g, luego tambin la funcin f, es ms regular.
p
0
p =
a
x
C = 1 Q* ( x )e 2i p a dx
0
p a
0
su
C p = f ( x + ka )e
k
expresin
2 i p
x
a
explcita,
dx =
f ( y )e
2 i p
y
a
se
ve
que
el
dy
p
Cp =
a
En particular C0 = (0) = Q. Las propiedades de ortogonalidad de las funciones
trigonomtricas conducen a:
2 (a) = C p Q 2
2
y, considerando (1-4):
26
2 (a) = G G (0)
a
(1-15)
p q
, G (0, 0)
a
1 a2
2 (a1 , a2 ) = G
(1-16)
p ,q
g * (ka ) = a f ( x0 + pa ) f ( x0 + pa + ka)
p
a g * (ka ) Q* ( x0 ) = 0
2
27
se elige un origen x0 V
fijo, es entonces:
Q* ( x0 ) = vf ( x0 + hi + xi )
i
f v ( x) =
1
f ( x + y )dy
v v
E ( f ( x0 + hi + xi ) x0 ) =
1
f (x0 + hi + y )dy = f v ( x0 + hi )
v v
D 2 ( f ( x0 + hi + xi ) x0 ) =
1
f 2 (x0 + hi + y )dy f v 2 ( x0 + hi )
v v
E (Q* | x0 ) = vf v ( x0 + hi ) = Q
i
D (Q | x0 ) = v 2 D 2 ( f ( x0 + hi + xi ) | x0 ) = vg (0) v 2 f v2 ( x0 + hi )
2
D 2 (Q* ) =
1
D 2 (Q* | x0 )dx0 = vg (0) f v2 ( x0 + hi )dx0 =
v v
i v
= vg (0) v f v2 ( x)dx
Designemos por gv el covariograma de la regularizada fv. Segn el prrafo
(1-3-1), este covariograma se deduce del covariograma geomtrico K(h) del
paraleleppedo por la relacin:
gv =
1
g*K
v2
En particular:
g v (0) =
1
g (h) K (h)dh = f v2 ( x)dx
v2
D 2 (Q ) = v [ g (0) g v (0) ]
29
g (h)dh
g (ka) .
Luego si g(h)
Sin
embargo,
los
modelos
tericos
de
g(h)
no
presentan
nunca
irregularidades analticas. Esto no quiere decir que esto sea as para
los
covariogramas
verdaderos.
Pero
no
conoceremos
nunca
estos
covariogramas verdaderos, y, como lo vimos al final del prrafo (1-4-1),
estamos siempre obligados a reemplazarlos por un modelo terico. En el
prrafo 1-4-6 se examinar el alcance epistemolgico de esta operacin
ambigua
que
consiste
en
reemplazar
el
covariograma
verdadero
(desconocido) por un modelo terico, analticamente simple, cuyas
irregularidades se encuentran concentradas en el origen y en el alcance:
30
Z (a)d = 0
0
h T a1+
31
d
T .
d
2 ( a ) = 2 G
a
p =1
G (u ) =
+1/ 2
+1
2 1
| u |1+
2
2 (a) =
1+
2a
+1/ 2
+1
1
2
p1+
p =1
2
(1-19)
+1
1
2
2
T =
p1+
1
+
2 p =1
2
T1 =
6
T2 ' = 0.0609...
El principio de correspondencia permite un clculo fcil y rpido de la
varianza de estimacin. Sin embargo, no hay que olvidar, que se ha
despreciado un Zitterbewegung, cuya amplitud puede ser enorme, y que lo
32
2 (a ) = ag (0) g (h)dh
(a b)
1
1+
33
(1-20)
varianza
de
k =
a ( g ) = a g (ka)
g (h)dh
Sean (x0, y0) las coordenadas de una de las muestras. Designemos por:
Li ( x0 ) = f ( x0 + ia1 ; y )dy
la acumulacin de la lnea i de abscisa x0, y por:
L*i ( x0 , y0 ) = a2
p =
f ( x0 + ia1 ; y0 + pa2 )
E ( L*i | x0 ) = Li ( x)
Para estimar
34
Q Q* = (Q a1 Li ) + a1 ( Li L*i )
i
12 (a1 ) = a ( g1 )
1
E ( Li L*i | x0 ) = 0
Si x0 est fijo, la V.R. f(x0+ia1;y) definida en la lnea i admite el
covariograma de una dimensin gi definido por
+
(1-22)
g i ( h) =
D 2 ( Li L*i | x0 ) = a2 ( gi )
Ahora establecemos la hiptesis (que justificaremos ms tarde) segn la
cual los Li-L*i pueden ser considerados sin correlacin cuando x0 est
fijo. La varianza condicional del trmino de lnea es entonces:
a1 dx0 a2 ( gi )
0
35
a1
= a1 a2
p q
, G (0, 0)
a1 a2
2 (a1 , a2 ) = G
p ,q
36
p
, 0 G (0, 0)
a1
12 (a1 ) = G
p
p q
,
1 a2
G a
q =1 p =
+1
1
1
2
F2 (r ) = 1+
1+
(u 2 + v 2 ) 2
2
Debemos establecer entonces la relacin:
(1-24)
+1
+ +
2
1
2
= T a1a12+
1+
1+
q =1 p = 2
p
q2 2
+
2
2
2
a1 a2
(1-25)
p =
1
1+
p
q
2 + 2
a1 a2
2
a
= 2
q
+2
p =
1
1+
pa
1 +
qa
2
2
2
2 2
1
b=
a2
qa1
b
1+
(1 + b 2 p 2 )
37
dx
1+
(1 + x )
2
b
1+
(1 + b 2 p 2 )
dx
1+
(1 + x 2 )
1+
1
2
=
b
1 +
2
p =
1
1+
p2 q2
2 + 2
a1 a2
=a1a12+
1+
2 1
q1+
1 +
2
1+
+ 1
2
2
a1a12+
q1+
1
+
2 q =1
2
Pero, segn (1-19) esta expresin es precisamente igual a Ta1a21+, de
manera que la relacin (1-24) se verifica, luego tambin la regla de
correspondencia (1-23) y el principio de composicin se encuentra
justificado.
1-4-5 Aplicacin a la estimacin de una superficie.
Apliquemos el principio de composicin del prrafo anterior al caso de la
estimacin de una superficie S. La V.R. a estimar es la funcin
indicatriz k(x) del conjunto S. Hemos visto que el covariograma
geomtrico K(h) asociado es lineal en una vecindad del origen (prrafo
1), es decir:
K (h) = S | h | D + ...
En que D es la variacin diametral en la direccin del vector h.
38
1
6
S2 = D a1a22 + 0.0609a13
(a2 a1 )
(1-27)
3/ 2
a2
1 D 1 a2
=
+ 0.0609
S 2 n3/ 2 S 6 a1
a1
S2
(a2 a1 )
D = N1a1 = N 2 a2
Sustituyendo en (1-26), y dividiendo por S2=(na1a2)2. Queda:
(1-28)
S2
S2
N12
1 N2
+
0.061
n2 6
N2
( N 2 N1 )
39
Se lee en la figura:
2D1 = 12 a1
2D2 = 8 a2
es decir
es decir
N1 = 6
N2 = 4
Por consiguiente:
S2
S
1 4
36 1.21
+ 0.061 =
100 6
4 100
40
41
si
lo
conociramos
perfectamente presentara pequeas ondulaciones, puntos singulares,
toda una estructura de detalle la cual proporcionara tanta informacin,
o casi, que la misma V.R. Pero esta rica estructura de detalle, nunca es
accesible
experimentalmente.
Partiendo
de
puntos
experimentales
discontinuos, ajustamos un modelo terico de covariograma, que ser una
curva regular y continua, salvo en una vecindad del origen y del alcance
(observacin final del prrafo 1-4-1). Ms precisamente, somos llevados a
hacer una hiptesis sobre el comportamiento analtico (en h por ejemplo)
del g(h) en una vecindad del origen. En efecto, no hay nada que nos diga
que el verdadero g(h) presenta un comportamiento analtico de un tipo tan
simple. Desde el punto de vista matemtico, las operaciones de
alisamiento o de regularizacin que implican una hiptesis de este tipo,
son difciles de analizar con precisin. Pero es claro que estas
hiptesis evitan necesariamente la estructura fina de g(h) y toda la
riqueza de informacin potencial contenida. Si bien el carcter
matemtico de estas operaciones es ms bien oscuro, su significacin
epistemolgica es evidente: Constituyen un equivalente camuflado de un
paso a la esperanza matemtica. As, los mtodos transitivos, que se
mostraban al comienzo como puramente geomtricos, se revelan, cuando se
analizan las condiciones de su puesta en prctica efectiva, como de un
rico contenido probabilstico implcito.
