1

GEOESTADISTICA
1. Introduccin
En el campo de las geociencias es comn encontrar variables distribuidas espacialmente. Para el
estudio de estas variables son usados diversos procedimientos geoestadsticos de estimacin o
simulacin. Esto es, a partir de un conjunto de muestras tomadas en localizaciones del dominio en
que se manifiesta un fenmeno a estudiar y consideradas representativas de su realidad, que por
lo general es siempre desconocida, estos procedimientos permiten la descripcin o caracterizacin
de las variables con dos fines diferentes, primero, proporcionar valores estimados en localizaciones
de inters y segundo, generar valores que en conjunto presenten iguales caractersticas de
dispersin que los datos originales. La geologa y la minera es el campo tpico para la aplicacin
de estos modelos, campo en el que surge y se desarrolla la Geoestadstica como ciencia aplicada.
Se hace referencia en esta monografa a los conceptos fundamentales de la Geoestadstica. Para
profundizar en el tema puede ser consultada la bibliografa citada.
2. Concepto Geoestadstica
La Geoestadstica se define como la aplicacin de la Teora de Funciones Aleatorias al
reconocimiento y estimacin de fenmenos naturales, o simplemente, el estudio de las variables
numricas distribuidas en el espacio, siendo una herramienta til en el estudio de estas variables.
Su punto de partida es asumir una intuicin topo-probabilista. Los fenmenos distribuidos en el
espacio, la mineralizacin en un yacimiento mineral por ejemplo, presenta un carcter mixto, un
comportamiento catico o aleatorio a escala local, pero a la vez estructural a gran escala (figura 1).

Se puede entonces sugerir la idea de interpretar este fenmeno en trminos de Funcin Aleatoria
(FA), es decir, a cada punto x del espacio se le asocia una Variable Aleatoria (VA) Z(x), para dos
puntos diferentes x e y, se tendrn dos VAs Z(x) y Z(y) diferentes pero no independientes, y es
precisamente su grado de correlacin el encargado de reflejar la continuidad de la mineralizacin, o
de cualquier otro fenmeno en estudio, de modo que el xito de esta tcnica es la determinacin
de la funcin de correlacin espacial de los datos (Zhang, 1992). Su estimador, El Krigeaje, tiene
como objetivo encontrar la mejor estimacin posible a partir de la informacin disponible, y en
efecto, el valor estimado obtenido Z*(x) de un valor real y desconocido Z(x), consiste en una
combinacin lineal de pesos asociados a cada localizacin donde fue muestreado un valor Z(xi) (i =
1,n) del fenmeno estudiado, observando dos condiciones fundamentales:

1.- que el estimador sea insesgado. E[Z* - Z] = 0

2.- que la varianza Var[Z* - Z] sea mnima, consiguindose de este modo minimizar la varianza de
error de estimacin.
A diferencia de otros mtodos de interpolacin, como por ejemplo el inverso de la distancia, el
krigeaje utiliza en la estimacin las caractersticas de variabilidad y correlacin espacial del
fenmeno estudiado, por lo que su uso implica un anlisis previo de la informacin con el objetivo
de definir o extraer de esta informacin inicial un modelo que represente su continuidad espacial.
Una vez logrado, estamos en condiciones de obtener el mejor valor posible en cada localizacin o
bloque a estimar a partir de los datos medidos, acompaada de la varianza de krigeaje como
medida del error de la estimacin realizada Variables aleatorias regionalizadas.
Continuando con el caso minero, la informacin inicial para realizar el clculo de reservas es el
resultado del anlisis de los testigos de perforacin, o muestras de afloramiento, obtenido en los
laboreos de exploracin, que como una variable aleatoria puede tomar cualquier valor dentro de un
rango determinado. Esta es la caracterstica fundamental que distingue a este tipo de variable,
adems de su valor, una posicin en el espacio, hecho ste al que Matheron denomin Variable
Aleatoria Regionalizada, la cual est presente en la mayor parte de los estudios geolgicos y
fenmenos naturales. En trminos tericos es oportuno aclarar que una variable aleatoria (VA) es
una variable que puede tomar ciertos valores de acuerdo a cierta distribucin de probabilidades. Un
valor medido en cada punto xi es considerado como una realizacin z(x i) de una VA Z(xi) cuya
media es m(xi). En los puntos x donde no existen valores medidos es desconocida la propiedad
que se estudia, pero estn bien definidos y pueden asimismo considerarse variables aleatorias
Z(x). Al conjunto de todas las mediciones z(x) en el rea de estudio de la variable regionalizada
puede considerarse como una realizacin particular del conjunto de VAs (Z(x), x rea de
estudio). A este conjunto de VAs se llama Funcin Aleatoria y se escribe Z(x). De modo que al
extender el concepto de funcin aleatoria al espacio de una o ms dimensiones, aparece la nocin
aleatoria y estructural de una variable regionalizada: primero Z(x) como VA y segundo que las VAs
Z(x) y Z(x+h) no son en general independientes, si no que estn relacionadas por la estructura
espacial de la variable regionalizada original Z(x).
2.1.

Conceptos de variable aleatoria regionalizada

Regin: se refiere al espacio en el cual existe y se estudia el fenmeno natural.

Localizacin: Es el punto de una regin en la cual se define una variable aleatoria regionalizada.
Soporte Geomtrico: Est determinado por el elemento fsico sobre el cual se realiza la
determinacin de la variable aleatoria regionalizada, esto no es ms que la muestra unitaria, sobre
la cual estudiaremos el atributo de inters.
Momentos de primer orden:
Si la funcin de distribucin de Z(xi) tiene una media definida, ser una funcin de la localizacin x i.
m(xi) = EZ(xi)

3
Momento de segundo orden:
Si la varianza (Var) de Z(xi) existe, entonces se define como el momento de segundo orden y ser
tambin una funcin de la localizacin xi.
Var Z(xi) = E[Z(xi) - m(xi)] 2
Si la varianza de las variables Z(x i) y Z(xj) existe entonces la covarianza (Cov) de las stas
tambin existe y es funcin de las localizaciones xi y xj.
Cov[Z(xi), Z(xj)] = E[Z(xi) - m(xi)][Z(xj) - m(xj)]
si xi = xj ;

Cov[Z(xi), Z(xj)] = Var Z(xi)

La funcin variograma o funcin estructural se define como la varianza de la diferencia Z(x i) - Z(xj).
VarZ(xi) - Z(xj) = 2(xi, xj
la magnitud (xi, xj = VarZ(xi) - Z(xj) se denomina semivariograma.
Tambin se puede definir el correlograma estandarizando, la covarianza para los valores x i - xj = h =
0 como:
(h) = C(h)/C(0)
-1 1
donde: C(h) es la covarianza a la distancia h,
C(0) es la covarianza en el origen.
Existen relaciones entre estas medidas de correlacin:
(h = C(0) - C(h)
con (0) = 0
(h) = 1 - (h)/C(0)
3. Hiptesis de la Geoestadstica
Como la forma en que se presenta la informacin es muy diversa, la geoestadstica se construye
asumiendo condiciones de estacionaridad. Por lo que es necesario aceptar el cumplimiento de
ciertas hiptesis sobre el carcter de la funcin aleatoria o procesos estocsticos estudiados,
llamadas Hiptesis de la Geoestadstica.
I-

Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la funcin

de distribucin de probabilidades de las variables aleatorias regionalizadas Z(x i) son
iguales entre s, independiente de la localizacin x i, lo que requiere que los momentos
de distinto orden para cada variable aleatoria regionalizada sean completamente
independientes de la localizacin x i. Esta condicin como su nombre lo indica es
demasiado restrictiva al estudiar la mayora de los fenmenos encontrados en la
prctica.

