UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

FACULTAD DE INGENIERA CIVIL, ARQUITECTURA Y GEOTECNIA

ESCUELA ACADMICO PROFESIONAL DE INGENIERA GEOLGICA GEOTECNIA


TRABAJO ENCARGADA DE GEOQUIMICA

TEMA : ALTERACIONES EN YACIMIENTOS

DOCENTE : ING. GLORIA CHOQUE

ALUMNO : RICHARD RAMIREZ CALDERON

CODIGO : 2010 36003

AO ACADEMICO : TERCERO



TACNA PERU
2011

GEOESTADISTICA
I. GEOESTADISTICA

Rama de la estadstica que se especializa en el anlisis y la modelacin de la
variabilidad espacial en ciencias de la tierra. Su objeto de estudio es el anlisis y la
prediccin de fenmenos en espacio y/o tiempo, como: leyes de metales,
porosidades, concentraciones de un contaminante, etc.

II. PRINCIPIOS BSICOS

Variables regionalizadas z(x).- as se le nombra a las variable distribuida en el
espacio de manera tal que presenta una estructura espacial de correlacin variable
aleatoria z definida en un punto del espacio x.

Funcin aleatoria: es una variable cuyos valores se obtienen de mediciones en algn
tipo de experimento aleatorio. Las funciones de distribucin son las que se asignan a
cada suceso definido sobre una variable aleatoria de la probabilidad de que dicho
suceso ocurra.


La distribucin de probabilidad est definida sobre el conjunto de todos los sucesos.
Los momentos de distribucin pueden ser de primer orden de Z, o de segundo
orden: la varianza de Z, la covarianza de las variables aleatorias Z y el
semivariograma.

Se dice que son funciones aleatorias estacionarias, si su funcin de distribucin es
variante a cualquier traslacin respecto a un vector h o lo que es equivalente.

Variograma:
Es una herramienta que permite analizar el comportamiento espacial de una variable
sobre un rea definida, obteniendo como resultado la influencia de los datos a
diferentes distancias.

III. VARIABLE ALEATORIA REGIONALIZADA

En el estudio de las variables aleatorias regionalizadas es importante presentar
conceptos que se sealan en Journel y Huijbregts (1978) y David (1977) y que son
utilizados por la mayora de los autores donde se aplican los mtodos
geoestadsticos como herramienta fundamental de trabajo.
Estos conceptos son:
Regin: se refiere al espacio en el cual existe y se estudia el fenmeno
natural.
Localizacin: Es el punto de una regin en la cual se define una variable
aleatoria regionalizada.
Soporte Geomtrico: Est determinado por el elemento fsico sobre el cual se
realiza la determinacin de la variable aleatoria regionalizada, esto no es ms
que la muestra unitaria, sobre la cual estudiaremos el atributo de inters.
Momentos de primer orden:
Si la funcin de distribucin de Z(xi) tiene una media definida, ser una funcin de la
localizacin xi. m(xi) = E{ Z(xi)}
Momento de segundo orden:
Si la varianza (Var) de Z(xi) existe, entonces se define como el momento de segundo
orden y ser tambin una funcin de la localizacin xi.

Var { Z(xi)} = E{ [Z(xi) - m(xi)] 2}

Si la varianza de las variables Z(xi) y Z(xj) existe entonces la covarianza (Cov) de las
stas tambin existe y es funcin de las localizaciones xi y xj.

Cov[Z(xi), Z(xj)] = E{ [Z(xi) - m(xi)][Z(xj) - m(xj)]}
si xi = xj ; Cov[Z(xi), Z(xj)] = Var { Z(xi)}

La funcin variograma o funcin estructural: se define como la varianza de
la diferencia Z(xi) - Z(xj).

