se le denomina variograma. Utilizando la definicin terica de la varianza en trminos del valor esperado de una variable aleatoria, tenemos:
La mitad del variograma (h), se conoce como la funcin de semivarianza y caracteriza las propiedades de dependencia espacial del proceso. Dada una realizacin del fenmeno, la funcin de semivarianza es estimada, por el mtodo de momentos, a travs del semivariograma experimental, que se calcula mediante:
Donde Z(x) es el valor de la variable en un sitio x, Z(x + h) es otro valor muestral separado del anterior por una distancia h y n es el nmero de parejas que se encuentran separadas por dicha distancia. La funcin de semivarianza se calcula para varias distancias h. En la prctica, debido a irregularidad en el muestreo y por ende en las distancias entre los sitios, se toman intervalos de distancia {[0, h], (h, 2h], (2h, 3h],L}y el semivariograma experimental corresponde a una distancia promedio entre parejas de sitios dentro de cada intervalo y no a una distancia h especfica. Obviamente el nmero de parejas de puntos n dentro de los intervalos no es constante. Parmetros de los variogramas: Son tres los elementos que caracterizan la variabilidad de un atributo: La discontinuidad en el origen (existencia del efecto de pepita: C 0 ): Se denota por C 0 y representa una discontinuidad puntual del variograma en el origen. Puede ser debido a errores de medicin en la variable o a la escala de la misma. En algunas ocasiones puede ser indicativo de que parte de la estructura espacial se concentra a distancias inferiores a las observadas. El valor mximo de la variabilidad (meseta: C 1 ): Es la cota superior del variograma. Tambin puede definirse como el lmite del variograma cuando la distancia h tiende a infinito. La meseta puede ser o no finita. Los variogramas que tienen meseta finita cumplen con la hiptesis de estacionariedad fuerte; mientras que cuando ocurre lo contrario, el variograma define un fenmeno natural que cumple slo con la hiptesis intrnseca. La meseta se denota por C 1 o por (C 0 + C 1 ) cuando la pepita es diferente de cero. Si se interpreta la pepita como un error en las mediciones, esto explica porque se sugiere que en un modelo que explique bien la realidad, la pepita no debe representar mas del 50% de la meseta. Si el ruido espacial en las 25 mediciones explica en mayor proporcin la variabilidad que la correlacin del fenmeno, las predicciones que se obtengan pueden ser muy imprecisas. El rea de influencia de la correlacin (alcance: a): En trminos prcticos corresponde a la distancia a partir de la cual dos observaciones son independientes. El rango se interpreta como la zona de influencia. Existen algunos modelos de variograma en los que no existe una distancia finita para la cual dos observaciones sean independientes; por ello se llama rango efectivo a la distancia para la cual el variograma alcanza el 95% de la meseta. Entre ms pequeo sea el rango, ms cerca se est del modelo de independencia espacial. El rango no siempre aparece de manera explcita en la frmula del variograma. En el caso del modelo esfrico, el rango coincide con el parmetro a, que se utilizar en las ecuaciones ms adelante. Sin embargo, en el modelo exponencial, el rango efectivo es a/3 y en el modelo gaussiano es a/((3)^1/2).
