UNIVERSIDAD NACIONAL DE

MOQUEGUA

TEMA: KRIGING
CURSO: GEOESTADÍSTICA

DOCENTE: ING. MARTIN MARIO AROCUTIPA GONZA

INTEGRANTES:
• MAMANI MALDONADO JUDITH
• LA TORRE PALOMINO PAULO
• RAMOS APAZA ELIO
 UNIVERSIDAD NACIONAL DE MOQUEGUA

INDICE
1. INTRODUCCON ....................................................................................................................................... 2
2. LA FÓRMULA DE KRIGING ................................................................................................................... 2
3. EL MEJOR ESTIMADOR LINEAL INSESGADO .................................................................................... 3
4. PLANTEAMIENTO DEL PROBLEMA GENERAL ................................................................................. 4
5. ECUACIONES DEL KRIGING ORDINARIO ........................................................................................... 5
6. ECUACIONES DEL KRIGING ORDINARIO EN FORMA MATRICIAL ................................................ 6
7. CLASIFICACIÓN DE LOS DIFERENTES TIPOS DE KRIGING ............................................................. 8
8. BIBLIOGRAFIA ........................................................................................................................................ 9

1
 UNIVERSIDAD NACIONAL DE MOQUEGUA

KRIGING
1. INTRODUCCON

Este nombre apareció alrededor de 1960 para nombrar una técnica creada en Francia por
Matheron a partir de los trabajos de D. G. Krige quién fue probablemente el primero que
hizo uso de la correlación espacial y del mejor estimador lineal insesgado en el campo de
la evaluación de yacimientos minerales.

Las herramientas de interpolación IDW (distancia inversa ponderada) y Spline se conocen

como métodos determinísticos de interpolación porque están basados directamente en los
valores medidos o en fórmulas matemáticas específicas 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 sólo tienen la capacidad de producir una
superficie de predicción, sino que también proporcionan alguna medida de certeza o precisión
de las predicciones.

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 un número específico de puntos o a
todos los puntos dentro de un radio especificado, 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) 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. Se utiliza a menudo en la ciencia del suelo y la geología.

2. LA FÓRMULA DE KRIGING

2
 UNIVERSIDAD NACIONAL DE MOQUEGUA

El método kriging es similar al de IDW en que pondera los valores medidos circundantes
para calcular una predicción de una ubicación sin mediciones. La fórmula general para ambos
interpoladores se forma como una suma ponderada de los datos:

• donde:

Z(si) = el valor medido en la ubicación n.º i

λi = un peso desconocido para el valor medido en la ubicación n.º i

s0 = la ubicación de la predicción

N = el número de valores medidos

En IDW, el peso, λi, depende solamente de la distancia a la ubicación de la predicción. Sin

embargo, con el método kriging, las ponderaciones están basadas no sólo en la distancia entre
los puntos medidos y la ubicación de la predicción, sino también en la disposición espacial
general de los puntos medidos. Para utilizar la disposición espacial en las ponderaciones, la
correlación espacial debe estar cuantificada. Por tanto, en kriging ordinario, el peso, λi,
depende de un modelo ajustado a los puntos medidos, la distancia a la ubicación de la
predicción y las relaciones espaciales entre los valores medidos alrededor de la ubicación de
la predicción. En las siguientes secciones se describe cómo se utiliza la fórmula general de
kriging para crear un mapa de la superficie de predicción y un mapa de la precisión de las
predicciones

3. EL MEJOR ESTIMADOR LINEAL INSESGADO

El kriging es un término que ha sido acuñado para designar al “mejor estimador lineal

3
 UNIVERSIDAD NACIONAL DE MOQUEGUA

insesgado” de un punto y al mejor promedio lineal móvil ponderado de un bloque.

El kriging es una técnica de estimación local que ofrece el mejor estimador lineal insesgado
de una característica desconocida que se estudia. La limitación a la clase de estimadores
lineales es bastante natural ya que esto significa que solamente se requiere el conocimiento
del momento de segundo orden de la función aleatoria (la covarianza o el variograma)
y que en general en la práctica es posible inferir a partir de una realización de la misma.