Var{ Z(xi) - Z(xj)} = 2g (xi, xj}

la magnitud g (xi, xj} = Var{ Z(xi) - Z(xj)} se denomina semivariograma.
Tambin se puede definir el correlograma estandarizando, la covarianza para los
valores xi - xj = h = 0 como: r (h) = C(h)/C(0) -1 r 1
donde: C(h) es la covarianza a la distancia h,
C(0) es la covarianza en el origen.
Existen relaciones entre estas medidas de correlacin:

g (h} = C(0) - C(h) con g (0) = 0
r (h) = 1 - g (h)/C(0)

IV. VARIABLES ALEATORIAS REGIONALIZADAS

Como la forma en que se presenta la informacin es muy diversa (Journel y
Huijbregts, 1978), la geoestadstica se construye asumiendo condiciones de
estacionalidad. Por lo que es necesario aceptar el cumplimiento de
ciertas hiptesis sobre el carcter de la funcin aleatoria o procesos estocsticos
estudiados, llamadas Hiptesis de la Geoestadstica. Estas son segn Journel y
Huijbregts (1978) y David (1977): La Estacionalidad Estricta, La Estacionalidad de
Segundo Orden, La Hiptesis Intrnseca y los Procesos
Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la
funcin de distribucin de probabilidades de las variables aleatorias
regionalizadas Z(xi) son iguales entre s, independiente de la localizacin xi, lo
que requiere que los momentos de distinto orden para cada variable aleatoria
regionalizada sean completamente independientes de la localizacin xi. Esta
condicin como su nombre lo indica es demasiado restrictiva al estudiar la
mayora de los fenmenos encontrados en la prctica.
Estacionaridad de Segundo Orden. Esta condicin es ms frecuente en la
prctica, la misma exige que:
1) E{ Z(xi)} = m, existe y no depende de la localizacin xi.
2) La funcin covarianza, Cov{ Z(xi) - Z(xj)} , exista y slo dependa de la longitud del
vector h = xi - xj o sea.

C(h) = Cov{ Z(xi), Z(xj)} = E{ Z(xi), Z(xi+h)} - m2

Esta hiptesis requiere la estacionalidad slo para la media y para la funcin de
covarianza de la variable aleatoria regionalizada. La segunda condicin implica,
estacionalidad de la varianza y del variograma.

10 Var[Z(xi)] = E{ [Z(xi) - m]2} = C(0) " x
20 g (h) = E{ [Z(xi)]2} - E{ Z(xi), Z(xi+h)} " x

como E[Z(xi), Z(xi+h)] = C(h) + m2

E[Z2(xi)] = C(0) + m2
g (h) = C(0) + m2 - (C(h) + m2)
g (h) = C(0) - C(h).

Como se observa en la ltima expresin g (h) y C(h), son dos herramientas que
permiten expresar la correlacin entre la variable aleatoria regionalizada Z(xi) y
Z(xi+h), separadas por el vector h.

Hiptesis Intrnseca. Una funcin aleatoria Z(x) se dice intrnseca cuando:

a) Su esperanza matemtica existe y no depende de la localizacin xi.

E{ Z(x)} = m " x

b) Para todo vector h el incremento [Z(x+h) - Z(x)] tiene varianza finita y no
depende de la localizacin xi:

Var{ Z(x+h) - Z(x)} = E{ [Z(x+h) - Z(x)]2} = 2g (h) " x

Cuando se cumple esta condicin se dice que la funcin aleatoria Z(x) es
homognea. Esta condicin se encuentra con bastante frecuencia en la naturaleza,
pues existen muchos procesos que no tiene varianza finita y sin embargo, poseen
una funcin variograma finita.
La estacionaridad de segundo orden, siempre implica la condicin intrnseca
(homogeneidad), sin embargo la relacin inversa no siempre se cumple.


Procesos Cuasiestacionarios.

En la prctica la funcin estructural, covarianza o semivariograma, es slo
usada por lmites | h| b. El lmite b representa la extensin de la regin en la
que el fenmeno estudiado conserva cierta homogeneidad del comportamiento
de Z(xi). En otros casos, b pudiera ser la magnitud de una zona homognea y
dos variables Z(x) y Z(x+h) no pueden ser consideradas en la misma
homogenizacin de la mineralizacin si |h| > b. En tales casos, podemos, y
verdaderamente debemos, estar satisfecho con una funcin estructural
C(x,x+h) o g (x,x+h), lo que no es ms que estacionalidad local (para
distancias h menores que el lmite b). Esta limitacin de la hiptesis de
estacionalidad de segundo orden (o la hiptesis intrnseca si slo el
variograma es asumido) a slo esas distancias |h| b corresponde a la
hiptesis de cuasiestacionaridad. Est hiptesis es verdaderamente un
compromiso de la escala de homogeneidad del fenmeno y la cantidad de
datos disponibles.

