TRATAMIENTO DE DATOS CON GSLIB

Supongamos que conocemos la realidad de un episodio de contaminacin sobre un rea de 50*50

metros cuadrados. Se considera una malla regular (gran problema de GSLI!" de 50*50 p#$eles cuadrados
de un metro de lado.
%n primer lugar dibu&amos las '500 medidas" dispuestas en el centro de cada una de las celdas. (ara ello
utili)aremos el programa *S*+L%.%,%" cu-o arc.i/o de parmetros se lista a continuacin. %l resultado
del mismo se puede apreciar en la 0igura '.
Figura 1. +rc.i/o de parmetros para el programa *S*+L%.%,%
(arameters 1or *S*+L%
*********************

S2+32 40 (+3+5%2%3S6
5%7I7+S83%+L%S.7+2 9data 1ile
5%7I7+S83%+L%S. (S 9output (ostScript 1ile
: 9column number
50 :.0 9n$" $si)
50 :.0 9n-" -si)
: :.0 9n)" )si)
: : 9igrid"i)
0.0 ::0.0 9cmin"cma$
5%7I7+S 3%+L%S 9title
%S2% 9, label
;432% 9< label
Figura 2. *ampo real
*omo puede obser/arse" la escala utili)ada no es demasiado a1ortunada" dado que la gran ma-or#a de los
datos se concentra en /alores mu- peque=os. 7ebiera cambiarse el /alor m$imo de la escala (cma$! a
>0" ms o menos. %l resultado se presenta en la 0igura >
(uede obser/arse como las concentraciones ms altas se concentran en las esquinas nordeste - suroeste
del dominio" siguiendo apro$imadamente una diagonal a tra/?s del mismo. +simismo" por ser este un
caso e$cepcional en el que conocemos la realidad" podemos conocer sus estad#sticos uni/ariados. (ara
lle/ar a cabo esta tarea" utili)aremos el programa @IS2(L2.%,%" cu-o arc.i/o de parmetros se lista a
continuacin (/er 0igura A!. 4bs?r/ese que el arc.i/o 5%7I7+S83%+L%S.7+2 no se corresponde con
el usado anteriormente" dado que el programa *S*+L%.%,% utili)a una geometr#a regular" mientras que
@IS2(L2.%,% no. (or tanto" debemos introducir las coordenadas del punto de medida. %l .istograma se
presenta en la 0igura 5.
Figura 3. *ampo real" sin considerar los /alores e$tremadamente altos.
Figura 4. +rc.i/o de parmetros para el programa @IS2(L2.%,%
(arameters 1or @IS2(L2
**********************

S2+32 40 (+3+5%2%3S6
5%7I7+S83%+L%S.7+2 9data 1ile
> 0 9column 1or /ariable and Beig.t
@IS24G3+5+83%+L.(S 9output (ostScript 1ile
C0.DD DDDDDD. 9trimming limits
0.0 ::0.0 9.istogram minimum and ma$imum
55 9number o1 classes
0 9:Elog scale" 0Earit.metic
@IS24G3+5+ < %S2+7. 3%+L%S 9title
Figura 5. @istograma de las medidas del campo real
7e nue/o .emos cometido el mismo error" dado que el l#mite superior del .istograma se corresponde con
el m$imo en los datos. Si lo dibu&amos cambiando ese l#mite superior a '0 (la 1recuencia de muestras es
inapreciable a partir de este /alor!" se obtiene el .istograma de la 0igura F.
Figura 6. @istograma de las medidas del campo real" reduciendo su l#mite m$imo
4bs?r/ese que en la 1igura anterior aparecen los estad#sticos uni/ariados de la /ariable. %stos no
d!ndn del m$imo escogido para el dibu&o del .istograma" ni del nGmero de clases utili)adas. %n este
caso" se con1irma lo antes dic.o. Los datos reales se acomodan entorno a /alores mu- ba&os" con una
des/iacin bastante ba&a. %sto quiere decir que el campo es bastante uni1orme" como se obser/ en los
dibu&os del campo (de .ec.o" en el H5I de los puntos C cuartil superior C" la concentracin es menor que
'.5F. ;o obstante" .a- una serie de /alores e$tremos que" al estudiar un episodio de contaminacin" por
e&emplo" son los de ma-or inter?s" con /alores ma-ores que :00.
