TRABAJOS DE ESTADISTICA Y DE INVESTIGACION OPERATIVA

VoI. XXVIII, Cuad. 1, Madrid, 1977

APLICACION DE LA TEORIA DE LAS FUNCIONES A L E A T O R I A S

AL RECONOCIMIENTO F O R E S T A L

Marco Antonio Alfaro Sironvalle

Centro de Informhtica Aplicada de la
Fundacibn Gbmez-Pardo

~TRODUCCION.

La teoria de las funciones aleatorias ha sido aplicada con 6xito

en el estudio de fen6menos naturales, debido a que constituye un
modelo apropiado que permite considerar correlaciones espaciales
y resolver en forma satisfactoria varios problemas pricticos c o m o el
de la estimaci6n.

La primera parte del articulo presenta un resumen de los conceptos

mils importantes de la teoria, omitiendo todo tipo de demostraciones.
Se introduce luego la noci6n de variable regionalizada para terminar
con un estudio forestal de estimaci6n global y local.

I. RESUMEN DE LA TEORIA DE LAS FUNCIONES ALEATORIAS.

I. 1. Definiciones generales.

Sea A un conjunto y L 2 (I2, t~, P) un espacio de Hilbert de ctases

de equivalencia de variables aleatorias reales; se llama funci6n aleatoria
de orden dos a la aplicaci6n:
 Z :A ~ L 2 (I2,~,P)

a fin de evitar c o m p l i c a c i o n e s s u p o n d r e m o s que A = IRn. Para cada

x E IR n, Z (x) es e n t o n c e s una (clase de) variable aleatoria. C a d a fun-
ci6n c o n c r e t a que p u e d e ser registrada en u n a o b s e r v a c i 6 n de la
f u n c i 6 n aleatoria se llama realizaci6n de la misma. Se utilizan letras
mayOsculas para r e p r e s e n t a r las f u n c i o n e s aleatorias (Z (x), Y ( x ) , . . . )
y minfisculas para ias realizaciones (z (x), y (x) . . . . ).

Se llama covarianza n o c e n t r a d a de Z (x) y Z 0 ' ) a la f u n c i 6 n

K : IRnx IR n ~ IR d e f i n i d a por:

K (x, y ) = E [Z (x) Z (y)]

La covarianza define el p r o d u c t o escalar:

( Z (x), Z (y)) = K (x, y )

Se llama m e d i a o e s p e r a n z a m a t e m ~ t i c a de la f u n c i 6 n aleatoria
a la funci6n m : IR n ---* [R definida p o r

m (x) = E [Z (x)] = ( Z (x), 1)

La covarianza c e n t r a d a est~i e n t o n c e s d e f i n i d a p o r :

C (x, y ) = ( Z (x) - m (x), Z 0 ' ) - m (y)) = K (x, y ) - m (x) m (y)

La n o r m a de Z (x) estfi d a d a por:

IIZ (x)ll = x / ( Z (x),Z (x))

1.2. F u n c i o n e s aleatorias estacionarias de o r d e n dos.

Se dice q u e una f u n c i 6 n aleatoria Z (x), x ~ IRn es e s t a c i o n a r i a de

o r d e n dos si m (x) es u n a c o n s t a n t e rn y si E [Z (x) Z (y)] = K (x - y ) .
Sea h = x - y , la f u n c i 6 n K (h), h e IR n verifica las p r o p i e d a d e s :

o
1.2.1. K (h) = K ( - h )
[ K / h ) l ~<K (0)
 La covarianza K (h) no es una funci6n cualquiera. En e f e c t o , se
d e m u e s t r a que, para que una funci6n K(h), h E I R n s e a la covarianza
de una funci6n aleatoria estacionaria Z (x), es necesario y suficiente
que K (h) sea definida positiva, es decir, para t o d o e n t e r o N > 0, toda
elecci6n posible de N p u n t o s x . , x 2 . . . . . x N de JR" y toda elecci6n
de N n 6 m e r o s complejos ~,~, ;k2 . . . . . AN, se tiene:

N N
1.2.2. Z ~, hi ~/ K ( x i - x/)>>- O
i=l j=l

M e n c i o n e m o s el c61ebre t e o r e m a de B o c h n e r - K h i n t c h i n e que carac-

teriza la clase de covarianzas c o n t i n u a s :

Teorema: Una funci6n * : IR n --* e es c o n t i n u a y definida posi-

tiva si y s61o si es la t r a n s f o r m a d a de F o u r i e r de una m e d i d a positiva
sumable. Se debe t e n e r e n t o n c e s (integral de Lebesgue-Stieltjes):

1.2.3. r (h) = f e ith'x) F (dx)

en que F (dx) es una m e d i d a positiva en IR n que verifica f F (dx)< oo;

(h, x ) representa el p r o d u c t o escalar en JRn.

1.3. F u n c i o n e s aleatofias intrfnsecas.

Se dice que una funci6n aleatoria Z (x) es intrfnseca (o a incre-

m e n t o s estacionarios de o r d e n dos) si para t o d o h E IR n, la funci6n
aleatoria: Z ( x + h ) - Z ( x ) es una funci6n aleatoria estacionaria de
o r d e n dos.

