Ctedra de

Anlisis Geoestadistico

Docente: Ing. Marcelo Andrs

 1A.E.D. 2- A.E. 3.Estimacin

- Histogramas ( Distribucion , casos atipicos,

Variograma (semivariograma) Kriging Ordinario
Kriging Universal
tendensias) Kriging Simple
-Uso de Estadisticas descriptiva n
1 Kriging residual
tendencia central, medidas de
dispersion, medidas de forma. h
x xhZ Z 2 Co-Kriging
Otros.
- Media , Moda , Mediana
2n(h) i 1
- desviacion estandar y varianza
- Coeficiente de curtosis, sesgo y
(h) = Semivarianza
variacion.
h= distancia
- Distribucion Normal
n(h) = Nmero total de pares de datos definidos
Autocorrelation Espacial (Ej Indice de Moran)
para un distancia definida (lag)
Z = valores de la variable para un punto
especfico
Estudio direcional de fenomeno
(Anisotropia)
Justificacin del Anlisis Exploratorio de Datos Espaciales .

En la aplicacin de la geoestadstica es de suma importancia, al igual

que en otros procedimientos estadsticos (por ejemplo los modelos
ARIMA dentro de la teora de series de tiempo), el anlisis grfico. La
identificacin de valores extremos y su ubicacin geogrfica, la
evaluacin de la forma de la distribucin y el clculo de medidas de
localizacin, variabilidad y correlacin es muy importante para
establecer si algunos supuestos necesarios para la aplicacin de la
teora geoestadstica son vlidos o para definir que procedimiento
de prediccin es el ms conveniente.

Por ejemplo, la decisin de usar kriging ordinario o kriging universal se

fundamenta en identificar si la media es o no constante en la regin. El
uso de kriging log-normal se basa en un criterio emprico relacionado
con la forma asimtrica de la distribucin de los datos muestrales. La
decisin de emplear cokriging depende de la deteccin de asociaciones
entre las variables.
Objetivos del Anlisis Exploratorio de datos:

1) Analizar (mediante herramientas estadsticas simples) la cantidad,

la calidad y la
ubicacin de los datos disponibles.

2) Definir la(s) zona(s) de estudio. Una divisin del campo en varias

sub-zonas puede
ser relevante si uno observa cambios abruptos en la distribucin
espacial de valores,
o si la geologa del fenmeno lo indica.

3) Anticipar dificultades o problemas que puedan surgir en la fase de

estimacin local
(por ejemplo, presencia de valores atpicos que se destacan de
aquellos de los datos
vecinos).
1.A.E.D.
 Distribucin normal
Una distribucin de probabilidad sigue una distribucin normal, cuando la representacin grfica de su funcin de
densidad es una curva positiva continua, simtrica respecto a la media, de mximo en la media, y que tiene 2 puntos de
inflexin situados a ambos lados de la media y a distancia igual a la desviacin estndar, es decir de la forma

Tiene una nica moda, que coincide con su media

y su mediana
La curva normal es asinttica al eje de abscisas.

Es simtrica con respecto a su media. Segn esto,

para este tipo de variables existe una probabilidad
de un 50% de observar un dato mayor que la
media, y un 50% de observar un dato menor.

Cuanto mayor sea la desviacin estndar, ms se

dispersarn los datos en torno a la media y la curva
ser ms plana. Un valor pequeo de este
parmetro indica, por tanto, una gran probabilidad
de obtener datos cercanos al valor medio de la
distribucin

La curtosis es igual a cero (0).

El coeficiente de sesgo es igual a cero (0)
Probabilidad de Distribucin
Normal
Probabilidad de distribucin Log -Normal
 Conceptos bsicos de estadstica

Estadstica descriptiva: se dedica a los mtodos de recoleccin,

descripcin, visualizacin y resumen de datos originados a partir de
los fenmenos de estudio
Para analizar los datos usualmente se construyen las tablas de
frecuencias y se utilizan:

- La media
- Mediana Medidas de tendencia central
- Moda

- Desviacin estndar Medidas de dispersin

- Varianza
- Coeficiente de variacin

- Coeficiente de curtosis Medidas de forma

- Coeficiente de sesgo
a. Medidas de tendencia central
Intentan identificar el dato ms representativo de la distribucin del
conjunto. Son las siguientes.

