Anda di halaman 1dari 104

Ctedra

de
Anlisis Geoestadis0co

Docente: Ing. Marcelo Andrs Prez


1A.E.D. 2- A.E. 3.Estimacin

- Histogramas ( Distribucion , casos atipicos,


Variograma (semivariograma) Kriging Ordinario
Kriging Universal
tendensias) Kriging Simple
n
-Uso de Estadisticas descriptiva
1 2
Kriging residual
tendencia central, medidas de dispersion,
medidas de forma. (h) = [Z
x x+h Z ] Co-Kriging
Otros.

- Media , Moda , Mediana


2n(h) i =1
- desviacion estandar y varianza
- Coeficiente de curtosis, sesgo y variacion.
(h) = Semivarianza
- Distribucion Normal
h= distancia
Autocorrelation Espacial (Ej Indice de Moran) n(h) = Nmero total de pares de datos definidos para
un distancia definida (lag)
Z = valores de la variable para un punto especfico

Estudio direcional de fenomeno (Anisotropia)


Justificacin del Anlisis Exploratorio de Datos Espaciales .

En la aplicacin de la geoestadstica es de suma importancia, al igual


que en otros procedimientos estadsticos (por ejemplo los modelos
ARIMA dentro de la teora de series de tiempo), el anlisis grfico. La
identificacin de valores extremos y su ubicacin geogrfica, la
evaluacin de la forma de la distribucin y el clculo de medidas de
localizacin, variabilidad y correlacin es muy importante para
establecer si algunos supuestos necesarios para la aplicacin de la
teora geoestadstica son vlidos o para definir que procedimiento
de prediccin es el ms conveniente.

Por ejemplo, la decisin de usar kriging ordinario o kriging universal se


fundamenta en identificar si la media es o no constante en la regin. El
uso de kriging log-normal se basa en un criterio emprico relacionado
con la forma asimtrica de la distribucin de los datos muestrales. La
decisin de emplear cokriging depende de la deteccin de asociaciones
entre las variables.
Objetivos del Anlisis Exploratorio de datos:

1) Analizar (mediante herramientas estadsticas simples) la cantidad,


la calidad y la
ubicacin de los datos disponibles.

2) Definir la(s) zona(s) de estudio. Una divisin del campo en varias


sub-zonas puede
ser relevante si uno observa cambios abruptos en la distribucin
espacial de valores,
o si la geologa del fenmeno lo indica.

3) Anticipar dificultades o problemas que puedan surgir en la fase de


estimacin local
(por ejemplo, presencia de valores atpicos que se destacan de
aquellos de los datos
vecinos).
1.A.E.D.
Distribucin normal
Una distribucin de probabilidad sigue una distribucin normal, cuando la representacin grfica de su funcin de
densidad es una curva positiva continua, simtrica respecto a la media, de mximo en la media, y que tiene 2 puntos de
inflexin situados a ambos lados de la media y a distancia igual a la desviacin estndar, es decir de la forma

Tiene una nica moda, que coincide con su media y


su mediana

La curva normal es asinttica al eje de abscisas.

Es simtrica con respecto a su media. Segn esto,


para este tipo de variables existe una probabilidad
de un 50% de observar un dato mayor que la
media, y un 50% de observar un dato menor.

Cuanto mayor sea la desviacin estndar, ms se


dispersarn los datos en torno a la media y la curva
ser ms plana. Un valor pequeo de este
parmetro indica, por tanto, una gran probabilidad
de obtener datos cercanos al valor medio de la
distribucin

La curtosis es igual a cero (0).


El coeficiente de sesgo es igual a cero (0)
Probabilidad de Distribucin Normal
Probabilidad de distribucin Log -Normal
Conceptos bsicos de estadstica

Estads'ca descrip'va: se dedica a los mtodos de recoleccin, descripcin,


visualizacin y resumen de datos originados a par0r de los fenmenos de estudio

Para analizar los datos usualmente se construyen las tablas de


frecuencias y se utilizan:

- La media
- Mediana Medidas de tendencia central
- Moda

- Desviacin estndar Medidas de dispersin
- Varianza
- Coeciente de variacin


- Coeciente de curtosis Medidas de forma
- Coeciente de sesgo
a. Medidas de tendencia central
Intentan identificar el dato ms representativo de la distribucin del
conjunto. Son las siguientes.

