1

UNIVERSIDAD POLITÉCNICA DEL CENTRO

Método Kriging para la predicción espacial

Carrera:
Geofísica Petrolera

Asignatura:
Geoestadística y Procesos Estocásticos

Unidad de aprendizaje:
2. Simulación

Profesor:
Dr. José Luis Escudero Jiménez

Alumnos:
Jesús Daniel Alamilla Torres - 001927
Alejandro de Jesús Ancona Cerino - 001935
Isaac Hernández Jiménez - 001885
Jorge Luis Madrigal Díaz - 002015
Yessenia Ramos Molina - 002054

Grupo:
G2-8-201801

Centro, Tabasco 20 de febrero del 2018

 2

Índice

Contenido p.
Introducción ............................................................................................................. 3
Marco teórico........................................................................................................... 4
Geoestadística ..................................................................................................... 4
Análisis estructural ........................................................................................... 4
Predicción espacial .......................................................................................... 4
Variable regionalizada ......................................................................................... 4
Proceso Espacial Estocástico (PEE) ................................................................... 5
Método Kriging ...................................................................................................... 10
Generalidades ................................................................................................... 10
¿Qué es el Kriging?........................................................................................ 10
El Kriging ante los métodos de interpolación determinísticos ........................ 10
¿Cómo funciona el Kriging? ........................................................................... 10
Fórmula.............................................................................................................. 11
Crear un mapa de la superficie de predicción con el método Kriging ................ 11
Análisis estructural ............................................................................................. 12
Ajustar un modelo al semivariograma empírico ................................................. 13
Modelos de semivariograma .............................................................................. 14
Un ejemplo del modelo esférico ..................................................................... 15
Un ejemplo del modelo exponencial............................................................... 15
Comprender un semivariograma: rango, meseta y nugget ................................ 16
Rango y meseta ............................................................................................. 16
Nugget............................................................................................................ 17
Realizar una predicción ..................................................................................... 17
Los métodos kriging ....................................................................................... 18
Conclusiones ......................................................................................................... 19
Glosario ................................................................................................................. 20
Bibliografía ............................................................................................................ 22
 3

Introducción

La Geoestadística, de manera general, es una rama de la Estadística que

trata fenómenos espaciales. Dichos fenómenos espaciales son aquellos que se
comportan variablemente en el espacio, y son las cuales reciben el nombre de
variables espaciales o geográficas.
Con la Geoestadística, se realiza una aplicación de la teoría de
probabilidades a la estimación estadística de dichas variables espaciales. Para
lograr tal objetivo, esta rama de la Estadística opera en dos etapas principales; la
primera se conoce como análisis estructural, esta se encarga de la descripción de
la correlación de los datos ubicados en el espacio, mientras que en la segunda
etapa, conocida como predicción espacial, se hace una predicción del valor de una
variable espacial de interés en sitios de una región que no han sido muestreados.
La predicción espacial se realiza mediante el método de Kriging, que de
manera simple, es un método de interpolación de datos. Este método es de vital
importancia para las Ciencias del Suelo, así como para las Ciencias de la Tierra
como la Geología y la Geofísica.
A continuación, se presenta el método de Kriging para predicción espacial,
primeramente se presenta el marco teórico, el cual sustenta el tema. Posteriormente
se desarrolla el tópico tratado en este texto y finalmente se presentan las
conclusiones.
 4

Marco teórico

Geoestadística
Para entender le método Kriging primero es necesario entender qué es la
Geoestadística y que utilidad tiene. La Geoestadística es una rama de la Estadística
que trata sobre fenómenos espaciales. Su interés primordial es la estimación,
predicción y simulación de dichos fenómenos.
La Geoestadística opera en dos etapas:

Análisis estructural
Etapa en la cual se describe la correlación entre puntos en el espacio.

Predicción espacial
Etapa en la que se hace predicción en sitios de la región no muestreados por
medio de la técnica Kriging. Este es un proceso que calcula un promedio ponderado
de las observaciones muestrales.
Los fundamentos básicos de estas etapas son presentados a continuación.