Media. Se le suele llamar promedio, se define como la suma de los

valores de todas las observaciones divididas por el nmero total de
datos. Se denota con o X.

En su clculo intervienen todos los datos, por lo tanto, se ven

influenciados por la variacin de cualquiera de ellos. En particular, es
sensible a los valores extremos, pues estos producen grandes
modificaciones.
Mediana. Es el valor de la serie de datos que deja la mitad de las observaciones por debajo
de ella y la otra mitad por encima, es decir, divide al conjunto de datos en dos partes
iguales y se denota por Me.

Dado que slo depende del orden de los datos, tiene la ventaja de que no es sensible a los
valores extremos.

En datos agrupados se calcula de la siguiente forma.

1. Calcular: n/2
2. La mediana ser el valor de la variable cuya frecuencia absoluta acumulada primero
iguale o supere a N/2. Este ser el intervalo en el que se encuentra la mediana.
Moda. Es el dato que ms veces se repite, es decir, aquel dato o rango que
presenta mayor frecuencia absoluta. Puede haber ms de una moda en una
distribucin. Se denota por Mo.
b. Medidas de dispersin

Las medidas de dispersin indican la mayor o menor concentracin de los

datos con respecto a las medidas de centralizacin. Nos dan una idea sobre la
homogeneidad o que tan agrupado estn los datos.

Desviacin estndar. Indica cunto tienden a alejarse los valores puntuales de la

media. Se suele representar por una S. Una desviacin estndar grande indica
que los puntos estn lejos de la media, y una desviacin pequea indica que los
datos estn agrupados cerca de la media.
Varianza. Describe la variabilidad de la distribucin. Es la medida de la
desviacin o dispersin de la distribucin. Se calcula mediante la ecuacin.

Coeficiente de variacin. Mide la representatividad de la media. Valores extremos

del mismo nos llevarn a concluir que la media no es representativa, es decir,
existirn valores entre las observaciones que se separan significativamente de las
dems.
c. Medidas de forma

Miden el grado de deformacin respecto a una curva patrn (distribucin

normal).
Coeficiente de curtosis. Mide el grado de aplastamiento o apuntamiento de
la grfica de la distribucin de la variable estadstica. Datos concentrados
respecto a la media (desviacin estndar pequea) dar una grafica alargada;
si los datos estn dispersos la grfica ser achatada o aplastada.

Baja Normal Alta

concentracin
Coeficiente de sesgo o asimetra: Evala el grado de distorsin o
inclinacin que adopta la distribucin de los datos respecto a su valor
promedio tomado como centro de gravedad.

El coeficiente de simetra de Pearson es:

Si CS = 0, la distribucin es simtrica, en ese caso las

desviaciones a la derecha y a la izquierda de la media se
compensan.

Si CS < 0, la distribucin es asimtrica negativa. La mayora
de las observaciones estn a la derecha de la proyeccin de
la media.

Si CS > 0 la distribucin es asimtrica positiva. La mayora

de las observaciones estn a la izquierda de la proyeccin
Tablas de Frecuencias
Una forma de presentar ordenadamente un grupo de observaciones, es a travs de
tablas de distribucin de frecuencias. Para construir una tabla de frecuencia se deben
ordenar los datos de menor a mayor e incluir los siguientes parmetros.
Frecuencia Absoluta (ni)
Frecuencia Relativa (fi)
Frecuencia Absoluta
Acumulada (Ni)
Frecuencia Relativa
Acumulada (Fi)
Numero de clases
Amplitud de la clase o
intervalo
Es el nmero de datos que
estn en un mismo intervalo.
Es la frecuencia absoluta
dividida por el nmero total de
datos.
Es la suma de las frecuencias
absolutas de todos los valores
inferiores o iguales al valor
considerado. La ltima
frecuencia absoluta acumulada
es igual al nmero de casos.
Es el resultado de dividir cada
frecuencia absoluta acumulada
por el nmero total de datos.
Indica el nmero de intervalos
en que se agruparan los datos.
Se obtiene al dividir por dos, la
diferencia del valor mximo y
mnimo de los datos.
Es el promedio de la suma del
En el caso de datos agrupados se debern determinar el nmero de
intervalos, la amplitud de los mismos y la marca de clase, de la
siguiente forma:

(Cesar Perez)
Trabajo practico.

