Anexo 2

Introducción a los métodos
geoestadísticos aplicados a la
Hidrogeología
Hidrogeología
Luís Ribeiro
Investigador PROMETEO, ESPOL,Guayaquil, Ecuador
Profesor Asociado, IST, Universidad de Lisboa, Portugal
2015
Introducción a los métodos geoestadísticos aplicados a la Hidrología Subterránea Luís Ribeiro
2
Contenido
• 1 INTRODUCCIÓN
• 2 ANÁLISIS EXPLORATORIO DE DATOS
• 3 ANÁLISIS ESTRUCTURAL
• 3.1 Variable Regionalizada
• 3.2 Variograma
o 3.2.1 Definiciones e hipótesis
o 3.2.2 Análisis de variograma en el origen y en largas distancias
o 3.2.3 Anisotropía
o 3.2.4 Otros patrones de variograma
o 3.2.5 Modelos
• 4 ESTIMACIÓN
• 4.1 Definición y propiedades
• 4.2 Krigeado Ordinario
o 4.2.1 Ecuaciones y cálculo
o 4.2.2 Validación cruzada
• 4.3 Krigeado Universal
• 4.4 Krigeado Lognormal
• 4.5 Krigeado de Indicadores
• 5 BIBLIOGRAFÍA
• ANEXO I Aplicación del geoestadística a datos de transmisividad del acuífero de

Torres Vedras, Portugal
• ANEXO II Tutorial Geoestadística con SURFER
3
1. INTRODUCCIÓN
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.
El estudio de fenómenos con correlación espacial, por medio de métodos
geoestadísticos, surgió a partir de los años sesenta, especialmente con el propósito de predecir
valores de las variables en sitios no muestreados.
La formulación rigurosa y la solución al problema de estimación vinieron de la mano de
Matheron en la Escuela de Minas de París. Matheron formalizó y generalizó matemáticamente
un conjunto de técnicas desarrolladas por D. G. Krige que explotaban la correlación espacial
para hacer predicciones en la evaluación de reservas de las minas de oro en Sudáfrica.
Matheron definió a la Geoestadística como "la aplicación del formalismo de las
funciones aleatorias al reconocimiento y estimación de fenómenos naturales”.
En los años sucesivos la teoría se fue depurando y ampliando su campo de aplicación.
De la minería, las técnicas geoestadísticas se han "exportado" a muchos otros campos como
batimetría, hidrología, hidrogeología, ciencia del suelo, monitoreo ambiental, procesamiento de
imágenes de satélite, etc.
Toda la praxis geoestadística tiene que llevarse a cabo en tres etapas:
1 Análisis exploratorio de los datos. Se estudian los datos muestreados sin tener en cuenta su
distribución geográfica. Es una etapa de aplicación de la estadística. Se comprueba la
consistencia de los datos, eliminando los erróneos e identificando las distribuciones de las que
provienen.
2 Análisis estructural. Estudio de la continuidad espacial de la variable. Se calcula el variograma,
u otra función que explique la variabilidad espacial, y se ajusta al mismo un variograma teórico.
4
3 Estimación. Estimaciones de la variable en los puntos no muestreados, considerando la

estructura de correlación espacial seleccionada e integrando la información obtenida de forma
directa en los puntos muestreados, así como la conseguida indirectamente en forma de
tendencias conocidas.
2. ANÁLISIS EXPLORATORIO DE DATOS

Siempre hay un riesgo de emplear los procedimientos de análisis que suponen que los
datos poseen características que en realidad no las tienen. El resultado de estas suposiciones
falsas puede ser, que las interpretaciones proporcionadas por el análisis no sean correctas o
concluyentes.
Enseguida se discuten las características comunes de los datos de recursos hídricos.
Estas características determinan la selección de procedimientos adecuados de análisis de datos.
Los datos hidrológicos y/o hidrogeológicos tienen a menudo las siguientes
características:
1. No hay valores negativos posibles.

2. Presencia de "outliers ", observaciones considerablemente más altas o más bajas que la
mayoría de los datos, en general poco frecuentes pero que ocurren regularmente.
3. Asimetría positiva, debido a los puntos 1 y 2.
4. Distribución no normal de los datos debido a los puntos 1 a 3 anteriores. .
5. Los datos reportados sólo por debajo o por encima de cierto umbral (datos censurados).
6. Periodicidades. Los valores tienden a ser mayores o menores en ciertas temporadas del año.
7. Autocorrelación espacial y temporal.
Debido a las características específicas de los datos hidrogeológicos es necesario utilizar

estadísticos que consigan sintetizar de la forma mas adecuada posible sus características.
5
Como medidas de localización se utilizan la media y la mediana, como medidas de

dispersión la desviación estándar y la distancia inter-cuartil, y como medidas de asimetría el
coeficiente de asimetría (skewness).
La medida clásica, la media, se debe emplear cuando la distribución estadística de los
datos es normal; y la mediana, cuando se presenta una distribución asimétrica. En un problema
en el que se requiere, para hacer frente a los datos de alta concentración, de variables en un
sitio de contaminación de aguas subterráneas, la mediana es preferible a la media. En esos
casos se debe utilizar como medida de dispersión la distancia inter-cuartil que se define como la
diferencia entre el percentil 75 y el percentil 25
Si hay valores atípicos (outliers), observaciones cuyos valores son muy diferentes de los
demás en el conjunto de datos y que no son causados por un error de medición, no se debe
descartar del análisis, porque son a menudo, los puntos más importantes en el conjunto de
datos. Por ejemplo, en la caracterización del sitio de contaminación del agua subterránea, estos
outliers son los datos más relevantes y por lo tanto deben ser tenidos en cuenta en el análisis
por la elección de los métodos más adecuados para su tratamiento. Para detectar los valores
atípicos se aplican métodos gráficos como los gráficos de probabilidad.
La naturaleza no siempre sigue la "ley normal". Los fenómenos naturales producen a
menudo claramente patrones no normales.
Cuando los datos no se distribuyen normalmente, la causa de la no normalidad debe ser
investigada y deben ser tomadas medidas correctoras pertinentes. Hay varias razones para
ocurrir no normalidad, la más corriente es la presencia de valores extremos. Estos valores
pueden deberse a errores de medición, errores de entrada de datos y valores atípicos. La
decisión de eliminar algunos de los valores debe hacerse cuidadosamente como ya se ha
mencionado. Es importante que los valores extremos se identifiquen como causas
verdaderamente especiales antes de que se eliminen.
La decisión de transformar los datos no se debe basar en los criterios preconcebidos. La
cuestión importante es la necesidad práctica para hacer frente a una nueva variable para la cual
algunos de los métodos clásicos pueden ser utilizados sin restricciones. Además, el uso de
6
muchas técnicas resistentes, tales como los percentiles y los procedimientos de prueba no
paramétrica son invariantes a la escala de medición.
Las transformaciones se utilizan para tres propósitos:

a) Para que la distribución de los datos sea más simétrica.
b) Para que la distribución de los datos sea más lineal.
c) Para que la distribución de los datos sea más constante de varianza.
La razón principal para probar si los datos siguen una distribución normal es determinar
si los procedimientos paramétricos de prueba se pueden emplear.
Para comprobar si un conjunto de datos de una variable se distribuye normalmente
varias pruebas se pueden realizar. Entre las más usadas están las pruebas de Chi-cuadrado, de
Shapiro-Wilk y de Kolmogorov-Smirnov. Además hay una prueba gráfica que consiste en
construir un diagrama de probabilidad, en el que los cuartiles de los datos de la muestra se
trazan contra cuartiles de la distribución teórica estandarizada.
Una imagen vale más que mil palabras!