Se llama semivariograma (*) (no c e n t r a d o ) a la funci6n "t : IR n ~ IR

definida p o t :
1
3' (h) -- T IIZ (x + h) - Z (x)ll 2

Se llama deriva lineal a la funci6n m : rR n --~ [R definida por:

m (h) = E [Z (x + h ) - Z (x)]
se d e m u e s t r a , en efecto, que esta funci6n es lineal en h.
~*) A. N. Kolmogorov ~ A. M. Yaglom utilizan el nombre de funci6n estructural J 14l.
 Las propiedades de la funci6n 3' (h) son:

1.3. I. ~ 3' (o) = o

.y (h ) = '~ ( - h )
T o d a funci6n semivariograma debe verificar ademfis la condici6n
que 7 es definida negativa condicional, es decir (conservando la
n o t a c i 6 n de 1.2.2):
N N N
1.3.2. Ig ~ k i = 0 = ~ Z ~ ~i~j"[(Xi--X/)<~O
i=l i=1 ]=l

E1 anfilogo, para la funci6n % del t e o r e m a de Bochner-Khintchine

puede verse en [5].

Una funci6n aleatofia estacionaria es intrinseca, pero el reciproco

no es cierto; por ejemplo, en IW el proceso de Wiener-L6vy o d e l
m o v i m i e n t o b r o w n i a n o es u n a funci6n ateatoria intrinseca que admite
1
el semivariograma 3,(h) = - - ~ - l h I y la deriva m ( h ) = 0, pero no es

estacionaria de orden dos (la covarianza verifica K (x, y) = I n f ( x , y)).

1.4. Concepto de varianza de estimaci6n.

Sean V y w dos s u b c o n j u n t o s de IRn (fig. 1.1); consideremos las

integrales (estoc~sticas) siguientes:

1 Z (x) dx V /
Zv = T f v

Z w = w1 f Z(x)dx
1,
w

A1 estimar Z v p o r Zw se comete el error Z v - Zw que aparece

c o m o una variable aleatoria de la cual se puede calcular su varianza de
estimaci6n:
2
o e = II Zv - Zw II2
esta varianza estfi dada por la f6rmula:
1.4.1. 2 IV f w
OE-- Vw 1 f v "[(x--y) dxdy

1
w2 f f 3" (x -- y) dxdy
w w

que nos muestra que la calidad de la estimaci6n de Zv por Zw depende

de la geometrfa del conjunto V a estimar (segundo t6rmino), de la
geometria del conjunto estimante w (tercer t6rmino) y de las posi-
ciones relativas V y w (primer t6rmino).

Demos un ejemplo: Si estimamos la densidad media de firboles

en S por la densidad media de las parcelas S~ y $2 (fig. 1.2), la f6r-
mula 1.4.1 proporciona la soluci6n que indica el buen sentido: el
caso a) produce mejores resultados que el caso b)

S S

2
Qs2
(a) (b)
Fig. 1.2

Para fines prhcticos, se debe utilizar la f6rmula 1.4.1 integrando

la funci6n 3' (h) o bien emplear fibacos de 3' (h) (ver [7]). Cuando el
nfimero de datos es muy numeroso, se utilizan f6rmulas de aproxi-
maci6n.
E1 cfilculo de una varianza de estimaci6n s61o necesita el conoci-
miento de la funci6n estructural 3" (h) y de las geometrias de V y w.
Esta varianza puede calcularse antes de realizar la informaci6n w;
entonces p o d e m o s poner en balance el aumento de precisi6n y el costo
correspondiente, antes de realizar el reconocimiento proyectado.

1.5. Estimacibn lineal 6ptima insesgada.

Sea Z (x) una funci6n aleatoria estacionaria de orden dos, C (h)

su covarianza centrada.
 Supongamos el problema siguiente: se conocen los valores de Z (x)
en los puntos x l , x 2 . . . . , X N : Z ( x D , Z ( x 2 ) , . . . , Z ( X N ) y se desea
estimar el valor Z (Xo) de Z (x) en un punto x0. Para ello formamos
el estimador lineal:
N
Z(x0) = 2: xi z (xA
i=1

y determinaremos los ponderadores Xi imponiendo dos condiciones:

N
a) E1 estimador Z (xo) debe ser insesgado; esto implica: Z Xi = 1.
i=1

b) El estimador debe ser 6ptimo en el sentido que: o 2 = IIZ (xo) --

- - Z (xo)l[ 2 debe ser minimo.

El m6todo de Lagrange conduce a un sistema lineal de N + 1

ecuaciones con N + 1 inc6gnitas (/a es el parkmetro de Lagrange):
N
Z ~,i C (x~ -- x/) = C (x/-- Xo) + ta; ]= 1,2,...,N
i=1
1.5.1.
N
Z ~ki=l
i=1

y el valor de e 2 en el 6ptimo estfi dado por:

N
2
ok = C ( 0 ) - Z XiC(xi--Xo)+ta
i=1

Si en lugar del valor Z (Xo), se desea estimar un valor ponderado

de Z (x), por ejemplo la integral
Z (Xo)

fp(dx)Z(x + Y)
d
se obtiene un sistema de ecuaciones
semejante a 1.5.1.

