CAPITULO 15

SIMULACION: DEFINICION Y TIPOS. METODOS MATRICIALES

15.1 INTRODUCCION
La simulacin estocstica de una funcin aleatoria dada su funcin de distribucin consiste
en generar posibles realizaciones de dicha funcin aleatoria. Puesto que la informacin disponible
acerca de la funcin aleatoria (tan slo una realizacin en general) slo nos permite la inferencia
estadstica de sus dos primeros momentos, nos contentaremos con que los valores simulados
preserven la media, la varianza y la covarianza de la funcin aleatoria. Este tipo de simulacin se
denomina simulacin no condicionada en contraste con la simulacin en la cual los valores simulados
ZS(x) son coherentes (estn condicionados) con los valores observados, es decir ZS(xi) = Z(xi) para
i=1,2, ,n. En la Figura 15.1 se muestra la realidad, el krigeado y una simulacin condicionada de
una variable hipottica. Adicionalmente se muestran los intervalos de confianza de la estimacin.
Tambin se puede requerir que los valores simulados tengan el mismo histograma que los valores
observados. Para ello se suele proceder trasformando la variable original de forma que el histograma
de los valores observados sea del tipo normal. Un ejemplo de posible trasformacin consiste en tomar
logaritmos cuando el histograma es del tipo logartmico normal.
Los objetivos esenciales de toda simulacin, tanto condicionada como no condicionada, se
pueden clasificar en dos. L primero de ellos es reproducir la variabilidad espacial de fenmeno o de
la variable de inters. Este objetivo difiere claramente del objetivo de la estimacin que consiste
bsicamente en minimizar la varianza del error de estimacin. Por este motivo la estimacin tiende a
producir patrones de variacin espacial ms suavizados que los reales. Esta circunstancia es
especialmente caracterstica del krigeado. En general, los objetivos de la simulacin y de la
estimacin son incompatibles. Los valores estimados Z*(x) tienden a ajustarse en promedio a los
valores reales Z8x) mientras que los valores simulados ZS(x) reproducen mejor el aspecto de las
fluctuaciones del fenmeno real. Estos dos aspectos quedan claramente reflejados en la Figura 15.1.
El segundo propsito de la simulacin de una funcin aleatoria es generar valores de los parmetros
necesarios en la simulacin estocstica de ciertos procesos. Por ejemplo, los valores simulados de
transmisividades y niveles piezomtricos pueden utilizarse en la simulacin de campos de
velocidades de flujo los cuales pueden a su vez ser empleados en la simulacin estocstica del
transporte de solutos.
En este captulo se introducen los distintos mtodos de simulacin, se describen aspectos
generales, y se tratan en detalle los mtodos matriciales. La descripcin de otros mtodos ser el
objetivo del prximo Captulo. Asimismo, en el Captulo 18 se muestran algunos ejemplos de
aplicacin de las tcnicas de simulacin de hidrologa estocstica.
15.2 METODOS DE SIMULACION DE FUNCIONES ALEATORIAS
Los mtodos de simulacin que se usan con cierta generalidad son tres: el espectral, el de las
bandas rotantes y el matricial. De estos, los dos primeros producen simulaciones no condicionadas
que han de condicionarse posteriormente, tal como se indica en la Seccin 15.3.1
El mtodo matricial, que se explica en detalle en las Secciones 15.4 y 15.5, consiste en generar
variables aleatorias cuya matriz de covarianza coincide con la obtenida del krigeado. El mtodo, que
admite diversas variantes, es muy sencillo de implementacin, pero puede resultar
extraordinariamente caro cuando se pretende simular la funcin aleatoria en muchos puntos ya que el
tiempo de proceso crece ms rpidamente que el cuadrado del nmero de dichos puntos. En algunos
casos, este coste se puede reducir haciendo el krigeado en un entorno y dividiendo por paneles la zona
a simular, tal como se muestra en la Seccin 15.3.4.
Los mtodos espectrales parten de la representacin espectral de la funcin de
autocovarianza. Sobre esta base, existen diversas variantes. El mtodo de Meja y Rodrguez-Iturbe
(1974) se basa en aproximar la funcin aleatoria mediante serie de cosenos en los que la frecuencia
se muestra aleatoriamente a partir de la funcin de densidad espectral de la funcin aleatoria. El
mtodo de Shinozuka y Jan (1972) puede considerarse como una integracin numrica en la que se
ponderan las amplitudes y se distribuyen uniformemente las frecuencias. Por ltimo, Borgman et al.
(1984) emplean la transformada rpida de Fourier aprovechando el hecho de que la suma de variables
multinormales tambin es multinormal.
El mtodo de las bandas rotantes (Matheron, 1973; Journel, 1974; Matoglou, 1987) consiste
en generar procesos unidimensionales a lo largo de lneas distribuidas uniformemente en el espacio.
La funcin de autocovarianza a lo largo de estas lneas ha de derivarse a partir de la del espacio