Media. Se le suele llamar promedio, se define como la suma de los


valores de todas las observaciones divididas por el nmero total de
datos. Se denota con o X.

En su clculo intervienen todos los datos, por lo tanto, se ven


influenciados por la variacin de cualquiera de ellos. En particular, es
sensible a los valores extremos, pues estos producen grandes
modificaciones.
Mediana. Es el valor de la serie de datos que deja la mitad de las observaciones por debajo
de ella y la otra mitad por encima, es decir, divide al conjunto de datos en dos partes
iguales y se denota por Me.

Dado que slo depende del orden de los datos, tiene la ventaja de que no es sensible a los
valores extremos.

En datos agrupados se calcula de la siguiente forma.

1. Calcular: n/2
2. La mediana ser el valor de la variable cuya frecuencia absoluta acumulada primero
iguale o supere a N/2. Este ser el intervalo en el que se encuentra la mediana.
Moda. Es el dato que ms veces se repite, es decir, aquel dato o rango que
presenta mayor frecuencia absoluta. Puede haber ms de una moda en una
distribucin. Se denota por Mo.
b. Medidas de dispersin

Las medidas de dispersin indican la mayor o menor concentracin de los


datos con respecto a las medidas de centralizacin. Nos dan una idea sobre la
homogeneidad o que tan agrupado estn los datos.

Desviacin estndar. Indica cunto tienden a alejarse los valores puntuales de la


media. Se suele representar por una S. Una desviacin estndar grande indica
que los puntos estn lejos de la media, y una desviacin pequea indica que los
datos estn agrupados cerca de la media.
Varianza. Describe la variabilidad de la distribucin. Es la medida de la
desviacin o dispersin de la distribucin. Se calcula mediante la ecuacin.

Coeficiente de variacin. Mide la representatividad de la media. Valores extremos


del mismo nos llevarn a concluir que la media no es representativa, es decir,
existirn valores entre las observaciones que se separan significativamente de las
dems.
c. Medidas de forma

Miden el grado de deformacin respecto a una curva patrn (distribucin


normal).
Coeficiente de curtosis. Mide el grado de aplastamiento o apuntamiento de
la grfica de la distribucin de la variable estadstica. Datos concentrados
respecto a la media (desviacin estndar pequea) dar una grafica alargada;
si los datos estn dispersos la grfica ser achatada o aplastada.

Baja concentracin Normal concentracin Alta concentracin


Coeficiente de sesgo o asimetra: Evala el grado de distorsin o
inclinacin que adopta la distribucin de los datos respecto a su valor
promedio tomado como centro de gravedad.

El coeficiente de simetra de Pearson es:

Si CS = 0, la distribucin es simtrica, en ese caso las desviaciones a la


derecha y a la izquierda de la media se compensan.

Si CS < 0, la distribucin es asimtrica nega0va. La mayora de las
observaciones estn a la derecha de la proyeccin de la media.



Si CS > 0 la distribucin es asimtrica posi0va. La mayora de las
observaciones estn a la izquierda de la proyeccin de la media.
Tablas de Frecuencias

Una forma de presentar ordenadamente un grupo de observaciones, es a travs de


tablas de distribucin de frecuencias. Para construir una tabla de frecuencia se deben
ordenar los datos de menor a mayor e incluir los siguientes parmetros.

Es el nmero de datos que estn en un


Frecuencia Absoluta (ni)
mismo intervalo.
Es la frecuencia absoluta dividida por el
Frecuencia Rela'va ()
nmero total de datos.

Es la suma de las frecuencias absolutas de


todos los valores inferiores o iguales al valor
Frecuencia Absoluta Acumulada (Ni)
considerado. La l'ma frecuencia absoluta
acumulada es igual al nmero de casos.

Es el resultado de dividir cada frecuencia


Frecuencia Rela'va Acumulada (Fi) absoluta acumulada por el nmero total de
datos.
Indica el nmero de intervalos en que se
Numero de clases
agruparan los datos.
Se ob'ene al dividir por dos, la diferencia
Amplitud de la clase o intervalo
del valor mximo y mnimo de los datos.
Es el promedio de la suma del lmite
Marca de clase
superior e inferior de cada intervalo o clase.
En el caso de datos agrupados se debern determinar el nmero de
intervalos, la amplitud de los mismos y la marca de clase, de la
siguiente forma:

(Cesar Perez)
Trabajo practico.

