Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
El término “geoestadística” fue inventando por Georges Matheron en 1962. El prefijo “geo”
se refiere al dominio de las ciencias de la tierra, que ha sido históricamente aquel donde
la geoestadística se ha desarrollado. Los campos de aplicación actuales alcanzan
dominios más variados, como la evaluación de recursos naturales (mineros, petrolíferos,
forestales, etc.), la topografía, la meteorología, la oceanografía, la polución ambiental, la
geofísica, la agronomía o el análisis de imágenes, por nombrar algunas.
Una variable regionalizada puede definirse, no sólo en un punto, sino que también en una
superficie o en un volumen. La superficie o el volumen de base sobre el cual se considera
la variable regionalizada se denomina soporte. En general, el soporte de las muestras
medidas es (casi) puntual, mientras que el que interesa en práctica a menudo es más
voluminoso (por ejemplo, las unidades selectivas de explotación en evaluación minera).
Esta noción es importante debido a la dependencia que existe entre el tamaño del soporte
y la distribución estadística de las observaciones: los soportes no puntuales presentan
una menor cantidad de valores extremos y una mayor de valores intermedios que los
soportes puntuales. Así, la distribución de los valores, y en especial su varianza
estadística, depende del soporte sobre el cual está definida la variable regionalizada.
Al cambiar el soporte (por ejemplo, al pasar de valores casi puntuales a valores promedio
en un “bloque”), se obtiene una nueva variable regionalizada, ligada a la variable inicial,
pero que posee características estructurales diferentes. El cambio de soporte se inscribe
dentro de la teoría más general de la regularización. Esta operación consiste en calcular
una convolución de la variable regionalizada por una función de ponderación, cuyo peso
total en general es unitario; la variable que resulta es más regular que aquella de partida,
de donde saca su nombre de regularizada.
Para aprovechar la información disponible, más allá de un simple reporte de los datos,
será necesario construir modelos. Pero siempre debe tenerse presente que un modelo
nunca describe el fenómeno en su totalidad, sin simplificación, ni distorsión. El principio
del realismo consiste en encontrar un modelo que entrega una descripción adecuada del
fenómeno, ni demasiado simplificada, ni demasiado deformada. Señalemos desde ahora
la importancia de la escala de trabajo, las características estructurales de una misma
regionalización (regularidad, homogeneidad espacial…) dependen en una gran parte de la
escala de observación, de modo que un modelo puede ser adecuado a cierta escala y
resultar inaceptable a escalas más grandes o más pequeñas.
Los problemas de estimación.
Estacionaridad estricta.
Análisis de anisotropía.
El error del kriging en un sitio dado, tiene que sr una combinación lineal ponderada de la
función aleatoria Z estudiada. Esta restricción se debe a la decisión de considerar
solamente los dos primeros momentos de las leyes de probabilidad (esperanza y
varianza), que sólo se puede calcula sobre las combinaciones lineales de Z. La
construcción de estimadores más sofisticados requeriría la especificación de la ley
espacial de Z más allá de sus dos primeros momentos; los métodos de geoestadística no
lineal permiten elaborar tales estimadores (kriging disyuntivo, kriging Log normal,
esperanza condicional).
Restricción de insesgo.
Sólo se puede escribir esta fórmula si la restricción anterior ha sido satisfecha, lo que
asegura la existencia de la esperanza del error. Se puede interpretar esta restricción de
insesgo reemplazando la esperanza matemática por una media espacial, o sea cuando se
calcula sobre numerosas configuraciones de kriging idénticas, repartidas en todo el
campo, la media de los errores de estimación cometidos se acerca a cero. La ausencia de
sesgo no garantiza que los errores sean bajos, sino sólo que su media global es
aproximadamente nula.
Restricción de optimalidad.
Al superar las etapas precedentes, el estimador está sometido a una o varias restricciones
pero no está totalmente especificado. La última etapa consiste en encontrar los
ponderadores que minimizan la varianza del error de estimación.
Vecindad móvil.
El kriging se realiza en una vecindad móvil cuando sólo utiliza los puntos con datos
“cercanos” al sitio a estimar. En general, no nos limitamos a una sola estimación local,
sino que buscamos estimaciones en los nodos de una grilla regular que cubre la zona
estudiada. Falta definir el tamaño y forma de la vecindad, que se centra en el punto o
el bloque a estimar y que se desplaza a través del campo, a medida que se realiza las
estimaciones (de donde viene el adjetivo móvil).
