Curso de Geoestadística

3. Análisis Estructural

Ramón Giraldo H.
PhD. Estadística
Profesor Departamento de Estadística
Universidad Nacional de Colombia
 Variable Regionalizada

• Es un proceso estocástico con dominio

definido en un espacio euclidiano m-
dimensional Rm

• Si m = 2, Z(x), a una variable aleatoria

medida en un punto x del plano.
• D: Fijo y Continuo.
Estacionariedad Fuerte

EZ x  m x  D  R m

CovZ x , Z x  h  C h  

 Estacionariedad Débil

EZ x   Z ( x  h)  0

V Z x   Z ( x  h)  2 h   
estacionario

No estacionario
 Variograma
Esta función permite medir la relación que existe entre los datos de
acuerdo con la cercanía (h) entre los sitios

V Z  x   Z ( x  h)  E Z x   Z ( x  h)  E Z x   Z ( x  h)

2 2

 E Z  x   Z ( x  h)
2

Cálculo con datos de una muestra de sitios (estimador

de momentos)

2ˆ h  
 z x  h   z x  2

nh 
Otras Medidas de Correlación Espacial

C(h)     (h)
2

 h 
 h   1  2

 Semivariograma y Correlograma

Correlograma
Semivar.
Meseta

Pepita Rango h
Variograma
Función de Covarianza
 Ilustración

44 40 42 40 39 37 36

42 43 42 39 39 41 40 38

37 37 37 35 38 37 37 33 34

35 38 35 37 36 36 35 200

36 35 36 35 34 33 32 29 28

38 37 35 30 29 30 32

100
 Cálculo del Semivariograma

 (100)38  37   37  35  ... 37  36

2 2 2

 (200)38  35  35  30  ... 39  36

2 2 2

El semivariograma experimental se calcula

mediante la suma de los cuadrados de las
diferencias entre observaciones que se encuentran
a una distancia h (en el ejemplo 100, 200, 300, etc)

Ejercicio: calcular el valor del variograma empírico a

distancia 100
Semivarianza Datos de la Ilustración
Distancia Semivariograma

100 3.403

200 6.258

500 19.750

775 23.259

Semivariograma
25
20
15
10
5
0
0 500 1000
Semivariograma Empírico y Ajuste de un
modelo teórico
Modelo de Variograma
Gaussiano

  h2  
 ( h)  C1 1  exp 
2 
  a 
Cálculo del variograma en dirección




 Variograma “Cloud”

This is an example of
a variogram produced
using ArcGIS's
Geostatistical Analyst.

[ Z ( si )  Z ( s j )]2
 ij 
2
Modelos teóricos de variograma
  3  h 1  h 3
C1        ha
Esférico  ( h)    2  a  2  a  

 C1 ha

  3h  
 ( h)  C1 1  exp 
Exponencial   a 

  h2  
 ( h)  C1 1  exp 
Gaussiano 2 
  a 
0 if h  0
Efecto Nugget  ( h)  
1 otro caso
Modelos de
Semivariograma
 Parámetros del Variograma Teórico
Pepita:
Se denota por C0 y representa una discontinuidad puntual del semivariograma en el
origen. Puede ser debido a errores de medición 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.
Meseta
Varianza de los datos. Se denota por C1 o por (C0 + C1) cuando la pepita es
diferente de cero. 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
mediciones explica en mayor proporción la variabilidad que la correlación del
fenómeno, las predicciones que se obtengan pueden ser muy imprecisas.
Rango
• Es la distancia hasta la cual hay correlación entre los datos. Entre más pequeño sea
el rango, más cerca se esta del modelo de independencia espacial. El rango no
siempre aparece de manera explícita en la fórmula del semivariograma.
 Comparación de modelos Teóricos de
Variograma

30

25
Semivariograma

20
Esférico
15 Exponencial
Gaussiano
10

0
0 50 100 150 200 250 300
Distancia(h)
 Otras Medidas de Correlación Espacial

C(h)     (h)
Covariograma
2

 h 
 h   1  2
Correlograma


Es más fácil trabajar con el variograma
 Test de Montecarlo
de Correlación Espacial
Isotropía: Igual Correlación en todas las
direcciones
 Anisotropías

Anisotropías :

Generalmente cuando el variograma experimental es

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

Anisotropía Geométrica

Anisotropía Zonal

Anisotropía Híbrida
 Anisotropía: hay más correlación en una
dirección que en otra.

Anisotropía. Mayor correlación en

Anisotropía y tendencia. dirección 0 grados. Es más fácil
Mayor Correlación en dir 90 grados detectarla bajo estacionariedad.
(linea verde). Dificil detección!!
 Anisotropía Geométrica

Anisotropía Geométrica :

Es aquella en la que el 3

variograma en distintas
2,5
direcciones presenta el mismo
sill pero rangos distintos 2

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

0
Menor continuidad espacial en 0,0 0,9 2,0 3,0 4,1 5,1 6,2 7,2 8,3 9,3 10,4 11,4

la dirección de menor rango Distancia

 Anisotropía Zonal

Anisotropía Zonal :

3,5

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

Variograma
rango pero diferente sill 1,5

Presencia de diferentes 0,5

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
 Anisotropía Híbrida

Anisotropía Híbrida :

Es aquella en la que el 4,5

variograma en distintas 4
direcciones presenta 3,5
rangos diferentes y 3

Variograma
distintos sill. 2,5
2
Presencia de diferentes 1,5

estructuras 1
0,5
0
Característico de variogramas 0 0,6 1,2 1,8 2,4 3 3,6 4,2 4,8 5,4 6 6,6 7,2
horizontales y verticales Distancia
Mapa de Variograma: isovalores del variograma experimental
en función de la separación (distancia y orientación). Caso
de anisotropía geométrica (en cualquier dirección el valor
máximo es 1 = sill)
 Modelos de variograma anisotrópicos

-Anisotropía geométrica:
Puede ser corregida por una transformación lineal de
coordenadas que permita reducir una elipse a un circulo.

-Anisotropía zonal:
puede ser corregido separando el semivariograma en sus
componentes isotrópicos horizontal y anisotrópico vertical.
Estimación de la Estructura de Correlación

Mínimos Cuadrados
(Usando el variograma muestral)

1.1. Ordinarios
1.2 Ponderados
1.3. Cuasi-Verosimilitud

2. Geoestadísitcia Basada en Modelo

(No se usa el variograma muestral)

2.1. Máxima-Verosimilitud
2.2. MV Restringida
2.3. Bayesiana
Métodos para ajustar el variograma

1) choose the most likely candidate model

2) Methods for estimating the parameters of the model :

 non-linear least squares estimation – allows for the estimation of

parameters that enter the equation non-linearly but ignores any
dependences among the empirical variogram values

 non-linear weighted least-squares – generalized least squares in

which the variance-covariance of the variogram data points is
accounted for in the estimation procedure

 maximum likelihood assuming the data are Normally distributed but

the estimators are likely to be highly biased, especially in small
samples (the usual remedy is jackknifing)

 restricted maximum likelihood – maximize a slightly altered likelihood

function which reduces the bias of the MLEs
Estimación por Mínimos Cuadrados

OLS ( )  min  ˆu    u; 

2

WLS ( )  min  n(u)ˆu    u; 

2

2
QL ( )  min 
1
ˆu    u; 
 u; 
Estimación por Mínimos Cuadrados

Sill   
2 2
2,0

1,6

Semivariance
1,2

2
0,8
Nugget Range 
0,4

0,0
0 10000 20000 30000
Distance
  3

2 3  u  1  u  
  
2
    u 
 (u; )  2   2    Esferical
  
  
2 2
u 
Exponential
   3u  
 (u; )  2   2 1exp    Matern
    k  .5

   u2 
 (u; )    1exp  2  
2 2 Gaussian
k 
    Matérn
 Distribución Normal Multivariada

 Y ( s1 )     ( s1 )   2  C ( s1 , sn )  
       
Y ( s)     ~ N   ( s)    ,       
Y (s )     (s )   C (s , s )   
 n    n   n 1  2


 
 1    
f (Y ( s ))  exp (Y ( s)   ( s ))  (Y ( s)   ( s ))
T 1

(2 ) 2 
1/ 2
 Geoestadística Basada en Modelo

Modelo
Y ( x)  S ( x)  Z ( x)
Observaciones Señal Ruido

 S ( x1 ) 
   Z ( x1 ) 
S ( x)     ~ MVN   ,  2 R   
~  Z ( x)     ~ MVN  0,  2 I 
 S(x )
~
~
 Z (x ) ~ 
 n 
 n 

 1 12  1n 
 
1  2n 
,  u   ij  Corr S ( xi ), S ( x j ) , u  xi  x j

R 
 
 
 
 1 
 Estimación Máximo Verosímil

   2,  2 ,   Parámetros deG( )   2

I   2 R ,   X

l  ,    
1
2

log G     y  X  G    y  X 
T 1
 Log-Verosimilitud

ˆ    X G( ) 1 X  X G( ) 1Y 

1

  
l ˆ ,   log G    y  Xˆ
1
2
  G  y  Xˆ 
T 1

 
l ˆ ,  es maximizada numéricamente Estimación MV
1
2
1
  1
 
L*     log G    log X G   X y  Xˆ G   y  Xˆ   


L*   Es maximizada numéricamente MV Restringida

Las estimaciones difieren!!
OLS, WLS

ML, REML