Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“La geoestadística es una rama de la estadística que estudia fenómenos espaciales. Su interés
principal es la estimación, predicción y simulación de dichos fenómenos”. (pág. 17)
2
¿ E (( Z ( x ++h )−Z ( x ) ) )
γ́ ( h )=
∑ ( Z ( x +h ) −Z ( x ) )2
2n
Donde Z(x) es el valor de la variable en un punto x, Z( x+h) es otro valor a una
distancia h del anterior y n es el numero de parejas que se encuentra separada por
dicha distancia. La función de semivarianza se calcula para varias distancias de h. En la
practica debido a la irregularidad del muestreo, se toman intervalos de distancia
{[o,h], (h,2h]…} y el Semivariograma corresponde a una distancia promedio de parejas
y no a una distancia h determinada.
Es claro, que a menor distancia entre los sitios mayor la correlación espacial entre los
datos.
∑ ( Z ( x +h )−m ) ( Z ( x )−m )
C ( h )=COV ( Z ( x+ h ) , Z ( x ) ) = i=1
n
n
∑ ( Z ( x+ h )−m ) ( Z ( x ) )
i=1
¿ −m2=C (h)
n
donde m representa el valor promedio en todo punto de la región de estudio.
Bajo las hipótesis de fenómeno estacionario, el correlograma muestral está dado por:
COV ( Z ( x +h ) , Z ( x ) ) C ( h ) C ( h )
r ( h )= = 2 =
S x+h∗S x Sx C (0 )
3.4.2
{
Modelo exponencial
+C ( ( ) ( ))
γ ( h )=f ( x ) = 0 1 2 a − 2 3 ,∧h ≤ a
C
C 0 +C1 ,∧h>a
Fuente. Figura 10. Comparación de los modelos exponencial, esférico y Gaussiano. La línea
punteada vertical representa el rango en el caso del modelo esférico y el rango efectivo en el
de los modelos exponencial y gaussiano. Este tiene un valor de 210, respecto a una escala
simulada entre 0 y 300. El valor de la meseta es 30 y el de la pepita 0. El 95% de la meseta es
igual a 28.5. (Introducción a la Geoestadística. Teoría y Aplicación. Universidad Nacional de
Colombia. Sede Bogotá. Facultad de Ciencias. Departamento de Estadística. pág. 26
pérdida que se incurre cuando se predice Z o con Z o y el mejor predictor será el que
¿
¿
minimice E { L ( Z o ; Z o ) }
3.6 Kriging
∑ λi=1
i=1
¿
Se dice que Z ( xo ) es el mejor predictor, porque los pesos se obtienen de manera tal que
minimizan la varianza del error de predicción, es decir se minimiza la siguiente expresión:
V ( Z¿ ( x o )−Z ( x o ) )
Entonces,
n
COV [ Z¿ ( x0 ) ; Z ( x 0 ) ] =∑ λi Ci 0
i=1
Además,
n n n
V ( Z¿ ( x o )−Z ( x o ) ) =∑ ∑ λi λ j Cij −2 ∑ λ i C i 0+ σ 2
i=1 j=1 j=1
n
Luego se debe minimizar la función anterior sujeta a ∑ λi=1. Este problema se soluciona
i=1
mediante el método de multiplicadores de Lagrange. De este proceso, resulta un sistema
de (n+1) ecuaciones con (n+1) incógnitas que puede representarse matricialmente como
se muestra a continuación:
Figura 3 Forma matricial del sistema de ecuaciones.
los pesos que minimizan el error se determinan mediante la función de covariograma así:
ij ⋅C i 0
λ=C−1
Determinados los pesos se calcula la predicción en el punto x 0. Se procede de manera
análoga para los demás puntos que se quieran predecir.
Una vez hallados los valores desconocidos, debe generarse un mapa que muestre la
distribución de la variable en la región de estudio. Es conveniente que el mapa se
acompañe de isolíneas de errores y de las varianzas de predicción, para hacer posible la
identificación de zonas de mayor incertidumbre en las predicciones.