Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La mayoría de los problemas encontrados en la práctica del Cokriging son los mismos que
los encontrados en la práctica del Kriging pero quizás magnificados por el número de
variables incorporadas, por una parte, exigiendo un tiempo de cálculo considerable en la
modelación de los semivariogramas cruzados mediante la modelación y validación de
múltiples semivariogramas y por otra en la estimación de las variables debido al aumento de
la complejidad de los sistemas de ecuaciones a resolver.
Z x aY x b (5.94)
Entonces podemos estimar a Z en los m-l puntos restantes a través de Y usando el modelo
de regresión lineal anteriormente obtenido como sigue:
y las varianzas de los errores de la predicción por regresión están dadas por
Y Y
2
2 1
2 , j l 1,..., m
j
(5.96)
Y Y
j e
N
N
2
i
i1
b ,
2
N
Z
N
donde Y 1 1 aY
Y, 2
N 2
i e i j
N i1 i1
Con los l datos originales de Z se estima el variograma y usando todos los m datos se
realiza mediante Kriging su estimación espacial.
Para su aplicación se requiere que el valor esperado de una variable Z sea una función
lineal conocida dependiente de otra variable Y, como sigue:
E Z x i Y x i c1Y x i c2 (5.97)
donde c1 y c2 son dos constantes, que no se requieren conocer.
Además se necesita que la segunda variable Y haya sido muestreada en un gran número de
puntos y que ofrezca una información bastante buena acerca de la estructura de correlación
de la primera variable Z.
Z *(x )
N
Z (x ) (5.98)
k i i
i1
Si aplicamos las condiciones del Kriging:
sesgo nulo
E Z * x k Z x k Y x k 0 (5.99)
y varianza del error mínima
min E Z * x k Z x k Y x k 0
2
(5.100)
obtenemos:
N ˜ Y x ˜ , i 1,..., N
j ij 1 2 i ik
j 1 jN1
N
j 1
(5.101)
jY x j Y xk