Con el fin de que este sea un ejemplo prctico para abordar el anlisis
geoestadistico con ArcGIS, ilustraremos todo los conceptos con un ejemplo a
partir de datos de monitoreo de niveles piezomtricos de agua subterrnea que se
presentan en la tabla siguiente. Para ello se seguirn los siguientes pasos.

Para resumir, los pasos a seguir en el anlisis

exploratorio de los datos son los siguientes.

1. Organizar los datos de menor a mayor.
2. Calcular la tabla de frecuencia.
3. Realizar el histograma de frecuencias.
4. Calcular los parmetros geoestadstico.
5. Verificacin de la normalidad con respecto a la media,
moda y mediana.
6. Verificacin de la normalidad con respecto a la asimetra
horizontal (coeficiente de sesgo).
7. Verificacin de la normalidad con respecto al coeficiente
de variacin.
8. Realizacin de la transformacin de los datos, si es
necesario.
9. Recalculo de los parmetros estadsticos y comparacin
1.- Resolver con la base de datos entregadas

Tabla de frecuencias

frecuenci
Marca frecuencia
Interval frecuencia frecuencia a relativa
No de absoluta
o absoluta relativa acumulad
clase acumulada
a

K=
a=
Marca clase =
2 -Resolver

Grafique el histograma de frecuencias:

A partir de la tabla anterior se construye el histograma de frecuencias,
el cual nos da una idea del comportamiento de los datos.
3- Calcular los parmetros geoestadstico

Mdulo
Datos Datos no
Parmetro Geostatistical Observaciones
agrupados agrupados
analyst de ArcGIS

Media
Mediana
Moda
Desviacin

estndar

Varianza
Coeficiente de

Variacin

Curtosis
Sesgo o

asimetra
Parmetros de validacin de
Normalidad en los datos.
Respecto parmetros de tendencia central.

Me = Mo= ( Su variacin mxima entre ellas debe

ser de una unidad (1). (Cesar Prez)

Respecto parmetros de forma

En el caso de existir asimetra horizontal , se propone

segn (Wester-Oliver), lo siguiente:

CS = 0

0<|CS|<0.5, se acepta la funcin de distribucin de

probabilidad como normal, se puede aplicar el mtodo
geoestadstico a los datos.
0.5<|CS|<1, es necesario realizar una transformacin
de datos (normalizacin) de tipo raz cuadrada.

|CS|>1, es necesario hacer una transformacin de tipo

logartmico (ln o log)
 Por coeficiente de variacin.

Tanto la funcin de distribucin de los datos como la varianza son

funciones de la media la cual es altamente sensible a los valores
extremos. En consecuencia se debe tener conocimiento de la
afectacin de estos valores extremos sobre la media, para ello se
calcula el coeficiente de variacin.

En todo caso se debe verificar lo siguiente.

Si CV < 100, no hay problema con los valores extremos de los datos

Si 100<CV<=200, Los efectos causados por los valores extremos de

los datos son tolerables

Si CV>200, se tiene problemas severos con los valores extremos de

los datos.
Esto es importante, pues en caso de que los valores extremos de los
datos afecten a la muestra o a la distribucin de los mismos, se
deber analizar si es conveniente eliminarlos en caso que
obedezcan a un error en la medicin o hacer una transformacin de
los datos para reducir su influencia en la muestra.
Clase 25-
Nov
 Laboratorios
(Resumen)

1.-Distribucin normal y log-normal (Ejemplo)

2.- Estudio exploratorio de datos (procedimiento, herramientas
de anlisis, valores atpicos, etc)
3.- Variograma experimental (clculo, parmetros,
interpretacin) Ejemplo
(si es que alcanzo) Modelamiento de variogramas + ejemplo
4.- Calculo de Error de Muestras (Intervalos de confianza)
5.- Interpretacin de varogramas
6.- Mapas variograficos
7.- Eleccin de la direccin del calculo variografico (Anisotropa)
8.-Modelamiento de variograma o ajuste del variograma
experimental.
K=8
a= 4,17

frecuencia frecuencia
Marca de frecuencia frecuencia
No Intervalo absoluta relativa
clase absoluta relativa
acumulada acumulada