Haremos aparecer entonces, por fin, estas hiptesis probabilsticas que
disimulaban los mtodos transitivos, y esto ser nuestra teora de las
funciones aleatorias intrnsecas. Sin embargo los fenmenos a los cuales
nos interesamos deben, en general, ser considerados como nicos, y la
inferencia estadstica ser (en principio) posible mediante una hiptesis
especial, del tipo estacionaria o intrnseca. Esta hiptesis aparecer a
veces
plausible,
a
veces
francamente
contraria
a
los
datos
experimentales, y, en todos los casos, como una hiptesis arbitraria. Por
otra parte puede parecer ilusorio interpretar un fenmeno de la
naturaleza como una funcin aleatoria si no estamos en condiciones de
restituir, sin ambigedad, la ley de probabilidad de esta funcin
aleatoria (F.A.) a partir del fenmeno real. Vemos aparecer as una nueva
contradiccin. Recin, los mtodos transitivos revelaban un contenido
probabilstico inconfesable: pero no implicaban ninguna hiptesis de
estacionaridad (y es aqu donde reside su inters metodolgico). Ahora
vamos a poner a plena luz estas hiptesis probabilsticas, anteriormente
escondidas, pero nos va parecer que estas hiptesis solo tienen sentido
mediante esta hiptesis de estacionaridad, la cual, justamente, no era
necesaria en el caso de los mtodos transitivos.
42
(1-29)
C ( h) =
1
E ( g (h))
k ( x)k ( x + h)C ( x, x + h)dx =
K ( h)
K ( h)
As, es esta esperanza E[g(h)] o esta covarianza media C (h) lo que basta
conocer para resolver el problema de la estimacin. Adems, los mtodos
de aproximacin que hemos desarrollado, muestran que es suficiente
conocer el comportamiento en el origen de esta funcin E[g(h)] o C (h) .
Mostraremos ms adelante que la inferencia estadstica a partir de una
realizacin nica es posible para aquello que nos interesa (este
comportamiento en una vecindad del origen) mediante solamente una
hiptesis de cuasi-estacionaridad que precisaremos al hacer camino: pero
esta hiptesis ser esta vez lo suficientemente dbil para ser
fsicamente admisible en todos los casos que nos interesan. Dicho de otra
manera, el problema de la estimacin ser posible de resolver en un marco
explcitamente
probabilstico
y
utilizando
solamente
los
datos
experimentalmente disponibles.
Se comprueba aqu la importancia metodolgica de este primer captulo, el
cual, a primera vista, puede parecer un poco terico: una vez
probabilizados, los resultados de los mtodos transitivos, muestran que
es posible evitar la famosa hiptesis de estacionaridad, y esta es la
43
razn por la cual dimos una exposicin bastante completa. Pasemos ahora a
la versin probabilstica de la teora.
1-5 EJERCICIOS SOBRE LOS METODOS TRANSITIVOS.
1-5-1 Ejercicios sobre los prrafos 1-1 y 1-2.
Ejercicio 1 (Funcin triangular) En el espacio de una dimensin,
encontrar el covariograma geomtrico K(h) asociado a un segmento de largo
b.
(Solucin: K(h)=b-|h| para |h|b, y 0 en otro caso. Observar el
comportamiento lineal en una vecindad de h=0 y el empalme brutal en h=b).
La misma pregunta en R2 para el rectngulo axb (Solucin: K(h1, h2)=(a|h1|)(b-|h2|) para |h1|a y |h2|b) y en R3 para el paraleleppedo axbxc.
Ejercicio 2 (Algoritmo de Cauchy) Sea V un conjunto en Rn, K(h) su
covariograma geomtrico, y g(h) una funcin cualquiera de un argumento
vectorial h. Probar que el valor medio de g(x-y) cuando las dos
extremidades x e y del argumento de g describen separadamente V, se
deduce de K(h) por la frmula:
1
1
dx g ( x y )dy = 2 g (h) K (h)dh
2
V V V
V
(Solucin: explicitar la integral doble con la ayuda de la indicatriz de
V, hacer un cambio de variable e invertir el orden de integracin. Este
algoritmo es de empleo constante en la teora de las V.R.)
Aplicacin (ver ejercicio 1) si g=g(r) solo depende del mdulo r=|h|,
el valor medio de g en el rectngulo axb es:
a
4
dx (a x)(b y ) g ( x 2 + y 2 )dy
2 2
ab 0 0
Ejercicio 3 Sea en R1 la funcin f(x)=e-ax para x0 y f(x)=0 para x<0.
Probar que el covariograma asociado es
lineal en el origen).
g (h)dh = 0
e interpretar.
f ( x) = b 2 x 2 para b x b, f ( x) = 0
para x (b, b)
44
16 4 h 2 2 | h3 | 1 | h |5
g ( h) = b
+
2
3 b3 30 b5
15 3 b
5
2 L = K' (0)d
0
(1/ 2) | cos( ) | ds
S =
K (0)d
'
1 F (r ) =
g ' (r ; )
g ' (0; )
45
D
g ' (0; )
d
=
2L
2L
1
1 F ( h) =
g ' (h; )d
2L 0
con el valor medio:
E ( h) =
S
2L
D3
3 | h | 1 | h |3
+
K ( h) =
1
6 2 D 2 D3
Encontrar
el
para h D.
Partir de la relacin:
K ' ( h) =
e integrar, observando que g (0) =
(D
h2 )
D 3 ).
2
(1 r + 2 ) para r1, y 0 para r>1. La subida de orden 2
+2
46
1[1 F1 (h)] = 2
h
D
D 2 h2
2 [1 F2 (h)] = 3
h
D
D 2 h2
[1 F2 ( D)]dD =
3 [1 F3 ( D)]2 DdD
h
[1 F3 ( D)]dD
1 F1' (h) =
3h[1 F3 (h)]
2 [1 F2 (h)] =
F "(0)1 , 2 =
1 F1' (u )
h
du
u 2 h2
hu
de los crculos y de las esferas a partir de la granulometra de las
transversales.
Deducir que 3 =
47
e ar
2 1 2
2
1
a
a
a 6
1 e
2 (a) = a
|h|>b;
establecer
este
48
E (Q* ) = f ( x)dx
E ((Q* ) 2 ) = a1a2 ( f ( x) ) dx
2
49
CAPITULO 2
LAS FUNCIONES ALEATORIAS INTRINSECAS
2-1 DEFINICIONES GENERALES.
Nocin de Funcin Aleatoria.
En teora de probabilidades se define la nocin de variable aleatoria
(V.A.) vectorial (Y1, Y2, ..., Yk) de k componentes: es una familia de k
V.A. ordinarias Y1, Y2, ..., Yk (en general no independientes). Cuando el
nmero k de estas componentes se hace infinito, se obtiene una familia
infinita de variables aleatorias: esto es una funcin aleatoria. En
particular, si x es un punto del espacio de n dimensiones Rn, se puede
definir una familia infinita (Y(x)), xRn. A todo punto x0 del espacio
corresponde as una V.A. ordinaria Y(x0). Y(x) es entonces una funcin
del punto x, cuyo valor en x0 no es un nmero, sino una V.A (a saber
Y(x0)). Se dice que Y(x) es una funcin aleatoria (abreviado F.A.). Se
observar que, en general las V.A. correspondientes a dos puntos de apoyo
x1 y x2 no son independientes.
Si Y es una V.A. ordinaria, el resultado particular de un experimento al
azar segn la ley de probabilidad de Y es un valor numrico particular
y. Anlogamente, si Y es una V.A. vectorial (Y1, Y2, ..., Yk), un sorteo
al azar segn la ley (de k variables) de Y proporciona un vector y=(y1,
y2, ..., yk), es decir k valores numricos particulares. Finalmente, si
Y(x) es una F.A. es decir una V.A. vectorial con una infinidad de
componentes un sorteo al azar, efectuado segn la ley (de una infinidad
de variables) de Y(x) proporciona una funcin numrica particular y(x),
en general, extraordinariamente irregular. Se dice que y(x) es una
realizacin de la F.A. Y(x).
Siempre se puede considerar una realizacin de una y(x) de una F.A. Y(x)
como una variable regionalizada. Inversamente, se puede interpretar una
V.R. como una realizacin de una cierta F.A. Y(x): esta interpretacin
permite aplicar a las V.R. los resultados de la teora probabilstica de
las F.A.
Observaciones
1/ No se puede afirmar que una V.R. y(x) es una F.A. Esto tendra el
mismo sentido que decir: el nmero 98 es una V.A. El enunciado correcto
de la hiptesis probabilstica de base que deseamos introducir es: y(x)
es una realizacin de una F.A. Y(x).
2/ Para que esta hiptesis probabilstica tenga un sentido real, es
necesario poder reconstituir, al menos en parte, la ley de la F.A. de la
cual suponemos que la V.R. y(x) es una realizacin, lo cual supone que la
inferencia estadstica es posible. Por otra parte, la inferencia
estadstica no es, en general, posible si se dispone de una sola
realizacin y(x) de Y(x) (de la misma manera, no se puede reconstituir la
ley de una V.A. Y a partir de un resultado numrico y=98 de un nico
experimento.). Para que la inferencia estadstica sea posible, es
necesario introducir hiptesis suplementarias acerca de la F.A. Y(x), de
manera de reducir en nmero de parmetros de los cuales depende la ley
de Y(x). Este es el objetivo de la hiptesis estacionaria que vamos a
definir: una F.A. estacionaria se repite, de una cierta manera, en el
50
m = E[Y ( x)]
Se puede suponer a menudo que m=0, al reemplazar
(suponiendo siempre que esta esperanza existe).
