Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Simulacin geoestadstica
Motivacin: lmites del kriging
El kriging suaviza: el mapa de los valores estimados es ms regular en el
espacio que el mapa de los valores verdaderos
no se puede predecir la ocurrencia de valores extremos
no se puede trabajar sobre el mapa de valores estimados como si se
trataran de los valores verdaderos
el suavizamiento depende de la cantidad / escasez de datos
La varianza de kriging no mide todas las fuentes de incertidumbre (no
toma en cuenta el efecto proporcional)
Principios de la simulacin
Construir realizaciones que reproducen la variabilidad real de la variable
en estudio (histograma, variograma, distribucin espacial...)
Cada realizacin representa un escenario posible
Uso de las simulaciones
anlisis de riesgo: escenario ms optimista / pesimista
NO condicional
Condicional
Modelo multi-Gaussiano
Definicin: una funcin aleatoria {Y(x), x Rd} tiene una distribucin
multi-Gaussiana si toda combinacin lineal ponderada de valores sigue una
distribucin Gaussiana.
Esto requiere en particular que el histograma sea Gaussiano
*El teorema del lmite central indica que, en condiciones muy generales, la suma de n variables
aleatorias independientes y de varianza no nula pero finita se aproxima bien a una distribucin normal
Simulacin multigaussiana
ndice
Transformacin Gaussiana
Modelo multigaussiano
Test de la distribucin bigaussiana
Algoritmos de simulacin
Simulacin multigaussiana
Transformacin de los datos (anamorfosis Gaussiana)
Principio
A menudo, los datos originales tienen un histograma asimtrico, el cual es
incompatible con una distribucin Gaussiana.
Para aplicar el modelo multigaussiano, se requiere primero transformar los
datos, para que tengan (una vez transformados) una distribucin Gaussiana
estndar (media 0, varianza 1). Esta etapa se conoce como transformacin
o anamorfosis Gaussiana:
Z(x) = f[Y(x)]
variable original
(datos brutos)
funcin de transformacin
(anamorfosis)
variable transformada
(datos Gaussianos)
I Y (x; y )
1 si Y( x) y
0 en caso contrario
Bajo la hiptesis bigaussiana, existe una relacin entre el variograma g(h) de los
datos Gaussianos y el variograma gI,y(h) de la variable indicador:
1 arcsen [1- g (h )]
y2
g I, y (h) G( y) [1 - G( y)] exp [] d
0
2
1 sen
1
g1 (h) E{| Y(x h) - Y(x) |}
2
Si {Y(x + h),Y(x)} tienen una distribucin bigaussiana, entonces se tiene
g (h)
g 1 (h)
(independiente de h)
1
E{| Y(x h) - Y(x) |w}
2
2w-1 w 1
w/2
[ g (h)]
2
bajo la hiptesis bigaussiana
En escala log-log, los puntos que representan a gw(h) en funcin de g(h) deben
ser alineados sobre una recta de pendiente w/2. Esta relacin se puede verificar
con los variogramas experimentales de los datos Gaussianos.
Construccin de realizaciones
Una vez que se ha comprobado la pertinencia de la hiptesis multigaussiana, el
modelo queda enteramente caracterizado por la funcin de anamorfosis y por
el variograma de los datos Gaussianos.
Falta definir un algoritmo para poder construir realizaciones de este modelo y
condicionarlas a los datos disponibles. En el caso multigaussiano, existen
numerosos algoritmos para responder a este problema.
Algoritmos de simulacin
Existen numerosos algoritmos alternativos al mtodo secuencial, por ejemplo:
1.
2.
3.
4.
5.
6.
Simulacin secuencial
Descomposicin matricial
Convolucin (medias mviles, mtodos auto-regresivos)
Espectral discreto
Espectral continuo
Bandas rotantes
Los cuatro ltimos 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 matemticamente ms complejos,
estos algoritmos son ms rpidos que el algoritmo secuencial