APLICACIN DEL MTODO GEOESTADISTICO DE INTERPOLACIN

KRIGING PARA LA MODELACION DE RESISTIVIDAD EN EL

DEPARTAMENTO DE SANTADER.
_________________________________________________________________________
APPLICATION OF GEOESTADISTIC KRIGING INTERPOLATION METHOD TO
MODEL THE RESISTANCE IN SANTADER DEPARTMENT.

HELBER DANIEL SUESCA CORTS. Colombiano. Estudiante de Ingeniera Catastral

y Geodesia de la Universidad Francisco Jos de Caldas. hdsuescac@correo.uditrital.edu.co.
HECTOR HERNANDO ESPITIA GONZALEZ. Colombiano. Estudiante de Ingeniera
Catastral

Geodesia

de

la

Universidad

Francisco

Jos

de

Caldas.

hhespitiag@correo.udistrital.edu.co.

Resumen
La resistividad elctrica de los geomateriales es una caracterstica que ha sido utilizada en
las tcnicas de exploracin geoelctrica empleada frecuentemente en la prospeccin de
aguas subterrneas. El objetivo de este estudio es generar un mapa de interpolacin
aplicando mtodos geoestadsticos para poder estimar los valores de resistividad asociado a
localizaciones donde no se efectuaron mediciones. Los resultados del estudio mostraron la
naturaleza espacial muy marcada de la variable en cuestin y las bondades de las
herramientas geoestadisticas para la generacin de informacin continua de la variable

resistividad. El anlisis final llev a obtener una superficie de interpolacin por el mtodo
de Kriging Lognormal, obteniendo un mapa de prediccin de la zona con el cual se pueden
extraer los valores de resistividad en donde no se tomaron mediciones.

Abstract
The resistivity is a property inverse to the electrical conductivity and is usually expressed in
ohms per meter (.m). The resistivity of most rocks and dry sediment is high, so they act as
semiconductors, conductors or low capacity. This behavior changes significantly when the
fissures or pores are filled by water, which causes a decrease in resistivity, or what is the
same in increase in drivability of the electric current. Furthermore the degree of saturation
also affects the resistivity of the medium, the salt content of water; to higher salinity, lower
resistivity and vice versa. The contrast in resistivity are allowing successfully applied
geoelectric prospecting methods by injecting DC currents. (Funes 2008).
The multivariate statistical techniques are useful to study phenomena in which it is assumed
that the samples are random vectors, ie are independent or uncorrelated. To study
phenomena involving one or more variables very close in space is necessary to use analysis
tools that include spatial correlation, for this there are geostatistics.
The study of spatial correlation variables by geostatistical analysis arose from the fifties in
the field of mining. (Giraldo 2000).
In one particular case study in Envigado-Antioquia geostatistical analysis of resistivity data
for the first 10 meters deep in the ground was implemented, but for this particular case
interpolated with the method of mild-one-out, without But in conclusion recommend
kriging method to treat such data. (Alarcn 2011).

Palabras Clave: Anlisis estructural, anlisis geoestadstico, prediccin espacial, sondeo

elctrico vertical, Kriging Lognormal,
Keywords: Structural analysis, geostatistical analysis , spatial prediction , vertical electrical
survey, Kriging Lognormal.

Introduccin.
La resistividad es una propiedad inversa a la conductividad elctrica y generalmente se
expresa en ohm por metro (.m). La resistividad de la mayora de las rocas y sedimentos
secos es elevada, por lo que actan como semiconductores, o conductores de baja
capacidad. Este comportamiento cambia significativamente cuando las fisuras o los poros
estn ocupados por agua, lo que genera una disminucin de la resistividad, o lo que es lo
mismo en aumento en la capacidad de conduccin de la corriente elctrica. Adems del
grado de saturacin tambin incide en la resistividad del medio, el contenido salino del
agua; a mayor salinidad, menor resistividad y viceversa. Los contrastes en las resistividades
son los que permiten aplicar exitosamente los mtodos de prospeccin geoelctrica
mediante la inyeccin de corrientes continuas. (Funes 2008).
Las tcnicas estadsticas multivariadas son tiles para estudiar fenmenos en los que se
supone que las muestras son vectores aleatorios, es decir son independientes o no
correlacionadas. Para estudiar fenmeno que involucran una o ms variables muy cercanas
en espacio es necesario recurrir a herramientas de anlisis que contemplen la correlacin
espacial, para esto existen las geoestadstica.