4. PLANTEAMIENTO DEL PROBLEMA GENERAL

Sea Z (x) una función aleatoria, la cual está definida en un soporte puntual y es

estacionaria de segundo orden, con:

- un valor esperado,

donde m es una constante generalmente desconocida,

- una función de covarianza centrada

- un variograma

donde al menos uno de estos dos momentos de segundo orden se supone conocido.

Cuando solamente existe el variograma, entonces la función aleatoria Z (x) se considera intrínseca.

Los valores experimentales consisten en un conjunto de valores discretos { ( ), 1,..., i Z x i = n}. Con
frecuencia estos valores están definidos en soportes puntuales o casi puntuales, en otros casos son los
valores medios ( ) i i V Zx definidos en los soportes
4
 UNIVERSIDAD NACIONAL DE MOQUEGUA

Vi centrados en los puntos i x , donde los n soportes pueden ser todos diferentes.
La estimación del valor medio ( ) i i V Zx en el dominio de Vi se define como

Es bueno destacar que bajo la hipótesis de estacionaridad el valor esperado de cada uno de estos datos.

Los n coeficientes son calculados de manera tal que el estimador sea insesgado y que la varianza de la
estimación sea mínima, entonces se dice que el estimador Z es óptimo.

5. ECUACIONES DEL KRIGING ORDINARIO

Como ya hemos planteado el estimador kriging se considera óptimo ya que es insesgado y es el que minimiza
la varianza de la estimación. A partir de estos dos criterios se derivan las ecuaciones del kriging.

- La condición de insesgadez.

Para obtener un valor esperado del error igual a cero resulta suficiente imponer la condición:

donde m es el valor esperado de la función aleatoria Z (x). Esto implica que

Entonces

y finalmente

- La condición de que la estimación sea de mínima varianza

5
 UNIVERSIDAD NACIONAL DE MOQUEGUA

Para satisfacer esta condición hay que minimizar la siguiente función:

donde
σ - es la varianza de la estimación, e
2
μ - un multiplicador de Lagrange.

Nótese que la función F a minimizar consta de la varianza de la estimación σ e incluye

la condición que garantiza el no sesgo de la estimación.

6. ECUACIONES DEL KRIGING ORDINARIO EN FORMA MATRICIAL

De forma análoga podemos representar el sistema de ecuaciones del Kriging en forma

matricial como sigue:

donde  ij =  Zi jZ

6
 UNIVERSIDAD NACIONAL DE MOQUEGUA

Nótese que bajo la hipótesis intrínseca las covarianzas pueden ser reemplazados por las
semivarianzas, usando la expresión:

ij =  2 −  ij (1.17)

donde
 2 = C(0), es la varianza total o a priori de la muestra.

Entonces sustituyendo la expresión de la covarianza en función de la semivarianza

obtenemos el sistema del Kriging en función de las semivarianzas:

7
 UNIVERSIDAD NACIONAL DE MOQUEGUA

Y la varianza de la estimación se calcula como sigue:

 =   i ki + 
2
e (1.19)
i=1

Estas últimas expresiones resultan ser la formulación del Kriging más común puesto que se
aplica en el caso cuando la variable regionalizada cumple la hipótesis intrínseca la cual es
una condición menos exigente que la estacionaridad de segundo orden.

7. CLASIFICACIÓN DE LOS DIFERENTES TIPOS DE KRIGING

I) Según la forma del estimador

- lineales:
Simple
Ordinario
Universal
Residual

- no lineales:
Disyuntivo
Indicador
Probabilístico

II) Según el soporte de la medición de los datos

- puntual
- en bloques

III) Kriging paramétrico y no paramétrico

- paramétrico:
8
 UNIVERSIDAD NACIONAL DE MOQUEGUA

Multigaussiano
Disyuntivo
Lognormal

- no paramétrico:
Simple
Ordinario
Universal
Residual
Indicador
Probabilístico

8. BIBLIOGRAFIA

• C:/Users/hp/Downloads/GeoEstadistica.pdf