Con el fin de que este sea un ejemplo prctico para abordar el anlisis
geoestadistico con ArcGIS, ilustraremos todo los conceptos con un ejemplo a
partir de datos de monitoreo de niveles piezomtricos de agua subterrnea que se
presentan en la tabla siguiente. Para ello se seguirn los siguientes pasos.

Para resumir, los pasos a seguir en el anlisis exploratorio de los


datos son los siguientes.

1. Organizar los datos de menor a mayor.
2. Calcular la tabla de frecuencia.
3. Realizar el histograma de frecuencias.
4. Calcular los parmetros geoestads0co.
5. Vericacin de la normalidad con respecto a la media, moda y mediana.
6. Vericacin de la normalidad con respecto a la asimetra horizontal
(coeciente de sesgo).
7. Vericacin de la normalidad con respecto al coeciente de variacin.
8. Realizacin de la transformacin de los datos, si es necesario.
9. Recalculo de los parmetros estads0cos y comparacin para vericar la
normalidad de los datos.
1.- Resolver con la base de datos entregadas

Tabla de frecuencias

frecuencia frecuencia
Marca de frecuencia frecuencia
No Intervalo absoluta rela'va
clase absoluta rela'va
acumulada acumulada

K=
a=
Marca clase =
2 -Resolver

Grafique el histograma de frecuencias:


A partir de la tabla anterior se construye el histograma de frecuencias,
el cual nos da una idea del comportamiento de los datos.
3- Calcular los parmetros geoestadstico

Datos no Mdulo Geosta's'cal


Parmetro Datos agrupados Observaciones
agrupados analyst de ArcGIS

Media
Mediana
Moda

Desviacin estndar

Varianza
Coeciente de

Variacin

Curtosis

Sesgo o asimetra
Parmetros de validacin de Normalidad en los datos.

Respecto parmetros de tendencia central.



Me = Mo= ( Su variacin mxima entre ellas debe ser de una
unidad (1). (Cesar Prez)

Respecto parmetros de forma

En el caso de exis0r asimetra horizontal , se propone segn (Wester-
Oliver), lo siguiente:

CS = 0

0<|CS|<0.5, se acepta la funcin de distribucin de probabilidad
como normal, se puede aplicar el mtodo geoestads0co a los
datos.
0.5<|CS|<1, es necesario realizar una transformacin de datos
(normalizacin) de 0po raz cuadrada.

|CS|>1, es necesario hacer una transformacin de 0po logartmico
(ln o log)

Por coeciente de variacin.

Tanto la funcin de distribucin de los datos como la varianza son funciones de la


media la cual es altamente sensible a los valores extremos. En consecuencia se debe
tener conocimiento de la afectacin de estos valores extremos sobre la media, para
ello se calcula el coeciente de variacin.

En todo caso se debe vericar lo siguiente.


Si CV < 100, no hay problema con los valores extremos de los datos

Si 100<CV<=200, Los efectos causados por los valores extremos de los datos son
tolerables

Si CV>200, se 0ene problemas severos con los valores extremos de los datos.
Esto es importante, pues en caso de que los valores extremos de los datos afecten a
la muestra o a la distribucin de los mismos, se deber analizar si es conveniente
eliminarlos en caso que obedezcan a un error en la medicin o hacer una
transformacin de los datos para reducir su inuencia en la muestra.
Clase 25-Nov
Laboratorios (Resumen)

1.-Distribucin normal y log-normal (Ejemplo)


2.- Estudio exploratorio de datos (procedimiento, herramientas de anlisis,
valores aepicos, etc)
3.- Variograma experimental (clculo, parmetros, interpretacin) Ejemplo
(si es que alcanzo) Modelamiento de variogramas + ejemplo
4.- Calculo de Error de Muestras (Intervalos de conanza)

5.- Interpretacin de varogramas
6.- Mapas variogracos
7.- Eleccin de la direccin del calculo variograco (Anisotropa)
8.-Modelamiento de variograma o ajuste del variograma experimental.
K=8
a= 4,17

frecuencia absoluta frecuencia rela'va


No Intervalo Marca de clase frecuencia absoluta frecuencia rela'va
acumulada acumulada

