Вы находитесь на странице: 1из 4

Variograma:

A esta funcin denotada por 2(h)


se le denomina variograma.
Utilizando la definicin terica de
la varianza en trminos del valor
esperado de una variable aleatoria,
tenemos:

La mitad del variograma (h), se
conoce como la funcin de
semivarianza y caracteriza las
propiedades de dependencia
espacial del proceso. Dada una
realizacin del fenmeno, la
funcin de semivarianza es
estimada, por el mtodo de
momentos, a travs del
semivariograma experimental, que
se calcula mediante:

Donde Z(x) es el valor de la
variable en un sitio x, Z(x + h) es
otro valor muestral separado del
anterior por una distancia h y n es
el nmero de parejas que se
encuentran separadas por dicha
distancia. La funcin de
semivarianza se calcula para varias
distancias h. En la prctica, debido
a irregularidad en el muestreo y
por ende en las distancias entre los
sitios, se toman intervalos de
distancia {[0, h], (h, 2h], (2h,
3h],L}y el semivariograma
experimental corresponde a una
distancia promedio entre parejas
de sitios dentro de cada intervalo y
no a una distancia h especfica.
Obviamente el nmero de parejas
de puntos n dentro de los
intervalos no es constante.
Parmetros de los variogramas:
Son tres los elementos que
caracterizan la variabilidad de un
atributo:
La discontinuidad en el origen
(existencia del efecto de pepita:
C
0
): Se denota por C
0
y representa
una discontinuidad puntual del
variograma en el origen. Puede ser
debido a errores de medicin en la
variable o a la escala de la misma.
En algunas ocasiones puede ser
indicativo de que parte de la
estructura espacial se concentra a
distancias inferiores a las
observadas.
El valor mximo de la variabilidad
(meseta: C
1
): Es la cota superior
del variograma. Tambin puede
definirse como el lmite del
variograma cuando la distancia h
tiende a infinito. La meseta puede
ser o no finita. Los variogramas
que tienen meseta finita cumplen
con la hiptesis de estacionariedad
fuerte; mientras que cuando
ocurre lo contrario, el variograma
define un fenmeno natural que
cumple slo con la hiptesis
intrnseca. La meseta se denota
por C
1
o por (C
0
+ C
1
) cuando la
pepita es diferente de cero. Si se
interpreta la pepita como un error
en las mediciones, esto explica
porque se sugiere que en un
modelo que explique bien la
realidad, la pepita no debe
representar mas del 50% de la
meseta. Si el ruido espacial en las
25 mediciones explica en mayor
proporcin la variabilidad que la
correlacin del fenmeno, las
predicciones que se obtengan
pueden ser muy imprecisas.
El rea de influencia de la
correlacin (alcance: a): En
trminos prcticos corresponde a
la distancia a partir de la cual dos
observaciones son independientes.
El rango se interpreta como la zona
de influencia. Existen algunos
modelos de variograma en los que
no existe una distancia finita para
la cual dos observaciones sean
independientes; por ello se llama
rango efectivo a la distancia para
la cual el variograma alcanza el
95% de la meseta. Entre ms
pequeo sea el rango, ms cerca
se est del modelo de
independencia espacial. El rango
no siempre aparece de manera
explcita en la frmula del
variograma. En el caso del modelo
esfrico, el rango coincide con el
parmetro a, que se utilizar en las
ecuaciones ms adelante. Sin
embargo, en el modelo
exponencial, el rango efectivo es
a/3 y en el modelo gaussiano es
a/((3)^1/2).

Modelos Tericos de Variogramas:
Modelo Esfrico: Tiene un
crecimiento rpido cerca al origen,
pero los incrementos marginales
van decreciendo para distancias
grandes, hasta que para distancias
superiores al rango los
incrementos son nulos. Su
expresin matemtica es la
siguiente:

En donde C
1
representa la meseta,
a el rango y h la distancia.
Modelo Exponencial: Este modelo
se aplica cuando la dependencia
espacial tiene un crecimiento
exponencial respecto a la distancia
entre las observaciones. El valor
del rango es igual a la distancia
para la cual el semivariograma
toma un valor igual al 95% de la
meseta. Este modelo es
ampliamente usado. Su expresin
matemtica es la siguiente:

Modelo Gaussiano: Al igual que en
el modelo exponencial, la
dependencia espacial se desvanece
solo en una distancia que tiende a
infinito. El principal distintivo de
este modelo es su forma
parablica cerca al origen. Su
expresin matemtica es:



Comparacin de los modelos
exponencial, esfrico y Gaussiano.
La lnea punteada vertical
representa el rango en el caso del
modelo esfrico y el rango efectivo
en el de los modelos exponencial y
gaussiano. Este tiene un valor de
210, respecto a una escala
simulada entre 0 y 300. El valor de
la meseta es 30 y el de la pepita 0.
El 95% de la meseta es igual a 28.5.
Modelos Monmicos:
Corresponden a los modelos que
no alcanzan la meseta (Fig. 11). Su
uso puede ser delicado debido a
que en algunos casos indican la
presencia de no estacionariedad
en alguna direccin.
Su frmula matemtica es la
siguiente:

Obviamente cuando el parmetro
q es igual a uno el modelo es lineal
y k representa la pendiente de la
ecuacin de regresin con
intercepto cero. Grficamente se
pueden representar as:

Modelo de Independencia (Pepita
Puro):
Es indicativo de carencia de
correlacin espacial entre las
observaciones de una variable. Es
comn sumar este modelo a otro
modelo terico de semivarianza,
para obtener lo que se conoce
como semivariograma anidado. Lo
anterior se sustenta en una
propiedad de los semivariogramas
que dice que cualquier
combinacin lineal de
semivariogramas con coeficientes
positivos es un semivariograma. Su
expresin matemtica es:

Su representacin grfica es la
siguiente:

Anlisis de anisotropa: Cuando el
semivariograma calculado en
diferentes direcciones (norte-sur,
este-oeste, y en direcciones
intermedias de 45 o de 22.5, con
tolerancia de 22.5o), muestra
similar comportamiento, se dice
que el fenmeno es Isotrpico,
cuando muestran diferentes
comportamientos es Anisotrpico.
Los tipos de anisotropas ms
comunes son la Geomtrica y la
Zonal.
Anisotropa Geomtrica: Est
presente cuando los
semivariogramas en diferentes
direcciones tiene la misma meseta
pero distintos alcance
Anisotropa Zonal: Est presente
cuando los semivariogramas en
diferentes direcciones tiene
diferentes mesetas y alcances.
Los problemas ms comunes al
modelar semivariogramas que
complican este proceso se analizan
en los siguientes casos:
Existencia de estructuras
anidadas: Indica que diferentes
procesos operan a diferentes
escalas, como por ejemplo alguno
o todos los siguientes: A muy
pequeas distancias la variabilidad
puede estar presente debido a
cambios de una composicin
mineral a otra. A pequeas
distancias la variabilidad puede
estar presente debido a errores. A
grandes distancia la variabilidad
puede estar presente debido a
casos transitorios de desgaste
mineral. El cual puede ser resuelto
aplicando varios modelos
simultneamente.
Existencia de efecto hueco: Indica
que muy pocos pares estn
disponible para la comparacin a
una distancia especfica. Y puede
ser resuelto recuperando ms
casos para la distancia definida.
La periodicidad est
presente: Indica que el
comportamiento del
semivariograma repite por s
mismo periodicidades, por
ejemplo: El valor de la meseta
puede aumentar o disminuir
sistemticamente, o un caso en
que los valores son tomados
alternativamente a travs de
diferentes estratos, como piedras
areniscas, esquistos, etc. Esto
puede ser resuelto si es un
problema real y no un antifaz del
anlisis, la periodicidad puede ser
tambin un fenmeno real
mostrado por zonal ricas y pobres
repetidas a espacios similares.