La interpretaci6n en el espacio
de Hilbert, del problema de estima-
/
ci6n 6prima es muy simple: Las Fig. 1.3

combinaciones lineales Z )~i Z (xi) sujetas a la condici6n Z )k i : 1 gene-

ran un conjunto convexo ~ (fig. 1.3).
 A
E1 finico elemento Z (x0) c t~ que minimiza la distancia cuadrfitica
d ~= I f Z ( x o ) - - Z ( x o ) l l 2 es la proyecci6n ortogonal de Z ( x o ) sobre
el convexo @.

Se demuestra que si la funci6n aleatoria Z (x) es intrinseca, la esti-

maci6n lineal 6ptima insesgada de Z (Xo) por Z (x0) = Y, ~i Z (xi) se
obtiene resolviendo el sistema de N + 1 ecuaciones:
N
Z ~i'Y(xi--xi)='y(xl--Xo)--Ia; j= 1,2,...,N
i=1

N
1.5.2. .2; Xi = 1
1=I

2
N
Ok = .~-" ~ i ' Y ( X i - - X o ) " J r 12
ill

Esta t6cnica de estimaci6n se conoce en Geoestadfstica como m6todo

de krigeage (ver [6], [7]).

1.6. Inferencia estadistica para las funciones aleatorias

intrinsecas y estacionarias.

La estimaci6n de las caracterfsticas de una funci6n aleatoria

(C (h), K (h), m, 3, (h), m ( h ) , . . . ) a partir de una realizaci6n finica,
introduce problemas complejos de inferencia estadistica (ver [6]).

Para cada m o m e n t o se distinguen tres cantidades:

9Un valor experimental, calculado a partir de una red finita de

datos en un campo V c [Rn.

9Un valor local, calculado a partir de todos los valores tornados

por la variable Z (x) en V.

9Un valor tebrico, o valor probable de los dos anteriores.

Desde el punto de vista fisico, s61o los valores locales constituyen

una realidad, independiente de toda interpretaci6n.
 Para el semivariograma se tiene:

1 N'
A ~-, [ Z ( x i + h ) -- Z (xi)] 2
?e ( h ) - 2N' i=1

semivariograma experimental; N ' es el nfimero de parejas de datos

distantes h.

1 f [Z (x + h ) - - Z (x)] 2 d x
3'v (h) = 2V' Jv'

semivariograma local; V' es la intersecci6n de V con su trasladado en h.

? (h) = E [~'e (h)] = E [ ? v (h)], semivariograma te6rico.

La estimaci6n de los momentos consiste en evaluar el valor local

a partir del experimental; esta estimaci6n est~ caracterizada p o t una
varianza de e s t i m a c i 6 n que se anula cuando N ' --> oo.

- E n el caso del semivariograma, esta varianza es un m o m e n t o de

orden 4 que se escribe:

E [?'e (h) -- 3'v (h)12

A cada realizaci6n de la funci6n aleatoria Z (x), siendo V fijo,

le corresponde un valor local determinado. Se llama f l u c t u a c i 6 n la
diferencia entre el valor local y su esperanza o valor te6rico. Esta
fluctuaci6n se caracteriza pot una varianza de fluctuaci6n.

- E n el caso del semivariograma, se tiene el m o m e n t o de orden 4:

E [3"v (h) -- 3' (h)] 2

El estudio de estas varianzas ha sido realizado en [6]; el autor del

presente artfculo ha obtenido en [9], 6rdenes de magnitud para ciertos
modelos usuales mediante integraciones aproximadas en el espacio [Rn.

Mencionemos que la varianza de fluctuaci6n de un semivariograma

es m u y alta y creciente con h: el semivariograma local refleja bien
al te6rico solamente en la vecindad del origen. Sin embargo, la varianza
de estimaci6n toma valores m~s moderados y la estimaci6n del
semivariograma local es posible a partir del semivariograma experi-
mental.

10
II. NOCION DE VARIABLE REGIONALIZADA.

Una variable regionalizada es una f u n c i 6 n z (x) del p u n t o x ~ [Rn

que r e p r e s e n t a u n f e n 6 m e n o en el espacio o el t i e m p o . Del p u n t o de
vista m a t e m i t i c o , se trata s i m p l e m e n t e de u n a f u n c i 6 n z (x) del
p u n t o x ~ IRn, f u n c i 6 n que p r e s e n t a un d o b l e car~icter:

9 P o r una parte es e x t r e m a d a m e n t e ca6tica y f l u c t u a n t e , la densi-

dad de ~irboles/hectirea nos p r o p o r c i o n a un b u e n ejemplo.

9 Bajo este c o m p o r t a m i e n t o d e s o r d e n a d o se e s c o n d e una cierta

estructura, ligada al f e n 6 m e n o en estudio.

II.1. Nocibn de soporte.

A m e n u d o n o se c o n o c e z (x) sino un valor m e d i o z s (x) en una

z o n a S c e n t r a d a en el p u n t o x ; la z o n a S se llama s o p o r t e de la
muestra. P o r ejemplo: zs ( x ) = nfimero m e d i o de hrboles en u n cua-
d r a d o de 100 m e t r o s p o r 100 m e t r o s c e n t r a d o en el p u n t o x.

