Académique Documents
Professionnel Documents
Culture Documents
z R, F ( z ) Prob[ Z (x) z ]
PRINCIPIO (2)
Para corregir el efecto del agrupamiento de las muestras, una primera solucin es
seleccionar una parte de los datos cuya reparticin es aproximadamente uniforme
en el campo, los cuales servirn para el clculo de los histogramas y estadsticas.
DESAGRUPAMIENTO (2)
Ejemplo
DESAGRUPAMIENTO (3)
Una segunda opcin consiste en ponderar los datos, asignando un peso pequeo
a los datos agrupados y un peso mayor a los datos aislados, y en tomar en cuenta
estos pesos al momento de calcular el histograma experimental.
Denotemos como {xa, a 1... n} los sitios con datos. Si se asigna a cada dato un
peso igual a 1/n, el histograma acumulado experimental es igual, para todo valor
z, a la proporcin de los datos inferiores a z, o sea:
n
1
1
z R, F ( z ) z ( xa ) z
n a 1
n
z R, F ( z ) w
a 1
a 1z ( xa ) z
DESAGRUPAMIENTO (4)
Ilustracin
DESAGRUPAMIENTO (5)
Es intuitivo que los valores medidos en los sitios de muestreo modifican las
distribuciones de probabilidad a priori: la probabilidad de sobrepasar una ley de
corte dada es ms grande en las zonas donde las mediciones son de alta ley que
en las zonas donde son de baja ley. Tambin la incertidumbre asociada a un valor
desconocido disminuye al tener mediciones en la vecindad del sitio considerado.
Distribucin global
La funcin de distribucin a priori describe la distribucin global de los valores
de la variable regionalizada. Si se sortea al azar un gran nmero de sitios y se
mide en ellos los valores, entonces el histograma acumulado se identificara, con
algunas fluctuaciones estadsticas, con la funcin de distribucin a priori.
Distribucin local
Cada sitio del espacio tiene su distribucin local propia, en general distinta a la
de los otros sitios. Cmo verificar la adecuacin entre esta funcin de
distribucin y un nico valor numrico?
VALIDACIN DE LAS DISTRIBUCIONES
GLOBALES Y LOCALES (2)
Para validar el modelo de incertidumbre local, una idea es construir, en cada sitio
con dato, la funcin de distribucin local a partir de los datos restantes. Para toda
probabilidad p1 [0,1], se puede determinar un intervalo de confianza propio a
cada sitio con dato, cuyo margen de error corresponde a p1. La comparacin de la
probabilidad terica p1 con la proporcin de datos que estn efectivamente en su
intervalo de confianza permite darse una idea de la adecuacin del modelo de
incertidumbre local con la realidad.
Z(x) = f[Y(x)]
Y(x)
Ejemplo
Observaciones
conocer la funcin de transformacin equivale a modelar el histograma de los
datos originales
Hiptesis
1 1
g (x1 ,...x n ; y1 ,... yn ) exp y t C 1 y
( 2 )n det (C) 2
Propiedad fundamental
Demostracin
Se puede escribir:
fijo independiente
de los datos
MODELO MULTIGAUSSIANO (4)
Sin embargo, hace falta verificar que las distribuciones de orden superior sean
tambin compatibles con la hiptesis multigaussiana. En la prctica, slo se
estudia las distribuciones bivariables, es decir, las distribuciones de los pares
de valores {Y(x + h), Y(x)}:
1 y12 y2 2 2C12 y1 y2
g (x1 , x 2 ; y1 , y2 ) exp
2 1 C12 2(1 C 2
12 )
TEST DE LA DISTRIBUCIN BIGAUSSIANA (1)
1 si Y (x) y
IY (x; y )
0 en caso contrario
Bajo la hiptesis bigaussiana, existe una relacin entre el variograma g(h) de los
datos Gaussianos y el variograma gI,y(h) de la variable indicador:
1 arcsen [1 g ( h )] y2
g I , y (h) G( y ) [1 G( y )]
2
0
exp [
1 sen
] d
1 1
g I ,0 (h) arcsen[1 g (h)]
4 2
1
g1 (h) E{| Y (x h) Y (x) |}
2
g(h)
(independiente de h)
g 1 (h)
g1 (h) g I , y (h) dy
1
g w (h) E{| Y (x h) Y (x) |w}
2
2w1 w 1 w/2
[ g(h)]
2
Variogramas de indicadores
horizontal
horizontal
vertical
vertical
Se busca estimar una funcin de la variable original, que tambin es una funcin
de la variable transformada Gaussiana, o sea j[Y(x)]
j[Y (x) KS s KS (x) t ] g (t ) dt
1
{j[Y (x)]}EC
j[Y (x) KS s KS (x) ti ]
N i 1
En este caso especfico, se tiene una frmula explcita para el estimador de kriging
multigaussiano de Z(x) (bautizado kriging lognormal):
s 2 s 2KS (x)
Z * (x) exp{ m s Y (x) KS }
2
No basta con tomar la exponencial del kriging del logaritmo de la variable inicial,
es decir, reemplazar Y(x) en la expresin inicial por su kriging simple. Se necesita
introducir un factor multiplicativo s2 s2KS(x)/ 2, que depende de la varianza de
kriging de Y(x). Sin tal factor correctivo, la estimacin estara sesgada.
KRIGING MULTIGAUSSIANO (6)
2 s2 ( x )
s 2KL (x) var[ Z (x) Z * (x)] e 2( ms ) [1 e s
2
KS
]
y la varianza condicional:
2) Por usar un kriging simple (media nula en todo en campo), se basa en una
hiptesis de estacionaridad estricta. Existen extensiones del estimador que
utilizan un kriging ordinario, lo cual da robustez frente a variaciones locales
de la media.