193

Rev. Fac. Ing. Univ. Antioquia N. 59 pp. 193-202. Junio, 2011

El variograma y el correlograma, dos
estimadores de la variabilidad de mediciones
hidrolgicas
Variogram and correlogram, two proposed
estimators of the hydrological variability
measurement
Alfonso Gutirrez-Lpez
1
*, Aldo I. Ramirez
2
, Thierry Lebel
3
, Oscar Santilln
4
,
Carlos Fuentes
1
1
Centro de Investigaciones del Agua, CIAQ, Universidad Autnoma de
Quertaro, Cerro de las Campanas, s/n Qro. Col. Las Campanas C.P. 76010,
Quertaro, Mxico
2
Centro del Agua para Amrica Latina y el Caribe, Tecnolgico de Monterrey,
Eugenio Garza Sada 2501 sur C.P. 64849, Monterrey, Mxico
3
Laboratoire dEtude des Transferts en Hydrologie et Environnement, 1025,
rue de la piscine C.P. 38400 Saint Martin dHres Grenoble, Francia
4
Instituto Mexicano de Tecnologa del Agua, IMTA, Paseo Cuauhnhuac
8532, Col. Progreso, C.P. 62550, Jiutepec, Morelos, Mxico
(Recibido el 8 de marzo de 2010. Aceptado el 18 de marzo de 2011)
Resumen
En este artculo se presenta el anlisis de la precipitacin diaria de cuatro
estaciones climatolgicas de Chiapas y Tabasco ubicadas en la cuenca de
aportacin de la planicie tabasquea, en el perodo agosto a noviembre de
2007. En dicho perodo se gener la gran inundacin de Villahermosa y sus
alrededores. Los variogramas y correlogramas indican que las precipitaciones
producidas estn en efecto fuera de su variacin normal.
------ Palabras clave: Kriging, geoestadstica, interpolacin espacial,
inundacin en Tabasco, precipitacin diaria
Abstract
The analysis of daily precipitation data of four climate stations in the
Mexican states of Chiapas and Tabasco is presented in this paper. The period
* Autor de correspondencia: telfono: +52 + 442 + 192 1200 ext. 6401, correo electrnico: alfonso.gutierrez@uaq.mx (A. Gutirrez)
194
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011
from August to November of 2007 was selected because of the big food
that severely affected the city of Villahermosa and its surroundings. The
variograms and correlograms indicate that the produced precipitations are in
fact far from its normal variability.
------ Key words: Kriging, geostatistical, spatial interpolation, Tabascos
food, daily precipitation
Introduccin
El kriging y el kriging universal son dos mtodos
usados comnmente para la interpolacin
espacial de variables geofsicas e hidrolgicas.
Uno de los pasos claves para la aplicacin de
un krigeado es que se debe defnir una funcin
de correlacin espacial llamada variograma.
El objetivo de este artculo es presentar los
principios bsicos del mtodo de interpolacin
espacial kriging y presentar detalladamente la
relacin entre un variograma y un correlograma.
Esta relacin frecuentemente se confunde y
presenta complicaciones matemticas a quienes
desarrollan relaciones regionales y trabajan
con el anlisis espacial de datos. El kriging es
el mtodo de estimacin ptimo en el sentido
estadstico del trmino y se puede utilizar tanto
para la interpolacin como para la extrapolacin.
El kriging lleva el nombre de quin lo concibi,
el ingeniero en minas de origen sudafricano D.
G. Krige. Durante los aos cincuenta del siglo
pasado, [1] desarroll una serie de mtodos
estadsticos empricos con el objeto de determinar
la distribucin espacial de minerales a partir de
un conjunto de perforaciones. Sin embargo, fue
el francs Matheron [2], quien formaliz esta
tcnica, utilizando las correlaciones entre las
perforaciones para determinar la distribucin
espacial de los minerales. Fue l quien nombr
a esta tcnica como kriging. Tambin fue el
primero en utilizar el trmino geoestadstica
para designar la modelacin estadstica de datos
espaciales. Las mismas ideas fueron desarrolladas
paralelamente en la antigua Unin Sovitica por
Gandin [3] quien bautiz este procedimiento con
el nombre de interpolacin ptima cuando lo
aplic a datos meteorolgicos. Gandin introdujo
el trmino de anlisis objetivo para describir el
anlisis basado en correlaciones. Estos nombres
an estn en uso, sobre todo cuando se trata
de aplicacin relacionadas con las ciencias
de la atmsfera. En oceanografa el mtodo
fue desarrollado en 1976 [4] y es conocido
con el nombre de mtodo de interpolacin
de Gauss-Markov que es el nombre que se le
da formalmente a este procedimiento en los
textos de estadstica [5,6]. A continuacin se
presenta un desarrollo bsico de la formulacin
del variograma y su relacin con la funcin
que se conoce como correlograma. Se da por
hecho que el lector tiene ciertos conocimientos
de geoestadstica por lo que se omiten algunas
demostraciones.
Metodologa
El variograma
La interpolacin espacial es un problema clsico
de estimacin de una funcin F(x) en un punto X
p

