You are on page 1of 293

G.

MATHERON
_______

LAS VARIABLES REGIONALIZADAS Y SU ESTIMACION

Una aplicacin de la Teora de las Funciones Aleatorias a las Ciencias de la Naturaleza

Traducido al espaol por Marco Antonio Alfaro Sironvalle

2008

TESIS
PRESENTADA

A LA FACULTAD DE CIENCIAS DE LA UNIVERSIDAD DE PARIS


PARA OBTENER

EL GRADO DE DOCTOR EN CIENCIAS APLICADAS


POR

MATHERON Georges TESIS. LAS VARIABLES REGIONALIZADAS Y SU ESTIMACION

Sostenida el 10 de Noviembre de 1965 delante la Comisin de examen.

Sres. SCHWARTZ FORTET CAILLEUX

Presidente Examinador Examinador

PREFACIO

Es para m extremadamente agradable expresar mi reconocimiento a todos aquellos que me han guiado, aconsejado, animado en el desarrollo del trabajo que presento aqu: a su comprensin e indulgencia. Agradezco en particular: Al Profesor FORTET, que ha aceptado dirigir mi trabajo y ser el Profesor Informante. Al Profesor L. SCHWARTZ quien, adems de inculcarme el rigor por un uso torpe de la teora de las Distribuciones, me ha hecho el gran honor de presidir mi jurado de tesis. Al Profesor CAILLEUX quien, al aceptar participar en mi jurado, me ha aportado una ayuda muy preciosa dado que vena del mundo de las Ciencias de la Tierra. En el curso de diez aos de actividad prctica, de la cual el presente trabajo trata de hacer una sntesis terica, son numerosos los que me han ayudado, sea abrindome, con su autoridad, campos nuevos de aplicaciones, sea hacindome beneficiar de su experiencia prctica a travs de fructuosos cambios de ideas, sea finalmente, al mo o en colaboracin, pero siempre en un clima de perfecto acuerdo. Yo les debo mucho, y, no pudiendo agradecerles individualmente, les ruego encontrar aqu la expresin de mi gratitud.

Georges Matheron Pars, Francia, 1965

_________

PREFACIO DEL TRADUCTOR

Pongo a disposicin de la comunidad geoestadstica de habla hispana la Tesis de Doctor de Estado del Maestro Georges Matheron (1930-2000), publicada en 1965. A mi juicio, esta obra contiene el pasado, el presente y el futuro de la geoestadstica. El nivel matemtico de la obra es bastante elevado, pero su contenido est siempre orientado a las aplicaciones, al uso de modelos probabilsticos para el estudio de fenmenos naturales nicos. Las conclusiones metodolgicas de cada captulo son fundamentales desde el punto de vista epistemolgico y para las aplicaciones prcticas. Para mi fue enriquecedor realizar la traduccin de esta obra. He tratado de omitir, dentro de lo posible, las referencias al modelo de De Wijs, ya superado con la aparicin de las computadoras. Por fin logr entender la teora de las Distribuciones de Laurent Schwartz: Si antes, para los problemas de estimacin pensaba en trminos de espacios de Hilbert, ahora, con esta teora pienso en las leyes de mineral como una funcin generalizada. En esta obra el tratamiento de la teora de las variables regionalizadas es notable, sobre todo en lo que respecta a la teora transitiva, las varianzas de estimacin, las relaciones entre una variable regionalizada y su campo V y los lmites de aplicacin de la teora intrnseca. Despus de leer profundamente este texto, es difcil ser un detractor del concepto de varianza de estimacin.

A Rodrigo Segovia Quien fuera un gran geoestadstico y amigo.

Marco Alfaro Santiago, Chile, 2008

__________

Maestro, di; che terra e questa?

INTRODUCCION

1.- Nocin de variable regionalizada.

En un gran nmero de actividades humanas, principalmente en las Ciencias de la Tierra, el arte de las minas, etc... interesa estudiar la variacin espacial de ciertas magnitudes, que llamaremos, de manera general, variables regionalizadas. Como ejemplos simples de variables regionalizadas, citemos entre otras: las densidades de poblacin humana en una zona geogrfica, la potencia (o el espesor) de una formacin geolgica, la ley de un metal dado en un yacimiento minero, etc El tcnico se puede interesar a esta magnitudes por razones de tipo puramente utilitario. Por ejemplo, para un minero, se puede tratar de estimar las reservas de un yacimiento, en tonelaje y en ley, a partir de un muestreo fragmentario, y, en la medida de lo posible, acompaar estas estimaciones de un clculo de error. Pero tambin de una manera ms general, puede interesarse en estas magnitudes para tratar de hacer comprensible el fenmeno natural (regionalizado) que estas magnitudes representan. Se trata entonces de extraer de la masa de datos numricos brutos disponibles, los grandes rasgos estructurales y las caractersticas mayores de un fenmeno natural. Estos dos puntos de vista no se oponen entre s. En efecto, para resolver correctamente un problema esencialmente prctico, como el clculo del error posible cometido en la estimacin de un yacimiento minero, es imperativo tomar en cuenta ciertas caractersticas estructurales de la variable regionalizada, tal como su continuidad. El ejemplo elemental siguiente lo muestra de manera clara. Supongamos que se han realizado medidas, a intervalos regulares, a lo largo de una lnea, las cuales han proporcionado, en el terreno, en un primer lugar, la secuencia A de valores numricos: A) 12345654321

y, en un segundo caso, la secuencia B: B) 14361543252

En el caso A, se tiene claramente una estructura simtrica muy fuerte, caracterizada por un decrecimiento muy regular a partir del punto central. En el segundo caso, la estructura, si es que existe, es muy dbil, y la impresin que se tiene es la de una extrema irregularidad. A pesar que las once medidas tienen, en ambos casos, los mismos valores numricos (en un

5 orden diferente), es claro que la estimacin de un valor medio puede ser hecha, en el caso A, con una muy mejor precisin que en el caso B. La precisin depende, en efecto, de la continuidad en el espacio de la variable regionalizada. En este ejemplo simple, se ve tambin, que la descripcin puramente estadstica del fenmeno es enteramente insuficiente. El estadstico que se conformara con la construccin de los histogramas de las secuencias A y B concluira, debido a que estos dos histogramas son idnticos, equivocadamente, a la identidad de los dos fenmenos naturales observados. En el tratamiento estadstico ordinario, en el cual se conformara con clasificar en forma de histogramas las muestras disponibles, se hace abstraccin del lugar donde han sido tomadas. Se destruyen las estructuras espaciales. Por otra parte, es claro que no basta con saber con qu frecuencia se repite una ley dada en un yacimiento minero. Es tambin importante saber de qu manera las leyes se suceden en el espacio, y, principalmente, cul es el tamao y la posicin de las zonas explotables, etc Aparece as que las variables regionalizadas no pueden ser asimiladas a variables aleatorias, cuyo estudio es el objetivo de la estadstica habitual. De hecho, la nocin de variable aleatoria solo tiene un sentido concreto si se cumplen las dos condiciones siguientes: 1. Posibilidad, por lo menos terica de repetir indefinidamente el experimento que atribuye un valor numrico definida a la variable aleatoria. 2. Independencia mutua de estos experimentos, el resultado de uno de estos no puede estar de ninguna manera influenciado por el resultado de los experimentos precedentes. Una variable regionalizada no puede verificar estas dos condiciones. Si el experimento consiste, por ejemplo, en tomar una muestra de caractersticas definidas en un punto de coordenadas xyz, al interior de un yacimiento, la ley de esta muestra es nica, fsicamente bien determinada y de ninguna manera aleatoria. No hay ninguna posibilidad de repeticin, y la condicin 1 no se verifica. Sin embargo es posible tomar una nueva muestra, no en el mismo punto, sino en un punto vecino del precedente: a pesar que no se trata, estrictamente, del mismo experimento, se podra en rigor, admitir que la condicin 1 se respeta de manera aproximada. Pero ahora la condicin 2 no lo ser de ninguna manera. Si la primera muestra ha sido tomada en una zona rica, la segunda implantada en su vecindad, tendr tendencia, en promedio, a ser rica igualmente, y esta tendencia ser ms pronunciada cuando la mineralizacin ser ms continua.

2.- Caractersticas cualitativas de las variables regionalizadas. Las variables regionalizadas que se presentan a observacin, poseen caractersticas cualitativas, ligadas estrechamente a la estructura del fenmeno natural que ellas representan. Entre estas caractersticas que la estadstica ordinaria es incapaz de expresar, y que deben, obligatoriamente ser tomadas en cuenta por la teora de las variables regionalizadas, examinemos, usando como referencia el ejemplo ya dado de una ley en un yacimiento minero, algunas de las caractersticas ms importantes: a) Localizacin. Una variable regionalizada no toma sus valores en cualquier lugar, sino mas bien, en una regin bien determinada del espacio, que se llama campo geomtrico: El campo es en general una formacin geolgica, por ejemplo el espacio mineralizado del yacimiento mismo. Pero a veces es necesario limitar el estudio de la variable a una porcin,

6 o panel, de su campo geomtrico natural. Igualmente, la variable ser a veces definida como una funcin f(M) del punto M. Sin embargo, a menudo, no habr inters en los valores puntuales, sino en los valores medios de la variable al interior de un dominio pequeo, o soporte geomtrico. Para una ley, el soporte ser el volumen v de la muestra tomada. El volumen v debe estar definido de manera precisa, con sus dimensiones, su forma geomtrica, y su orientacin en el espacio. Si se cambia el soporte v se obtiene una nueva regionalizacin, que presenta analogas con la primera, pero que no es idntica. Es as como los bloques de algunos metros cbicos no se distribuyen en el espacio de la misma manera que los testigos de sondajes de algunos kilos. Una de las tareas de la teora de las variables regionalizadas, que se llama a veces tambin geoestadstica cuando se aplica a problemas geolgicos y mineros, consiste en prever las caractersticas de la variable definida sobre un soporte v y en un campo V, conociendo, por ejemplo, las de la variable puntual en un campo diferente V. b) Continuidad.- Una segunda caracterstica esencial es el grado de mayor o menor continuidad de la regionalizacin en el espacio. En ciertos casos, por ejemplo, para variables que poseen una significacin puramente geomtrica, como la potencia de una formacin geolgica, se observar la continuidad estricta de los matemticos, que se define con y . Lo ms corriente, es observar una continuidad ms floja, llamada continuidad en media. En este caso, cuando el punto M tiende hacia M0 , solamente el valor medio de [f(M) f(M0)]2 tiende a cero. La reparticin en le espacio toma ahora una forma ms irregular y discontinua. Finalmente puede suceder que la continuidad en media no se verifique. En este caso de extrema irregularidad, nosotros hablaremos de efecto de pepita. Los yacimientos de oro peptico proporcionan un ejemplo clsico. c) Anisotropa.- En tercer lugar, una regionalizacin puede ser anistropa. Puede existir, por ejemplo, una direccin privilegiada, a lo largo de la cual los valores se modifican lentamente, mientras que stos varan mucho ms rpido en la direccin perpendicular. Este tipo de fenmenos conocidos con el nombre de corridas, de zonaciones, etc est, en general asociado a la existencia de ciertas estructuras geolgicas. d) Fenmeno de transicin.- Otros tipos de estructuras se pueden manifestar, ligados a la aparicin en el campo geomtrico de la variable, de una red de discontinuidades: se habla entonces, de una manera general, de fenmenos de transicin. Como ejemplos simples, se pueden citar, para las formaciones sedimentarias, las estratificaciones y las repeticiones lenticulares de los estratos. Puede suceder que la variable la cual es constante o casi constante al interior de los estratos, tenga cambios bruscos al pasar de un estrato a otro. A estas discontinuidades verticales, materializadas en el espacio por las uniones estratigrficas, a menudo se adicionan discontinuidades horizontales, debidas al trmino lenticular y a la repeticin de los estratos individuales. Esta red compleja de discontinuidades realiza una particin del espacio mineralizado en compartimientos casi independientes entre s (correspondientes, por ejemplo, a antiguos micro-cuencas, donde las condiciones de depositacin han evolucionado de manera ms o menos autnoma). Se puede observar que el efecto de pepita de origen granulomtrico est tambin ligado a un fenmeno de transicin. La red de discontinuidad es en este caso lo que separa, en el espacio, los diferentes granos de estril y de mineral. La naturaleza del fenmeno es la misma, pero la escala es bastante diferente. El efecto de pepita aparece como una forma de

7 fenmeno de transicin ligado a la presencia de micro-estructuras discontinuas en el campo de la regionalizacin. 3.- Los esquemas tericos. Para elaborar una representacin matemtica de las variables regionalizadas, capaz de tomar en cuenta las caractersticas estructurales mencionadas anteriormente, se puede pensar en utilizar la teora probabilstica de las funciones aleatorias. Sin embargo, es necesario ver bien, que los naturalistas tienen aqu una objecin muy fuerte, ligada a la unicidad de los fenmenos naturales y a la imposibilidad de la inferencia estadstica. Recordemos, en efecto, rpidamente la nocin de funcin aleatoria. Partiendo de la nocin de variable aleatoria simple X, definida por su ley de distribucin probabilstica F(x), los matemticos han introducido a continuacin las variables aleatorias con varias componentes (X1, X2, , Xn) descritas por leyes de distribucin simultneas F(x1, x2, , xn), luego ellos han examinado lo que se produce cuando n es infinito. Una funcin aleatoria es, si se quiere, una variable aleatoria con una infinidad de componentes. En el caso que nos ocupa, estas componentes, en nmero infinito, seran los valores tomados por la variable regionalizada en cada uno de los puntos de su campo geomtrico. Se ve cul es la objecin de los naturalistas. Los valores tomados por la variable en todos los puntos de su campo deben ser considerados como el resultado de una prueba al azar, en un experimento nico, efectuado segn la ley de probabilidad con una infinidad de componentes que definen la funcin aleatoria. Pero el paso inverso no es posible. El experimento es nico y no se puede remontar, a partir de los valores experimentales, la distribucin terica, como tampoco se puede inferir la ley de probabilidad F(x) de una variable aleatoria ordinaria X cuando solo se dispone del resultado de un solo experimento, el cual ha dado un valor numrico particular (por ejemplo x = 98). A pesar que la inferencia estadstica no est fundamentada, es claro que los valores numricos tomados efectivamente por la variable regionalizada, es decir, el fenmeno natural mismo, poseen una realidad fsica, y todo recurso a una interpretacin probabilstica aparece como perfectamente arbitraria. Este es el punto de vista adoptado por la teora de las variables regionalizadas en un primer grupo de mtodos llamados representaciones transitivas. Estos mtodos que son el objeto de la primera parte de la obra, no hacen ninguna referencia a alguna hiptesis probabilstica, ni tampoco a algn principio determinstico: el determinismo no es negado a priori, pero solo puede ser puesto en evidencia con la ayuda de estudios especficos, respecto de cada categora de fenmenos naturales, y no servira de nada invocarlos, in abstracto, a nivel de generalidades. El punto de vista puramente descriptivo y formal , adoptado en las representaciones transitivas, puede ser comparado con el de la cinemtica, que desarrolla las leyes generales y formales que todo movimiento debe cumplir, cualquiera que sean las causas y contenido fsico, del solo hecho que se trata de movimiento. El punto esencial consiste en asociar, a toda variable regionalizada, una funcin g(h) ms simple, llamada covariograma transitivo, capaz de expresar, de una forma sinttica, las caractersticas mayores enumeradas anteriormente, y al mismo tiempo, de formular y de resolver los problemas importantes propuestos por la prctica, respecto de las variables regionalizadas. Pero hay un caso particular en el cual la objecin de los naturalistas puede ser levantada. Es el caso llamado estacionario. En trminos abstractos, se dice que una funcin aleatoria es estacionaria, si la ley de probabilidad de los valores tomados por esta funcin en k puntos

8 arbitrarios es invariante para toda traslacin del conjunto de estos puntos. Dicho de otra manera, el carcter estacionario implica la homogeneidad del fenmeno en el espacio. Si se tienen slidas razones para pensar, por ejemplo, que las condiciones fsico-qumicas del depsito, o de la gnesis, de una mineralizacin son, efectivamente, homogneas en el espacio del yacimiento, esta hiptesis puede ser adoptada, por lo menos en primera aproximacin. En virtud del carcter estacionario, se puede decir que el fenmeno se repite en el espacio, y se concede que la inferencia estadstica es ahora posible, y con ella una interpretacin del fenmeno, fundada en la teora clsica de las funciones aleatorias. Un papel determinante juega, en esta teora, la funcin de auto-correlacin K(h) , que representa la covarianza de los valores tomados por la funcin aleatoria en dos puntos distintos distantes de h , y que constituye el equivalente probabilstica del covariograma g(h) de las representaciones transitivas. Sin embargo, la teora de la auto correlacin se puede aplicar solamente en el caso en que la funcin aleatoria tiene una varianza a priori finita, mientras que muchos fenmenos naturales tienen una capacidad de dispersin casi ilimitada, y no pueden ser descritos correctamente si se les atribuye una varianza finita. Pero, a pesar que la varianza de la funcin aleatoria misma puede ser considerada como infinita, sus incrementos, o diferencias que la funcin aleatoria toma en dos puntos distintos, conserva, en general, una varianza finita. La teora de los esquemas estocsticos intrnsecos, que es el objeto de la segunda parte de la obra, est consagrada al estudio de esta clase particular de funciones aleatorias accesibles solamente por sus incrementos. El papel mayor del covariograma transitivo g(h), o la covarianza estacionaria K(h), incumbe ahora a una funcin de dispersin intrnseca (h), o variograma , la cual representa el incremento cuadrtico medio de la funcin entre dos puntos distantes de h. La teora intrnseca postula la homogeneidad del fenmeno en el espacio y se formula en trminos probabilsticos. Esta teora se opone fuertemente a las representaciones transitivas. Es a la vez menos general y ms potente. Menos general, porque grandes clases de fenmenos regionalizados que manifiestan, por ejemplo, un aspecto zonal en el interior de su campo geomtrico, no pueden ser considerados como estacionarios, ni descritos por un esquema intrnseco, mientras que permanecen accesibles a las representaciones transitivas. Ms potente, en el fondo por la misma razn, porque las representaciones transitivas no son capaces de distinguir, en una regionalizacin, lo que es imputable a la variable misma, y lo que resulta de la geometra de su campo, mientras que la teora intrnseca elimina de oficio toda interferencia geomtrica, y permite, cuando ella es aplicable, un estudio ms fino y ms profundo de la variable misma. A pesar de esta oposicin, se constata una convergencia remarcable entre los resultados de los dos mtodos, y un parentesco profundo de sus formalismos matemticos. Se puede pensar que las representaciones transitivas poseen un carcter probabilstico implcito, o, al contrario, que la teora intrnseca no utiliza realmente el contenido probabilstico de sus hiptesis de base, sino solamente su carcter estacionario. En efecto, covariogramas, auto correlaciones y funciones intrnsecas poseen significaciones muy cercanas, ligadas estrechamente, como lo muestra la fsica, a la energa de dispersin del fenmeno representado..

4.- Plan y objetivo de la obra. Esta obra est destinada a todos aquellos, naturalistas o tcnicos, que estn relacionados, en su actividad cientfica o prctica, a fenmenos regionalizados: gelogos, gegrafos,

9 ingenieros de minas, meteorologistas, etc Su objetivo es doble. Por una parte se trata de elaborar un aparato conceptual y un formalismo matemtico capaz de describir, sintticamente, los caracteres estructurales mayores de un fenmeno natural, por otra parte de introducir mtodos de aplicacin que permitan resolver efectivamente los problemas propuestos por la prctica, entre los cuales uno de los ms importantes est relacionado a la estimacin de las variables regionalizadas a partir de un muestreo fragmentario. Resulta, como sin duda para toda obra de matemtica orientada a las aplicaciones, una naturaleza un poco mixta, y el riesgo de incurrir en reproches simtricos de parte de los prcticos y los matemticos: los primeros encontrando la obra intilmente abstracta, los segundos, insuficiente en el rigor. Reproches justificados, sin duda, pero difciles de evitar. Para evitar en parte este inconveniente, propio de la naturaleza del objeto tratado, hemos puesto, al inicio de cada captulo un sumario bastante detallado, que permitir al lector seleccionar, y as retener lo que le concierne. En lo esencial, la comprensin de la obre supone nada ms que conocimientos de base en materias de clculo de probabilidades. Es deseable igualmente, estar familiarizado con la teora de los procesos estocsticos. Sin embargo el lector encontrar en el captulo VII un recuerdo sobre las funciones aleatorias, el cual resume las nociones de base de esta teora y los resultados utilizados en los captulos siguientes. Es necesario igualmente decir una palabra sobre la teora de las distribuciones. Esta teora solo interviene explcitamente en los captulos III y X, los cuales no son estrictamente necesarios para la comprensin del resto de la obra, y pueden ser omitidos por los lectores que no estn familiarizados con esta teora. Sin embargo, para estos lectores, damos, en el Anexo A una exposicin simplificada, pero suficiente para nuestro propsito. En verdad, si las distribuciones solo son utilizadas en los dos captulos ya citados, su presencia latente e implcita es sensible en todas partes. En efecto, los fenmenos naturales rara vez son conocidos, o estudiados, al nivel puntual. Se abordan, lo ms a menudo, por intermedio de respuestas que ellos aportan a las operaciones tcnicas a las cuales son sometidos: toma de muestras, explotacin de paneles, ponderaciones diversas que hacen intervenir globalmente los valores tomados por la variable en un dominio, o soporte, de dimensiones no nulas, y no por los valores puntuales. La idea de representar estos fenmenos por distribuciones, en vez de funciones, est sugerida por la misma prctica: a pesar de no ser estrictamente obligatoria, esta teora se impone con insistencia, y se revela como muy instructiva, en particular, para un naturalista. Las dos primeras partes de esta obra, consagradas respectivamente a las representaciones transitivas y a la teora intrnsecas tienen desarrollos paralelos: En primer lugar se exponen los conceptos de base (captulos I y VII-VIII respectivamente), y son extendidos, posteriormente, al caso de las co-regionalizaciones, es decir el caso donde, en un mismo campo geomtrico coexisten varias regionalizaciones (captulos V y IX respectivamente), y luego formulados en trminos de distribuciones (captulos III y X respectivamente). Despus de estas generalidades vienen temas ms especficos, y sobretodo orientados a las aplicaciones. El fenmeno muy general de la regularizacin de una variable, por ponderacin o por toma de muestras no puntuales es estudiado profundamente con el proceso de la subida. La subida es la operacin que permite pasar de una variable definida en el espacio de n dimensiones a variables definidas en los espacios de n 1, n 2, dimensiones, es la transposicin abstracta de la tcnica minera corriente que consiste en perforar sondajes verticales, y luego a trazar niveles horizontales, etc. La subida se acompaa de una regularizacin de la variable regionalizada, la cual se estudia en detalle debido a su importancia a la vez terica y prctica (captulos II y XI respectivamente).

10 Finalmente, se formulan en su generalidad, los problemas de estimacin y se desarrollan mtodos de aproximacin los cuales permiten el clculo numrico efectivo de las varianzas de estimacin correspondientes a los diferentes tipos de mallas de muestreo (captulos IV y XII respectivamente). Hay una estrecha relacin, y es uno de los temas mayores de esta obra, entre la mayor o menor regularidad de una variable regionalizada y el comportamiento, en la vecindad del origen, de su covariograma o de su funcin intrnseca, comportamiento caracterizado por una parte irregular cuya aventura, a la subida, pone en evidencia el proceso de regularizacin, y que se puede hacer una correspondencia, trmino a trmino, con el desarrollo limitado de la varianza de estimacin.

__________

11

PRIMERA PARTE

LAS REPRESENTACIONES TRANSITIVAS

12

CAPITULO PRIMERO

EL SIMBOLISMO TRANSITIVO
SUMARIO

Este captulo expone los conceptos fundamentales y el formalismo general de las representaciones transitivas. Con la excepcin del prrafo 5, el contenido de este captulo es indispensable para la comprensin de toda la primera parte. El prrafo 1 define el campo geomtrico V de una variable regionalizada f(x) (dominio fuera del cual f(x) = 0), y la variable geomtrica k(x) asociada a f(x) (k(x) = 1 si x pertenece a V, y 0 en el caso contrario). Se precisan las condiciones impuestas a f(x) (|f(x)| debe ser sumable). Luego se define el covariograma transitivo , herramienta de base de la teora, y el covariograma g (h) = f ( x) f ( x + h)dx = f f

. K(h) es igual a la medida de la interseccin de V y de su geomtrico K (h)= k k traslacin por h. Las propiedades de g(h) resultan del hecho que g(h) es una funcin de tipo positivo (continuidad, desigualdad | g (h) | g (0) , simetra g(h) = g(-h). Enseguida se proporciona la definicin de cantidad de metal Q (como una integral de f(x)) e indicaciones sobre las relaciones entre la regularidad de g(h) en h = 0 y la regularidad de la variable misma.
El prrafo 2 define las variables con soporte no puntual (muestras) y, ms generalmente, de una variable f por una funcin de ponderacin p. El las regularizadas f p covariograma de la regularizada se obtiene al regularizar g por el covariograma de p. Las variables regularizadas tienen, efectivamente, un comportamiento ms regular que la variable puntual. Cuando p = k es una variable geomtrica, se obtiene el algoritmo de Cauchy, de utilidad ms adelante (1, 2, 9). El prrafo 3 proporciona la definicin general de la subida, operacin que hace pasar de una variable de n dimensiones, (leyes en un yacimiento de 3 dimensiones) a una variable de n - 1 dimensiones (acumulaciones de los sondajes verticales). Los covariogramas suben y descienden de la misma manera que las variables. El prrafo 4 proporciona el formalismo de la subida para los covariogramas istropos. Un poco ms difcil que los tres primeros, indispensable para comprender el fenmeno esencial de la regularizacin con la subida. Despus de mencionar las anomalas posible debidas a un efecto rectangular, se definen subidas y descensos por la transformacin de Fourier-Hankel (1, 4, 6), luego, directamente por una convolucin (1, 4, 18).

13 El prrafo 5 tiene un carcter ms terico. Puede ser omitido, sin inconvenientes mayores por los naturalistas o los tcnicos: La relacin entre subida y transformacin de Hankel (1, 5, 3) permite asociar a un covariograma istropo, su covariograma istropo recproco, una subida para uno de ellos est asociada a un descenso de igual orden efectuada en el otro. Se estudia enseguida la estructura algebraica del conjunto de las subidas y de las transformaciones de Hankel, isomorfo del grupo de las translaciones-simetra, las subidas corresponden a las translaciones y las transformaciones d Hankel a las simetras.

1.- El covariograma y su transformada de Fourier. Hemos indicado, en la introduccin, el sentido fsico que convena atribuir a la variable regionalizada. Independiente del hecho que ella representa la evolucin en el espacio de un fenmeno natural, una variable regionalizada se define de un punto de vista puramente matemtico, como una funcin f(x) la cual toma, en cada punto x, de coordenadas (x1, x2, , xn) del espacio de n dimensiones, un valor numrico definido. En la prctica se tendr que n = 1, 2 o 3, pero es cmodo no especificar de antemano, el nmero de dimensiones del espacio. Puede suceder que esta funcin f(x) posea caractersticas suficientes de regularidad (ser continua y derivable) para que sea posible de representarla, de una manera satisfactoria al interpolarla por funciones ms simples (polinomios por ejemplo). Pero al contrario, muy a menudo, la funcin f(x) se comportar de manera extremadamente irregular. Ella no ser, lo ms a menudo, ni derivable, ni tampoco continua, y no se podr representar grficamente, de manera aproximada que por curvas en dientes de sierra. En este caso, el estudio directo de f(x) sera prohibitivo, y solo presentara un inters limitado, a causa de su misma complicacin. Pero, bajo la complejidad y la irregularidad extremas que presenta una regionalizacin en su variacin espacial, se disimula, en general, la estructura de un fenmeno natural. Por otra parte, en las aplicaciones, es necesario resolver ciertos problemas de gran importancia prctica, como la estimacin de una variable regionalizada a partir de un muestreo fragmentario. Reemplazar la funcin f(x) por una funcin g(h) mucho ms simple, pero sin embargo capaz, a la vez, de representar de una manera sinttica las caractersticas estructurales mayores de una regionalizacin, y de permitir la solucin de problemas prcticos que se pueden proponer legtimamente este es el primer objetivo de la teora de las variables regionalizadas. Campo geomtrico y variable geomtrica asociada. Supondremos, en adelante, que la funcin f(x) toma valores diferentes de cero en un dominio acotado V que llamaremos campo geomtrico 1 de la variable regionalizada f(x). Al exterior de su campo V, la variable se supone idnticamente nula: la regionalizacin se considera como aislada en el seno de un universo vaco. Pero las fronteras de este campo no son infranqueables, y es al franquear estas fronteras que se manifiestan, con menor o mayor intensidad la transicin brutal, los fenmenos de efecto de borde, los que volveremos a estudiar en los captulos V y VI. De all el nombre de representaciones transitivas para los mtodos expuestos en esta primera parte. De una manera general, en transitivo, una variable f(x) no puede ser considerada

La nocin de campo geomtrico de f(x) es la misma que la de soporte de una funcin o de una distribucin (ver Anexo A-1).

14 independiente de su campo, y no es posible de hacer una particin entre lo que es imputable a la variable misma y a su campo (ver captulo V, prrafos 3 y 4). Para caracterizar el campo V, es cmodo introducir la variable regionalizada k(x), definida como sigue: (I, 1, 1) k ( x) = 1 si x pertenece a V k ( x) = 0 si x no pertenece a V

Esta variable k(x) se llama variable geomtrica 2 asociada a f(x). Sin embargo, en ciertos casos, se puede suponer que el campo geomtrico es infinito, con la reserva que f(x) verifique condiciones convenientes de sumabilidad. Se obtiene entonces un modelo de reparticin zonal, donde la variable regionalizada tiende a cero, a partir de un ncleo, de manera ms o menos regular, donde la variable toma valores considerables. Condiciones impuestas a f(x). - En todos los casos supondremos que |f(x)| es sumable (al menos en el sentido de la integral de Lebesgue), de manera que todas las integrales f ( x)dx extendidas a dominios cualesquiera, tengan un sentido. Esta condicin, impuesta por consideraciones fsicas evidentes, es la nica verdaderamente necesaria. En general no se supondr que f(x) es derivable, ni tampoco continua. Podr tener una red completa de discontinuidades (puntos aislados, lneas y superficies) o an no ser continua en ninguna parte. Se podr aceptar adems que f(x) no est definida en ciertos puntos, siempre que estos puntos constituyan un conjunto de medida nula (por ejemplo una lnea o una superficie en el espacio de 3 dimensiones). Sin embargo, lo ms comn es que las variables regionalizadas sern del tipo continua por trozos, es decir que sern continuas en todas partes salvo en ciertas superficies, las cuales constituyen una red de discontinuidad, que, al atravesarlas, f(x) sufre un salto. Pero esta red puede ser muy compleja. En un yacimiento minero, por ejemplo, al nivel puntual, la ley f(x) debe ser definida como una variable geomtrica, igual a +1 si el punto x cae al interior de un grano mineralizado, y a 0 en el caso contrario. La red de discontinuidad est constituida por superficies de todos los granos mineralizados del yacimiento. Por otra parte, no es necesario precisar si f(x) es igual a +1 o a 0 cuando el punto x se encuentra en la superficie de un grano de mineral, porque estas superficies constituyen un conjunto de medida nula. El covariograma transitivo g(h). - A la variable regionalizada f(x) le asociaremos una funcin g(h) , llamada covariograma transitivo asociado a f(x), o ms brevemente covariograma de f(x), definida, para un argumento vectorial h de coordenadas (h1, h2, hn) por la expresin: (I, 1, 2)

g (h) = f ( x) f ( x + h)dx

En teora de conjuntos, k(x) se llama funcin caracterstica del conjunto V. No usaremos esta terminologa para evitar cualquier confusin con las funciones caractersticas del clculo de probabilidades, y tambin para destacar el hecho que k(x) y f(x) son de la misma naturaleza.

15 En esta frmula, la integral 3 es una integral mltiple de orden n, extendida a todo el espacio, y dx representa el elemento de volumen dx1 dx2dxn Segn las notaciones generales utilizadas en esta obra, (I, 1, 2) nos recuerda la expresin del producto de convolucin de dos funciones f1 y f2 (ver Anexo A, 6, 1):

f1 f 2 = f1 ( x) f 2 (h x)dx
de f , definida por: En efecto, al introducir la transpuesta f ( x) = f ( x) f
Y, cambiando x por x h , se pone (I, 1, 1) en forma equivalente: (I, 1, 3)

f = f f g= f

El covariograma g(h) asociado a una variable regionalizada f(x) es igual al producto de convolucin de f por su transpuesta. El covariograma est siempre definido, porque, debido a que la variable f tiene un campo geomtrico V acotado, la integral (I, 1, 2) extendida a todo el espacio, se calcula en realidad en un dominio acotado. De la misma manera, la variable geomtrica k(x) definida en (I, 1, 1) est caracterizada por su covariograma K(h): (I, 1, 4)

= k ( x ) k ( x + h) K (h) = k k

Llamado covariograma geomtrico asociado a V. La expresin k(x)k(x+h) es igual a la unidad en el dominio definido por la interseccin del campo V y de su traslacin por -h, que notaremos -hV, y 0 en cualquier otra parte. En efecto k(x) es igual a 1 cuando x est en V, y k(x+h) es igual a 1 cuando x+h = y est en V es decir si x = y - h est en -hV. As, el covariograma K(h) representa la medida (el volumen si n=3, la superficie si n=2, la longitud si n=1) de la interseccin del campo V y de su traslacin por h. En notacin de teora de conjuntos, esta interseccin se escribe V hV . Se tiene entonces: (I, 1, 5) K (h) = Medida(V hV ) = Medida (V hV )

Propiedades del covariograma. - Una funcin como g(h) o K(h) es evidentemente simtrica, como se ve al cambiar h por h (y, simultneamente x por x+h) en (I, 1, 2):

Lo ms comn es tomar esta integral en el sentido de las integrales de Lebesgue.

16 (I, 1, 6)

g ( h) = g ( h)

g=g

Por otra parte, cuando el mdulo del vector h es superior al dimetro mximo D de V (o alcance), k(x) y k(x+h) al menos uno es igual a 0, de manera que k(x) k(x+h)=0, y por consiguiente: (I, 1, 7)

g ( h) 0

para | h |> D

Luego, el covariograma solo toma valores no nulos en un dominio acotado, al igual que f(x). Propiedades ms especficas pueden ser obtenidas mediante la transformacin de Fourier. Transformada de Fourier de f(x) y de g(h). - Como V es acotado, y |f(x)| es sumable, la transformada (u) = (u1, u2, , un) de f(x) es: (I, 1, 8)

(u ) = F ( f ) = f ( x)e2 iux dx

Que es una funcin continua e indefinidamente derivable (Anexo A, 8, 1), y la transformada inversa:

f ( x) = F ( ) = (u )e 2 iux du
Es siempre posible 4. Como la transformacin de Fourier cambia los productos convolutivos en multiplicativos, se deduce de (I, 1, 3) que la transformada G(u) del covariograma g(h) es: (I, 1, 9)

G (u ) = g (h)e 2i uh dh =| (u ) |2

Es igual al cuadrado del mdulo de (u) . Resulta entonces, del teorema de Bochner (Anexo A, 9, 1) que el covariograma g(h) es tambin una funcin de tipo positivo, y esto implica las propiedades siguientes: a) g(h) es una funcin continua de su argumento vectorial h. b) g(h) = g(-h) conforme a (I, 1, 6) c) g(h) est acotada en mdulo por su valor g(0) en el origen, valor que es obligatoriamente positivo. (I, 1, 10)
| g (h) | g (0) = [ f ( x) ] dx
2

Veremos, en el captulo IV que la obligacin impuesta a g(h) de ser de tipo positivo, no es otra que la condicin necesaria y suficiente para que todas las varianzas de estimacin sean positivas.
4

Por lo menos en el sentido de las distribuciones (A, 8, 2).

17

Cantidad de metal. Se llama cantidad de metal Q 5 asociada a la variable regionalizada a la integral extendida a todo el espacio:
(I, 1, 11)

Q = f ( x)dx

Al hacer u = 0 en (I, 1, 8), se obtiene: (I, 1, 12)

Q = (0)

Consideremos ahora la integral del covariograma g(h) extendida a todo el espacio. Al hacer u = 0 en (I, 1, 9), se obtiene |(0)|2 , es decir Q2 segn (I, 1, 12): (I, 1, 13)

Q 2 = g (h)dh

La integral del covariograma, extendida a todo el espacio, es igual al cuadrado de la cantidad de metal. Si aplicamos este resultado a la variable geomtrica y al covariograma geomtrico K(h), la cantidad de metal es reemplazada por la medida (volumen, superficie o longitud segn que n = 3, 2, o 1) del campo V, medida que designaremos tambin por V: V = k ( x)dx = K (0) 2 V = K (h)dh

(I, 1, 14)

Significacin fsica del covariograma. - El comportamiento de g(h) en la vecindad del origen es ms regular cuando la regionalizacin es tambin ms regular y continua en su variacin espacial. Por ejemplo, si f(x) admite derivadas de primer orden, g(h) admite derivadas de orden 1 y 2. Tomemos, en efecto, una derivada en la direccin , se tiene:

f f f =

2 g f = 2
^

(se sabe, Anexo A, 6, 1 que para derivar un producto de convolucin, basta con derivar uno de los factores). Como la derivada de la transpuesta es igual a la transpuesta de la derivada 2 g f con signo negativo, se ve adems que 2 es el covariograma asociado a . Como g(h) = g(-h) es una funcin par, las primeras derivadas de g son nulas en el origen , y g(h) presenta en el origen un comportamiento parablico (en h2).
Esta terminologa es de origen minero: Si V es un yacimiento y f(x) la ley en el punto x , expresada en metal contenido por unidad de volumen (ley volumtrica) si n = 3, o de superficie (acumulacin) si n = 2, o de longitud (cantidad de metal al metro de profundidad) si n = 1, Q representa efectivamente la cantidad de metal contenido en V.
5

18 Por otra parte, el recproco no es necesariamente exacto. Si g(h) tiene en el origen un comportamiento en h2 , es decir si g(h) es dos veces derivable en h = 0 , se sabe, que siendo g(h) una funcin de tipo positivo, es derivable dos veces en todas partes (Anexo A, 9, 2). Pero de aqu no resulta que f(x) sea tambin derivable. Solamente se puede afirmar que f(x) es derivable en media cuadrtica, es decir que la integral: (I, 1, 15)

f ( x + h) f ( x ) g (h) g (0) dx = 2 h h2
2

Tiende a un lmite g(0) cuando |h| tiende a 0. De la existencia de g(0) se deduce solamente que f(x) es continua casi en todas partes (es decir puede ser discontinua en un conjunto de medida nula). En la prctica, las funciones f(x) discontinuas que es posible encontrar son del tipo continuas por trozos , es decir son continuas en todas partes, salvo al atravesar una red de discontinuidad, donde presentan saltos. Se ve fcilmente que para una funcin de este tipo, la integral (I, 1, 15) no puede tener lmite, de manera que las derivadas segundas en el origen no existen. As, un covariograma que presenta en el origen un comportamiento parablico caracteriza, prcticamente, una variable regionalizada continua en el sentido usual. Hemos visto, por otra parte, que g(h) es siempre una funcin continua de h. Esto es una consecuencia de la hiptesis hecha sobre la sumabilidad de |f(x)| , es decir sobre la existencias de las cantidades de metal, y esto implica que: (I, 1, 16)

| f ( x + h) f ( x ) |

dx = 2 [ g (0) g (h) ]

Tiende hacia 0 cuando |h| tiende a 0. Se enuncia este resultado diciendo que f(x) es continua en media cuadrtica. Recprocamente, si f(x) es continua en el origen, y, como g(h) es de tipo positivo, esto basta para garantizar que g(h) es continua en todas partes. Sin embargo, desde el punto de vista prctico, el hecho que el covariograma sea siempre continuo, y f(x) siempre continua en media cuadrtica, bajo la hiptesis que |f(x)| es sumable, no debe ilusionarnos. Existen discontinuidades que equivalen experimentalmente y en las aplicaciones prcticas - a una perfecta discontinuidad. Se puede encontrar siempre un tal que |h| implica |g(0) - g(h)| , pero puede ocurrir que este nmero sea extremadamente pequeo a la escala humana. En esta caso, citado anteriormente, de una ley puntual f(x) en un yacimiento minero, las distancias a partir de las cuales se manifiesta la continuidad de g(h) son del orden de magnitud de las dimensiones granulomtricas, es decir, a lo ms, algunos milmetros. A la escala del hombre, es decir, por ejemplo, para del orden de algunos metros, se observa una total discontinuidad [tanto en el caso de g(h) como para f(x)]. Se ve as aparecer un tipo de covariograma, importante en las aplicaciones prcticas, el cual se comporta prcticamente de una manera discontinua en el origen, el cual corresponde a variables regionalizadas de alto grado de irregularidad. Se dice que estos covariogramas

19 presentan un efecto de pepita en el origen 6. En realidad, no hay una discontinuidad verdadera, sino una zona de transicin muy rpida donde g(h) decrece de manera extremadamente rpida a partir de g(0). La dimensin de esta zona de transicin, o alcance del efecto de pepita es muy pequea: en el ejemplo ya citado, este alcance es del orden del dimetro medio de los granos de mineral. Ms all de este alcance, el g(h) decrece de manera ms moderada. En las aplicaciones prcticas (dado que los datos experimentales no permiten hacerlo de otra manera) - se representa el covariograma por una curva regular g1(h) extrapolando esta tendencia moderada justo hasta h = 0 , y se introduce una constante de pepita C definida por: C = g (0) g1 (h) En que g (0) = | f ( x) |2 dx es conocida experimentalmente, y donde g1(0) se obtiene extrapolando la curva regular g1(h) . Se tiene as: (I, 1, 17)
g(h)= g1 (h) g(0)= g1 (0)+C para h 0 para h = 0

Con este covariograma esquematizado de esta manera, se debe, por ejemplo, calcular la varianza de estimacin (ver captulo IV) en presencia de efecto de pepita. Mencionemos, para terminar, que las anisotropas del covariograma detectables experimentalmente, permiten poner en evidencia y de caracterizar las direcciones principales, que podran haberse escapado al estudiar directamente la variable regionalizada misma.

2- Variable con soporte no puntual y regularizacin de las variables.


Muy a menudo, no se dispone experimentalmente de los valores de la variable puntual f(x), sino solamente valores medios de esta variable en volmenes v que tienen sus centros de gravedad en los puntos x1, x2, , correspondientes a los puntos donde han sido tomadas las muestras de volumen v. Estas muestras definen una nueva variable regionalizada, diferente de f(x) , y cuyas caractersticas dependen del tamao y de la forma de la muestra v . Esta nueva variable se llamar regularizada de f(x) por v , y se espera, en efecto, a que ella sea ms regular en su variacin espacial que f(x). El volumen v se llamar soporte geomtrico de la variable regularizada por v, mientras que f(x) se llama a veces variable con soporte puntual. Se pueden definir dos variables de soporte v:

Esta terminologa, de origen minero, evoca el comportamiento, particularmente errtico, de los yacimientos de oro pepticos. La nocin de efecto de pepita ser presentada, de manera ms rigurosa, en el captulo III.

20

(I, 2, 1)

1 t x = f ( x + h)dx ( ) v v q ( x) = f ( x + h)dx v

En esta escritura, la integracin se hace con respecto al argumento vectorial h, cuya extremidad recorre el volumen v centrado en x = 0 . La primera variable t(x) representa el valor medio de f(x) en el volumen centrado en x. En la terminologa minera, es la ley media de la muestra v tomada en el punto x . Esta ley solo est definida cuando el volumen v es acotado. La segunda q(x) = v t(x) representa la cantidad de metal contenido en esta misma muestra, y est definida an en el caso en que v no sea acotado, porque |f(x)| es sumable. Ms generalmente, se puede definir una ley media y una cantidad de metal generalizadas (o ponderadas) asociadas a una funcin de ponderacin p(h) . Se escribir, por ejemplo: q ( x) = f ( x + h) p (h)dh 1 t ( x) = f ( x + h) p (h)dh p p = p (h)dh

(I, 2, 2)

p(x) y t(x) se llamarn regularizadas de f(x) por la funcin de ponderacin p(h). A veces se tomar para p(h) una funcin idnticamente nula al exterior de un volumen v centrado en el origen. En otros casos, el soporte de p puede ser no acotado, con la reserva natural de verificar las condiciones convenientes de sumabilidad. Por otra parte (I, 2, 1) aparece como un caso particular de (I, 2, 2). Al introducir la variable geomtrica k(x) asociada al volumen v centrado en el origen, (I, 2, 1) se escribe, en efecto:

(I, 2, 3)

q ( x) = f ( x + h)k (h)dh 1 t ( x) = f ( x + h)k (h)dh v

En este caso particular, la funcin de ponderacin k(h) se llama tambin funcin de muestreo. Para desarrollar el simbolismo transitivo, es til poner estas diversas expresiones en la forma de productos de convolucin. Al cambiar h por h x , e introduciendo la (h) = p ( h) , se encuentra fcilmente: transpuesta p

( x h)dh = f p f ( x + h) p(h)dh = f (h) p

21 De aqu la escritura simblica buscada, equivalente a (I, 2, 2): q ( x) = f p 1 t ( x) = p f p

(I, 2, 4)

Al comparar (I, 2, 4) con (I, 2, 3), se ve que el covariograma g(h) puede ser interpretado como la cantidad de metal asociado a una funcin de ponderacin idntica a la variable f(x) misma: El covariograma es la auto-regularizada de una variable regionalizada. En el caso particular de una variable geomtrica k(x), se encuentra tambin (I, 1, 5). En este caso, en efecto, K(h) representa la medida de lo que se obtiene al tomar en V una muestra igual a V pero trasladado en la traslacin h - es decir la medida de la interseccin de V y de su trasladado -.

Covariograma de la variable regularizada. Designemos, por ejemplo, por gq(h) al covariograma de q(x) . Este covariograma, por una aplicacin inmediata de (I, 1, 3) est dado por: p= f f p p f gq = f p
Al tomar en cuenta las propiedades de asociatividad y de conmutatividad del producto de convolucin, y designando por

P (h) = p p
Al covariograma asociado a la funcin de ponderacin p, se obtiene el notable resultado siguiente: (I, 2, 5)

gq = g P

El covariograma de la cantidad de metal asociado a una funcin de ponderacin p se obtiene al regularizar el covariograma g de la variable puntual por el covariograma P de la funcin de muestreo. En el caso de una funcin de muestreo k(x), se reemplaza P por el asociado a k(x). covariograma geomtrico K = k k Anlogamente, para la ley media t(x) asociada a p , se obtiene el covariograma: (I, 2, 6) gt = 1 gP p2

Se ve lo que es necesario entender por regularizacin: Si, por ejemplo, la funcin de muestreo p admite derivadas primeras (o si es solamente derivable en media cuadrtica) P es dos veces derivable. Pero ahora, segn la regla de derivacin de productos convolutivos, gq o gt son tambin dos veces derivables, y q(x) y t(x) son derivables en media cuadrtica, an si f(x) no lo fuera: P transmite a gq y a gt sus propias caractersticas de

22 regularidad. Esta regularizacin ser estudiada con mucho ms detalle, en los dos ltimos prrafos de este captulo y en los dos captulos siguientes: El valor en el origen gt(0) del covariograma regularizado se escribe: (I, 2, 7) gt (0) = 1 g (u ) P (u )du p2

, luego cambiando u por u v , queda: Al reemplazar P(u) por p p


gt (0) = 1 p2

g (u ) p(v) p(u + v)dudv = p g (u v) p(u ) p(v)dudv


2

Al tomar h = u v , se ve que esta expresin representa el valor medio de g(h) , cuando las extremidades v y u del vector h recorren el espacio, ponderado por p(u) y p(v). Como siempre se tiene que g (h) g (0) , se tiene tambin gt (h) g (0) Y esto es otra manifestacin de la regularizacin. En el caso particular de una funcin de muestreo k, con covariograma geomtrico K, correspondiente a una muestra v de volumen K(0) = v, la relacin anterior se escribe: (I, 2, 8)

gt (0) =

1 1 g (h) K (h)dh = 2 2 v v

g ( x y)k ( x)k ( y)dxdy

Entonces gt(0) representa el valor medio de g(h) cuando las dos extremidades x e y de h recorren, cada uno por su propia cuenta, el volumen v. Esta relacin constituye el algoritmo de Cauchy, el cual ser til ms adelante. Se aplica, naturalmente, a una funcin F(h) cualquiera y se demuestra de la misma manera: la integral de orden 2n que da el valor medio de F(), cuando las extremidades x e y del vector h recorren un volumen v, se reduce as a una integral de orden n, donde figura el covariograma geomtrico K(h) del volumen v: (I, 2, 9)
1 v2

F ( x y)dxdy = v F (h) K (h)dh


2 v v

De la misma manera se obtiene (I, 2, 10)

g t ( h) =

1 1 g (h + u ) K (u )du = 2 2 v v

g (h + x y)dxdy
v v

El valor medio de g(h) aparece como el valor medio de g(h) , cuando las dos extremidades del vector h recorren, cada una por su cuenta, dos volmenes v1 y v2 iguales a v y trasladados uno del otro por la traslacin h.

23

Cantidad de metal asociado a la variable regularizada. Por razones de coherencia, es deseable que la cantidad de metal Qt :

Qt = t ( x)dx
Asociada a la variable regularizada t(x) coincida con la cantidad Q , asociada en (I, 1, 11) a la variable puntual correspondiente. Demostremos que es bien as. Sean (u) y (u) las transformadas de Fourier de la funcin de ponderacin p y de la variable f(x). Se tiene: Q = (0) 1 Q = (0) (0) t p Pero porque p = p ( x)dx - se tiene justamente (0) = p, de donde resulta bien (I, 2, 11) Qt = Q

3. - Procesos de subida y de descenso.


Cuando el volumen de muestreo v no es acotado, la ley

t ( x) =

1 f k v

queda perfectamente definida. En el lmite, el se desvanece, pero la cantidad q( x) = f k volumen ilimitado v puede reducirse a una recta, a un plano (o a un hiperplano si se tienen ms de tres dimensiones) y nada nos prohbe definir variables regionalizadas con n - 1, n 2, dimensiones, definidas como cantidades de metal en las rectas, los planos, , paralelos. Para precisar esta nocin, designemos por fn(x1, x2, , xn) al valor de la variable regionalizada de n dimensiones en el punto de coordenadas:
(x1, x2, , xn) La variable de n 1 dimensiones, definida por la integral: (I, 3, 1)

f n 1 ( x1 ,..., xn 1 ) = f n ( x1 ,..., xn 1 , xn )dxn

Representa las cantidades de metal de las rectas paralelas al eje de las xn . Anlogamente, la variable de n 2 dimensiones definida por la integral:

24 (I, 3, 2)

f n 2 ( x1 ,..., xn 2 ) = f n 1 ( x1 ,..., xn 1 ) dxn 1 = f n ( x1 ,..., xn 1 , xn )dxn 1dxn

Representa las cantidades de metal de los planos paralelos a los ejes xn y xn-1. La operacin (I, 3, 1), que hace pasar de fn a fn-1 , ser designada como subida de orden 1 efectuada a lo largo del eje de las xn. Anlogamente, la operacin (I, 3, 2) puede ser considerada como una subida de orden 1, a lo largo del eje de las xn-1, que hace pasar de fn-1 a fn-2, sea como una subida de orden 2 en el plano de los xnxn-1 , haciendo pasar directamente de fn-1 a fn-2 . En los espacios de ms de 3 dimensiones, se definir igualmente subidas de orden 3 o 4, etc. Para efectuar una subida a lo largo de un eje, o de un plano, no paralelo a un eje o plano de coordenadas, basta naturalmente de realizar una rotacin conveniente en el sistema de ejes coordenados. En el caso de una variable de 3 dimensiones f3(xyz) que representa una ley de un yacimiento minero (ley expresada en cantidad de metal por unidad de volumen), la subida toma una significacin muy concreta. Se supone que el eje de las z es la vertical, la variable:

f 2 ( xy ) = f 3 ( xyz ) dz
Representa la cantidad de metal por unidad de superficie o acumulacin, de un sondaje vertical implantado en el punto de coordenada (xy) . La subida vertical hace pasar de la variable de 3 dimensiones f3, ley volumtrica, a la variable f2, de 2 dimensiones o acumulacin. Anlogamente, la variable de 1 dimensin:

f1 ( z ) = f 3 ( xyz ) dxdy
Representa la cantidad de metal al metro cuadrado de profundidad en un nivel de cota z. Las leyes volumtricas son menos regulares, en su variacin espacial, que las acumulaciones de los sondajes verticales, y estas son menos regulares que los tonelajes de metal al metro de profundidad. El estudio detallado que haremos, de este proceso de regularizacin por la subida presenta entonces un inters prctico cierto. Adems, tendr el mrito de aclarar, en un ejemplo preciso, el fenmeno general de la regularizacin. La operacin de subida se formula, de manera particularmente simple, con la ayuda de la transformacin de Fourier. Designemos en efecto por:

n (u1 ,..., un 1 , un ), n 1 (u1 ,..., un 1 ) y n 2 (u1 ,..., un 2 )


A las transformadas de Fourier de fn(x1,,xn) y de las variables fn-1(x1,,xn-1) y fn2(x1,,xn-2), que se deducen por subida de orden 1 y 2 de acuerdo a (I, 3, 1) y (I, 3, 2). Se obtiene inmediatamente: (I, 3, 3)

n 1 (u1 ,..., un 1 ) = n (u1 ,...un 1 , 0) n 2 (u1 ,..., un 2 ) = n 1 (u1 ,...un 2 , 0) = n (u1 ,..., un 2 , 0, 0)

25 La operacin de subida a lo largo del eje de las xn se manifiesta por la anulacin de la coordenada un de la transformada de Fourier, conforme a un mecanismo bien conocido, en clculo de Probabilidades, para el paso de una ley de distribucin a su ley marginal. Ms generalmente, la subida a lo largo de una recta, de un plano, cualesquiera se traducira por una, dos, relaciones lineales homogneas entre las coordenadas ui. No insistiremos aqu en el lgebra de la subida. Observamos solamente que, segn (I, 3, 2), las subidas a lo largo de dos ejes perpendiculares constituyen operaciones conmutativas, cuyo producto proporciona la subida de orden 2 en el plano de estos dos ejes: esto se ve, ms cmodamente an en (I, 3, 3). La operacin inversa de la subida o descenso, est estrechamente ligada al problema de Radon 7 que consiste en determinar una funcin, conociendo el valor de su integral sobre todas las rectas, o todos los planos, del espacio. Abordaremos este problema, en el prrafo siguiente, en el caso particular de funciones istropas, lo cual es suficiente para las aplicaciones prcticas, y permite poner en evidencia las propiedades esenciales de las operaciones de subida y descenso.

Subida sobre los covariogramas. Designemos por gn , gn-1, gn-2,los covariogramas de n, n - 1, n - 2, dimensiones asociadas a las variables fn, fn-1, fn-2, introducidas en (I, 3, 1) y (I, 3, 2) y por Gn, Gn-1, Gn-2 sus transformadas de Fourier. De las relaciones de definicin:
gn = fn f n g n 1 = f n 1 f n 1 g = f n2 f n2 n2 Se concluye, inmediatamente, al tomar en cuenta (I, 3, 3):
Gn (u1 ,..., un ) =| n (u1 ,...un ) |2 2 2 Gn 1 (u1 ,..., un 1 ) =| n 1 (u1 ,...un 1 ) | =| n (u1 ,..., un 1 , 0) | 2 2 Gn 2 (u1 ,..., un 1 ) =| n 1 (u1 ,...un 2 ) | =| n (u1 ,..., un 2 , 0, 0) | Por consiguiente, se tiene: (I, 3, 4) Gn 1 (u1 ,..., un 1 ) = Gn (u1 ,..., un 1 , 0) Gn 2 (u1 ,..., un 2 ) = Gn (u1 ,..., un 2 , 0, 0)

Al comparar con (I, 1, 3), se concluye que el covariograma asociado a la nueva variable obtenida a partir de una subida puede obtenerse al efectuar directamente la misma subida sobre el covariograma de la variable primitiva. Subida y paso al covariograma son operaciones permutables.

El problema de Radon est tratado en Guelfand y Chilov Les Distributions, Pars, Dunod, 1962. Ver tambin Guelfand e Igraiev, Integralnaa geometria, Mosc, 1962.

26 Diremos, brevemente, que el covariograma sube y desciende al mismo tiempo que la variable a la cual est asociada.

4.- Subida y descenso para covariogramas istropos.


Se dir que la variable regionalizada fn(x) de n dimensiones obedece a un esquema transitivo istropo si el covariograma transitivo gn(h) asociado, no depende de la direccin del argumento vectorial h, sino solamente de su mdulo, que designaremos por r: (I, 4, 1) r = h12 + h2 2 + ... + hn2

Se escribir gn(r), en lugar de gn(h), el ndice n sirve para recordar que gn(r), bien que solo depende de la sola variable r, es en realidad una funcin definida en el espacio de n dimensiones. En las aplicaciones, se utilizarn casi exclusivamente esquemas istropos, sea porque las regionalizaciones presentan realmente un grado suficiente de isotropa, sea porque es posible reducirse a esta caso simple por una transformacin lineal conveniente de las coordenadas (afinidad geomtrica). Los esquemas istropos nos permitirn, en los dos captulos siguientes, de poner en evidencia el fenmeno de la regularizacin con la subida: un gn(r) que se comporta en r en la vecindad del origen proporciona, por subidas sucesivas, covariogramas en r+1, r+2, , salvo en el caso particular en que es un entero par. En este ltimo caso, se observar la secuencia r, r2logr, r3, r4logr.

Efecto rectangular. - Sin embargo, adems del caso istropo, nos podemos imaginar covariogramas que no se regularizan a la subida. Por ejemplo, si un covariograma de 3 dimensiones es de la forma:
g3(xyz) = g(x)g(y)g(z) Se obtendr, por subidas de orden 1 y 2, los covariogramas:

g 2 ( xy ) = Ag ( x) g ( y ) 2 g1 ( z ) = A g ( z ) + A = g (u )du
Que presentan, en el origen, el mismo comportamiento que g3. Un efecto de este tipo puede existir en la naturaleza, en una forma ms o menos atenuada, imaginemos el caso lmite de la variable geomtrica k(x) asociada al cubo de lado unidad. En este caso, se tiene:

27 K ( xyz ) = (1 | x |)(1 | y |)(1 | z |) para | x | 1,| y | 1,| z | 1 en otro caso K ( xyz ) = 0 En la subida, se obtiene (1 - |x|)(1 - |y|) y (1 - |z|) . Las potencias de los sondajes verticales, o de las superficies de las secciones horizontales varan, en los espacios de 2 y 1 dimensiones, con exactamente el mismo grado de irregularidad que k(xyz) en el espacio de 3 dimensiones. Los fenmenos de esta naturaleza sern designados con el nombre de efecto rectangular. A pesar que un tal efecto puede a veces manifestarse, la mayora de los fenmenos naturales podrn ser estudiados a partir de esquemas istropos, o reducindolos a modelos istropos.

Estudio de la subida istropa por la transformacin de Hankel. _ La subida istropa puede estudiarse, sea directamente, o bien a partir de las relaciones (I, 3, 3). Examinaremos, en primer lugar, el mtodo que se fundamente en la transformacin de Fourier. Como gn(r) tiene simetra esfrica, ocurre lo mismo con su transformada, la cual puede ponerse en la forma G(), con:
(I, 4, 2)
2 = u12 + u2 2 + ... + un

Se sabe (Anexo A, 8, 1) que G() admite la expresin siguiente: (I, 4, 3)

G ( ) = F ( g n ( )) = 2

n 2
0

r 2 J n (2 r ) g n (r )dr
2

J designa la funcin clsica de Bessel con ndice . La frmula (I, 4, 3) representa la transformacin de Fourier en el espacio de n dimensiones cuando se considera que gn y G son funciones istropas definidas en este espacio. Si gn y G se consideran como funciones de una sola variable (r o ), la misma frmula representa la transformacin de Hankel de orden n, y puede generalizarse, como tambin la frmula recproca, a valores no enteros de n. El proceso de subida a lo largo del eje de las xn (proporciona, evidentemente la misma funcin istropa a lo largo de cualquier eje), se representa, segn (I, 1, 3), anulando la coordenada un de la transformada de Fourier del covariograma. Esta transformada G(), solo depende de . Ahora, al anular un en (I, 4, 2), se obtiene simplemente el mismo , considerado como radio vector del espacio de n - 1 dimensiones. Por consiguiente, el covariograma gn-1 deducido de gn por subida de orden 1 tiene, en su espacio de n - 1 dimensiones, una transformada de Fourier G(), la cual, como funcin de no se distingue de la transformada G() de gn , tomada en su espacio de n dimensiones. As, en esquema istropo, una subida, o un descenso, de orden cualquiera, a lo largo de una recta, de un plano, de orientacin cualquiera, deja invariante la transformada G() del covariograma. Escribiremos: (I, 4, 4) G ( ) = Fn g n = Fn 1 g n 1 = ... = Fn k g n k

28 La inversa de la transformada de Fourier proporciona inmediatamente la expresin del covariograma obtenido por subida de orden k : (I, 4, 5)

g n k (r ) = Fn k G ( ) = 2 r

nk 2
0

nk 2

J n k (2 r )G ( )d
2

Esta frmula da la solucin terica del problema de la subida y del descenso en esquema istropo, una vez conocida la funcin G(). Para el descenso, basta, naturalmente, con dar a k un valor negativo. Como las transformaciones de Hankel se generalizan para ndices no enteros o semi-enteros, nos podemos imaginar subidas o descensos de orden cualquiera (no entero). Ms generalmente, el conocimiento de la funcin G() permite definir una familia de covariogramas istropos g(r) , la cual depende de un parmetro , definida por la relacin: (I, 4, 6)

g (r ) = F G ( ) = 2 r

G ( ) J (2 r )d
2

El juego del proceso de la subida y del descenso permite describir toda la familia de los g , una subida de orden , por ejemplo, hace pasar de g a g- , mientras que la transformada de Hankel:

F g = F g = G ( )
Queda invariante. Notemos bien que el orden de esta transformacin debe ser tomado igual al ndice (la transformada de Fourier debe ser tomada en el espacio de dimensiones al cual pertenece g). Si se efecta una transformacin de ndice cualquiera pero fijo, veremos que F g desciende cuando g sube, y, recprocamente.

Estudio directo de la subida. - En el caso de una funcin istropa gn(r) , las expresiones directas (I, 3, 1) y (I, 3, 2) de las subidas de orden 1 y 2 se ponen en la forma siguiente:
g ( r ) 2 g n ( r 2 + x 2 )dx = n 1 0 g (r ) = 2 g ( r 2 + 2 ) d n n2 0

(I, 4, 7)

La expresin de gn-2 se obtiene al pasar en coordenadas polares en el plano de (xn, xn-1). Mediante el cambio de variable:

u = r2 + 2
Se obtiene inmediatamente:

29

(I, 4, 8)

g n 2 (r ) = 2 ug n (u )du
0

Se ve que la subida de orden 2 (y, en general, toda subida de orden impar) se reduce a una integracin ordinaria. La operacin recproca, el descenso de orden par, se efecta por medio de derivaciones simples. Por ejemplo, al derivar (I, 4, 8) en r, se obtiene la expresin del descenso de orden 2 8: (I, 4, 9)

g n (r ) =

d g n 2 (r ) 2 r dr

Por el contrario, las subidas de orden impar son operaciones ms difciles. El descenso de orden 1, en particular, no se puede expresar con la ayuda de derivaciones elementales. Esta circunstancia no es fortuita. Tomemos, en efecto, como nueva variable: (I, 4, 10) y = r2

Y consideremos los gk(r) como funciones gk(y) de esta nueva variable. Las dos ecuaciones (I, 4, 7) se ponen (mediante los cambios de variables v = y + x2 y v = y + 2) en la forma:
dv ( ) = g y gn ( v ) n 1 v y y g ( y ) = g (v)dv n n2 y

(I, 4, 11)

La segunda expresin es una integracin simple de gn(u) , mientras que la primera se presenta como un producto de convolucin: (I, 4, 12)
g n 1 ( y ) = g n ( y ) T ( y )

De gn(u) por la funcin T(y) definida como sigue:


1 T ( y ) =| y | 2 T ( y ) = 0

para y <0 para y >0

Esta funcin T(y) aparece como muy prxima del operador Y que representa, en teora de las distribuciones, la integracin de orden (Anexo A, 7). Se tiene, en efecto:
Nota del Traductor: Las relaciones (I, 4, 8) y (I, 4, 9) son las ecuaciones de la simulacin de una variable regionalizada por el mtodo de las lneas rotantes.
8

30

Y1 ( y ) =
2

T ( y )

Reemplazar T(y) por Y en el producto de convolucin (I, 4, 12) equivale a reemplazar la primera integral de (I, 4, 11) por:
1

g
0

(v )

dv yv

Es decir, prcticamente, a realizar la integracin de 0 a y , y no de y al infinito. Como el producto de un nmero par de integraciones de orden es una integracin de orden entero, no es sorprendente que la subida de orden par conduzca a resultados simples. Introduzcamos ahora las funciones F(y) definidas por 9:

(I, 4, 13)

| y | 1 F ( y ) = ( ) F ( y) = 0

para y < 0 para y > 0

() designa la funcin euleriana (Anexo B). Se demuestra fcilmente (Anexo A, 7, 1) que el producto de convolucin de F por F es F+ : (I, 4, 14)

F F = F +

Como la subida de orden 1 puede representarse por el producto de convolucin:


g n 1 ( y ) = g n ( y ) F1 ( y )
2

La relacin (I, 14, 4) permite escribir la subida de orden k en la forma: (I,4 15) g n k ( y ) = 2 g n ( y ) Fk ( y )
2 k

Para k = 0, caemos de nuevo en la funcin gn(y) 10 , y para k entero par caemos de nuevo en integraciones ordinarias. Anlogamente, el descenso de orden k se obtiene al cambiar k por k:

En realidad, cuando la parte real es negativa o nula, F es una distribucin, igual, por otra parte, a la transpuesta de Y definida en (A, 5). Las relaciones que vamos a escribir, solo tienen sentido, para todos los valores de , cuando los gn y los F son distribuciones. En las aplicaciones, los valores de son tales que conservan su sentido si gn y F son funciones. 10 F0 es la distribucin de Dirac (Anexo A, 5).
9

31 gn+k ( y ) =
k 2

gn ( y ) F k ( y)
2

En efecto, la subida de orden k efectuada sobre un gn+k proporciona bien gn 11. Finalmente, la subida de orden cualquiera (entero o no, positivo o negativo) se obtiene al reemplazar k por . Todos los covariogramas g , que pertenecen a una misma familia, tal como los definimos en (I, 4, 6), pueden deducirse de uno cualquiera de ellos por el proceso de subida o de descenso, representados por los productos de convolucin: (I, 4, 16) g ( y ) = 2 g + ( y ) F ( y )
2

Al volver a las notaciones explcitas:


1 2 2 g ( y ) = g ( v )( v y ) dv + y

(I, 4, 17)

2 Finalmente, al reintroducir la variable primitiva r2 = y, y cambiando encontramos la expresin de la subida de orden bajo la forma siguiente:
1 2 2 2 2 2 ( )( ) g (r ) = g u u r udu + r 2

en

u2 ,

(I, 4, 18)

En un proceso de descenso ( negativo), podra suceder que una integral como (I, 4, 18) sea divergente (en el sentido usual). En general, se podr evitar el recurso a la teora de las distribuciones, al descender primero en un entero, operacin que solo introduce derivaciones ordinarias, y, efectuando a continuacin la subida de orden positivo 2k . Por ejemplo, la subida de orden 1: g n 1 (r ) = 2 g n (u )
r

u u2 r2

du

Admite como recproco el descenso de orden 1: (I, 4, 19) g n (r ) = g


r

' n 1

(u )

u u2 r2

du

11

Porque F-k / 2 * Fk / 2 = F0 = .

32 Esta relacin se interpreta como un descenso de orden 2, que conduce, segn (I, 4, 9) a 1 ' g n +1 = g n +1 (u ) , seguido de una nueva subida de orden 1. 2 u

Eleccin de un modelo istropo. Las operaciones realizadas aqu tienen un carcter formal y no consideran para nada la capacidad de los covariogramas g obtenidos para representar convenientemente a la variable regionalizada correspondiente a uno u otro fenmeno natural. Solamente, un conocimiento directo del fenmeno natural mismo puede permitir un juicio. En la eleccin de un modelo terico de covariograma, es necesario buscar la mejor interpolacin posible del covariograma experimental, construido sobre puntos discontinuos segn los datos disponibles. Se deber tambin asociar una extrema importancia al comportamiento de g(r) en la vecindad del origen. An en los casos en que este comportamiento no est suficientemente puesto en evidencia por los datos experimentales, se podr, en general, tener nociones a priori bastante precisas acerca de su naturaleza analtica, gracias a los conocimientos cualitativos que se pueden tener, por otra parte, sobre el fenmeno representado. Naturalmente, en este caso, la experiencia es el juez soberano y podr por si sola decidir si tal u otro tipo de comportamiento conviene bien a tal u otro tipo de variable. Sin embargo, los covariogramas utilizados debern siempre ser de tipo positivo. Esta condicin es imperativa, si no se desea caer un da en una varianza de estimacin negativa. En este sentido, es importante observar que, para que todos los covariogramas g de una familia de covariogramas istropos sean de tipo positivo, basta con que uno solo de ellos lo sea. Esto resulta inmediatamente de la relacin (I, 4, 4) y del teorema de Bochner (Anexo A, 9, 1). Para que un g sea de tipo positivo, es necesario y suficiente que su transformada de Fourier G() , tomada en el espacio de dimensiones sea una funcin no negativa (ms generalmente, una medida positiva). Como todos los g tienen la misma transformada de Fourier G(), en sus espacios respectivos de dimensiones, son todos de tipo positivo si uno solo de ellos lo es. 5. Modelo recproco y grupo de Hankel.
La operacin de subida de orden , tal como est definida en (I, 4, 18), puede ser simbolizada por un operador M. Por definicin (I, 4, 18) se escribe entonces: (I, 5, 1)

g = M g +

Pero esta misma operacin puede igualmente expresarse, con la ayuda de (I, 4, 6), segn las transformaciones de Hankel F que estn as en relacin estrecha con los M. La relacin (I, 4, 6) se simboliza por las dos ecuaciones siguientes: G = F + g + g = F G Resulta la relacin:

33

(I, 5, 2)

g = F F + g +

Al comparar (I, 5, 1) y (I, 5, 2) obtenemos una relacin entre operadores:

M = F F +
Que escribiremos, al cambiar por y por - , en la forma siguiente: (I, 5, 3)

M = F F

El producto de transformaciones de Hankel de orden y es igual a la subida de orden - . Es necesario precisar bien que el operador FF el cual acta sobre una funcin f, representa lo que se obtiene al efectuar, en primer lugar Ff, y haciendo intervenir enseguida a F sobre el resultado obtenido. En particular, para = , se obtiene: (I, 5, 4) M 0 = F F

Como la subida de orden cero es el operador unitario (M0 f = f ), esta relacin traduce simplemente la reciprocidad de la transformacin de Hankel F. Consideremos ahora G = F g como el elemento G0 de un nuevo modelo, que llamaremos modelo recproco de los g. El elemento general G de este modelo se obtiene, por definicin, al efectuar la subida de orden sobre G0: (I, 5, 5)

G = M G0

En estas condiciones, apliquemos los dos miembros de (I, 5, 3) sobre G0:

M = F F G0
Al lado izquierdo, obtenemos G- segn (I, 5, 5). A la derecha, podemos reemplazar FG0 por g segn (I, 4, 6). Se tiene as: (I, 5, 6)

G = F g

Al multiplicar a la izquierda los dos miembros de (I, 5, 6) por F , se obtiene: (I, 5, 7)

g = F G

Las dos ecuaciones recprocas (I, 5, 6) y (I, 5, 7) relacionan estrechamente los dos modelos g y G. Se pueden establecer directamente por clculo, al utilizar la frmula (A, 8, 30) del Anexo A, la cual proporciona la transformada de Hankel de la funcin Besseliana r-J(r). Estas relaciones justifican el nombre de modelos recprocos. De (I, 5, 6), por ejemplo, se

34 deduce que una subida de orden efectuada sobre g , la cual tiene por efecto cambiar en , tiene como recproco, siendo constante, un descenso del mismo orden efectuado sobre G- que se transforma en G-+. OBSERVACION. El modelo recproco de los G no conviene necesariamente para la representacin de un fenmeno real. Por ejemplo, si los g son de tipo positivo, no resulta de ninguna manera que los G tambin lo sean. Veremos ejemplos. Para que dos modelos recprocos g y G sean ambos de tipo positivo, segn el teorema de Bochner (Anexo A, 9, 1), es necesario y suficiente, que por lo menos uno de los g y al menos uno de los G sean funciones no negativas o medidas positivas. Veremos igualmente, en el captulo siguiente, ejemplos de modelos istropos que verifican esta condicin.

