En escenarios realistas, cuando estamos en presencia de datos censurados o faltantes, la estadística espacial enfrenta desafíos. No tratar estos datos de forma adecuada compromete la precisión e introduce sesgo en las estimaciones. Este problema es frecuente en aplicaciones donde las limitaciones de los instrumentos de medición o la falta de reportes generan datos incompletos. Si bien existen enfoques frecuentistas y bayesianos para abordar esta dificultad, su aplicación en grandes volúmenes de datos sigue siendo un reto debido al elevado costo computacional asociado al manejo de matrices de varianzas y covarianza que son densas. Para afrontar esta problemática, este estudio propone un modelo espacial basado en verosimilitud, diseñado específicamente para gestionar respuestas censuradas o faltantes mediante la aproximación de campos aleatorios gaussianos (GRF) por campos aleatorios gaussianos de Markov (GMRF), obtenidos como solución de ecuaciones diferenciales parciales estocásticas (SPDE). Además, se emplea el algoritmo Stochastic Approximation Expectation-Maximization (SAEM) para la estimación eficiente de los parámetros del modelo en presencia de datos censurados o faltantes. Este algoritmo combina métodos de aproximación estocástica y maximización, permitiendo obtener estimaciones de máxima verosimilitud mediante una exploración eficiente del espacio de parámetros latentes. Su estructura iterativa evita la necesidad de calcular integrales de alta dimensión de manera explícita, lo que lo hace especialmente adecuado para modelos con datos incompletos. Esta estrategia, junto con la representación de un GRF a través de un GMRF, reduce la carga computacional al introducir esparcidad en las matrices involucradas, permitiendo una modelización más óptima en términos de costo computacional y precisión en la estimación de parámetros. Palabras claves: Algoritmo EM, Algoritmo SAEM, Datos censurados, Datos Faltantes, Esparcidad, SPDE.