GEOESTADÍSTICA

Es una ciencia que utiliza la información recogida de la superficie terrestre, expresada

en cifras, para conocer la mayor o menor probabilidad de existencia y distribución de
yacimientos mineros. Ello permite, a la vez, estimar el mejor modo de llevar a cabo los
sucesivos procedimientos extractivos.

Aunque fue creada a inicios de la segunda mitad del siglo pasado (60 – 70s), la
geoestadística alcanzó un brillo especial durante la década de los 90s. Tiene cinco
grupos de técnicas principales: la geoestadística lineal, no lineal, no estacionaria,
multivariada y las simulaciones.

Su herramienta básica se denomina “variograma”. Se emplea para medir la relación

entre muestras espacialmente diferentes y para proyectar estimadores de los puntos que
no participaron en el muestreo.

¿Cómo funciona?

Una vez recogida la información que va a utilizarse, se decide qué modelos de

estimación se usarán. Existen dos grandes modelos actualmente utilizados:
el kriging (o krigeaje), que se subdivide en ordinario, simple y de indicadores, y
elkriging puntual y de bloques. Esto en honor al ingeniero sudafricano Danie Krige,
que comenzó a desarrollar la geoestadística durante su trabajo en las minas de oro de
Witwatersrand.

Además existen otros modelos de kriging como el universal, el IRFk, el disyuntivo y el

log-normal. El kriging no sólo se usa en minería; tiene aplicaciones hidrogeológicas, en
las ciencias de la tierra, medioambientales, en el procesamiento de imágenes satelitales
e incluso en el diseño de aparatos que utilizan microondas, entre otros.

En el campo de la minería, lo que busca el kriging en términos generales es interpolar

un valor (como la elevación, porosidades o presencia de contaminantes, por ejemplo) de
un lugar que aún no ha sido observado en base a observaciones realizadas en
ubicaciones cercanas.

Así, la geoestadística puede realizar evaluaciones de reservas mineras, es decir, la

estimación de parámetros a partir de un número relativamente pequeño de perforaciones
y muestras diversas.

Íntimamente relacionadas a los modelos de estimación están los modelos de simulación.

Esto debido a la necesidad de una mayor precisión de la información obtenida del
kriging.

Definición

La Geoestadística es una rama de la Estadística Aplicada que se especializa en el

análisis, modelación y predicción de la variabilidad espacial de fenómenos en Ciencias
de la Tierra. Se define como la aplicación de la Teoría de Funciones Aleatorias al
reconocimiento y estimación de fenómenos naturales.
Otras definiciones

• Rama de la Estadística Aplicada que se caracteriza por tomar en cuenta la relación

espacial de las variables en estudio.

• Rama de la Estadística que se enfoca a analizar, procesar e inferir resultados de datos

georeferenciados.

• Un conjunto de técnicas para el análisis y predicción de valores distribuidos en el

espacio y/o en el tiempo, dichos valores se asumen correlacionados entre sí.

Objeto de estudio

Su objeto de estudio es el análisis y la predicción de la distribución espacial de

fenómenos georeferenciados, como por ejemplo: – La porosidad en un yacimiento
petrolero

– La distribución de un mineral en el subsuelo

– Las concentraciones de un contaminante en la atmósfera, etc.

A partir de escasa información conocida, estima o predice el valor de una variable en

localidades donde no se conoce.

Etapas del análisis geoestadístico

Actualmente, la Geoestadística es un conjunto de técnicas usadas para analizar y

predecir valores de una propiedad distribuida en espacio o tiempo. Un análisis
geoestadístico está compuesto por tres etapas:

1. El análisis exploratorio de los datos: Está basado en técnicas estadísticas

convencionales que permiten obtener todo un conjunto de información, desconocida a
priori sobre la muestra bajo estudio, lo que es imprescindible para realizar
correctamente cualquier análisis estadístico y en particular un análisis geoestadístico.

2. El análisis estructural: Es el proceso de estimación y modelación de la función que

describe la correlación espacial

3. Las predicciones (kriging o simulaciones): Una vez realizado el análisis estructural, la

predicción de valores en puntos no muestrales se puede hacer aplicando la técnica de
interpolación "kriging" o simulándolos a través de “simulaciones condicionales”

Campos de aplicación

La Geoestadística ha sido ampliamente aplicada en diversas ramas de las ciencias

aplicadas y en las ingenierías, entre otras tenemos:

• Industria petrolera: Modelos geológico – petrofísicos de yacimientos; análisis de

permeabilidad; simulación de facies; caracterización de propiedades petrofísicas y su
escalamiento; integración de información de diferentes fuentes; evaluación de reservas;
análisis de riesgo.

• Minería: Estudios de factibilidad económica de un yacimiento; peritaje minero;

cálculo de reservas; diseño de métodos de explotación basados en la distribución de la
mineralización.

• Industria Pesquera: Estimación in situ del potencialidad de pesca; relación entre la

distribución espacial de especies de peces y diferentes variables (profundidad,
temperatura, salinidad, etc).

• Geofísica marina.

• Hidrogeología: Solución de problemas inversos (permeabilidad, transmisividades);

estimaciones de los niveles piezométricos; diseño de Redes óptimas de monitoreo;
estimación de los límites de la pluma de un contaminante.

• Medio ambiente: Predicción de la distribución de contaminantes en atmósfera, suelos,

acuíferos, y cuerpos de agua; evaluación de sitios contaminados; estudios de riesgo e
impacto ambiental.

• Ciencias Agrícolas y Forestales: Estudio de la distribución espacial y la afectación de

plagas; inventarios forestales; estudio cuantitativo de suelos y sus propiedades químicas
y mecánicas.