Y(x)
por
Y(x)-m
51
definido. Pero esta varianza es, en realidad, una funcin 2(v|V) del
soporte v y del campo V. Esta varianza aumente, en particular, cuando el
campo V aumenta. Si las muestras de tamao v poseen una varianza a priori
finita, sta debe ser igual al lmite cuando V tiende a infinito, de la
varianza experimental 2(v|V).
Es as como los autores de Africa del Sur (D. G. Krige, etc., ...), a
partir de cientos de miles de muestras tomadas en el gran yacimiento de
oro de Rand, calcularon la varianza de las muestras en paneles cada vez
ms grandes, luego en toda una concesin, luego en el yacimiento de Rand
en su conjunto: obtuvieron una relacin experimental de la forma:
2 (v | V ) = log
1
2
(h) = D 2 (Y ( x + h) Y ( x ) )
2,
52
(2-3)
K ( h ) = K ( h)
, ( h) = ( h)
K (h) K (0)
Para el variograma, se encuentran solamente las relaciones: (h)0 y
(0)=0. Sin embargo, es posible demostrar que el crecimiento en el
infinito de un variograma es necesariamente menos rpido que el
crecimiento de |h|2; es decir:
lim
( h)
| h |2
=0
Y = iY ( xi )
i
53
es una V.A. (una combinacin lineal finita de V.A.). Como por hiptesis
existe una funcin de covarianza K(h), la variable aleatoria Y admite una
varianza finita, y un clculo elemental proporciona:
D 2 (Y ) = i j K ( xi x j ) 0
(2-5)
i, j
(2-6)
=0
Y ( x ) = [Y ( x ) Y (0)]
i
Z ( x) = Y ( x) Y (0)
admite una funcin de covarianza C(x,y)=E(Z(x)Z(y)), porque Z(x),
incremento de la F.A.I. Y(x) admite una varianza finita. Calculemos esta
funcin de covarianza (no estacionaria) C(x,y) cuya expresin nos ser de
utilidad ms tarde. Lo ms simple para esto, es partir de la definicin
del variograma:
(2-7)
2 ( x y ) = E [Yx Y0 Yx + Y0 ] = 2 ( x) + 2 ( y ) 2C ( x, y )
2
de donde:
C ( x, y ) = ( x ) + ( y ) ( x y )
Cuando (2-6) se verifica, la combinacin lineal
Y
i
i xi
= i (Yxi Y0 ) admite
i
la varianza finita:
54
D 2 (Y ) = i j C ( xi , x j )
i, j
D 2 (Y ) = i j ( x j ) + j i ( xi ) i j ( xi x j )
i
i, j
Al considerar (2-6):
(2-8)
D 2 (Y ) = i j ( xi x j )
i, j
Se obtiene un resultado que ser muy til en lo que sigue: cuando la suma
de los coeficientes de una combinacin lineal es 0, se puede calcular su
varianza segn la frmula (2-5) como si existiera una covarianza K(h),
con la condicin de reemplazar esta covarianza por . Se trata de un
mecanismo de clculo muy general, que aporta, a menudo, grandes
simplificaciones.
Inversamente, si no hay varianza a priori finita, una combinacin lineal
de varianza finita es necesariamente una combinacin lineal de
incrementos de la F.A. Y(x), debido a que, por hiptesis, estos
incrementos tienen varianza finita. Por consiguiente esta combinacin
lineal verifica la condicin (2-6) la cual es bien necesaria y
suficiente, como lo habamos anunciado.
Ahora podemos introducir, de manera natural, la condicin siguiente segn
la cual debe ser de tipo positivo condicional. Diremos que una funcin
g(h) es de tipo positivo condicional si para todo entero N, todo sistema
de puntos x1, x2, ..., xN del espacio Rn y todo sistema 1, 2, ...,N que
verifican la condicin i=0, se tiene:
g(x x ) 0
i
i, j
55
la
el
de
56
57
(r ) = a2 n r 2 n + c r + c2 n r 2 n log(r )
Exactamente como en el caso de los covariogramas transitivos, se
distinguir un parte regular (trminos de grado entero par), y una parte
irregular (trminos en r, con diferente de un entero par y tambin
trminos logartmicos del tipo r2nlog(r)). Si no hay parte irregular, la
F.A. sera indefinidamente derivable, luego perfectamente regular. Por
consiguiente solamente la parte irregular representa el grado de
irregularidad de la F.A., y, en esta parte irregular, el trmino de ms
bajo grado es el que juega el papel principal: se puede definir el grado
de regularidad de la F.A. como el grado del trmino irregular
principal. Daremos a continuacin algunas indicaciones matemticas
complementarias (sin entrar en detalles, porque se trata de resultados
clsicos).
e/ Continuidad y derivacin en media cuadrtica. Se dice que la F.A. Y(x)
es continua en media cuadrtica (continua m.c.) si se tiene:
E ([Y ( x + h) Y ( x)]2 ) 0
para
| h | 0
para
| h | 0
58
I = Y ( x) p ( x)dx
v
I n = Y ( xi ) p ( xi )xi
i =1
D 2 ( I ) = p ( x)dx K ( x y ) p ( y )dy
v
I 2 = Y ( x) p ( x)dx Y ( y ) p ( y )dy
v
59
= p ( x)dx K ( x y ) p ( y )dy
v
Yp ( x) = Y ( x + x ') p( x)dx
Cuidado: la regularizada de Y(x)
regular que Y(x) pero siempre
regularizar, por un procedimiento
desaparecer como por arte de magia
E Yp ( x0 )Yp ( x0 + h)
de
Yp ( x0 ) e Yp ( x0 + h)
Se tiene:
la
una
forma
ms
60
P ( z ) = p ( y + z ) p( y )dy
y, por consiguiente:
K p (h) = K (h + z ) P ( z )dz
es decir, utilizando productos de convolucin (porque P = P ):
Kp = K P
(2-11)
p = P A
Y2 ( x1 , x2 ) =
1
Y ( x1 , x2 , x3 )dx1dx2 dx3
A 0
61
n 1 (r ) =
la
de
en
la
2
2
(A x) n ( r 2 + x 2 )dx 2 (A x) n ( x)dx
2
A 0
A 0
(2-13)
2+
r1+
' r
+ A 2
r A
A
A
2 n +1
2n+2
r
2n
' r
r
r
A
A
log(
)
log(r )
2n
2n
A
A2
2 n +1
r 2n+2
r n +3
'
r
A
r
A
log(
)
2 n +1
2n+2
A
A2
En que los coeficientes A, A2n, A2n+1 son los mismos que los que aparecen
en los mtodos transitivos (frmulas (1-10) a (1-13)), tenemos aqu una
primera manifestacin de la similitud profunda de los dos aspectos
(transitivos y probabilsticos) de la teora de las V.R. Observamos,
adems que las reglas (2-13) son menos simples que las reglas (1-10). En
lugar de r1+, encontramos r1+ / A , el coeficiente 1/ A se introduce por
razones dimensionales evidentes (en teora intrnseca, se razona sobre
las leyes medias y no sobre las acumulaciones como en la teora
transitiva). Pero al lado del trmino principal A r1+ / A - que es el
equivalente exacto del trmino transitivo vemos aparecer un trmino
complementario A ' r 2 + / A 2 , con un coeficiente A cuya expresin explcita
no es til darla aqu (ver [4]). Este trmino suplementario proviene del
carcter finito (subida bajo potencia finita A ) del campo de integracin,
o, si se prefiere, de la presencia del trmino en x ( r 2 + x 2 ) bajo el signo
de integracin en el algoritmo de la subida recta. De todas maneras, este
trmino suplementario es en r2+, luego de orden ms elevado que el
trmino principal, y la parte principal de n-1(r) en una vecindad de r=0
es entonces idntica a la que proporciona la regla transitiva.
Observamos tambin que el dominio de validez del desarrollo de n-1(r)
obtenido por la regla (2-13) es necesariamente dentro de la bola de radio
A . En las grandes distancias, se deduce fcilmente del algoritmo de la
subida recta que:
A
2
n 1 (r ) n (r ) 2 (l x) n ( x)dx
A 0
(r A)
62
Z (v ) =
1
Y ( x)dx
v v
Z (v ') =
1
Y ( x) dx
v ' v '
2 (v ) =
1
dx K ( x y )dy
v 2 v v
Z (v) Z (v ') =
1
Y ( x) dx Y ( y )dy
vv ' v
v'
(v, v ') =
1
1
dx E[Y ( x)Y ( y )]dy =
dx K ( x y )dy
vv ' v v '
vv ' v v '
E2 =
1
1
2
dx K ( x y )dy + 2 dx K ( x y ) dy
dx K ( x y )dy
2
v v v
v ' v' v'
vv ' v v '
K(0)
63
(2-14)
E2 =
2
1
1
dx ( x y )dy 2 dx ( x y )dy 2 dx ( x y )dy
vv ' v v
v v v
v ' v' v'
Se puede demostrar que (2-14) sigue vlida para toda F.A. intrnseca,
luego tambin en el caso en que K(h) no existe (esto resulta del
mecanismo de clculo del prrafo 2-2-1).
2-4-2 Varianza de estimacin.
