En particular, es insuficiente conocer la media y el variograma, como lo demuestran los

ejemplos siguientes (Figuras 4 y 5).

LQWHUSUHWDFLyQ
9DULDEOHUHJLRQDOL]DGD )XQFLyQDOHDWRULD

FDUDFWHUL]DFLyQ

'LVWULEXFLyQHVSDFLDO
0RPHQWRV UHVXPHQ
• distribución univariable
• esperanza, varianza
• distribuciones bivariables
• covarianza, variograma
• distribuciones multivariables
VLPSOLILFDFLyQ

+LSyWHVLVGHHVWDFLRQDULGDG
• esperanza y varianza son constantes
• covarianza y variograma sólo dependen de la separación entre datos

)LJXUD. Esquema sintético del modelamiento geoestadístico.

Esperanza, varianza, covarianza y variograma sólo proporcionan
un resumen de las características de la función aleatoria

)LJXUD. Realizaciones de dos funciones aleatorias con la

misma distribución univariable y el mismo variograma

0,$±*HRHVWDGtVWLFD 
 )LJXUD. Realizaciones de funciones aleatorias con mismas distribuciones
univariables, bivariables (luego, mismos variogramas) y trivariables

(MHPSORVGHIXQFLRQHVDOHDWRULDV

Existe una gran diversidad de modelos de función aleatoria que pueden ser simulados
por técnicas geoestadísticas. A continuación, mostramos algunos ejemplos, que difieren en
la naturaleza de la variable en estudio.

ƒ 9DULDEOHVFRQWLQXDV, como las concentraciones de elementos contaminantes, leyes de

mineral, pH, conductividad eléctrica, permeabilidad de una roca, carga hidráulica, etc.

)LJXUD. Realizaciones de tres modelos de variables continuas

ƒ 9DULDEOHVGLVFUHWDVRFDWHJyULFDV, que permiten codificar un conjunto de dominios que

subdividen el espacio (por ejemplo, dominios definidos por tipos de roca) o representar
variables con un número limitado de valores, por ejemplo, las variables de conteo cuyos
valores son enteros.

0,$±*HRHVWDGtVWLFD 
 )LJXUD. Realizaciones de tres modelos de variables categóricas

ƒ &RQMXQWRVDOHDWRULRV, que pueden ser representados por LQGLFDGRUHV (variables binarias

que valen 1 cuando se está en el conjunto, 0 cuando se está fuera). Pueden representar
variables que cuentan con solamente dos categorías, por ejemplo roca permeable versus
roca impermeable.

)LJXUD. Realizaciones de tres modelos de conjuntos aleatorios

ƒ 5HGHV GH IUDFWXUDV, que son casos particulares de conjuntos aleatorios (porciones de
plano o de recta, con dimensiones y orientación aleatorias en el espacio)

)LJXUD. Realizaciones de tres modelos de redes de fracturas

0,$±*HRHVWDGtVWLFD 
ƒ 3URFHVRVSXQWXDOHV, que son otros casos particulares de conjuntos aleatorios. Permiten
modelar fenómenos naturales como: distribución de árboles en un bosque, de piedras
preciosas en un yacimiento, o de epicentros de temblores. También sirven para construir
algunos modelos de funciones aleatorias, de conjuntos aleatorios y de redes de fractura.

)LJXUD. Realizaciones de cuatro modelos de procesos puntuales

$VSHFWRVGHOSUREOHPDGHVLPXODFLyQ

Las etapas y desafíos planteados para simular una función aleatoria son los siguientes:

1) Definir un modelo de función aleatoria (distribución espacial).

2) Inferir los parámetros del modelo (variograma, etc.) y validarlos.

3) Proponer algoritmos para construir realizaciones de la función aleatoria definida.

4) Condicionar las realizaciones a los datos disponibles.

Estos pasos convierten la simulación geoestadística en un enfoque mucho más complejo

que el kriging. En el próximo capítulo, examinaremos un modelo muy sencillo denominado
PRGHORPXOWL*DXVVLDQR, que permite simular variables continuas. La simulación de otros
modelos de función aleatoria es un tema que sobrepasa los alcances de este curso.

0,$±*HRHVWDGtVWLFD 
 &DStWXOR6LPXODFLyQGHYDULDEOHV
FRQWLQXDVPRGHORPXOWL*DXVVLDQR

En este capítulo, nos interesaremos por un modelo de función aleatoria cuya definición
requiere modelar sólo una distribución univariable (o sea, un histograma) y un variograma.
Este modelo se basa en las distribuciones de probabilidad multivariables Gaussianas (PXOWL
*DXVVLDQDV o PXOWLQRUPDOHV).

7UDQVIRUPDFLyQ*DXVVLDQDDQDPRUIRVLV

Es poco frecuente que la variable estudiada pueda ser considerada como Gaussiana: a
menudo, la distribución univariable (histograma de los valores medidos) es asimétrico y no
es compatible con un modelo Gaussiano. Una transformación – llamada DQDPRUIRVLV – es
necesaria para convertirla en una distribución Gaussiana. Gráficamente, la transformación
consiste en deformar el histograma de los datos en un histograma Gaussiano estándar, es
decir, de media 0 y varianza 1 (Figura 1).

)LJXUD.Construcción gráfica de la anamorfosis Gaussiana

0,$±*HRHVWDGtVWLFD