de un plano a partir de valores conocidos de F en
un cierto nmero m de puntos regionales X
i
. El
problema consiste en determinar la ponderacin
de los valores W
i
de cada punto regional, tal como
se propone en la ecuacin (1).
(1)
Existen muchas maneras de escoger estos
pesos; los dos mtodos ms conocidos son la
interpolacin lineal (en funcin del inverso de la
distancia) y el mtodo de ajuste de polinomios
cbicos (splines). En el kriging se eligen los
pesos a partir del grado de similitud entre los
valores de F, a partir de la covarianza entre los
puntos en funcin de la distancia que lo separa.
Un usuario serio del kriging debe conocer bien
195
El variograma y el correlograma, dos estimadores de la variabilidad de mediciones hidrolgica
las condiciones de utilizacin de este mtodo.
En este trabajo se asume que el lector conoce
los principios bsicos de este mtodo, por lo que
simplemente se establece que la nica condicin
indispensable para utilizar el kriging, es que
la media y la varianza de la funcin F sean
estacionarias, es decir; estos dos estadsticos no
dependen de la posicin de los puntos de medicin
sino solamente de la distancia que los separa. De
sta forma podemos decir que el variograma es
simplemente la varianza menos la covarianza,
en funcin de la distancia entre los puntos [7, 8].
El kriging utiliza el semi-variograma (la mitad
de un variograma) para determinar los pesos
en la ecuacin (1). Un comentario pertinente es
que en la literatura especializada se encuentran
indistintamente los trminos variograma y
semi-variograma, utilizados como sinnimos y
defnidos por la ecuacin (2). El semi-variograma
para un caso bidimensional puede calcularse con
la siguiente ecuacin.
( )

=
=
) h ( n
1 i
2
i i
y x
) h ( n 2
1
) h ( (2)
donde
(h) es el variograma terico y
n(h) es el nmero de puntos x
i
, y
i
separados
una distancia h= x
i
- y
i
.
Se utiliza la notacin de x
i
, y
i
para la
mejor comprensin en el plano euclidiano
bidimensional, sin embargo, en la prctica las
coordenadas (x, y) representan un vector x de
una variable aleatoria, denotada comnmente en
geoestadstica como Z(x). La seleccin y el ajuste
de una funcin a un semi-variograma es la parte
ms delicada de un kriging [7]. El kriging consiste
en calcular los pesos W
i
de la ecuacin (1) con la
ayuda de la funcin (h) correspondiente a los m
puntos de medicin. Existen tres tipos de kriging
univariado: el kriging simple, el kriging ordinario
y el kriging universal. La diferencia entre estos
tipos de estimacin radica en el conocimiento de
la estadstica de la variable a interpolar.
i) kriging simple: variable estacionaria de
media conocida.
ii) kriging ordinario: variable estacionaria de
media desconocida.
iii) kriging universal: variable no estacionaria
(que tienen una tendencia).
Cabe mencionar que la interpolacin por funciones
splines cbicas, equivale a un kriging utilizando
una covarianza generalizada de orden 1, estas
funciones son muy utilizadas para cartografar
variables meteorolgicas porque proporcionan
una imagen lisa del fenmeno interpolado. Sin
embargo, esta interpolacin no es ptima en el
sentido de la varianza del estimador [9,10]. En
este trabajo no referiremos al kriging ordinario
llamado tambin por algunos autores, kriging
puntual. El procedimiento consiste en determinar
la combinacin de pesos W
i
de la ecuacin (1).
Los pesos se obtienen multiplicando los W
i
en cada uno de los m puntos, por cada uno de
las m semi-varianzas asociadas a estos puntos
(las lneas de la matriz A de la ecuacin 3). El
problema puede expresarse como un sistema de
m+1 ecuaciones lineales, con m+1 incgnitas
[11, 6, 12].
A
.
W = B (3)
donde


