4T4T

Teoría del Kriging
CAPÍTULO 2
SESIÓN 1
Aplicación Práctica
Utilizando el software EZKRIGING
CAPÍTULO 2
SESIÓN 2
Observaciones acerca del sistema de kriging
• El sistema y la varianza de kriging toman en cuenta
1) las distancias entre el punto a estimar x0 y los sitios de

observación xα, por medio de los términos C(xα - x0) ó
γ(xα - x0);
2) la configuración geométrica de los puntos de
observación xα, y la posible redundancia de la
información que contienen, por medio de los términos
C(xα - x0) ó γ(xα - x0);
3) la estructura espacial de la regionalización, descrita
por la función de covarianza C o el variograma γ.
• En general, el peso atribuido a un sitio de observación xα

es mayor mientras más cercano sea xα al punto a estimar
x0. Pero fenómenos más complejos pueden perturbar esta
constatación “intuitiva”:
o existencia de un fuerte efecto pepita en el modelo
variográfico, que tiene tendencia a dar el mismo peso a
todos los puntos de observación: como hay ausencia
de estructura espacial, un sitio próximo aporta tanta
información como uno lejano. Vemos por tanto que a la
proximidad geográfica se agrega otro factor: la
regularidad de la variable regionalizada.
o presencia de una anisotropía: existe en este caso

una o varias direcciones en el espacio donde el
fenómeno es menos estructurado, es decir, donde
la correlación es menor. Así, un dato cercano en
esta dirección puede aportar “menos información”
que un dato más alejado en otra, y tener de esta
forma un peso de kriging menor.
o fenómeno de redundancia: cuando varios datos están

“agrupados” y cercanos unos de otros, se vuelven
redundantes; su peso acumulado será casi el mismo
que el que recibiría un solo dato en el lugar del grupo.
En otros términos, el kriging corrige los efectos debidos
a las irregularidades del muestreo y no sobre pondera
los datos agrupados en perjuicio a los datos aislados.
o efecto pantalla: puede ocurrir que un sitio de
observación haga pantalla a otro respecto al punto a
estimar. El punto “cubierto”, aunque cercano al sitio a
estimar, puede tener entonces un peso bajo, incluso
nulo (pantalla total ). La estimación casi ignora el valor
observado en el punto cubierto. Cuando este efecto es
indeseable, se puede atenuarlo introduciendo en el
modelo una constante pepítica. Otra solución consiste
en reagrupar los dos sitios y afectarlos por el mismo
peso, con el costo de una pérdida de precisión.
o efecto pantalla inverso: en kriging ordinario, puede

ocurrir que sitios alejados tengan pesos mayores que
sitios cercanos. La explicación de este fenómeno hace
uso del teorema de aditividad que examinaremos
posteriormente; digamos simplemente que los sitios
alejados son valorados pues participan en la estimación
de la media de la variable, la que interviene
indirectamente en la estimación del valor desconocido.
o efecto de relevo: la presencia de un punto con

información cercano al sitio a estimar permite a
un dato “lejano”, o sea ubicado a una distancia
superior al alcance práctico del modelo
variográfico, tener un peso no despreciable en la
estimación, mientras que en ausencia del punto
próximo, su peso habría sido nulo (kriging
simple) o muy bajo (kriging ordinario).
• Los ponderadores y la varianza de estimación no

dependen de los valores tomados por los datos,
sino solamente de la configuración del kriging y
del modelo variográfico. Se puede por tanto,
conociendo este modelo, prever la precisión de
la estimación a partir de una configuración fija de
los sitios con datos.
Esta propiedad aparece como una limitación de

la geoestadística lineal, como contrapartida a la
simplicidad del modelo; intuitivamente, la
precisión de una estimación es menor en las
zonas más “erráticas” (a menudo, corresponden
a las zonas de altos valores) que en aquellas de
baja variabilidad.
Esta propiedad aparece como una limitación de

la geoestadística lineal, como contrapartida a la
simplicidad del modelo; intuitivamente, la
precisión de una estimación es menor en las
zonas más “erráticas” (a menudo, corresponden
a las zonas de altos valores) que en aquellas de
baja variabilidad.
• La matriz [C(xα – xβ)] o [γ(xα – xβ))] sólo depende

de la posición de los puntos de observación. Por
consiguiente, cuando varias estimaciones
utilizan configuraciones de sitios idénticas, basta
invertir esta matriz una sola vez. Esto ocurre
cuando se trabaja en vecindad única, o en
vecindad móvil con datos ubicados sobre una
grilla regular.
• Multiplicar la función de covarianza o el