En la prctica segn Armstrong y Carignan (1997) y Chica (1987) son dos las
hiptesis que ms se presentan: La Estacionaridad de Segundo Orden y la Hiptesis
Intrnseca. Estas condiciones de estacionaridad se asumen en el desarrollo terico,
en la prctica deben ser verificadas en los datos antes de comenzar un estudio
geoestadstico, para lo que se puede realizar un anlisis estadstico de la
informacin, de modo que se refleje de as el grado de confiabilidad en la aplicacin
de estos mtodos.

V. HIPTESIS DE LA GEOESTADSTICA

Antes de comenzar un estudio geoestadstico se deben discutir todos los elementos
que aporten conocimientos del problema a resolver, la estructura geolgica en que
se desarrolla la mineralizacin o el fenmeno en estudio, organizacin y verificacin
de la informacin disponible y finalmente realizar el anlisis exploratorio de los datos.
Una vez obtenido los datos, es necesario que se controlen integralmente a fin de
verificar de una parte su exactitud y de otra su representatividad. Es importante que
se est familiarizado con los datos, discutir todos los elementos necesarios a fin de
conocer el problema a resolver (Armstrong y Carignan, 1997). En la minera los
resultados son muy sensibles al nivel de informacin usado (Carrasco-Castelli y Jara-
Salame, 1998; Lantujoul, 1994), cualquier modificacin involuntaria en la etapa
inicial se refleja sistemticamente durante todo el estudio (Armstrong y Roth, 1997;
Armstrong y Carignan, 1997).
Conceptos necesarios de estadstica bsica
Con el objetivo de conocer la informacin disponible se puede hacer un anlisis de
la estadstica descriptiva (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David,
1977). A continuacin se presenta un resumen de los conceptos necesarios de
estadstica bsica.
A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la
distribucin de los datos es normal, lognormal, o si no se ajustan a una distribucin
estadstica, lo cual implica tener conocimiento de:
Numero de casos: Es el nmero de valores muestreados del fenmeno en
estudio, representados por n y los datos por xi, i = 1, . . . , n, que llamamos
distribucin.
Rango de la distribucin: Es la diferencia entre el valor mximo y el mnimo.
Media: Es la media aritmtica de la distribucin, dado por la frmula:

Moda: Es el valor ms frecuente de la distribucin.
Mediana: Es el valor para el cual la mitad de los datos son menores y la otra
mitad estn por encima de este valor.
Si ordenamos los datos en orden ascendente podemos calcular la mediana como.
X(n+1)/2 si n es impar.
M =
(Xn/2 + Xn/2+1)/2 si n es par.
La mediana es tambin llamada percentil 50, adems los datos no solo se dividen en
dos grupos, sino que se pueden dividir en cuatro partes, cuartiles, donde Q1 =
percentil 25, Q2 = Mediana y Q3 = percentil 75, si los datos se dividen en 10,
tenemos los deciles. De forma general estas medidas se pueden calcular por: [
p(n+1)/100] sima observacin de los datos ordenados ascendentemente, donde p
es el percentil que se desea calcular.

Varianza: Describe la variabilidad de la distribucin. Es la medida de la
desviacin o dispersin de la distribucin y se calcula por:


La razn principal por la que se aboga por la divisin entre n-1 en la estimacin de la
varianza, es porque proporciona un mejor estimado; si dividimos por n-1 nos
referimos a la varianza muestral S2 como un estimador insesgado de la varianza
poblacional s 2. Esto significa que si un experimento fuera repetido muchas veces se
podra esperar que el promedio de los valores as obtenidos para S2 igualara a s 2.
Por otra parte si dividimos entre n los valores obtenidos para S2 seran como
promedio demasiado pequeo.

Desviacin estndar: Describe la tendencia o dispersin de la distribucin.
Es la medida de desviacin alrededor de la media. Se calcula por:
s =
Coeficiente de asimetra: Describe la simetra de la distribucin relativa a la
distribucin normal. Se calcula por:

En la distribucin normal la asimetra tiene valor cero, un valor negativo indica una
cola a la izquierda y un valor positivo indica una cola a la derecha.