Un gráfico es siempre más valioso que una descripción completa estadística de los
datos. Ellos proporcionan información crucial que es difícil de obtener en cualquier otra forma
tal como números o tablas. Los gráficos proporcionan la "primera mirada" en los datos.
Hipótesis sobre el comportamiento de los datos se pueden comprobar mediante la visualización
de principios de su representación en un gráfico apropiado. Los más corrientes son el
histograma y el diagrama de caja.
El error estándar de la media σe es corrientemente calculado dividiendo la desviación
estándar de la muestra (s) por la raíz cuadrada del tamaño de la muestra (n)
7
s
σe =
n
Un intervalo de confianza ofrece un rango estimado de valores en que es probable que incluya
un parámetro poblacional desconocido. El rango estimado se calcula a partir de un
determinado conjunto de datos de la muestra. El ancho del intervalo de confianza da una idea
del grado de incertidumbre en la estimación del parámetro desconocido.
Los intervalos de confianza generalmente se calculan de manera que este porcentaje

sea del 95% (o más exactamente 95,44%), aunque se puede producir 99,74% o 68,26%% (o lo
que sea) (Fig. 1)
Si se suponen que los datos se distribuyen normalmente, las expresiones siguientes se pueden
utilizar para calcular los límites superior e inferior de confianza del 95%, en que el valor 2
corresponde aproximadamente al cuartil 0,95 de la distribución normal:
−
Limite Superior = x + 2σ e
−
Limite Inferior = x − 2σ e
8
99 %
95 %
68 %
Figura 1 – Intervalos de confianza en la distribución gaussiana
3. ANALISIS ESTRUCTURAL
3.1 Variable regionalizada
Los datos hidrogeológicos (piezometría, conductividad hidráulica, transmisividad, las

concentraciones de contaminantes, etc.) rara vez pueden ser considerados como no
correlacionados en el espacio y/o en tiempo. La detección de estos patrones de correlación
espacial es fundamental para una mejor caracterización de los fenómenos físicos y permite una
interpolación espacial adecuada.
9
Las variables que poseen una determinada estructura se denominan variables

regionalizadas (VR). Todas las VR poseen también una característica aleatoria determinada.
3.2 Variograma
3.2.1 Definiciones e hipótesis
En Geoestadística la VR Z (x ) es una realización de una Función Aleatoria (FA).
La media es el valor expectable m ( x ) = E [Z ( x ) ] del variable Z (x ) en un ponto x.

La covariancia de Z (x ) y Z ( y ) es :
C ( x , y ) = E {[Z ( x ) − m ( x ) ][Z ( y ) − m ( y ) ]} (1)
Una FA se puede dividir en dos categorías principales: estacionaria y no estacionaria.

La diferencia entre ellas radica en que en esta último hay una tendencia sistemática en
una dirección específica y en la primera no hay tal caso.
Ejemplo de una variable hidrogeológica típica con un comportamiento no-estacionario
es la piezometría observada en pozos en la dirección del flujo.
Cuando la media es constante y la función de covarianza sólo depende de la distancia h
entre 2 puntos se tiene:
E[Z ( x)] = m (2)
E[Z ( x) − m]⋅ [Z ( y) − m] = C(h) (3)
La FA es estacionaria de segundo orden

En la mayoría de los casos la hipótesis estacionaria de segundo orden no se cumple.
Con el fin de superar este problema, permitiendo que se pudiera aplicar la geoestadística a
una amplia gama de estudios de caso, se considera una hipótesis menos estricta llamada
10
hipótesis intrínseca. Esta hipótesis supone que el incremento es estacionario de segundo orden
en la FA.
La nueva FA intrínseca se caracteriza por los siguientes momentos:
E[Z(x + h) − Z(x)] = 0 (4)
E[Z(x + h) − Z(x)] = 2γ (h)

2
(5)
γ (h) es llamado (semi)-variograma y se puede definir como la diferencia cuadrática media entre
pares de valores separados de una distancia h. El variograma está vinculado a la covarianza por
la relación
γ ( h ) = C ( 0) − C ( h ) (6)
Esta relación significa que si la covariancia es conocida entonces el variograma es también

conocido.
Variogramas experimentales γ ∗ son calculados a partir de un conjunto de pares de puntos

de una muestra, separados por una distancia creciente h utilizando la siguiente expresión:
1 n( h)
∗
γ (h) =
2n(h) i =1
[
⋅ ∑ Z ( xi + h) − Z ( xi ) ]
2
i = 1,..., n (7)
Donde n(h) es el numero de pares de puntos separados por una distancia h.
El variograma experimental se puede calcular en diferentes direcciones en 1D, 2D o 3D,

y puede ser utilizado para detectar las anisotropías para posterior interpretación.
El algoritmo clásico de cálculo de variograma utiliza una cuadrícula como estructura
interna de almacenamiento y manipulación de los datos con el fin de optimizar la velocidad
computacional
11
La convención para cálculo de los variogramas direccionales es: 0 ° a lo largo del eje X y
90 ° a lo largo del eje Y. Es necesario definir la distancia h y la tolerancia, que representa el
tamaño del ángulo de la ventana para el variograma experimental. La ventana se define por dos
límites superior e inferior:
dirección - tolerancia < ángulo < dirección + tolerancia
Así la amplitud angular de la ventana será dos veces la tolerancia. Por ejemplo, la
tolerancia predeterminada de 90° coge todas las direcciones y el variograma correspondiente
calculado es llamado variograma omni-direccional.
Un valor cuantitativo del paso especifica el incremento de la distancia h en una
dirección especificada y un valor medio del variograma es calculado para un grupo de n pares
de puntos. Así, se construye un grafico en el que en las abscisas están las distancias h y en las
ordenadas los valores de los variogramas. Cabe anotar que el aspecto del grafico depende del
amplitud del distancia h escogida.
La práctica muestra que es recomendable experimentar varias distancias h para obtener
los variogramas más adecuados en las direcciones probadas.
3.2.2 Análisis del variograma en el origen y en largas distancias
El comportamiento de un gráfico de variograma deberá ser analizado en el origen y en

largas distancias
El examen en el origen puede dar una idea del grado de continuidad espacial de la
regularidad de la VR
Hay cuatro comportamientos típicos:
1 – Parabólico – Que caracteriza un comportamiento mas regular da VR (Fig. 2)
12
100
90
80
70
Variogram (m^2)
60
50
40
30
20
10
0
0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000 22000
Lag Distance (m)
Figura 2 - Variograma exibiendo un comportamiento parabólico en elorigen
2 – Lineal – La variable es continua, menos regular que en el caso anterior (Fig.3)
2500
2000
Variogram (m ^2)
1500
1000
500
0
0 5000 10000 15000 20000 25000
Lag Distance (m)
Figura 3 – Variograma exhibiendo un comportamiento lineal en el origen
3 – Una discontinuidad en el origen (Fig. 4)
13
40
35
30
25
Variogram (l/s/m)^2
20
15
10
0
0 5000 10000 15000 20000 25000 30000 35000 40000 45000 50000 55000
Lag Distance (m)
Figura 4 – Variograma exhibiendo una discontinuidad en el origen
4 – Efecto de pepita puro. Significa que la variable es totalmente aleatoria (Fig. 5)
160
140
120
100
Variogram (m^2)
80
60
40
20
0
0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000 22000
Lag Distance (m)
Figura 5 – Variograma exhibiendo un efecto de pepita puro
El análisis del variograma a largas distancias es también importante. El variograma puede