Variable regionalizada
Una variable espacial es una variable regionalizada cuando cumple con los
siguientes requisitos:

1. Posee variación local aleatoria

2. Posee variación regional o conjunta no aleatoria

Los requisitos (1) y (2) significan que la variable regionalizada debe asumirse
como una variable estocástica; se considera que una variable es estocástica si ella
resulta de la combinación de factores deterministas y de factores aleatorios.
En la literatura estadística especializada se acepta que si una variable
geográfica cumple con la condición (2) entonces existe entre los datos
autocorrelación espacial o que la variable espacial posee una estructura de
 5

autocovarianza o de autocorrelación. Finalmente, si la variable geográfica posee

una estructura de autocorrelación se concluye que ella forma parte o es el resultado
de un Proceso Espacial Estocástico.

Proceso Espacial Estocástico (PEE)

El concepto de Proceso Espacial Estocástico es análogo al Proceso
Estocástico que se estudia en Análisis de Series de Tiempo. Un ejemplo particular
es el estudio que se realiza en Climatología de las variables meteorológicas, tal
como se muestra en la Figura 1.

Figura 1. Proceso estocástico de una variable

meteorológica que está en función del tiempo.

El proceso X(t) tiene dos componentes: uno de carácter general –el cual es
de tipo lineal tendencial– y el otro de carácter probabilístico. Se afirma que el
proceso está correlacionado linealmente con la variable tiempo t pero además que
cada dato individual es independiente del precedente en el sentido de que no es
factible precisar de manera exacta qué valor ocurrirá en el próximo evento.
Una descomposición lineal del proceso X(t) vendría dada según la siguiente
relación:

X(t) = XD(t)+XP(t) (1)

donde,
 6

X(t) = Proceso estocástico (temporal)

XD(t) = componente determinista del proceso X(t)
XP(t) = componente aleatorio del proceso X(t)

Una desagregación gráfica de X(t) en sus componentes determinista y

aleatoria se ilustra en la Figura 2 y Figura 3, respectivamente.

Figura 2. Componente determinista del proceso Figura 3. Componente aleatoria del proceso X(t)
X(t).

Estas dos ilustraciones son las representaciones gráficas de los sumandos

de la ecuación (1)

X(t) = XD(t)+XP(t) (1)

Pudiendo observarse la estructura lineal tendencial del sumando o componente

determinista y la estructura aleatoria del componente o sumando probabilista del
proceso estocástico X(t).

Si se conviene en que las cantidades georeferenciales de un lugar se

simbolizan con la letra x, la cantidad de la variable espacial pudiera ser, por ejemplo,
Z(x) (Figura 4). Ello significa que la simbología matemática de toda cantidad o
variable espacial estaría dada por el par ordenado [x, Z(x)]. Esto implica que el
proceso estocástico espacial de una superficie geográfica dada está constituida por
un conjunto finito, pero relativamente grande, de puntos de coordenadas [x, Z(x)].
 7

Figura 4. En la imagen, x1, x2 y x3 únicamente hacen

referencia a la ubicación geográfica. El valor de la variable
espacial aleatoria se representa por Z(x1), Z(x2) y Z(x3),
respectivamente.