Supongamos ahora que en vez de conocer la ley media Z(v) de Y(x) en un
volumen v, conocemos la ley media:
Z'=
1
N
Y (x )
i =1
N2 =
2
1
1
( xi x)dx 2 dx ( x y )dy 2
Nv i v
v v v
N
( x x )
i
64
2-4-3 Varianza de v en V.
La nocin de varianza 2(v|V) de una muestra v en un dominio V parece, a
primera vista, evidente desde el punto de vista experimental. Sin
embargo, esta nocin, solamente tiene sentido en el caso en que V es la
unin V = vi de volmenes vi disjuntos, todos iguales entre s, e iguales
a un conjunto v y trasladados unos de otros. Cuando se han tomado n
muestras vi en un campo V cualquiera, suponiendo que se conocen sus
leyes Yi, el clculo numrico siguiente:
1
Yi
n i
1
s 2 = (Yi Y ) 2
n i
Y =
Z (V ) =
1
Y ( x)dx
V V
s 2 (0 | V ) =
1
[Y ( x) Z (V )]2 dx
V V
2 (0 | V ) = E ( s 2 (0 | V )) =
1
E[Y ( x) Z (V )]2 dx
V V
65
s 2 (v | V ) =
1
N
[Z
i =1
Z (V )]2 dx
2 (v | V ) =
1
N
E ([Z
i =1
Z (V )]2 )dx
2 (v | V ) =
(2-18)
1
1
dx ( x y )dy 2 dx ( x y )dy
2
V V V
v v v
En particular, se tiene:
2 (v | V ) = 2 (0 | V ) 2 (0 | v)
(2-19)
2 (v | V ) = 2 (0 | V ) 2 (0 | v)
2 (v | V ') = 2 (0 | V ') 2 (0 | v)
y por diferencia:
2 (v | V ') = 2 (v | V ) + 2 (V | V ')
(v , v ' | V ) =
1
1
dx ( x y )dy
dx ( x y )dy
2
V V V
vv ' v v '
1
V 2 V V
desaparece, y los tres trminos que quedan proporcionan el segundo
miembro de (2-14). Se obtiene as una expresin, quizs ms intuitiva, de
la varianza de extensin.
2-4-4 Aplicacin: mallas aleatorias y aleatoria estratificada.
El caso de las mallas regulares, que es el ms difcil, lo trataremos ms
adelante, examinaremos entonces los dos tipos usuales de mallas
aleatorias.
a/ Malla aleatoria pura. Para estimar la ley Z(V) de un volumen V, se
dispone de los valores Y(xi) de la F.A. en N puntos xi implantados no
importa donde en V. Admitiremos que todo ocurre como si cada xi
estuviera implantado al azar en V con una densidad uniforme e
independiente de las otras muestras. Se puede obtener la varianza de
estimacin 2N al integrar (2-15) en V relativamente a cada uno de los xi.
Este clculo es simple, pero es an ms simple observar que los errores
parciales Y(xi)-Z(V) son independientes unos de otros (si la realizacin
es fija) y admiten la misma varianza s2(0|V): el error resultante que es:
1
N
[Y ( x ) Z (V )]
N2 =
1 2
s (0 | V )
N
67
N2 =
1 2
(0 | V )
N
1
N
[Y ( x ) Z (v )]
i
N2 =
1 2
(0 | v)
N
1
1
2 (0 | V ) 2 (0 | v) = 2 (v | V ) 0
N
N
68
Z ( L) =
1
Y ( x)dx
L L
se forma el estimador:
Z *( L) =
1
N
Y (x )
i
(2-21)
a
' a
+
|
|
h
T
T
N
N2
2n
| h |2 n log(h) T a
2n
la
no
el
a
de
69
1
(h) = ( x)dx
h0
h
F ( h) =
1
2
2
dx ( x y )dy = 2 x ( x)dx = 2 (h x) ( x)dx
2
h 0 0
h 0
h 0
h
el
2 ( h | L) = F ( L ) F ( h)
(h) permite el clculo de covarianzas: la covarianza en L del segmento h
con una de sus extremidades es:
2 (0, h | L) = F ( L) (h)
b/ Varianza de extensin elemental. Se llama as a la varianza de
extensin de una muestra puntual localizada en el centro del segmento h.
E2 = 2 F (h)
2
Z=
1
N
Z=
1
N
(Y Z )
i
70
N2 =
1 2 1 a
E = 2 F (a)
N
N 2
cerrado
con
dos
muestras
1
2
71
1
b (h) = b ( x)dx
h0
F(b,h): media de (x-y) cuando x e y describen
funcin es simtrica en b y h, y verifica:
h
F (b, h) =
el
rectngulo.
Esta
2
2
x b ( x)dx = 2 (h x) b ( x)dx
2
h 0
h 0
72
(2-24)
E2 = 2 b F (b, h) b (0)
2
b (Y Z )
b
i
(2-25)
E2 =
b
(b )
2
i
2
Ei
2
73
1
n
E2 = E2
(2-26)
bi2 E2i
1 2
= (a) +
2
N
( bi )
2
E
(2-27)
a b
E2 = 2Q , F (a, a)
2 2
Para una malla cuadrada, se puede admitir que los errores cometidos al
estimar cada cuadrado a partir de su sondaje central son independientes.
La varianza de estimacin con N sondajes es entonces:
74
N2 =
1 2
E
N
1 ( h) = C C ( h)
de alcance y verificando ()=C=C(0). Para considerar la macroregionalizacin, se debe agregar un segundo componente 2(h), que
representa la estructura secundaria, la cual vara con mucha lentitud a
la escala de la primera estructura:
75
( h) = C C ( h) + 2 ( h)
(h) presenta entonces, en la vecindad del origen, una zona de
crecimiento muy rpido, con dimensiones del orden de a. A la escala de la
macro-regionalizacin, este (h) presenta entonces un efecto de pepita de
amplitud C.
2-7-2 Influencia macroscpica de un efecto de pepita.
Examinemos las consecuencias de este efecto de pepita. Primero, al nivel
macroscpico, las muestras no sern puntuales, sino volmenes v ya
grandes con respecto a a. Determinemos entonces el variograma v(h) de
estas muestras v (el nico variograma accesible experimentalmente). v(h)
es la suma de una componente muy continua 2 (la cual no ha sido
sensiblemente alterada en esta regularizacin) y de lo que se obtiene al
aplicar la frmula (2-12) a la componente C-C(h): esta componente
peptica es entonces:
p ( h) =
1
1
dx C ( x y )dy 2 dx C (h + x y )dy
2
v v v
v v v
p2 =
1
dx C ( x y )dy
v 2 v v
Por otra parte, por hiptesis, las dimensiones de v son grandes con
respecto a a y se tiene:
C ( x y)dy = C (h)dh
76
p2 =
1
1
dx C (h)dh = C (h)dh
2
v v v
v
p2 =
A
v
1
1
dx C ( x y )dy 2 dx C ( x y )dy
2
v v v
V V V
es decir, segn el clculo anterior:
1 1
A
v V
En el caso de la varianza de estimacin de V por N muestras de tamao v,
se encuentra una componente peptica igual a:
1 1
A
Nv V
En todos los casos, la varianza debida al efecto de pepita es
inversamente proporcional al volumen de las muestras. Todo ocurre como si
la V.R. admitiera dos componentes independientes, uno muy regular
correspondiente al variograma 2, el otro completamente aleatorio y
discontinuo el cual considera el efecto de pepita.
77
3 h 1 h3
a 3 1
6 2 a 2 a3
K ( h) = 0
K ( h) =
si (| h |< a )
si (| h | a )
3 r 1 r3
3
2a 2a
(r ) = C
si r < a
(r ) = 0
si r a
1 A h
F ,
C a a
Observacin A menudo, en las aplicaciones, los fenmenos de transicin
estn acompaados de un efecto de pepita: se les representar entonces
por un esquema esfrico con efecto de pepita C0:
78
Esquema esfrico
Varianzas de extensin diversas
79
80
Es posible poner como hiptesis mnima la caracterstica cuasiintrnseca, es decir la existencia de un variograma localmente
estacionario el cual se deforma lentamente en el espacio. Nos limitaremos
aqu a la hiptesis ligeramente ms fuerte de cuasi-estacionaridad que
vamos a precisar: Una F.A. Z(x) es cuasi-estacionaria si tiene una
esperanza matemtica m(x) y una covarianza centrada C(x,y) tales que:
a/ m(x) es una funcin muy regular que vara de manera lenta en el
espacio (a la escala de la malla utilizada); ms precisamente, m(x) puede
ser considerada como una constante en el dominio cuyas dimensiones son
las de la malla.
b/ Existe una funcin de tres argumentos K(h;x,y) tal que se tiene
C(x,y)=K(x-y;x,y) y que, cuando h es fijo, K(h;x,y) es una funcin
regular y lentamente variable (en el mismo sentido anterior) de los
argumentos x e y. Dicho de otra manera, cuando x
e y pertenecen a un
mismo dominio cuyas dimensiones son las de la malla, K(h;x,y) solo
depende de h, y todo sucede como si la covarianza C fuera localmente
estacionaria.
