)LJXUD. Nube de correlación diferida y mapa de ubicación de los datos.

0,$±*HRHVWDGtVWLFD 
 &DStWXOR&RQFHSWRVJHQHUDOHVVREUHHO
PRGHODPLHQWRJHRHVWDGtVWLFRGHGDWRV

Para poder describir y “ entender” un fenómeno regionalizado, es necesario elaborar una

representación matemática o PRGHOR. Una primera solución consiste en utilizar un PRGHOR
GHWHUPLQtVWLFR. En general, este enfoque conduce a una evaluación precisa de la variable
regionalizada a partir de un número limitado de observaciones, pero requiere conocer la
génesis del fenómeno y las leyes físicas o ecuaciones matemáticas que rigen la distribución
de la variable regionalizada. Entre otros dominios de aplicación, citemos

• la meteorología: previsión climática a corto plazo;

• la geofísica: determinación de la intensidad y orientación del campo gravitacional y

del campo magnético terrestre en el espacio y el tiempo;

• la teoría de la señal: reconstitución de una señal continua a partir de un conjunto de

mediciones, usando propiedades espectrales.

No obstante, en general, los fenómenos regionalizados en estudio son extremadamente

complejos y su comprensión puede ser tan parcial que un modelamiento determinístico es
imposible o ilusorio. Ejemplos típicos son la evaluación minera, la exploración petrolífera,
la caracterización de una zona contaminada o de una parcela agrícola, la estimación de los
recursos forestales de una región, o la previsión meteorológica de largo plazo. Estamos
entonces obligados a renunciar a una descripción determinística del fenómeno y recurrir a
un PRGHORSUREDELOtVWLFR. Este proceder resulta operatorio, pues permite formalizar tanto
los conocimientos como las incertidumbres que se tiene del fenómeno regionalizado.

/tPLWHVGHODHVWDGtVWLFDFOiVLFD

En estadística clásica, se considera los datos como realizaciones LQGHSHQGLHQWHV de una

misma variable aleatoria, es decir, se supone que no tienen relaciones entre sí y que siguen
la misma distribución de probabilidad. Se busca estimar los parámetros – en especial, la
esperanza y la varianza – de esta distribución, cuya forma a menudo está predeterminada
(normal, lognormal, etc.). Sin embargo, cuando los datos están ubicados en el espacio
geográfico, las hipótesis de la estadística clásica son raramente aceptables. En particular, si
bien simplifica los cálculos estadísticos, la hipótesis de independencia de las observaciones
resulta poco realista en el marco espacial. Intuitivamente, observaciones próximas tienen
valores cercanos, mientras que aquellas que están más alejadas entre sí tienen una menor
relación entre ellas.

0,$±*HRHVWDGtVWLFD 
 Así pues, en general, no puede considerarse modelar las variables regionalizadas por
medio de funciones determinísticas, debido a su extrema complejidad. Tampoco se puede
asimilar los datos medidos a variables aleatorias independientes. La geoestadística entrega
una representación intermedia, a la vez aleatoria y funcional, al basarse en el concepto de
IXQFLyQDOHDWRULD.

1RFLyQGHIXQFLyQDOHDWRULD

Los modelos geoestadísticos consideran el valor ]([) de la variable regionalizada en un

sitio [ del campo D como una realización de una variable aleatoria =([)1. Cuando [ recorre
D, se obtiene un conjunto de variables aleatorias = = {=([), [ ∈ D} que constituye una
IXQFLyQDOHDWRULD (sinónimos: FDPSRDOHDWRULR, SURFHVRDOHDWRULR o HVWRFiVWLFR). Así pues,
la variable regionalizada ] = {]([), [ ∈ D} es XQD realización de la función aleatoria =, pero
uno podría imaginar otras realizaciones que presentan características similares en cuanto a
cómo se distribuyen los valores en el espacio (Figura 1). Contrariamente al modelo de la
estadística clásica, las variables aleatorias así definidas no son independientes; por el
contrario, existen interacciones o correlaciones entre ellas, las cuales reflejan la continuidad
espacial de la variable regionalizada (Figura 2).

)LJXUD. Realizaciones de dos modelos distintos de función aleatoria. Cada

modelo define la manera con la cual se distribuyen los valores en el espacio, lo que
origina el parentesco que se observa entre las realizaciones de un mismo modelo.

1
Para distinguir las variables determinísticas de aquellas aleatorias, denotaremos las primeras con PLQ~VFXOD
y las segundas con 0D\~VFXOD.

0,$±*HRHVWDGtVWLFD 
 
)LJXUD. Noción de correlación para representar la continuidad espacial.
Ambos ejemplos presentan los mismos valores, pero distribuidos de forma
diferente en el espacio. Las variables aleatorias se modelarán con altas
correlaciones en el primer caso y bajas correlaciones en el segundo caso.

El recurrir al concepto de función aleatoria es una GHFLVLyQ, ni verdadera ni falsa, pues

dicha función aleatoria es un objeto teórico que no existe en la realidad. Asimismo, la
determinación de una función aleatoria a partir de una variable regionalizada no es una
operación unívoca: varios modelos pueden resultar aceptables, en cuanto sean compatibles
con la información disponible sobre la variable regionalizada.

&DUDFWHUL]DFLyQGHXQDIXQFLyQDOHDWRULD

'LVWULEXFLyQHVSDFLDO

Consideremos una función aleatoria = = {=([), [ ∈ D} y una serie de sitios {[1,... [ }

en D. El grupo de variables aleatorias {=([1),... =([ )} está caracterizado por una IXQFLyQGH
GLVWULEXFLyQ multivariable que depende de N argumentos:

)! 1 ,...! ( ]1 ,...] ) = Prob{= ([1 ) < ]1 ,... = ([  ) < ] } ∀]1 ,...] ∈R .

El conjunto de funciones de distribución, para todos los enteros N y todas las elecciones
posibles de {[1,... [ } en D, constituye la GLVWULEXFLyQ HVSDFLDO de la función aleatoria.
Ahora, siendo finito el número de datos disponibles sobre la variable regionalizada, es
ilusorio querer inferir la distribución espacial completa de la función aleatoria, que contiene
un número infinito de distribuciones de probabilidad. Por ende, la puesta en marcha de las
herramientas probabilísticas requiere simplificaciones.

0,$±*HRHVWDGtVWLFD 
'LVWULEXFLRQHVXQLYDULDEOH\ELYDULDEOHV

Estas distribuciones corresponden a los casos particulares donde N = 1 y N = 2. En

general, los datos disponibles permiten inferir estas distribuciones. Es la razón por la cual la
determinación de un modelo de distribución espacial suele basarse en dichas distribuciones,
aunque las distribuciones de orden superior (trivariables, quadrivariables...) del modelo no
se respaldan en la información proporcionada por los datos.

• 'LVWULEXFLyQXQLYDULDEOH:

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

)# 1 corresponde a la función de distribución de la variable aleatoria =([1) ubicada en [1

(Figura 3, izquierda).


)LJXUD. Ejemplo de función de distribución y densidad de probabilidad univariable.
La densidad de probabilidad se obtiene al derivar la función de distribución.

• 'LVWULEXFLyQELYDULDEOH:

)$ 1 ,$ 2 ( ]1 , ]2 ) = Prob{= ([1 ) < ]1 , = ([ 2 ) < ]2 } .

)# 1,# 2 corresponde a la función de distribución conjunta del par de variables aleatorias

{=([1),=([2)} (Figura 4, izquierda).

0,$±*HRHVWDGtVWLFD