El grupo de Hankel. De un punto de vista puramente formal (es decir sin preocuparse de la naturaleza de las funciones o las distribuciones sobre las cuales actan los operadores introducidos simblicamente) es interesante precisar la estructura algebraica del conjunto de transformaciones constituidas por la subida, los descensos y las transformaciones de Hankel. Veremos que este conjunto es un grupo, que llamaremos el grupo de Hankel. Consideremos en primer lugar el conjunto de las subidas M . El producto de dos subidas es una subida, segn (I, 1, 14), y se tiene:
(I, 5, 8)

M M = M + = M M

De manera que el producto, evidentemente asociativo, es, adems conmutativo. Existe un elemento unidad, la subida de orden 0, M0 , y cada elemento M tiene un inverso M- : (I, 5, 9) M M = M 0

As, el conjunto de las subidas constituye un grupo, por otra parte abeliano (conmutativo). Consideremos ahora el conjunto H constituido por el grupo de las subidas, y las transformadas de Hankel F. El producto de dos subidas es una subida, segn (I, 5, 8). El producto de dos transformaciones de Hankel es una subida, segn (I, 5, 3). Multipliquemos esta ltima relacin a la derecha por F . Queda:

M F = F
Anlogamente (el producto es evidentemente asociativo) multipliquemos a la izquierda por F . Queda:

F M = F
Al cambiar las notaciones, estas dos relaciones se escriben: (I, 5, 10)

M F = F + F M = F +

35

Las que muestran que el producto de una subida y de una transformacin de Hankel es una transformacin de Hankel. Por otra parte, existe un elemento neutro M0, y cada elemento tiene un inverso: M M = M 0 F F = M 0 H es entonces bien un grupo, el grupo de Hankel. Comparemos este grupo con el grupo de las translaciones-simetras en la recta euclidiana. Designemos por S2 la simetra respecto del punto de abscisa , y por T la traslacin por (traslacin hacia la izquierda): Las propiedades geomtricas elementales bien conocidas de este grupo proporcionan las reglas de clculo siguientes: T T = T + S S = T S T = S + T S = S +

(I, 5, 11)

Si se establece una correspondencia (aplicacin biyectiva) entre S y F y entre T y M, se ve que las reglas (I, 5, 11) no son diferentes de (I, 5, 8), (I, 5, 3) y (I, 5, 10). As el grupo de Hankel es isomorfo con el grupo de las simetras-translaciones en la recta euclidiana. En este isomorfismo, las transformaciones de Hankel corresponden a las simetras, y las subidas a las traslaciones. Si se considera que el grupo de Hankel opera sobre el eje de las dimensiones, una subida M se interpreta como una traslacin (hacia la izquierda) a lo largo de este eje, y una transformacin de Hankel F como una simetra respecto del punto / 2 de este eje, simetra que tiene por efecto de hacer pasar de un modelo istropo a su recproco.

* * *

36

CAPITULO SEGUNDO

EJEMPLOS DE MODELOS ISOTROPOS


SUMARIO

Este captulo es una simple aplicacin de la subida istropa a modelos particulares, los cuales pueden ser utilizados en la prctica. Sin embargo su objetivo principal es poner en evidencia el fenmeno de la regularizacin a la subida. En el estudio del comportamiento de un covariograma g(r) en la vecindad del origen, se distingue una parte regular (serie entera par ak r 2 k ) y una parte irregular, de la forma a r ( diferente de un entero par). En cada uno de los ejemplos estudiados, se muestra que la subida puede hacerse trmino a trmino sobre la parte irregular, segn la regla: + + M r = 2 r 2 2

Con la condicin de reemplazar r por un trmino en r2klog r cuando es un 2 entero par 2k. La serie logartmica log r r -r2log r obtenida por subidas sucesivas de orden 1 es fundamental para las aplicaciones. Esta regla de subida trmino a trmino sobre la parte irregular se aplica a todos los covariogramas usuales, pero proporciona el resultado salvo una serie entera. Esta serie solo puede ser determinada por un estudio directo de cada g(r) particular. La demostracin de la validez general de esta regla ser entregada en el captulo siguiente. Nos contentaremos aqu con encontrarla en cada una de las familias de modelos estudiados: modelos de Bessel (prrafo 1), de Gauss (prrafo 2), de Laguerre (prrafo 3), modelos hipergeomtricos (prrafo 4) y esfricos (prrafo 5). A pesar de que numerosos clculos se derivan a Anexos, esta captulo es de lectura difcil. No es necesario profundizar cada uno de los ejemplos tratados para pasar a los captulos siguientes. Sin embargo, debido a la importancia de la regularizacin con la subida, y de la regla de la subida trmino a trmino, y tambin para convencer al lector que la subida no es una operacin elemental, aconsejamos leer, al menos el sub prrafo I.2 (modelos de Bessel de segunda especie) antes de pasar al captulo III.

1. Los modelos de Bessel.


Trataremos rpidamente el modelo de primera especie, poco importante para las aplicaciones, y con mucho ms detalle el modelo de Bessel de segunda especie, cuya

37 importancia es muy grande tanto para las aplicaciones como para la teora de la estimacin (captulo IV).

1.1. El modelo de Bessel de primera especie. Tomemos, en el espacio de n dimensiones un covariograma gn(r) definido por:
(II, 1, 1)
g n (r ) = (cr ) J (cr )

En que c es una constante, y J la funcin de Bessel de ndice (Anexo C-1). Este covariograma tiene por transformada de Hankel de orden 2, segn la frmula (A, 8, 30) del Anexo A: 4 2 2 2 Gn ( ) = Fn g n = c n 1 n c2 (1 + ) 2
n n 2

n 2

La subida de orden se efecta segn (I, 4, 5) al aplicar a G la transformacin de orden n- . Al aplicar (A, 8, 9) del anexo A, se obtiene: (II, 1, 2) g n = Fn G = c (2 ) 2 (cr ) 2

(cr )

As, salvo un factor constante, la subida de orden se manifiesta por el cambio del ndice en - /2. La aplicacin de la definicin directa (I, 4, 18), de su lado, conduce a la expresin:
2 2 ( ) 2

2 2 gn (u )(u r ) 2 udu r

(II, 1, 3)

g n =

Al igualar (II, 1, 2) y (II, 1, 3), se encuentra una integral clsica de Sonine:


1 22 1 2 2 2 2 (cr ) J (cr )(u r ) udu = (cr ) 2 J (cr ) c 2 r

El modelo de Bessel de primera especie es bien de tipo positivo, porque sus transformadas

4 2 son de la forma 1 2 2 , luego son positivas. Sus covariogramas, que son todos con c desarrollo en series pares, son, sin embargo, demasiado regulares en el origen para ser utilizados en las aplicaciones.

38

r2 El modelo recproco est constituido por funciones de la forma 1 2 , sobre los cuales a la subida de orden se manifiesta por el cambio de en + /2, conforme a la regla (I, 5, 6). Pero estas funciones no son de tipo positivo, porque sus transformadas, que son los -J , toman valores negativos. No pueden servir entonces como modelos de covariograma.
1.2 . - El modelo de Bessel de segunda especie. Las funciones de Bessel modificadas de segunda especie, tomadas en la forma xK-(x) (ver Anexo C.2), son mucho mejor adaptadas para los usos prcticos: Son siempre positivas y decrecen en el infinito como las exponenciales, adems presentan en el origen una gama de comportamientos extremadamente variados. Tomemos como covariograma de partida, en un espacio de n dimensiones la funcin:
(II, 1, 4)
g n (r ) = c r K (cr )

El cual tiene por transformada de Hankel de orden n , segn (A, 8, 30), la funcin: (II, 1, 5)

1 n G ( ) = 2n 1+ 2 c n + n + 2 4 2 2 2 1 + 2 c
n

Para realizar la subida de orden , se debe, segn (I, 4, 5) calcular Fn-G , lo que se hace fcilmente con la ayuda de la frmula (A, 8, 27) del Anexo A. Se obtiene:
+ (2 ) 2 2 g n (r ) = cr K (cr ) ( ) c 2

(II, 1 ,6)

(2 ) 2 As, salvo el factor , la subida de orden se efecta al reemplazar en (II, 1, 4) el c ndice por + /2. Por ejemplo, tomemos = 0 . Se obtiene, como punto de partida, la funcin K0 cuyo desarrollo est dado en (C, 2, 4): Por subidas sucesivas de orden 1, se describe la gama siguiente:

39

(II, 1, 7) 12

g n = K 0 (cr ) g = 2 cr K (cr ) = e cr 1 n 1 c c 2 g = 2 (cr ) K (cr ) 1 n2 c 2 3 3 (2 ) 2 2 2 cr 2 g n 3 = cr K cr = e (1 + cr ) ( ) ( ) 3 c3 c3 2

As, a gn = K0 cuyo comportamiento en el origen es logartmico, le sucede gn-1 que es el modelo exponencial, el cual es lineal en el origen, luego viene gn-2 que es en r2log r, etc Ms generalmente, la frmula (II, 1, 6) permite captar en vivo el proceso de regularizacin a la subida. El desarrollo de gn est dado, en el caso general ( no entero) por la frmula (6, 2, 3) del Anexo C. Este desarrollo tiene una parte regular, que es una serie entera par en r2k , y una parte irregular que tiene trminos en r2+2k . La parte regular no debe ser tomada en consideracin. Si solo existiera esta parte, el covariograma sera indefinidamente derivable en el origen, y solo podra describir una variable f(x) tambin indefinidamente derivable. Entonces, la parte irregular sola, representa el comportamiento de la variable f(x), y su aventura a la subida debe poner en evidencia el fenmeno de la regularizacin. Consideremos en primer lugar, el trmino ms irregular, que es r2 (k = 0). Es igual a: (cr ) 21 (1 + ) sen( )

La subida de orden proporciona gn - por la frmula (II, 1, 6): Si + /2 no es un entero, el mismo desarrollo (C, 2, 3) nos da el trmino ms irregular. Es de la forma r2 + , y tiene por expresin exacta:
(cr ) 2 + c 21

1+

1 + + sen + 2 2

Al comparar estas dos expresiones, se obtiene la regla siguiente: Si y + /2 no son ni uno ni otro enteros, un trmino en r2 proporciona, a la subida de orden , un trmino en r2 + , segn la frmula: (II, 1, 8) M r 2 = 2

(1 + ) sen r 2 + 1 + + sen + 2 2

12

Nota del traductor: gn-1 corresponde al modelo exponencial, de gran uso en geoestadstica.

40 Se verifica fcilmente, con la ayuda del desarrollo (C, 2, 3) que esta regla (II, 1, 8) no solo se aplica al trmino ms irregular, sino tambin la trmino general de la parte irregular (basta con reemplazar 2 por 2 + 2k). As la subida se puede efectuar trmino a trmino sobre la parte irregular. Sin embargo, la parte regular no puede ser manipulada de manera tan simple, pero, como hemos visto, esta parte no presenta ninguna importancia en el estudio del comportamiento en el origen. Por otra parte, se observa que si se toma 2 = 2k entero par y cualquiera, el segundo miembro de (II, 1, 8) se anula. Y, en efecto, un trmino regular en r2k no puede dar, a la subida, un trmino irregular en r2k + . Se concluye que la subida sobre r2 est dada por (II, 1, 18) salvo una serie par , cuya expresin exacta, no nos interesa. Al cambiar en / 2 , y utilizando la frmula de los complementos (B, 6), pondremos la regla (II, 1, 8) en la forma ms simple siguiente: (II, 1, 9) + + M r = 2 r 2 2

Queda por examinar casos especiales, que aparecen cuando, en (II, 1, 4), o + /2 es un entero. Si es un entero m, el trmino ms irregular de gn es x2mlog x. Su expresin exacta est dada por el desarrollo (C, 2, 5), es decir, al tomar la constante c igual a la unidad: (1) m +1 2 m 2 m r log r m!

Anlogamente, si + /2 es un entero p, el trmino ms irregular de gn - es: (1) p +1 (2 ) 2

2 p 2 p r log r p!

Los otros casos se tratan de manera anloga, tomemos, por ejemplo cualquiera (no entero) y + /2 = p entero, es decir, una subida de orden: = 2(p - ) Obtenemos: M r
2
p 21 p +1 2 = (1) r 2 p log r (1 + ) sen p!

Utilicemos de nuevo la frmula de los complementos, y cambiemos por / 2 . La regla (II, 1, 9) queda reemplazada por la regla siguiente:

41
p +1 (1) 2 2 r 2 p log r M r = p! 2 = 2 p

(II, 1, 10)

Los otros casos se tratan de manera similar. La regla (II, 1, 9) sigue siendo vlida en todos 2 los casos, con la condicin de reemplazar r por (1) p +1 r 2 p log r cuando = p! 2 2p es un entero par. Proponemos entonces una regla de equivalencia, la cual escribiremos simblicamente: (II, 1, 11) ( p )r p (1) p +1 2 2p r log r p!

As completada, la regla (II, 1, 9) se aplica en cualquier caso. Se verifica fcilmente que esta regla permite efectuar la subida trmino a trmino sobre la parte irregular de gn. La frmula (II, 1, 11) puede encontrarse por un razonamiento ms rpido. En efecto, la regla (II, 1, 9) proporciona, la subida de r salvo una serie entera par. Siempre, 2 e 2p salvo una serie entera par, (r - r ) sube de la misma manera que re . Busquemos el lmite de:

[r r 2 p ] 2
Cuando tiende hacia el entero par 2p. Pongamos: = 2p +

Se encuentra, para : 2

(1) p +1 = = 2 1 + sen ( p + 1 + ) sen 2 2


= Tambin se tiene: r - r2p = r2p ( 2 log r + ) '( p + 1) (1) p +1 + ... 1 p! ( p + 1)

42

Cuando tiende a 0, se obtiene el lmite buscado, el cual coincide con (II, 1, 11): (1) r r2p p! 2
p +1

2r 2 p log r

En las aplicaciones, se debern efectuar subidas sucesivas de orden 1. Se obtendr, sea la secuencia normal ( no entero):

r 1 r +1 ... 2 2
Sea, lo ms corriente, la serie excepcional ( entero), que hace alternar los trminos impares r2k-1 y los trminos logartmicos r2k log r. Debido a su importancia, la escribiremos de manera explcita:

(II, 1, 12)

2 log r r r log r (2k )! 2 k 2 2 k +1 2 k 1 r log r r 21 2 k ... r 2 + ( k !) 2 k 1 2k 2k (k !) 2 2 k +1 2k +2 r log r r r log r ... (2k + 1)! k +1

La regla de la subida trmino a trmino sobre la parte irregular y las secuencias obtenidas para el modelo de Bessel, se encuentran idnticamente para todos los otros modelos estudiados en este captulo, y mostraremos, en el captulo siguiente que tienen un alcance general. Sin embargo, no debemos olvidar, que esta regla proporciona el resultado salvo una serie entera par. La parte regular de un covariograma, no tiene importancia en el comportamiento de la variable regionalizada, ni tampoco, y lo veremos tambin, tiene importancia en el clculo de una varianza de estimacin, no obstante esta parte es indispensable si se desea construir grficamente gn- , para compararlo, por ejemplo a una curva experimental. La parte regular solo puede ser obtenida por el estudio directo de cada covariograma particular, y no existe, en este sentido, una regla general simple.

Modelo recproco. - El modelo recproco construido sobre G() de la frmula (II, 1, 5) es 1 . La subida de orden cambia en -/2. Como G() es positivo, el del tipo (1 + 2 ) teorema de Bochner del Anexo A, 9, 1 muestra que el modelo de Bessel es de tipo positivo, como debe ser. Inversamente, las funciones xK son positivas, de manera que el modelo recproco es tambin de tipo positivo. Pero este modelo recproco, muy regular en el origen, adems de decrecer muy lentamente en el infinito, no puede ser conveniente en las aplicaciones prcticas.

43

OBSERVACION. - Si comparamos el resultado (II, 1, 6) de la subida en el modelo de Bessel con la definicin directa (I, 4, 18) que se escribe:
1 2 2 2 2 =2 g ( r )( u r ) udu n r

(II, 1, 13)

g n

Obtenemos las relaciones notables siguientes 13:


+
2

(II, 1, 14)

(cr )

(cr ) =
2

1 c 2 2 2 ( cu ) K ( cu )( u r ) udu r 2
2

Cambiando u por r v , obtenemos el resultado equivalente:


+
2

(II, 1, 15)

(cr )

(cr ) =
2

1 c + 2 2 v K ( cvr )( v 1) vdv 1 2
2

Si hacemos = - / 2 y c = 1 en esta ltima relacin, obtenemos, considerando (C, 2, 6): (II, 1, 16)
1 v 2 v 2 vr r K v (r ) = e (v 1) 2 dv 1 + v 1 2 v

Se tiene, como caso particular, la expresin (C, 2, 9) de K0.

2. - Modelo y representacin de Gauss.


El modelo de Gauss est definido a partir de la exponencial: (II, 2, 1) g n (r ) = e ar = e a ( h1 +...+ hn )
2 2 2

Es el nico modelo istropo que presenta, en la subida, el efecto rectangular a su estado puro. La funcin gn(r) tiene por transformada de Fourier, segn (A, 8, 20), la funcin:

13

Se compararan con los resultados anlogos obtenidos por Guelfand (op. Cit.) para las funciones de Bessel de primera especie J y la integracin de orden no entero.

44
2 2 G ( ) = Fn g n = e a a
n

(II, 2, 2)

Que tambin es una exponencial gaussiana: en particular, vemos que el modelo de Gauss y su recproco son de tipo positivo. La subida de orden se obtiene al efectuar la transformacin de Hankel de orden n . Se encuentra:
2 2 g n (r ) = Fn G = e ar a

(II, 2, 3)

As, la subida de orden se traduce por una simple multiplicacin por el factor . a Este modelo es demasiado regular en el origen para ser de utilidad en las aplicaciones prcticas. Pero la expresin (II, 2, 3), de la subida, notablemente simple puede ser utilizada, indirectamente, por intermedio de las representaciones de Gauss. Supongamos que el elemento gn de un modelo admita una representacin integral de la forma:

g n (r ) = e ur f (u )du
2

En este caso, la subida de orden se pone, segn (I, 2, 3), en la forma siguiente, que tambin es una representacin gaussiana: (II, 2, 4)
g n (r ) = 2 e ur
0

f (u )

du

u2

Anlogamente, la transformacin de Hankel de orden proporciona: (II, 2, 5) F g n =


+
2

e
0

22
u

+
2

f (u )du

Es decir, al cambiar u en 2 / u : (II, 2, 6) F g n =

+
2

+2

u e u
2

+
2

2 f du u

Que es an una representacin de Gauss. Si f(u) es una funcin no negativa, el modelo definido en (II, 2, 4) y su recproco (II, 2, 6) sern los dos de tipo positivo.

45 EJEMPLO: Como aplicacin, tomemos en (II, 2, 4) la funcin: (II, 2, 7) f (u ) = c 2 1 1 c2u u e ( )

Con constantes c y arbitrarias. Al aplicar (B, 1), se encuentra: c 2 1 g r = ( ) n (r 2 + c 2 ) c 2 1 2 2 g r ( ) = n ( ) 2 2 2 r c ( ) +

(II, 2, 8)

Tomemos la transformada de Hankel de orden 1 de gn. Se tiene directamente, segn (A, 8, 27):
1 F1 g n = 2 (c ) 2 K 1 (2 c ) + ( ) 2

Y, de la forma (II, 2, 5):

F1 g n =

1 2

( )

2 1

e
0

u 2

c 2 2 u

1 u
+
1 2

du

Igualemos estas dos expresiones, al poner = 1 / 2 y 2c = b . Se obtiene: (II, 2, 9)

(b ) K (b ) = b 2

b 2 du exp(u ) +1 4u u 0
2

Se encuentra as la representacin de Sonine-Schlfli de las funciones de Bessel modificadas de segunda especie (C, 2, 8).

3. - El Modelo de Laguerre. 3.-1.- Modelo de Laguerre de primera especie. El modelo de Laguerre de primera especie est definido a partir del covariograma:
(II, 3, 1)

g n (r ) = F ( , , r 2 ) =

2 ( ) e ur u 1 (1 u ) 1 du ( )( ) 0

46

La funcin de Laguerre F(, , x) y su representacin integral se proporcionan en el Anexo D, frmulas (D, 1) y (D, 3): El covariograma gn , est en la forma de una representacin de Gauss, luego es de tipo positivo. Y la frmula (II, 2, 4) permite escribir inmediatamente la expresin de la subida de orden :

(II, 3, 2)

( ) 2 g n (r ) = 2 F , , r 2 ( ) 2 2 2

As, salvo un factor, la subida de orden , se efecta al cambiar y por / 2 y / 2. Sin embargo, este modelo es demasiado regular en el origen para ser utilizado en las aplicaciones. El modelo recproco, tambin de tipo positivo, presenta, en el origen, una gama de comportamientos ms interesante. Este covariograma se obtiene al tomar la transformacin de Hankel de orden de (II, 3, 1), segn (II, 2, 5):
1 + 1 2 2 ( ) 2 2 exp (1 u ) 1 du F g = n u u ( ) ( ) 0 ( ) F g = 2 2 2 2 exp (u 1) 1 du u u ( ) n ( ) ( ) 1

(II, 3, 3)

3.-2. El modelo de Laguerre de segunda especie. El modelo de Laguerre de segunda especie es el recproco del anterior. Lo definiremos, modificando ligeramente las notaciones de (II, 3, 3), a partir del covariograma:
(II, 3, 4) g n (r ) = 1 uc 2 r 2 1 e u (u 1) 1 du ( ) 1

La subida se efecta fcilmente, porque gn tiene la forma de una representacin de Gauss:

(II, 3, 5)

2 c uc r 1 g n (r ) = e u 2 (u 1) 1 du ( ) 1
2 2

Al comparar con las frmulas (D, 7) y (D, 8) del Anexo D, se pone en evidencia la parte regular y la parte irregular de este covariograma. Se encuentra:

47 g = 2 c L , , c 2 r 2 n 2 2 1 + 2 2 F , , c 2 r 2 = 2 2 c 1 + 2 1+ 2 + (c 2 r 2 ) 2 F 1 , 2 + , c 2 r 2 2 c

(II, 3, 6)

Se observa que salvo un factor 2 c , la subida se efecta simplemente al reemplazar y por / 2 y / 2 en la funcin L(, , c2r2). En particular, segn la frmula (D, 11), la subida de orden: = 2 ( - 1) Proporciona el resultado simple: (II, 3, 7)

g n 2( 1) = 1c 2(1 ) (c 2 r 2 ) e c r

2 2

As, la familia de modelos entera puede ser engendrada por subidas efectuadas sobre 2 2 (c 2 r 2 ) e c r . Se verificar fcilmente que la subida de orden - 2( - 1) , efectuada sobre esta funcin, proporciona para gn una segunda expresin, que es la representacin integral (D, 10), y permite encontrar la frmula (D, 9) de la transformacin de las funciones L. Se puede ver tambin, en la frmula (II, 3, 6), que la regla de la subida trmino a trmino, para la parte irregular, y la frmula (II, 1, 9) se aplican de manera exacta. Esta verificacin es fcil en el caso particular en que 1 = 0 (modelo integral-exponencial). La parte irregular se reduce entonces, segn (D, 13), a un trmino nico:
+ 2 (c 2 r 2 ) 2 2

La secuencia logartmica (II, 1, 12) se encuentra tambin, con la ayuda de los desarrollos (D, 14) y (D, 15), correspondientes al caso en que 1 - = p es un entero.

4. - Los modelos hipergeomtricos. 3.-1. Los modelos hipergeomtricos de primera especie. Se define un modelo de primera especie al tomar, como covariograma de partida:

48 (II, 4, 1) gn(r) = F(, , , -r2)

La funcin F(, , , x) est definida por la frmula (E, 1, 1) del Anexo E. Al utilizar la representacin integral (E, 1, 4), se obtiene: (II, 4, 2)

( ) g n (r ) = u 1 (1 u ) 1 (1 + r 2u ) du ( )( ) 0
1

Es una representacin de gn(r) por medio de la funcin (1 + r2u)- , funcin de tipo positivo, dado que es la transformada de Hankel de una funcin de Bessel del tipo rK- . La familia de modelos engendrada por gn ser tambin de tipo positivo. Por otra parte, se verifica fcilmente que la subida de: (1 + r 2u ) Se efecta segn la frmula:

(II, 4, 3)

M (1 + ur 2 )

2 2 u (1 + ur 2 ) 2 = 2 ( )

Al cambiar los smbolos de integracin y de subida, se deduce la expresin de la subida del gn definido en (II, 4, 2):

(II, 4, 4)

( ) 2 2 g n (r ) = 2 F , , , r 2 ( ) 2 2 2 ( ) 2

As, salvo un factor, la subida se efecta al reemplazar , y por / 2, / 2, - / 2. El modelo hipergeomtrico es demasiado regular en el origen para ser til. Su recproco, el cual no es hipergeomtrico, presente, al contrario, comportamientos muy variados en el origen. Para definirlo, tomemos la transformada de Hankel de orden de (II, 4, 2). Al aplicar la frmula (A, 8, 27), bajo el signo sumatoria, en (II, 4, 2), queda: (II, 4, 5) F g n =
4 ( ) 1 1+ 2 2 2 ( 1) ( ) v v v K (2 v )dv ( )( )( ) 1 2

Al hacer = , se encuentra el modelo de Bessel de segunda especie, del cual (II, 4, 5) constituye una generalizacin.

49

4.-2.- Modelos hipergeomtricos de segunda especie.


Se pueden definir varios tipos de modelos de segunda especie. El que daremos aqu presenta la particularidad de tener un alcance finito, el cual, para simplificar, tomaremos como unidad de longitud.. Todos los covariogramas gn- sern idnticamente nulos para r > 1. Veremos, en el captulo consagrado a la estimacin, que un alcance finito est ligado a anomalas inesperadas, conocidas con el nombre de Zitterbewegung, y cuya amplitud puede ser considerable. De la misma manera que en el modelo de Laguerre de segunda especie, el cual se puede obtener, totalmente, por subidas, a partir de la funcin r2( - )exp(-r2) , definiremos el modelo de segunda especie a partir de la funcin: (2 ) 1 2 2( 1) g (r ) = (1 + ) (1 r ) r g (r ) = 0 para r < 1 para r 1

(II, 4, 6)

Efectuemos la subida de orden v:


v 1 (2 ) 1 2 2 (1 ) ( ) g n v (r ) = u u u r du v (1 + ) r 2 2
1

1+

v 2

Poniendo u = 1 - (1 - r2)v, queda (siendo entendido que gn-(r) 0 para r > 1):
v v + 1 (2 ) 1 2 2 2 2 (1 r ) [1 (1 r )v] g n v (r ) = v (1 v) dv v (1 + ) 0 2
1

1+

v 2

Comparemos esta expresin con la representacin integral (E, 1, 4) de la funcin hipergeomtrica (Anexo E). Se obtiene: g n v =
+ 1
v 2

(2 ) v 1 + + 2

(1 r 2 )

v 2

v F (1 + ,1 + ,1 + + ,1 r 2 ) 2

Con el propsito de simplificar la expresin obtenida pongamos: = n + 2(1 ) v = + 2(1 ) Queda entonces:

50

(II, 4, 7) g n (r ) = (1 r 2 )1 F (1 + ,1 + , 2 ,1 r 2 ) 1 + (2 ) g n (r ) = 2 (1 r 2 ) 2 F (1 + ,1 + , 2 + ,1 r 2 ) 2 2 + 2 Tomando el elemento gn(r) como elemento de base, se ve que la subida de orden se efecta, salvo un factor, reemplazando , y por / 2, / 2, / 2. Por otra parte, la frmula de cambio (E, 2, 3) del Anexo E permite separar fcilmente la parte irregular de estos covariogramas. Se encuentra: (II, 4, 8) (2 ) + 2 F , , + + 1 , r 2 g n = 2 2 2 2 + + 1 1 2 2 (2 ) + 2 2 + + 2 r F ( , ,1 + + , r 2 ) (1 + )(1 + ) 2 Esta frmula permite encontrar inmediatamente la regla de la subida trmino a trmino sobre la parte irregular y su expresin exacta por la frmula (II, 1, 9). La secuencia logartmica (II, 1, 12) aparece en el caso en que - es entero, y puede estudiarse con la ayuda de las frmulas de paso al lmite, proporcionadas en el Anexo (E, 2, 4). CASO PARTICULAR: Subida para r . Tomemos en (II, 4, 6), = . Se tiene:

1 g = r 2( 1) (2 )
Y pongamos = 1. Las frmulas adjuntas proporcionan la subida de orden v para la funcin r (ms exactamente, se trata de la funcin igual a r para r < 1 y 0 para r > 1) en la forma siguiente:
v 1 2 v M vr = g v = (1 r 2 ) 2 F ,1,1 + ,1 r 2 2 (2 ) v 2 v

(II, 4, 9)

1 + 2

51 El ajuste con el eje de las r, en r = 1, es de orden v / 2 . La frmula de cambio, de su lado, permite separar las partes regulares e irregulares. Esta frmula da: +v +v 2 2 2 + v +v (II, 4, 10) M v r = ,1 ,r + F 1 , r 2 2 v + 2 2 2
v 2 v 2

La parte irregular se reduce al trmino monomio que la regla general (II, 1, 9) haca prever. Por otra parte, la parte irregular se encuentra, tambin, determinada, pero esto se relaciona con la funcin particular introducida aqu (idnticamente nula para r > 1). Como las subidas de orden 2 se reducen a integrales elementales, se tendr que efectuar subidas de orden 1, sobre todo, en las aplicaciones. Es la razn por la cual vamos a estudiar especialmente el caso v = 1. El comportamiento en la vecindad del alcance (r = 1) resulta, de manera inmediata de (II, 4, 9): (II, 4, 11)

3 M 1r = 2 1 r 2 F ,1, ,1 r 2 2 2

El comportamiento en el origen est dado por (II, 4, 10), con v = 1: 1+ 2 2 (2n)! 2 n 2 1+ M 1r = r + r 2n 1 + n =1 2n 1 2 (n !) 2 2

(II, 4, 12)

Cuando es un entero par positivo, es preferible utilizar la frmula (II, 4, 11) la cual se reduce, en este caso, al producto de un polinomio en r2 por 1 r 2 . El caso de = 2k 1 entero impar puede estudiarse con la ayuda de las frmulas generales (E, 2, 4). Es ms simple efectuar el paso al lmite directamente sobre (II, 4, 12). Se obtiene sin dificultad:
1 k 1 (2n)! r 2 n (2n)! r 2 n 2 k 1 M r = + 1 k n =1 22 n (n !) 2 k n n = k +1 22 n (n !) 2 n k (2k )! r 2 2 2 2k 2log + + + ... + 2 2 (k !) 2 1 3 2k 1 1 1 1 ... r 2 k 2 k

(II, 4, 13)

Se puede adems, por medio de integraciones directas, obtener frmulas integradas explcitamente. Por ejemplo, se tiene:

52
1 r 2 1

(II, 4, 14)

M 1r = 2

(r 2 + u 2 ) 2 du = 1 r 2 + r 2log

1+ 1 r2 r

Por integracin por partes, se obtiene una frmula de recurrencia, que permite calcular, uno a uno todos los M1r2k-1: (II, 4, 15)

M 1r 2 k 1 = 2 1 r 2 + (2k + 1) M 1r 2 k 1

Finalmente, se calcula M1(r2klog r) al derivar (II, 4, 12) respecto de y haciendo = 2k en la expresin obtenida. El trmino logartmico desaparece, porque es infinito, y 2 queda: (II, 4, 16) M 1 (r 2 k log r ) = 22 k (k !) 2 1+ 2 k 2 r (2k + 1)! (2k + 1) 2 21 2 n (2n)! 2 n r 2 2 n =1 (2n 2k 1) ( n !)

OBSERVACION. Para valores cualesquiera de , y , el modelo hipergeomtrico no es de tipo positivo, y no puede ser utilizado directamente. Pero las frmulas de la subida para r pueden servir para efectuar, trmino a trmino, la subida sobre un covariograma de tipo positivo, y de alcance finito tomado como unidad de largo.

5. Los modelos esfricos.


En el espacio de dimensiones consideremos una esfera de dimetro unidad. Esta esfera tiene por volumen: 2 2 V = 1 + 2

(II, 5, 1)

, de la variable k(x) igual a 1 Determinemos el covariograma geomtrico K = k k dentro de la esfera y 0 al exterior. Se sabe que K(r) representa la medida del hipervolumen con dimensiones de la interseccin de esta esfera con su trasladado en una traslacin r de direccin cualquiera. Salvo un signo, la derivada de K representa la medida de la hiperesfera de 1 dimensiones, que constituye el contorno aparente de esta interseccin. Tenemos entonces:
' K (r ) = V 1 (1 r 2 )

1
2

53

Y, al integrar (teniendo en cuenta que K(1) = 0 ): K (r ) = V 1 (1 h )


2
r

1
2

dh

As, K(r) es un caso particular del modelo hipergeomtrico de segunda especie. A priori sabemos que K es de tipo positivo debido a su misma significacin geomtrica. Se obtienen fcilmente las dos expresiones siguientes de K:
1 1+ 2 2 1 1+ 3 + 2 2 K (r ) = (1 ) , ,1 r 2 r F , + 3 2 2 2 2 1 1 3 2 = V V 1rF , , ,r 2 2 2

(II, 5,2)

Las constantes V y V-1 estn definidas en (II, 5, 1): Como es normal, K(0) = V es la medida de la hipersuperficie que constituye el volumen aparente de la hiperesfera. CASOS PARTICULARES. (II, 5, 3) Para = 3 (esfera ordinaria) se tiene un polinomio:

K (r ) =

r+

12

r3 =

1 3 rF ( , 1, , r 2 ) 4 2 2

14

Para = 2 (caso del crculo), se obtiene: (II, 5, 4)

K (r ) =

1 1 1 3 Arc cos r 1 r 2 = r F ( , , , r 2 ) 4 2 2 2 2

Finalmente, para = 1 (segmento de largo unidad), se encuentra: (II, 5, 5)

1 3 5 K (h) = 1 | h |= 1 hF , 0, , ,1 r 2 2 2 2

Cada uno de estos covariogramas engendra, por subidas y descensos, un modelo particular, por ejemplo el modelo esfrico propiamente dicho ( = 3), el modelo circular ( = 2), etc Para impar, los K son polinomios, y la subida se hace trmino a trmino sin dificultad. Si es un entero par, debemos recurrir a la frmula (E, 2, 4). Por ejemplo, el modelo circular ( = 2), definido por su elemento:
14

Nota del Traductor: este covariograma corresponde al modelo esfrico, de gran importancia en

geoestadstica minera: K ( r ) =

3 1 3 1 r + r 6 2 2

54

g 2 (r ) =

3 1 1 3 1 1 3 5 rF , , , r 2 = (1 r 2 ) 2 F , , ,1 r 2 4 2 2 2 3 2 2 2

Proporciona, por subida de orden 1:

g1 (r ) =

1 3 (1 r 2 ) 2 F , ,3,1 r 2 8 2 2

Este covariograma g1(r) es el covariograma de las cuerdas del crculo de dimetro unidad (transversales horizontales). Al aplicar (E, 2, 4), el covariograma queda: (II, 5, 6)

1 1 n n + ' ' 2 1 2 2 (1 + n) (2 + n) = + + ( ) g r (1 + n) (2 + n) 1 3 4 n =0 n !(n + 1)! 1 1 ' n ' n + 2 2 2log r r 2+ 2 n 1 1 n n + 2 2 2 r 2 1 1 = + ( 2log r + 1 4log 2 ) + + 4log 2 2log r r 4 3 2 16 2 1 1 (2n)!(2n 2) ! 2 2 n + 2 1 + ... + + 1 + ... + n !(n 1)! n n +1 n=2 2 2 2 2 +4log 2 2 ... 2 ... 2log r r 2+ 2 n 3 2n 3 3 2n 1

55

CAPITULO TERCERO

REPRESENTACIONES TRANSITIVAS PARA LAS DISTRIBUCIONES


SUMARIO
Este captulo generaliza para el caso de las distribuciones 15, los resultados obtenidos para las variables regionalizadas. No es necesario para la comprensin del resto de la obra (con la excepcin del captulo X, consagrado a las distribuciones aleatorias y a la teora intrnseca de las distribuciones) y puede ser omitido por los lectores que no conocen la teora de las distribuciones. Sin embargo, los principios de esta teora se han resumido, de la manera ms simple posible, en el Anexo A de esta obra. Aconsejamos entonces, de recorrer este Anexo antes de leer el captulo III. El prrafo 1 extiende, sin dificultad, el formalismo transitivo, a las distribuciones con soporte (campo geomtrico) acotado. La regularizacin de una distribucin T por una T , que representa una operacin funcin suficientemente regular es una funcin de la distribucin se regulariza por el de tomar una muestra. El covariograma g = T T covariograma de la funcin , g es una distribucin de tipo positivo. Este covariograma sube al mismo tiempo que T. El efecto de pepita se puede representar con la ayuda de una medida de Dirac C(h) ajustada a un covariograma continuo. El prrafo 2 define las subidas y los descensos para las distribuciones temperadas istropas de soporte cualquiera. De lectura ms difcil que el prrafo I, se desarrolla la conclusin de que las operaciones de subida y descenso no operan sobre las mismas distribuciones, sino solamente sobre las clases de equivalencia analtica: el resultado de la subida queda definido salvo una serie entera, y esto justifica la regla de la subida trmino a trmino sobre la parte irregular, regla ya encontrada en el captulo precedente. El prrafo 3 aplica los resultados obtenidos a la distribucin r , y establece la validez + + general de la regla M r = 2 r . 2 2

1. - El simbolismo transitivo para las distribuciones con soporte acotado.


La idea de representar ciertos fenmenos por distribuciones, en vez de funciones, a menudo est sugerida por la misma prctica. El gegrafo, que estudia la reparticin de las
15

Nota del traductor: En espaol la palabra distribucin puede generar confusin con la distribucin de probabilidad de una variable aleatoria. En ingls no hay confusin porque se usa generalized function.

56 densidades de poblacin de un pas, no se preocupa de saber si un hombre est presente, o no, en el punto de coordenadas (x, y). El est interesado en el nmero de individuos que habitan una cierta superficie de referencia, que es en general, una circunscripcin administrativa. Anlogamente, en un yacimiento minero, el explotador no est interesado de saber si en un punto dado, se encuentra un grano de estril o de mineral. Todo lo que le interesa, es de saber, o de prever, el resultado de operaciones tecnolgicas bien definidas (toma de una muestra, explotacin de un panel), que se aplican al espacio donde se distribuye la mineralizacin. Se podran citar otros casos numerosos en los cuales el fenmeno puntual no es conocido y no representa ningn inters por si mismo, debido a su gran complejidad, y donde se conoce solamente la respuesta que proporciona la naturaleza, en una forma numrica, a las operaciones tcnicas a las cuales es sometida. Si se simbolizan estas operaciones por funciones (funciones de muestreo del captulo I, por ejemplo) las cuales pertenecen a un espacio conveniente de funciones, las respuestas numricas de la naturaleza definen, en este espacio, una funcional T() , generalmente lineal y continua, de manera que el fenmeno natural estudiado debe ser estudiado por una distribucin. En las representaciones transitivas, donde se supone que el campo geomtrico de la regionalizacin es finito, se utilizarn exclusivamente distribuciones con soporte acotado, es decir distribuciones del espacio () definidas en el espacio () de las funciones de base indefinidamente derivables. Por otra parte, muy a menudo, estas distribuciones sern simplemente medidas que actan en el espacio de las funciones borelianas. Para una medida , la cantidad de metal d contenida en un volumen V est siempre definida.
V

Si se introduce la variable geomtrica k(x) asociada a este volumen V, que es una funcin boreliana, se tiene, en efecto: (III, 1, 1) Q = d = (k )
V

Luego, una mineralizacin, o bien la reparticin de una poblacin en la superficie de un pas, son medidas, positivas por otra parte. El simbolismo transitivo es exactamente el mismo para las distribuciones y las funciones. En efecto, en el captulo I, la variable regionalizada con soporte puntual era ya, implcitamente considerada como una distribucin. Por otra parte, se reduce al caso de una variable puntual al regularizar la distribucin T por una funcin (x) conveniente. Pongamos: (III, 1, 2)

T = T ( x + u ) (u )du f ( x) =

Este producto de convolucin existe, porque T es con soporte acotado. Si la funcin es suficientemente regular, f(x) es efectivamente una funcin. Por ejemplo, si se toma:

( x) = k ( x)

1 v

57 Siendo k(x) la variable geomtrica asociada a un volumen v centrado en el origen, y si T es una medida, la regularizada f(x) no es otra cosa que la ley media de la muestra igual a v e implantada en el punto x. T , regularizado de la distribucin T est El covariograma g asociado a la variable dado, segn la definicin (I, 1, 13), por: = T T T T g = Introduciendo el covariograma: A = Asociado a la funcin regularizante , y por lo mismo, definamos una distribucin g: (III, 1, 3)

g = T T

Que llamaremos covariograma de la distribucin T. Este covariograma existe siempre, porque T es con soporte acotado. Obtenemos entonces la generalizacin exacta de (i, 2, 5): (III, 1, 4) g = g A

Luego, el covariograma de la regularizada de T por es la regularizada del covariograma de T por el covariograma A = de . Por otra parte, esta propiedad g = T T subsiste si es una distribucin cualquiera, siempre que los productos de convolucin existan (esto es siempre as porque la distribucin , como T, tienen su soporte acotado).

La transformada de Fourier de T.
(III, 1, 5)

= FT

Existe siempre, en el sentido de las distribuciones, adems, como T tiene soporte acotado, sabemos que es una funcin indefinidamente derivable (prolongable en una funcin holomorfa entera, Anexo A, prrafo 8, 2). Anlogamente, la transformada de Fourier G del covariograma g existe, y, como los productos de convolucin se transforman en productos ordinarios, se tiene, como en (I, 4, 9): (III, 1, 6) G = Fg =| |2

Aplicando sobre T y sobre g la funcin de base = 1, cuya transformada de Fourier es la medida de Dirac, se define, sin dificultad la cantidad de metal Q, y se encuentran de nuevo los resultados (I, 1, 12) y (I, 1, 13):

58 Q = T (1) = T ( x)dx = (0) 2 2 = = = Q G (1) G ( x)dx | (0) |

(III, 1, 7)

Propiedades del covariograma. Las propiedades del covariograma resultan, = g es una distribucin de tipo positivo (ver Anexo A, naturalmente, del hecho que T T prrafo 9. 2). De acuerdo al teorema de Bochner, si la transformada G=||2 de g es sumable, g es tambin, obligatoriamente, una funcin continua de tipo positivo, mientras que si G no es sumable, g no puede ser una funcin continua. Efecto de pepita. - El efecto de pepita, mencionado en el prrafo 1 del captulo I, a propsito de la significacin fsica del covariograma, puede ser definido de manera ms rigurosa con la ayuda de las medidas de Dirac. Supongamos que el covariograma g sea la suma de una medida de Dirac (distribucin de tipo positivo) y de una funcin g1(h) continua y de tipo positivo:
(III, 1, 8) g = C + g1

La constante C ser llamada constante de pepita. Regularicemos T por una funcin , y a . Se obtiene: continuacin g mismo por A = g = CA(h) + g1 A El covariograma regularizado es una funcin igual a la suma de un trmino regular g1*A, el cual se observara normalmente solo, en ausencia del efecto de pepita, y de la funcin CA(h), producto de la constante de pepita por el covariograma de . En particular, si se toma:

= k ( x)
En que k(x) es la variable geomtrica asociada a un muestreo , se obtiene: geomtrico K = k k v, de covariograma

1 v

g =

C K K (h) + g1 2 2 v v

Si el volumen v de la muestra es pequeo, g1

K no difiere prcticamente de g1 , salvo v2 quizs para |h| < D, siendo D el dimetro ms grande de v. Pero, para |h| < D, el trmino C ms importante es K (h) , que representa la perturbacin aportada por el efecto de v2 pepita. Esta perturbacin es ms intensa cuando el dominio |h| < D, donde sta se hace sentir, es ms pequeo. El valor de g en el origen es inferior a la cantidad:

59

(III, 1, 9)

C C K (0) = 2 v v

Porque K(0) = v , segn (I, 1, 5). En la teora de la estimacin, se ver que este trmino C/v repercute en las varianzas de estimacin, en la forma de una varianza adicional, o varianza de pepita, inversamente proporcional al volumen de muestreo. Notamos tambin que se tiene, segn (I, 1, 4): (III, 1, 10):

C K (h)dh = C v2

La integral, extendida a todo el espacio, del trmino perturbador es siempre igual a la constante de pepita C, la cual caracteriza, globalmente, el efecto de pepita. Fsicamente, es C la constante que tiene la mayor significacin, porque, contrariamente a g(0) , no depende del tamao del volumen de muestreo v.

Subidas y descensos. - La subida de orden 1, a lo largo del eje de las xn , tal como fue definida en (I, 3, 1) para una funcin, se generaliza inmediatamente a una distribucin Tn(x1xn), en la forma de producto de convolucin:
(III, 1, 11) Tn 1 ( x1...xn ) = Tn ( x1...xn ) [ ( x1 ) ( x2 )... ( xn 1 ,1( xn )]

La definicin de las subidas de orden 2, 3, es inmediata. Entre las transformadas de Fourier n-1 y n de Tn-1 y Tn, tenemos an la relacin: (III, 1 ,12)

n 1 (u1...un 1 ) = n (u1...un 1 , 0)

Porque hay cambio de productos convolutivos y multiplicativos, y cambio de (xi) con 1(ui). Si Sn y Tn son dos distribuciones con soporte acotado del espacio de n dimensiones, las cuales tienen por transformada de Fourier las funciones n y n, el producto de convolucin Un = Sn * Tn tiene por transformada el producto ordinario n n . Sea Un-1 la distribucin obtenida al hacer la subida (III, 1, 11) sobre la distribucin Un . Se tiene, segn (III, 1, 12): FU n 1 = n (u1...un 1 , 0) n (u1...un 1 , 0) Y, aplicando la transformacin inversa: Un-1 = Sn-1 * Tn As, la subida sobre un producto de convolucin proporciona el mismo resultado que el producto de convolucin de los resultados de la subida efectuada sobre cada una de las

60 distribuciones. Se dice, brevemente, que un producto de convolucin sube al mismo tiempo que cada uno de sus factores. Hay que tener cuidado, sobre todo en el caso de las distribuciones istropas, que Sn*Tn y Sn-1 y Tn-1 son productos de convolucin definidos en sus espacios respectivos, de n o de n-1 dimensiones. muestra que el Una aplicacin inmediata de este resultado a la distribucin g = T T covariograma sube al mismo tiempo que la distribucin a la cual est asociado. sube al mismo Anlogamente, el covariograma g = g A de una regularizada T tiempo que g y A , y por consiguiente, al mismo tiempo que T y . Si nos limitamos a considerar solamente distribuciones con soporte acotado, todos los resultados del captulo I se transponen sin dificultad: Esto proviene del hecho que las transformadas de Fourier son funciones. Se definir sin dificultad la operacin inversa de la subida, que es el descenso, como tambin el empleo de la transformacin de Hankel para definir modelos istropos. Por otra parte, si los soportes no son acotados, aparecen dificultades. Se encontrar, en GUELFAND y GRAEV 16 indicaciones acerca del problema de Radon para las distribuciones. Nos limitaremos, en el prrafo siguiente, al caso particular de las distribuciones istropas, con el objetivo de poner en evidencia el fenmeno de la regularizacin a la subida.

2. - Subida y descenso para las distribuciones temperadas istropas.


En este prrafo, solo consideraremos distribuciones temperadas (que pertenecen a ), cuyas transformadas de Fourier existen siempre, adems de ser ellas mismas temperadas. Las funciones de base sern entonces las funciones de (), indefinidamente derivables, las cuales decrecen rpidamente en el infinito como tambin todas sus derivadas, cuyas transformaciones de Fourier pertenecen tambin a (). La definicin (III, 1, 11) de la subida solo tiene sentido cuando la transformada de Fourier es una funcin, de manera de que (III, 1, 12) se pueda aplicar. Esta condicin se verifica para una distribucin con soporte acotado, pero no para una distribucin temperada cualquiera. Al generalizar la relacin (I, 4, 4), vamos a definir una subida para las distribuciones temperadas istropas. Se dir que una distribucin Tn del espacio de n dimensiones es istropa, y se escribir Tn(r) , si se tiene para toda funcin de base : (III, 2, 1) Tn() = Tn()

Siendo una funcin istropa igual al valor medio (r) de sobre la esfera de radio r. Se demuestra que una funcin de este tipo es indefinidamente derivable, con decrecimiento rpido, como tambin sus derivadas (entonces pertenece a como funcin de la variable r sola) y que todas sus derivadas impares son nulas en r = 0. La parte irregular de es idnticamente nula. La distribucin istropa Tn est perfectamente definida cuando se conoce su accin sobre todas las funciones de este tipo, es decir sobre las funciones istropas de (). En escritura simblica, se tiene:
16

Integralnaa gometria (Mosc, 1962).

61

(III, 2, 2)

Tn ( ) = n Tn (r ) (r )r n 1dr
0 n 2

2 representa la superficie de la esfera de radio unidad en el n 2 espacio de n dimensiones. Tn(r) puede as ser identificada con una distribucin que acta en un espacio de una dimensin, sobre las funciones de base de la forma rn-1(r), siendo una funcin par de (). Esta funcin de una dimensin tendr tambin como notacin Tn. La transformada de Fourier: La constante n = (III, 2 , 3)

= FnTn

De la distribucin istropa de n dimensiones Tn es una distribucin istropa de n dimensiones. Anlogamente, puede ser identificada a una distribucin del espacio de una dimensin, actuando sobre las funciones de la forma rn-1(r), siendo par y perteneciendo a (). De un punto de vista formal, se puede definir la subida, al generalizar (I, 1, 4) en la forma: (III, 2, 4) T = F()

Para que esta definicin tenga un sentido, es necesario que T sea una distribucin la cual acta sobre = F de la misma manera que acta sobre una funcin de de base en el espacio de dimensiones, o an de la misma manera que acta sobre r-1(r) en el espacio de una dimensin. Pero , en efecto, solo est definida para funciones de la forma rn-1(r), y, para cualquiera, su accin sobre r-1 no est definida, de manera que (III, 2, 4) no tiene sentido. Sin embargo, en el caso particular = n + 2k (descenso de orden entero par 2k), se tiene bien: r - 1=r n - 1(r2k ) y r2k es una funcin par de () , de manera que acta efectivamente sobre r - 1 . En esta caso Tn+2k est definida, sin ambigedad, por:

(III, 2, 5)

n 2k n+2k 2 (r 2 k ) ( r 2 k ) = Tn + 2 k ( n + 2 k ) = n n + k 2 n + 2 k = Fn + 2 k (r )

En escritura simblica, tambin se puede escribir:

62

n + 2 k Tn + 2 k (r ) n + 2 k (r )r
0

n + 2 k 1

dr = n + 2 k (r )(r 2 k )r n 1dr
0

Introduzcamos tambin la funcin dimensiones:

n(r), transformada de n(r) = Fn

(r)

en el espacio de n

La cual se deduce de n + 2k por subida de orden 2k. En este espacio de n dimensiones, se tiene, segn la frmula de Parseval, y las propiedades del laplaciano (Anexo A, prrafo 8):

1 k k 1 k k (r ) = Tn 2 n = 2 Tn ( n ) 4 4
2k

Se deduce entonces, la relacin notable, la cual asocia, en un descenso simultneo de orden par, una distribucin Tn y una funcin de base n istropas: (III, 2, 6) 1 1 Tn + 2 k ( n + 2 k ) = n + 2 k 2 k Tn ( n ) = n + 2 k 2 Tn ( k n ) n 4 n 4
k k

Estas relaciones (III, 2, 5) o (III, 2, 6) definen el descenso de orden par 2k sin ninguna ambigedad. Pero, en la subida de orden par 2k aparecen indeterminaciones. Estas ya eran visibles en la expresin misma de (III, 2, 6), porque, si se reemplaza Tn por: Tn + a p r 2 p
p =0 k 1

El laplaciano iterado kTn no queda modificado: En escritura simblica se tiene:


n 2 k 1 T ( ) (r )dr = n+2k n2k n 2 k (r )r 0 F = n2 k n2k

(III, 2, 7)

Pero, siendo una distribucin de una dimensin, (r) solo acta sobre rn - 2k - 1 cuando r-2k pertenece a (). Esto solo se produce cuando la funcin par de () se anula en el origen como tambin sus 2k 1 primeras derivadas [ o bien 2(k 1), porque las derivadas impares son todas nulas en el origen]. Designaremos por 2(k 1) al espacio de las funciones de las cuales se anulan en el origen como tambin sus 2(k 1) primeras derivadas y por 2(k 1) al espacio de las funciones de () que tienen todos sus momentos nulos, hasta el orden 2(k 1). Estos dos espacios se cambian de uno a otro en la transformacin de Fourier. Se ve, en (III, 2, 7) que , considerada como una distribucin en un espacio de n 2k dimensiones, est definida solamente en 2(k 1 . Solo se prolonga,

63 como distribucin istropa sobre () , mediante un polinomio de laplacianos de grado k 1, con coeficientes cualesquiera:

a0 + a1 + ... + ak 1 k 1
Por reciprocidad, Tn-2k no est entonces definida como distribucin del espacio de n - 2k dimensiones, sino ms bien en el espacio 2k 1 , y se prolonga en con un polinomio par cualquiera de grado 2(k 1):

b0 + b1r 2 + ... + bk 1r 2( k 1)
La subida par 2k solo define entonces una clase de distribuciones. Dos distribuciones son equivalentes si su diferencia es un polinomio par en r de grado 2(k 1). Respecto de la subida o el descenso de orden impar, las cosas se complican an ms. Para efectuar un descenso de orden 2k + 1, sera necesario dar un sentido a la accin de sobre rn + 2k . Pero para una funcin par cualquiera de () , solo acta sobre rn + 2k , y r2k + 1 no es una funcin de (), porque no es indefinidamente derivable en el origen. Para dar un sentido a la subida o al descenso de orden impar, o, ms generalmente, de orden cualquiera, es entonces necesario restringir mucho ms el espacio de las funciones de base. Necesitamos un espacio () como el espacio de funciones pares de () que se anulan rpidamente (es decir ms rpido que r2k, cualquiera que sea el entero k) en el origen como tambin todas sus derivadas. Si una funcin de la forma (2) pertenece a () , 1 2 + 2 pertenece a () . Si es una funcin de () , r pertenece tambin a () . La distribucin , considerada como operando sobre las funciones de base de la forma rn - 1 acta entonces, en particular, sobre rn - 1(r n + 1 ) = r 1 . Y, por consiguiente la definicin simblica de T = F tiene el sentido preciso siguiente:
1 T ( ) = (r )r (r )dr 0 = F

(III, 2, 8)

La funcin de base , inversa de Fourier en el espacio de dimensiones de una funcin de () tiene, en este espacio, todos sus momentos pares iguales a cero, luego verifica, para todos los enteros k positivos o nulos, la relacin:

( r ) r
0

+ 2 k 1

dr = 0

El espacio de las funciones ser designado por ( ) . Solamente en este espacio T ha sido definido. Si se quiere definir T sobre () entero, es necesario, en primer lugar, prolongar sobre todas las funciones de (). Pero, en el espacio de dimensiones,

64 est definido solamente en () . Su prolongacin sobre () no proporciona una distribucin nica, sino una clase de distribuciones, las cuales se deducen unas de otras por la adicin de una distribucin arbitraria T0 concentrada en el origen. Como nos limitamos solo a las distribuciones istropas, T0 es de la forma: T0 = a p p
p =0

Los coeficientes ap son arbitrarios. As , en el espacio de dimensiones, es conocido salvo una serie entera de laplacianos. Por reciprocidad, se ve que T tambin est definida salvo una serie entera par de la forma: (III, 2, 9) T0 = a p r 2 p
p =0

Se dice que dos distribuciones son analticamente equivalentes si solo difieren en una serie par. Se ve que las operaciones de subida y de descenso no actan sobre las mismas distribuciones, sino solamente sobre las clases de equivalencia analtica. As se explica la regla de la subida trmino a trmino sobre la parte irregular de los covariogramas. Dos covariogramas que tienen la misma parte irregular son analticamente equivalentes, como distribuciones, y deben entonces proporcionar, salvo una equivalencia, es decir una serie entera par, el mismo resultado a la subida. Al contrario, la parte regular constituye una distribucin de la clase 0. En la subida tambin proporciona una distribucin de la clase cero, es decir, una serie entera par, la cual puede ser absolutamente cualquiera.

3. - Subida y descenso para la distribucin r.


Apliquemos los resultados del prrafo precedente a la distribucin r , o, ms exactamente, a la clase de distribuciones que tienen r como parte irregular. La subida de orden efectuada sobre esta distribucin, permite encontrar muy simplemente la regla (II, 1, 9). Si se considera que r es una distribucin en el espacio de n dimensiones, su 2 transformada de Fourier es, segn la frmula (A, 8, 22):
+ n n Fn r = 2 2 2

Se obtiene la subida de orden al efectuar la transformacin de Hankel de orden n , lo que da:

n 2

+ n n + Fn = 2 2 2

65 Se encuentra bien la regla habitual: + + M r = 2 r 2 2 Como en realidad, r o r + reemplazar:

estn definidos salvo una serie entera, nada nos impide de

r 2

por

[r r 2 k ] 2

Y encontrar de nuevo la secuencia logartmica (II, 1, 11), haciendo tender hacia 2k.

__________

66

CAPITULO CUARTO

LA ESTIMACION DE LAS VARIABLES REGIONALIZADAS


SUMARIO

Este captulo, fundamental para las aplicaciones prcticas, est consagrado enteramente al problema de la estimacin de las variables regionalizadas. De un punto de vista terico se demuestra que la varianza de estimacin est ligada a la parte irregular del covariograma y se desarrollan las reglas de correspondencia que deben compararse con las reglas de la subida. El prrafo 1 define, para una malla regular de muestreo a, la nocin de varianza de estimacin 2(a), y se proporcionan dos expresiones equivalentes: la primera (IV, 1, 2) a partir del covariograma mismo, la segunda (IV, 1, 9) a partir de su transformada de Fourier. Se demuestra que esta varianza es tanto ms pequea cuando la regionalizacin es ms regular y la red de muestreo ms estrecha, y que esta varianza es siempre positiva si g(h) es de tipo positivo. Se observa enseguida un punto un poco perturbador: si, en estas frmulas, se reemplazan los valores verdaderos de g(h) por los valores experimentales, se obtiene una varianza de estimacin idnticamente igual a cero. No se puede deducir de los mismos datos a la vez una estimacin y la precisin de sta. Recurrir a un modelo terico es obligatorio, y esto equivale a hacer una hiptesis sobre el comportamiento del g(h) en el origen. Este prrafo, de fcil lectura termina por una aplicacin al modelo de Bessel. El prrafo 2 desarrolla, en el caso de una dimensin, un principio de correspondencia trmino a trmino entre la parte irregular de g(h) y el desarrollo limitado de 2(a) respecto de a = 0, con la reserva que el trmino fluctuante, o Zitterbewegung, casi imprevisible, el cual aparece cuando el alcance es finito, y que se desprecia en la prctica. Enseguida se obtiene la forma explcita de la regla de correspondencia, con la ayuda de las funciones de Bessel. Un trmino en x en la parte irregular, proporciona una componente Ta en 2(a), con T2k = 0 para = 2k (parte regular). El lector puede saltar rpidamente el detalle de los clculos, pero los resultados (IV, 2, 9) y (IV, 2, 10) son fundamentales. Se observar tambin que dos covariogramas que tienen la misma parte irregular (equivalentes analticamente) conducen al mismo desarrollo limitado de 2(a). El prrafo 3 generaliza, al caso de varias dimensiones el principio de correspondencia, y proporciona una expresin (IV, 3, 3) en la forma de una serie mltiple. El caso n = 2, examinado en detalle, hace aparecer un principio de composicin de trminos de lnea y de tajada. Para una malla a1, a2 ( a1 a2 ), se tiene 2(a1a2) = 21(a1)+a122(a2), las varianzas 22 y 21 se calculan en una dimensin sobre el covariograma g2 , y el covariograma g1, que se deducen por subida. Las frmulas explcitas son (IV, 3, 11) y (IV, 3, 12).

67 El prrafo 4 trata el caso de las mallas aleatorias estratificadas, y compara los resultados con los de las mallas regulares. En el caso en que las mallas son adaptadas, las segundas son mejores a las primeras.

1. - Teora general de las mallas regulares.


Uno de los problemas ms importantes que se proponen a propsito de una variable regionalizada f(x) , con covariograma g(h) , es el de la estimacin de la cantidad de metal: (IV, 1, 1)

Q = f ( x)dx

Con la ayuda de los datos disponible experimentalmente. Supondremos que estos datos estn constituidos por una red de muestras efectuadas segn una malla regular, en un paraleleppedo (a1, a2, ..., an) . Dicho de otra manera, el espacio de n dimensiones de la regionalizacin est referido a un sistema de ejes rectangulares, paralelos a las direcciones principales de la malla, las diferentes muestras se tomaron en los puntos: (IV, 1, 2) y + ka = (y1 + k1a1, y2 + k2a2, ..., yn + knan)

Los ki son nmeros enteros, los cuales toman todos los valores posibles, positivos y negativos. El punto y = (y1,...,yn) es, uno cualquiera de los puntos de muestreo, tomado como origen de la red. Se admite implcitamente, que la red se expande hasta el infinito. En la prctica, debido a que el campo geomtrico de la regionalizacin se supone acotado, bastar con que la red real se extienda un poco ms all de los lmites del campo, es decir, en terminologa minera, que el reconocimiento ha sido exhaustivo. Se supone que los muestreos mismos son puntuales (si no son puntuales y resultan de la accin sobre f(x) de una ponderacin o de un muestreo simbolizado por una funcin p(u), y g por g p p para llegar al caso de muestras basta con reemplazar f por f p puntuales). Los datos disponibles para proceder a la estimacin de Q estn entonces constituidos por el conjunto infinito de valores numricos f(y + ka) para todos los sistemas de enteros k = (k1, k2, ..., kn). En realidad solamente un nmero finito de estos valores son diferentes de 0, porque el campo geomtrico est acotado. Para estimar la cantidad de metal Q, es decir para calcular un valor aproximado de la integral (IV, 1, 1), se forma la suma mltiple, extendida a todos los sistemas de enteros positivos o negativos: (IV, 1, 3) Q* ( y1 ,..., yn ) = a1a2 ...an

k1 = k2 =

... f ( y1 + k1a1 ,..., yn + kn an )


kn =

Que llamaremos estimador de Q, y que escribiremos, en notacin simblica abreviada: (IV, 1, 4) Q* ( y ) =| a | f ( y + ka )


k

68 El smbolo |a| representa aqu el volumen (a1, a2,..., an) del paraleleppedo de base, y k representa el sistema de n nmeros enteros (k1, k2, ..., kn). El estimador Q*(y) es evidentemente una funcin peridica, con perodos a = (a1, a2,..., an) del argumento vectorial y , porque es indiferente tomar como origen una u otra de las muestras de la red. Resulta que el problema de la estimacin puede ser tratado con la ayuda de los desarrollos en serie de Fourier. Se representar Q*(y) en la forma clsica: (IV, 1, 5)

Q* ( y ) =

p1 ... pn

p1 ... pn

py p y exp 2 i 1 1 + ... + n n an a1

Los coeficientes Cp1...pn se calculan por las frmulas: (IV, 1, 6)

C p1 ... pn =

p1 y1 pn yn 1 * ( ) 2 ... + + Q y exp i dy1...dyn a1...an a a n 1 P

En una forma condensada, se escribir simblicamente:


y 2 ip * a Q ( y ) = C p e p y C = 1 Q* ( y )e 2 ip a dy p |a| P

(IV, 1, 6) bis

En la expresin (IV, 1, 5) o (IV, 1, 6) del coeficiente Cp la integracin se extiende en el paraleleppedo P de aristas a1 ... an que es el paraleleppedo de base de la red. Si se reemplaza, en esta integral, Q*(y) por su expresin (IV, 1, 4), se hace aparecer la integral de la variable f extendida en todo el espacio: C p = f ( y )e
2 ip y a

dy

Se reconoce la expresin de la transformada de Fourier (A, 8, 1) de f(x):

(u ) = Ff = f ( x)e 2 iux dx
Y se puede reemplazar (IV, 1, 6) por el sistema equivalente siguiente:
p 2 i y * a Q ( y ) C e = p p C = p = p1 , p2 ,..., pn p an a a1 a2

(IV, 1, 7)

69

En particular, para p = 0 (es decir p1 = p2 = ... = pn = 0), se tiene: (IV, 1, 8)

C0 = (0) = f ( x)dx = Q

El trmino constante del desarrollo Q*(y) no es otro que la cantidad de metal Q que se desea estimar. El conjunto de los trminos peridicos representa el error asociado a esta estimacin. Para caracterizar la magnitud de este error, es natural introducir la varianza de estimacin 2(a) , definida como el valor medio de: [ Q*(y) Q ]2 En el paraleleppedo P construido sobre los perodos a1 ... an . Esta cantidad, puramente geomtrica, es muy prxima de las varianzas del clculo de probabilidades. En efecto, si nos imaginamos que el origen de la red de muestreo est implantado al azar en el paraleleppedo de base P, de manera tal que todos los puntos de P tengan la misma probabilidad a priori de ser elegidos, se ve que relativamente a esta implantacin aleatoria, Q*(y) es una verdadera variable aleatoria, cuya varianza no difiere de la varianza de estimacin 2(a). Cualquiera que sea la implantacin retenida, esta varianza est dada por: (IV, 1, 9)

2 (a) =

1 [Q* ( y ) Q]2 dy |a| P

Reemplacemos Q*(y) por su desarrollo en serie de Fourier (IV, 1, 7), en el cual solo subsisten, segn (IV, 1, 8) los trminos peridicos. Utilizando la propiedad clsica de ortogonalidad de las exponenciales imaginarias, se llega inmediatamente a (frmula de Parseval): p (a) = | C p | C = Q 2 a p p
2 2 2 0 2

Pero, segn la frmula (I, 1, 9), |(u)|2 no es otra que la transformada de Fourier G(u) del covariograma g(h) asociado a la variable f(x): G(u) = Fg Entonces la varianza de estimacin est dada por la frmula siguiente: (IV, 1, 10)

2 (a) = G G (0) a
p

70 Ahora buscaremos una segunda expresin para 2(a) que haga intervenir al covariograma g(h), y no a su transformada de Fourier G(u) . Partiendo de la definicin (IV, 1, 9), y desarrollando el cuadrado que figura en el smbolo sumatoria, se obtiene, debido a que el valor medio en P de Q*(y) es igual a Q: (IV, 1, 11)

2 (a) =

1 [Q* ( y )]2 dy Q 2 |a|P

Al elevar (IV, 1, 4) al cuadrado, se pone [Q*(y)]2 en la forma de una serie mltiple (de orden 2n) cuya escritura simblica es la siguiente:

[Q* ( y )]2 = | a |2

f ( y + pa) f ( y + qa)
p ,q

Reemplacemos q por p + k antes de integrar en P. Queda:

[Q ( y)] dy =| a | f ( y + pa) f ( y + pa + ka)dy


* 2 2 P P p ,k

Pero la sumatoria sobre los ndices p = (p1, ...,pn) permite reemplazar la integracin en P por una integracin extendida a todo el espacio, y se ve aparecer la expresin (I, 1, 2) que nos sirvi para definir el covariograma g(h):

[Q ( y)] dy =| a | f ( y) f ( y + ka)dy =| a | g (ka)


* 2 2 2 P k k

Al sustituir este resultado en (IV, 1, 11), y teniendo en cuenta la expresin (I, 1, 13) del cuadrado Q2 de la cantidad de metal, obtenemos la segunda frmula fundamental buscada: (IV, 1, 12)

2 (a ) =| a | g (ka) g (h)dh
k

Se verificar fcilmente, con la ayuda de la frmula sumatoria de Poisson (A, 4, 3) que las dos expresiones (IV, 1, 10) y (IV, 1, 13) de la varianza de estimacin son estrictamente equivalentes. En las aplicaciones se aplicar una u otra, segn la mayor comodidad.

Propiedades de la varianza de estimacin 2(a). - Intuitivamente nos damos cuenta que la estimacin debe ser tanto ms precisa cuando la red de muestreos es ms apretada, y cuando la regionalizaciones ms continua y ms regular en su variacin espacial. La influencia de estos dos factores es visible sobre la frmula (IV, 1, 12). En efecto, la varianza de estimacin aparece como la diferencia entre el valor aproximado y el valor exacto de una misma integral g (h)dh , es decir como el error cometido en el clculo
aproximado de esta integral a partir de los valores numricos de g(ka). Este error es naturalmente ms dbil cuando los valores numricos disponibles son ms numerosos, es decir cuando la red es ms apretada, y tambin, como lo muestra la teora del clculo

71 aproximado de integrales, tanto ms dbil cuando g(h) es ms regular, es decir cuando f(x) es ella misma ms regular en el espacio. Por otra parte, del punto de vista prctico, nos damos cuenta, que la varianza 2(a) ser difcil de calcular numricamente, si la red es muy apretada, porque se tratar de poner en evidencia la diferencia de dos cantidades muy vecinas una de la otra y con clculos laboriosos. Seremos conducidos entonces, en los prrafos siguientes, precisamente con la ayuda de mtodos que tomaremos prestados de la teora del clculo aproximado de integrales, a poner a punto frmulas de aproximacin ms directas. Naturalmente, la varianza de estimacin es obligatoriamente positiva. Esto resulta de su misma definicin (IV, 1, 9). Sin embargo, las frmulas equivalentes (IV, 1, 10) y (IV, 1, 12) aplicadas a una funcin g(h) cualquiera y a su transformada de Fourier G(u) podran bien conducir a una varianza negativa. En efecto, para que tales valores negativos no sean nunca posibles, cualquiera que sea la malla a, es necesario que la funcin g(h) utilizada como covariograma sea de tipo positivo. En efecto, el teorema de Bochner (ver Anexo A, prrafo 9, 1), nos indica que, si g(h) es de tipo positivo, su transformada de Fourier G(u) solo toma valores positivos o nulos: La expresin (IV, 1, 10) es entonces una suma de p p trminos todos positivos G 1 ... n , extendida a los enteros tal que el producto a1 an p1p2...pn0.