196
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011

Los (h
i
, j
i
), con i = 1,2,,m y j = 1, 2, ,
m, son los valores del semi-variograma que
corresponden a la distancia h
i
,
j
entre los puntos
x
i
y x
j
. Los (h
i
,
j
) son calculados a partir de los
datos experimentales utilizando la ecuacin (2)
mientras que los (h
i
,
p
) son calculados con la
ayuda de la funcin analtica que ha sido ajustada
a los puntos del semi-variograma experimental.
Para que la solucin del sistema sea insesgada, la
suma de pesos W
i
debe ser igual a 1. Esta condicin
introduce un grado de libertad suplementario
en el problema, el cual se introduce, agregando
una variable libre que es precisamente el
multiplicador de Lagrange, con el objeto de
minimizar el error de la estimacin. Esta es una
de las claves de la aplicacin y uso del krigeado.
El vector W se obtiene premultiplicando los
dos lados del ecuacin (3) por la inversa de la
matriz A. El valor buscado en el punto x
p
se
calcula utilizando los valores conocidos de F y
la ecuacin (1). La varianza de la estimacin S
p
,
ecuacin (4) es el cuadrado del error estndar en
cada punto y se obtiene con la relacin:

B W =
T 2
p
S
(4)
Donde W
T
es el vector transpuesto de W. Si
suponemos que los errores de estimacin se
encuentran normalmente distribuidos en torno a
los valores reales, entonces la probabilidad de que
el valor verdadero est en el intervalo F(x
p
) S
p
, es
del 68%; mientras que la probabilidad que el valor
verdadero sea F(x
p
) 2S
p
, es del 95% [11,12].
Momentos de orden uno y dos
Una variable aleatoria Z(x) en donde x es por
ejemplo el vector bidimensional (x,y), es una
funcin que toma un conjunto de valores o
mediciones realizadas, que siguen una cierta
distribucin de probabilidad. Estas mediciones
o realizaciones pueden ser cualquier variable
geofsica o hidrolgica. De esta forma podemos
defnir los dos primeros momentos de la funcin
aleatoria como:
Momento de primer orden o esperanza
matemtica
i) La media
m[Z(x)] = E[Z(x)]
Momentos de segundo orden
i) La varianza
var[Z(x)] = E{[Z(x) - m[Z(x)]]
2
}
ii) La covarianza
cov(x
1
,x
2
) = E{[Z(x
1
)
- m[Z(x
1
)]]