Jna /e) obtenida una /isin global del campo real" pongamos a prueba nuestros conocimientos.
Imaginemos que a.ora no conocemos el campo real" sino que disponemos de DH puntos muestreados. 7e
esos DH" se seleccionan los de ma-or concentracin - se obtienen A> muestras adicionales entorno a ellos.
0inalmente se cuenta con un total de :A0 medidas. (ara dibu&ar su posicin - su /alor" utili)aremos el
programa S*+2(L2.%,%" cu-o arc.i/o de parmetros se muestra en la 0igura H.
Figura ". +rc.i/o de parmetros para el programa S*+2(L2.%,%
(arameters 1or S*+2(L2
**********************

S2+32 40 (+3+5%2%3S6
5%7I7+S.7+2 9data 1ile
: ' > 9column 1or ," <" and Beig.t
5%7I7+S.(S 9output (ostscript 1ile
C:.0 :.0e': 9min and ma$ /ariable ,
C:.0 :.0e': 9min and ma$ /ariable <
0.0 50.0 9$min and $ma$
0.0 50.0 9-min and -ma$
5edidas de dos campa=as 9title
%l resultado de este programa se presenta en la 0igura K. 4bs?r/ese la agrupacin entorno a ciertos puntos
(como cruces!. ;o obstante" este gr1ico no o1rece ninguna in1ormacin sobre los /alores de las medidas.
*iertamente" resulta ms cmodo el uso de otros programas" tipo Grap.er o Sur1er. %l resultado del uso
de Sur1er se presenta en la 0igura D..
Figura #. 7isposicin - estad#sticos de las medidas de las dos campa=as
Figura $. 5arcados con c#rculo los datos del primer muestreo - con cru) los del segundo. 2ama=os de
s#mbolo proporcionales al /alor de la concentracin medida. 3eali)ada con la .erramienta (4S25+( de
SJ30%3.
5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5
5
1 0
1 5
2 0
2 5
3 0
3 5
4 0
4 5
;o obstante" no se obser/an los /alores de las medidas. %n cambio" utili)ando la .erramienta *L+SS%7
(4S2 5+( de Sur1er se obtiene el siguiente resultado (/er 0igura :0!. %n el se obser/an los s#mbolos"
con tama=o proporcional al /alor de la medida" as# como el /alor de la misma.
Figura 1%. 7etalle de las medidas con sus /alores asociados. 3eali)ada con la .erramienta *L+SS%7
(4S2 5+( de Sur1er.