El estudio de variables con correlacin espacial por medio de anlisis geoestadstico surgi
a partir de los aos cincuenta en el campo de la minera. (Giraldo 2000).
En un caso particular de estudio en el municipio de Envigado-Antioquia se implement el
anlisis geoestadstico sobre datos de resistividad para los primeros 10 metros de
profundidad en el suelo, pero para este caso particular interpolaron con el mtodo de leveone-out, sin embargo como conclusin recomiendan el mtodo de Kriging para tratar estos
datos. (Alarcn 2011).

Descripcin General del rea de trabajo.

EL rea de trabajo est comprendida por los municipios de Barichara, Cabrera, San Gil y
Villanueva pertenecientes al departamento de Santander, Colombia (ver figura 1), adems
se est delimitada por las siguientes coordenadas geogrficas: Latitud 6.77361 y 6.48259 y
Longitud -73.03007 y -73.28663 el rea de estudio altura de esta zona vara entre los 1.000
y 1.300 msnm.

Geologa
En trminos generales, la geologa de la zona de estudio est principalmente compuesta por
shales con yeso, cherts, calizas y arenitas (bab6-Sm) y abanicos aluviales y depsitos
aluviales (Q-ca) (SGC-2015) (ver figura 2)

Figura 1 -Ubicacin de la zona de estudio.

Figura 2 -Geologa de la zona de estudio (SGC-2015)

Hidrologa e Hidrogeologa.
La zona de estudio tiene una precipitacin anual promedio entre 1.000-1.500 mm con una
temperatura anual promedio entre 18- 24 [1]

Metodologa.
En la zona de estudio durante el periodo de tiempo comprendido entre Junio de 2005 y
Julio de 2006 el Servicio Geolgico Colombiano (SGC) ejecuto la exploracin con el
mtodo de Sondeo Elctrico Vertical (SEV) usando un arreglo del tipo Schlumberger (ver
figura 3).

Figura 3. Arreglo de electrodos Schlumberger Fuente: Fuenes - 2008

El arreglo de electrodos de Schlumberger es un dispositivo simtrico que debe cumplir con

la condicin de que la distancia que separa a AB debe ser mayor o igual que 5MN, para
hacer el SEV se hacen varias mediciones pero a diferentes distancias entre A y B.

Generalidades
El presente artculo contiene una serie de actividades involucradas para el desarrollo del
estudio:
-

Bsqueda, recoleccin, validacin y anlisis de datos, para llegar a buen trmino se

procedi a realizar una bsqueda exhaustiva de datos para la zona de inters,
adems de consulta de informacin de soporte.

Anlisis exploratorio de datos, en esta fase del estudio se establecieron los

supuestos necesarios para el desarrollo y aplicacin del mtodo geoestadstico.

Anlisis estructural, a partir de este fue posible elegir los modelos y mtodos de
ajuste ms adecuados para el estudio.

Comparacin de modelos, se hizo mediante validacin cruzada, esta permiti

establecer qu modelo de semivarianza tiene un mejor ajuste a las mtricas.

Producto, un mapa de prediccin de resistividad.

Figura 4. Esquema metodolgico general - Fuente: autores

Anlisis de resultados
Anlisis exploratorio
La diferencia entre el anlisis convencional y el anlisis espacial radica principalmente, en
la inclusin de informacin espacial para los clculos, la estimacin de modelos y la
generacin de predicciones, gracias al anlisis exploratorio es posible identificar anomalas
en la recepcin y/o toma de datos, presencia o no de datos atpicos, y evaluar si existe algn
tipo de tendencia.
El principio bsico y fundamental para la realizacin de estudios de interpolacin
geoestadstica se fundamenta en la hiptesis de que los datos provienen de una distribucin
normal de probabilidad; mediante el mtodo exploratorio de datos es posible inferir si al
realizar una prediccin los datos generados son confiables o no (Arana J., Gaona F. ,2011)
Antes de entrar en detalle con los clculos hechos para realizar el anlisis previo o
exploratorio de los datos cabe aclarar que los datos de resistividad originales o sin
transformar, no presentan una distribucin normal, por ende tampoco simetra, supuestos
necesarios para la aplicacin de tcnicas de interpolacin geoestadstica, por tal razn fue

