Simulaciones

MIN 235 Geoestadstica

Rodrigo Estay Huidobro
rodrigo.estayh@usm.cl

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

estimacin: promediar los escenarios (para estimar leyes) o calcular la

frecuencia de ocurrencia de un evento (para estimar la probabilidad de
este evento)
medicin de la incertidumbre: qu tan distintos son los escenarios

Simulacin no condicional vs. condicional

La simulacin no condicional busca solamente construir realizaciones con la
misma variabilidad que la variable en estudio, pero sin buscar reproducir los
valores de los datos en los sitios con datos
La simulacin condicional reproduce en cada realizacin los valores
conocidos en los sitios con datos

NO condicional

Condicional

Los aspectos del problema de la simulacin

1) Definir un modelo de funcin aleatoria (distribucin espacial)
2) Inferir los parmetros del modelo (variograma, etc.) y validarlos
3) Construir simulaciones no condicionales de la funcin aleatoria
4) Condicionar las simulaciones a los datos disponibles

A menudo, los puntos 1) y 3) estn relacionados: la definicin de un modelo

se refiere a un modo de construccin.

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 modelo posee propiedades interesantes:

se caracteriza por sus dos primeros momentos (media y variograma)
el teorema del lmite central* facilita la bsqueda de algoritmos de
simulacin
Modelo que es lejos el ms sencillo de todos

*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)

Validacin modelo multigaussiano

Por construccin, el histograma de los datos transformados es Gaussiano, por
lo cual su distribucin univariable es consistente con el modelo.
Sin embargo, hace falta verificar que las distribuciones de orden superior sean
tambin compatibles con la hiptesis multigaussiana. En la prctica, slo se
estudia las distribuciones bivariables, es decir, las distribuciones de los pares
de valores {Y(x + h), Y(x)}.

Validacin modelo multi-gaussiano

Test de la distribucin bigaussiana
Primer test: nubes de correlacin diferida
Las curvas de isodensidad de la distribucin bivariable de {Y(x + h),Y(x)} son
elipses concntricas. Luego, la nube de correlacin diferida (i.e. la nube de los
puntos (y(xa),y(xb)) tal que xb - xa h) debe tener una forma elptica.
densidad de probabilidad

nube de correlacin diferida

Validacin modelo multi-gaussiano

Test de la distribucin bigaussiana
Cuando |h| tiende a infinito, la nube de correlacin diferida se vuelve circular.
Cuando |h| tiende a 0, la nube se restringe en torno a la primera bisectriz.

Validacin modelo multi-gaussiano

Test de la distribucin bigaussiana
Segundo test: variogramas de indicadores
Un indicador es una funcin binaria definida por referencia a un umbral y (o ley
de corte):

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

donde G(.) es la funcin de distribucin de la Gaussiana estndar.

Validacin modelo multi-gaussiano

Test de la distribucin bigaussiana
El test consiste en:
1) Modelar el variograma g(h) de los datos Gaussianos.
2) Deducir el variograma gI,y(h) asociado a un determinado umbral y.

3) Codificar los datos Gaussianos en indicador (0 1) segn si superan o no el

umbral y.
4) Calcular el variograma experimental de los datos de indicador.

5) Comparar el variograma experimental del indicador con la expresin terica

obtenida en el paso 2).
6) Repetir el procedimiento (pasos 2 a 5) para varios valores del umbral y, por
ejemplo, para los cuartiles de la distribucin.
7) Concluir si los variogramas tericos de indicador ajustan razonablemente
bien los variogramas experimentales.

Validacin modelo multi-gaussiano

Test de la distribucin bigaussiana
Tercer test: comparacin del variograma con el madograma
El madograma o variograma de orden 1 se define de la siguiente manera:

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)

o sea, el madograma es proporcional a la raz cuadrada del variograma.

Validacin modelo multi-gaussiano

Test de la distribucin bigaussiana
Se puede completar este test al analizar los variogramas de distintos ordenes w
comprendidos entre 0 y 2:
g w (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.

Validacin modelo multi-gaussiano

Test de la distribucin bigaussiana
Variogramas de orden inferior a dos

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

Resumen simulacin condicional

1) Desagrupar los datos originales.
2) Transformar estos datos en datos Gaussianos, tomando en cuenta los ponderadores de
desagrupamiento.
3) Realizar el anlisis variogrfico de los datos Gaussianos.
4) Validar la hiptesis multi-Gaussiana (nubes de correlacin diferida, comparacin entre
variograma y madograma, variogramas de indicadores).
5) Simular la funcin aleatoria Gaussiana
Elegir un algoritmo de simulacin
Construir varias realizaciones
Condicionar a los datos Gaussianos disponibles si el algoritmo escogido no lo
hace directamente.
6) Transformacin Gaussiana inversa, para volver a la variable original.
7) Procesar los resultados.