5.14 Dificultades y Aspectos Prácticos del Cokriging.

El problema de estimar varias variables corregionalizadas simultáneamente usando el

Cokriging es el enfoque más riguroso y el que se basa en un menor número de hipótesis. Sin
embargo, requiere que se disponga de un número relativamente elevado de puntos muestrales
donde estén medidas todas las variables para una adecuada estimación de los
semivariogramas cruzados. Cuando no se cumple este requisito el Cokriging puede perder su
superioridad sobre otros métodos alternativos.

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.

5.15 Algunos métodos alternativos al Cokriging

A continuación revisaremos algunas técnicas alternativas al Cokriging.

5.15.1 Kriging combinado con Regresión Lineal

Este método fue propuesto por Delhomme(1974,1976) y consiste en establecer un modelo

de regresión lineal entre las variables Z  x  y Y  x  de la manera siguiente:

Z  x   aY  x   b (5.94)

donde a y b son los parámetros de la recta de regresión determinados a partir de l pares de

datos Z  xi  , Y  xi si las variables regionalizadas Z y Y están muestreadas en l puntos
simultáneamente, y además consideremos que Z está muestreada en los l puntos mientras
que Y en m puntos, donde m>l, es decir Y está más densamente muestreada que Z.

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:

Zˆ x j   aY  x j   b, j  l 1,..., m (5.95)

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
i1 
  b ,
2
 
N

 Z
N
donde Y  1 1  aY
Y, 2

N 2
i e i j
N i1 i1

Con los l datos originales de Z se estima el variograma y usando todos los m datos se
realiza mediante Kriging su estimación espacial.

5.15.2 Kriging con una Deriva Externa

Este método fue desarrollado por el grupo de Matheron de la Escuela de Minas de

Fontainebleau y no ha sido muy usado.

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.

Considerando el estimador lineal habitual del Kriging para Z en un punto no muestral xk :

Z *(x )  
N
 Z (x ) (5.98)
k i i
i1
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  jN1
N

j  1

(5.101)
   jY  x j   Y  xk 