La estimacin de 2(a). - Para estimar el valor numrico de los g(ka) de la frmula (IV, 1, 2), nos contentaremos con los datos disponibles, que son los f(y + ka) . En lugar de los valores exactos de g(ka), que siguen siendo desconocidos, se dispondr de sus estimaciones g*(ka) calculados de la manera siguiente:

g * (ka ) =| a | f ( y + pa) f ( y + pa + ka )
p

Anlogamente, para estimar Q2 , el nico recurso es elevar al cuadrado el estimador Q*(y), lo que proporciona, ya lo hemos visto:

[Q* ( y )]2 =| a |2

f ( y + pa) f ( y + pa + ka)
p ,k

Si se reemplazan estos valores estimados g*(ka) y [Q*(y)]2 , en lugar de los valores verdaderos desconocidos, en la frmula (IV, 1 ,12) se obtiene idnticamente cero. La frmula (IV, 1, 10) tambin conduce al mismo resultado negativo, porque es bien conocido que una red peridica de datos experimentales no permite ninguna estimacin de las componentes harmnicas cuyos perodos son sub mltiplos de la red. Se debe concluir que es tericamente imposible deducir, de los mismos datos experimentales a la vez una estimacin y la precisin de esta estimacin. El formalismo desarrollado hasta aqu parece entonces conducir a un impasse experimental. En efecto, la dificultad se levanta dndose a priori el covariograma en la forma de una expresin matemtica g(h, , , ...) la cual depende de uno o varios parmetros , , ... Los valores numricos de estos parmetros podrn siempre ser determinados por un ajuste sobre los valores experimentales de los g*(ka). Es a la funcin g(h), as determinada, a la que se le

72 aplicaran las frmulas (IV, 1, 12) o (IV, 1, 10). Naturalmente, el resultado obtenido valdr lo mismo que valdr el modelo, o esquema matemtico g(h, , , ...) utilizado. Solo la experiencia podr indicarnos los esquemas 17 que convienen a cada tipo de regionalizacin. Veremos en los prrafos siguientes, que el factor determinante es aqu el comportamiento del covariograma en la zona |h| < a, que es justamente la zona inaccesible experimentalmente, comportamiento ligado a la parte irregular de g(h). En definitiva, la eleccin de esta parte irregular, es el elemento decisivo. Puede ser sugerido por conocimientos directos que se poseen acerca de la naturaleza fsica del fenmeno estudiado.

Ejemplo del modelo de Bessel de segunda especie. - Como ejemplo, aplicaremos las frmulas de este prrafo al modelo de Bessel modificado de segunda especie (captulo II, prrafo 1. 1) en el caso de una estimacin por una malla a en el espacio de una sola dimensin. El resultado obtenido ser de utilidad ms adelante. Sea el covariograma:

g (h) = (Ch) K (Ch)


El cual tiene como transformada de Fourier, segn la frmula (A, 8, 30), con n = 1:

1 G (u ) = 2 + 2
Apliquemos la frmula (IV, 1, 10) (IV, 1, 13)

C 2

(C

+ 4 2u 2 )

1 2

1 2 1 1 n 2 + C 2 a 2 +1 ( a ) = 2 G = 2 1 + 2 a n =1 n =1 2 a 2C 2 2 n + 4 2 2

Si la malla a es inferior al alcance del fenmeno, que es 2 / C, se pueden utilizar desarrollos de la forma:

(b + n )
n =1
2

= S (2 ) S (2 + 2)b +

( + 1)
2!

S (2 + 4)b 2 ...

En que S() representa la funcin de Riemann:

17

El punto de vista estadstico un poco ingenuo, que consistira en admitir la independencia (en el sentido probabilstico) de las diferentes muestras conducira a una varianza |a|g(0) Q2: la hiptesis hecha implcitamente sobre la independencia de los datos equivale a admitir que el g(h) es idnticamente nulo, o constante, salvo en la vecindad del origen. Se adopta entonces un esquema particular, bastante mal adaptado a la mayora de las regionalizaciones reales, el cual conduce, segn la forma de las redes de muestreo, a valores muy fuertes o muy dbiles, desprovistos de significacin prctica.

73

S ( ) =

1 n =1 n

la cual est ligada a los nmeros de Bernouilli (B2 = 1/6, B4 = 1/30, B6 = 1/42,...), en el caso en que es un entero par 2k , por la relacin clsica: S (2k ) = 1 22 k 1 2 k = B2 k 2k (2k )! n =1 n

Al llevar este desarrollo en (IV, 1, 13), se obtiene la varianza de estimacin en la forma siguiente:

2 (a) = + 2
(IV, 1, 14)

1 C 2 a 2 +1 1 a 2C 2 S (2 1) S (2 3) + + + 1 2 4 2 2 + 2 2 2 a 2C 2 1 1 3 + + + S (2 + 5) ... 2 2! 2 2 4

Cuando la malla a es inferior a 2 / C , este desarrollo converge y permite el clculo de 2(a). A menudo es posible, si a es pequeo, de contentarse con la parte principal de esta expresin, que es en a1+: 1 C 2 + 2 [1 + 0(a 2 )]a1+ 2 S (1 + 2 ) 2 (a ) = 2
2 + 1 2

(IV, 1, 15)

Esta frmula nos permitir ms adelante de desarrollar una regla de correspondencia trmino a trmino entre el desarrollo de 2(a) y la parte irregular de g(h). Pero es necesario ver bien que el resultado obtenido supone a pequeo. Si a es grande respecto de 2 / C , el decrecimiento exponencial de las funciones de Bessel nos indica que, en (IV, 1, 12), todos los g(ka) son despreciables respecto de g(0). Se obtiene la frmula asinttica: (IV, 1, 16)

2 (a) =| a | g (0) g (h)dh

la cual tiene una significacin aleatoria evidente: es esta relacin, en efecto, la que se obtendra en clculo de probabilidades, suponiendo los muestreos independientes 18 . De hecho, para un modelo g(h) el cual tiene un alcance finito b (g(h) 0 para |h| > b), con una malla a tal que a > b, una de las muestras, a lo ms, proporciona un resultado no nulo. Todo se pasa como si esa muestra nica estuviera implantada al azar en una banda de longitud a la cual contiene el campo geomtrico de la regionalizacin. En el caso de una
18

Ver nota, p. 81

74 funcin de Bessel, este resultado es solamente asinttico, debido a que g(h) se anula asintticamente. La varianza se explicita en la forma: 1 2 (a ) = 2 1 ( )a 2 + 2 C

2. - Clculo de varianzas de estimacin en una dimensin.


Recordemos primero la frmula clsica de Euler Mac-Laurin, utilizada en la teora del clculo aproximado de integrales Si un intervalo (x0, xn) ha sido subdividido en n intervalos iguales (xi, xi+1), y si f(x) es una funcin derivable (2p + 2) veces, asumiendo que f es continua como tambin sus (2p + 2) primeras derivadas en el intervalo (x0, xn) , comprendiendo las extremidades, se tiene: xn ( xn x0 ) 1 1 f ( x0 ) + f ( x1 ) + ... + f ( xn 1 ) + f ( xn ) f ( x)dx = n 2 2 x0 2 B2 xn x0 [ f '( xn ) f '( x0 )] 2! n (IV, 2, 1) 4 B4 xn x0 + [ f '''( xn ) f '''( x0 ) ] 4! n 2p B2 p xn x0 f 2 p 1 ( xn ) f 2 p 1 ( x0 ) + ... + (1) p + Rp (2 p )! n Los B2p son los nmeros de Bernouilli:

1 1 1 1 B2 = , B4 = , B6 = , B8 = ,... 6 30 42 30
Y el resto Rp verifica la desigualdad:

x x | R p |< n n 0 (2 p + 2)! n B2 p + 2

2 p +3

Mp

Siendo Mp el mximo de la derivada de orden (2p + 2) en el intervalo (x0, xn). Vamos a utilizar esta frmula en el clculo de la varianza de estimacin 2(a), la cual se escribe, segn (IV, 1, 2): (IV, 2, 2)

(a) = ag (0) + 2a g (na) 2 g ( x)dx


2

n =1

Esta expresin nos recuerda estrechamente la frmula de Euler Mac Laurin.

75 Sin embargo, es necesario tomar en consideracin que el covariograma g(h) presenta, en general, irregularidades analticas en h = 0 , y tambin, en h = b, siendo b el alcance del covariograma, si ste es finito (g(h) 0 para |h| > b). Esta es la razn porqu, designando por (k +1) el entero ms grande tal que (k + 1)a sea inferior o igual al alcance b: (IV, 2, 3) (k + 1)a b < (k + 2)a

separaremos, en el segundo miembro de (IV, 2, 2) los tres primeros trminos siguientes:


a R a g (0) g ( a ) 2 g ( x)dx = + [ ] 1 0 ka 1 R2 = 2a g (a ) + g (2a ) + ... + g [ (k 1)a ] + g (ka ) 2 g ( x)dx 2 a b R3 = ag (ka ) 2 g ( x)dx + 2ag [ (k + 1)a ] ka

Se obtiene entonces, segn (IV, 2, 1), la expresin siguiente para R2:

R2 = 2a 2

B2 B [ g '(ka) g '(a)] 2a 4 4 [ g '''(ka) g '''(a)] + ... 2! 4!

Agruparemos ahora los trminos de R2 que contienen las derivadas en el punto a con R1, y los trminos que contienen las derivadas en el punto ka con R3. Se obtiene as la descomposicin de 2(a) en la forma de una suma de dos trminos T0 y Tz: (IV, 2, 4) 2(a) = T0(a) + Tz(a)

dados por la frmula siguiente:


a a4 2 B2 T a = a g + g a g x dx a g a + B4 g '''(a ) ... ( ) (0) ( ) 2 ( ) 2 '( ) 2 [ ] 0 2! 4! 0 (IV, 2, 5) b T (a ) = ag (ka) 2 g ( x)dx + 2a 2 B2 g '(ka) 2a 4 B4 g '''(a) + ... + 2ag (k + 1)a [ ] z 2! 4! ka

T0 se llama trmino de extensin. Solo depende del comportamiento de g(h) en el intervalo (0, a), es decir en la vecindad del origen. El trmino Tz , al contrario, est ligado, a la manera en la cual ocurre el contacto de g(x) en x = b con el eje de las x. Tiene el nombre de Zitterbewegung, o trmino fluctuante. Lo estudiaremos en primer lugar.

76

EL Zitterbewegung. 19. - Para estudiar el trmino fluctuante Tz(a), supongamos que en la vecindad de x = b , el covariograma g(x) admita un desarrollo de la forma siguiente:
g ( x) = C (b x)

Y busquemos la contribucin a Tz de la componente (b x), el exponente es cualquiera. Pondremos, para simplificar las escrituras: (IV, 2 ,6)

b (k + 1) a

es el resto de la divisin de b por a. Est comprendido entre 0 y 1. Al reemplazar en (IV, 2, 5), se obtiene el Zitterbewegung Tz() del monomio (b x) por la frmula: B2 2 1+ +1 1 Tz ( ) = a (1 + ) + 1 (1 + ) 2 2! (1 + ) B +2 ( 1)( 2) 4 (1 + ) 3 ... 4!

(IV, 2, 7)

Este trmino es entonces en a+1 . Cuando vara entre 0 y 1, pasa alternativamente por valores positivos y negativos. Se puede mostrar que la integral

T d
z
0

, es decir el valor (b - x),

medio de Tz relativo a , es igual a cero. Por ejemplo un trmino en correspondiente a = 1 , proporciona:

1 Tz (1) = a 2 2 6
Este Zitterbewegung es muy molesto en la prctica, debido a que, en general, no se tiene ninguna indicacin relativamente a . Del hecho que el valor medio de Tz respecto de es igual a cero, nos autorizamos para despreciar puramente y simplemente este trmino desagradable. Es lo que haremos en todo lo que sigue. Pero este trmino existe, y puede implicar fluctuaciones de amplitud importante (y prcticamente imprevisibles) entre el verdadero valor de 2(a) y su estimacin a partir de un solo trmino de extensin T0. Se ver un ejemplo en la figura 1 del captulo VI. En el caso en que el alcance b es infinito, o cuando g(h) se anula asintticamente en el infinito, el trmino fluctuante desaparece (siempre que el decrecimiento de este g(h) sea bastante rpido). As, los modelos de Bessel y de Laguerre estn desprovistos de Zitterbewegung.

19

Para mayores detalles acerca del Zitterbewegung, ver el Anexo F, y en particular, su expresin explcita (5) en la forma de desarrollo en serie de Fourier.

77

El trmino de extensin. - Para evaluar el trmino de extensin T0, de la frmula (IV, 2, 5), supongamos que g(x) admite, en la vecindad del origen, un desarrollo de la forma:

C x
Vlido justo hasta x = a. La contribucin a T0 de la componente (x) ser designada por T0(x) . Se tendr: T0 = C T0 (x) A menos que la suma tenga un nmero finito de trminos, o no sea convergente, se obtendr, en general, un desarrollo limitado de T0 y no una expresin exacta. El clculo de T0(x) , segn (IV, 2, 5) es inmediato: (IV, 2, 7) bis

2 B B T0 ( x ) = a1+ 1 2 2 + 2 ( 1)( 2) 4 ... 2! 4! 1+

As, el trmino x aporta una contribucin en a1+. Si es un entero par 2k , se verifica fcilmente, con la ayuda de la frmula de Euler Mac-Laurin aplicada a f(x) = x entre 0 y 1, que T0(x2k) se anula: T0( x2k ) = 0 Se ve que solo los trminos de la parte irregular de g(x) aportan una contribucin en el desarrollo limitado de la varianza de estimacin, y, para una parte irregular de la forma: C x este desarrollo limitado es de la forma: (IV, 2, 8)

CT a

+1

Los coeficientes T definidos por T0(x) = T a+1 son independientes de a. Se establece as un principio de correspondencia trmino a trmino entre el desarrollo de la parte irregular de g(x) y el de la varianza de estimacin (excluyendo el Zitterbewegung). Este principio, cercano de la regla de la subida trmino a trmino sobre la parte irregular, muestra como la precisin de una estimacin est ligada al comportamiento del covariograma en el origen, finalmente a la regularidad de la regionalizacin misma. En adelante diremos que dos covariogramas son analticamente equivalentes si tienen la misma parte irregular. Se ve que las varianzas de estimacin 2(a) calculadas con dos covariogramas analticamente equivalentes admiten un mismo desarrollo limitado en a, respecto de a = 0. Sealemos bien que el resultado obtenido en la forma (IV, 2, 8) supone que la malla a es pequea, o ms exactamente, que el desarrollo de g(x) en la forma Cx es utilizable hasta x = a. Cuando la malla a es grande y los puntos de muestreo no son muy numerosos, la frmula (IV, 1, 12) puede ser calculada directamente. En el caso

78 intermedio en el cual a sera demasiado grande para (IV, 2, 8) pero donde (IV, 1 ,12) contiene un nmero excesivo de trminos, se podr a menudo contentar, en la prctica, con un ajuste grfico simple entre las dos zonas donde 2(a) es calculable: Este ajuste grafico se hace, en general, bastante bien. Por otra parte, no hay que perder de vista que (IV, 2, 8) es solamente un desarrollo limitado respecto de a = 0 . Para un covariograma desprovisto de parte irregular (analticamente equivalente a cero) de la forma:

g ( x) = C0 + C2 k x 2 k
k =1

La regla de correspondencia conducira a una varianza idnticamente nula, porque T2k = 0. En realidad, para a diferente de cero, 2(a) no es nula. El resultado obtenido significa solamente que 2(a) se anula en a = 0, como tambin sus derivadas de todos los rdenes, de manera que los desarrollos limitados a un nmero cualquiera de trminos desaparecen. Para dar un ejemplo, tomemos: g ( x) = e
ux 2

(ux 2 ) n = (1) n!
n

La varianza de estimacin est dada por:

2 (a ) = a 1 + 2 e un a
2 2

n =1

Apliquemos la frmula de intercambio de las funciones theta (A, 8, 21). Queda:

(a) = 2
2

e
n =1

2
ua 2

n2

2(a) no es nula para a 0 pero se anula, efectivamente, como todas sus derivadas en a = 0. Del punto de vista prctico, esto significa que esta varianza solo puede tomar valores extremadamente dbiles cuando a es pequeo.

Forma explcita de la regla de correspondencia. - Queda por calcular los coeficientes T del desarrollo limitado (IV, 2, 8). Ms que utilizar la frmula (IV, 2, 7), poco cmoda, observamos que, si es posible obtener un desarrollo para un covariograma particular, el cual admita x como trmino irregular de orden ms bajo, T se deducir inmediatamente por identificacin. Utilizaremos el modelo de Bessel de segunda especie, y la frmula (IV, 1, 5). El covariograma xK-(x) admite por parte irregular la serie:
21 sen 22 k x 2( + k ) k = 0 k ! ( + k + 1)

79 Como se puede ver en la frmula (C, 2, 3) del Anexo C, la varianza de estimacin, segn (IV, 1, 15), se pone, para a < 2 , en la forma:

1 (1) k + k + 2 2 (a) = + 2 k 2 + 2 k S (1 + 2 + 2k )a1+ 2( + k ) k! k =1 2

1 es la serie de Riemann. Al tomar = 2( + k), se deduce n =1 n inmediatamente el valor del coeficiente T de la regla (IV, 2, 8):
En que

S ( ) =

2 1+ T = 2 S (1 + ) 1 + sen 2 2 2
3

Simplifiquemos esta expresin con la ayuda de la frmula de duplicacin de la funcin de Euler, frmula (B 6) del Anexo B:

T = sen

(1 + ) S (1 + ) 2 2 1 1+

Introduzcamos los nmeros de Bernouilli generalizados:

B =

(1 + ) (1 + ) 1 ( ) = S 2 1 2 1 n =1 n

Tomando en cuenta, igualmente, la frmula de los complementos (B, 4), pondremos la regla de correspondencia en dos formas equivalentes siguientes:

(IV, 2, 9)

B1+ 1+ 1+ T0 ( x ) = T a = 2 sen 2 1 + a 2 1+ B1+ a1+ T0 x = T a = 2 2 (1 + ) 1 + 2

En la primera forma, se verifica que T se anula cuando es un entero par 2k . En la segunda forma, se puede obtener T0( x2k log x) al reemplazar x por x x2k y haciendo tender hacia 2k. Pero es mucho ms simple derivar la primera forma en y hacer = 2k. As, para los trminos pares, impares y logartmicos, se obtienen las expresiones siguientes, importantes para las aplicaciones prcticas:

80 2k T0 ( x ) = 0 (1) k 2 k 1 B2 k a 2 k T0 ( x ) = k T0 ( x 2 k log x) = (1) k +1 B1+ 2 k a1+ 2 k 1 + 2k

(IV, 2, 10)

Proporcionaremos aqu, los valores numricos de los primeros Bk: 1 B2 = 0.166667 = 6 B3 = 0.058153 1 B4 = 0.033333 = 30 B5 = 0.025413 1 B6 = 0.023809 = 42 B7 = 0.026921 B = 0.033333 = 1 8 30

(IV, 2, 11)

3. - Clculo de varianzas de estimacin con varias dimensiones.


Con varias dimensiones, las varianzas de estimacin se calculan de manera anloga, pero las cosas se complican un poco. Partiendo de la frmula general (IV, 1, 2), se puede demostrar que existe, aqu de nuevo, un trmino fluctuante y un trmino de extensin. El Zitterbewegung prcticamente imprevisible en las aplicaciones ser despreciado, a pesar que su magnitud puede ser a veces considerable (ver, por ejemplo, la figura 1 del captulo VI). Respecto del trmino de extensin, se establecer fcilmente que el principio de correspondencia, trmino a trmino, sobre la parte irregular del covariograma se aplica tambin, y as aparece la posibilidad de obtener desarrollos limitados 2(a1a2...an) n 2 ordenados segn las potencias crecientes de los monomios (a11 a2 ...an ) . Naturalmente, aqu tambin, se trata de desarrollos limitados, utilizables solamente para pequeos valores de los a1a2...an . Para los grandes valores de la malla, es preferible utilizar directamente (IV, 1, 2) que solo contiene un pequeo nmero de trminos. En el lmite, cuando la malla contiene al campo geomtrico (a1 > b1,..., an > bn) , hay a lo ms una muestra positiva, y todo pasa como si esta muestra estuviera implantada al azar en un paraleleppedo P de aristas (a1, a2, ..., an) el cual contiene la regionalizacin. La frmula general toma entonces la forma aleatoria: (IV, 3, 1)

2 (a1 ,..., an ) = (a1a2 ...an ) g (0) g (h)dh

81

Entre los dos casos extremos de las grandes y las pequeas mallas, a menudo nos reducimos a proceder por simple interpolacin grfica. Pero, en la prctica, esta interpolacin no ocasiona dificultades, debido a que se encuentra, muy a menudo, que los desarrollos limitados conservan su valor, an para mallas considerables.

El principio de correspondencia. - Nos limitaremos al caso de un covariograma istropo g(r) . Si ste admite, en la vecindad del origen, un desarrollo de la forma:
g(r) = Cr La varianza de estimacin admite un desarrollo limitado de la forma: (IV, 3, 2) 2(a1...an) =CT0(r)

Donde los T0(r) son expresiones polinmicas de grado + n respecto a los (a1, a2, ..., an) . Vamos a entregar la expresin terica de T0(r) en el caso general, para explicitarlo luego, en el espacio de dos dimensiones. Para establecer la expresin general de T0(r), haremos el razonamiento rpido siguiente: En el espacio de n dimensiones, r tiene, por transformada de Fourier, segn (A, 8, 22) la funcin: +n 2 n 2

G ( ) = Fn r =

n 2

Apliquemos a G() la frmula general (IV, 1, 10). Se obtiene as la expresin de T0(r) en la forma siguiente:

(IV, 3, 3)

T0 (r ) =

+n 1 2 +n p1 p2 ... pn 0 2 2 p12 p2 2 pn 2 a 2 + a 2 + ... a 2 2 n 1


n 2

La sumatoria mltiple que figura en el segundo miembro, se extiende a todos los sistemas de enteros positivos o negativos (p1, p2, ..., pn) con la excepcin del nico sistema (p1 = p2 =... = pn = 0). Este razonamiento rpido no es correcto porque las operaciones efectuadas sobre r y -n no son legtimas. Sin embargo, el lector puede verificar fcilmente que el resultado obtenido se puede justificar rigurosamente, razonando, como ya lo hemos realizado en el caso n = 1, sobre un modelo de Bessel el cual contena un trmino en r : el modelo de Bessel utilizado sirvi simplemente como intermediario , y el resultado final obtenido, que es (IV, 3, 3), tiene un valor general.

82

Composicin de trmino de lnea y de tajada. - Naturalmente, el clculo directo de (IV, 3, 3) sera difcil en las aplicaciones. Vamos a buscar el desarrollo de una frmula de aproximacin, limitndonos primero a dos dimensiones solamente (n = 2). La frmula general toma, para n = 2, la forma:

(IV, 3, 4)

T0 (r ) =

1 1 + 2 2

p1 p2 0

1 p p a + a
2 1 2 1 2 2 2 2 1+

En todo lo que viene, supondremos a2 a1 . En la red de muestreo, distinguiremos lneas de mayor densidad, que son las lneas a lo largo de las cuales el espaciamiento de las muestras es a2. Hagamos, en el lmite, a2 = 0, lo que equivale, en efecto, a efectuar una subida a lo largo de los puntos de mayor densidad. En esta subida, el trmino r (salvo una 1+ 2 1+ r , y esta expresin figura en el parte regular) queda, segn (II, 1, 9), 2 covariograma de la nueva variable de una sola dimensin obtenida al subir a lo largo de las lneas. La varianza de estimacin, en el reconocimiento de esta nueva variable segn la malla a1, es entonces necesariamente igual a: 1+ 2 T1+ a 2+ 2 El T tiene la expresin (IV, 2, 9). De hecho, si hacemos a2 = 0 en la frmula (IV, 3, 4), solo subsisten los trminos correspondientes a p2 = 0, y se verifica inmediatamente que se tiene bien: 1 1 + 2 2 1+ 1 2 = T1+ a 2+ +2 p1 2

(IV, 3, 5)

a 2+
1

p1 = 0

Hemos obtenido as el trmino principal de T0(r), relativo a la razn a2 / a1 la cual se supone muy pequea. Este trmino representa la extensin de las lneas de mayor densidad (las que se supone perfectamente conocidas) en las tajadas de dos dimensiones que las separan. Lo llamaremos trmino de tajada. Cuando a2 no es nulo, naturalmente, no se tiene el derecho de despreciar los trminos de (IV, 3, 4) correspondientes a los enteros p2 no nulos. Consideremos los trminos para los cuales p2 = q tiene un mismo valor q, y pongmoslos en la forma siguiente:

83

(IV, 3, 6)

2+ 1 + 1 2 a2 1 2 1+ q 2 2 p =1 2 a2 p + 1 2 a12 q 2

Para evaluar la sumatoria (tomada sobre el ndice p) podemos aplicar la frmula sumatoria de Poisson (A, 4, 3) a la funcin (1 + bx ) (A, 8, 27). Se obtiene as:
2 (1+ ) 2

cuya transformada de Fourier est dada en

n =

1 (1 + n 2b 2 )
1+

1 2 2 2 n = b n = b 1 + 2

1+ 2

1+ 2

2 n b

Se verificar fcilmente, sobre el desarrollo (C, 2, 3), que x


1
2

1+ 2

1+ 2

( x ) toma, en

x = 0, el

valor 2

+1 . Si separamos, en la expresin anterior, los trminos correspondientes 2 a n = 0, queda: 1+ 3 1+ 2 2 2 2 n 2 2 n K 1+ = 1+ b b b 2 1 + 1 + n =1 2 2

(IV, 3, 7) 2
n =1

1 (1 + n 2b 2 )
1+

Cuando b tiende a 0, la serie que figura en el segundo miembro decrece ms rpido que cualquier potencia de b, debido al decrecimiento exponencial, en el infinito, de las funciones de Bessel K 1+ . Esta no aporta ninguna contribucin al desarrollo limitado en
2

b . Pongamos ahora:

b=

a2 a1q

Y llevemos el resultado obtenido en (IV, 3, 7) en la expresin (IV, 3, 6) del trmino general en q . Esta queda:

84 1+ 1+ a a1+ 2+ 2 1 2 1 2 a2 + R a2 a 2+ 2 q q1+ q 2+ a1q 2 2

1 2

Segn lo anterior, sabemos que el trmino complementario Rq decrece ms rpido que a cualquier potencia de 2 cuando a2 tiende a cero. a1q Finalmente, la expresin obtenida debe ser sumada sobre todos los valores enteros, no nulos, positivos o negativos, del entero q. Se verifica fcilmente, con la ayuda de (IV, 2, 9) que se tiene: 1+ 1 2 1 2 2 = T 1+ q =1 q 2 1+ 1 + 1 2 1 2 2 T1+ = q =1 q 2+ 2 2 Al considerar, tambin, al trmino de tajada (q = 0), obtenemos finalmente la expresin siguiente de T0(r) : 1+ a 2+ 2 + + R 2 a2 T0 (r ) = T1+ (a12+ a2 2 + ) + T a1a1 2 a1 2

(IV, 3, 8)

a Del trmino complementario R 2 , no sabemos mucho, sino que es positivo, y decrece a1 a ms rpido que cualquier potencia de 2 cuando a2 tiende a 0. No lo despreciaremos y, a1
2+ en compensacin, tampoco despreciaremos a2 delante de solamente los dos primeros trminos del desarrollo: + a1a1 2 , y conservaremos

(IV, 3, 9)

1+ 2 + T0 (r ) = T1+ a12+ + T a1a1 2 2

(a1 < a2 )

85

Para valores de no muy elevados (inferiores a 7 u 8), la frmula (IV, 3, 9) an proporciona resultados utilizables para a2 = a1. Naturalmente, cuando a2 es superior a a1 se deben cambiar los papeles de a1 y a2. Se ve aparecer en (IV, 3, 9), el principio de composicin de trminos de tajada y de lnea. El trmino de tajada en a12+ representa, lo hemos visto, la varianza de estimacin de una dimensin calculada para la malla a1 y la variable obtenida luego de una subida a lo largo + + se llama trmino de lnea. Se observa que T a1 no de las lneas. El trmino en a1a1 2 2 es otra cosa que la varianza de una sola dimensin calculada sobre el covariograma en x para la malla a2. Sean entonces g2(r) un covariograma de dos dimensiones, g1(r) el covariograma que se deduce por subida, sean:

12 (a)

22 (a)

Las varianzas de estimacin de una sola dimensin calculadas sobre g2: El principio de composicin se puede escribir: (IV, 3, 10)
2 2 (a1 , a2 ) = 12 (a1 ) + a12 2 ( a2 ) (a1 > a2 )

Vlido con la misma aproximacin que (IV, 3, 9), este principio expresa que se pueden mirar como independientes la estimacin de las lneas de mayor densidad a partir de las muestras y la de la tajadas a partir de las lneas (las cuales se supone perfectamente reconocidas), y por consiguiente, componer las varianzas de estimacin correspondientes, como si se tratara de variables aleatorias independientes (en el sentido usual del clculo de probabilidades). Esta justificacin intuitiva permite comprender porqu la frmula (V, 3, 9) es an utilizable para a1 = a2 y para valores de considerables ( = 6 o 7). En las aplicaciones, se utilizarn sobre todo los resultados relativos a los valores enteros de y a los trminos logartmicos en r2k log r. De (IV, 3, 9), se deduce sin dificultad: T0 (r 2 k ) = 0 (1) k 22 2 k (2k 2)! (1) k 2 k 1 1+ 2 k 2k T0 (r ) = B1+ 2 k a1 + B2 k a1a2 1 k 2 k + [(k 1)!] 2 (1) k +1 22 + 2 k (k !) 2 (1) k +1 2k 2+ 2 k +2k B1+ 2 k a1a1 B2+ 2 k a1 + 2 T0 (r log r ) = (2k + 3)! 1 + 2k

(IV, 3, 11)

86 En particular, siempre con a1 a2: 1 2 3 T0 (r ) = 6 a1a2 0.609a1 2 3 4 T0 (r log r ) = 0.0609a1a2 + 0.03490a1 1 4 T0 (r 3 ) = a1a2 + 0.01198a15 60

(IV, 3, 12)

Generalizacin para ms de 2 dimensiones. - Finalmente, el principio de composicin se generaliza al caso en que hay ms de dos dimensiones. Para n = 3, por ejemplo, con a1 2 (a ) y 12 (a ) las varianzas de estimacin de una a2 a3, y designando por 32 (a ), 2 dimensin calculadas, respectivamente, sobre el covariograma g3 de la variable a estimar, y los covariogramas g2 y g1 que se deducen por subida de orden 1 y 2, se tendr:
(IV, 3, 13)
2 2 (a1 , a2 , a3 ) = 12 (a1 ) + a1 2 (a2 ) + a1a2 32 (a3 )

Se ve aparecer y compositar un trmino de tajada, un trmino de seccin y un trmino de lnea, y todo sucede como si las estimaciones de las tajadas por las secciones, de las secciones por las lneas, y de las lneas por las muestras fueran independientes unas de otras. El principio de correspondencia permite, igualmente, calcular fcilmente el aporte T0(r) para esta varianza de tres dimensiones, del trmino en r de la parte irregular del covariograma: 2 T a 3+ + + 2 2+ 1

(IV, 3, 14)

T0 (r ) =

1+ 2 2+ 1+ + T a1a2 a3 T1+ a1a2 2

Caso de las mallas no rectangulares. - Sucede a menudo, en la prctica, que las redes de muestreo sean construidas sobre paralelogramos cualesquiera (en dos dimensiones) o paraleleppedos oblicuos (en tres dimensiones). El principio de composicin se extiende y las frmulas subsisten: Basta, para n = 2 , con tomar por a2 la distancia entre muestras sobre las lneas de mayor densidad, y por a1, la distancia entre estas lneas. Anlogamente, en 3 dimensiones, a3 representar la malla sobre las lneas de mayor densidad, a2 la distancia ms pequea distancia entre dos de estas lneas, y a1 el espaciamiento de los planos de mayor densidad. Respecto de la frmula general (IV, 1, 12), se verificar que subsiste mediante muy ligeras modificaciones: Si se designa por a, b, c, ... los vectores de base de la malla, tal que los muestreos estn realizados en los puntos y + paa + pb, b + pcc , siendo pa, pb, pc enteros cualesquiera, y por v = (a, b, c) el volumen del paraleleppedo de base de la malla, se tiene:

87 (IV, 3, 15)

2 (a, b, c...) = (a, b, c...)

pa pb pc

g ( pa a + pbb + pc c + ...) g (h)dh

4. - Mallas aleatorias estratificadas.


En algunas situaciones prcticas, las redes de muestreo no estn construidas segn una malla regular, sino segn el tipo llamado estratificado al azar, en el cual, cada punto de muestreo se elige al interior de una zona de influencia segn un procedimiento de sorteo al azar, el cual entrega para cada punto de la zona de influencia, la misma probabilidad de ser sorteado. Cuando estas zonas de influencia estn unidas, son iguales entre s, y no se solapan, se habla de malla aleatoria estratificada. En dos dimensiones, estas zonas de influencia pueden ser paralelogramos o hexgonos. En tres dimensiones, son generalmente, paraleleppedos oblicuos o rectangulares. Nos proponemos, en este prrafo, definir y calcular la varianza de estimacin asociada a una malla aleatoria estratificada, y compararla con la malla regular construida sobre las mismas zonas de influencia. Para simplificar las notaciones, supondremos que la zonas de influencia es un paraleleppedo rectangular P de aristas a = (a1 a2 ... an) paralelas a los ejes de coordenadas, pero los resultados se extendern de ellos mismos a otros tipos de poliedros. Si se conoce la posicin: v = (v1 v2 ... vn) Del centro de una de las zonas de influencia, los centros de todas las otras estn localizados en los puntos v + ka = (v1 + k1a1, ..., vn + knan), en que k designa un sistema de enteros cualesquiera (k1 k2 ... kn). En la zona de influencia Pk de centro v + ka, se implanta al azar un punto de muestreo, segn una ley de probabilidad uniforme. Designaremos por: v + ka + uk este punto de muestreo. Todo ocurre, en efecto, como si un punto uk fuera tirado al azar dentro del paraleleppedo P con centro en el origen. Designaremos por (x) la variable su covariograma geomtrico. La variable geomtrica asociada a P y por (h) = regionalizada que se desea estimar se designar por f(x). y su covariograma por g(h). Los datos disponibles, que son los valores numricos de los f(v + ka + uk) para todos los sistemas de enteros k , que permiten formar la estimacin Q* de la cantidad de metal, segn la frmula siguiente: (IV, 4, 1) Q* =| a | f (v + ka + uk )
k

Q* aparece como una variable aleatoria, relativamente a los uk, tirados independientemente al azar segn una ley de probabilidad uniforme en P, y tambin relativamente a la posicin del origen v de la red, que tambin se puede considerar como tirado al azar dentro de P como los uk , pero independientemente de ellos (en efecto, da lo mismo tomar como origen v o uno cualquiera de los v + ka). Razonaremos primero con v fijo. Si v es fijo, la esperanza matemtica de Q* es:

88

E (Q* | v) =| a |
k

1 f (v + ka + uk )duk = f ( x)dx = Q |a| P

Es igual, naturalmente, al verdadero valor de la cantidad de metal, luego, por consiguiente, la esperanza a priori de Q* (relativa a la vez a uk y a v) es: (IV, 4, 2) E(Q*) = E(Q*|v) = Q

Pasemos a las varianzas, y pongamos, para abreviar: fk = f(v + ka + uk) Para calcular la varianza con v fijo, formemos el cuadrado:

[Q* ]2 =| a |2

f
kp

fp

Para k p, fk y fp son independientes con v fijo (porque uk y up son independientes). Para k = p, la varianza de fk aparece. Luego, se tiene:

E ( f k f k | v) = [ E ( f k | v)]2 + D 2 ( f k | v) E ( f k f p | v) = E ( f k | v) E ( f p | v)
Se deduce, segn (IV, 4, 2):

E (Q*2 | v) =| a |2 E ( f k | v) E ( f p | v)+ | a |2 kp 2 = Q + | a |2 D 2 ( f k | v) k

D
k

( f k | v)

Se obtiene entonces la expresin de la varianza, cuando el origen v de la red es fijo: (IV, 4, 3) D 2 (Q | v) =| a |2

D
k

( f k | v)

Como E(Q*|v) = Q no depende de v, se tendr la varianza a priori D2(Q*), que es la varianza de estimacin buscada, al tomar el valor probable 20 relativo a v de D2(Q*|v). Para explicitar su expresin, introduzcamos la variable:

y ( x) =

1 1 f ( x + u )du = f |a|P |a|

20

Nota del traductor: En espaol se usa ms bien esperanza matemtica en vez de valor probable

89 igual al valor medio y(x) de la variable f en el paraleleppedo P centrado en el punto x (ley media de este paraleleppedo). Se tiene:

D 2 ( f k | v) =

1 f 2 (v + ka + u )du [ y (v + ka)]2 |a|P

Llevemos este resultado a (IV, 4, 3): Queda: D 2 (Q* | v) =| a | f 2 ( x)dx | a |2 =| a | g (0) | a |


2

[ y(v + ka)]
k
2

[ y(v + ka)]
k

El primer trmino es independiente de v. El segundo, cuando el origen v de la red se elige al azar en P, tiene como valor probable: | a |2 E y 2 (v + ka ) = | a | [ y ( x)]2 dx = | a | g P (0) k En que gP(h) es el covariograma de y(x), igual a: g P ( h) = 1 1 = g g 2 |a| | a |2

De donde, finalmente, el resultado buscado: (IV, 4, 4) 2(a) = D2(Q*) = |a|[ g(0) - gP(0) ]

o tambin, en forma explcita: (IV, 4, 5)

2 (a ) =| a | g (0)

1 g (h) (h)dh 2 |a|

Si nos referimos a la significacin del algoritmo de Cauchy (I, 2, 9), vemos que la varianza de estimacin es igual al producto del volumen |a| de la malla por diferencia entre g(0) y el valor medio de g(h) en el paraleleppedo de base P. Esta varianza solo depende del comportamiento de g(h) en este paraleleppedo, y toma un valor ms elevado cuando el decrecimiento de g(h) en P es ms rpido luego, cuando la regionalizacin es menos regular.

Mallas adaptadas. - Se dice que una malla aleatoria estratificada es adaptada si produce el mnimo de la varianza de estimacin (IV, 4, 5) para un mismo volumen |a| de la malla, es decir, prcticamente para un mismo nmero de muestras. En el caso de un covariograma istropo g(r) , esta malla adaptada est construida sobre un poliedro regular. En dos

90 dimensiones, por ejemplo, se obtienen los hexgonos regulares y los cuadrados, con una nfima superioridad para la malla hexagonal, en la medida en que el hexgono se aproxima ms al crculo que el cuadrado. De la misma manera, se dir que una malla regular es adaptada, si produce el mnimo, con |a| fijo de la varianza de estimacin (IV, 1, 12). Para un mismo g(h), no es evidente que las mallas adaptadas regulares y aleatorias estratificadas estn construidas sobre los mismos poliedros, sin embargo este ser generalmente el caso: todo depende del tipo de anisotropa que presenta el covariograma g(h) en la vecindad del origen. Para un covariograma istropo g(r), o que presenta una anisotropa susceptible de ser corregida por una transformacin lineal de las coordenadas, estamos asegurados que los poliedros adaptados coinciden. De manera general, la malla regular adaptada proporciona siempre mejores resultados que la malla aleatoria adaptada. La excepcin sera un covariograma aberrante, el cual comporte una componente armnica de amplitud excepcionalmente elevada para un perodo que sea, justamente, uno de los periodos de la red. Por otra parte, de dos mallas adaptadas construidas sobre un mismo poliedro, una regular y la otra aleatoria estratificada, no es posible, en general, prever a priori cul proporcionar los mejores resultados.

__________

91

CAPITULO QUINTO

REPRESENTACION TRANSITIVA DE LAS CORREGIONALIZACIONES


SUMARIO

Los resultados de los captulos precedentes se generalizan a las corregionalizaciones, es decir al caso en el cual varias variables se definen en el mismo campo. La independencia de dos variables puede ser definida en dos sentidos diferentes, no equivalentes: La independencia interna y la ausencia de correlacin diferida. Los tres primeros prrafos son importantes en las aplicaciones (estimacin simultnea de varias variables; por ejemplo, en un yacimiento minero, estimacin simultnea de la ley media y de los tonelajes de mineral y de metal). El prrafo 1, de lectura fcil, define la matriz de covariacin Cij(h), generalizacin del covariograma. La covarianza de las estimaciones simultneas de las dos variables fi y fj se calcula a partir de Cij, de la misma manera que una varianza de estimacin a partir de g(h). El prrafo 2 define la independencia interna de dos variables fi y fj por la condicin que fi(x) y fj(x) y todas sus regularizadas son independientes en el sentido ordinario. La condicin se escribe Cij(h) = mi mj K(h), siendo K(h) el covariograma geomtrico. El prrafo 3 aplica esta nocin al caso de una variable f(x) y de la variable geomtrica k(x) asociada a su campo y formula la condicin de independencia interna de la variable y de su campo (ausencia de zonaciones de la deriva). El prrafo 4 retoma la nocin usual de correlacin diferida, correlacin entre fi(x) y fj(x + h), y muestra que la ausencia de correlacin diferida no implica la independencia interna, ni recprocamente. Entre una variable y su campo una correlacin diferida traduce la existencia de una deriva21 orientada.

1. - La matriz de covariacin.
A menudo es necesario estudiar varias variables regionalizadas, definidas sobre un mismo soporte, puntual o no. Hablaremos, en este caso de corregionalizacin, y debemos asociar una importancia particular a las corregionalizaciones que pueden ligar las diferentes componentes de la corregionalizacin. Adems de las corregionalizaciones directas, que son las que ligan los valores fi(x) y fj(x) en un mismo punto x, conviene igualmente considerar las correlaciones diferidas, que ligan los valores de fi(x) y fj(x+h) en dos puntos distintos.
21

Nota del traductor: La deriva no ha sido hasta ahora definida. En trminos intuitivos una deriva es una suerte de tendencia en la regionalizacin.

92 Supongamos entonces que en un campo V definido, segn la frmula (I, 1, 1) por la variable geomtrica habitual k(x), de covariograma: (V, 1, 1)

K ( h) = k k

Se distribuyen, simultneamente, varias variables regionalizadas f1(x), f2(x) ... con soporte puntual. A la variable fi(x) se le asocia su covariograma transitivo gi(h), definido por: (V, 1, 2)
gi = fi f i

Para introducir cmodamente la matriz de covariacin, vamos a introducir una nueva variable regionalizada: (V, 1, 3) f ( x, i ) = i fi ( x)
i

Combinacin lineal de las variables fi dadas, con coeficientes i cualesquiera. Esta nueva variable est asociada al covariograma: (V, 1, 4)

g (h, i ) = i j Cij (h)


ij

En algunos problemas, puede haber inters en considerar separadamente cada uno de los f de los trminos rectangulares. Lo ms corriente es que y f dos componentes fi f j i j intervengan por intermedio de la expresin simtrica: (V, 1, 5)

1 +f f ] Cij (h) = C ji (h) = [ f i f j i j 2

El covariograma (V, 1, 4) puede escribirse entonces:

g (h, i ) = i2 gi (h) + 2 i j Cij


i i< j

Se escribir, como es natural: Cii (h) = gi (h) De manera que (V, 1, 4) se escribir, en la forma simetrizada: (V, 1, 6)

g (h, i ) = i j Cij (h)


ij

El trmino Cij(h) ser llamado covariograma rectangular asociado a las variables fi y fj, y la matriz de los covariogramas rectangulares ser llamada matriz de covariacin. La

93 frmula (V, 1, 6) permite extender a los Cij(h) casi todas las propiedades de los covariogramas g(h). Basta para ello, de observar que g(h, i) debe verificar cada una de estas propiedades, cualesquiera que sean los i y los j, y proceder por identificacin. As los Cij suben de la misma manera que un covariograma, y si se regulariza fi y fj por una , las regularizadas funcin de muestreo o de ponderacin p, con covariograma P = p p y fj p tienen Ci j*P como covariograma rectangular. fi p El trmino Ci j(h) expresa, a su manera, la correlacin que liga fi(x) y fj(x + h). Para precisar su significacin, imaginemos que, para estimar la cantidad de metal: (V, 1, 7) Q (i ) = i Qi
i

asociada a la variable f(x, i) definida en (V, 1, 3), disponemos de una red de muestreos puntuales implantados segn una malla rectangular (a1, a2, ..., an) = a. La varianza de estimacin 2(a) se obtiene al hacer actuar sobre el covariograma g el operador lineal a, definido, segn (IV, 1, 12) por la frmula: (V, 1, 8)

2 (a ) = a ( g ) =| a1a2 ...an |

k1k2 ...kn

g (k1a1 ,..., kn an ) g (h)dh

Este operador es manifiestamente lineal, la varianza asociada a la estimacin de la cantidad de metal Q(i) toma la expresin siguiente:

2 (a, i ) = a [ g (h, i )] = i j a (Ci j )


(V, 1, 9)
ij

= i2 a ( gi ) + 2 i j a (Ci j )
i i< j

En esta relacin, a(gi) es naturalmente igual a la varianza de la estimacin de la cantidad de metal Qi relativa a la variable fi, varianza que se puede notar como 2i(a). Si de la misma manera designamos por ij(a) la covarianza de las estimaciones simultneas de Qi y Qj, se tiene necesariamente:

2 (a, i ) = i2 i2 (a ) + 2 i j i j (a)
i i< j

Basta con identificar, porque los i son cualesquiera, el trmino en ij con el de (V, 1, 9) para obtener: (V, 1, 10) i j(a) = a(Ci j)

Luego la covarianza de la estimacin simultnea de Qi y Qj por una misma malla de muestreo se obtiene al aplicar al covariograma rectangular Ci j el mismo operador lineal a que sirve para el clculo de una varianza de estimacin ordinaria 2(a).

94

2. - Condicin de independencia interna.


En general, la covarianza de estimacin definida en (V, 1, 10) no ser nula, y las cantidades de metal Qi y Qj no sern estimadas independientemente una de la otra, an en el caso en que fi y fj aparezcan como independientes en el sentido estadstico usual. Como estn ligadas a un mismo campo geomtrico V , estas dos variables no pueden ser ciertamente independientes en absoluto. En ausencia de cualquier causa de ligazn, el hecho de tener el mismo campo geomtrico, implica, por ejemplo, para las variables fi y fj que solo toman valores positivos, un valor necesariamente positivo de la covarianza de estimacin a(Ci j ). Si la red de muestreos ha sido implantada, por casualidad, de manera que pueda sobre estimar la evaluacin del volumen V, resulta una tendencia a sobre estimar simultneamente las dos cantidades de metal Qi y Qj - e inversamente. La nocin usual de independencia de fi y fj es una nocin interna al campo V. Veremos, en la segunda parte, que esta nocin se expresa de manera ms cmoda en la teora intrnseca. La independencia corresponde al caso en que la covarianza directa, u ordinaria, de las variables puntuales fi(x) y fj(x) es igual a 0. Con nuestras notaciones, esta independencia, en el sentido usual, se traduce por la relacin: (V, 2, 1) Ci j (0) = mi m j K (0) = Qi Q j K (0)

K(0) es igual al volumen del campo geomtrico V, segn (1, 1, 5), y mi , mj son las medias Qj Qi y de las variables fi y fj en V. K (0) K (0) Pero, es necesario ver bien que la relacin (V, 2, 1) solo expresa la independencia (usual) de las variables puntuales. No implica de ninguna manera la independencia de variables no puntuales que se pueden deducir por los procedimientos habituales de regularizacin y de muestreo. Sea, en efecto, p una funcin de ponderacin o de muestreo, con covariograma . Las variables yi y yj, o leyes medias de fi y fj en un muestreo estn definidas P = p p por: 1 yi = f i p v y = 1 f p j j v

(V, 2, 2)

( v = p( x)dx )
Estas nuevas variables yi y yj tienen el covariograma rectangular:

1 1 Ci j * P = 2 P(h u )Ci j (u )du 2 v v

95 Pero, para tomar en cuenta el efecto de arista que se produce en las fronteras del campo cuando se pasa a las variables cuyo soporte no es puntual, el covariograma geomtrico K del campo V debe ser reemplazado por:

1 1 K * P = 2 P (h u ) K (u )du 2 v v
Se verifica que la regularizacin por p no modifica ni las cantidades de metal 1 = Qi ni el volumen generalizado: f i * pdx v

1 dx = K (0) = V k*p v
Luego no cambia las medias mi y mj. Para que las variables yi y yj sean an independientes, en el sentido usual, debemos entonces tener, segn (V, 2, 1): (V, 2, 3)

P(u )C

ij

(u )du = mi m j P(u ) K (u )du

Pero esta relacin no es para nada una consecuencia necesaria de (V, 2, 2). Para que dos variables regularizadas yi y yj sean independientes, en el sentido usual, cualquiera que sea la funcin de ponderacin o de muestreo p, es decir para que (V, 2, 3) se verifique para todo covariograma P(u) es necesario y suficiente que se tenga: (V, 2, 4) Ci j(h) = mi mj K(h)

Es decir, que el covariograma rectangular Cij sea proporcional al covariograma geomtrico K. Cuando esta relacin se verifica, diremos que las dos variables fi y fj verifican la condicin de independencia interna (interna al campo V). Esta condicin es extremadamente severa, y en la prctica no podr nunca ser rigurosamente verificada. Pero si las fluctuaciones de Ci j(h) de un lado y de otro de mimjK(h) no tienen una amplitud muy grande, se podr, a menudo, admitir la independencia interna, como una aproximacin. En la segunda parte, encontraremos esta relacin (V, 2, 4) y la interpretaremos, desde un punto de vista estocstico, como una relacin entre valores probables de ciertas magnitudes aleatorias. Cuando la condicin (V, 2, 4) de la independencia interna se verifica, la covarianza a(Ci j) de las estimaciones simultneas de las cantidades de metal Qi y Qj se pone en la forma: (V, 2, 5)
2 i j (a ) = a (Ci j ) = mi m j a ( K ) = mi m j V

2 La varianza V = a ( K ) no es otra que la varianza de estimacin del volumen V del campo geomtrico, llamada a veces, brevemente, varianza geomtrica. En este caso, la varianza del error cometido en la estimacin de la razn Qi / Qj puede ponerse en primera aproximacin - en la forma:

96
2 i2 (a ) j (a )

(V, 2, 6)

Qi2

Q2 j

i j (a)
Qi Q j

2 i2 (a ) j (a )

Qi2

Q2 j

2 V

V2

En general, la condicin de independencia interna (V, 2, 4) no ser verificada, y el valor de la diferencia: (V, 2, 7) Ci j(h) - mimjK(h)

Entregar una idea de la correlacin que rige a la vez entre fi(x) y fj(x+h) y entre fi(x+h) y fj(x): El Ci j definido en (V, 2, 5), al ser simtrico, no permite separar estas dos correlaciones. En el prrafo 4 expresaremos las correlaciones diferidas en una forma no simetrizada, la cual permitir separar los efectos relativos a +h y a -h, es decir de poner en evidencia el fenmeno del avance de una variable sobre la otra. Pero observamos inmediatamente que si la expresin (V, 2, 7) toma, para |h| pequeo, valores positivos, no debe necesariamente, por compensacin, tomar valores negativos pata |h| ms grande. En efecto, la integral total de la expresin (V, 2, 7) es siempre nula. Se tiene siempre: (V, 2, 8)

ij

(h)dh = Qi Q j = mi m j [ K (0)]2

Como se puede verificar en la definicin (V, 1, 5); al invertir el orden de las integraciones de h y x , se tiene:

ij

(h)dh =

1 [ fi ( x) f j ( x + h) + f i ( x + h) f j ( x)]dxdh 2 1 = [Q j f i ( x) + Qi f j ( x)]dx = Qi Q j 2

As, una correlacin positiva a corta distancia est obligatoriamente compensada por una correlacin negativa a mayor distancia.

3. - Relacin entre una variable y su campo geomtrico.


Un caso particular notable de corregionalizacin se obtiene al asociar una variable f(x) y la variable geomtrica k(x) relacionada con su campo V. Al escribir C(h) en lugar de Cij(h), la condicin de independencia interna se escribe simplemente: (V, 3, 1) C(h) = mK(h)

En que m = Q / K(0) designa el valor medio de f en su campo. Cuando esta ecuacin se verifica, la relacin (V, 2, 6) se pone en la forma:

97
2 m 2 Q 2 V

m2

Q2

V2

La varianza relativa del error cometido en la estimacin de la media m se obtiene al restar las varianzas relativas de estimacin del metal y del volumen. Esto significa que, en el producto, Q = mV, las cantidades m y V pueden ser consideradas como que fueron estimadas independientemente una de la otra. Diremos, en este caso, que no hay interferencia entre el problema geomtrico (estimacin de V) y la estimacin de la media m. En la medida en que esta relacin manifiesta la ausencia de influencia de la posicin de un punto x al interior del campo, y especialmente a ms o menos una gran distancia a las fronteras de V, esta condicin (V, 3, 1) puede servir de criterio para la validez de la teora intrnseca (segunda parte). Debido a la importancia de esta relacin, vamos a examinarla con algunos detalles, y para esto es necesario, en primer lugar, introducir dos nociones nuevas.

Los algoritmos m(h) y Q(h) . - Hemos visto (I, 1, 5) que el covariograma geomtrico K(h) proporciona la medida del volumen V = VhV de la interseccin del campo V y de su trasladado en la traslacin h, o del volumen V = V-hV obtenido por la traslacin opuesta -h . Designemos por m(h) y Q(h) el valor medio de f en V y la cantidad de metal correspondiente:
Q ( h) = m( h) K ( h) =

V'

f ( x)dx

Este volumen V tiene, por variable geomtrica, el producto k(x)k(x - h). En efecto, k(x) es igual a 1 si x est en V y 0 en caso contrario, anlogamente, k(x h) es igual a 1 o a 0 segn que y = x h pertenezca o no, a V, es decir, segn que x = y + h pertenezca a V = VhV. Anlogamente, el volumen V = V-hV tiene por variable geomtrica k(x)k(x + h). El factor k(x) puede, por otra parte, ser suprimido, porque f(x) es nula cuando k = 0. Definiremos entonces los algoritmos correspondientes por las relaciones siguientes: Q (h) = m(h) K (h) = f ( x)k ( x h)dx = f * k *k Q ( h) = m( h) K (h) = f ( x)k ( x + h)dx = f

(V, 3, 2)

El covariograma rectangular C(h). - Volvamos ahora al covariograma rectangular C(h) relativo a f(x) y a su variable geomtrica k(x). De la definicin (V, 1, 5), deducimos inmediatamente:

1 + f *k] C ( h) = [ f * k 2
refirindonos a los algoritmos (V, 3, 22), obtenemos:

98

(V, 3, 3)

1 C (h) = [Q(h) + Q( h)] 2

As, C(h) es igual a la media aritmtica de las cantidades de metal contenidas en las intersecciones del campo V con sus trasladados por +h y -h. La condicin de independencia interna (V, 3, 1) toma entonces la forma notable siguiente: (V, 3, 4)

1 [ m( h ) + m( h) ] = m 2

Existe independencia interna entre una variable y su campo si la media de los valores tomados por la variable en las intersecciones del campo V con sus trasladados por h y h es constante e igual a la media general m. Esta condicin traduce la ausencia de una deriva sistemtica de los valores tomados por la variable, siempre con la excepcin de una deriva lineal que podra seguir compatible con (V, 3, 4). En la segunda parte, y de un punto de vista estocstico, veremos que la teora intrnseca admite o bien que los valores probables sean constantes, o bien, eventualmente, una deriva lineal. Solamente podrn usar esta teora las variables que verifican (V, 3, 4), es decir independientes de su campo. En la prctica, se podrn tolerar algunas desviaciones, que se interpretarn como fluctuaciones estadsticas normales, con la condicin que estas desviaciones no tomen mucha amplitud. En el caso de una deriva con zonacin, donde se tiene, por ejemplo, un corazn rico y periferias de ms en ms pobres, se ve fcilmente que se tiene: C (h) > mK (h) C (h) < mK (h) para | h | pequeo para | h | grande

Sin embargo, se observar que, en todos los casos las relaciones siguientes se verifican: (V, 3, 5) C (0) = mK (0) = Q C (h)dh = m K (h)dh = QV

La primera resulta de la definicin (V, 3, 3) de C(h), y la segunda resulta directamente de (V, 2, 8). Por comparacin con (V, 2, 1), se observar que la relacin C(0) = mK(0) expresa que la covarianza (ordinaria) de una variable f(x) y de su campo es siempre nula. La correlacin diferida entre f(x) y k(x + h), es decir C(h) puede servir para representar la influencia del campo, y de sus fronteras, sobre la forma de la regionalizacin.

99

4. - Las correlaciones diferidas.


Los covariogramas Ci j(h) tienen el inconveniente de ser simtricos, y que no permiten, por consiguiente, distinguir la influencia de fi(x) sobre fj(x + h) y la de fi(x) sobre fj(x h). Para poner en evidencia el avance o el retardo de una variable sobre la otra, es necesario separar las dos componentes de (V, 1, 5). Pondremos: * f = f ( x) f ( x + h)dx Di j (h) = f i j i j = f ( x + h) f ( x)dx D ( h) = f j * f i j i ji

(V, 4, 1)

Naturalmente se tiene:

(V, 4, 2)

Di j (h) = D j i (h) 1 Di j (h) + D j i (h) Ci j (h) = 2

Para un vector h dado, examinemos la covarianza, en el sentido usual, de fi(x) y fj(x +h). Debemos, naturalmente, limitarnos a los puntos x tales que x y x + h estn ambos en el campo V, de manera que ni fi(x) ni fj(x + h) se anulen. En realidad, entonces, nos interesamos en la correlacin de las dos variables k(x + h)fi(x) y k(x)fj(x + h), limitadas, respectivamente, a las intersecciones del campo V con los trasladados por -h y por h. Conforme a los algoritmos (V, 3, 2) estas variables tienen, en los campos geomtricos de medida K(h) en los cuales las hemos restringido, los valores medios:

(V, 4, 3)

1 mi (h) = K (h) fi * k m ( h) = 1 f * k i j K ( h)

La covarianza, en el sentido usual, de fi(x) y fj(x + h) est definida por: Si j ( h) = 1 k ( x + h) fi ( x)k ( x) f j ( x + h) dx mi ( h) m j (h) K ( h)

Se deduce inmediatamente: (V, 4, 4) Si j ( h) = Di j (h) K (h) mi ( h)m j (h)

As, la condicin para que no exista correlacin diferida se escribe: (V, 4, 5) Ci j(h) = mi(-h)mj(h)K(h)

100

La cual no es para nada idntica a la condicin de independencia interna. Cuando se verifica (V, 4, 5), se tiene, necesariamente, segn la segunda relacin (V, 4, 2): (V, 4, 6) mi ( h)m j (h) + mi (h)m j ( h) Ci j (h) = K ( h) 2

relacin que no coincide, en general, con (V, 2, 7), a menos que el producto mi(-h)mj(h) sea constante e igual a mimj. Tomemos, por ejemplo, fi = f y fj = k, es decir una variable y su variable geomtrica asociada. Entonces mj(h) = mj(-h) = 1 cualquiera que sea h, y segn (V, 4, 3), el Di j(h) se reduce a: (V, 4, 7) * k = Q ( h) Di j (h) = f

La condicin (V, 4, 5) para que no exista correlacin diferida entre una variable y su campo se escribe entonces: Q(h) = m(h)K(h) = Q(-h) Es decir: (V, 4, 8) m(h) = m(-h)

En ausencia de correlacin diferida entre una variable y su campo, la variable tiene un mismo valor medio en las intersecciones simtricas del campo V con sus trasladados por +h y -h. Pero esto no implica, en general, que este valor medio sea independiente de h. (V, 4, 8) no implica (V, 3, 4), ni recprocamente. Entre una variable y su campo, la independencia interna y la ausencia de correlacin diferida son condiciones de naturaleza diferentes. Si por ejemplo, f(x) es una funcin la cual tiene simetra esfrica, es decir de la forma f(r), (V, 4, 8) se verifica, pero no (V, 3, 4): f(r) no tiene correlacin diferida con su campo, pero no es independiente en el sentido de la independencia interna. Al contrario, una funcin f(x) la cual estara definida por: f(x) = (a1x1 + ... + anxn)k(x) = (ax)k(x) Es decir que variara linealmente en su campo V, y sera nula al exterior, presentara una fuerte correlacin diferida con k(x). Se tendra, en efecto:

Q(h) Q( h) = [ f ( x + h) f ( x)]k ( x)k ( x + h)dx = (ah) K (h)


O sea: m(h) m(-h) = (ah) = a1h1 + ... + anhn

101 , se tendra Pero, si adems, el campo V admite un centro de simetra, es decir si k = k tambin para esta misma funcin f:

f =f
De donde se deducira:

)* K = 0 Q ( h) + Q ( h) = ( f + f
Y la funcin f sera independiente de su campo, en el sentido de la independencia interna. De una manera general, la ausencia de correlacin diferida entre una variable y su campo manifiesta la ausencia de una deriva orientada, mientras que la independencia interna traduce la ausencia de deriva con zonacin, o, si se quiere, el hecho de estar a mayor o menor proximidad de las fronteras del campo no tiene influencia sobre el comportamiento de la regionalizacin.

102

CAPITULO SEXTO

APLICACION AL PROBLEMA GEOMETRICO

SUMARIO

Este captulo proporciona un ejemplo de aplicacin de la teora al problema geomtrico propuesto por la estimacin de volmenes y superficies. El prrafo 1 muestra que el covariograma geomtrico K(h) es de la forma V S|h| en la vecindad del origen, luego es lineal, S es la variacin diametral en la direccin del vector h. De aqu sale la posibilidad de calcular la varianza de estimacin por el principio de correspondencia. En el caso de un volumen V convexo, K(h) se deduce de una manera simple por el histograma de las transversales paralelas a h. El prrafo 2 proporciona algunas indicaciones prcticas sobre el caso particular de dos dimensiones. Las frmulas establecidas muestran que la varianza est en razn inversa de la potencia 3/2 del nmero de puntos positivos.

1. - Propiedades de los covariogramas geomtricos.

El problema geomtrico, que se encuentra frecuentemente en la prctica, es el de la estimacin de la superficie o del volumen del campo geomtrico V asociado a una variable regionalizada. En general, se dispone, para hacer esta estimacin, los mismos datos que para la estimacin de la misma variable. Si se trata, por ejemplo, de una red de muestras puntuales de origen y y de malla a, es posible decir, para cada punto de la red y+pa = (y1 + p1a1 ,..., yn + pnan) si pertenece, o no, al campo V. Dicho de otra forma, si se designa por k(x) la variable geomtrica asociada al campo V, se conocen los valores numricos (0 o 1) de k(y+pa) para todos los sistemas de enteros p. La cantidad a estimar, que es la medida del campo V, no es otra cosa que la cantidad de metal asociada a k(x): (VI, 1, 1)

V = k ( x)dx

El problema geomtrico se presenta entonces como un caso particular del problema general de la estimacin de las variables regionalizadas, tal como fue tratado en el captulo IV. En , sabemos calcular la particular, si se conoce el covariograma geomtrico K (h) = k * k varianza de estimacin asociada a una red de malla a por la frmula general (IV, 1, 12), o por los procedimientos basados en el principio de correspondencia.

103 Por otra parte, a menudo, los datos no sern simplemente puntuales, sino que podrn tener una dimensin (si se han medido longitudes, transversales, o espesores de V paralelos a una direccin) o dos dimensiones (si se han medido reas de las secciones de V en diferentes niveles. En este caso, la variable que se busca estimar no es la variable k(x) de n dimensiones, sino las variables kn - 1 o kn - 2 de n 1 o n - 2 dimensiones, las cuales se deducen por subidas de orden 1 y 2, y cuyos covariogramas se deducen de K(h) por las mismas operaciones de subida. Pero el covariograma geomtrico posee ciertas particularidades importantes, que permiten, a menudo abreviar el clculo de la varianza de estimacin. Hemos visto, en el captulo I, que K(h) es la medida (volumen si n = 3) de la interseccin del campo V con su trasladado en la traslacin h, luego, en particular, se tiene la relacin: (VI, 1, 2) K(0) = V

Recordemos igualmente la frmula (I, 1, 14): (VI, 1, 3)

K (h)dh = V

Se conoce entonces (o al menos somos capaces de estimar) el valor en el origen y la integral de K(h). Pero hay ms. En efecto, tomemos, para h un vector h de mdulo infinitamente pequeo. La medida K(h) de la interseccin de V y de su trasladado en la traslacin infinitamente pequea h difiere de K(h) por una cantidad infinitamente pequea: (VI, 1, 4) K(0) K(h) = S()| h|

Proporcional a |h|, como aproximacin de segundo orden, que representa la mitad del volumen recorrido por el pequeo vector h cuando recorre todos los puntos de la superficie limite de V. El coeficiente de proporcionalidad S() se llama semi variacin diametral en la direccin (de cosenos directores 1, 2, ..., n) del vector h. Si se consideran las secciones S(z) de las intersecciones de V por planos P perpendiculares a la direccin , y coordenados por la abscisa z de su interseccin con una recta paralela a , la variacin diametral [2S()] aparece como el lmite superior de todas las sumas posibles de la forma: |S(z1) S(z2)| + |S(z2) S(z3)| + ... + |S(zn) S(zn-1)| Este lmite superior existe efectivamente para todos los volmenes V que se pueden encontrar en la naturaleza. No es necesario que sean conexos (con un solo cuerpo), y sus superficies lmites pueden presentar aristas afiladas, puntos angulosos, etc... En el caso particular en que el volumen V es conexo, la semi variacin diametral S() representa el rea del contorno aparente en la direccin . Entonces, en todos los casos, los dos primeros trminos del desarrollo de K(h) son conocidos: (VI, 1, 5) K(h) = V S()|h| + ...

104

Y se ve que un covariograma geomtrico es obligatoriamente lineal en la vecindad del origen, el coeficiente del trmino en |h| es la variacin diametral S() en la direccin del vector h. Los mtodos desarrollados en el captulo IV permiten entonces obtener la parte principal de las varianzas de estimacin para las mallas pequeas, con la condicin, siempre, de poder reducirse al caso de un covariograma istropo. Por ejemplo, si la variacin diametral S() es casi constante e igual a S para todas las direcciones , se tendr, para una malla a1 a2 a3 del espacio de tres dimensiones, la parte principal siguiente:
2 3 + 0.0609a1a2 + 2 (a1 , a2 , a3 ) = S a1a2 a3

1 6

a14 + ... 90

Que es en cuarto orden respecto de la malla. En el caso en que a3 es nulo, es decir si se han medido las transversales de V a lo largo de la direccin a3 , solo subsisten los dos ltimos trminos, y el ltimo subsiste solo si se han medido las secciones paralelas al plano a1a2 examinaremos ms en detalle, en el prrafo siguiente, el caso correspondiente a dos dimensiones solamente.

Relacin entre histograma y covariograma para los volmenes convexos. En el caso particular en que el volumen V es convexo, existe una relacin notable entre el covariograma geomtrico K(h) y el histograma de las transversales paralelas a la direccin del vector h. Sea, en efecto, S el rea del contorno aparente de V en la direccin , en proyeccin sobre el plano P perpendicular a . Cada paralela D a corta V en dos puntos cuya distancia es una transversal (paralela a ). Designemos por SH(u) el rea ocupada en el plano P por el pie de las rectas D para las cuales esta transversal es superior a u . H(u) es la funcin de distribucin de probabilidades de las transversales, y su derivada, si ella existe, es igual, salvo el signo, a la densidad de probabilidad p de las transversales:
(VI, 1, 6) p = - H(u)

pero S H(u) representa tambin la proyeccin, sobre P , de la interseccin de V con su trasladado por el vector h de mdulo u y de direccin . Si damos a h un incremento h en esta misma direccin, la variacin de K(h) es igual al volumen recorrido por el vector h cuando describe esta proyeccin, y se tiene: K(h) K(h + h) = S H(u)|h| De donde obtenemos, finalmente, la relacin buscada entre el covariograma K(u) y la funcin de distribucin de probabilidades H(|h|) de las transversales paralelas a la direccin del vector h: (VI, 1, 7)

K (h) K K = 1 + ... + n = S H (| h |) h1 hn

105

La derivada del covariograma en la direccin es proporcional a la funcin de distribucin de probabilidades de las transversales paralelas a . Al tomar |h| = 0 , se encuentra de nuevo, naturalmente, la relacin (VI, 1, 5). Si existe una funcin de densidad de probabilidades, se tiene adems, al derivar una segunda vez en la direccin : (VI, 1, 8) 2 K ( h) = S P (| h |) 2

Inversamente, si se conoce la funcin de densidad de probabilidades p(u) de la transversales en la direccin se deduce K(h) para un vector h que tiene esta direccin, al integrar (VI, 1, 8), considerando las condiciones lmites (VI, 1, 5). Tomemos, por ejemplo, la direccin ( = 1, 0, 0, ...) paralela al eje de las x1. Se tendr: (VI, 1, 9) K (h1 , 0, 0,...) = V h1S1 (h1 u ) p1 (u )du
0

h1

Como ejemplo, consideremos la esfera del espacio de dimensiones cuyo covariograma se escribi en (II, 5, 2). Se tiene:
' K (r ) = V 1 (1 r 2 )

1
2

= S (1 r 2 )

1
2

De donde, al derivar de nuevo, se obtiene la funcin de densidad de probabilidades p(h) de las transversales de la hiperesfera con dimensiones: (VI, 1, 10)

p (h) = ( 1)(1 h )
2

3
2

2. - Aplicacin a la estimacin de superficies.


Examinemos, en el espacio de dos dimensiones, el problema de la estimacin del rea S de una superficie caracterizada por un covariograma geomtrico K(h), a partir de una malla rectangular (a1, a2). Nos podemos imaginar que los puntos de muestreo son los puntos de impacto de una red de sondajes verticales destinados para constatar la presencia o la ausencia de una cierta formacin geolgica. Si se tienen n sondajes positivos, se toma como estimador del rea, la expresin: (VI, 2, 1) S* = na1a2

En lo que respecta al clculo de la varianza asociada a esta estimacin, se presentan dos problemas bien distintos: La eleccin de una frmula, y la estimacin de los parmetros que se deben hacer intervenir en esta frmula. Examinmoslos sucesivamente:

106

Eleccin de una frmula. - Supongamos primero que la variacin diametral D sea aproximadamente independiente de la direccin , y sea D = D este valor casi constante. El trmino lineal del covariograma es istropo:
(VI, 2, 2) K(h) = S D|h| + ...