II-

Estacionaridad de Segundo Orden. Esta condicin es ms frecuente en la prctica,

la misma exige que:
1) EZ(xi) = m, existe y no depende de la localizacin xi.
2) La funcin covarianza, CovZ(xi) - Z(xj), exista y slo dependa de la longitud del vector
h = xi - xj o sea.

C(h) = CovZ(xi), Z(xj) = EZ(xi), Z(xi+h) - m2

Esta hiptesis requiere la estacionaridad slo para la media y para la funcin de covarianza de la
variable aleatoria regionalizada. La segunda condicin implica, estacionaridad de la varianza y del
variograma.
1o
2o

Var[Z(xi)] = E[Z(xi) - m]2 = C(0)

(h) = E[Z(xi)]2 - EZ(xi), Z(xi+h)
como

x
x

E[Z(xi), Z(xi+h)] = C(h) + m2 y E[Z2(xi)] = C(0) + m2

(h) = C(0) + m2 - (C(h) + m2)
(h) = C(0) - C(h).

Como se observa en la ltima expresin (h) y C(h), son dos herramientas que permiten expresar
la correlacin entre la variable aleatoria regionalizada Z(x i) y Z(xi+h), separadas por el vector h.
III- Hiptesis Intrnseca. Una funcin aleatoria Z(x) se dice intrnseca cuando:
a) Su esperanza matemtica existe y no depende de la localizacin x i.
EZ(x) = m

b) Para todo vector h el incremento [Z(x+h) - Z(x)] tiene varianza finita y no depende de la
localizacin xi:
VarZ(x+h) - Z(x) = E[Z(x+h) - Z(x)]2 = 2(h)

Cuando se cumple esta condicin se dice que la funcin aleatoria Z(x) es homognea. Esta
condicin se encuentra con bastante frecuencia en la naturaleza, pues existen muchos procesos
que no tiene varianza finita y sin embargo, poseen una funcin variograma finita. La estacionalidad
de segundo orden, siempre implica la condicin intrnseca (homogeneidad), sin embargo la relacin
inversa no siempre se cumple.
IV- Procesos Cuasiestacionarios. En la prctica la funcin estructural, covarianza o
semivariograma, es slo usada por lmites h b. El lmite b representa la extensin de la regin en
la que el fenmeno estudiado conserva cierta homogeneidad del comportamiento de Z(x i). En otros
casos, b pudiera ser la magnitud de una zona homognea y dos variables Z(x) y Z(x+h) no pueden
ser consideradas en la misma homogenizacin de la mineralizacin si |h| > b. En tales casos,
podemos, y verdaderamente debemos, estar satisfecho con una funcin estructural C(x,x+h) o
(x,x+h), lo que no es ms que estacionaridad local (para distancias h menores que el lmite b).
Esta limitacin de la hiptesis de estacionaridad de segundo orden (o la hiptesis intrnseca si slo
el variograma es asumido) a slo esas distancias |h|b corresponde a la hiptesis de
cuasiestacionaridad. Est hiptesis es verdaderamente un compromiso de la escala de
homogeneidad del fenmeno y la cantidad de datos disponibles.

5
3.1.

Conceptos necesarios de estadstica bsica

A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la distribucin de los

datos es normal, log normal, o si no se ajustan a una distribucin estadstica, lo cual implica tener
conocimiento de:
1.- Numero de casos: Es el nmero de valores muestreados del fenmeno en estudio,
representados por n y los datos por xi, i = 1, . . . , n, que llamamos distribucin.
2.- Rango de la distribucin: Es la diferencia entre el valor mximo y el mnimo.
3.- Media: Es la media aritmtica de la distribucin, dado por la frmula:

Xm

1 n
Xi
n i 1

4.- Moda: Es el valor ms frecuente de la distribucin.

5.- Mediana: Es el valor para el cual la mitad de los datos son menores y la otra mitad
estn por encima de este valor.
Si ordenamos los datos en orden ascendente podemos calcular la mediana como.
X(n+1)/2
M =

si n es impar.

(Xn/2 + Xn/2+1)/2

si n es par.

La mediana es tambin llamada percentil 50, adems los datos no solo se dividen en dos
grupos, sino que se pueden dividir en cuatro partes, cuartiles, donde Q 1 = percentil 25, Q2 =
Mediana y Q3 = percentil 75, si los datos se dividen en 10, tenemos los deciles. De forma
general estas medidas se pueden calcular por: p(n+1)/100 sima observacin de los
datos ordenados ascendentemente, donde p es el percentil que se desea calcular.
6.- Varianza: Describe la variabilidad de la distribucin. Es la medida de la desviacin o
dispersin de la distribucin y se calcula por:

1 n

n 1 i 1

Xi X m

La razn principal por la que se aboga por la divisin entre n-1 en la estimacin de la
varianza, es porque proporciona un mejor estimado; si dividimos por n-1 nos referimos a la
varianza muestral S2 como un estimador insesgado de la varianza poblacional 2. Esto
significa que si un experimento fuera repetido muchas veces se podra esperar que el
promedio de los valores as obtenidos para S 2 igualara a 2. Por otra parte si dividimos
entre n los valores obtenidos para S2 seran como promedio demasiado pequeo.
7.- Desviacin estndar: Describe la tendencia o dispersin de la distribucin. Es la
medida de desviacin alrededor de la media. Se calcula por:
= 2
8.- Coeficiente de asimetra: Describe la simetra de la distribucin relativa a la
distribucin normal. Se calcula por:

1 n
Xi Xm 3 S 3

n i 1

En la distribucin normal la asimetra tiene valor cero, un valor negativo indica una cola a
la izquierda y un valor positivo indica una cola a la derecha.
9.- Curtosis: Describe el grado de esbeltez de la distribucin, tomado por lo general en
relacin a una distribucin normal, y se puede calcular por:

1 n
Xi Xm 4 S 4

n i 1

La distribucin normal tiene curtosis igual a tres, y es llamada mesocrtica. A las

distribuciones ms agudas, con colas relativamente anchas, se les llama leptocrticas,
tienen valores de curtosis mayores que tres, y las distribuciones ms bien achatadas en el
centro se llaman platicrticas, tienen valores menores que tres, en ocasiones se
acostumbra a definir la curtosis como 4 - 3.
10.- Error estndar: Describe el grado de conocimiento de los datos y se puede calcular
por:
= 2 /n
La distribucin normal tiene un valor de error estndar menor que 1.25 y la distribucin
lognormal o una distribucin con tendencia positiva, tiene valores de error estndar
mayores que 1.25.
11.- Coeficiente de variacin: Es una medida de la variacin relativa de los datos y puede
ser calculado por:
CV = S/Xm
y en porcentaje como: 100 CV = 100 (S/Xm) %
Proporciona una comparacin entre la variacin de grandes valores y la variacin de
pequeos valores. Las tcnicas de Geoestadstica Lineal que predomina en el campo de
las geociencias producen los mejores resultados cuando el coeficiente de variacin es
menor que uno, CV 1. Para CV 1 se recomiendan tcnicas de Geoestadstica no Lineal.
12.- Prueba Chi-Cuadrado: Permite determinar si la distribucin es normal, lognormal o
alguna otra distribucin probabilstica, es su lugar puede ser usada la prueba Kolmogorov
Smirnov como se refleja por muchos autores es ms robusta.
13.- Prueba t-Student: Permite determinar si en una distribucin bimodal las medias de las
poblaciones son estadsticamente diferentes.
B: Construccin de grficos estadsticos: Estos grficos permiten ilustrar y entender las
distribuciones de los datos, identificar datos errados, valores extremos, los mismos incluyen:
1.- Mapa base, seccin cruzada y vista en perspectiva: Son usados para visualizar la
relacin espacial en 2 y 3 dimensiones, permiten encontrar errores en la informacin.