bidimensional o tridimensional. A partir de las simulaciones en cada lnea, la simulacin es un punto
arbitrario P resulta de la suma de las proyecciones de P sobre las lneas. De esta forma, se obtienen
simulaciones no condicionadas, a partir de las cuales se pueden obtener simulaciones condicionadas
por el mtodo que se explica en la Seccin 15.3.1. La principal ventaja del mtodo de las bandas
rotantes radica en su economa, consecuencia de que slo se requieren simulaciones
unidimensionales. Entre las desventajas cabe destacar que se restringe a variables multinormales, que
la obtencin de la funcin de covarianza unidimensional no siempre es trivial, especialmente para
variables bidimensionales, y que la eleccin de las orientaciones de las lneas presenta algunas
dificultades en el caso tridimensional. En el prximo captulo se examina el mtodo en detalle.
En la prctica, los mtodos que ms se emplean son el matricial por su simplicidad y el de las
bandas rotantes por su economa. Existen, sin embargo, otros mtodos que pueden tener mayor inters
en aplicaciones especficas. Tal es el caso de simulacin de variables indicadoras, que se presenta en
la Seccin 15.3.2.
15.3 ASPECTOS GENERALES
15.3.1 Obtencin de una simulacin condicionada a partir de una no condicionada
Algunos de los mtodos descritos en la seccin anterior proporcionan simulaciones no
condicionadas. El objetivo de esta seccin es presentar un mtodo general para condicionarlas- Este
condicionamiento, a su vez, da lugar a nuevos mtodos de simulacin, que se describen en la prxima
Seccin.
La forma de obtener simulaciones condicionadas es muy sencilla si se usa krigeado, dadas
sus propiedades de ser un estimador exacto y de que los errores krigeado son ortogonales a los
valores estimados (Journel y Huijbregts 1978, p. 495-498). Los valores simulados condicionados
ZSC(x) pueden obtenerse como:
() = () + [ () ()] (15.1)
Donde () es el valor estimado por krigeado en a partir de los datos observados, () es el valor
simulado (sin condicionar), y () es el valor estimado por krigeado a partir de los valores simulados
en los puntos del muestreo. Esta expresin puede reescribirse como:
() = () + () (15.2)
Donde () representa el error de krigeado de los valores simulados sin condicionar. El valor
krigeado con los datos originales () a travs de:
() = + () (15.3)
Puesto que el krigeado es un estimador insesgado, se cumple que [ ()] = [ ()] = 0.
La covarianza de () coincide con la covarianza de () ya que los errores de krigeado
() = [() ()] y () = [ () ()] tiene la misma covarianza y adems () y
() son ortogonales.
En los puntos de muestreo se cumple que
( ) = ( ) y ( ) = ( )(15.4)
y, por tanto, ( ) = ( ) para todo i.
En resumen, (15.1) conduce a una simulacin que mantiene la estructura de covarianza de Z
y que coincide con sta en los puntos de observacin. Por tato, es una simulacin condicionada
de Z.
15.3.2 Aplicaciones. Simulacin de variables indicadoras
El mtodo general de condicionamiento descrito en la seccin anterior admite diversas
variantes que pueden ser tiles en algunos casos concretos. Consideremos, en primer lugar, el caso
en que (15.1) se aplica a la simulacin condicional en un solo punto. En este caso, la simulacin de
= se limita a la generacin de una variable aleatoria de media nula y varianza igual a la
de krigeado. Es decir, que bastara realizar el krigeado en el punto de inters con los datos disponibles,
calcular la estimacin y su varianza, y sumar a aqulla un desviador con dicha varianza. Si interesase
realizar simulaciones en ms puntos, sera necesario tratar los puntos ya generados como datos al
objeto de preservar las covarianzas entre todos ellos.
Es evidente que este mtodo no sera muy econmico, comparado con otros alternativos,
debido a la necesidad de recalcular el sistema de ecuaciones del krigeado para cada punto a simular.
Tendra, sin embargo, la ventaja de ser secuencial, con lo que se podra detener en cualquier momento
y de gozar de algunas ventajas computacionales con respecto al mtodo matricial en el caso de
grandes simulaciones con krigeado en el entorno. La ventaja fundamental del mtodo radica, sin
embargo, en que no es necesario hacer la hiptesis de que la covarianza de es igual a la de e. Esto
es particularmente atractivo para el caso de variables indicadoras, en las que la covarianza depende
del valor de Z.
Esta idea da lugar al algoritmo de simulacin condicional indicadora secuencial (algoritmo
SIS) propuesto por varios autores de la Universidad de Stanford (Journel y Alabert, 1988; Gmez,
1989a). El mtodo consiste en simular variables indicadoras sucesivamente en los Nudos de una
malla, de forma que en cada simulacin se incluyan como datos los nudos simulados con anterioridad.
El proceso puede resumirse en los siguientes pasos (Gmez, 1989a):

