Lección 3:

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)

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.
 El modelo geoestadístico (4)

Ejemplo: tres realizaciones de dos funciones aleatorias distintas

 El modelo geoestadístico (5)

Noción de correlación espacial

En general, las variables aleatorias en distintos sitios del espacio

{Z(x1), Z(x2)... Z(xn)} 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 (6)

Dos ejemplos de variables regionalizadas con los mismos valores,

pero distribuidos de forma diferente en el espacio. Se tendrá altas
correlaciones en el primer caso y bajas correlaciones en el
segundo caso.
 Formalización (1)

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 (2)

Para simplificar, la caracterización de la función aleatoria se

centra generalmente en las distribuciones univariables

F(z1; x1) = Prob(Z(x1) < z1)

y bivariables

F(z1, z2; x1, x2) = Prob(Z(x1) < z1, Z(x2) < z2)
 Formalización (3)

Se postula además que las distribuciones son invariantes por

traslación en el espacio (hipótesis de estacionaridad). En
particular:
─ todas las variables Z(x) tienen la misma distribución univariable
─ 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.
 Formalización (4)

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 (5)

• 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 (6)
 Discusión: estacionaridad (1)

La estacionaridad se refiere a que, en el modelo geoestadístico,

las propiedades de la función aleatoria (media, dispersión,
continuidad) son “homogéneas”, o sea, invariantes por traslación
en el espacio.

El considerar la hipótesis de estacionaridad facilita la elaboración

de los modelos (inferencia de sus parámetros), en especial en lo
que se refiere al análisis variográfico.
 Discusión: estacionaridad (2)

En general, se tiende a considerar que la variable regionalizada

no tiene un comportamiento estacionario, porque la media o la
dispersión de los valores cambia localmente según el sector
que uno considera (por ejemplo, sectores de altas leyes y de
bajas leyes; o sectores con leyes más dispersas que otros).

Ahora bien, el concepto de estacionaridad es una propiedad de

la función aleatoria, no de la variable regionalizada misma. Por
ende, es una decisión del usuario considerar si se cumple o no
la hipótesis de estacionaridad (ni verdadera ni falsa, pero
juiciosa o no).
 Discusión: estacionaridad (3)
Variaciones locales en la ley media
A menudo se aprecia un cambio en el valor promedio de las leyes al
desplazarse en el espacio (“tendencia” o “deriva”), por ejemplo
leyes que decrecen fuertemente con la profundidad. En este caso, se
puede considerar las siguientes alternativas:

• modelo estacionario: la ley “esperada” es constante y la tendencia

sólo se debe a fluctuaciones estadísticas locales
• modelo localmente estacionario
• modelo estacionario por partes: subdividir la zona de estudio
en varios dominios, cada uno con una ley media constante
• modelo no estacionario: se debe modelar la deriva.
 Discusión: estacionaridad (4)
Variaciones locales en la dispersión de leyes
También es frecuente observar cambios en la variabilidad de las
leyes en el espacio: esta variabilidad suele ser mayor en las zonas
de altas leyes que en las zonas de bajas leyes (efecto proporcional).
Se puede enfrentar de varias formas:
• modelo estacionario (variaciones locales = fluctuaciones)
• modelo localmente estacionario
• modelo estacionario por parte
• transformación logarítmica de los datos
• modelo no estacionario, con una varianza que varía en el espacio
 Discusión: estacionaridad (5)

Ejemplo: realizaciones de un modelo estacionario de media 0

derivas
aparentes
 Discusión: estacionaridad (6)
Ejemplos contra-intuitivos: realizaciones de modelos estacionarios
 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