2,0076 -
1 6,1776 4,0926 29 29 0,55 0,55
6,1776
2 -10,3476 8,2626 7 36 0,13 0,68
10,3476
3 -14,5176 12,4326 6 42 0,11 0,79
14,5176
4 -18,6876 16,6026 4 46 0,08 0,87
18,6876
5 -22,8576 20,7726 1 47 0,02 0,89
22,8576
6 -27,0276 24,9426 4 51 0,08 0,96
27,0276
7 -31,1976 29,1126 1 52 0,02 0,98
31,1976
8 -35,3676 33,2826 1 53 0,02 1
35

30 29

25

20

15

10
7
6
5 4 4

1 1 1
0
Resultado de los parmetros Geo-
estadisticos del A. E D.
Datos
Datos no Mdulo Geostatistical
Parmetro agrupado Observaciones
agrupados analyst de ArcGIS
s
Media 9.443 93.776 93.776
Mediana 4.81 5.869 5.869
Moda 4.378 - -
Desviacin
7.74 8.0421 8.0421
estndar
Varianza 6,044 6,4675 6,4675
Coeficiente de
82% 85.8% 85.75%
Variacin
A la curtosis que calcula
Curtosis 1.38 1.4709
ArcGIS se le debe restar 3
Sesgo o
1.46 1.4773
asimetra

Necesitamos una trasformacin de

Normalidad ????
Algunos Siempre ???
-Log-Normal
- Raiz Cuadrada
 Repasando lo analizado
Se observa la media, la mediana y la moda son
diferentes Media = 9.3776
Mediana = 5.869
Moda = 4.378 Diferencia > 1

CS = 1.46, valor mayor que 1, por lo tanto es necesario aplicar una

transformacin de tipo logartmico a los datos.
0<|CS|<0.5, se acepta la funcin de distribucin de probabilidad
como normal, se puede aplicar el mtodo geoestadstico a los
datos.

0.5<|CS|<1, es necesario realizar una transformacin de datos

(normalizacin) de tipo raz cuadrada.

|CS|>1, es necesario hacer una transformacin de tipo logartmico

(ln o log)
V = 85.8 < 100, lo cual indica que no hay problemas con valores extremos.
Si CV < 100, no hay problema con los valores extremos de los datos
Si 100<CV<=200, Los efectos causados por los valores extremos de los datos son
tolerables
Si CV>200, se tiene problemas severos con los valores extremos de los datos

Siempre ???
Log-Normal
frecue
ncia
frecuencia
frecuencia frecuencia relativ
Marca de clase absoluta
No Intervalo Intervalo absoluta relativa a
acumulada
acumu
lada

1 0,6969 -1,0569 0,88 7 7 0,13 0,13
2 1,0569 -1,4153 1,24 10 17 0,19 0,32
3 1,4153 -1,7737 1,59 10 27 0,19 0,51
4 1,7737 -2,1321 1,95 5 32 0,09 0,6
5 2,1321 -2,4905 2,31 7 39 0,13 0,74
6 2,4905 -2,8489 2,67 6 45 0,11 0,85
7 2,8489 -3,2073 3,03 4 49 0,08 0,92
8 3,2073 -3,5657 3,39 4 53 0,08 1
Concluimos

Los datos estn dentro de los parmetros para admitir un

comportamiento Normal

Media = 1.92
Mediana = 1.77
Moda = 1.41
desviacin estndar=
0.787
varianza =0.619
Cvariacion = 41%
Curtosis=-0.98
sesgo o asimetra =0.34

ASIMETR
IA
Mo Me POSITIV
A
 Softwar
e
Geostatistical Analyst

explorar

variabilidad de datos

examinar tendencias globales

investigar la
autocorrelacin y la correlacin
entre los datos
Anlisis exploratorio de datos

Anlisis estructural auto correlacin espacial o temporal

dependencia espacial - variograma
experimental (analiza la aleatoriedad)
Ajuste del variograma (modelo matematico).
Estimacion Kriging
Las herramientas de anlisis en
software
ndencias de los datos se ajustan alguna funcin polinomial
uncin Lineal (1er Grado)
f(x) = mx + b Funcin cuadrtica
(Segundo grado)
f(x) = ax2 + bx + c Funcin Polinomial (3er
grado)

Eliminar Siempre ?
Tendencias

Es importante analizar si los datos

manifiestan tendencias direccionales
que permitan establecer correlaciones
en esas direcciones, y formular modelos
de comportamiento.