(1) Definir un camino aleatorio que recorra todos los nudos a simular, xl, l = 1, , L. Se m el
nmero de observaciones disponibles. K el nmero de clases de indicadores. Se hace l = 1.
(2) Sea n el nmero de puntos ( , = 1, , ) disponibles originalmente o generados con
anterioridad ( = + 1). Para el nudo , a cada clase se determinan las probabilidades
 de pertenencia de a cada clase ( = 1, , ) = [( ; ) = 1 | (; )] El
clculo de estas probabilidades, se realiza como se explic en el Captulo 12.
(3) Generar un nmero aleatorio i entre 0 y 1 y se asigna el nudo l se asigna a la primera clase si
1. De lo contrario, se asigna a la segunda clase si 2 + 1 . En caso contrario se
contina el proceso hasta la primera clase k que verifique que 1 + 2 + + , a la que
se asigna el valor simulado. De esta forma, se da valor unidad a la variable indicadora del
nudo en la clase k y cero a las dems [( ; ) = 1 = ( ; ) = 0 ].
(4) Se aade el nudo simulado al conjunto de datos, que as queda incrementado en una unidad,
haciendo = + 1, = . Si l = L finaliza el proceso, de lo contrario se hace = + 1 y
se vuelve a (2).
En la Figura 15.2 se muestra el resumen de un ejemplo presentado por Gmez (1989a). En
este caso se pretenden simular las conductividades hidrulicas mediante variables indicadoras con
dos clases correspondientes conductividad alta y conductividad baja. Como funciones de
autocorrelacin se adoptaron dos modelos. El primero compuesto por la superposicin un efecto
pepita y un modelo esfrico de meseta 0.2 y alcances de 400 y 20 unidades de las direcciones
horizontal y vertical respectivamente. El segundo es un modelo esfrico de meseta 0.6 y alcances de
800 y 100 en dichas direcciones. EN la Figura 15.2a se muestran los datos empleados para el
precondicionamiento y en la 15.2b la simulacin obtenida. No se muestran aqu las simulaciones
obtenidas con otros semivariogramas, que son considerablemente distintas. Precisamente, sobre esta
base, Gmez (1989a) propone identificar el correlograma contrastando las distintas generaciones con
la interpretacin que del sistema tengan los gelogos. De esta forma, si los datos no son muy
abundantes, se puede seleccionar el correlograma correspondiente a la simulacin que mejor se ajuste
a la visin intuitiva del gelogo.
15.3.3 Nivel de refinamiento de la simulacin
En la prctica, las simulaciones tanto si son condicionadas como si no, suelen realizarse sobre
una malla regular. La cuestin que se plantea de forma inmediata es el tamao que se debe adoptar
para dicha malla. Por un lado, mallas demasiado finas conducen a costes innecesariamente altos. Por
otro, si la malla es demasiado gruesa, se pierde resolucin y se puede omitir importantes aspectos de
la variabilidad a pequeas escalas. Esto pone de manifiesto la necesidad de considerar la aplicacin
que se va a estudiar a la hora de decidir cul es el tamao de malla adecuado. Por este motivo, es
difcil dar reglas generales.
El tamao de la malla depende no solo del problema sino tambin del tipo y parmetros del
variograma. Si el variograma es de tipo monmico, el proceso tiene naturaleza fractal por lo que la
apariencia de las simulaciones se mantendr inalterada al ir reduciendo su escala, si bien la amplitud
de las mismas se ir reduciendo consecuentemente. En estos casos, pues, el nivel de refinamiento
depende del tamao de fluctuaciones que puede ser ignorado. Si este se toma como dos desviaciones
2
tipo, es posible deducir el tamao de la malla como el valor de h para el cual () = 2
. Por ejemplo,
si () = 0.25 y se pueden despreciar fluctuaciones inferiores a 0.1 unidades de la variable a
simular, resultara = 0.05 y a partir de 0.25 = 0.052 / 2 resultara h = 0.005.
Si el variograma tiene meseta la situacin es algo ms sencilla. De cara al estudio de modelos
estocsticos en hidrologa subterrnea suele proponerse a modo orientativo una relacin como
mnimo 5 entre el alcance y el tamao de la malla. Este valor puede ser claramente insuficiente si se
considera necesario reproducir fluctuaciones de pequea amplitud. En la Figura 15.3 se muestran las
simulaciones obtenidas con un variograma esfrico para relaciones entre alcance y tamao de malla
(unidimensional, en este caso) de 2, 5, 20 y 80. Como se puede observar, el aspecto de las
simulaciones vara sustancialmente al aumentar la densidad de puntos simulados.
La presencia de un efecto pepita implica una componente puramente aleatoria. Por ello, las
simulaciones con dicho efecto presentan fluctuaciones errticas. Dado que, como se discuti en el
Captulo 4, la existencia de un efecto pepita en el variograma muestral suele ser consecuencia de la
variabilidad no muestreada a pequea escala, ms que la de una verdadera aleatoriedad, la simulacin
a esta escala debe hacerse con cuidado. De hecho, si es necesario simular a escalas pequeas, lo mejor
ser sustituir la pepita por un variograma de meseta igual al efecto pepita y de pequeo alcance.
En cualquier caso, el empleo de mallas muy finas conduce a simular muchos puntos, lo que
se puede traducir en costes excesivos, ya que el coste suele crecer de forma mucho ms proporcional
al nmero de puntos simulados. Esto hace que sea conveniente mantener este nmero relativamente
bajo. Una posibilidad, en la lnea de los mtodos discutidos en la seccin anterior, es dividir la regin