La f u n c i 6 n zs (x) se llama regularizada de z (x), pues es evidente

que zs (x) es mils regular en su variaci6n espacial que z (x).

I1.2. Inter6s prfictico de una variable regionalizad~

E1 ingeniero de m o n t e s p u e d e estudiar una variable regionalizada

seg~n dos tipos de p r o b l e m a s :

9 La investigaci6n de m o d e l o s ( c o m p e t i c i 6 n , anisotropias...).

9 L a e s t i m a c i 6 n (densidad de i r b o l e s en zonas no muestreadas,

nOmero total de i r b o l e s , etc...).

II.3. Representaci6n de una variable regionalizada por

una funci6n aleatoria.
La hip6tesis de base es c o n s i d e r a r la variable regionalizada z (x)

11
en estudio c o m o la realizaci6n de una cierta funci6n aleatoria Z (x),
c u y a s caracteristicas ( p o r ejemplo, el semivariograma) d e b e n ser esti-
madas a partir de z (x): se d e m u e s t r a que la inferencia estadistica
es posible c u a n d o la funci6n aleatoria Z (x) es l o c a l m e n t e intrinseca,
io q u e significa, en t6rminos fisicos, que el f e n 6 m e n o en estudio posee
i n c r e m e n t o s l o c a l m e n t e h o m o g 6 n e o s , hip6tesis que se verifica en la
m a y o r i a de las aplicaciones prficticas.

El recurso a la t e o r i a de las f u n c i o n e s aleatorias para estudiar un

f e n 6 m e n o natural es v i l i d o p o r q u e p e r m i t e alcanzar nuestros objetivos
principales:

9 Considerar las correlaciones espaciales del f e n 6 m e n o y caracteri-

zaci6n de la e s t r u c t u r a seg6n una f o r m a m a t e m i t i c a adecuada.

9 Soluci6n satisfactoria de los p r o b l e m a s de estimaci6n de una

variable regionalizada a partir de un m u e s t r e o fragmentario.

El m o d e l o de las f u n c i o n e s aleatorias es insuficiente para represen-

tar ciertas variables, p o r ejemplo la variable z ( x ) = densidad p u n t u a l
de firboles, nula en casi todas partes e infinita en los p u n t o s de implan-
taci6n de /trboles; es necesario utilizar en estos casos la n o c i 6 n mils
general de medida aleatoria (ver [6]). Sin embargo, se d e m u e s t r a q u e
las regularizadas de una m e d i d a aleatoria, son f u n c i o n e s aleatorias.

11.4. Anillisis e s t m c t u r a l .

Se e n t i e n d e p o r anfilisis estructural la o p e r a c i 6 n que consiste en

construir, e s t u d i a r y ajustar la funci6n semivariograma 3" (h).

II.4.1. Zona de influencia.

Fijemos la direcci6n del v e c t o r h = ( h ~ . h . . . . . . h , ) . En general.

el semivariograma crece al crecer el m 6 d u l o Ih I: los valores tornados
p o r la variable en dos p u n t o s distantes de h son en p r o m e d i o mils
d i f e r e n t e s c u a n d o estos p u n l o s esliln mils alejados. La f o m l a del
c r e c i m i e n t o de 3' (h) nos da una significaci6n precisa de la n o c i 6 n
tradicional de zona de influencia de una muestra.

12
II.4.2. Anisotropfas.

C o n s i d e r e m o s ahora la direcci6n del v e c t o r / 1 : el estudio del semi-

variograma 3' (h) c u a n d o se hace variar la direcci6n del v e c t o r h per-
mite d e t e c t a r y caracterizar las posibles anisotrop/as.

II.4.3. Ajuste a un modelo.

Esta es una parte i m p o r t a n t e de un estudio p o r q u e t o d o s los cfilcu-

los p o s t e r i o r e s se harfin en base al m o d e l o m a i e m f i t i c o ajustado a la
curva e x p e r i m e n t a l 3'e (h). AI ajustar un m o d e l o , se pondrfi un c u i d a d o
especial a la parte cercana al origen, pues es la q u e tiene m a y o r
significaci6n p o r ser la m e j o r conocida.

El m o d e l o te6rico 3, (h) d e b e ser una f u n c i 6 n definida negativa

en IR n, si se ajusta un m o d e l o que no c u m p l e con esta condici6n,
se p u e d e n e n c o n t r a r resullados al~surdo.~ c o m o , p o r cjemplo, varianzas
negativas.

III. APLICACION A UN CASO PRACTICO.

La figura III.2 m u e s t r a la localizaci6n de una especie de firboles

c o n i f e r o s situada en el sur de Chile. El c a m p o en que se estudia la
variable es de 1.728 hectfireas, en un rect~ngulo de 4 . 8 0 0 m e t r o s p o r
3 . 6 0 0 m e t r o s . Existe una ligera p e n d i e n t e en la direcci6n EW trig. 111.1).

Fig. III. I

13
 Supondremos en adelante que la figura I|I.2 es desconocida y que
d eb emo s reconocer el bosque.

II1.1. Muestreos posibles.

Existen dos tipos de reconocimiento a efectuar sobre este bosque:

a) Muestrear t odo el bosque.

b) Muestrear ciertas zonas del bosque.

