GEOESTADÍSTICA

INTRODUCCIÓN

 Surgióa partir de los años sesenta, especialmente con el propósito de

predecir valores de las variables en sitios no muestreados.

 Sichel (1947; 1949) y Krige (1951)

 La formulación rigurosa y la solución al problema de predicción

(estimación en muchos textos geoestadísticos) vino de la mano de
Matheron (1962)

 Enlos años sucesivos la teoría se fue depurando, ampliando su campo de

validez y reduciendo las hipótesis necesarias (Samper y Carrera, 1990).
GEOESTADÍSTICA
 DEFINICIONES
 La geoestadística es una rama de la estadística que
trata fenómenos espaciales (Journel & Huijbregts,
1978).
 Esta herramienta ofrece una manera de describir la
continuidad espacial, que es un rasgo distintivo
esencial de muchos fenómenos naturales, y
proporciona adaptaciones de las técnicas clásicas de
regresión para tomar ventajas de esta continuidad
(Isaaks & Srivastava, 1989).
GEOESTADÍSTICA
 DEFINICIONES
 Petitgas (1996), la define como una aplicación de la
teoría de probabilidades a la estimación estadística de
variables espaciales

 Su interés primordial es la estimación,

predicción y simulación de dichos fenómenos
(Myers, 1987).
GEOESTADÍSTICA
INTRODUCCIÓN
 Lacolumna vertebral del análisis geoestadístico es la determinación de la estructura
de autocorrelación entre los datos y su uso en la predicción a través de las técnicas
conocidas como kriging y cokriging

 La geoestadística es solo una las áreas del análisis de datos espaciales.

 Es importante reconocer cuando la información georreferenciada es susceptible de

ser analizada por medio de dicha metodología.

 En el estudio de información georreferenciada, la primera etapa que se debe cumplir

es la del análisis exploratorio de datos (AED). Esta busca identificar localización,
variabilidad, forma y observaciones extremas.
GEOESTADÍSTICA
DATOS ESPACIALES

 Estadística Espacial.

 Estadística espacial es la reunión de un conjunto de

metodologías apropiadas para el análisis de datos que
corresponden a la medición de variables aleatorias en diversos
sitios (puntos del espacio o agregaciones espaciales) de una
región.
GEOESTADÍSTICA
DATOS ESPACIALES

 Estadística Espacial.

 {Z(s) : s  D}
 S  Rd representa una ubicación en el espacio euclidiano d-
dimensional
 Z(s) es la variable aleatoria en la ubicación s
 S varía sobre un conjunto de índices D  Rd
GEOESTADÍSTICA

GEOESTADÍSTICA

ESTADÍSTICA LATTICES
ESPACIAL

PATRONES
ESPACIALES

Depende de las características del conjunto D

GEOESTADÍSTICA
Geoestadística

 Las ubicaciones s provienen de un conjunto D continuo y son

seleccionadas a juicio del investigador (D fijo).

 Como D es fijo cabe señalar que el investigador puede hacer selección

de puntos del espacio a conveniencia o puede seleccionar los sitios bajo
algún esquema de muestreo probabilístico.

 NOTA: EL PROPÓSITO ESENCIAL DE LA GEOESTADÍSTICA ES

LA INTERPOLACIÓN Y SI NO EXISTE CONTINUIDAD ESPACIAL
PUEDE HACERSE PREDICCIONES CARENTES DE SENTIDO
GEOESTADÍSTICA
Lattices (enmallados)

 Las ubicaciones s provienen de un conjunto D discreto y son

seleccionadas a juicio del investigador (D fijo).

 Pueden estar regular o irregularmente espaciadas.

GEOESTADÍSTICA
Patrones espaciales

 Las ubicaciones s provienen de un conjunto D que puede ser

discreto o continuo y su selección no depende del investigador
(D aleatorio).
GEOESTADÍSTICA
DATOS GEORREFERENCIADOS
Sitio Latitu Longitu X1 X2 …… Xp
d d …
Norte Este
1 N1 E1 x11 x12 …… x1p
….
2 N2 E2 x21 x22 …… x2p
….

. . . . . …… .
….

