Interpolación de una superficie a

partir de puntos en el espacio

Interpolación

Estimating a point
here: interpolation

Sample
data
Extrapolación

Sample
data

Estimating a point
here: extrapolation
Interpolación puede ser de datos regulares o irregulares
Interpolación lineal

If
Sample
elevation data A = 8 feet and

A B = 4 feet
then
C
C = (8 + 4) / 2 = 6 feet
B

Elevation profile
Interpolación no lineal

Sample Often results in a

elevation data more realistic
interpolation but
A
estimating missing
data values is more
C complex
B

Elevation profile
Interpolación global

Sample
data
Inverso de la distancia

100
IDW:
4 Closest 3
3 160 neighbors,
r=2
2
200
 A = 100
[ ]
n
zi
∑ d ip
i= 1
4 ∑ λ ⋅z ⃗
z ( x,y )= n
or z ( x,y )= i i with ∑ λi =1

∑
i= 1 [ ]
1
d ip
2
3 B = 160

C = 200
 Geoestadística

 El Término Geoestadística surge de la combinación del

carácter aleatorio de una Variable con el carácter
geológico que indudablemente poseen.

 La Geoestadística , establece que la distribución estadística de

la diferencia de una variable entre muestras es similar y
depende de la distancia que las separa y su distribución

 Concepto de Variable Regionalizada (VR)

Es aquella que el valor dado en un punto dentro del yacimiento
está en función de su magnitud y de su soporte (forma,
orientación).
 La geoestadística, a diferencia de la estadística en el
tratamiento de las muestras, tiene en cuenta la
ubicación de los datos, en el espacio. Lo que resulta
de gran interés en los estudios geológicos mineros.
Por ejemplo:
1-2-3-4-5-4-3-2-1
= media - varianza
2-4-5-1-3-3-1-2-4 (distribución aleatoria)

Pero su distribución espacial, es distinta, y puede

tener una gran importancia en minera.
 Representación gráfica de los datos espaciales

Antes de iniciar cualquier tratamiento geoestadístico, es necesario un detallado análisis

estadístico. Es imprescindible, al menos conocer el tipo de distribución de los datos
(¿normal?)

Posteriormente, el inicio conveniente de un tratamiento geoestadístico, es el análisis de

la distribución espacial de la/las variables

En este primer paso la utilización de herramientas gráficas sencillas, permiten una

visualización rápida de esa distribución espacial. Esto insume su tiempo, pero muchas
veces es una importante contribución para la interpretación y control de los futuros
resultados geoestadísticos

Mapas de posicionamiento de datos

Mapas de contornos (isolíneas)
Mapas de símbolos
 Continuidad Espacial

 La geoestadística asume que las muestras están

correlacionadas. Es esta Correlación Espacial la
que debemos encontrar en un yacimiento.

 Datos más cercanos tienen más posibilidades de

ser similares que dos alejados.
 Continuidad Espacial
 Las herramientas para medir la correlación espacial son:
 Gráficas
 Diagrama de dispersión

 Numéricas
 Función de Correlación (qh) : 1 ∑ Z(x) . Z(x + h) - m
(-h)
.m
(+ h)

N(h) σ-h . σ+h

 Función de Covarianza (Ch) : 1 ∑ Z (x) . Z (x + h) – m (-h) . m(+ h)

N(C)

Ecuación del semivariograma (Variograma)

Variograma

 El variograma es la herramienta geoestadística básica.

Permite la cuantificación de los parámetros geológicos y
expresa la correlación espacial entre los valores
muestreados.

 En términos muy simples podemos definir el variograma

como la media de los cuadrados de las diferencias entre
pares de muestras separados por una distancia h:

Ү = ½ N . ∑ [ ( Z(x) – Z(x+h)) ]2
 Los modelos probabilísticos

Límites de la estadística clásica

Se considera las observaciones como resultados (realizaciones)

independientes de una misma variable aleatoria.
 Los modelos probabilísticos

La independencia entre valores impide una previsión precisa de

un valor no muestreado.

 la interpretación clásica carece de realismo

 El modelo geoestadístico

Se considera “interacciones” entre las observaciones, de modo de

tomar en cuenta sus dependencias espaciales.