La alternativa a) la descartaremos por motivos de costo; digamos

que a veces no resulta conveniente r e conocer un bosque p o r avi6n,
debido a que se pueden confundir especies diferentes o que un ~rbol
grande tape a otro pequefio...

Respecto a la alternativa b) se preferirfi un muestreo sistem~itico

que entre otras ofrece una ventaja fundamental sobre el muestreo
aleatorio: es m~is simple de poner en marcha sobre el terreno, quedando
definida de una vez la localizaci6n de todas las unidades de muestreo
en el campo. Esta consideraci6n tiene gran importancia en los recono-
cimientos de bosques en zonas densas tropicales, donde es m u y dificii
Iocalizar y acceder a ciertos puntos implantados al azar.

En grueso, los tipos de muestreo posible son los cuatro que muestra
la figura III.3.

A B C 7s

1I 1L[ll IlPrJJI
I []
D
[]
El
D
FI

cerracl o cen~r~clo Con cruces diSCOnt,~uo

Fig. 111.3

D. Guibal, por medio de un estudio de varianzas (es decir, utilizando

la f6rmula 1.4.1) y de costos, ha concluido que el reconoci m i ent o
lmis eficaz ( m ayor precisi6n y menor costo) es el muestreo por reba-
nadas paralelas centradas (tipo B en la figura 111.3). Se supone que

IJ
 ~_r Z

o 9 , " , , , o" , ,
6

~, 9 ~ 9 ~ " : ~

o 9 9 9 9 9 ~ ~ ~
F
~ ~
B
9 % ~176 9

9 ~ 9. . 9 .

9 ~ 9 9

9 g ~~ ~ ~ ~ 9 9 9 Qo 9 , ~176 ~ ~

9 9 ." ~ 1 7 6 " 9 9 ~176 ~176 *,

oo "o ~ ~176" ~ " " ~ "~ 9 9

9, , , : ," : , - .. , 9 ,o ~~ ~176 9 ~ ~ ~ 1 7 6 1 7 6~ .

~ ,,, , , , : ; , . - ~ -.,-,, , 9 oo~~ . 9 :., ~176

9 -.,,',:, ~ . o : ,,," ", 9
, ,,:.,,'., , ~ ,, .,".',, ; 9
% ~ 9 ~~ o ~
9 ~ ~ ~ 9 IQ ~~ ~ ,

9 -," ~ , ,, 9 ",,,,~ ~176 , ~ ~

~ ~ 9

9 ~ 9
. 9 : . ~ 9 . - . . . 9
9 ~ 9
9 ~

9 9 ~ ~ ~

11 ". ~ 9 9 9 9

QI 9 9
E~
9 e e 9 9 9 9 9 iQ 9 i 9
9 9 ~ 9 9
hi ta %o ~ 9 9 9 9 9
% 9 9 "~'" : 9 o ~ ~176 t 9
9 ~ 9 9 o'le ~ "" ~ l,~ jo
e 9 ~
. ~ ~ 9
9 ~ 9
9 , - ~, - , ~. . . . . . -
"
Q 9 o
9 .- . . ' : . ' . " . 9 ,,-,,',-.- , 9 . ~ 9 9 ~
9 9 ~
Q Q

, ~o ~ 1 7 6 1 7 6 1 7 6 9 9 * -" ~176B~176176 o~ 9 ~
9 9 ~ 9 9
~176 ~ io o, 9

9 9 9 ~ ~ ~ ~ 9 9 9 ~ 9 9
9 ~ ~ ~ 9
o~ ~ 9 9 ~ 9
9 ~ 9
9 9 9 9 ~ ~ " 9 9

9 ~ ~176 9 9 9 o Q 9 99 Qo

9 ".-t Q g 9 ~ ,Q
9 e e l ~ e

9 9 ~ * ~ 9 9 9 ~176

~ 9 9 ~ e e ~ , ~ .~ 9
9 o, 9 9
9 ~ 9

9 ~ ~ 9 9
,, ,. o ~ : , , o " ' , , - , , ~ 9 . 9 I I
9 9 9 ~ " 9

9 ~
~ o~ ~ ~o 9 9 9 ~ ~176 - ~ OO~ ~ ~ ~o
9 q
9 ".:, o, , " ,'~
~ " ~~ ~ ~ ~ ,. " ,~ ~ ,~ 9 ~ ~
9 9 ~

. 9 . . ' ' , . 9 ~ .e ~
9 ~ ~ i ~ 9 9 " ~

9 9 9 4 o ~ ~

I ~ 9 9 ~ ~ 9 9 9 9 ~ o ~ ~ P ~ 9

,,, -,'.,o . 9 ~ ~ 9 ~ ~ ~ ~ ~ 9 ~ ~ 1 7 6 1~7 ~

6 - 9 ~176 ~

9 .:~- - ~ ~ 9 : ~176 ~ " ~ ~ , ' ~ ~ " , ~ ". : " ~

15
no existen problemas de acceso y relieve que hagan impracticable
este m6todo.