aumentar indefinidamente (Fig. 2) o llegar a un valor límite (Fig.3)
En el primer caso los valores de la variable se correlacionan infinitamente a largas distancias.
Significa que una deriva se presenta y la variable no es estacionaria.
En el segundo caso el límite se denomina meseta que representa, en la mayoría de los casos,
la varianza experimental de los datos (Fig.6). Esto significa que hay una distancia más allá de la
14
cual los valores de la variable no están correlacionados. Esta distancia se llama el rango y ofrece
la zona de influencia de una muestra.
El efecto de pepita cuantifica los errores de muestreo y la variabilidad a corta escala de
ocurrencia, en otras palabras es la variación espacial más corta que la distancia entre la
muestra. El efecto de pepita se calcula por la discontinuidad en el origen del variograma
experimental.
Como se verá más adelante, la influencia del efecto de pepita en la etapa de estimación es la
siguiente: cuanto mayor sea su magnitud más el estimador de krigeado se convierte en un
interpolador que suaviza la realidad desconocida.
El efecto de pepita puede ser considerado como la suma de dos componentes: una varianza
de error y una micro-varianza
La varianza del error cuantifica la magnitud de los errores en las operaciones de monitoreo
de las variables. La micro-varianza es una medida de la variación que ocurre en distancias h
menores que la distancia mínima entre puntos de muestreo y detecta la microestructura del
fenómeno.
180
160
140
meseta
120
Variogram (m^2)
100
80
60
40
20
Efecto
pepita 0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000
Lag Distance (m)
rango
Figura 6 – Variograma con indicación de meseta, rango e efecto de pepita
15
3.2.3 Anisotropía
Si el variograma no varía con la dirección se dice que el fenómeno es isotrópico. De lo contrario

dos tipos de anisotropía se pueden detectar:
1 Geométrica: La meseta es constante, más el rango varía con la dirección del variograma (Fig.
7)
2 – Zonal: Los variogramas direccionales presentan diferentes mesetas (Fig. 8)
meseta
variograma en la dirección 2
Variograma en la dirección 1
Figura 7- Anisotropía Geométrica: El rango varía con la dirección
meseta variograma en la dirección 2
variograma en la dirección 1
16
Figura 8 - Anisotropía zonal: Los variogramas direccionales exhiben diferentes mesetas
En hidrogeología es muy común la ocurrencia de anisotropías debido a la naturaleza de

la deposición de materiales en el acuífero. Por ejemplo, en los acuíferos sedimentarios se
espera una variabilidad mucho mayor en la dirección vertical que a través de la horizontal,
aunque en algunos casos la presencia de anisotropía puede ser explicada por el
comportamiento no estacionario de la variable. Este es el caso de la variable piezometría
observada en la dirección del flujo y en una dirección perpendicular.
En el caso de la anisotropía geométrica, la relación ϕ de los dos rangos, mínimos y
máximos de los dos principales variogramas direccionales es calculada, y el ángulo α entre los
ejes de la elipse construida con las direcciones principales también es calculado. Una
transformación lineal debe ser utilizada para convertir las coordenadas originales ( X ,Y ) a las
nuevas ( X ',Y ') mediante la expresión siguiente:
 X '  ϕ 0   cos α cos α   X 

 '= ⋅ ⋅
Y  0 1   − sen α cos α   Y  (8)
3.2.4 Otros patrones de variograma
Otros patrones específicos de variograma se pueden visualizar en el comportamiento de

la función variograma, como: el efecto de agujero (hole effect), lo que refleja una tendencia de
valores más altos rodeados por valores bajos o viceversa; periodicidades, donde el fenómeno
muestra un comportamiento periódico. Esto puede ocurrir cuando se analiza los fenómenos de
tiempo, que está influenciada por efectos estacionales.
El variograma puede revelar también las estructuras anidadas, jerarquizadas, que
reflejan las variaciones de múltiples escalas que son interpretadas de acuerdo con el
conocimiento del fenómeno físico subyacente (Fig. 9)
17
Column C: Piez
Direction: -150.0 Tolerance: 30.0
2500
2000
1500
Variogram
1000
500
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000
Lag Distance
Figura 9 – Un variograma exhibiendo estructuras anidadas, que revela la variabilidad espacial en dos escalas
diferentes
3.2.5 Modelos
Para los propósitos de estimación los variogramas experimentales deben ajustarse los
modelos teóricos y validados con los datos experimentales.
Sin embargo, los tipos de modelos que pueden ser utilizados están limitados, porque
tienen que cumplir ciertas condiciones:
1) Por definición −γ (h) debe ser condicionalmente positiva. Significa que para cualquier
conjunto de puntos x1, x2 ,..., xn y para cualquier conjunto de valores λ1 ,..., λn que
satisfacen ∑λi =0 la expresión
− ∑∑λi ⋅ λ j ......γ (xi − x j ) ≥ 0

(9)
18
se debe cumplir.
2) En el origen se debe verificar: γ (0) = 0
3) El variograma deberá aumentar en una magnitud más baja que h2 de manera que se
satisfaga el principio de estacionariedad :
γ (h)
Lim h → ∞ =0
h2 (10)
Hay varios modelos teóricos disponibles para ayustar a la gran mayoría de los
fenómenos de transición mostrados por el variograma que cumplen estas condiciones.
El más utilizado es el modelo esférico expresado por las siguientes ecuaciones:
 3 h 1  h 3 
γ (h) = C  −    if h < a
 2 a 2  a  
γ ( h ) = C if h ≥ a (11)
Donde C es la meseta y a es el rango (Fig. 10)
19
100
90
80
70
Variogram (m^2)
60
C
50
40
30
|
20
|a
|
10
} C0
0
0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000 22000
Lag Distance (m)
Figura 10 – Modelo esférico
En este caso el variograma exhibe un comportamiento lineal cerca del origen y alcanza la
meseta a una distancia h igual a a.
Otros modelos semejantes son:
El exponencial:
h
−
γ (h) = Λ(1 − e a ) (12)
En que el modelo alcanza su meseta de una manera asintótica:
h
−
sill = limΛ(1 − e ) = Λ a
h→∞ (13)
El gaussiano:
 − 2 
2
h
γ (h) = Λ (1 − e a )
 
(14)
En que el modelo alcanza también su meseta de una manera asintótica:
20
 − 2 
2
h
sill = lim Λ (1 − e a )  = Λ

h→∞
 
(15)
Los dos últimos modelos se utilizan a veces para representar los fenómenos con un
comportamiento muy regular. Sin embargo, en la mayoría de los casos, su utilización puede
provocar problemas numéricos en la fase de estimación.
Cuando un efecto pepita C0 se presenta (Fig. 10), es necesario estimar su magnitud y

añadir el modelo estructural como otra estructura.
Cuando los efectos de jerarquía se presentan, es posible colocar más de un modelo
teórico con el fin de tener en cuenta las variabilidades de escala.
4 ESTIMACIÓN
4.1 Definición y propiedades
Una vez el modelo de dependencia espacial ha sido ajustado, el problema de la

estimación de un valor desconocido en lugares no muestreados, a partir de valores de datos de
vecinos, se pueden abordar.
Krigeado (Kriging) es el método de estimación geoestadística y se incluye en las técnicas
de estimación que minimizan la varianza del error
El Interpolador krigeado tienen ventajas sobre los clásicos interpoladores que tienen
algunas deficiencias, tales como:
1) Toman en cuenta solamente la configuración euclidiana y no el patrón específico de

dependencia espacial.
21
2) No tienen en cuenta la redundancia de datos
3) No proporcionan una medida del error potencial de interpolación.
De entre las varias versiones del krigeado las más utilizadas son:
a) Krigeado Simples (KS)

b) Krigeado Ordinario (KO)
c) Krigeado Universal (KU)
d) Krigeado Lognormal (KL)
e) Krigeado de Indicadores (KI)
Si la media se conoce, KS es el método seleccionado, de lo contrario KO se utiliza, lo que

sucede en la mayoría de los casos, cuando la hipótesis intrínseca se verifica.
4.2 Krigeado Ordinario