0 . 0 6
0 . 0 6
0 . 0 8
0 . 0 9
0 . 0 9
0 . 1
0 . 1
0 . 1 1
0 . 1 1
0 . 1 6
0 . 1 6
0 . 1 7
0 . 1 8
0 . 1 9
0 . 1 9
0 . 1 9
0 . 2 2
0 . 2 4
0 . 2 6
0 . 2 8
0 . 2 8
0 . 3 1
0 . 3 2
0 . 3 3
0 . 3 4
0 . 3 4
0 . 3 4
0 . 4
0 . 4 5
0 . 4 6
0 . 5 1
0 . 5 7
0 . 6 2
0 . 6 5
0 . 6 7
0 . 7 1
0 . 7 9
0 . 8 1
0 . 8 3
0 . 8 4
0 . 8 9
0 . 9 2
0 . 9 3
0 . 9 4
0 . 9 6
0 . 9 9
0 . 9 9
1 . 0 1
1 . 0 2
1 . 1
1 . 1 1
1 . 2 1
1 . 2 1
1 . 2 7
1 . 3 4
1 . 3 6
1 . 3 7
1 . 3 8
1 . 3 8
1 . 6 6
1 . 7
1 . 7 1
1 . 7 8
1 . 8 1
1 . 8 2
1 . 8 9
1 . 9 6
1 . 9 8
2 . 1 3
2 . 1 7
2 . 3 3
2 . 3 4
2 . 4 7
2 . 7 5
2 . 7 6
2 . 8 4
2 . 9 9
3 . 0 4
3 . 3 3
3 . 3 5
3 . 5 1
3 . 8 1
4 . 6
4 . 8 9
5 . 0 5
5 . 1 5
5 . 3 1
6 . 2 6
6 . 4 1
6 . 4 9
7 . 5 3
8 . 0 3
8 . 3 4
9 . 0 8
1 0 . 2 7
1 7 . 1 9
1 8 . 7 6
3 . 6 4
3 . 5 9
9 . 0 8
2 . 2 2
7 . 5 6
8 . 9
2 . 5 5
7 . 9 2
4 . 2 9
2 . 3 3
3 . 2 1
7 . 7 1
1 2 . 7 4
1 5 . 7 7
2 0 . 3 5
5 . 5 4
5 . 3 8
1 5 . 7 7
1 0 . 2
9 . 0 1
9 . 2 7
3 . 5 6
2 . 5 2
1 8 . 6 4
7 . 9 4
2 . 2 8
2 . 5 1
1 9 . 4 4
2 . 9 6
2 . 9 7
4 . 9 2
5 . 5 4
8 . 7 1
2 . 7 4
3 . 6 1
5 8 . 3 2
1 1 . 0 8
2 1 . 0 8
2 2 . 7 5
9 . 4 2
8 . 4 8
2 . 8 2
5 . 2 6
5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5
5
1 0
1 5
2 0
2 5
3 0
3 5
4 0
4 5
0 . 0 6 t o 0 . 4 5
0 . 4 5 t o 1 . 3 7
1 . 3 7 t o 2 . 9 6
2 . 9 6 t o 7 . 5 6
7 . 5 6 t o 5 8 . 3 3
%L .ec.o de usar un sistema de in1ormacin geogr1ica nos permita asimismo" dibu&ar mapas en color de
nuestros datos" que a-udan sobremanera a la comprensin de los mismos (/er 0igura ::!
Figura 11. 5apeado a color de las medidas. 3eali)ada con la .erramienta *4;24J3 (L42 de Sur1er.
(ese a que en ningGn caso /amos a conocer la realidad del campo (&i n '&(!" pueden compararse los dos
mapas presentados en las 0iguras :: - >. +s#" puede /erse que las medidas reproducen apro$imadamente
la 1orma de la pluma de contaminacin.
*ono)camos a.ora los estad#sticos uni/ariados de nuestras medidas. (ara ello" /ol/emos a aplicar el
programa @IS2(L2" con el que obtenemos el .istograma de nuestros datos. %l arc.i/o de datos se
muestra en la 0igura :'. ;aturalmente" a.ora se 1i&ado el l#mite superior del .istograma a '0" por lo que
se coment anteriormente. %l resultado (.istograma - estad#sticos! se muestra en la 0igura :'.