Veamos ri~pidamente este punto: La f6rmula 1.4.1 muestra que

A y B producen aproximadamente la misma precisi6n, se preferiri
evidentemente el dispositivo B porque hay que efectuar menos reco-
nocimiento. La comparaci6n entre B y C, a igual longitud muestreada
es que el dispositivo B produce mejor precisi6n; esta circunstancia
que puede parecer un poco extrafia, se puede explicar de la siguiente
manera: en el reconocimiento con cruces hay una redundancia de
informaci6n en las zonas en que se cruzan las rebanadas. La elecci6n
entre B y D se hace seg6n un estudio econ6mico: se fija una cierta
precisi6n de la densidad media de firboles y se comparan los costos
para obtener tal precisi6n, obteni6ndose como resultado que es mils
econ6mico el dispositivo B.

Es por esta raz6n que hemos muestreado el bosque por rebanadas

paralelas siguiendo el dispositivo B y eligiendo arbitrariamente la
direcci6n NS. La figura III.4 muestra el reconocimiento efectuado.
La unidad de muestreo es 100 • 100 m 2, es decir, 1 hectfirea y la
variable estudiada es la densidad de hrboles/Ha 9 Zs (x).

III.2. Anfilisis estmctural.

En nuestro problema bidimensional, la variable estudiada es Zs (x, y),

densidad de ~irboles por hectirea.

Se calcula el semivariograma experimental segfin la f6rmula:

1
3'e (h,, h2) - 2 N ' Zi ~" [Zs (xi + h,, y / + h2) -- Zs (xi, yi)]2
1

N' es el nfimero de parejas que se pueden formar con los datos

Zs (xi + h i , y / + h2),Zs (xi, y]).
Los semivariogramas, calculados por ordenador en varias direcciones
del piano, estfin representados en la figura III.5 (a) y (b) para las
direcciones EW y NS. Estos semivariogramas nos muestran que existe
una anisotropia, debida probablemente al relieve, que nos indica que

16
 --'D" Z

I'I I I l.I'I'I.I I I I I'rI.I.I I I.I'I-].I I I.l'I.l.l'I.I-I..I.'I

I I. I" l.'l..l'.I-:l:l.!" .I-I..I:.l-l.-l.I ]. I,'I:.P'I..IJ. I.I. I-I I. I -I:I..I.-I.

I I I.I..I.-b'I..I.'I.I" .I.k.r-'L"I..I .I I'I.I-F'T-.l_l.l ]'I..Ii I.I.I'I'I"

9I'I I I.I.I:I.I.I'I I.I.I:I..III.I I I.L r I-I.I I_I.I.I' I I I.I I

Ill
:I.I.I I I I.I.I I I I I I.I-I I I I I I.I'I.I.I.I'I I I.I.I.I.I'I I.

9.l.I'I I.I'I.I.I I.I.I'.I.'I.I'I.I.I.I.I I.I.I:I..I:r.I.I'I.I 1..I..I,.I.I I.

9i.i i.i.i.i.i I.i-i.:i:.r.i"i.i'i.I-I.I i.i..i..i:.ivl:i.i.i.i.i.-i..i.i,i i.

I I I.I.I I I I I.I. ~.I.I.I.I I I.I I I.I.I.i..I..I..I.I.I I I.I.I'I.I.I.

I.I..I..I.I'I I lJ I'I.I'l.l,]'l'I'I'l.l'l.l.I.l.I'l'I.I'l.II.I.I:I'.

k I'I..I'I.I I .[.I'I.I.I I'l .l.'l'.k.e'k'l.l.II "I.I "I I.I "l"l.l'.i .I I.I'

I I. I" I. I I.I-]~l..l'.].l'I.I.P.I-.I'.'I..'I..T.'I.I"
I.I.I'I.I.I 'l:I..i'l.I IT

.L I'I'I ~ .I I.I"I.'I..I.I'I I .I.~'I..I.'I-.I"I .I I I.I. l'I I.I. r I. I I.I" ~.

.1.i.~:I..i.i .i i:]. I.I .I ] J L2. I:~J .I.l.i'1.7-F.~_I. i l'i 'i..I':

.1 ..1 :-1:.1,'1.1 "1 1.1 "1 .I _[ ,J-T]-.l .1 J" 1" I" 17-:l_-if-,-l :[ "-l-'i--:[..G.'l..7.1 '1.1". I..

I?
 it.

r
Z

4-*
ql
f
II
a_
X

m
E
gll
L
m
O
t,.
II
Ill io
iE
IV

io

cw~

~r

! i i r ! I

<~ d 0 0 O d

18
 O O O O O O p

I I I I ~ I. ! ~v

JL

O~

~4
Q
"n :1

"5

~D
B"
0~.g
@1
3
%..,

K
"O
D

It

,%'

0
3

]9
el fen6meno es mils regular en la direcci6n EW. Este hecho justifica
a posteriori el haber efectuado el reconocimiento por rebanadas para-
lelas a la direcci6n NS, pues el muestreo es mils denso en la direcci6n
en que el fen6meno es m i s irregular. Si dentro de unos a~os es nece-
sario reconocer nuevamente el bosque (repoblaci6n) se empleari este
mismo m6todo. La anisotropfa puede detectarse en la figura III.2
y es mils dif/cil de ver en la figura II1.4.