7
2.- Histogramas: Son usados para ver las caractersticas descriptivas de la distribucin.
Es un grfico de barras donde en las abscisas aparecen los lmites de las clases y en las
ordenadas las frecuencias correspondientes a cada clase.
3.-Frecuencia acumulativa: Usado para identificar el tipo de distribucin muestral y ayuda
a determinar si estn presentes poblaciones mixtas. Es un grfico de lmite de clase contra
frecuencia acumulada.
En el caso de grficos estadsticos es til usar los grficos de frecuencia absoluta, relativa,
acumulativa y el diagrama de dispersin, como se presenta en muchos sistemas.
Todos estos elementos permiten decidir sobre las condiciones de estacionaridad vistas
anteriormente. Muchos autores slo toman como elementos fundamentales de estadstica
bsica que: la media y la mediana tome valores prximos; el coeficiente de variacin sea
inferior a 1; la distribucin de los datos est prxima a la curva normal y no existan valores
extremos que afecten el desarrollo del anlisis estructural.

4.-El anlisis estructural

El anlisis estructural o estudio variogrfico est compuesto por:

El clculo del semivariograma experimental.

El ajuste a este de un modelo terico conocido.

El clculo del semivariograma experimental es la herramienta geoestadstica ms

importante en la determinacin de las caractersticas de variabilidad y correlacin espacial
del fenmeno estudiado, es decir, tener conocimiento de como la variable cambia de una
localizacin a otra, representando el til ms importante de que dispone el geoestadstico
para el anlisis del fenmeno mineralizado o de la variable de distribucin espacial en
estudio. Este anlisis tiene como condicionantes: la distribucin estadstica, la existencia
de valores aberrantes o anmalos, la presencia de zonas homogneas o posibles
zonaciones en la distribucin de las leyes.
Puede ser calculado inicialmente el semivariograma medio, global u omnidireccional (ver
El Semivariograma Experimental), proporcionando una idea inicial de la variabilidad
espacial de los datos, siendo el ms idneo para representar u obtener una estructura clara
y definida. Posteriormente deben ser calculados los semivariogramas en diferentes
direcciones, puede ser calculado en 4 direcciones separadas 45 con tolerancia angular de
22.5, comenzando por 0 (figura 2a) hasta encontrar la direccin de mxima o mnima
variabilidad (figura 2b), pueden ser calculados tambin, ms especficamente, en 8
direcciones separadas por 22.5. Una forma rpida y prctica de visualizar la existencia de
anisotropa es mediante el clculo del Mapa de Variogramas, el cual adems permitir
obtener la direccin inicial aproximada para el clculo de los semivariogramas
direccionales, permitiendo un anlisis adecuado de anisotropa. Posteriormente,
dependiendo de la continuidad espacial, es suficiente slo calcular dos semivariogramas
separados 90.

Ahora, el semivariograma experimental obtenido no es utilizado en el proceso de estimacin, debe

ser ajustado a ste uno a varios modelos tericos, obtenindose un modelo o funcin analtica que
caracteriza la continuidad espacial de la variable estudiada. Los modelos de variograma terico
utilizado en el proceso de estimacin o simulacin deben satisfacer ciertas condiciones, es decir
tienen que ser definido positivo o de tipo positivo de lo contrario puede existir el riesgo de
encontrar varianzas negativas que no tienen sentido. En general el ajuste a modelos tericos para
la determinacin de los parmetros del semivariograma se realiza de forma visual. En ocasiones se
efectan ajustes polinomiales por el mtodo de los mnimos cuadrados u otras variantes, que
aunque se encuentra el mejor ajuste, no siempre se verifica la condicin de que el variograma
obtenido sea siempre de tipo positivo, siendo insatisfactorio, por lo que se recomienda el uso de
modelos autorizados. Finalmente debe obtenerse uno o varios modelos de variogramas con los
correspondientes valores de meseta y alcance. El modelo de variograma seleccionado debe
representar fielmente los aspectos que se suponen importantes del variograma experimental, que
sern usados posteriormente en el proceso de estimacin o simulacin.
3.2.
El semivariograma experimental
El variograma se define como la media aritmtica de todos los cuadrados de las diferencias entre
pares de valores experimentales separados una distancia h, o lo que es lo mismo, la varianza de
los incrementos de la variable regionalizada en las localizaciones separadas una distancia h.
Var{Z(x+h)-Z(x)} = 2(h)
La funcin (h) se denomina semivariograma, la cual puede ser obtenido por la expresin.

( h)
donde: Np(h)

Np ( h )
1
Z ( x i ) Z ( x i h) 2

2 Np (h) i 1

es el nmero de pares a la distancia h.

h
Z(xi)
xi

es el incremento.
son los valores experimentales.
localizaciones donde son medidos los valores z(x i).

Esta expresin de (h) representa el til ms importante en todo estudio geoestadstico. Su clculo
no consiste en una simple evaluacin de su expresin, segn se plantea, esta operacin est
relacionada con los elementos siguientes:

La direccin en la que ser calculado el semivariograma, uno o dos ngulos que definen una
direccin en el espacio y/o con tolerancias angulares d y/o d. El semivariograma

calculado usando tolerancia angular de 90 se denomina semivariograma medio, global u

omnidireccional como ya se indic.
El incremento o paso en el clculo del semivariograma h y su tolerancia lineal dh, se
recomienda que el valor de dh sea la mitad del incremento inicial.
Una distancia, que representa la distancia mxima a que pueden estar alejados los segundos
puntos del par con respecto a la lnea que define la direccin de clculo, conocido como ancho
de banda.
La distancia Lmax hasta la cual ser calculado del semivariograma. Se recomienda que sta sea
la mitad de la distancia entre las muestras ms alejadas, aunque dependiendo de la geometra
del fenmeno regionalizado en algunos casos puede ser calculado hasta una distancia
superior.

Definido los elementos anteriores, se evala la expresin del semivariograma para todos los pares
de localizaciones separadas a la distancia h que cumplan las siguientes condiciones:

1.- La distancia entre las localizaciones xi y xi+h sea mayor que h-dh y menor que h+dh, o lo que
es lo mismo, el segundo punto del par est incluido en el espacio definido por h-dh y h+dh
encontrndose el primer punto del par en el origen o (figura 3), este origen se mueve entre las
muestras a analizar.

10

2.- El ngulo formado entre la lnea que une los dos puntos del par y la direccin 0 o debe estar
incluido entre -d y +d (figura 4).
3.- La distancia entre el segundo punto del par y la lnea que define la direccin de clculo del
semivariograma no debe superar el ancho de banda (figura 5).
Finalmente se representan grficamente los valores de (h) en funcin de h.

El grfico de (h) tiene las siguientes caractersticas:

Pasa por el origen (para h=0, (h)=0)

Es en general una funcin creciente de h.