1 2,0076 - 6,1776 4,0926 29 29 0,55 0,55

2 6,1776 -10,3476 8,2626 7 36 0,13 0,68

3 10,3476 -14,5176 12,4326 6 42 0,11 0,79

4 14,5176 -18,6876 16,6026 4 46 0,08 0,87

5 18,6876 -22,8576 20,7726 1 47 0,02 0,89

6 22,8576 -27,0276 24,9426 4 51 0,08 0,96

7 27,0276 -31,1976 29,1126 1 52 0,02 0,98

8 31,1976 -35,3676 33,2826 1 53 0,02 1


35

30 29

25

20

15

10
7
6

5 4 4

1 1 1

0
2,0076 - 6,1776 10,3476 14,5176 18,6876 22,8576 27,0276 31,1976
6,1776 -10,3476 -14,5176 -18,6876 -22,8576 -27,0276 -31,1976 -35,3676

Serie1
Resultado de los parmetros Geo-estadis'cos del A. E
D.
Datos Datos no Mdulo Geosta0s0cal
Parmetro Observaciones
agrupados agrupados analyst de ArcGIS
Media 9.443 93.776 93.776
Mediana 4.81 5.869 5.869
Moda 4.378 - -
Desviacin
7.74 8.0421 8.0421
estndar
Varianza 6,044 6,4675 6,4675
Coeciente de
82% 85.8% 85.75%
Variacin
A la curtosis que calcula ArcGIS se
Curtosis 1.38 1.4709
le debe restar 3

Sesgo o asimetra 1.46 1.4773

Necesitamos una trasformacin de Normalidad ????



Algunos

-Log-Normal
Siempre ???
- Raiz Cuadrada
- Z- score ( para datos mul0clase en mtodos de integracin espacial)
Repasando lo analizado
Se observa la media, la mediana y la moda son diferentes
Media = 9.3776
Mediana = 5.869
Moda = 4.378 Diferencia > 1

CS = 1.46, valor mayor que 1, por lo tanto es necesario aplicar una transformacin de
0po logartmico a los datos.
0<|CS|<0.5, se acepta la funcin de distribucin de probabilidad
como normal, se puede aplicar el mtodo geoestadstico a los
datos.

0.5<|CS|<1, es necesario realizar una transformacin de datos


(normalizacin) de tipo raz cuadrada.

|CS|>1, es necesario hacer una transformacin de tipo logartmico


(ln o log)
CV = 85.8 < 100, lo cual indica que no hay problemas con valores extremos.
Si CV < 100, no hay problema con los valores extremos de los datos
Si 100<CV<=200, Los efectos causados por los valores extremos de los datos son
tolerables
Si CV>200, se tiene problemas severos con los valores extremos de los datos

Siempre ???
Log-Normal

frecuenc
frecuencia ia
frecuencia
Marca de clase frecuencia absoluta absoluta rela0va
No Intervalo Intervalo rela0va
acumulada acumula

da

1 0,6969 -1,0569 0,88 7 7 0,13 0,13


2 1,0569 -1,4153 1,24 10 17 0,19 0,32
3 1,4153 -1,7737 1,59 10 27 0,19 0,51
4 1,7737 -2,1321 1,95 5 32 0,09 0,6
5 2,1321 -2,4905 2,31 7 39 0,13 0,74
6 2,4905 -2,8489 2,67 6 45 0,11 0,85
7 2,8489 -3,2073 3,03 4 49 0,08 0,92
8 3,2073 -3,5657 3,39 4 53 0,08 1
Concluimos

Los datos estn dentro de los parmetros para admi0r un comportamiento Normal

Media = 1.92
Mediana = 1.77
Moda = 1.41
desviacin estndar= 0.787
varianza =0.619
Cvariacion = 41%
Curtosis=-0.98
sesgo o asimetra =0.34

ASIMETRIA
POSITIVA
Mo Me
Sonware

Geosta's'cal Analyst

explorar

variabilidad de datos

examinar tendencias globales


inves'gar la
autocorrelacin y la correlacin entre los
datos
Anlisis exploratorio de datos

Anlisis estructural auto correlacin espacial o temporal dependencia espacial


- variograma experimental (analiza la aleatoriedad)

Ajuste del variograma (modelo matema0co).


Es0macion Kriging
Las herramientas de anlisis en sobware
Tendencias de los datos se ajustan alguna funcin polinomial

Funcin Lineal (1er Grado)
f(x) = mx + b Funcin cuadr'ca (Segundo grado)
f(x) = ax2 + bx + c
Funcin Polinomial (3er grado)

Eliminar Siempre ???