El PEE es factible de manejar estadísticamente si la variable regionalizada o

el proceso estocástico es homogéneo. Se asume que el PEE es homogéneo si:
1. Todos los puntos tienen el mismo valor esperado.
2. Se cumple que la autocorrelación espacial existe en toda la región o área
estudiada.
Al satisfacer el PEE los dos requisitos mencionados se afirma que el PEE es
estacionario de segundo orden.
Si todos los puntos tienen el mismo valor esperado ello significa que
estadísticamente se cumplirá que: E [Z(x)] = E [Z(x+h)] = μ; es decir, el valor
esperado de la variable geográfica en el sitio con coordenadas georeferenciales x
es igual al valor esperado de la variable geográfica en el sitio con coordenadas
georeferenciales x + h, o sea en el sitio que se encuentra a una distancia h del lugar
con coordenadas georeferenciales x. Como el valor esperado es único, entonces tal
valor esperado puede representarse mediante la constante μ.
La existencia de la autocorrelación o autocovarianza espacial en un área A
dada se expresa estadísticamente como: COV [Z(x)], Z(x+h)] = C(h) ∀ x ∈ A, donde
las siglas COV o C simbolizan el operador estadístico matemático de la covarianza.
La expresión C(h) implica que la covarianza es una función de la distancia h y,
específicamente, que es una función inversa de h, o sea que a medida que aumenta
la distancia h entre dos puntos Z(x) y Z(x+h) menor será el valor de C(h).
 8

En resumen, la condición de homogeneidad se traduce estadísticamente

mediante las siguientes representaciones algebraicas:

E [Z(x)] = E [Z(x+h)] = μ ∀ x ∈ A (2)

COV [Z(x)], Z(x+h)] = C(h) ∀ x ∈ A (3)

Si en la ecuación (3), h = 0, resultará que:

C [Z(x)], Z(x)] = VAR(x) = V(v) = σ2 ∀ x ∈ A (4)

Cuando una variable geográfica es a la vez una variable regionalizada y una

variable homogénea es posible calcularle lo que se denomina la semivarianza. Para
comprender el significado de este concepto es pertinente analizar cómo se
relacionan los operadores varianza y covarianza, lo cual se mostrará seguidamente.
Sean dos variables x, y; puede demostrarse que:

VAR (X - Y) = V(X - Y) = V(X) + V(Y) - 2 COV(X, Y)

O, de modo más resumido,

V(X - Y) = V(X) + V(Y) - 2 C(X, Y) (5)

Si se conviene en que V(X) = V(Y), entonces resulta que:

V(X-Y) = 2 [V(X) - C(X,Y)] (6)

Al factorizar la expresión (6), queda:

(1/2) V(X-Y) = V(X) - C(X,Y) (7)

Pero también, C(X,X) = V(X) = σ2. En consecuencia, al sustituir en (7):

(1/2) V(X-Y) = σ2x - C(X,Y) (8)

Si ahora se traslada la ecuación (8) a la variable regionalizada y homogénea

Z(x), se tiene:

(1/2) [V(Z(x) = Z(x+h)] = σ2 (9)

donde, V[Z(x)] = V[Z(x+h)] = σ2, dado que la variable Z(x) es homogénea.

 9

Así mismo, C[Z(x), Z(x+h)], como ya se mencionó, es una función de la

distancia h y por ello es válido simbolizarla así: C[Z(x), Z(x+h)] = C(h). Al término a
la izquierda de la relación (9) se le ha denominado semivarianza y se le simboliza
como γ(h); por lo tanto, se concluye que:

γ(h) = σ2 - C(h) (10)

En un punto cualquiera de coordenadas georeferenciales x del área A, se

cumplirá que:

C[Z(x), Z(x+h)] = C[Z(x), Z(x)] = σ2, dado que h = 0.

Ello significa que en cada punto del área A:

C[Z(x), Z(x)] = σ2 = C(0)

Sustituyendo en (10):

γ(h) = C(0) - C(h) (11)

En consecuencia, si Z(x) es la representación de una variable geográfica

regionalizada y homogénea, implica que la semivarianza de Z(x) –γ(h)– es una
función de la distancia h entre los puntos muestreados o medidos en el área A y que
γ(h) puede ser cuantificada conociendo la varianza regional de Z(x) –C(0)– y la
estructura de autocovarianza de Z(x), es decir, C(h). Los términos de la ecuación
(11) pueden ser llevados a un gráfico bidimensional conocido como
semivariograma, en el cual la variable h se plotea en el eje horizontal mientras que
en el eje vertical se representan C(0) y C(h). Mediante el semivariograma es que se
describe gráficamente la estructura del Proceso Estocástico Espacial de la variable
regionalizada y homogénea Z(x) y por ello la literatura especializada en el tema le
presta particular atención a dicho esquema gráfico.
 10

Método Kriging

Generalidades
¿Qué es el Kriging?