En la mayor parte de los casos (h) crece hasta cierto lmite llamado meseta, en otros casos puede
crecer indefinidamente. El comportamiento en el origen puede tener diferentes formas (figura 7):
Parablico: Caracteriza a una variable muy regular, siendo continua y diferenciable.
Lineal: Caracteriza a una variable continua, pero no diferenciable, es decir menos regular.
Discontinuidad en el origen: Efecto de pepita, es el caso en que (h) no tiende a cero cuando h
tiene a cero. Representa a una variable muy irregular.

11
Discontinuo puro: Llamado tambin ruido blanco, representa el caso de mayor discontinuidad,
siendo el caso limite de ausencia de estructura, donde los valores de dos puntos cualesquiera no
tienen correlacin alguna.
3.2.1.
Construccin del semivariograma experimental en 2D
A continuacin se presentan ocho pasos para la construccin del semivariograma experimental

para datos distribuidos en dos dimensiones, resultado del anlisis realizado en la bibliografa
consultada.
Sea Z(x) una funcin aleatoria con N variables aleatorias regionalizadas Z(x i) donde x = x, y es la
localizacin y Z(xi) es el valor medido correspondiente. Dados una direccin a travs de un ngulo
en la cual se desea calcular el semivariograma, d una tolerancia angular, dh una tolerancia
lineal y el ancho de banda.
Se proponen los siguientes pasos:
1.- Calcular la cantidad de pares de datos posibles por: Np = N(N-1)/2
2.- Para cada par, calcular la distancia entre las localizaciones correspondientes por:

di

X 1 X 2 2 Y1 Y2 2

i = 1, . . . , Np

almacenando para cada i:

- P1: Nmero del primer punto del par,
- P2: Nmero del segundo punto del par,
- d: Valor de la distancia entre los dos puntos del par.
- Angulo que fija la direccin de la recta que pasa por los dos puntos del par.
3.- Ordenar ascendentemente el grupo de datos anteriores por la distancia.
4.- Calcular la amplitud mxima del semivariograma L max como Lmax = Dmax/2, donde Dmax es la
distancia a que estn separadas las localizaciones ms lejanas. Esto es la mxima distancia
calculada en el paso (2), o lo que es lo mismo, el ltimo valor despus del ordenamiento del paso
anterior.
5.- Fijar una distancia h inicial conocida como paso o incremento del semivariograma, se
recomienda la distancia promedio entre las muestras contiguas. Para los mltiplos de esta
distancia ser calculada (h), por la expresin del semivariograma. Esto indica la cantidad de
puntos a procesar en el semivariograma, el cual se puede obtener como L max / h

12
6.- Calcular la expresin del semivariograma para todos los pares almacenados en el paso (2) que
cumplan las condiciones siguientes:
a) La distancia d sea mayor que h-dh y menor que h+dh, es decir, h-dh d h+dh. Si esta
condicin se cumple examinar la condicin b, de lo contrario continuar con la distancia
siguiente.
b) El ngulo formado entre las lneas que parten del primer punto del par en la direccin 0 o y la
que pasa por los dos puntos del par en la direccin positiva, es decir, en contra de las
manecillas del reloj, sea mayor que -d y menor que +d, es decir, -d +d. Si
esta condicin se cumple examinar la condicin c, de lo contrario continuar con la distancia
siguiente
c) La distancia entre el segundo punto del par y la lnea que pasa por el primer punto en la
direccin no supere el ancho de banda.
Observaciones:
*0
Note que como los datos almacenados en el paso (2) estn ordenados ascendentemente
por la distancia, este paso se interrumpe cuando la distancia siguiente sea mayor que h+dh, y aqu
precisamente, comienza la prxima iteracin.
*1
Al interrumpir este paso calcular el semivariograma con los pares que cumplieron las
condiciones a, b y c, as obtenemos un valor de (h) correspondiente al incremento h actual.
7.- Incrementar la distancia h en su propio valor, es decir, h ser el prximo mltiplo del h inicial. Si
el nuevo valor de h no supera el valor de L. Regresar al paso (6) de lo contrario continuar el
siguiente paso.
8.- Al finalizar el paso (7) debemos tener para cada valor transitado por h un valor calculado de
(h), los cuales sern representados en un grfico X-Y donde en la abscisa representan los valores
de h y en la ordenada los de (h). Obteniendo as el semivariograma experimental o emprico para
una direccin, incremento y tolerancias definidas.
3.2.2.

Construccin del semivariograma en tres dimensiones 3D

Para la construccin del semivariograma 3D es necesario incorporar a la direccin del clculo un

nuevo ngulo que permita fijar unido al ngulo una direccin en el espacio tridimensional. El
ngulo debe variar entre -90o y 90o, teniendo en cuenta que los valores extremos coinciden con la
direccin vertical y son independientes de la direccin del ngulo
La construccin del semivariograma 3D es similar al 2D con cambios en dos de sus pasos
presentados anteriormente:
1.- En el paso 2: el clculo de la distancia se sustituye por:

di

X 1 X 2 2 Y1 Y2 2 Z 1 Z 2 2

Almacenar para cada i adems: Otro ngulo que fija junto al ngulo la direccin de la recta
que pasa por los dos puntos del par en tres dimensiones.
2.- En el paso 6 punto b, la direccin que contiene a los dos puntos del par debe estar incluida en
el ngulo slido formado por la direccin del clculo del semivariograma y la tolerancia d , con
centro en el primer punto del par.
En el caso del clculo del semivariograma en tres dimensiones, an cuando tericamente pueden
ser calculados, en la prctica nos encontramos una direccin que juega un rol diferente a la del

13
resto. En el caso minero las variaciones a travs de los estratos es diferente a su comportamiento
a lo largo de un estrato, esto unido a la forma en que se realiza la exploracin, varios pozos
distanciados decenas de metros y cada uno contiene un conjunto de muestras mineralizadas con
una longitud del orden de 1 m. Es recomendable entonces analizar est direccin por separado y
desarrollar un anlisis de variabilidad espacial en la direccin vertical, es decir, perpendicular a la
estructura geolgica y otro anlisis en la direccin horizontal, a lo largo de la estructura geolgica,
utilizando en este caso compsitos de la zona de inters, realizando adems, un anlisis de
anisotropa. Elementos que permitirn describir la variabilidad en tres dimensiones.
3.2.3.

Problemas ms comunes encontrados en el clculo de semivariograma

De lo expresado hasta aqu, adems de lo planteado en muchos textos de geoestadstica, se

puede obtener la impresin de que es fcil el clculo del semivariograma experimental. La fuente
de problemas que se pueden presentar en la realizacin del un anlisis estructural es muy variada,
lo que est en correspondencia con la variedad de casos que se presentan en la naturaleza.
Algunos de los problemas ms comunes discutidos en Armstrong y Carignan (1997) son:
El valor idneo del incremento h: Una inadecuada seleccin de h puede proporcionar un
semivariograma errtico, aunque no se puede dar un criterio exacto o aproximado sobre cual el
mejor valor de h, es recomendable recalcular (h) para distintos valores de h, hasta encontrar una
forma suavizada del mismo.
Distribuciones con valores extremos: La existencia de valores extremos, altos o bajos, en una
distribucin, puede conducir a la obtencin de un variograma fuertemente errtico. En este caso la
solucin puede ser simple, eliminar los datos extremos, porque pueden ser ocasionados por
errores, en otros casos pueden encontrarse en zonas geogrficamente distintas y pueden ser
tratados de manera separada.
Una herramienta til para la deteccin de valores extremos y encontrar el incremento adecuado
puede ser, calculado la Nube de Variogramas, el cual consiste en representar los valores de
[Z(xi+h)-Z(xi)]2/2 contra h, para cada par posible de la informacin inicial.
La existencia de poblaciones mixtas: Existen datos que pueden mostrar diferentes poblaciones,
los cuales pueden estar estadsticamente diferenciados. En muchos casos las poblaciones estn
geogrficamente diferenciadas, donde se recomienda tratar las zonas por separado. En otros
casos las poblaciones se presenten mezcladas geogrficamente, en este caso una solucin puede
ser un cambio de escala, con lo que se logra reducir la diferencia de los valores extremos.
3.3.

