Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El término “geoestadística” fue acuñado por G. Matheron (1962), definiéndolo como “la
aplicación del formalismo de las funciones aleatorias al reconocimiento y estimación de
los fenómenos naturales”. Dichos fenómenos los caracterizamos por la distribución
espacial de una o más variables (v.g. las leyes de un depósito o las cotas de una
superficie topográfica), que denominamos como variables regionalizadas.
La geoestadística interpreta cada valor z(xi) como una realización particular de una
variable aleatoria Z(xi), y el conjunto de éstas dentro del dominio D, constituye una
Para medir el grado de similitud entre dos variables aleatorias se emplean los momentos
de segundo orden, en particular la función covarianza definida como: C{Z(xi),Z(xj)} =
E{[Z(xi)-m(xi)][Z(xj)-m(xj)]}, representando E{.} la esperanza matemática o valor
esperado como vimos anteriormente, y siendo m(xk)= E{Z(xk)}. Como quiera que la
estimación y utilización de la función covarianza presenta algunos incovenientes, en
geoestadística, se sustituye aquella por la función variograma definida como: 2 γ(xi,xj)
= Var{Z(xi)-Z(xj)}, representando Var la varianza definida como: Var{Z(xi)} =
E{[Z(xi)-m(xi)]2}.
Estos momentos son importantes ya que nos servirán para llevar a cabo la estimación, y
de hecho las hipótesis que vamos a establecer respecto a la función aleatoria son de
estacionariedad de 2º orden (de los dos primeros momentos). En general una función
aleatoria es estrictamente estacionaria, si para cualquier conjunto de n puntos y para
cualquier vector h cumple: Fx1,x2...xn (z1, z2,...zn) = Fx1+h,x2+h...xn+h (z1, z2,...zn), lo que
significa que la función de distribución múltiple es invariante a la translación.
La segunda hipótesis es más general que la primera, y es suficiente para resolver nuestro
problema, utilizando para ello el siguiente estimador, γe(h), de la función variograma
(Matheron, 1962):
2 ⋅ γe (h) ≡
1
∑ [z ( x + h) − z ( x)]2
N (h) N ( h )
en donde N(h) es el número de pares de valores que tenemos separados por el vector h.
Este estimador, al no precisar del conocimiento de la media m, presenta la ventaja de no
ser sesgado a diferencia del estimador de la función covarianza, que sí lo es. También
ocurre que cuando existe en la realidad una pequeña tendencia lineal (E{Z(x)} = m(x)),
el estimador de la covarianza de la función resulta mucho más afectado (con el cuadrado
de la dimensión del dominio), que el del variograma (con el cuadrado de h) (Cressie,
1993).
∑βλβ – 1 = 0, con β = 1 a n
Con C(a,b) igual al valor medio de la covarianza cuando un extremo del vector h
recorre el soporte a y el otro el b. El parámetro de Lagrange de la ecuación de
ligadura es µ y el valor de la varianza es: σ2ko = C(V,V) + µ - ∑αλα C(vα,V).
∑βλ β – 1 = 0, con β = 1 a n
Con Γ(a,b) igual al valor medio del variograma cuando un extremo del vector h
recorre el soporte a y el otro el b. En este caso obtenemos que el valor de la varianza
es: σ2ko = ∑αλα Γ(vα,V) + µ - Γ(V,V).
El krigeage obtiene como resultados los mejores estimadores lineales no sesgados y hoy
en día, el término está referido a toda una familia de técnicas de estimación e incluso de
simulación. Así por ejemplo, en caso de conocer E{Z(x)} = m, se emplea el krigeage
simple; a veces se hacen transformaciones no lineales de las variables objeto de estudio:
krigeage lognormal, disyuntivo, indicador, probabilístico, y otras veces se incorpora la
tendencia en caso de existir: krigeage universal. Aquí hemos desarrollado las ecuaciones
del krigeage ordinario.
0.8
g
0.6
0.4
0.2
0
0 50 100 150 200 250 300
h (m)
• Modelo esférico:
• Modelo exponencial:
• Modelo gaussiano:
El cuarto modelo tiene una capacidad de dispersión ilimitada (no presenta meseta), y
Si b es igual a cero γt(h) = 1, con h > 0. Este modelo representa el efecto pepita puro,
indicativo de fenómenos sin ninguna autocorrelación espacial.
Vistos los fundamentos sobre los que descansa la geoestadística, podemos asegurar que
el coste del esfuerzo en trabajo que se necesita para realizar una estimación mediante
krigeage (determinación del variograma experimental, su ajuste a una combinación de
los modelos teóricos y resolución de las ecuaciones), es mucho mayor que el empleado
utilizando otras técnicas (v.g. inverso de la distancia, triangulación o polígonos de
influencia). Entonces cabe preguntarse: ¿Hasta qué punto interesa utilizar el krigeage en
la evaluación de los recursos?
Esta sencilla ecuación muestra que los pesos vienen afectados por la distancia
estadística [D] en vez de por la distancia geométrica h. Los pesos se definen por la
estructuración espacial del fenómeno que a su vez depende de la distancia geométrica.
En general, cuanto más alejado esté un dato conocido del soporte a estimar, menor será
la covarianza entre ellos dos, y menor peso se le aplicará a ese dato.
El efecto de la matriz [C]-1 es siquiera más notable: ajusta los pesos que se obtienen con
[D], la distancia estadística, para tener en cuenta la posible redundancia entre las
muestras (Srivastava, 1989). De nuevo se trabaja en términos estadísticos, ya que la
redundancia entre datos depende de no sólo de su distancia geométrica y disposición
espacial, sino también de la continuidad del fenómeno estudiado. Todo ello queda
reflejado en esta matriz.
El modelo planteado por la geoestadística muestra mayor coherencia que los modelos
clásicos. Es fácilmente perceptible que cuando variamos el tamaño del soporte de la
muestra (v.g. de un trozo de testigo a un banco de explotación), la función de
distribución de la variable (v.g. leyes), cambia. Este hecho lo introduce de forma natural
la geoestadística mediante la varianza de dispersión, presentada anteriormente. La
variación de la varianza de la función de distribución de la variable Z sobre el dominio
V, al variar el soporte de v a v´, se refleja con el cambio del valor Γ(v,v) a Γ(v´,v´). Si
v´es mayor que v entonces Γ(v´,v´) será mayor que Γ(v,v), disminuyendo la varianza de
la distribución.
Referencias
CRESSIE, N.A. (1985) — “Fitting variogram models by weighted least squares”. Journal of
the International Asosciation for Matematical Geology, 17, pp. 563-586.
CRESSIE, N.A. (1993) — “Statistics for spacial data”. USA. Jonh Wiley & Sons, INC.