4.2.1 Ecuaciones y cálculo
El valor desconocido en un cierto punto x0 es calculado mediante una suma ponderada de

los valores reales vecinos Z ( xi ) :
n
Z ( x0 ) = ∑λ
i =1
i ⋅ Z ( xi ) for all i = 1,..., n
∑λ i =1 (16)
En que λi son los pesos atribuidos a los valores de la variable observados en los puntos
xi y n es el número de datos utilizados en el krigeado
Para determinar los pesos λ i sujetos a la condición de no sesgo es necesario minimizar

la varianza del error de estimación:
22
ε = [Z * (x0 ) − Z(x)] (17)
La minimización, con restricciones, de la varianza conduce a un sistema de (n + 1) ecuaciones

lineales con (n +1) incógnitas, los n pesos λ i y un parámetro de Lagrange µ .
∑λ
i =1
i ⋅ γ ( xi − x j ) + µ = γ ( xi − x0 ) para i = 1,..., n
n
(18)
∑λ
i =1
i =1
La varianza de error de krigeado es obtenida con la siguiente expresión:
n
σ 2 k = ∑λi ⋅ γ ( xi − x0 ) + µ (19)
i =1
EL sistema de ecuaciones lineares de krigeado puede ser escrito de manera matricial:
 0 γ 12 γ 13 ... γ 1n 1  λ1  γ 10 
γ γ 23 ... γ 2 n 1  λ2  γ 
 21 0  20 
γ 31 γ 32 0 ... γ 3n 1  λ3  γ 30 
 . =   (20)
 ... ... ... ... ... ...  ...  ... 
γ n1 γ n 2 γ n3 ... 0 1  λn  γ n0 
     
 1 1 1 ... 1 0   µ   1 
En que γij = γ (xi − x j )
De notar que γ11 = γ 22 = ... = γ nn = 0
Entre las notables propiedades del interpolador de Krigeado es obligatorio destacar las
siguientes:
23
Es un interpolador exacto. Significa que Z∗ (xK ) = Z(xK ) en el que x K es uno de los
datos reales y Var Z [ ∗

]
(xK ) − Z(xK ) = 0
Se produce siempre una medida del error de estimación, la varianza de krigeado, que
permite el cálculo de un intervalo de confianza de las estimaciones. Por ejemplo, si se
supone que la distribución de los errores es normal, se puede afirmar que hay 95% de
confianza que el valor estimado se integre en el intervalo Z* ± 2σ ;
Las ecuaciones en el sistema de krigeado no dependen de los valores observados. Lo

único que se necesitan saber son las coordenadas de los puntos de medición y el
modelo del variograma. Este aspecto tiene enormes beneficios en las operaciones de
optimización de la redes de monitoreo.
En el algoritmo, todas las distancias euclidianas h se sustituyen por distancias específicas

estructurales γ (h) .
El krigeado no se limita a las estimaciones de punto simple, también se utiliza para estimar el
valor medio en una área A o en un volumen V.
Para el primero caso, las ecuaciones de krigeado son escritas como se sigue:
∑λ
i =1
i ⋅ γ ( x i − x j ) + µ = γ ( x i − A0 ) para todos i = 1,..., n
n
∑λ i =1
i =1 (21)
En que el variograma medio entre xi y iel área A0 es calculada así:
24
1
A0 ∫A0
γ ( xi , A0 ) = γ ( xi − x)dx
(22)
Y la correspondiente varianza de krigeado :
n
σ 2k = ∑λi ⋅ γ (xi , A0 ) + µ − γ ( A0 , A0 )
A0
i=1 (23)
Con
1
γ ( A0 , A0 ) =
A20 ∫ ∫
A0 A0
γ ( x − y ) dxdy
(24)
La praxis de krigeado comienza con un procedimiento de búsqueda para seleccionar los puntos
de datos que van a ser utilizados en el algoritmo de krigeado. Para los conjuntos de datos
pequeños (hasta 250 puntos) y en los casos en que los puntos de datos están distribuidos de
manera uniforme sobre el área, ningún procedimiento específico de búsqueda es el más
apropiado.
Cuando las observaciones se agrupan irregularmente en concentraciones locales, o cuando
ocurre fenómenos de anisotropía se recomienda un procedimiento de búsqueda direccional
por sectores. En la mayoría de los casos el procedimiento está de acuerdo con el configuración
del elipse de anisotropía
4.2.2 Validación cruzada
Antes de aplicar el krigeado los modelos teóricos ajustados deben ser sujetos a una validación
cruzada con los datos experimentales con el fin de comprobar el funcionamiento del modelo en
el krigeado.
25
El principio de la validación cruzada consiste en calcular Z (x ) en cada punto de muestreo xa a
partir de los valores de puntos vecinos Z(xi ) basando en el principio no se conoce el valor real.
Se obtiene para cada ponto xa un valor estimado Z ∗ (a ) y una varianza de krigeado asociada
σ2k(a)
Como se conoce el valor real Z(a) se puede lograr a calcular el error de krigeado :
ε = Z ∗ ( a ) − Z( a )
(25)
y el error normalizado:
ε
ξ= (26)
σ K (a )
Una bondad de ajuste debe cumplir las siguientes reglas
1) E [ε ] ≈ 0 - no existe un sesgo sistemático;
2) E[ξ] ≈1 - los errores de krigeado son coherentes con la varianza prevista

2
3) El histograma de ξ debe revelar una distribución gaussiana de media 0 y desviación

estándar 1;
∗
4) En una grafico bidimensional (Z (a) , Z(a) ) los puntos deberán estar proyectados cerca de
una línea recta a 45º.
4.3 Krigeado Universal
Algunas variables hidrogeológicas no satisfacen la hipótesis intrínseca. Es el caso de

piezometría que puede exhibir una tendencia en la dirección del flujo. Sin embargo, en
situaciones en que el bombeo del agua o la recarga localizada influencian el patrón natural de
26
flujo de agua subterránea, la piezometría puede exhibir un comportamiento estacionario a nivel

local.
Para estimar este tipo de variables no-estacionarias es usual descomponer la variable en
la suma de una tendencia m(x), sea en forma determinista o estocástica y otra entidad ξ (x )
que es la nueva VR estacionaria:
Z ( x) = m( x ) + ξ ( x ) (27)
El correspondiente variograma se calcula:
1
γ z (h) = [ ]
[m ( x + h ) − m ( x ) ]2 + γ ξ ( h )
2 (28)
Si Z no es intrínseca existen las siguientes posibilidades:
1) Considerar que la variable es estacionaria a nivel local y utilizar KO a nivel local
2) Suponer que se conoce la estructura m (x ) . En este caso, se retira la tendencia utilizando

una función polinomio u otra función, se estima los residuos en los lugares desconocidos y
finalmente se suma el valor de la tendencia determinística a los residuos estimados
3) Suponer que se sabe el variograma estacionario y utilizar las ecuaciones de KU;
4) Utilizar la teoría de las Funciones Aleatorias Intrínsecas de Orden k.
KU se utiliza cuando hay una evidencia de una tendencia sistemática en el patrón espacial de la
variable. En este caso se puede incorporar en las ecuaciones del sistema de krigeado los
componentes de funciones polinómicas lineales o cuadráticas que describen el componente
determinista.
En la praxis de KU se supone que m(x) puede ser aproximada por a siguiente expresión
27
p
m( x) = ∑ di ⋅ fi ( x) (29)
i=1
Dos funciones son corrientemente usadas:
1) Linear: mx = a + bx + cy ;
2) Cuadrática : mx= a + bx + cy + dxy+ ex2 + fy2 .
Las ecuaciones KU son similares a las de KO excepto que se debe integrar condiciones
suplementares de no-sesgo dadas por la tendencia específica:
∑λ ⋅ γ ( x − x ) + ∑d ⋅ f ( x) = γ ( x − x ) para todos i = 1,...,n

i =1
i i j 1 1 i 0
∑λ f (x ) = f
i 1 j 1 i = 1,...,n
i =1 ( 30)
La correspondiente varianza de error será:
n n
σ 2 k = ∑λi ⋅ γ ( x j − x0 ) ⋅ ∑λi ⋅ f1 ( x j )
i =1 i =1 (31)
4.4 Krigeado lognormal
Krigeado es un estimador óptimo cuando Z presenta una distribución gaussiana, de lo contrario

hay tres posibilidades de utilizar el krigeado :
1. Aplicar una transformación de los datos y utilizar KO en la nueva variable;
2. Aplicar KI en los datos transformados binariamente
28
3. Utilizar un método de estimación geoestatistico de estimación, más complejo, designado

por Krigeado Disjuntivo.
El primer procedimiento está limitado al tipo de transformación seleccionada.

