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

Junio, 2011

El variograma y el correlograma, dos

estimadores de la variabilidad de mediciones
hidrolgicas

Variogram and correlogram, two proposed

estimators of the hydrological variability
measurement

Alfonso Gutirrez-Lpez1*, Aldo I. Ramirez2, Thierry Lebel3, Oscar Santilln4,

Carlos Fuentes1
Centro de Investigaciones del Agua, CIAQ, Universidad Autnoma de
1

Quertaro, Cerro de las Campanas, s/n Qro. Col. Las Campanas C.P. 76010,
Quertaro, Mxico
Centro del Agua para Amrica Latina y el Caribe, Tecnolgico de Monterrey,
2

Eugenio Garza Sada 2501 sur C.P. 64849, Monterrey, Mxico

3
Laboratoire dEtude des Transferts en Hydrologie et Environnement, 1025,
rue de la piscine C.P. 38400 Saint Martin dHres Grenoble, Francia
4
Instituto Mexicano de Tecnologa del Agua, IMTA, Paseo Cuauhnhuac
8532, Col. Progreso, C.P. 62550, Jiutepec, Morelos, Mxico

(Recibido el 8 de marzo de 2010. Aceptado el 18 de marzo de 2011)

Resumen
En este artculo se presenta el anlisis de la precipitacin diaria de cuatro
estaciones climatolgicas de Chiapas y Tabasco ubicadas en la cuenca de
aportacin de la planicie tabasquea, en el perodo agosto a noviembre de
2007. En dicho perodo se gener la gran inundacin de Villahermosa y sus
alrededores. Los variogramas y correlogramas indican que las precipitaciones
producidas estn en efecto fuera de su variacin normal.
------ Palabras clave: Kriging, geoestadstica, interpolacin espacial,
inundacin en Tabasco, precipitacin diaria

Abstract
The analysis of daily precipitation data of four climate stations in the
Mexican states of Chiapas and Tabasco is presented in this paper. The period

* Autor de correspondencia: telfono: +52 + 442 + 192 1200 ext. 6401, correo electrnico: alfonso.gutierrez@uaq.mx (A. Gutirrez)

193
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011

from August to November of 2007 was selected because of the big flood
that severely affected the city of Villahermosa and its surroundings. The
variograms and correlograms indicate that the produced precipitations are in
fact far from its normal variability.
------ Key words: Kriging, geostatistical, spatial interpolation, Tabascos
flood, daily precipitation