En efecto, haremos an una hiptesis un poco ms restrictiva. Admitiremos
que, en el dominio V que se quiere estimar, la funcin K admite un
desarrollo en serie entera de la forma:
Z ( x) = m( x) + n ( x)Yn ( x)
n
81
Z ( x) = m( x) + ( x)Y ( x)
C ( x, y ) = ( x) ( y )C0 ( x y )
Zi =
1
Z ( x)dx
a (i 1) a
1
Z ( xi )
n i
el error de estimacin es:
1
( Z ( xi ) Zi )
n i
En el trmino Z(xi)-Zi, la contribucin de m(x) es despreciable, porque
m(x) se considera constante en una zona de influencia: m(x) no juega
ningn papel en el problema. Queda entonces:
Z ( xi ) Z i = ( xi )Y ( xi )
ia
1
( x)Y ( x)dx
a (i 1) a
1
(
)
Z ( xi ) Z i = ( x) Y ( xi )
Y
x
dx
= ( xi )[Y ( xi ) Yi ]
a ( i 1) a
82
D 2 [ Z ( xi ) Z i ] = [ ( xi ) ] E20
2
al
designar
por
E2
la
varianza
de
extensin
de
xi en
su
zona
de
1
n2
2
Est
= E2
1 2 1
E0 2 ( x)dx
2
n
a0
2 ( xi )
i
es decir:
1
n
2
Est
= E2
1
2 ( x)dx
L0
1
C (h) = C0 (h) 2 ( x)dx
L0
Designemos ahora por C (h) la covarianza (seudo-estacionaria) media:
1
C ( h) =
Lh
Lh
C0 (h) L h
( x) ( x + h)dx
C ( x, x + h)dx =
L h 0
1
Lh
Lh
( x) ( x + h)dx
1
2 ( x)dx
L0
83
etc.
* ( h) =
1
2( L h)
Lh
1
2( L h)
Lh
( x)(Y ( x + h) Y ( x)) 2 dx
E ( * ( h) ) = ( h)
Queda por evaluar su varianza. Aqu es necesario introducir una hiptesis
sobre
la
ley
espacial
de
la
F.A.,
porque
van
a
intervenir,
necesariamente, momentos de orden 4. Lo ms simple es limitarse al caso
gaussiano, como en el ejercicio 16. Los clculos realizados en los
prrafos a/ y b/ siguen siendo vlidos y queda:
(2-35)
1
D ( (h)) =
2( L h) 2
2
Lh
Lh
( x)dx
( y )[ 0 ( x y + h) + 0 ( x y h) 2 0 ( x y )]2 dy
1
2 L2
Lh
2 ( x)dx
Lh
( y )[ 0 ( x y + h) + 0 ( x y h) 2 0 ( x y )]2 dy
Pongamos:
F (u ) = [ 0 (u + h) + 0 (u h) 2 0 (u )]2
y designemos por R al covariograma transitivo de la funcin igual a 2 ( x)
en el intervalo (0,L) e igual a = en otro caso. El algoritmo de Cauchy
nos proporciona:
D 2 ( * (h)) =
1
R (u ) F (u )du
L2 0
84
D 2 ( * (h)) = Ah 4 +
R(0)
F (u )du
L2 0
u u
2 2
b h 1 + + 1 2u
h h
D 2 ( * (h)) = Ah 4 +
B 1+ 2
h
L2
D 2 ( * (h))
( ( h) )
= A ' h 42 +
B'
h
L2
85
Z ( x) = Y ( y )dy
0
86
(Y(x)
no
es
e ah 1 + ah
a2
( h) =
h
2h
; F ( h) =
( + 1)( + 2)
+1
2a 1
1
1
2
; a
+1 2 + 2
+ 2 2
Se tiene: 2E> 2E, para >1 e inversamente, con igualdad para =1: para
>1, alta continuidad y la muestra nica pero bien ubicada es superior a
las dos muestras mal ubicadas; para <1, estamos prximos del caso
aleatorio puro, y las dos muestras, a pesar de estar mal ubicadas,
proporcionan siempre mejores resultados que la muestra nica; para =1
los dos dispositivos son equivalentes.
Ejercicio 6 Con el variograma h en el espacio de una dimensin,
calcular la varianza de estimacin del segmento L=na, por n muestras
puntuales, en los tres casos siguientes:
1 2a 1
1
n +1 2
+ 2
1
2a
n ( + 1)( + 2)
1
2 L
n ( + 1)( + 2)
87
E2 = A
2 1
1 h1+
h1+
B
=
A
+ 2 21+ + 3 A
S 1+
L2+
C 1+
2 1
1
)
a
con C =
L
+ 1 2 + 2
Optimizacin econmica: sea w el costo del metro de galera, p0 el costo
de una muestra, y l0=p0/w. Optimizar la precisin si el presupuesto de
reconocimiento es fijo, o, lo que es lo mismo, optimizar el costo de
reconocimiento si la precisin es fija.
(Solucin: Todo consiste en minimizar Cha1++Bh2+ con la condicin
1/(hl0)+1/(ha)=C. Se obtiene la relacin siguiente:
B (2 + )h1+ = Ca1+ + C (1 + )
a 2+
A0
88
Y ( x) = f ( x xi )
i
3 A 1 A3
para A a 1 para A a
2 a 2 a3
3 A 1 A3
3a
para A a 1
para A a
(A ) =
3
4a 8a
8A
1 A 1 A3
3 a 1 a2
F (A ) =
para
a
1
para A a
+
2 a 20 a 3
4 A 5 A2
(A ) =
1 b
3 b3
3 a 1 a2
y 1
+
3
4 b 5 b2
4 a 160 a
89
C F (A ) =
2
2
(A x) K ( x)dx = 2 (A x) K ( x)dx
2
A 0
A 0
Deducir que:
A0 A1
+
A A2
A
(A ) = C 0
2A
F (A ) = C
Con:
A0 = 2 K ( x)dx
0
A1 = 2 xK ( x)dx
0
E2 = 2 F (a ) = C 0 21
a a
2
Para una galera de longitud A =na, la varianza de estimacin es:
A A
1 2 a
E = C 0 1
A
A aA
n
90
F ( a, b) =
4
2 2
ab
a b
(a x)(b y) (
x 2 + y 2 )dxdy
0 0
2/ Sea (h)= C-K(h) un esquema de tipo transitivo (es decir K(h)=0 para
r=|h|>, siendo el alcance). En las grandes mallas (a y b > alcance) 1/
proporciona:
C F ( a, b) =
a b
4
2 2
ab
(a x)(b y) K (
x 2 + y 2 )dxdy
0 0
deducir que:
F ( a, b) = C
A1
ab
2 A2 1 1 A3
+
ab a b a 2b 2
Con:
A1 =
\2
K (h)dh = 2 rK (r )dr
0
A2 = 2 r 2 K (r )dr
0
A3 = 2 r 3 K (r )dr
0
( a; b ) =
1 a2 F
a a 2
2 a2 F
( a; b ) = 2
a 2
Q ( a, b) =
1 2 a 2b 2 F
ab ab 4
91
=C
A1
2ab
A2
ab 2
=C
Q=C
A1
4ab
E2 = 2 ; A F (h, A) F (A)
2
E2 =
A0
1
1
1
1
A1 + 2 + 2 A2 2 2 + A3 2 2
A
hA
Ah A
hA h A
A
( A )
2
i
2
Ei
2
= A0
A0
N
N
1
N
A1
+ 2 + 2 A2 2 2 + A3 2 2
L
hA
Lh L
hA h A
h2 N
h
N
hN 1
A1 + 2 + 2 A2 2
+ A3 2
S
S
hS
S
S
S
2
Est
h2 N
ah
h
N
hN 1
=
C + A0 A1 + 2 + 2 A2 2
+ A3 2
S
S
S
hS
S
S
S
A
A A
a a
E2 = 2Q , F (a, a) = C 2 1 4 32 + 43
a
a
a
2 2
De donde obtenemos la varianza de estimacin de S:
92
A
A
a2 A
1 2
E = C 1 4 2 + 23
n
S
S
aS a S
Ejercicio 14 (Crtica) 1/ Dar una mirada crtica: Para h=a la frmula 6
no es compatible con el resultado encontrado en 7/ (salvo el primer
trmino C/n, que es la aproximacin de la estadstica clsica). De los
dos principios de aproximacin siguientes:
composicin de trminos de lnea y de rebanada (utilizado en 6/)
composicin de varianzas de extensin elementales (utilizado en 7/)
por lo menos uno de ellos no es aplicable al caso de las grandes mallas.
Al reflexionar, aparece que la varianza de estimacin asociada a una
malla rectangular (a,b), cuando a y b son superiores al alcance, solo
debe depender de la superficie ab del rectngulo de la malla, y no de su
alongamiento (a/b). Pero la frmula 6/ hace intervenir, de manera
explcita, esta razn a/h. Se puede concluir que el principio de
composicin de trminos de rebanada y de lnea no es aplicable a las
grandes mallas, y que debe preferirse la frmula 7/.
