ANTECEDENTES

GEOESTADISTICA
Antecedentes
Matheron, padre de la Geoestadstica en su forma actual, la defini como la aplicacin del
formalismo de las funciones aleatorias al reconocimiento y estimacin de fenmenos naturales
(Matheron, 1962). Una funcin aleatoria puede visualizarse como definida en todos los puntos
del espacio, o lo que es igual, cada realizacin de la funcin aleatoria es una funcin espacial.
Lo caracterstico de las funciones aleatorias es que cada realizacin se puede concebir como
suma de una componente estructurada y otra aparentemente errtica. La componente
estructurada es la que permite asegurar que, si nos encontramos en una zona en que se han
realizado varias medidas por encima de lo normal, lo ms probable es que las medidas
adicionales tambin sean altas. La componente aleatoria es la que impide predecir con exactitud
el valor de dichas hipotticas medidas.
Los orgenes de la geostadstica estn en la minera. Como antecedentes suelen citarse trabajos
de Sichel (1947, 1949) y Krige (1951). Sin embargo la formulacin rigurosa y la solucin del
problema de estimacin vino de la mano de Matheron [12, 13].
LA NECESIDAD DE MODELIZAR
Necesidad de modelar
Al enfrentar el problema de predecir el valor de una variable en una localizacin del espacio no
muestreado, debemos ajustar a un modelo. Este modelo puede ser determinstico, como el
modelo usado para predecir la posicin de la Tierra cuando gira alrededor del Sol a un tiempo
futuro, o puede ser estocstico, como el modelo que nos da la probabilidad de los resultados
cara o cruz al arrojar una moneda al aire. El modelo de funcin aleatoria es usado en
geostadstica para el tipo de fenmenos descrito anteriormente. Bajo el modelo de funcin
aleatoria (FA), la existencia (pero slo parcialmente conocida) de la distribucin espacial de la
variable bajo estudio es considerada como una sola realizacin de una infinito conjunto de
posibles realizaciones. La funcin aleatoria modela la totalidad de realizaciones a que la
realidad pertenece. La FA especifica cual es el rango de valores que la variable puede tomar en
cualquier punto, y el grado de correlacin que este valor tiene que mantener con los datos
cercanos.
Es importante al comentario que el uso de un modelo de FA no implica ningn tipo de
aleatoriedad en la variable bajo estudio. El uso de un modelo de FA es una herramienta
conveniente para modelizar la variabilidad espacial del fenmeno bajo estudio.
ESPACIAL
La continuidad espacial
El variograma es la piedra angular de la geostadstica, modela el grado de correlacin espacial
de la variable. Los variogramas valoran para un vector h con una tolerancia h, y se definen
como la mitad de la media
cuadrada de la diferencia de todos los pares de datos que estn separado por el vector h h .
Generalmente, el variograma ( ) es una funcin montona no decreciente de h. alcanza un
valor lmite constante llamado meseta que coincide con la varianza de la variable en estudio. La
distancia a la que alcanza este valor se denomina rango o alcance y marca la zona de influencia
en torno a un punto, ms all del cual la autocorrelacin es nula. Con frecuencia el variograma
es discontinuo en el origen, con un salto finito que se denomina efecto pepita, el cual se produce
por no poder medir en el espacio inmediato.
CIONES GENERALES
Aplicaciones Generales
Anlisis de los datos
El variograma es una herramienta poderosa para analizar los modelos de variabilidad
espaciales de un fenmeno . Interpretndolo como una medida vectorial de distancia
estructural, es posible usarlo para descubrir direcciones de mxima y mnima
continuidad. Tambin permite descubrir la conducta del fractal potencial, o hacer una
estimacin cuantitativa sobre el grado de suavidad desplegada por la variable. En el
anlisis multivariante, el variograma cruzado (una extensin del variograma para dos
variables) puede usarse para cuantificar la inter-relacin entre varias variables y su
grado de inter-dependencia espacial. En resumen, la variografa ayuda en el anlisis
exploratorio de los datos
La estimacin
Los orgenes de la geostadstica estn en la estimacin de un atributo en las situaciones
no muestreadas. La tcnica del krigeage proporciona una estimacin lineal como una
funcin de los valores de la variable en las localizaciones cercanas. El krigeage tiene
dos ventajas principales con respecto a otros estimadores lineales: a) los pesos usados
en la estimacin son determinados como una funcin entre la distancia estructural (el
variograma) del valor y la localizacin a ser estimada y la distancia estructural (el
variograma) de cualquier otro par de datos, y b) la estimacin se acompaa por una
cuantificacin de incertidumbre, es decir la varianza del krigeage.
No slo se consigue una estimacin que tiene en cuenta la posible anisotropa de la
continuidad espacial del atributo, considerando para la redundancia de los datos y con
una medida de la confianza que puede ser depositado en la estimacin.
De las muchas variantes de krigeage, el krigeage ordinario es el ms usado.
La estimacin krigeage es conocida como el mejor estimador imparcial lineal, en el
sentido, que el sistema de ecuaciones que tienen que ser resuelto para determinar los
coeficientes de la estimacin lineal se obtiene bajo las condiciones que el promedio de
los z * (estimados) es igual al promedio de los datos, y que el promedio del cuadrado de
la diferencia entre las estimaciones y los valores reales (interpretado como una
realizacin del modelo de funcin aleatoria es mnima.
Hay muchos otros tipos de krigeage, dependiendo del tipo de funcin aleatoria, modelo
escogido y el tipo de estimacin (si lineal o no), como, el krigeage simple, krigeage
universal, krigeage disyuntivo, krigeage factorial, o el krigeage indicador .