Introduccin anlisis basado en correlaciones. Estos nombres

El kriging y el kriging universal son dos mtodos
usados comnmente para la interpolacin
espacial de variables geofsicas e hidrolgicas.
Uno de los pasos claves para la aplicacin de
un krigeado es que se debe definir una funcin
de correlacin espacial llamada variograma.
El objetivo de este artculo es presentar los
principios bsicos del mtodo de interpolacin
espacial kriging y presentar detalladamente la
relacin entre un variograma y un correlograma.
Esta relacin frecuentemente se confunde y
presenta complicaciones matemticas a quienes
desarrollan relaciones regionales y trabajan
con el anlisis espacial de datos. El kriging es
el mtodo de estimacin ptimo en el sentido
estadstico del trmino y se puede utilizar tanto
para la interpolacin como para la extrapolacin.
El kriging lleva el nombre de quin lo concibi,
el ingeniero en minas de origen sudafricano D.
G. Krige. Durante los aos cincuenta del siglo
pasado, [1] desarroll una serie de mtodos
estadsticos empricos con el objeto de determinar
la distribucin espacial de minerales a partir de
un conjunto de perforaciones. Sin embargo, fue
el francs Matheron [2], quien formaliz esta
tcnica, utilizando las correlaciones entre las
perforaciones para determinar la distribucin
espacial de los minerales. Fue l quien nombr
a esta tcnica como kriging. Tambin fue el
primero en utilizar el trmino geoestadstica
para designar la modelacin estadstica de datos
espaciales. Las mismas ideas fueron desarrolladas
paralelamente en la antigua Unin Sovitica por
Gandin [3] quien bautiz este procedimiento con
el nombre de interpolacin ptima cuando lo
aplic a datos meteorolgicos. Gandin introdujo
el trmino de anlisis objetivo para describir el
an estn en uso, sobre todo cuando se trata
de aplicacin relacionadas con las ciencias
de la atmsfera. En oceanografa el mtodo
fue desarrollado en 1976 [4] y es conocido
con el nombre de mtodo de interpolacin
de Gauss-Markov que es el nombre que se le
da formalmente a este procedimiento en los
textos de estadstica [5,6]. A continuacin se
presenta un desarrollo bsico de la formulacin
del variograma y su relacin con la funcin
que se conoce como correlograma. Se da por
hecho que el lector tiene ciertos conocimientos
de geoestadstica por lo que se omiten algunas
demostraciones.
Metodologa
El variograma
La interpolacin espacial es un problema clsico
de estimacin de una funcin F(x) en un punto Xp
de un plano a partir de valores conocidos de F en
un cierto nmero m de puntos regionales Xi. El
problema consiste en determinar la ponderacin
de los valores Wi de cada punto regional, tal como
se propone en la ecuacin (1).
(1)
Existen muchas maneras de escoger estos
pesos; los dos mtodos ms conocidos son la
interpolacin lineal (en funcin del inverso de la
distancia) y el mtodo de ajuste de polinomios
cbicos (splines). En el kriging se eligen los
pesos a partir del grado de similitud entre los
valores de F, a partir de la covarianza entre los
puntos en funcin de la distancia que lo separa.
Un usuario serio del kriging debe conocer bien

194
 El variograma y el correlograma, dos estimadores de la variabilidad de mediciones hidrolgica

las condiciones de utilizacin de este mtodo. i) kriging simple: variable estacionaria de

En este trabajo se asume que el lector conoce media conocida.
los principios bsicos de este mtodo, por lo que
ii) kriging ordinario: variable estacionaria de
simplemente se establece que la nica condicin
media desconocida.
indispensable para utilizar el kriging, es que
la media y la varianza de la funcin F sean iii) kriging universal: variable no estacionaria
estacionarias, es decir; estos dos estadsticos no (que tienen una tendencia).
dependen de la posicin de los puntos de medicin
sino solamente de la distancia que los separa. De Cabe mencionar que la interpolacin por funciones
sta forma podemos decir que el variograma es splines cbicas, equivale a un kriging utilizando
simplemente la varianza menos la covarianza, una covarianza generalizada de orden 1, estas
en funcin de la distancia entre los puntos [7, 8]. funciones son muy utilizadas para cartografiar
El kriging utiliza el semi-variograma (la mitad variables meteorolgicas porque proporcionan
de un variograma) para determinar los pesos una imagen lisa del fenmeno interpolado. Sin
en la ecuacin (1). Un comentario pertinente es embargo, esta interpolacin no es ptima en el
que en la literatura especializada se encuentran sentido de la varianza del estimador [9,10]. En
indistintamente los trminos variograma y este trabajo no referiremos al kriging ordinario
semi-variograma, utilizados como sinnimos y llamado tambin por algunos autores, kriging
definidos por la ecuacin (2). El semi-variograma puntual. El procedimiento consiste en determinar
para un caso bidimensional puede calcularse con la combinacin de pesos Wi de la ecuacin (1).
la siguiente ecuacin. Los pesos se obtienen multiplicando los Wi
en cada uno de los m puntos, por cada uno de
las m semi-varianzas asociadas a estos puntos
1 n (h )
(h ) = (x i yi )2 (2) (las lneas de la matriz A de la ecuacin 3). El
2n (h ) i =1 problema puede expresarse como un sistema de
donde m+1 ecuaciones lineales, con m+1 incgnitas
[11, 6, 12].
(h) es el variograma terico y
A . W = B (3)
n(h) es el nmero de puntos xi, yi separados
una distancia h= xi - yi. donde
Se utiliza la notacin de xi, yi para la
mejor comprensin en el plano euclidiano
bidimensional, sin embargo, en la prctica las
coordenadas (x, y) representan un vector x de
una variable aleatoria, denotada comnmente en
geoestadstica como Z(x). La seleccin y el ajuste
de una funcin a un semi-variograma es la parte

