)LJXUD. Ejemplo de funcin de distribucin y densidad de probabilidad bivariable.

La densidad de probabilidad se obtiene al tomar las derivadas parciales de la

funcin de distribucin con respecto a cada uno de sus argumentos.

0RPHQWRV

En muchos problemas (como el de interpolacin por kriging), se puede simplificar aun

ms la caracterizacin de la funcin aleatoria, al considerar solamente algunos parmetros
descriptivos o PRPHQWRV de las distribuciones univariables y bivariables, que resumen la
informacin ms relevante.

Estos son:

El YDORUHVSHUDGR (esperanza, o momento de primer orden):

P ( [ ) = ( [ = ( [ )] .

En cada sitio [ dado, P([) representa la media alrededor de la cual se distribuyen los
valores tomados por las realizaciones de la funcin aleatoria.

La YDULDQ]D, o varianza DSULRUL, definida por:

2 ([) = var [ = ([)]

= ( {[ = ([) P([)]2 }
= ( [ = ( [) 2 ] P( [ ) 2

La varianza es una cantidad positiva. Su raz cuadrada se llama GHVYLDFLyQHVWiQGDU.

La varianza y la desviacin estndar constituyen medidas de la dispersin de =([) en
torno a su valor medio P([) y cuantifican, de esta forma, su carcter aleatorio .

0,$*HRHVWDGtVWLFD 
 La FRYDULDQ]Dcentrada entre dos variables aleatorias =([1) y =([2):

& ([1 , [ 2 ) = cov [ = ([1 ), = ([ 2 )]

= ( {[ = ([1 ) P([1 )][ = ([ 2 ) P([ 2 )]}
= ( [ = ([1 ) = ([ 2 )] P([1 ) P([ 2 )

La covarianza da una visin elemental del vnculo o interaccin que existe entre =([1)
y =([2). La desigualdad de Cauchy-Schwarz relaciona la covarianza entre =([1) y =([2)
con las varianzas de =([1) y =([2):

| cov[ = ([1 ), = ([ 2 )]| var[ = ([1 )] var[ = ([ 2 )] .

El FRUUHORJUDPD (coeficiente de correlacin lineal) entre dos variables aleatorias =([1)

y =([2):

([1 , [ 2 ) = corr [ = ([1 ), = ([ 2 )]

cov [ = ([1 ), = ([ 2 )] .
=
var [ = ([1 )] var [ = ([ 2 )]

Al contrario de la covarianza, el correlograma es adimensional y toma sus valores en el

intervalo [1,1]. Un coeficiente nulo indica que las variables =([1) y =([2) no estn
correlacionadas (condicin necesaria para que sean independientes), mientras que un
coeficiente igual a 1 1 indica que son proporcionales.

El VHPLYDULRJUDPD entre dos variables aleatorias =([1) y =([2):

1
([1 , [ 2 ) = var[ = ([1 ) = ([ 2 )] .
2

En adelante, para aliviar la escritura, se omitir sistemticamente el prefijo semi y se

hablar solamente de variograma .

,QIHUHQFLDHVWDGtVWLFD+LSyWHVLVGHHVWDFLRQDULGDG

Para poner en marcha el formalismo probabilstico, es necesario poder determinar, por

lo menos parcialmente, la distribucin espacial de la funcin aleatoria a partir de los datos
disponibles sobre la variable regionalizada (etapa de LQIHUHQFLD HVWDGtVWLFD). Dos razones
impiden poder realizar la inferencia estadstica en su forma ms general: por una parte, la
variable regionalizada slo es XQD realizacin de la funcin aleatoria; por otra parte, esta
realizacin se conoce de manera fragmentaria, en algunos sitios de muestreo.

0,$*HRHVWDGtVWLFD 
 Para salir de este problema algunas restricciones son necesarias. Recurren a la nocin
de HVWDFLRQDULGDG. La idea es permitir la inferencia estadstica, reemplazando la repeticin
sobre las realizaciones de la funcin aleatoria (inaccesibles, por disponer solamente de una
realizacin) por una repeticin en el espacio: se supone que los valores que se encuentran
en las diferentes regiones del campo presentan las mismas caractersticas y, por ende,
pueden considerarse como distintas realizaciones del mismo proceso aleatorio.

Del punto de vista matemtico, la hiptesis de estacionaridad consiste en postular que

la distribucin espacial de la funcin aleatoria es invariante por traslacin, es decir, que las
propiedades de un conjunto de datos no dependen de su posicin absoluta en el espacio,
sino que solamente de sus posiciones relativas. Esto implica las siguientes simplificaciones:

La GLVWULEXFLyQXQLYDULDEOH no depende del sitio considerado

) ( ]1 ) = Prob{= ([1 ) < ]1} .