Figura 12. +rc.i/o de parmetros para el programa @IS2(L2.%,%
(arameters 1or @IS2(L2
**********************

S2+32 40 (+3+5%2%3S6
5%7I7+S.7+2 9data 1ile
> 0 9column 1or /ariable and Beig.t
@IS24G3+5+85%7I7+S.(S 9output (ostScript 1ile
C0.DD DDDDDD. 9trimming limits
0.0 '0.0 9.istogram minimum and ma$imum
A0 9number o1 classes
0 9:Elog scale" 0Earit.metic
@IS24G3+5+ 7% 5%7I7+S 9title
Figura 13. @istograma - estad#sticos de las medidas
*omo se puede obser/ar" el .ec.o de considerar medidas adicionales alrededor de las de ma-or
concentracin" a=ade ruido a nuestros resultados. *omparemos los estad#sticos (/er 2abla :!. +s#" la
media es A.>5" cuando la real era de '.5K. Lo mismo ocurre con la des/iacin estndar" que es F.H"
cuando la real era 5.:5. %l m#nimo prcticamente no /ar#a (.a- tantos puntos con ba&a concentracin que
es mu- 1cil muestrear uno de ellos!. %n general" ningGn cuartil /ar#a ostensiblemente" sal/o el m$imo"
que cae en picado" debido a que" dada la poca densidad de puntos con mu- alta concentracin" resulta
di1#cil muestrear en uno de ellos.
Ta)*a 1. *omparacin de los estad#sticos reales - los de las medidas
n Mdia D&+. S(. M,ni-o .. 25 .. 5% .. "5 M/0i-o
3eales '500 '.5K 5.:5 0.0: 0.>A 0.DF '.5F :0'.H
5edidas :A0 A.>5 F.H 0.0F 0.FD '.:' 5.>5 5K.>'
+s#" resulta con/eniente reali)ar una desagrupacin de los datos. (ara ello puede procederse de dos
1ormas distintas6 :! 3pidamente (pero mu- poco elegante!" considerando Gnicamente las DH muestras de
la primera campa=a.
'! Jsando el algoritmo de desagrupacin (declustering! de GSLI. %ste algoritmo
calcular un peso asociado a cada medida" en 1uncin de su pro$imidad a las dems. +s# no se
desapro/ec.an datos que" ciertamente" aportan in1ormacin pero no demasiada. %n )onas donde los datos
est?n mu- agrupados (las de la segunda campa=a! recibirn menor peso que )onas con poca densidad de
datos.
C 1o&i)i*idad 1. Con&idrar 2ni3a-n( *o& da(o& d *a !ri-ra 3a-!a4a
(rocedemos de igual modo" calculando el .istograma - los estad#sticos. Los resultados se presentan en la
0igura :A - en la 2abla '.
Figura 14. @istograma - estad#sticos de los datos de la primera campa=a
Ta)*a 2. *omparacin de los estad#sticos reales - los de las medidas totales - slo las de la primera
campa=a.
n Mdia D&+. S(. M,ni-o .. 25 .. 5% .. "5 M/0i-o
3eales '500 '.5K 5.:5 0.0: 0.>A 0.DF '.5F :0'.H
5edidas :A0 A.>5 F.H 0.0F 0.FD '.:' 5.>5 5K.>'
5. :* DH '.': >.:H 0.0F 0.>> :.0' '.5A :K.HK
*omo se puede obser/ar" el .ec.o de .aber eliminado /alores e$tremos .a .ec.o que los estad#sticos de
primer - segundo orden se pare)can ms a los reales. Sin embargo" obs?r/ese el m$imo. Lste es a.ora de
:K.HK" aGn menor. %sto sugiere que las muestras de la segunda campa=a deben ser consideradas. (or
tanto" consideraremos la opcin '" de desagrupamiento.
C 1o&i)i*idad 2. 5D&agru!a-in(o6 d *o& da(o&
(ara ello utili)aremos el programa 7%*LJS.%,%. %ste programa asocia un peso a cada posicin de
medida. Si el peso es M:" quiere decir que ese punto est agrupado con otros" - por tanto" no o1rece
demasiada in1ormacin. Jn peso N: implica que el punto tiene una especial rele/ancia. %l arc.i/o de
parmetros para este programa se muestra en la 0igura :5.
