Académique Documents
Professionnel Documents
Culture Documents
FACULTAD DE INGENIERIA
EQUIPO
Anlisis exploratorio
de los datos
ETAPA 2
Anlisis
estructural
ETAPA 3
Predicciones
En la E1. En esta fase se estudian los datos muestrales sin tener en cuenta su
distribucin geogrfica. Se aplica Estadstica, se eliminan datos errneos y se
define el tipo de distribucin.
En la E2. Se analiza la continuidad espacial de la variable. Se calcula el
variograma, o cualquier otra funcin que nos explique la variabilidad espacial.
En la E3. En esta etapa se hacen las estimaciones de la variable estudiada en
los puntos no muestrales. La herramienta base para la estimacin del
variograma es el denominado variograma experimental, constituido a partir de
los datos muestrales, debe ajustarse a un modelo que se integre en el
Krigeado.
Deber enfocarse en la etapa dos para realizar el proceso Geoestadstico de un
conjunto de datos muestrales. Ya que, al proceso de estimacin del variograma
se le denomina: Anlisis estructural. Mediante el variograma se resume la
informacin que se puede obtener de una variable en un punto, a partir del
conocimiento de una serie de valores en las proximidades de dicho punto. Ello
permite que el mtodo de Krigeado, como se ver mas adelante, tenga en
cuenta la variabilidad espacial de la propiedad o fenmeno objeto de estudio.
SEMIVARIOGRAMA
Entonces se nombra una variable regionalizada z(x), distribuida en el espacio y
presenta una estructura espacial de correlacin y por tanto, es una funcin
aleatoria.
entonces el vector
para cualquier h
Mtodo de kriging
Los mtodos geoestadsticos de interpolacin conocidos como kriging, intentan
dar la mejor estimacin lineal insesgada de los valores de los puntos, esto es,
elegir el promedio ponderado de los valores de las muestras la cual tenga la
mnima varianza, la limitacin a la clase de estimadores lineales es bastante
natural ya que esto significa que solamente se requiere el conocimiento del
momento de segundo orden de la funcin aleatoria (la covarianza o el
variograma) y que en general en la prctica es posible inferir a partir de una
realizacin de la misma.
Conociendo el variograma y las observaciones originales, se puede conseguir
un conjunto de realizaciones para mostrar el intervalo de valores posibles.
Los algoritmos de regresin lineal por mnimos cuadrados usados por kriging,
son apropiados para los datos que solo tengan en cuenta el atributo continuo
que se desea estimar.
El mtodo de kriging consiste en una familia de algoritmos de regresin
mediante mnimos cuadrados.
De acuerdo a la tendencia de los datos del modelo m(x) se pueden distinguir
tres tipos de modelos de kriging:
a) kriging simple: con media m(x) conocida y contante en toda el rea.
b) Kriging
ordinario:
considera
fluctuaciones
locales
de
la
media
La
Donde:
wi son los pesos asignados a los datos Z(xi)
Z*(x) es el estimador.
Z(xi) es la valor en el punto de observacin xi
m(x) es el valor esperado o media del estimador
m(xi) es el valor esperado o media de los datos observados
n es el numero de observaciones
Debido a que los datos desconocidos Z(x) as como los datos observados Z(x i)
son variables aleatorias, se puede definir el error de la estimacin Z*(x)-Z(x)
como una variable aleatoria. El objetivo de kriging es minimizar la varianza del
error con la restriccin de ser un estimador insesgado con la siguiente formula
Donde:
Z*(x) es el estimador
Z(x) es la variable aleatoria que define el atributo medido
Sin embargo, la
[1]
[2]
Donde C(
[3]
Pero la esperanza de
Donde C(
Donde
i y j son los pesos
C(xi-xj ) es la covarianza entre dos puntos observados
C(xi-xi ) la covarianza del mismo punto
C(xi-x ) a covarianza de un punto observado con un punto estimado.
La minimizacin de la varianza consiste en igualar a cero la primer derivada
con respecto a
queda:
nos
La varianza mnima del error o varianza de kriging simple est definida por la
siguiente ecuacin:
Donde
2 es la covarianza entre un punto observado y un punto estimado
C(xi-x) es la covarianza entre un punto observado y el punto a estimar
i es el peso de cada dato.
Donde
es el peso asignado a la media
i es el peso de cada uno de los puntos observados.
C(ui-u).
C 0
C u1 u 2
Cu u
C 0
2
1
C u N u1 C u N u2
C u1 u N
C u 2 u N
C 0
1 C u1 u
Cu u
2
2
N C u N u
Donde:
wi son los pesos asignados a los datos Z(xi)
Z*(x) es el estimador.
Z(xi) es la valor en el punto de observacin xi
m(x) es el valor esperado o media del estimador
n es el numero de observaciones
los i representan los pesos o ponderaciones de los valores originales y se
calculan en funcin de la distancia entre los puntos muestreados y el punto
donde se va a hacer la correspondiente prediccin. La suma de los pesos debe
ser igual a uno para que la esperanza del estimador sea igual a la esperanza
de la variable aleatoria. Esto ltimo se conoce como el requisito de insesgadez.
La estimacin de los pesos se obtiene minimizando
Recordando la ecuacin [4] dentro del mtodo de kriging simple:
Donde:
i y j son los pesos
C(xi-xj ) es la covarianza entre dos puntos observados
2 el multiplicador de lagrange
C(xi-x ) a covarianza de un punto observado con un punto estimado.
Una vez ms debe derivar e igualar a cero para los valores extremos de la
funcin
Al despejar
Donde
es el multiplicador de lagrange
C(xi-x) es la covarianza entre un punto observado y el punto a estimar
C(xi-xj) es la covarianza entre 2 puntos observados
j es el peso de cada dato.
Matricialmente nos queda una matriz de pesos w i multiplicada por una matriz
de varianza C(ui-uj) sumando al parmetro de lagrange
y dando como
C 0
C u1 u 2
Cu u
C 0
2
1
C u N u2 C u N u2
C u1 u N
C u2 u N
C 0
1
2
N
C u u1
Cu u
2
Cu uN
0
u1 u2
u u
0
2 1
u N u2 u N u2
u1 u N
u2 u N
0
1
1
1
1
0
1
2
N
u u1
u u
2
u uN
Donde
es el multiplicador de lagrange
(xi-x) es la semivarizan entre un punto observado y el punto a estimar
(xi-xj) es la semivarianza entre 2 puntos observados
j es el peso de cada dato.
m u a j f j u
j 0
B C21
C N1
f 0 u1
f1 u1
f L u1
C12
C 0
C2 N
f 0 u2
f1 u 2
C 0
CN 2
f1 u 2
f L u2
f1 u1
C1N
f 0 u2
f 0 u1
f0 uN
f1 u N
f L uN
f0 uN
f1 u N
f L u1
f L u2
f L uN
0
0
0
1
2
N
0
C10
C
20
CN 0
f0 u
f1 u
f L u
Donde en la matriz A
El recuadro superior contiene la matriz de covarianza entre los puntos
mustrales C(xi-xk), el recuadro inferior contiene las funciones de tendencia.
La matriz B contiene arriba el vector de pesos y abajo el vector de
multiplicadores de lagange y la matriz C formada por la covarianza entre el
estimado y los observados arriba y los valores de la funcin de tendencia para
los datos estimados.
BIBLIOGRAFIA
-
2002
LA REPRESENTACION GRAFICA DE LAS VARIABLES
REGIONALIZADAS. GEOESTADISTICA LINEAL, Francisco Jess Moral