Curtosis: Describe el grado de esbeltez de la distribucin, tomado por lo
general en relacin a una distribucin normal, y se puede calcular por:

La distribucin normal tiene curtosis igual a tres, y es llamada mesocrtica. A las
distribuciones ms agudas, con colas relativamente anchas, se les llama
leptocrticas, tienen valores de curtosis mayores que tres, y las distribuciones ms
bien achatadas en el centro se llaman platicrticas, tienen valores menores que tres,
en ocasiones se acostumbra a definir la curtosis como a 4 - 3.
Error estndar: Describe el grado de conocimiento de los datos y se puede
calcular por:
e =
La distribucin normal tiene un valor de error estndar menor que 1.25 y la
distribucin lognormal o una distribucin con tendencia positiva, tiene valores de
error estndar mayores que 1.25.
Coeficiente de variacin: Es una medida de la variacin relativa de los datos
y puede ser calculado por:
CV = S/Xm
y en porcentaje como: 100 CV = 100 (S/Xm) %
Proporciona una comparacin entre la variacin de grandes valores y la variacin de
pequeos valores. Las tcnicas de Geoestadstica Lineal que predomina en el campo
de las geociencias producen los mejores resultados cuando el coeficiente de
variacin es menor que uno, CV < 1. Para CV > 1 se recomiendan tcnicas de
Geoestadstica no Lineal.
Prueba Chi-Cuadrado: Permite determinar si la distribucin es normal,
lognormal o alguna otra distribucin probabilstica, es su lugar puede ser
usada la prueba "Kolmogorov Smirnov" como se refleja por muchos autores
es ms robusta.
Prueba t-Student: Permite determinar si en una distribucin bimodal las
medias de las poblaciones son estadsticamente diferentes.

VI. CONSTRUCCIN DE GRFICOS ESTADSTICOS:

Estos grficos permiten ilustrar y entender las distribuciones de los datos, identificar
datos errados, valores extremos, los mismos incluyen:
Mapa base, seccin cruzada y vista en perspectiva: Son usados para
visualizar la relacin espacial en 2 y 3 dimensiones, permiten encontrar errores
en la informacin.
Histogramas: Son usados para ver las caractersticas descriptivas de la
distribucin. Es un grfico de barras donde en las abscisas aparecen los
lmites de las clases y en las ordenadas las frecuencias correspondientes a
cada clase.
Frecuencia acumulativa: Usado para identificar el tipo de distribucin muestral
y ayuda a determinar si estn presentes poblaciones mixtas. Es un grfico de
lmite de clase contra frecuencia acumulada.

En el caso de grficos estadsticos es til usar los grficos de frecuencia absoluta,
relativa, acumulativa y el diagrama de dispersin, como se presenta en
muchos sistemas.
Todos estos elementos permiten decidir sobre las condiciones de estacionaridad
vistas anteriormente. Muchos autores slo toman como elementos fundamentales de
estadstica bsica que: la media y la mediana tome valores prximos; el coeficiente
de variacin sea inferior a 1; la distribucin de los datos est prxima a la curva
normal y no existan valores extremos que afecten el desarrollo del anlisis
estructural.



VII. EJEMPLO APLICATIVO

Se desea analizar la distribucin espacial de una plaga de Helicoverpa armigera Hb.
durante una serie de das.
La parcela experimental sobre la cual se realiz el estudio se encuentra en el
suroeste del trmino municipal de Badajoz, en la finca Benavides. Su forma es casi
rectangular, con lados de 560 m y 350 m, dando lugar a una superficie de
aproximadamente 20 ha, estando plantada completamente con tomate

Con el fin de establecer los puntos de muestreo en la parcela experimental, se
dise una retcula regular superpuesta sobre la misma. De esa forma, sobre el
terreno se determinaron una serie de puntos equidistantes 43 m, segn el lado
menor de la parcela, y 40 m en el lado mayor, dando lugar a 112 puntos mustrales,
referenciados sobre un origen de coordenadas previamente establecido en uno de
los vrtices de la parcela. Mediante trampas dispuestas en cada uno de los puntos
muestrales, se efectuaron conteos diarios de los insectos capturados durante una
serie de das previos a la recoleccin del tomate y con posterioridad a la misma. En
este trabajo se muestran los resultados obtenidos con los datos correspondientes a
las capturas para los das comprendidos entre el 10 y el 22 de julio de 2002, antes de
la recoleccin del fruto.

