Martn A.

Daz Viera
2
2
Como vemos la condicin anterior es casi suficiente para que KD
= KC

necesario tambin que

se

cumpliera

que = A AT .

pero sera

No obstante en general

2
2
KC
.
W * ( x 0 ) W ** ( x 0 ) y KD

El caso particular de estimar las componentes de Z ( x) = [ Z1 ( x ) ... Z m ( x) ]

por

separado en lugar de la estimacin conjunta produce una estimacin no ptima y

necesita un factor de ajuste.
c) Comentarios generales
El mtodo directo tiene un nmero de ventajas obvias:
- Slo un variograma debe ser modelado.
- Requiere menor tiempo de cmputo debido a que las componentes de la matriz de
coeficientes son escalares en lugar de matrices.
No obstante cualquier cambio en las componentes de la matriz A implica una nueva
modelacin del variograma y la resolucin de un sistema de ecuaciones para Kriging. Si
los coeficientes de A cambian constantemente es preferible utilizar la estimacin conjunta
ya que esto no implica ningn cambio, solamente multiplicar por la nueva matriz A.
El uso de una variable compuesta podra obscurecer las diferencias en anisotropa o la
presencia de tendencia en algunas variables.
5.12.3 El problema de variables pobremente muestreadas
En contraste con los problemas donde el inters es estimar varias funciones aleatorias
simultneamente mediante el uso del estimador Cokriging para todas las variables en
todas las ubicaciones muestrales, pocas veces los datos muestrales en otras variables es
usado para mejorar la estimacin de la variable primaria o ms comnmente para
compensar muestras perdidas de la variable primaria.
Sean

{ x1 , ...,

x n } las posiciones de la red de muestreo y Z = [ Z1 , ..., Z m ] el vector de las

T

funciones aleatorias . Supongamos que los datos en los puntos x 2 , ..., x n son obtenidos
para todas las variables pero en x1 slo es obtenido para Z 2 , ..., Z m .
Deseamos estimar Z1 ( x1 ) usando todos los datos disponibles suponiendo que (h) es
conocido.
El estimador lineal del cokriging Z1* ( x1 ) puede ser escrito en la forma usual:
n

Z 1 ( x1 ) = k Z ( x k )
*

k =1

75

(5.73)