La simulacin
Cuando el rea bajo el estudio es la grilla y el atributo es estimado por krigeage a cada
cuadrcula en la reja, se obtiene un mapa estimado. A partir de que la estimacin de
cada localizacin es realizada como una funcin exclusiva de los datos, las estimaciones
en localizaciones cercanas son muy similares, dado que los pesos no varan
abruptamente.
Como una consecuencia, el mapa resultante es una versin lisa de realidad, la cual es
muy apropiada para descubrir tendencias de gran potencia y las estimaciones globales.
Sin embargo, el mapa estimado no es una representacin creble de realidad, el mapa
estimado no es ninguna de las posibles realizaciones del modelo de funcin aleatoria.
La simulacin estocstica se usa cuando deseamos generar una (o muchas) realizacione
(s) que se parezcan a la realidad, es decir, que desplieguen el mismo tipo de variabilidad
espacial observada en los datos y modelada por el variograma. La premisa de la
simulacin es que todas las realizaciones generadas son igualmente probables segn el
modelo de funcin aleatoria adoptada y, en este sentido, cualquiera de ellos podra
tomarse como la realidad.
Realizaciones generadas por simulacin estocstica son tpicamente usadas como la
entrada a los ejercicios de Monte-Carlo. Especialmente cuando se desea analizar
fenmenos que no dependan linealmente del parmetro bajo estudio. Como ejemplo se
puede considerar la prediccin del transporte de masa en un acufero, en el que se han
tomado la medida de 16 conductibilidades. Con estos 16 datos es posible obtener un
mapa de krigeage simple o un nmero de realizaciones por simulacin estocstica.
La respuesta de transporte en un modelo de acufero obtenido por krigeage va a ser muy
diferente del transporte en cualquier realizacin con los modelos de variabilidad
mostrados en cualquier realizacin estocstica.
Hay varios algoritmos para dibujar realizaciones de un modelo de funcin aleatoria.
Ellos difieren en la manera en que logran su meta y en el modelo de funcin aleatoria
que utilizan, podemos citar descomposicin de la matriz de covarianza, simulacin
secuencial, recocido simulado y campos de probabilidad

CONCLUSIONESEl inters en la geoestadstica est basado en su habilidad para

modelar la variabilidad espacial de fenmenos de ocurrencia natural que no pueden ser
totalmente modelados por procesos determinsticos.