Tendencias

Es importante analizar si los datos maniestan


tendencias direccionales que permitan establecer
correlaciones en esas direcciones, y formular
modelos de comportamiento.

Por que hay tendencia ?


Es bueno, malo, no importa?
Para nuestros datos Hidrogeolgicos, Existen tendencias direccionales?

Este- oeste

Norte-Sur
Contextualizacin

Donde estamos en el anlisis
Sistem'ca
2.A.E.
Porque la autocorrelation es
importante?
Sugiere la presencia de procesos espaciales
Mucho de los anlisis estads0cos estn basado en el
supuesto que los valores de las observaciones en cada
unidad de muestreo son independientes unos de otros
independientemente de la distancia de separacin.

Puntos cercanos Puntos


Atributos
en el espacio pero cercanos en el
independientes
disimilares en espacio y
de la distancia

atributos
similar en
atributos
Ref: Alfonso Condal

Isotropa/anisotropa
Un medio es denominado istropo si sus propiedades hsicas son idn'cas en todas
las direcciones. Un sistema ser calicado de istropo si sus propiedades hsicas
(macroscpicas) son invariantes en relacin con una direccin par'cular, y por lo
tanto, si ninguna de ellas posee dependencia direccional. En el caso en que una sola
de sus propiedades sea direccional, el sistema cesa de ser istropo; es anistropo.
Se dir tambin que una magnitud qsica es anistropa, o istropa, segn que dependa
o no de la direccin segn la cual se mide. En el sen0do primi0vo y restringido del
trmino, la isotropa y la anisotropa son propiedades de los cuerpos o conjuntos
macroscpicos. En esta acepcin general, al ser el 'empo y el espacio magnitudes
hsicas, y por ello medibles, se habla frecuentemente de su isotropa o de su
anisotropa.

Fuente: Thrse Saint-Julien (HYPERGEO)


Anisotropia
Cuando existe alta autocorrelacin espacial en una direccin
especca mas que en las otras :

La gura muestra un caso de anisotropa geomtrica, el cual es


incorporado al modelo variogrco a travs de una
transformacin lineal.
http://zappa.nku.edu/~longa/geomed/modules/geostats_lite/lec/illinois.html
Tolerancia angular
Mapa de Variograma :
135 Es una herramienta que
90
p e r m i t e d e t e r m i n a r l a s
45 direcciones de anisotropa de
la variable en estudio

Semivariograma Experimental

Lag
3

Modelo Aniso trpico

Escala y Estructuras
LAG = 20 e Intervalos pequeos = 5

Donde hay anisotropa ??


Variogramas
Supuesto estadsticos:
Estacionaridad Media y la varianza no sean funcin de la
localidad muestreada. Estacionaridad de segundo grado (debil)
Varianza es una funcin de la distancia de separacin entre los
valores
Isotropia No tendencias direcionales presentes en los datos. Sin
embargo siempre se calculan variopgramas direccionales para
determinar la tendencia de los datos.

Sin embargo
En algunos casos estos no se cumple debido a las tendencias presentes en los datos.
En estos casos se sugiere eliminar la tendencia antes del anlisis

A. R. Condal/ E. Mera/ D. Pech


Anisotropas en el variograma:

Generalmente cuando el variograma experimental es calculado en dis0ntas


direcciones presenta dis0ntos comportamientos con la variacin de la
distancia.

Anisotropa Geomtrica

Anisotropa Zonal
Anisotropa Geomtrica :

E s a q u e l l a e n l a q u e e l 3

v a r i o g r a m a e n d i s 0 n t a s
2,5
direcciones presenta el mismo
sill pero rangos dis0ntos 2

Variograma
1,5 N-S
E-O
Mayor con0nuidad espacial en la 1

direccin de mayor rango


0,5

0
Menor con0nuidad espacial en la 0,0 0,9 2,0 3,0 4,1 5,1 6,2 7,2 8,3 9,3 10,4 11,4

direccin de menor rango Distancia


3

2,5

Variograma
1,5 N-S
E-O
1

0,5

0
0,0 0,9 2,0 3,0 4,1 5,1 6,2 7,2 8,3 9,3 10,4 11,4

Distancia
Anisotropa Zonal :

3,5

E s a q u e l l a e n l a q u e e l 2,5
v a r i o g r a m a e n d i s 0 n t a s
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
3,5