De manera que la parte principal de la varianza de estimacin est dada por la primera frmula (IV, 3, 12), es decir, con a1 a2: (VI, 2, 3) Es cmodo poner:
2 + 0.0609a13 2 (a1 , a2 ) = D a1a2

1 6

n=

S a1a2

En que n representa el nmero de sondajes positivos (o ms exactamente el valor probable de este nmero cuando el origen de la red es implantado al azar en un rectngulo a1a2); designemos por la razn de la malla:

a2 1 a1

Se expresa fcilmente a1 y a2 en funcin de n y : a2 =

S
n

a1 =

S n

Al llevar a (VI, 2, 3), y dividiendo por S2, obtenemos la varianza relativa, cantidad sin dimensin, en la forma:

(VI, 2, 4)

2
S2

D 1 1 + 0.0609 3 3 S 2 6 2 n

Se ve que esta varianza est en razn inversa a la potencia 3/2 del nmero n de sondajes positivos. Pero, en general, la variacin diametral D no es una constante. Sin embargo, en muchas ocasiones, una transformacin lineal permite reducirse al caso anterior. Existen, a menudo, dos direcciones principales 1 y 2 = 1 + /2 perpendiculares, las cuales tienen variaciones diametrales D1 y D2 tales que una afinidad paralela a 1 y de mdulo D2 / D1 proporciona una nueva figura de variacin diametral aproximadamente constante e igual a D2. En esta afinidad, el nmero n no ha cambiado, ni tampoco la varianza

107 relativa. Al contrario, S queda reemplazado por SD2 / D1, y la red rectangular (a1a2) se transforma en una red construida sobre un paralelogramo generalmente cualquiera (salvo si las direcciones de la malla coinciden con 1 y 2). En esta nueva red, se distinguirn las lneas de mayor densidad, en las cuales el espaciamiento de los muestreos ser a2, y se designar por a1 la distancia que separa dos de las lneas de mayor densidad. Se pondr entonces:
' a2 '= ' a1

(VI, 2, 5)

2
S2

D1 D2 1 ' 1 + 0.0609 3 3 S 6 n2 '2

Pero, no se debe olvidar que estas frmulas representan el primer trmino de un desarrollo limitado, luego solo se pueden aplicar a las mallas pequeas. Por otra parte, estas frmulas hacen abstraccin de un Zitterbewegung, que existe, en general, porque el alcance es finito. Por otra parte, para las mallas grandes, es preferible utilizar directamente la frmula general (IV, 1, 12) que comporta pocos trminos. En el lmite, cuando S puede estar totalmente contenido en un solo rectngulo a1a2, de manera que solo existe a lo ms una muestra positiva, la frmula general toma la forma aleatoria :

2 (a1 , a2 ) = a1a2 K (0) K (h)dh = a1a2 S S 2


Es decir, en una forma de varianza relativa, y con:

n=

S <1 a1a2

(VI, 2, 6)

2
S
2

1 1 n

Una simple interpolacin grfica entre (VI, 2, 5) y (VI, 2, 6) permite, en general, obtener la varianza de estimacin para mallas intermedias. Se puede ver, en la figura 1, la curva que proporciona la varianza de estimacin del crculo de dimetro unidad, cuyo covariograma est en (II, 5, 4),

108

Fig. 1. - Zitterbewegung en la estimacin de la superficie de un crculo de dimetro unidad con la ayuda de una red con malla cuadrada. En abscisa la malla a. En ordenada, la varianza de estimacin correspondiente 2(a). La curva azul representa el valor exacto, calculado a partir de la frmula exacta (IV, 1, 12). La curva morada representa la frmula 2(a) = 0.2276 a3 + 0.00477 a 5 obtenida al despreciar el Zitterbewegung y reteniendo los dos primeros trminos del desarrollo limitado dado por el principio de correspondencia. Nota del traductor: La figura 1 no es la original, la cual es en parte errnea.

para una malla cuadrada a. Cuando a es inferior a 1, la curva fluctuante representa el valor exacto de la varianza, calculada segn la frmula rigurosa (IV, 1, 12), mientras que la curva regular se construy segn la ecuacin (VI, 2, 3), con a1 = a2 = a . Se ve que el Zitterbewegung tiene una amplitud considerable, sin embargo las fluctuaciones se hacen hacia una parte y hacia otra de la curva regular. Esta ltima que es la nica que puede ser utilizada en la prctica, se ajuste bastante bien con la curva obtenida, por la frmula de tipo

109 aleatorio para a > 1, de manera que los desarrollos limitados de tipo (VI, 2, 3) conservan un valor prctico an para mallas grandes.

Eleccin de los parmetros. - Se tomar para n, en la prctica, el nmero de sondajes positivos realmente disponibles, y se estimar S sea por (VI, 2, 1), sea dibujando un contorno plausible , el cual toma en cuenta los conocimientos directos que se pueden tener, por otra parte, sobre el fenmeno estudiado; este mtodo proporcionar a menudo mejores resultados. Enseguida viene el problema de estimar D1 y D2 : Lo ms simple es tambin, de operar sobre el mismo contorno plausible. Si se sabe de antemano que el contorno real presenta ciertamente irregularidades notables (dientes de sierra, protuberancias, etc...) a una escala inferior a la malla utilizada, e indetectables por esta malla, ser necesario, en general, de agregar a K(h) un efecto de pepita, es decir, prcticamente, de aumentar la varianza con una cantidad igual al rea total s que se atribuye a estas protuberancias, multiplicada por la malla, es decir s a1a2.

__________

110

SEGUNDA PARTE

LA TEORIA INTRINSECA

111

CAPITULO SEPTIMO

RESUMEN SOBRE LAS FUNCIONES ALEATORIAS

SUMARIO
Este captulo es un simple resumen de la definicin y de las propiedades de las funciones aleatorias 22, y, ms particularmente, de las funciones aleatorias estacionarias de orden 2, utilizadas en la segunda parte. Puede ser saltado sin inconvenientes por los lectores ya familiarizados con esta teora. El prrafo 1 define una funcin aleatoria f(x) por el conjunto de las leyes de distribucin de probabilidades F(f1 ... fk , x1 ... xk ) de los valores tomados por f(x) en un nmero cualquiera de puntos arbitrarios (x1 ... xk) . Cuando estas leyes son invariantes para toda traslacin de los puntos x1 ... xk , f(x) es estacionaria. El momento M 1 ... k ( x1 ... xk ) , si existe, es igual al valor probable de [f(x1)]1 ... [f(xn)]n. El prrafo 2 define las funciones aleatorias estacionarias de orden 2, caracterizadas por su funcin de covarianza K(h). K(h) es de tipo positivo, y su comportamiento en h = 0 caracteriza la regularidad de f(x). El prrafo 3 introduce las nociones de convergencia y de derivaciones en media cuadrtica. Una funcin aleatoria es continua en media cuadrtica si K(h) es continuo en h = 0, es derivable una vez en media cuadrtica si K(h) es dos veces derivable en h = 0. , la P = p* p Si p(h) es una funcin de ponderacin, con covariograma transitivo integral estocstica:

I = f ( x) p ( x)dx
Existe si y solo si, la integral que representa su varianza tambin convergente.

D 2 ( I ) = K (h) p (h)dh

es

Seguiremos la exposicin clsica de GNEDENKO, Thorie des Probabilits. 3 edicin, Mosc, 1961; traduccin francesa a aparecer en Dunod -(Nota del traductor: la versin en francs nunca fue publicada; la referencia en ingls es GNEDENKO, Probability Theory, Editorial Chelsea 1960. Existe una versin en espaol, difcil de encontrar, de la editorial Rubios, Madrid 1988)-. El lector se puede referir tambin a FORTET BLANC-LAPIERRE Thorie des fonctions alatoires. Pars, 1953; M. S. Bartlett An introduction to Stochastic Processes, Cambridge 1955, etc.

22

112

1. - Definicin de las funciones aleatorias.


Una funcin aleatoria f(x) debe ser mirada como una variable aleatoria con una infinidad de componentes. En clculo de probabilidades, se define una variable aleatoria Z = (Z1 ...Zk) con k componentes, con la ayuda de una funcin de distribucin de probabilidades: F( z1, z2 ... zk ) = Pr { Z1 < z1, Z2 < z2 ... Zk < zk } Que proporciona la probabilidad para que las k variables aleatorias ordinarias Z1 ... Zk sean simultneamente inferiores a los nmeros dados z1, z2 ... zk. Si k se hace infinito, se puede considerar que la componente Zi representa, en forma de variable aleatoria, el valor f(xi) tomado por una funcin aleatoria f(x) en un punto determinado xi del espacio de n dimensiones. As f(x) misma aparece como una variable aleatoria con una infinidad de componentes, estas componentes aleatorias no son otras que los valores tomados por f(x) en cada uno de los puntos x del espacio de n dimensiones. En el caso particular del espacio de una sola dimensin, interpretado como un tiempo t, la funcin aleatoria f(t), que representa entonces la evolucin del fenmeno en el tiempo, se llama tambin proceso estocstico, terminologa que no utilizaremos aqu. Naturalmente, este paso a un nmero infinito (y adems no numerable) de componentes implica problemas difciles. Nosotros nos contentaremos, en esta obra, con la definicin siguiente, no rigurosa, pero suficiente, en general, para las aplicaciones: Una funcin aleatoria f(x) ser considerada como definida si, para todo conjunto x1, x2 ... xk de puntos del espacio de n dimensiones, en nmero k cualquiera pero finito, se conoce la funcin de distribucin de las variables aleatorias f(x1), f(x2) ... f(xk) las cuales representan los valores tomados por f(x) en esos puntos, es decir la funcin F(f1, f2, ..., fk ; x1, x2, ..., xk) definida por: (VII, 1, 1) F(f1, f2, ..., fk ; x1, x2, ..., xk) = Pr { f(x1) < f1, f(x2) < f2 ... f(xk) <xk }

Estas funciones de distribucin de probabilidades F dependen, naturalmente, de los puntos x1, x2, ..., xk . Sin embargo ellas deben verificar las dos condiciones siguientes:

Condicin de simetra. - El orden en el cual se toman los puntos x1 ... xk y los valores correspondientes f1 ... fk no tiene ninguna importancia. Para toda permutacin i1, i2, ..., ik de los ndices 1, 2, ..., k, se debe entonces tener:
F( fi1, fi2 ... fik ; xi1, xi2 ... xik ) = F( f1, f2 ... fk ; x1, x2 ... xk)

Condicin de coherencia. - Si, en (VII, 1, 1), se toma fk = , la desigualdad f(xk) < fk queda superflua, de manera que se debe obtener la funcin de distribucin de probabilidades de las k 1 variables aleatorias f(x1), f(x2), ..., f(xk-1). Las leyes F deben entonces verificar la condicin siguiente:
F(f1, f2, ..., fk-1, ; x1, x2, ..., xk-1, xk) = F(f1, f2, ..., fk-1 ; x1, x2, ..., xk-1)

113

Realizacin de una funcin aleatoria.- Se llama realizacin particular de una funcin aleatoria f(x) al conjunto de los valores numricos f(xi) obtenidos, para todos los puntos xi del espacio, por un sorteo particular al azar efectuado segn las leyes F. Existe la misma relacin entre una funcin aleatoria y una de sus realizaciones que entre una variable aleatoria Z y un valor numrico particular z obtenido por sorteo al azar segn la ley de distribucin de probabilidades de Z. Una realizacin de f(x) puede ser considerada como una variable regionalizada. Inversamente, una regionalizacin dada puede ser interpretada como una realizacin particular de una cierta funcin aleatoria f(x), sin embargo una tal interpretacin tendr significacin real solamente si la inferencia estadstica es posible, es decir si es posible deducir, de los valores numricos f(xi) de la variable regionalizada, una estimacin de las leyes F de la funcin aleatoria f(x). Como una ley F con k componentes f1 ... fk depende, en general, de ms de k parmetros, la inferencia estadstica no ser muy posible en la prctica, salvo el caso llamado estacionario . Funcin aleatoria estacionaria. - Un caso particular muy importante es aquel en el cual todas las leyes F son invariantes para toda traslacin de conjunto efectuada sobre los puntos x1 ... xk . Cuando, para todo conjunto de puntos x1 ... xk y todo vector h, se tiene:
(VII, 1, 2) F(f1 ... fk ; x1 + h, ..., xk + h ) = F(f1 ... fk ; x1, ..., xk )

Se dice que la funcin aleatoria f(x) es estacionaria. Cuando es as, las leyes F solo dependen de la geometra relativa de los puntos x1 ... xn y no de la posicin de su centro de gravedad. El carcter estacionario implica la homogeneidad de f(x) en el espacio, y significa, si se quiere, que el fenmeno representado por f(x) se repite indefinidamente por si mismo en todo el espacio de n dimensiones.

Los momentos de las leyes F. - El momento de orden (1, 2, ..., k) de la ley de distribucin F definida en (VII, 1, 1) es igual al valor probable del producto [f(x1)]1[f(x2)]2 ... [f(xn)]n es una funcin de los puntos x1 ... xk, que notaremos M1...k(x1, ..., xk) :
M 1 ... k ( x1 ,..., xk ) = E{[ f ( x1 )]1 ...[ f ( xk )] k } = f11 ... f k k dF ( f1... f k ; x1 ,..., xk )

(VII, 1, 3)

El momento de orden 1 es el valor probable de f(x) en el punto x. A menudo escribiremos m(x): (VII, 1, 4)

m( x) = M 1 ( x) = E[ f ( x)] = fdF ( f , x)

En lugar del momento rectangular M11(x1, x2) , se introduce a menudo la funcin K(x1, x2), definida por: (VII, 1, 5) K(x1, x2) = M11(x1, x2) m(x1)m(x2) = E{[ f(x1) m(x1) ][ f(x2) m(x2) ]}

114 La funcin K(x1, x2) es la covarianza de las variables aleatorias f(x1) y f(x2). La covarianza depende, en general, a la vez de x1 y de x2 . Cuando los dos puntos coinciden, es decir x1 = x2 = x, la funcin K(x, x) del punto x representa la varianza de la variable aleatoria f(x): (VII, 1, 6) K(x, x) = D2[ f(x)]

Naturalmente, estos diversos momentos no existen siempre. En la prctica se pueden encontrar funciones aleatorias para las cuales las leyes F no admiten momentos de orden 2, ni an momentos de orden 1. Cuando la varianza K(x, x) existe en todo punto x, la covarianza K(x1, x2) existe tambin para todos los puntos x1 y x2 : Se dice que la funcin aleatoria f(x) tiene varianza finita.

2. - Funciones aleatorias estacionarias de orden 2.


Si la funcin aleatoria f(x) es estacionaria, es decir si todas las leyes F son invariantes por las traslaciones de los puntos x1 ... xk , los diferentes momentos, si existen, poseen evidentemente la misma propiedad. En particular, se tiene, para todo vector h: m( x + h ) = m( x ) K ( x1 + h, x2 + h) = K ( x1 , x2 ) Se deduce inmediatamente que el valor probable m(x) de f(x) es independiente del punto x, luego es una constante m. Anlogamente, la covarianza K(x1, x2) solo depende del vector x2 x1 y puede ponerse en la forma de una funcin K(x2 x1) de este nico argumento. En resumen, se tiene: (VII, 2, 1) m( x ) = m K ( x1 , x2 ) = K ( x2 x1 )

En todo este captulo, supondremos m = 0, debido a que siempre es posible reducirse a este caso, al reemplazar f(x) por f(x) m. Inversamente, supongamos que las leyes F de una funcin aleatoria f(x) admitan momentos de orden 1 y 2, y que se verifican las relaciones (VII, 2, 1). Se dice, en este caso, que f(x) es estacionaria de orden 2, o estacionaria en sentido amplio. Es necesario ver bien que (VII, 2, 1) no implica, en general, (VII, 1, 2), de manera que, en general, una funcin aleatoria estacionaria de orden 2 no es estacionaria en sentido estricto. En un gran nmero de aplicaciones prcticas, en los que efectivamente solo intervienen los momentos de orden 1 y 2, el carcter estacionario es la nica hiptesis requerida. Esta hiptesis ser adoptada en adelante.

La covarianza K(h). - La funcin de covarianza:


(VII, 2, 2) K(h) = E[ f(x + h) f(x)]

115

de una funcin aleatoria estacionaria de orden 2, de media nula (m = 0), no puede, absolutamente, ser una funcin cualquiera. En efecto, debe ser tal que todas las combinaciones lineales de la forma:

f (x )
i =1 i i

Tengan una varianza positiva o nula, cualquiera que sean los puntos xi y los coeficientes i . Esta varianza est dada, segn (VII, 2, 2), por la expresin siguiente:

E[ f ( x ) f ( x )] = K ( x x )
i j i j i j i j ij ij

Si esta expresin, cualquiera que sean los i y los xi, es positiva o nula, se dice, por definicin (Anexo A, prrafo 9, 1) que la funcin K(h) es de tipo positivo. Por otra parte, inversamente, si K(h) es una funcin de tipo positivo, se puede construir una funcin aleatoria f(x) estacionaria, admitiendo leyes F gaussianas y K(h) como funcin de covarianza. Se deducen las propiedades de la covarianza K(h). Estas propiedades no difieren da las de los covariogramas transitivos g(h) del captulo I. Se supone, en general, que K(h) es una funcin continua. Para esto basta, segn las propiedades de las funciones de tipo positivo, con que sea continua en h = 0 para que sea continua en todas partes. El valor K(0) de K(h) en h = 0 no es otro que la varianza de f(x). Se tiene, necesariamente: K ( h) = K ( h) K (0) > 0 K (h) K (0)

(VII, 2, 3)

Finalmente, el teorema de Bochner (A, 9, 1) nos indica que, para que una funcin continua K(h) sea de tipo positivo, es necesario y suficiente que ella sea la transformada de Fourier de una medida positiva sumable, cuya suma es entonces igual a la varianza K(0). En algunos casos, estamos conducidos a utilizar funciones K(h) continuas en todas partes, salvo en h = 0. Se dice, en este caso que se tiene un efecto de pepita en el origen, caracterizado por la constante de pepita:
C = K (0) lim K (h)
|h|

En realidad, y es lo ms corriente, no se tiene una verdadera discontinuidad en el origen, sino una zona de transicin muy pequea respecto de h = 0, en la cual el decrecimiento de K(h) es continuo pero extremadamente rpido. Finalmente, existe una relacin estrecha entre el comportamiento de K(h) en la vecindad de h = 0 y el grado de regularidad de la funcin aleatoria o de sus diferentes realizaciones posibles. Esta relacin ser precisada en el captulo siguiente.

116

3. Integracin y derivacin estocstica.


Entre todos los tipos de convergencia estocsticas, utilizaremos exclusivamente la convergencia en media cuadrtica, definida como sigue: Se dice que una variable aleatoria Zn converge en media cuadrtica hacia una variable aleatoria Z si la esperanza matemtica de (Zn Z)2 tiende a 0 cuando n tiende hacia el infinito: (VII, 3, 1) lim E [( Z n Z ) 2 ] = 0
n

Se demuestra que la condicin necesaria y suficiente para que una sucesin Zn con varianzas finitas converja en media cuadrtica es que la esperanza matemtica de (Zn Zm)2 tienda a cero cuando el ms pequeo de los dos enteros n y m tiende a infinito: (VI, 3, 2) lim E[( Zn Zm )2] = 0 para Min(m, n)

Cuando esta condicin de convergencia en media cuadrtica se realiza, la esperanza matemtica del lmite Z es igual al lmite de las esperanzas matemticas de los Zn: (VII, 3, 3)

E[lim Z n ] = lim E ( Z n )
n

Esto significa que - con la reserva de que se verifiquen (VII, 3, 1) o (VII, 3, 2) - estamos autorizados para invertir el smbolo de la esperanza matemtica E y el paso al lmite en media cuadrtica.

Continuidad de una funcin aleatoria. - Se dice que una funcin aleatoria f(x) es continua en media cuadrtica en un punto x0 si se tiene:
(VII, 3, 4)
| x x0 | 0

lim E{[ f ( x) f ( x0 )]2 } = 0

En el caso estacionario de orden 2, basta con que f(x) sea continua media cuadrtica en un punto x0 para que ella sea continua en todo punto x, y la condicin (VII, 3, 4) es, en este caso, equivalente a la siguiente relacin: (VII, 3, 5)
|h| 0

lim[ K (h)] = K (0)

Dicho de otra manera, para que una funcin aleatoria estacionaria de orden 2 sea continua en media cuadrtica, es necesario y suficiente que su covarianza K(h) sea continua en h = 0. Por otra parte se sabe que en este caso K(h) es obligatoriamente continua en todo punto h.

Derivacin de una funcin aleatoria. - Designemos (contrariamente a las notaciones del resto de este captulo) por x1, x2 ... xn las coordenadas de un punto x. Se dir que la

117 funcin aleatoria f(x) = f(x1, x2 ... xn) es derivable en media cuadrtica, respecto de x1 en el punto x = (x1, x2 ... xn) y tiene en este punto como derivada parcial en x1 la funcin f aleatoria si se tiene: x1
2 f ( x1 + h1 , x2 ... xn ) f ( x1 , x2 ... xn ) f ( x1 , x2 ... xn ) lim E =0 |h1 | 0 h1 x1

(VII, 3, 6)

Se definirn, anlogamente, las derivadas en media cuadrtica con respecto a x2 ... xn , y la derivada en una direccin cualquiera de cosenos directores (1 ... n): VII, 3, 7)

f f f = 1 + ... + n x1 xn

En el caso de una funcin aleatoria estacionaria de orden 2, de media nula y de covarianza K(h) basta con que se verifique la condicin (VII, 2, 6) en un punto para que lo sea en todos los puntos, es decir para que f(x) sea derivable en media cuadrtica en todas partes. Se demuestra fcilmente que la condicin necesaria y suficiente para que as sea es que la funcin K(h) = K(h1, h2 ... hn) sea dos veces derivable con respecto a h1 en el punto h = 0. K(h) es entonces dos veces derivable con respecto a h1 en todo punto h, y se tiene adems: (VII, 3, 8) f ( x + h) f ( x) 2 E = K ( h) 2 x1 h1 x1

As, las funciones aleatorias derivables una vez en media estocstica estn caracterizadas por covarianzas dos veces derivables, es decir, por funciones K(h) las cuales tienen, en h = 0 un comportamiento parablico y recprocamente. Adems, salvo el signo, la segunda derivada de la covarianza K(h) es la covarianza de la primera derivada correspondiente de la funcin aleatoria.

Integrales estocsticas. - De la misma manera, es posible definir la integracin en media cuadrtica. Sea una funcin aleatoria f(x), un volumen V, dividido en m volmenes vi adyacentes, y una funcin cualquiera, consideraremos variables aleatorias Im de la forma:

I m = f ( xi ) ( xi )vi
i =1

El punto xi es un punto cualquiera al interior de vi. Si se hace tender hacia el infinito al nmero m de volmenes vi, de manera que la medida del ms grande entre ellos tienda a cero, las variables aleatorias Im convergen, en media cuadrtica, hacia un lmite I, es decir si se tiene:

118

Max|vi | 0

lim

E[( I m I ) 2 ] 0

Se escribir: (VII, 3, 9) I = f ( x) ( x)dx


V

Y se dir que la variable aleatoria I es la integral estocstica de f(x)(x) en el volumen V. Se demuestra que la condicin necesaria y suficiente para que la integral estocstica I exista, en el caso en que f(x) es estacionaria de segundo orden, es que la integral ordinaria: (VII, 3, 10) D 2 ( I ) = ( x)dx K ( y x) ( y )dy
V V

exista igualmente, y, en este ltimo caso, esta integral es igual a la varianza D2(I ) de la variable aleatoria I. Si se introduce la funcin de ponderacin, o de muestreo p(x), definida por: p ( x) = ( x) p ( x) = 0 si x pertenece a V si x no pertenece a V

Las expresiones (VII, 3, 9) y (VII, 3, 10) quedan: I = f ( x) p ( x)dx 2 D ( I ) = K ( y x) p ( x) p ( y )dxdy

(VII, 3, 11)

Si finalmente se designa por P(h) al covariograma transitivo asociado a p(x):

= p( x) p( x + h)dx P (h) = p * p
La varianza D2(I) puede escribirse tambin, segn el algoritmo de Cauchy (1, 2, 9): (VII, 3, 12)

D 2 ( I ) = K (h) P (h)dh

__________

119

CAPITULO OCTAVO

LOS ESQUEMAS ESTOCASTICOS INTRINSECOS

SUMARIO
Este captulo fundamental expone la teora llamada intrnseca, que permite, en un gran nmero de aplicaciones, trabajar sobre funciones aleatorias cuya varianza sera infinita. El prrafo 5, que est relacionado a un problema particular, puede ser omitido en primera lectura. El prrafo 1 define los esquemas intrnsecos como funciones aleatorias con incrementos estacionarios, e introduce los momentos. El estudio de los momentos de orden 1 pone en evidencia el fenmeno de deriva lineal. El estudio de los momentos de orden 2 conduce a la definicin de la funcin intrnseca (h), la cual permite el clculo de todos los momentos de orden 2 y juega un papel fundamental en toda la teora. El prrafo 2 examina la relacin entre funcin intrnseca (h) y covarianza K(h), cuando esta existe (esquemas de tipo transitivo). Pero (h) sigue definida en un gran nmero de casos en los cuales K(h) no lo es. Las propiedades de (h) se enuncian a continuacin. (h) debe ser de tipo positivo condicional. Finalmente, se examina la significacin fsica de (h) , y diferentes modelos de anisotropa. por una funcin El prrafo 3 estudia las variables no puntuales y las regularizadas f * p de ponderacin p. La nocin de base es la de varianza de extensin, o varianza D2(Y Z) de la diferencia de dos variables no puntuales, regularizadas de f por funciones de muestreo p1 y p2. El prrafo 4 define la nocin de varianza de un volumen v en un volumen V, inmediata si v es muy pequeo: 2(v,V) es entonces el valor medio, para todas las posiciones de v en V, de la varianza de extensin de v en V. Se generaliza al caso de volmenes cualesquiera con la ayuda de la relacin de aditividad (VIII, 4, 5). Misma definicin para la covarianza de v y v en V. El prrafo 5 examina la relacin entre esquema intrnseco y representacin transitiva, en el caso en que una realizacin de un esquema intrnseco se detiene arbitrariamente en las fronteras de un campo V. La relacin /VIII, 5, 10) da, en valor probable, el g(h) en funcin del (h) y del covariograma geomtrico K(h) de V.

120

1. - Definicin y momentos.
Llamaremos esquema con ley de dispersin intrnseca, o, ms brevemente, esquema intrnseco, a una funcin aleatoria con incrementos estacionarios. Un gran nmero de regionalizaciones pueden ser interpretadas, en primera aproximacin, como realizaciones de esquemas de este tipo. Precisemos esta definicin. Sean fi = f(xi), fj = f(xj) ... los valores tomados por una variable regionalizada con soporte puntual, considerada como la realizacin de una funcin aleatoria f(x). De las leyes a priori de los fi fj ..., no diremos nada. La funcin aleatoria puede no tener ni varianza finita, ni tampoco momentos de orden uno. Nos interesamos solamente en los incrementos: (VIII, 1, 1) i j = fj fi = f(xj) f(xi)

Definidos solamente como la diferencia de los valores tomados por la variable regionalizada en dos puntos xi y xj, y considerados como variables aleatorias. Como funcin aleatoria, f(x) est definida - salvo una constante arbitraria - por el conocimiento de todas las leyes de distribucin: F( i j, k l ... ; xi, xj, xk, xl ) De un nmero cualquiera de incrementos i j , k l entre puntos cualesquiera xi, xj, xk, xl ... Estas leyes dependen, en general, de las coordenadas de los puntos xi xj ... Se dir que la funcin aleatoria f(x) es a incrementos estacionarios, y que define un esquema estocstico con ley de dispersin intrnseca, si verifica las dos condiciones siguientes: 1) Como f(x) est definida salvo una constante, las leyes de distribucin F no deben ser modificadas si se conoce el valor numrico tomado por uno cualquiera de los fi = f(xi). Naturalmente, si se conocen dos, o varios, de estos valores, por ejemplo fi y fj, el incremento correspondiente i j = fi fj es igualmente conocido, y las leyes F deben ser reemplazadas por las leyes condicionales tomadas cuando los i j son fijos. 2) Los incrementos poseen el carcter estacionario, dicho de otra manera, las leyes F(i j , k l , ..., xi , xj , xk , xl ) son invariantes para toda traslacin de conjunto efectuada sobre los puntos xi , xj ... Para todo vector h, se tiene entonces: (VIII, 1, 2) F(i j , k l , ... , xi + h, xj + h, xk + h, xl + h) = F(i j , k l , ... , xi , xj , xk , xl )

Luego, las leyes F solo dependen de la geometra relativa de los puntos xi , xj , ... y no de la posicin en el espacio de su centro de gravedad. Se ve que una regionalizacin considerada como la realizacin de un esquema intrnseco, conserva, respecto de sus variaciones, un aspecto homogneo en todo el espacio. Su variabilidad en el espacio posee bien un carcter intrnseco, es decir independiente del lugar. Los momentos de los incrementos se definen, sin dificultad, a partir de las leyes F, como los valores probables, si es que existen, de expresiones de la forma: [i j]1 [k l]2 ... En un esquema intrnseco estos momentos son estacionarios, es decir, invariantes para toda traslacin de conjunto efectuada sobre los puntos xi xj ... Excluyendo problemas muy especiales los cuales sern abordados en el captulo XIV (fluctuaciones y estimacin de

121 momentos de orden 2), solo tendremos necesidad, en realidad, de utilizar momentos de los dos primeros rdenes. Supondremos siempre que estos momentos de orden 1 y 2 existen y son estacionarios. Las leyes F mismas no intervendrn prcticamente nunca, de manera que la casi totalidad de los resultados que estableceremos subsisten si los incrementos i j son solamente estacionarios en sentido amplio (estacionarios de orden 2).

Momentos de orden 1 y deriva lineal. - Designemos por Di j al valor probable a priori del incremento i j. Segn la definicin misma de los esquemas intrnsecos, este valor probable solo depende del vector hi j = xj xi. Escribiremos:
E( i j ) = Di j = D(hi j ) Pero, de la definicin (VIII, 1, 1) de los incrementos, resultan relaciones de cerradura, sobre las cuales volveremos, y que se pueden escribir en la forma: i j + j k = i k Si tomamos valor probable en los dos miembros de esta relacin, vemos que la funcin D(h) debe verificar: D(hi j) + D(hj k) = D(hi k) Para todos los argumentos vectoriales hi j , hj k y hi k tales que: hi j + hj k = h i k Se deduce que D(h) es una forma lineal respecto del vector h = (h1, ... , hn) , dicho de otra forma que existe un vector D, de componentes (D1, D2, ..., Dn) tal que D(h) sea igual al producto escalar de los vectores D y h: (VIII, 1, 3) D(h) = Dh = D1h1 + D2h2 + ... + Dnhn

As, en esquema intrnseco, los momentos de primer orden traducen la existencia de una deriva lineal de la variable regionalizada f(x), deriva caracterizada por un gradiente constante D. Es fcil eliminar esta deriva al reemplazar f(x) por f(x) xD = f(x) - x1D1 x2D2 - ... - xnDn . El incremento i j es entonces, en efecto, reemplazado por i j Dhi j , expresin cuyo valor probable es nulo. Es por esto que, en adelante, supondremos que los momentos de orden 1 son idnticamente nulos: (VIII, 1, 4) E ( i j) = 0

Los momentos de orden 2 y la ley de dispersin intrnseca (h) . - El momento de orden 2, E ( i2j ) , el cual, segn (VIII, 1, 4), es igual a la varianza D2(i j) del incremento i j , es
una funcin del nico argumento vectorial:

122 hi j = x j - x i Como resulta de la definicin de los esquemas intrnsecos. Pondremos, por definicin: (VIII, 1, 5)

(hi j ) = D 2 ( i j )

1 2

La funcin (h), es igual a la mitad de la varianza del incremento f(x + h) f(x), es decir: (VIII, 1, 6)

(h) = D 2 [ f ( x + h) f ( x)]

1 2

Y lleva el nombre de funcin de dispersin intrnseca, o, ms brevemente, de funcin intrnseca. Se llama tambin semi-variograma, o bien variograma 23. El variograma es accesible experimentalmente para valores discontinuos de h. Esta funcin (h) juega, en la teora intrnseca, el mismo papel que la covarianza K(h) en la teora de las funciones aleatorias estacionarias. El conocimiento de la funcin (h) permite por ella sola, de definir todos los momentos de orden 2. Para las varianzas, esto resulta directamente de (VIII, 1, 5). Busquemos la covarianza de los dos incrementos i j y k l . Pondremos, para abreviar las escrituras:

(VIII, 1, 7)

1 2 i j = D ( i j ) 2 E (ij , kl ) = E ( i j k l )

Consideremos primero dos incrementos i j y j k los cuales tienen un punto de apoyo en comn xj. Para los tres ndices i j y k (VIII, 1, 1) implica la relacin de cerradura: i j + j k = i k Tomemos la varianza de los dos miembros. Al considerar (VIII, 1, 7), queda: (VIII, 1, 8) E(ji, jk) = - E(ij, jk) = i j + j k i k

Sean ahora, dos incrementos cualesquiera i jk l . La relacin de cerradura, para los cuatro ndices ijkl, se escribe: i j + j k + k l = i l Tomemos la varianza de los dos miembros. Queda: i j + j k + k l + E( ij, jk ) + E( jk, kl ) + E( ij, kl ) = i l
23

Nota del traductor: La prctica ha conducido a que se considere como sinnimos variograma y semivariograma; se prefiere el uso del primero.

123

Al considerar la relacin (VIII, 1, 8) ya obtenida, se encuentra, sin dificultad: (VIII, 1, 9) E( ij, kl ) = i l + j k - i k - jl

Esta relacin fundamental muestra que todos los momentos de orden dos se deducen de la nica funcin intrnseca (h) , como la habamos anunciado.

2. - Significacin y propiedades de la funcin intrnseca (h).


En este prrafo nos vamos a interrogar sobre la relacin que existe entre la funcin intrnseca (h) y la funcin de covarianza K(h) de una funcin aleatoria estacionaria, examinar las propiedades de (h) y finalmente precisar su significacin fsica.

Relaciones entre (h) y K(h). - Supongamos primero que f(x) sea una funcin aleatoria estacionaria, con varianza finita K(0) y con covarianza K(h). De la definicin (VIII, 1, 6) de la funcin intrnseca (h) se deduce inmediatamente, en este caso:
(VIII, 2, 1) (h) = K(0) - K(h)

Para las funciones aleatorias usuales, con varianza finita, la covarianza K(h) tiende hacia cero cuando |h| tiende al infinito. Las correlaciones se desvanecen en las grandes distancias. En este caso, (h) tiende hacia la varianza a priori K(0), y por consiguiente permanece acotado. Se tiene: (VIII, 2, 2) ( ) = K(0)

Inversamente, si (h) permanece acotado y tiende hacia un lmite () cuando |h| tiende a infinito, se puede reconstituir K(h) a partir de (h ) escribiendo: (VIII, 2, 3) K(h) = ( ) - ( h )

Es claro que, en este caso, la funcin intrnseca (h) no aporta nada ms que lo que aporta la covarianza K(h). Sin embargo, puede suceder que (h) crezca indefinidamente cuando |h| tienda al infinito. En efecto, esta circunstancia se encuentra frecuentemente en la prctica, en la cual los variogramas en r ( > 0) o en log r son de uso corriente. La relacin (VIII, 2, 2) muestra que la funcin aleatoria f(x) tiene, en este caso, una varianza a priori infinita, de manera que no se puede definir la covarianza K(h). Pero los incrementos i j conservan, por su parte, varianzas finitas, y el estudio de f(x) como un esquema intrnseco, es decir salvo una constante, sigue siendo posible gracias a la funcin intrnseca (h). Cuando () existe y tiene un valor finito, es decir cuando la covarianza K(h) se puede definir, se dice a menudo que el esquema intrnseco es de tipo transitivo 24 . Se llamar
24

Se tendr cuidado de no confundir (a pesar que existen analogas entre ellos) los esquemas intrnsecos de tipo transitivo y las representaciones transitivas estudiadas en la primera parte.

124 entonces alcance de la transicin a la distancia a partir de la cual K(h) se anula o llega a ser despreciable, y (h) igual o prcticamente igual, a su valor asinttico (), que es la varianza a priori K(0). Ms all del alcance f(x) y f(x + h) son variables aleatorias sin correlacin. Por otra parte, muy a menudo, se debe considerar que esta no-correlacin es estricta, y no aproximada, es decir que K(h) 0 y que (h) = K(0) para |h| b. En realidad, el alcance b , no es un escalar, depende de la direccin del vector h, y, en general, de la manera en la cual el alcance b() se modifica con la direccin y pone en evidencia ciertos rasgos estructurales mayores de una regionalizacin. Por ejemplo, cuando se estudia la distribucin de las leyes de un mineral en una formacin geolgica sedimentaria, se observa, a menudo, un variograma experimental de tipo transitivo. Esto significa, en general, que el rea donde se gener el depsito estaba fragmentada en micro cuencas de sedimentacin casi autnomas. El estudio del alcance b() , en funcin de la direccin permite detectar la forma y las dimensiones medias de estas micro cuencas, sus direcciones de alargamiento, etc... A menudo tambin, sin ser infinita, la varianza a priori K(0) es muy grande y casi est desprovista de significacin prctica. Esto sucede, por ejemplo, cuando el alcance es grande respecto de la escala a la cual se trabaja. En efecto, no se puede esperar de poner experimentalmente en evidencia K(0), salvo si los datos disponibles estn en una zona significativamente superior al alcance. Si la zona de trabajo es del mismo orden de magnitud, o ms pequea, que el mismo alcance, K(0) queda inaccesible, pero las caractersticas locales de la regionalizacin estn representadas de manera mucho ms eficaz por la funcin intrnseca (h).

Propiedades de (h). - De la misma definicin (VIII, 1, 6), (h) es evidentemente una funcin par y no negativa:
(VIII, 2, 4) ( h ) = ( - h ) 0

Adems, al hacer h = 0 en (VIII, 1, 6), se tiene siempre: (VII, 2, 5) ( 0 ) = 0

Esta ltima condicin no implica obligatoriamente que (h) tiende a 0 cuando |h| 0. Cuando se tiene:
|h| 0

lim (h) = C > 0

Se dice que hay un efecto de pepita en el origen. La constante positiva C se llama constante de pepita. Ms que una verdadera discontinuidad en el origen, el efecto de pepita corresponde, lo ms a menudo, a la existencia de una muy pequea zona de transicin respecto del punto h = 0, y dentro de la cual el crecimiento de (h) es extremadamente rpido, sin ser realmente discontinuo. Experimentalmente, y en las aplicaciones prcticas, todo sucede como si hubiera una discontinuidad real. Fuera de h = 0, se debe suponer que siempre (h) es continua. Cuando () existe, la relacin (VII, 2, 3) nos muestra que:

125 ( ) - ( h ) Debe tener todas las propiedades de una funcin de covarianza, es decir, ser de tipo positivo. Pero, si (h) no tiene lmite finito cuando: |h| Las condiciones impuestas a (h) son menos estrictas. En efecto, se debe exigir solamente que toda combinacin lineal de incrementos de la forma: (VIII, 2, 6) H = k [ f ( yk ) f ( xk )]
k

tengan una varianza positiva para los puntos xk , yk y los coeficientes k cualquiera. Al considerar (VIII, 1, 9), la varianza de la expresin H escrita anteriormente tiene por valor: (VIII, 2, 7) D 2 ( H ) = k l [ ( yl xk ) + ( xl yk ) ( xl xk ) ( yl yk )]
kl

Busquemos una condicin para que D2(H) no sea nunca negativa. Tomemos, por ejemplo, como puntos yk los trasladados de xk en una misma traslacin : yk - x k = La varianza (VIII, 2, 7) toma, en este caso, la expresin siguiente: (VIII, 2, 8) D 2 ( H ) = k l [ ( xl xk + ) + ( xl xk ) 2 ( xl xk )]
kl

Al comparar con la definicin de las funciones de tipo positivo (frmula A, 9, 1), vemos que (VIII, 2, 8) no tomar nunca valores negativos si, y solamente si, la funcin: (VIII, 2, 9) ( h + ) + ( h - ) - 2( h )

Es de tipo positivo, relativamente a h, cualquiera que sea el vector . Mostraremos en el captulo X, que esta condicin, necesaria para que la varianza (VIII, 2, 7) no sea nunca negativa para los xk y los yk cualquiera, es tambin suficiente, y la expresaremos en una forma equivalente ms simple. En particular, veremos que esta condicin se verifica para un (h) de la forma r (con r = |h|): (h) = r < 2 Siempre que sea inferior a 2, y para un (h) de la forma log r. Por otra parte, de una manera general, el crecimiento de (h) cuando |h| debe ser menos rpido que el crecimiento de h2.

126 Expresaremos el hecho que la funcin (VIII, 2, 9) sea de tipo positivo cualquiera que sea diciendo que - (h) debe ser de tipo positivo condicional. Se observar que resulta, entre otras, la desigualdad: (VIII, 2, 10) ( h + ) + ( h ) 2 [ (h) + () ]

Significacin fsica de la funcin intrnseca (h). - El comportamiento de (h) en la vecindad del origen est, aqu tambin, en relacin estrecha con las propiedades de regularidad y de continuidad de la regionalizacin f(x), considerada como una variable aleatoria. Se puede ver, exactamente como en el captulo precedente, que una funcin intrnseca (h) continua en h = 0 caracteriza una funcin f(x) continua en media cuadrtica. Anlogamente, un (h) dos veces derivable en el origen, es decir que en el origen posee un comportamiento parablico, caracteriza una funcin derivable una vez en media cuadrtica. De una manera ms concreta, se puede ver que un funcin intrnseca proporciona un contenido preciso a la nocin, usual en la industria minera, pero poco clara por si sola, de zona de influencia de una muestra. El crecimiento, ms o menos rpido del variograma (h) cuando |h| aumenta, representa exactamente la manera ms o menos rpida de como se deteriora la influencia de una muestra en zonas ms y ms alejadas de un yacimiento. En las aplicaciones se buscar siempre reducirse al caso de una funcin aleatoria intrnseca istropa, es decir, de la forma:
(h) = (r ) 2 2 r =| h |= h1 + ... + hn Pero las anisotropas, constatadas en los variogramas experimentales, presentarn un gran inters por si solas, porque ellas traducirn, en general, las caractersticas estructurales mayores del fenmeno estudiado. Se utilizaran en la prctica, ciertos modelos simples de anisotropa:

Anisotropa geomtrica. - Se caracteriza por un (h) de la forma (Q), en que Q es una forma cuadrtica:
Q = ai a j hi h j Respecto de las componentes del vector h. Basta con efectuar una transformacin lineal sobre las coordenadas para reducirse al caso istropo Q = r2. En general, las direcciones principales de Q sern conocidas directamente, porque correspondern a direcciones preferenciales del fenmeno mismo, de manera que la transformacin lineal se reducir a reemplazar (h1, h2, h3) por (1h1, 2h2, 3h3) con constantes , o mdulos de afinidad elegidos convencionalmente.

Anisotropas zonales. - Puede suceder que (h) no dependa realmente de las n componentes del vector h, sino solamente de una o dos de entre ellas. Por ejemplo, en 3 dimensiones, se puede tener una funcin de la forma (h3) la cual solo depende de la

127 componente vertical h3 de h. Con una funcin como esta, un incremento f(x + h) f(x) tiene una varianza nula si h = (h1, h2, 0) es un vector horizontal. Dicho de otra forma, la variable regionalizada f(x) es constante en un mismo plano horizontal, y el fenmeno tiene un aspecto foliado. Anlogamente, una corrida podr representarse por un (h) de la forma (h2, h3), independiente de la componente h1. La variable f(x) es entonces constante a lo largo de rectas paralelas al primer eje de coordenadas. En la prctica, naturalmente, f(x) no es rigurosamente constante en planos o rectas paralelas, sino que manifiesta una tendencia a variar mucho menos a lo largo de esos planos o rectas preferenciales que en otras direcciones. Estamos conducidos a descomponer el (h) en dos trminos, uno istropo y el otro zonal: ( h ) = 1 ( r ) + 2 ( h3 ) ( h ) = 1( r ) + 2(h2, h3) Lo que consiste en superponer dos regionalizaciones independientes, una istropa, la otra representando una foliacin o una corrida perfecta. En un muy gran nmero de problemas, y principalmente en el clculo de las varianzas de estimacin, estas dos componentes actan separadamente y sus efectos pueden ser ajustados simplemente.

3. - Variables no puntuales y varianza de extensin.


Con el propsito de definir, en trminos de esquema intrnseco, las variables regionalizadas con soporte no puntual, consideraremos, en primer lugar, dos grupos de puntos xi y xj, respectivamente en nmeros Ni y Nj , y coeficientes de ponderacin i y j que verifican: (VIII, 3, 1)

=
iI i jJ

=1

La notacin cmoda i I (i pertenece a I) indica que la suma debe ser realizada sobre el conjunto de ndices I relacionados con los puntos xi del primer grupo. Anlogamente, j J indica que la suma se extiende a todos los puntos xj del segundo grupo. Definamos dos nuevas variables aleatorias Y y Z iguales a las medias, ponderadas por los i y los j de f(x) sobre cada uno de estos dos grupos de puntos:

(VIII, 3, 2)

Y = i f ( xi ) iI Z = j f ( x j ) jJ

Para generalizar la nocin de incremento, nos vamos a interesar, no en las variables Y y Z, sino ms bien en su diferencia Y Z. Esta diferencia se expresa mediante una combinacin

128 lineal de incrementos i j = f(xj) f(xi). En efecto, al considerar (VIII, 3, 11), tenemos, en primer lugar:

f ( xi ) = f ( x j ) + j i = j [ f ( x j ) + j i ] = Z + j j i
jJ jJ

Multipliquemos por i los dos miembros extremos, y sumemos en i J. Queda: (VIII, 3, 3)

Y Z =

iI , jJ

i j i j

Que es una combinacin lineal de los incrementos i j en nmero finito, luego la variable Y Z est perfectamente definida. De la hiptesis usual (VIII; 1, 4), se deduce que su valor probable es nulo: (VIII, 3, 4) E( Y - Z) = 0

Para obtener la varianza D2( Y Z ), debemos elevar al cuadrado (VIII, 3, 3) y pasar a los valores probables. Se obtiene as, al utilizar notaciones ya introducidas en (VIII, 1, 7): (VIII, 3, 5)

D 2 (Y Z ) = 2

iI , jJ

i j i j

jJ , sJ

i s j s

iI ,uI

i u i u

Esta varianza se calcula entonces, por sumas mltiples, con la ayuda de la funcin intrnseca (h) . Las sumas son simtricas respecto de Y y de Z, o respecto de los dos grupos de ndices I y J. Se le llama varianza de extensin de Y a Z (o de Z a Y). Esta expresin representa, en efecto, la varianza del error Y Z que se comete cuando se extiende a los xj la ley media ponderada de los xi. En el caso particular en que se tiene:

i =

1 Ni

j =

1 Nj

Y y Z son simplemente las medias aritmticas de los valores de f(x) para los dos grupos de puntos xi y xj, que tienen como nmeros Ni y Nj respectivamente. Ms generalmente, se puede, adems de Y y Z, considerar dos otras variables aleatorias T y U definidas para dos otros grupos de puntos xk y xl y con coeficientes k y l: T = k f ( xk ) kK U = l f ( xl ) lL = = 1 k l lL kK

(VIII, 3, 6)

129 El valor probable del producto (Y Z)(T U) ser llamado covarianza de las extensiones de Z a Y y de U a T, o ms brevemente, covarianza de extensin. Se encuentra, de la misma manera que anteriormente:

E[(Y Z )(T U )] =
Y se deduce, con la ayuda de (VIII, 1, 9): E[(Y Z )(T U )] = (VIII, 3, 7)

iI , jJ , kK ,lL

i j k l E (ij , kl )

jJ , kK

j k jk + j l jl

iI ,lL

i l il i k ik

jJ ,lL

iI , kK

El paso a las integrales estocsticas se efecta sin dificultad. Supongamos, por ejemplo que se tiene un volumen V y una funcin de ponderacin p(x) la cual verifica: (VIII, 3, 8)

p( x)dx = 1

No estamos seguros que la integral estocstica: Z = p ( x) f ( x)dx


V

Est definida, porque no sabemos calcular su varianza. Sin embargo, el incremento: (VIII, 3, 9) Y Z = i f ( xi ) f ( x) p ( x)dx
iI V

est perfectamente definido, como integral estocstica (ver prrafo 3, captulo VII) porque su varianza se obtiene al efectuar un paso al lmite en (VIII, 3, 5), lo cual proporciona el resultado:

(VIII, 3, 10)

2 D (Y Z ) = 2 i p ( x) ( x xi )dx iI V p ( x) p ( x ') ( x x ')dxdx ' V V i u ( xi xu ) iI ,uI

por ejemplo, tomemos p(x) = k(x) / V , siendo k(x) la variable geomtrica asociada a V. La variable Z es la media (estocstica) de f(x) en V , la llamaremos a menudo, para abreviar, ley del volumen V. Anlogamente, tomemos todos los i iguales a 1 / N, siendo

130 N el nmero de puntos xi. Y es entonces la media aritmtica de los N valores f(xi) , y , para abreviar, diremos que Y es la media aritmtica de estos N puntos. Se tiene, en este caso: (VIII, 3, 11) Y Z = 1 N

f ( x ) V f ( x)dx
i =1 i V

Y la varianza de extensin de la ley media de los N puntos a la ley del volumen V est dada por la expresin: (VIII, 3, 12) D 2 (Y Z ) = 2 NV

( x x )dx V ( x x ')dxdx ' N ( x x )


i =1 V i 2 2 i j V V ij

De la misma manera, la variable Y puede ser tambin ser una media estocstica. Tomemos, por ejemplo, las leyes medias de dos volmenes V y V: 1 Y = V f ( x)dx V Z = 1 f ( x)dx ' V 'V La varianza de extensin del volumen V al volumen V es igual a: (VIII, 3, 13) D 2 (Y Z ) = 2 1 1 ' ' ( x x ')dxdx ' 2 ( x1 x2 )dx1dx2 2 ( x1' x2 )dx1' dx2 VV ' V V ' V VV V ' V 'V '

De la misma manera, la frmula (VIII, 3, 7) la cual proporciona una covarianza de estimacin, se generaliza al caso en que una o varias de las medias ponderadas que all figuran, se transforman en integrales estocsticas. No es til escribir aqu todas las frmulas correspondientes, que se obtienen sin ninguna dificultad al reemplazar las sumatorias discontinuas por integrales. Sin embargo, proporcionaremos el resultado en el caso en que las cuatro variables son integrales estocsticas: Sean p1, p2, p3, p4 cuatro funciones de ponderacin con suma unidad:

p dx = p dx = p dx = p dx = 1
1 2 3 4

Las cuatro variables aleatorias:

131 Y = p1 ( x) f ( x)dx Z = p ( x) f ( x)dx 2 T = p3 ( x) f ( x)dx U = p4 ( x) f ( x)dx Tienen como covarianza de extensin: (VIII, 3, 14)

E[(Y Z )(T U )] = [ p1 ( x) p2 ( x)][ p3 ( y ) p4 ( y )] ( x y )dxdy

Esta frmula nica (VIII, 3, 14) contiene las anteriores como casos particulares.

Regularizacin de un esquema intrnseco. - Las varianzas de extensin que acabamos de definir constituyen la generalizacin exacta del variograma 2(h) al caso de variables no puntuales. El variograma mismo 2(h) , por definicin, es igual a D2[f(x + h) f(x)] , es decir precisamente a la varianza de extensin de dos variables puntuales f(x) y f(x + h). Es cmodo representar, con la ayuda de productos de convolucin, la regularizacin de un esquema intrnseco f(x) por una funcin de muestreo o de ponderacin p(x). Supondremos siempre que:

p( x)dx = 1
E introduciremos el covariograma transitivo P(h) asociado a p(x):

= p ( x) p ( x + h)dx P (h) = p * p
El muestreo p efectuado en el punto x proporciona la funcin aleatoria regularizada fp(x), que es la integral estocstica: (VIII, 3, 15)

= f ( x + y ) p ( y )dy f p ( x) = f * p

Del mismo modo que la variable f(x) misma, la regularizada fp(x) es, en general, accesible por el intermediario de sus incrementos fp(x + h) fp(x), es decir, en tanto como esquema intrnseco. La varianza de este incremento se deduce de las frmulas que proporcionamos anteriormente. Es, en efecto, la varianza de extensin relativa a las dos variables: Y = f ( y ) p ( y x)dy Z = f ( y ) p ( y x h)dy Cuya expresin se obtiene inmediatamente:

132

D 2 (Y Z ) = 2 ( x x ') p( x) p( x ' h)dxdx ' 2 ( x x ') p( x) p( x ') dxdx '


Basta con poner x = u + x y efectuar primero la integracin con respecto a x para hacer : aparecer la expresin del covariograma transitivo P = p * p

D 2 (Y Z ) = 2 (u ) P (u + h)du 2 (u ) P (u )du
Pero la funcin intrnseca P(h) asociada a la variable regularizada

fp = f * p

considerada como definiendo un esquema intrnseco, es igual a la mitad de la varianza D2(Y Z) as calculada: Tenemos entonces la regla siguiente: (VIII, 3, 16)

P (h) = * P (u ) P(u )du

se obtiene al Salvo una constante, la funcin intrnseca de la regularizada f * p regularizar la funcin intrnseca por el covariograma transitivo P asociado a la funcin de ponderacin o de muestreo. La constante, igual al valor medio de (x x) ponderado por p(x)p(x) es tal que se tiene P(0) = 0. En el caso particular en que se tiene:
1 p( x) = k ( x) v Siendo k(x) la variable geomtrica asociada a un volumen v, la regularizada f * p representa la ley de la muestra v tomada en el punto x. Salvo una constante, la cual representa el valor medio de (h) en v, su funcin intrnseca P(h) se obtiene al tomar el valor medio de (x x) cuando las dos extremidades x y x del argumento vectorial x x describen, separadamente, dos volmenes v iguales y trasladados uno de otro en la traslacin h. debe ser efectivamente ms regular que f misma, Naturalmente, la regularizada f * p siempre que la funcin de ponderacin sea tambin suficientemente regular. Por ejemplo, si p admite derivadas primeras, P admite derivadas segundas, y, por consiguiente, lo mismo es derivable ocurre para P(h), segn (VIII,, 3, 16), de manera que la regularizada f * p en media cuadrtica, an si f(x) no lo es. Este mecanismo de regularizacin ser estudiado en detalle ms tarde, en el captulo XII, a propsito de la subida intrnseca con potencia constante.
4. - Varianza de v en V.
Si v y V son dos volmenes, tales que el primero est contenido en el segundo, y si Y y Z son sus medias estocsticas, la varianza de extensin de Y y Z, llamada tambin varianza de extensin de v en V, est perfectamente definida por la frmula (VIII, 3, 13). Esta varianza depende, en particular, de la posicin ocupada por v al interior de V, y no

133 representa entonces la varianza en el campo geomtrico V de las variables no puntuales de soporte v. Nos damos cuenta que la varianza de v en V debera ser una suerte de media de todas las varianzas de extensin de v en V para todas las implantaciones, geomtricamente posibles, de v en el campo V. Pero aparece que esta nocin de varianza de v en V - que aparece, en primera instancia, natural y experimentalmente evidente - solo se puede definir, de manera unvoca, en el caso de una variable con soporte puntual. Examinemos entonces, en primer lugar, el caso de un soporte puntual. Sea m la media estocstica de f(x) en V: m= 1 f ( x)dx VV V como el valor probable de la integral

Se puede definir la varianza de estocstica: (VIII, 4, 1)

f(x)

en

S2 =

1 2 [ f ( x) m] dx VV

En notacin de incrementos i j = f(xj) f(xi), se tiene: f ( xi ) m = 1 i j dx j VV

Y por consiguiente S2 est dado por la integral mltiple de orden 3n: S2 = 1 V V j i k i dx j dxi dxk V3 V

La varianza de f(x) en V, que escribiremos 2(0|V) se obtiene al tomar el valor probable de esta integral. Considerando (VIII, 1, 8), queda simplemente: (VIII, 4, 2)

2 (0 | V ) = E ( S 2 ) =

1 V ( x x ')dxdx ' V2 V

As la varianza de la variable puntual es igual al valor medio en V de la funcin intrnseca (h). Ella puede ser calculada con la ayuda del algoritmo de Cauchy (I, 2, 9). Tambin se puede definir esta varianza 2(0|V) como el valor medio de la varianza de extensin D2[f(x) - m] cuando el punto x se tira al azar en V segn una ley de probabilidad uniforme. Se tiene, en efecto, segn (VIII, 3, 12): D 2 [ f ( x ) m] = 2 1 ( x y )dy 2 ( y y ')dydy ' VV V VV

134 Integrando respecto del punto x, se encuentra sin dificultad: 1 1 D 2 [ f ( x) m]dx 2 ( x x ')dxdx ' = 2 (0 | V ) VV V VV De manera que las dos definiciones de 2(0|V) son bien equivalentes. Pasemos ahora, a la variable Y con soporte no puntual v, o media estocstica de f(x) en v: Y= 1 f ( x)dx v v

La definicin (VIII, 4, 1) no tiene mucho sentido, debido a que, en una integracin en x de la expresin [Y m]2 extendida al campo V, los puntos x vecinos a la frontera de V introducen, por intermedio de Y , valores de la variable f(x) exteriores al campo V. Debido a que el soporte v no es puntual, se produce en las fronteras un efecto de arista, y, por una u otra, la media estocstica de Y(x) en V no tiene ya razn de coincidir con m. Para un volumen v del orden de la mitad o tres cuartos de V, esta circunstancia le quita casi toda significacin a la nocin de varianza de v en V. Sin embargo hay dos casos en los cuales una definicin, riguroso o aproximada, es posible. El primer caso es aquel en el cual el volumen V est constituido por la reunin de N volmenes vi , todos iguales a un mismo volumen v y trasladados unos de otros (estos sern, por ejemplo, paraleleppedos). Si se designa por Zi la media estocstica de f(x) en el volumen vi, y por m la de f(x) en V, se tiene, esta vez, en todo rigor: 1 N

Z
i

=m

La poblacin finita de los Zi tiene una varianza: S 2 (v | V ) = 1 N

(Z
i

m) 2

Que es, en realidad, una expresin estocstica. Por definicin se llamar varianza de vi en V al valor probable de esta expresin: (VIII, 4, 3)

2 (vi | V ) = E[ S 2 (v | V )] =

1 2 D ( Z i m) N

Pero la varianza de extensin de un vi particular en V se calcula por la frmula general (VIII, 3, 13). Como los volmenes vi constituyen una particin de V, se tiene, para toda funcin (x):

135 1 1 ( x)dx = ( x)dx Nv i vi VV Al considerar este algoritmo y (VIII, 3, 13), se obtiene: 1 N

D
i

( Z i m) = =

2 1 dx ( x xi )dxi V V Nv i v i

1 1 ( x x ')dxdx ' 2 V VV N 1 1 ( x x ')dxdx ' 2 2 V VV v

v ( x x ')dxdx '
2 i v v

( x x ')dxdx '
v v

As, en este primer caso particular en que, en que V est constituido por una pila de ladrillos todos iguales a v, se obtiene la varianza de v en V en la frmula sinttica siguiente: (VIII, 4, 4)

2 (v | V ) =

1 1 ( x x ')dxdx ' 2 2 V VV v

( x x ')dxdx '
v v

El segundo caso particular es cuando v es muy pequeo, en todas sus dimensiones, respecto de V. En este caso, las interferencias que se producen en las fronteras tienen un efecto despreciable. Esta circunstancia justifica por otra parte, la nocin aparentemente intuitiva, pero de origen puramente experimental, de varianza de una muestra pequea v en un campo geomtrico grande V. La media estocstica de los v en V no difiere prcticamente de m. En la expresin de la varianza de extensin de V y de la media estocstica Zi de un volumen vi igual a v implantado en el punto xi: se puede poner, en primera aproximacin: 2 2 ( x x ')dxdx ' ( x xi )dx Vv V vi VV Se define ahora la varianza de v en V como el valor medio de la varianza de extensin de vi en V cuando xi ocupa todas las posiciones posibles en V. Caemos de nuevo en la frmula (VIII, 1, 4). As, en los dos casos en que la varianza se puede definir, la varianza 2(v|V) est dada por la frmula (VIII, 4, 4). Esta varianza verifica la relacin de aditividad: (VIII, 4, 5) 2(v|V) = 2(v|V) + 2(V|V)

Que expresa que la varianza de v en V es igual a la suma de las varianzas de v en V y de V en V. Esta relacin (VIII, 4, 5) solo tiene sentido cuando v y V estn contenidos en V y V respectivamente, y si estos volmenes verifican las dos hiptesis requeridas: particin estricta, o campo muy grande respecto del soporte. Pero esta relacin puede ser

136 utilizada tambin para definir la varianza cuando estas hiptesis no se cumplen. Tomemos, en efecto, un volumen V muy grande, de manera que 2(v|V) y 2(V|V) estn ambos definidos. Pondremos entonces, por definicin: (VIII, 4, 6) 2(v|V) = 2(v|V) - 2(V|V)

Se verifica inmediatamente que esta definicin (VIII, 4, 6) conduce siempre a la misma frmula (VIII, 4, 4) que toma as un valor general. En particular, la eleccin del campo V, que ha servido como intermediario, no influye sobre el resultado obtenido. Naturalmente, no se puede esperar que la varianza 2(v|V) sea estrictamente positiva; esto ocurre cuando los volmenes v y V son geomtricamente compatibles. Se tiene, por otra parte: 2(V|v) = - 2(v|V) Las varianzas negativas que pueden aparecer si v y V no son geomtricamente compatibles, no tienen significacin por si mismas, y sirven simplemente como un artificio de clculo. Se definir de la misma manera la covarianza en un campo V de las dos muestras v y v distintas; ocupando una con respecto a la otra, una posicin bien definida e implantados, en su conjunto, de manera cualquiera al interior del campo V. Segn las mismas convenciones anteriores, (paso por el intermediario de un gran campo V y de la frmula de aditividad), se obtiene esta covarianza por la frmula general: (VIII, 4, 7)

(vv ' | V ) =

1 1 ( x x ')dxdx ' 2 ( x x ')dxdx ' V VV vv ' v v'

Se puede, naturalmente tambin, caracterizar la correlacin de los dos volmenes v y v en el campo V por el coeficiente de correlacin habitual:

(vv ' | V ) =

(vv ' | V ) 2 (v | V ) 2 (v ' | V )

Pero es necesario notar bien que un tal coeficiente no tiene nada de intrnseco. Depende de la eleccin del campo V y vara de manera compleja en funcin de V. En particular, si el (h) no tiende hacia un valor finito (), sino que crece indefinidamente con |h|, las dos varianzas y la covarianza son, para V muy grande, infinitsimos grandes equivalentes, de manera que en el lmite, se tiene siempre: (vv | ) = +1 Este observacin permite comprender porqu los coeficientes de correlacin prcticamente no se usan en teora intrnseca. Es en realidad la funcin (h) misma la que expresa de la mejor manera posible la correlacin que reina entre f(x) y f(x + h), haciendo abstraccin de cualquier influencia de un campo geomtrico (es decir, de manera intrnseca).

137

EJEMPLOS:

Funcin intrnseca homognea. - Supongamos que (h) sea una funcin homognea de orden , es decir que verifica, para un escalar cualquiera, la ecuacin:
(h) = | | (h) Segn lo que hemos visto en el prrafo 2, el exponente es necesariamente inferior a 2. Calculemos la varianza 2(v|V) en el caso particular en que el volumen v es geomtricamente homottico con V en una homotecia de mdulo :

v = n V
En la segunda integral de la formula general (VIII, 4, 4) efectuemos el cambio de variables x = y, x = y, (dx = ndy, dx = ndy). Queda:

2 (v | V ) = (1 )

1 V ( x x ')dxdx ' V2 V

Designemos por 2(0|V) la varianza en V de la variable puntual. Se tiene as:


v n 2 (v | V ) = 1 2 (0 | V ) V

(VIII, 4, 8)

Esta frmula se aplica, en particular, a la funcin intrnseca istropa r .

Funcin intrnseca de De Wijs. - Se dice que una funcin intrnseca es de De Wijs, si verifica la relacin funcional:
(VIII, 4, 9) (h) = (h) + 3 log ||

En que 3 es una constante, llamada coeficiente de dispersin absoluta. El esquema de De Wijs istropo, caracterizado por una funcin intrnseca de la forma 3log r , se usa a menudo, en la prctica 25 , cuando v es homottico a V, el mismo cambio de variables anterior conduce, al considerar (VIII, 4, 9), a la notable frmula siguiente, llamada frmula de De Wijs: (VIII, 4, 10)

2 (v | V ) = log

V v

25

Nota del traductor: En la actualidad, con el gran uso de computadoras, este modelo no es de uso frecuente.

138

5. - Relacin entre esquemas intrnsecos y representaciones transitivas.


No existe, obligatoriamente, una relacin simple entre los esquemas intrnsecos, definidos, como lo hemos realizado, como funciones aleatorias con incrementos estacionarios, y las representaciones transitivas, estudiadas en la primera parte. El modo de representacin en transitivo presenta, en efecto, un alto grado de generalidad. Permite describir cualquier variable regionalizada que evoluciona en un campo geomtrico finito V. En contra-parte, el covariograma transitivo g(h) est ligado estrechamente a la geometra del campo V, y no existe ninguna manera simple de pasar de este campo V a otro campo V. Por otra parte, es necesario ver bien, que esta ligazn entre el covariograma y su campo expresa a menudo una zonalidad real de la regionalizacin, por ejemplo una tendencia sistemtica al empobrecimiento cuando se va desde un corazn rico hacia las fronteras del campo. En un caso como este, no es posible separar lo que es imputable a la geometra del campo y a la regionalizacin en realidad . Este tipo de fenmenos, fcilmente tomados en cuenta por la teora transitiva, son profundamente extranjeros a los esquemas intrnsecos, porque los incrementos no pueden de ninguna manera ser considerados como estacionarios. Por el contrario, en el caso en que las fronteras del campo V no ejercen influencia particular sobre el aspecto de la regionalizacin, y donde todo sucede como si V estuviera cortado arbitrariamente en el seno de una regionalizacin homognea, la cual podra continuar, sin cambiar de naturaleza, ms all de las fronteras, la dependencia del covariograma g(h) con respecto a la geometra de V aparece como artificial y esconde una realidad ms simple. En caso semejante, tendremos todo el inters de recurrir a la teora intrnseca, es decir a interpretar la regionalizacin real como una realizacin de un esquema intrnseco, limitado arbitrariamente a las fronteras del campo V. La funcin intrnseca (h) permite entonces expresar, independientemente de cualquier interferencia geomtrica, las caractersticas de la regionalizacin en realidad . La relacin entre los dos modos de representacin intrnseca y transitiva debe, en este caso, expresarse con la ayuda de una frmula que proporcione el valor probable E[g(h)] del covariograma transitivo, en funcin de la ley de distribucin intrnseca (h). Para establecer esta relacin, consideremos un esquema intrnseco, caracterizado por una . Si f(x) funcin (h), y un volumen V definido por una variable geomtrica K = k * k es una realizacin del esquema, el producto k(x)f(x) constituye una realizacin limitada al campo V, luego es susceptible de una representacin transitiva: sea entonces g(h) su covariograma transitivo: (VIII, 5, 1)

k ) g (h) = f ( x) f ( x + h)k ( x)k ( x + h)dx = ( f k ) *( f

Relativamente a un esquema intrnseco, este g(h) debe ser considerado como una integral estocstica (con la reserva que logremos darle un sentido). Anlogamente, las medias m(h) y m(-h) de f(x) en las intersecciones de V y de sus trasladados por la traslaciones +h y -h, definidas segn (V, 3, 22) por las relaciones:

139

(VIII, 5, 2)

1 m(h) = K (h) k ( x) f ( x)k ( x h)dx = ( f k ) * k k ) * k m( h) = 1 k ( x) f ( x)k ( x + h)dx = ( f K ( h )

Son, igualmente, integrales estocsticas. Observamos inmediatamente que las diferencias:

1 [m(h) m( h)] y m(0) (m(h) + m( h)) 2


Son integrales estocsticas de incrementos de la funcin f(x). Tienen entonces una varianza finita y por consiguiente, poseen siempre un sentido preciso. En ausencia de deriva lineal, es decir si E[f(x + h) f(x)] = 0, estas dos diferencias tienen valores probables nulos: E[m(h) m( h)] = 0 1 E m(0) 2 (m(h) + m( h)) = 0

(VIII, 5, 3)

Si comparamos con (V, 3, 4) y con (V, 4, 8), vemos que estas relaciones expresan, en valor probable, la independencia de la variable transitiva k(x)f(x) y su campo geomtrico V, a la vez, en el sentido de la ausencia de correlacin diferida y en el sentido de la independencia interna. En presencia de una deriva lineal, solo permanece la independencia interna. El hecho que estas diferentes independencias solo estn aseguradas en valor probable est ligado solamente a la naturaleza estocstica de la teora intrnseca. Designaremos por S2(h) y S2(-h) las varianzas locales de la variable puntual f(x) en las intersecciones de V y de sus trasladados por +h y -h, es decir:

(VIII, 5, 4)

1 2 2 S (h) = K (h) k ( x)k ( x h)[ f ( x) m(h)] dx S 2 ( h) = 1 k ( x)k ( x + h)[ f ( x) m( h)]2 dx K ( h )

S2(h) y S2(-h) son integrales estocsticas, cuyo valor probable es igual a la varianza 2(h) de la variable en la interseccin de V y de su traslacin por h, varianza definida en el prrafo anterior, y dada por una frmula anloga a (VIII, 4, 2): (VIII, 5, 5) E[ S 2 (h)] = E[ S 2 ( h)] = 2 (h) = 1 [ K (h)]2

k ( x)k ( x + h)k ( x ')k ( x '+ h) ( x x ')dxdx '

Anlogamente, designaremos por V(h) al semi-variograma local :

140

(VIII, 5, 6)

V ( h) =

1 [ f ( x + h) f ( x)]2 k ( x)k ( x + h)dx 2 K ( h)

el cual se podra construir experimentalmente si se conocieran todos los valores tomados por la variable regionalizada f(x) en su campo V. Relativamente al esquema intrnseco, V(h) aparece como una variable aleatoria, cuyo valor probable es naturalmente igual a la verdadera funcin intrnseca (h) , es decir: (VIII, 5, 7) E[ V(h) ] = (h)

Pero, considerando la expresin (VIII, 5, 1) del covariograma transitivo g(h), se puede poner tambin (VIII, 5, 6) en la forma:

V ( h) =

1 g ( h) k ( x)k ( x + h)[ f 2 ( x) + f 2 ( x + h)]dx 2 K ( h) K (h)

Introduciendo las varianzas locales S2(h) y S2(-h) definidas en (VIII, 5, 4), se obtiene la relacin siguiente, que es una relacin entre variables aleatorias: (VIII, 5, 8)

V (h) = [ S 2 (h) + S 2 ( h)] +

1 2

m 2 ( h) + m 2 ( h ) g ( h) 2 K ( h)

El primer miembro tiene un valor probable igual a la funcin intrnseca (h) , segn (VIII, 5, 7). Lo mismo sucede con el segundo miembro, de donde se obtiene, al considerar (VIII, 5, 5): (VIII, 5, 9) m 2 ( h) + m 2 ( h) g ( h) ( h) = ( h) + E 2 K ( h)
2

Esta relacin entre (h) y el valor probable de la expresin entre parntesis, donde figura el covariograma transitivo g(h), responde, en principio a la pregunta formulada en este prrafo. Sin embargo, en las aplicaciones, se prefiere utilizar la media general m = m(0) de f(x) en V, en vez de las medias parciales m(h) y m(-h), que es necesario calcular para cada valor de h. Mediante hiptesis suplementarias que no examinaremos aqu, pero que se pueden suponer vlidas para las aplicaciones, se establece entre los valores probables de m2 y de m2(h) la relacin siguiente: E[m2(h) - m2] = 2(0|V) - 2(h) El segundo miembro es igual a la varianza en V de la interseccin de V y de su traslacin por h, esta varianza est definida en el sentido del prrafo anterior. Al considerar esta relacin suplementaria, (VIII, 5, 9) se puede poner en la forma:

141

(VIII, 5, 10)

(h) = 2 (0 | V ) + E m 2

g ( h) K ( h)

Esta es la frmula que se utilizar en la prctica, lo ms a menudo, para pasar de transitivo a intrnseco, o recprocamente.

_______________

142

CAPITULO NOVENO

TEORIA INTRINSECA PARA LAS CORREGIONALIZACIONES


SUMARIO

Este captulo, corto y fcil, extiende a las corregionalizaciones los resultados del captulo anterior. El prrafo 1 define la matriz de codispersin intrnseca i j(h) y examina sus propiedades. El prrafo 2 define, para las variables con soporte no puntual, la nocin de covarianza de coextensin y la nocin de covarianza en un campo V. El prrafo 3 examina la independencia intrnseca, y sus relaciones con la independencia interna de las representaciones transitivas, y estudia rpidamente el caso en el cual existe una correlacin intrnseca.

1. - Matriz de codispersin intrnseca.


La teora intrnseca de las corregionalizaciones es una generalizacin natural del captulo precedente al caso en el cual se tienen simultneamente varios esquemas intrnsecos f1(x), f2(x), ... , y aparece al mismo tiempo como una transposicin en trminos estocsticos de la representacin transitiva de las corregionalizaciones estudiadas en el captulo V. La teora estocstica es menos general que la representacin transitiva, porque sta postula el carcter intrnseco de la corregionalizacin, luego, la independencia de la variable con respecto a su campo geomtrico. Pero, en revancha, la teora intrnseca permite un estudio ms fino y ms profundo de las correlaciones de las diversas variables entre ellas, debido a que esta teora ha tenido xito en hacer abstraccin de cualquier interferencia con la geometra del campo.

