A modo de ilustracin, el mapa variogrfico de los datos de concentracin de cobalto

(Figura 5, izquierda) dibuja una direccin de mayor continuidad con una orientacin de 60
aproximadamente desde el eje norte-sur (los colores claros indican valores pequeos para el
variograma experimental, mientras que los colores oscuros indican valores ms grandes).
Esta observacin se confirma al calcular los variogramas experimentales direccionales
(Figura 5, derecha), donde se aprecia un crecimiento ms lento en la direccin N60E y ms
rpido en la direccin ortogonal N30W. Para el modelamiento, se preferir utilizar estos
variogramas direccionales en lugar del variograma omnidireccional (Figura 2), puesto que
este ltimo no captura el cambio de continuidad espacial con la direccin (anisotropa).

)LJXUD. Mapa variogrfico (izquierda) y variograma experimental

calculado a lo largo de las direcciones de anisotropa reconocidas
(N60E y N30W) (derecha). Los parmetros de clculo son los
siguientes: paso = 0.35 km, tolerancia en la distancia = 0.175 km,
tolerancia angular = 20, ancho de banda = 1km.

&RQVLGHUDFLRQHVSUiFWLFDV

1) Las direcciones de clculodel variograma experimental deben considerar la anisotropa

de la variable regionalizada. Tal como en el ejemplo anterior, su eleccin se puede
hacer al examinar el mapa variogrfico. En el caso istropo (es decir, si los variogramas
direccionales se superponen salvo por pequeas fluctuaciones estadsticas), se podr
considerar un variograma omnidireccional :

1
+ (U ) = [ ] ([ ) ] ([ )]2
2 | 1 (U )| - + ( , )
+

donde 1+(U) = { (,) tal que | [ [ | U }.

0,$*HRHVWDGtVWLFD 
2) En general, cada variograma direccional se calcula para distancias mltiplos de una
distancia elemental, llamada paso . La eleccin del paso puede tener repercusiones en
el clculo. Un paso demasiado pequeo conducir a un variograma experimental
errtico, poco estable, mientras que un paso demasiado grande no permitir apreciar los
detalles de la continuidad espacial, en especial el comportamiento en el origen del
variograma. Cuando la malla de muestreo es regular2, el paso est prcticamente
impuesto. En caso contrario, se podr utilizar la nube variogrfica para encontrar un
paso tal que el nmero de pares de datos que intervienen en el clculo del variograma
experimental sea suficiente (para fijar ideas, superior a la mitad del nmero de datos),
de manera que estos puntos sean representativos.

3) El uso de tolerancias en las distancias y ngulos busca suavizar y hacer ms robusto el

variograma experimental cuando la malla de muestreo no es regular. Ahora, conviene
advertir el usuario de la utilizacin de tolerancias excesivas, que pueden suavizar
artificialmente el variograma experimental; aunque un variograma suave es ms fcil de
modelar, esto no garantiza que sea ms representativo de los datos.

4) En general, se utiliza una tolerancia en las distancias igual a la mitad del paso: en la
direccin considerada, el L-simo punto del variograma experimental se calcula con los
pares de datos cuya separacin cae en el intervalo [(L 0.5) SDVR, (L + 0.5) SDVR]. De
esta manera, todas las distancias son utilizadas una vez y una sola. Se puede tambin
considerar una tolerancia menor, en cuyo caso las clases de distancias involucradas en
el clculo del variograma experimental ya no son contiguas y algunos pares de datos no
son tomados en cuenta. Esta situacin, aparentemente poco favorable (pues se pierde
informacin) no es siempre la peor, sobre todo cuando se trabaja en una malla regular o
casi-regular.

5) Las tolerancias angulares tienden a disipar la eventual anisotropa del variograma (las
direcciones con mayor continuidad espacial se mezclan con direcciones de continuidad
intermedia, de manera que la anisotropa aparece menos marcada de lo que est en
realidad). Por ende, hay que buscar un justo equilibrio en la eleccin de las tolerancias.
Es recomendable completar la definicin de las tolerancias angulares por aquella de las
separaciones mximas: DQFKR GH EDQGD y, en el espacio de tres dimensiones, DOWR GH
EDQGD; este ltimo parmetro resulta importante en la prctica, pues evita mezclar las
direcciones horizontales con direcciones inclinadas, cuyo comportamiento es a menudo
bastante distinto.

6) Es conveniente tener cuidado con la representatividad del variograma experimental.

Para cada punto de este variograma, se podr determinar el nmero de pares de datos
utilizados para su clculo; un nmero de pares bajo indica un punto poco confiable.
Igualmente, resulta de utilidad visualizar la nube variogrfica, para identificar los pares
de datos responsables de una inestabilidad numrica del variograma experimental.

2
Por ejemplo, para una malla cuadrada de lado D, se elegir un paso de clculo igual a D en las direcciones
principales de la malla, y D 2 en las direcciones diagonales.