¿Se podrá estimar el valor en un sitio no muestreado gracias a su

interacción con los sitios circundantes?
 Objetivo del análisis variográfico

Describir las principales propiedades de la distribución espacial de

la variable regionalizada en estudio, más allá de un simple reporte
de los valores (perfiles, mapas).

¿Qué tan continua es la variable en el espacio?

 1 0,12

0,8 0,1
Variable

0,6 0,08

Variograma
0,4 0,06
0,04
0,2
0,02
0
0 5 10 15 20 25 0
0 2 4 6 8 10
Ubicación
Distancia

2 1
1,5 0,8
1
Variograma
0,6
Variable

0,5
0,4
0
0,2
1 3 5 7 9 11 13 15 17 19
-0,5
0
-1 1 2 3 4 5 6 7
Ubicación
Distancia
 Variograma experimental

Denotemos como {x,  1... n} los sitios de muestreo y como

z(x) la variable regionalizada.

El variograma experimental mide la desviación cuadrática

promedio entre dos datos en función de su separación:

1 2
^γ (h)= ∑
2| N (h ) | N (h )
[ z( x α )−z( x β )]

donde N(h) = {(,) tales que x – x  h}

|N(h)| es el cardinal de N(h)
 Variograma experimental (5)

Ejemplo
Consideremos las siguientes observaciones espaciadas cada 100 m

5 3 6 4 2 1 1 2 4 3 2

1 2 2 2 2 2 2 2 2 2 2
γ^ ( 100 m)= (2 + 3 +2 +2 + 1 +0 +1 + 2 +1 +1 )=1. 45
2×10
1 2 2 2 2 2 2 2 2 2
γ^ (200 m)= (1 +1 + 4 +3 + 1 +1 + 3 +1 +2 )=2 . 39
2×9
1 2 2 2 2 2 2 2 2
γ^ (300 m)= (1 +1 +5 +3 +0 +3 +2 + 0 )=3 . 06
2×8
 Variograma Experimental-obtención

N ( h)
1
Datos Igualmente espaciados: γ (h)= ∑
2 N ( h ) i=1
( z( xi )−z( x i +h ))2

x1 x2 x3 x4 x5 x6

1
γ ( h )= [
2∗5 ( 1
z −
2
+ −z
2
+ z x −z x
2
+ z x −z x
2
( ) ( 2 )) ( ( 2 ) ( 3 )) ( ( 3 ) ( 4 )) ( ( 4 ) ( 5 )) ( ( 5 ) ( 6 ))
x z x z x x + z x −z x
2
]
1
γ ( 2 h )= [ 2 2 2
2∗4 ( ( 1 ) ( 3 )) ( ( 2 ) ( 4 ) ) ( ( 3 ) ( 5 )) ( ( 4 ) ( 6 ))
z x −z x + z x −z x + z x −z x + z x −z x
2
]
1
γ ( 3 h )= [ −z
2
+ z x −z x
2
2∗3 ( ( 1 ) ( 4 )) ( ( 2 ) ( 5 )) ( ( 3 ) ( 6 ))
z x x + z x −z x
2
]
 Variograma experimental (2)