Modelos Tericos de Variogramas: Modelo Esfrico: Tiene un crecimiento rpido cerca al origen, pero los incrementos marginales van decreciendo para distancias grandes, hasta que para distancias superiores al rango los incrementos son nulos. Su expresin matemtica es la siguiente:
En donde C 1 representa la meseta, a el rango y h la distancia. Modelo Exponencial: Este modelo se aplica cuando la dependencia espacial tiene un crecimiento exponencial respecto a la distancia entre las observaciones. El valor del rango es igual a la distancia para la cual el semivariograma toma un valor igual al 95% de la meseta. Este modelo es ampliamente usado. Su expresin matemtica es la siguiente:
Modelo Gaussiano: Al igual que en el modelo exponencial, la dependencia espacial se desvanece solo en una distancia que tiende a infinito. El principal distintivo de este modelo es su forma parablica cerca al origen. Su expresin matemtica es:
Comparacin de los modelos exponencial, esfrico y Gaussiano. La lnea punteada vertical representa el rango en el caso del modelo esfrico y el rango efectivo en el de los modelos exponencial y gaussiano. Este tiene un valor de 210, respecto a una escala simulada entre 0 y 300. El valor de la meseta es 30 y el de la pepita 0. El 95% de la meseta es igual a 28.5. Modelos Monmicos: Corresponden a los modelos que no alcanzan la meseta (Fig. 11). Su uso puede ser delicado debido a que en algunos casos indican la presencia de no estacionariedad en alguna direccin. Su frmula matemtica es la siguiente:
Obviamente cuando el parmetro q es igual a uno el modelo es lineal y k representa la pendiente de la ecuacin de regresin con intercepto cero. Grficamente se pueden representar as:
Modelo de Independencia (Pepita Puro): Es indicativo de carencia de correlacin espacial entre las observaciones de una variable. Es comn sumar este modelo a otro modelo terico de semivarianza, para obtener lo que se conoce como semivariograma anidado. Lo anterior se sustenta en una propiedad de los semivariogramas que dice que cualquier combinacin lineal de semivariogramas con coeficientes positivos es un semivariograma. Su expresin matemtica es:
Su representacin grfica es la siguiente:
Anlisis de anisotropa: Cuando el semivariograma calculado en diferentes direcciones (norte-sur, este-oeste, y en direcciones intermedias de 45 o de 22.5, con tolerancia de 22.5o), muestra similar comportamiento, se dice que el fenmeno es Isotrpico, cuando muestran diferentes comportamientos es Anisotrpico. Los tipos de anisotropas ms comunes son la Geomtrica y la Zonal. Anisotropa Geomtrica: Est presente cuando los semivariogramas en diferentes direcciones tiene la misma meseta pero distintos alcance Anisotropa Zonal: Est presente cuando los semivariogramas en diferentes direcciones tiene diferentes mesetas y alcances. Los problemas ms comunes al modelar semivariogramas que complican este proceso se analizan en los siguientes casos: Existencia de estructuras anidadas: Indica que diferentes procesos operan a diferentes escalas, como por ejemplo alguno o todos los siguientes: A muy pequeas distancias la variabilidad puede estar presente debido a cambios de una composicin mineral a otra. A pequeas distancias la variabilidad puede estar presente debido a errores. A grandes distancia la variabilidad puede estar presente debido a casos transitorios de desgaste mineral. El cual puede ser resuelto aplicando varios modelos simultneamente. Existencia de efecto hueco: Indica que muy pocos pares estn disponible para la comparacin a una distancia especfica. Y puede ser resuelto recuperando ms casos para la distancia definida. La periodicidad est presente: Indica que el comportamiento del semivariograma repite por s mismo periodicidades, por ejemplo: El valor de la meseta puede aumentar o disminuir sistemticamente, o un caso en que los valores son tomados alternativamente a travs de diferentes estratos, como piedras areniscas, esquistos, etc. Esto puede ser resuelto si es un problema real y no un antifaz del anlisis, la periodicidad puede ser tambin un fenmeno real mostrado por zonal ricas y pobres repetidas a espacios similares.