En particular, la HVSHUDQ]D y la YDULDQ]D son constantes en el espacio:

P = ( [ = ( [ )]
2 = var[ = ([)]

La GLVWULEXFLyQELYDULDEOH slo depende de la separacin entre los sitios considerados:

)% ( ]1 , ]2 ) = Prob{= ([ + K) < ]1 , = ([) < ]2 } .

Lo mismo ocurre para los momentos de esta distribucin (FRYDULDQ]D, FRUUHORJUDPD y

YDULRJUDPD):

& (K) = cov[ = ([ + K), = ([)]

(K) = corr[ = ([ + K), = ([)]
1
(K) = var[ = ([ + K) = ([)]
2

Estos parmetros son ms importantes que la esperanza y la varianza, pues muestran la

interaccin existente entre dos valores, luego dan una descripcin sinttica de la
continuidad espacial de la variable regionalizada. La covarianza y el correlograma
indican qu tan VHPHMDQWHV son los valores entre dos sitios, mientras que el variograma
indica qu tan GHVHPHMDQWHV son. Siendo constante la esperanza, se tiene tambin:

1
(K) = ({[ = ([ + K) = ([)]2 } .
2

0,$*HRHVWDGtVWLFD 
 LQWHUSUHWDFLyQ
9DULDEOHUHJLRQDOL]DGD )XQFLyQDOHDWRULD

FDUDFWHUL]DFLyQ

0RPHQWRV UHVXPHQ 'LVWULEXFLyQHVSDFLDO

esperanza, varianza distribucin univariable
covarianza, variograma distribuciones bivariables

VLPSOLILFDFLyQ
distribuciones multivariables

+LSyWHVLVGHHVWDFLRQDULGDG
esperanza y varianza son constantes
covarianza y variograma slo dependen de la separacin entre datos

)LJXUD. Esquema sinttico de los conceptos

e hiptesis que sustentan el modelo geoestadstico

5HODFLRQHVHQWUHPRPHQWRV

Bajo la hiptesis de estacionaridad, se tiene las siguientes relaciones:

La varianza es igual a la funcin de covarianza evaluada para el vector K = :

2 = & ( )

El correlograma es igual a la covarianza dividida por la varianza:

(K) = & (K) / & ()

El variograma es igual a la varianza menos la covarianza:

(K) = & () & (K) .

Cuando la norma del vector de separacin K se vuelve infinita, la covarianza tiende a 0

y el variograma es igual a la varianza:

( ) = & ( ) = 2 .

0,$*HRHVWDGtVWLFD 
 &DStWXOR$QiOLVLVYDULRJUiILFR
9DULRJUDPDH[SHULPHQWDO

Los valores de una variable regionalizada no son independientes, en el sentido que un

valor observado en un sitio proporciona informacin sobre los valores de los sitios vecinos.
En la interpretacin probabilstica de la variable regionalizada, esta nocin intuitiva de
dependencia est descrita por la GLVWULEXFLyQHVSDFLDO de la funcin aleatoria, que modela la
manera como se relacionan los valores observados en distintos sitios por una distribucin
de probabilidad multivariable.

En muchos problemas la descripcin de la distribucin espacial se limita a los primeros

momentos. El momento de orden 1 (esperanza) hace intervenir un solo sitio a la vez y no
entrega realmente informacin sobre dependencia espacial. En cambio, los momentos de
orden 2 (covarianza, correlograma y variograma) estn definidos con la ayuda de dos sitios,
es decir del ms pequeo conjunto que se puede considerar para describir la interaccin
entre valores. Son estos momentos los que entregan una descripcin elemental y operatoria
de la continuidad espacial de la variable regionalizada.

En este captulo, abordamos la primera etapa del anlisis variogrfico, que consiste en
la inferencia del variograma, es decir, el clculo de un variograma experimental a partir de
los datos disponibles. Posteriormente (captulo siguiente), se ver cmo ajustar un modelo
de variograma en torno al variograma experimental.

(OYDULRJUDPDH[SHULPHQWDOWUDGLFLRQDO

'HILQLFLyQHLQWHUSUHWDFLyQ

Consideremos una variable regionalizada ] conocida en Q sitios {[1,... [& }. El estimador

tradicional del variograma para un vector de separacin K dado, se define de la siguiente
manera:

1
(K) = ( ' [ ] ([ ) ] ([ )]2
2| 1 (K)| ( )

donde 1(K) = { (,) tal que [ [ = K };

|1(K)| es el nmero de pares contenidos en el conjunto 1(K).

0,$*HRHVWDGtVWLFD