Variables regionalizadas

• Una variable medida en el espacio de forma que presente una estructura de correlación, se dice que es una variable regionalizada.
• Según Matheron, 1969 un fenómeno es regionalizado cuando se desplaza en el espacio, manifestando una cierta estructura.
• De manera más formal se puede definir como un proceso estocástico con dominio contenido en un espacio euclidiano d-
dimensional R d, Z (x) : x∈𝐷⊂𝑅 d
Z es una variable cualquiera medida en un punto geográfico x, que pertence a un dominio D, poe ej. Una ley de un depósito minero.
R es un espacio “euclideo” con “d dimensiones”, (d=1, 2 ó 3)
Una V.R. regionalizada se presenta bajo dos aspectos contradictorios (o complementarios):
• Un aspecto aleatorio (alta irregularidad y variaciones impredecibles de un punto a otro)
• Un aspecto estructurado (la V.R. debe sin embargo reflejar a su manera las características estructurales de un fenómeno
regionalizado)
Momentos de una variable regionalizada Sea Z(x): x ∈ D ⊂ R d el proceso estocástico que define la variable regionalizada para
cualquier n puntos x1 , x2 ,…xn , el vector aleatorio

Está definido por su función de distribución conjunta

•Conocidas las densidades marginales univariadas y bivariadas se pueden establecer los siguientes valores esperados (momentos
univariados y bivariados):

Estacionariedad
• La variable regionalizada es estacionaria si su función de distribución conjunta es invariante respecto a cualquier translación del
vector h, o lo que es lo mismo, la función de distribución del vector aleatorio
es idéntica a la del vector
para cualquier h. La teoría geoestadística se basa en los momentos arriba descritos y la hipótesis de estacionariedad puede definirse
en términos de éstos
Estacionaridad de segundo orden
• Sea una variable regionalizada definida en un dominio D contenido en R d (generalmente una variable medida una variable medida
en la superficie de una región) se dice que Z(x) es estacionario de segundo orden si cumple:

El valor esperado de la variable aleatoria es finito y constante para todo punto en el dominio. Característica muy pocas veces
observada en la naturaleza.

• Para toda pareja de {Z(x), Z(x+h)} la covarianza existe y es función única del vector de separación h. Característica muy pocas veces
observada en la naturaleza.
• La existencia de la covarianza implica que la varianza existe, es finita y no depende de h. Así mismo la estacionariedad de segundo
orden implica la siguiente relación entre la función de semivarianza y la autocovarianza:

Estacionariedad débil o intrínseca • Existen algunos fenómenos físicos reales en los que la varianza no es finita (no existe!), pero
puede ocurrir que los incrementos tengan una varianza finita. En estos casos se trabaja sólo con la hipótesis que pide que los
incrementos sean estacionarios (Clark, 1979), esto es:
• En muchos depósitos, como fue mostrado por Krige (1951) no existe una varianza finita; si uno considera la variación de la ley más
que la ley en sí, esta tiene una varianza finita.
• Así, si se consideran los incrementos de la función Z (x)-Z (x+h) , más que la función en si, tenemos:
Para cualquier vector h, la varianza del incremento está definida y es una función única de
la distancia.
• Cuando la esperanza de la variable no es la misma en todas las direcciones o cuando la covarianza o correlación dependan del
sentido en que se determinan, no habrá estacionariedad
• Si la correlación entre los datos no depende de la dirección en la que esta se calcule se dice que el fenómeno es isotrópico, en
caso contrario se hablará de anisotropía.
No Estacionareidad
• En casos prácticos resulta compleja la identificación de la estacionariedad. Suelen emplearse gráficos de dispersión de la variable
respecto a las coordenadas, de medias móviles y de valores clasificados según puntos de referencia, con el propósito de identificar
posibles tendencias de la variable en la región de estudio.
Correlación espacial muestral y ajuste de modelos
• La primera etapa en el desarrollo de un análisis geoestadístico es la determinación de la dependencia espacial entre los datos
medidos de una variable. Esta fase es también conocida como análisis estructural.
Variograma y Semivariograma
• Al definir la estacionariedad débil en el capítulo anterior se mencionó que se asumía que la varianza de los incrementos de la
variable regionalizada era finita. A esta función denotada por 2γ(h) se le denomina variograma.
• La mitad del variograma γ(h), se conoce como la función de semivarianza y caracteriza las propiedades de dependencia espacial
del proceso :