Tamaño de la vecindad.
Por otra parte, si se elige una vecindad demasiado pequeña, que contiene pocos
daos, la estimación será poco precisa y sensible a los valores de estos datos; el mapa
de kriging corre el riesgo de presentar artefactos (problemas de “continuidad” cuando
se pasa de un punto a otro y cambian los datos utilizados).
La figura…….
El kriging puntual.
Nos interesaremos por el caso corriente del kriging puntual, es decir, que la cantidad a
estimar otra que el valor puntual desconocido Z(x0) en un punto no muestreado X0
(también puede hacerse en un punto ya muestreado). En general, el kriging puntual es
efectuado no sólo en un punto sino que en todos los nodos de una grilla regular que
cubre la zona de interés.
Donde ………..
Linealidad.
Autorización.
Insesgo.
…………..
Optimalidad.
..
El kriging ordinario (media desconocida).
En las aplicaciones prácticas, es poco frecuente que se conozca con certeza el valor
de la media. Conviene por esta razón, extender el kriging al caso en que dicha media
es desconocida. Al igual que antes, se supone que, a la escala de la vecindad de
kriging, la regionalización es una realización de una función aleatoria Z estacionaria de
orden dos, con esperanza m constante y con una función de covarianza C. Pero esta
vez, se supone que m es desconocida. Las cuatro etapas del kriging ordinario son:
Linealidad.
Al igual que el caso anterior, el kriging ordinario debe cumplir con la linealidad descrita
por la ecuación…
Autorización.
Insesgo.
1. Las distancias entre el punto a estimar y los sitios de observación, por medio de
los términos C(Xa-X0) o Y(Xa-X0)
2. La configuración geométrica de los puntos de observación, y la posible
redundancia de la información que contienen, por medio de los términos C(Xa-X0)
o Y(Xa-X0).
3. La estructura espacial de la regionalización descrita por la función de covarianza C
o el variograma Y.
Existencia de un fuerte efecto pepita: que tiende a dar el mismo peso a todos
los puntos de observación (como hay ausencia de estructura espacial, un sitio
próximo aporta tanta información como uno lejano) Por lo tanto vemos que a la
proximidad geográfica se agrega otro factor: la regularidad de la variable
regionalizada.
Presencia de una anisotropía: en este caso, existe una o varias direcciones del
espacio donde el fenómeno está menos estructurado, es decir, donde la
correlación es menor. Así, un dato cercano en esta dirección puede aportar
“menos información” que un dato más alejado en otra, y tener de esta forma un
peso de kriging menor.
Redundancias entre datos: cuando varios datos están “agrupados” y cercanos
unos a otros, se vuelven redundantes; su peso acumulado será casi el mismo que
el peso que recibiría un solo dato en lugar del grupo. En otros términos, el kriging
corrige efectos debidos a las irregularidades del muestreo y no sobrepondera los
datos agrupados en perjuicio de los datos aislados.
Efecto pantalla: puede ocurrir que un sitio de observación haga pantalla a otro
respecto al punto a estimar. El punto “cubierto”, aunque cercano al sitio a estimar,
puede tener entonces un peso bajo, incluso nulo (pantalla total). La estimación
casi ignora el valor observado en el punto cubierto. Cuando este efecto es
indeseable, se puede atenuar, introduciendo en el modelo una constante pepítica.
Otra solución consiste en agrupar los dos sitios y afectarlos por el mismo peso,
con el costo de una pérdida de precisión.
Efecto pantalla inversa: en kriging ordinario puede ocurrir que sitios alejados
tengan pesos mayores que sitios cercanos. Digamos simplemente que los sitios
alejados son valorados, pues participan en la estimación de la media de la
variable, la que interviene indirectamente en la estimación del valor desconocido.
Efecto de relevo: la presencia de un punto con información cercano al sitio a
estimar permite a un dato “lejano”, o sea, ubicado a una distancia superior al
alcance práctico del modelo variográfico, tener un peso no despreciable en la
estimación, mientras que en ausencia del punto próximo, su peso habría sido nulo
(kriging simple) o muy bajo (kriging ordinario).
