UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

INTRODUCCION
Generalmente el valor de la media m es desconocido y por lo tanto no se puede
utilizar el kriging simple.

El kriging ordinario establece una condicin adicional al sistema de ecuaciones del

kriging simple para filtrar el valor desconocido de la media.

DEFINICION

Kriging es un grupo de geoestadsticos tcnicas para interpolar el valor de un

campo al azar en una incumplido ubicacin de las observaciones de su valor en
lugares cercanos.

La teora detrs de interpolacin y extrapolacin por Kriging fue desarrollado por

el matemtico francs Georges Matheron sobre la base de la tesis de maestra de
Daniel Krige Gerhardus,.

Desde el punto de vista geolgico, la prctica de kriging se basa en el supuesto de

continuacin de la mineralizacin entre los valores medidos.

La aplicacin de kriging a los problemas en la geologa y la minera, as como a la

hidrologa se inici a mediados de los aos 60 y especialmente en los aos 70 con
el trabajo de Georges Matheron.

El Kriging es conocido como el mtodo interpolador Geoestadstico, es un

estimador lineal insesgado, presenta dos propiedades bsicas que son: Hacer que
la suma de errores tienda a cero, y que el cuadrado de las desviaciones sea mnimo.

Tiene como objetivo estimar el valor de la variable Z, para un punto x0 que no ha sido
considerado anteriormente, realiza una suma ponderada sobre todos los sectores que
conforman la zona de estudio de inters, tomando los vecinos ms cercanos al punto de
inters x0.

pg. 1
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

El proceso del Kriging es asignar pesos a los vecinos ms cercanos, considerados

para la estimacin, la diferencia del Kriging con otros mtodos de interpolacin, es
que utiliza un mtodo semejante a la interpolacin por media mvil ponderada, a
diferencia que los pesos son asignados a partir de un anlisis espacial, basados en
el semivariograma experimental.

Un mtodo de interpolacin ser exacto cuando, pase por los puntos muestrales, lo
ms cercano posible a ellos.

Es importante que un modelo para semivariograma que ha sido ajustado,

represente una tendencia a los modelos antes descritos, para que las estimaciones
obtenidas por medio del Kriging sean ms exactas y ms confiables.

Las estimaciones mediante el mtodo Kriging pueden ser, por punto o por bloque.

Mtodos de Estimacin del Kriging.

Existen dos mtodos de Kriging para realizar las estimaciones.

Kriging Ordinario.

Es el mtodo ms apropiado, para situaciones medioambientales, este mtodo

asume que las medias locales, no estn necesariamente relacionadas lo ms
cercanamente a la media poblacional, por lo cual solo usa las muestras en la
vecindad local para la estimacin.

Kriging Simple.

Asume que las medias locales son relativamente constantes e iguales a la media
poblacional, la cual es conocida. La media poblacional es usada como un factor en
cada estimacin local, a lo largo con las muestras en las vecindades locales.

Hay dos tipos de Kriging, el de Punto y el de Bloque, lo cuales generan unas

cuadrculas de interpolacin.

Kriging de Punto.

Estima los valores de los puntos en los nodos de las cuadrculas.

pg. 2
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

REPRESENTACIN TCNICA PUNTO KRIGING.

Kriging de Bloque.

Estima el valor promedio de los bloques rectangulares, que estn centrados en los
nodos de las cuadrculas, los bloques son de tamao y forma de las celdas de las
cuadrculas, este tipo de Kriging no resulta ser un buen interpolador, ya que no
estima el valor de un punto.

Efecto del Rango en las Estimaciones.

Un valor grande para el rango (a), significa un comportamiento ms continuo. Las

estimaciones dan como resultado mapas bastante lisos para la variable de inters.

Efecto del modelo en las Estimaciones.

Considerando la forma que presenta el Variograma en los primeros, un modelo Gaussiano

es ms continuo que un modelo Esfrico con un mismo efecto en 6h, para la variable mejor
correlacionada, se muestran los mapas con ms suavizacin.

Efecto del Sill en las Estimaciones.

El cambiar el valor de Sill, no cambia los valores de las estimaciones, por lo que los mapas
de estimaciones seguirn siendo los mismo, afecta a la variacin de las estimaciones, un
sill ms alto indica, mayor variacin en las estimaciones.

pg. 3
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

Error de Estimacin.

Dado que no son estrictamente equivalentes, hay un error de estimacin

involucrado en los procedimientos. La aceptacin de un mtodo de estimacin ser
dada por la magnitud de los errores involucrados, el mejor mtodo a considerar de
be ser el que de los errores ms pequeos, considerando todos los bloques o
puntos en la estimacin.

La Varianza en la Estimacin.

La varianza indica la dispersin que presentan los valores estimados con respecto
a los valores reales.

El Kriging no solo provee una estimacin de mnimos cuadrados, tambin est

ligado a la varianza del error.

La varianza del error es:

Dependiente en el modelo de la covarianza.