Definicin. - Un esquema intrnseco con varias componentes fi(x) es un proceso estocstico con varias componentes y con incrementos estacionarios. Dicho de otra forma, al designar por:
(IX, 1, 1) i (x x) = fi(x) fi(x)

a un incremento de la componente fi , las leyes de distribucin: F [i1(x1 x1), i2(x2 x2) . . . ; x1, x1, x2, x2 . . .] de un nmero cualquiera de incrementos tomados, para los ndices i2 i2 . . . arbitrarios, sobre los puntos cualesquiera x1x1x2x2 . . . son invariantes para toda traslacin de

143 conjunto de estos puntos, y no son modificados por el conocimiento de un valor numrico tomado por cada una de las componentes. Los momentos de los incrementos se definen sin dificultad. Son ellos mismos estacionarios. Lo ms a menudo, solo intervendrn los momentos de orden 1 y 2, de manera que los resultados obtenidos seguirn siendo vlidos en el caso en que el esquema posee solamente el carcter estacionario de orden 2. Los momentos de orden 1, E[fi(x + h) fi(x)] ponen en evidencia la existencia de un gradiente de deriva lineal Di para cada componente fi. Supondremos, exactamente como en el captulo precedente, que estos diferentes gradientes son todos nulos, si no es as, hay que reemplazar fi por fi(x) xDi.

Momentos de orden 2. - Para introducir cmodamente los momentos de orden dos, consideremos una combinacin lineal de funciones fi con coeficientes i arbitrarios:
(IX, 1, 2) f ( x; i ) = i fi ( x)
i

Segn la definicin misma de esquema intrnseco con varias componentes, cada una de estas combinaciones lineales engendra elle misma un esquema intrnseco con una sola componente, al cual se aplican los resultados del captulo anterior. En particular, se le asocia una ley de dispersin intrnseca, definida con la notacin (IX, 1, 1) de los incrementos, por:

(h; i ) = D 2 i i (h) 2

Es decir: (IX, 1, 3) Es natural poner: (IX, 1, 4)

(h, i ) =

1 i j E[ i (h) j (h)] 2 ij

i j (h) = E[ i (h) j (h)] = E{[ f i ( x + h) fi ( x)][ f j ( x + h) f j ( x)]}

1 2

1 2

En el caso i = j , el trmino ii(h) = i(h) no es otra cosa que la funcin intrnseca de fi(x). El trmino i j(h) ser, en el caso general, llamado funcin de codispersin intrnseca de las variables fi y fj, y el conjunto de los i j(h) constituye la matriz de codispersin intrnseca.

Propiedades de i j(h) . - A cada propiedad de una funcin intrnseca (h) le debe corresponder una propiedad de la funcin de codispersin ij(h), la cual puede ser puesta en evidencia al escribir que el (h; i) de la ecuacin (IX, 1, 3) verifica, cualesquiera que sean los coeficientes i, la propiedad del (h).

144 As, por ejemplo, todo (h) debe ser positivo. Por consiguiente, para toda combinacin lineal limitada a dos trminos ifi + jfj, la forma cuadrtica:

i2 i (h) + 2i j i j (h) + j2 j (h)


Debe ser positiva, de donde resulta la desigualdad de Schwarz: (IX, 1, 5)

| i j (h) | i (h) j (h)

Esta desigualdad permite definir un coeficiente de codispersin: (IX, 1, 6) Ri j (h) =

i j ( h) i (h) j (h)

Necesariamente comprendido entre -1 y + 1 , y el cual es igual al coeficiente de correlacin de los incrementos: fi(x + h) - fi(x) y fj(x +h) - fj(x)

Anlogamente, a partir de la relacin (VIII, 1, 9), se puede ver que la funcin de codispersin intrnseca ij(h) permite el clculo de la covarianza de un incremento cualquiera de fi y de un incremento cualquiera de fj. Apliquemos, en efecto, (VIII, 1, 9) a la covarianza de los dos incrementos f(x; i) - f(x; i) y f(y; i) - f(y; i) . Al considerar (IX, 1, 2) y (IX, 1, 3), se obtiene:

E[ ( x ' x)
i j i ij ij

( y ' y )

= i j [ i j ( y ' x) + i j ( y x ') i j ( y x) i j ( y ' x ')]


De donde, por identificacin en i: E{[ fi ( x ') fi ( x)][ f j ( y ') f j ( y )]} = i j ( y ' x) + i j ( y x ') i j ( y x) i j ( y ' x ') As, la matriz de codispersin permite determinar todos los momentos de orden 2.

2. - Variables no puntuales y covarianza de coextensin.


El procedimiento que consiste en extender a i j(h) una propiedad de los (h, i) de la frmula (IX, 1, 3) permite definir inmediatamente las covarianzas de coextensin. Sean dos funciones de ponderacin p1(x) y p2(x), de suma unidad:

145

p ( x)dx = p ( x)dx = 1
1 2

Consideremos las variables aleatorias: Yi = p1 ( x) f i ( x)dx Z i = p2 ( x) f i ( x)dx Y = Y i i i Z = i Z i i La varianza de extensin de Y a Z se pone en la forma:

D 2 (Y Z ) = [ p1 ( x) p2 ( x)][ p1 ( y ) p2 ( y )] ( x y )dxdy
Basta con identificar los trminos en i j para obtener la covarianza de coextensin de (Yi Zi ) y (Yj Zj ): E[(Yi Z i )(Y j Z j )] = [ p1 ( x) p2 ( x)][ p1 ( y ) p2 ( y )] i j ( x y )dxdy

(IX, 2, 1)

En particular, tomemos para Ti y Zi las medias estocsticas de fi en los dos volmenes V y V: 1 Yi = V fi ( x)dx V Z = 1 f ( x)dx i ' i V 'V En este caso, la frmula general (IX, 2, 1) toma la forma: E[(Y Z )(Y Z )] i i j j 1 2 i j ( x y )dxdy 2 i j ( x y )dxdy = V VV VV ' V V ' 1 2 i j ( x y )dxdy V ' V 'V '

(IX, 2, 2)

146 La cual representa la covarianza de los errores Yi Zi y Yj Zj cometidos al extender al volumen V las leyes medias del volumen V en fi y en fj. En el caso particular en que i = j, se encuentran, naturalmente, las varianzas de extensin habituales. Tambin, de nuevo, se definir la covarianza en un campo V de las dos variables Yi y Yj de igual soporte no puntual v: 1 Yi = v fi ( x)dx v Y = 1 f ( x)dx j j v v Al aplicar los resultados del prrafo (VIII, 4) a la combinacin lineal iYi e identificando los trminos en ij. De la misma manera que en el prrafo precedente, cuando el soporte no es puntual, esta definicin es verdaderamente clara en el caso en que existe una particin de V por volmenes v iguales y trasladados, unos de otros, o tambin si v es pequeo respecto de V. Se obtiene, en los dos casos, la covarianza i j(v|V) en la forma siguiente, la cual generaliza (VIII, 4, 4): (IX, 2, 3)

i j (v | V ) =

1 1 ( x y )dxdy 2 2 ij V VV v


v v

ij

( x y )dxdy

Se deduce inmediatamente la relacin de aditividad: (IX, 2, 4) i j(v|V) = i j(v|V) + i j(V|V)

La cual permite adoptar, en todos los casos, la frmula (IX, 2, 3) como definicin convencional de la covarianza de las variables Yi y Yj de igual soporte v en un volumen V cualquiera.

3. - La independencia intrnseca.
Por definicin, diremos que las dos variables puntuales fi(x) y fj(x) son intrnsecamente independientes si su funcin de codispersin intrnseca i j(h) es idnticamente nula: (IX, 3, 1) i j(h) 0

Esta condicin expresa simplemente que los incrementos: [fi(x + h) - fi(x)] y [fj(x + h) - fj(x)] Entonces resulta

tienen un coeficiente de correlacin nulo cualquiera que sea h. inmediatamente de (IX, 1, 7) que dos incrementos cualesquiera

147 [fi(x) - fi(x)] y [fj(y) - fj(y)]

Tienen tambin una correlacin nula, cualesquiera que sean los cuatro puntos x, x, y, y. Anlogamente, toda covarianza de extensin del tipo (IX, 2, 1) o (IX, 2, 2), es igual a cero, y esto significa que todas las estimaciones de los valores medios de fi y de fj en volmenes cualesquiera se deben hacer siempre de manera independiente una de otra. Tambin la covarianza en un campo V introducida en (IX, 2, 4) es igualmente nula, de manera que las leyes en i y en j de una misma muestra v son siempre sin correlacin, cualesquiera que sean las caractersticas de v y de V.

Relacin con la independencia interna. - Supongamos que la condicin (IX, 3, 1) de independencia intrnseca se verifica. Van a resultar, en representaciones transitivas, propiedades particulares para la corregionalizacin k(x)fi(x) limitada arbitrariamente a un campo V de variable geomtrica k(x). Apliquemos, en primer lugar, la relacin (VIII, 5, 9) a la combinacin lineal ifi + jfj . Se hace aparecer, a la izquierda, la funcin de codispersin i j(h) y, a la derecha, el covariograma transitivo Ci j(h) definido en (V, 1, 5). Al identificar los trminos ij, se obtiene as:

i j ( h) = i j ( h) + E

mi (h)m j (h) + mi ( h)m j ( h) Ci j (h) 2 K ( h)

Pero segn (IX, 3, 1), i j(h) y la covarianza i j(h) de fi y fj en la interseccin de V con su trasladado por h son ambos nulos. Queda as: (IX, 3, 2) Ci j (h) mi (h)m j (h) + mi ( h)m j ( h) E =0 2 K ( h)

Se ve aparecer, expresada en valor probable, la condicin simetrizada (V, 4, 6) para que no exista correlacin diferida. De la misma manera, apliquemos la relacin (VIII, 5, 10) a la misma combinacin lineal ifi + jfj . Por identificacin de los trminos en ij , se obtiene:

i j (h) = i j (0 | V ) + E mi m j
Y, como aqu i j y i j(0|V) son nulas, queda: (IX, 3, 2) bis Ci j (h) E mi m j = 0 K ( h)

Ci j K ( h)

Al comparar con (V, 2, 7) se ve que esta relacin no es otra que la condicin de independencia interna, expresada en valor probable. As, la independencia intrnseca implica la independencia interna, y, salvo una deriva lineal, la ausencia de correlacin diferida, pero solamente en valor probable: El hecho que el

148 resultado e enuncie solamente en valor probable est naturalmente ligado a la naturaleza estocstica de la teora intrnseca.

Correlaciones intrnsecas. - En general, i j(h) no es idnticamente nulo, y las variables fi y fj estn ligadas por una dependencia intrnseca. La medida de su grado de dependencia est dada por la misma funcin i j(h) , o si se quiere, por el coeficiente de codispersin Ri j(h), definido en (IX, 1, 6), que es un coeficiente de correlacin entre incrementos, y no entre las mismas variables. Nos podemos interesar, en particular, en el lmite, si es que existe, de Ri j(h) cuando h tiende a cero. El coeficiente Ri j(h) presenta el carcter intrnseco, en el sentido de que no depende del campo geomtrico V en el cual se estudia la corregionalizacin. Pero, contrariamente a la funcin i j(h) misma, Ri j(h) no se generaliza de manera simple en el caso de variables con soporte no puntual. De la definicin (IX, 2, 3) de la covarianza i j(v|V) en el campo V de las variables i y j de soporte v , se puede deducir un coeficiente de correlacin:
(IX, 3, 3)

i j =

i j (v | V ) i2 (v | V ) 2 j (v | V )

Pero este coeficiente no tiene el carcter intrnseco, porque depende, en general, de una manera compleja, de la eleccin del campo geomtrico V. Segn el comportamiento en el infinito de i, j y i j , puede tender, cuando V llega a ser infinito, hacia un lmite particular, pero en general, este lmite depende de la manera en la cual se hace tender V hacia el infinito. Sin embargo, hay un caso notable en el cual el coeficiente i j presenta el carcter intrnseco. Es el caso en el cual las tres funciones i, j y i j son proporcionales a una misma funcin (h), es decir:

(IX, 3, 4)

i (h) = i (h) j (h) = j (h) i j (h) = i j (h)

En efecto, i j, 2i y 2j se calculan aplicando un mismo operador lineal a i, j y i j , de manera que (IX, 3, 3) proporciona aqu:

i j =

i j ( ) i ( ) j ( )

i j i j

Por otra parte, se verifica en este caso que i j es igual al coeficiente de codispersin Rij(h) de la ecuacin (IX, 1, 6). Los dos son constantes e iguales a: (IX, 3, 5)

i j = Ri j =

i j i j

149

Se habla, en este caso, de correlacin intrnseca. Por otra parte, solo se puede esperar observar una correlacin intrnseca entre variables de igual naturaleza, ligadas genticamente una a otra. En general, variables de naturaleza diferente (como por ejemplo en la industria minera, la potencia y la ley de una formacin) tienen funciones intrnsecas que no presentan el mismo comportamiento analtico en la vecindad del origen, de manera que las relaciones (IX, 3, 4) no se verifican luego las correlaciones no pueden ser intrnsecas.

__________

150

CAPITULO DECIMO

DISTRIBUCIONES ALEATORIAS Y TEORIA INTRINSECA PARA LAS DISTRIBUCIONES


SUMARIO

Este captulo, es un resumen de la teora de las distribuciones aleatorias y una exposicin de la teora intrnseca para las distribuciones. Al igual que el captulo III, no es necesario para la comprensin del resto de la obra. Sin embargo, el lector que no conoce la teora de las distribuciones encontrar, en el Anexo A, una exposicin sumaria de esta teora, la cual le permitir, si lo desea, de seguir la exposicin presente. El prrafo 1 define una distribucin aleatoria T por las leyes F[T(i)] o por la funcional caracterstica C() = E[exp iT()] , se define la transformada de Fourier = FT , examina los dos casos particulares de distribuciones estacionarias y con incrementos independientes, y define los momentos Mk como distribuciones de un espacio de nk dimensiones. El momento de orden 1 es la distribucin M tal que M() = E[T()]. El prrafo 2 estudia la covarianza K(xy), distribucin definida por: K[1(x) 2(y)] = E[T(1)T(2)] Para una distribucin aleatoria estacionaria de orden 2, K se reduce a una distribucin K(x) del espacio de n dimensiones la cual acta sobre los productos de convolucin 2 : K(x) es de tipo positivo. En el caso de incrementos sin correlacin, se tiene: 1 * K ( xy ) = ( y x) K ( x) . El prrafo 2 recuerda el teorema clsico, mediante el cual las distribuciones estacionarias de orden 2 y a incrementos sin correlacin se intercambian por transformacin de Fourier. Resulta un primer procedimiento que permite construir numricamente modelos de regionalizacin de covarianza K(h) dada. * T tiene por funcional caracterstica C(*) El prrafo 4 muestra que la regularizada = K * A . Cuando T tiene incrementos independientes y y por covarianza K * * densidad de varianza constante 2 , la regularizada tiene por covarianza 2A, de donde sale un segundo procedimiento de construccin de modelo numrico. En este caso, las leyes de distribucin de probabilidades se pueden determinar completamente con la ayuda de la funcional caracterstica misma, o por sus momentos. El prrafo 5 define la derivada DpT de una distribucin aleatoria T por su funcional caracterstica C[(-1)pDp] . Toda distribucin aleatoria es indefinidamente derivable. El momento de orden k de DpT es la derivada de orden kp de Mk. T 2 K tiene por covarianza 2 . En el caso estacionario de orden 2,

151 El prrafo 6 define las distribuciones aleatorias intrnsecas como distribuciones estacionarias que actan sobre las funciones de base de suma nula. Sus derivadas son estacionarias y actan sobre todas las funciones de base. El momento de orden 1 pone en evidencia una deriva lineal. La covarianza K es solamente de tipo positivo condicional (el producto de FK por cualquier forma cuadrtica definida positiva debe ser una medida positiva). Ejemplo de log(1 / r) y r para < 2. Las varianzas de extensin se expresan con la ayuda de una frmula nica que contiene, como caso particular, todas las frmulas del captulo VIII. Se examina, para terminar, el efecto de pepita.

1. - Definicin de las distribuciones aleatorias.


Con el propsito de extender a las distribuciones la teora de los esquemas intrnsecos, conviene en primer lugar, recordar la nocin de distribucin aleatoria generalizacin natural de la nocin de funcin aleatoria . En todo rigor, para probabilizar un espacio de distribuciones , definido como el conjunto de funcionales lineales continuas que actan sobre las funciones de base de un espacio dado, conviene definir en una -lgebra y una probabilidad, es decir una medida positiva cuya suma es la unidad, definida para esta -lgebra. Esta definicin, la nica rigurosa, conduce a especulaciones abstractas que no pueden encontrar lugar aqu. Nos contentaremos con la definicin siguiente, no rigurosa, pero pragmtica:

Definicin. - Sea un espacio de distribucin definido sobre un espacio de funciones de base , diremos que una distribucin T de est definida como distribucin aleatoria, si para todo conjunto de funciones de base i en nmero arbitrario k, los nmeros T(i) son variables aleatorias, cuya ley de distribucin de probabilidades F[T(1), T(2), ..., T(k)] es conocida. Estas funciones de distribucin de probabilidades F, cuyo conjunto define la distribucin aleatoria T no son cualesquiera. Les impondremos las dos condiciones siguientes: 1. - Para todas las funciones de base 1 . . . k , se tiene:
F [T (1 ),..., T ( k 1 ), ] = F [T (1 ),..., T ( k 1 )] F [T (1 ),..., T (k 1 ), ] = 0 2.- Si las funciones de base n convergen hacia una funcin de base , los T(n) convergen hacia T() en media cuadrtica. 1 k De esta ltima condicin resulta que cuando k sucesiones de funciones de base n ... n
i convergen hacia k funciones de base 1... k , la ley de los T ( n ) converge hacia la ley de i los T ( i ) , en el sentido de la convergencia en ley. Adems, si los T (n ) admiten momentos de orden 1 y 2, estos momentos convergen hacia los momentos correspondientes de los T ( i ) .

152

Funcional caracterstica.- De una manera ms sinttica, se obtiene una definicin equivalente a la anterior, al utilizar la funcional caracterstica C() que, a toda funcin de base , le asocia la esperanza matemtica de la exponencial e i T() :
(X, 1, 1) C() = E[e i T()]

Conocer C() es bien equivalente a conocer todas las leyes: F[T(1) . . . T(k)] En efecto, si todas las leyes F son conocidas, C() est bien determinada. Inversamente, si C() es conocida, ella permite encontrar todas las leyes F . En efecto, al tomar: = u 1 1 + u 2 2 + . . . + u k k Siendo 1 . . . k funciones de base cualesquiera, la funcin as definida pertenece a , y por consiguiente C() es conocida. Como se tiene: (X, 1, 2) C() = E{exp[i u1T(1) + . . . + i ukT(k)]}

C() no es otra cosa que la funcin caracterstica de la ley de distribucin de probabilidades F[T(1) . . . T(k)]. La condicin de continuidad 2. - implica que la funcional caracterstica C() es continua, es decir que C(i) converge hacia C() cuando i converge hacia en el sentido de la convergencia utilizada en . La funcional caracterstica permite tambin definir de manera cmoda un conjunto de distribuciones aleatorias T1, T2, . . . , Tp no independientes. Se toma, en este caso: (X, 1, 3) C(1, 2, . . . , p) = E{exp i [T1(1) + . . . + Tp(p)]}

Transformada de Fourier. - A menudo, tomaremos como espacio el espacio de las distribuciones temperadas, definidas sobre funciones de base indefinidamente derivables las cuales decrecen rpidamente en el infinito adems de todas sus derivadas, es decir el espacio . Sin embargo, a veces, nos limitaremos al espacio de las medidas con crecimiento lento, de manera de poder utilizar, entre las funciones de base, las funciones caractersticas (conjuntistas) de conjuntos borelianos v acotados, es decir las funciones de muestreo que describen la toma de muestras v . En todos los casos, sean distribuciones temperadas, sean medidas con crecimiento lento, la transformacin de Fourier ser posible. Sean una funcin de base de , y = F , su transformada de Fourier, que es tambin una funcin de . La transformada:
= FT De una distribucin T est definida por: ( ) = T( )

153 Si T es una distribucin aleatoria, su transformada de Fourier est igualmente definida, como una distribucin aleatoria, por su funcional caracterstica (), la cual se deduce de la funcional caracterstica C() de T por: (X, 1, 4) ( ) = C ( ) = F ( )

Distribucin aleatoria estacionaria. - Se dice que una distribucin aleatoria T es estacionaria si todas las leyes F quedan invariantes por una traslacin que afecta simultneamente a las funciones 1, . . . , k (es decir cuando se reemplazan los j(x) por j(x h), siendo h un vector cualquiera). Se puede tambin considerar la traslacin recproca -h que afecta a la distribucin T:
-h * T [ (x) ] = T [ h * ] = T [ (x h) ] Y decir que los -h * T ( j ) tienen la misma ley de distribucin de probabilidades que los T( j ). La misma definicin se escribe, con la ayuda de la funcional caracterstica: (X, 1, 5) C( h * ) = C( )

Distribucin aleatoria con incrementos independientes. - Se dir que una distribucin aleatoria T tiene incrementos independientes si, para todo conjunto de funciones de base i con soportes Vi disjuntos, es decir tal que:
Vi Vj = para i j Las variables T(i) son mutuamente independientes, lo que se escribe en las dos formas equivalentes siguientes: (X, 1, 6) F [T (1 )T ( 2 )...T ( k )] = F [T (1 )]F [T ( 2 )]...F [T ( k )] C (1 + 2 + ... + k ) = C (1 )C ( 2 )...C ( k )

Si T es una medida aleatoria, se pueden tomar como i las funciones caractersticas (conjuntistas), o funciones de muestreo de conjuntos borelianos disjuntos Vi . Entonces, las cantidades de metal Qi = T(i) aportadas por muestras disjuntas Vi son variables aleatorias independientes.

Los Momentos. - Supongamos que, para k funciones de base cualesquiera, el momento:


(X, 1, 7) Mk(12 . . . k) = E[T(1)T(2) . . . T(k)]

Existe siempre. Se dir que la distribucin aleatoria T admite un momento de orden k. El momento de orden k define una funcional la cual acta sobre un conjunto de k funciones de base 12 . . . k , funcional que por otra parte es lineal y continuo para k 2 , segn la

154 condicin de continuidad 2.- impuesta a las leyes F. En el espacio de kn dimensiones, producto topolgico de k espacios de n dimensiones X1, X2, . . . , Xk , les corresponde una funcional lineal y continua, la cual acta sobre las funciones de la forma: 1(x1)2(x2) . . . k(xk) Aqu xi designa un punto del espacio de n dimensiones Xi . Se demuestra que se puede entonces definir la accin de Mk sobre una funcin de base cualquiera (x1, x2 . . . xk) de este espacio de nk dimensiones, de manera que Mk constituye una distribucin del espacio de nk dimensiones (por lo menos para k 2). El momento de orden 1, M1, que se escribir simplemente M , es, en particular, una distribucin del espacio de n dimensiones, y acta sobre cualquier funcin de base segn la frmula: (X, 1, 8) En todo lo que sigue supondremos: (X, 1, 9) M = 0 M() = E[T()]

Es siempre posible, en efecto, reducirse a este caso al reemplazar la distribucin aleatoria T por T M.

2.- La distribucin de covarianza.


El momento de orden 2, como lo hemos visto, define una distribucin M2 del espacio de 2n dimensiones, distribucin que escribiremos K o bien K(x, y), x e y representan dos puntos del espacio de n dimensiones. K(xy) se llama distribucin de covarianza. Esta distribucin acta sobre el producto 1(x)2(y) de dos funciones de base 1 y 2 segn la frmula: (X, 2, 1) K[ 1( x )2( y ) ] = E[ T(1 )T(2 ) ]

Al considerar (X, 1, 9), se ve que se trata, efectivamente, de la covarianza de las variables aleatorias T(1 ) y T(2 ). En particular, al tomar 1 = 2 = , se obtiene la varianza de T() en la forma: (X, 2, 2) D2T [( )] = K[ (x) (y) ]

Vamos a examinar ms en detalle los casos particulares de distribuciones aleatorias estacionarias y con incrementos independientes.

Distribucin aleatoria estacionaria de orden 2 . - Si T es una distribucin aleatoria estacionaria, su momento de orden 1, M1, es una simple constante, que supondremos igual a 0 conforme a (X, 1, 9). Su covarianza K debe ser invariante para toda traslacin h, lo cual se escribe:

155

h(x)h(y) * K(x, y) = K(x, y) O en una forma explcita: (X, 2, 3) K[ 1(x + h) 2(y + h) ] = K[ 1(x) 2(y) ]

Inversamente, una distribucin aleatoria T cuyo momento M1 es una constante y cuya covarianza verifica (X, 2, 3) se llamar estacionaria de orden 2. En general, no ser estacionaria en sentido estricto, porque (X, 1, 5) no es una consecuencia de (X, 2, 3). En la mayora de las aplicaciones, nos contentamos con el carcter estacionario de orden 2. Si K(x, y) es una funcin ordinaria, (X, 2, 3) se escribe:

K ( x, y) ( x) ( y)dxdy = K ( x, y) ( x + h) ( y + h)dxdy
1 2 1 2

Y se deduce inmediatamente la relacin: K (x - h, y - h) = K(x, y) Que muestra que K(x, y) es de la forma K(x y). Dicho de otra manera, existe una funcin K(h), del espacio de n dimensiones, tal que se tiene:

K ( x, y) ( x) ( y)dxdy = K (h) ( x + h) ( x)dxdh


1 2 1 2

Al integrar primero en x, se hace aparecer el producto de convolucin:

2 = 1 ( x) 2 ( x h)dx = 1 ( x + h) 2 ( x)dx 1 *
As, en notacin de distribucin, se tiene: 2 ] = K (h)[ 1 * 2 ] K ( x, y )[1 ( x) 2 ( y )] = K (h)[1 * La segunda igualdad se obtiene al cambiar 1 y 2, y muestra que K es par: K( h ) = K( - h ) Si K(x, y) es una distribucin, la relacin (X, 2, 3) muestra que K(x, y) acta de la misma manera sobre dos funciones de base 1 y 2 que sobre sus trasladados -h* 1 y -h* 2. Como se tiene: 2 = h * h *1 * 2 = 1 * 2 h *1 * h * Se ve que a K(x, y) le corresponde una funcional K(h) del espacio de n dimensiones, la cual acta sobre las funciones de la forma 1*2, funcional que es, por otra parte, bilineal:

156

j] K i ji * j = i j K [ j *
Y continua, segn la condicin de continuidad impuesta a las leyes F. As K(h) es una distribucin del espacio de n dimensiones, definida por: (X, 2, 4) 2 ] = K ( xy )[1 ( x)2 ( y )] K (h)[1 *

Esta distribucin K(h) ser de nuevo llamada covarianza de la distribucin T estacionaria de orden 2. K(h) es obligatoriamente par y de tipo positivo, porque: (X, 2, 5) ] = D 2 [T ( )] 0 K [ *

Segn el teorema de Bochner (Anexo A, 9, 2), para que K sea una distribucin de tipo positivo, es necesario y suficiente que su transformada de Fourier sea una medida positiva. Por otra parte se tiene, al designar por = F la transformada de :

] = [ ] = [| |2 ] D 2 [T ( )] = K [ *
Si la medida es sumable, K es una funcin continua de tipo positivo, y la varianza K(0) tiene un valor finito, igual a la suma de . Si no es sumable, la distribucin K no puede ser una funcin continua.

Distribuciones aleatorias con incrementos sin correlacin. - Si T es una distribucin aleatoria con incrementos independientes, en el sentido de la relacin (X, 1, 6), y si su momento de orden 1 es nulo, se tiene, para dos funciones de base 1 y 2 con soportes disjuntos:
(X, 2, 6) K( xy ) [1(x) 2(y)] = E[T(1) T(2)] = 0

Inversamente, si (X, 2, 6) se verifica, se dir que T es una distribucin aleatoria con incrementos sin correlacin. En general, no se podr afirmar que los incrementos son independientes, porque (X, 1, 6) no es una consecuencia de (X, 2, 6). En la mayora de las aplicaciones nos conformaremos con la ausencia de correlacin entre los incrementos. Examinemos como se presenta la distribucin de covarianza K(x, y) cuando (X, 2, 6) se verifica. Cuando los soportes de 1 y de 2 son disjuntos en el espacio de n dimensiones, el soporte del producto 1(x)2(y) , en el espacio de 2n dimensiones de los (x, y) tiene una interseccin nula con el hiperplano bisector x = y. Como los productos 1(x)2(y) y sus combinaciones lineales son densos en todas partes del espacio de las funciones de base (x, y), se ve que K[(x, y)] es nulo para toda funcin de base cuyo soporte no corta el hiperplano bisector x = y , y, por consiguiente, la distribucin K(x, y) tiene su soporte contenido en este hiperplano. Existe entonces una distribucin K(x), del espacio de n dimensiones, tal que se tiene, para dos funciones de base 1 y 2 cualesquiera:

157 (X, 2, 7) K(x, y) [ 1( x ) 2( y )] = K(x) [ 1( x ) 2( y )]

En el caso particular en el cual 1 y 2 tienen sus soportes disjuntos, se tiene: 1(x)2(y) 0 y se encuentra bien, de nuevo (X, 2, 6). Se puede escribir tambin, simblicamente, con la ayuda de la medida de Dirac, (y x): (X, 2, 8) K(x, y) = (y x) K(x)

Esta distribucin K(x), que acta sobre el producto 1(x)2(x) en el espacio de n dimensiones como K(x, y) sobre 1(x)2(y) en el espacio de 2n dimensiones puede ser llamada densidad de varianza. Es una medida positiva. En efecto, la varianza de T(), obligatoriamente positiva, est dada por: (X, 2, 9) D2[T()] = K(2) > 0

De donde resulta que K(x) es una distribucin positiva, es decir, como se sabe, obligatoriamente una medida positiva. K(x) acta, en particular, sobre las funciones caractersticas (conjuntistas), o funciones de muestreo p(x) de los conjuntos, o muestras, borelianas v. La varianza de la cantidad de metal Q = T(p) contenida en la muestra v est dada, porque p2 = p, por: (X, 2, 10) D 2 (Q) = K ( x) = dK ( x)
v

Es igual a la suma en v de la medida K, que juega bien as el papel de una densidad de varianza.

3. - Anlisis armnico de una distribucin estacionaria de orden 2.


Un teorema clsico demuestra que las distribuciones aleatorias estacionarias de orden 2 y con incrementos sin correlacin se intercambian recprocamente en la transformacin de Fourier. Una distribucin aleatoria T temperada cualquiera tiene una transformada de Fourier definida por: T ( ) = ( ) = F ( ) De manera que los T() y los () tienen misma ley de distribucin de probabilidades. Sean K(x, y) y (u, v) las distribuciones de covarianza de T y de , definidas en los espacios con 2n dimensiones de los (x, y) y de los (u, v) respectivamente. Como los T() y los () tienen la misma ley de distribucin de probabilidades, se tiene:

158 C (u , v)[ 1 (u ) 2 (u )] = K ( x, y )[1 ( x) 2 ( y )] 1 = F1 2 = F 2

(X, 3, 1)

Pero, en el espacio de 2n dimensiones, 1(u)2(v) es la transformada de Fourier de 1(x)2(y). La ecuacin (X, 3, 1) significa entonces, por definicin, que es la transformada de Fourier de K (en el espacio de 2n dimensiones). (X, 3, 2) ( u, v ) = F K( x, y )

Supongamos ahora que T sea estacionaria de orden 2. Existe entonces una distribucin 2 o 1 * 2 como K(x, y) sobre K(x) en n dimensiones, la cual acta sobre 1 * 1(x)2(y): (X, 3, 3) 2 ] = K ( x, y )[1 ( x)2 ( y )] K ( x)[1 *

Sea (u) = FK(x) la transformada de esta distribucin K(x). Por definicin, 1(u) y 2(u) son las transformadas de 1(x) y 2(x), y considerando la propiedad de los productos de convolucin y de las transpuestas: 2 = 1 (u ) 2 (u ) = 1 2 F1 * Se obtiene la igualdad: (X, 3, 4) 2 ] = K ( x)[1 2 ] (u )[ 1

Basta entonces con comparar (X, 3, 1), (X, 3, 3) y (X, 3, 4) para obtener: (X, 3, 5) ( u, v )[ 1(u)2(v) ] = (u) [ 1(u)2(-u) ]

As, la distribucin de covarianza ( u, v ) de 2n dimensiones de la distribucin aleatoria = FT se pone en la forma: (X, 3, 6) ( u, v ) = (u + v) (u)

En que la distribucin (u) es la transformada de Fourier de la covarianza K(x) de la distribucin T aleatoria estacionaria de orden 2. Basta con comparar con (X, 2, 8) para constatar que (u v) es la covarianza de una distribucin aleatoria con incrementos sin correlacin. La distribucin misma - debido a este cambio de v en -v no es, sin embargo, hablando en sentido estricto, con incrementos sin correlacin. Para examinar sus propiedades, nos limitaremos al caso en que T y las funciones de base son reales. La transformada = F de una funcin real es de la forma: (X, 3, 7) = S + i

159

En que S es real y par y es real e impar. Solo haremos actuar sobre = FT funciones de base de esta forma. La distribucin misma ser descompuesta en una parte par y una parte impar, es decir: = S i 1 S = ( + ) 2 i = ( ) 2

(X, 3, 8)

Se tiene inmediatamente: (X, 3, 9) S ( ) = ( S ) = S ( S ) ( ) = ( ) = i ( )

As, siendo T real, S y dos distribuciones reales, una par, la otra impar, actuando sobre las funciones de base reales S y pares e impares respectivamente. Relativamente a estas funciones de base, S y son las dos con incrementos sin correlacin. Se deduce, en efecto, de (X, 3, 9) y de (X, 3, 5), las secuencias de igualdades: E[ S ( S ) S (S )] = E[ ( S ) (S )] = (u )[ S (u )S (u )] = (u )[ S S ] E[ ( ) ( )] = E[ ( ) ( )] = (u )[ (u ) (u )] = (u )[ ] S, S y , son funciones de base reales, pares para los ndices S e impares para los ndices . Basta con comparar con (X, 2, 7) para ver que S y tienen efectivamente incrementos sin correlacin y que tienen la misma densidad de varianza que (u). Adems estn desprovistas de correlacin mutua. En efecto, se tiene, al utilizar las mismas relaciones, la secuencia de igualdades: E[ S ( ) ( )] = E[ ( S ) ( )] = (u )[ S (u ) (u )] = 0 El resultado final es nulo porque la distribucin par (u) , la cual acta sobre el producto S(u)(-u) , que es una funcin impar, da necesariamente 0. Resumamos los resultados obtenidos: La transformada de Fourier de una distribucin aleatoria real T estacionaria de orden 2, de covarianza K(x) se pone en la forma: = S - i Siendo S y dos distribuciones reales, una par y la otra impar, actuando respectivamente sobre funciones de base reales pares e impares. S y son ambas con

160 incrementos sin correlacin y estn desprovistas de correlacin mutua, admitiendo una misma densidad de varianza (u), transformada de Fourier de la covarianza K(x) de T. Inversamente, se ve que es posible construir una regionalizacin, considerada como una realizacin de una distribucin estacionaria de orden 2 de covarianza K(x) dada de antemano, al construir (lo que es fcil porque solo intervienen sorteos al azar independientes) dos realizaciones de las distribuciones pares e impares S y independientes y a incrementos sin correlacin admitiendo como densidad de varianza la transformada de K(x). Basta con tomar la imagen inversa para obtener una realizacin de T, es decir, en escritura simblica: (X, 3, 10)

T ( x) = cos 2 (ux) S (u )du + sen 2 (ux) (u )du

Esta escritura es siempre simblica, y debe ser tomada en el sentido de las distribuciones, porque S y no sern nunca funciones ordinarias (T, estacionaria, no puede ser sumable).

4. - Regularizacin de una distribucin estacionaria con incrementos independientes.


* T por una funcin o una Si T es una distribucin aleatoria cualquiera, su regularizada distribucin (no aleatoria) con soporte acotado acta sobre una funcin de base segn la relacin:

* T ( ) = ( x)T ( y ) ( x + y )dxdy = T ( * )
* es bien una funcin de base, segn las propiedades de la convolucin. Se puede * T como la distribucin que acta sobre de la misma manera que T entonces definir * T est definida por su funcional sobre *. Siendo una distribucin aleatoria, caracterstica C() que se deduce de la funcional caracterstica C() por la relacin: (X, 4, 1) C( ) = C( * )

Supongamos ahora que T sea estacionaria (o solamente estacionaria de orden 2) y admite * T es tambin estacionaria, y admite una una covarianza K(x). Resulta de (X, 4, 1) que distribucin K de covarianza tal que: 2 ) = K ( *1 * * 2 ) = * * K (1 * 2 ) K (1 * Introduzcamos el covariograma transitivo (funcin o distribucin): A = * Asociado a la regularizante . Se obtiene: (X, 4, 2) K = K * A

161

As, las covarianzas se regularizan por los covariogramas transitivos de las regularizantes. Un caso particular 26 importante es aquel en que T es a la vez estacionario y con incrementos independientes. Su covarianza K(x), que es al mismo tiempo una densidad de varianza es entonces proporcional, como se ve fcilmente, a la medida de Dirac (x), con un coeficiente de proporcionalidad 2 obligatoriamente positivo: (X, 4, 3) K( x ) = 2 (x)

* T es estacionaria y tiene por covarianza la Entonces, segn (X, 4, 2), la regularizada distribucin: (X, 4, 4) K = 2A

Proporcional al covariograma transitivo de la regularizante. Inversamente, esta relacin permite construir modelos de regionalizacin, que pueden ser considerados como realizaciones de una funcin o de una distribucin aleatoria de covarianza 2A impuesta de antemano. Si se sabe encontrar una solucin de la ecuacin: =A * (Lo cual es siempre posible con la ayuda de la transformacin de Fourier, porque, se tiene, por ejemplo, = F FA ), basta con regularizar por una distribucin con incrementos independientes y densidad de varianza constante 2 . En particular, si se toma una medida con incrementos independientes y una densidad de varianza unidad, las cantidades de metal contenidas en los volmenes V de covariograma geomtrico K(h) constituyen una realizacin de una funcin aleatoria de covarianza K(h) idntica al covariograma geomtrico de V. Al tomar las cantidades de metal contenidas en esferas de dimetro unidad, se obtiene como covarianza la funcin, definida en (II, 5, 4), que representa el volumen de la interseccin de dos esferas de dimetro unidad cuyos centros estn a la distancia r 27: 2 n 2 21 n 2 1 1 n 3 2 K n (r ) = F , , ,r r 1+ n 1+ n 2 2 2 2 2
n n 1

Leyes de distribucin de probabilidades. - La elacin (X, 4, 1) permite determinar las leyes de distribucin de probabilidades de las funciones aleatorias as obtenidas, y no solamente su covarianza. Esta posibilidad es a veces til en las aplicaciones. Limitmonos al caso en que T es una medida aleatoria estacionaria con incrementos independientes y con densidad de varianza constante 2. La cantidad de metal:
Este caso corresponde, en nuestra terminologa, a un efecto de pepita al estado puro. Nota del Traductor: Lo que aqu se plantea es la simulacin no condicional de una variable regionalizada. Si n = 3, se puede simular el modelo esfrico.
27 26

162

q (v) = dT = T (k )
v

Contenida en un volumen v con variable geomtrica k(x) tiene, segn (X, 2, 10), la varianza: (X, 4, 5)

D 2 (q) = 2 k ( x)dx = 2 v

Es decir, una varianza proporcional a v. En lo que respecta a la funcin de distribucin de probabilidades de la variable aleatoria q(v), se puede ver, en primer lugar, que solo depende de la medida del volumen v, y no de su forma. Se puede, en efecto, con una aproximacin tan buena como se desee, considerar v como la reunin de un nmero k muy grande de pequeos paraleleppedos adyacentes vi todos iguales. Las cantidades de metal q(vi) son variables aleatorias independientes, las cuales tienen la misma ley de probabilidad, cuya suma

q(v )
i =1 i

converge hacia

q(v)

cuando

aumenta

indefinidamente (en el sentido de la convergencia de las leyes de probabilidad) segn la condicin de continuidad establecida en la definicin de las medidas aleatorias. Como la ley de una suma q(vi) solo depende del nmero de los vi , y no de su disposicin mutua, se ve, por paso al lmite, que la ley de q(v) solo depende de la medida de v y no de su forma. En segundo lugar, esta ley es indefinidamente divisible, porque, si se divide v en volmenes adjuntos vi de igual medida v / k (pero con formas eventualmente diferentes), se tiene: (X, 4, 6)

q (v) = q (vi )
i =1

Es decir que q(v) se puede poner en la forma de una suma de un nmero cualquiera k de variables independientes de igual ley de distribucin de probabilidades (porque los vi tienen la misma medida). Si (u) es la funcin caracterstica de la ley de q(v)[(u )]k entonces tambin es - cualquiera que sea k - una funcin caracterstica. Cuando la varianza es finita, lo que es aqu el caso segn (X, 4, 5), un teorema clsico permite precisar la naturaleza de (u): se demuestra en efecto que para que (u) sea la funcin caracterstica de una ley indefinidamente divisible, con varianza finita, es necesario y suficiente, que su logaritmo se pueda poner en la forma:
+
1

(X, 4, 7)

log (u ) = ium +

eiut 1 iut t 2 dG(t )

Siendo G una medida sumable, cuya suma es igual a la varianza de la ley (u):

163

(X, 4, 8)

2 =

dG(t )

Pero el mismo resultado se aplica a los q(vi) de la descomposicin (X, 4, 6). Sea k(u) su funcin caracterstica. Se tiene, precisamente porque la ley es indefinidamente divisible:

log (u ) = klog k (u ) =

v log k (u ) vi

Por consiguiente los logaritmos de las funciones caractersticas de las cantidades de metal de dos volmenes cualesquiera v y v son proporcionales a los volmenes v y v : Tomemos en vez de G, una medida positiva sumable, de suma 1, que notaremos por H, (X, 4, 7) toma la forma: (X, 4, 8) bis
+ iut e 1 iut 2 log (u ) = v ium + dH (t ) 2 t

Y, bajo esta forma, la ecuacin (X, 4, 8) bis se aplica a la funcin caracterstica (u) de la cantidad de metal q(v) relativa a un volumen v cualquiera. La ley elemental (u) relativa a un volumen unidad: (X, 4, 9) log (u ) = ium + 2
+

eiut 1 iut dH (t ) t2

permite obtener todas las leyes en la forma: (X, 4, 10) log ( u ) = v log ( u)

En lugar de una simple cantidad de metal, introduzcamos ahora una funcin de ponderacin (boreliana) p, y busquemos la ley de la variable aleatoria T(p). Dividamos el soporte, que se supone finito, de p en volmenes vi muy pequeos, de funcin caracterstica ki(x) y consideremos la funcin:

( x) = ki ( x) p( xi )
i

En que el punto xi pertenece a vi. Si se aumenta indefinidamente el nmero de los vi, haciendo tender cada uno de ellos hacia 0, (x) converge hacia p(x) y, como T es una medida, T() converge hacia T(p). Pero se tiene tambin: T ( ) = p ( xi )T (ki )
i

164 Los T(ki) son variables aleatorias independientes, cuyas leyes estn dadas por (X, 4, 10). Por consiguiente T() admite la funcin caracterstica (u) definida por: (X, 4, 11) log (u ) = vi log [up( xi )]
i

Cuando se hace tender los v hacia 0, la ley de T() tiende hacia la ley de T(p), segn la condicin de continuidad, y esta ley se obtiene al tomar el lmite de (X, 4, 11), que es la integral: (X, 4, 11) bis

log (u ) = log [up ( x)]dx

Al hacer u = 1, y reemplazando p(x) por (x), funcin de base cualquiera (boreliana, con soporte acotado), se obtiene la funcional caracterstica C() de T. (X, 4, 12)

log C ( ) = log [ ( x)]dx

*T , de la cual Finalmente, volviendo a (X, 4, 1), obtenemos, para la regularizada sabemos ya que admite la covarianza 2A, la funcional caracterstica:

(X, 4, 12) bis

log C ( ) = log [ * ]dx


*T

De manera que la regularizada distribucin aleatoria.

est perfectamente definida como funcin o

Los momentos. - Rara vez es posible explicitar (X, 4, 12), an si log es una funcin simple. Pero es posible, en general, determinar los momentos, si ellos existen, a partir de los cumulantes, o semi-invariantes n de la ley :
(X, 4, 13) (iu ) n log (u ) = n n! n =1

Si los cumulantes n son conocidos, (X, 4,12) se puede escribir:


in = C C log ( ) ( ) n n! n =1 C ( ) = ( * ) n dx n n

(X, 4, 14)

As, la ley de distribucin de probabilidades simultnea de p muestreos 12 . . . p se obtiene al reemplazar por

u
j =1 j

de donde:

165 p in log C[ uii ] = Cn u j j n =1 n ! j =1

Esta relacin permite el clculo de los momentos sucesivos. Para tener, por ejemplo, la covarianza de los muestreos i y j, se debe tomar el trmino en uiuj del cumulante de orden 2: C2 ( u j j ) = u j ul ( * j )( *l )dx
jl

Aqu = 2 , segn (X, 4, 9) y se encuentra bien:

l ) E[T ( * j )( *l )] = 2 ( * j )( * l )dx = 2 A( j *
EJEMPLOS. - Tomemos, para regularizar la medida con incrementos independientes, que es la funcin caracterstica (conjuntista) o variable geomtrica de un volumen V, con = K , y tomemos dos muestreos puntuales 1 = (x) y 2 = (x h) covariograma k * k distantes de h. Estos dos muestreos tienen una funcin caracterstica (u, v) la cual se deduce de (X, 4, 12):

log (u , v) = log [uk ( x) + vk ( x h)]dx


Como k(x) es una variable geomtrica, se tiene k(x) = k(x h) = 1 en un volumen de medida K(h) , o bien k(x) = 1, k(x h) = 0 (o bien k(x) = 0 y k(x h) = 1) en un volumen K(0) K(h). De donde el resultado: (X, 4, 15) log (u, v) = K(h) log (u + v) + [K(0) K(h)][log (u) + log (v)]

Sean X e Y las dos variables aleatorias correspondientes. Estas se ponen en la forma: X = X1 + Z Y = Y1 + Z Las tres variables aleatorias X1, Y1 y Z son independientes y obedecen, las dos primeras a la ley [K(0) K(h)]log (u) y la ltima a la ley K(h)]log (u). Si Y es fijo, X es la suma de dos variables independientes:, las cuales siguen siempre la ley [K(0) K(h)][log (u), y Z, la cual sigue la ley de Z cuando Y es fijo. Si la leyes de X1, Y1 y Z admiten densidades de frecuencia f1(x1), f1(y1), y f2(z), la ley de Z con Y fijo tiene la densidad de f 2 ( z ) f1 ( y z ) . frecuencia: f ( y) Por ejemplo, tomemos como ley elemental, una ley gamma:

166 u log (u ) = log1 i Y pongamos: 1 = [ K (0) k (h)] 2 = K (h) Se encuentra:

1 1 1 x x e f1 ( x) = (1 ) 2 2 1 z z e f2 ( z) = ( 2 ) 1 + 2 f ( y ) = f1 * f 2 = y1 + 2 1e y + ( ) 1 2
Con Y fijo, X es la suma de una variable X1, la cual obedece la ley gamma f1(x), y de una variable Z independiente de la anterior la cual obedece a la ley: f 2 ( z ) f1 ( y z ) (1 + 2 ) = 1 f ( y) (1 )( 2 ) z y
1 1

z y

2 1

1 y

En otras palabras, para Y = y fijo, Z / y obedece a la ley beta con parmetros (1 y 2). Se verificar que la curva de regresin E[ X | Y = y ] es una recta. Por el contrario, la varianza ligada es una funcin creciente de y. Al introducir la media m, la varianza 2 y el coeficiente de correlacin de X con Y, se encuentra:

E ( X | y ) = (1 )m + y y2 2 2 = + D ( X | y ) (1 ) 1 2 + m2

5. - Derivacin de las distribuciones aleatorias.


Se sabe que una distribucin T es indefinidamente derivable, y que sus derivadas sucesivas son tambin distribuciones. Una derivada de orden p = p1 + . . . + pn ser designada por el smbolo abreviado Dp. p D = p1 p2 x1 x2 ... xnpn
p

167 En esta notacin p = (p1, p2 . . . pn) representa, en realidad, un sistema de enteros (p1, p2, . . . , pn). La derivada DpT se define por la relacin: (X, 5, 1) Dp T( ) = ( - 1)p T( Dp )

Siendo una funcin de base cualquiera. Se observar, adems, que si T es una distribucin temperada, tambin lo son todas sus derivadas (porque, si pertenece a , tambin sucede lo mismo con todas sus derivadas). Supongamos ahora que T sea una distribucin aleatoria, definida por su funcional caracterstica C(). Es inmediato, a partir de (X, 5, 1), definir la derivada DpT de T como distribucin aleatoria, por su funcional caracterstica Cp(), dada por: (X, 5, 2) Cp( ) = C[ (-1)p Dp ]

as, las distribuciones aleatorias son indefinidamente derivables, y sus derivadas sucesivas son distribuciones aleatorias (todas temperadas, en el caso de una distribucin aleatoria temperada). Se puede, tambin, interpretar la derivacin DpT como el producto de convolucin de T por la derivada Dp de la medida de Dirac: DpT = Dp * T La derivacin aparece como una regularizacin por la transpuesta de Dp, es decir: = ( -1 )p Dp Y (X, 5, 2) es un simple caso particular de (X, 4, 1).

Momentos de la derivada DpT. - El momento de orden k de una distribucin aleatoria T, cuando existe, es la distribucin Mk del espacio de k dimensiones, definido, segn (X, 1, 7), por la relacin:
Mk[ 1(x1) . . . k(xk) ] = E[ T(1) . . . T(k) ] En que los 12 . . . son funciones de base cualquiera, y x1 . . . xk son puntos de k espacios distintos, con n dimensiones, en el producto topolgico en los cuales Mk est definido. Designemos entonces por Mk(p) al momento de orden k de la distribucin aleatoria derivada DpT. De la definicin (X, 5, 2) se tiene inmediatamente: Mk(p)[1(x1) . . . k(xk)] = E[DpT(1) . . . DpT(k)] = (-1)kp E[T(Dp(1) . . . T(Dpk)] Por consiguiente se tiene: Mk(p)[1(x1) . . . k(xk)] = (-1)kp Mk[Dp1(x1) . . . Dpk(xk)] Pero el producto Dp1(x1) . . . Dpk(xk) es, en el espacio de kn dimensiones la derivada Dp(x1)Dp(x2) . . . Dp(xk) de orden kp de la funcin 1(x1) . . . k(xk) . Por consiguiente Mk(p) es, en este espacio, la derivada de orden kp de Mk:

168

(X, 5, 3)

Mk(p) = Dp(x1)Dp(x2) . . . Dp(xk) Mk

En particular, el momento de orden 1 de la derivada es igual a la derivada del momento de orden 1: (X, 5, 4) M1(p) = DpM1

Y la covarianza K(p)(x, y) de la derivada es la derivada de orden 2p de la covarianza K(xy), obtenida al derivar p veces en x y p veces en y: (X, 5, 5) K(p)(x, y) = Dp(x)Dp(y)K(x, y)

Caso estacionario de orden 2. - En el caso estacionario de orden 2, existe una distribucin de covarianza K(x) del espacio de n dimensiones, definida, como lo hemos visto, por:
(X, 5, 6) 2 ] = K ( x, y )[1 ( x)2 ( y )] K ( x)[1 *

La covarianza K(p)(x, y) de la derivada DpT, segn su definicin (X, 5, 5) y considerando (X, 5, 6), acta sobre la funcin 1(x)2(y) de la manera siguiente: K(p)(xy)[1(x)2(y)] = K(x, y)[Dp1(x)Dp2(y)] = K(x)[Dp1*(Dp2)V]

p Pero la transpuesta ( D 2 ) de una derivada es igual, salvo el signo, a la derivada de la transpuesta:


p 2 (D 2 ) = (1) p D p
Queda as:

2 ] = (1) p ( D p )2 K ( x)[1 * 2 ] K ( p ) ( xy )[1 ( x) 2 ( y )] = (1) p K ( x)[ D p1 * D p


De donde el resultado: La derivada DpT de una distribucin aleatoria estacionaria de orden 2, con covarianza K(x) es tambin estacionaria de orden 2, y tiene como covarianza Kp(x) la derivada de orden 2p de K(x), salvo el signo, es decir: (X, 5, 6) bis K(p)(x) = ( -1 )p (Dp)2 K(x)

Por ejemplo, una derivada primera en la direccin = (1 . . . n): (X, 5, 7) Tiene por covarianza:

T T T = 1 + ... + n x1 xn

169

(X, 5, 8)

K ( x ) =

2 K = 1 + ... + n 2 xn x1

Estos resultados generalizan exactamente los que se obtienen en la teora de las funciones aleatorias. Pero, para las funciones aleatorias, la condicin necesaria y suficiente para que la derivacin (X, 5, 7) sea posible (en el sentido de la derivacin en media cuadrtica), es 2 K que la derivada exista en el sentido usual, y sea una funcin. La covarianza K de la 2 derivada est entonces dada por (X, 5, 8). Al contrario, las distribuciones aleatorias, son siempre derivables, y adems indefinidamente derivables, de manera que (X, 5, 7) tiene siempre un sentido: Correlativamente, la derivacin de K(x) realizada en (X, 5, 8) est, naturalmente, tomada en el sentido de las distribuciones, y K(x) es tambin una distribucin.

6. - La teora intrnseca para las distribuciones.


En el prrafo 1, hemos definido las distribuciones aleatorias T sobre un espacio () de funciones de base . Pero puede suceder que las leyes F[T(i)], o la funcional caracterstica C(), y particularmente sus momentos de orden 1 y 2, no estn definidos para todas las funciones de , sino ms bien para las funciones que pertenecen a un sub-espacio de . Nos interesamos exclusivamente al sub-espacio de las funciones de de suma nula, es decir que verifican: (X, 6, 1)

( x)dx = 0

Las distribuciones as definidas sobre no corresponden, de manera unvoca, con distribuciones de . A cada distribucin definida en le corresponde una clase de funciones de , las cuales se deducen unas de otras por la adicin de una constante arbitraria. En efecto, en la transformacin de Fourier, las funciones de base de , es decir las funciones de que verifican (X, 6, 1) son funciones de , es decir funciones de que verifican: ( 0 ) = 0 Entonces la transformada = FT, definida en , se prolonga sobre arbitrariamente por una medida de Dirac A(x), siendo A una constante arbitraria. Recprocamente, T definida en no se puede prolongar sobre (y sobre ) salvo una constante. Diremos que una distribucin aleatoria obedece a un esquema intrnseco si est definida sobre un espacio y si es estacionaria (o estacionaria de orden 2). Dicho de otra manera, para toda funcin de base de suma nula, la funcional caracterstica C() est definida, y verifica: (X, 6, 2) C[ ( x + h ) ] = C[ (x) ]

170 Se dir que estas distribuciones aleatorias intrnsecas tienen incrementos estacionarios. Toda funcin que verifica (X, 6, 1), puede, en efecto, ponerse en la forma de una diferencia: = 1 - 2 de dos funciones cualesquiera de que admiten la misma suma:

( x)dx = ( x)dx
1 2

La cantidad de metal T() = T(1) T(2) puede entonces ser considerada como un incremento. Si una regularizada * T = T ( x) es una funcin continua, esta puede actuar sobre la medida de Dirac = (x a) (x b) y se tiene: T() = T(a) - T(b) Y se trata bien, en este caso particular, del incremento de la funcin T(x) entre los puntos b y a. Solo la diferencia de los valores en b y a est as definida. Los valores puntuales de T(x) solo son conocidos salvo una constante, as como T misma. Naturalmente, la razn mayor de esta restriccin a funciones de base de suma nula, o espacio de los incrementos, es para permitir el estudio de fenmenos cuyas varianzas a priori seran infinitas, pero cuyos incrementos conservan varianzas finitas. En el caso de una funcin aleatoria, hemos visto que esta circunstancia se presenta efectivamente cuando el (h) es indefinidamente creciente para |h| .

Derivadas de una funcin aleatoria intrnseca. - Una distribucin aleatoria intrnseca est definida en salvo una constante arbitraria, pero sus derivadas sucesivas, y notablemente sus primeras derivadas estn definidas sin ambigedad para toda funcin de base , de suma cualquiera, luego son distribuciones de . En efecto, una primera derivada DT, por definicin, acta sobre una funcin de base cualquiera segn la frmula:
(X, 6, 3) DT( ) = - T( D )

Pero la derivada D de una funcin de base tiene siempre una suma nula, como se ve al integrar por partes:

D dx = 0
De manera que D es una funcin de . As, para una funcin de base cualquiera, la distribucin aleatoria estacionaria DT est definida por su funcional caracterstica C() : (X, 6, 4) C( ) = C( - D )

Esta observacin va a facilitar el estudio de los momentos de T.

171

Momentos de orden 1. - El momento M de orden 1 se define exactamente como en el primer prrafo. Es una distribucin del espacio de n dimensiones tal que:
M( ) = E[T( )] Para toda funcin de base de suma nula. De (X, 6, 2), se deduce evidentemente: (X, 6, 5) M [ (x + h) ] = M [ (x) ]

Pero no se puede concluir que M es una constante, porque esta relacin solo es verdadera para las funciones de suma nula. Al contrario, una primera derivada DT, cuyo momento de orden 1 es DM, est definida para todas las funciones . El carcter estacionario de DT implica que DM es una constante, de manera que el momento de orden 1, en el cual todas las primeras derivadas son constantes, es obligatoriamente una forma lineal, por otra parte, definida salvo una constante. (X, 6, 6) M(x) = ( ax ) = a1x1 + . . . + anxn

Inversamente, si M es de la forma (X, 6, 6), se verifica inmediatamente que la condicin (X, 6, 5) se satisface para cualquier funcin de suma nula:

M ( x) ( x + h)dx = M ( x h) ( x)dx = M ( x) ( x)dx (ah) ( x)dx


As, el momento de orden 1 es un gradiente constante y caracteriza una deriva lineal. Al reemplazar, cuando proceda, T por T M(x) , supondremos en adelante que este ltimo momento es idnticamente nulo: (X, 6, 7) M=0

Por otra parte, resulta, que E[T()] es nula solamente para las funciones de suma nula. Para una funcin de base cualquiera, esta esperanza matemtica solo puede ser determinada salvo una expresin, de la forma ( x)dx en que es una constante arbitraria.

Momentos de orden 2. - La covarianza se define exactamente como en el primer prrafo. En virtud del carcter estacionario, la covarianza es una distribucin K(x) del espacio de n 2 de funciones de base dimensiones, la cual acta sobre los productos de convolucin 1 * 1 y 2 de suma nula segn la frmula:
(X, 6, 8) 2 ] = E [T (1 )T ( 2 )] K [1 *

En particular, la varianza de la variable aleatoria T() es igual a: (X, 6, 9) ] 0 D 2 [T ( )] = K [ *

172 Esta expresin debe ser obligatoriamente positiva, para toda funcin de suma nula, pero no para una funcin de base cualquiera. La distribucin K no es, por consiguiente, necesariamente de tipo positivo. Diremos que K debe ser de tipo positivo condicional, entendiendo por esto que la desigualdad (X, 6, 9) debe ser verificada solamente por las funciones de suma nula. Busquemos una condicin necesaria y suficiente para que K(x) sea de tipo positivo T , definida sobre las funciones de base condicional. Sabemos que la primera derivada de suma cualquiera, es tambin estacionaria de orden 2, y tiene como covarianza la distribucin K definida en (X, 5, 8), es decir: (X, 6, 10) K ( x ) = 2 K 2

T acta sobre todas las funciones de base, K(x) debe ser necesariamente de tipo positivo, y el teorema de Bochner nos muestra que es necesario y suficiente para esto que su transformada de Fourier FK sea una medida positiva. Si FK designa la transformada de la covarianza K(x) de T, se deduce de (X, 6, 10) y de la frmula (a, 8, 8) del anexo A:
Como (X, 6, 11) FK = 42(u)2FK = 42(1u1 + . . . +nun)2FK

As, para que K sea de tipo positivo condicional, es necesario que el producto de su transformada de Fourier por el cuadrado de una forma lineal (u) cualquiera, sea una medida positiva. Ms generalmente, como toda forma cuadrtica Q(u) definida positiva es una suma de cuadrados de formas lineales, el necesario que el producto de FK por toda forma cuadrtica definida positiva sea una medida positiva. Esta condicin necesaria es tambin suficiente. En efecto, pongamos: = FK = F La condicin (X, 6, 9) es equivalente a la siguiente: (X, 6, 12) [ | | 2 ] 0

Si es de suma nula, es nula en el origen: ( 0 ) = 0 Y el cuadrado ||2 , funcin de base indefinidamente derivable, admite, en la vecindad del origen, un desarrollo comenzando por trminos de segundo grado. Tomemos una forma cuadrtica definida positiva, por ejemplo:

173
2 2 = u12 + ... + un

La funcin

| (u ) |2

es boreliana y positiva. Por consiguiente, 2 , que es, por

hiptesis, una medida positiva, acta sobre esta funcin, y se tiene bien:

| |2 = [| |2 ] 0 2

De manera que (X, 6, 12) se verifica para toda funcin de base nula en el origen, y por consiguiente tambin (X, 6, 9) para toda funcin de base de suma nula. De donde el resultado buscado: La condicin necesaria y suficiente para que una distribucin K sea de tipo positivo condicional es que el producto de su transformada de Fourier por una forma cuadrtica definida positiva cualquiera sea una medida positiva EJEMPLO. - La distribucin r tiene, por transformada de Fourier, en el espacio de n dimensiones: +n 2 n 2

Fn r =

n 2

Ahora, para que el producto de --n por una forma cuadrtica definida positiva sea una medida positiva, es necesario y suficiente que se tenga: 2 - - n > -n Es decir: (X, 6, 13) < 2
+n 2 2

As, si A es una constante la cual tiene el signo de

, la distribucin Ar es de

tipo positivo condicional, siempre que sea inferior a 2, y puede jugar el papel de covarianza de un esquema intrnseco. En particular, para 0 < < 2, la funcin - r es de tipo positivo condicional. Tambin, la funcin log( 1 / r ) tiene por transformada de Fourier:

174 n 2 1 1 2 Fnlog = + B 2 r n
n

Como el producto de la medida de Dirac por una forma cuadrtica definida positiva Q es idnticamente nulo, log (1 / r) es siempre de tipo positivo condicional.

Funcin de dispersin intrnseca. - Cuando K(x) es una funcin (de tipo positivo condicional), K(x) acta sobre las medidas de Dirac. Tomemos
(x) = (x - y - h) - (x - y) El incremento T() = T(y + h) T(y) tiene por varianza: ] = K [2 ( x) ( x h) ( x + h)] = 2 K (0) 2 K (h) K [ * De donde la relacin entre covarianza y funcin de dispersin intrnseca: (X, 6, 14) ( h ) = K( 0 ) - K( h )

Por otra parte, K(h) est determinado salvo una constante, y es siempre permitido tomar K(0) = 0. Se encuentra de nuevo el resultado del prrafo (VIII, 2): Una funcin intrnseca (h) debe ser tal que -(h) sea de tipo positivo condicional. Para que as sea, es necesario y suficiente que todas las derivadas segundas
2K 2

tomadas, en el sentido de las

distribuciones, en una direccin cualquiera sean de tipo positivo, o an, que el producto de F por una forma cuadrtica definida positiva cualquiera, sea una medida positiva. En particular, log r y r para < 2 verifican las condiciones requeridas para ser funciones intrnsecas.

Varianzas de extensin. - Sean dos funciones de base 1 y 2 de suma unidad:

( x)dx = ( x)dx = 1
1 2

La diferencia = 1 2 es una funcin de base de suma nula. Por definicin, llamaremos varianza de extensin de T(1) y T(2) la varianza de T() : D2[T()] = D2[T(1) - T(2)] Segn (X, 6, 9), esta varianza de extensin est dada por la frmula general: (X, 6, 15) 1 2 )] D 2 [T (1 ) T ( 2 )] = K [(1 2 ) *( 1 + 2 * 2 21 * 2 ] = K [1 *

175

Anlogamente, sean cuatro funciones de base 1234 de suma unidad, se llamar covarianza de extensin de T(1) T(2) y T(3) T(4) a la covarianza: (X, 6, 16) 3 4 )] E{[T (1 ) T (2 )[T (3 ) T (4 )] = K [(1 2 ) *( 3 + 2 * 4 1 * 4 2 * 3 ] = K [1 *

Al considerar la relacin (X, 6, 14) entre la covarianza K y la funcin intrnseca (h) el lector verificar sin dificultad que las frmulas (VIII, 3) corresponden a casos particulares de (X, 6, 15) y (X, 6, 16). Por ejemplo, tomemos:

1 p x ( ) = ( x xi ) 1 p i =1 ( x) = 1 k ( x) 2 V
En que k(x) es la variable geomtrica asociada a un volumen V. Se supone que K(x) = (x) es una funcin, la cual por consiguiente acta sobre las medidas de Dirac y sobre k(x), (X, 6, 15) proporciona inmediatamente:

D 2 [T (1 ) T ( 2 )] =

2 pV

( x x )dx V ( x x ')dxdx '


i 2 i V V V

1 p2

(x x )
i j ij

Se reconoce sin dificultad la frmula (VIII, 3, 12). De nuevo, tomando:

1 = ( x x j ) 2 = ( x xi ) 3 = ( x xl ) = ( x x ) k 1
La frmula (X, 6, 16) proporciona, en notacin de incrementos: E(i jk l) = (xi xl) + (xj xk) - (xi xk) - (xj xl) Que no es otra cosa que la frmula de base (VIII, 1, 9)

Efecto de Pepita. - Por definicin, diremos que hay efecto de pepita cuando la distribucin de covarianza es de la forma:
(X, 6, 17) K(x) = C(x) - (x)

176

-(x) es una funcin continua de tipo positivo condicional, es decir una funcin intrnseca, (x) representa la medida de Dirac, y C es una constante llamada constante de pepita. por una funcin de ponderacin con covariograma A = * Toda regularizada T * admite el semi-covariograma: (X, 6, 18) (h) = - CA(h) + * A - B

B es una constante tal que (0) = 0. As el efecto de pepita se caracteriza por la aparicin de una componente CA(h) proporcional al covariograma de la regularizante. En particular, la funcin de muestreo = k(x) / V , en que k(x) es la variable geomtrica de V , y su covariograma, proporciona el trmino suplementario C A(h) . As, la A = k *k
V2

varianza de una muestra V en un campo V con covariograma A est aumentada, debido al efecto de pepita, con un trmino adicional 2 llamado varianza de pepita, dada p por:
2 = p

C C A(0) A '(0) A '(h) (h)dh + 2 A(h) (h)dh = C 2 2 V' V V '2 V

Es decir: (X, 6, 19)


2 p =

C C V V'

Esta varianza suplementaria, inversamente proporcional a los volmenes, traduce la presencia de una componente aleatoria pura: esta es, en efecto, la significacin del trmino C(x) de (X, 6, 17), que es la covarianza de una medida aleatoria con incrementos independientes y densidad de varianza constante C . En presencia de efecto de pepita, la variable regionalizada posee, localmente, un comportamiento aleatorio. Si este efecto es muy marcado (si C es grande), se puede tener, experimentalmente, la impresin que las muestras de tallas pequeas v sean independientes unas de otras. Naturalmente, para muestras ms grandes, el efecto de pepita se amortigua rpidamente, de acuerdo a (X, 6, 18) o (X, 6, 19), y las corregionalizaciones regionales, escondidas por el efecto de pepita intenso de las muestras pequeas, se manifiestan de nuevo.

__________

177

CAPITULO UNDECIMO

LA SUBIDA INTRINSECA BAJO POTENCIA CONSTANTE


SUMARIO

Con al excepcin del primer prrafo, este captulo es de lectura ingrata. Pero no es necesario seguir el detalle de todos los clculos. Los resultados obtenidos son dados como referencia en vista de las aplicaciones prcticas. No obstante, se notar que de un punto de vista terico, la subida bajo potencia constante l posee, en las distancias cortas (r < l) las mismas caractersticas regularizantes que la subida transitiva: 1 + 1+ y los trminos complementarios] Se ve bien 2 r da aqu l 2 r que las frmulas son ms complicadas. Se encuentra, en particular, las secuencias donde alternan r2p-1 y r2plog r. Al contrario, en las grandes distancias (r > l) el efecto regularizador de la subida no se hace sentir, y r proporciona un trmino cuya parte principal es en r. El prrafo 1 define las subidas bajo potencia constante, de orden 1 y 2, y proporciona los algoritmos correspondientes, principalmente los de la subida en un esquema istropo. El prrafo 2 entrega los desarrollos explcitos, a las largas y a las cortas distancias, de la subida de orden 1 sobre r , primero en el caso general, luego en los tres casos particulares ms usuales: entero par o impar y trminos en r2plog r. El prrafo 3 proporciona las frmulas del rectngulo: (b; a) es el valor medio de r entre un rectngulo (a, b) y su lado a. F(ab) es el valor medio de r en el rectngulo mismo. Los desarrollos se establecen para cualquiera, y para los tres casos particulares habituales. El prrafo 4 da las frmulas del paraleleppedo: F(a, b, c), por ejemplo, es el valor medio de r en el paraleleppedo (a, b, c). Se obtienen series dobles, ordenadas segn las potencias crecientes de a (a b c).

1. - Definicin y algoritmos de la subida bajo potencia constante.


