Академический Документы
Профессиональный Документы
Культура Документы
1
γ1 (K) = ({| < ([ + K) − < ([) |}
2
γ (K)
= π ≈1.77 (independiente de K).
γ1 (K)
Basta con verificar esta relación con los variograma y madograma experimentales de
los datos Gaussianos.
7HUFHUWHVWYDULRJUDPDVGHLQGLFDGRUHV
Al igual que para el test anterior, existe una relación entre el variograma de la variable
Gaussiana y el variograma γI,Ç (K) de la variable indicador:
È
1 ÉÊ ËÍÌ9ÎÍÏ [1−γ ( )] \2
γ Ñ ,Ð (K) = * ( \ )[1− * ( \ )] − ]Gθ
2 π ∫0
exp[ −
1+ sen θ
5) Comparar este variograma experimental con la expresión teórica obtenida en el paso 2).
0,$±*HRHVWDGtVWLFD
6) Repetir el procedimiento (pasos 2 a 5) para varios valores del umbral \, por ejemplo,
para los cuartiles de la distribución.
3URSLHGDGHVFDUDFWHUtVWLFDVGHOPRGHORPXOWL*DXVVLDQR
1) Si el umbral \ tiende a infinito, el variograma γI,Ç (K) tiende a su meseta *(\) [1 − *(\)]
cualesquiera K, es decir, los variogramas de indicadores asociados a umbrales extremos
se vuelven pepíticos. En otras palabras, la ocurrencia de valores extremos es puramente
aleatoria, de modo que el modelo multi-Gaussiano es inapropiado cuando los valores
extremos están espacialmente correlacionados, en particular cuando están agrupados en
ciertas zonas del campo (Figura 8).
0,$±*HRHVWDGtVWLFD
2) La expresión del variograma de indicador γI,Ç es invariante cuando se cambia \ en –\: la
continuidad espacial de los indicadores es simétrica con respecto al umbral mediano
(0). Esto se traduce por una igualdad entre los variogramas de indicadores asociados
con cuantiles simétricos con respecto a la mediana. En términos más intuitivos, las
características (anisotropía, continuidad a pequeña escala...) que se manifiestan para los
valores bajos también caracterizan los valores altos.
6LPXODFLyQFRQGLFLRQDO
$OJRULWPRVHFXHQFLDO
Supongamos que se busca simular una función aleatoria multi-Gaussiana < de media 0
y variograma γ(K) en los sitios {X1,... XÒ } del espacio, condicionada a los datos Gaussianos
disponibles en los sitios {[1,... [Ó }. El algoritmo secuencial procede de la siguiente manera.
Para cada sitio X Ô (L = 1,... P):
1) Realizar el kriging de <(X Ô ) a partir de los datos condicionantes {<([1),... <([Ó )} y de los
valores previamente simulados {<(X1),... <(X Ô -1)}. Como resultado, se obtiene un valor
estimado <*(XÔ ) y una desviación estándar σ*(X Ô ).
2) Simular un valor Gaussiano, cuya media es igual a<*(X Ô ) y cuya desviación estándar es
igual a σ*(X Ô ):
< (X Õ ) = < * (X Õ ) + σ* (X Õ ) 1 Õ ,
0,$±*HRHVWDGtVWLFD
los más cercanos del sitio a simular, es decir, se utiliza una YHFLQGDGPyYLO en lugar de la
vecindad única requerida en teoría. A su vez, esta restricción introduce aproximaciones /
imprecisiones en los valores simulados, lo que requiere ciertos “ trucos” para minimizar sus
efectos:
Uso de JULOODVP~OWLSOHV (cuando los sitios a simular están ubicados en una grilla): se
hace la simulación primero en una malla amplia, luego en mallas más pequeñas. Por
ejemplo, se simula uno de cada 10 sitios en cada dirección de la grilla, luego uno de
cada 5 sitios y finalmente los sitios restantes. La idea es que la simulación en mallas
amplias puede hacerse con una vecindad única (por ende, sin aproximación) puesto
que estas mallas contienen pocos sitios, luego la simulación en las mallas pequeñas
se apoyará en estos valores “ bien” simulados.
Es interesante notar que siempre existe una discrepancia entre el variograma simulado
(o sea, el variograma experimental calculado sobre una realización de la función aleatoria)
y el modelo de variograma. Esta discrepancia, llamada IOXFWXDFLyQHVWDGtVWLFDoIOXFWXDFLyQ
HUJyGLFD, se debe a que la realización no posee un campo infinito. La teoría indica que la
fluctuación esperada es pequeña cerca del origen y aumenta con la distancia (esto explica la
falta de robustez del variograma experimental para grandes distancias, ver capítulo 4).
0,$±*HRHVWDGtVWLFD
)LJXUD Sesgo en la reproducción del variograma producido por el
algoritmo secuencial implementado con una vecindad móvil
2WURVDOJRULWPRV
Los cuatro últimos algoritmos generan realizaciones no condicionales (es decir, que no
reproducen los valores de los datos). El condicionamiento de las realizaciones requiere una
etapa adicional basada en un kriging simple. Aunque son matemáticamente más complejos,
estos algoritmos son más rápidos que el algoritmo secuencial por dos razones: 1) el sistema
de kriging sólo involucra a los datos originales (no a los valores simulados) y 2) se puede
condicionar múltiples realizaciones con un solo kriging.
0,$±*HRHVWDGtVWLFD