Las etapas son las siguientes:
1. Transformar los datos: Yi = F(Zi )

2. Calcular el variograma de Y ;
3. Utilizar KO para estimar Y ∗ y la correspondiente varianza de estimación.
Todavía en este caso las propiedades de no sesgo no son cumplidas cuando se realiza al
final, la transformación posterior, por ejemplo E(Z) ≠ F −1[E(Z)]

Esto significa que F − 1 [E ( Z ) ] es una mejor estimación, no en el sentido de mínimo error
cuadrático, pero en el sentido de que es la mediana. En la realidad no es un problema real ya
que la mediana es la medida de localización más adecuada para una distribución asimétrica.
La transformada más utilizada en hidrogeología es el logaritmo.
Si se quiere obtener un mismo estimador no-sesgado del logaritmo del variable Z,
tenemos la nueva variable Y:
Y = log( Z ) (32)
Aplicando KO tenemos valores estimados Y ∗ y la varianza de krigeado:
σ 2ky = σ 2 (Y ∗ −Y) (33)
∗
La nueva variable no-sesgada Z ∗ y Var(Z ) son obtenidas por las siguientes expresiones:
 1 
Z ∗ = expY * + σ 2 kY 
 2  (34)
29
σ k 2 (Z ∗ ) = m2 z ⋅ exp(σ 2 ky ) ⋅ (1 − exp(− σ 2ky )) (35)
En la práctica cuando se calculan valores medios en áreas, como son los valores medios
del transmisividad en las celdas de un esquema de diferencias finitas, es preferible obtener una
estimación insesgada de Y y utilizar Z como una estimación sesgada.
4.5 Krigeado de Indicadores
Para las variables de distribución estadística que están lejos de ser gaussianas, donde
ninguna función matemática es completamente adecuada para transformar la variable original
en una variable normal, el Krigeado de Indicadores es una alternativa, ya que su aplicación no
requiere ninguna hipótesis sobre la distribución estadística de la variable.
Los datos originales de una variable Z deben ser transformados en un conjunto de datos
codificados, con base a valores umbral predefinidos, lo que resulta en una nueva variable
indicador. Esos valores de umbral pueden estar asociados a valores guía como los valores de
referencia de calidad del agua para consumo humano, o más simplemente a percentiles
específicos de la distribución de los datos originales.
La transformación es generalmente binaria, atribuyendo 0 a todos los valores inferiores
o iguales a un valor umbral zc y 1 a los valores restantes:
1 if Z ( x) ≥ zc
I zc ( x) = 
 0 otherwise (36)
El variograma de la nueva variable Indicador γ zc es calculado de forma semejante:
E[I zc (x + h) − I zc (x)] = 2γ zc (h)

2
(37)
30
Después de ajustar un modelo teórico al variograma indicador experimental, KO puede

ser ejecutada utilizando los datos binarios transformados. Los resultados son valores entre 0 y
1, que representan la probabilidad de que el valor estimado en un lugar desconocido supera el
valor umbral.
31
5 Bibliografia
CHILÈS J.P DELFINER P.(1999) - Geostatistics: Modeling Spatial Uncertainty John Wiley & Sons
CLARK, I. (1979) Practical Geostatistics. Elsevier Publishing, New York.
CRESSIE, N. (1993) Statistical for Spatial Data. John Wiley & Sons, New York.
DEUTSCH , C. V. & A. G. JOURNEL. (1992) GSLIB: Geostatistical Software Library and User´s
Guide. Oxford University Press, New York.
ISAAKS, E. & R. M. SRIVASTAVA.(1989) Applied Geostatistics. Oxford University Press, New York.
JOURNEL, A.G. (1989) Fundamentals of Geostatistics in Five Lessons, AGU
JOURNEL, A.G. Y CH. J. HUIJBREGTS. (1978) Mining Geostatistics, Academics Press, New York.
KITANIDIS P (1997) .Introduction to Geostatistics: Applications in Hydrogeology, Cambridge

University Press
MATHERON, G. (1962) Traité de Geostatistique Apliquée, Tome I. Memoires bureau de

Recherches Geologiques et Minieres, N 24. Editions Bureau de Recherche et Minières, Paris.
MATHERON G. (1973) The intrinsic random functions and their application. In Adv. App. Prob.
Vol.5, pp. 439-468,
SAMPER, F.J. & J. CARRERA (1990) Geoestadística. Aplicaciones a la Hidrogeología Subterránea.

Centro Internacional de Métodos Numéricos en Ingeniería. Universitat Politécnica de Catalunya.
Barcelona.
WACKERNAGEL. H. (1995) Multivariate Geostatistics. An Introduction with Applications.

Springer-Verlag, Berlín.
FERNANDES, J., RIBEIRO L. (2001) - ‘A Geomathematical Approach to Characterizing the Spatio-

Temporal Groundwater Flow in Monforte-Alter do Chão Aquifer, Portugal’, in Seiler & Wohnlich
(eds.) New Approaches Characterizing Groundwater Flow, 2 vol., vol.1, 311-314, A.A Balkema,
Rotterdam.
32
MENDES M.P., RIBEIRO L, (2009) Nitrate probability mapping in the northern aquifer alluvial
system of the river Tagus (Portugal) using Disjunctive Kriging, Sci Total Environ, vol 48 (5)
pp.1021-1034,
PALACIO P. RIBEIRO L. GONZALEZ F. (2012) Aplicación de métodos de interpolación

geoestadisticos para la obtención de superficies piezometricas. XI Congreso latinoamericano de
Hidrogeología, Cartagena de Indias, Colombia
PULIDO-LEBOEUF, P. RIBEIRO L., PULIDO-BOSH A., CALVACHE M. (2002) - ‘Indicator Kriging

Applied to Electrical Conductivity Logging. A Case Study’, in Ribeiro L. (editor), FGR’01 3rd
International Conference on Future Groundwater Resources at Risk, 263-270, CVRM publ.,
Lisbon, Portugal.
RIBEIRO L., PINA P., MUGE F. (1997) - ‘Contribution of Indicator Geostatistics and Mathematical
Morphology to the Characterization of Aquifer Heterogeneities in the Vicinities of Waste
Disposal Sites’ in Marinos P.G., Koukis G.C., Tsiambaos G.C. & Stournaras G.C. (eds.), Engineering
Geology and the Environment, vol. 2, 2127-2132, A.A Balkema, Rotterdam.
RIBEIRO L. (1999) - ‘Geostatistical Modelling of Saltwater Aquifer Pollution due to Evaporite

Domes Leaching in Maragota Area’ in W.de Breuck & L. Walschot (eds.) Proc. of 15th Salt Water
Intrusion Meeting (SWIM), 80-84, Natuurwetenschappelijk Tijdschrift Publ., Ghent, Belgium.
RIBEIRO L., PARALTA E. (2002) - ‘Stochastic Modelling of Space-Time Variability of Nitrate

Pollution Using Indicator Geostatistics and Transition Probability’ in ACTA UNIVERSITATIS
CAROLINAE – GEOLOGICA , 46 (2/3), 163-166.
STIGTER, T.Y., ALMEIDA, P., CARVALHO DILL, A.M.M., RIBEIRO, L. (2005) - ‘Influence of Irrigation
on Groundwater Nitrate Concentrations in Areas Considered to Have Low Vulnerability to
Contamination’, in Bocanegra, E.M., Hernández, M.A., Usunoff, E. (Eds.), Selected papers on
Hydrogeology 6 - Groundwater and Human Development. A.A.Balkema, Leiden, Holanda,
Chapter 7, pp. 69-85
RIBEIRO L. RUEDA O.M, BETANCUR T. (2012) – Métodos Geoestadísticos y Índice de

