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