Professional Documents
Culture Documents
Simulaciones
MIN 235 – Geoestadística
Rodrigo Estay Huidobro
rodrigo.estayh@usm.cl
Propiedades del Kriging
Interpolación exacta: la estimación en un sitio con dato es igual al valor del dato y la
varianza de kriging en este sitio vale 0
Sesgo condicional: el error promedio puede no tener esperanza nula cuando se considera
sólo los sitios donde la ley estimada es alta (o baja). En general, el sesgo condicional es
pequeño si se usa suficientes datos (>15)
Propiedades del Kriging
Sesgo condicional
• distribuciones bivariables
NO condicional Condicional
Los aspectos del problema de la simulación
*El teorema del límite central indica que, en condiciones muy generales, la suma de n variables
aleatorias independientes y de varianza no nula pero finita “se aproxima bien” a una distribución normal
Simulación multigaussiana
Índice
• Transformación Gaussiana
• Modelo multigaussiano
• Algoritmos de simulación
Z(x) = f[Y(x)]
Sin embargo, hace falta verificar que las distribuciones de orden superior sean
también compatibles con la hipótesis multigaussiana. En la práctica, sólo se
estudia las distribuciones bivariables, es decir, las distribuciones de los pares
de valores {Y(x + h), Y(x)}.
Validación modelo multi-gaussiano
Test de la distribución bigaussiana
Primer test: nubes de correlación diferida
Bajo la hipótesis bigaussiana, existe una relación entre el variograma g(h) de los
datos Gaussianos y el variograma gI,y(h) de la variable indicador:
1 arcsen [1- g (h )] y2
g I, y (h) G( y) [1 - G( y )] -
2 0
exp [-
1 sen
] d
1
g1 (h) E{| Y(x h) - Y(x) |}
2
g (h)
(independiente de h)
g 1 (h)
2w-1 w 1 w/2
[ g (h)]
2
En escala log-log, los puntos que representan a gw(h) en función de g(h) deben
ser alineados sobre una recta de pendiente w/2. Esta relación se puede verificar
con los variogramas experimentales de los datos Gaussianos.
Validación modelo multi-gaussiano
Test de la distribución bigaussiana
método “secuencial”
Contras
• problemas numéricos cuando se trata de simular un variograma muy regular
en el origen (matrices de kriging casi-singulares)
Los cuatro últimos algoritmos generan realizaciones no condicionales (es decir, que no
reproducen los valores de los datos). El condicionamiento de las realizaciones requiere una
etapa adicional basada en un kriging simple. Aunque son matemáticamente más complejos,
estos algoritmos son más rápidos que el algoritmo secuencial por dos razones:
1) el sistema de kriging sólo involucra a los datos originales (no a los valores simulados)
2) se puede condicionar múltiples realizaciones con un solo kriging.
Resumen simulación condicional
1) Desagrupar los datos originales.
Estos mapas no pueden ser obtenidos por kriging, debido al suavizamiento de éste
Aplicación a los datos de Andina
Planificación minera