Susceptibilidad para Evaluar la Vulnerabilidad de la Contaminación de Acuíferos, XI Congreso
latinoamericano de Hidrogeología, Cartagena de Indias, Colombia
33
34
ANEXO I
Aplicación de la geoestadística a
datos de transmisividad del acuífero
de Torres Vedras, Portugal
35
36
Para ejemplificar la práctica geoestadística son utilizados datos de Transmisividad (T)

obtenidos por ensayos de bombeo en 37 pozos en el acuífero de Torres Vedras, ubicado en
parte Centro-Oeste de Portugal.
Su ubicación puede ser observada en la Fig. A1
246000
244000
242000
240000
238000
0m 2000m 4000m
96000 98000 100000 102000 104000 106000 108000 110000 112000 114000
Figura A1 - Ubicación de los pozos
La Tabela A1 resume las estadísticas de los datos de T
Tabela A1 - Estadísticas de los datos de T (valores en m2/s)
Numero de datos 37
Media 1.016
Mediana 0.638
Minimo 0.238
Maximo 3.541
Varianza 1.028
Dev. Estandard 1.014
Quartil 25% 0.148
Quartil 75% 1.333
Distancia inter-cuartil 1.185
Coef. Asimetría 1.045
37
Los resultados muestran que los valores de media y la mediana son significativamente
diferentes, lo que indica una distribución no normal de los valores, que se confirma también
por el coeficiente de asimetría positiva. La presencia de valores atípicos también afecta a las
medidas de dispersión calculadas.
La Fig. A2 muestra el histograma de los datos, donde es visible que la variable exhibe una
distribución asimétrica positiva.
Histogram
14
12
10
8
Frequency
0
0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
Specific Capacity
Figura A2 - Histograma de los 37 datos
La Fig. A3 muestra el diagrama de caja 6,12 calculado con los datos SC donde se haya
confirmada la distribución no simétrica de la variable.
Box Plot
4.0
3.5
3.0
2.5
2.0
1.5
1.0
Median = 0,6379
25%-75%
0.5 = (0,1485, 1,3333)
Non-Outlier Range
= (0,0238, 3,0203)
Outliers
0.0
Specific Yield
38
Figura A3 - Diagrama de caja de valores de T
La Fig. A4 muestra el diagrama de probabilidad de los datos de T. Es evidente que los valores
normales esperados vs los valores observados no están siguiendo una línea recta debido a la
presencia de valores extremos y a las características asimétricas de la distribución.
Normal Probability Plot

2.5
2.0
1.5
1.0
Expec ted Normal Value
0.5
0.0
-0.5
-1.0
-1.5
-2.0
-2.5
-0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
Observed Value
Figura A4 - Diagrama de probabilidad de T
En resumen, el análisis exploratorio de datos demuestra que una transformación logarítmica

normal de los datos T es necesaria con el fin de aplicar KO, que se basa en el supuesto de la
normalidad de la variable.
La Figura A5 muestra el variograma de log T para la dirección 40° y una tolerancia de 30 °,

con la indicación del número de pares de puntos utilizados para calcular el variograma en cada
distancia h ensayada y la meseta que indica la varianza experimental de los datos (= 0,37 ).
El variograma experimental fue ajustado con un modelo esférico (Figura A5) con los
siguientes parámetros: rango: 1600 m; meseta = 0,37 (m2/s)2 y efecto pepita = 0.
39
Log Specific Yield

1.2
1 1
0.8 1
Variogram
3
4
0.6
0.4
7
8 8
4 25
2 1
3
0.2 1
1
3
1 1
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Lag Distance
Figura A5 - Variograma experimental con modelo esférico ayustado
Para los propósitos de estimación se utilizó una cuadrícula de 100 x 34 para interpolar los
valores de log T en los nudos centrales de las celdas.
Las Fig. A6 y A7 muestran, respectivamente, los mapas de interpolación de log T y el

correspondiente mapa de desviaciones estándar de krigeado.
246000 1.2
0.7
0.2
244000
-0.3
-0.8
242000
-1.3
-1.8
240000 -2.3
-2.8
-3.3
238000
-3.8
96000 98000 100000 102000 104000 106000 108000 110000 112000 114000
Figura A6 – Mapa krigeado de log T
40
246000
1.5
244000 1.3
1.1
242000
0.9
0.7
240000
0.5
238000
0.3
96000 98000 100000 102000 104000 106000 108000 110000 112000 114000
0.1
Figura A7 – Errores de krigeado
La Fig. A7 muestra muy bien que las áreas con los errores más altos de krigeado coinciden con
las zonas donde existe escasa información o no hay información (compárese ese mapa con el
mapa las ubicaciones de los pozos en la Fig. A1).
La Fig. A8 muestra el mapa krigeado de T, calculado utilizando el anti-logaritmo.
3.4
3.2
246000 3
2.8
2.6
244000 2.4
2.2
2
1.8
242000 1.6
1.4
1.2
240000 1
0.8
0.6
0.4
238000
0.2
0
96000 98000 100000 102000 104000 106000 108000 110000 112000 114000
Figura A8 - Mapa krigeado de T
41
La praxis de KI es muy sencilla y puede ser también fácilmente ilustrada con el mismo caso
de estudio.
El cuartil 75% de los 37 datos de T (= 0,125 m2/s) fue elegido como valor umbral y se aplicó
una transformación binaria, a todos los valores de T por debajo o igual al umbral se les asigno
un valor de 0, a los demás se les asigno un valor de 1.
Para los otros pasos, la praxis geoestadística es idéntica al caso paramétrico: cálculo del
variograma de la nueva variable indicador (Fig. A9) y el interpolador de krigeado (Fig. A10).

0.5
0.45 8
7
0.4
0.35 7
3
9
0.3 12
43
20
0.25
6 2
5
0.2 12
8
0.15
3
4
0.1
5
0.05
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Lag Distance
Figura A9 - Variograma experimental de Indicador y modelo esférico ayustado
1
246000
0.9
0.8
244000 0.7
0.6
242000 0.5
0.4
240000 0.3
0.2
0.1
238000
0
96000 98000 100000 102000 104000 106000 108000 110000 112000 114000
Figura A10 - Mapa representando la probabilidad que los valores de log T supera el valor umbral de 0.125
42
Este nuevo mapa es, es en realidad un mapa de iso-probabilidad de que en un área específica el
valor de log T es mayor que 0.125, destacando las áreas donde hay mayor probabilidad de
encontrar buenas productividades acuíferas.
43
44
ANEXO II
Tutorial
Geoestadística con SURFER
45
Contenido:
Tutorial 1. Construcción del Variograma
Tutorial 2. Creación de la superficie
Tutorial 3. Creación del mapa de superficie
Tutorial 4. Validación del variograma que mejor modela
nuestros datos.
Tutorial 5. Construcción de un archivo bln en surfer a partir de
un shape
Tutorial 6. Recortando contornos con un archivo bln
46
Tutorial 1. Construcción del Variograma

1. Construcción del variograma
Vamos a Grid seguido de Variogram y elegimos New Variogram…
Aparece la siguiente ventana donde seleccionamos el archivo donde tenemos nuestros datos
(los cuales deben contener X, Y, Z).
47
Damos clic en abrir, aparece la siguiente ventana donde debemos indicar las variables X, Y, Z de
nuestros datos.
Ahora nos vamos a la ventana General, donde podemos remover tendencias, dado que este
ejemplo se realiza con datos de niveles piezométricos los cuales tienen un comportamiento no
estacionario, será necesario remover tendencia…en mi caso seleccionaré la opción Quadratic
48
Damos clic en Ok y obtenemos el variograma al cual se le deben cambiar algunas propiedades
49
Damos doble clic sobre el variograma, aparece una ventana con las pestañas: Experimental,
Model, Statistics y Plot.
En primer lugar nos vamos a Plot, y damos clic donde dice Varianza…Si queremos ver el
resultado damos clic en actualizar y veremos una línea discontinua horizontal que indica la
varianza de nuestros datos.
50
Damos clic en la pestaña Statistics, en Graph seleccionamos Z Histograma para ver la

distribución de los datos y la parte inferior donde se encuentran los estadísticos, buscamos el
valor de la varianza y lo anotamos. En este caso es 7.528
Si seleccionamos XY Scatter podemos ver como están distribuidos los datos, en este caso los
pozos donde tomamos los niveles. Esta es una aproximación para determinar la dirección de
cálculo de nuestro variograma. En este caso, la mayor distribución de los datos se encuentran
51
en la dirección sur-norte, de igual manera les adelanto que la dirección del flujo del agua
subterránea es en la dirección Suroriente- Noroccidente… esto nos servirá para escoger la
dirección del variograma y el radio de interpolación más adelante
Saltamos a la pestaña Experimental y veremos la siguiente ventana
Aquí debemos cambiar algunas propiedades,
52
Step Amount: colocamos 10