2,5

Variograma
1,5

0,5

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
El variograma experimental

Es una herramienta que permite analizar el


comportamiento espacial de una propiedad
o variable sobre una zona dada
Ejemplo:

Detectar direcciones de anisotropa


Zonas de inuencia y su extensin (correlacin espacial)

Variabilidad con la distancia


Variograma Terico-Denicin
Con<nuidad espacial

0,7
0,6
0,5
Variable

0,4
0,3
0,2
0,1
0
1

11

13

15

17

19

21

23

25
Ubicacin

0,012
0,01

Variograma
0,008
0,006
0,004
0,002
0
1

11

13

15

17

19
Distancia
Variograma Terico-Denicin
Con<nuidad espacial

1 0,12

0,8 0,1
Variable

0,08

Variograma
0,6
0,4 0,06
0,04
0,2
0,02
0
0 5 10 15 20 25 0
0 2 4 6 8 10
Ubicacin
Distancia

2 1
1,5 0,8

Variograma
1
0,6
Variable

0,5
0,4
0
0,2
1 3 5 7 9 11 13 15 17 19
-0,5
0
-1 1 2 3 4 5 6 7
Ubicacin
Distancia
Variograma Experimental

1 n 2
(h) = [Z x Z x + h ]
2n(h) i =1

(h) = Semivarianza
h= distancia
n(h) = Nmero total de pares de datos
definidos para un distancia definida (lag)
Z = valores de la variable para un punto
especfico
Variograma

1
(h ) = E [ Z ( x) Z ( x + h)] 2 Z (x + h1 )
2
x + h1
h1
Deteccin de
caracters0cas que
varan segn la Z (x )
x h
direccin y la
Z (x + h )
distancia
x+h
Momentos de Una variable regionalizada
Variograma
Variograma

Variograma

Distancia Distancia
1 n 2

Variograma (semivariograma) (h ) = [Z x Z x+h ]
2n(h) i =1

El semivariograma
The basado
esta semi-variogram
en lais
based on modelling
modelacin de lathe
(squared) differences in
diferencias
the z-values as de
(cuadradas) a function
los
of the distances
valores z como between
una
all of the de
funcin known
la points.
distancia entre los
puntos conocidos
El variograma experimental

- Denido solo a
ciertas distancias

- Obtener un
modelo terico
del variograma
experimental

- Ajustar una
funcin con'nua

(de Giraldo Henao)


En terminos grficos

Nugget (C0): Es la semivarianza a h = 0 (intercepto en Y). Indica


la varianza no explicada debido a efectos de la escala y muestreo

Sill (meseta) (C + C0) : La asintota del modelo. Indica la varianza


de la variable de estudio

Range (Rango) (A) : Distancia a la cual la semivarianza se


estabiliza. Indica la extensin de la estructura de los datos. Fuera
de este valor los datos vallosdatos ya no presentan autocorrelacin.
Para decribir la variables regionalizadas, se calculan los variogramas empricos
y se comparan y ajustan a los modelos tericos.
Son 4 los modelos tericos comunes:
No sill or range
Linear:

(d) = co + bd

Exponential:

(d) = co + c[1 exp( d / a)]

Spherical:

co + c[3d / 2a) (d 3 / 2a 3 )], d a


(d) =
co + c, d > a Donde:
c0 = nugget
Gaussian:
b = Pendiente de la
(d) = co + c[1 exp(d 2 / a 2 )] regresin
a = range
A. R. Condal/ E. Mera/ D. Pech c0+ c = sill
Indica una estructura bien
denida No estructura

Indica que los


datos estan
estructurados en
mas de una escala Indica que la
estructura esta
A. R. Condal/ E. Mera/ D. Pech suavemente
denida
Comportamiento lineal

Indica que para distancias


3,5
pequeas, el variograma
0ene un comportamiento 3

lineal. 2,5

Variograma
2
R e p r e s e n t a v a r i a b l e s
c o n 0 n u a s p e r o n o 1,5

diferenciables. As, la 1
propiedad puede cambiar 0,5
rpidamente de un punto a
0
otro.
0

9
5

,5
1,

4,

7,

10
Distancia
3,5

Comportamiento lineal 2,5

Variograma
2

L a v a r i a b i l i d a d d e l a 1,5

1
propiedad depender de la
0,5
pendiente de la recta en el
0
origen 0 1 2 3 4 5 6 7 8 9 10 11
Distancia