Z(x
2
) - m[Z(x
2
)]]}
iii) El variograma
2(x
1
,x
2
) = var[Z(x
1
) - Z(x
2
)]
Si la funcin aleatoria es estacionaria, entonces
se puede escribir:
var[Z(x)] = E{[Z(x) - m[Z(x)]]
2
= cov(0) = C(0)
La relacin con el correlograma
En general el correlograma (ecuacin 5), se
utiliza para representar el desfasamiento en
series de tiempo, pero cuando se estima en forma
divariada representa la variabilidad espacial. Con
esta misma notacin, esta variabilidad puede
modelarse con la ayuda de un correlograma,
defnido como [13].
(5)
donde:
h es un incremento en el espacio de dos
dimensiones para los puntos
197
El variograma y el correlograma, dos estimadores de la variabilidad de mediciones hidrolgica
Z(x
1
) es una variable aleatoria donde x
i
es el
vector de mediciones en el punto i
En el caso isotrpico se considera que de no existir
una direccin defnida en el clculo de la varianza,
el incremento h representara una distancia [14].
En este sentido, la estimacin de (h) requiere de
la estimacin de las varianzas puntuales y de las
medias representadas por las ecuaciones (6). Si
se estudia el caso de una realizacin o medicin
nica, los valores de estos estadsticos tenderan
a un valor constante. Es decir, si se observa o se
mide la k-sima realizacin de un proceso, se
deben cumplir las siguientes hiptesis:
(6)
Estas hiptesis asociadas con el postulado
bsico de la geoestadstica el cual indica que
(h) depende solamente de la distancia h y que
se conoce como la hiptesis de segundo orden.
De esa forma se puede escribir la funcin de
covarianza C(h) con la ecuacin (7) como:
) h ( ) h ( C
2
k
= (7)
La estacionariedad dbil o de segundo orden
es una hiptesis poco realista en ciertos casos
ya que implica que los momentos de primero y
de segundo orden del proceso estocstico sean
invariantes en el tiempo, sin embargo es til para
comprender las bases de la geoestadstica. Por
otro lado, el error en la estimacin de la media m
k
,
en la mayora de los eventos hidrolgicos puede
ser de gran magnitud, por lo que es apropiado
utilizar la varianza [13].
Utilizando las ecuaciones (6), considerando
incrementos simples de la funcin aleatoria
obtenemos las ecuaciones (8) y (9); a estos se
les conoce como incrementos de orden cero de la
funcin aleatoria que se suponen estacionarios de
segundo orden [10].

h ; t 0 ) ( Z ) h ( Z E = + x x
(8)

) h ( 2 ) ( Z ) h ( Z var = + x x
(9)
En la hidrologa por lo general se consideran
los procesos estacionarios de segundo orden; y
en general cuando se refere a estacionariedad,
nos referimos al segundo orden. En este
planteamiento la varianza de estos incrementos
no depende del tiempo; nicamente del
incremento sobre la distancia en el espacio (h).
Si el fenmeno es isotrpico, entonces esta
varianza slo depende de h y es una funcin
de la distancia que separa ambos puntos,
independientemente de la direccin entre ellos
o de h. As, se puede decir entonces que el
variograma o semivariograma est defnido para
este caso como (0) = 0. Sin embargo, si existe
una varianza fnita, el variograma (h) defnido
por la ecuacin (10) y el correlograma son dos
formulaciones de una misma funcin estructural.
(10)
donde
) h ( ) 0 ( C ) h ( C =
Por tanto, utilizando la ecuacin (7) se puede
escribir que: (h) = 1 - (h) / C(0). Cuando C(0)
no existe, la covarianza C(h) est defnida como
una constante.
Varianza de una combinacin lineal
Los clculos de la varianza de las variables
aleatorias manejadas en hidrologa, pueden
defnirse normalmente como una combinacin
lineal defnida por la ecuacin (11) [15]. Si la
varianza C(0) o
2
k

de un fenmeno no est
198
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011
defnida o es imposible de determinar, la pregunta
es: se puede a pesar de todo, estimar la varianza
(ecuaciones 12 y 13) de ciertas combinaciones
lineales?. Para responder a esta cuestin,
considrese la combinacin lineal.

i
n
0 i
i
Z

=
= x
(11)
entonces:

) Z , cov(Z ) var(
n
0 i
n
0 j
j i j i
= =
= x
o bien:


=
i j
j i j i
K ) var(x
Que no puede ser calculada en el caso general,
ya que normalmente no se conoce C(0) en (i = j).
Sin embargo, con ayuda de la ecuacin (10) se
puede escribir.
[ ]

=
i j
ij j i
- C(0) ) var(x (12)
Por tanto, si C(0) no se conoce o no existe, la
condicin

= 0
i
es necesaria y sufciente
para poder estimar var(x) con ayuda de un
variograma y entonces se tiene que.