ms delicada de un kriging [7]. El kriging consiste
en calcular los pesos Wi de la ecuacin (1) con la
ayuda de la funcin (h) correspondiente a los m
puntos de medicin. Existen tres tipos de kriging
univariado: el kriging simple, el kriging ordinario
y el kriging universal. La diferencia entre estos
tipos de estimacin radica en el conocimiento de
la estadstica de la variable a interpolar.

195
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011
Los (hi, ji), con i = 1,2,,m y j = 1, 2, ,
m, son los valores del semi-variograma que
corresponden a la distancia hi,j entre los puntos
xi y xj. Los (hi,j) son calculados a partir de los
datos experimentales utilizando la ecuacin (2)
mientras que los (hi,p) son calculados con la
ayuda de la funcin analtica que ha sido ajustada
a los puntos del semi-variograma experimental.
Para que la solucin del sistema sea insesgada, la
suma de pesos Wi debe ser igual a 1. Esta condicin
introduce un grado de libertad suplementario
en el problema, el cual se introduce, agregando
una variable libre que es precisamente el
multiplicador de Lagrange, con el objeto de
minimizar el error de la estimacin. Esta es una
de las claves de la aplicacin y uso del krigeado.
El vector W se obtiene premultiplicando los
dos lados del ecuacin (3) por la inversa de la
matriz A. El valor buscado en el punto xp se
calcula utilizando los valores conocidos de F y
la ecuacin (1). La varianza de la estimacin Sp,
ecuacin (4) es el cuadrado del error estndar en
cada punto y se obtiene con la relacin:
S2p = W T B (4)
Donde WT es el vector transpuesto de W. Si
suponemos que los errores de estimacin se
encuentran normalmente distribuidos en torno a
los valores reales, entonces la probabilidad de que
el valor verdadero est en el intervalo F(xp) Sp, es
del 68%; mientras que la probabilidad que el valor
verdadero sea F(xp) 2Sp, es del 95% [11,12].
Momentos de orden uno y dos
Una variable aleatoria Z(x) en donde x es por
ejemplo el vector bidimensional (x,y), es una
funcin que toma un conjunto de valores o
mediciones realizadas, que siguen una cierta
196
distribucin de probabilidad. Estas mediciones
o realizaciones pueden ser cualquier variable
geofsica o hidrolgica. De esta forma podemos
definir los dos primeros momentos de la funcin
aleatoria como:
Momento de primer orden o esperanza
matemtica
i) La media
m[Z(x)] = E[Z(x)]
Momentos de segundo orden
i) La varianza
var[Z(x)] = E{[Z(x) - m[Z(x)]]2}
ii) La covarianza
cov(x1,x2) = E{[Z(x1)
- m[Z(x1)]] Z(x2) - m[Z(x2)]]}
iii) El variograma
2(x1,x2) = var[Z(x1) - Z(x2)]
Si la funcin aleatoria es estacionaria, entonces
se puede escribir:
var[Z(x)] = E{[Z(x) - m[Z(x)]]2 = cov(0) = C(0)
La relacin con el correlograma
En general el correlograma (ecuacin 5), se
utiliza para representar el desfasamiento en
series de tiempo, pero cuando se estima en forma
divariada representa la variabilidad espacial. Con
esta misma notacin, esta variabilidad puede
modelarse con la ayuda de un correlograma,
definido como [13].
(5)
donde:
h es un incremento en el espacio de dos