Modelado de semivariogramas

El modelado de semivariogramas incluye dos etapas fundamentales, una vez construido el

semivariograma experimental o emprico es necesario ajustar a este un modelo terico, con el
objetivo de determinar los parmetros descriptivos del semivariograma que posteriormente sern
usados en la estimacin
.
3.3.1.
Parmetros del semivariograma
Los parmetros del semivariograma caracterizan tres elementos importantes en la variabilidad de
un atributo que son: la discontinuidad en el origen (existencia de efecto de pepita), el valor mximo
de variabilidad (meseta), y el rea de influencia de la correlacin (alcance), (figura 8), y se
describen a continuacin.

14

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 (0) no tienen significado y no es comn. El efecto pepita
se representa como Co.
La Meseta (Sill): Es el valor de (h) para el cual con el aumento de h su valor permanece
constante, se representa como (CT = C + Co) y se denomina meseta. Puede obtenerse trazando
una lnea paralela a la abscisa y que se ajuste a los puntos de mayor valor del semivariograma y su
valor se lee en la interseccin de esta lnea con la ordenada.
El Alcance (Range): La distancia h para la cual las variables Z(x) y Z(x+h) son independientes, se
denomina alcance y se representa por (a), es decir, las distancias para la cual los valores de la
variable dejan de estar correlacionados, o lo que es lo mismo, la distancia para la cual el
semivariograma alcanza su meseta.
El alcance siempre tiene valor positivo y puede ser obtenido a partir de la interseccin de las
lneas descritas en los puntos anteriores, ese punto ledo en la abscisa es una fraccin del propio
alcance, fraccin que se detallara posteriormente en la explicacin de los modelos tericos
3.3.2.
Modelos tericos de semivariogramas
Atendiendo a las dos caractersticas ms importantes en el modelado de semivariogramas que
son segn Journel y Huijbregts (1978):
1.- Su comportamiento en el origen, el cual puede ser linear, parablico y con Efecto de Pepita
2.- La presencia o ausencia de meseta.
Estos modelos son:
Efecto de Pepita: Corresponde a un fenmeno puramente aleatorio (ruido blanco), sin correlacin
entre las muestras, cualquiera sea la distancia que las separe, (figura 9), donde C representa el
valor de la meseta.
(h)
=0
h=0
=C
|h|>0

15

Modelo Esfrico: Este modelo es

probablemente el ms utilizado, es una
expresin polinomial simple, en su forma
representada en la figura 10, se puede
observar un crecimiento casi lineal y
despus a cierta distancia finita del origen
se alcanza una estabilizacin, la meseta. La
tangente en el origen encuentra a la meseta
en el punto de abscisa (2/3)a, donde a
representa el valor del alcance.

) = C [ (3/2)(h/a) - (h/a)3 ] h a
C

(
h
h>a

Modelo Exponencial: Este modelo a

diferencia del esfrico crece inicialmente
ms rpido y despus se estabiliza de
forma asinttica (figura 11). Como la
meseta no se alcanza a una distancia
finita, se usa con fines prcticos el alcance
efectivo o alcance prctico a, valor que
se obtiene en el punto de abscisa para el
cual el modelo obtiene el 95% de la
meseta, con un valor a=3a, donde a es el
parmetro de escala. La tangente en el
origen encuentra a la meseta en el punto
a=(1/3)a.

(h) = C [1 - Exp(-|h|/a)] |h| > 0

Modelo Gaussiano: Este es un modelo extremadamente continuo (figura 12), inicialmente
presenta un comportamiento parablico
en el origen, despus al igual que en el
modelo Exponencial se alcanza la
meseta de forma asinttica. El alcance
prctico tiene un valor de a=1.73a, que
es el valor de la abscisa donde se
alcanza el 95% de la meseta.

16
(h)= C [ 1 - Exp(-|h|2/a2)]

|h| > 0

Modelo con funcin potencia: Este es un

modelo sin meseta, su forma se representa
en la figura 13, para valores de
correspondientes a 0.5, 1.0 y 1.5.
(h)

= |h|

con ]0, 2[

Para el valor de =1 en el modelo anterior

se obtiene el modelo Lineal, al cual no
tiene ni meseta ni alcance. Ahora por
efectos prcticos, sin embargo, muchos
programas
informticos
denotan
la
pendiente del modelo lineal con la relacin
C/a (figura 14).
(h)

= (C/a) |h|
Se han presentado los modelos ms usados
en la prctica, aunque se debe sealar,
existen otros modelos que son ampliamente
descritos en el manual de referencias del
sistema geoestadstico Isatis.
Estos modelos pueden ser ajustados
individualmente, aunque es posible encontrar
en la prctica aplicaciones donde a los
semivariogramas experimentales se les debe
ajustar ms de un modelo terico, es decir, a
travs de superposicin, nombrndose
estructuras imbricadas.

La seleccin del modelo y los parmetros apropiados a las caractersticas del semivariograma
emprico, para ser usados en la interpolacin geoestadstica que veremos posteriormente es el
punto ms importante en el proceso planteando, adems, esta seleccin es fundamental en el caso
particular de la minera donde se presentan yacimientos: con irregularidad en la densidad de
barrenos; sin una adecuada perforacin; con alta asimetra en la distribucin o que carecen de un
modelado geolgico propio. Al respecto se refieren muchos autores sobre el efecto negativo que
puede tener en la estimacin el uso del krigeaje sin un estudio de estructura espacial y la seleccin
adecuada del modelo de semivariograma y sus parmetros.
3.3.3.

Validacin del modelo terico

Como el ajuste de los modelos tericos al semivariograma experimental, se realiza de forma visual
o interactiva, variando los valores Co (efecto de pepita), C + Co (meseta) y a (alcance), hasta
coincidir con los parmetros que mejor se ajustan, es conveniente validar el modelo seleccionado y
los parmetros meseta y alcance escogidos. El mtodo de validacin cruzada ha sido ampliamente
utilizado para evaluar el grado de bondad de un modelo de semivariograma y reconocido como un
mtodo ptimo de estimacin de sus parmetros. La operacin de validar un semivariograma
terico ajustado a uno experimental siempre toma mucho tiempo, ste se considera como el ltimo

17
de los pasos importantes del anlisis de variabilidad, debido a que una vez obtenido este resultado
ser utilizado en la estimacin por krigeaje en cualquiera de sus variantes.
3.3.3.1.