=
i j
j i j i
) var( x (13)
Por otro lado, si se defne el estimador estadstico
de la varianza a partir de las mediciones
experimentales puntuales Z
i
(ecuacin 14) como:

=
=
n
1 i
i i
*
k
Z Z (14)
se puede escribir que:

=

=
n
1 i
*
k i i k
2
Z Z var E
bajo la condicin de de que

= =
=
n
1 i
n
1 i
*
k i i i
Z Z , 1

es una combinacinlineal respetando la condicin
de la ecuacin (12) y

=
=
n
0 i
i
0 ya que el
coefciente
0
de
*
k
Z
es igual a uno [13]. En este
caso,
2
E
k
puede estimarse con la ayuda de un
variograma como:
= =
=
n
0 i
n
0 j
j i j i k
2
E
con
1 y 1
n
1 i
i 0
= =

=
Lo anterior demuestra que el conocimiento del
variograma permite siempre evaluar la varianza
del estimador. Por otro lado, si C(0) no es
conocido, el clculo de la varianza del estimador
Z
k
no es posible (puede ser infnita). Solamente
los modelos de variograma tipo denotados por
la ecuacin (15) permiten calcular C(0) para
determinar esta varianza. Finalmente, si las
parejas de coordenadas son reagrupadas en clases
de igual distancia, se puede defnir entonces el
variograma como:
( ) ( )