2/ Para verificarlo, de manera rigurosa, partir de la frmula general:
2
Est
=
1
S2
K ( x y)dxdy NS K ( x y)dy + N K ( x x )
i
S S
i, j
C 2 A1
N
S
C A1
N
S
1
N
A1
A2 1 1 A3
a b
C
2Q 2 , 2 F (a, b) = N S 2 S a + b + Sab
93
C F ( L) +
A
C
2 0
N
L
C A0 A1
N L L2
F '(h) = C '
A '0 A '1
+ 2
h
h
C ' = C F (A, 0) =
A0 A1
L L2
la
A1
A
2 22
A
A
A A
A '1 = 2 2 23
A A
A '0 =
N H H2
A
A 1 1
1
= 0 A1 2 + + 2 2
NA
S
S A H
NA
de
2
Est
=
A3
+ 2
S
94
1
( h) =
2( L h)
*
Lh
[Y ( x + h) Y ( x)]
dx
E ( X 1 X 2 X 3 X 4 ) = 12 34 + 13 24 + 14 23
(identificar el trmino en u1u2u3u4 de la funcin caracterstica de 4
variables. Tambin se puede admitir este lema sin demostracin y pasar
adelante en el ejercicio).
c/ Se supone que los incrementos de la F.A.I. Y(x) tienen leyes
gaussianas (Nota: esta hiptesis tiene simplemente el objetivo de
permitir el clculo de los momentos de orden 4). Utilizando el lema b/,
establecer la relacin:
E (Y ( x + h) Y ( x)) 2 (Y ( y + h) Y ( y )) 2 = 4 2 (h) + 2 [ ( x y + h) + ( x y h) 2 ( x y ) ]
1
D ( ( h) ) =
2( L h) 2
2
Lh
Lh
dx
[ ( x y + h) + ( x y h) 2 ( x y)]
dy
D 2 ( * ( h) ) =
4 2
( L h) 2
Lh
dx
[h + x y]
Sup (0, x h )
95
4 h3
1 h4 2
D ( ( h) ) =
2
3 L h 3 ( L h)
2
y para h>L/2,
1
4
D 2 ( * (h) ) = 2h 2 + (l h) 2 h( L h) 2
3
3
D 2 ( * ( h) )
( ( h) )
4h
3L
S2 =
2
1
Y
x
Y
(
)
dx
L 0
L
1
Y = Y ( x)dx
L0
con:
a/ Poner S2 en la forma:
1
L3
L L L
96
4
8
D ( S ) = 2 ( F ( L) ) + 2 ( L x) 2 ( x)dx 3 x 2 2 ( x)dx
L 0
L 0
2
8
x( L x) ( x) ( L x)dx
L3 0
E[Y ( x + h) Y ( x)] = 0
1 2
2 D [Y ( x + h) Y ( x)] =| h |
En la prctica usual, para estimar la hipottica covarianza C(h), que en
efecto no existe en este caso, se calculan sucesivamente los valores
(experimentales) de las expresiones:
L
Y =
1
Y ( x)dx
L 0
C * ( x, y ) = (Y ( x) Y )(Y ( y ) Y )
y se deduce la covarianza experimental:
C * ( h) =
1
Lh
Lh
C ( x + h, x)dx
*
E C * ( x, y ) =
2
x2 + y 2
L+
2 Sup ( x, y )
3
L
97
E C * ( x, x + h) =
2
x 2 + ( x + h) 2
L+
2 x 2h
3
L
1
4
2 h2
E C * (h) = L h +
3
3
3 L
Que es una parbola de pendiente -4/3 en el origen. Se encontrar
entonces una varianza aparente C(0)=L/3, ligada nicamente a la longitud
L del intervalo en el cual se trabaja, y que constituye un artefacto puro
(porque la varianza real es infinita). Cuando no existe covarianza
estacionaria, sino solamente un variograma lineal, los sesgos que
introduce
este
procedimiento
de
estimacin,
tienen
como
efecto
proporcionar una confirmacin aparente de la existencia de esta
covarianza. Se observa que la estructura est profundamente deformada: no
solamente la recta se reemplaza por una parbola, sino adems la
pendiente en el origen se encuentra afectada (4/3 en lugar de 1). El
C*(h) es un puro artefacto, y no conserva casi nada de la estructura real
del proceso.
Se observar que el variograma experimental:
1
( h) =
2( L h)
*
Lh
[Y ( x + h) Y ( x)] dx
2
E * (h) = (h)
no est afectado por el sesgo anterior, y constituye, por consiguiente,
una herramienta ms segura para el experimentador que la covarianza.
98
CAPITULO 3
EL KRIGEADO
3-1 LOS OBJETIVOS DEL KRIGEADO
En trminos mineros el krigeado consiste en encontrar la mejor estimacin
lineal posible de la ley de un panel, considerando la informacin
disponible, es decir las leyes de las diferentes muestras que se han
tomado, sea al interior, sea al exterior del panel que se quiere estimar.
El krigeado consiste en efectuar una ponderacin, es decir atribuir un
peso a la ley de cada muestra, estos pesos se calculan de manera de hacer
mnima
la
varianza
de
estimacin
resultante,
considerando
las
caractersticas
geomtricas
del
problema
(formas,
dimensiones
e
implantacin relativa del panel y de las muestras). En grueso, como es
natural, el krigeado atribuir pesos dbiles a las muestras alejadas, e
inversamente. Sin embargo esta regla intuitiva puede ser parcialmente
puesta en duda cuando aparecen fenmenos ms complejos de efecto de
pantalla y de transferencia de influencia. No es posible resolver un
problema de krigeado, es decir calcular efectivamente el peso ptimo que
conviene atribuir a cada muestra, sin hacer ciertas hiptesis sobre las
caractersticas Geoestadsticas del depsito que se estudia, es decir,
esencialmente, de darse la funcin de covarianza o el variograma de la
F.A. cuyas leyes puntuales se supone que constituyen una realizacin. En
principio no es necesario introducir una hiptesis estacionaria o
intrnseca, y las ecuaciones del krigeado tienen un alcance general (en
la prctica, naturalmente, es necesario comenzar por estimar la
covarianza o el variograma a partir de los datos experimentales, y es
aqu donde la hiptesis en cuestin encuentra su importancia). Nos
limitaremos al caso de las F.A. intrnsecas o estacionarias de orden 2.
El caso general de las F.A. no estacionarias corresponde al krigeado
universal.
El primer inters del krigeado deriva de su misma definicin. Al
minimizar la varianza de estimacin, estamos seguros de sacar el mejor
partido posible de la informacin disponible, o, si se prefiere, de
obtener la estimacin ms precisa posible del panel en estudio. Esta
ventaja es a menudo notable, pero no se justificara siempre, debido a
las complicaciones suplementarias que introduce necesariamente una
ponderacin. El inters prctico ms importante de lejos del
krigeado, proviene, no del hecho que asegura la mejor precisin posible,
sino ms bien porque permite evitar un error sistemtico. En la mayora
de los yacimientos metlicos, se deben seleccionar, para la explotacin,
un cierto nmero de paneles, considerados como rentables y se deben
abandonar otros paneles considerados no-explotables. D. G. Krige ha
mostrado
que,
si
esta
seleccin
fuera
realizada
considerando
exclusivamente
las
muestras
interiores
a
cada
panel,
resultara
necesariamente en promedio una sobre-estimacin de los paneles
seleccionados. La razn de este problema muy general es que la varianza
de las leyes reales de los paneles es siempre ms dbil que la varianza
de los resultados de un muestreo interior. Dicho de otra manera, el
histograma de las leyes reales de los paneles comporta menos leyes
extremas (ricas o pobres) luego tiene ms leyes intermedias que el
histograma deducido de las muestras interiores, y, si se calcula el
99
Se considera que las leyes de BB con explotables, mientras que las leyes
de AA son explotables en el segmento CC. Si nos contentamos con
calcular la media de las leyes BB y CC, estamos seguros de cometer un
error por exceso: porque los trozos AC y CA pobres por construccin
tienen una influencia no despreciable sobre el trapecio BB CC. Si fuera
posible dibujar una frontera precisa entre mineral explotable e
inexplotable, en general, la frontera real, no coincidira con las rectas
BC o BC, sino que sera una curva cualquiera, a menudo bastante
100
101
y = m + ( x m)
1=
x
y
, =
y2
<1
x2
y
x
y, por consiguiente:
Y * = ai X i
i
=1
102
Y ( x) = Z ( x) E[ Z ( x)]
S = { x , = 1, 2,..., N }
( p(dx) = 1)
Z 0 = p (dx) Z ( x)
Z = Z ( x )
( x S )
f = f ( x )
, C(x , x ) = C
en vez de
Z * = Z
En el caso en que S es infinito, se utilizarn,
estimadores, medidas con soporte en S, es decir:
para
formar
los
103
Z * = (dx) Z ( x)
S
se escribir, simplemente:
Z * = (dx) Z ( x)
porque la medida , por definicin, tiene su soporte en S.
Pasemos ahora a las ecuaciones del krigeado, distinguiendo 3 casos (F.A.
de esperanza nula o conocida; F.A. estacionaria de esperanza desconocida;
F.A. intrnseca sin deriva). En todos los casos supondremos que la
covarianza o el variograma son conocidos.
YK = K Y
y determinar los coeficientes K por la condicin de minimizar la
esperanza de E(Y0-YK)2, es decir (porque la esperanza de la F.A. es nula)
la varianza D2(Y0-YK). Por otra parte esta varianza es:
E (Y0 YK ) = D 2 (Y0 ) 2K Y0 + K K
2
con:
Y = p (dx) ( x , x)
0
2
D (Y0 ) = p (dx) ( x, y ) p (dy )
Al derivar las derivadas parciales en K de esta forma cuadrtica, se
obtiene el sistema:
(3-2)
K = Y
104
K K = K Y
K2 = D 2 (Y0 ) K Y
(3-3)
K = , x0
2
K = x0 , x0 K , x0
(3-4)
La solucin K(x0)
correspondiente:
depende,
evidentemente
de
x 0,
el
estimador
K ( x0 ) = K ( x0 )Y
es un interpolador exacto, en el sentido de que:
YK ( x0 ) = Y0
si x0 viene a coincidir con un punto experimental
x 0 S : esto se puede
YK = K (dx)Y ( x)
S
(3-6)
K (dx) ( x, y ) = y ,Y
y S
0
S
2
2
K = D (Y0 ) K (dx) x ,Y0
S
105
Se puede aclarar este resultado observando que los sistemas (3-4) y(3-6)
pueden escribirse como:
(3-7)
Cov(YK Y0 , Y ( y )) = 0 (y S )
2
2
K = D (Y0 ) Cov(YK , Y0 )
Z K = m + K ( Z m)
o bien:
Z K = m + K (dx)( Z ( x) m)
S
Z 0 = p(dx) Z ( x)
a partir de los Z, valores de la realizacin sobre un conjunto finito:
S = { x , = 1, 2,..., N }
por medio de una combinacin lineal de la forma:
Z * = Z
Debido a que la esperanza m no se conoce, es necesario imponer a los
coeficientes
la
condicin
siguiente,
llamada
condicin
de
universalidad:
106
= 1
(3-9)
E ( Z * Z 0 ) 2 = E ( Z 0 2 ) 2 E ( Z 0 Z * ) + E[( Z * ) 2 ]
= m 2 (1 ) 2 + D 2 ( Z 0 ) 2 Z0 + K K
E ( Z 0 Z * ) = m m
(3-9)
se
verifica,
E(Z0-Z*)
es
nula,
por
E ( Z 0 Z * ) 2 = D 2 ( Z 0 Z * ) = D 2 ( Z 0 ) 2 , Z0 +
Expresando que esta forma cuadrtica es mnima considerando la condicin
(3-9), se obtiene el sistema siguiente donde figura un parmetro de
Lagrange:
= , Z0 +
= 1
(3-10)
Al multiplicar la primera
segunda, se encuentra:
ecuacin
por
teniendo
en
cuenta
la
= , Z + = , Z +
0
D 2 ( Z * Z 0 ) = D 2 ( Z 0 ) + , Z0
107
= , x0 +
= 1
D2 (Z * Z ) = +
x0 x0
, x0
0
(3-11)
Tambin se verifica
interpolador exacto.
directamente
que
el
krigeado
puntual
es
un
Cov( Z * Z 0 , Z ( y )) = 0
y S
(dx) ( x, y ) = y , Z +
0
S
(dx) = 1
S
(3-12)
Pero, si se
entonces:
puede
encontrar
una
medida
y S
la
cual
verifica
(3-12),
Z * = (dx) Z ( x)
es la nica solucin del problema.
3-4-2 La estimacin ptima de m.
En lugar de estimar una media espacial del tipo
p(dx) Z ( x) ,
se puede
tambin
buscar
estimar
la
misma
esperanza
matemtica
m=E[Z(x)].
Formaremos el estimador ptimo m* de m, y, en el prrafo siguiente, nos
preguntaremos acerca de la relacin entre m* y Z*. Nos limitaremos al caso
en que S es finito, la extensin al caso infinito se puede hacer
enseguida sin dificultad, con las reservas de uso respecto de la
existencia de una representacin de nuestros estimadores por medio de
medidas con soporte en S.
Para estimar m, se forma una combinacin lineal:
m* = 0 Z
108
= 1
D 2 (m m* ) = 0 0
se deduce que los 0 constituyen la nica solucin del sistema siguiente,
donde figura un parmetro de Lagrange 0:
0 = 0
= 1
0
(3-13)
0 0 = 0 0 = 0
D 2 ( m* ) = 0
(3-13)
Z K = m + K ( Z m)
Z K* = m* + K ( Z m* )
con los mismos coeficientes K, solucin del sistema (3-2). Este resultado
significa que se puede krigear como si m fuera conocida, con la condicin
de reemplazar el valor desconocido de m por su estimador ptimo m*.
En efecto, consideremos el segundo miembro de (3-14):
109
m* + K ( Z m* ) = K + 0 (1 K ) Z
Las cantidades:
' = K + 0 (1 K )
' = + 1 = 1
al considerar
= 1 (sistema
' = K + 1 K ) 0
' = , Z + 1 K ) 0
0
bien
la
primera
relacin
(3-11),
con
el
= 1 K ) 0
Z * Z 0 = (K Z Z 0 ) + (1 K )m*
D 2 ( Z * Z 0 ) = D 2 (K Z Z 0 ) + (1 K ) 2 D 2 (m* )
es decir:
110
D 2 ( Z * Z 0 ) = K2 + (1 K ) 2 D 2 (m* )
(3-16)
con
p(dx) = 1
Z * = Z
tal que:
a/ el error Z*-Z0 sea una combinacin lineal autorizada (prrafo 22-1), es decir su varianza es finita.
b/ tal que esta varianza de estimacin sea mnima.
La condicin a/ proporciona:
p(dx) = 0
=1
(3-17)
= p (dx) ( x, x )
= 1
111
(dx) ( x, y ) = p (dx) ( x, y )
(dx) = 1
S
2
K = p p + + p
(3-18)
Finalmente,
exacto.
en
el
caso
puntual,
se
obtiene
tambin
un
interpolador
(3-19)
( x0 ) = ( x0 , x ) ( x0 )
( x0 ) = 1
2 ( x ) = ( x ) + ( x ) ( x , x )
0
0
0
K 0
p(dx)Z ( x)
es:
= p(dx) ( x)
Hay superposicin, o combinacin lineal de los krigeados puntuales: esta
relacin se extiende tambin al parmetro de Lagrange:
= p (dx) ( x)
Sin embargo la varianza (3-17) no se obtiene por una combinacin lineal
de las varianzas 2K(x0) de los krigeados puntuales.
3-6 EJERCICIOS SOBRE EL KRIGEADO.
Ejercicio 1 (Krigeado de un segmento de longitud l) a/ Se tiene en la
recta una F.A.I sin deriva cuyo variograma es (h) y cuatro puntos de
muestreo: x1, x2=x1+l, x3=x2+l, x4=x3+l. Se desea krigear el segmento
(x2,x3) de longitud l a partir de los valores Z1, Z2, Z3, Z4 de la
realizacin en x1, x2, x3, x4. Escribir el sistema (3-17) utilizando las
funciones auxiliares y F del prrafo 2-5-2.
(Solucin: probar que 1 = 4 = /2, 2 = 3 = (1-)/2, lo cual es evidente
por simetra, con solucin del sistema:
112
(l ) + (2l ) = (l ) +
2
2
2
1
1
(l ) +
(2l ) + (3l ) = 2 (2l ) (l ) +
2
2
2
(l ) +
1
2
1
2
+1
(2 1)
1 + 2 +1 3
113
Sean ZM y ZT las leyes medias de las lneas, sea Z la ley media desconocida
del yacimiento y sean 2T = D2(Z-ZT) y 2M = D2(Z-ZM) las varianzas de
estimacin del yacimiento por las solas lneas horizontales y las solas
lneas verticales respectivamente. Se admite que (lo cual es verdadero
con una buena aproximacin) E[(Z-ZM)(Z-ZT)]=0.
a/ Probar que el estimador ptimo (krigeado) de Z es Z*=ZM+(1-)ZT con:
T2
T2 + M2
M2 T2
T2 + M2
(Solucin: los ponderadores son de la forma y 1- debido a la condicin
de universalidad. Partir luego de:
D 2 ( Z Z * ) = D 2 [ ( Z Z M ) + (1 )( Z ZT )] = 2 M2 + (1 ) 2 T2
y minimizar en .
Ejercicio 3 (Propiedad markoviana de la covarianza exponencial y del
variograma lineal).
Este ejercicio preparatorio ser de utilidad para la comprensin de los
ejercicios siguientes.
a/ Una F.A. Z(x) en la recta real es markoviana si, para todo x0, los
Z(x), x>x0 y los Z(x) son condicionalmente independientes a Z(x0) fijo.
Probar que una F.A. estacionaria de orden 2 con ley gaussiana es
markoviana si y solo si su covarianza centrada es de la forma C(h)=Ce-a|h|.