Por que hay tendencia ?

Es bueno, malo, no importa?
Para nuestros datos Hidrogeolgicos, Existen tendencias
direccionales?

Este-
oeste

Norte-
Sur
 Contextualizacin

Donde estamos en el
anlisis
Sistemti
ca
2.A.E.
Porque la autocorrelation es importante?

Sugiere la presencia de procesos

espaciales
Mucho de los anlisis estadsticos estn basado
en el supuesto que los valores de las
observaciones en cada unidad de muestreo son
independientes unos de otros
independientemente de la distancia de
separacin.

Puntos cercanos Puntos

Atributos
en el espacio pero cercanos en el
independientes
disimilares en espacio y
de la distancia
atributos similar en
atributos Ref: Alfonso Condal
 Isotropa/anisotropa
Un medio es denominado istropo si sus propiedades fsicas
son idnticas en todas las direcciones. Un sistema ser
calificado de istropo si sus propiedades fsicas
(macroscpicas) son invariantes en relacin con una direccin
particular, y por lo tanto, si ninguna de ellas posee
dependencia direccional. En el caso en que una sola de sus
propiedades sea direccional, el sistema cesa de ser istropo;
es anistropo. Se dir tambin que una magnitud fsica es
anistropa, o istropa, segn que dependa o no de la direccin segn
la cual se mide. En el sentido primitivo y restringido del trmino, la
isotropa y la anisotropa son propiedades de los cuerpos o conjuntos
macroscpicos. En esta acepcin general, al ser el tiempo y el
espacio magnitudes fsicas, y por ello medibles, se habla
Fuente: Thrse Saint-Julien (HYPERGEO)
frecuentemente de su isotropa o de su anisotropa.
 Anisotropia
Cuando existe alta autocorrelacin espacial en una
direccin especfica mas que en las otras :

La figura muestra un caso de anisotropa geomtrica,

el cual es incorporado al modelo variogrfico a travs
de una transformacin lineal.
http://zappa.nku.edu/~longa/geomed/modules/geostats_lite/lec/illinois.html
Tolerancia angular
 Mapa de Variograma :
135 Es una herramienta que
90 permite determinar las
45 direcciones de
anisotropa de la variable
en estudio
Semivariograma
Experimental

La
g 3

Modelo Aniso
trpico

Escala y
Estructuras
LAG = 20 e Intervalos
pequeos = 5

Donde hay
 Variogramas
Supuesto estadsticos:
Estacionaridad Media y la varianza no sean funcin de la
localidad muestreada. Estacionaridad de segundo grado (debil)
Varianza es una funcin de la distancia de separacin entre los
valores
Isotropia No tendencias direcionales presentes en los datos. Sin
embargo siempre se calculan variopgramas direccionales para
determinar la tendencia de los datos.

Sin embargo
En algunos casos estos no se cumple debido a las tendencias
presentes en los datos. En estos casos se sugiere eliminar la
tendencia antes del anlisis

A. R. Condal/ E. Mera/ D. Pech

Anisotropas en el variograma:

Generalmente cuando el variograma experimental es

calculado en distintas direcciones presenta distintos
comportamientos con la variacin de la distancia.

Anisotropa Geomtrica

Anisotropa Zonal
Anisotropa Geomtrica :

Es aquella en la que el 3
variograma en distintas
direcciones presenta el 2,5

mismo sill pero rangos

2
distintos

Variograma
1,5 N-S
E-O
Mayor continuidad espacial
1
en la direccin de mayor
rango 0,5

Menor continuidad espacial 0

0,0 0,9 2,0 3,0 4,1 5,1 6,2 7,2 8,3 9,3 10,4 11,4
en la direccin de menor
Distancia
rango
 3

2,5

Variograma
1,5 N-S
E-O
1

0,5

0
0,0 0,9 2,0 3,0 4,1 5,1 6,2 7,2 8,3 9,3 10,4 11,4

Distancia
Anisotropa Zonal :

3,5

3
Es aquella en la que el
variograma en distintas 2,5

direcciones presenta el 2

Variograma
mismo rango pero
diferente sill 1,5

Presencia de 0,5
diferentes estructuras
0
0 0,94 1,99 3,04 4,09 5,14 6,19 7,24 8,29 9,34 10,4 11,4