. . . . . …… .
….

n Nn En xn1 xn2 …… xnp

….
GEOESTADÍSTICA
Justificación del Análisis Exploratorio de Datos Espaciales

 Análisis gráfico – Diagramas de caja

 Identificación de valores atípicos
 Forma de la distribución
 Cálculo de medidas de variabilidad
 Medidas de correlación

 Gráficos de dispersión

Son importantes para establecer si algunos supuestos de la teoría

geoestadística son válidos o para definir que procedimiento de
predicción es el mas conveniente.
GEOESTADÍSTICA
Análisis Exploratorio de Datos Espaciales

 Análisis gráfico
 Identificación de valores atípicos
 Forma de la distribución
 Cálculo de medidas de variabilidad

 Medidas de correlación
 Gráficos de dispersión
 Tendencia
GEOESTADÍSTICA
ESTADÍSTICOS DESCRIPTIVOS

 MEDIA ARITMÉTICA

 DESVIACIÓN ESTANDAR
Desviación con respecto a la media

 VARIANZA

 ERROR TÍPICO
Es la desviación estándar de las medias muestrales

 INTERVALO DE CONFIANZA

Por encima del 95% Límite =

Por debajo del 95% Límite =

 MODA
 El valor que mas se repite
 GEOESTADÍSTICA
1.1. CUARTILES

1.1.1. MEDIANA
Representa el valor de la variable de posición central en un conjunto de datos
ordenados.

Cuando n es par:

Cuando n es impar:

Si se tienen una serie de valores X1, X2, X3 ... Xn, se localiza mediante las siguientes
fórmulas:

1.1.2. EL PRIMER CUARTIL Q1

Cuando n es par:

Cuando n es impar:

1.1.3. EL TERCER CUARTIL

Cuando n es par:

Cuando n es impar:
GEOESTADÍSTICA
1.1. VALORES ATÍPICOS
Siendo y el primer y tercer cuartil, y el rango intercuartil ( ), un valor
atípico leve será aquel que:

y determinan, pues, los llamados limites interiores, a partir de los cuales la observación
se considera un atípico leve
GEOESTADÍSTICA
1.1. CURTOSIS

Es una medida de la forma. Así, las medidas de curtosis tratan de estudiar la proporción
de la varianza que se explica por la combinación de datos extremos respecto a la media
en contraposición con datos poco alejados de la misma.
Una mayor curtosis implica una mayor concentración de datos muy cerca de la media
de la distribución coexistiendo al mismo tiempo con una relativamente elevada
frecuencia de datos muy alejados de la misma. Esto explica una forma de la distribución
de frecuencias con colas muy elevadas y con un centro muy apuntado.

Un coeficiente de apuntamiento o de curtosis es el basado en el cuarto momento con

respecto a la media y se define como:

Donde es el 4º momento centrado o con respecto a la media y es la desviación

estándar
GEOESTADÍSTICA
1.1. COEFICIENTE DE ASIMETRÍA

1.1.1. COEFICIENTE DE ASIMETRÍA DE FISHER

El coeficiente de asimetría de Fisher, representado por , se define como:

Donde es el tercer momento en torno a la media y es la desviación estándar.

Si , la distribución es asimétrica positiva o a la derecha.
Si , la distribución es asimétrica negativa o a la izquierda.

Las fórmulas de los momentos centrados

Orden 1:

Orden 2:

Orden 3:

Orden 4:
GEOESTADÍSTICA

1.1.1. COEFICIENTE DE ASIMETRÍA DE PEARSON

Sólo se puede utilizar en distribuciones uniformes, unimodales y moderadamente

asimétricas. Se basa en que en distribuciones simétricas la media de la distribución es
igual a la moda.

Donde es el momento central de orden 1, que corresponde a la media aritmética de

la variable .
GEOESTADÍSTICA
1.1.1. COEFICIENTE DE ASIMETRÍA DE BOWLEY

Está basado en la posición de los cuartiles y la mediana, y utiliza la siguiente expresión:

En una distribución simétrica el tercer cuartil estará a la misma distancia de la mediana

que el primer cuartil. Por tanto .
Si la distribución es positiva o a la derecha,
GEOESTADÍSTICA
UTILIDAD
La asimetría resulta útil en muchos campos. Muchos modelos simplistas asumen
una distribución normal, esto es, simétrica en torno a la media. La distribución
normal tiene una asimetría cero. Pero en realidad, los valores no son nunca
perfectamente simétricos y la asimetría de la distribución proporciona una idea
sobre si las desviaciones de la media son positivas o negativas. Una asimetría
positiva implica que hay más valores distintos a la derecha de la media.
GEOESTADÍSTICA
GRÁFICOS
1.1. DIAGRAMA DE CAJA
Un Diagrama de caja es un gráfico, basado en cuartiles, mediante el cual se visualiza un
conjunto de datos. Está compuesto por un rectángulo, la "caja", y dos brazos, los
"bigotes".
Es un gráfico que suministra información sobre los valores mínimo y máximo,
los cuartiles Q1, Q2 o mediana y Q3, y sobre la existencia de valores atípicos y la simetría
de la distribución
GEOESTADÍSTICA
1.1. HISTOGRAMA