Para llevar a cabo los anlisis geoestadsticos se dispuso del programa SURFER. La
base de datos disponible consta de las coordenadas de las 112 trampas y del
nmero de insectos capturados en ellas, para cada uno de los das de muestreo. Los
datos se expresaron como nmero de insectos por superficie representativa de cada
muestra, equivalente a las dimensiones de las celdas de la retcula superpuesta
sobre la parcela, debido a la uniformidad del muestreo.
Para la descripcin de la estructura de correlacin espacial de los datos se utiliz el
variograma. En la construccin del variograma experimental se consider una
distancia mxima de 330 m, debido a que esa magnitud es aproximadamente la
mitad de la diagonal de la parcela, por lo que, si nos situsemos en el centro de la
misma, abarcaramos todos los puntos.
Otro parmetro que se tiene que fijar es el incremento de distancia a considerar en el
variograma. Se eligi el valor de 47,15 m para que cada dato muestral se
emparejase con los cuatro ms prximos, en las direcciones norte, sur, este y oeste.
Se tuvo en cuenta, adems, que en el variograma experimental se definiran 7
puntos, ya que el producto del incremento de la distancia (47,15) por el nmero de
puntos del variograma (7) debe ser aproximadamente la distancia mxima
considerada en el variograma experimental (330).



Resultados y discusin

Durante la primera etapa del estudio geoestadstico, el anlisis exploratorio, se
realiz una transformacin logartmica de los datos, para que stos mostraran una
mayor normalidad, confirmado mediante el clculo de los estadsticos asociados a
cada distribucin (Arranz, 2002). Como en algunas trampas las capturas eran nulas,
para evitar el logaritmo de cero se propuso la transformacin de la variable densidad
de insectos + 1.
En esta etapa, entre los muchos tipos de grficos que se pueden construir (Isaaks y
Srivastava, 1989; Moral, 2003), es especialmente til el denominado mapa de
posicionamiento de las observaciones (Fig. 2). Mediante este mapa se indica como
se distribuyen los puntos de muestreo en la parcela experimental. Suele emplearse
para la deteccin de errores en la localizacin de los datos y para analizar la posible
presencia de valores anormales.
En la fase del anlisis estructural de los datos se construyeron los variogramas
omnidireccionales para cada uno de los das y, con posterioridad, se les ajustaron
unos modelos tericos. En ningn caso se consider la existencia de anisotropa ya
que, con el nmero de datos disponibles, el clculo de los variogramas direccionales
se hubiesen sustentado sobre muy pocos puntos muestrales, con unos resultados
que hubieran sido muy deficientes. Dado que la parcela experimental no lindaba con
otras donde hubiera plantaciones de tomate, no es posible la existencia de
migraciones de insectos entre parcelas adyacentes, aunque Helicoverpa armigera
Hb. puede desplazarse cientos de kilmetros, segn las direcciones de los vientos
dominantes. Se ajustaron unos variogramas tericos esfricos o exponenciales, con
un efecto pepita, a los variogramas experimentales. En la Tabla 1 se tienen los
valores de los parmetros de los mismos. En la Figura 3 se muestran los
variogramas correspondientes a algunos de los das del estudio. Es necesario que el
variograma que se elija refleje el patrn de continuidad espacial de la variable
analizada. Una variable como la densidad de insectos en una parcela probablemente
se distribuya muy errticamente en distancias reducidas, con lo que los modelos
tericos ms apropiados para los variogramas deben ser el esfrico o el exponencial
(Isaaks y Srivastava, 1989).


Figura 2. Mapa de posicionamiento de las observaciones en la parcela experimental.
Se
incluye el valor de la variable (logaritmo de la 'densidad de insectos +1', para el da
20
de julio de 2002) en cada punto muestral.