Figura 15. +rc.i/o de parmetros para el programa 7%*LJS.%,%
(arameters 1or 7%*LJS
*********************

S2+32 40 (+3+5%2%3S6
5%7I7+S.7+2 9+rc.i/o de datos
: ' 0 > 9*olumnas de $"-") - /ariable
0.0 :.0e': 9Oalores minimo - ma$imo a considerar
4J2(J2.SJ5 94utput con resumen
4J2(J2.4J2 94utput con datos - pesos
:.0 :.0 9+nisotropia6 -"). Si si)e$E:0" entonces si)e-E:.0*si)e$
0 90ElooP 1or min" : ma$
'A :.0 '5.0 9num" min and ma$ si)e
5 9num o1 origin o11sets
Los parmetros de anisotrop#a marcan el tama=o de las celdas. Si las celdas son cGbicas (cuadradas en
este caso!" deben 1i&arse a :.0. Las dos Gltimas 1ilas marcan donde (o me&or" .asta donde! deben buscarse
agrupamientos. 2al - como est 1i&ado" se buscan a lo largo de todo el dominio.
%l resultado del programa es un arc.i/o" de 1ormato anlogo al de medidas" cu-a Gltima columna contiene
los pesos asociados a cada medida. Si a.ora dibu&amos el .istograma de los datos desagrupados"
obtenemos el resultado de la 0igura :F - la 2abla >.
Figura 16. @istograma - estad#sticos de los datos desagrupados
Ta)*a 3. *omparacin de los estad#sticos reales" los de las medidas totales" las de la primera campa=a -
las de ambas con los datos desagrupados.
n Mdia D&+. S(. M,ni-o .. 25 .. 5% .. "5 M/0i-o
3eales '500 '.5K 5.:5 0.0: 0.>A 0.DF '.5F :0'.H
5edidas :A0 A.>5 F.H 0.0F 0.FD '.:' 5.>5 5K.>'
5. :* DH '.': >.:H 0.0F 0.>> :.0' '.5A :K.HK
5C7%S :A0 '.5' A.5F 0.0F 0.>A :.:D '.H5 5K.>'
4bs?r/ese que la media en ?ste caso es prcticamente la real" la des/iacin se parece muc.o - .emos
recuperado el m$imo de los datos. +s#" queda demostrado que ?sta es muc.o me&or opcin que la
primera.
ESTIMACI7N CONDICIONADA 89RIGING:
Jna /e) se tiene la descripcin del /ariograma (modelo" alcance" anisotrop#a" meseta - pepita!" puede
lle/arse a cabo una interpolacin en los puntos no muestreados" en base a eseQesos /ariogramaQs - a las
medidas disponibles. *omo se coment en la clase anterior" el gran problema que tiene GSLI es el
traba&o en base a una malla regular. (ortanto" no /amos a reali)ar en los puntos que nosotros queramos"
sino en el centro de gra/edad de las celdas. %l programa que se /a a utili)ar es R2>7.%,% para reali)ar
Prigeados de /ariable Gnica. Si se desea coPrigear" deber usarse el programa *4R>7.%,%" de
1uncionamiento mu- similar (simplemente .a- que de1inirle las medidas de las /ariables secundarias - los
/ariogramas de estas" adems de los cru)ados con la primaria!. %l resultado de estos programas es doble.
(or un lado" genera el /alor de la estimacin en los centros de gra/edad de los pi$eles" adems de la
/arian)a de estimacin. (or el otro" genera un arc.i/o de debugging" en el que se lista los puntos de
medida - los pesos asociados utili)ados en la interpolacin de un punto determinado.
(ara /isuali)ar los resultados pueden usarse los programas *S*+L%.%,% (e$plicado en la clase anterior!
o GS*+L% (para mapas de grises"d e 1uncionamiento anlogo!. Oeamos el arc.i/o de parmetros del
programa R2>7" mostrado en la 0igura 'K.