dimensiones para los puntos
 El variograma y el correlograma, dos estimadores de la variabilidad de mediciones hidrolgica
Z(x1) es una variable aleatoria donde xi es el
vector de mediciones en el punto i
En el caso isotrpico se considera que de no existir
una direccin definida en el clculo de la varianza,
el incremento h representara una distancia [14].
En este sentido, la estimacin de (h) requiere de
la estimacin de las varianzas puntuales y de las
medias representadas por las ecuaciones (6). Si
se estudia el caso de una realizacin o medicin
nica, los valores de estos estadsticos tenderan
a un valor constante. Es decir, si se observa o se
mide la k-sima realizacin de un proceso, se
deben cumplir las siguientes hiptesis:
(6)
Estas hiptesis asociadas con el postulado
bsico de la geoestadstica el cual indica que
(h) depende solamente de la distancia h y que
se conoce como la hiptesis de segundo orden.
De esa forma se puede escribir la funcin de
covarianza C(h) con la ecuacin (7) como:
C(h ) = 2k (h ) (7)
La estacionariedad dbil o de segundo orden
es una hiptesis poco realista en ciertos casos
ya que implica que los momentos de primero y
de segundo orden del proceso estocstico sean
invariantes en el tiempo, sin embargo es til para
comprender las bases de la geoestadstica. Por
donde C(h ) = C(0) (h )
Por tanto, utilizando la ecuacin (7) se puede
escribir que: (h) = 1 - (h) / C(0). Cuando C(0)
no existe, la covarianza C(h) est definida como
una constante.
otro lado, el error en la estimacin de la media mk,
en la mayora de los eventos hidrolgicos puede
ser de gran magnitud, por lo que es apropiado
utilizar la varianza [13].
Utilizando las ecuaciones (6), considerando
incrementos simples de la funcin aleatoria
obtenemos las ecuaciones (8) y (9); a estos se
les conoce como incrementos de orden cero de la
funcin aleatoria que se suponen estacionarios de
segundo orden [10].
E Z(x + h ) Z(x) = 0 t ; h
(8)
var Z(x + h ) Z(x) = 2 (h ) (9)
En la hidrologa por lo general se consideran
los procesos estacionarios de segundo orden; y
en general cuando se refiere a estacionariedad,
nos referimos al segundo orden. En este
planteamiento la varianza de estos incrementos
no depende del tiempo; nicamente del
incremento sobre la distancia en el espacio (h).
Si el fenmeno es isotrpico, entonces esta
varianza slo depende de h y es una funcin
de la distancia que separa ambos puntos,
independientemente de la direccin entre ellos
o de h. As, se puede decir entonces que el
variograma o semivariograma est definido para
este caso como (0) = 0. Sin embargo, si existe
una varianza finita, el variograma (h) definido
por la ecuacin (10) y el correlograma son dos
formulaciones de una misma funcin estructural.
(10)
Varianza de una combinacin lineal
Los clculos de la varianza de las variables
aleatorias manejadas en hidrologa, pueden
definirse normalmente como una combinacin
lineal definida por la ecuacin (11) [15]. Si la
varianza C(0) o 2k de un fenmeno no est
197
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011