Los ponderadores y la varianza de estimación: no dependen de los valores
tomados por los datos, sino solamente de la configuración de kriging y del modelo
variográfico. Por lo tanto, conociendo el modelo, se puede prever la precisión de la
estimación a partir de una configuración fija de los sitios con datos. Esta propiedad
no obstante es una limitación de la geoestadística lineal, como contrapartida a la
simplicidad del modelo; intuitivamente, la precisión de una estimación es menor en
las zonas más “erráticas” (a menudo, corresponden a las zonas de altos valores)
que en aquellas de baja variabilidad.
La matriz del primer miembro del sistema de kriging: sólo depende de la
posición relativa de los puntos de observación. Por consiguiente, cuando varias
estimaciones utilizan configuraciones de sitios idénticas, basta con invertir esta
matriz una sola vez. Esto ocurre cuando se trabaja en una vecindad única, o en
una vecindad móvil con datos ubicados sobe una grilla regular.
Multiplicar la función de covarianza o el variograma por una constante k>0:
esto no cambia la estimación, los ponderadores obtenidos son los mismos. Por el
contrario, la varianza de estimación está modificada y multiplicada por k.
La mayoría de los modelos variográficos permiten encontrar ponderadores
negativos o mayores que 1, incluso si existe una condición que la suma de los
pesos del kriging valga 1 (kriging ordinario). La ventaja de este proceder es que
puede entregar estimaciones que salen de los límites dados por los valores
observados, es decir, más grandes que el mayor valor medido o más bajas que el
menor. Por el contrario, las técnicas de interpolación por combinaciones lineales
ponderadas que imponen pesos comprendidos entre 0 y 1 entregan estimaciones
que siempre están entre el mínimo y el máximo valor observado. Ahora bien, en la
mayoría de los casos, no hay razón para que los valores medidos alcancen los
valores extremos potenciales de la zona, por lo que resulta interesante tener pesos
que salgan del intervalo [0,1]. Como contrapartida, en el caso en que la variable
es, por ejemplo, siempre positiva, existe el riesgo de encontrar estimaciones
negativas. Este riesgo es aún más importante cuando la variable presenta una
distribución fuertemente asimétrica un peso negativo, incluso si es bajo, que
pondera a un valor alto puede conducir a una estimación negativa si los otros
valores de los datos no son muy altos.
Análisis de anisotropía y estudio variográfico par el cobre total, soluble e
insoluble.
Introducción.
En el marco del estudio exploratorio de los datos, los métodos de análisis de datos
como el análisis de componentes principales, permiten completar útilmente el enfoque
geoestadístico. Sin embargo, estas técnicas no toman en cuenta la posición espacial
de las observaciones, de donde resultan interesantes los métodos geoestadísticos.
Herramientas estructurales.
Esta técnica de estimación se trata de una extensión del kriging al caso multivariable,
la estimación por cokriging es una combinación lineal ponderada de los datos, sin
sesgo y con varianza del error mínima. Aunque necesita una mayor cantidad de
cálculos que el kriging, el cokriging es preferible a este. En efecto, la información
aportada por las variables secundarias mejora la precisión de la estimación de la
variable de interés; esta propiedad puede ser decisiva cuando es más fácil o menos
costoso medir variables secundarias que la variable de interés. Por otra parte, la
estimación por cokriging da más coherencia a lo resultados, que los obtenidos por
kriging, pues integra las relaciones espaciales entre las variables.
Si queremos estimar una variable de interés Zio (con io ϵ [1,N]) en un punto X0 con la
ayuda de las observaciones sobre las variables Zi,i = 1,….,N. La estimación es una
combinación lineal de los valores de todas las variables, que se puede escribir bajo la
forma:
Donde …………. Son los puntos de medición de variable Zi, circundantes a X0. Su
número depende del índice de la variable, con el fin de tomar en cuenta el caso en
que las variables no son conocidas en los mismos sitios (heterotopía). La puesta en
marcha del cokriging es idéntica a la del kriging ordinario. Se supone que las variables
regionalizadas Zi son realizaciones de funciones aleatorias …… . Conjuntamente
estacionarias de orden dos, de medias mi desconocidas y de funciones de
covarianzas simples y cruzadas Cij(h). En este modelo el estimador pasa a ser una
variable aleatoria. La restricción de autorización se cumple siempre, pues estamos en
el marco estacionario de orden dos (toda combinación lineal tiene una esperanza y
varianza finita), los ponderadores del kriging deben elegirse de tal manera que
satisfaga las siguientes condiciones:
…………………