• Salud pública: Análisis de la distribución espacial de enfermedades; estimación de la

exposición de personas a elementos nocivos (acústicos, químicos, polvos, etc.)

• Ingeniería civil

• Procesamiento de imágenes

•Cartografía

• Finanzas

• Ciencias de materiales

• Meteorología

• Edafología, etc.
Referencias
Viera, M. A. D., & González, R. C. (2002). Geoestadística aplicada. Instituto de
Geofísica, Universidad Nacional Autónoma de México, Ministerio de Ciencia,
Tecnología y Medio Ambiente de Cuba: México DF, Mexico, 31-57.
Villatoro, M., Henríquez, C., & Sancho, F. (2008). Comparación de los interpoladores
IDW y Kriging en la variación espacial de pH, Ca, CICE y P del suelo. Agronomía
Costarricense, 32(1).

¿EN QUÉ CONSISTE EL KRIGEADO O KRIGING?

Es conjunto de métodos de predicción espacial que se fundamentan en la minimización
del error cuadrático medio de predicción. En los cuales encontramos dos tipos
de kriging:

Tipo de predictor Nombre Propiedades

Lineal  Simple Son óptimos si hay

 Ordinario normalidad multivariada.
 Universal Independiente de la
distribución son los mejores
predictores linealmente
insesgados
No lineal  Indicador Son predictores óptimos
 Probabilístico
 Log Normal,
TransGaussiano
 Disyuntivo

Los métodos kriging se aplican con frecuencia con el propósito de predicción, sin
embargo estas metodologías tienen diversas aplicaciones, dentro de las cuales se
destacan la simulación y el diseño de redes óptimas de muestreo

Referencias
INTRODUCCIÓN A LA GEOESTADISTICA. (2017). [ebook] pp.17-33. Available at:
http://ftp://ftp.ciat.cgiar.org/DAPA/projects/Cursos_Talleres/Curso_R/DOCUMENTOS
/LIBRO%20DE%20GEOESTADISTICA.pdf [Accessed 2 Nov. 2017].
¿QUÉ ES UN SEMI-VAROGRAMA?
Es una herramienta que permite analizar el comportamiento espacial de una propiedad o
variable sobre una zona dada, El variograma se puede utilizar para modelar fenómenos
no estacionarios.
El semi-varograma, conocido también como variograma, es la herramienta central de la
geoestadística. El semi-varograma es una función que relaciona la semivarianza con el
vector h conocido como "lag", el cual denota la separación en distancia y dirección de
cualquier par de valores z(x) y z (x+h).
Referencias
https://www.google.com.co/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&
uact=8&ved=0ahUKEwjz97aK5ajXAhUC5CYKHRQzB3cQFggnMAA&url=http%3A
%2F%2Fwww.geo.upm.es%2Fpostgrado%2FCarlosLo

¿QUÉ DIFERENCIAS HAY ENTRE LA INTERPOLACIÓN IDW Y EL

KRIGEADO?
El IDW: Estima los valores de las celdas calculando promedios de los valores de los
puntos de datos de muestra en la vecindad de cada celda de procesamiento. Cuanto más
cerca está un punto del centro de la celda que se está estimando, más influencia o peso
tendrá en el proceso de cálculo del promedio.

 El IDW utiliza un algoritmo simple basado en distancias (Johnston et al. 2001).

 Asumen que las predicciones son una combinación lineal de los datos.
 Ofrece una menor complejidad en el calculo
 Tiende a formar puntos de concentración conocidos como (ojos de buey) en torno a
los puntos muéstrales.
 tiene una mayor tendencia a formar islas. Esta tendencia es común en el IDW al
utilizarse exponentes (p) bajos y tener estimaciones más simples, donde tienen
menor influencia los datos cercanos al punto estimado.

EL KRIGEADO
El método de interpolación kriging ofrecen no solo predicciones y superficies de
respuesta requeridas, sino también mapas de probabilidades y cuantiles. Cuantifica la
estructura espacial de los datos -mediante el uso de variogramas llamados algunas veces
semivariogramas debido a su similitud en el cálculo- y los predice mediante la
interpolación, usando estadística.

 Es más preciso y eficiente

 Proporciona un análisis más elaborado y con un fundamento estadístico, por lo que
este método puede ser el preferido cuando la intensidad de muestreo es mayor,
aunque esto significaría costos mayores
 Ofrece una mayor consistencia estadística , un análisis mas elaborado, una
interpolación menos brusca, con áreas de transición menos abruptas y con menores
errores en la predicción .
 Reduce los valores mas altos y aumenta los mas bajos, dando como resultados un
mayor suavizado y una mayor concentración en torno a los valores centrales.
 Presenta algunas dificultades a la hora de ser utilizado como método de
construcción de los MDE.
 El método Kriging es más preciso (valores más bajos de PAE y PCE) y eficiente
(valores más altos de E) para las interpolaciones de pH, Ca, y CICE.

 No permite el tratamiento de discontinuidades topográficas que supongan cambios

bruscos, como rupturas de pendiente.

 Al igual que el método de interpolación DWI asumen que las predicciones son una
combinación lineal de los datos.
 Obtiene los pesos (o influencia) de los valores, resolviendo la ecuación Kriging

Referencias

Viera, M. A. D., & González, R. C. (2002). Geoestadística aplicada. Instituto de

Geofísica, Universidad Nacional Autónoma de México, Ministerio de Ciencia,
Tecnología y Medio Ambiente de Cuba: México DF, Mexico, 31-57.
Villatoro, M., Henríquez, C., & Sancho, F. (2008). Comparación de los interpoladores
IDW y Kriging en la variación espacial de pH, Ca, CICE y P del suelo. Agronomía
Costarricense, 32(1).