definida o es imposible de determinar, la pregunta es una combinacinlineal respetando la condicin

n
es: se puede a pesar de todo, estimar la varianza de la ecuacin (12) y i = 0 ya que el
(ecuaciones 12 y 13) de ciertas combinaciones i =0
lineales?. Para responder a esta cuestin, coeficiente 0 de Z*k es igual a uno [13]. En este
considrese la combinacin lineal. caso, 2Ek puede estimarse con la ayuda de un
n n
variograma como: E k = i j i j con
2
n
i = 0 j= 0
x = i Zi (11) n
i =0 0 = 1 y i = 1
i =1
entonces:
Lo anterior demuestra que el conocimiento del
variograma permite siempre evaluar la varianza
n n del estimador. Por otro lado, si C(0) no es
var(x) = i j cov(Zi , Z j ) conocido, el clculo de la varianza del estimador
i = 0 j= 0
Zk no es posible (puede ser infinita). Solamente
o bien: los modelos de variograma tipo denotados por
la ecuacin (15) permiten calcular C(0) para
determinar esta varianza. Finalmente, si las
var(x) = i j i j K i j parejas de coordenadas son reagrupadas en clases
de igual distancia, se puede definir entonces el
Que no puede ser calculada en el caso general, variograma como:
ya que normalmente no se conoce C(0) en (i = j).
Sin embargo, con ayuda de la ecuacin (10) se 1 n (h )
Z(x i h ) Z(x i ) (15)
2
puede escribir. (h ) =
2n (h ) i =1
[
var(x) = i j i j C(0) - ij ] (12) donde n(h) es el nmero de parejas dentro de una
clase o grupo con una distancia media equivalente
Por tanto, si C(0) no se conoce o no existe, la
al valor de h. Esta expresin es equivalente a
condicin i = 0 es necesaria y suficiente
la ecuacin (2). Es importante remarcar que
para poder estimar var(x) con ayuda de un
la posicin de los puntos del variograma est
variograma y entonces se tiene que.
influenciada por una fuerte variabilidad en la
medicin, as como de la distancia entre las
var(x) =
i
j i j
j i
(13) mediciones. Para ejemplificar la representacin
grfica de las funciones de correlacin espacial,
Por otro lado, si se define el estimador estadstico se presenta a continuacin un ejemplo muy
de la varianza a partir de las mediciones sencillo, en donde las figuras 1 a 5 muestran
experimentales puntuales Zi (ecuacin 14) como: las funciones ajustadas a los datos de las lluvias
diarias registradas de las centrales hidroelctricas
n de Malpaso y Peitas, durante el mes de
Z*k = i Z i (14) octubre de 2007. Se muestra el correlograma,
i =1 la funcin de covarianza y el variograma, para
n los datos omnidireccionales (caso isotrpico) y
se puede escribir que: 2 E k = var i Z i Z*k unidimensionales (el eje de las abscisas son los
i =1
n n
das del mes).
bajo la condicin de de que i = 1, i Z i Z*k
i =1 i =1

198
 El variograma y el correlograma, dos estimadores de la variabilidad de mediciones hidrolgica

poblacional son 574 y 2870, respectivamente.

Lo anterior nos lleva a obtener desviaciones
estndar en Malpaso del orden de 24 y de 54
mm en Peitas. Analizando el caso isotrpico y
unidimensional, el eje de las abscisas representa
la variacin en el tiempo (mes de octubre 2007)
de la precipitacin ( h t ). El correlograma
obtenido de los registros de precipitacin en la
C.H. Malpaso (figura 1), muestra que para un
Figura 1 Correlograma para la lluvia de octubre tiempo de 1 a 3,5 das y superiores a 8 das; la
2007, en la C.H. Malpaso variacin en la precipitacin no es significativa.
Lo que nos lleva a concluir que para un intervalo
(|h|)
de tiempo de 4,5 das; es en donde los valores de
56
54 precipitacin son superiores a la varianza normal
630
560 60 58
52
50
48 del registro histrico (tabla 1). Esto quiere decir
490 que este intervalo presenta cambios en la varianza
420
350
(alteraciones) y por consecuencia en los valores
280 medios. Cabe mencionar que se trata de un
210
140
anlisis de precipitaciones extremas para un mes
70 en particular y que para detectar una variacin
0
0 1 2 3 4 5 6 7 8 9 histrica representativa, por ejemplo, de toda la
|h|
temporada lluviosa entre agosto y noviembre; es
Figura 2 Covarianza para la lluvia de octubre 2007, necesario analizar la serie histrica completa de
en la C.H. Malpaso las mediciones de lluvia (tabla 2). Para esta misma
C.H., la funcin de covarianza (figura 2), revela
C(0)-C(|h|) la misma variacin descrita en el correlograma;
54
720
56
sin embargo, la funcin variograma (figura 3)
640 52
560 60 58 50 48 ofrece un mayor detalle de la variacin en torno
480 al valor de la varianza (4,0 das es el intervalo
400
320
que presenta alteraciones o cambios en la
240 varianza). Esta variacin entre una estructura y
160
80
otra se presenta de una manera ms evidente en
0 la C.H. Peitas (figuras 4 y 5). Un anlisis del
0 1 2 3 4 5 6 7 8 9
|h| correlograma mostrado en la figura 4, nos indica
Figura 3 Variograma para la lluvia de octubre 2007, que para un tiempo de 1 a 3,3 das y superior a
6,8 das; la variacin en la precipitacin no es
en la C.H. Malpaso
significativa en la C.H. Peitas. Por lo tanto, para
un intervalo de tiempo de 3,5 das; los valores
Resultados y discusin de la precipitacin sern superiores a la varianza
En las figuras 1-3 la lnea discontinua corresponde normal del evento (1,0 da menos que en la C.H.
al valor de la varianza poblacional de la muestra Malpaso).
y el nmero arriba de cada marca, denota el El variograma (figura 5), muestra sin embargo
nmero de pares con el que se calcula cada punto valores diferentes para esta misma C.H. Peitas:
del variograma experimental. Para las series de para un tiempo de 1 a 2,8 das y superior a 5,0 das;
datos de lluvia de las centrales hidroelctricas la variacin en la precipitacin no es significativa.
Malpaso y Peitas los valores de la varianza El intervalo de tiempo de mayor variacin para

