Escolar Documentos
Profissional Documentos
Cultura Documentos
LQWHUSUHWDFLyQ
9DULDEOHUHJLRQDOL]DGD )XQFLyQDOHDWRULD
FDUDFWHUL]DFLyQ
'LVWULEXFLyQHVSDFLDO
0RPHQWRV UHVXPHQ
• distribución univariable
• esperanza, varianza
• distribuciones bivariables
• covarianza, variograma
• distribuciones multivariables
VLPSOLILFDFLyQ
+LSyWHVLVGHHVWDFLRQDULGDG
• esperanza y varianza son constantes
• covarianza y variograma sólo dependen de la separación entre datos
0,$±*HRHVWDGtVWLFD
)LJXUD. Realizaciones de funciones aleatorias con mismas distribuciones
univariables, bivariables (luego, mismos variogramas) y trivariables
(MHPSORVGHIXQFLRQHVDOHDWRULDV
Existe una gran diversidad de modelos de función aleatoria que pueden ser simulados
por técnicas geoestadísticas. A continuación, mostramos algunos ejemplos, que difieren en
la naturaleza de la variable en estudio.
0,$±*HRHVWDGtVWLFD
)LJXUD. Realizaciones de tres modelos de variables categóricas
5HGHV GH IUDFWXUDV, que son casos particulares de conjuntos aleatorios (porciones de
plano o de recta, con dimensiones y orientación aleatorias en el espacio)
0,$±*HRHVWDGtVWLFD
3URFHVRVSXQWXDOHV, que son otros casos particulares de conjuntos aleatorios. Permiten
modelar fenómenos naturales como: distribución de árboles en un bosque, de piedras
preciosas en un yacimiento, o de epicentros de temblores. También sirven para construir
algunos modelos de funciones aleatorias, de conjuntos aleatorios y de redes de fractura.
$VSHFWRVGHOSUREOHPDGHVLPXODFLyQ
Las etapas y desafíos planteados para simular una función aleatoria son los siguientes:
0,$±*HRHVWDGtVWLFD
&DStWXOR6LPXODFLyQGHYDULDEOHV
FRQWLQXDVPRGHORPXOWL*DXVVLDQR
En este capítulo, nos interesaremos por un modelo de función aleatoria cuya definición
requiere modelar sólo una distribución univariable (o sea, un histograma) y un variograma.
Este modelo se basa en las distribuciones de probabilidad multivariables Gaussianas (PXOWL
*DXVVLDQDV o PXOWLQRUPDOHV).
7UDQVIRUPDFLyQ*DXVVLDQDDQDPRUIRVLV
Es poco frecuente que la variable estudiada pueda ser considerada como Gaussiana: a
menudo, la distribución univariable (histograma de los valores medidos) es asimétrico y no
es compatible con un modelo Gaussiano. Una transformación – llamada DQDPRUIRVLV – es
necesaria para convertirla en una distribución Gaussiana. Gráficamente, la transformación
consiste en deformar el histograma de los datos en un histograma Gaussiano estándar, es
decir, de media 0 y varianza 1 (Figura 1).
0,$±*HRHVWDGtVWLFD