En representacin transitiva, la subida aparece como un caso lmite de la regularizacin de una variable regionalizada por la funcin de muestreo p(x) = k(x) correspondiente a la toma de la muestra v, cuando el soporte v se reduce a una recta indefinida. En teora intrnseca, la subida ya no se puede hacer a lo largo de una recta indefinida, porque, debido a que es estacionaria, la regionalizacin se mantiene homognea, en todo el espacio y f(x) no puede ser sumable. Al contrario, nada nos impide efectuar la subida a lo largo de un segmento de recta de largo finito. Llamaremos potencia a la longitud de este segmento, y estamos interesados en la subida bajo potencia finita. Si nos imaginamos una formacin geolgica horizontal mineralizada, la cual posee, en un punto una potencia, o espesor, dado,

178 la subida efectuada en este punto y bajo esta potencia constituye una transposicin abstracta de la tcnica muy corriente que consiste en perforar un sondaje vertical en ese punto. Existen tres maneras posibles de concebir la subida bajo potencia finita, segn que la potencia se supone estocstica, variable pero determinstica y finalmente constante. Sin duda, la subida estocstica, sera, desde el punto de vista terico, la ms importante, pero conduce a grandes dificultades matemticas, cuando se considera f(x) y la potencia de la subida como variables aleatorias no independientes. Una subida bajo potencia variable, pero determinstica, de su lado, no permite conservar el carcter estacionario o intrnseco de la funcin aleatoria. Nos limitaremos entonces a la subida bajo potencia constante, la cual, como aproximacin localmente vlida de una potencia que no vara muy rpidamente, basta, en general, para las aplicaciones prcticas. Sea, en el espacio de n dimensiones, un esquema intrnseco fn(x) el cual admite la funcin de dispersin n(h) , y sea un vector l , de longitud o potencia l y con cosenos directores = (1 . . . n), a lo largo del cual deseamos efectuar la subida. A todo punto x de un plano de referencia (no paralelo a ), le haremos corresponder la expresin (estocstica): (XI, 1, 1)

1 f n 1 ( x) = f n ( x + )d l0

Respecto de los puntos x del plano , fn-1(x) es una funcin aleatoria de n - 1 dimensiones. Representa la ley media (estocstica) de los vectores paralelos a l que tienen su origen en el plano . Se verificar fcilmente que los incrementos: fn-1(y) - fn-1(x) Entre dos puntos x e y de poseen el carcter estacionario, de manera que fn-1(x) es tambin un esquema intrnseco con n 1 dimensiones. Si se supone, como se hace siempre, que los incrementos de fn tienen un valor probable idnticamente nulo, es evidentemente lo mismo para los incrementos de fn-1. Queda por determinar la funcin de dispersin intrnseca n-1(h) de fn-1(x). Segn la definicin (VIII, 1, 6) se debe tener: (XI, 1, 2)

n 1 (h) = D 2 [ f n 1 ( x + h) f n 1 ( x)]

1 2

Dicho de otra manera, n-1(h) es igual a la mitad de la varianza de extensin de las dos variables aleatorias fn-1(x + h) y fn-1(x) definidas en (XI, 1, 1), y puede ser calculada, a partir de n(h), con la ayuda de la frmula general (VIII, 3, 13) que proporciona aqu:

1 n 1 (h) = 2 l

1 n (h + (t ' t ) )dtdt ' 2 l 0 0

l l


0 0

l l

[(t t ') )dtdt '

La primera integral representa el valor medio de n(x x) cuando las dos extremidades x y x del argumento x x describen, separadamente, dos vectores l iguales y trasladados uno del otro por la traslacin h. La segunda integral representa el mismo valor

179 medio para h = 0, es decir, cuando estos dos vectores coinciden. Al utilizar el algoritmo de Cauchy (I, 2, 9), el n-1(h) se pone en la forma: (XI, 1, 3)

2 2 n 1 (h) = 2 (l t ) n (h + t )dt 2 (l t ) n (t )dt l 0 l 0

En el caso general, el plano no es perpendicular a la direccin , y se dice que la subida es oblicua. Cuando es perpendicular a , se dice que la subida es recta. Si la subida es recta, y si, adems la funcin intrnseca es istropa, es decir si se puede poner en la forma de una funcin n(r) de la nica variable r =| h |= h12 + ... + hn2 , la frmula (XI, 1, 3) toma la expresin siguiente, llamada algoritmo de la subida recta istropa: (XI, 1, 4)

n 1 (r ) =

2 2 (l x) n ( r 2 + x 2 )dx 2 (l x) n ( x)dx 2 l 0 l 0

Es esta la expresin que ser lo ms a menudo utilizada en las aplicaciones. La funcin n-1 as determinada permite calcular todas las varianzas y covarianzas de extensin que interesan respecto de la variable fn-1(x) regionalizada en el plano .

Subida de orden 2. - Es posible de reiterar la operacin, al realizar una nueva subida de potencia l a lo largo de un vector l el cual pertenece al plano (del espacio de n 1 dimensiones en el cual est definida fn-1). Se obtiene as, un nuevo esquema intrnseco fn-2, de n 2 dimensiones, cuya funcin de dispersin intrnseca n-2 se obtiene al aplicar el algoritmo (XI, 1, 3) a n-1, o tambin al aplicar directamente a n(h) el algoritmo de la subida doble, cuya expresin, simtrica en l y l est dada por:
l l' 4 h ( ) = n2 (l t )(l ' t ') n (h + t + t ' ')dtdt ' l 2 l '2 0 0 l l' 4 2 2 (l t )(l ' t ') n (t + t ' ')dtdt ' l l' 0 0

(XI, 1, 5)

Este algoritmo hace intervenir el valor medio de n(x x) cuando las dos extremidades x y x del argumento vectorial (x x) describen, separadamente, dos paralelogramos construidos sobre los vectores l y l iguales y trasladados uno de otro en la traslacin h. Si n es istropo, y si las dos subidas son rectas (es decir si los tres vectores h, y son perpendiculares), que es el caso ms comn en las aplicaciones, (XI, 1, 5) se pone en la forma siguiente, llamada algoritmo de la subida recta istropa de orden 2:

180
l l' 4 2 2 2 n 2 (r ) = 2 2 (l x)(l ' x ') n ( r + x + x ' )dxdx ' l l' 0 0 l l' 4 2 2 (l x)(l ' x ') n ( x 2 + x '2 )dxdx ' l l' 0 0

(XI, 1, 6)

La subida intrnseca, sobre todo en el caso istropo, aparece como menos simple que la subida transitiva. Los parmetros se multiplican (l, para la subida de orden 1, l y l para la subida de orden 2), contrariamente a lo que pasaba en transitivo, y los clculos son menos simples. Pero es necesario ver bien que una frmula como (XI, 1, 6) describe la evolucin, a lo largo de una recta (de un plano con n 2 dimensiones) de las leyes medias aportadas por las secciones rectas de un prisma cuya base es el rectngulo ll.

2.- Subida recta bajo potencia constante de r.


En vista de las aplicaciones prcticas, vamos a tratar explcitamente el caso de la subida recta de orden 1 bajo potencia constante del semi-variograma istropo n(r) = r . Los resultados se expresan con la ayuda de las funciones hipergeomtricas, ya encontradas en el captulo II, y a las cuales est consagrado el Anexo E. En lo que sigue, pondremos: (XI, 2, 1)

(r ) =

2 2 2 2 l x x + r dx ( )( ) l2 0
l

Esta funcin que representa el valor medio de |h| cuando las dos extremidades del vector h recorren, separadamente, los dos lados de largo l de un rectngulo lr, difiere del variograma buscado n-1(r) por una simple constante, que se determina fcilmente, segn (XI, 1, 4), al escribir: (XI, 2, 2) n-1(r) = (r) - (0)

Para calcular , se pondr, en primer lugar: = I1 ( ) I 2 ( ) l 2 2 2 2 I1 ( ) = ( x + r ) dx l 0 l 2 I 2 ( ) = 2 ( x 2 + r 2 ) 2 xdx l 0 Al hacer el cambio de variable x = u , la segunda integral se calcula exactamente y da:

181 2 2 1+ 2 +2 2 I 2 ( ) = 2 (l + r ) r l ( + 2) En notacin de funciones hipergeomtricas, se tiene tambin: l2 I 2 ( ) = r F ,1, 2, 2 r 2 r2 2 = , 1 , , 2 l F + 2 2 2 2 l

(XI, 2, 3)

Estas expresiones se desarrollan explcitamente por medio de la frmula (E, 1, 1). La primera se puede utilizar en las grandes distancias (l < r), y la segunda en las cortas distancias (l > r). Para calcular I1(), se har el cambio de variables x = lv, lo que proporciona: l2 2 1 I1 ( ) = r 1 + v 2 v 2 dv r 0
1

Al comparar con la representacin integral (E, 1, 4) de la hipergeomtrica, queda: (XI, 2, 4) 1 3 l2 I1 ( ) = 2r F , , , 2 2 2 2 r

Esta frmula entrega un desarrollo utilizable a grandes distancias (r > l). Para obtener un desarrollo en r2 / l2 vlido en las distancias cortas (r < l), debemos transformar (XI, 2, 4) con la ayuda de la frmula de cambio (E, 3, 1), del Anexo E. Queda as: 2 1+ 1 r2 I1 ( ) = l F , , , 2 + +1 2 2 l 2

(XI, 2, 5)

1+ 1+ 2 r l 2

Al considerar (XI, 2, 3) y (XI, 2, 4), se obtiene el desarrollo de (r) para r l en la forma siguiente:

182 1 3 l2 l 2 (r ) = r 2 F , , , 2 F ,1, 2, 2 r 2 2 2 2 r 1 ... k + 1 l 2 k 2 2 2 + r 1 + (2k + 1)(k + 1)! r k =1

(XI, 2, 6)

Se notar que para l / r muy pequeo, la parte principal de (r) es r. As, la subida no altera el comportamiento de una funcin intrnseca a las grandes distancias. Al contrario, en las cortas distancias (r l), considerando (XI, 2, 3) y (XI, 2, 5), se obtiene la expresin ms compleja siguiente:

(XI, 2, 7)

1+ 1+ 2 2 1+ 1 r 2 r (r ) = l F , , , 2 + +1 2 2 l l 2 2 r2 2 2 r +2 l F , 1 , , + 2 2 +2 2 2 l2 +2 l

En forma explcita, este desarrollo se escribe:

(XI, 2, 8)

1+ 1+ 2 r +2 2 r (r ) = + l + 2 l2 2 1 ... k + 2 2k 2 2 1 r 2 2 2 r + + +l 2 ( + 1 2 k ) k ! l (1 + )(2 + ) 1 l k =2

Este desarrollo hace aparecer - como en transitivo - una parte regular, que es una serie entera par en r / l , con un factor l que se introduce por razones de homogeneidad dimensional, y una parte irregular. Contrariamente a lo que se produca en el caso de la subida transitiva, esta parte irregular no solo comprende un trmino, sino dos, uno en r1+ / l , y el otro en r2+/ l2 . Sin embargo, cuando r / l es muy pequeo, la parte principal de est constituida por este trmino en r1+ / l, y una simple inspeccin de su coeficiente muestra que, salvo el factor 1 / l, que se introduce por razones de homogeneidad dimensional, la regla de la subida, para esta parte principal, es la misma que en transitivo:

183

1 + +1 r r 2 2
As, en las distancias cortas, la subida intrnseca tiene el mismo efecto regularizador que la subida transitiva. En las aplicaciones prcticas, se tendrn casos con exponentes enteros, pares o impares, y tambin a trminos logartmicos de la forma r2p log r. Siendo 2p un entero par. Esperamos encontrar la secuencia logartmica de la subida transitiva, y en efecto, la encontraremos, a pesar de la gran complejidad de las frmulas. Examinemos, sucesivamente, estos tres casos particulares.

Caso de un entero = 2p. - Este caso es particularmente simple, (r) se reduce a un polinomio par homogneo, de grado 2p en r y l. En efecto, el desarrollo (XI, 2, 6) se detiene en el trmino de orden k = p. Se tiene as:
1 2 2 2 (r ) = r + 6 l 1 22 1 4 4 4 (r ) = r + r l + l 3 15 1 42 1 24 1 6 6 6 (r ) = r + 2 r l + 5 r l + 28 l

(XI, 2, 9)

Caso de un entero impar = 2p -1 .- En este caso el desarrollo (XI, 2, 6), que es infinito, solo es utilizable cuando r l. En las cortas distancias, r l , el desarrollo (XI, 12, 8) presenta singularidades, y debe ser estudiado por el mtodo habitual de paso al lmite (se pone = 2p 1 + , y se busca el lmite de los diferentes trminos cuando tiende a 0). Se espera ver aparecer un trmino en r2p log r. En efecto, en (XI, 2, 8), solo dos trminos presentan singularidades para = 2p -1: por una parte el trmino aislado r1+, y por la otra el trmino de orden k = p de la serie entera par. Escribamos estos dos trminos:

1+ r1+ 1 ... p + 2 r 2 p 2 2 2 2 + l ( + 1 2 p ) p ! l l 2
El lector verificar fcilmente que, cuando tiende a 2p 1, la suma de los dos trminos admite el lmite siguiente:

184

1 l p + ' 2 '(1 + p ) r l 2 2 log 2 2 + l 1 (1 + p ) p! r 2 l2 (2 p )! r 2 p 1 1 log = 2p + 1 + + ... + 2 + 2log 2 2 2 r p 2 ( p !) l 2


2p

Se deduce la expresin de 2p-1(r): (2 p )! r 2 p l2 1 1 log 2 + 1 + + ... + 2 + 2log 2 2 p 1 (r ) = 2 p 2 2 ( p !) l r 2 p 2 r 2 p +1 2 p +1 1 1 r2 l + + + 2 2 p +1 l2 p (2 p + 1) 2 p 2 l 1 3 3 p p ... p k + 2k 2 2 2r + 2( p k )k ! l k =2 k p

(XI, 2, 10)

Y, en el caso particular cuando = 1: (XI, 2, 11)

1 (r ) = l +

1 3

r2 l 1 2 r3 1 r4 1 r6 log log 2 + + ... + 3 4 + 2 6 l r 2 3 l 8l 96 l

En el caso particular = 1, se puede, por otra parte, mediante clculos directos, obtener la expresin exacta: (XI, 2, 12)

1 (r ) =

r2 l + l2 + r2 1 2 2 2 r2 l + r + 2 r l 2 + r 2 + log l r 3 3l

Trminos logartmicos en r2plog r .- De una manera general, se obtendr la subida del trmino rlog r al derivar en los desarrollos anteriores. En las aplicaciones se encontrarn sobre todo trminos en r2plog r, cuando 2p es un entero par. En la forma de (XI, 2, 8) aparecen simplificaciones notables, debido a que (- /2) toma un valor infinito. El trmino singular principal en r1+:

1+ 1 + sen r1+ 1+ 2 2 r 2 = 1+ 3 l l sen + 2 2 2

185

Da, en efecto, al hacer = 2p y luego derivar en :

(1 + p ) r1+ 2 p 22 p ( p !) 2 r 2 p +1 = 3 l (2 p + 1)! l p + 2

Se reconoce, salvo el factor 1 / l , la expresin de la subida transitiva sobre r2plog r. Como ejemplo, y para ser til en las aplicaciones, vamos a dar la expresin explcita de la subida sobre log r y r2plog r (p = 0 y p = 1). Para log r , los desarrollos para distancias largas (r > l) y a distancias cortas (r < l) son los siguientes:
2k d 1 (1) k 1 l (r ) = log r + 2 k =1 k (k + 1)(2k + 1) r =0 d 2k 3 r r2 r 3 1 (1) k 1 r = log l 2 + l + l 2 log l 2 + 2 k (k 1)(2k 1) l k =2

(XI, 2, 13)

Por otra parte, se puede obtener, por clculos directos, la expresin entera siguiente: d 3 d (r ) = log l 2 log sen =0 2 log cos + + tg tg 2

(XI, 2, 14)

l = Arc tg r

Anlogamente, los desarrollos a larga distancia (r > l) y a corta (r < l) distancia, de la subida efectuada sobre el trmino r2log r tienen las expresiones siguientes:

(XI, 2, 15)

d 1 2 d (r ) = r 2log r + 6 l log r =2 2 1 (1) k l 2k 2 1 l + r + 2 2 k = 2 k (k + 1)(k 1)(2k + 1) r 2 k 12 r 1 r2 1 r4 2 r3 1 r 4 = + 2 log r + l 2log l + 2 4 3 l 2l 2l 6 l 7 r2 7 r4 1 (1) k r 2k + + 2 8 l 4 2 k = 2 k (k 1)(k 2)(2k 3) l 2 k 72 l

186

3. - Las frmulas del rectngulo para r.


En las aplicaciones prcticas y principalmente, como veremos en el captulo XII, en el clculo de las varianzas de estimacin, tratamos, por subidas sucesivas, de reducirnos al caso de un esquema intrnseco de una dimensin. Adems del semi-variograma (h) de una sola dimensin, se utiliza constantemente las dos funciones auxiliares (h) y F(h) definidas por:
h 1 = ( ) h ( x)dx h 0 l h F (h) = 2 x ( x)dx = 2 (h x) ( x)dx h2 h2 0 0

(XI, 3, 1)

La funcin (h) representa el valor medio de (x) , cuando x representa la distancia entre un punto dentro de un segmento de largo h y una de sus extremidades fijas. La funcin F(h) representa el valor medio de (x) cuando x es la distancia entre dos puntos que describen independientemente el segmento de longitud h. F(h) permite el clculo de la varianza de un segmento l en un campo de longitud L, segn la frmula (VIII, 4, 4): 2( l | L ) = F( L ) - F( l ) Anlogamente (h) permite el clculo de la covarianza ( 0, l | L) en un campo L de un segmento l y una de sus extremidades, conforme a (VIII, 4, 7): ( 0, l | L) = F( L ) - ( l )

As, de nuevo, la varianza de extensin de una muestra de largo l pequeo en un segmento L implantada en su centro, se pone en la forma:
2 = 2 F ( L) F (l ) E 2

Las funciones auxiliares (h) y F(h), obtenidas al aplicar (X, 3, 1) a las expresiones de (r) obtenidas en el prrafo precedente, estn dadas por las frmulas del rectngulo (para r), las cuales vamos a establecer explcitamente, en virtud de su importancia para las aplicaciones.

Notaciones y mtodo. - Como (h) representa el valor medio de r entre los dos lados l distantes de h de un rectngulo lh, (h) y F(h) van a tener, tambin, significaciones geomtricas precisas: (h) va a ser el valor medio de r entre el rectngulo lh y uno de sus lados l, y F(h) el valor medio de r en el mismo rectngulo, cuando r representa la distancia entre dos puntos que recorren independientemente el rectngulo. Para mayor claridad, reemplazaremos l y h por a y b, y supondremos siempre que:

187 (XI, 3, 2) b a

Designaremos por F(a, b) el valor medio de r en el rectngulo (a, b) , por (a; b) el valor medio de r entre el rectngulo y su lado mayor a, e igualmente por (a; b) este valor medio tomado entre el rectngulo y su lado menor b. F(a, b) es una expresin simtrica en a y b. Se tiene, en efecto: (XI, 3, 3)

4 F (a, b) = 2 2 ab

(a x)(b y)( x
0 0

a b

+ y ) dxdy
2 2

Se demuestra fcilmente que hipergeomtricas:

F(a, b)

se expresa con la ayuda de las funciones

(XI, 3, 4)

1 3 b2 4a F ( a, b) = F , , , 2 ( + 2)( + 3) 2 2 2 a 1 3 a2 4b + F 2 , 2 , 2 , b2 + + ( 2)( 3) 2+ 4 (a 2 + b 2 ) 2 a +1 b +1 2 2 a b ( + 2)( + 3)( + 4)

Por el contrario, (b; a) y (a; b) no son simtricas en a y b. De (XI, 3, 1) resulta que estas dos funciones se deducen de F(a, b) por derivaciones en b y en a respectivamente, es decir: (b; a) = ( a; b ) = 1 2 b F (a, b) 2b b 1 2 a F (a, b) 2a b

(XI, 3, 5)

Anlogamente, de nuevo, designemos por (b; a) al valor medio de r entre los dos grandes lados de longitud a del rectngulo, distantes de b, y por (a; b) el mismo valor medio entre los lados pequeos de longitud b, distantes de a. Se tiene: 1 2 2 (b; a) = b (b; a) = b F (a, b) b 2 b 2 2 (a; b) = a (a; b) = 1 a 2 F (a, b) a 2 a 2

(XI, 3, 6)

Se podran obtener los desarrollos explcitos, a partir de (XI, 3, 4) y transformando la segunda hipergeomtrica por la frmula de cambio (E, 3, 1). Es ms simple proceder por integraciones y derivaciones trmino a trmino. Se partir de (b; a) cuyo desarrollo est

188 dado por (XI, 2, 8), con r = b, y l = a. Por integraciones sucesivas trmino a trmino en b (lo que es legtimo porque b < a), se deduce (b; a), luego F(a, b). Finalmente, por derivaciones sucesivas trmino a trmino en a de F(a, b), se obtiene (a; b) y (a; b): Esta ltima funcin (a; b) debe coincidir con (XI, 2, 6), al poner r = a y l = b. Esta circunstancia es general y muestra que, en las frmulas del rectngulo, los desarrollos a largas distancias pueden siempre deducirse de los desarrollos a corta distancia, por integraciones y derivaciones sucesivas, mientras que el paso inverso no es posible, en general.

Desarrollos explcitos para cualquiera. - (b; a) es una expresin homognea de grado en a y b. El trmino general, de la forma b a + , proporciona, por integracin en b, los trminos:

1 + b a +1
Y: 2 b a + ( + 1)( + 2) Para (b; a) y F(a, b) respectivamente. Por derivacin, segn (XI, 3, 5) Y (XI, 3, 6), se obtienen los trminos:

+2 b a ( + 1)( + 2)
Y: ( + 2 )( + 1 ) b a ( + 1)( + 2) Para (a; b) y (a; b). Dejaremos al lector, el cuidado de verificar que (XI, 2, 6) se deduce efectivamente de (XI, 2, 8). Los trminos irregulares en b1+ / a y b2+ / a2 desaparecen puramente y simplemente, y esta circunstancia seala bien que no es posible, de manera inversa, deducir (XI, 2, 8) del desarrollo a largas distancias (XI, 2, 6). Siempre, con b a , los desarrollos de F y de las funciones son los siguientes:

189

(XI, 3, 7)

1+ 2 1+ b 2+ 4 2 b F (a, b) = + ( + 2)( + 3)( + 4) a 2 a + + ( 2)( 3) 2 b2 2 1 + a + 2 ( + 1)( + 2) 6( 1) a 1 ... k + 2 b 2 k 2 2 2 + 2k k = 2 ( + 1 2k )(2 k + 1)( k + 1)! a 1+ 1+ b 2+ 2 2 b (b; a ) = + ( + 2)( + 3) a 2 a + ( 2) 2 b2 2 1 a + + ( + 1)( + 2) 3( 1) a 2 1 ... k + 2 b 2 k 2 2 2 + 2k k = 2 ( + 1 2k )(2k + 1) k ! a

(XI, 3, 8)

(XI, 3, 9)

1+ b1+ 2 ( a; b ) = a ( + 2)( + 3) 2 1 ... k + 1 2 k 1 22 2 b + +a 2k + 1 k =1 ( + 1 2k )(2k + 1)(k + 1)! a

En las aplicaciones, ser lo ms a menudo un entero par o impar, y se deber tratar trminos logartmicos en r2p log r . Examinemos estos casos particulares.

Caso de un entero par = 2p . - Los desarrollos anteriores siguen siendo utilizables, y se simplifican considerablemente. Por una parte (- / 2) es infinito y el trmino irregular en b1+ / a desaparece, por otra parte, la serie entera se reduce a un polinomio par de grado 2p en b / a. No es necesario escribir aqu las expresiones explcitas.

190

Caso de un entero impar = 2p 1 . - En este caso, se deben efectuar las mismas integraciones y derivaciones sucesivas sobre 2p-1(b; a) , cuyo desarrollo se deduce de (XI, 2, 10) al poner:
r = b y l = a Un trmino de la forma ba-log (b / a) aporta las contribuciones siguientes a: (b; a), F(a, b) y (a; b) Respectivamente:

(XI, 3, 10)

a b b a b log a ( + 1) 2 +1 2 2(2 + 3) b a b log a b 2 2 a ( + 1) ( + 2) ( + 1)( + 2) 2+ b 1 (2 + )(2 + 3) a b log a b + a ( + 1)( + 2) ( + 1) 2 ( + 2) 2 ( + 1)( + 2)

Al aplicar estos resultados a (XI, 2, 10), se obtiene: (2 p )! 2 p 1 (b; a ) = 22 p (2 p + 1)( p !) 2 b2 p a 2 1 1 + + + + + + 2 log 1 ... 2 2 log 2 a b 2 p +1 2 p p p 1 2 2 2 (2 p )! b F2 p 1 (a, b) = 2 (2 p + 1)(2 p + 2)( p !) a a 1 2 1 1 + + 1 + + ... + 2 + 2log 2 + ... 2 log + b p +1 2 p +1 2 p 2 p 2p 2 (2 p )! b 2 p 1 (a; b) = (2 p + 1)(2 p + 2)( p !) 2 a 2 1 1 1 a 2 log b + 2 p + 1 + 1 + 2 + ... + p + p + 1 2log 2 + ...

(XI, 3, 11)

En las frmulas (XI, 3, 1) , solo se ha escrito explcitamente el trmino irregular, que reemplaza, a la vez el trmino en b1+ / a y el trmino ab2p / a2p de los desarrollos (XI, 3, 7), (XI, 3, 8) y (XI, 3, 9): Los otros son idnticos a los trminos correspondientes de estos desarrollos, escritos con = 2p 1.

191

Trminos logartmicos en r2p log r . - El caso de los trminos en r2p log r se trata, a partir de los desarrollos (XI, 2, 13) y (XI, 2, 14), por el mismo mtodo de integraciones y derivaciones sucesivas. Daremos solamente la expresin explcita de la funcin F en el caso en que p = 0 y p = 1: Las funciones se deducen fcilmente por aplicacin de (XI, 3, 5):

(XI, 3, 12)

3 b 1 b2 b 25 F ( a , b ) = log a + + log 2 2 3a 6a a 12 =0 k 1 1 (1) b2k + 2 k = 2 k (k 1)(k + 1)(2k 1)(2k + 1) a 2 k d b 11 b 4 b3 1 b 4 F (a, b) = log + 2 a 900 a 2 = 2 15 a 3 a d 1 1 + a 2log a + b 2log a 6 6 7 1 b2 7 b4 + a2 2 4 12 6 a 120 a 1 (1) k b2k 2 k =3 k (k + 1)(k 1)(k 2)(2k 3)(2k + 1) a 2 k

4. - Las frmulas del paraleleppedo para r.


Una segunda subida, efectuada sobre los desarrollos obtenidos, conduce a las frmulas del paraleleppedo. Sean a b c las tres aristas del paraleleppedo. Designemos por F(a, b, c) al valor medio de r en el paraleleppedo, por (a; bc) al valor medio de r entre 2 caras bc distantes de a, por (a; bc) al valor medio de r entre el paraleleppedo y una cara bc. El desarrollo de (r; a), puesto en la forma:

(r; a ) = A a b

Proporciona, al efectuar una subida trmino a trmino bajo la potencia b, e integrando enseguida en c:
(c; ab) = A a (c; b) (c; ab) = A a (c; b) F ( a , b, c ) = A a F (b, c)

(XI, 4, 1)

192 Al derivar en b , se obtienen las frmulas de las secciones intermedias: 1 2 (b; ac) = 2b b b F (a, b, c) = A a (b; c) (XI, 4, 2) (b; ac) = b (b; ac) = A a (b; c) b Anlogamente, al derivar en a, se obtienen las frmulas de las secciones pequeas: 1 2 1 (a; bc) = a F (a, b, c) = ( + 2 ) A a F (b, c) 2a a 2 (a; bc) = a (a; bc) = 1 ( + 2 )( + 1 ) A a F (b, c) a 2

(XI, 4, 3)

Estas frmulas se explicitan en la forma de series dobles. No es til escribir aqu las expresiones generales. Es mejor, en cada caso particular, calcular numricamente los primeros trminos, deteniendo los desarrollos de , o F en los trminos que se quiera, para obtener la aproximacin deseada.

____________________

193

CAPITULO DUODECIMO

LA ESTIMACION Y EL KRIGEADO
SUMARIO

Este captulo, largo y a veces difcil, sobre todo en el prrafo 3, es fundamental para las aplicaciones prcticas. En el plano terico, se establecen las reglas de correspondencia trmino a trmino entre los desarrollos limitados de (h) y de la varianza de estimacin, menos simples que en transitivo, pero teniendo la misma significacin. Prrafo 1. - Este prrafo, de fcil lectura, formula el problema general de la estimacin, el cual comprende dos partes: Por una parte la eleccin de la ponderacin a efectuar sobre los valores experimentales disponibles para obtener el mejor estimador: Es el krigeado. Por otra parte, el clculo de la varianza de estimacin, que debe conducirse de manera bien diferente segn la naturaleza de la red de muestreos: Regular con implantacin preferencial, regular con implantacin flotante, aleatorio estratificado o aleatorio puro. Prrafo 2. - Propiedades generales de las mallas regulares con implantacin preferencial. Despus de establecer la frmula terica de la varianza de estimacin, se desarrollan dos principios simples de aproximacin: Composicin de trminos de tajada y de seccin, el cual permite reducir todos los clculos a problemas de una sola dimensin, y composicin de varianzas de extensin elementales: Este principio, menos general, solo se puede aplicar en una dimensin y solamente en ciertos casos. Prrafo 3. - Este prrafo, consagrado al clculo explcito de las varianzas de estimacin con una sola dimensin (caso al cual es posible reducirse siempre), es largo y difcil. Se desarrolla, en primer lugar, con la ayuda de la frmula de Mac Laurin el principio de correspondencia trmino a trmino entre los desarrollos limitados de (h) y de la varianza de estimacin. 1 1 2 ' Si (h) = c h , N = R c a + 2 R c a . Pero este principio solo se aplica N N en el caso en que el desarrollo ch es vlido hasta h = a, siendo a la malla. Cuando no es as, se aplica el principio de composicin de varianzas de extensin [reglas prcticas (XII, 3, 12) y (XII, 3, 13)]. Enseguida se pasa a establecer la forma explcita de la regla de correspondencia, es decir al clculo de R y R. Los clculos son bastante largos, pero no es necesario seguirlos en detalle. El resultado esencial (XII, 3, 21) se particulariza a los casos = 2k, 2k 1 y a los trminos en h2k log h. Las frmulas se establecen en el caso de un dispositivo centrado (muestras implantadas en el centro de su segmento de influencia). El caso de un dispositivo cerrado (estimacin del segmento comprendido entre una primera y una ltima muestra) se examina rpidamente: Las frmulas son prcticamente las mismas. Prrafo 4. - Estudio de mallas regulares con implantacin flotante: La red regular est aqu implantada, en su conjunto, de manera cualquiera con respecto al campo V. Este, en general, no es conocido a priori, y el error cometido en su estimacin se repercute, en

194 parte, sobre la estimacin de la ley media (efecto de borde). Las frmulas se obtienen fcilmente al pasar a las representaciones transitivas. Enseguida se comparan las malas regulares con implantacin preferencial e implantacin flotante. 2 Prrafo 5. - Mallas aleatorias y aleatorias estratificadas. En el caso aleatorio puro, N se obtiene al dividir por N la varianza de las muestras en V. En el caso aleatorio estratificado, y si el campo V es conocido a priori, se divide por N la varianza ms pequea de las muestras en sus zonas de influencia v. Si V no es conocido a priori, aparece un efecto de borde, que se pone en evidencia al pasar a transitivo. Finalmente, se comparan las mallas regulares y aleatorias estratificadas, las primeras son siempre mejores que las segundas cuando estas son mallas adaptadas. Prrafo 6. - Este prrafo est consagrado al krigeado, es decir a la determinacin de la ponderacin mediante la cual, la varianza de estimacin es mnima. La ecuacin general (XII, 7, 6) se obtiene por los mtodos del clculo de variaciones. Se establece un teorema de superposicin importante para las aplicaciones: Todo krigeado puede obtenerse por superposicin de krigeados puntuales. Enseguida se analiza el caso particular del krigeado continuo a lo largo de curvas (trabajos mineros), y el krigeado discontinuo por un nmero finito de muestras puntuales. El inters prctico del krigeado est sobre todo ligado al hecho que permite evitar un error sistemtico en la estimacin de una zona favorable seleccionada. Algunas particularidades (efecto de pantalla, simetra) permiten reducir de manera considerable los clculos.

1. - El problema de la estimacin.
En un gran nmero de aplicaciones, es necesario proceder a la estimacin de un valor medio, ponderado o no, de una variable regionalizada en un campo V, a partir de los resultados de un muestreo fragmentario. Por ejemplo interesa la cantidad: (XII, 1, 1) Z= 1 p( x) f ( x)dx VV

En que f(x) es una variable regionalizada, y p(x) una funcin de ponderacin, de suma unidad, nula fuera del campo V. (XII, 1, 2)

p( x)dx = 1

Esta cantidad Z ser llamada, para abreviar el lenguaje, ley media [ponderada por p(x)] del campo V, o ms brevemente, ley ponderada de V. Para proceder a la estimacin de Z, se dispone, por ejemplo, de los valores numricos tomados por la variable regionalizada en un conjunto V, finito o no, discontinuo o continuo, de puntos x. En el caso en que solo se * f , regularizada de f por dispone de los valores numricos de la variable no puntual una funcin de ponderacin o de muestreo , por ejemplo, si los datos disponibles son las leyes de muestras no puntuales de volumen v , debemos reducirnos al caso de muestras puntuales, al regularizar el semi-variograma (h) , como fue indicado en el prrafo (VIII,

195 3). Con la ayuda de este muestreo fragmentario, y de una segunda funcin de ponderacin (x) - de suma unidad -, y nula al exterior de V, Se forma un estimador: (XII, 1, 3) Y = ( x) f ( x)dx
V'

Cuyo valor numrico, conocido experimentalmente, constituye una estimacin del valor numrico, desconocido Z. El problema de la estimacin comprende dos partes bien distintas: La eleccin del estimador Y mismo, es decir, la eleccin de la funcin de ponderacin (x) , y la precisin de esta estimacin. En la teora de los esquemas intrnsecos, las cantidades Z e Y se interpretan como integrales estocsticas, es decir como variables aleatorias. Con la reserva que la funcin de ponderacin haya sido elegida con suma unidad: (XII, 1, 4)

V'

( x)dx = 1

Se sabe que el error Y Z cometido al extender a V la ley de Y del muestreo V, puede caracterizarse por una varianza de extensin D2(Y - Z) , calculable por las frmulas generales del captulo VIII. Esta varianza de extensin, que llamaremos tambin varianza de estimacin, responde entonces al segundo problema propuesto, el cual concierne la precisin de la estimacin. Pero, naturalmente, el valor numrico de D2(Y - Z) depende de la eleccin que se ha hecho de la funcin de ponderacin (x) , sometida a la condicin (XII, 1, 4). Es natural entonces, elegir, entre todas las funciones (x) posibles de suma unidad y nulas fuera de V, aquella que conduce al valor ms pequeo de D2(Y - Z) . As, el primer problema que es la eleccin del estimador Y debe ser resuelto por los mtodos llamados de krigeado 28 , que consisten en determinar la funcin (x) que realiza el mnimo de la varianza de estimacin. Estos mtodos sern presentados en el prrafo XII, 6. En muchos casos, el recurso al krigeado no se impone, y nos podemos contentar con una funcin (x) simple, elegida a priori. Con el costo de una prdida de precisin, a menudo despreciable, se evitan as clculos largos y tediosos. Por ejemplo, supongamos que se tenga:

p( x) =

1 k ( x) V

Siendo k(x) la variable geomtrica asociada al campo V. En este caso la cantidad Z a estimar es la ley media ordinaria (no ponderada) de V. Si se dispone de una red de muestreos puntuales suficientemente numerosos, implantados, segn una malla regular en toda la extensin de V, en los puntos x1, x2 . . . xn, es totalmente legtimo, en general, tomar el estimador:

Esta terminologa, de origen geoestadstico, hace alusin a los trabajos de D. G. Krige en los yacimientos de oro de Africa del Sur.

28

196

Y=

1 N

f (x )
i =1 i

Que es una simple media aritmtica. En esta caso, la varianza de estimacin se debe calcular, segn (VIII, 3, 12), por la frmula:

D 2 (Y Z ) =
(XII, 1, 5)

2 NV 1 N2

( x x )dx
i i V

( x x ) V ( x x ')dxdx '
i j
2

ij

V V

Naturalmente, si N es grande, el clculo directo de la expresin (XII, 1, 5) sera bastante tedioso, y estamos conducidos s buscar frmulas de aproximacin. Este ser el objetivo de los prrafos 2 a 5. Pero, para desarrollar tales frmulas, estamos obligados a distinguir varios casos, segn la naturaleza, regular o no, y el carcter, preferencial o no, de la implantacin de la red de muestreos en el campo geomtrico V. En las aplicaciones prcticas, se puede, en general, reducirse a uno u otro de los tres casos siguientes:

Mallas irregulares con implantacin preferencial 29. - Muy a menudo, el campo geomtrico V en el cual estamos interesados se elige en el seno de una regionalizacin ms vasta que la que se ve con los resultados de los muestreos mismos. Habiendo retenido, entre todos los muestreos posibles, un nmero N de entre ellos, considerados como favorables, se define el campo V como la reunin de las zonas de influencia de las muestras seleccionadas. Por construccin, cada muestra de la red ocupa en su zona de influencia, una posicin preferencial. Por ejemplo, a dos dimensiones y para una malla rectangular, el campo V est constituido por paneles rectangulares centrados en las muestras retenidas (dispositivo centrado), o admitiendo estos muestreos como vrtices (dispositivo cerrado): las muestras ocupan, relativamente a estos paneles, una posicin, la cual es centrada o perifrica, pero siempre preferencial, y hay una sintona perfecta entre la geometra de la red y la del campo. Mallas regulares con implantacin flotante 30. - A menudo, tambin el campo V preexiste en la naturaleza y no es elegido por el hombre. Es en particular el caso en que interesa la totalidad de una regionalizacin, y ya no una porcin seleccionada al interior de un campo ms vasto. En este caso, el campo V no es, en general, conocido a priori, y la red de muestreos con malla regular tendr pocas chancees de ocupar la misma posicin preferencial que en el caso anterior. Entre las muestras perifricas, unas caern muy cerca de las fronteras del campo y otras muy lejos. Se podr, en general, admitir que todo sucede como si la red regular fuera implantada, en su conjunto, de una manera aleatoria, o an, como en transitivo, como si uno cualquiera de los muestreos, tomado como origen de la red, estuviera implantado al azar en el paraleleppedo de la malla.
29 30

En geoestadstica se dice tambin esquema de reconocimiento con campo flotante e implantacin fija. Terminologa geoestadstica equivalente: Esquema de reconocimiento con campo fijo e implantacin flotante.

197

Mallas aleatorias y aleatorias estratificadas. - A pesar de que, en general, no sea una prctica muy recomendable, se tiene, a veces, que los muestreos estn implantados un poco no importa donde, y no se pueden reducir a una red regular. En ciertos casos todo sucede como si cada muestra fuera implantada al azar en V, de manera independiente de las otras, y se dice que la malla es aleatoria pura. Ms a menudo, sin tener una malla regular, existe el esfuerzo de mantener en V una densidad de muestreo aproximadamente constante. En este caso todo sucede como si V estuviera dividido en zonas de influencia iguales entre ellas, y como si una muestra estuviera implantada al azar en cada una de las zonas de influencia, de manera independiente de las otras. En este caso se dice que la malla es aleatoria estratificada. De estos tres tipos de malla, el primero, que es el ms importante para las aplicaciones, es tambin el ms difcil de tratar. Le consagraremos los prrafos 2 y 3, y los dos otros tipos sern examinados enseguida en los prrafos 4 y 5. El ltimo prrafo ser consagrado a los mtodos generales del krigeado.

2. - Las mallas regulares con implantacin flotante.


Se dice que una malla regular es con implantacin preferencial cuando el campo geomtrico V est constituido por la reunin de N poliedros vi adjuntos, todos iguales y trasladados unos de otros, llamados zonas de influencia, y cuando los puntos de muestreo xj estn implantados en el centro de las zonas de influencia (dispositivo centrado) o en los vrtices de los poliedros vi (dispositivo cerrado). Se supone que los muestreos son puntuales (porque siempre nos podemos reducir a este caso al reemplazar f(x) por una regularizada), y, para estimar la ley media de V: Z= 1 f ( x)dx VV

Se forma la media aritmtica de las leyes de las N muestras puntuales disponibles: Y= 1 N

f (x )
i i

2 La varianza de estimacin, la cual designaremos por N est dada por la frmula general (XII, 1, 5)

2 N = D 2 (Y Z ) =

(XII, 2, 1)

2 NV

( x x )dx
i i V

1 N2

( x x ) V ( x x ')dxdx '
i j
2

ij

V V

198 Es necesario ver bien que, en el segundo miembro, la serie doble como una expresin aproximada del trmino mixto
1 NV
i

1 N2

(x x )
i j ij

aparece

( x x )dx
i V

el cual es tambin

una expresin aproximada de la integral doble. As, la varianza de estimacin aparece como una diferencia segunda de cantidades muy vecinas unas de otras, particularmente difcil de calcular numricamente, an cuando el nmero N de las muestras sea poco importante. La frmula (IV, 1, 2) que proporciona la varianza de estimacin en representaciones transitivas es anloga a (XII, 2, 1), pero ms simple, porque solo comporta una diferencia de dos cantidades muy vecinas. Naturalmente, esta analoga no es fortuita, sino que traduce un parentesco muy profundo, y la mayor complejidad de la varianza de estimacin intrnseca es imputable al carcter preferencial de la implantacin, lo cual no tiene equivalente en la estimacin transitiva. Para elaborar frmulas de aproximacin, tenemos la eleccin entre dos principios muy diferentes, uno corresponde a una simple transposicin de los resultados obtenidos en el captulo IV, mientras que el segundo no tiene y no puede tener equivalente en transitivo.

Composicin de trminos de tajada y trminos de seccin.- En la red de puntos de muestreo xi , es fcil distinguir planos y rectas de mayor densidad. Razonemos, por ejemplo, en el espacio de 3 dimensiones. Al atribuir la ley media de las muestras de las lneas de mayor densidad, la de las lneas, a los planos de mayor densidad, y finalmente la media de los planos al campo V entero, se cometen tres errores de extensin sucesivos, que deben, naturalmente ser sumados. Si estos tres errores tienen covarianzas nulas, la varianza de estimacin resultante ser simplemente la suma de las tres varianzas de extensin correspondientes a estos tres errores:
(XII, 2, 2)
2 2 2 2 N =N +N +N
1 2 3

2 2 2 La tres varianzas N , N y N de extensin de los puntos a las lneas, de las lneas a 1 2 3

los planos, y de los planos al campo total, tienen, respectivamente los nombres de trmino de lnea, trmino de seccin y trmino de tajada. Naturalmente, el principio de composicin expresado en (XII, 2, 2) solo tiene valor en la medida que los tres errores de extensin son efectivamente independientes, o, al menos, pueden ser observados como tales en primera aproximacin. La intuicin sugiere bien que as debe ser, por lo menos para las funciones intrnsecas que no tengan un comportamiento demasiado regular en el origen. Estamos faltos de medios para demostrarlo mediante clculos, como lo pudimos hacer, con la ayuda de desarrollos limitados, en el caso de las representaciones transitivas. Pero la analoga profunda de las varianzas de estimacin transitiva e intrnseca, tal como aparece en las frmulas generales (IV, 1, 12) y (XII, 2, 1) aporta un argumento suplementario, y admitiremos que el principio de aproximacin (XII, 2, 2) es utilizable para las funciones intrnsecas usuales. El inters mayor del principio de composicin de trminos de lnea, tajada y de secciones es que, evidentemente, permite reducir el clculo de cualquier varianza de estimacin a una serie de problemas que comportan una sola dimensin. Basta entonces, con saber calcular las varianzas de una sola dimensin para deducir todas las otras por composicin. Antes de

199 pasar las reglas explcitas de clculo, es necesario sin embargo, examinar un segundo principio de aproximacin, muy diferente, pero igualmente til en las aplicaciones.

Composicin de varianzas de extensin elementales. En el caso de un centrado, la frmula general (XII, 2, 1) se puede poner de otra manera. designemos por Zi la ley media de la zona de influencia vi en cuyo centro 2 de efectuado el muestreo puntual de la ley f(xi). La varianza de estimacin E
(XII, 2, 3)
2 E = D 2 [ Z i f ( xi )] =

dispositivo En efecto, xi ha sido f(xi) y Zi:

2 1 ( x xi )dx 2 vi vi vi

vi vi

( x x ')dxdx

Se llamar varianza de extensin elemental de la muestra xi en su zona de influencia. El error total, cometido en la estimacin de Z, es igual a la media aritmtica de los errores i cometidos en la estimacin de cada una de las zonas de influencia vi , porque todas ellas tienen el mismo volumen: Z Y = 1 N

[Z
i

f ( xi )] =

1 N

Al tomar la varianza de los dos miembros, se obtiene la forma siguiente, equivalente a (XII, 2, ): (XII, 2, 4)
2 N =

1 2 2 E + 2 N N

E (
i< j i

Los trminos E(ij) son covarianzas de extensin, y pueden ser calculados por las frmulas generales del captulo VIII. Si, en (XII, 2, 4), la suma de todas estas covarianzas de extensin puede ser considerada como despreciable, quedar la frmula muy simple: (XII, 2, 5)
2 n =

1 2 E N

Que expresa un principio de composicin de las varianzas de extensin elementales, y supone, naturalmente, que se tiene el derecho de considerar como independientes los errores cometidos al extender a dos zonas de influencia distintas, las leyes de las muestras tomadas en sus centros. Los dos principios de aproximacin (XII, 2, 2) y (XII, 2, 5) son manifiestamente incompatibles. Es necesario elegir entre ellos. En efecto, en el caso general, la suma de las covarianzas de extensin que figura en (XII, 2, 4) no es despreciable. Nos damos cuenta - y se puede verificar por el clculo - al imaginar, en le espacio de 2 dimensiones, una malla rectangular muy grande. Si xi y xj son dos puntos de muestreo vecinos en una misma lnea de mayor densidad, son demasiado prximos uno del otro, respecto de la longitud de sus zonas de influencia, para ser extendidos a ellas independientemente uno del otro. Fuera

200 de estos casos particulares (funcin intrnseca istropa y malla cbica o cuadrada, o ms generalmente funcin intrnseca que presenta una anisotropa geomtrica y malla adaptada, es decir presentando la misma anisotropa que la funcin intrnseca), la frmula (XII, 2, 5) no ser ciertamente utilizable. As, estamos conducidos a subordinar el principio de composicin de varianzas de extensin elementales al principio de composicin de trminos de tajada y de seccin. Se aplicar, en primer lugar la frmula (XII, 2, 2), y es solamente en el clculo de las 2 varianzas de una sola dimensin tales como N , que se podr esperar utilizar (XII, 2, 5): an con una sola dimensin, como vamos a ver, la composicin de varianzas de extensin est lejos de ser siempre justificada.

3. - Clculo de varianzas de estimacin.


Segn lo que precede, basta con calcular las varianzas de estimacin en un espacio con una sola dimensin. Sean entonces, en el espacio de una dimensin, (h), (h) y F(h) la funcin intrnseca y las dos funciones auxiliares ya introducidas en (XI, 3, 1):
h 1 = h (u )du ( ) h 0 h h F (h) = 2 u (u )du = 2 (h u ) (u )du h2 h2 0 0

(XII, 3, 1)

Designemos por a la malla, y por N el nmero de puntos de muestreo los que se supone estn implantados en el centro de su zona de influencia, en los puntos de abscisa:

1 xi = i a 2
El campo geomtrico est, en este caso, constituido por la recta (0, L), con: L = Na Se tiene aqu:

L ( x xi )dx = xi ( xi ) + ( L xi ) ( L xi ) 0 hh 1 ( x x ')dxdx ' = F (h) h2 00


De manera que la frmula general (XII, 2, 1) toma la forma siguiente:

201
2 N =

(XII, 3, 2)

4 1 xi ( xi ) F ( L) 2 NL i N

(x x )
i j ij

Para ordenar esta expresin, se puede observar que se tiene: 1 N2

( xi x j ) =
ij

2 N2

( N k ) (ka)
k =0

N 1

Y utilizar, para F(L), las dos expresiones equivalentes escritas en (XII, 3, 1). Se obtiene as:
L 2 4 N 4 = x x ( ) N i i L2 x ( x)dx NL i =1 0 L 2 2 N 1 + 2 ( L x) ( x)dx 2 ( N k ) (ka ) L 0 N k =0

(XII, 3, 3)

As la varianza de estimacin es igual a la suma de dos restos de tipo Euler Mac Laurin, iguales a los errores cometidos en el clculo numrico aproximado de dos integrales simples. Por otra parte, es ms cmodo, separar los trminos en 1 / N o en 1 / L y los trminos en 1 / N2 o 1 / L2, lo cual proporciona la descomposicin siguiente:
2 N = T1 + T2 L T = 2 ( x)dx 1 L 0 2a 1 L (a ) + (2a ) + ... + [( N 1)a ] + 2 ( Na ) L L N 4a 4 2 T2 = 2 xi ( xi ) 2 x ( x)dx 2 x ( x)dx L i =1 L 0 L 0 2a + 2 [ a (a ) + 2a (2a ) + ... + ( N 1)a [( N 1)a ] L 1 + Na ( Na ) 2

(XII, 3, 4)

Los dos trminos T1 y T2 se tratan de la misma manera y verifican las mismas propiedades. Para evitar complicaciones de escritura, examinaremos en detalle el ms simple de los dos, que es T1. El mtodo, exactamente como en el captulo IV, va a consistir en transformar la expresin de T1, diferencia entre el valor exacto y el valor aproximado de una misma integral, con la ayuda de la frmula de Euler-Mac Laurin (IV, 2, 1). Naturalmente, como (h) presenta en general singularidades en el origen, esta frmula no es utilizable en todo el intervalo (0, L), sino solamente en un intervalo (a, L). Como, por otra parte, (0) es nulo, escribiremos:

202

2 a T1 = ( x)dx (a ) L0 L
L 2 a a + ( x)dx (a ) a (2a ) ... a [( N 1)a] ( Na) L 0 2 2

Supondremos que (x) posee las condiciones de continuidad y de derivabilidad requeridas en el intervalo (a, L) para transformar, con la ayuda de la frmula de Euler-Mac Laurin, el trmino que figura en el parntesis. Se obtiene as: (XII, 3, 5) T1 =
a B2 p a 2 p (2 p 1) a 2 2 p x dx a ( ) ( ) ( 1) [ ( L) (2 p 1) (a )] + L0 L L p =1 (2 p )!

En general, (XX, 3, 5) deber ser considerado como un desarrollo limitado en vez de una serie entera. Los trminos que all figuran son de dos especies diferentes. Los primeros, que comprenden la integral

( x)dx
0

y las derivadas impares (2p-1)(a) tomadas en el punto a,

solo hacen intervenir los valores tomados por la funcin intrnseca en el intervalo (0, a). Son el equivalente exacto del trmino de extensin T0(a) de la frmula (IV, 2, 5)... Los otros, por el contrario, solo hacen intervenir los valores tomados por las derivadas impares (2p-1)(L) en L = Na, y corresponden al trmino de Zitterbewegung TZ(a) de (IV, 2, 5). Los despreciaremos siempre, como en el caso transitivo, pero ahora con ms razones, porque los (h) usuales, funciones crecientes de h, tienen, lo ms a menudo, un crecimiento que se aminora para las grandes distancias de h, de manera que las derivadas en L = Na son despreciables respecto de las derivadas en a, siempre que N no sea muy pequeo. Si la funcin intrnseca (h) admite un desarrollo limitado de la forma: (XII, 3, 6) (h) = C|h|

Utilizable hasta h = a, cada una de las componentes en h aporta al trmino T1 (se excluye el Zitterbewegung) su contribucin T1(h), que es de la forma: (XII, 3, 7)

T1 (h ) =

1 R a N

En que R es un coeficiente independiente de N y de a, como se ve fcilmente al reemplazar (h) por h en (XII, 3, 5). De la misma manera, se vera que cada una de las componentes en h aporta al trmino T2 de (XII, 3, 4), excluyendo, aqu tambin, el Zitterbewegung, una contribucin: (XII, 3, 8)

T2 (h ) =

1 ' R a N2

203

' En que R es un coeficiente independiente de N y de a. As, cuando el desarrollo (XII, 3, 6) es utilizable justo hasta h = a , se puede obtener un desarrollo limitado de la varianza de estimacin vlido en la vecindad de a = 0, al aplicar trmino a trmino el principio de correspondencia siguiente:

(XII, 3, 9)

2 N = C [T1 (h ) + T2 (h )] =

1 N

C R a + N C R a
' 2

Procederemos, en un instante, al clculo efectivo de los coeficientes R y R que figuran en la regla de correspondencia (XII, 3, 9). Pero es necesario, antes, examinar que pasa si el desarrollo (XII, 3, 6) solo es utilizable hasta h = a. Esta circunstancia se produce frecuentemente cuando a no es muy pequeo. Hemos encontrado un ejemplo en el captulo XI. La funcin intrnseca (r), que se deduce de r por subida de orden 1, admite uno u otro de los desarrollos diferentes (XI, 2, 6) y (XI, 2, 8) segn que la distancia r es mayor o menor a la potencia l de la subida: Para una malla a mayor que la potencia l, el desarrollo (XI, 2, 8) no es utilizable hasta h = a, y por consiguiente la regla de correspondencia no puede ser aplicada en la forma (XII, 3, 9). En este caso, la solucin consiste en utilizar el principio de aproximacin (XII, 2, 5), es decir el principio de composicin de varianzas de extensin elementales. Como la funcin intrnseca ha cambiado de aspecto en el intervalo (0, a), esperamos bien que las covarianzas de extensin E(ij) sean despreciables, es decir a que cada muestra se extiende de manera independiente de las otras a su zona de influencia de longitud a. De hacho, al utilizar las funciones auxiliares (XII, 3, 1) y poniendo: u = | i j |a La frmula general permite calcular E(ij). Se encuentra: E ( i j ) = (u ) + 2 a a a a u + u + u u a 2 2 2 2

1 [(u + a ) 2 F (u + a ) 2u 2 F (u ) (u a ) 2 F (u a )] 2 2a

Se ven aparecer las diferencias primera y segunda de las funciones u(u) y u2F(u) tomadas en torno de u = |i j|a, valor superior o igual a a. Lo ms a menudo, (h) admite un desarrollo limitado o tambin un desarrollo en serie respecto de h = u (es una consecuencia del hecho muy general que las singularidades analticas de un (h) estn localizadas en la vecindad del origen). En estas condiciones, E(ij) admite tambin un desarrollo limitado, o en serie entera, cuya expresin se obtiene sin dificultad: (XII, 3, 10) E ( i j ) = a 2k k +1 2 2 k 2 (2 k ) (u ) 2 k =1 (2k + 2)!

204

Se verifica que el trmino en a2, correspondiente a k = 1, tiene un coeficiente nulo, de 1 4 (4) manera que el desarrollo (XII, 3, 10) comienza por el trmino a (u ) , que es de 576 cuarto orden en a . Por otra parte, u es mayor o igual a a, y en h = a el semivariograma, que ya ha sido cambiado, por hiptesis, de aspecto analtico, ha entrado, en general, en la zona de crecimiento lento, de manera que las derivadas de orden cuatro son tambin muy pequeas. Por otra parte, no se puede deducir que E(ij) es siempre despreciable. En particular, para un (h) muy regular en la vecindad del origen, admitiendo, por ejemplo un comportamiento en h4 o h5 respecto de h = 0, podra ocurrir muy bien que las covarianzas E(ij) sean del mismo orden de magnitud que la varianza de 2 . En la mayora de las aplicaciones, sin embargo, (h) no posee extensin elemental E una regularidad tan elevada en el origen, y los E(ij) pueden efectivamente ser despreciados.

Regla prctica. - En resumen, obtenemos la regla prctica siguiente para el clculo de varianzas de estimacin con una sola dimensin: Si la funcin intrnseca (h) admite un desarrollo limitado de la forma:
(XII, 3, 11) (h) = Ch

vlido hasta las distancias h iguales a la malla a, se obtiene un desarrollo limitado en a de la varianza de estimacin al aplicar el principio de correspondencia trmino a trmino: (XII, 3, 12)
2 N =

1 N

C R a + C R a N
' 2

Si, por el contrario, el desarrollo (XII, 3, 11) no es utilizable hasta h = a, se aplicar el principio de composicin de varianzas de extensin elementales: (XII, 3, 13)
2 = N

1 2 1 E = N N

a 2 2 F (a)

Falta por calcular los valores numricos de los coeficientes R y R de la regla de correspondencia (XII, 3, 2).

Forma explcita de la regla de correspondencia. - Para establecer la regla de correspondencia, utilizaremos, como lo habamos hecho en el caso transitivo, un (h) particular, el cual presenta un trmino en h, y procederemos por identificacin. Tomemos por ejemplo:
(XII, 3, 14)

( x) = (1 e
1

ux

u 1 ) du = x + ( x) ( )

205 Se puede verificar, con la ayuda de la frmula (D, 13) del Anexo D, que (x) es una serie entera en x, de manera que la funcin (x) definida en (XII, 3, 14) contiene el trmino -x como el nico trmino con exponente no entero en su desarrollo respecto del origen (el caso en el cual es un entero, se tratar sin dificultad por paso al lmite). Como este (x) se obtiene por superposicin de funciones de la forma (1 e-ux), examinaremos en primer lugar el caso particular, muy simple, donde se tiene: (XII, 3, 15) (x) = 1 e-ux

El clculo de los coeficientes T1 y T2 de las relaciones (XII, 3, 4) no ofrece dificultades particulares para el (x) exponencial (XII, 3, 5). Se encuentra para T1: T1 = 1 e uL N 2 2 1 ua ua 1 e

La presencia del Zitterbewegung se manifiesta por los trminos en e-uL, efectivamente, muy pequeos, por poco que uL = uNa sea grande. Lo despreciaremos. Despus de la exclusin del Zitterbewegung, T1 toma la expresin siguiente: (XII, 3, 16) T1 = 1 N
2 1 2 ux 2 kua = + 1 1 2 e e dx ua ua a 1 e N k =1 0

La expresin de T1 recuerda estrechamente la de una varianza de estimacin transitiva. Designemos, en efecto, por a el operador lineal que, a todo covariograma transitivo g(h) le asocia la varianza de estimacin transitiva 2(a) segn la frmula (IV, 2, 2): (XII, 3, 17)

a ( g ) = ag (0) + 2a g (ka ) 2 g (h)dh


k =1
0

Al comparar con (XII, 3, 16), se obtiene, sin dificultad: (XII, 3, 18)

T1 =

1 a (e ux ) aN

La frmula (XII, 3, 18) resuelve el problema en el caso del semi-variograma exponencial 1 - e-ux . Para una funcin intrnseca de la forma general (XII, 3, 14), se deben multiplicar las expresiones de T1 y de T2 por la funcin de ponderacin u--1 / (-) , e integrar en u de 1 al infinito. Pero esta integracin, que interesa la variable u, y al smbolo a, el cual solo acta sobre la variable a, pueden ser invertidos. Poniendo entonces: g ( x) = Obtenemos T1 en la forma:

u 1 ux e du = (0) ( x) ( ) 1

206

(XII, 3, 19)

T1 =

1 a ( g ) aN

Segn (XII, 3, 14), g posee, en su desarrollo respecto del origen, un trmino x, solo de su especie, y una serie entera en x. A este trmino nico le corresponde, segn la regla (IV, 2, 8), el trmino Ta1+ en a(g), siendo el coeficiente T determinado por (IV, 2, 9):

T = 2 sen

B1+ 2 1+

Por consiguiente, al trmino - x de (x) de (XII, 3, 14) le corresponde el trmino siguiente, en el desarrollo de la varianza de estimacin intrnseca:

T1 ( x ) =

1 T a N

Se observa enseguida que, segn (XII, 3, 4), T2 se deduce de 2x(x) x(x) de la misma 1 1+ manera que T1 de (x). Al trmino x de (x) le corresponde el trmino x en 1+ 2x(x) x(x). De donde:

T2 ( x ) =

1 1 T +1a 2 N 1+

Al cambiar los signos, y al reemplazar T por su valor, obtenemos la forma explcita de la frmula de correspondencia intrnseca (XII, 3, 9): 2 B1+ T1 (h ) = sen a N 2 1+ 1 T2 (h ) = 2 cos B2+ a 2 2 N (1 + )(2 + )

(XII, 3, 20)

As, en teora intrnseca, la varianza de estimacin comporta un trmino principal en 1 / N que se calcula exactamente como en transitivo, y un trmino en 1 / N2 que no tiene equivalente en transitivo: La aparicin de este trmino suplementario en 1 / N2 no debe ser asociada al fenmeno observado. En el captulo XI, para la subida de r : al lado del 1+ 2 1+ r , equivalente exacto de la subida transitiva, aparece un trmino l 2 r 2+ trmino suplementario, de orden superior en . En un caso como en el otro, este l2

207 trmino suplementario est ligado al carcter finito de las operaciones intrnsecas (subida bajo potencia finita, suma sobre un nmero finito N de muestras). Para N o l muy grande, este trmino se hace despreciable, y caemos, asintticamente, sobre las frmulas transitivas. En las aplicaciones, ser a menudo un entero, par o impar, y nos interesaremos tambin en los trminos en x2klog x .

Caso en que = 2k, entero par. - Si es un entero par, T1 es idnticamente nulo, como en transitivo, pero T2 es diferente de cero:
T1 ( x 2 k ) = 0 1 (1) k +1 (2k 1) 2k = T ( x ) B2+ 2 k a 2 k 2 2 + + N (2 k 1)( k 1)

(XII, 3, 21)

As, una funcin intrnseca (h) muy regular en el origen, es decir que solo contiene trminos pares en x2k , no conduce, como en transitivo, a una varianza de estimacin a . idnticamente nula, sino ms bien a una varianza en 2 k N2

Caso = 2k 1, entero impar. - En este caso, se observa la circunstancia inversa: T2 es idnticamente nulo, pero no T1:
1 (1) k +1 B2 k 2 k 2 k 1 a T1 ( x ) = N k T ( x 2 k 1 ) = 0 2

(XII, 3, 22)

Caso de un trmino logartmico x2k log x. - Este caso se trata sin dificultad, al derivar (XII, 3, 20) con respecto a y haciendo = 2k. Solo el trmino T1 admite una expresin simple:
(XII, 3, 23) (1) k T1 ( x log x) = B1+ 2 k a 2 k N 1 + 2k
2k

OBSERVACION. - En las aplicaciones, se despreciar, lo ms a menudo, el trmino t T2. En efecto, si N es grande, T2, que es en 1 / N2 , es pequeo al lado de T1. Naturalmente, si N es pequeo, esta aproximacin podra no ser legtima. Sin embargo, hay que ver bien que las frmulas como (XII, 3, 20) son tambin aproximadas, porque no consideran el Zitterbewegung, y que ste no es, en realidad, despreciable, salvo cuando N no es muy pequeo. En el caso particular en que N = 1 , es decir cuando hay una sola muestra implantada en el centro de un segmento de longitud a, la varianza de estimacin 2 coincide con la varianza de extensin elemental E , definida por:

208
2 = 2 F (a ) E 2

En este caso particular, el principio de correspondencia toma la forma siguiente: (XII, 3, 24) 21 2 T (x ) = a + 1 ( + 1)( + 2)

Muy diferente de (XII, 3, 20). El caso difcil es aquel en que N , sin ser igual a 1, es, sin embargo, muy pequeo para que el Zitterbewegung sea despreciable (N = 3 o 4 por ejemplo). En este caso se pueden hacer los clculos directos sobre la frmula general (XII, 3, 2), es decir, ms simplemente, contentarse, en primera aproximacin con el principio de composicin de varianzas de extensin, es decir (XII, 3, 13), siempre que no sea muy elevado.

Caso del dispositivo cerrado .- Las frmulas anteriores se aplican a un dispositivo centrado, en el cual, el campo a estimar es la suma de los N segmentos de influencia de longitud a, en el centro de cada uno de ellos se ha implantado una muestra. En la prctica se encuentra un dispositivo diferente, llamado dispositivo cerrado en el cual el campo a estimar es el segmento L comprendido entre la primera y la ltima muestra tomada. Sean a la malla y N + 1 el nmero de muestras implantadas en los puntos de abscisa:
xi = ia (i = 0, 1, . . . N)

En este caso, como las muestras x0 y xN comandan una media zona de influencia, se toma como estimador Y la expresin:

Y=

1 1 1 f ( x0 ) + f ( x1 ) + ... + f ( xN 1 ) + f ( xN ) 2 N 2

2 La varianza de estimacin, que designaremos tambin por N a pesar que en realidad hay N + 1 muestras, est dada por la frmula general siguiente, anloga a (XII, 3, 2):

2 = N

(XII, 3, 25)

4 N 1 1 k (ka ) + N ( Na ) 2 2 N k =1 N 1 1 1 2 2 ( N k ) (ka ) + ( Na ) F ( Na ) 2 N k =1

Se puede, a partir de esta frmula, desarrollar los mismos principios de aproximacin que en el caso del dispositivo centrado. En particular, se obtiene la regla de correspondencia en la forma siguiente:

209 B 2 T1 ( x ) = sen 1+ a N 1+ +3 2 T2 ( x ) = cos B2+ a 2 N 2 ( + 1)( + 2)

(XII, 3, 26)

El trmino en 1 / N es idntico al que se tiene para el dispositivo centrado. Como el trmino en 1 / N2 es habitualmente despreciado, se obtiene la regla prctica siguiente: La varianza de estimacin de un dispositivo cerrado con N + 1 muestras se calcula como la del dispositivo cerrado con N muestras admitiendo la misma malla s y el mismo campo L = Na. Esta regla puede ser aplicada, en la prctica, an si N es pequeo (pero superior a 1), y an si el desarrollo limitado de (h) solo es utilizable hasta h = a: En este ltimo caso se tendr: (XII, 3, 27)
2 = N

1 2 1 a E = 2 F (a) N N 2

2 la varianza de extensin elemental del dispositivo centrado de igual malla. Siendo E Prcticamente, el nico caso de excepcin, es aquel en que se tiene N = 1 , es decir el caso en que se desea estimar un segmento de longitud a con la ayuda de dos muestras implantadas en sus dos extremidades. En este caso, la frmula general (XII, 3, 25) toma la forma muy simple:

(XII, 3, 28)

2 2 E =F = 2 (a ) (a ) F (a )

1 2

La expresin (XII, 3, 28) puede ser llamada varianza de extensin elemental del dispositivo 2 cerrado, designada aqu por F , y se tendr cuidado de no confundirla con la del dispositivo centrado, designada antes por
2 E .

Cuando se aplica el principio de

2 composicin de varianzas de extensin a un dispositivo cerrado, es siempre la varianza E del dispositivo centrado, y no la del dispositivo cerrado, la que debe ser dividida por N (nmero de muestras menos 1), conforme a (XII, 3, 27).

4. - Malla regular con implantacin flotante.


Supongamos que, en un campo finito V al interior del cual reina un esquema intrnseco f(x) (se supondr que la variable f(x) ser, convencionalmente, nula al exterior de V), se ha implantado, de una manera cualquiera, una red regular de muestreos, es decir, sin tomar en cuenta la geometra del campo. Como se ha supuesto que f(x) es nula al exterior de V, se puede suponer que la red es infinita, y admitir que una de las muestras, elegida como origen de la red, ha sido implantada en un punto u elegido al azar en el paraleleppedo de base la malla. Los otros muestreos han sido efectuados en los puntos:

210

xk = u + ka = (u1 + k1a1, u2 + k2a2, . . . , un + knan), a = (a1 . . . an) Que representan la malla, y k = (k1 . . . kn) es un sistema de enteros cualesquiera. Se ve que el sistema as esquematizado no difiere del que se utiliz en el captulo IV para la teora de la estimacin transitiva. Esta observacin permite resolver fcilmente el problema intrnseco correspondiente. Designemos por K(h) al covariograma geomtrico afectado al campo V. En representacin transitiva, el covariograma g(h) de la variable regionalizada f(x) limitada al campo V, puede deducirse (en valor probable) de la funcin intrnseca (h) , con la ayuda de la relacin (VIII, 5, 10): (XII, 4, 1) g(h) = [ m2 + 2(0|V) ] K(h) - K(h) (h)

El error cometido en la estimacin de la cantidad de metal: Q = f ( x)dx


V
2 ,y Est caracterizado por una varianza de estimacin transitiva, que designaremos por Q

que se calcula al aplicar a g(h) el operador a definido en (XII, 3, 7): (XII, 4, 2)


2 Q = [m 2 + 2 (0 | V )] a ( K ) a ( K )

Se ha visto, en el captulo IV, cmo debera conducirse el clculo de esta varianza. Se observar adems, en (XII, 4, 2), que a(K) no es otra cosa que la varianza de estimacin transitiva del volumen del campo V, estimada a partir de la misma red de muestreos. Esta 2 varianza a(K) se llama tambin varianza geomtrica V : (XII, 4, 3)
2 V = a ( K )

Al llevar en (XII, 4, 2), se obtiene, entre la varianza geomtrica y la de la cantidad de metal, la relacin: (XII, 4, 4)
2 2 Q = [m 2 + 2 (0 | V )] V a ( K )

En lo respecta la ley media m = Q / V , se estima con un error relativo de varianza 2 m / m 2 . Pero la variable regionalizada f(x) debe ser considerada como independiente de su campo en el sentido de la independencia interna (V, 3, 1), porque precisamente esta independencia interna es una condicin necesaria para que la descripcin de f(x) por un esquema intrnseco sea posible. Por consiguiente, segn (V, 2, 6), se tiene:

211
2 m 2 Q 2 V

m2

Q2

V2

Esta relacin expresa, lo sabemos, que el volumen y la ley media son estimadas 2 independientemente una de otra. Reemplazando Q por su expresin (XII, 4, 4), teniendo en cuenta la relacin evidente Q = mV , y designando por 2 = 2(0|V) la varianza de f(x) en V , se obtiene finalmente: (XII, 4, 5)
2 m

2 2 V 2

K a 2 m V Q
2 2 2 V

, que representa la m2 V 2 repercusin del error geomtrico sobre la estimacin de la ley, debe ser anulado, y queda entonces, simplemente: Si el campo V es conocido en forma exacta, el trmino (XII, 4, 6)
2 m

K = a 2 m Q
2

La varianza de estimacin intrnseca se calcula como una varianza de estimacin transitiva K con el covariograma 2 . Sin embargo, en general, V no es conocido a priori, y se V de la frmula (XII, 4, 5). m2 V 2 No se debe olvidar que estas frmulas (XII, 4, 5) y (XII, 4, 6) son solo vlidas en el caso en que f(x) es independiente de su campo, en el sentido de la independencia interna, es decir prcticamente en ausencia de deriva zonada: Por otra parte es en este caso solamente que la teora intrnseca puede ser utilizada. Si la variable no es independiente de su campo, se debe recurrir a la representacin transitiva de las corregionalizaciones presentada en el captulo V. debe agregar el trmino geomtrico suplementario
2 2 V

Comparacin entre las implantaciones flotante y preferencial. - Supongamos que K y sean los dos istropos, y que - para la malla utilizada - admite un desarrollo limitado el cual contiene un trmino principal en r . El covariograma geomtrico de V , de su lado, puede ponerse en la forma:
K(r) = V Sr + . . . Conforma a la frmula (VI, 1, 5), y este desarrollo limitado conserva su valor justo hasta r = |a|, siempre que el contorno de V no posea irregularidades importantes (microprotuberancias) de dimensiones pequeas respecto de la malla. Se tiene entonces:

212

S K r S +1 = + r + ... = + r + ... V2 V V2 V V2

2 de La parte principal de - K / V2 es - r / V . Se deduce fcilmente que la varianza m (XII, 4, 6) tiene la misma parte principal que la varianza de estimacin calculada, para la misma malla, en la hiptesis de una implantacin preferencial. Por consiguiente, estas dos

varianzas difieren, en lo esencial, nicamente por la causa del trmino geomtrico

. m2 V 2 Este trmino traduce un efecto de borde, y certifica que el error cometido en la estimacin del volumen V se repercute sobre la ley media, an en la hiptesis, admitida aqu, en la cual la variable regionalizada es independiente de su campo.

2 2 V

5. - Mallas aleatorias y aleatorias estratificadas.