Es una representación gráfica de una variable en forma de barras, donde la superficie de

cada barra es proporcional a la frecuencia de los valores representados, ya sea en forma
diferencial o acumulada. Sirven para obtener una "primera vista" general, o panorama,
de la distribución de la población, o la muestra, respecto a una característica,
cuantitativa y continua, de la misma y que es de interés para el observador

 Los métodos de interpolación que se utilizan para generar una superficie de dar
los mejores resultados si los datos están normalmente distribuida (una curva en
forma de campana). Si sus datos están sesgados se puede optar por transformar
los datos para que sea normal. Por lo tanto, es importante entender la
distribución de sus datos antes de crear una superficie.
GEOESTADÍSTICA

1.1. GRÁFICO Q-Q PLOT

Un gráfico Q-Q ("Q" viene de cuantil) es un método gráfico para el diagnóstico de
diferencias entre la distribución de probabilidad de una población de la que se ha
extraído una muestra aleatoria y una distribución usada para la comparación.
. Cuanto más cerca de los puntos son a la creación de una línea recta, más cerca la
distribución es a ser distribuidos normalmente.

Un QQPlot General es un gráfico en el que los cuantiles de dos distribuciones se

representan frente a la otra. Durante dos distribuciones idénticas, el QQPlot será una
línea recta. Por lo tanto, es posible comprobar la normalidad de los datos mediante el
trazado de los cuantiles de que los datos en comparación con los cuantiles de una
distribución normal estándar.
GEOESTADÍSTICA

Para los cuantiles de la distribución de comparación se usa habitualmente la fórmula :

GEOESTADÍSTICA

MAPAS DE VORONOI (POLÍGONOS DE THIESSEN)

Los polígonos de Thiessen son uno de los métodos de interpolación más simples, basados
en la distancia euclidiana, especialmente apropiada cuando los datos son cualitativos. Se
crean al unir los puntos entre sí, trazando las mediatrices de los segmento de unión. Las
intersecciones de estas mediatrices determinan una serie de polígonos en un espacio 
bidimensional alrededor de un conjunto de puntos de control, de manera que el 
perímetro de los polígonos generados sea equidistante a los puntos vecinos y designan su
área de influencia
GEOESTADÍSTICA
GEOESTADÍSTICA
MÉTODOS DE INTERPOLACIÓN
 Existen dos grandes familias de métodos de interpolación que son
los Métodos Determinísticos y los Métodos Probabilísticos.
 El determinismo se refiere a que para la estimación de valores de
puntos solamente se considera la distancia a los puntos
medidos y no las relaciones autocorrelativas.
 Los métodos deterministas son marcados por el hecho de que
ponderan la proximidad espacial de los puntos muestreados a los
puntos a estimar.
 Solo estas distancias de a pares influyen en el cálculo de los
valores estimados
GEOESTADÍSTICA
MÉTODOS DE INTERPOLACIÓN
 Contrariamente a ello, los métodos probabilísticos adicionalmente consideran las relaciones
correlativas espaciales entre los puntos muestreados, es decir que consideran la existencia de
autocorrelaciones espaciales entre los puntos muestreados y de ello deducen que estas
autocorrelaciones espaciales también deben ser válidas para los valores de los puntos a
estimar
 Otra diferencia esencial, es que los métodos deterministas calculan la similitud de
puntos vecinos solamente con la ayuda de funciones matemáticas, en cambio los
métodos de probabilísticos efectúan una deducción de las superficies de interpolación
basada en presunciones estadísticas; además determinan superficies de estimación y las
superficies de error correspondientes.  