Covariograma y Correlograma • La función de covarianza muestral entre parejas de observaciones que se encuentran a una
distancia h se calcula, empleando la fórmula clásica de la covarianza muestral, por:

• Asumiendo que el fenómeno es estacionario y estimando la varianza de la variable regionalizada a través de la varianza muestral,
se tiene que el correlograma muestral está dado por:

Pero nosotros vamos a usar esencialmente el semivariograma!!! • Bajo el supuesto de estacionariedad cualquiera de las tres
funciones de dependencia espacial mencionadas • Sin embargo el único que no necesita mayores estimaciones es el
semivariograma!!!
• Suponga que se tienen medidas sobre una variable hipotética cuyos valores están comprendidos entre 28 y 44 unidades y la
distancia entre cada par de puntos contiguos es de 100 unidades. • Por simplicidad se calcularán sólo los semivariogramas en sentido
(izquierda-derecha) e (inferior-superior)

Variogramas
Describe el promedio de las diferencias al cuadrado de los valores que son calculados en
función de la distancia que los separa
•Variogramas son ideales para identificar características anisotrópicas en depósitos
minerales asi como cualquier dependencia espacial •En la primera fase variogramas son
calculados en una dirección, en una segunda etapa son calculados en dirección
perpendicular
Sin embargo se necesitan al menos 5 valores de diferencias para obtener un variograma significativo
Variograma transitivo La varianza de una suma o diferencia de variables puede ser generada
de la misma manera que una ecuación cuadrática Para la varianza de la diferencia entre deriva
de:

Debido a que xi y xi+h derivan de la mima población tienen la misma varianza

Esto es lo mismo que por lo tanto:

• Cada deposito mineral tendrá un variograma típico

• El efecto pepita corresponde a distancias prácticamente igual a cero • Depósitos muy irregular como aurífero o pegmatita tendrá
un efecto pepita y/o un pequeño rango
• Depósitos uniformes (de carbón, Pb-Zn sedimentarios) tienen 0 efecto pepita y un gran rango “a”

Modelos de variogramas
• Modelo esférico o modelo Matheron Tiene un crecimiento rápido en el
origen, pero los incrementos marginales decrecen con distancias grandes,
hasta que para distancias superiores al rango los incrementos son nulos
• Su expresión matemática es:

• Este modelo ocurre naturalmente en todos los depósitos donde las menas
se tornan independientes entre si con la distancia (ej.: pórfidos de Cu,
depósitos sedimentarios, depósitos de Fe, Ag, Zn, Au , bauxita, Ni en lateritas,

• Modelo exponencial Este modelo se aplica cuando la dependencia espacial tiene un

creciemiento exponencial con respecto a la distancia. El valor del rango es igual a la distancia para
la cual el semivariograma toma un valor igual a 95% de la meseta • Su expresión matemática es:

• Modelo gaussiano Al igual que el modelo exponencial, la dependencia espacial se

desvanece solo en una distancia que tiende al infinito. Este modelo se distingue por la forma
parabólica en el orígen • Su expresión matemática es:
Kriging
Kriging es un método llamado asi por su creador el geoestadistico Sud Africano D.J. Krige • Es una técnica para determinar el mejor
estimador linear con la mínima varianza • Es muy laborioso y se requiere de softwares: argis, surfer, etc.
• Existen varios tipos de kriging: – Kriging con la media conocida – Kriging sin la media conocida
• En general, si la ley de un deposito no tiene tendencias obvias, entonces kriging con la media es el método preferido
Kriging sin conocimiento de la media
• También conocido como kriging ordinario • Si se hacen mediciones de una variable Z en distintos puntos (Zx1, Zx2,…Zxn) y se
desea predecir Z*(xo) en el punto donde no hubo medición, el método kriging asume que el valor de la variable puede predecirse
como una combinación lineal de las n variables aleatorias:

• Se dice que Z*(x0) es el mejor predictor, lineal, en este caso porque los pesos se obtienen de tal manera que minimicen la varianza
del error de predicción, es decir que minimicen la expresión: