Está en la página 1de 15

UNIVERSIDAD ALAS PERUANAS

FACULTAD DE INGENIERA Y ARQUITECTURA


ESCUELA PROFESIONAL DE INGENIERA DE MINAS

CURSO: GEOESTADSTICA II

DOCENTE DEL CURSO

ING. KROVER W. LAZARTE PONCE

Ing. Krover W. Lazarte P. 1


4. CONTENIDO ANALTICO

SEMANA 7
2.9 Kriging Indicador
2.9.1 La Funcin Indicador
2.9.2 Variograma Indicador
2.9.3 Estimacin de la funcin de distribucin de probabilidad
acumulativa
2.10 Kriging Logartmico
SEMANA 8
EXAMEN PARCIAL

Ing. Krover W. Lazarte P. 2


2.9 Kriging Indicador
La teora y el desarrollo de estimadores no paramtricos de distribuciones
espaciales, es similar a la teora y el desarrollo de estimadores no
paramtricos del valor medio local (Journel, 1983).
La mayor diferencia entre estos dos tipos de estimadores est en el
estimado de las variables y en los tipos de datos usados.
Variable aleatoria (xi) => Funcin Aleatoria Z(x) => Conjunto Z(x) expresan
comportamiento local y regional de una variable de inters.

En un punto dado en el espacio, la


funcin aleatoria Z(x) es una z Superficie
variable aleatoria, pero sobre una
regin, la funcin aleatoria incorpora
la estructura de correlacin espacial
completa de cualquier subconjunto z(x)
de variables aleatorias. Entonces la
y p(x)
funcin aleatoria describe los x Variable Regionalizada, VR
aspectos aleatorios y estructurados (G. Matheron) A(x) = p(x)*z(x)
de la variable. = Variable Aleatoria (VA) que
se distribuye espacialmente
Ing. Krover W. Lazarte P. 3
2.9 Kriging Indicador
Para cualquier estimacin de la ley espacial, es importante definir un
estimador optimo.
Debido a que los datos son de slo una realizacin y porque cualquier
propiedad de la funcin aleatoria no puede ser inferida a partir de una
realizacin simple sin un modelo, un supuesto de estacionaridad debe ser
incluido en el modelo para permitir la inferencia de las propiedades de la
funcin aleatoria.
El tipo de estacionaridad invocada para la estimacin no paramtrica de
distribuciones espaciales es la estacionaridad de la distribucin bivariada
de Z(x) y Z(x+h) para varios valores del vector de distancia h, que es:

distribucin bivariada de dos variables aleatorias Z(x) y Z(x+h) depende


de la magnitud del vector h que separa a estas variables aleatorias y no
depende de las localizaciones particulares: x1 = x y x2 = x+h.
Ing. Krover W. Lazarte P. 4
2.9.1 La Funcin Indicador
La distribucin espacial de una variable aleatoria en un soporte puntual
dentro de una regin A puede ser definida matemticamente (Journel
1983) como:

Donde: => es la distribucin espacial de valores puntuales


dentro de la regin A para un valor umbral zc ,es decir la proporcin de
valores dentro de la regin A menores que zc , es un indicador definido
como:

Donde:
Z(x) - es el valor observado en el punto x,
zc - es el valor umbral o de corte.

Ing. Krover W. Lazarte P. 5


2.9.1 La Funcin Indicador
La distribucin espacial puede ser considerada como una
realizacin de una variable aleatoria , la cual a su vez representa la
transformacin integral de la variable aleatoria Z(x) siguiente:

Donde: I(x,zc) => es la funcin


indicador aleatoria definida como:
El valor esperado de la variable aleatoria , puede ser determinado
como:

Donde:
Fz(zc) => funcin de distribucin
acumulativa univariada de Z
estacionaria.
Ing. Krover W. Lazarte P. 6
2.9.1 La Funcin Indicador
La distribucin de probabilidad de variables indicador es una distribucin
de Bernoulli y sus momentos estn dados por:
a) Valor esperado

b) Funcin de covarianzas

c) Varianza

d) Funcin de semivarianzas

Ing. Krover W. Lazarte P. 7


2.9.2 Variograma Indicador
Si la funcin aleatoria Z(x) es acotada, es decir, si existe un valor Zmax tal
que Z(x) Zmax x, entonces se cumple que:

La funcin aleatoria indicador siempre posee varianza finita y acotada en el


intervalo Por lo tanto:
a) El variograma indicador siempre alcanza una meseta I(h,z) que coincide con
CI(0,zc ) y de acuerdo con Ec. (Func. Covarianza) segn (Myers, 1984) se
deduce que:
b) S(zc) es una funcin creciente en (-, zM), donde Fz(zM)=0.5.
c) S(zc) es una funcin decreciente en (zM, ) , (donde zM - es la mediana)
d) Una vez conocida la meseta S(zc) del variograma se puede calcular la funcin
de probabilidad acumulativa:

Este puede ser interpretado como una probabilidad bivariada:

Ing. Krover W. Lazarte P. 8


2.9.3 Estimacin de la funcin de distribucin de probabilidad acumulativa

Uno de los propsitos de usar la variable indicador es para estimar la


funcin de probabilidad acumulativa.
Las funciones de probabilidad estimadas se obtienen mediante
combinaciones lineales de la funcin indicador.
Esta funcin es la proporcin exacta de valores menores que el valor de
corte de una variable, dentro de un rea A.
El valor estimado mediante kriging indicador representa la probabilidad
de que el valor estimado de la funcin aleatoria sea menor que el valor
de corte (Z(x)) <= Zc.
El Kriging indicador genera un mapa por cada valor de corte (categora
indicador), en donde se muestran regiones con diferente probabilidad
de ocurrencia para dicho valor de corte (categora indicador).

Ing. Krover W. Lazarte P. 9


2.9.3 Estimacin de la funcin de distribucin de probabilidad acumulativa

La forma del estimador esta dado por:

con la condicin para el no sesgo

Donde: (Zc) son los pesos.

El kriging simple puede ser aplicado para hallar los pesos usando las
variables indicador y el variograma indicador.
Las ecuaciones del Kriging indicador se resuelven en la prctica para un
nmero finito, usualmente menor que 10, de valores de corte .
Si la estimacin de cada valor de se realiza por separado no se puede
garantizar que se cumplan las relaciones de orden de una funcin de
distribucin vlida.

Ing. Krover W. Lazarte P. 10


2.9.3 Estimacin de la funcin de distribucin de probabilidad acumulativa

Como alternativa (Myers, 1984) se plantea:

1. Resolver el sistema de ecuaciones para el valor de corte


correspondiente a la mediana (zc= zM) y luego utilizar los mismos pesos
obtenidos en el kriging para otros valores de corte zc.

2. Utilizar Cokriging Indicador, es decir el estimado se obtiene a partir de


los indicadores i(x , z), =1,,n y =1,, N. Esta alternativa es ms
exacta pero a la vez es ms costosa en cuanto a cmputo.

Ing. Krover W. Lazarte P. 11


2.10 Kriging Logartmico
El Kriging se considera ptimo cuando Z(x) tiene una distribucin normal.
Cuando no se cumple esta condicin se requiere realizar una
transformacin sobre Z(x) de manera tal que siga una distribucin normal.
Por fortuna los estimadores asociados a la distribucin normal son
bastante robustos, es decir que su propiedad de optimalidad no se ve
fuertemente afectada en el caso en que la distribucin se aleje ligeramente
de la normal.
La metodologa a seguir puede ser resumida en pocos pasos. Sea Y = f(z)
la variable transformada, entonces la aplicacin del Kriging consiste en:

Ing. Krover W. Lazarte P. 12


2.10 Kriging Logartmico

El clculo de Z* y de Var (Z-Z*) a partir de los resultados de Y puede no


ser trivial.
Lo que debe tenerse bien presente es que

El ejemplo ms comn es cuando la distribucin es lognormal. Entonces


aplicando una transformacin logartmica Y= log(Z) ser normal.

Al aplicar la metodologa habitual del Kriging a Y y luego si intentamos


emplear la teora en sentido estricto transformando hacia atrs para
obtener el valor estimado para Z*, sera:

y su varianza
Ing. Krover W. Lazarte P. 13
2.10 Kriging Logartmico
Existen las siguientes dificultades segn Journel y Huijbregts (1978). En la
prctica Z no siempre satisface la condicin de sesgo nulo, ya que puede
diferir fuertemente de la media obtenida a partir de las valores observados
de Z. Para evitar esta dificultad se propone el estimador

Donde se determina imponiendo que la media aritmtica de los valores


estimados de Z coincida con el valor esperado mz.

Ing. Krover W. Lazarte P. 14


Ciencia Tecnologia y Medio Ambiente

Para uso restringido para KL. Todos los derechos reservados. Ninguna
parte de esta presentacin puede ser reproducida o utilizada en ninguna
forma o por ningn medio sin permiso explcito de Krover Lazarte.

También podría gustarte