Lección 4:
Modelos
probabilísticos
Los modelos probabilísticos (1)
¿Por qué recurrir a modelos probabilísticos?
Gran complejidad de las variables regionalizadas, en especial
en las ciencias de la tierra
una descripción determinística es inconcebible
Un modelo probabilístico es más adecuado, pues permite
considerar tanto lo que se conoce de la variable regionalizada
(datos disponibles por la toma de muestras) como lo que se
desconoce (concepto de probabilidades).
Los modelos probabilísticos (2)
Límites de la estadística clásica
Se considera las observaciones como resultados (realizaciones)
independientes de una misma variable aleatoria.
Los modelos probabilísticos (3)
La hipótesis de independencia de los valores observados no es
realista en muchos ámbitos de las geociencias.
Los modelos probabilísticos (4)
La independencia entre valores impide una previsión precisa de
un valor no muestreado.
la interpretación clásica carece de realismo
El modelo geoestadístico (1)
Se considera “interacciones” entre las observaciones, de modo de
tomar en cuenta sus dependencias espaciales.
Se podrá estimar el valor en un sitio no muestreado gracias a su
dependencia con los valores en sitios circundantes.
El modelo geoestadístico (2)
La interpretación geoestadística es satisfactoria, puesto que las
variables regionalizadas presentan dos aspectos complementarios
• un aspecto “aleatorio” causante de las irregularidades locales
• un aspecto estructurado que refleja las características
globales del fenómeno (continuidad espacial, anisotropía, etc.)
El modelo geoestadístico (3)
Noción de correlación espacial
En general, las variables aleatorias asociadas a distintos sitios del
espacio no son independientes
variables aleatorias correlaciones / dependencias
aspecto errático continuidad espacial
La correlación entre las variables aleatorias se cuantificará vía las
herramientas “variográficas”: principalmente el variograma,
pero también el correlograma o la covarianza.
El modelo geoestadístico (4)
Dos ejemplos de variables regionalizadas que presentan los mismos
valores, pero distribuidos de forma diferente en el espacio. Las
variables aleatorias se modelarán con mayores correlaciones en el
primer caso que en el segundo caso.
Formalización (1)
Se denota como D el campo de la variable regionalizada y z(x) el
valor de esta variable en el sitio x del espacio. Se interpreta este
valor como una realización de una variable aleatoria, denotada
Z(x).
El conjunto de variables aleatorias {Z(x): x D} constituye una
función aleatoria. Se trata de una función cuyos valores
dependen del azar.
Formalización (2)
Una función aleatoria {Z(x): x D} se caracteriza por lo que se
denomina su “distribución espacial”, que reúne todas las
distribuciones de probabilidad de las variables aleatorias que
conforman esta función, por ejemplo, la distribución
multivariable
F(z1,... zn; x1, ... xn) = Prob(Z(x1) < z1,... Z(xn) < zn)
para un determinado conjunto de sitios x1,... xn y de umbrales
z1,... zn.
Formalización (3)
Para simplificar, la caracterización de la función aleatoria se
centra generalmente en las distribuciones univariables
F(z; x) = Prob(Z(x) < z)
y bivariables
F(z, z′; x, x′) = Prob(Z(x) < z, Z(x′) < z′)
Formalización (4)
Se postula además que las distribuciones son invariantes por
traslación en el espacio (hipótesis de estacionaridad). En
particular:
─ la distribución univariable de Z(x) no depende de la posición del
sitio x (es la misma en todo el espacio)
─ la distribución bivariable de Z(x) y Z(x′) no depende de la
posición absoluta de los sitios x y x′, sino que de su posición
relativa, es decir, h = x′ – x.
→ Idea de “homogeneidad espacial”, que debería ser aceptable
en cada unidad geológica
Formalización (5)
En la práctica, se puede
restringir la hipótesis de
estacionaridad a la escala de
trabajo (estacionaridad local).
Por ejemplo, la media de la
variable varía lentamente en el
espacio y puede considerarse
como localmente constante.
Formalización (6)
La última simplificación consiste en considerar solamente los
parámetros (momentos) más relevantes de las distribuciones de
probabilidad. Estos son:
• esperanza o media: m = E{Z(x)}
independientes de x
• varianza: s2 = var{Z(x)} (estacionaridad)
= E{Z2(x)} – m2
Formalización (7)
• covarianza:
C(h) = cov{Z(x + h),Z(x)}
= E{Z(x + h) Z(x)} – m2
dependientes sólo de
• variograma: h (estacionaridad)
g(h) = var{Z(x + h) – Z(x)} / 2
= E{ [Z(x + h) – Z(x)]2 } / 2
La covarianza y el variograma se refieren a la relación existente
entre pares de valores, luego dan una imagen sintética de la
continuidad espacial de la variable regionalizada.
Formalización (8)
Ilustración: función de covarianza (rojo) y variograma (azul)
Formalización (9)
Lecturas recomendadas
Chilès J.P. and Delfiner P., 2012. Geostatistics: Modeling Spatial
Uncertainty, Wiley, New York, 699 p
Cressie N.A.C, 1993. Statistics for Spatial Data, Wiley, New
York, 928 p
Matheron G., 1971. The Theory of Regionalized Variables and
its Applications, Ecole Nationale Supérieure des Mines de Paris,
Fontainebleau, 212 p