Validacin cruzada

Sea Z(x) una funcin aleatoria estacionaria con semivariograma (h), su funcin de covarianza
C(h) viene dada por C(h) = 2 - (h) donde 2 es la varianza de Z(x). Sea Zx1, Zx2,...,Zxn los
valores de Z(x) en n puntos medidos. La validacin cruzada consiste en suprimir el i-simo valor
medido Z(xi) y estimarlo a partir del resto de los datos. El valor estimado Z *(xi) se calcula por
krigeaje, procedimiento explicado ms adelante.
Si se repite este proceso para los N puntos, se pueden calcular n errores de validacin:
E(xi) = Z*(xi)- Z(xi)
i = 1, 2, . . . , N.
As se van probando diferentes valores de los parmetros del semivariograma hasta que los
errores de validacin cumplen los siguientes criterios estadsticos:
1. El error medio, dado por T 1 = (1/n) i=1,n [Z(xi) - Z*(xi)], debe ser aproximadamente igual
a cero.
2. El error medio cuadrado, dado por T2 = (1/n) i=1,n [Z(xi) - Z*(xi)]2, debe ser pequeo.
3. La medida, T3 = (1/n) i=1,n [Z(xi) - Z*(xi)]/2, debe ser igual a uno.
4. La medida, T4 = Corr[Z(xi) - Z*(xi)]/, Z*(xi), debe ser cero.
5. La medida, T5 = CorrZ(xi), Z*(xi), debe ser uno.
3.3.4.

Ajuste automtico

El ajuste de modelos de semivariogramas se puede realizar tambin de forma automtica. Esta ha

sido presentada por varios autores, en la que se sugieren una forma particular de aplicar el mtodo
de los mnimos cuadrados y as obtener el modelo y sus parmetros, teniendo en cuenta que el
modelo obtenido sea definido positivo, como ya se ha indicado.
3.4.

Anlisis de anisotropa

Conviene aqu realizar un anlisis sobre el comportamiento de la variabilidad del atributo en

estudio. Se conoce que el semivariograma describe las caractersticas de continuidad espacial de
la variable regionalizada en una direccin, pero este comportamiento pueden variar segn la
direccin que se analice. Se exige por este motivo un anlisis del comportamiento de la continuidad
en distintas direcciones, el 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 22.5 o), 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 (figura 15).

18
Anisotropa Zonal: Est presente cuando los semivariogramas en diferentes direcciones tiene
diferentes mesetas y alcances (figura 16).

3.4.1.

Efecto proporcional

Cuando en el clculo del semivariograma se

detecta que existe una relacin linear entre el
valor medio de las muestras usadas en el
clculo de cada (h) y la desviacin estndar
correspondiente, se dice que existe un efecto
proporcional (heterosedasticidad). Este efecto
se puede detectar ploteando los valores de X m
contra , es decir, que el coeficiente de
variacin
(/Xm)
sea
aproximadamente
constante, ocurre cuando los datos presentan
una distribucin lognormal (figura 17). La
solucin a este problema propuesta por David
(1977) consiste en dividir cada valor del
semivariograma local por el cuadrado de la media local, y obtener lo que se conoce como
semivariograma relativo.
F(h) = (h)/Xm2(h)

1 N ( h ) Z (x i ) Z (x i h )
F (h)

2 N (h ) i 1 Z (x ) Z (x h) 2
i
i
2

Puede ser calculado usando los pasos anteriormente presentados para el clculo de los
semivariogramas tradicionales.
3.4.2.
Problemas en el modelaje de semivariogramas
Los problemas ms comunes al modelar semivariogramas que complican este procesos son:
1.- La anisotropa geomtrica est presente: Indica que los semivariogramas
direccionales tienen la misma meseta pero diferentes alcances, sta puede ser corregida a

19
travs de una transformacin linear de coordenadas que permita reducir una elipse a un
crculo.
2.- La anisotropa zonal est presente: indica que tanto las mesetas como los alcances
son diferentes para los semivariogramas direccionales, puede ser corregido separando el
semivariograma en sus componentes isotrpicos horizontal y anisotrpico vertical.
3.- La tendencia de los datos est presente: indica que los valores medidos aumentan o
disminuyen dramticamente en la zona estudiada con el aumento de la distancia. Esto
puede ser resuelto aplicando polinomios a la ecuacin del semivariograma, es decir un
anlisis de tendencia.
4.- El efecto proporcional est presente: Indica que la desviacin estndar local es
proporcional al cuadrado de la media local y que los datos presentan una distribucin
lognormal, puede ser resuelto dividiendo cada valor del semivariograma local por el
cuadrado de la media local, es decir usando semivariogramas relativos.
5.- 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.
6.- 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.
7.- 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.
4. Estimacin
Todo lo expresado hasta aqu tiene un nico objetivo, conocer la informacin disponible para
realizar estimaciones, es decir, estimar valores desconocidos a partir, no slo de los conocidos,
sino tambin de su estructura de continuidad espacial. A diferencia de otra gran variedad de
mtodos de interpolacin que no utilizan estas caractersticas y que se emplean actualmente con
diferentes fines. Sin pretender hacer una comparacin profunda de las caractersticas y ventajas de
stos mtodos, veamos algunos ejemplos.
4.1.

Triangulacin

Este mtodo consiste en ajustar un plano que pase por las tres muestras ms cercanas y
adyacentes a la localizacin que se desea estimar.
La ecuacin del plano es:
Z=ax+by+c

20

Cada muestra tiene coordenadas (x, y) y z representa el valor muestreado.

Con el objetivo de obtener la ecuacin del plano que pase por las tres muestras se construye el
siguiente sistema de ecuaciones lineales:
a x1
a x2
a x3

+
+
+

b y1
b y2
b y3

+
+
+

c
c
c

=
=
=

z1
z2
z3

y as obtenemos los coeficientes a, b y c, entonces el valor de z en cualquier localizacin dentro del

tringulo correspondiente se puede obtener sustituyendo sus coordenadas en la ecuacin de Z.
4.2.

Inverso de la distancia

Este mtodo se basa en una combinacin lineal dada por: Z *(x) = i Z(xi)
En la que i son los pesos proporcionales al inverso de la distancia euclidiana entre las
localizaciones muestreadas y la que se desea estimar, stos pesos son calculados por:
i = (1/doi)/ 1/doj
donde: doi es la distancia entre la localizacin a estimar y la localizacin de la muestra i.
Generalizando obtenemos:
Z*(x) = [i+1,n 1/doi Z(xi)] / i=1,n1/doj
Se pueden obtener distintos estimadores si escribimos la ecuacin anterior como:
Z*(x) = [i=1,n (1/doi) Z(xi)] / i=1,n(1/doj)
Note que si = 1 se obtiene la ecuacin anterior.
Estas dos tcnicas de estimacin utilizan directamente los valores muestreados en el proceso de
estimacin y refieren pesos de acuerdo a las distancias entre los datos, sin tener en cuenta la
continuidad espacial de la informacin disponible. Veamos ahora el krigeaje, interpolador de la
geoestadstica, que s utiliza los resultados que discutidos del anlisis estructural.
4.3.

Planteamiento del problema del krigeaje

Como resultado de los trabajos de bsqueda y exploracin de yacimientos minerales, se obtiene

informacin del anlisis qumico de los testigos de perforacin y/o rocas de afloramiento.
Cualquiera sea la forma en que se organice esta informacin, debe ser regularizada, de modo que
se obtengan los valores de la caracterstica estudiada (contenido mineral en el caso minero),
acompaadas de las coordenadas de las localizaciones correspondientes.
En trminos mineros, el problema de krigeaje consiste en encontrar la mejor estimacin lineal
posible del contenido mineral de un panel, teniendo en cuenta la informacin disponible,
mediciones que han sido obtenidas tanto en el interior como externamente al panel que se desea
estimar. El krigeaje consiste en efectuar una ponderacin, es decir, atribuir un peso a cada valor
observado, los pesos son calculados de manera que minimice la varianza de estimacin resultante,
teniendo en cuenta las caractersticas geomtricas del problema. Al minimizar la varianza de
estimacin se garantiza el uso ptimo de la informacin disponible.
4.3.1.