Se ha ajustado como modelo te6rico de 7(hl,h2) la funci6n

matemitica:

111.2.1. ,i,(hl,h2)=0,26 2--exp(-- \--~-/ +h2)--

( h' +
C-f-/ h ,1
,j

modelo que queda justificado al estudiar ~'e (h 1, h 2) en otras direcciones.

Jo es la funci6n clisica de Bessel. Mediante las transformaciones

de Fourier y de Hankel se puede demostrar que la ecuaci6n II1.2.1
corresponde a una funci6n definida negativa condicional.

La figura I11.6 (a) y (b) muestra los semivariogramas te6ricos

EW (h2 = 0) y NS (hi = 0). El ajuste es vfilido para Ihl~< 900 m.

Ill.3. Estimacibn global.

Interesa ahora estimar la densidad media de firboles por hect~irea

en todo el bosque y acompafiar esta estimaci6n de un intervalo de
confianza. Se han muestreado 576 parcelas de 1 Ha (fig. III.4) y se
han contado 607 irboles; luego podemos estimar la densidad media
de irboles/Ha en todo el bosque por:

.-. 607
m- - - - 1,05 firboles/Ha
576
Para cuantificar la precisi6n de esta estimaci6n calculamos a partir
de un principio de aproximaci6n derivado a partir de 1.4.1 la varianza
de estimaci6n o~- = II ~n - m II2, obteniendo:

20
 9 .o ~. ~ ~0 90 0

(~
I)
"11

"1

"1
Im
3
il
v
rl-

f~
o

:3"

t(
.L
S
3
v

2!
 E

r.

3=
ILl

0
u

E
q,

Ot
~0
L.

E
W
U~

,,p

cr/

~N

i I o ! I !

>o d o o o d o

22
 2
oE = 2 , 4 8 . 10 -4
1,96 o E = 0,031

Suponiendo que la ley de los errores ~ n - - m es normal, podemos

asegurar que con 95 por 100 de confianza, la media verdadera m
verifica:
m = 1,05+0,03

Podemos concluir que la precisi6n es excelente.

Observaci6n: Si contamos todos los firboles del bosque (fig. I11.2),

tendremos que la media verdadera es

1780
rn- 172------8- 1,03 firboles/Ha

cantidad que queda cubierta por el intervalo de confianza de 95 por

100 de la ley normal: la teor/a concuerda con la prfictica.

111.4. Estimaci6n local.

Hemos encontrado una estimaci6n de la densidad media de ~irboles/

hect~irea en todo el bosque, se trata de un resultado importante pero
no nos proporciona la localizaci6n de zonas ricas y zonas pobres
dentro del bosque; para la explotaci6n serfi necesario localizar estas
zonas de m o d o de establecer los planes de producci6n, v/as de
acceso, etc.

Nuestro objetivo es proporcionar una estimaci6n local, la m6s

precisa posible, de la densidad de firboles en unidades pequefias, del
orden de una hect~irea.

Para ello utilizaremos el m6todo de estimaci6n lineal 6ptima inses-

gada o krigeage. Se emplearfi la configuraci6n de la figura !I1.7.

Se estimar~i la densidad de firboles en la parcela centrada en x0 por:

Z ( x 0 ) = ~ Z (x~) + ~,2 Z (x2) + . . . + X6 Z (x6)

Utilizando la ecuaci6n III.2.1 y el sistema de ecuaciones 1.5.2, se

obtienen los ponderadores:

23
 ~2 N
. . . . 7
I
9 I

"~ "1
. .
~o
. . -.i
i

x3 ~5

Fig. 111.7

Xl = 0 , 5 1 2
~2 = 0,081
),a = 0,081
x, = 0,053
~,s = 0,053
~,6 = 0 , 2 2 0

El d a t o Z (x6) tiene u n a m a y o r p o n d e r a e i 6 n q u e el d a t o Z (x2)

a pesar que ~ste es mils p r 6 x i m o a la parcela c e n t r a d a en x 0 , esto se
d e b e a que el f e n 6 m e n o es mils regular en su variaci6n espaeial en la
direcci6n EW.

La varianza de e s t i m a c i 6 n 6 p t i m a es:
2
o k = 0,151

En los h o r d e s N y S se emplearfi la configuraci6n d e la figura III.8:

_3Coj
i
Fig. 1II.8

y el estimador:

Z ( x o ) = ;~l Z(x~)+ ;~2 Z (x2) + ;~3 Z(x3)+ ~ Z ( x 4 )

o b t e n i 6 n d o s e los p o n d e r a d o r e s :

24
 )-t = 0,593
~-2 = 0,078
~s = 0,284
M = 0,048

y la varianza: o~ = 0,156.

Las configuraciones de estimaci6n pueden ser ampliadas incluyendo

mils datos, 1o que harfa aumentar el nhmero de ecuaciones; este proble-
ma se resuelve en forma m u y simple con la ayuda del ordenador.

Si se desea estimar zonas mayores que 100 m x 100 m, se pueden

agrupar superficies de m o d o de alcanzar dominios mils grandes.

