Professional Documents
Culture Documents
Geoestadstica
1.1
Conceptos y Definiciones
, Z (s n + h )]
FZ ( s ) = FZ ( s ')
Esta condicin es llamada tambin estacionariedad fuerte.
entonces el campo aleatorio se dice isotrpico. Esto es, la correlacin entre los
datos no depende de la direccin en la que esta se calcula. As, un campo
aleatorio que es estacionario pero no isotrpico se desarrolla de manera
diferente segn las diferentes direcciones del espacio. As no solo basta con
conocer cuanto estn separados un par de puntos, sino tambin se necesita
conocer la orientacin de dicha distancia. Por lo tanto, anisotropa es la
ausencia de isotropa, y puede ser detectada en los dispersogramas
rezagados, examinando si la dependencia espacial cambia al cambiar la
direccin.
En trminos geomtricos la estacionariedad y la isotropa son propiedades de
invarianza. La estacionariedad es invarianza bajo la traslacin. La isotropa es
invarianza bajo rotaciones y reflexiones. Ahora en trminos matemticos, se
define E [Z (s )] = (s ) , que es llamada la tendencia o media del atributo Z(), y
con base en esto se define:
1
N (h )
( )(Z (s ) Z (s ))
N h
C0
semivariograma
covarianza
El efecto pepita
(h ) = ( h )
(0 ) = 0
Semivarianza
silla
rango
distancia
h>0
h=0
c
x100 = 1 0 x100
RSV=
+ c0
+ c0
1.4
a a
i =1 j =
2 (s1 s j ) 0
Es el
6
5
4
3
2
1
0
0
10
15
20
25
h=0
c0 + b h
h0
(h; ) =
45
40
35
30
25
20
15
10
5
0
0
10
15
20
25
3 h 1 h 3
(h; ) = c0 + c s
2 a 2 a
c0 + c s
h =0
0< h a
h >a
14
12
10
8
6
4
2
0
0
10
20
30
40
50
(h; ) =
c0 + c s 1
h =0
3h
a
h >0
14
12
10
8
6
4
2
0
0
10
15
20
25
30
35
(h ) =
+
c
c
s 1
0
h =0
h 2
3
a
h >0
14
12
10
8
6
4
2
0
0
10
15
20
25
30
35
10
De hecho, es infinitamente
(h; ) =
h
+
c
c
s
0
2
1 + h a
h =0
h >0
14
12
10
8
6
4
2
0
0
10
15
20
25
30
(h; ) =
c0 + c s h
h =0
h >0
Este modelo es vlido para 0 < 2 , ya que en otro caso crece demasiado
rpido y con esto violara la estacionariedad intrnseca.
11
160
140
120
100
80
60
40
20
0
0
10
15
20
25
2 (h )
h
0 cuando h
(h; ) =
h
c0 + c s 1 arcsen
a
12
h =0
h >0
30
Este modelo admite correlaciones negativas que pueden ser causadas por la
periodicidad del proceso.
1.5
Grado de Continuidad
13
2.1
El mtodo Geoestadstico
14
El
2 (h) =
1
N ( h)
{Z (s ) Z (s )}
N (h)
donde
Y
N (h ) = {(si , s j ) : si s j = h; i = 1,..., n}
N (h)
1
N (h )
{Z (s ) Z }{Z (s
i
N (h )
donde
Z =
Z )}
Z (s )
i
Prediccin Espacial
*s2
+s0
*s3
As,
*s4
17
Donde los i , i = 1, 2,3,4 son los factores de ponderacin o pesos tales que
i =1
= 1.
Z ( s0 ) = i Z ( si )
i =1
Note que
Var ( Z ( s 0 ) Z ( s0 )) = E ( Z ( s 0 ) Z ( s0 )) 2 E 2 ( Z ( s 0 ) Z ( s0 ))
2
= E ( Z ( s 0 ) Z ( s0 )) 2 E ( Z ( s 0 ) Z ( s0 )) = E ( Z ( s 0 ) Z ( s0 )) 2
Ahora
n
n
n
E ( Z ( s 0 ) Z ( s0 )) 2 = E i Z ( si ) j Z ( s j ) 2 i Z ( si )Z ( s0 ) + Z 2 ( s0 )
i =1
j =1
i =1
= i j E Z ( si ) Z ( s j ) 2 i E [ Z ( si ) Z ( s0 ) ] + E Z 2 ( s0 )
i =1 j =1
i =1
E Z ( si ) Z ( s j ) , E [ Z ( si ) Z ( s0 ) ] y E Z 2 ( s0 )
Por lo tanto, se encontrarn los i minimizando esta varianza. Del respectivo
proceso de minimizacin se obtendr un sistema de ecuaciones, que cambiar
de acuerdo a las hiptesis que se tengan sobre la media y la covarianza del
proceso, y la distribucin de la variable en estudio. En la prxima seccin se
mencionarn algunos de estos casos.