La malla aleatoria pura corresponde al caso en que las N muestras estn implantadas al azar, de manera independiente las unas de las otras, en el campo V a estimar, segn una ley de probabilidad uniformemente repartida en V. La varianza de estimacin asociada al estimador:

Y=

1 N

f (x )
i =1 i

En que los xi son los puntos de muestreo tirados al azar, es igual al valor probable, relativo a esta tirada al azar, de la varianza D2(Y Z) de la frmula general (XII, 2, 1). En la tirada 1 al azar del punto xi , (x xi) tiene por valor probable ( x xi )dx , de manera que se VV obtiene inmediatamente: 2 E NV

( x x )dx = V ( x x ')dxdx '


i
2

V V

En lo que respecta a (xi xj) , se tiene: 1 E[ ( xi x j )] = 2 ( x x ')dxdx ' V VV E[ ( x x )] = 0 i i De donde se obtiene, fcilmente:
2 = E[ D 2 (Y Z )] = 2 N

para i j

N ( N 1) 1 1 2 ( x x ')dxdx ' N2 V V V

213

Y finalmente: (XII, 5, 1)
2 N =

1 1 1 ( x x ')dxdx ' = 2 (0 | V ) 2 N V VV N

La varianza de estimacin de una malla aleatoria se obtiene al dividir por el nmero N de muestras, la varianza en V de la variable puntual. Este resultado est bien conforme a lo que se podra prever, porque los f(xi) - respecto del sorteo al azar de los xi - son variables aleatorias independientes de varianza 2(0|V) . En el caso de una malla aleatoria estratificada el campo V a estimar se divide en zonas de influencia vi iguales entre ellas y trasladadas unas de otras, y, en cada vi se implanta al azar una muestra en el punto xi . Sin embargo, se deben distinguir dos casos diferentes segn que V es o no conocido a priori. Si V es conocido a priori, se puede, en general, admitir que coincide con la reunin de todas las zonas de influencia vi , de manera que ninguno de los vi desborda las fronteras de V. La varianza de estimacin, en este caso, se obtiene al tomar el valor probable de la frmula general (XII, 2, 1) relativamente a la implantacin aleatoria de cada xi en su zona de influencia vi. Pero se tiene: 1 E N = ( x x )dx ( x x ) v N
i i i i i vi

1 ( x x ')dx ' VV

De manera que el primer trmino de (XII, 2, 1) proporciona, en valor probable: 2 E NV

( x x )dx = V ( x x ')dxdx '


i
2

V V

En lo que respecta al segundo trmino, la suma doble debe, en realidad, ser extendida a todos los ndices tales que i j , porque (xi xi) = 0 . En valor probable, se obtiene:

1 1 E ( xi x j ) = 2 2 N ij V = 1 V2

( x x )dx dx
i j vi v j i j i

( x x )dx dx
i j i i j vi v j

1 V2

( x x ')dxdx '
i i i i vi vi

La expresin obtenida se simplifica fcilmente: La suma doble en i j de las integrales tomadas en vi y vj proporciona, en efecto, una integral en V. Designando por v el volumen geomtrico de las zonas de influencia vi , todas iguales entre s, la expresin precedente queda:

214 1 1 ( x x ')dxdx ' 2 2 V VV Nv

( x x ')dxdx '
v v

Al llevar estos resultados obtenidos para los valores probables de estos dos primeros trminos, se tiene: (XII, 5, 2)
2 N =

1 Nv 2

( x x ')dxdx ' = N
v v

(0 | V )

La varianza de estimacin de una malla aleatoria estratificada se obtiene entonces, en el caso en el cual el campo es conocido a priori, al dividir por el nmero N de muestras la varianza 2(0|v) de cada uno de ellos en su zona de influencia igual a v . Este resultado debe ser comparado con (XII, 5, 1). Aparece que la malla aleatoria estratificada proporciona siempre una varianza de estimacin ms pequea que la malla aleatoria pura, la diferencia es:

1 2 1 [ (0 | V ) 2 (0 | v)] = 2 (v | V ) N N
Es decir igual a la varianza en V de la zona de influencia v , dividida por el nmero N de zonas de influencia.

Caso en el cual el campo V no es conocido a priori. - Sucede a menudo que los lmites de la regionalizacin no son conocidos exactamente en el momento en el cual se implanta la red aleatoria estratificada. La cuadrcula de las zonas de influencia vi se dibuja a priori, y todo sucede como si fuera implantada, en su conjunto, de manera aleatoria respecto de V. Nos reducimos as a un problema de estimacin transitiva. Se tomar, como en el prrafo precedente, el covariograma transitivo g(h) , o ms bien, su valor probable:
g(h) = [m2 + 2(0|V)] K(h) - K(h) (h) Siendo K(h) el covariograma geomtrico del campo V , y se aplicar la frmula (IV, 4, 5) la cual entrega la varianza de estimacin transitiva de la cantidad de metal Q . Para abreviar, se escribir 2 en vez de 2(0|V) para designar la varianza de la variable regionalizada en su campo V. Se obtiene as:
2 Q = vV (m 2 + 2 )

1 (m 2 + 2 ) K ( x x ') dxdy vvv + 1 K ( x x ') ( x x ')dxdx ' v v v

Anlogamente, para la varianza de estimacin geomtrica del volumen V mismo, se obtiene, al aplicar la misma frmula (IV, 4, 5):

215
2 V = vV

1 K ( x x ')dxdx ' v v v

Finalmente, exactamente como en el prrafo 4, se debe admitir la independencia interna de la variable y su campo, porque es esta, precisamente la condicin para que el formalismo intrnseco sea aplicable. Por consiguiente, se tiene todava:
2 m

m2

2 Q

Q2

2 V

V2

2 2 Al reemplazar Q y V por su expresin anterior, obtenemos finalmente la varianza de

estimacin de la ley m en la forma siguiente: (XII, 5, 3)


2 = m 2 2 V

1 Nv 2

v v

K ( x x ') ( x x ')dxdx ' V

Luego, la varianza de estimacin de una malla aleatoria estratificada, en el caso en que el campo V no es conocido a priori, es la suma de dos trminos. El primero, igual a representa un efecto de borde. El segundo se calcula como si se V2 tratara de una varianza con campo conocido, al aplicar (XII, 5, 2) a la funcin intrnseca K ( h) ( h) . V
2 2 V

Comparacin de mallas regulares y aleatorias estratificadas. - Se debe comparar sea la malla regular con implantacin preferencial con la malla aleatoria estratificada con campo conocido a priori, sea la malla regular con implantacin flotante con la malla aleatoria estratificada con campo cualquiera. Los resultados son idnticos a los que habamos obtenido en el prrafo (IV, 4) en el caso transitivo. Una malla regular o aleatoria estratificada, ser llamada adaptada si realiza el mnimo de la varianza de estimacin que le corresponde, para un volumen dado de la zona de influencia v , es decir, para un nmero dado de muestreos. En el caso istropo, la malla adaptada se construye sobre un polgono regular o un cuadrado, con una ventaja ligera para el hexgono, en la medida en que el hexgono se acerca ms al crculo que el cuadrado. Para un (h) cualquiera presentando una anisotropa cualquiera, no es evidente que las mallas adaptadas estn construidas sobre los mismos poliedros que en el caso de una red regular o aleatoria estratificada. Sin embargo, se podr, en general, considerar que es as, por lo menos en primera aproximacin, porque todo depende, en realidad, de la naturaleza de la anisotropa de la funcin intrnseca en la vecindad del origen, y esta es a menudo asimilable a una simple anisotropa geomtrica. En el caso en que la anisotropa es geomtrica, es decir si (h) se puede reducir a una forma istropa (r) por una simple transformacin lineal, es claro que la malla adaptada est construida sobre el mismo poliedro v que se reduce, por la misma transformacin al poliedro regular de la malla adaptada istropa. En

216 esta caso, naturalmente, la malla adaptada es la misma para las redes regulares y aleatorias estratificadas. Como regla general, la malla regular adaptada es siempre superior a la malla adaptada de la red aleatoria estratificada. La excepcin corresponde al caso de una funcin intrnseca aberrante, la cual comporta, por ejemplo, una componente peridica de amplitud anormalmente elevada, con una componente peridica que coincide con una de las de la red de muestreos. Al contrario, de dos mallas no adaptadas construidas sobre un mismo poliedro, una regular y la otra aleatoria estratificada, no se puede, en general, prever la que proporcionar el mejor resultado sin calcular numricamente las varianzas de estimacin correspondientes.

6. - El krigeado.
Vamos ahora, a formular el problema de la estimacin desde un punto de vista ms general. Siendo dado un campo V y una funcin de ponderacin p(x), nula fuera de V y de suma unidad (por ejemplo, p(x) = k(x) / V , en que k(x) es la variable geomtrica asociada a V), nos proponemos estimar la integral: (XII, 6, 1) Z = p ( x) f ( x)dx
V

A partir de los valores numricos, que se supone conocidos, tomados por la variable regionalizada en un conjunto de puntos V . Si V es un volumen continuo, se buscar una funcin de ponderacin (x) , o, si V es un conjunto discontinuo de N muestreos puntuales, de coeficientes de ponderacin i de suma unidad: ( x)dx = 1 V ' N i = 1 i =1

(XII, 6, 2)

Y se formar el estimador: Y = ( x) f ( x)dx V' Y = i f ( xi ) i

(XII, 6, 3)

La funcin (x) o los coeficientes de ponderacin i sern elegidos de manera de hacer mnima la varianza de estimacin D2(Y Z) , con la condicin (XII, 6, 2), la cual garantiza la existencia de esta varianza. Razonemos, por ejemplo, en el caso continuo. Se tiene, segn (VIII, 3, 14): (XII, 6, 4)

p ) dx D 2 (Y Z ) = ( p) *(

217

Segn el procedimiento habitual del clculo de variaciones, se expresar que (x) realiza el mnimo de (XII, 6, 4), considerando la condicin de ligazn (XII, 6, 2) 31, escribiendo que la variacin: (XII, 6, 5)

D 2 ( Z Y ) + 2 ( x)dx = 0

V'

es nula para toda variacin (x) de la funcin (x) . El coeficiente 2 o multiplicador de Lagrange, debe ser determinado por la condicin (XII, 6, 2). Como (x) es una funcin par, la variacin (XII, 6, 5) se escribe:

p *( p )] dx + 2 ( x)dx ) + [ *( p ) dx + 2 ( x)dx = 2 *( = 2 ( x)[ ( x + h) p ( x + h)] (h)dxdh + 2 ( x)dx


Para que esta expresin sea nula cualquiera que sea la variacin (x), es necesario y suficiente que se tenga, para todo punto x de V :

[ ( x + h) p( x + h)] (h)dh =
O tambin, en notacin de convoluciones [(h) es una funcin par]: (XII, 6, 6) * = *p +

Se expresa, en general, este resultado diciendo que todo punto x de V debe tener la misma covarianza, salvo una constante, con Y y con Z. La constante se determina por la condicin suplementaria (XII, 6, 2). Considerando la ecuacin (XII, 6, 6) verificada por todo x de V, la varianza mnima de estimacin o varianza de krigeado est dada por:
2 K = ( p )[( p ) * ]dx = + p[( p ) * ]dx

Es decir: (XII, 6, 7)
2 )dx ( p * p )dx K = ( * p

31

Nota del Traductor: Tambin llamada condicin de universalidad

218

Teorema de superposicin de figuras de krigeado. - A partir de los mismos datos, es decir de los valores numricos tomados por la variable f(x) en el dominio V , se puede, naturalmente, krigear las leyes medias Zi de diferentes volmenes Vi ponderados por diferentes funciones pi(x) de suma unidad:

Z i = pi ( x) f ( x)dx
Vi

Sean i(x) las soluciones correspondientes de la ecuacin (XII, 6, 6). Para krigear la variable Z , media de las Zi ponderadas por coeficientes i de suma unidad:

Z = i Z i = i pi ( x) f ( x)dx
i

Basta con tomar para (x) la media ponderada de las i(x) por los mismos i:

( x) = i i ( x)
En efecto, los i(x), por hiptesis, verifican las relaciones: i * = pi * + i ( x)dx = 1 i Para todo punto x del dominio V. Basta con multiplicar por i y con sumar en i para obtener:

* = * i pi + i i ( x)dx = 1
Relaciones que son igualmente verificadas para todo punto x de V. Luego, con la reserva de utilizar siempre el mismo dominio V para formar el estimador Y, las figuras de krigeado se superponen linealmente. En particular, toda figura puede obtenerse por superposicin de krigeados puntuales. Tomemos por variable Z a estimar el valor f(y) tomado por la funcin f(x) en el punto y. La ecuacin (XII, 6, 6) se reduce, en este caso a: (XII, 6, 8)

V'

( x) ( x ' x)dx = ( x ' y) +

Y debe ser verificada por todo punto x perteneciente a V. Si se conoce la solucin (x; y) de esta ecuacin, la cual depende evidentemente del punto krigeado y , se deduce inmediatamente la solucin general de (XII, 6, 6), que es:

219 (XII, 6, 9)

( x) = p( y ) ( x; y )dy
V

Este mtodo de superposicin de krigeados puntuales es muy til en las aplicaciones. En el caso en que el volumen V es cualquiera, es difcil resolver una ecuacin integral tal como (XII, 6, 8). Sin embargo, en las aplicaciones, y, notablemente, en la industria minera, el dominio V donde se conocen los valores numricos de f(x) est constituido sea de un nmero N finito de puntos discontinuos de muestreo, sea de una red continua asimilable a curvas (trabajos mineros por ejemplo). Examinemos estos dos casos.

Krigeado continuo a lo largo de curvas. - Si V est constituido por una, o varias curvas C, se puede tomar como parmetro descriptivo la abscisa curvilnea s de un punto x de C. Las ecuaciones del krigeado puntual para un punto y se escriben entonces:
( s ) [ x( s ') x( s )]ds = [ x( s ') y ] + C ( s )ds = 1 C

(XII, 6, 10)

Para una curva C y una funcin cualesquiera, no se sabe, en general, resolver este sistema de ecuaciones integrales. Se puede ver que, en el caso particular, muy interesante en el cual (h) es de la forma log r (esquema de De Wijs istropo) en el espacio de dos dimensiones: Si la curva C es una curva cerrada, la teora de los potenciales armnicos permite resolver explcitamente el sistema (XII, 6, 10). Se demuestra, en este caso, un teorema de efecto de pantalla, anlogo al teorema bien conocido de la pantalla elctrica, que establece la ausencia de correlacin entre el interior y el exterior de la curva C , es decir, el carcter markoviano de este esquema intrnseco del espacio de dos dimensiones.

Krigeado discontinuo. - Cuando el dominio V se reduce a un conjunto de N puntos de muestreo discontinuos, la ecuacin integral (XII, 6, 8) del krigeado puntual se reemplaza por un sistema de ecuaciones lineales, mucho ms fcil de resolver:

(XII, 6, 11)

N i ( x j xi ) = ( x j y ) + i =1 N =1 i i =1

Inters prctico del krigeado. - En muchos casos, el mejoramiento aportado por el mtodo del krigeado, con respecto a una simple media aritmtica, se traduce por una disminucin relativamente modesta de la varianza de estimacin, lo cual no justifica por si solo el recurso a clculos a menudo largos y tediosos que necesita la resolucin de un sistema como (XII, 6, 11), y, con mayor razn, la resolucin de una ecuacin integral tal como (XII, 6, 10). El inters mayor del krigeado, en muchas aplicaciones, no estar basado en esta disminucin casi despreciable de la varianza de estimacin, sino ms bien en el hecho de

220 que permitir evitar un error sistemtico en la estimacin de una zona seleccionada con la ayuda de los resultados del muestreo mismo. En la industria minera, por ejemplo, estamos conducidos, a menudo, a seleccionar, en el seno de una mineralizacin homognea, una zona, o panel, ms rico que el resto de la formacin y considerado como explotable. Naturalmente, esta seleccin de paneles explotables est fundada sobre los resultados del muestreo. Pero, si nos limitamos, para estimar la ley media de un panel seleccionado, a solamente los muestreos tomados en el interior de este panel, resulta, inevitablemente, un error sistemtico por exceso, es decir particularmente peligroso. Del hecho mismo que se selecciona un panel rico, la aureola de las muestras exteriores es, en general, con ley ms dbil que las muestras interiores, y sin embargo su influencia sobre el panel a estimar no es despreciable, porque el krigeado le atribuye un peso no nulo. No considerar este hecho introduce bien una causa de sobre estimacin sistemtica, que el krigeado permite eliminar. En teora, un panel cualquiera debera ser krigeado por la totalidad de las muestras disponibles. Prcticamente, nos damos cuenta, en general, que basta con tomar en cuenta una o dos aureolas de muestras exteriores, que detienen, de alguna manera, la casi totalidad de la influencia de las muestras ms lejanas. Este efecto de pantalla juega un papel muy importante en la aplicacin prctica del krigeado, como tambin la consideracin de sistemas geomtricos que permiten reagrupar en un nmero pequeo de aureolas los grupos de muestras que ocupan posiciones equivalentes respecto del panel a estimar. Se llega as a reducir de dos a tres veces el nmero de coeficientes i y las ecuaciones del sistema lineal (XII, 6, 11).

____________________

221

CAPITULO XIII

ESTIMACION Y FLUCTUACIONES DE LOS MOMENTOS INTRINSECOS


SUMARIO

Este captulo, bastante especializado y de lectura relativamente difcil, est consagrado a los problemas de fluctuacin y de estimacin de la deriva lineal, del semi-variograma, y de la varianza. Para cada parmetro, se distingue un valor experimental, calculado a partir de los resultados de una red finita de muestras, un valor local, calculado a partir de los valores tomados por f(x) en un campo V, y finalmente un valor terico, o valor probable a priori de los precedentes. Se llama fluctuacin la diferencia entre el valor local y el valor terico. Para una deriva lineal o una varianza local, la amplitud de estas fluctuaciones es enorme. En lo que respecta al semi-variograma local, solo los primeros puntos son bien representativos de la funcin intrnseca terica. Para distancias crecientes, la amplitud de las fluctuaciones rpidamente llega a ser desmesurada. En las aplicaciones, los tests que permiten comparar una regionalizacin a un modelo terico, debern sobre todo considerar los primeros puntos del semi-variograma. Por el contrario, la estimacin de un valor local por un valor experimental puede hacerse, en general, en condiciones aceptables. El prrafo 1 define la terminologa resumida antes, y pone las frmulas generales de los momentos de orden 4, principalmente la covarianza cuadrtica, y las explicita en el caso gaussiano (nico caso, prcticamente, en el cual los clculos pueden ser conducidos hasta el final). El prrafo 2 est consagrado a la deriva lineal. Las fluctuaciones son muy importantes. La frmula general de la varianza de fluctuacin es explicitada, en una forma simple, en el caso de una sola dimensin. Enseguida se examina la estimacin de la deriva local. El prrafo 3 trata el semi-variograma: fluctuaciones enormes, salvo para |h| pequeo, bien puestas en evidencia en el caso (h ) = |h| y para una dimensin. Al contrario, la estimacin, conduce a varianzas ms moderadas. El prrafo 4 est consagrado a la varianza local (en un campo V). Aqu tambin, las fluctuaciones son enormes y son explicitadas en una dimensin para (h ) = |h| . El problema de la estimacin comprende dos partes: Determinacin del sesgo, diferencia sistemtica entre varianzas locales y experimentales, cuya naturaleza es la de una varianza de estimacin, y clculo de la dispersin, o varianza de estimacin que conduce a una frmula general, difcil de explicitar, pero de estructura anloga a la de las varianzas de estimacin usuales.

222

1. - Terminologa, y momentos de orden 4.


El estudio de las fluctuaciones de los momentos intrnsecos de orden 1 (deriva lineal) y de orden 2 (semi-variograma o varianza) presenta una gran importancia prctica, debido a que este estudio permite formular tests capaces de controlar el valor de la hiptesis intrnseca. Para todo momento intrnseco distinguiremos un valor experimental, calculado en general a partir de los valores numricos f(xi) tomados por la variable regionalizada en un nmero finito de puntos de muestreo xi, un valor local 32, definido para un dominio, o campo geomtrico V, por una integral estocstica extendida a V, y finalmente un valor terico, que no es otro que el valor probable de las dos variables aleatorias precedentes. Del punto de vista estocstico, valores experimentales y locales son variables aleatorias de igual naturaleza, y se distinguen por es carcter finito o no de su dominio de definicin. Pero desde el punto de vista fsico, solo los valores locales constituyen una realidad objetiva, independiente de cualquier interpretacin, y son a veces llamados, por esta razn, valores locales verdaderos. Despus de haber admitido la hiptesis intrnseca, el valor local pierde su carcter primero y se subordina a su valor probable a priori, o valor terico. La diferencia entre valor local y terico constituye una fluctuacin, y es el examen de la amplitud de estas fluctuaciones lo que debe permitir juzgar si una regionalizacin experimental dada puede, o no, ser representada de forma satisfactoria por un modelo estocstico determinado. Es necesario ver bien que la fluctuacin no est, de ninguna manera, ligada al carcter fragmentario del muestreo. Esta fluctuacin existe, y tiene una varianza diferente de cero, an si se conociera experimentalmente los valores tomados por f(x) en todos los puntos x del campo V, en nmero infinito. Al contrario, la diferencia entre un valor experimental, calculado sobre un nmero finito de puntos de muestreo, y el valor local verdadero correspondiente, debe ser considerada como un error de estimacin, y su amplitud est ligada al nmero de puntos de muestreo, o ms exactamente, a la geometra relativa de la red de muestreo y del campo V en el cual es estimado el valor local verdadero. As, para todo momento intrnseco, se presentan dos problemas bien distintos: el de la fluctuacin del valor local verdadero (relativamente a su valor probable en un esquema terico) y el de la estimacin del valor local verdadero (a partir del valor experimental deducido de una red finita de muestreos).

Momentos de orden 4. - La fluctuacin, o la estimacin de un momento intrnseco de orden k ser caracterizada por una varianza, en la cual, el clculo har necesariamente intervenir los momentos de orden 2k. Para k = 1 , es decir para la deriva lineal (prrafo VIII, 1), esta varianza se expresa con la ayuda de la funcin intrnseca (h) misma. Por el contrario, para k = 2 , es decir para la estimacin o la fluctuacin de una varianza o un semi-variograma local, es necesario hacer uso de los momentos de orden 4. En particular, se debe suponer que estos momentos existen y poseen el carcter estacionario, hiptesis un poco ms fuerte que en los captulos precedentes, o bien el carcter estacionario de orden 2 bastan lo ms a menudo. Por otra parte, haremos frecuentemente una hiptesis mucho ms fuerte al suponer que los incrementos de la variable regionalizada son variables aleatorias gaussianas: Esta hiptesis
32

Nota del Traductor: El valor local se llama tambin, en la actualidad, valor regional.

223 no es obligatoria, pero nos permitir efectuar los clculos hasta el fin y encontrar rdenes de magnitud. Se sabe que si X1, X2, X3, X4 son variables simultneamente normales, con valores probables iguales a 0, y que admiten momentos de orden 2: i j = E ( Xi Xj ) El momento general de orden 4 tiene por expresin: (XIII, 1, 1) E ( X1X2X3X4 ) = 1 23 4 + 1 32 4 + 1 42 3

Tomemos como variables X incrementos cualesquiera de una funcin aleatoria intrnseca f(x):

X1 = X2 = X3 = X = 4

f ( xi2 ) f ( xi1 ) = i f ( x j2 ) f ( x j1 ) = j f ( xk2 ) f ( xk1 ) = k f ( xl2 ) f ( xl1 ) = l

Si los incrementos son gaussianos y con valor probable nulo, se deduce de (XIII, 1, 1): (XIII, 1, 2) E( ijkl ) = E( ij )E( kl ) + E( ik )E( jl ) + E( il )E( jk )

Segn la frmula general (VIII, 1, 9), se tiene:

E ( i j ) = E (i1i2 , j1 j2 ) = ( xi1 x j2 ) + ( xi2 x j1 ) ( xi1 x j1 ) ( xi2 x j2 )


Para abreviar las notaciones, introduciremos ndices griegos , , , , susceptibles de tomar los valores 1 o 2, y pongamos:

(i , j ) = ( xi x j )
La covarianza E(ij) se pone en la forma de una suma de cuatro trminos:

E ( i j ) = (1) + 1 (i i )

Y se tienen, naturalmente, relaciones anlogas para E(ik), E(jl), etc... Con este sistema de notaciones, (XIII, 1, 2) se pone en la forma de una suma de 16 trminos:

224 (XIII, 1, 3) E ( i j k l ) =

(1)

+ + +

[ (i j ) (k l ) + (i k ) ( j l ) + (i l ) ( j k )]

La funcin que figura entre parntesis en (VIII, 1, 3): (XIII, 1, 4)

( xi , x j , xk , xl ) = (i j ) (k l ) + (i k ) ( j l ) + (i l ) ( j k )

Es simtrica con respecto a los cuatro puntos xi , xj, xk y xl , e invariante para toda traslacin de conjunto efectuada sobre estos 4 puntos (es decir invariante cuando se reemplaza xi , xj por xi + h, xj +h . . .). Si ahora, los incrementos no son gaussianos, se puede mostrar 33 que existe tambin una funcin ( xi , x j , xk , xl ) , simtrica e invariante para toda traslacin, y tal que se tiene: (XIII, 1, 5)

E ( i j k l ) =

(1)

+ + +

( xi , x j , xk , xl )

Entonces solo la forma particular (XIII, 1, 4) de la funcin est ligada al carcter gaussiano de los incrementos, y la relacin (XIII, 1, 5) se verifica para leyes de distribucin de probabilidades cualquiera, solamente con la reserva que los momentos de orden 4 estn definidos.

La covarianza cuadrtica. - Como caso particular de la frmula general (XIII, 1, 5), podemos calcular la covarianza de [f(x + h) f(x)]2 y [f(y + h) f(y)]2 , en que x e y son dos puntos y h un vector cualquiera. Se obtiene una funcin G(x y ; h) de los dos argumentos x y y h, llamada covarianza cuadrtica:
G ( x y; h) = E{[ f ( x + h) f ( x)]2 [ f ( y + h) f ( y )]2 } 4 (h) 2 (XIII, 1, 6) 2 = (1) + + + ( x + h, x + h, y + h, y + h) 4 (h) La suma se extiende a los 16 trminos obtenidos al dar a , , y los valores 0 o 1. En el caso gaussiano, la covarianza cuadrtica se relaciona directamente con la funcin intrnseca (h) . Esto resulta de (XIII, 1, 2), que da aqu:

E{[ f ( x + h) f ( x)]2 [ f ( y + h) f ( y )]2 } = E ( i2 ) + 2 E ( i k )


2

= 4 (h) + 2[ ( x y + h) + ( x y h) 2 ( x y )]2
La demostracin directa de (XIII, 1, 5) sera un poco tediosa. Es mejor considerar f(x) como una distribucin aleatoria intrnseca, y aplicar los resultados de (X, 6): El momento de orden 4 es una distribucin M4(x1, x2, x3, x4) del espacio de 4n dimensiones, simtrica e invariante por traslacin, el cual acta sobre las funciones de base de suma nula. En efecto, M4 es aqu una funcin, la cual acta sobre las medidas de Dirac. Tomando como funciones de base 1 ( x1 ) = ( x1 xi 2 ) ( x1 xi1 ), 2 ( x2 ) = ( x2 x j 2 ) ( x2 x j1 ) , etc., se obtiene directamente (XIII, 1, 5).
33

225

Obtenemos la expresin notable de la covarianza cuadrtica del caso gaussiano: (XII, 1, 7) G ( x y; h) = 2[ ( x y + h) + ( x y h) 2 ( x y )]2

Examinaremos sucesivamente los problemas de estimacin y de fluctuacin propuestos por los momentos de orden 1 y 2, sin abordar el problema ms general de la estadstica matemtica que es la estimacin simultnea de los momentos de los dos primeros rdenes. Al examinar la deriva lineal, supondremos que la funcin intrnseca (h) es conocida a priori, e, inversamente, estudiaremos los momentos de orden 2 suponiendo que la deriva es idnticamente nula. Las frmulas obtenidas permanecern vlidas en primera aproximacin (en el primer orden) en el caso en que (h) y la deriva deben ser estimados simultneamente, y esta aproximacin ser a menudo suficiente para las aplicaciones.

2. - Estimacin y fluctuacin de la deriva lineal.


Hemos visto, en el prrafo (VIII, 1) que los momentos de orden 1 de los incrementos de un esquema intrnseco f(x) ponan en evidencia una deriva lineal de gradiente constante = (1, 2 . . . n), segn la frmula: (XIII, 2, 1) E[f(x + h) f(x)] = h = h11 + h22 + . . . + hnn

Por otra parte, a partir de valores, que se suponen conocidos, tomados por una variable regionalizada f(x) en su campo geomtrico V , se define el valor local verdadero V(h), de la deriva para cada argumento vectorial h, por la integral: (XIII, 2, 2) V ( h ) = 1 ' [ f ( x + h) f ( x)]dx K ( h) V

Conforme a nuestras notaciones habituales, K(h) es el covariograma transitivo asociado al campo V , y representa la medida del volumen V = V -h V de la interseccin del campo V con su trasladado en la traslacin -h: es solamente para los puntos x pertenecientes a esta interseccin que se dispone a la vez de los valores numricos de f(x + h) y f(x). Finalmente, si solo se dispone de un nmero finito de puntos de muestreo xi , implantados segn una malla regular, se estimar la deriva con la ayuda del valor experimental: (XIII, 2, 3) c ( h) = 1 [ f ( xi + h) f ( xi )] N' i

La expresin (XIII, 2, 3) solo ser accesible para valores discontinuos del argumento vectorial h, porque este argumento debe tener como componentes mltiplos enteros de la malla. El nmero N representa el nmero de pares de puntos (xi + h, xi) disponibles para un mismo vector h: es, evidentemente, una funcin de h.

226 Las derivas locales o experimentales definidas en (XIII, 2, 2) y (XIII, 2, 3) no corresponden, en general, a un gradiente constante V o c . A diferencia de la deriva terica h estas no son formas lineales, sino funciones cualesquiera V o c las cuales, desde el punto de vista estocstico, deben ser consideradas como funciones aleatorias de h, por otra parte, no estacionarias. No abordaremos el problema general de las fluctuaciones o de la estimacin simultnea de estas funciones para varios valores del argumento h, y nos limitaremos al caso en que se considera un solo valor de h, para el cual V o c son entonces variables aleatorias ordinarias.

Fluctuacin de la deriva lineal local. - Para un argumento h arbitrario, pero fijo, la variable aleatoria (XIII, 2, 2) tiene un valor probable igual al valor terico h:
E[ V(h) ] = h Y una varianza D2[ V(h) ] que no es otra que la varianza de extensin de las leyes medias de las dos intersecciones de V con sus trasladados por h y - h. La frmula general (VIII, 3, 13) proporciona inmediatamente 34: (XIII, 2, 4) D 2 [V (h)] = 1 K ( h)
2

V 'V '

[ ( x x '+ h) + ( x x ' h) 2 ( x x ')]dxdx '

La amplitud de la fluctuacin de la deriva local, respecto de su valor terico, est caracterizada as por su varianza (XIII, 2, 4), que es naturalmente una funcin de h. Al reemplazar las integrales por sumas discontinuas, se definira la misma varianza de fluctuacin de c(h) respecto del mismo valor terico, poco diferente de la anterior si el nmero N de los muestreos no sea muy pequeo: En un problema de fluctuacin, este nmero N solo juega un papel subordinado. Para N infinito, (XIII, 2, 2) y (XIII, 2, 3) coinciden, y la varianza D2[ V(h) ] no se anula de ninguna manera. EJEMPLO. _ Para tener una idea del orden de magnitud de la varianza de fluctuacin, consideremos un espacio de una sola dimensin, y supongamos que el campo V sea un segmento de largo L. Al utilizar la funcin intrnseca auxiliar F(h) ya introducida en (XIII, 3, 1), se obtiene, sin demasiada dificultad a partir de la frmula (XIII, 2, 4) la expresin siguiente: (XIII,2,5)

D 2 [V (h)] =

1 ( L h) 2

1 1 2 L F ( L ) + ( L 2h) 2 F ( L 2h) ( L h) 2 F ( L h) h 2 F ( h) 2 2

Si h es suficientemente pequeo (y en particular, inferior a L / 2), se tendrn las aproximaciones siguientes:

34

Nota del traductor: Se ha corregido esta frmula, la cual tena un error probablemente de tipeo.

227 h2 h2 L h F h [ ( ) ( )]# [ ( L) F (h)] L2 ( L h) 2

(XIII, 2, 6)

D 2 [V (h)]#

La parte principal de esta varianza es proporcional a h2. Por consiguiente, en primera aproximacin, la varianza de fluctuacin del gradiente V(h) / h de la deriva:

1 2 1 D [V (h)]# 2 ( L) 2 h L
es constante e igual a (L) / L2 . La amplitud de estas fluctuaciones puede ser considerable. En efecto, el incremento relativo:

f ( x + L) f ( x) L
de f(x) entre dos puntos distintos de L tiene, por definicin, una varianza igual a 2(L)/L2 , es decir solamente el doble de la parte principal de la varianza de fluctuacin. Entre estos dos casos extremos donde se dispone, sea de dos valores numricos f(x + L) y f(x) solamente, sea de la infinidad de valores numricos tomados por la variable f(x) sobre la totalidad del segmento L, la varianza de fluctuacin del gradiente solo se reduce de dos a uno. En las aplicaciones, se tendr cuidado concluir precipitadamente la existencia de una deriva real. Bien a menudo, las derivas observadas, por importantes que sean, no son de ningn modo significativas, al considerar los valores elevados de las varianzas de fluctuacin.

Estimacin de la deriva local. - Lo ms a menudo, no se conocer la deriva local verdadera (XIII; 2, 2), sino solamente su estimacin (XIII, 2, 3) o deriva experimental, obtenida a partir de una red finita de muestras puntuales. Los valores locales y experimentales pueden diferir en forma bastante notable uno del otro, pero de manera menos catastrfica que la diferencia entre uno u otro de su valor probable o terico. El clculo de la varianza de estimacin de la deriva local es un simple caso particular del problema general tratado en el captulo XII. Tomemos, en efecto, la funcin aleatoria:
f(x + h) f(x) La cual admite, con h fijo, el semi-variograma:

(XIII, 2, 7)

( x y ) = D 2 [ f ( x + h) f ( x) f ( y + h) + f ( y )]

1 2 = 2 (h) + 2 ( x y ) ( x y h) ( x y + h)

La varianza de estimacin de la deriva local D2[V(h) c(h)] se obtiene al aplicar a (x y) , y para la red de N puntos de muestreo utilizados efectivamente en el clculo de c(h), las frmulas generales del captulo XII. En efecto, se puede obtener rpidamente un orden de magnitud aproximado. El vector h es, en efecto, obligatoriamente un mltiplo entero de

228 la malla, y, mientras ( x- y ) quede en el interior del paraleleppedo de base de la malla, los nicos trminos irregulares de son los de su componente 2( x- y ), igual al doble de la funcin intrnseca (h), y basta, por consiguiente, aplicar las frmulas generales a 2(h) . 2 Si N es la varianza de estimacin sobre la ley media de V, para la red completa de los N muestreos disponibles, se tendr muy a menudo, en primera aproximacin: (XIII, 2, 8)

D 2 [V (h) c (h)]# 2

N 2 N N'

As, la varianza de estimacin de la deriva local es del orden de magnitud el doble de la varianza de estimacin de la ley media. Esta varianza es, en particular, siempre notablemente ms dbil que la varianza de fluctuacin (XII, 2, 4) o (XIII, 2, 6). Dicho de otra forma, se podr a menudo proceder, en condiciones aceptables, a la estimacin de la deriva local, pero ser mucho ms desusado afirmar que la deriva local, puesta as en evidencia es significativamente diferente de cero: mutatis mutandis, la misma circunstancia se observa, como vamos a ver, en el caso de los momentos de orden dos.

3. - Estimacin y fluctuacin del variograma local.


Con las mismas notaciones que en el prrafo anterior, llamaremos semi-variograma local a la integral: (XIII, 3, 1)

V (h) =

1 [ f ( x + h) f ( x)]2 dx 2 K ( h) V '

Si se conocieran todos los valores numricos tomados por la variable regionalizada en su campo V, este semi-variograma local V(h) podra ser construido punto por punto. A pesar que posee, en realidad, una total significacin objetiva, V(h) se interpreta, en la ptica estocstica, como una variable aleatoria, cuyo valor probable no es otro que el (h) terico. De la misma manera, si solo se dispone de una red finita de muestras puntuales con malla regular, se construir, experimentalmente, para vectores h mltiplos de la malla de base, el semi-variograma experimental: (XIII, 3, 2)

c (h) =

1 [ f ( xi + h) f ( xi )]2 2N ' i

En que N representa el nmero de pares (xi + h, xi) efectivamente disponibles. Desde el punto de vista estocstico, c(h) es igualmente interpretado como una variable aleatoria de valor probable igual al valor terico (h).

Fluctuaciones del semi-variograma local. - Caracterizaremos las fluctuaciones de V(h) respecto de (h) por la varianza de fluctuacin:

229

D 2 [ V (h) (h)] = E[ V (h) 2 ] (h)

Que se expresa fcilmente con la ayuda de la covarianza cuadrtica G(x y; h) introducida en (XIII, 1, 6). El vector h es fijo, en efecto, la funcin aleatoria:

1 [ f ( x + h) f ( x)]2 (h) 2 2
admite como covarianza la funcin G(x y; h) / 4. Por consiguiente, segn la frmula general (VII, 3, 10), la integral estocstica (XIII, 3, 1) admite la varianza a priori: (XIII, 3, 3) D 2 [ V (h)] = 1 4 K ( h)
2

V 'V '

G( x y; h)dxdy

Que es la varianza de fluctuacin del semi-variograma local. En el caso gaussiano, considerando la expresin (XIII, 1, 7) de la covarianza cuadrtica, la varianza de fluctuacin toma la forma: (XIII, 3, 4) D 2 [ V (h)] = 1 2 K ( h)
2

V 'V '

[ ( x y + h) + ( x y h) 2 ( x y)] dxdy
2

EJEMPLO:

Fluctuaciones del semi-variograma h en una dimensin. - La frmula general de la varianza de fluctuacin conduce a clculos bastante difciles, an en el caso gaussiano y en la forma (XIII, 3, 4). Con el propsito de despejar rdenes de magnitud, aplicaremos la frmula (XIII, 3, 4) del caso gaussiano al semi-variograma (h) = h en un espacio de una dimensin, y suponiendo que el campo geomtrico es un segmento de longitud L. Para abreviar las notaciones, pondremos:
l = L - h La frmula (XIII, 3, 4) se particulariza aqu de la manera siguiente: (XIII, 3, 5)

1 D [ V (h)] = 2 (l x)[( x + h) + | x h | 2 x ]2 dx l 0
2

El clculo explcito de la integral del segundo miembro introduce diversas funciones hipergeomtricas. Daremos solamente los primeros trminos del desarrollo de (XIII, 3, 5). Para h l , es decir h L / 2, se obtienen dos trminos irregulares, uno en h1+2 y el otro en 2+2 , y una parte regular que es el producto por l2 de una serie entera par en h / l. La parte irregular se obtiene fcilmente, al identificar la derivada segunda de l2D2[V(h)] con el desarrollo de [(l + h) + (l h) 2l]2 escrito para h < l. Los trminos

230 irregulares deben ser puestos en evidencia por un clculo directo, que no reproduciremos. Se encuentra:
1+ 2 2 (1 + ) 1 1 2 h = D [ ( h )] 1 (1 2 ) V cos l 3 + 2 2 h 2+ 2 2 (1 ) h 4 2 (1 + ) 2 2 + + 2 l 4 3 + 1 2 l 2(3 2 ) l + 2 2 2 6 ( 1) ( 3) h 2 + l + ... l6 12(2 5)

(XIII, 3, 6)

Cuando h l , es decir h L / 2 , el desarrollo en l / h se obtiene directamente, al desarrollar bajo el smbolo suma en x / h y al integrar en x. Se obtiene fcilmente la expresin siguiente:
2k k k 2k 2 C2 2 + ( 1) C l = + D [ ( h )] 2 h 1 V 2k k =1 (2k + 1)(2k + 2) h 4l 2 1 + 8h l (2 + 1)(2 + 2) ( + 1)( + 2) 2k C l 2k + 2k k =1 ( + 2 k + 1)( + 2k + 2) h

(XIII, 3, 7)

h1+ 2 Para h muy pequeo, la parte principal de la varianza de fluctuacin es en (o en l h 4 2+ 3 1 l si es superior a ). La varianza relativa 2 D 2 [ V (h)] es entonces 2 l h 2 h , y, en particular, se anula con h en h = 0: Luego, los primeros puntos proporcional a l del variograma local tienen una varianza de fluctuacin poco elevada, y pueden dar una imagen correcta de la funcin intrnseca terica (h). Pero para h creciente, esta seguridad se deteriora muy rpido, y la varianza de fluctuacin alcanza rpidamente valores importantes. Fuera de la vecindad inmediata del origen, existe una relacin muy lejana entre el semi-variograma local y la funcin intrnseca (h). Para el valor extremo h = L (es decir l = L h = 0), el desarrollo (XIII, 3, 7) se reduce a 2h2 : De una manera general, por otra parte, se tiene:

D 2 [ V (h)] = 2 ( L)

231

1 [ f (l ) f (0)] , la nica 2 pareja de puntos disponible, que est constituida de las dos extremidades del segmento L.
Porque, en esta caso extremo el variograma local se reduce a CASOS PARTICULARES. - Cuando es un semi-entero, el desarrollo ((XIII, 3, 6) debe ser tratado por el mtodo habitual de paso al lmite. Para = 1 (semi-variograma lineal), los dos desarrollos se reducen a: 2 4 h3 1 h 4 = D [ ( h )] V 3 l 3 l2 D 2 [ (h)] = 2h 2 + 1 l 2 4 hl V 3 3

(XIII, 3, 8)

4h , de manera que todos los 3l primeros puntos del variograma local son representativos. Pero, al crecer h, la amplitud de las fluctuaciones llega a ser rpidamente prohibitiva. Para h = l = L/2, por ejemplo, es decir a media marcha, la varianza es l2, y la varianza relativa es igual a la unidad: existe solamente una relacin lejana entre el variograma local y su valor terico (h). Como segundo caso particular, examinemos el semi-variograma de De Wijs (h) = log h. El desarrollo de la varianza de fluctuacin se obtiene al dividir los resultados precedentes por 2 y haciendo tender hacia cero. Para h l, se obtiene as:

Para h muy pequeo, la varianza relativa de fluctuacin es

(XIII, 3, 9)

D 2 [ V (h)] = 2

h 2 h 2 1 h 4 1 h6 + + + ... l 6 l 2 6 l 4 20 l 6

La estimacin del semi-variograma local. - La varianza de estimacin D2[V(h) c(h)] del variograma local (XIII, 3, 1) por el semi-variograma experimental (XII, 3, 2) se obtiene al aplicar las frmulas generales del captulo II a la red de los N puntos efectivamente utilizados y a la funcin intrnseca de la variable [f(x + h) f(x)]2 que es:
1 2 [ f ( x + h) f ( x)]2 [ f ( y + h) f ( y )]2 1 1 D = G (0; h) G ( x y; h) 2 4 4 4 En el caso gaussiano, considerando (XIII, 1, 7), esta funcin intrnseca se reduce a: (XIII, 3, 10)
2 1 2 (h) [ ( x y + h) + ( x y h) 2 ( x y )]2 2

Como h es un mltiplo de los vectores de la malla de base, la expresin entre parntesis tiene por parte principal, cuando el vector x y es interior a la malla elemental:

232 2[ ( h ) - ( x y ) ] Por consiguiente, la funcin intrnseca misma tiene como parte principal: 4 (h) ( x y ) 2 ( x y )
2

Los trminos irregulares preponderantes son, evidentemente, los de (x y) , porque el cuadrado de (x y) solo introduce trminos irregulares de orden superior. As, en primera aproximacin, se podr calcular la varianza de estimacin del semi-variograma local con la 2 ayuda de la funcin intrnseca 4(h)(x y). Si N y N son el nmero total de muestreos y la varianza de estimacin de la ley media de V, se tendr a menudo, en primera aproximacin: (XIII, 3, 11)

D 2 [ V (h) c (h)]# 4 (h)

N 2 N N'

As, contrariamente a la varianza de fluctuacin, la varianza de estimacin del semivariograma local toma valores moderados, y la estimacin puede hacerse en buenas condiciones, siempre que el nmero N de los puntos utilizados no sea demasiado dbil.

Figura 2. - Variograma experimental en un yacimiento de uranio. Los datos utilizados son las leyes en U de trozos de testigos sucesivos, de largo 50cm., a lo largo de un mismo sondaje vertical. Se ha trabajado, en realidad, no sobre las leyes sino ms bien sobre sus logaritmos. En ordenadas los valores experimentales de 2(d). El variograma flucta, de manera notable respecto de la recta terica la cual representa el esquema de De Wijs.

La conclusin general es la siguiente: la estimacin de un semi-variograma local se puede hacer en condiciones satisfactorias. Pero el semi-variograma local mismo es solamente representativo de la funcin intrnseca (h) en la vecindad del origen. A distancias crecientes, las fluctuaciones se amplifican desmesuradamente. En la figura 2, se puede ver

233 un ejemplo de este fenmeno, la cual representa el variograma de las leyes en uranio, construido a lo largo de un sondaje vertical potente, implantado en un yacimiento uranfero.

4. - Estimacin y fluctuacin de la varianza local.


En este prrafo, utilizaremos de manera sistemtica las notaciones de incrementos ya introducidas en el captulo VIII: Pondremos, por ejemplo: (XIII, 4, 1) ( x y ) = f ( y ) f ( x) i j = f ( x j ) f ( xi )

2 de la variable puntual f(x) ha sido En un campo geomtrico V, la varianza local SV definida en (VIII, 4, 1) como la integral estocstica:

2 SV =

1 [ f ( x) m]2 dx VV

2 se En que m es la ley media (estocstica) de f(x) en V, y habamos demostrado que SV expresaba, en notaciones de incrementos, por la integral de orden 3n:

(XIII, 4, 2)

2 SV =

1 V V ( y x) ( y x ')dydxdx ' V3 V

De la misma manera, en presencia de una red finita de N muestreos puntuales, la varianza experimental est dada por: (XIII; 4, 3)

Sc2 =

1 i j i k N 3 i jk
y

2 Si se interpretan como variables aleatorias, SV

Sc2

tienen, en la teora intrnseca,

2 valores probables a priori, que llamaremos aqu sus valores tericos V y c2 , y cuyas expresiones fueron establecidas en el prrafo VIII 4:

(XIII, 4, 4)

1 2 2 V = E ( SV ) = V 2 ( x x ')dxdx ' V V 2 = E ( S 2 ) = 1 ( xi x j ) c c N2 i j

2 Fluctuacin de la varianza local. - Las fluctuaciones de la variable aleatoria SV definida en (XIII, 4, 2) estn caracterizadas por su varianza a priori:

234

2 4 2 4 4 D 2 ( SV ) = E ( SV ) E ( SV ) = E ( SV ) V

4 de la varianza local puede escribirse: En notacin de incrementos, el cuadrado SV

(XIII, 4, 5)

4 SV =

1 j i k i ml pl dxi dx j dxk dxm dx p dxl V 6 V6

Es una integral estocstica mltiple de orden 6n. Para obtener su valor probable, debemos, en primer lugar, calcular el momento de orden 4E(j ik im lp l), luego integrar el resultado obtenido. En el caso general, se debe aplicar la frmula (XII, 1, 5). En adelante, sin embargo, nos limitaremos al caso gaussiano, el cual conduce a resultados ms simples, y por consiguiente, aplicaremos (XIII, 1, 3). Para simplificar los clculos, observamos que (XIII, 1, 1) nos da, en primer lugar: E( j i k i m l p l ) = E ( j i k i) E( m l p l ) + E ( j i m l ) E( k i p l ) + E ( j i p l ) E( k i m l ) Cuando se efecta la integracin (XII, 4, 5), el primero de los tres trminos da, segn (XIII, 2 4 4, 2), el cuadrado de E ( SV , por consiguiente, la varianza de fluctuacin ) , es decir V
2 D 2 ( SV ) se obtiene integrando los dos ltimos trminos: estos trminos, por otra parte, dan el mismo resultado, por razn de simetra, de manera que basta con calcular uno de ellos, y de escribir:

2 )= D 2 ( SV

2 E ( j i ml ) E ( k i pl )dxi dx j dxk dxl dxm dx p V 6 V6

Apliquemos la frmula general (VIII, 1, 9), que nos da:

E ( j i ml ) E ( k i pl ) = [ j l + i m j m i l ][ k l + i p k p i l ]
En el desarrollo del producto de los dos parntesis del segundo miembro, aparecen tres tipos de trminos: los trminos cuadrados de la forma (i j)2 , trminos en los cuales un ndice est repetido, de la forma i ji k, y finalmente trminos con 4 ndices distintos del tipo i jk l. En la integracin, los trminos de una misma especie conducen al mismo valor numrico. Se producen simplificaciones: Queda un solo trmino de primera y uno solo de tercera especie, los dos con el signo +, y dos de segunda especie, con el signo -. Se obtiene entonces la expresin de la varianza de fluctuacin en la forma:
2 2 2 2 2 D ( SV ) = V 4 4 i k k l dxi dx j dxk dxl + V 2 4 i j dxi dx j V V 4 3 i j i k dxi dx j dxk V V4

235

En lo que respecta a la integral de orden 4n, al considerar (XIII, 4, 4), se tiene la simplificacin inmediata:

1 1 4 dx dx dx dx dx dx = = V i k k l i j k l i j i j 4 2 V V4 V V 2 De donde, finalmente, la varianza de fluctuacin, que se escribe de manera ms explcita:


2 4 (XIII, 4, 6) D 2 ( SV + ) = 2 V

2 4 ( x y ) 2 dxdy 3 ( y x) ( y x ')dxdx ' dy 2 V V2 V V3

Considerando los clculos prcticos, se observar que la integral de orden 3n puede simplificarse con la ayuda del algoritmo siguiente: ( y x)dx 3 ( y x) ( y x ')dxdydx ' = V dy V V
2

(XIII, 4, 7)

En el caso de una varianza experimental Sc2 , la varianza de fluctuacin de D2( Sc2 ) de Sc2 , con respecto a su valor terico, se obtiene inmediatamente al reemplazar integrales por sumatorias: (XIII, 4, 8)

D 2 ( Sc2 ) = 2 c4 +

2 N2

(x x )
i j ij

4 ( xi x j ) ( xi xk ) N 3 i jk

Hay que tener cuidado de no confundir esta varianza de fluctuacin con la varianza de 2 estimacin D 2 ( SV Sc2 ) de la varianza local por la varianza experimental. EJEMPLO:

Funcin intrnseca h y una dimensin. - Para aclarar la significacin del resultado terico (XIII, 4, 6), y poner en evidencia la magnitud considerable de la fluctuacin de una varianza local, vamos a efectuar los clculos para la funcin intrnseca (h) = h , un espacio de una dimensin y un campo geomtrico constituido por un segmento de longitud L . En una dimensin, y considerando (XIII, 4, 7), la frmula general (XIII, 4, 6) puede explicitarse con la ayuda de las funciones auxiliares (h) y F(h) definidas en (XII, 3, 1). Se encuentra fcilmente:

236
L 2 2 2 2 4 D ( SV ) = 2 F ( L) + 2 ( L x) ( x) dx L 0 L L 8 x 2 ( x) 2 dx 8 x( L x) ( x) ( L x)dx L3 L3 0 0

(XIII, 4, 9)

Con la funcin intrnseca h , se tiene: 1 ( x) = x +1 2 F ( x) = x ( + 1)( + 2) Y (XIII, 4, 9) se pone fcilmente en la forma:

8 4 2 D 2 ( SV ) = L2 + 2 2 ( + 1) ( + 2) (2 + 1)(2 + 2) 2 ( + 1) 8 2 5 +1 (2 + 3)( + 1) 2 + 2
Se observar que la varianza relativa independiente de L. Solo depende de : (XIII, 4, 10) 1 2 D 2 ( SV ) 2 F ( L) de la fluctuacin es constante e

1
4 V

2 D 2 ( SV ) = 2+

( + 1)( + 2) 2 2( + 2) 2 ( + 2) ( + 3) 5 2(2 + 1) 2 + 3 22+ 2 + 2


4 . De una 5

Por ejemplo, para = 1, se obtiene una varianza relativa de fluctuacin igual a

manera general, se ve que las fluctuaciones de la varianza local tienen siempre una amplitud considerable, y por consiguiente, la varianza local tiene, lo ms a menudo, una relacin lejana con su valor terico.

Estimacin de la varianza local: el sesgo. - Cuando se estima la varianza local

2 SV

definida en (XIII, 4, 2) con la ayuda de la varianza experimental Sc2 , definida en (XIII, 4, 3), y calculada a partir de una red regular de muestreos puntuales en nmero finito N, se introduce necesariamente un error sistemtico o sesgo. En efecto - esto es visible en las

237
2 y Sc2 no tienen el mismo valor relaciones (XIII, 4, 4) - las variables aleatorias SV
2 , la diferencia: probable a priori. Llamaremos sesgo, y lo designaremos por B 2 2 2 B = E ( SV ) E ( Sc2 ) = V c2

(XIII, 4, 11)

1 1 ( x x ')dxdx ' 2 2 V V2 N

(x x )
i j ij

Este sesgo se presenta como la diferencia entre el valor exacto y aproximado de una misma integral la cual contiene la funcin intrnseca (h). Su expresin nos recuerda la de una varianza de estimacin. Si se supone que los puntos de muestreo xi xj . . . estn implantados al azar en el campo V, (xi xj) debe ser reemplazado por su valor probable relativo a este 2 sorteo al azar, que es V para i j . As, en el caso de una malla aleatoria pura, se tiene:
2 B =

1 2 V N

Esta expresin del sesgo coincide a la vez con la que proporciona la teora clsica de la estimacin de varianzas y con la de la varianza de estimacin asociada a una malla aleatoria pura por la frmula (XII, 5, 1). En el caso de una malla aleatoria estratificada, se puede ver fcilmente que el sesgo es igual a:
2 B =

1 2 (0 | v) N

Es decir aqu, de nuevo, segn (XII, 5, 2), a la varianza de estimacin correspondiente. 2 , se puede Examinemos ahora el caso de una malla regular. En lo que respecta al sesgo B ver en (XIII, 4, 11) que es estrictamente indiferente suponer la implantacin de la malla regular preferencial o flotante, debido a que no aparece ningn trmino mixto expresando una covarianza entre V y la red. Pongmonos en el caso en que V es la reunin de N zonas de influencia, iguales entre ellas, de las N muestras, y sea K(h) el covariograma geomtrico asociado a V. El algoritmo de Cauchy (I, 2, 9) da: 1 1 ( x x ')dxdx ' = 2 K (h) (h)dh 2 V V2 V Por otra parte, los vectores xi xj sobre los cuales se hace la suma doble de (XIII, 4, 11) son mltiplos enteros de ka = (k1a1, . . . , knan) de los vectores de base de la malla. Pero el nmero de parejas xixj para las cuales el vector xi xj es igual a un vector dado ka es igual a K(ka) / v, siendo v el volumen de la malla elemental y K(ka) la interseccin de V y de su trasladado por ka. Se tiene entonces:

1 N2

( x x ) = V K (ka) (ka)
i j 2 ij k

238

Entonces el sesgo (XIII, 4, 11) se pone en la forma: (XIII, 4, 12)


2 B =

1 v K (h) (h)dh 2 2 V V

K (ka) (ka)
k

Se reconoce la expresin de la varianza de estimacin transitiva asociada a la malla a y al covariograma - K(h)(h) . Basta entonces con comparar con la relacin (XII, 4, 6) para enunciar el resultado siguiente: 2 asociado a la estimacin de la varianza local por una malla regular, es El sesgo B idntico a la varianza de estimacin d la ley media calculada para una malla regular, tomada con una implantacin flotante y un campo V conocido a priori. En muchas aplicaciones prcticas el sesgo puede ser considerado como despreciable.

Estimacin de la varianza local: La dispersin. - Caracterizaremos la desviacin entre la 2 varianza local verdadera SV y la varianza experimental Sc2 , calculada en una red finita de muestreos por la varianza de estimacin:
(XIII, 4, 13)
2 2 2 2 2 2 D 2 [ SV Sc2 ] = D 2 ( SV ) + D 2 ( Sc2 ) 2 E ( SV Sc ) + 2 V c

Las varianzas a priori (o varianzas de fluctuacin)

2 D 2 ( SV ) y

D 2 ( Sc2 ) fueron ya

2 2 Sc ) . Si nos referimos a las calculadas en (XIII, 4, 6) y (XIII, 4, 8). Falta por evaluar E ( SV definiciones (XIII, 4, 2) y (XIII, 4, 3) de las varianzas locales y experimentales, obtenemos en primer lugar:

2 2 SV Sc =

1 i j i k ( y x) ( y x ')dxdx ' dy N V 3 i j k V3
3

Pasemos a los valores probables, siempre con la limitacin de estar en el caso gaussiano. Se tiene, segn (XIII, 1, 1): E[ i j i k ( y x) ( y x ')] = E ( i j i k ) E[ ( y x) ( y x)] + E[ i j ( y x)]E[ i k ( y x ')] + E[ i j ( y x ')]E[ i k ( y x)] Por sumatoria en i j k e integracin en x, x e y, el primero de estos tres trminos 2 2 proporciona E ( Sc2 ) E ( SV , mientras que los otros dos, por razones de simetra, ) = c2 V conducen a un mismo valor. Basta con calcular uno de ellos, por ejemplo: E[ i j ( y x)]E[ i k ( y x ')] = [ ( xi y ) + ( x j x) ( xi x) ( x j y )] [ ( xi y ) + ( xk x ') ( xi x ') ( xk y )]

239 Al desarrollar el producto entre parntesis del segundo miembro, aparecen cuatro tipos de trminos: trminos en (xi y)(xj y), en (xi y)(xi x), en (xi y)(xj x) y trminos cuadrados de la forma ( y xi ) . Los trminos de igual especie, despus de la suma y de la integracin, conducen a un mismo valor. Aparecen simplificaciones, y, finalmente, cada uno de estos cuatro valores subsiste una sola vez con el signo - para los 2 dos primeros y con el signo + para los dos ltimos. Se obtiene as la covarianza entre SV y
2

Sc2 en la forma:
2 2 2 2 2 E ( SV Sc ) V c = VN 2 ( x xi ) ( x x j )dx ij V 2 ( x xi ) ( x ' xi )dxdx ' NV 2 i V2 2 + 2 2 ( x xi ) ( x ' x j )dxdx ' N V i j V2 2 2 + ( x xi ) dx NV i V

(XIII, 4, 14)

Se observar adems la simplificacin siguiente: 1 2 2 NV 1 ( x xi ) ( x ' x j )dxdx ' = i j V2 NV ( x xi )dx i V


2

2 de La expresin entre parntesis est estrechamente ligada a la varianza de estimacin N la ley media de V por la red de los N muestreos xi. En efecto, la frmula general (XII, 2, 1) puede escribirse:

2 N =

2 NV

( x x )dx
i i V

2 c

2 V

De donde se obtiene inmediatamente: 4 2 2 2 + c2 + V ( x xi )dx = N 2 2 NV i V


2

(XIII, 4, 15)

Considerando esta simplificacin, llevemos (XIII, 4, 14) a (XIII, 4, 13) y reemplacemos 2 tambin D 2 ( SV ) y D 2 ( Sc2 ) por sus expresiones (XII, 4, 6) y (XIII, 4, 8), y la diferencia
2 2 V c2 por B , que es el sesgo (XIII, 4, 11). Se obtiene as la dispersin de la varianza

experimental relativa a la varianza local en la forma siguiente:

240

(XIII, 4, 16)

2 2 2 2 2 2 2 4 D ( SV Sc ) = B 2 N ( V + c ) N 2 2 4 ( x xi ) 2 dx + 2 ( x x ') 2 dxdx '+ 2 ( xi x j ) 2 V V2 N ij NV i V 4 3 ( y x) ( y x ')dxdx ' dy V V3 4 + ( xi x) ( xi x ')dxdx ' NV 2 i V2 + 4 ( x xi ) ( x x j )dx 4 ( xi x j ) ( xi xk ) N 2V i j V N 3 i jk

2 No insistiremos ms acerca del clculo de la varianza D 2 ( SV Sc2 ) , que es bastante difcil de efectuar explcitamente. Pero la estructura de la frmula (XIII, 4, 6), donde alternan 2 expresiones exactas y aproximadas de las mismas integrales, muestra que D 2 ( SV Sc2 ) es bien de la misma naturaleza que las varianzas de estimacin encontradas en el captulo XII: La estimacin de una varianza local por una varianza experimental es entonces, en general 2 posible. Sin embargo, la varianza de estimacin D 2 ( SV Sc2 ) toma, a menudo, valores notablemente superiores a los que proporciona la estadstica matemtica usual en el caso en que los f(xi) son N variables aleatorias independientes de igual valor probable y de igual 2 varianza V .

____________________

241

ANEXO A

RESUMEN SOBRE LAS DISTRIBUCIONES

SUMARIO
Esta exposicin resumida de la teora de las distribuciones sigue muy estrechamente, pero sin ningn rigor, y suprimiendo, lo ms a menudo, las demostraciones, las obras de L. Schwartz 35, con algunas referencias a I. M. GUELFAND 36 . Est destinado a los lectores, naturalistas o tcnicos, que no conocen esta teora, y desearan comprender los captulos III y X de esta obra. Como ha sido dicho, estos dos captulos son independientes del resto del libro, y pueden ser omitidos, adems del Anexo A, por los lectores que no quieren conocer las Distribuciones. Sin embargo insistimos, ms all del marco modesto de esta obra, sobre el inters que presenta esta teora para un naturalista o un tcnico. Los fenmenos de la naturaleza, en efecto, a pesar de que existen independientemente del hombre, solo son conocidos a partir de resultados de la experiencia, o de operaciones tecnolgicas. De la misma manera, una distribucin no es nunca conocida en si , sino ms bien por su accin sobre ciertas funciones de base , que representan muy bien estas experiencias o estas operaciones tecnolgicas. Por consiguiente, a menudo resulta cmodo, y sobre todo instructivo, representar un fenmeno natural como una distribucin ms que en la forma de una funcin ordinaria. Despus de definir las medidas (A, 1), las distribuciones (A, 2) y las operaciones elementales, sigue la derivacin (A, 3) y el paso al lmite (A, 4), se estudian algunos ejemplos tiles (A, 5), y la integracin de orden no entero (A, 7). Se pone acento sobre la convolucin (A, 6), las transformaciones de Fourier- Hankel (A, 8), y las distribuciones de tipo positivo (A, 9). Por falta de espacio, no hemos podido abordar los problemas relativos a las ecuaciones de convolucin (ecuaciones integro-diferenciales y a derivadas parciales) para los cuales el aporte de las distribuciones es fundamental pero que no son abordados en esta obra.

L. SCHWARTZ, Thorie des distributions, Pars, Hermann, 1951 y Mthodes Mathmatiques pour les Sciences Physiques. Pars, Hermann 1961. 36 I. M. GUELFAND y G. E. CHILOV, Les distributions, traduccin al francs, Pars, Dunod, 1962.

35

242

1. - Medidas.
A veces, por una simplificacin abusiva, se describen ciertos fenmenos por funciones de punto. Por ejemplo, en un medio gaseoso, la nocin de densidad de la materia (x) en un punto x (de coordenadas x1, x2, x3) pierde toda significacin precisa cuando se desciende a la escala de las partculas elementales. Al contrario, la integral: (A, 1, 1) Q = ( x)dx
V

La cual representa la cantidad de materia contenida en un volumen V cualquiera siempre tiene un sentido, porque cada volumen V contiene efectivamente una cantidad definida de materia. Ms generalmente, si una masa puntual localizada en el punto x ejerce un cierto efecto fsico (por ejemplo un potencial) caracterizado por una funcin (x), el efecto ejercido por la cantidad de materia contenida en V, simbolizado por la integral: (A, 1, 2)

( x) ( x)dx

Es una realidad, de manera que la integral (1, 2) debe tener un sentido, an si la funcin (x) no se pueda definir como funcin de punto. En efecto, es claro que, si somos capaces de determinar el valor numrico de (1, 2) para todas las funciones (x) que nos interesan, el hecho que (x) no se pueda definir como funcin, no tiene mucha importancia. En realidad, el procedimiento mismo que nos permite atribuir un sentido a (1, 1) o (1, 2) define un ente matemtico nuevo, el cual generaliza la nocin de funcin de punto, y que tiene el nombre de medida. Precisemos esta definicin. En primer lugar, las funciones no pueden ser cualesquiera. Nos limitaremos, en primer lugar, al conjunto (o espacio) (C) de las funciones que poseen las dos propiedades siguientes: son continuas toman valores diferentes de cero en un dominio acotado (cualquiera)

Diremos que hemos definido un funcional L sobre el espacio (C) de las funciones , si a toda funcin perteneciente a (C) somos capaces de hacerle corresponder un nmero, que escribiremos L() . Cuando L() es real, para toda funcin real de (C), la funcional L se dice real. La funcional L se dice lineal si, para todas las funciones 1, 2 de (C) y para todo nmero complejo se tiene: (A, 1, 3) L(1 + 2 ) = L(1 ) + L( 2 ) L( ) = L( )

Finalmente, se dir que es continua, si, para toda sucesin de funciones i, continuas y nulas fuera de un dominio acotado, que convergen uniformemente hacia una funcin de (C), los L(i) convergen a L().

243 Una medida es, por definicin, una funcional lineal continua sobre el espacio (C). En lugar de () , se escribe a menudo Integral de Stieltjes):

d
Se demuestra que las medidas no solamente actan sobre el espacio (C) sino tambin sobre el conjunto ms vasto de funciones llamadas borelianas 37 nulas fuera de un conjunto acotado. El volumen V , que interviene en la expresin (1,1), puede ser definido a partir de una funcin k(x), llamada caracterstica 38, igual a +1 cuando el punto x pertenece a V, y a = en el caso contrario. Una tal funcin k(x) es boreliana, no solamente para los volmenes geomtricos usuales, sino tambin para los conjuntos de puntos mucho ms generales (conjuntos borelianos). La integral (1, 1) debe ser reemplazada por la escritura ms rigurosa siguiente:

Q = (k ) = k ( x)d
Y, de la misma manera, (1, 2) queda reemplazado por la expresin:

(k ) = k ( x) ( x)d
Que tiene un sentido preciso para toda funcin continua, o an boreliana. Esta nocin de medida es una generalizacin natural de la nocin de funcin, en el sentido que a toda funcin f(x), con tal que sea sumable sobre todo conjunto acotado, se la hace corresponder una medida f bien definida por: (A, 1, 4)

f ( ) = f ( x) ( x)dx

Se observar sin embargo, que a dos funciones iguales casi en todas partes corresponde una sola y misma medida, de manera que el conocimiento de la funcional (1, 4) define una funcin salvo en un conjunto de medida nula.

Soporte. - Se llama soporte de una funcin continua al conjunto cerrado ms pequeo que contiene todos los puntos donde (x) es diferente de 0: La funcin es idnticamente nula en el complemento de su soporte. Anlogamente, se llama soporte 39 de una medida al conjunto cerrado ms pequeo tal que () sea nulo para toda funcin cuyo soporte est contenido en su complemento: Dicho de otra forma: () es nulo cuando los soportes de y de no se cortan.
Se llama tribu boreliana al conjunto ms pequeo de funciones el cual contiene todas las funciones continuas, y si contiene una sucesin convergente de funciones, contiene tambin su lmite (L. SCHWARTZ) 38 Se trata de la terminologa de teora de conjuntos. En esta obra, designaremos tambin la funcin k(x) como la variable regionalizada geomtrica asociada al volumen (o al conjunto) V. 39 En la presente obra, se reserva el trmino soporte a las funciones (funciones de muestreo). Para las medidas y las distribuciones, se habla ms bien de campo (campo geomtrico de una regionalizacin)
37

244 El espacio (C) es el conjunto de las funciones continuas con soporte acotado. Si una medida tiene soporte acotado, esta acta no solamente sobre las funciones de (C) sino sobre todas las funciones continuas (con soporte cualquiera), en particular sobre la funcin constante e igual a 1 en todo el espacio. En este caso, la integracin d extendida a todo el espacio existe entonces, y se dice que la medida es sumable.

Medida de Dirac. - Se llama medida de Dirac la medida definida por:


(A, 1, 15) () = (0)

El soporte de esta medida se reduce a un solo punto, que es el origen 0 de coordenadas. ES una medida sumable, de suma igual a la unidad. En la ptica intuitiva de la ecuacin (1, 1), corresponde a una masa puntual localizada en 0. La densidad es nula en todas partes, salvo en el origen, donde es infinita. La cantidad de materia ( x) dx es igual a 1
V

o a 0 segn que V contenga o no al origen de coordenadas. A menudo se escribe (1, 5) en forma simblica, como si fuera una funcin:

( x) ( x)dx = (0)
Anlogamente, se designa por y la medida definida por: y() = (y) Corresponde a una masa unitaria puntual localizada en el punto simblicamente (x y) en lugar de y, luego: y , y se escribe

( x y) ( x)dx = ( y)
Medidas positivas. - Se dice que una medida es positiva si () es positivo o nulo para toda funcin no negativa. Toda medida real es igual a la diferencia de dos medidas positivas. Las funciones de distribucin del clculo de probabilidades son en realidad medidas positivas sumables, de suma unidad.

2. - Distribuciones. 2.-1. - Generalidades. - Hemos definido las medidas como funcionales continuas sobre el espacio (C) de las funciones continuas con soporte acotado. Se designa por (C) al espacio de las medidas, y se dice que (C) es el dual de (C). La misma definicin puede ser aplicada a los espacios de funciones diferentes de (C) . As, si se impone a las funciones de base condiciones ms severas que ser continuas y a soporte acotado, por ejemplo condiciones de derivabilidad, se ve que se pueden introducir entes matemticos nuevos que generalizan las medidas, de la misma manera que las medidas generalizan las funciones localmente sumables. Estos entes son las distribuciones.

245 Es necesario ver bien que una distribucin T no tiene existencia en si, sino que solamente para un conjunto definido (o espacio) de funciones de base . Se dice, en lenguaje matemtico, que T est definido sobre este espacio de funciones . Una funcional T no es otra cosa que un procedimiento (cualquiera que sea) que permite asociar un valor numrico T() a toda funcin de base . Por otra parte, de la misma manera, una funcin usual f no es otra cosa que un procedimiento que permite asociar un valor numrico f(x) a todo punto x del espacio usual. Si se interpreta como un punto del espacio de las funciones de base, la funcional T() aparece como la exacta generalizacin de la funcin f(x). El conjunto (o espacio) de las distribuciones T definidas sobre un espacio de funciones de base se llama el dual del espacio de las funciones de base. Es necesario ver bien que mientras ms el espacio de las funciones de base es comprensivo, ms el espacio dual de las distribuciones es restringido. Existirn relativamente pocos funcionales capaces de actuar sobre funciones casi cualesquiera. Por ejemplo, solo las medidas actuarn sobre las funciones continuas (o ms generalmente borelianas). En la medida en que se imponen condiciones ms severas a las funciones de base (por ejemplo, de ser derivables una vez, dos veces... o indefinidamente derivables) se ven surgir, en el horizonte las distribuciones, entes nuevos, ms y ms generales. La relacin de inclusin es la siguiente: Si un espacio 1 de funciones es un sub-espacio de , el espacio de las distribuciones definidas en es un sub-espacio del espacio de las distribuciones 1 definidas en 1: Dicho de otra manera, si toda funcin de 1 es parte de , toda distribucin de es parte de 1. As, toda funcin indefinidamente derivable (espacio D) es una funcin continua (espacio C). Resulta que toda medida (espacio C) es una distribucin del espacio (D) que vamos a definir, mientras que, en general, una distribucin T cualquiera de (D) no ser una medida: T() no existir para una funcin continua cualquiera, sino solamente para una funcin indefinidamente derivable (de D). De una manera general, siendo dado un espacio () de funciones, se define el espacio de las distribuciones (), dual de () como el espacio de las funcionales lineales continuas sobre (). Dicho de otra manera, T es una distribucin de () si: 1.- A toda funcin de se la hace corresponder un nmero T(). 2.- Se tienen las relaciones de linealidad: (A, 2, 1) T (1 + 2 ) = T (1 ) + T (2 ) T ( ) = T ( )

3.- Si una sucesin de funciones i de () converge hacia una funcin de () los T(i) convergen hacia T(). Esta definicin no tomar un sentido preciso, a menos que se defina exactamente lo que se entiende por sucesin de funciones i que convergen hacia una funcin , es decir si se dota al espacio () una convergencia. Notacin simblica. Se escribe a menudo, de manera puramente simblica pero expresiva:

246

T ( x) ( x)dx

en lugar de T ( )

2.- 2. - Los espacios (D) y (D). - Se dice que una funcin pertenece al espacio (D) si es indefinidamente derivable y con soporte acotado. Las funciones habituales no responden en general, con esta definicin: Se exige, en efecto que sea idnticamente nula fuera de su soporte acotado, y al mismo tiempo que admita derivadas de todos los rdenes en cualquier punto de su soporte, comprendiendo adems la frontera de su soporte. Como ejemplo simple de funcin de (D) citemos la funcin s(x), definida por L. SCWARTZ de la manera siguiente:
s( x) = 0 1 s ( x) = exp 2 1 r (r =| x |= x 2 + x 2 + ... + x 2 ) 1 2 n para r 1 para r < 1

(A, 2, 2)

A partir de esta funcin s(x), es posible construir funciones de (D) tan poco diferentes como se quiera, de toda funcin f(x) continua y con soporte acotado. El procedimiento x consiste en regularizar f por la funcin s , siendo a una constante arbitrariamente a pequea. Poniendo:

x C = s dx = a n s ( x)dx a
El producto de convolucin: (A, 2, 3)

( x) =

1 f ( x ) s d C a

Define una funcin de (D) la cual se aproxima a f mucho mejor cuando a es pequeo. Para definir el espacio (D) de las distribuciones, debemos dotar a (D) de una convergencia. Diremos que una sucesin i de funciones de (D) converge hacia una funcin de (D) si: 1. Los soportes de las i estn todos contenidos en un mismo dominio acotado. 2. Las i y sus derivadas convergen uniformemente hacia y sus derivadas. Esta convergencia es severa, porque no se interesa solamente en las funciones i sino tambin en sus derivadas. Las funcionales lineales continuas sobre (D) en el sentido de esta convergencia constituyen el espacio de las distribuciones (D). C es el espacio de distribuciones ms

247 general posible. Cuando se habla de distribuciones, sin precisar, se trata de distribuciones de (D). El soporte de una distribucin se define exactamente como el soporte de una medida. Un sub espacio de (D) el cual se usa a menudo es el espacio () de las distribuciones con soporte acotado. Se demuestra que () es el dual del espacio () de las funciones indefinidamente derivables con soporte cualquiera (acotado o no): Las distribuciones con soporte acotado son funcionales lineales continuas sobre ().