 NOTA: LOS MÉTODOS PROBABILÍSTICOS (GEOESTADÍSTICOS) NO SON TRIVIALES EN ABSOLUTO

GEOESTADÍSTICA
MÉTODOS DE INTERPOLACIÓN DETERMINÍSTICOS

INVERSA DE LA DISTANCIA PONDERADA (IDW - Inverse Distance Weightings)

 Hay muy pocas decisiones que tomar en relación con los parámetros del modelo.
 Puede ser una buena manera de dar un primer vistazo a una superficie interpolada. Sin embargo, no

existe una evaluación de los errores de predicción.

 IDW depende de la selección de un valor de potencia (p) y la estrategia de búsqueda del vecindario.
 IDW es un interpolador exacto, en el que sólo pueden ocurrir los valores mínimos y máximos en la

superficie interpolada en los puntos de muestreo.

 La superficie de salida es sensible a la agrupación y la presencia de valores atípicos.
GEOESTADÍSTICA
MÉTODOS DE INTERPOLACIÓN DETERMINÍSTICOS

INVERSA DE LA DISTANCIA

 El método del inverso de la distancia se basa en lo siguiente:

 Asignar mayor peso a las muestras cercanas y menor peso a las muestras alejadas a S.

 Esto se consigue al ponderar los datos por 1/dαi ;

 di = Distancia de entre las muestras y el punto a interpolar.

 Si α =1 se tiene el inverso de la distancia

 Si α =2 se tiene el inverso del cuadrado de la distancia

GEOESTADÍSTICA
MÉTODOS DE INTERPOLACIÓN DETERMINÍSTICOS

INVERSA DE LA DISTANCIA
La fórmula general es:

Comentarios:

 Simple, fácil de calcular.

 Se adapta mejor en estimaciones locales que globales.
 No funciona bien con agrupaciones de datos.
 Atribuye demasiado peso a las muestras cercanas al centro de gravedad.
 No toma en cuenta la forma ni el tamaño.
GEOESTADÍSTICA
MÉTODOS DE INTERPOLACIÓN DETERMINÍSTICOS

INTERPOLACIÓN POLINÓMICA GLOBAL

 Global polinómica (GP) es un interpolador determinista rápido que es suave (inexacto).

Hay muy pocas decisiones que tomar en relación con los parámetros del modelo.

 Se utiliza mejor para las superficies que cambian lentamente y poco a poco. Sin embargo,

no hay ninguna evaluación de los errores de predicción y puede ser demasiado suave.

 Ubicaciones en el borde de los datos pueden tener un gran efecto en la superficie.

 No hay supuestos requeridos de los datos.

GEOESTADÍSTICA
MÉTODOS DE INTERPOLACIÓN DETERMINÍSTICOS

Cuándo utilizar interpolación polinómica Global

 El resultado de la interpolación polinómica Global es una superficie lisa que representa las tendencias

graduales en la superficie sobre el área de interés.

 Crea una superficie que varía lentamente usando polinomios de orden inferior que posiblemente

describen algunos procesos físicos (por ejemplo, la contaminación y la dirección del viento). Sin

embargo, debe tenerse en cuenta que cuanto más complejo el polinomio, más difícil es atribuir

significado físico a la misma.

 Las superficies calculadas son altamente susceptibles a los valores atípicos, especialmente en los

bordes.
GEOESTADÍSTICA
MÉTODOS DE INTERPOLACIÓN DETERMINÍSTICOS

INTERPOLACIÓN POLINÓMICA LOCAL

 Polinómica local (LP) es un interpolador determinista moderadamente rápida que es suave

(inexacto).

 Es más flexible que el método polinómico global, pero hay más decisiones de parámetros.

 No hay evaluación de los errores de predicción.

 No permiten que se investigue la autocorrelación de los datos.

 No hay supuestos requeridos de los datos.

GEOESTADÍSTICA
DEFINICIONES BÁSICAS DE GEOESTADÍSTICA
DEFINICIÓN DE GEOESTADÍSTICA
 La geoestadística es una rama de la estadística que trata
fenómenos espaciales(Journel & Huijbregts, 1978).
 Su interés primordial es la estimación, predicción y simulación
de dichos fenómenos (Myers, 1987).
 Cuando el objetivo es hacer predicción, la geoestadística opera
básicamente en tres etapas:
 Análisis exploratorio de datos
 Análisis estructural (Modelación de los semivariogramas)
 Predicción
GEOESTADÍSTICA
DEFINICIONES BÁSICAS DE GEOESTADÍSTICA

VARIABLE REGIONALIZADA
 Una variable medida en el espacio de forma que
presente una estructura de correlación, se dice
que es una variable regionalizada.
GEOESTADÍSTICA
DEFINICIONES BÁSICAS DE GEOESTADÍSTICA

MOMENTOS DE UNA VARIABLE REGIONALIZADA

Sea {𝑍ሺ𝑥ሻ:𝑥∈𝐷⊂𝑅 }
el proceso estocástico que define la variable
𝑑


regionalizada.
 Para cualquier n puntos x1, x2, ..., xn, el vector aleatorio
𝑍Ԧሺ𝑥ሻ = [𝑍ሺ𝑥1 ሻ,𝑍ሺ𝑥2 ሻ….𝑍ሺ𝑥𝑛 ሻ]𝑇

está definido por su función de distribución conjunta

𝐹ሾ𝑧1 , 𝑧2 … 𝑧3 ሿ= 𝑃[𝑍(𝑥1 ) ≤ 𝑧1 , 𝑍(𝑥2 ) ≤ 𝑧2 , … . , 𝑍(𝑥𝑛 ) ≤ 𝑧𝑛 ]

 Se pueden determinar los siguientes valores esperados

GEOESTADÍSTICA

𝐸൫𝑍ሺ𝑥𝑖ሻ൯=𝑚(𝑥𝑖)

𝑉൫𝑍ሺ𝑥𝑖 ሻ൯= 𝐸[𝑍ሺ𝑥𝑖 ሻ− 𝑚ሺ𝑥𝑖 ሻ]2 = 𝜎 2

𝐶 ቀ𝑍ሺ𝑥𝑖 ሻ, 𝑍൫𝑥𝑗 ൯ቁ= 𝐸 ሾ𝑍ሺ𝑥𝑖 ሻ− 𝑚ሺ𝑥𝑖 ሻሿൣ𝑍൫𝑥𝑗 ൯− 𝑚൫𝑥𝑗 ൯൧

1
𝛾 ቀ𝑍ሺ𝑥𝑖 ሻ, 𝑍൫𝑥𝑗 ൯ቁ= 𝐸[𝑍ሺ𝑥𝑖 ሻ− 𝑍൫𝑥𝑗 ൯]2
2
GEOESTADÍSTICA

ESTACIONARIEDAD
 La variable regionalizada es estacionaria si su función de
distribución conjunta es invariante respecto a cualquier
translación del vector h,

𝑍Ԧሺ𝑥ሻ = [𝑍ሺ𝑥1ሻ,𝑍ሺ𝑥2 ሻ….𝑍ሺ𝑥𝑛 ሻ]𝑇

=
𝑍Ԧሺ𝑥ሻ= [𝑍ሺ𝑥1 +ℎሻ,𝑍ሺ𝑥2 + ℎሻ….𝑍ሺ𝑥𝑛 + ℎሻ]𝑇
GEOESTADÍSTICA

ESTACIONARIEDAD DE SEGUNDO ORDEN

{𝑍ሺ𝑥ሻ:𝑥∈𝐷⊂𝑅𝑑 }
 Sea es estacionario de segundo orden si
cumple:
1. El valor esperado de la variable aleatoria es finito y constante
para todo punto en el dominio.
𝐸ሾ𝑍ሺ𝑥ሻሿ= 𝑘 ,𝑘 ∈ 𝑅, ⋁𝑥 ∈ 𝐷 ⊂ 𝑅𝑑
2. Para toda pareja {Z(x), Z(x + h)}la covarianza existe y es función
única del vector de separación h.

𝐶𝑂𝑉ሾ𝑍ሺ𝑥ሻ,𝑍ሺ𝑥 + ℎሻሿ= 𝐶 ሺℎሻ< ∞

GEOESTADÍSTICA

ESTACIONARIEDAD DÉBIL O INTRÍNSICA

 Existen algunos fenómenos físicos reales en los que la varianza no es
finita. En estos casos se trabaja sólo con la hipótesis que pide que los
incrementos [Z(x+h) - Z(x)] sean estacionarios.