La precisin de la estimacin podra depender de la complejidad de la
variabilidad espacial de z, modelado por la covarianza.
Dependiente en la configuracin de los datos.
La localizacin de los datos y sus distancias entre s, son estimados.
Independiente de los valores de los datos.

Para un modelo de covarianza dado, la configuracin de dos datos idnticos podra

producir la misma varianza Kriging, sin importar que los datos estuvieren.

pg. 4
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

KRIGING PUNTUAL

Utilizaremos el programa geovar

Luego abriremos el programa y seleccionaremos el archivo:

PROG1.BAS

pg. 5
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

pg. 6
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

2. kriging en Excel

Caso de estudio configuracin del problema

APLICACIN

Caso I

MODELO ESFERICO:

3 1 3
[ ( ) ( ) ] <
() = { 1 2 2 }
1
= 10
1 = 1
0 = 0

pg. 7
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

SOLUCION:
0
a) 2 = 2( ) ( ) ( ) + 4

: ?

Matriz de distancia

V B 1 2 3 4
x1 1,41 3,16 3,16 4,24
x2 3,16 4,24 1,41 3,16
x3 4,24 3,16 3,16 1,41
x4 3,16 1,41 4,24 3,16

Matriz de variograma

V B 1 2 3 4
x1 0,2101 0,4582 0,45822 0,59789
x2 0,4582 0,5979 0,2101 0,45822
x3 0,5979 0,4582 0,45822 0,2101
x4 0,4582 0,2101 0,59789 0,45822

: 0.4311

=?

Matriz de distancia

BB 1 2 3 4
1 0 2 2 2.83
2 2 0 2.83 2
3 2 2.83 0 2
4 2.83 2 2 0

Matriz de variograma

BB 1 2 3 4
1 0 0.296 0.296 0.413
2 0.296 0 0.413 0.296
3 0.296 0.413 0 0.296
4 0.413 0.296 0.296 0

( ) 4.0207
= = = 0.251
16 16

pg. 8
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

=?

Matriz de distancia

V V X1 X2 X3 X4
X1 0 4 5.66 4
X2 4 0 4 5.66
X3 5.66 4 0 4
X4 4 5.66 4 0

Matriz de variograma

V V X1 X2 X3 X4
X1 0 0.568 0.7583 0.568
X2 0.568 0 0.568 0.7583
X3 0.7583 0.568 0 0.568
X4 0.568 0.7583 0.568 0

( ) 7.5774
= = = 0.4736
16 16
ENTONCES:
0
2 = 2( ) ( ) ( ) +
4
0
2 = 2(0.4311) (0.251) (0.4736) +
4
2 = 0.1376

APLICACIN

Caso II

3 1 3
[ ( ) ( ) ] <
() = { 1 2 2 }
1
= 10
1 = 1
0 = 0

pg. 9
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

SOLUCION:
0
a) 2 = 2( ) ( ) ( ) + 4

: ?

Matriz de distancia

V B 1 2 3 4
x0 1.41 1.41 1.41 1.41
x1 1,41 3,16 3,16 4,24
x2 3,16 4,24 1,41 3,16
x3 4,24 3,16 3,16 1,41
x4 3,16 1,41 4,24 3,16

Matriz de variograma

V B 1 2 3 4
X0 0,2101 0,2101 0,2101 0,2101
x1 0,2101 0,4582 0,45822 0,59789
x2 0,4582 0,5979 0,2101 0,45822
x3 0,5979 0,4582 0,45822 0,2101
x4 0,4582 0,2101 0,59789 0,45822

: 0.3869

=?

Matriz de distancia

BB 1 2 3 4
1 0 2 2 2.83
2 2 0 2.83 2
3 2 2.83 0 2
4 2.83 2 2 0

Matriz de variograma

BB 1 2 3 4
1 0 0.296 0.296 0.413
2 0.296 0 0.413 0.296
3 0.296 0.413 0 0.296
4 0.413 0.296 0.296 0

( ) 4.0207
= = = 0.251
16 16

pg. 10
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

=?

Matriz de distancia

V V X0 X1 X2 X3 X4
X0 0 2.83 2.83 2.83 2.83
X1 2.83 0 4 5.66 4
X2 2.83 4 0 4 5.66
X3 2.83 5.66 4 0 4
X4 2.83 4 5.66 4 0

Matriz de variograma

V V X0 X1 X2 X3 X4
X0 0 0.4132 0.4132 0.4132 0.4132
X1 0.4132 0 0.568 0.7583 0.568
X2 0.4132 0.568 0 0.568 0.7583
X3 0.4132 0.7583 0.568 0 0.568
X4 0.4132 0.568 0.7583 0.568 0