Figura 2#. +rc.i/o de parmetros del programa R2>7.%,%
(arameters 1or R2>7
********************

S2+32 40 (+3+5%2%3S6
7+24S.7+2 9+3*@IO4 *4; L+S 5%7I7+S
: ' 0 > 9*4LJ5;+S *4; ,"<"S < O+3I+L%
C:.0e': :.0e': 9LI5I2%S 7% *432%
%S2I5.4J2 9+3*@IO4 7% 3%SJL2+74S
: 9;IO%L 7% 7%JGGI;G6 0":"'">
*@%*R.7G 9+3*@IO4 7% 7%JGGI;G
50 0.5 :.0 9;,",5;",SIS
50 0.5 :.0 9;<"<5;"<SIS
: 0.5 :.0 9;S"S5;"SSIS
: : : 9(J;24S 7% 7IS*3%2IS+*IT; 7% J; L4UJ%
A :F 95I; < 5+, 7% 7+24S (+3+ %L SIS2%5+ 7% R3IGI;G
0 9+ 3%2%;%3 (43 4*2+;2% (06;4 S% JS+!
'0.0 9S%5I%V% 5+<43 7% JSUJ%7+
0.0 0.0 0.0 :.0 :.0 9+;GJL4S < +;IS4234(I+S 7%L %LI(S4I7% 7% JSUJ%7+
0 A.>5 90ER3IGI;G 437I;+3I4W :ER3IG. SI5(L% X 5%7I+
0 0 0 0 0 0 0 0 0 92%;7%;*I+ (4LI;45I*+ (06I;+*2IO+!W $"-")"$$"--"))"$-"$)")-
0 90" %S2I5+3 L+ O+3I+L%W :" %S2I5+3 L+ 2%;7%;*I+
0 9:6 *4;SI7%3+3 7%3IO+ %,2%3;+
5 9*4L 7% L+ 7%3IO+ %; 7+24S.7+2 (SI : %; L+ +;2%3I43!
;+7+.7+2 9+3*@IO4 *4; L+ 7%3IO+ *%L7+S 7% L+ 5+LL+
A 9;J5%34 7% *4LJ5;+ %; %S% +3*@IO4
: 0.> 9;J5%34 7% %S23J*2J3+S" (%(I2+
: :0.0 '0.0 92I(4" +L*+;*% 5+<43"(5%S%2+C(%(I2+!
0.0 0.0 0.0 :.0 :.0 9+;G:"+;G'"+;G>"+;IS:"+;IS'
%l resultado de la e&ecucin de R2>7.%,% es dobleW por un lado" se muestra en la 0igura 'D los /alores
de la estimacin - de la /arian)a de estimacin que o1rece el programa.
Figura 2$. %stimacin - /arian)a de estimacin para el arc.i/o de parmetros anterior
R2>7 %S2I5+2%S YI2@6 *lustered :A0 primar- and secondar- data
'
%stimate
%stimationOariance
A.FD> 0.HD:
A.0A: 0.FA'
'.KK5 0.5>D
'.'55 0.5>K
:.F'' 0.5>H
:.0FF 0.5>>
:.'00 0.F':
:.>DA 0.H>K
......