199
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011

eventos lluviosos corresponde a una duracin de fenmeno se considera isotrpico, entonces esta
2,2 das (tiempo de la tormenta que pudo haber varianza slo depende de h y entonces la ecuacin
causado los daos no previstos en esta zona). La (8) se cumple slo cuando la precipitacin afecta
diferencia en das, de los dos intervalos de lluvia el entorno geogrfico de alguna de las dos
crticos para la C.H. Peitas es de (3,5-2,2) 1,3 centrales hidroelctricas en un tiempo h t .
das y considerando que se trata de una cuenca
El complemento de este anlisis se lleva a cabo
de respuesta rpida es importante considerar,
involucrando la variable espacial, Sin embargo,
entonces, si se estima la duracin crtica de una
llevar a cabo un riguroso estudio espacio-temporal
tormenta utilizando la funcin correlograma o
de las precipitaciones en esta zona para un inter-
la funcin variograma. Si bien el variograma y
valo de tiempo y espacio seleccionado, requiere
el correlograma son dos formulaciones de una
considerar anisotropia en los registros de precipi-
misma funcin estructural (varianza definida),
tacin y tomar en cuenta ms estaciones de medi-
el variograma presenta ventajas ya que al
cin. Cabe recordar que el objetivo del presente
definirse con la varianza, sta se vuelve una
artculo es presentar solamente la relacin entre un
combinacin lineal de los datos representados
variograma y un correlograma para utilizar ambas
en l, tal como lo presenta la ecuacin (11). Por
formulaciones matemticas para representar la va-
lo tanto, la funcin estima un error en funcin
riabilidad de mediciones hidrolgicas. El ajuste
de la variancia de una diferencia de cuadrados
de variogramas experimentales a modelos teri-
(ecuacin 15), ventaja sobre el correlograma que
cos direccionales con anisotropa, ser objeto de
slo estima una correlacin, pero no la variacin.
trabajos posteriores. Este anlisis de la lluvia del
De lo anterior se deduce que el variograma define
mes de octubre de 2007 se complementa con los
de una manera clara y confiable la variabilidad de
correlogramas y variogramas de las estaciones Sa-
la precipitacin que se present durante el mes
yula y Ocotepec las cuales se localizan cercanas a
de octubre del 2007. Cabe recordar que para este
las Centrales Hidroelctricas de Malapso y Peitas
caso isotrpico y unidimensional, la variabilidad
y pudieran ser empleadas para un futuro estudio
nicamente depende del tiempo. Es decir, si el
espacio-temporal en la zona.