2. 3. Adicin y multiplicacin de las distribuciones. - La adicin de dos distribuciones T1 y T2 y la multiplicacin por un escalar se definen sin dificultad por las relaciones:
(A, 2, 4) (T1 + T2 )( ) = T1 ( ) + T2 ( ) (T )( ) = [T ( )]

Que hacen de (D) un espacio vectorial. La multiplicacin de dos distribuciones no es posible en el caso general, pero una distribucin T puede ser multiplicada por una funcin f(x) la cual debe verificar condiciones suficientes de regularidad. La distribucin fT, simblicamente, actuara sobre una funcin de base de la manera siguiente:

fT ( ) = f ( x)T ( x) ( x)dx
Esta escritura simblica tiene sentido si el producto f(x)(x) pertenece al mismo espacio que la funcin de base . Por ejemplo, si T pertenece a (D), es necesario que f(x)(x) pertenezca a (D) cualquiera que sea la funcin de (D): esto ocurre si f es indefinidamente derivable (con soporte cualquiera), es decir si pertenece a (). Cuando esta condicin se verifica, el producto fT est definido por la relacin: (A, 2, 5) (f T)() = T(f )

2.4. - Trasladada y transpuesta de una distribucin. La trasladada hf por un vector h de una funcin ordinaria f(x) es la funcin f(x h):
hf = f(x h): Si f es localmente sumable, luego define una distribucin f, y su trasladada f(x h) define tambin una distribucin:

h f ( ) = f ( x h) ( x)dx = f ( x) ( x + h)dx
Al cambiar x en x + h , se ve que f(x h) acta sobre como f(x) sobre (x + h). Esta definicin se puede transportar a las distribuciones: La trasladada hT es la distribucin que acta sobre (x) como T sobre (x + h) o sea: (A, 2, 6) hT() = T(-h)

248

En notacin simblica se escribir: h T = T( x h )

de una funcin f(x) es la funcin Anlogamente, la transpuesta f distribucin acta sobre (x) como f(x) sobre (-x), porque se tiene:

f(-x). Como

f ( x) ( x)dx = f ( x) ( x)dx
de una distribucin cualquiera se definir entonces por: La transpuesta T ( ) = T ( ) T
Y se escribir, simblicamente: (A, 2, 7)

( x) = T ( x) T

2.5. - Pseudo funciones, y regularizacin de las integrales divergentes. - Entre las funciones f(x) usuales, solo las funciones localmente sumables (sumables sobre todo conjunto acotado) pueden ser identificables a las distribuciones:

f ( ) = f ( x) ( x)dx
Sin embargo, funciones tan usuales como 1 / x , no son sumables en la vecindad de ciertos puntos singulares (x = 0 , para 1 / x), la integral:
+

(A, 2, 8)

( x)

dx x

Es divergente en el espacio de una dimensin. Sin embargo las expresiones:

( x) ( x)
x

( x) ( x) dx = lim + 0 x x
a

( x)
x

dx +

( x) (0)
x

dx +
a

( x)
x

dx

Tienen un sentido para toda funcin de (D) : ellas definen, para estas funciones , una funcional lineal y continua, entonces una distribucin particular, llamada v.p.(1 / x) (valor principal) o P.f.(1 / x) (pseudo-funcin). Esta pseudo-funcin - que es una distribucin no puede, en absoluto, ser identificada a la funcin (1 / x). Pero, al actuar sobre una funcin (x) tal que:

249

( 0 ) = 0 Para la cual la integral (2, 8) tiene un sentido, ella proporciona el mismo valor numrico que esta integral, de manera que se tiene, en este caso: 1 ( x) v.p. ( ) = dx x x Se puede decir, si se desea, que esta pseudo-funcin f(x) coincide con la funcin 1 / x fuera del origen. Ms generalmente, si una funcin f(x) presenta en el origen una singularidad tal que xmf(x) sea localmente sumable para un entero m conveniente, sin que f(x) mismo lo sea, la integral:
1 +

xm (m) f dx + f ( x) ( x) (0) x '(0) ... (0) dx + f dx m! 1 1


1

Es convergente para toda funcin de (D). Ella define un funcional lineal y continuo, luego una distribucin, que es la pseudo-funcin f(x): Esta pseudo-funcin - que es una distribucin la cual solo coincide con f(x) fuera del origen. Existe otro procedimiento para definir pseudo-funciones, y de regularizacin de las integrales divergentes, fundado sobre el mtodo de prolongacin analtica. Por ejemplo, con n dimensiones, la funcin r, con:
2 2 r = x12 + x2 + ... + xn

Define una distribucin siempre que la parte real de sea superior a -n: Re() > - n Porque la integral:

r ( ) = r ( x)dx
Es convergente. Si se considera la expresin r() como una funcin de la variable compleja , entonces es una funcin analtica, y puede, con este ttulo, ser prolongada en el plano complejo. Se muestra que este prolongacin analtica existe para todos los valores de , salvo para los valores enteros negativos -n, -n 2, -n 4, . . . , que son los polos. Esta prolongacin analtica define una funcional lineal, y se demuestra que es continua, es decir una distribucin (pseudo-funcin) r. Estas pseudo-funciones son muy importantes en las aplicaciones, porque permiten a menudo evitar discusiones delicadas de convergencia.

250

3. - Derivaciones de las distribuciones. 3.1. - Definicin. - En un espacio de una sola dimensin, si una funcin continua f(x) tiene una derivada continua f(x), esta derivada puede ser definida, como distribucin, por la frmula:
f '( ) =

f '( x) ( x)dx (x) , que

Haciendo una integracin por partes, y teniendo en cuenta el hecho que pertenece a (D), se anula en el infinito, se obtiene: f '( ) = [ f ( x) ( x)]+
+

f ( x) '( x)dx = f ( x) '( x)dx

Como (x) pertenece tambin a (D), se ve que la derivada f puede ser definida como la distribucin que acta sobre , salvo el signo, de la misma manera que f acta sobre . f() = - f() Bajo esta forma, la definicin de derivada se generaliza a una distribucin cualquiera. Por definicin, la derivada de una distribucin T es la funcional T tal que se tiene: (A, 3, 1) T() = - T()

Esta funcional es lineal. Es tambin continua, porque si una secuencia i de funciones de base tiende hacia una funcin de base , las derivadas i tienden a (debido a la definicin misma de la convergencia en D) y como T es continua, (por definicin de las distribuciones) T(i) tiende hacia T(). La funcional T es entonces tambin continua: Es entonces una distribucin. As, toda distribucin T es indefinidamente derivable, y sus derivadas sucesivas son distribuciones. La definicin (3, 1) se generaliza sin dificultad al espacio de n dimensiones, y a las derivadas parciales de orden cualquiera m = m1 + m2 + . . . + mn : (A, 3, 2) mT m m ( ) = (1) T m1 mn mn m1 x1 ...xn x1 ...xn

Por ejemplo, el laplaciano: = 2 2 ... + + 2 x12 xn

De una distribucin T es la distribucin T definida por:

251

(A, 3, 3)

T() = T()

Cuando el producto (x)T de una distribucin T por una funcin (x), el cual es obligatoriamente derivable en el sentido usual, est definido (prrafo 2, 3), se aplica la regla habitual de derivacin de productos: (A, 3, 4)

( T ) T = + T xi xi xi

3.2. - Derivadas de las medidas de Dirac. - Como toda distribucin, la medida de Dirac es indefinidamente derivable, y sus derivadas sucesivas son distribuciones. En el caso de una sola dimensin, la derivada m(x) es la distribucin definida por:
(A, 3, 5) Es decir, en escritura simblica: (A, 3, 6) m ( x a ) m (a ) m ( x ) dx = ( 1) mn x1m1 ...xnmn x1m1 ...xn m() = (- 1)m (m)(0)

Estas distribuciones son de uso corriente en Mecnica Cuntica, en el clculo llamado simblico de los elctricos, etc... Su soporte se reduce a un punto. Se demuestra, recprocamente, que toda distribucin con soporte puntual es una combinacin lineal de la medida de Dirac y de sus derivadas sucesivas.

3. 3.Derivadas de las funciones localmente sumables. - Considerada como distribucin, toda funcin localmente sumable es indefinidamente derivable en el sentido de las distribuciones, an si no admite derivadas en el sentido usual. Pero, es necesario ve bien que sus derivadas usuales, si es que existen, no coinciden necesariamente con sus derivadas en el sentido de las distribuciones. Consideremos, por ejemplo, la funcin de Heaviside Y(x) , en el espacio de una dimensin, definida por:
(A, 3, 7) Y ( x) = 0 Y ( x) = 1 para x < 0 para x < 0

La derivada, en el sentido usual Y(x) es nula en todas partes, salvo en el origen, donde no est definida. En el sentido de las distribuciones, se encuentra: Y '( ) = Y ( ') = Y ( x) '( x)dx = (0)
+

De manera que, en el sentido de las distribuciones, la derivada Y es la medida de Dirac:

252

(A, 3, 8)

Y =

Anlogamente, siempre en una dimensin, sea una funcin f(x) derivable y continua, como tambin sus derivadas, hasta un cierto orden, en cualquier punto, salvo en el origen x = 0 , pero tal que estas derivadas admitan en x = 0 , un lmite a la derecha y a la izquierda f(m)(+0) y f(m)(-0). Al designar por Sm al salto de la derivada de orden m: Sm = {f (m)(+ 0)} - {f (m)(- 0)} y escribiendo {f (m)(x)} para las derivadas sucesivas en el sentido usual (que son funciones continuas, salvo en x = 0), las derivadas f (m) en el sentido de las distribuciones estn dadas por:

f ' = { f '( x)} + S0 ..................................... f ( m ) = { f ( m ) } + S ( m 1) + S ( m 2) + ... + S 0 1 m 1


En el espacio de n dimensiones, se tienen resultados anlogos, que permiten, entre otras propiedades, encontrar la frmula de Green. Mencionemos solamente aqu que el laplaciano de la funcin 1 / r n 2 (o log r si n = 2), nulo en el sentido usual, salvo en el origen donde no est definido, est dado, en el sentido de las distribuciones por: 1 r
n2

(A, 3, 9)

= (n 2)

2 ) n 2

n 2

Y, para n = 2 (caso del plano): (A, 3, 10) log r = 2

1 Por ejemplo, para n = 3 , se tiene = 4 . Estas relaciones son tiles en la teora de r los potenciales armnicos.

4. - Paso al lmite.
Por definicin, se dice que una sucesin de distribuciones Ti converge hacia una distribucin T si, para toda funcin de base de (D), los nmeros Ti() convergen (en el sentido usual) hacia el nmero T(). Anlogamente, se dir que la serie

T
i =1

de

253

distribuciones converge y tiene por suma la distribucin T si las sumas parciales

T
i =1

convergen hacia T, en el sentido que acabamos de definir, cuando m tiende al infinito. Se demuestra entonces el resultado siguiente: Si una sucesin de distribuciones Ti es tal que, para toda funcin de (D), la secuencia numrica Ti() tiene un lmite en el sentido usual, la sucesin Ti converge hacia una distribucin T. Anlogamente, si para toda funcin , la serie Ti ( ) es convergente, la serie Ti
i i

converge hacia una distribucin T (es claro que el lmite de la sucesin o de la serie de los Ti() define una funcional lineal sobre (D). Se demuestra, lo que es mucho menos evidente, que esta funcional es continua). Se establece igualmente la continuidad de la derivacin: Si una sucesin (o una serie) de distribuciones Ti converge hacia una distribucin T, la sucesin (o la serie) derivada Ti converge hacia la derivada T de T (en efecto, para una sucesin Ti por ejemplo, Ti() = - Ti() converge hacia: - T() = T() Esto resulta de la definicin de la derivacin, y del hecho que si pertenece a (D) es lo mismo para ). Luego, siempre se tiene el derecho de derivar trmino a trmino una serie convergente. Y la serie obtenida es siempre convergente: La teora de las distribuciones le proporciona un sentido a grandes categoras de series, las cuales divergen, en el sentido del anlisis ordinario. Por ejemplo, para que la serie trigonomtrica: (A, 4, 1)

a e

ikx

Sea convergente, basta con que los coeficientes ak sean mayorados, en mdulo, por una expresin de la forma Akm (A constante, m entero). En efecto, las series:

ak ikx e m+2 1 k

(1)
1

m+2

a k ikx e k m+ 2

Convergen uniformemente, de manera que su suma es una funcin continua. Al derivar m + 2 veces, trmino a trmino, se obtienen series convergentes de distribuciones, cuya suma solo difiere de (4, 1) por una constante. Por ejemplo, se demuestra la relacin: (A, 4, 2)

k =

e 2i kx =

k =

(x k)

Una tal serie representa masas unitarias localizadas en todos los puntos de abscisas enteras. Apliquemos esta relacin a una funcin de base cuya transformada de Fourier est dada por:

254

(u ) = ( x)e 2 iux dx

5.2. - Distribuciones x+ |x| etc.- Por definicin, llamaremos x+ la distribucin:


x+ = ( + 1)Y +1

(A, 5, 4)

Que coincide con la formacin monomio ordinario para Re() > 0. Su transpuesta ser designada por x : (A, 5, 5)
= ( + 1)Y ( x) x = ( + 1)Y +1 +1

Estas distribuciones estn definidas para todos los valores de , salvo los enteros negativos ((- m) es infinito). En = - m , la funcin de definida por x+ ( ) presenta un polo en
1 / ( + m) , con residuo (m-1)(0) / (m 1)! , mientras que x posee el mismo polo en = m-1 - m , pero con el residuo: (- 1) (m - 1)(0) / (m 1)! .

Se introducen as las dos distribuciones, simtrica y antisimtrica: (A, 5, 6)


| x | = x+ + x | x | Sgn x = x+ x

(La sigla Sgn x se lee: signo de x). |x| solo tiene polos para = - 1, - 3, etc..., porque para un entero par los residuos de x+ y de x son opuestos. Anlogamente, |x|Sgn x solo tiene polos para entero par negativo. Se deduce la definicin de la distribucin x-n (n entero cualquiera): (A, 5, 7)
2 m 2 m x =| x | 2 m 1 =| x |2 m 1 Sgn x x

La funcin log |x| , que es localmente sumable, define una distribucin cuyas derivadas sucesivas permiten encontrar de nuevo la distribucin x-n introducida en (5, 7): d log| x |= x 1 dx n d log| x |= (1) n 1 (n 1)! x n dx n

(A, 5, 8)

255

5.3. - Distribucin r . - En el espacio de n dimensiones, el Laplaciano (en el sentido usual) de la funcin r est dado por:
(A, 5, 9) r = ( + n 2) r-2

Esta relacin permanece en el sentido de las distribuciones, con la condicin de reemplazar, en el caso adecuado (es decir cuando Re() - n) la funcin r por la distribucin pseudo-funcin que la generaliza. La aplicacin reiterada de (5.9) permite obtener todas estas pseudo-funciones a partir de las funciones r para las cuales Re() > - n , salvo siempre, para los valores enteros = - n, - n 2, - n 4, .... La distribucin f que se deduce de r por: 2

(A, 5, 10)

f =

+n

Verifica la ecuacin: (A, 5, 11) f = f -2

Y est definida igualmente para = - n, - n 2 . . . Para estos valores, se encuentran de nuevo las medidas de Dirac y sus Laplacianos. De (3, 9), se obtiene directamente:
n 2 (2 ) f = n n 2 n n k 2 2 2 (k ) f n 2 k = (1) k n + k 2

(A, 5, 12)

6. - Convolucin. 6.1 - Convolucin para las funciones. - El producto de convolucin f * g de dos funciones f(x) y g(x) est definido por:
(A, 6, 1)

f * g = f ( x ) g ( )d = f ( ) g ( x )d

El cual solo tiene sentido si f y g verifican condiciones convenientes de sumabilidad. Si f y g son localmente sumables, el producto de convolucin siempre tiene un sentido si una de las dos funciones tiene un soporte acotado, o an, en el espacio de una sola dimensin,

256 cuando f y g son idnticamente nulas para x < 0: En este ltimo caso, la convolucin se escribe: (A, 6, 2)

f * g = f ( x ) g ( )d = f ( ) g ( x )d
0 0

El producto de convolucin es conmutativo (f * g = g * f) y asociativo. Si se considera f y g como distribuciones, se ve que f * g acta sobre una funcin de base segn la frmula: f * g ( ) = f ( x ) g ( ) ( x)d dx = f ( ) g ( ) ( + )d dx

(A, 6, 3)

Dicho de otra manera, f * g acta sobre (x) como f(x)g(y), considerado como una funcin del espacio de 2n dimensiones, lo hace sobre (x + y).

6. 2. - Producto tensorial de dos distribuciones. - La nocin de funcin f(x)g(y) considerada como una funcin del espacio de 2n dimensiones (espacio de los puntos definidos por las 2n coordenadas x1 . . . xn y1 . . . yn) actuando sobre las funciones de base de la forma 1(x)2(y) segn la frmula:
S T (12 ) = [ S (1 )][T ( 2 )] Por ejemplo, si se escribe 1(x1) la funcin de la variable x1 idntica a la unidad, una distribucin, o una funcin, independiente de x1 se pone en la forma: 1( x1 ) T ( x2 ... xn ) Esta distribucin acta sobre (x1x2 . . . xn) como T sobre la funcin de n 1 variables x2 . . . xn definida por:
+

( x x ...x )dx
1 2 n

En lo que respecta a las derivaciones, se tiene la regla evidente:

2 S ( x) T ( y ) = S ( x) T ( y) xi y j y j xi
Y, para las medidas de Dirac: (A, 6, 4)

( x1 ) ( x2 )... ( xn ) = ( x1 , x2 ,..., xn )

257

6.3. - Convolucin de distribuciones. - El producto de convolucin de dos distribuciones S y T del espacio de n dimensiones es la distribucin S * T que acta sobre (x) de la misma manera que el producto tensorial S x T lo hace sobre (x + y) en el espacio de 2n dimensiones:
(A, 6, 5)

S * T ( ) = S T [ ( x + y )] = S ( x)T ( y ) ( x + y )dxdy

Sin embargo, en general, (x + y) no pertenece al mismo espacio de funciones que (x). Por ejemplo, si tiene soporte acotado en el espacio de n dimensiones, el soporte de (x + y) en el espacio de 2n dimensiones no es acotado. El producto de convolucin no existe siempre. Pero existe al menos en cada uno de los casos siguientes: - Una de las dos distribuciones tiene soporte acotado (perteneciente a ) - Las dos distribuciones tienen su soporte en el cuadrante: x1 0 . . . xn 0 Se define anlogamente, el producto de convolucin de un nmero cualquiera de distribuciones: Por ejemplo, R * S * T acta sobre como R S T sobre (x + y + z). Este producto tiene un sentido, notablemente, en el caso en que todas las distribuciones, salvo una a lo ms, tienen su soporte acotado, o tambin si todas tienen sus soportes en el cuadrante positivo. El producto de convolucin (cuando existe en el sentido de la definicin anterior) es asociativo y conmutativo: (A, 6, 6) S *T = T * S R *( S * T ) = ( R * S ) * T = R * S * T

La medida de Dirac , o una cualquiera de sus derivadas D , tienen un soporte puntual. La convolucin * T o D * T existe entonces para toda distribucin T. Se tiene: (A, 6, 7) * T = T D * T = DT

La convolucin por es el operador unitario. La convolucin por D es el operador de derivacin D. De (6, 6) resulta que para derivar S * T , basta con derivar S o bien T: (A, 6, 8) D( S * T ) = D * S * T = DS * T = S* DT

Anlogamente, la convolucin por h = (x h) , medida de Dirac en el punto h, no es otra cosa que la traslacin por el vector h: (A, 6, 9) h * T = h T = T( x h )

258 Finalmente, el producto de convolucin de una distribucin cualquiera T por una funcin indefinidamente derivable es una funcin indefinidamente derivable, llamada regularizada de T por . Se obtiene esta funcin al hacer actuar T sobre (x ), conforme a la notacin simblica: (A, 6, 10)

(T * )( x) = T ( ) ( x )d

En lo que respecta a la continuidad de la convolucin, citemos el resultado siguiente: Si una sucesin de distribuciones Ti converge hacia T , Ti * S converge hacia T * S al menos en cada uno de los tres casos siguientes: - Los Ti tienen su soporte contenido en un mismo conjunto acotado. - S tiene un soporte acotado. - Los Ti y S estn acotados por un mismo lado (por ejemplo, todos tienen sus soportes en el cuadrante positivo). Si en vez de una sucesin Ti , se tiene una distribucin T la cual depende de un parmetro T existe, se tiene, al menos, en las tres mismas continuo tal que la derivada circunstancias: (A, 6, 11)

T (T * S ) = * S

EJEMPLO. - En el espacio de tres dimensiones, el potencial newtoniano engendrado en el punto (x1x2x3) por una densidad de masa (123) est dado por: (A, 6, 12)

U ( x1 x2 x3 ) =

[1 23 ]d1d 2 d3
( x1 1 ) 2 + ( x2 2 ) 2 + ( x3 3 ) 2

Lo que se escribe ms cmodamente en la forma:

U = *
Tomemos el Laplaciano:

1 r

1 1 U = *U = * * = * r r
Considerando (3, 9), se obtiene la relacin de Poisson: (A, 6, 13) U = 4

259 Inversamente, si se busca una solucin de (6, 13), basta con hacer la convolucin por 1 / r de los dos miembros de esta ecuacin para encontrar de nuevo (6, 12). La solucin general se deduce por adicin de una funcin f armnica cualquiera (f = 0).

7. - Integracin y derivacin de orden cualquiera. 7.1.- Convoluciones de las distribuciones Y . - Busquemos, en primer lugar, el producto de convolucin Y * Y cuando y tienen sus partes reales positivas. En la forma (6, 2), se tiene:

Y * Y =

1 ( x ) 1 d ( ) ( ) 0
x

Poniendo = xt , y utilizando la frmula (B, 10) del Anexo B , queda:

Y * Y =
De donde el resultado: (A, 7, 1)

x + 1 x + 1 1 1 t (1 t ) dt = ( ) ( ) ( + ) 0
1

Y * Y = Y +

Que se extiende a valores cualesquiera de y para las distribuciones Y , debido a la unicidad de las prolongaciones analticas.

7.2 - La integracin de orden . - La integral de Cauchy:


1 g ( )( x ) n 1 d = (n 1)! 0 0
x x n1

... g ( )d d ...d
1 2 0 0

n 1

Proporciona la primitiva de orden n de una funcin g(x) , definida para x 0 , en la forma de una integral simple, que no es otra cosa que el producto de convolucin g * Yn . De (7, 1) se deduce que dos integraciones sucesivas de orden y son equivalentes a una sola integracin de orden + : Y * Y * T = Y + * T Cuando es un entero negativo - m , (5, 3) y (6, 7) muestran que se tiene: Y m *T = ( m ) * T = d mT dx m

260 La integracin de orden - m no es otra cosa que la derivacin de orden m. Se define la derivacin de orden cualquiera por la frmula: d T = Y * T dx Es la operacin inversa de la integracin.

8. - Transformaciones de Fourier y de Hankel. 8.1. - Transformaciones de Fourier para las funciones. - La transformada de Fourier Ff de una funcin f(x) de la variable ordinaria x (1 sola dimensin) est dada por:
+

(A, 8, 1)

Ff = g (u ) =

f ( x)e 2i ux dx

La transformacin conjugada (o inversa) F proporciona la frmula de reciprocidad:


+

(A, 8, 2)

F f = f ( x) =

g (u )e

2 i ux

du

La derivada f de f tiene por transformada 2iug(u). Ms generalmente, se tiene: Ff ( m ) = (2i u ) m g (u ) 1 m (m) F [ x f ( x)] = (2i ) m g (u )

(A, 8, 3)

Si se reemplaza x por x ( es un nmero real no nulo), se tiene: (A, 8, 4)

F [ f ( x)] =

u g | | 1

Designando por

la transpuesta de una funcin f, por f la funcin compleja f conjugada, y por f = f ( x) la conjugada transpuesta (o hermtica conjugada), se tiene:
g = F f = Ff f g = F f = F g = F f =Ff

(A, 8, 5)

Citemos tambin la frmula de Plancherel-Parseval:

261

(A, 8, 6)

+ + 2 | f ( x ) | dx | g (u ) |2 du = + + f ( x) f ( x)dx = g (u ) g (u )du 2 1 2 1

Y la frmula sumatoria de Poisson [ver A(4, 3)]. En el espacio de n dimensiones, se tienen resultados similares. Escribiendo x en lugar de (x1, . . . , xn), u en lugar de (u1, . . . , un), designando por dx y du los elementos de volmenes, y por ux el producto escalar: ux = u1x1 + u2x2 + . . . + unxn Se tiene: g (u ) = Ff = f ( x)e 2i ux dx f ( x) = Fg = g (u )e 2i ux du

(A, 8, 7)

La frmula (8, 3) se generaliza a las derivadas parciales. Con: m = m1 + . . . + mn Se tiene, por ejemplo: (A, 8, 8) m f F m1 mn x1 ... xn mn m m1 = (2i ) u1 ... un g (u )

La frmula (8, 4) queda: (A, 8, 9)

F [ f ( x)] =

u g | | 1
n

Las frmulas (8, 5), (8,6) y la frmula sumatoria (4, 3) se aplican tambin. Un caso particular interesante es el de las funciones istropas. Pongamos: r = x 2 + ... + x 2 1 n 2 2 = u1 + ... + un Una funcin istropa es de la forma f(r) . Su transformada de Fourier g() es igualmente istropa. Las integrales mltiples (8, 7) se reducen a integrales simples:

262
n n 1 2 2 Fn [ f (r )] = g ( ) = 2 r J n 1 (2 r ) f (r )dr 2 0 n n F [ g ( )] = f (r ) = 2 r1 2 2 J (2 r ) g ( )d n n 1 2 0

(A, 8, 10)

n 1 (Anexo C). Se escribe Fn para recordar 2 2 que se trata de la transformacin de Fourier en el espacio de n dimensiones. Si f(r) y g() se consideran como funciones de una sola variable (r o ), Fn representa la transformacin de Hankel de orden n, y se generaliza para valores no enteros de n.
Jn
1

designa la funcin de Bessel de orden

- La propiedad ms importante de la transformacin de Fourier es que transforma un producto de convolucin en un producto ordinario: (A, 8, 11) F[(f1 * f2)] = F[(f1)]F[(f2)] = g1g2

Lo cual se ve sin dificultad al aplicar (8, 1) a (6, 1), y este resultado es verdadero tambin en el espacio de n dimensiones. Naturalmente, estas diversas frmulas no pueden ser aplicadas a cualquier funcin f(x). Si f(x) es sumable, g(u) existe, es una funcin continua de u, y tiende hacia 0 en el infinito. Pero g(u) no es necesariamente sumable, y la frmula recproca (8, 2) no se aplica en general. Si f es una funcin con variacin acotada, g existe, es continuo (salvo en u = 0) y tiende tambin hacia 0 en el infinito. Si f es una funcin de cuadrado sumable, es posible dar un sentido a g = Ff , el cual es tambin de cuadrado sumable, y la frmula de Plancherel (8, 6) se aplica. En lo que respecta a (8, 3), se muestra que si f es m veces derivable, y sumable como tambin sus m derivadas, umg(u) es acotado. Anlogamente, si xmf(x) es sumable, g(u) es m veces derivable y g(m) es acotado. Dicho de otra forma, la transformacin de Fourier cambia, entre s, las propiedades de derivabilidad y de regularidad al infinito. Existe una categora o espacio () de funciones, a la vez muy regulares en el infinito e indefinidamente derivables, definida como sigue: Una funcin pertenece a () si es indefinidamente derivable y decrece, en el infinito, ms rpido que cualquier potencia de 1 / r , como tambin cada una de sus derivadas. Ms breve, () , es el espacio de las funciones indefinidamente derivables con decrecimiento rpido como tambin todas sus derivadas. Por ejemplo, exp(- r2) pertenece a ( ) . Se demuestra que si una funcin f pertenece a () , su transformada de Fourier g existe siempre y pertenece igualmente a () y que todas las frmulas dadas aqu son aplicables a f y a g.

8. 2. - Transformadas de Fourier de las distribuciones. - No es posible definir la transformada de Fourier de cualquier distribucin, sino solamente para las distribuciones llamadas temperadas. El espacio de estas distribuciones particulares es el dual () de ():

263 Dicho de otra manera, las distribuciones temperadas son funcionales lineales y continuas definidas sobre el espacio de las funciones indefinidamente derivables con decrecimiento rpido as como todas sus derivadas. (esta continuidad se extiende en el sentido de la convergencia de () , sobre la cual no insistiremos). Una funcin sumable, o acotada, o, ms generalmente con crecimiento lento [tal que f(x) A|x|k cuando |x|] es una distribucin temperada. Una distribucin de () (con soporte acotado) es temperada porque () es un sub-espacio de () . Para que una distribucin T sea temperada, es necesario y suficiente que sea la derivada (de orden cualquiera) de una funcin con crecimiento lento. Luego, todas las derivadas sucesivas de una distribucin temperada son tambin temperadas. En particular, Y , x+ , r etc... son temperadas. Al contrario, ex no es temperada, porque no es la derivada de ninguna funcin con crecimiento lento. Se define la transformada de Fourier FT o FT de una distribucin temperada T como la funcional que acta sobre una funcin de () de la misma manera que T sobre F o F .

(A, 8, 12)

FT ( ) = T ( F ) FT ( ) = T ( F )

Como pertenece a () , pasa lo mismo con F , de manera que T acta efectivamente sobre F . La funcional FT as definida es lineal, y se demuestra que es continua para la convergencia de () . Luego, las transformadas de Fourier de las distribuciones temperadas son tambin distribuciones temperadas. - La frmula de reciprocidad se establece inmediatamente. De la definicin (8, 12) se deriva:

FFT ( ) = FT ( F ) = T ( F F )
Como F F = , segn (8, 7), para las funciones de (), se tiene bien: (A, 8, 13)

FFT = F FT = T

Una distribucin T con soporte acotado (perteneciente a ) acta sobre la exponencial e-2iux , que es indefinidamente derivable (pertenece a ) de manera que T(e-2iux) est definido. Es una funcin de u , V(u). Simblicamente se tiene: (A, 8, 14)

V (u ) = T (e 2i ux ) = T ( x)e2i ux dx

Se demuestra que esta funcin V(u) es indefinidamente derivable en u, y puede adems ser prolongada, para valores complejos (u1 + iv1, . . . , un + ivn) de u , en una funcin holomorfa entera, y que es idntica a la transformada FT definida en (8, 12). (Este teorema admite un recproco ms preciso).

264 Por consiguiente, la transformada de Fourier de una distribucin con soporte acotado T es una funcin V(u) prolongable en una funcin holomorfa entera para los valores complejos de u. Se puede calcular V(u) al aplicar T a e-2iux. Luego, la transformada de la medida de Dirac (x) se obtiene aplicando a e-2iux , lo que proporciona: (A, 8, 15) Y, ms generalmente: (A, 8, 16) Anlogamente: (A, 8, 17) Estas frmulas tienen por recprocas: F1 = 1 m1 mn mn m1 F [ x1 ... xn ] = (2 i ) m ( x1 ) ... ( xn ) F(x h) = e 2ihu F m mn = (2 i ) m u1m1 ... un mn x1m1 ...xn F = 1

(A, 8, 18)

El producto de convolucin S * T de dos distribuciones temperadas S y T tiene un sentido, en particular, si una de ellas, por ejemplo T , tiene un soporte acotado. En este caso, la transformada de S * T es el producto: (A, 8, 19) F(S * T) = (FS) (FT)

de la distribucin FS por FT , que es una funcional indefinidamente derivable, y este producto tiene bien un sentido, segn el prrafo 2, 3. Por ejemplo, la derivada T = * T de una distribucin con una variable T(x) tiene por transformada: FT = (F)(FT) = 2ixT(x) De manera que las relaciones (8, 3) y (8, 8) se aplican a las distribuciones temperadas. Citemos, para terminar, las transformadas de Fourier de algunas funciones 40 y distribuciones usuales. La exponencial de Gauss e-r2 proporciona, en el espacio de n dimensiones:

40

Se encontrarn tablas ms completas de transformadas de Fourier en GUELFAND y CHILOV (ya citados).

265 2 = e
n

(A, 8, 20)

Fn e

2 2

Al aplicar la frmula sumatoria de Poisson (4, 3) con n = 1 , se obtiene la frmula de transformacin de las funciones theta: (A, 8, 21)

k =

k 2

k = e k =
2

Para la distribucin r , en el espacio de n dimensiones, y para diferente de 2k y de - n 2k (k entero positivo), se tiene: +n 2 n 2

(A, 8, 22)

Fn r =

n 2

Para = 2k o n 2k, se tiene, respectivamente: 2 k (1) k ( k ) Fn r = 4 2 n +2k n2k 2 (1) k = Fn r n k! + 2k 2 n ' k + 1 '(1 + k ) 2 2k 2 log + + n + (1 ) k k + 2

(A, 8, 23)

En particular, para = - n queda (con C = - (1) / (1), ver Anexo B):

266

(A, 8, 24)

n n ' 1 2 1 2 Fn n = 2 log C + n n r 2 2 n n 2 1 2 n Fnlog = r 2 n ' 1 2 + C + 2log 2 n 2

En el espacio de una sola dimensin se encuentra: (A, 8, 25) Y por derivacin: 1 +i para u < 0 F x = i Sgn u = i para u > 0 k (2i u ) k 1 = Fx i Sgn u k!

1 F log | x |= | u |1 (C + log 2 ) 2

(A, 8, 26)

La funcin (1 + r2) es indefinidamente derivable y con crecimiento lento. Es una distribucin temperada, y por consiguiente es lo mismo para su transformada de Fourier: (A, 8, 27) 2 n Fn (1 + r ) = 2 K n (2 ) + ( ) 2
2

La funcin K representa la funcin de Bessel modificada de segunda especie (Anexo C). El segundo miembro es una pseudo-funcin para:

>
Para entero, se tiene: (A, 8, 28)

n 2

Fn (1 + r ) = 1 2 4
k 2 k

267

Anlogamente, la funcin (1 r 2 ) + (o la pseudo-funcin correspondiente) definida por:


2 2 (1 r ) = (1 r ) 2 (1 r ) = 0

para r 2 < 1 para r 2 > 1

Tiene por transformada de Bessel de primera especie: (A, 8, 29)


1 Fn (1 r 2 ) + = (1 + )
n 2

J n (2 )
2

Las frmulas (8, 27) y (8, 29) admiten los recprocos siguientes:
n 2n 2 2 2 = F r J r ( ) (1 4 ) n n 1 + 2 n n n 2 2 2 Fn r K (r ) = 2n 1 2 + + (1 4 ) 2

(A, 8, 30)

9. - Funciones y distribuciones de tipo positivo. 9. 1. - Funciones de tipo positivo. - Sea una funcin continua f(x) del punto x en el espacio de n dimensiones. Se dice que f(x) es de tipo positivo (o definida positiva) si, cualesquiera que sean los puntos x1 . . . xk y los nmeros complejos 1 . . . k (k entero cualquiera), se tiene:
(A, 9, 1)

f ( x x )
i j i ij

Se demuestra que cuando f(x) es de tipo positivo, se tiene tambin: (A, 9, 2)

f ( x ) ( x) ( )dxd 0

Para toda funcin de (D) y recprocamente, de manera que (9, 1) y (9, 2) son definiciones equivalentes. Una funcin de tipo positivo verifica las propiedades siguientes: - Posee la simetra hermtica (coincide con su conjugada transpuesta): (A, 9, 3)

f ( x) = f ( x)

- Est acotada por su valor en el origen f(0) , necesariamente real, segn (9, 3), y positiva:

268

(A, 9, 4)

f ( 0) 0 y

|f(x)| 0

Las funciones de tipo positivo juegan un papel fundamental en clculo de probabilidades: Las funciones caractersticas de las leyes de distribucin y las funciones de covarianza (de auto correlacin) de los procesos estocsticos son, en efecto, de tipo positivo. El teorema esencial, en este tema, es el siguiente: TEOREMA DE BOCHNER. - La condicin necesaria y suficiente para que una funcin continua sea de tipo positivo es que sea la transformada de Fourier de una medida positiva sumable . La suma de esta medida d es igual a f(0) . Si entonces f(0) = 1 , esta medida positiva define una ley de probabilidad.

9.2. - Distribucin de tipo positivo. - En la definicin (9, 2), cambiemos por - , y ( ) = ( ) la conjugada transpuesta de . Queda: designemos por

( )dxd = f ( x)dx ( x ) ( )d 0 f ( x + ) ( x)
Al considerar f como una funcional, se ve que (9, 2) se escribe:

) 0 f ( *
Esta definicin se generaliza inmediatamente para el caso de una distribucin cualquiera: Se dir que T es de tipo positivo si, para toda funcin de (D), se tiene: (A, 9, 5) T

) 0 T ( *

de T por una funcin de (D) es una funcin continua La bi-regularizada T * * de tipo positivo. (En efecto, es una funcin continua, segn el prrafo (6, 2), y verifica (9, acta sobre * como T sobre * * * , y que T verifica 2), porque T * * (9, 5)). Se demuestra que las distribuciones de tipo positivo tienen la simetra hermtica:
(A, 9, 6)

T =T

Y que son necesariamente temperadas, de manera que admiten siempre transformadas de Fourier. El resultado ms importante es el siguiente: TEOREMA DE BOCHNER. - La condicin necesaria y suficiente para que una distribucin T sea de tipo positivo es que sea la transformada de Fourier de una medida positiva con crecimiento lento (temperada) .

269 Si esta medida es sumable, entonces la distribucin T es una funcin de tipo positivo, la cual verifica T (0) = d . Si no es sumable, la distribucin T no puede ser una funcin continua. de una distribucin por su conjugada Cuando el producto de convolucin S * S transpuesta tiene un sentido (por ejemplo, si S tiene soporte acotado), la distribucin S * S se obtiene al hacer x = 0 sobre * es de tipo positivo. En efecto, la accin de S * S en la funcin:

* * = ( S * ) *( S * ) S *S
De donde:

( * ) = | S * |2 dx 0 S *S
Ejemplo. - La funcin r , para > - n , es una funcin positiva en el espacio de n dimensiones, luego es una medida positiva, por otra parte con crecimiento lento. El teorema de Bochner, y (8, 22) muestran que la distribucin (pseudo-funcin):

1 2

r n

es de tipo positivo para > - n. Al contrario, si - n , r no es una medida. Su transformada de Fourier, que es la funcin r n / ( / 2) no es de tipo positivo (por otra parte no es acotada). Luego r , para positivo no es de tipo positivo. Supongamos 2k < 2(k + 1) . La transformada de r es: r n 2 Si nos limitamos a las funciones de base de (), las cuales se anulan en el origen as como todas sus derivadas hasta el orden 2k comprendido (espacio (2k) de funciones), la distribucin r--n acta sobre las funciones de la misma manera que la funcin r--n , las integrales son convergentes para toda funcin de (2k) . Luego, se tiene: r n ( ) 0 2

270 Para toda funcin de (2k) . Por transformacin de Fourier, el espacio (2k) de las funciones nulas en el origen como tambin sus derivadas hasta el orden 2k llega a ser el espacio (2k) de las funciones de () que tienen todos sus momentos nulos hasta el orden 2k . Por ejemplo (0), espacio de funciones de () tales que (0) = 0, llega a ser (0) el espacio de funciones tales que dx = 0 . Si = F , la distribucin r = F
n r n como r acta sobre * sobre ( n) ( n)

= ( F )( F ) = . Por consiguiente, si pertenece a (2k) , se tiene: F *


(A, 9, 7)

) 0 r ( *

Para < 2(k + 1), r puede ser considerado como una distribucin de tipo positivo sobre (2k) (se dice tambin: condicionalmente de tipo positivo). Para k = 0 , en particular, (9, 7) se verifica por: (A, 9, 8) < 2

Luego, r , para inferior a 2, acta como una distribucin de tipo positivo sobre las funciones de () de suma nula dx = 0 .

Derivadas de una distribucin de tipo positivo. - La derivada en una direccin , definida por el vector unitario (1, 2 . . . n) es:

T T T = 1 + ... + n x1 xn
Si T es una distribucin de tipo positivo, su derivada segunda, cambiada de signo, en una direccin es tambin de tipo positivo. Se tiene, en efecto: 2T , 2

2T ) = T = ( * * T * 0 2
es igual a la transpuesta conjugada de la

(La derivada de la transpuesta conjugada

derivada cambiada de signo). En particular, si g es una funcin continua de tipo positivo derivable dos veces en el 2 g sentido usual, 2 es tambin una funcin continua de tipo positivo. Para que sea as, basta con que las derivadas segundas existan en x = 0 . En efecto, en el espacio de una

271 dimensin, - g, distribucin de tipo positivo, es una funcin continua de tipo positivo si la medida x2 es sumable, siendo la transformada de Fourier de g . Por otra parte, se ve fcilmente que - g(0) solo puede existir si x 2 d existe, y se tiene entonces:

g ''(0) = x 2 d
En el espacio de n dimensiones, se tiene una demostracin anloga. Se ve que las irregularidades de una funcin de tipo positivo estn, de alguna manera, localizadas en x = 0. Si g admite en el origen derivadas hasta el orden 2k , entonces es 2k derivable en todas partes.

____________________

272

ANEXO B

LA FUNCION EULERIANA (x)

SUMARIO
Simple enumeracin de las propiedades clsicas de la funcin (x) utilizadas en esta obra. La funcin (x) est definida por la integral: (B, 1)

( x) = e u u x 1du
0

Al hacer una integracin por partes se obtiene: (B, 2) (1 + x) = (x)

Para x = n entero positivo, se tiene: (B, 3) (n + 1) = n!

Para x negativo o nulo, la integral (B, 1) diverge. Pero (x), funcin analtica, puede ser prolongada. Este prolongamiento define (x) para x negativo no entero. Se pueden calcular los valores numricos por aplicacin repetida de (B, 2), o tambin por la frmula de los complementos: (B, 4)

( x)(1 x) =

sen x

(1) n Para x = - n , entero negativo o nulo, (x) presenta un polo con residuo . n! Para x = , (B, 4) proporciona: (B, 5) Otra frmula til es la siguiente:

1 = 2

273 1 22 x 1 (2 x) = ( x) x + 2

(B, 6)

La derivada logartmica (x) / (x) interviene en muchos problemas. Verifica la relacin de recurrencia obtenida al derivar (B, 2): (n entero)

(B, 7)

'(1 + x) '( x) 1 (1 + x) = ( x) + x '(n + x + 1) = '( x) + 1 + 1 + ... + 1 (n + x + 1) ( x) x 1 + x n+ x

Se tiene numricamente: '(1) (1) = C = 0.577216... 1 ' 2 = C 2 log 2 = 1.96352... 1 2

(B,8)

La funcin euleriana Beta B(x, y) est definida por:

1 2

(B, 9)

B ( x, y ) = u x 1 (1 u ) y 1 du = 2 cos 2 x 1 sen 2 y 1 d
0 0

Se tiene: (B, 10) B ( x, y ) = ( x ) ( y ) ( x + y )

____________________

274

ANEXO C

LAS FUNCIONES DE BESSEL

SUMARIO
El Anexo C es un simple recordatorio, sin demostraciones, de las propiedades clsicas de las funciones de Bessel a las cuales se recurre en esta obra. El primer prrafo trata la funcin de primera especie J , y el segundo la funcin modificada de segunda especie K.

1. - Funcin de Bessel de primera especie.


La funcin J , o funcin de Bessel de primera especie con ndice , est definida por el desarrollo: (C, 1, 1)

x J ( x) = 2

(1) k x k = 0 k ! ( + k + 1) 2

2k

Esta funcin verifica la ecuacin diferencial: (C, 1, 2) x2y + xy + (x2 2)y = 0

Y las relaciones de recurrencia: d 2 [ x J ( x)] = x J 1 ( x) dx d [ x J ( x)] = x J ( x) +1 dx

(C, 1, 3)

Para semi-entero, J se expresa con la ayuda de funciones trigonomtricas. Por ejemplo: 2 sen x J 1 ( x) = x 2 J ( x) = 2 cos x 1 x 2

(C, 1, 4)

275 Para cualquiera, J se comporta, en el infinito, como una lnea trigonomtrica de x 1 . multiplicada por x Se observar tambin, sobre (C, 1, 1) que la funcin x-J(x) es una serie entera par de x, es decir solo contiene trminos en x2k. J(x) admite diversas representaciones integrales. Las ms importantes estn ligadas al hecho que J es la transformada de Hankel de (1 2). Estas son las frmulas (A, 8,29) y (A, 8, 30) del Anexo A. La ecuacin de Bessel (C, 1, 2) admite una segunda solucin, que es la funcin de Bessel de segunda especie N : (C, 1, 5)

N =

1 [cos J J ] sen

Cuando tiende hacia un entero, la expresin correspondiente de N se obtiene al efectuar, en el desarrollo de (C, 1, 5), un paso al lmite, el cual hace aparecer trminos logartmicos:

2. - Funcin de Bessel modificada de segunda especie.


Las funciones de Bessel modificadas son las soluciones de la ecuacin obtenida al cambiar x en ix en (C, 1, 2). La funcin modificada de primera especie I , se obtiene al cambiar x en ix, salvo un factor, en (C, 1, 1): (C, 2, 1)

x I ( x) = exp i J (ix) = 2 2

1 x k = 0 k ! ( + k + 1) 2

2k

1 x e . x La ecuacin modificada admite una segunda solucin, que es la funcin modificada de segunda especie K definida por: I se comporta en el infinito como (C, 2, 2)

K ( x) =

2 sen

[ I ( x) I ( x)] = K ( x)

Aqu, de nuevo, el paso al lmite cuando tiende hacia un entero n, hace aparecer trminos logartmicos en el desarrollo de (C, 2, 2). En el caso en que no es un entero, el desarrollo de la funcin xK-(x) se escribe explcitamente:

276
2k 2 1 1 x x K ( x) = sen k =0 k !( + k + 1) 2 2k 1 1 x 2 2 x sen k =0 k !( + k + 1) 2

(C, 2, 3)

Este desarrollo tiene una parte regular (serie entera par en x2k) y una parte irregular en x2+2k. Cuando tiende hacia un nmero entero, se obtiene, por paso al lmite, los desarrollos siguientes: Para n = 0:
2k x 1 x K 0 ( x) = C + log 2 k =0 (k !) 2 2 2k 1 1 1 x + 1 + + ... + 2 k 2 2 k =1 ( k !)

(C, 2, 4)

Y, para un entero n cualquiera:


2n 2( n + k ) n x 1 x n +1 x K n ( x) = (1) log + C 2 k =0 k !(n + k )! 2 2k n 1 ( n k 1)! x n k 1 + 2 (1) k! 2 k =0 n 1 1 1 x n n 1 + (1) 2 1 + + ... + n n! 2 2 1 + (1) n 2n 1 1 + ... + + 1 k k =1 2( n + k ) 1 1 x +... + n + k k !(n + k )! 2

(C, 2, 5)

Se constata, aqu de nuevo, la presencia de una parte regular (serie par en x2k), y de una parte irregular cuyo trmino general es en x2(n + k) log x. En estas frmulas, C = 0.577216... es la constante de Euler. En el caso particular en que es un semi-entero, se tiene: x e xK 1 ( x) = 2 2 1 x n x n p (n + p)! xn+ 2 K = ( ) x e 1 n 2 p =0 2 p p !(n + p )! 2

(C, 2, 6)

277 Para los ndices semi-enteros, xK- se reduce al producto de la exponencial e-x por un polinomio, y, para = , a la exponencial misma. 1 x e . De una manera general, K(x) se comporta, en el infinito, como x Se tiene el desarrollo asinttico siguiente: (C, 2, 7) K ( x) = 4 2 1 (4 2 1)(4 2 3) + + ... e x 1 + 2 2x 1!8 x 2!(8 x)

K admite representaciones integrales. Las ms importantes estn ligadas a la transformacin de Hankel de (1 + 2). Estn dadas por la frmula (A, 8, 27) del Anexo A. Se tienen tambin las representaciones de Sonine Schlfli, que se pueden escribir:
xcosht cosh tdt K ( x) = e 0 x 1 u+ 1 2 u 1 = e u du 2 0

(C, 2, 8)

Mencionemos tambin la representacin notable de la funcin de orden cero: (C, 2, 9) K 0 ( x) =


1

e ux u 1
2

du

41

Y las relaciones de recurrencia:


' K 1 ( x) + K +1 ( x) = 2 K ( x) 2 K ( x) K 1 ( x) K +1 ( x) = x

(C, 2, 10)

Que permiten el clculo de todas las funciones de ndice entero a partir de K0 y K1. Al hacer = 0 , se obtiene, en particular: (C, 2, 11)
' K0 ( x) = K1 ( x)

____________________

41

Nota del Traductor: Se corrigi un error en esta frmula.

278

ANEXO D

FUNCIONES DE LAGUERRE

SUMARIO
Definicin de las funciones de Laguerre de primera y segunda especie, y estudio del paso al lmite para las funciones de segunda especie. La funcin de Laguerre F(, , x), llamada tambin funcin hipergeomtrica confluente, est definida por la serie entera: (D, 1)

(a + 1)...( + n 1) x n F ( , , x) = 1 + n =1 ( + 1)...( + n 1) n !

Corresponde a la solucin regular en x = 0 de la ecuacin diferencial: (D, 2) xy + ( x)y y = 0

Y admite la representacin integral: (D, 3)

F ( , , x) =

( ) etx t 1 (1 t ) 1 dt ( )( ) 0
1

Al cambiar t en 1 - t, se obtiene la frmula de transformacin: (D, 4) F(, , - x) = e-xF( , , x)

La funcin F(, , - x) , la cual nos interesa de preferencia, es la solucin regular en el origen de la ecuacin diferencial: (D, 5) xy + ( + x)y + y = 0

La solucin general de (D, 5) es de la forma: (D, 6) y = AF(, , - x) + Bx1-F(1 + - , 2 , - x)

Por otra parte, (para > ), la funcin: (D, 7) 1 L( , , x) = e ux u 1 (u 1) 1 du ( ) 1

279

Es tambin solucin de (D, 5), luego de la forma general (D, 6). Para verlo, se deriva (D,7) bajo el signo integral, se lleva a (D, 5) y se identifica el argumento de la integral con:

d ux [e u (u 1) ] du

Por identificacin de los coeficientes A y B en (D, 6), se pone (D, 7) en la forma: (D, 8) L( , , x) = (1 ) ( 1) F ( , , x) + x1 F (1 + , 2 , x) (1 ) ( )

Bajo esta forma, se verifica fcilmente la frmula de transformacin: (D, 9) L( , , x) = x1 L(1 + , 2 , x)

De donde una segunda representacin integral: (D,10) x1 L( , , x) = e ux u (u 1) du (1 ) 1

Para = 1, por aplicacin de (B, 1), se encuentra: (D, 11) L(1, , x) = x1-e-x

Y, para = 1, (D,7) se reduce a la funcin integro-exponencial: (D, 12) L( , + 1, x) = e uv u 1du


1

La aplicacin de (D, 8) proporciona la integro-exponencial en la forma: (D, 13)

L( , + 1, x) =

F ( , + 1, x) + ( ) x

Paso al lmite. - Cuando es un entero, la funcin L(, , x) , en la forma (D, 8) , no est ya definida. Se obtiene su desarrollo por un paso al lmite. La frmula (D, 9) permite limitarse al caso en que 1 es un entero p positivo. Pongamos:
1 - = p + En el desarrollo explcito de (D, 8), los p primeros trminos de F(, , -x) pueden ser separados del resto, y el trmino de orden n + p de F(, , -x) se puede acercar al trmino de orden n de:

280

F( 1 + - , 2 - , - x ) Se obtiene as:
(1 ) p 1 ( + 1)...( + n 1) (1) n n = L ( , , x ) 1 + ( + 1)...( + n 1) n ! x (1 ) n =1 n (1 ) ( + n + p ) ( ) (1) + p + xn+ p ( ) ( + n + p ) (n + p + 1) n = 0 (1 ) ( 1) (1 + + n) (2 ) (1) n n +1 + x ( ) (1 ) (2 ) (1 ) + + + n n La primera serie, tiende, cuando tiende hacia 1 p, hacia:

( p 1)! p 1 ...( + n 1) ( p n 1)! n x + n! (1 ) n =1 (1 )


Para estudiar la segunda serie, se simplifica el trmino general por la frmula (B, 4) de los complementos, y se reemplaza por 1 p : (1) n +1 sen ( + n + p) xn+ p sen ( + ) ( + n + p ) x n + p + (1) n sen (1 + n + ) (n + p + 1) sen (n + p + 1 + ) (1 + n)

Cuando tiende a 0, el paso al lmite se hace sin dificultad. Se obtiene fcilmente:


( p 1)! 1 ...( n + 1)( p n 1)! n L ( ,1 p , x ) = + x (1 ) (1 ) n =1 n! sen ( + n + p ) + (1) n n=0 n !(n + p )! '(1 + n) '(1 + p + n) '( + n + p ) cos n + p + + x sen (1 + n) (1 + p + n) ( + n + p ) sen ( + n + p ) (1) n x n + p log x n !( n + p )! n=0

(D, 14)

Si es un entero mayor que - p, el desarrollo se simplifica, y, notablemente, la parte irregular en xn+plog x desaparece. Por el contrario, si es un entero negativo inferior o igual a - p, el desarrollo (D, 14) ya no es utilizable. ES el caso, por ejemplo, de la integro exponencial ( = - p, = 1- p). Para = - p k, es necesario buscar el lmite de los k primeros trminos de las dos ltimas series. Nos limitaremos a k = 1 (integro exponencial). Poniendo = - p + , y utilizando la frmula de los complementos y su derivada, se obtiene:

281 sen ( + p) = (1) p sen ( ) = (1) p

(1 )

cos '( + p ) (1) p sen ( + p ) sen ( + p ) cos '( ) = (1) p sen ( ) ( ) = Queda as: (1) p +1 sen '(1 ) (1) p +1 '(1) (1 ) (1 )

(D, 15)

1 p 1 (1) k x k L( p,1 p, x) = + p k =1 p k k ! (1) '(1 + p ) + log x x p p ! (1 + p ) k +1 k (1) x + k = p +1 k p k !

Este desarrollo puede tambin ser obtenido, directamente, a partir de (D, 13).

____________________

282

ANEXO E

LAS FUNCIONES HIPERGEOMETRICAS

SUMARIO
Definicin de las funciones hipergeomtricas, y enunciado de las propiedades utilizadas en la obra. Se insiste sobre todo sobre las frmulas de cambio de x en 1 x, y de - x en - 1 / x, estudiando los pasos al lmite en los casos singulares.

1. - Definicin y propiedades.
La funcin hipergeomtrica F(, , , x) est definida por el desarrollo:
( + 1)...( + n 1) ( + 1)...( + n 1) x n = + F ( , , , x ) 1 ( + 1)...( + n 1) n! n =1 ( ) ( + n)( + n) x n = ( + n) n ! ( )( ) n =0

(E, 1, 1)

Esta funcin constituye la funcin regular en una vecindad del origen de la ecuacin diferencial de Gauss: (E, 1, 2) x(1 x) y + [ (1 + + )x] y y = 0

Cuya solucin general (salvo valores singulares de los parmetros) es de la forma: (E, 1, 3) y = AF ( , , , x) + Bx1 F (1 + ,1 + , 2 , x)

La funcin F(, , , x) es simtrica en y . Para Re() > 0, Re() > , y x < 1, admite la representacin integral siguiente:
1 ( ) F x u 1 (1 u ) 1 (1 xu ) du = ( , , , ) ( )( ) 0 x ( ) x1 v 1 (1 v) ( x v) 1 dv = ( ) ( ) 0

(E, 1, 4)

De la segunda representacin integral, se deduce una expresin de la segunda solucin de la ecuacin de Gauss:

283

(E,1, 5)

(2 ) F (1 + ,1 + , 2 , x) = v 1 (1 v) 1 ( x v) dv (1 + )(1 ) 0
x

De la primera relacin (E, 1, 4) se tiene, al poner transformacin: (E, 1, 6)

t=

x(1 u ) , 1 ux

la frmula de

F(, , , x) = (1 x)--F( , , , x)

2. - Cambio de x en 1 - x.
Se verifica fcilmente que F(, , , 1 - x) verifica la ecuacin diferencial: x(1 x)y + [1 + + - (1 + + )x]y y = 0 Y se puede poner en la forma (E, 1, 3), despus de reemplazar por 1 + + . Por identificacin de las constantes A y B se obtiene la primera frmula de cambio de x en 1 x:

(E, 2, 1)

( )( ) F ( , , ,1 x) = ( )( ) F ( , , + + 1 , x) ( )( + ) + x F ( , ,1 + , x) ( )( )

Cuando = k es un entero positivo, se debe efectuar el paso al lmite sobre (E, 2, 1) por el mismo mtodo que en el Anexo D. (Si = k es un entero negativo, nos reducimos, mediante la frmula (E, 1, 6) al caso de un entero positivo). Se obtiene el resultado siguiente:

284 (k + + )(k 1)! F ( , , + + k ,1 x) = ( + k )( + k ) k 1 ...( + n 1) ...( + n 1) x n 1 + n =1 ( + + k )...( + + k + n 1) n ! (1) k ( + n + k )( + n + k ) + n !(n + k )! ( )( )( + k )( + k ) n =0 '(1 + n) '(1 + n + k ) + (1 + n) (1 + n + k ) '( + n + k ) '( + n + k ) log x x n + k ( + n + k ) ( + n + k )

(E, 2, 2)

Necesitaremos tambin saber cambiar x en 1 x en la segunda solucin de la ecuacin de Gauss, x1-F(1 + , 1 + , 2 , x). La segunda frmula de cambio de x en 1 x se obtiene al aplicar (E, 2, 1) a F(1 + , 1 + , 2 , x), y transformando las dos hipergeomtricas obtenidas con la ayuda de (E, 1, 6): El resultado de estas operaciones ser utilizado en la forma siguiente: (E, 2, 3)

(2 )( ) 1 (1 x) F (1 + ,1 + , 2 ,1 x) = (1 )(1 ) F ( , , + + 1 , x) (2 )( + ) x F ( , ,1 + , x) + (1 + )(1 + )
Cuando es un entero positivo k, el paso al lmite se estudia de manera habitual, y conduce a la frmula siguiente:

285 (1 x)1 k F (1 k ,1 k , 2 k ,1 x) = (2 k ) (1 )(1 ) n k 1 1 + ...( + n 1) ...( + n 1)(k n + 1)! x n! n =1 ( + n + k )( + n + k ) + (1) k (2 k ) sen sen 2 n !(n + k )! n=0 '(1 + n) '(1 + n + k ) '( + n + k ) '( + n + k ) + (1 + n) (1 + n + k ) ( + n + k ) ( + n + k ) cos cos log x x n + k sen sen

(E, 2, 4)

3. - Cambio de - x en - 1 / x .
Al cambiar x en 1 / x en la ecuacin de Gauss, e identificando las constantes, se obtiene la frmula de cambio de - x en - 1 / x. (Los signos - son necesarios, si se quiere tener valores reales para x real positivo): ( )( ) 1 F ( , , , x) = ( )( ) x F , + 1 , + 1 , x ( )( ) 1 + x F , +1 , +1 , ( )( ) x

(E, 3,1)

Cuando = k es un entero positivo (para un entero negativo, basta con invertir los roles de y ), se encuentra, por pasos al lmite habituales:

(E, 4, 1)

( ) F ( , + k , , x) = x ( + k )( ) k 1 ( + n) ( + 1 + n) (k n 1)! 1 (k 1)!+ ( ) ( + 1 ) n! xn n =1 ( ) sen ( ) ( + k + n)( + k + n + 1 ) + (1) n ( )( ) n !(n + k )! n=0 '(1 + n) '(1 + k + n) '( + n) '( + 1 + n) + (1 + n) (1 + k + n) ( + n) ( + 1 + n) +k +n cos ( ) 1 1 + log sen ( ) x x

286

ANEXO F

EXPRESION DEL ZITTERBEWEGUNG CON LA AYUDA DE LAS FUNCIONES DE BERNOUILLI

SUMARIO
1. - Definicin del nmero B y de la funcin B(x) de Bernouilli para ndices no enteros. B(x) est definido por un desarrollo en serie de Fourier cuyo trmino general tiene un coeficiente en 1 / p . 2. - Aplicacin al clculo explcito del trmino fluctuante (Zitterbewegung) en la expresin de una varianza transitiva de una dimensin. Si a es la malla, b el alcance, y el nmero comprendido entre 0 y 1 congruente con b / a modulo 1, el trmino fluctuante asociado a (b x) es Z()a1+, con:

Z ( ) =

2 B1+ ( ) 1+

El trmino fluctuante tiene una media nula respecto de :

Z ( )d = 0
0

3. - Los resultados obtenidos conducen a una generalizacin de la frmula de Euler-Mac Laurin en el caso en que ciertas irregularidades analticas se manifiestan en las extremidades del intervalo de integracin.

1. - Funciones y nmeros generalizados de Bernouilli.


El nmero de Bernouilli de ndice par 2k est dado clsicamente por: (2k )! 1 2 k 22 k 1 p =1 p 2 k

B2 k =

El polinomio de Bernouilli de ndice entero k coincide, en el intervalo (0, 1) con la funcin peridica definida por el desarrollo:

287

cos 2 px k k! 2 Bk ( x) = k k 1 k p 2 p =1

La relacin entre el nmero B2k y el polinomio B2k(x) es la siguiente: B2k = ( - 1 )k B2k( 0 ) Para una generalizacin inmediata, definiremos (para generalizado y una funcin de Bernouilli: > 1 cualquiera) un nmero

(F, 1)

(1 + ) 1 = B 2 1 p p =1 cos 2 x (1 + ) 2 B ( x) = 1 p 2 p =1

En particular, se tiene: (F, 2)

B (0) = cos

2. - Clculo del Zitterbewegung.


Segn (IV, 2, 7), a cada trmino en (b x) del desarrollo de un covariograma respecto de x = b le corresponde, en el desarrollo limitado de la varianza de estimacin (calculada en el espacio de una dimensin) un trmino de la forma: Z() a1+ En que el coeficiente Z() solo depende de y de la cantidad sin dimensin igual a b modulo 1 : Si N es el entero ms grande tal que se tiene: Na < b , est definido por: a (F, 3)

b Na a

b = N + a

Para calcular, de manera explcita, Z() , utilizaremos el covariograma particular: 1 (b 2 x 2 ) g ( x) = (2b) g ( x) = 0 para | x | b para | x > b

(F, 4)

288

Cuyo desarrollo comienza por el trmino (b x) , y para el cual el trmino de extensin desaparece, porque la parte irregular en la vecindad de 0 es idnticamente nula. Calcularemos 2(a) por la frmula terica (IV, 1, 10), es decir:

2 ( a ) = 2 G a
p =1

La transformada G(u) de g(u) es igual, segn (A, 8, 29) a: G (u ) = (1 + ) 1 b J 1 (2 ub) 1 + + (2 ) 2 u 2

Queda as:

2 (a)
a
1+

= 21+ (1 + )

b a

p =1

1 p
1 + 2

1 + 2

b 2 p a

Cuando x es muy grande, la parte principal de J

1 2

( x) es:

2 sen x 2 x Luego, para a muy pequeo, 2(a) / a1+ es equivalente a: 21 (1 + ) 1 b sen 2 p 1+ p a 2

1+

Segn (3) b / a es congruente con mdulo 1. La expresin anterior es equivalente a 2(a) / a1+ solo depende de y , y coincide, por consiguiente, con Z(). De donde la expresin buscada del Zitterbewegung:
1

(F, 5)

Z ( ) =

1+

sen 2 p 2 (1 + ) 1+ p p =1

Basta con comparar la expresin (1) de la funcin de Bernouilli de orden 1 para obtener: (F, 6)

Z ( ) =

2 B ( ) + 1 +1

289 OBSERVACIONES. - Para = 0, Z(0) coincide con el coeficiente T el cual sirve para el clculo de la varianza de extensin: esto es inmediatamente visible sobre la frmula (IV, 2, 9):

Z (0) = T =

2 B1+ sen 1+ 2

Por otra parte, el desarrollo (5) no tiene trminos independientes de , de manera que se tiene, cualquiera que sea > 0: (F, 7)

Z ( )d = 0
0

Esta circunstancia permite, en la prctica, despreciar el Zitterbewegung. En efecto, no es nunca conocido a priori y puede ser asimilado a una variable aleatoria cuya ley de probabilidad est uniformemente repartida en el intervalo (0, 1). Resulta entonces de (7) que la esperanza matemtica del Zitterbewegung es igual a 0.

3. - Generalizacin de la frmula de Euler-Mac Laurin.


Los resultados anteriores permiten proponer una generalizacin de la frmula de Euler-Mac Laurin. Sea, en el intervalo [0, b] una funcin f(x) tal que: f(b) = 0 Se supone que sobre todo el intervalo [, b ] ( > 0) f(x) es indefinidamente derivable. Al contrario, en x = 0 y x = b , f(x) presenta irregularidades analticas y admite desarrollos limitados de la forma:

C x

C (b x)
'

Donde los exponentes y son positivos. Sea a < b, y el nmero comprendido entre 0 y 1, congruente con b / a mdulo 1. Se tiene un desarrollo limitado de la forma:

f (0) + f (a ) + f (2a) + ... + f (b a) f ( x)dx = a 2


0

C ' a1+ C a1+ B +1 (0) B ( ) +1 + 1 +1

En que B+1(x) y B+1(x) son las funciones de Bernouilli. Cuando y toman valores enteros (y cuando f(x) es derivable en x = 0 y x = b), y para = 0 , se encuentra de nuevo la frmula usual de Euler-Mac Laurin, escrita en (IV, 2, 1) ____________________

290

TABLA DE MATERIAS

PRIMERA PARTE

LAS REPRESENTACIONES TRANSITIVAS.

INTRODUCCION...................................................................................................4 CAPITULO PRIMERO.- El simbolismo transitivo...............................................12 1. El covariograma y su transformada de Fourier...................................................13 2. Variable con soporte no puntual, y regularizacin de variables..........................19 3. Procesos de subida y descenso............................................................................23 4. Subida y descenso en modelo istropo................................................................25 5. Modelo recproco y grupo de Hankel..................................................................32 CAPITULO II. - Ejemplos de modelos istropos..................................................36 1. Los modelo de Bessel..........................................................................................36 2. Modelos y representacin de Gauss.....................................................................43 3. Modelos de Laguerre...........................................................................................45 4. Los modelos hipergeomtricos............................................................................47 5. Los modelos esfricos..........................................................................................52 CAPITULO III. - Representaciones transitivas de las Distribuciones.................55 1. El simbolismo transitivo para las distribuciones con soporte acotado................55 2. Subida y descenso para las distribuciones temperadas istropas.........................60 3. Subida y descenso para la distribucin r ...........................................................64 CAPITULO IV.- La estimacin de las variables regionalizadas..........................66 1. Teora general de las mallas regulares..................................................................67 2. Clculo de varianzas de estimacin de una dimensin.........................................74 3. Clculo de varianzas de estimacin con varias dimensiones................................80 4. Mallas aleatorias estratificadas.............................................................................87 CAPITULO V. Representacin Transitiva de las Corregionalizaciones...........................................................................................91 1. La matriz de covariacin......................................................................................91 2. Condicin de independencia interna....................................................................94 3. Relacin entre una variable y su campo geomtrico............................................96 4. Las correlaciones diferidas...................................................................................99

291

CAPITULO VI. - Aplicacin al problema geomtrico..........................................102 1. Propiedades del covariograma geomtrico..........................................................102 2. Aplicacin a la estimacin de superficies............................................................105 SEGUNDA PARTE

LA TEORIA INTRINSECA
CAPITULO VII.- Resumen de las funciones aleatorias.......................................111 1. Definicin de las Funciones aleatorias.................................................................112 2. Funciones aleatorias estacionarias de orden 2.....................................................114 3. Integracin y derivacin estocstica....................................................................116 CAPITULO VIII. - Los esquemas estocsticos intrnsecos..................................119 1. Definiciones y Momentos....................................................................................120 2. Significacin y propiedades de la funcin intrnseca (h)..................................123 3. Variables no puntuales y varianza de extensin..................................................127 4. Varianza de v en V............................................................................................132 5. Relaciones entre esquemas intrnsecos y representaciones transitivas................138 CAPITULO IX.- Teora intrnseca de las Corregionalizaciones.........................142 1. Matriz de codispersin intrnseca........................................................................142 2. Variables no puntuales y covarianza de extensin..............................................144 3. La independencia intrnseca................................................................................146 CAPITULO X. - Distribuciones aleatorias y teora intrnseca para las distribuciones......................................................................................................150 1. Definicin de las distribuciones aleatorias..........................................................151 2. La distribucin de covarianza..............................................................................154 3. Anlisis armnico de una distribucin estacionaria de orden 2..........................157 4. Regularizacin de una distribucin estacionaria con incrementos independientes.....................................................................................................160 5. Derivacin de las Distribuciones aleatorias.........................................................166 6. La teora intrnseca para las distribuciones..........................................................169 CAPITULO XI. La subida intrnseca bajo potencia constante..........................177 1. Definicin y algoritmos de la subida bajo potencia constante.............................177 2. Subida recta bajo potencia constante de r..........................................................180 3. Las frmulas del rectngulo para r.....................................................................186 4. Las frmulas del paraleleppedo para r..............................................................191

292

CAPITULO XII. - La estimacin y el krigeado......................................................193 1. El problema de la estimacin................................................................................194 2. Mallas regulares con implantacin preferencial....................................................197 3. Clculo de varianzas de estimacin.......................................................................200 4. Malla regular con implantacin flotante................................................................209 5. Mallas aleatorias y aleatorias estratificadas...........................................................212 6. El Krigeado............................................................................................................216 CAPITULO XIII.- Estimaciones y fluctuaciones de los momentos intrnsecos..................................................................................................................221 1. Terminologa y Momentos de orden 4...................................................................222 2. Estimacin y fluctuacin de la deriva lineal...........................................................225 3. Estimacin y fluctuacin del variograma local......................................................228 4. Estimacin y fluctuacin de la varianza local........................................................233 ANEXO A. Resumen de las Distribuciones..............................................................241 ANEXO B.................................................................................................................272 ANEXO C.................................................................................................................274 ANEXO D.................................................................................................................278 ANEXO E..................................................................................................................282 ANEXO F..................................................................................................................286

____________________

You might also like