MI68A Clase 2

Fundamentos de Geoestadstica
En la mayora de las situaciones, un modelamiento deterministstico de la
variable regionalizada en estudio no es concebible, dada la gran complejidad
de esta variable.

Un modelo probabilstico es ms adecuado, pues permite considerar tanto
lo que se conoce de la variable regionalizada (mediciones disponibles por la
toma de muestras) como lo que se desconoce (concepto de probabilidades).
Por qu recurrir a un modelo probabilstico para estudiar variables
regionalizadas?
Lmites de la estadstica clsica

Se considera las observaciones como realizaciones independientes de una misma
variable aleatoria.
Esta interpretacin impide una previsin precisa de un valor no muestreado
El modelo geoestadstico

Se considera interacciones entre las observaciones, de modo de tomar en
cuenta sus dependencias espaciales

Aqu, se puede prever el valor en un sitio no muestreado gracias a su
interaccin con los sitios circundantes
Formalizacin matemtica

Se interpreta cada valor de la variable regionalizada en estudio z(x) como una
realizacin de una variable aleatoria Z(x)
aspecto errtico continuidad espacial
variables aleatorias correlacionadas
Las variables {Z(x), x R
d
} constituyen una funcin aleatoria
la variable regionalizada es una realizacin de una funcin aleatoria

Cuidado
Las diferentes variables aleatorias {Z(x
1
),Z(x
2
)... Z(x
p
)} NO son independientes
Caracterizacin de una variable aleatoria
Una variable aleatoria Z se caracteriza por una distribucin de probabilidad, la
cual se representa por medio de:
una funcin de distribucin:
una densidad de probabilidad (variable continua) o una masa de probabilidad
(variable discreta).
z R, F(z) = Prob(Z < z)
Se suele considerar parmetros sintticos (llamados momentos) para describir
la distribucin de probabilidad:
esperanza (momento de primer orden)
varianza (momento de segundo orden)
Caracterizacin de una funcin aleatoria
Una funcin aleatoria {Z(x), x R
d
} se caracteriza por una distribucin espacial
(o ley espacial):
n N, x
1
, ... x
n
R
d
, z
1
, ... z
n
R,
F(z
1
,... z
n
; x
1
, ... x
n
) = Prob(Z(x
1
) < z
1
,... Z(x
n
) < z
n
)
Como casos particulares, cabe destacar:
distribucin univariable:
distribucin bivariable:
F(z
1
; x
1
) = Prob(Z(x
1
) < z
1
)
F(z
1
, z
2
; x
1
, x
2
) = Prob(Z(x
1
) < z
1
, Z(x
2
) < z
2
)
Hiptesis simplificadoras
Para que la descripcin anterior sea operatoria, es necesario poder inferir todo o
parte de la distribucin espacial a partir del conjunto de datos disponibles. En
general, se hacen dos hiptesis simplificadoras:
estacionaridad: la distribucin espacial es invariante por traslacin en el
espacio
n N, x
1
, ... x
n
R
d
, h R
d
, z
1
, ... z
n
R,
F(z
1
,... z
n
; x
1
, ... x
n
) = F(z
1
,... z
n
; x
1
+ h, ... x
n
+ h)
ergodicidad: se puede aproximar las esperanzas matemticas (promedio
sobre las realizaciones) por un promedio en el espacio
Estas dos hiptesis constituyen una decisin por parte del usuario: en rigor, no
son refutables. La estacionaridad es juiciosa cuando existe una homogeneidad
de las propiedades de la variable regionalizada en el espacio (de aqu la utilidad
del estudio exploratorio de datos).
Momentos de una funcin aleatoria
Es ilusorio querer caracterizar enteramente la distribucin espacial a partir de un
nmero restringido de datos. Por consiguiente, a menudo slo se considera los
parmetros ms relevantes o primeros momentos, los cuales son:
esperanza de un valor: m = E[Z(x)]
varianza de un valor: s
2
= var[Z(x)]
covarianza entre dos valores: C(h) = cov[Z(x + h),Z(x)]
variograma entre dos valores: g(h) = var[Z(x + h) Z(x)] / 2

Los parmetros lejos los ms importantes son los dos ltimos, pues se refieren a
la interaccin existente entre dos valores, luego dan una imagen sinttica de la
continuidad de la variable regionalizada en el espacio. La covarianza indica qu
tan semejantes son los valores entre dos sitios, mientras que el variograma qu
tan desemejantes son.
Relaciones entre los momentos
El variograma y la covarianza estn relacionados entre s:
C(h) = g() g(h)
g(h) = C(0) C(h)
La varianza es el valor de la covarianza para una distancia h = 0:
s
2
= C(0)
Cuando la distancia de separacin h se vuelve infinita, la covarianza tiende a 0
y el variograma es igual a la varianza.
Inferencia estadstica
esperanza media (desagrupada) de los datos
Las hiptesis de estacionaridad y ergodicidad permiten estimar los parmetros
de la distribucin espacial a partir de un conjunto de datos experimentales (i.e.
mediciones tomadas en muestras):
distribucin univariable histograma (desagrupado) de los datos
distribucin bivariable nube de correlacin diferida
variograma variograma experimental de los datos
Ejemplo: datos mineros (1)
Distribucin univariable
Ejemplo: datos mineros (2)
Distribucin bivariable para dos distancias
Ejercicio
Inferir la media y el variograma a partir del siguiente conjunto de datos
espaceados 10m:
1.0 0.7 0.5 0.9 1.1 1.4 1.0 1.2 0.8 0.4
Herramientas requeridas
estimacin local de la variable (kriging) media y variograma
La tcnicas que veremos en el curso tienen distintos niveles de requerimientos
simulacin distribucin espacial completa (en general, modelada a partir
de las distribuciones bivariables)
Se busca evaluar los valores en sitios no muestreados (evaluar los recursos
contenidos en un yacimiento)
Se busca estimar funciones complejas de la variable (reservas recuperables
sobre una ley de corte), o bien caracterizar la incertidumbre en los valores
no muestreados (anlisis de riesgo)