Tabla 1 Duracin crtica de tormentas para el mes de octubre de 2007 (en das)

Estacin Condicin (0) - (h) C(0) - C(h) (h)

Nd 1 a 3,5 y > 8,0 1 a 3,5 y > 8,0 1 a 3,2 y > 7,2
C.H. Malpaso
Pd 4,5 4,5 4,0
Nd 1 a 3,3 y > 6,8 1 a 3,1 y > 6,6 1 a 2,8 y > 5,0
C.H. Peitas
Pd 3,5 3,5 2,2
Nd 1 a 3,8 y > 6,8 1 a 3,8 y > 6,8 1 a 4,0 y > 7,0
Ocotepec
Pd 3,0 3,0 3,0
Nd 1 a 2,7 > 6,1 1 a 2,8 > 6,2 1 a 2,6 > 5,7
Sayula
Pd 3,4 3,4 3,1

(N d) No causa daos
(P d) Posible causa de daos

200
 El variograma y el correlograma, dos estimadores de la variabilidad de mediciones hidrolgica

Tabla 2 Duracin crtica de tormentas del mes de septiembre a noviembre de 2007 (en das)

Estacin Condicin (0) - (h) C(0) - C(h) (h)

Nd 1 a 3,7 y > 7,5 1 a 3,8 y > 7,6 1 a 3,5 y > 8,0
C.H. Malpaso
Pd 3,8 3,8 4,5
Nd 1 a 4,0 y > 6,6 1 a 4,0 y > 6,7 1 a 3,0 y > 7,0
C.H. Peitas
Pd 2,6 2,7 4,0
(N d) No causa daos
(P d) Posible causa de daos

condicin anisotrpica. Es conveniente recordar

que para calcular los pesos W es conveniente
utilizar todos los puntos de medicin, sin
embargo la mayora de los programas de cmputo
disponibles utilizan slo un conjunto de ellos.
El kriging es el mtodo ptimo en el sentido
estadstico de interpolacin y extrapolacin. Es el
mtodo estimacin ms preciso. Contrariamente
a todos los otros mtodos este nos permite
Figura 4 Correlograma para la lluvia de octubre calcular el error de estimacin de las variables.
2007, en la C.H. Peitas Sin embargo es conveniente agregar que muchos
casos y especialmente cuando se trata de una
(|h|) malla regula el mtodo de Splines cbicos
3000 58 56
54 produce de una manera ms rpida y simple,
2700
2400 60 52 48 resultados muy cercanos o casi equivalentes a
2100
50 los obtenidos por el kriging. Si la precisin de
1800
1500 resultados es lo importante el kriging es entonces
1200 el mtodo privilegiado que debe utilizarse [6].
900
600
300 Respecto a la relacin entre un correlograma y
0
0 1 2 3 4 5 6 7 8 9
un variograma, se ha demostrado que ambas
|h| son dos formulaciones de una misma funcin
Figura 5 Variograma para la lluvia de octubre 2007, estructural de variabilidad; sin embargo, el
en la C.H. Peitas variograma al estar definido nicamente por
la varianza, no tienen ninguna dependencia
del tiempo, nicamente del incremento sobre
Conclusiones la distancia en el espacio (h) de los puntos
Se ha presentado una introduccin bsica de medicin. Es decir, el conocimiento del
del kriging y del clculo de variogramas. El variograma permite siempre evaluar la varianza
variograma ha sido calculado suponiendo una del estimador. Esta condicin es privilegiada
condicin isotrpica, es decir que la variacin es cuando se analizan datos espacialmente variados.
la misma en todas las direcciones del plano, lo El correlograma, al mostrar la correlacin entre
cual generalmente no ocurre. Si se considera una las mediciones, permite en la mayora de los
variacin de las mediciones como funcin de la casos, analizar la independencia entre eventos, tal
direccin, entonces debe definirse un variograma y como se utiliza esta formulacin en problemas
para cada punto de los ejes del plano es decir, una de hidrologa estocstica; el variograma es