Variograma cruzado Es la esperanza de la discrepancia de la 1 variable por la discrepancia de la 2da variable. TEOREMA DEL LIMITE CENTRAL: Establece que la media muestral x es aproximadamente distribuido NORMAL con media u y varianza s^2/n y la aproximacion mejora con el incremento del tamao de la muestra (n>40): lim n->infinit P[{x-u/(s/raiz cuad.(n))}<=X]=F(x). EL EFECTO PEPITA (NUGGET): El semivariograma por definicin es nulo en el origen, pero en la prctica las funciones obtenidas pueden presentar discontinuidad en el origen, a esta discontinuidad se le llama efecto de pepita, en ingles (Nugget effect). Puede ser obtenido trazando una lnea recta entre los primeros puntos del semivariograma emprico y extender sta hasta que se intercepte con el eje Y. Si esta interseccin ocurre por debajo de cero, el valor asumido por este efecto es cero, pues valores negativos de o (0) no tienen significado y no es comn. El efecto pepita se representa como Co. DERIVA: En Geoestadstica lineal es suficiente la estimacin de los dos primeros momentos de la distribucin. El primer momento E[Z(x)] es conocido cmo deriva o tambin tendencia. ANISOTROPIA: Esta caracteristica esencial de la variable regionalizada se refiere a que puede existir una direccion privilegiada a lo largo de la cual los valores no varian en forma significativa mientras que ellos varian en forma significativa a lo largo de otra direccion.Estos fenomenos son tambien conocidos bajo el nombre de zonalidades. HIPTESIS ESTACIONARIA DE ORDEN 2. Diremos que una F.A. Y(x) es estacionaria de orden 2 si la V.A. Y(x0) admite una esperanza m independiente del punto de apoyo x0, y, si para todo vector h la covarianza: K(h) = E[Y(x)Y(x + h)]- m0^2 existe y no depende de x0. Esta hiptesis (la cual no implica la estacionaridad en sentido estricto, tal como la definimos antes) es suficiente para la teora de las V.R. Sin embargo esta hiptesis supone la existencia de una varianza a priori finita K(0). De manera general, diremos que un fenmeno es regionalizado cuando se desplaza en el espacio, manifestando una cierta estructura. Las ciencias de la tierra, entre otras, nos proporcionan numerosos ejemplos. Si f(x) designa el valor en el punto x de una caracterstica f de este fenmeno, diremos que f(x) es una variable regionalizada es una variable aleatoria que tiene una posicin en el tiempo y el espacio. Covariograma y Correlograma La funcin de covarianza muestral entre parejas de observaciones que se encuentran a una distancia h se calcula, empleando la formula clsica de la covarianza muestral, por:
Donde m representa el valor promedio en todo punto de la regin de estudio y n es el nmero de parejas de puntos que se encuentran a una distancia h. Asumiendo que el fenmeno es estacionario y estimando la varianza de la variable regionalizada a travs de la varianza muestral, se tiene que el correlograma muestral est dado por:
Bajo el supuesto de estacionariedad cualquiera de las tres funciones de dependencia espacial mencionadas, es decir semivariograma, covariograma o correlograma, puede ser usada en la determinacin de la relacin espacial entre los datos. Sin embargo como se puede observar en las frmulas, la nica que no requiere hacer estimacin de parmetros es la funcin de semivarianza. Por esta razn, fundamentalmente, en la prctica se emplea el semivariograma y no las otras dos funciones. El covariograma tiene las siguientes propiedades: C(h) = C(h) C(0) = Var*Z(s)+ 0 s D Rd C(h) C(0) (Desigualdad de Cauchy-Schwarz) C(h) debe ser definida positiva. En series de tiempo, estimaciones del correlograma tradicionalmente son usadas por los analistas para diagnosticar la no estacionariedad, la determinacin del tipo de dependencia estacionaria, el ajuste del modelo, etc. En geoestadstica no constituye un instrumento ms importante que el covariograma o el variograma segn corresponda. Anteriormente se vio que el variograma est definido en algunos casos donde el covariograma no lo est, en aquellos casos cuando, en base a los datos se estime sta ltima funcin, se estimara un parmetro inexistente. Cressie (1991) aporta justificativos tericos de la preferencia de la estimacin del variograma a la del covariograma. Teniendo en cuenta que las funciones aleatorias intrnsecas son ms generales que las estacionarias, sumado a los resultados citados en el prrafo anterior hablan a favor del uso en Geoestadstica del variograma (semivariograma) en lugar del covariograma, aunque la razn principal es la costumbre entre los que habitualmente recurren a las herramientas geoestadsticas para enfocar sus problemas. Por lo tanto en esta tesis se trabajar con el variograma (semivariograma). Alcance: conocido tmb como radio de fluencia mide el grado de afinidad de la VR