1. Z(x) tiene esperanza finita y constante para todo punto en el dominio. Lo que
implica que la esperanza de los incrementos es cero.
𝐸ሾ𝑍ሺ𝑥+ℎሻ−𝑍ሺ𝑥ሻሿ= 0

2. Para cualquier vector h, la varianza del incremento está definida y es una

función única de la distancia.
𝑉ሾ𝑍ሺ𝑥 + ℎሻ− 𝑍ሺ𝑥ሻሿ= 𝐸[𝑍ሺ𝑥 + ℎሻ− 𝑍ሺ𝑥ሻ]2 = 2𝛾(ℎ)
GEOESTADÍSTICA

FUNCIONES DE CORRELACIÓN ESPACIAL

 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.
 Para llevarla a cabo, con base en la información
muestral, se usan tres funciones:
 El semivariograma
 El covariograma
 Correlograma.
GEOESTADÍSTICA

VARIOGRAMA Y SEMIVARIOGRAMA.
 Cuando se definió 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 2 (h) se le denomina
variograma. Utilizando la definición teórica de la
varianza en términos del valor esperado de una
variable aleatoria, tenemos:
GEOESTADÍSTICA

2𝛾(ℎ) = 𝑉(𝑍ሺ𝑥 + ℎሻ− 𝑍ሺ𝑥ሻ)

σ (𝑍ሺ𝑥 +ℎሻ−𝑍ሺ𝑥ሻ)2
𝛾ҧሺℎሻ=
2𝑛

 Z(x) = Variable en el sitio x

 Z(x+h) = Valor de la variable separado del anterior una distancia h
 n = número de parejas que se encuentran separadas una distancia h

 La función de semivarinza se calcula para varias distancias h

GEOESTADÍSTICA
 COVARIOGRAMA

𝐶ሺℎሻ=𝐶𝑂𝑉(𝑍ሺ𝑥+ℎሻ,𝑍ሺ𝑥ሻ)
 CORRELOGRAMA.

𝐶𝑂𝑉(𝑍ሺ𝑥+ℎሻ,𝑍ሺ𝑥ሻ)
𝑟ሺℎሻ=
𝜎𝑥+ℎ . 𝜎𝑥
GEOESTADÍSTICA
CÁLCULO DEL VARIOGRAMA UNA MALLA REGULAR
BIDIMENSIONAL

Variograma anisotrópico

La variación de las los datos es más regular en la dirección EW que en la NS

GEOESTADÍSTICA
CÁLCULO DEL VARIOGRAMA PARA MALLAS
IRREGULARES
GEOESTADÍSTICA
CÁLCULO DEL VARIOGRAMA PARA MALLAS
IRREGULARES
Supongamos que queremos calcular g (h1) utilizando el
algoritmo general, siendo h1 el vector siguiente:

 
 

Lo más probable es que no encontremos ningún o muy pocos

pares de datos que estén exactamente a la distancia h1. Es
necesario entonces introducir aproximaciones para el
cálculo de g (h).
GEOESTADÍSTICA
CÁLCULO DEL VARIOGRAMA PARA MALLAS
IRREGULARES
En la práctica, debido a irregularidad en el muestreo y por
ende en las distancias entre los sitios, se toman intervalos
de distancia

{[0-h], [h-2h], [2h-3h] ….}

y el semivariograma experimental corresponde a una

distancia promedio entre parejas de sitios dentro de cada
intervalo y no a una distancia h específica.

Obviamente el número de parejas de puntos n dentro de los

intervalos no es constante
GEOESTADÍSTICA
Ejercicio

Obtener: 
• Variograma NS
• Variograma EW
GEOESTADÍSTICA

44 40 42 40 39 37 36

42 43 42 39 39 41 40 38

37 37 37 35 38 37 37 33 34

35 38 35 37 36 36 35

200 36 35 36 35 34 33 32 29 28

38 37 35 30 29 30 32

100
GEOESTADÍSTICA
 Modelos Teóricos de Semivarianza.
 La solución del problema de predicción espacial kriging requiere del
conocimiento de la estructura de autocorrelación para cualquier posible
distancia entre sitios dentro del área de estudio.
1
  h   E[ Z ( x)  Z ( x  h)]2
2
• Valor promedio de la diferencia al cuadrado de los valores de la
propiedad en dos puntos separados por una distancia |h|

•  es independiente de la localización x

•  depende del módulo y de la dirección del vector h

GEOESTADÍSTICA
 Modelos Teóricos de Semivarianza.
 Existen diversos modelos teóricos de
semivarianza que pueden ajustarse al
semivariograma Experimental.

 En general dichos modelos pueden dividirse

en no acotados (lineal, logarítmico, potencial)
y acotados (esférico, exponencial, gaussiano).
GEOESTADÍSTICA
 Modelos Teóricos de Semivarianza.
 Los semivariogramas acotados garantizan que la
covarianza de los incrementos es finita, por lo
cual son ampliamente usados cuando hay
evidencia de que presentan buen ajuste.