=
=
) h ( n
1 i
2
i i
x Z h x Z
) h ( n 2
1
) h ( (15)
donde n(h) es el nmero de parejas dentro de una
clase o grupo con una distancia media equivalente
al valor de h. Esta expresin es equivalente a
la ecuacin (2). Es importante remarcar que
la posicin de los puntos del variograma est
infuenciada por una fuerte variabilidad en la
medicin, as como de la distancia entre las
mediciones. Para ejemplifcar la representacin
grfca de las funciones de correlacin espacial,
se presenta a continuacin un ejemplo muy
sencillo, en donde las fguras 1 a 5 muestran
las funciones ajustadas a los datos de las lluvias
diarias registradas de las centrales hidroelctricas
de Malpaso y Peitas, durante el mes de
octubre de 2007. Se muestra el correlograma,
la funcin de covarianza y el variograma, para
los datos omnidireccionales (caso isotrpico) y
unidimensionales (el eje de las abscisas son los
das del mes).
199
El variograma y el correlograma, dos estimadores de la variabilidad de mediciones hidrolgica
Figura 1 Correlograma para la lluvia de octubre
2007, en la C.H. Malpaso
0 1 2 3 4 5 6 7 8 9
0
70
140
210
280
350
420
490
560
630
|h|
(|h|)
60
58
56
54
52
50
48
Figura 2 Covarianza para la lluvia de octubre 2007,
en la C.H. Malpaso
0 1 2 3 4 5 6 7 8 9
0
80
160
240
320
400
480
560
640
720
|h|
C(0)-C(|h|)
60 58
56
54
52
50
48
Figura 3 Variograma para la lluvia de octubre 2007,
en la C.H. Malpaso
Resultados y discusin
En las fguras 1-3 la lnea discontinua corresponde
al valor de la varianza poblacional de la muestra
y el nmero arriba de cada marca, denota el
nmero de pares con el que se calcula cada punto
del variograma experimental. Para las series de
datos de lluvia de las centrales hidroelctricas
Malpaso y Peitas los valores de la varianza
poblacional son 574 y 2870, respectivamente.
Lo anterior nos lleva a obtener desviaciones
estndar en Malpaso del orden de 24 y de 54
mm en Peitas. Analizando el caso isotrpico y
unidimensional, el eje de las abscisas representa
la variacin en el tiempo (mes de octubre 2007)
de la precipitacin (
t h
). El correlograma
obtenido de los registros de precipitacin en la
C.H. Malpaso (fgura 1), muestra que para un
tiempo de 1 a 3,5 das y superiores a 8 das; la
variacin en la precipitacin no es signifcativa.
Lo que nos lleva a concluir que para un intervalo
de tiempo de 4,5 das; es en donde los valores de
precipitacin son superiores a la varianza normal
del registro histrico (tabla 1). Esto quiere decir
que este intervalo presenta cambios en la varianza
(alteraciones) y por consecuencia en los valores
medios. Cabe mencionar que se trata de un
anlisis de precipitaciones extremas para un mes
en particular y que para detectar una variacin
histrica representativa, por ejemplo, de toda la
temporada lluviosa entre agosto y noviembre; es
necesario analizar la serie histrica completa de
las mediciones de lluvia (tabla 2). Para esta misma
C.H., la funcin de covarianza (fgura 2), revela
la misma variacin descrita en el correlograma;
sin embargo, la funcin variograma (fgura 3)
ofrece un mayor detalle de la variacin en torno
al valor de la varianza (4,0 das es el intervalo
que presenta alteraciones o cambios en la
varianza). Esta variacin entre una estructura y
otra se presenta de una manera ms evidente en
la C.H. Peitas (fguras 4 y 5). Un anlisis del
correlograma mostrado en la fgura 4, nos indica
que para un tiempo de 1 a 3,3 das y superior a
6,8 das; la variacin en la precipitacin no es
signifcativa en la C.H. Peitas. Por lo tanto, para
un intervalo de tiempo de 3,5 das; los valores
de la precipitacin sern superiores a la varianza
normal del evento (1,0 da menos que en la C.H.
Malpaso).
El variograma (fgura 5), muestra sin embargo
valores diferentes para esta misma C.H. Peitas:
para un tiempo de 1 a 2,8 das y superior a 5,0 das;
la variacin en la precipitacin no es signifcativa.
El intervalo de tiempo de mayor variacin para
200
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011
eventos lluviosos corresponde a una duracin de
2,2 das (tiempo de la tormenta que pudo haber
causado los daos no previstos en esta zona). La
diferencia en das, de los dos intervalos de lluvia
crticos para la C.H. Peitas es de (3,5-2,2) 1,3
das y considerando que se trata de una cuenca
de respuesta rpida es importante considerar,
entonces, si se estima la duracin crtica de una
tormenta utilizando la funcin correlograma o