Ecuaciones del krigeaje

21
Se dispone de los valores muestreados Z(xi), i=1,,n, y deseamos estimar un valor de la
caracterstica observada en el panel Z(v) por una combinacin lineal de Z(xi).
Z*(v) = i Z(xi)
Donde Z*(v) es el valor estimado y i son los peso de krigeaje, de modo que los i sean obtenidos
de tal forma que proporcione un estimador: insesgado E[Z*(v) - Z(v)] = 0 y de varianza mnima
Var[Z*(v) - Z(v)]
La geoestadstica exige como primera etapa y fundamental el conocimiento del comportamiento
estructural de la informacin, es decir, se debe contar adems, con el modelo de semivariograma
terico que refleje fielmente las caractersticas de variabilidad y correlacin espacial de la
informacin disponible, discutido anteriormente. En el caso minero, particularmente, por la forma en
que se presenta la informacin, de estar condicionada en una direccin por diversos parmetros,
se debe obtener modelos de variogramas verticales y horizontales, el primero, que caracteriza la
correlacin espacial en esta direccin, es decir a travs de los estratos, y el segundo en los
estratos, obtenindose un modelo conjunto para la estimacin de bloques. Los bloques a estimar
son definidos con dimensiones convenientes a la unidad de seleccin minera, teniendo en cuenta
el espaciamiento entre muestras y el alcance estructural, es decir, la distancia hasta la cual las
muestras se encuentran correlacionadas espacialmente. Las ecuaciones del krigeaje se obtienen
entonces de acuerdo las hiptesis de la geoestadstica que deben ser asumidas y verificadas como
ya se indic.
Teniendo en cuenta las hiptesis de la geoestadstica se pueden obtener las ecuaciones del
krigeaje para los siguientes casos: funcin aleatoria estacionaria de esperanza nula o conocida,
mtodo conocido como Krigeaje Simple, para una funcin aleatoria estacionaria de esperanza
desconocida, y una funcin aleatoria intrnseca, mtodo conocido para los dos ltimos casos como
Krigeaje Ordinario.
A continuacin se presenta el sistema krigeaje para estos casos:
4.3.1.1.

Krigeaje Simple

Estimador:

Z*(v) = i Z(xi) + m(1- i).

Sistema:

i C(xi, xj) = C(xj, v)

Varianza de krigeaje:

2 = C(v,v) - i C(xi, v)

4.3.1.2.

j = 1,,n

Krigeaje Ordinario

En trminos de la covarianza
Estimador:

Z*(v) = i Z(xi)

Sistema:

i C(xi, xj) - = C(xj, v)

Varianza de krigeaje:

2 = C(v,v) - i C(xi, v) +

En trminos del semivariograma

Estimador:

Z*(v) = i Z(xi)

i,j = 1,,n

i = 1

22
Sistema:

i (xi, xj) + = (xj, v)

Varianza de krigeaje:

2 = i (xi, v) - (v,v) +

j = 1,,n

i = 1

En todos los casos el sistema puede ser escrito matricialmente de la forma: K = C

Al sistema krigeaje es necesario hacer algunas observaciones:
1.- El sistema krigeaje tiene solucin nica si y solo s la matriz de K es definida estrictamente
positiva, es decir:
i=1,nj=1,n ij C(xi, xj) 0
o en trminos de variograma:
- i=1,nj=1,n ij (xi, xj) 0
y no existen datos con las mismas coordenadas.
2.- El krigeaje, el cual es un estimador imparcial, es tambin un interpolador exacto, es decir, para
iguales soportes de observacin v (=1,,n) y de estimacin V, Los valores real Z y estimado Z*
son iguales, adems de que la varianza de krigeaje 2k es cero.
3.- Las expresiones del sistema krigeaje y de la varianza de krigeaje son completamente
generales, es decir, son aplicables cualquiera sean los soportes de observacin y estimacin y el
modelo estructural empleado.
4.- El sistema krigeaje y la varianza de krigeaje dependen slo: del modelo estructural C(h) o (h)
obtenido y de la geometra del soporte de observacin. Esta caracterstica da la posibilidad de que
la varianza de krigeaje sea usada cuidadosa y convenientemente para el estudio de redes y la
clasificacin de recursos.
En el proceso de krigeaje, la matriz que se obtiene tiene dimensiones de hasta (N+1) x (N+1),
cuando existen muchos datos en el rea de influencia definido por los alcances esta matriz es
grande, lo que implica tiempo para la solucin del sistema, sin embargo, excepto para las
localizaciones vecinas de la localizacin a estimar, los pesos son ceros o prximos a cero,
conocido como el efecto pantalla del krigeaje. En la prctica, se establece una vecindad de
bsqueda para evitar el trabajo con grandes sistemas, el cual es recomendado en la totalidad de la
literatura bsica de geoestadstica. Todos los sistemas que implementan la estimacin por krigeaje,
permiten la definicin de una vecindad de bsqueda, la cual debe ser obtenida con reducciones
proporcionales en cada unos de los alcances, o la estimacin por cuadrantes u octantes, limitando
el nmero de muestras a usar en el proceso de krigeaje. De modo que los pesos asignados a las
muestras ms lejanas a la localizacin a estimar y dentro de la vecindad de bsqueda no sean
negativos, nulos o prximos a cero. En ocasiones por esta razn se realizan compensaciones por
el sistema de krigeaje que pueden arrojar pesos negativos y por consiguiente valores negativos en
la estimacin.
4.4.

El caso no estacionario, Krigeaje Universal (KU)

Uno de los problemas encontrados al modelar semivariogramas segn Krajewski y Gibbs (1993) y
ASCE Task (1990) es la existencia de tendencia en los datos, es decir, que los valores medidos
aumentan o diminuyen en alguna direccin en el rea de estudio. Este es el caso de un fenmeno
no estacionario, lo que hace imposible la aplicacin del krigeaje presentado hasta aqu. Con el
objetivo de solucionar este problema Matheron propuso dos aproximaciones, primero el Krigeaje

23
Universal (KU), que consiste en extraer de la variable original Z(x) la parte no estacionaria por
medio de una componente determinstica m(x) que representa la deriva, hasta encontrar la parte
estacionaria del fenmeno, obtenindose un componente estocstico R(x) relacionados por la
siguiente expresin:
Z(x) = m(x) + R(x).
Para el componente determinstico se sugiere utilizar una funcin polinomial de las coordenadas
para modelar la tendencia, es decir:
K

m( x ) a l f l ( x )
l 0

donde al son coeficientes y fl es la funcin que describe la tendencia. As pueden obtenerse derivas
simples, lineales, cuadrticas, etc.. Para una deriva simple el KU se reduce al Krigeaje Ordinario.

Obtenindose finalmente el sistema Krigeaje Universal.

Con varianza de estimacin.