Ilustración
Ejemplo

h=1; Gh= 1/2x8 [(1-2)2+(2-3)2+(3-4)2+(4-5)2+(5-4)2+(4-3)2+(3-2)2+(2-1)2]= 0,5

h=2; Gh= 1/2x7 [(1-3)2+(2-4)2+(3-5)2+(4-4)2+(5-3)2+(4-2)2+(3-1)2]= 1,71
h=3; Gh= 1/2x6 [(1-4)2+(2-5)2+(3-4)2+(4-3)2+(5-2)2+(4-1)2]= 3,17
h=4; Gh= 1/2x5 [(1-5)2+(2-4)2+(3-3)2+(4-2)2+(5-1)2]= 4
h=1; Gh= 1/2x8 [(5-1)2+(1-3)2+(3-1)2+(1-4)2+(4-2)2+(2-2)2+(2-4)2+(4-3)2]= 2,62
h=2; Gh= 1/2x7 [(5-3)2+(1-1)2+(3-4)2+(1-2)2+(4-2)2+(2-4)2+(2-3)2]= 1,07
h=3; Gh= 1/2x6 [(5-1)2+(1-4)2+(3-2)2+(1-2)2+(4-4)2+(2-3)2]= 2,33
h=4; Gh= 1/2x5 [(5-4)2+(1-2)2+(3-2)2+(1-4)2+(4-3)2]= 1,30
 Variograma experimental

El variograma muestra características importantes de la variable

regionalizada:
1) el crecimiento indica la velocidad con la cual se desestructura
la variable en el espacio
2) la distancia para la cual se estabiliza el variograma representa
la “zona de influencia” de una muestra; se llama alcance
3) el comportamiento cerca del origen indica qué tan semejantes
son dos muestras muy cercanas, o sea, refleja la continuidad o
regularidad de la variable en el espacio
4) el cálculo del variograma puede hacerse a lo largo de distintas
direcciones del espacio y evidenciar una anisotropía
 Variograma Experimental-obtención

1
γ (h)= ∑
2N ( h ) | xi − x |=|h|
( z( xi )−z( x j ))2

• Se escoge una dirección θ

• Se escoge una distancia o lag h 6

• Se calcula γ para valores de h,2h,

5

variograma experimental
4
3h,...,nh
3 Variograma
• Se grafica γ versus los valores 2
experimental

h,2h, 3h,...,nh 1

Distancia
 Variograma Experimental-obtención

N (h)
1
Datos Igualmente espaciados: γ (h)= ∑
2 N ( h ) i=1
( z( xi )−z( x i +h ))2

( kh,0 ) , k= 0,1,2,…
( 0, kh ) , k=0,1,2, …
( kh,jh) , k,j=0,±1,±2, …
 Variograma experimental (6)
Cuando el muestreo es irregular, se suele definir parámetros de
tolerancia, tanto en la longitud del vector h como en su orientación
 Variograma Experimental-obtención

Datos Irregularmente espaciados:

• Puede ocurrir que no existan valores de la variable a la distancia h

• Puede ocurrir que no existan valores de la variable en la dirección θ

 Variograma Experimental-distancia

• Clases de distancia:

Para cada lag h se define una tolerancia Δh y se utilizan

únicamente los puntos que se encuentran a una distancia mayor o
igual a h−Δh y menor que h+Δh

z ( x 2) z ( x 3) z ( x 5)
z ( x 1)
z ( x4 )
h

2h

3h
 Variograma experimental

El variograma experimental es poco estable cuando

• la distancia h considerada es grande

• el muestreo es muy irregular o preferencial

• la distribución de los datos es muy asimétrica o contiene

valores extremos
Variograma teórico
 Variograma teórico

El variograma experimental requiere ser modelado:

• es imperfecto (los puntos obtenidos son experimentales,
luego están sujetos a imprecisiones)
• es incompleto (se calculó de manera discreta a lo largo
de algunas direcciones del espacio)

El variograma teórico se define al considerar los valores como

aleatorios (denotados con mayúscula) y al utilizar una esperanza
matemática:

(h) = E{ [Z(x + h) – Z(x)]2 } / 2

 1
γ ( h )= E [ Z ( x)−Z (x+h )] 2 Z ( x+h 1 )
2
x+h 1
h1
Detección de
características
Z ( x)
que varían según
x h
la dirección y la
distancia Z ( x+h)

x+h
 Variograma teórico

Características esenciales del variograma

• Comportamiento en el origen

Mientras más regular el variograma en el origen, más regular

la variable regionalizada en el espacio. Se distingue tres tipos
de comportamiento para el variograma:
derivable: variable regionalizada muy suave
lineal: variable regionalizada continua
discontinuo (“efecto pepita”): variable regionalizada errática
Variograma teórico
 Diferencias que se ven en el variograma
Variograma

V ariogram a

Distancia Distancia
 Variograma teórico
• Comportamiento al infinito
Frecuentemente, el variograma se estabiliza en torno a una
meseta cuando la distancia crece infinitamente.

Meseta o sill
= varianza

Alcance o rango
 Variograma teórico
A veces, el variograma sigue creciendo infinitamente.
 Variograma teórico

El variograma sólo proporciona una caracterización parcial de

la variable regionalizada
 Ausencia de correlación

γ (h)=¿ | 0 si h=0 
Efecto pepita:
| C en caso contrario

Este modelo se traduce en una ausencia total de correlación en el

espacio: dos muestras distintas tienen valores independientes.
 Modelo Esférico

{ ( )
}
3 |h| 1 | h|3
s − 3 si | h|≤ a
γ ( h )= 2 a 2 a

s si | h|> a

Variograma
Rango s y sill a

Comportamiento lineal en el origen

Pendiente igual a 1. 5 s/a Distancia

Representa fenómenos continuos

Es uno de los modelos de

variograma más utilizados
 Modelo Exponencial

Variograma
( ( ))
γ ( h ) =s 1−exp −
|h |
a

Distancia
Sill s que alcanza asintóticamente

Rango aparente igual a a

Rango experimental igual a 3a

Comportamiento lineal en el origen

Pendiente igual a 3 s/a

Representa fenómenos continuos
 Modelo Gaussiano

( ( )) |h |2
γ ( h ) =s 1−exp − 2

Variograma
a

Sill s que alcanza asintóticamente

Distancia
Rango aparente igual a a

Rango experimental igual a √3 a

Comportamiento cuadrático en el origen

Representa fenómenos sumamente continuos

 Modelo Cúbico

{ ( )
}
|h|2 |h|3 |h|5 |h|7
s 7 2 − 8.75 3 + 3.5 5 − 0.75 7 si|h|≤ a
γ ( h )= a a a a

s si |h|> a

Rango a y sill s

Variograma
Comportamiento cuadrático en el origen

Representa fenómenos bastante continuos

Distancia
 Modelo Seno Cardinal

(
γ ( h ) =s 1−
seno (|h|/a )
|h|/a )
Sill s que alcanza asintóticamente

Rango aparente igual a a

Variograma
Rango experimental igual a 3a

Comportamiento cuadrático en el origen

Se utiliza para representar fenómenos continuos

con periodicidades Distancia
 Modelo Potencia

p
γ ( h ) =s|h|
s se denomina factor de escala
0≤p< 2 s=2.5, p=0.4

Variograma
s=0.4, p=1.8
El comportamiento en el origen s=1.15, p=1
depende del valor de p

Representa fenómenos no
estacionarios
Distancia
Esquema de uso de datos.
Kriggeado, método desarrollado en el marco de la teoría geoestadística y
que utiliza toda la información procedente del semivariograma para
obtener unos factores de ponderación optimizados.

Es un método muy extendido, pero es bastante complejo

matemáticamente y muy exigente en cuanto a la calidad de la muestra de
puntos y las mediciones realizadas de la variable que se interpola.

Además hay que tener en cuenta que normalmente la función

semivariograma se calcula globalmente, sin que se hayan hecho
demasiados estudios sobre su variación espacial, y asumiendo que la
variable es estacionaria (la media y varianza son constantes en el espacio).
Los programas de SIG suelen disponer de herramientas para su utilización
o bien de modos de integrar programas específicos de geoestadística.