3. Análisis Estructural
Ramón Giraldo H.
PhD. Estadística
Profesor Departamento de Estadística
Universidad Nacional de Colombia
Variable Regionalizada
Z x : x D R m
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
E Z x Z ( x h)
2
2ˆ h
z x h z x 2
n h
Otras Medidas de Correlación Espacial
2
C ( h) ( h)
h
h 1 2
Semivariograma y Correlograma
Correlograma
Semivar.
Meseta
Pepita Rango h
Variograma
Función de Covarianza
Ilustración
Cálculo del Semivariograma
h2
( h) C1 1 exp
2
a
Cálculo del variograma en dirección
Variograma “Cloud”
T h is is a n e x a m p le o f
a v a r io g r a m p r o d u c e d
u s in g A r c G I S 's
G e o s ta tis tic a l A n a ly s t.
[ Z ( si ) Z ( s j )]2
ij
2
Modelos teóricos de variograma
3 h 1 h 3
C1 ha
Esférico ( h) 2 a 2 a
C1 ha
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
20
Semivariograma
Esférico
15 Exponencial
Gaussiano
10
0
0 50 100 150 200 250 300
Distancia(h)
Otras Medidas de Correlación Espacial
Covariograma
2
C ( h) ( h)
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 :
Anisotropía Geométrica
Anisotropía Zonal
Anisotropía Híbrida
Anisotropía: hay más correlación en una
dirección que en otra.
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
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
Anisotropía Zonal :
3,5
Variograma
rango pero diferente sill 1,5
Distancia
Anisotropía Híbrida
Anisotropía Híbrida :
Es aquella en la que el
variograma en distintas
direcciones presenta
rangos diferentes y
distintos sill.
Presencia de diferentes
estructuras
Característico de variogramas
horizontales y verticales
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
2.1. Máxima-Verosimilitud
2.2. MV Restringida
2.3. Bayesiana
Métodos para ajustar el variograma
2
1
QL( ) min ˆ u u;
u;
Estimación por Mínimos Cuadrados
Sill
2 2
Nugget 2 Range
3
2 3 u 1 u
2
u Esferical
(u; ) 2 2
2 2
u
Exponential
3u
(u; ) 2 2 1exp Matern
k .5
u2 Gaussian
(u; ) 1exp 2
2 2
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 T 1
f (Y ( s )) 1/ 2
exp (Y ( s ) ( s )) (Y ( s ) ( s ))
(2 )
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 ) ~ ~
n Z (x )
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 de G ( ) 2
I 2 R , X
1
2
l , log G y X G y X
T 1
Log-Verosimilitud
ˆ X G ( ) 1 X X G ( ) 1Y
1
1
l ˆ , log G y Xˆ
2
G y Xˆ
T 1
l ˆ , es maximizada numéricamente Estimación MV
1
2
1
1
L* log G log X G X y Xˆ G y Xˆ
L* Es maximizada numéricamente MV Restringida
Las estimaciones difieren!!
OLS, WLS
ML, REML