 Todos estos modelos tienen tres parámetros

comunes que son:
GEOESTADÍSTICA

 Efecto pepita o nugget

 Rango o alcance
 Meseta o sill
GEOESTADÍSTICA
 Efecto pepita o nugget
 Se denota por C0 y representa una discontinuidad puntual en el origen

Interpretación del nugget effect

1) Variable muy irregular a distancias cortas

h0
Z(x) y Z(x+h) difieren mucho

1
  h   E [ Z ( x)  Z ( x  h)] 2 no se aproxima a cero
2
 GEOESTADÍSTICA
 Efecto pepita o nugget
2) Errores de medición en las
3,5
variables
3
2

Z obs  x   Z  x     x 
2,5

2 Valores
Variograma
observados
1,5
Valores

 Z obs  h    Z  h    
1 reales
2
0,5

0
0

12

15

18
1,5

4,5

7,5

10,5

16,5
13,5
Distancia
GEOESTADÍSTICA
 Efecto pepita o nugget
Interpretación del nugget effect

3) presencia de estructuras o ausencia

de valores en distancias inferiores a las
que se tomaron las muestras
 GEOESTADÍSTICA
 Meseta o Sill
 Es la cota superior del semivariograma.
 También puede definirse como el limite del semivariograma cuando la distancia h
tiende a infinito.
 Los semivariogramas que tienen meseta finita cumplen con la hipótesis de
estacionariedad fuerte; mientras que cuando ocurre lo contrario, el semivariograma
define un fenómeno natural que cumple sólo con la hipótesis intrínseca.

 Si se interpreta la pepita como un error en las mediciones, esto explica porque se

sugiere que en un modelo que explique bien la realidad, la pepita no debe
representar mas del 50% de la meseta.
 Si el ruido espacial en las mediciones explica en mayor proporción la variabilidad
que la correlación del fenómeno, las predicciones que se obtengan pueden ser muy
imprecisas.
 GEOESTADÍSTICA
 Rango
 En términos prácticos corresponde a la distancia a partir de la cual dos
observaciones son independientes.

 El rango se interpreta como la zona de influencia.

 Existen algunos modelos de semivariograma en los que no existe una

distancia finita para la cual dos observaciones sean independientes; por ello
se llama rango efectivo a la distancia para la cual el semivariograma
alcanza el 95% de la meseta.

 Entre más pequeño sea el rango, más cerca se esta del modelo de
independencia espacial.
 *

DEL VARIOGRAMA
EXPERIMENTAL AL MODELO
DE VARIOGRAMA


 6
POR QUE HAY QUE CONSTRUIR
5
MODELOS DE VARIOGRAMA ?
variograma experimental

4
3 Variograma
experimental
2
El variograma experimental no se
1
puede evaluar en distancias o
0
direcciones intermedias
Distancia
Una interpolación entre los puntos del
variograma experimental no garantiza la
existencia y unicidad de la solución del sistema
6
de kriging
5
4
Variograma La interpolación no satisface las condiciones
3 experimental
que todo variograma debe satisfacer
2 Modelo de
variograma
1
0
El variograma experimental no satisface las
Distancia
condiciones que todo variograma debe satisfacer
 
MODELOS DE
VARIOGRAMA
GEOESTADÍSTICA
 Modelo esférico
 Tiene un crecimiento rápido cerca al origen, pero los incrementos
marginales van decreciendo para distancias grandes, hasta que
para distancias superiores al rango los incrementos son nulos.

 Su expresión matemática es la siguiente:

 En donde C1 representa la meseta, a el rango y h la distancia.

GEOESTADÍSTICA
 Modelo exponencial
 Este modelo se aplica cuando la dependencia espacial tiene un
crecimiento exponencial respecto a la distancia entre las
observaciones.
 El valor del rango es igual a la distancia para la cual el
semivariograma toma un valor igual al 95% de la meseta.