A m a y o r p e n d i e n t e , 3

mayor variabilidad 2,5

Variograma
A m e n o r p e n d i e n t e , 1,5

menor variabilidad 1

0,5

0
0 1 2 3 4 5 6 7 8 9 10 11
Distancia
Comportamiento Cuadr0co

Indica que para distancias pequeas, 3,5


e l v a r i o g r a m a 0 e n e u n
3
comportamiento cuadr0co.
2,5

Variograma
2

Representa variables sumamente 1,5

c o n 0 n u a s e i n n i t a m e n t e
1
diferenciables. As, la propiedad NO
puede cambiar rpidamente de un 0,5

punto a otro. 0 1

10

13

16

19

22

25

28

31

34

37
Distancia
Comportamiento Hbrido:

8
Variacin ms suave a 7
distancias cortas 6

Variograma
5
V a r i a c i n m s f u e r t e a 4
distancias grandes 3
2
1
I n d i c a p r e s e n c i a d e 0
estructuras actuando a 0 1,5 3 4,5 6 7,5 9 10,5 12 13,5 15 16,5 18
diferentes escalas Distancia
C o m p o r t a m i e n t o a g r a n d e s
distancias :

NO TODOS LOS VARIOGRAMAS POSEEN


UN RANGO Y UN SILL FINITO

Variograma
INDICA LA PRESENCIA DE UNA
DERIVA O DRIFT

VARIABLE NO ESTACIONARIA

Distancia
Modelos de ajuste variograco
Eje espacial
Bentos en la costa rocosa de a)
Brachidontes exustus
3.10
e) c)
Campeche 2.33
1.55
100

Grain = 0.05 m 80

Variance (%)
10 0
c) 0.78
Abundance (%)

0
Extent = 1 m 60 20
80 0.00 40

Mora ns I
0.00 0.33 0.67 1.00 40 60
60 80
3.10
b) f) 20 100

40 2.33 0
5
20 1.55 10

Gr
100 Brachidontes exustus 0.78
Grain = 0.15 m 15

ai
Extent = 1 m 20 20

n(
0 40
1 25 60
0 20 40 60 80 10 0
80 0.00
100 80 m)
Extent (

m)
Variance (%)

0.00 0.33 0.67 1.00


Distance (m)
c) 60 c) 3.10 g)
0.8
2.33
40 1
Morans I

0.6
0.5 1.55
Grain = 4.0 m Topography
0.4 20 0.78
Extent = 40.0 m Heterogeneity
0.2
0 0.00
0.00 13.33 26.67 40.00
Orientation
0.0 1 10 100
0.0d) 3.10 h) 0.5 Temperature
-0.2
Log Distance (m) Total
2.33
0 20 40 60 80 100
1.55
Grain = 4.0 m
Distance (m) 0.78
Extent = 80.0 m
vLa modificacin del grano y extensin permite 0.00
0.00 26.67 53.33 80.00
0.0

describir la distribucin de especies con diferente Separation distance (h) 1 10 100

nivel de precisin Log distance (m)


vLa identificacin de escalas optimas de
observacin debe de estar basada en la
A. R. Condal/ E. Mera/ D. Pech
proporcin de la varianza explicada
Pech et al, in press (ecography)
Prac0co
AED O A.ESTRUCTURAL ??

3 clster:
Agrupamientos en el
espacio ,o cubo de
datos

2 Tencias principales
Una cuadra'ca (roja) y
una menos pronunciada
que exponencial (azul).
2do y 3er orden.

Los modelos los
podemos generar con
tendencias o sin
aquellas; dependiendo
de nuestro inters sobre
el fenmeno, ya que la
tendencia puede ser lo
que buscamos
AUTOCORRELACION = SEMIVARIOGRAMA EMPIRICO - COVARIANZA
ANISOTROPIA DIRECCIONAL
CROSS- COVARIANCE : REPRESENTA PARES DE LOCACIONES ENTRE LOS DATOS
MODELOS DE AJUSTE
VARIOGRAFICO
Modelos de Semivarianzas
ESFERICO

EXPONENCIAL
GAUSSIANO
MODELOS MONOMICOS
Indican presencia de NO ESTACIONARIEDAD en alguna direccin
Semana Fecha Plan A: Sobware Plan B: Sin sobware

Diciembre

M15 Estudio exploratorio de datos

1
W16 Anlisis variogrco /consultas taller (M.PEREZ)

J17 Es0macin de recursos (clase)