2
KU

l 0

( x , x ) a l f l ( x o )

Una aproximacin ms general es el estudio del modelo de Funciones Aleatorias Intrnsecas de

orden K, la cual consiste en construir incrementos de orden creciente hasta alcanzar un orden K
para el cual dichos incrementos son estacionarios.
5. Geoestadstica Multivariada
Los conceptos presentados hasta aqu, extendidos a ms de una variable, se denominan
Geoestadstica Multivariada. Es posible encontrar casos de variables de inters que estn
insuficientemente muestreadas, pero que se conoce su correlacin con otras variables en la zona
de inters. Utilizando esta correlacin es posible estimar una variable de inters a partir de la
informacin de la propia variable adems de las correlacionadas con ellas. Esto es, el Co-Krigeaje,
una extensin o generalizacin del krigeaje cuando ms de una de las variables disponibles
guardan relacin entre s. En este caso, se requiere conocimiento no slo del modelo de
semivariograma de cada una de las variables, sino adems, del semivariograma cruzado entre las
variables. Existen variantes de Co-Krigeaje ms generales para la integracin de datos.
En este proceso, se pueden distinguir las siguientes situaciones:
Isotopa: Se produce cuando todas las variables poseen valores medidos en todas las
localizaciones. En este caso no es de inters aplicar el procedimiento multivariado, porque el CoKrigeaje en este caso puede resultar equivalente al krigeaje, se dice variables autokrigeables.
Heterotopa total: Cuando las variables poseen valores medidos en localizaciones diferentes. En
este caso no es de inters tampoco aplicar procedimiento multivariado, adems, de que no es
posible obtener el semivariograma cruzado experimental.
Heterotopa parcial: Esta situacin se produce cuando algunas (la mayor parte) de las
localizaciones muestreadas poseen valores medidos de todas las variables, un caso importante es
cuando las muestras de la variable de inters estn incluidas como un subconjunto de las dems
variables. En este caso pueden ser calculados los semivariogramas cruzados y resulta ventajoso
utilizar el procedimiento Co-Krigeaje.

24

5.1.

Semivariogramas cruzados

El semivariograma cruzado se obtiene por la ecuacin:

1 N (h)
AB (h)
Z ( x ) Z A ( xi h) Z B ( xi ) Z B ( xi h)
2 N (h) i 1 A i
donde ZA y ZB son variables correlacionadas, ZA la variable de inters y Z B la variable auxiliar o
secundaria.
Los criterios para el clculo del semivariograma cruzado son anlogos al caso univariado, mientras
el semivariograma directo toma slo valores positivos, el cruzado puede tomar valores negativos, lo
que indica correlacin inversa entre las variables. Un aspecto importante en el modelado de los
semivariogramas cruzados es que deben satisfacer la desigualdad de Cauchy Schwarz:

AB ( h)

A (h) B (h)

Una forma de modelar los semivariogramas cruzados consiste en ajustar independientemente los
semivariogramas de las variables ZA, ZB y el de la suma ZA + ZB, los cuales estn relacionados por
la siguiente expresin.

AB (h) 12 A B (h) A (h) B (h)

5.2.

Co-Krigeaje.

El sistema Co-Krigeaje Simple se presenta a continuacin.

N

nj

j 1 1

Cij ( x x ) Ciio ( x x )

for i 1,... N ; 1,..., ni

La varianza es:
N

ni

2
CK
i iio ( x x o ) ioio ( x o xo )
j 1 1

El sistema Co-Krigeaje Ordinario es:

N

nj

j 1 1
ni

ij

( x x ) i iio ( x x )

donde:

iio

1 si i io
i o
0 si i io

for i 1,... N ; 1,..., ni

for i 1,..., N

25
y la varianza es:
N

ni

2
CK
i iio ( x x o ) io ioio ( x o x o )
j 1 1

5.3.

Krigeaje con Deriva Externa

Este procedimiento es un simple y eficiente algoritmo para incorporar una segunda variable Y(x) en
la estimacin de una primaria Z(x). Consiste en una extensin del Krigeaje con Modelo de
Tendencia o Krigeaje Universal que integra condiciones de universalidad suplementarias relativas a
una o varias variables externas Yi(x) i = 1, ..., N medidas de forma exhaustiva en todo el dominio
donde se desea estimar la variable de inters. Si la variable Y(x) que llamaremos secundaria tiene
un comportamiento lineal con la variable de inters Z(x) que llamaremos primaria, es decir, si se
cumple la relacin: E{Z ( x )} a bY ( x ) u otra relacin polinomial con sentido fsico, es posible
incorporar sta en el sistema de krigeaje, integrado dos fuentes de informacin con diferente grado
de conocimiento. Obtenindose el siguiente sistema:

C11Z
Z
C 21

Z
C N1
1

Y1

C12Z
Z
C 22

C1ZN
C 2ZN

Z
C NN

1
Y2

1
YN

o en notacin matricial

1 Y1

1 Y2

1 YN
0 0

0 0

1

2

=
N
1

Z
C10
Z
C20

C NZ 0
1

Y0

C w B
N

El estimador es: Z 0

i Zi
i 1

Z
y la varianza de estimacin: 2 C00
wTB

donde: T como superndice denota matriz transpuesta,

CijZ : covarianza de la variable primaria entre las localizaciones i y j.
5.4.

Co-Krigeaje con Variable Colocalizada (Collocated CoKriging)

Otro modelo que incorpora una o varias variable externa para al estimacin de una primaria
consiste en una forma reducida de sistema de Co-Krigeaje, que incluye a la variable de inters y la
variable secundaria conocida en todo el dominio donde ser estimada la variable primaria.
El sistema de Collocated Cokriging es

26
Z
C11

Z
C21

Z
C12

Z
C22

C1ZN

ZY
C10

Z
CN1
C ZY
01
1

ZY
C02
1

Z
C NN
C0ZYN

C NZY0
Y
C00
1

C2ZN

o en notacin matricial:

ZY
C20

C w B

1
1

1 C10
CZ
2 20

= Z
N CN 0
w C ZY

00

1 1
Z

El estimador es: Z 0

i Zi w Y0 mY mZ
i 1

la varianza de estimacin es:

Z
2 C00
w TB

Donde:
Y0 es el valor colocado de la variable secundaria en la localizacin a estimar x 0 .
i (i = 1,...,N): pesos asignados a los datos experimentales de la variable primaria.
w : peso asignado a la variable secundaria.
mY : esperanza matemtica de la variable secundaria.

mZ : esperanza matemtica de la variable primaria.

CijY : covarianza de la variable secundaria entre las localizaciones i y j.
CijZY : covarianza cruzada entre la variable primaria y secundaria en las localizaciones iyj.

Yi Y ( xi ) y lo mismo para la variable primaria.

1 y 2 : multiplicadores de Lagrange.
Z
Los valores CijZY pueden aproximarse por la expresin CijZY = B C ij , donde:

B =

C ijY C ijZ ZY 0 , C ijZ , C ijY son las varianzas de las variables Z y Y,

ZY 0 es el

coeficiente de correlacin entre las variables Z y Y.

6. Geoestadstica no Lineal
En ocasiones nos encontramos situaciones con caractersticas que las tcnicas lineales no
permiten modelar, datos con alta asimetra por ejemplo. En estos casos se pueden realizar
transformacin a los datos, y obtener configuraciones de estos que si pueden ser explicados por el
krigeaje, para lo que se han adoptado variantes como el Krigeaje Lognormal, Krigeaje de
Indicadores, El Krigeaje Disyuntivo, El Krigeaje de Probabilidades, etc.
7. La Simulacin Geoestadstica
La estimacin en Geoestadstica por el Krigeaje, como todo proceso de interpolacin, ofrece una
imagen suave o lisa de la realidad, existiendo aplicaciones en la que interesa algo ms que
simplemente obtener valores aproximados a una realidad desconocida, es decir, resultara til una
representacin que pueda sustituir la realidad. Con tal intencin se propone, la Simulacin
Geoestadstica, a travs de la cual se obtienen realizaciones con igual comportamiento espacial
que la informacin observada en las localizaciones muestreadas. La cual puede ser til para
obtener una representacin de una de las posibles realizaciones de la realidad de un yacimiento.

27

Referencias Bibliogrficas.