Para finalizar, y a tftulo de ejemplo, proporcionamos los resultados

de la estimaci6n lineal 6ptima insesgada para las rebanadas R~ y R2
(figura III.4).
RI R2
0,88 0,88 0,93 0,96
0,27 0,27 0,49 0,78
0,95 0,92 0,22 0,95
1,65 1,35 1,08 1,05
1,95 1,92 1,59 1,2"]
1,87 1,87 1,59 1,19
1,13 1,13 0,81 0,68
1,00 1,00 0,73 0,41
1,00 1,0.0 0,95 0,92
1,13 1,13 1,13 1,13
1,97 2,03 2,03 1,97
2,49 3,11 3,05 2,49
2,33 2,67 2,67 2,33
1,87 2,03 2,03 1,97
1,08 1,65 1,65 1,35 N
0,92 0,95 0,95 0,92
0,27 0,27 0,22 0,19
0,87
1,00
0,87
1,00
0,65
0,89
0,35
0,84
1
1,00 1,00 0,73 0,41
1,00 1,00 0,73 0,41
1,O0 1,00 0,95 0,92
1,13 1,13 1,08 1,05
1,92 1,95 1,73 1,41
2,19 2,54 2,49 2,11
1,68 2,32 2,32 1,68
1,25 1,62 1,62 1,25
0,49 0,78 0,73 0,41
0,70 0,44 0,16 0,11
0,95 0,92 0,59 0,27
1,00 1,00 0,73 0,41
0,92 0,95 0,95 0,92
0,44 0,70 0,87 0,87
0,70 0,44 0,22 0,19
1,03 0,97 0,59 0,27
1,59 1,28 0,67 0,33

25
111.5. Conclusiones.

La teoria de las funciones aleatorias constituye un modelo adecua-

do para el estudio de fen6menos naturales y sus aplicaciones son muy
variadas, citemos entre ellas las aplicaciones a la exploraci6n, valoraci6n
y optimizaci6n de la producci6n de yacimientos mineros [11 ], [12],
[ 131; la cartografia automfitica [ 13], la Geologia [ 17]...

En los Oltimos afios se ha avanzado en el estudio de fen6menos

no estacionarios [5] y e n m6todos 6ptimos de estimaci6n no lineales:
el krigeage disyuntivo, punto intermedio entre la estimaci6n lineal
6ptima y la esperanza condicional [10]. Tambi6n se puede obtener
otra realizaci6n de la funci6n aleatoria que presenta como semivario-
grama el que se ha ajustado a partir del semivariograma experimental.
Se puede ademfis imponer a la realizaci6n simulada coincidir con la
realidad en los puntos de implantaci6n de muestras (simulaci6n condi-
cional) [12], [13].

BIBLIOGRAFIA.

[1] Mat~rn, B.: Spatial variation (1960). Almaena Foerlaget, Stockolm.

12] Guibal, D.: L'estimation des OkoumEs du Gabon (1973). Centre de Morpho-
logic Math6mathique. Fontainebleau. France.
[3] Serra, J.: Morphologie MathEmatique et Sylviculture (1970). 36me conference
des Statisticiens Forestiers fi Jouy-en-Josas. Page 287. France.
14] Giudicelli, X. y otros: Applications de la theorie des Processus Stochastiques
l'esthnation de la precision d'un inventaire ]brestier par echantillonage
sTstt'matique (1972). Centre Technique Forestier Tropical. Nogent sur Marne.
France.
[5 ] Matheron, G.: The hltrinsic Random Functions and their applications (1973).
Advances in Applied Probability, Dec. 1973, n ~ 5.
[6] Matheron, G.: Les Variables RegionalisEes et leur estimation (1965). Masson,
Paris.
[7] Matheron, G.: La Th~orie des Variables RegionalisEes et ses applications
(1970). Ecole des Mines de Paris.
[8] Alfaro, M.: htferencia estadistica para las ]unciones aleatorias (1976). Centro
de C~ilculo E.T.S. Minas, Madrid. (ln~dito).
19] Alfaro, M.: Teoria de ias ]unciones aleatorias (1972). Boletfn de Geoestadfs-
tica. Vols. I, II, III. Universidad de Chile. Santiago de Chile.

26
[10] Matheron, G.: The disjunctive kriging (1975). NATO. Advanced Study
Institute in Geostatistics. Roma. Italia.
[11] Alfaro, M.: Curso Pr~ctico de Geoestadfstica (1974). E.T.S. lngenieros de
Minas. Madrid, Espafia.
[12] Alfaro, M.: Introducci6n a la Geoestadfstica Operativa (1975). E.T.S. Inge-
nieros de Minas. Madrid, Espafia.
[ 13] Guarascio, M. y otros: Advanced Geostatistics in tire Mininglndustrl, (1976).
D. Reidel Publishing Co. Holanda.
[14] Yaglom, A.M.: Theory of Stationary Random functions (1965). Prentice
Hall. New Jersey.
[15] Gnedenko, B.: The Theory of Probability (1968). Chelsea Publishing Co.
New York.
[16] Fortet Blanc-Lapierre: Th~orie des ]bnctions aleatoires (1953). Masson.
Paris.
[17] Serra, J. y Kolomenski, E.N.: M~todos matem6ticos en Geologfa del lnge-
niero (1973). Universidad Lomonossov de Moscfi. (En ruso).

27