El Kriging es un método geoestadístico que genera una superficie estimada

de valores a partir de un conjunto de puntos dispersados con valores Z. A diferencia
de otros métodos de interpolación en el conjunto de herramientas de la misma,
utilizar la herramienta Kriging en forma efectiva implica una investigación interactiva
del comportamiento espacial del fenómeno representado por los valores Z antes de
seleccionar el mejor método de estimación para generar la superficie de salida.

El Kriging ante los métodos de interpolación determinísticos

Las herramientas de interpolación de distancia inversa y spline son

consideradas métodos de interpolación determinísticos porque están basados
directamente en los valores medidos circundantes o en fórmulas matemáticas
especificadas que determinan la suavidad de la superficie resultante. Hay una
segunda familia de métodos de interpolación que consta de métodos
geoestadísticos, como Kriging, que está basado en modelos estadísticos que
incluyen la autocorrelación, es decir, las relaciones estadísticas entre los puntos
medidos. Gracias a esto, las técnicas de estadística geográfica no solo tienen la
capacidad de producir una superficie de predicción sino que también proporcionan
alguna medida de certeza o precisión de las predicciones.

¿Cómo funciona el Kriging?

Kriging presupone que la distancia o la dirección entre los puntos de muestra

reflejan una correlación espacial que puede utilizarse para explicar la variación en
la superficie. La herramienta Kriging ajusta una función matemática a una cantidad
especificada de puntos o a todos los puntos dentro de un radio específico para
determinar el valor de salida para cada ubicación. Kriging es un proceso que tiene
varios pasos, entre los que se incluyen, el análisis estadístico exploratorio de los
datos, el modelado de variogramas, la creación de la superficie y (opcionalmente)
 11

la exploración de la superficie de varianza. Este método es más adecuado cuando

se sabe que hay una influencia direccional o de la distancia correlacionada
espacialmente en los datos.

Fórmula

donde:

Z(xi) = el valor medido en la ubicación i

λi = una ponderación desconocida para el valor medido en la ubicación i
x0 = la ubicación de la predicción
n = la cantidad de valores medidos

Crear un mapa de la superficie de predicción con el método

Kriging

Para llevar a cabo una predicción con el método de interpolación de Kriging,

es necesario realizar dos tareas:
1. Descubrir las reglas de dependencia.
2. Realizar las predicciones.
A fin de completar estas dos tareas, Kriging atraviesa un proceso de dos
pasos:
1. Crea los variogramas y las funciones de covarianza para calcular los
valores de dependencia estadística (denominada autocorrelación
espacial) que dependen del modelo de autocorrelación (ajustar un
modelo).
2. Prevé los valores desconocidos (hacer una predicción).
 12

Se dice que en este método los datos se utilizan dos veces, debido a estas
dos tareas bien distintivas: la primera vez, para calcular la autocorrelación espacial
de los datos, y la segunda, para hacer las predicciones.

Análisis estructural
En el modelado espacial de la estructura de los puntos medidos, se comienza
con un gráfico del semivariograma empírico, calculado con la siguiente ecuación
para todos los pares de ubicaciones separados por la distancia h:

La fórmula implica calcular la diferencia cuadrada entre los valores de las

ubicaciones asociadas.

En la Figura 5 se muestra la asociación de un punto (en color rojo) con todas

las demás ubicaciones medidas. Este proceso continúa con cada punto medido.

Figura 5. Cálculo de la diferencia cuadrada entre las ubicaciones

asociadas
 13

A menudo, cada par de ubicaciones tiene una distancia única y suele haber
varios pares de puntos. La diagramación de todos los pares rápidamente se vuelve
imposible de administrar. En lugar de diagramar cada par, los pares se agrupan en
bins de intervalo. Por ejemplo, calcule la semivarianza promedio de todos los pares
de puntos que están a más de 40 metros de distancia pero a menos de 50 metros.
El semivariograma empírico es un gráfico de los valores de semivariograma
promediados en el eje Y, y la distancia (o intervalo) en el eje X (Figura 6).