variograma por una constante k > 0 no cambia la
estimación: los ponderadores obtenidos son los
mismos. Por el contrario, la varianza de
estimación es modificada y multiplicada por k.
• La mayoría de los modelos variográficos permiten

encontrar ponderadores negativos o mayores a 1,
incluso si existe una condición de que la suma de los
pesos del kriging valga 1 (kriging ordinario). La ventaja
de este proceder es que puede entregar estimaciones
que salgan de los límites dados por los valores
observados, es decir, más grandes que el mayor valor
medido o más bajas que el menor.
Por el contrario, las técnicas de interpolación por

combinaciones lineales ponderadas que imponen pesos
comprendidos entre 0 y 1 entregan estimaciones que
siempre están entre el mínimo y el máximo valor
observado. Ahora bien, en la mayoría de los casos, no hay
razón para que los valores medidos alcancen los valores
extremos potenciales de la zona, por lo que resulta
interesante tener pesos que salgan del intervalo [0,1].
Como contrapartida, en el caso en que la variable es, por

ejemplo, siempre positiva, existe el riesgo de encontrar
estimaciones negativas. Este riesgo es aún más
importante cuando la variable presenta una distribución
fuertemente asimétrica: un peso negativo, incluso si es
bajo, que pondere a un valor alto puede conducir a una
estimación negativa si los otros valores de los datos no
son muy altos.
• Multiplicar la función de covarianza o el

variograma por una constante k > 0 no cambia la
estimación: los ponderadores obtenidos son los
mismos. Por el contrario, la varianza de
estimación es modificada y multiplicada por k.
• La matriz [C(xα – xβ)] o [γ(xα – xβ))] sólo depende

de la posición de los puntos de observación. Por
consiguiente, cuando varias estimaciones
utilizan configuraciones de sitios idénticas, basta
invertir esta matriz una sola vez. Esto ocurre
cuando se trabaja en vecindad única, o en
vecindad móvil con datos ubicados sobre una
grilla regular.
• La mayoría de los modelos variográficos permiten

encontrar ponderadores negativos o mayores a 1, incluso
si existe una condición de que la suma de los pesos del
kriging valga 1 (kriging ordinario). La ventaja de este
proceder es que puede entregar estimaciones que salgan
de los límites dados por los valores observados, es decir,
más grandes que el mayor valor medido o más bajas que
el menor.
Como contrapartida, en el caso en que la variable es, por

ejemplo, siempre positiva, existe el riesgo de encontrar
estimaciones negativas. Este riesgo es aún más
importante cuando la variable presenta una distribución
fuertemente asimétrica: un peso negativo, incluso si es
bajo, que pondere a un valor alto puede conducir a una
estimación negativa si los otros valores de los datos no
son muy altos.
Vecindad de kriging
Elección de la vecindad de kriging
Contrariamente a los problemas globales, los problemas de

estimación local no involucran la totalidad del campo, ni
utilizan, en general, todos los datos disponibles.
Se define la vecindad de kriging, como el dominio del espacio

que contiene el soporte de la magnitud a estimar y los datos
utilizados en la estimación. El usuario puede considerar varias
posibilidades.
• Vecindad única
Se puede decidir efectuar el kriging en un punto o en un

bloque cualquiera, conservando todos los datos. Se habla
entonces, de kriging en una vecindad única.
En este caso, los datos muy alejados podrán intervenir en

la estimación. Sin embargo, su influencia será
posiblemente muy baja (intuitivamente, un sitio alejado no
aporta demasiada información al punto o bloque a estimar,
y se verá afectado por un peso de kriging bajo).
• Vecindad única (continuación)
Un kriging con vecindad única no se adapta bien cuando la

hipótesis estacionaria o intrínseca no se verifica más que
localmente (cuasi estacionariedad).
De igual forma, cuando los datos son muy numerosos, es

inútil conservarlos todos para una estimación local, puesto
que se corre el riesgo de aumentar considerablemente los
tiempos de cálculo. Resulta entonces necesario reducir el
tamaño de la vecindad de kriging.
• Vecindad móvil
El kriging se realiza en vecindad móvil cuando

sólo utiliza los puntos con datos “cercanos” al
sitio a estimar. En general, no nos limitamos a
una sola estimación local, sino que buscamos
estimaciones en los nodos de una grilla regular
que cubre la zona estudiada.
• Vecindad móvil (continuación)
Falta definir el tamaño y la forma de la vecindad,

que se centra en el punto o el bloque a estimar y
que se desplaza a través del campo, a medida
que se realizan las estimaciones (de donde
viene el adjetivo móvil).