18
donde
Y ( s0 ) = iY ( si ) .
i =1
E Y ( s0 ) Y ( s0 )
E (Y ( s 0 ) Y ( s0 )) 2 = i j E Y ( si ) Z ( s j ) 2 i E [Y ( si ) Y ( s0 ) ] + E Y 2 ( s0 )
i =1 j =1
i =1
i =1
19
n
2
E Y ( s0 ) Y ( s0 ) = 2 j Cov si s j 2Cov ( si s0 ) = 0
i
j =1
i = 1 n
2 j Cov si s j 2Cov ( si s0 ) = 0
j =1
Cov s
j =1
s j = Cov ( si s0 )
Z ( s0 ) = + i ( Z i )
i =1
Z ( s0 ) = i Z ( si )
i =1
20
( )
E Z = Z
De esta forma,
E i Z ( si ) = E ( Z ) =
i =1
lo cual es equivalente a
Martha Bohrquez. Geoestadstica
n
E [ Z ( s )] = =
i =1
i =1
i =1
=1
E ( Z ( s 0 ) Z ( s0 )) 2 = i j E Z ( si ) Z ( s j ) 2 i E [ Z ( si ) Z ( s0 ) ] + E Z 2 ( s0 )
i =1 j =1
i =1
E Z ( si ) Z ( s j ) = Cov ( si s j ) + 2
E Z 2 ( s0 ) = Cov(0) + 2 = 2 + 2
Sustituyendo en la varianza queda
n
n
n
n
n n
E ( Z ( s 0 ) Z ( s0 )) 2 = i j Cov ( si s j ) 2 iCov ( si s j ) + C ( 0 ) + 2 i j 2 i + 1
i =1 j =1
i =1
i =1
i =1 j =1
pero
n
n n
n
i j 2 i + 1 = i 1 = 0
i =1
i =1 j =1
i =1
2
Cov ( s s ) 2 Cov ( s s ) + C ( 0 )
n
i =1 j =1
i =1
bajo la restriccin
( )
E Z = Z
Se utiliza para estos casos el mtodo de los multiplicadores de Lagrange:
Martha Bohrquez. Geoestadstica
( i , )
i
( i , )
i
i =1
= iCov ( si s j ) Cov ( si s j )
n
i =1
Cov ( s s ) Cov ( s s ) = 0
n
i =1
n
Cov ( s
i =1
= iCov ( si s j ) Cov ( si s j )
n
( i , )
s j ) = Cov ( si s j )
= i 1
i =1
1 = 0
i =1
n
i =1
=1
Cov ( s
n
i =1
s j ) = Cov ( si s j )
n
i =1
=1
que tal como es de esperarse es mayor que la del kriging simple, debido al
desconocimiento de la media de la variable en estudio.
Kriging Ordinario para variables intrnsecas
22
Estimacin lineal
n
Z ( s0 ) = i Z ( si )
i =1
Insesgamiento
( )
E Z = Z
Mnima varianza
Var Z ( s0 ) Z ( s0 ) = E Z ( s0 ) Z ( s0 ) es mnima
2
Var Z ( s0 ) Z ( s0 ) = i ( si s0 ) +
i =1
Caracteristicas
Tamao del objetivo
Mtodo
Kriging puntual
Kriging en Bloques
Puntos
Area
Se conoce
es conocida
Kriging Simple
es desconocida pero
constante
= E [Z (s )] = X , conocido
Kriging Ordinario
Kriging Universal
Distribucin
Z(s) N
lnZ(s) N
Kriging
Log-normal Kriging
Kriging
Transgaussiano
(Z (s )) N
Z(s)
es
una
variable
Kriging Indicador
indicador
Z(s) N con valores atpicos
Kriging robusto
aislados.
Kriging
Distribucin desconocida
Mediana Polish
(s ) es
un
proceso
Kriging Bayesiano
aleatorio
Nmero de Atributos
Un nico atributo
Mltiples atributos
Linealidad
24
Kriging
Cokriging
25