201
Rev. Fac. Ing. Univ. Antioquia N. 59. Junio 2011
entonces la herramienta matemtica utilizada
tradicionalmente para representar la variabilidad
geoestadstica de una medicin.
Respecto a los resultados de la duracin crtica
de las tormentas, se concluye que la funcin de
covarianza y el correlograma arrojan resultados
similares. El variograma que matemtica
y visualmente aporta un mayor nmero de
elementos para caracterizar la variabilidad
en el tiempo (para este caso h t ), es la
herramienta adecuada para identificar la duracin
crtica de las tormentas. Para el caso de la C.H.
Malpaso-(h), la lluvia que pudiera causar dao
en el mes de octubre, tiene una duracin de
4 das, mientras que si se analiza un periodo
ms largo de tiempo, la duracin crtica de la
tormenta aumenta a 4,5 das. Para el caso de la
C.H. Peitas, la duracin de la tormenta crtica
en octubre es de 2,2 das; y de 4,0 das si se toma
el perodo lluvioso de septiembre a noviembre.
Finalmente cabe mencionar que para la lluvia
de octubre, en tres de las cuatro estaciones,
la funcin de covarianza y el correlograma
presentan sistemticamente valores menores a
los que se obtienen con la funcin variograma.
Esto quiere decir que al tomar como estimador de
la variabilidad de la lluvia en esta zona, tanto la
funcin de covarianza y el correlograma, pudieran
estar sobre-estimando la duracin crtica de una
tormenta que puede ocasionar daos en octubre.
Referencias
1. D. G. Krige. A statistical approchoach to some Basic
mine valuation problems on the Witwatersrand.
Journal of chem., metal. and mining. Vol. 52. 1951.
pp.119-139.
2. G. Matheron. Principles of Geostatistics. Economic
Geol. Vol. 58. 1963. pp.1246-1268.
202
3. L. S. Gandin. Objective Analysis of Meteorological
fields. Israel Program for Scientific Translations. N.
1373. 1965. pp. 155-265.
4. F. B. Bretherton, R. E. Davis, C. B. Fandry. A
technique for objective analysis and design of
oceanographic experiments applied to MODE-73.
Deep-Sea Res. Vol. 23. 1976. pp. 559-582.
5. P. B. Liebelt. An introduction to Optimal Estimation,
Ed. Addison-Wesley. Boston (MA). 1967. pp. 62-102.
6. Y. Gratton. Le Krigeage: la mthode optimale
dinterpolation spatial. Ed. Institut dAnalyse
Gographique. Quebec (Canad). 2002. pp. 1-4.
7. A. G. Journel, C.J. Huijbregts. Mining Geostatistics,
Ed. Academic Press. London (UK). 1978. pp. 202-515.
8. E. H. Isaaks, R. Srivastava. Applied Geostatistics. Ed.
Oxford University Press. New York. 1989. pp. 278-
290.
9. O. Dubrule. Comparing Splines and Kriging.
Computers and Geosciences. Vol. 10. 1984. pp. 327-
33.
10. T. Lebel, Moyenne spatiale de la pluie sur un bassin
versant: estimation optimal, gnration stochastiques
et gradex des valeurs extremes. Thesis. D. I. USMG,
INP. Grenoble (Francia). 1984. pp. 35-198.
11. J. C. Davis. Statistics and Data analysis in Geology.
Ed. John Wiley and Sons. New York. 1986. pp. 125-
134.
12. R. Haining. Spatial data analysis, theory and practice.
Ed. Cambridge University Press. Cambridge (UK).
2003. pp. 181-225.
13. P. Goovaerts. Geostatistical approaches for
incorporating elevation into the spatial interpolation
of rainfall. Journal of Hydrology. Vol. 228. 2000. pp.
113-129.
14. J. Creutin, C. Obled. Objective analyses and mapping
techniques for rainfall fields: an objective comparison.
Water Resources Research. Vol 18. 1982. pp. 413-431.
15. E. Todini. Influence of parameter estimation
uncertainty in Kriging: Part 1 Theoretical
Development. Hydrology and Earth System Sciences.
Vol. 5. 2001. pp. 215-223.