• Tamaño de la vecindad
La hipótesis estacionaria o intrínseca debe ser

admisible a la escala de la vecindad escogida.
Además, como veremos en las ecuaciones de
kriging, la covarianza (o el variograma) sólo
interviene para distancias inferiores al diámetro
de la vecindad de donde se toma la información
que sirve a la estimación.
Así, si el modelo variográfico es poco confiable para grandes

distancias, es preferible trabajar con vecindades móviles de
tamaño moderado.
Por otra parte, si se elige una vecindad demasiado pequeña, que
contiene pocos datos, la estimación será poco precisa y sensible
a los valores de estos datos; el mapa de kriging corre el riesgo
presentar artefactos (problemas de “continuidad” cuando se pasa
de un punto a otro y cambian los datos utilizados).

El tamaño de la vecindad debe entonces permitir

un equilibrio entre estos factores: precisión y
continuidad de las estimaciones, tiempos de
cálculo, cuasi estacionariedad y fiabilidad del
variograma).

Veremos posteriormente otro factor, la minimización del

sesgo condicional, que puede intervenir en la elección del
tamaño de la vecindad.
Un criterio objetivo de decisión es el de la validación
cruzada: se evalúan varios tamaños de vecindad y se elige
aquel que entregue los resultados más satisfactorios.

• Forma de la vecindad
La forma de la vecindad debe, en la medida de lo posible,

tomar en cuenta la anisotropía de la variable, revelada por el
análisis variográfico.
Así, en el caso de una anisotropía geométrica, se considerará

una vecindad en forma de elipse (o elipsoide) cuyas
características, orientación y excentricidad, sean idénticas a las
de la elipse (o del elipsoide) de anisotropía.

• Forma de la vecindad
A menudo, no siempre, se divide esta elipse en

varios sectores, en general cuadrantes u octantes,
en cada uno de los cuales se trata de buscar un
número fijo de datos, con el fin de repartir de mejor
manera en torno al punto o al bloque que se quiere
estimar, la información que se va a conservar.
CAPÍTULO 2
SESIÓN 3
Propiedades de kriging
Propiedades del Kriging
• Regularidad del sistema
Se demuestra que si los sitios de observación son todos

distintos y si el modelo de covarianza o de variograma es
válido, el sistema de kriging es regular, es decir, entrega
una solución única. No obstante, puede ocurrir que unos
sitios de observación muy cercanos provocan una
inestabilidad en la inversión de la matriz del primer
miembro del sistema, que presenta entonces, dos líneas
casi iguales.

casi iguales.
• Interpolación exacta
El kriging puntual es un interpolador exacto, es decir, que
la estimación en un sitio de medición vuelve a dar el valor
medido y la varianza de kriging en ese punto es nula.
Basta verificar que, si el punto a estimar x0 es el mismo
donde se midió un dato, el estimador cumple las cuatro
restricciones del kriging; en particular, el error de
estimación asociado es nulo, luego obviamente insesgado
y de varianza mínima (nula).
• Propiedad de aditividad
Supongamos que se desea estimar por kriging el
valor promedio de un bloque a partir de
observaciones puntuales. Una posibilidad es la
de estimar el valor de cada punto del bloque, y
luego calcular la media de todas las
estimaciones puntuales.
Sin embargo, para que la media de estas estimaciones

coincida con el kriging de la media del bloque (que se
puede efectuar directamente), es indispensable tomar los
mismos datos para cada kriging puntual. Esta propiedad
resulta de la linealidad de las ecuaciones de kriging y del
hecho que, utilizando los mismos datos, la matriz en el
primer miembro del sistema es idéntica para todos las
De manera general, la propiedad de aditividad

del kriging consiste en decir que, bajo la
restricción de utilizar los mismos datos para
todas las estimaciones involucradas, el kriging
de toda función lineal L de la variable Z es igual
a la función lineal del kriging de Z, esto es:
L ( Z) = L ( Z )
* *
ξ0
Así, todo kriging no puntual de un valor que
es una función lineal de la variable regionalizada
estudiada z (media sobre un bloque, media
móvil, gradiente…) puede llevarse a
estimaciones puntuales; de aquí el interés del
kriging puntual. Sin embargo, no es posible
deducir la varianza de estimación de L (Z) a
partir de las varianzas de estimación puntuales.
• Propiedad de suavizamiento
El mapa de las estimaciones por kriging es siempre más
suave que el mapa de los valores reales, es decir,
presenta menos fluctuaciones. La búsqueda de una
estimación precisa se acompaña inevitablemente de este
efecto de suavizamiento. Si se desea reproducir la
variabilidad de la regionalización, será necesario recurrir
a técnicas de simulación.
• Regularidad del sistema