necesario aplicar una transformacin logartmica a los datos, esta transformacin permiti
cumplir tanto con el supuesto de normalidad como con el supuesto de simetra , al graficar
los datos transformados se descart la existencia de algn tipo de tendencia para sus
componentes espaciales, esto posteriormente fue ratificado al tratar de modelar el
comportamiento de los datos mediante un modelo de regresin (Arana J., Gaona F. ,2011).
Pruebas de normalidad
Para verificar si los datos de resistividad provienen o no de una distribucin normal se
realizaron 2 grficos exploratorios, un histograma y un grfico de cuantiles, grficos
idneos para verificar visualmente si la distribucin de los datos es normal o no;
posteriormente se ratific que los datos no provienen de una distribucin normal mediante
el uso del test de normalidad Shapiro Wilk.

Figura 5. Histograma y Grafico de cuantiles para evaluar la normalidad - Fuente: autores

Como se puede observar en los grficos (Figura 5) existe ausencia de normalidad ya que la
mayor parte de la muestra se concentra en los valores bajos y no hacia las medidas de
tendencia central como lo sugiere la distribucin normal, adems se presume que hay

asimetra positiva, por otra parte el grafico de cuantiles muestra que gran parte de la
muestra est fuera de la tolerancia establecida para una distribucin normal.
Para realizar la verificacin de lo dicho anteriormente se procedi a aplicar el test de
normalidad Shapiro Wilk, planteando la siguiente prueba de hiptesis:
H 0=Los datos siguenuna distribucin normal
H 1=Los datos no siguenuna distribucin normal

Tabla 1. Test de normalidad Shapiro Wilk - Fuente: autores

Estadstico de prueba W
P-valor

Test de normalidad Shapiro Wilk

0.26927
2.2e-16

Como el p valor es menor al nivel de significancia (Tabla 1) se procede a rechazar Ho es

decir los datos no siguen una distribucin normal.
Como los datos no tienen una distribucin normal el mtodo geoestadstico sugiere realizar
una transformacin a los datos, para establecer qu tipo de transformacin se debe hacer se
procede a realizar un test de mxima verosimilitud planteando las siguientes hiptesis para
el p-valor:
1. H 0 : =0> entonces ln ( z )
2. H 0 : =1> entonces No transformar
3. Si se cumplen1 y 2 No transformar

Tabla 2. Test de Transformacin - Fuente: autores

P-valor (

=0)

P-valor (

=1)

Test de transformacin
0.7256314
0.0000000

Como se cumple 1, es decir el p valor es mayor al nivel de significancia (Tabla 2), entonces
se procede a transformar aplicando logaritmo natural a la variable resistividad;
posteriormente se realizan de nuevo los grficos para evaluar la normalidad (Figura 6).

Figura 6. Histograma y grfico de cuantiles para evaluar la normalidad (Variable transformada) - Fuente: autores

Luego de realizar la transformacin a la variable resistividad, se puede establecer que

presuntamente ya existe normalidad en los datos pues gran parte de la muestra se acumula
hacia las medidas de tendencia central como lo plantea una distribucin normal, por otra
parte el grafico de cuantiles muestra que todos los datos estn dentro de la tolerancia
establecida para una distribucin normal, es decir se ajustan a la lnea de regresin.
Ahora se procede a mostrar un resumen de estadsticas descriptivas para la variable
transformada.