Distancia
 3,5

2,5

Variograma
1,5

0,5

0
0 0,94 1,99 3,04 4,09 5,14 6,19 7,24 8,29 9,34 10,4 11,4

Distancia
 El variograma experimental

Es una herramienta que permite

analizar el comportamiento
espacial de una propiedad o
variable sobre una zona dada
Ejemplo:

Detectar direcciones de
anisotropa
Zonas de influencia y su extensin (correlacin
espacial)

Variabilidad con la distancia

Variograma Terico-Definicin
Continuidad espacial

0,7
0,6
0,5
0,4
Variable

0,3
0,2
0,1
0
1

15

23
11

13

17

19

21

25
Ubicacin

0,012
0,01
0,008
Variograma
0,006
0,004
0,002
0
1

11

15

17

19
13
Distancia
Variograma Terico-Definicin
Continuidad espacial

1 0,12

0,8 0,1
Variable

0,6 0,08

Variograma
0,4 0,06
0,04
0,2
0,02
0
0 5 10 15 20 25 0
0 2 4 6 8 10
Ubicacin
Distancia

2 1
1,5 0,8
1
Variograma
0,6
Variable

0,5
0,4
0
0,2
1 3 5 7 9 11 13 15 17 19
-0,5
0
-1 1 2 3 4 5 6 7
Ubicacin
Distancia
Variograma
Experimental
n
1
h Z x Z xh 2

2n(h) i 1

(h) = Semivarianza
h= distancia
n(h) = Nmero total de pares de
datos definidos para un distancia
definida (lag)
Z = valores de la variable para un
punto especfico
Variograma

1
h E [ Z ( x) Z ( x h)] 2 Z x h1
2
x h1
h1
Deteccin de
caractersticas
que varan Z x
x h
segn la
Z x h
direccin y la
distancia
xh
Momentos de Una variable
regionalizada
 Variograma
Variograma

V ariogram a

Distancia Distancia
 1 n
Variograma (semivariograma) h
Z x Z xh 2

2n(h) i 1

El
T h e s e m i- v a r io g r a m is
semivariograma
b a s e dbasado
esta o n m o d e llin en g th e
la( s modelacin
q u a r e d ) d if f e r e n c e s de
in
lat h diferencias
e z - v a lu e s a s a f u n c t io n
o f t h e d is t a n c e s b de
(cuadradas) e tw e e n
a ll ovalores
los f t h e k n o w n zp o in t s .
como una
funcin de la
distancia entre
los puntos
El variograma experimental

- Definido solo
a ciertas
distancias

- Obtener un
modelo
terico del
variograma
experimental

- Ajustar una
funcin
continua
(de Giraldo
Henao)
 En terminos grficos

Nugget (C0): Es la semivarianza a h = 0 (intercepto en Y). Indica

la varianza no explicada debido a efectos de la escala y muestreo

Sill (meseta) (C + C0) : La asintota del modelo. Indica la

varianza de la variable de estudio

Range (Rango) (A) : Distancia a la cual la semivarianza se

estabiliza. Indica la extensin de la estructura de los datos.
Fuera de este valor los datos vallosdatos ya no presentan
autocorrelacin.
 Para decribir la variables regionalizadas, se calculan los variogramas empricos
y se comparan y ajustan a los modelos tericos.
Son 4 los modelos tericos comunes:
No sill or range
Linear:

(d) co bd

Exponential:

(d) co c[1 exp( d / a )]

Spherical:

co c[3d / 2a) (d 3 / 2a 3 )], d a

(d)
co c, d a Donde:
c0 = nugget
Gaussian:
b = Pendiente de la
(d) co c[1 exp(d 2 / a 2 )] regresin
a = range
A. R. Condal/ E. Mera/ D. Pech c0+ c = sill
 Indica una estructura
bien definida No estructura

Indica que los

datos estan
estructurados
en mas de Indica que la
una escala estructura
A. R. Condal/ E. Mera/ D. Pech esta
suavemente
Comportamiento lineal

Indica que para

distancias pequeas, el 3,5

variograma tiene un 3
comportamiento lineal. 2,5

Variograma
2
Representa variables
continuas pero no 1,5

diferenciables. As, la 1
propiedad puede
0,5
cambiar rpidamente
0
de un punto a otro.
Distancia
 3,5