 Su expresión matemática es la siguiente:

GEOESTADÍSTICA
 Modelo gaussiano
 Al igual que en el modelo exponencial, la dependencia espacial se
desvanece solo en una distancia que tiende a infinito.
 El principal distintivo de este modelo es su forma parabólica cerca
al origen.
 Su expresión matemática es la siguiente:
GEOESTADÍSTICA
 Comparación entre los modelos esférico, exponencial y
gaussiano
GEOESTADÍSTICA
 Modelo monómicos
 Corresponden a los modelos que no alcanzan la meseta
 Nota: Su uso puede ser delicado debido a que en algunos casos
indican la presencia de no estacionariedad en alguna dirección
 Su expresión matemática es la siguiente:
GEOESTADÍSTICA
 Modelo monómicos
GEOESTADÍSTICA
 Modelo de independencia (Pepita puro)
 Es indicativo de carencia de correlación espacial entre las
observaciones de una variable
 Su expresión matemática es la siguiente:

 Su representación gráfica es:

GEOESTADÍSTICA
PREDICCIÓN ESPACIAL

 Predicción espacial óptima

 Si Z0 es una cantidad aleatoria y Z0* es su predictor,
entonces L( Z0 ;Z0*) representa la pérdida en que se incurre
cuando se predice Z0 con Z0* y el mejor predictor será el
que minimice E{L(Z0 ;Z0*) / Z} con Z= {Z1, Z2, …, Zn}’

 Es decir el predictor óptimo es el que minimice la

esperanza condicional de la función de pérdida.
GEOESTADÍSTICA
KRIGING
 Predicción espacial óptima
 Kriging encierra un conjunto de métodos de predicción

espacial que se fundamentan en la minimización del error

cuadrático medio de predicción.
GEOESTADÍSTICA
KRIGING ORDINARIO
 Propone que el valor de la variable puede predecirse como una

combinación lineal de las n variables aleatorias.

 Nota: Se utiliza cuando el proceso es estacionario de media

m desconocida.
GEOESTADÍSTICA
KRIGING ORDINARIO
 Los pesos que minimizan el error de predicción se determinan

mediante la función de covariograma a través de:

GEOESTADÍSTICA
KRIGING ORDINARIO
 Los pesos que minimizan el error de predicción se obtienen

también en términos del semivariograma a través del sistema

de ecuaciones:
GEOESTADÍSTICA
KRIGING SIMPLE
 El valor de la variable puede predecirse mediante:

 Nota: Se utiliza cuando el proceso es estacionario con

media m y covarianza conocidas.
GEOESTADÍSTICA
KRIGING SIMPLE
 Los pesos de los errores se determinan mediante el sistema de

ecuaciones:
GEOESTADÍSTICA
KRIGING UNIVERSAL
 Propone que el valor de la variable Z(x) puede descomponerse como la

suma de la tendencia, tratada como una función determinística, mas una

componente estocástica estacionaria de media cero.

 Nota: Se utiliza cuando el proceso no es estacionario y se conoce la

función de f1 (x) y el número de términos empleados para ajustar m(x)
GEOESTADÍSTICA
KRIGING UNIVERSAL
 Los pesos se determinan mediante el sistema de ecuaciones:
GEOESTADÍSTICA
VALIDACIÓN DEL KRIGING
 El más empleado es el de validación cruzada, que consiste en excluir la

observación de uno de los n puntos muestrales y con los n-1 valores restantes
y el modelo de semivariograma escogido, predecir vía kriging el valor de la
variable en estudio en la ubicación del punto que se excluyó.
 Se piensa que si el modelo de semivarianza elegido describe bien la
estructura de autocorrelación espacial, entonces la diferencia entre el valor
observado y el valor predicho debe ser pequeña.

 Una forma descriptiva de hacer la validación cruzada es mediante un gráfico

de dispersión de los valores observados contra los valores predichos.
 En la medida en que la nube de puntos se ajuste más a una línea recta que
pase por el origen, mejor será el modelo de semivariograma utilizado para
realizar el kriging.
GEOESTADÍSTICA
GEOESTADÍSTICA
Matriz de distancias euclidianas entre los puntos

Sitio 0 1 2 3 4 5 6 7
0 0,00 4,47 3,61 8,06 9,49 6,71 8,94 13,45
1 0,00 2,24 10,44 13,04 10,05 12,17 17,80
2 0,00 11,05 13,00 8,00 10,05 16,97
3 0,00 4,12 13,04 15,00 11,05
4 0,00 12,37 13,93 7,00
5 0,00 2,24 12,65
6 0,00 13,15
7 0,00
GEOESTADÍSTICA
Modelo exponencial
Pepita = 0
Meseta = 10
Rango = 10