Mximo
Mnimo

Tabla 3. Estadsticas descriptivas - Fuente: autores

2.54
10.08

Media
Mediana
Desviacin estndar
Desviacin de la Mediana

5.81
5.70
1.35
0.95

Asimetra
Kurtosis
Coeficiente de variacin media

0.09
3.15
23.22

Coeficiente de variacin mediana

16.73

Tabla 4. Test de normalidad Shapiro Wilk Rest - Fuente: Autores

Test de normalidad Shapiro Wilk
Estadstico de prueba W
0.98946
P-valor
0.6986

Como el p valor es mayor que el nivel de significancia, se procede a ratificar que los datos
tiene una distribucin normal,
La tabla resumen de estadsticas descriptivas (Tabla 4) muestra que la media y la mediana
tiene valores similares, caracterstica de una distribucin normal, los coeficientes de
variacin estn entre 15% y 30% , por tanto se puede decir nada sobre la heterogeneidad de
los datos, la Kurtosis es cercana a 3, es decir no se puede establecer la presencia de datos
atpicos, la asimetra es de 0,09 por tanto podemos decir que la muestra es relativamente
simtrica, estos estadsticos nos permiten corroborar la normalidad en los datos.
Luego de concluir que los datos provienen de una distribucin de probabilidad normal, se
procede a realizar el anlisis estructural, sobre la variable transformada.
Anlisis estructural

Se entiende por anlisis estructural al proceso de seleccin del modelo geoestadstico... As,
el anlisis estructural implica especificar el tipo de hiptesis que se van a hacer sobre la
variabilidad del fenmeno en estudio. Es decir, implica decidir si la variable se puede
considerar estacionaria, o no; si se requiere la especificacin de la tendencia y, en caso de
requerirla, la forma que tendr dicha tendencia; si es suficiente suponer que la variable es
intrnseca, etc. (Funes 2004).
Este proceso es fundamental en el anlisis geoestadstico ya que a travs de l se pretende
entender el comportamiento de la resistividad en funcin de la variacin en la distancia.
Tendencia
Para evaluar la presencia o no de tendencias globales se usaron grficos de dispersin de la
variable contra sus componentes espaciales (este, norte y altura), adems de realiz un
mapa de contornos ya que se presume es el ms idneo para verificar la presencia o no de
tendencias globales (Figura 7).
A partir de los grficos se puede establecer que no hay una tendencia aparente para ninguna
de las componentes espaciales, para corroborar la hiptesis anterior se procedi a realizar
un modelo de regresin de primer orden incluyendo las componentes x, y & z, buscando
establecer si la resistividad es explicada por sus componentes (Ecuacin 1 Tabla 5).

Figura 7. Mapa de contornos y grficos de dispersin para evaluar tendencia - Fuente: autores

Lnresis=0.00244+ 0.21671Y +0.01573 X + 0.01011 Z +

Ecuacin 1: Modelo de regresin lineal Fuente: Autores
Tabla 5. Estadsticos de prueba para evaluar tendencia
P valor (F)
R cuadrado
R cuadrado ajustado

0.002216
0.1568,
0.127

PRUEBA DE HIPOTESIS
Para verificar la pertinencia del modelo de regresin se plantean 3 hiptesis:
1. H o :los parametros no son significativos ; Si p valor coeficientes < , se rechaza H o .
2. H o : El modelo no sirve ; Si p valor F < , se rechaza H o .
3. Si elr cuadrado es inferior al 30 el modelo no ajustalos datos .
Como los p valores de los parmetros de X & Z son menores a 0.05 se rechaza Ho y se dice
que son significativos para el modelo, adems el p valor de F es tambin inferior al nivel de
significa , entonces se dice que el modelo sirve, pero como el r cuadrado es inferior al
25% se establece que no hay una buena bondad del ajuste, por ende se dice que
aparentemente no existe tendencia y se ratifica lo que se haba planteado anteriormente.
Semivariogramas experimentales
Los semivariogramas son la representacin grfica de la semivarianza calculada mediante
un estimador a partir de las diferentes distancias que existen entre los puntos medidos, en
este caso se utiliz el modelo clsico o Mather (Figura 8), donde se analiza la nube de
puntos en el semivariograma o la

autocorrelacin espacial en las mediciones, para

establecer el modelo terico experimental que represente mejor el comportamiento espacial

se redujo la
mxima distancia y el rango, luego de graficar el comportamiento a distancias varias se
procedi a elegir un h= 10000 (Figura 8), ya que a esta distancia se presenta el mejor
comportamiento de la semivarianza.

Figura 8. Semivariograma Mather y semivariograma Mather distancia recortada a 10000

Fuente autores

Anisotropa
Antes de continuar con el anlisis estructural es pertinente establecer si existe o no
anisotropa, y si es as establecer de que tipo. Se denomina que un proceso Z es
anisotrpico cuando la dependencia entre Z(s) y Z(s + h) es una funcin de la magnitud y la
direccin de h, el variograma no es ms una funcin solamente de la distancia entre dos
ubicaciones espaciales (Funes 2004).
Tipos de anisotropa
La anisotropa puede ser de dos tipos genricos: elptica y zonal. La anisotropa elptica se
manifiesta en que el alcance (meseta) vara con la direccin. La anisotropa zonal se
presenta cuando existe una fuente de variabilidad adicional en una de las direcciones, lo
que se manifiesta en que la meseta depende de la direccin (Funes 2004).

Para evaluar la presencia de anisotropa se realiz un grafica donde se calcula el

semivariograma en diferentes direcciones (Figura 10).

Figura 10. Semivariograma direccional - Fuente: autores

En el grafico se observa que la semivarianza depende tanto de la direccin como de la

distancia, pues existen diferencias considerables entre los rangos y las mesetas de los
semivariogramas a diferentes direcciones, por tal razn se puede decir que presuntamente
existe Anisotropa, adems se puede ver que a diferentes rangos se alcanza la misma meseta
por ello se puede establecer que aparentemente se trata de una anisotropa elipsoidal.
La anisotropa elptica tambin denominada anisotropa geomtrica, se puede tratar
mediante una transformacin lineal de coordenadas. Para este caso se denomina razn de
anisotropa al cociente entre el alcance mnimo y el mximo y las direcciones
correspondientes se denominan principales. En el caso de un proceso definido en el plano,
la transformacin lineal entre las coordenadas originales (x, y) y las nuevas (x, y), en
las que el semivariograma es istropo (Funes 2004).

Posterior a la transformacin de coordenadas, se grafic nuevamente el semivariograma

para verificar que no existiera anisotropa (Figura 11).

Figura 11. Semivariograma direccional isotrpico - Fuente: autores

Luego de realizar la transformacin de coordenadas fue posible verificar que ya no existen

diferencias considerables entre los rangos y mesetas a diferentes direcciones, as entonces
se puede decir que el semivariograma ya es relativamente isotrpico.
Modelos tericos de semivarianza
Despus de establecer la mxima distancia y corregir la anisotropa se procede a evaluar los
diferentes tipos de semivariogramas tericos, para ello se eligieron los 3 modelos ms
utilizados para la prediccin en zonas no muestreadas, estos modelos son: exponencial,
esfrico y gaussiano, la eleccin del mejor modelo no se puede tomar de manera
apresurada, ya que se debe elegir solamente aquel que ajuste de mejor manera al
semivariograma muestral, por ello fue necesario estimar los parmetros de entrada para
cada uno de los modelos mediante el ajuste a sentimiento.El mtodo de ajuste denominado
ajuste a sentimiento...se basa en apreciaciones subjetivas y en la experiencia del usuario
no permite conocer la calidad y el grado de fiabilidad del modelo ajustado (Funes 2004).
El resultado del ajuste asentimiento para los 3 modelos elegidos dio como resultado los
siguientes parmetros:

Tabla 6. Parmetros de modelos tericos - Fuente: autores

MaxD: 8965.02

PEPITA

RANGO

MESETA

EXP

0.86

6236.54

1.85

GAU

1.08

8315.38

2.18

SPH

0.79

11953.36

1.72

Mtodos de ajuste
Para ajustar los modelos tericos es decir para encontrar un mtodo de ajuste para
minimizar el error, se usaron 4 mtodos de ajuste: mnimos cuadrados ordinarios (MCO),
mnimos cuadrados ponderados (MCP), mxima verosimilitud (ML) y mxima
verosimilitud restringida (MVR), estos mtodos permiten estimar los parmetros finales
para cada modelo.

Tabla 7. Parmetros finales de modelos tericos - Fuente: autores

RESISTIVIDA

MODELO

PARAMETROS FINALES MODELO

PEPITA

MESETA

MINIMOS

CUADRADOS

RANGO

METODO DE AJUSTE: MINIMOS CUADRADOS ORDINARIOS

EXPONENCIAL

1.1859

0.9606

6236.5877

5661.9572

GAUSSIANO

1.4412

0.6968

8315.3804

3.74

ESFEREICO

1.3294

0.8019

16525.3360

3.7284

METODO DE AJUSTE: MINIMOS CUADRADOS PONDERADOS

EXPONENCIAL

1.1169

1.0969

6236.5877

203.1394

GAUSSIANO

1.4247

0.7663

8315.5832

203.6956

ESFEREICO

1.1155

0.9113

10218.4116

194.0569

MODELO

PARAMETROS FINALES MODELO

PEPITA

MESETA

AIC

RANGO

METODO DE AJUSTE: MAXIMA VEROSIMILITUD

EXPONENCIAL

1.3356

0.7466

6236.5381

-149.9

GAUSSIANO

1.4273

0.5862

5763.2414

-148.9

ESFEREICO

1.341

0.6767

11950

-149.1

METODO DE AJUSTE: MAXIMA VEROSIMILITUD RESTINGIDA

EXPONENCIAL

1.2965

0.9223

6236.5401

-147.4

GAUSSIANO

1.447

1.077

8315.377

-146.9

ESFEREICO

1.312

0.8278

11950

-146.8

A priori es posible establecer que el mtodo que tiene un mejor ajuste es el de mnimos
cuadrados ordinarios para el modelo gaussiano pues presenta la menor suma de cuadrados,
pero esta es una aproximacin ya que para elegir el mejor modelo se hace necesario realizar
una validacin cruzada para los diferentes modelos.

Figura 12. Modelos y mtodos de ajuste - Fuente: autores

Validacin cruzada
A travs de la validacin cruzada es posible establecer cul de los modelos tericos de
semivarianza tiene un mejor ajuste a los estadsticos (ME,RME,ASE,MSE,RMSSE): cada
uno de los estadsticos tiene un valor optimo adecuado (ME=0,RME=0,ASE & MSE=Desv.
Estndar, RMSSE=1), la validacin cruzada lo que hace es estimar la distancia entre los
valores resultantes y los valores ptimos, esa distancia es calculada similar a la distancia
euclidiana, pero en este caso no se restan coordenadas sino los valores ptimos menos lo
valores obtenidos, elevados al cuadrado entre raz, esta distancia debe ser cercana a cero,

por tal razn la distancia ms pequea o lo que es lo mismo la ms cercana a cero es la que
se elige como la del mejor modelo (Arana J., Gaona F. ,2011).
Para realizar la interpolacin se utiliz el mtodo Kriging Ordinario ya que los datos no
presentan tendencia y la media es desconocida, en este caso especfico el Kriging se
denomina Kriging Lognormal, ya que proviene de una transformacin logartmica y su
distribucin es normal.(Funes 2004)
n

i=1

i=1

p ( Z ; B ) = i Z ( si ) con i =1

Ecuacin 2. Formula prediccin Kriging Ordinario Fuente - Funes 2004

Tabla 8. Resultados de la validacin cruzada - Fuente: autores
MODELO
TEORICO

EXPONENCIA
L

GAUSSIANA

ESFERICA

METODO
DE AJUSTE

ME

RMSE

ASE

MSE

RMSSE

DISTANCIA

MCP

0.0005881351

1.2705814771

1.0545798968

0.0251638074

1.2033053749

1.64785

MCO

0.0004613428

1.2708701493

1.0324285007

0.0238608514

1.2289691240

1.63852

ML

1.005541e-05

1.273321e+00

1.002986e+00

5.185467e-03

1.266072e+00

1.639435

MLR

0.0003068093

1.2715042294

1.0007859203

0.0248212163

1.2676865532

1.62508

MCP

-0.002147642

1.272412051

1.020144116

0.026641671

1.240219026

1.632112

MCO

-0.002365794

1.273114432

1.016401765

0.027210034

1.245652101

1.63085

ML

-0.001847009

1.271689149

1.006603381

0.026187636

1.256004624

1.626023

MLR

-0.0008344682

1.2701161813

1.0050714208

0.0205119283

1.2560237296

1.627299

MCP

-0.0004451011

1.2595268953

1.0602641637

0.0371983299

1.1866784869

1.633377

MCO

-0.0006078912

1.2723511159

1.0209849477

0.0260926113

1.2410551931

1.633033

ML

-0.0003829664

1.2632440303

1.0026479965

0.0314372400

1.2561526112

1.613893

MLR

-4.774479e-05

1.261399e+00

1.000188e+00

6.639065e-02

1.257921e+00

1.59048

Luego de realizar la validacin cruzada se decidi que el mejor modelo es esfrico con el
mtodo de ajuste mxima verosimilitud restringido, el cual tiene los siguientes parmetros.
Tabla 9. Modelos tericos finales - Fuente: autores
Modelo
Esfrico