En la fase del anlisis estructural de los datos se construyeron los variogramas
omnidireccionales para cada uno de los das y, con posterioridad, se les ajustaron
unos modelos tericos. En ningn caso se consider la existencia de anisotropa ya
que, con el nmero de datos disponibles, el clculo de los variogramas direccionales
se hubiesen sustentado sobre muy pocos puntos muestrales, con unos resultados
que hubieran sido muy deficientes. Dado que la parcela experimental no lindaba con
otras donde hubiera plantaciones de tomate, no es posible la existencia de
migraciones de insectos entre parcelas adyacentes, aunque Helicoverpa armigera
Hb. puede desplazarse cientos de kilmetros, segn las direcciones de los vientos
dominantes. Se ajustaron unos variogramas tericos esfricos o exponenciales, con
un efecto pepita, a los variogramas experimentales. En la Tabla 1 se tienen los
valores de los parmetros de los mismos. En la Figura 3 se
muestran los variogramas correspondientes a algunos de los das del estudio. Es
necesario que el variograma que se elija refleje el patrn de continuidad espacial de
la variable analizada. Una variable como la densidad de insectos en una parcela
probablemente se distribuya muy errticamente en distancias reducidas, con lo que
los modelos tericos ms apropiados para los variogramas deben ser el esfrico o el
exponencial (Isaaks y Srivastava, 1989).





Figura 3. Variogramas experimentales (puntos y lnea negra) y tericos (lnea azul)
para los das
indicados.

El efecto pepita se estima extrapolando el variograma hasta que corte al eje vertical.
El comportamiento del modelo en el origen es muy importante, debido a su influencia
en el proceso posterior de estimacin. En los variogramas que se obtuvieron en este
trabajo, el efecto pepita es bastante considerable en relacin con la meseta. En una
variable tan errtica a pequeas distancias como es el nmero de insectos esto es
lgico, debido a la variabilidad que existe a una distancia menor que la abarcada por
cada retcula asignada a cada dato muestral. La caracterizacin de la distancia hasta
la cual existe dependencia espacial en la densidad de insectos, el rango o alcance,
vara entre 190 y 330 m, la distancia mxima, abarcando la totalidad de la parcela.
Para la estimacin en los puntos no muestrales y, en definitiva, la elaboracin de
mapas donde se muestre la densidad de insectos en todos los puntos de la parcela,
se emple el krigeado ordinario en bloques, considerndo las estructuras de
correlacin espacial descritas con los variogramas. Los bloques se definieron como
cuadrados de 5 m de lado. As se obtuvieron los mapas de distribucin de las
densidades de insectos en la parcela experimental para todos los das considerados
en el estudio. En la Figura 4 se muestran algunos de ellos. Si se comparan las
representaciones grficas diarias, se puede analizar la evolucin temporal de la
poblacin de insectos en la parcela. Con los mapas se pudo comprobar que la
distribucin de los insectos mostraba un patrn comn, con mximas densidades en
las lindes de la parcela, disminuyendo a medida que se avanza hacia el centro de la
misma. Esto significa que los insectos se instalan en las primeras plantas que
encuentran, colonizando las ms prximas a las lindes y, cuando van llegando ms
individuos, aumentando las densidades en los bordes de la parcela, se producen
avances hacia el interior de la misma.



Figura 4. Mapas de distribucin de Helicoverpa armigera Hb., para los das
indicados, en la parcela experimental. La escala usada corresponde al logaritmo
natural de la 'densidad de insectos + 1'.