Variograma cruzado
Es la esperanza de la discrepancia
de la 1 variable por la discrepancia
de la 2da variable.
TEOREMA DEL LIMITE CENTRAL:
Establece que la media muestral x
es aproximadamente distribuido
NORMAL con media u y varianza
s^2/n y la aproximacion mejora
con el incremento del tamao de
la muestra (n>40): lim n->infinit
P[{x-u/(s/raiz cuad.(n))}<=X]=F(x).
EL EFECTO PEPITA (NUGGET): El
semivariograma por definicin es
nulo en el origen, pero en la
prctica las funciones obtenidas
pueden presentar discontinuidad
en el origen, a esta discontinuidad
se le llama efecto de pepita, en
ingles (Nugget effect). Puede ser
obtenido trazando una lnea recta
entre los primeros puntos del
semivariograma emprico y
extender sta hasta que se
intercepte con el eje Y. Si esta
interseccin ocurre por debajo de
cero, el valor asumido por este
efecto es cero, pues valores
negativos de o (0) no tienen
significado y no es comn. El
efecto pepita se representa como
Co.
DERIVA: En Geoestadstica lineal es
suficiente la estimacin de los dos
primeros momentos de la
distribucin. El primer momento
E[Z(x)] es conocido cmo deriva o
tambin tendencia.
ANISOTROPIA: Esta caracteristica
esencial de la variable
regionalizada se refiere a que
puede existir una direccion
privilegiada a lo largo de la cual los
valores no varian en forma
significativa mientras que ellos
varian en forma significativa a lo
largo de otra direccion.Estos
fenomenos son tambien conocidos
bajo el nombre de zonalidades.
HIPTESIS ESTACIONARIA DE
ORDEN 2. Diremos que una F.A.
Y(x) es estacionaria de orden 2 si la
V.A. Y(x0) admite una esperanza m
independiente del punto de apoyo
x0, y, si para todo vector h la
covarianza: K(h) = E[Y(x)Y(x + h)]-
m0^2 existe y no depende de x0.
Esta hiptesis (la cual no implica la
estacionaridad en sentido estricto,
tal como la definimos antes) es
suficiente para la teora de las V.R.
Sin embargo esta hiptesis supone
la existencia de una varianza a
priori finita K(0).
De manera general, diremos que
un fenmeno es regionalizado
cuando se desplaza en el espacio,
manifestando una cierta
estructura. Las ciencias de la
tierra, entre otras, nos
proporcionan numerosos
ejemplos. Si f(x) designa el valor
en el punto x de una caracterstica
f de este fenmeno, diremos que
f(x) es una variable regionalizada
es una variable aleatoria que tiene
una posicin en el tiempo y el
espacio.
Covariograma y Correlograma
La funcin de covarianza muestral
entre parejas de observaciones
que se encuentran a una distancia
h se calcula, empleando la formula
clsica de la covarianza muestral,
por:

Donde m representa el valor
promedio en todo punto de la
regin de estudio y n es el nmero
de parejas de puntos que se
encuentran a una distancia h.
Asumiendo que el fenmeno es
estacionario y estimando la
varianza de la variable
regionalizada a travs de la
varianza muestral, se tiene que el
correlograma muestral est dado
por:

Bajo el supuesto de
estacionariedad cualquiera de las
tres funciones de dependencia
espacial mencionadas, es decir
semivariograma, covariograma o
correlograma, puede ser usada en
la determinacin de la relacin
espacial entre los datos. Sin
embargo como se puede observar
en las frmulas, la nica que no
requiere hacer estimacin de
parmetros es la funcin de
semivarianza. Por esta razn,
fundamentalmente, en la prctica
se emplea el semivariograma y no
las otras dos funciones.
El covariograma tiene las
siguientes propiedades:
C(h) = C(h)
C(0) = Var*Z(s)+ 0 s D Rd
C(h) C(0) (Desigualdad de
Cauchy-Schwarz)
C(h) debe ser definida positiva.
En series de tiempo, estimaciones
del correlograma tradicionalmente
son usadas por los analistas para
diagnosticar la no estacionariedad,
la determinacin del tipo de
dependencia estacionaria, el ajuste
del modelo, etc. En geoestadstica
no constituye un instrumento ms
importante que el covariograma o
el variograma segn corresponda.
Anteriormente se vio que el
variograma est definido en
algunos casos donde el
covariograma no lo est, en
aquellos casos cuando, en base a
los datos se estime sta ltima
funcin, se estimara un parmetro
inexistente. Cressie (1991) aporta
justificativos tericos de la
preferencia de la estimacin del
variograma a la del covariograma.
Teniendo en cuenta que las
funciones aleatorias intrnsecas
son ms generales que las
estacionarias, sumado a los
resultados citados en el prrafo
anterior hablan a favor del uso en
Geoestadstica del variograma
(semivariograma) en lugar del
covariograma, aunque la razn
principal es la costumbre entre los
que habitualmente recurren a las
herramientas geoestadsticas para
enfocar sus problemas. Por lo
tanto en esta tesis se trabajar con
el variograma (semivariograma).
Alcance: conocido tmb como radio
de fluencia mide el grado de
afinidad de la VR

Вам также может понравиться