0,$*HRHVWDGtVWLFD 
&RPSOHPHQWRRWUDVKHUUDPLHQWDVSDUDHODQiOLVLVYDULRJUiILFR

&RYDULDQ]DH[SHULPHQWDO

Bajo la hiptesis de estacionaridad, la funcin de covarianza se define como:

& (K) = ( {[ = ([ + K) P][ = ([) P]} .

Un primer estimador de esta covarianza se obtiene al reemplazar el valor esperado P

por una media aritmtica sobre los pares de datos cuya separacin coincide con el vector K:

1
&1 (K) = / [ ] ([ ) ] ][ ] ([ ) ] ] ,
| 1 (K)| ( . )

donde 1(K) = {(,) tal que [ [ = K}, mientras que ] es un estimador de la esperanza, a
saber la media aritmtica de los Q datos disponibles:
0
1
] = ] ([ ) .
Q =1

El estimador 1 se conoce como FRYDULDQ]DHUJyGLFD. Un segundo estimador, llamado

FRYDULDQ]DQRHUJyGLFD consiste en plantear:

1
&2 (K) = 2 [ ] ([ ) ] 398:7; <58 (K)][ ] ([ ) ] 35476 8 (K)] ,
| 1 (K)| ( 1 )

1 1
con ] ?9@A7B C5@ (K) = > ]= ([ ) y ] F5G7H I (K) = E ]D ([ ) .
| 1 (K) | ( , ) ( ) | 1 (K) | ( , ) ( )

Se demuestra que estos estimadores de la covarianza son ms robustos que el estimador

del variograma (los datos no estn elevados al cuadrado), pero presentan un VHVJR3:
3
Por ejemplo, para K = , ambos estimadores coinciden con el estimador clsico de la varianza DSULRUL C():
J
1
&() = [ ]([ ) ] ]2
Q

=1

cuya esperanza es, bajo la hiptesis simplificadora que los datos no estn correlacionados

([&()] = Q 1& () = (1 1 ) & () .

Q Q

Bajo la hiptesis de no correlacin entre los datos, se tiene un sesgo igual a C()/Q para el estimador de
la varianza DSULRUL C(). En realidad, como la variable regionalizada manifiesta cierta continuidad espacial,
los datos estn correlacionados y el sesgo es todava ms importante.

0,$*HRHVWDGtVWLFD 
 ( [&1 (K)] & (K)
( [& (K)] & (K)
2

El sesgo es ms importante cuando el nmero de datos es pequeo. Proviene de haber

recurrido, en el clculo de la covarianza experimental, a una estimacin de la esperanza P
por una media aritmtica de datos. El variograma experimental no tiene este inconveniente,
pues evita estimar la esperanza de la funcin aleatoria.

De la misma manera que para el variograma, se introduce tolerancias en las distancias y

los ngulos cuando la malla de muestreo es irregular.

)LJXUD. Variograma omnidireccional calculado a partir del estimador

de la covarianza no ergdica, planteando (K) = &2 () &2 (K) .

&RYDULDQ]DQRFHQWUDGD

Una alternativa interesante es recurrir a la FRYDULDQ]DQRFHQWUDGD, denotada &KML , que,

bajo la hiptesis de estacionaridad, slo depende de la separacin entre datos:

&NPO (K) = ( [ = ([ + K) = ([)] = & (K) + P 2 .

La covarianza no centrada est relacionada con el variograma por la relacin:

(K) = &QPR () &QPR (K)

y constituye, en consecuencia, una herramienta equivalente a la covarianza centrada o al

variograma. Puede estimarse sin sesgo con:

0,$*HRHVWDGtVWLFD 
 1
&UPV (K) = T ] ( [ ) ] ( [ ) .
| 1 (K)| ( S )

De este modo, KWL () KML (K) constituye un estimador insesgado del variograma (K).
Este estimador atena la influencia de los valores altos, en comparacin con el variograma
experimental clsico, puesto que los valores de los datos ya no intervienen en un cuadrado.
Esto es particularmente interesante en el caso de datos cuya distribucin es muy asimtrica
y presenta algunos valores extremos que hacen inestable el variograma experimental.

&RUUHORJUDPDH[SHULPHQWDO

El correlograma se define como el cuociente entre la covarianza y la varianza:

(K) = FRUU [ = ([ + K), = ([)] = & (K) / & () .

Tal como para la covarianza, se puede definir un estimador HUJyGLFR, que utiliza todos
los datos al momento de estimar la esperanza y la varianza:

&1 (K)
1 (K) = ,
&()
1

y un estimador QRHUJyGLFR, que slo utiliza los datos que estn apareados para el vector K:

&2 (K)
2 (K) = ,
X9[\7] ^5[ (K) X5Y7Z [ (K)

1
con a9bc7d efb (K) = ` [_ ] ([ ) ] a9bc7d efb (K)]2
| 1 (K) | ( ,) ( )
1
i5j7k l (K) = h [g ] ([ ) ] i5j7k l (K)]2 .
| 1 (K) | ( ,) ( )

Los estimadores as definidos son ms robustos que el estimador del variograma, pero
sesgados debido a que utilizan estimadores de la esperanza y de la varianza:

( [1 (K)] (K)
( [2 (K)] (K)

0,$*HRHVWDGtVWLFD