Toleranca: colocamos 25
Dirección: Nos vamos a la dirección -80, que coincide con la dirección de flujo del agua en el
acuífero.
Max Lag Dist: Este es el máximo valor del eje X. De acuerdo a nuestros datos lo podemos
aumentar para una mejor visualización. En este caso colocamos 25000.
Number of Lags: es el número de intervalos para calcular el variograma. En este caso colocamos
60
Lag With: el ancho de cada intervalo que depende de lo colocado anteriormente. Si la opción
auto está activada, se calculará automáticamente.
Vertical Scale: lo dejamos como aparece.
Después de los cambios señalados y dar clic en Apply veremos lo siguiente:
53
Pero aún no hemos terminado… viene en realidad lo más complicado. Nos vamos a la pestaña
Model donde aparece como se muestra.
En Variograma Effect, debemos elegir el variograma teórico con el cual vamos a modelar
nuestros datos. Por defecto aparecen dos variogramas:
Nugget Effect (efecto pepita), el cual debemos tener en cuenta o agregar cuando existe
discontinuidad en el origen.
Linear: Es el variograma por defecto, por eso vemos la línea recta en el variograma que estamos
modificando.
En primer lugar como en nuestros datos no se observa discontinuidad, y no queremos el

modelo linear, con el botón Remove eliminamos estos dos Variogramas
54
Ahora con el botón Add, agregamos el variograma con el cual queremos modelar nuestros
datos. En este caso elegimos Esférico… pero elegir uno a uno los variogramas y comparar cuan
de ellos modela mejor los datos. Para ello utilizamos Cross Validation o validación cruzada pero
esto lo veremos mas adelante.
Para efectos prácticos agregamos solo variograma Esférico
55
Pulsamos clic en Ok y obtenemos el siguiente resultado
Ahora en Scale, colocamos la varianza de nuestros datos la cual es 7.528

Y en length: colocamos la amplitud del variograma. Para hacer esto debemos tener en cuenta
que el variograma debe pasar cortar los primeros datos .. en realidad aquí es ensayo y error y
visualización y experiencia…
56
Anisotropy. Asumimos que no hay anisotropía y dejamos los valores por defecto
Al pulsar OK, obtenemos el variograma
57
Este archivo lo debemos guardar para utilizarlo en el momento que vayamos a realizar la
interpolación por el método de Kriging
Tutorial 2. Creación de la superficie

Nos vamos a Grid y seleccionamos Data
Aparece la siguiente ventana donde buscamos el archivo donde tenemos nuestros datos
58
Seleccionamos OK, aparece la siguiente ventana donde en Data Columns, se ingresan X, Y, Z de

nuestros datos.
A través del botón Filter Data, podemos filtrar algunos datos que no queremos que se usen
para realizar el GRID.
El botón View Data permite ver los datos ingresados
El botón Statistics permite calcular los estadísticos de los datos
Apagamos Grid Report, para que no aparezca el reporta cuando seleccionamos el botón OK
59
En Gridding Method, debe estar seleccionada la opción Kriging.
Damos clic en el botón Advanced Options… con lo cual nos aparece la siguiente ventana en la
que vemos las pestañas General, Search y Breaklines
60
Estando en la ventana general,

Con el botón Add, agregamos un modelo de variograma, con Edit podemos editar el existente,
con Remove removemos el variograma seleccionado, y dando clic en el botón Get Variogram…
llamamos al ultimo variograma creado anteriormente, veremos cómo se carga el variograma
Spherico y sus variables seleccionadas anteriormente.
En el campo Output Grid of Kriging Standard Deviations, podemos indicar la ruta y el nombre
con el que se guardará el mapa de desviaciones estándar de las estimaciones, es una medida
del error que se tiene al estimar nuestro GRID. En este caso guardamos el archivo como
ErrorNiveles.
Kriging Type: Podemos elegir entre realizar dos tipos de interpolación: Point, permite hacer una
interpolación continua y Block permite realizar la interpolación de promedios en una
determinada área. Para efecto de este tutorial, elegimos Point.
Drift Type: Aquí debemos asignar la tendencia que se quiere remover y que ya introducimos
previamente en la construcción del variograma. En este caso elegimos Quadratic
El resultado es el siguiente.
61
Nos vamos ahora a la pestaña Search, aquí tenemos la opción de especificar un radio de
búsqueda (elipse o circulo y la dirección del mismo), el máximo número de datos a incluir en la
búsqueda, etc… Con el fin de que no nos arroje error en el momento de calcular el Grid of
Kriging Standard Deviations, le quitamos el chulito de No Search (use all of the data). El
resultado es el siguiente.
62
La ventana Breaklines nos permite cargar un archivo de líneas de discontinuidad, fallas, etc…
Para efectos de este tutorial la dejamos como aparece.
Realizado lo anterior, solo queda seleccionar OK y volvemos a la ventana anterior…
63
El botón Cross Validate. Lo miraremos en otro tutorial donde se hablará de la selección del
variograma que mejor modela nuestros datos.
Pasamos a Grid Line Geometry. Acá podemos establecer los valores máximos y mínimos del
área de interpolación, el tamaño de celdas o el numero de ellas. Por el momento dejamos los
valores por defecto. Damos clic en Ok y listo, hemos creado el archivo grd que se llamará
“NivelesPozos” y el archivo de desviaciones estandar que se llamará “ErrorNiveles”.
64
Aceptar y listo.
Tutorial 3. Creación del mapa de superficie
Elegido el variograma que mejor modela nuestros datos y creado el archivo GRD, lo que nos
resta es realizar el mapa de superficies y otros más que realiza el Surfer.
Vamos a Map y seleccionamos New Contour Map
Aparece la siguiente ventana en la que por defecto aparece el Grid creado (NivelesPozos) si no
aparece lo buscamos.
65
Damos clic en Abrir y aparece el mapa de superficie:
Cambiamos algunas propiedades y obtenemos lo siguiente:
66
Repitiendo los mismos pasos, podemos obtener nuevamente el mapa de desviaciones estándar
para ello. Vamos a Map y seleccionamos New Contour Map, en la ventana que nos aparece
buscamos el archivo grid de errores (creado anteriormente).
Damos clic en abrir y obtenemos el siguiente resultado:
67
Volvemos a cambiar las propiedades y... los dos mapas se verán como sigue:
68
Terminamos el tutorial, pero aun debemos sobreponer el área de estudio con el área
interpolada… lo que significa otro tutorial.
69
Tutorial 4. Validación del variograma que mejor modela nuestros

datos.
Esta función compara el valor real medido con uno estimado en el mismo punto, es decir
calcula el error de estimación (residuo).
ε Z Z
Donde Z es el valor estimado en el punto a mientras que Z es el valor medido en el punto a.