Con unas condiciones meteorolgicas favorables para los insectos, en varios das
podran llegar a colonizar totalmente la parcela. Sin embargo, estas poblaciones son
muy sensibles a los cambios de humedad y temperatura, por lo cual, cuando las
condiciones son cambiantes, suele producirse una disminucin de las densidades
por mortalidad. Las nuevas poblaciones que lleguen a la parcela se instalarn en las
plantas desocupadas de las lindes. Este proceso se repite constantemente durante la
poca de actividad migratoria del insecto. Obsrvese, en la Figura 4, como en el da
10 aparece en una de las lindes una alta densidad de insectos. Esa linde es el lugar
donde incide el viento dominante en ese da (Arranz, 2002). El da 12 de julio se
registr una cada de la temperatura, por lo que las densidades de insectos eran
mucho menores en el da 13. Sin embargo, entre los das 17 y 22 las temperaturas
se mantuvieron constantes, dando lugar a una
progresiva colonizacin de la parcela.
Para visualizar la bondad de las estimaciones en los diferentes lugares de la parcela
experimental se puede representar la varianza o la desviacin tpica del error, en
este caso del KOB, para la variable de inters. En la Figura 5 se muestra, como
ejemplo, la representacin de la desviacin tpica del KOB para el da 15 de julio. En
el resto de los das, las distribuciones de las desviaciones tpicas son equivalentes,
variando slo en las magnitudes de las mismas. Debido a que se tomaron muestras
dispuestas regularmente en la parcela, en la mayor parte del rea de estudio la
desviacin tpica del krigeado es
Figura 4. Mapas de distribucin de Helicoverpa armigera Hb., para los das
indicados, en la parcela experimental. La escala usada corresponde al logaritmo
natural de la 'densidad de insectos + 1' muy reducida, aumentando notablemente en
las cercanas de las lindes. Esto denota como las estimaciones son menos
precisas en los lmites de la parcela, ya que en esos lugares las interpolaciones en
los puntos no muestrales se realizan con menos informacin, apoyadas slo con
datos muestrales en unas determinadas direcciones, mientras que las llevadas a
cabo en las localizaciones ms interiores, cada interpolacin se realiza contando con
la informacin aportada por puntos muestrales que rodean al lugar seleccionado.
Para minimizar el efecto de la imprecisin en los bordes, las trampas ms cercanas a
las lindes de la parcela se instalaron unos metros hacia en interior de la misma (ver
Fig. 2), para que stas estuvieran totalmente rodeadas de varias filas de plantas de
tomate.
Los mapas de distribucin de las densidades de insectos son muy importantes para
una correcta planificacin en la lucha contra la plaga. Un tratamiento adecuado dede
considerar que las densidades de insectos son mayores en las lindes, por lo que en
esas zonas se debe actuar ms intensamente. Adems, con la realizacin de
tratamientos preferenciales en los bordes de la parcela, se impide notablemente que
los insectos se instalen y avancen hacia el interior de la misma. Desde el punto de
vista ambiental, la realizacin de tratamientos localizados o preferenciales implica
una menor aplicacin de sustancias potencialmente contaminantes sobre la parcela
considerada, reduciendo el riesgo de polucin de las aguas superficiales y de las
subterrneas.

Conclusiones

Mediante el uso de la geoestadstica se ha estudiado la distribucin espacial del
insecto Helicoverpa armigera Hb. en una parcela de tomate, con el empleo de la
funcin variograma, obtenindose adicionalmente unas representaciones grficas
diarias de dichas distribuciones. Estos mapas se basan en la tcnica de estimacin
geoestadstica conocida como krigeado, particularmente el krigeado ordinario en
bloques.
Con los mapas de distribucin diaria de los insectos se detecta la concentracin
preferente de la plaga en las lindes de la parcela, avanzando al interior cuando las
condiciones meteorolgicas se mantienen estables. Los mapas contienen las
mejores estimaciones en los puntos no muestrales, ya que se basan en unos datos
que, despus de una transformacin logartmica, se ajustaban a una distribucin
normal, suponiendo adems que los variogramas elegidos describen lo ms
realmente posible la variabilidad espacial. No obstante las precisiones de las
estimaciones son mejores en el interior de la parcela que en las proximidades de las
lindes, donde la desviacin tpica del error es ms alta.
Con el ejemplo se ilustra como la geoestadstica constituye una herramienta muy til
en el estudio de las distribuciones espaciales de las variables naturales, lo cual es
esencial cuando se deben tomar decisiones que afectan al medio ambiente.
Aparte de las ventajas del krigeado con respecto a otros mtodos de interpolacin
ms sencillos, mediante los
procedimientos geoestadsticos se conoce la bondad de la estimacin en toda el rea
de estudio, informacin no disponible con otros mtodos que pueden dar lugar a
estimaciones semejantes, pero carentes de las propiedades inherentes al krigeado.





VIII. BLIOGRAFIA

Wallace, M.K. y Hawkims, D.M., 1994, Applications of Geostatistics in Plant
Nematology, Supplement to Journal of Nematology 26 (45), pp. 626-634.

http://revistaecosistemas.net/index.php/ecosistemas/article/viewFile/582/550