[Dos variable gaussianas son independientes cuando su coeficiente de
correlacin es nulo. Si X1, X2, X3 son gaussianas, el coeficiente de
correlacin de X1 y X3 con X2 fijo es:
13 12 23
(1 )(1 )
2
12
2
23
114
m* =
1 Z R + Z R
ar
Z+
1 + ar
1 + ar
2
D 2 (m* ) =
(Z =
1
Z ( x)dx)
2 R R
1
1 + ar
1
( R + R )e a| x y| = e ar cosh(ay )
2
y:
R
a| x y |
dx =
2 2 ar
e cosh(ay )
a a
-R y R
0 =
1
0
1 + aR
0 = D 2 (m* ) =
1
]
1 + ar
(1 e a|h| ) 2
1 + aR
115
i = =
senh(1 )a
senh(a )
i +1 = ' =
senh( a )
]
senh(a)
m* = (1 b) Z + b
Z0 + Zn
2
(Z =
1 n
Zi )
n + 1 i =0
con:
b=
2
1 + ea
2
*
,
=
D
(
m
)
=
0
(n + 1)e a (n 1)
(n + 1)e a (n 1)
e
j =0
a|i j |
e a + 1 e ai + e ( n 1) a
= a
e 1
ea 1
= A + B( 0 + n )
e identificar].
c/ En las mismas condiciones, krigear un punto x0 comprendido entre i e
i+1 cuando m es desconocido.
[Solucin: aplicar la relacin de aditividad).
Ejercicio 6 (variograma lineal) a/ Sea, en la recta, una F.A.I. sin
deriva y (h)=|h| su variograma. Se conoce la realizacin en x=R y en un
nmero finito o infinito de puntos <R. Probar que el krigeado de x0=R+h
(h>0) es Z(R) mismo, con 2K=2|h|.
[Solucin: esta solucin la sugiere la propiedad markoviana de |h|.
Verificar que la medida (dx)=R es bien la solucin del sistema (3-18),
para todo yR].
b/ Se supone ahora que la realizacin es conocida en dos puntos x1 y x2 y
en un nmero cualquiera de puntos exteriores al intervalo (x1,x2). Probar
que el krigeado de un punto x0 comprendido entre x1 y x2 es:
116
Y * ( x0 ) =
K2 = 2
x2 x0
x x
Y ( x1 ) + 0 1 Y ( x2 )
x2 x1
x2 x1
x1 x0 x2
( x2 x0 )( x0 x1 )
x2 x1
= x + (1 ) x
1
verifica:
(dx) | x y |=|x
y|
y x1 o y x
| x y | cosh(ax)dx =
R
R
2R
2
senh(aR) + 2 cosh(ay )
a
a
| x y | senh(ax)dx =
2R
2
cosh(aR ) + 2 senh(ay )
a
a
con:
a=
2
C
Deducir que:
R
(| x y | dx C (dx) ) cosh(ax) =
R
R
2R
senh( aR) y
a
(| x y | dx C (dx) ) senh(ax) =
2R
cosh(aR) y
a
117
asenh(ax) acosh(ax)
+
2cosh( aR) 2 senh( aR)
( x) =
verifica el sistema:
R
( x)dx = 1
R
R
(| x y | dx C (dx)) ( x) = y + R
Z * ( x0 ) =
( x)Z ( x)dx
1
a
K2 = 2h + cosh(aR)
[observar que la presencia de un efecto de pepita ha hecho desaparecer la
propiedad de Markov. La densidad (x) atribuye pesos positivos a todas
las muestras. Se dice que el efecto de pepita levanta las pantallas].
Ejercicio 8 (exponencial de Gauss) Cuando la covarianza es muy regular,
puede suceder que la solucin del krigeado no sea representable por una
medida. Por ejemplo, consideremos sobre la recta una F.A. estacionaria la
cual admite la covarianza C(h)=exp(-h2/2) y una esperanza nula. Se desea
krigear el punto x0=R+h, conociendo la realizacin en (-R,R). Si el
estimador ptimo tiene una representacin del tipo:
R
YK =
(dx)Y ( x)
(dx)e
( x y )2
2
=e
( x0 y ) 2
2
y ( R, R)
Probar que no puede existir una medida que verifique esta relacin.
[Solucin: la medida:
(dx) = e
x2
2
(dx)
(dx) = e
xy
x02
+ x0 y
2
e x0 / 2 x0
pero su soporte no est en (-R,R)].
Ejercicio 9 (krigeado en las grandes mallas) (ver ejercicios 12 a 14 del
captulo 2) Se desea krigear una superficie S con la ayuda de n+k
muestras, de las cuales k fueron tomadas al interior de S y n al
exterior. Se supone que las distancias entre dos muestras distintas y la
distancia entre cada muestra a la frontera de S son todas mayores que el
alcance. Las notaciones son las mismas que la de los ejercicios 12 a 14
del captulo 2.
a/ Escribir las ecuaciones del krigeado. Probar que estas se reducen a:
C i = Si +
las
muestras
=1
exteriores
Si=A1/S
para
las
muestras
A
1
n
+
1
n + k n + k CS
1
k
A
'=
1
n + k n + k CS
K2 = C F ( S )
2k A1
nk A1 1
C
+
n+k S
n+k S C n+k
K2
C
n k A1
+
]
n+k n+k S
y2 C F ( S ) k A1
=
= 2=
x
C/k
C S
Cuando m es conocido, el estimador ptimo es idntico al que proporciona
la regresin lineal:
ZK = m + Xi m
k i
con:
m* =
1
X i + Yj
n+k i
j
y2 (1 2 )
Probar que:
2 = =
k A1
C S
K2 = y2 (1 ) + (1 ) 2 D 2 (m* ) = (1 )
A1
C
+ (1 ) 2
S
n+k
120
CAPITULO 4
EL KRIGEADO UNIVERSAL
4-1 INTRODUCCION
4-1-1 Crtica de los mtodos de mnimos cuadrados.
Nos proponemos, en lo que sigue, de formular, en trminos de funciones
aleatorias no estacionarias el problema de la estimacin de las derivas12
(o tendencias), y demostrar que el problema admite una solucin ptima,
bastante diferente de las soluciones propuestas por los mtodos llamados
trend surface analysis: estos ltimos, que consisten, en general, en
ajustar un polinomio por el mtodo de los mnimos cuadrados, proporcionan
una sensacin de incomodidad: en efecto, se tiene la impresin de
violentar la naturaleza, imponindole a la fuerza una expresin
polinmica, la cual no tiene ninguna razn a priori de presentar una
mnima relacin con la estructura real del fenmeno que se quiere
representar. De una manera ms precisa, haremos tres reproches
principales a estos mtodos de mnimos cuadrados:
En primer lugar, estos mtodos implican a menudo una confusin de tipo
operativo y conceptual. Pocos autores se dan el trabajo de definir la
significacin de este trend que ellos estiman por un mtodo de mnimos
cuadrados. Se tiene a menudo la impresin que este famoso trend no es ms
ni menos el resultado numrico al cual conduce un modo operativo es
decir, quizs, un puro y simple artefacto Analizando, parece que el
trmino poco claro de trend se refiere, uno despus de otro, y, a veces
simultneamente en un mismo contexto, a tres nociones bien distintas, por
lo menos: si Z(x) es la variable regionalizada de inters, y P(x) el
polinomio
ajustado
por
mnimos
cuadrados
a
partir
de
valores
experimentales en los puntos x1, x2, ..., se puede atribuir al valor en x
de P(x) una de las significaciones incompatibles siguientes:
a/ P(x) es (una estimacin de) la esperanza a priori
sentido a/ es el que siempre daremos al trmino deriva.
E(Z(x)):
este
121
E[ Z ( x)] = m( x)
E[ Z ( x) Z ( y )] = m( x)m( y ) + C ( x, y )
122
(I)
E[ Z ( x) Z ( y )] = m( x) m( y )
1 2
2 D [ Z ( x) Z ( y )] = ( x, y )
123
(II)
m( x) f ( x) = aA f A ( x) =aA f A ( x)
A =0
En que los f A ( x) son funciones conocidas, elegidas una vez para siempre
(por ejemplo polinomios) y los aA coeficientes desconocidos: respecto de
la vecindad V de x0 en la cual la aproximacin (II) es aceptable, sin ser
demasiado grande, debe si el problema tiene sentido contener un
nmero suficiente de puntos experimentales para que sea posible estimar
los k+1 coeficientes a1, a2, ..., ak.
Queda el problema de la funcin C(x,y), o (x,y) sobre la cual no se sabe
nada, tampoco a priori. Pero una vez ms, y por las mismas razones, se
puede suponer que C o son localmente asimilables a funciones de tipo
conocido y que se deforman lentamente en el espacio, a la escala a la
cual se trabaja.
El caso ms favorable ser aquel de una funcin (o C) de la forma:
( x, y ) = r
(variograma lineal):
verdadera covarianza
x=y hasta distancias
circunstancia es tan
(r =| x - y |)
( x, y ) = r
(0 < < 2)
o tambin:
( x, y ) = e ar
En el primer caso, el parmetro est en relacin con el grado de
continuidad de la variable regionalizada. En el segundo (covarianza
exponencial), el parmetro a, o ms bien su inverso, proporciona una
medida del alcance del fenmeno (distancia a partir de la cual las
correlaciones se terminan).
124
(dx)Z ( x)
125
BIBLIOGRAFIA.
[1] CARLIER, A.
[3] MATHERON, G.
[4] MATHERON, G.
[5] MATHERON, G.
Osnovy
Prikladno
Geostatistiki.
Ediciones MIR, Mosc, 1968.
[6] MATHERON, G.
[7] SERRA, J.
Recherche
doptima
dans
la
reconnaissance
et
la
mise
en
exploitation des gisements miniers.
Annales des Mines, Mayo y Junio 1963.
126