Pepita
1.316

Mtodo de ajuste ML
Meseta
8.464e-01

Rango
1.195e+04

Figura
13. Modelo de prediccin Kriging Ordinario resistividad y Modelo varianzas - Fuente: autores

Figura 14. Tabla de resistividades de algunas rocas - Fuente: Auge 2008

Conclusiones
-

Tras es el anlisis estadstico preliminar se encuentra la normalidad del a variable

solo con la transformacin logartmica, esto sugiere que esta variable siempre
mantiene este comportamiento logartmico y por esta razn en toda la literatura se

trabaja sobre la variable ya transformada con logaritmo natural.

El modelo de prediccin muestra casualmente un comportamiento

con ciertas

similitudes contra el mapa geolgico de la zona, pero esto es meramente una

suposicin ya que para determinar con ms certeza

la composicin de los

materiales de los suelos se requiere realizar todo el modelamiento geoestadstico a

-

las medidas de resistividad a para varias capas, es decir a diferentes profundidades.

Gracias a la normalidad de los datos transformados con logaritmo natural se puede
hacer el anlisis y la interpolacin directamente sobre estos datos, y no es necesario

generar ajustar por medio de modelos de diferentes rdenes y generar residuales.

Para este caso se usa la interpolacin por el mtodo de Kriging simple dado que se
cumple con los parmetros de este modelo, adicionalmente como los datos que se
manejan provienen de una transformacin logartmica se denomina Kriging

Lognormal porque cumple este parmetro. (Funes 2004).

La realizacin de todo el anlisis geoestadstico para el posterior modelamiento nos
ensea las bondades del utilizar procedimientos ms robustos para determinar los
errores y la dependencia de las variables espaciales, gracia a esto se pude realizar el
modelamiento de forma ms precisa y mayor grado de confiabilidad que por medio

mtodos en donde la dependencia entre variables no se tiene en cuenta.

Obtener modelos de alto grado confiabilidad ayuda al ahorro de costos de
exploracin y conocer con ms exactitud la localizacin de la variable de inters, en
este caso la resistividad puede ayudar a encontrar materiales de inters como los
acuferos, o minas de metales importantes para industria.

Bibliografa
Auge M. (2008). Mtodos Geoelctricos para la Prospeccin de Agua. Universidad de
Buenos Aires
Alarcn J., Carvajal H. (2011). Caracterizacin espacial de la variable resistividad elctrica
en el municipio de Envigado, Colombia. Pan-Am CGS Geotechnical Conferece.

Alfaro M. (2007). Estimacin de Recursos Mineros.

Arias D. (2011). Exploracin Geotecnica - Relaciones Geolectricas, Universidad Nacional
de Colombia.
Funes H. (2004). Mtodos estadsticos en problemas espaciales. Universidad Nacional de
Tucuman.
Giraldo H. et al (2000). Geoestadstica: Una Herramienta Para La Modelacin de Estuarios.
Universidad Nacional de Colombia.
Melo C. (2009). Aplicacin de mtodos de interpolacin geoestadsticos para la prediccin
de niveles digitales de una imagen satelital con lneas perdidas y efecto sal y pimienta.
Conciencias.
Sanchez J. (1985). Prospeccin Hidrogeolgica En Rocas Metamrficas Mediante
Geofsica Elctrica. Universidad de Salamanca.
Viera M. (2002). Geoestadistica Aplicada. UNAM.
Arana J., Gaona F. (2011). Anlisis y Modelamiento Espacial de la Contaminacin Sonora
en la Localidad de Engativ Mediante la Aplicacin de Tcnicas Geoestadsticas. UD y la
Geomtica.