a simular en paneles, tal como se muestra en la Figura 15.4. Cada uno de estos paneles se simula
sucesivamente, condicionando la simulacin no slo a los datos disponibles sino tambin a los puntos
simulados con anterioridad. Si el krigeado es un entorno, este esquema conduce a ahorros
considerables.
15.3.4 Transformacin de variables
La mayora de los mtodos de simulacin presuponen, de forma ms o menos explcita, que
la variable simulada siguen una distribucin normal. Esta hiptesis se refiere no slo a la distribucin
puntual de valor de la variable, sino tambin a la distribucin conjunta de dichos valores en varios
puntos. Como se discuti en el Captulo 4, esta hiptesis no siempre es aceptable, ya sea por motivos
de tipo conceptual o porque el histograma de los datos sugiere otro tipo de distribucin.
En principio, la solucin ms sencilla es hacer una transformacin de variables tal como se
explic en el Captulo 4. El primer paso consiste en buscar una trasformacin ( ) tal que = ()
siga una distribucin normal. Esta trasformacin puede realizarse en base al histograma de
frecuencias de Z o en base a las hiptesis que se hagan sobre la variable. As, es frecuente suponer
que las transmisividades siguen una distribucin log-normal, en cuyo caso la variable = log(T) es
normal. Si bien la transformacin asegura que la variable a simular tendr puntualmente una
distribucin normal, no se asegura la multinormalidad de la distribucin conjunta de los valores de Y
en vario puntos. En la prctica, se requieren un nmero tan elevado de puntos para comprobar o
rechazar esta hiptesis que suele aceptarse sin ms. De ser as, habra que recurrir al formalismo del
krigeado indicador o disyuntivo.
Una vez realizada la trasformacin, los siguientes pasos son los habituales. Es decir, en primer
lugar, se estima el semivariograma de Y. A continuacin se realiza la simulacin condicionada a las
observaciones, esto es, a las transformadas de los valores medidos en los puntos de observacin.
Deshaciendo la trasformacin de los valores simulados se obtiene la simulacin condicionada de la
variable original como = 1 (). Por ejemplo en el caso de las transmisividades, su simulacin se
obtendra como = 10 . En el caso de simulacin de valores promedios, la inversin puede presentar
problemas conceptuales adicionales. De hecho, si realmente es necesario trabajar con los valores
promedios ( ) de Z debe tenerse en cuenta que la distribucin de ser distinta a la de Z y, en
general, ms prxima a la normal. Por ello, el hecho de que la mayora de los mtodos de simulacin
proporcionen valores con distribucin normal, puede tener menos importancia y favorecer el trabajar
directamente con . Sin embargo, estrictamente slo se podr asegurar que la variable simulada es
correcta en media, varianza y funcin de autocovarianza, pero no necesariamente en distribucin.
15.4 FORMULACION BASICA
15.4.1 Simulacin matricial en general
La filosofa bsica del mtodo es relativamente sencilla, tanto de comprensin como de
aplicacin. En principio, la formulacin es independiente de que se haya aplicado con anterioridad el
mtodo del krigeado y ni siquiera es necesario que no encontremos en un contexto geoestadstico.
Supongamos que se pretende obtener realizaciones de un vector Z cuyo valor esperado es Z*
y cuya matriz de covarianza es C. Supondremos, adems que las componente de Z siguen una
distribucin normal (de lo contrario vase la seccin anterior). Las simulaciones de Z pueden
obtenerse mediante:
= + (15.5)
Donde u es un vector de componentes aleatorias independientes con media nula, varianza unidad y
distribucin normal y M es una matriz que verifica:
= (15.6)
Con estas definiciones, ZS es una simulacin de Z, en el sentido de que su valor esperado es Z*, su
matriz de covarianza es C y sigue una distribucin normal.
En efecto, el valor esperado de ZS viene dado por:
( ) = ( + ) = + () (15.7)
Pero, por hiptesis, E(u) = 0, luego:
( ) = (15.8)
La matriz de covarianza de ZS, viene dada por:
= {[ ( )] [ ( )] } = [( )( ) ] (15.6)
Teniendo en cuenta (15.5), esta matriz queda:
= ( ) = ( ) (15.10)
Por ser u un vector de media nula y componentes independientes con desviacin tipo unidad,
resulta:
( ) = (15.11)
Donde I es la matriz identidad. Sustituyendo (15.11) en (15.10) queda:
= = (15.12)
Es decir, si la simulacin se lleva a cabo empleando la Ecuacin (15.5), el vector ZS cumple
las condiciones de que su valor esperado es Z*y su matriz de covarianza C. Adems, al ser suma de
variables normales, Z tambin seguir una distribucin normal.
15.4.2 Aplicacin a geoestadstica
 Es evidente que el mtodo expuesto en la seccin anterior es aplicable a cualquier campo y
que la nica diferencia, de un problema a otro, estriba en la forma de obtener Z* y C.
Simulaciones no condicionales. En el caso de simulaciones no condicionales, Z* es un vector cuyas
componentes son iguales a la media, m. Dado que la media no suele conocerse, lo ms comn es
hacerla nula, de forma que la variable simulada se interpreta como perturbaciones respecto a la media.
Otra posibilidad es que, aunque m no se conozca con exactitud, s puede generar un valor aleatorio
de m cuyo valor esperado y varianza sean coherentes con el conocimiento que se tenga del valor
esperado de Z.
Respecto a C, sus componentes vendrn dadas por:

= ( , ) = ( ) (15.13)

Donde C (h) es la funcin de covarianza. Esta covarianza tambin puede expresarse en funcin de
variograma como:

= ( ) = 2 (15.14)

Esta ecuacin deja de tener sentido para variables intrnsecas, en cuyo caso no existe 2 . Para estas
variables no tiene sentido hablar de matriz de covarianza, ya que no existe la varianza. Por lo tanto,
no cabe hablar de simulacin por el mtodo matricial. Sin embargo, en los casos en que no interesen
tanto los valores absolutos de Z como las variaciones relativas entre puntos vecinos, se pueden adoptar
dos soluciones. La primera consiste en realizar simulaciones condicionadas tal como se discute en la
prxima seccin, empleando un dato ficticio. La segunda alternativa, que es equivalente, consiste en
usar como matriz de covarianza:

= (0 ) + (0 ) ( ) (15.15)

Donde el punto 0 es arbitrario, pero comn a todos los . La eleccin del punto 0 tiene unas
implicaciones que conviene tener presentes. El empleo de (15.12) es equivalente a realizar
simulaciones condicionadas con una medida en 0 de valor igual al adoptado para m (normalmente
cero). Por ello, si 0 est dentro del dominio de la simulacin, convendr tener presente que todas las
simulaciones pasarn por dicho punto. Por el contrario, si 0 se toma fuera del dominio de la
simulacin, la variabilidad entre distintas simulaciones depender de la distancia entre x y la zona en
que se simula Z. Por ejemplo, si se toma () = y se pretende obtener simulaciones de Z en el
intervalo (0, 1), es previsible que la amplitud de las fluctuaciones de Z dentro de dicho intervalo sern
del orden de la unidad. As, se toma 0 = 0.5, los valores simulados de Z valdrn