la funcin variograma. Si bien el variograma y
el correlograma son dos formulaciones de una
misma funcin estructural (varianza defnida),
el variograma presenta ventajas ya que al
defnirse con la varianza, sta se vuelve una
combinacin lineal de los datos representados
en l, tal como lo presenta la ecuacin (11). Por
lo tanto, la funcin estima un error en funcin
de la variancia de una diferencia de cuadrados
(ecuacin 15), ventaja sobre el correlograma que
slo estima una correlacin, pero no la variacin.
De lo anterior se deduce que el variograma defne
de una manera clara y confable la variabilidad de
la precipitacin que se present durante el mes
de octubre del 2007. Cabe recordar que para este
caso isotrpico y unidimensional, la variabilidad
nicamente depende del tiempo. Es decir, si el
fenmeno se considera isotrpico, entonces esta
varianza slo depende de h y entonces la ecuacin
(8) se cumple slo cuando la precipitacin afecta
el entorno geogrfco de alguna de las dos
centrales hidroelctricas en un tiempo
t h
.
El complemento de este anlisis se lleva a cabo
involucrando la variable espacial, Sin embargo,
llevar a cabo un riguroso estudio espacio-temporal
de las precipitaciones en esta zona para un inter-
valo de tiempo y espacio seleccionado, requiere
considerar anisotropia en los registros de precipi-
tacin y tomar en cuenta ms estaciones de medi-
cin. Cabe recordar que el objetivo del presente
artculo es presentar solamente la relacin entre un
variograma y un correlograma para utilizar ambas
formulaciones matemticas para representar la va-
riabilidad de mediciones hidrolgicas. El ajuste
de variogramas experimentales a modelos teri-
cos direccionales con anisotropa, ser objeto de
trabajos posteriores. Este anlisis de la lluvia del
mes de octubre de 2007 se complementa con los
correlogramas y variogramas de las estaciones Sa-
yula y Ocotepec las cuales se localizan cercanas a
las Centrales Hidroelctricas de Malapso y Peitas
y pudieran ser empleadas para un futuro estudio
espacio-temporal en la zona.
Tabla 1 Duracin crtica de tormentas para el mes de octubre de 2007 (en das)
Estacin Condicin (0) - (h) C(0) - C(h) (h)
C.H. Malpaso
N d 1 a 3,5 y > 8,0 1 a 3,5 y > 8,0 1 a 3,2 y > 7,2
P d 4,5 4,5 4,0
C.H. Peitas
N d 1 a 3,3 y > 6,8 1 a 3,1 y > 6,6 1 a 2,8 y > 5,0
P d 3,5 3,5 2,2
Ocotepec
N d 1 a 3,8 y > 6,8 1 a 3,8 y > 6,8 1 a 4,0 y > 7,0
P d 3,0 3,0 3,0
Sayula
N d 1 a 2,7 > 6,1 1 a 2,8 > 6,2 1 a 2,6 > 5,7
P d 3,4 3,4 3,1
(N d) No causa daos
(P d) Posible causa de daos
201
El variograma y el correlograma, dos estimadores de la variabilidad de mediciones hidrolgica
Tabla 2 Duracin crtica de tormentas del mes de septiembre a noviembre de 2007 (en das)
Estacin Condicin (0) - (h) C(0) - C(h) (h)
C.H. Malpaso
N d 1 a 3,7 y > 7,5 1 a 3,8 y > 7,6 1 a 3,5 y > 8,0
P d 3,8 3,8 4,5
C.H. Peitas
N d 1 a 4,0 y > 6,6 1 a 4,0 y > 6,7 1 a 3,0 y > 7,0
P d 2,6 2,7 4,0
(N d) No causa daos
(P d) Posible causa de daos
Figura 4 Correlograma para la lluvia de octubre
2007, en la C.H. Peitas
0 1 2 3 4 5 6 7 8 9
0
300
600
900
1200
1500
1800
2100
2400
2700
3000
|h|
(|h|)
60
58
56
54
52
50
48
Figura 5 Variograma para la lluvia de octubre 2007,
en la C.H. Peitas
Conclusiones
Se ha presentado una introduccin bsica
del kriging y del clculo de variogramas. El
variograma ha sido calculado suponiendo una
condicin isotrpica, es decir que la variacin es
la misma en todas las direcciones del plano, lo
cual generalmente no ocurre. Si se considera una
variacin de las mediciones como funcin de la
direccin, entonces debe defnirse un variograma
para cada punto de los ejes del plano es decir, una
condicin anisotrpica. Es conveniente recordar
que para calcular los pesos W es conveniente
utilizar todos los puntos de medicin, sin
embargo la mayora de los programas de cmputo
disponibles utilizan slo un conjunto de ellos.
El kriging es el mtodo ptimo en el sentido
estadstico de interpolacin y extrapolacin. Es el
mtodo estimacin ms preciso. Contrariamente
a todos los otros mtodos este nos permite
calcular el error de estimacin de las variables.
Sin embargo es conveniente agregar que muchos
casos y especialmente cuando se trata de una
malla regula el mtodo de Splines cbicos
produce de una manera ms rpida y simple,
resultados muy cercanos o casi equivalentes a
los obtenidos por el kriging. Si la precisin de