Figura 6. Ejemplo de gráfico de semivariograma empírico.

La autocorrelación espacial cuantifica un principio básico de geografía: es

más probable que las cosas que están más cerca sean más parecidas que las que
están más alejadas. Entonces, los pares de ubicaciones que están más cerca
(extremo izquierdo del eje X de la nube de semivariograma) deberían tener valores
más similares (parte inferior en el eje Y de la nube de semivariograma). A medida
que los pares de ubicaciones estén más separados entre sí (hacia la derecha en el
eje X de la nube de semivariograma), deberían ser más distintos y tener una
diferencia cuadrada más grande (hacia arriba en el eje Y de la nube de
semivariograma).

Ajustar un modelo al semivariograma empírico

El siguiente paso es ajustar un modelo a los puntos que forman el

semivariograma empírico. El moldeado del semivariograma es un paso clave entre
la descripción espacial y la predicción espacial. La aplicación principal de Kriging es
 14

la predicción de los valores de atributo en las ubicaciones que no fueron

muestreadas. El semivariograma empírico proporciona información sobre la
autocorrelación espacial de los datasets. Sin embargo, no suministra información
para todas las direcciones y distancias posibles. Por esta razón, y para asegurar
que las predicciones de Kriging tengan varianzas de Kriging positivas, es necesario
ajustar un modelo (es decir, una función o curva continua) al semivariograma
empírico. En resumen, esto es similar al análisis de regresión, en el que se ajusta
una línea o curva continua a los puntos de datos.
Para ajustar un modelo al semivariograma empírico, seleccione una función
que sirva como modelo, por ejemplo, un tipo esférico que se eleve y nivele las
distancias más grandes que sobrepasan un determinado rango (Figura 7). Existen
desviaciones de los puntos en el semivariograma empírico con respecto al modelo;
algunos están por encima de la curva del modelo y algunos están por debajo. Sin
embargo, si suma la distancia de cada punto por encima de la línea y la distancia
de cada punto por debajo, los dos valores deberían ser similares. Existen varios
modelos de semivariograma para elegir.

Modelos de semivariograma

La herramienta Kriging proporciona las siguientes funciones para elegir el

modelado del semivariograma empírico:
 Circular
 Esférica
 Exponencial
 Gaussiana
 Lineal
El modelo seleccionado influye en la predicción de los valores desconocidos,
en particular cuando la forma de la curva cercana al origen difiere significativamente.
Cuanto más pronunciada sea la curva cercana al origen, más influirán los vecinos
más cercanos en la predicción. Como resultado, la superficie de salida será menos
 15

suave. Cada modelo está diseñado para ajustarse a diferentes tipos de fenómenos
de forma más precisa.
En los siguientes diagramas se muestran dos modelos comunes y se
identifican las diferencias de las funciones:

Un ejemplo del modelo esférico

En este modelo (Figura 7) se muestra una disminución progresiva de la

autocorrelación espacial (así como un aumento en la semivarianza) hasta cierta
distancia, después de la cual la autocorrelación es cero. El modelo esférico es uno
de los que más se utilizan.

Figura 7. Modelo esférico.

Un ejemplo del modelo exponencial

Este modelo (Figura 8) se aplica cuando la autocorrelación espacial

disminuye exponencialmente cuando aumenta la distancia. En este caso, la
autocorrelación desaparece por completo solo a una distancia infinita. El modelo
exponencial también es un modelo comúnmente utilizado. La elección de qué
modelo se va a utilizar está basada en la autocorrelación espacial de los datos y en
el conocimiento previo del fenómeno.
 16

Figura 8. Modelo exponencial.