( ) 10.8827
= = = 0.4353
25 25
ENTONCES:
0
2 = 2( ) ( ) ( ) +
4
0
2 = 2(0.3869) (0.251) (0.4353) +
4
2 = 0.0875

KRIGING PUNTUAL

APLICACIN NUMERICA

pg. 11
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

MODELO ESFERICO:

xi Z(xi)
x1 50
x2 52
x3 60
x4 53

3 1 3
[ ( ) ( ) ] <
() = { 1 2 2 }
1
= 10
1 = 1
0 = 0
SOLUCION:

+ 1 = (4) + 1 = 5

SISTEMA DE MATRICES:

1 = 0.27 Comprobar que siempre tiene que ser 1

2 = 0.27
3 = 0.27
xi=1
4 = 0.27

= 0.115

pg. 12
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

ENTONCES:

0 = 1(1 ) + 2(2 ) + 3(3 ) + 4(4 )

0 = 0.27(50) + 0.27(52) + 0.27(60) + 0.27(53)
0 = 58.05

POR LO TANTO:

2 = 1(1) + 2(2) + 3(3) + 4(4) +

2 = 0.27(0.413) + 0.27(0.413) + 0.27(0.413) + 0.27(0.413) 0.115
2 = 0.33

APLICACIN

Caso III

3 1 3
[ ( ) ( ) ] <
() = { 1 2 2 }
1
= 10
1 = 1
0 =

SOLUCION:
0
a) 2 = 2( ) ( ) ( ) + 4

pg. 13
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

: ?

Matriz de distancia

V B 1 2 3 4
x0 1.41 1.41 1.41 1.41
x1 1,41 3,16 3,16 4,24
x2 3,16 4,24 1,41 3,16
x3 4,24 3,16 3,16 1,41
x4 3,16 1,41 4,24 3,16
x5 5.10 5.10 3.16 3.16

Matriz de variograma

V B 1 2 3 4
X0 0,2101 0,2101 0,2101 0,2101
x1 0,2101 0,4582 0,45822 0,59789
x2 0,4582 0,5979 0,2101 0,45822
x3 0,5979 0,4582 0,45822 0,2101
x4 0,4582 0,2101 0,59789 0,45822
x5 0.6987 0.6987 0.4582 0.4582

: 0.419

=?

Matriz de distancia

BB 1 2 3 4
1 0 2 2 2.83
2 2 0 2.83 2
3 2 2.83 0 2
4 2.83 2 2 0

Matriz de variograma

BB 1 2 3 4
1 0 0.296 0.296 0.413
2 0.296 0 0.413 0.296
3 0.296 0.413 0 0.296
4 0.413 0.296 0.296 0

( ) 4.0207
= = = 0.251
16 16

pg. 14
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

=?

Matriz de distancia

V V X0 X1 X2 X3 X4 X5
X0 0 2.83 2.83 2.83 2.83 4
X1 2.83 0 4 5.66 4 6.32
X2 2.83 4 0 4 5.66 2.83
X3 2.83 5.66 4 0 4 2.83
X4 2.83 4 5.66 4 0 6.32
X5 4 6.32 2.83 2.83 6.32 0

Matriz de variograma

V V X0 X1 X2 X3 X4 X5
X0 0 0.4132 0.4132 0.4132 0.4132 0.568
X1 0.4132 0 0.568 0.7583 0.568 0.8220
X2 0.4132 0.568 0 0.568 0.7583 0.4132
X3 0.4132 0.7583 0.568 0 0.568 0.4132
X4 0.4132 0.568 0.7583 0.568 0 0.8220
X5 0.5680 0.8220 0.4132 0.4132 0.8220 0

( ) 16.96
= = = 0.471
36 36
ENTONCES:
0
2 = 2( ) ( ) ( ) +
4
0
2 = 2(0.419) (0.251) (0.471) +
4
2 = 0.116
KRIGING PUNTUAL

APLICACIN NUMERICA

pg. 15
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

MODELO ESFERICO:

xi Z(xi)
X0 58
X1 50
X2 52
X3 60
X4 53
X5 ?

3 1 3
[ ( ) ( ) ] <
() = { 1 2 2 }
1
= 10
1 = 1
0 = 0
SOLUCION:

+ 1 = (5) + 1 = 6

SISTEMA DE MATRICES:

0 = 0.0305 Comprobar que siempre tiene que ser 1

1 = 0.0119
2 = 0.5272
xi=1
3 = 0.5272
4 = 0.0119

= 0.1422

pg. 16
UNIVERSIDAD NACIONAL JORGE BASADRE GRHOMANN KRIGING PUNTUAL

ENTONCES:

0 = 0(0 ) + 1(1 ) + 2(2 ) + 3(3 ) + 4(4 )

0 = 0.0305(58) 0.0119(50) + 0.5272(52) + 0.5272(60) 0.0119(53)
0 = 56.0517

POR LO TANTO:

2 = 0(0) + 1(1) + 2(2) + 3(3) + 4(4) +

2 = 0.0305(0.568) 0.0119(0.822) + 0.5272(0.4132) + 0.5272(0.4132)
0.0119(0.822) + 0.1422
2 = 0.541

pg. 17