Comportamiento lineal 2,5

Variograma
2

La variabilidad de la 1,5

propiedad depender 1

0,5
de la pendiente de la
0
recta en el origen 0 1 2 3 4 5 6 7 8 9 10 11
Distancia

A mayor pendiente, 3

mayor variabilidad 2,5

Variograma
A menor pendiente, 1,5

menor variabilidad 1

0,5

0
0 1 2 3 4 5 6 7 8 9 10 11
Distancia
Comportamiento Cuadrtico

Indica que para distancias 3,5

pequeas, el variograma tiene
3
un comportamiento
cuadrtico. 2,5

Variograma
2

Representa variables 1,5

sumamente continuas e
1
infinitamente diferenciables. As,
la propiedad NO puede cambiar 0,5

rpidamente de un punto a otro. 0 1

10

13

16

19

22

25

28

31

34

37
Distancia
Comportamiento Hbrido:

8
Variacin ms suave a 7
distancias cortas 6
5

Variograma
Variacin ms fuerte a 4
distancias grandes 3
2
1
Indica presencia de 0
estructuras actuando a 0 1,5 3 4,5 6 7,5 9 10,5 12 13,5 15 16,5 18
diferentes escalas Distancia
 Comportamiento a grandes
distancias :

NO TODOS LOS VARIOGRAMAS

POSEEN UN RANGO Y UN SILL
FINITO

Variograma
INDICA LA PRESENCIA DE
UNA DERIVA O DRIFT

VARIABLE NO ESTACIONARIA

Distancia
 Modelos de ajuste
variografico Brachidontes exustus
Eje espacial
Bentos en la costa rocosa de a) 3.10 e) c)
2.33 100
Campeche 1.55
0.78 Grain = 0.05 m 80
Abunda nce (% )

100 c) 0
80
Extent = 1 m
0.000.00 0.33 0.67 1.00 60 20
40
40 60
80
60
b) 3.10 f) 20 100
40 2.33 05
20 1.55 1015
100 0.78 Grain = 0.15 m
2025 40 20
Brachidontes exustus
0
0 20 40 60 80 100 80 1
Extent = 1 m
0.000.00 0.33 0.67 1.00 100 8
0 6
0
0.8
Distance (m)
c) 60 c) 3.10 g)
0.6
0.4
40
20
0.5
2.33
1.55 1
T
H o
ep
teorg
or
ga
eph
ny
ei
ty
0.78 Grain
O rie ntati
o n
= 4.0 m
0.2
T
Teom
taplerature
Extent = 40.0 m
0 0.000.00 13.33 26.67 40.00
0.0 1 10 100
0.0d) 3.10
-0.2020406080100 h) 0.5
Log Distance (m)
2.33
1.55
Distance (m) 0.78 Grain = 4.0 m
Extent = 80.0 m

1 10 100
La modificacin del grano y extensin permite 0.000.00 26.67 53.33 80.00 0.0

describir la distribucin de especies con diferente Separation distance (h)

nivel de precisin Log distance (m)

La identificacin de escalas optimas de
observacin debe de estar basada en la
A. R. Condal/ E. Mera/ D. Pech
proporcin de la varianza explicada
Pech et al, in press (ecography)
Practico
AED O
A.ESTRUCTURAL ??
3 clster:
Agrupamientos
en el espacio ,o
cubo de datos

2 Tencias
principales
Una cuadratica
(roja) y una
menos
pronunciada que
exponencial
(azul).
2do y 3er orden.

Los modelos los

podemos generar
con tendencias o
sin aquellas;
dependiendo de
nuestro inters
AUTOCORRELACION = SEMIVARIOGRAMA EMPIRICO -
COVARIANZA
ANISOTROPIA
DIRECCIONAL
CROSS- COVARIANCE : REPRESENTA PARES DE LOCACIONES
ENTRE LOS DATOS
 MODELOS DE
AJUSTE
VARIOGRAFICO
Modelos de
Semivarianzas
ESFERICO

EXPONENC
IAL
GAUSSIAN
O
 MODELOS
MONOMICOS
Indican presencia de NO ESTACIONARIEDAD en alguna direccin
Semana Fecha Plan A: Software Plan B: Sin software

Diciembre

M15 Estudio exploratorio de datos

1
W16 Anlisis variogrfico /consultas taller (M.PEREZ)

J17 Estimacin de recursos (clase)