Comprender un semivariograma: rango, meseta y nugget

Como se indicó previamente, el semivariograma muestra la autocorrelación

espacial de los puntos de muestra medidos. Tal como lo expresa un principio básico
de la geografía (las cosas más cercanas son más parecidas), los puntos medidos
que están cerca por lo general tendrán una diferencia cuadrada menor que la de
aquellos que están más distanciados. Una vez diagramados todos los pares de
ubicaciones después de haber sido colocados en un bin, se ajusta un modelo para
estas ubicaciones. El rango, la meseta y el nugget se utilizan, generalmente, para
describir estos modelos.

Rango y meseta

Al observar el modelo de un semivariograma, notará que a una determinada

distancia, el modelo se nivela. La distancia a la que el modelo comienza a aplanarse
se denomina rango. Las ubicaciones de muestra separadas por distancias más
cortas que el rango están autocorrelacionadas espacialmente, mientras que las
ubicaciones que están más alejadas que el rango, no lo están.
El valor en el cual el modelo de semivariograma alcanza el rango (el valor en
el eje Y) se denomina meseta. Una meseta parcial es la meseta menos el nugget.
El nugget se describe en la siguiente sección.
 17

Figura 9. Ilustración de componentes de rango, meseta y

nugget.

Nugget

En teoría, a una distancia de separación cero (por ej. intervalo = 0), el valor
del semivariograma es 0. No obstante, a una distancia de separación infinitamente
inferior, el semivariograma a menudo muestra un efecto nugget, que es un valor
mayor que 0. Si el modelo de semivariograma intercepta el eje Y en 2, entonces el
nugget es 2.

El efecto nugget puede atribuirse a errores de medición o a fuentes espaciales de

variación a distancias que son menores que el intervalo de muestreo (o a ambas
cosas).

Realizar una predicción

Cuando haya descubierto la dependencia o autocorrelación en sus datos y

haya finalizado con el primer uso de los datos (usar la información espacial de los
datos para calcular las distancias y modelar la autocorrelación espacial) puede
realizar una predicción utilizando el modelo ajustado. Después de esto, se aparta el
semivariograma empírico.
 18

Ahora puede utilizar los datos para realizar predicciones. Al igual que la
interpolación de IDW, Kriging forma ponderaciones a partir de los valores medidos
circundantes para prever ubicaciones sin mediciones. Asimismo, los valores
medidos que estén más cerca de las ubicaciones sin mediciones tienen la mayor
influencia. Sin embargo, las ponderaciones de Kriging para los puntos medidos
circundantes son más sofisticadas que las del método IDW. Este último utiliza un
algoritmo simple basado en la distancia, mientras que las ponderaciones de Kriging
provienen de un semivariograma que se desarrolló observando la naturaleza
espacial de los datos. Para crear una superficie continua del fenómeno, se realizan
predicciones para cada ubicación, o centro de celda, en el área de estudio basadas
en el semivariograma y la disposición espacial de los valores medidos que son
cercanos.

Los métodos Kriging

Existen dos métodos Kriging: ordinario y universal.

El Kriging ordinario es el más general y más utilizado de los métodos Kriging
y es el predeterminado. Presupone que el valor medio constante es desconocido.
Esa es una presuposición razonable a menos que haya una razón científica para
rechazarla.
El Kriging universal presupone que hay una tendencia de invalidación en los
datos, por ejemplo, un viento prevaleciente, y puede modelarse a través de la
función determinística polinómica. Esta función polinómica se resta de los puntos
medidos originalmente y la autocorrelación se modela a partir de los errores
aleatorios. Una vez que el modelo se ajusta a los errores aleatorios y antes de
realizar una predicción, se vuelve a sumar la función polinómica a las predicciones
para obtener resultados significativos. El Kriging universal solo se debe utilizar si se
conoce una tendencia en los datos y se puede dar una justificación científica para
describirla.
 19