;tese que" al traba&ar sobre una malla regular" debe seguirse la ordenacin de pi$eles descrita en la clase
anterior. (or otro lado" la 0igura >0 muestra parte del arc.i/o de Zdebugging[" correspondiente a la
estimacin del primero de los pi$eles
Figura 3%. %$tracto del arc.i/o de debugging
L4*R6 : : : at 0.5000000 0.5000000 0.5000000

Lagrange 6 C0.:H0:F>DH0:5HD'F
L4*R %S26 $"-")"/r"Bt
'.500 :.500 0.500 >.>>0 0.F>A
5.500 :.500 0.500 0.0F0 0.::K
0.500 H.500 0.500 :'.HA0 0.0D5
0.500 K.500 0.500 F.AD0 0.0>:
:.500 K.500 0.500 '0.>50 C0.0:0
'.500 K.500 0.500 K.D00 C0.0:5
0.500 D.500 0.500 :5.HH0 0.0AD
:.500 D.500 0.500 H.5F0 0.0:F
'.500 D.500 0.500 F.'F0 0.0':
>.500 D.500 0.500 H.D'0 0.0F'
estimate" /ariance A.FD'HHK 0.HD:'KD0
%l resultado gr1ico de la aplicacin del programa" tras e&ecutar *S*+L%.%,% se muestra en la 0igura
>:. Jno de los resultados ms importantes a remarcar es el ba&o /alor de los /alores esperados
(recu?rdese que el Priging no es ms que un sistema de interpolacin - que el m$imo de los datos
utili)ados es 5K!. 4tro resultado importante es la sua/idad in.erente al campo" debido al uso de ?ste (o
cualquier otro sistema de interpolacin!. Si lo que se pretende es obtener un mapa que represente la
/ariabilidad espacial de manera menos sua/e" debe utili)arse un algoritmo de simulacin. 4bs?r/ese
adems que .a- puntos en blanco. Los /alores interpolados en dic.os puntos son negati/os.
La 0igura >' muestra el campo de la /arian)a de estimacin. Lgicamente los /alores menores de
/arian)a de estimacin son los asociados a los pi$eles pr$imos (o que contienen! a los puntos de medida.
Figura 31. 3esultado gr1ico del Prigeado ordinario
Figura 32. Oarian)a de estimacin del campo Prigeado
GSLIB Ayuda de la pgina: Programas
Transformacin de coordenadas:
addcoord aadir coordenadas a una red GSLIB archivo
rotcoord 2-D rotacin de coordenadas
Probabilidad de ponderacin distribucin, transformacin, y suai!ado:
declus celular declustering
nscore transformacin puntaje normal
bactr transformacin de nuevo desde los resultados normales
trans transformacin distribucin general
histsmth histograma liso ! distribucin univariante
scatsmth scaterplot liso ! distribucin bivariada "v#ase tambi#n bivplt $
"ariogramas:
G%& c'lculo variograma de malla regular "uso vargplt para graficar los resultados$
gamv c'lculo variograma de los datos dispersos "uso vargplt para graficar los
resultados$
varmap mapa variograma ! c'lculo del volumen "uso pi(elplt para graficar los
resultados$
vmodel crea un variograma de un modelo anal)tico *ue se puede tra+ar con vargplt
bigaus se puede utili+ar para obtener el variogramas indicador de una gaussiana o
normal puntuaciones variograma
,l tipo de variograma -- se especifica mediante un cdigo entero . ,l tipo de modelo
de variograma se especifica por otro cdigo entero.
#riging:
b2d 2-D riging simple
t/d /-D riging fle(ibles
cob/d coriging
i/d riging indicador "uso posti a los resultados post-procesar$
Simulacin estocstica:
dibujar simples &onte 0arlo de simulacin estoc'stica
lusim L1 simulacin de matri+ de Gauss
sgsim simulacin secuencial gaussiana
gtsim truncada simulacin gaussiana "utili+a el resultado de sgsim 2 las curvas de
proporcin$
sisim indicador de simulacin secuencial como categricas 2 continuas 2 &arov-
Ba2es "programa bicalib se utili+a para procesar los datos de calibracin$
pfsim simulacin de campo de probabilidad
ellipsim D elipsoide de simulacin-/
recocido de post-procesamiento de recocido ! simulacin
sasim basado en simulacin de recocido 2 cosimulacin
postsim se utili+a para post procesar una serie de reali+aciones simuladas
PostScript tra!ado:
histplt histograma 2 acumulativos histograma
probplt 2 lognnormal probabilidad normal parcela
scatplt diagrama de dispersin
*pplt 33 o el argumento del 44 para comparar dos distribuciones
locmap gris 2 el color de 2-D de datos mapa de ubicacin
pi(elplt color 2-D p)(el del mapa 2 gris
bivplt tra+ar una distribucin de probabilidad bivariado alisa con las distribuciones
marginales