V18 Control

M22 Kriging y es0macin de recursos

2 W23 Simulacin geoestads0ca (clase)

J24 Libre USM (calendario)


V25 Feriado

M29 Simulacin geoestads0ca (lab) Trabajo de lab

W30 Trabajo de lab /consultas taller (MPEREZ)


3

J31 Libre USM (calendario)


Enero
V1 Feriado

M5 Trabajo de lab Trabajo de lab

W6 CERTAMEN
4
J7 Trabajo de lab Trabajo de lab

V8 Entrega informes (dos talleres)


3.ESTIMACIN
Kriging
El problema general de las predicciones

Existe siempre un interes en predecir el


valor Z en un punto X, Y (Yx,y) dado los
valores de Zi, en donde i representa un
punto conocido.
Pero.
1. No se tiene informacin
2. Se conoce informacin en puntos
cercanos ?

A. R. Condal/ E. Mera/ D. Pech


Kriging
Los valores no conocidos
son calculados empleando
los valores circundantes de
los puntos de referencia. Los
valores circundantes son
ponderados antes de predecir
el valor del punto no
muestreado

La ponderacin esta basada


en la distancia existente
entre los puntos de
referencia, la el punto que se
quiere predecir y el arreglo
(estructura) espacial de los
puntos de referencia
Kriging esta basado
en la tora de las Kriging
variables
regionalizadas y
asume que la
variacin espacial es
estadsticamente
homogenea a travs
de toda la extensin
de interes. Esto es
que el mismo patrn
de variacin esta
presente en todas los Kriging produce el mejor estimador
puntos. lineal (sin tendencia) de los puntos no
muestreados siempre y cuando la
semivarianza de los datos y el modelo
hayan sido previamente modelados.
Tipos de Kringing

Kriging Ordinario
Kriging Universal
Kriging Simple
Kriging residual
__________
Co-Kriging
Geo-Multivariada
_____
Simulation Multipoint.
Geo - No Lineal
Kriging
Kriging ordinario: empleado cuando no existen direcciones
especficas en las tendencias de los datos.
Kriging universal. Considera direccionalidad de los datos (en
sistemas de informacin geogrfica la dereccionalidad es
modelada por una constante linear, de segundo o de tercer
orden).
kriging puntual : Produces valores para puntos especficos no
muestreados.
Kriging en bloques: Produce valores produces para areas. Los
valores estimados tienen varianza pequea debido a que son
derivados del promedio de un bloque de puntos de referencia.
Co-kriging: Emplea 2 o mas variables para estimar valores no
conocidos en uno de ellos (e.g: composicin del suelo y
contenido de agua del suelo).
A. R. Condal/ E. Mera/ D. Pech
Se pretende estimar el valor del punto 0(65E, 137N), basados en la
informacin de los puntos circundantes (7). La tabla indica las
coordenadas (x,y) de los 7 puntos de referencia y la distancia existente
entre estos (v) y el punto 0 (punto a estimar).

A. R. Condal/ E. Mera/ D. Pech


Variogram model Covariance function

Parameters:
C0 = 0, a = 10, C1 = 10

A. R. Condal/ E. Mera/ D. Pech


To solve for the weights, we multiply both sides by C-1,
the inverse of the left-hand side covariance matrix:

A. R. Condal/ E. Mera/ D. Pech


Kriging matrices
Matrix de distancia

Covariances se calculan en base a la distancia entre todos los


puntos de referencia y el punto de interes :

C(h) = 10 e 0.3|h|
Kriging matrices

A. R. Condal/ E. Mera/ D. Pech


Results

Kriging weights:

Estimated value for point 0:

A. R. Condal/ E. Mera/ D. Pech


Tareas de estudio:

1.- Realizar en GS+ y/o Modulo Geoestadis0ca ArcGIS, el analisis exploratorio de
datos, estructural, ajuste varigraco, es0macin Kriging y obtencin del mapa
modelado.

2.- Realizar en GS+ y/o Modulo Geoestadis0ca ArcGIS , las tres etapas de anlisis
de un proceso geoestadis0co para los datos entregados por grupos.

Fecha de revisin y consultas taller modelamiento de seales WIFI: Mircoles 16.

3.- Estudiar el calculo de es0macin Kriging Ordinario, de las ul0mas
presentaciones de esta presentacin.