Conclusiones

Como se pudo notar durante el desarrollo del tema, el método Kriging

requiere de un conjunto de conocimientos previos que no son del todo sencillos,
pero que permiten entender la manera en cómo se obtiene la predicción de una
variable regionalizada.
Al tratarse el Kriging de un método de predicción espacial, este cobra una
alta relevancia en el quehacer geofísico, puesto que las variables que medimos son
georreferenciadas y varían conforme avanzamos en el espacio. Variables
espaciales como anomalía de gravedad, permeabilidad del suelo o resistividad del
suelo, son algunos de los ejemplos de las variables que se pueden predecir con
este método.
Asimismo, es importante mencionar que, con este método podemos obtener
un conjunto mayor de datos de una zona determinada al poder estimar el valor de
una variable aleatoria en diferentes puntos donde no se tienen mediciones directas
y así finalmente poder cartografiar el comportamiento de la variable en el espacio.
 20

Glosario

 Análisis estructural: primera etapa de la Geoestadística en la cual se

describe la correlación entre puntos en el espacio.
 Anisotropía: cuando la correlación entre los datos depende de la dirección
en la que esta se calcule.
 Autocorrelación: la autocorrelación de una serie temporal discreta de un
proceso Xt no es más que simplemente la correlación de dicho proceso con
una versión desplazada en el tiempo de la propia serie temporal. Este
concepto se amplía a procesos con variables espaciales.
 Correlación: indica la fuerza y la dirección de una relación lineal y
proporcionalidad entre dos variables estadísticas. Se considera que dos
variables cuantitativas están correlacionadas cuando los valores de una de
ellas varían sistemáticamente con respecto a los valores homónimos de la
otra.
 Covarianza: la covarianza es un valor que indica el grado de variación
conjunta de dos variables aleatorias respecto a sus medias. Es el dato básico
para determinar si existe una dependencia entre ambas variables
 Determinístico: que no depende de la aleatoriedad, sino de las condiciones
iniciales.
 Geoestadística: rama de la Estadística que aplica la teoría de probabilidades
a la estimación estadística de variables espaciales.
 Isotropía: cuando la correlación entre los datos no depende de la dirección
en la que esta se calcule.
 Predicción espacial: segunda etapa de la Geoestadística en la que se hace
predicción del valor de una variable espacial en sitios de la región no
muestreados.
 Probabilístico: que depende del azar.
 Procesos estocásticos: estos se definen como los procesos dependientes
de leyes causales y probabilísticas, por lo que están sometidos al azar y son
objeto de análisis estadístico. Este tipo de procesos nos servirán para poder
 21

comprender la correlación, la cual se entiende estadísticamente como la

relación entre varios datos,
 Proceso estacionario: es un proceso estocástico cuya distribución de
probabilidad en un instante de tiempo fijo o una posición fija es la misma para
todos los instantes de tiempo o posiciones. En consecuencia, parámetros
tales como la media y la varianza, si existen, no varían a lo largo del tiempo
o la posición
 Valor esperado: es el número E[X] que formaliza la idea de valor medio de
un fenómeno aleatorio. Cuando la variable aleatoria es discreta, la esperanza
es igual a la suma de la probabilidad de cada posible suceso aleatorio
multiplicado por el valor de dicho suceso.
 Variable espacial (geográfica): aquella variable que se distribuye en un
espacio y tiene un valor diferente en cada punto del mismo.
 22

Bibliografía

Emery, X. (2007). Apunte de Geoestadística. Chile: Facultad de Ciencias Físicas y

Matemáticas de la Universidad de Chile.

Giraldo, R. (Sin fecha). Introducción a la Geoestadística. Teoría y aplicación.

Colombia: Departamento de Estadística de la Universidad Nacional de Colombia.

Rodríguez, J. (Sin fecha). EL CONCEPTO GEOESTADÍSTICO DE VARIABLE

REGIONALIZADA. 18 de febrero del 2018, de Universidad Central de Venezuela
Sitio web: 190.169.94.12/ojs/index.php/rev_terr/article/download/1346/1272