resultados es lo importante el kriging es entonces
el mtodo privilegiado que debe utilizarse [6].
Respecto a la relacin entre un correlograma y
un variograma, se ha demostrado que ambas
son dos formulaciones de una misma funcin
estructural de variabilidad; sin embargo, el
variograma al estar defnido nicamente por
la varianza, no tienen ninguna dependencia
del tiempo, nicamente del incremento sobre
la distancia en el espacio (h) de los puntos
de medicin. Es decir, el conocimiento del
variograma permite siempre evaluar la varianza
del estimador. Esta condicin es privilegiada
cuando se analizan datos espacialmente variados.
El correlograma, al mostrar la correlacin entre
las mediciones, permite en la mayora de los
casos, analizar la independencia entre eventos, tal
y como se utiliza esta formulacin en problemas
de hidrologa estocstica; el variograma es
202
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011
entonces la herramienta matemtica utilizada
tradicionalmente para representar la variabilidad
geoestadstica de una medicin.
Respecto a los resultados de la duracin crtica
de las tormentas, se concluye que la funcin de
covarianza y el correlograma arrojan resultados
similares. El variograma que matemtica
y visualmente aporta un mayor nmero de
elementos para caracterizar la variabilidad
en el tiempo (para este caso t h ), es la
herramienta adecuada para identifcar la duracin
crtica de las tormentas. Para el caso de la C.H.
Malpaso-(h), la lluvia que pudiera causar dao
en el mes de octubre, tiene una duracin de
4 das, mientras que si se analiza un periodo
ms largo de tiempo, la duracin crtica de la
tormenta aumenta a 4,5 das. Para el caso de la
C.H. Peitas, la duracin de la tormenta crtica
en octubre es de 2,2 das; y de 4,0 das si se toma
el perodo lluvioso de septiembre a noviembre.
Finalmente cabe mencionar que para la lluvia
de octubre, en tres de las cuatro estaciones,
la funcin de covarianza y el correlograma
presentan sistemticamente valores menores a
los que se obtienen con la funcin variograma.
Esto quiere decir que al tomar como estimador de
la variabilidad de la lluvia en esta zona, tanto la
funcin de covarianza y el correlograma, pudieran
estar sobre-estimando la duracin crtica de una
tormenta que puede ocasionar daos en octubre.
Referencias
1. D. G. Krige. A statistical approchoach to some Basic
mine valuation problems on the Witwatersrand.
Journal of chem., metal. and mining. Vol. 52. 1951.
pp.119-139.
2. G. Matheron. Principles of Geostatistics. Economic
Geol. Vol. 58. 1963. pp.1246-1268.
3. L. S. Gandin. Objective Analysis of Meteorological
felds. Israel Program for Scientifc Translations. N.
1373. 1965. pp. 155-265.
4. F. B. Bretherton, R. E. Davis, C. B. Fandry. A
technique for objective analysis and design of
oceanographic experiments applied to MODE-73.
Deep-Sea Res. Vol. 23. 1976. pp. 559-582.
5. P. B. Liebelt. An introduction to Optimal Estimation,
Ed. Addison-Wesley. Boston (MA). 1967. pp. 62-102.
6. Y. Gratton. Le Krigeage: la mthode optimale
dinterpolation spatial. Ed. Institut dAnalyse
Gographique. Quebec (Canad). 2002. pp. 1-4.
7. A. G. Journel, C.J. Huijbregts. Mining Geostatistics,
Ed. Academic Press. London (UK). 1978. pp. 202-515.
8. E. H. Isaaks, R. Srivastava. Applied Geostatistics. Ed.
Oxford University Press. New York. 1989. pp. 278-
290.
9. O. Dubrule. Comparing Splines and Kriging.
Computers and Geosciences. Vol. 10. 1984. pp. 327-
33.
10. T. Lebel, Moyenne spatiale de la pluie sur un bassin
versant: estimation optimal, gnration stochastiques
et gradex des valeurs extremes. Thesis. D. I. USMG,
INP. Grenoble (Francia). 1984. pp. 35-198.
11. J. C. Davis. Statistics and Data analysis in Geology.
Ed. John Wiley and Sons. New York. 1986. pp. 125-
134.
12. R. Haining. Spatial data analysis, theory and practice.
Ed. Cambridge University Press. Cambridge (UK).
2003. pp. 181-225.
13. P. Goovaerts. Geostatistical approaches for
incorporating elevation into the spatial interpolation
of rainfall. Journal of Hydrology. Vol. 228. 2000. pp.
113-129.
14. J. Creutin, C. Obled. Objective analyses and mapping
techniques for rainfall felds: an objective comparison.
Water Resources Research. Vol 18. 1982. pp. 413-431.
15. E. Todini. Infuence of parameter estimation
uncertainty in Kriging: Part 1 Theoretical
Development. Hydrology and Earth System Sciences.
Vol. 5. 2001. pp. 215-223.