Al realizar el histograma del error, éste debe tener una distribución gaussiana y media igual a
cero y mediana igual a 1.
La forma de proceder es construir los diferentes variogramas que queremos comparar y, a cada
uno de ellos, realizar Cross Validate y anotar el valor de la media de los residuos.
Para realizar cross validation se procede de la siguiente forma. Cuando estamos creando el grid
de predicción y de desviaciones estándar, en la ventana Grid Data se encuentra el botón Cross
Validate
70
Damos clic en dicho botón y aparece la siguiente ventana, en la que en el campo Cross
Validation Results File, introducimos el nombre del archivo de salida, en este caso será
“ValEsferico”.
Damos clic en OK y como tenemos Report seleccionado se nos presenta el siguiente reporte
71
Lo cerramos sin guardar y listo. Damos clic en OK en la ventana Grid Data (con esto se crean
entonces tres archivos: La predicción, el de desviaciones y el de validación).
Ahora podemos ir a File seguido de Open y abrir el archivo creado. Aparece una ventana donde
debemos seleccionar ValEsferico
72
Clic en abrir y se nos muestra el archivo donde se calculó el residuo entre el valor calculado y el
predicho para cada uno de los puntos de donde se tiene datos.
73
El siguiente paso es seleccionar la columna del Residual
Ahora nos vamos al menú data y seleccionamos Statistics
Aparece una ventana donde se debe verificar que Mean esta activada, también podemos
activar la varianza, coeficiente de asimetría, coeficiente de sesgo….etc.
74
Damos clic en Ok y
Vemos que la media se aproxima a cero, anotamos el valor y repetimos el procedimiento para
cada uno de los variogramas calculados y realizamos una tabla de comparación de datos. Aquel
que cuya media esté más próximo a cero es el variograma elegido. Es decir, el que utilizaremos
para realizar general nuestro grid de predicción y de desviación estándar.
75
76
Tutorial 5. Construcción de un archivo bln en surfer a partir de shape

Un archivo BLN, es un archivo que Surfer a utilizado para recortar contornos, es una especie de
máscara como la que utiliza ArcGis.
Entramos a Surfer, del menú Map seleccionamos la opción base map
Aparece una ventana donde debemos cargar nuestro shape. Para mi caso lo he denominado
“Area”
77
Damos clic en abrir y aparece una ventana en la que damos clic en Ok
Obtenemos el siguiente resultado
78
Ahora en el panel del navegador desactivamos los ejes coordenados de la siguiente manera:
79
Ahora nos vamos al Menú File seguido de Export…
Aparece una ventana donde: en “Tipo” escogemos el tipo de archivo de salida que en este caso
es bln, y en nombre colocamos “Area”
80
Damos clic en guardar. Aparece la siguiente ventana que tiene que tener Application activado
Damos clic en Ok y listo, hemos creado nuestro archivo bln. Para verificarlo lo podemos cargar a
través del menú Map, seleccionamos la opción base map, aparece la ventana donde
seleccionamos el archivo y lo agregamos a la vista.
81
82
Tutorial 6. Recortando contornos con un archivo bln

Para realizar esta labor utilizaremos la función Blank, y como insumos necesitamos nuestro
archivo de contorno o mascara en formato bln y el grd de predicciones. Se debe tener en
cuenta que el área interpolada debe ser mayor que el área de recorte tal como se muestra en la
siguiente Figura. Si se el área de recorte es mayor que la interpolada se producirá un error.
Vamos al menú Grid seguido de Blank
83
Aparece la siguiente una primera ventana donde debemos cargar nuestro archivo Grid
creado (para este caso es NivelesPozos, ver tutorial 2).
84
Damos clic en Abrir y se nos abre otra ventana donde debemos cargar nuestro archivo bln,
en este caso área.bln.
Damos nuevamente clic en Abrir, nos aparece una ventana que permite guardar el nuevo
grid creado. En este caso con el nombre “SuperficieBlank”
85
Damos clic en guardar y listo

Ahora vamos a Map seguido de Contour Map y damos clic en New Contour Map, buscamos
y cargamos el grid creado
Damos clic en Abrir y…
86
87

Anexo 2

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Anexo 2

Hochgeladen von

Copyright:

Verfügbare Formate

Introducción a los métodos

• ANEXO I Aplicación del geoestadística a datos de transmisividad del acuífero de

• ANEXO II Tutorial Geoestadística con SURFER

Toda la praxis geoestadística tiene que llevarse a cabo en tres etapas:

3 Estimación. Estimaciones de la variable en los puntos no muestreados, considerando la

2. ANÁLISIS EXPLORATORIO DE DATOS

1. No hay valores negativos posibles.

Debido a las características específicas de los datos hidrogeológicos es necesario utilizar

Como medidas de localización se utilizan la media y la mediana, como medidas de

Las transformaciones se utilizan para tres propósitos:

Una imagen vale más que mil palabras!

El error estándar de la media σe es corrientemente calculado dividiendo la desviación

Los intervalos de confianza generalmente se calculan de manera que este porcentaje

Figura 1 – Intervalos de confianza en la distribución gaussiana

3.1 Variable regionalizada

Los datos hidrogeológicos (piezometría, conductividad hidráulica, transmisividad, las

Las variables que poseen una determinada estructura se denominan variables

3.2.1 Definiciones e hipótesis

En Geoestadística la VR Z (x ) es una realización de una Función Aleatoria (FA).

La media es el valor expectable m ( x ) = E [Z ( x ) ] del variable Z (x ) en un ponto x.

C ( x , y ) = E {[Z ( x ) − m ( x ) ][Z ( y ) − m ( y ) ]} (1)

Una FA se puede dividir en dos categorías principales: estacionaria y no estacionaria.

E[Z ( x)] = m (2)

E[Z ( x) − m]⋅ [Z ( y) − m] = C(h) (3)

La FA es estacionaria de segundo orden

E[Z(x + h) − Z(x)] = 0 (4)

E[Z(x + h) − Z(x)] = 2γ (h)

Esta relación significa que si la covariancia es conocida entonces el variograma es también

Variogramas experimentales γ ∗ son calculados a partir de un conjunto de pares de puntos

Donde n(h) es el numero de pares de puntos separados por una distancia h.

El variograma experimental se puede calcular en diferentes direcciones en 1D, 2D o 3D,

dirección - tolerancia < ángulo < dirección + tolerancia

3.2.2 Análisis del variograma en el origen y en largas distancias

El comportamiento de un gráfico de variograma deberá ser analizado en el origen y en

1 – Parabólico – Que caracteriza un comportamiento mas regular da VR (Fig. 2)

Figura 2 - Variograma exibiendo un comportamiento parabólico en elorigen

2 – Lineal – La variable es continua, menos regular que en el caso anterior (Fig.3)

Figura 3 – Variograma exhibiendo un comportamiento lineal en el origen

3 – Una discontinuidad en el origen (Fig. 4)

Figura 4 – Variograma exhibiendo una discontinuidad en el origen

4 – Efecto de pepita puro. Significa que la variable es totalmente aleatoria (Fig. 5)

Figura 5 – Variograma exhibiendo un efecto de pepita puro

El análisis del variograma a largas distancias es también importante. El variograma puede

Figura 6 – Variograma con indicación de meseta, rango e efecto de pepita

Si el variograma no varía con la dirección se dice que el fenómeno es isotrópico. De lo contrario

2 – Zonal: Los variogramas direccionales presentan diferentes mesetas (Fig. 8)

Figura 7- Anisotropía Geométrica: El rango varía con la dirección

meseta variograma en la dirección 2

Figura 8 - Anisotropía zonal: Los variogramas direccionales exhiben diferentes mesetas

En hidrogeología es muy común la ocurrencia de anisotropías debido a la naturaleza de

En el caso de la anisotropía geométrica, la relación ϕ de los dos rangos, mínimos y

 X '  ϕ 0   cos α cos α   X 

3.2.4 Otros patrones de variograma

Otros patrones específicos de variograma se pueden visualizar en el comportamiento de

− ∑∑λi ⋅ λ j ......γ (xi − x j ) ≥ 0

2) En el origen se debe verificar: γ (0) = 0

El más utilizado es el modelo esférico expresado por las siguientes ecuaciones:

Donde C es la meseta y a es el rango (Fig. 10)

Figura 10 – Modelo esférico

Otros modelos semejantes son:

En que el modelo alcanza su meseta de una manera asintótica:

En que el modelo alcanza también su meseta de una manera asintótica:

sill = lim Λ (1 − e a )  = Λ

Cuando un efecto pepita C0 se presenta (Fig. 10), es necesario estimar su magnitud y