V18 Control

M22 Kriging y estimacin de recursos

2 W23 Simulacin geoestadstica (clase)

J24 Libre USM (calendario)

V25 Feriado

M29 Simulacin geoestadstica (lab) Trabajo de lab

W30 Trabajo de lab /consultas taller (MPEREZ)

3

J31 Libre USM (calendario)

Enero
V1 Feriado

M5 Trabajo de lab Trabajo de lab

W6 CERTAMEN
4
J7 Trabajo de lab Trabajo de lab

V8 Entrega informes (dos talleres)

3.ESTIMACIN
Kriging
El problema general de las
predicciones
Existe siempre un interes en predecir el
valor Z en un punto X, Y (Yx,y) dado los
valores de Zi, en donde i representa un
punto conocido.
Pero.
1. No se tiene informacin
2. Se conoce informacin en puntos
cercanos ?

A. R. Condal/ E. Mera/ D. Pech

 Kriging
Los valores no conocidos
son calculados empleando
los valores circundantes de
los puntos de referencia. Los
valores circundantes son
ponderados antes de predecir
el valor del punto no
muestreado

La ponderacin esta basada

en la distancia existente
entre los puntos de
referencia, la el punto que se
quiere predecir y el arreglo
(estructura) espacial de los
puntos de referencia
Kriging esta basado
en la tora de las Kriging
variables
regionalizadas y
asume que la
variacin espacial es
estadsticamente
homogenea a travs
de toda la extensin
de interes. Esto es
que el mismo patrn
de variacin esta
presente en todas los Kriging produce el mejor estimador
puntos. lineal (sin tendencia) de los puntos no
muestreados siempre y cuando la
semivarianza de los datos y el modelo
hayan sido previamente modelados.
Tipos de Kringing

Kriging Ordinario
Kriging Universal
Kriging Simple
Kriging residual
__________
Co-Kriging
Geo-Multivariada
_____
Simulation
Multipoint.
Geo - No Lineal
 Kriging
Kriging ordinario: empleado cuando no existen direcciones
especficas en las tendencias de los datos.
Kriging universal. Considera direccionalidad de los datos (en
sistemas de informacin geogrfica la dereccionalidad es
modelada por una constante linear, de segundo o de tercer
orden).
kriging puntual : Produces valores para puntos especficos no
muestreados.
Kriging en bloques: Produce valores produces para areas. Los
valores estimados tienen varianza pequea debido a que son
derivados del promedio de un bloque de puntos de referencia.
Co-kriging: Emplea 2 o mas variables para estimar valores no
conocidos en uno de ellos (e.g: composicin del suelo y
contenido de agua del suelo).
A. R. Condal/ E. Mera/ D. Pech
Se pretende estimar el valor del punto 0(65E, 137N), basados en la
informacin de los puntos circundantes (7). La tabla indica las
coordenadas (x,y) de los 7 puntos de referencia y la distancia existente
entre estos (v) y el punto 0 (punto a estimar).

A. R. Condal/ E. Mera/ D. Pech

Variogram model Covariance function

Parameters:
C0 = 0, a = 10, C1 = 10

A. R. Condal/ E. Mera/ D. Pech

To solve for the weights, we multiply both sides by C-1,
the inverse of the left-hand side covariance matrix:

A. R. Condal/ E. Mera/ D. Pech

 Kriging matrices
Matrix de distancia

Covariances se calculan en base a la distancia entre todos los

puntos de referencia y el punto de interes :

C(h) = 10 e 0.3|h|
Kriging matrices

A. R. Condal/ E. Mera/ D. Pech

Results

Kriging weights:

Estimated value for point 0:

A. R. Condal/ E. Mera/ D. Pech

Tareas de estudio:

1.- Realizar en GS+ y/o Modulo Geoestadistica ArcGIS, el analisis

exploratorio de datos, estructural, ajuste varigrafico, estimacin
Kriging y obtencin del mapa modelado.

2.- Realizar en GS+ y/o Modulo Geoestadistica ArcGIS , las tres

etapas de anlisis de un proceso geoestadistico para los datos
entregados por grupos.

Fecha de revisin y consultas taller modelamiento de seales

WIFI: Mircoles 16.

3.- Estudiar el calculo de estimacin Kriging Ordinario, de las

ultimas presentaciones de esta presentacin.