casi iguales.
• Interpolación exacta
El kriging puntual es un interpolador exacto, es decir, que
la estimación en un sitio de medición vuelve a dar el valor
medido y la varianza de kriging en ese punto es nula.
Basta verificar que, si el punto a estimar x0 es el mismo
donde se midió un dato, el estimador cumple las cuatro
restricciones del kriging; en particular, el error de
estimación asociado es nulo, luego obviamente insesgado
y de varianza mínima (nula).
• Propiedad de aditividad
• Propiedad de ortogonalidad

Efectos de los parámetros
utilizados en la estimación por
kriging
Los efectos de los parámetros del modelo
Estudiaremos los efectos de los parámetros del modelo en

base a un ejemplo simple. Se trata de 6 sitios, notados A,
B, C, D, E y F, repartidos en el espacio geográfico según la
configuración de la figura. En cada punto, una variable ha
sido medida. Se quiere estimar el valor en un punto no
muestreado, notado “?” en la figura, teniendo en cuenta los
6 valores medidos.
Examinaremos los efectos de los parámetros del

modelo (meseta, alcance, anisotropía, constante de
pepita,...) en los pesos asignados a los sitios, y por
lo tanto, en la estimación propiamente tal, así como
en la desviación estándar de kriging, asociada. En
cuanto no se diga lo contrario, todas las
estimaciones se realizan con kriging ordinario, es
decir, de media desconocida.
Tipo de modelo variográfico

Luego del análisis variográfico, supongamos que
dudamos entre un modelo esférico isótropo y un
modelo gaussiano de igual alcance práctico 1 m y
de meseta idéntica (tomada igual a 1).
Examinemos las repercusiones de esta elección
sobre la estimación del punto “?”.
El modelo esférico tiene por ecuación
3 1 3
 | h | − | h | para 0 ≤ | h | ≤ 1
γ 1 (h) =  2 2
1 para | h | ≥ 1
y el modelo gaussiano de igual alcance:
γ 2 (h) = 1 − exp (− | h | 2 / 3)
La figura muestra que los pesos de kriging y la desviación
estándar de estimación difieren notablemente según el
modelo de variograma.
En el caso del modelo gaussiano, los valores situados cerca

del punto a estimar (C y D especialmente) tienen pesos
positivos bastante mayores que en el caso del modelo
esférico, y la desviación estándar de estimación es menor a la
mitad.
La explicación considera el hecho que el comportamiento

parabólico en el origen del modelo gaussiano y su carácter
infinitamente derivable, representan un fenómeno
extremadamente regular en el espacio, de aquí el aumento en
la importancia de los puntos cercanos en la estimación; la
desviación estándar de kriging es menor, puesto que la
estimación se supone más precisa que en el caso del
esquema esférico, que modela un fenómeno más errático.
Tanto en el caso del modelo esférico como en el del modelo

gaussiano, el punto A, el más alejado, se ve afectado por un
peso negativo.
Se puede ver que con el modelo gaussiano este efecto es

más importante que en el caso esférico.
La explicación está en la estructura muy continua

(infinitamente derivable) del modelo gaussiano.
En efecto, el sitio A está oculto por el sitio B con

respecto al punto a estimar. Podemos imaginar que
si el valor medido en el punto A fuera alto y si el del
punto B, que lo oculta, resultara bajo, un fenómeno
muy regular produciría en el sitio a estimar un valor
todavía más bajo, por esto un peso negativo afecta
al punto más externo A.
Otra curiosidad proviene de los sitios localizados

arriba a la derecha (E y F), para los cuales se
observan diferencias notables entre los dos
modelos. En particular, el sitio E tiene un peso bajo
(o negativo), aunque está ubicado relativamente
cerca del sitio a estimar. Esta constatación muestra
que el comportamiento de los pesos de kriging es a
veces poco intuitivo y difícil de explicar.


Alcance
Supongamos que tenemos tres variogramas
esféricos con la misma meseta unitaria y
con alcances de 0.1, 1.0 y 2.0,
respectivamente:
 3 |h | 1  |h | 3
 −   para 0 ≤ | h | ≤ 0.1
γ 1 (h) =  2 0.1 2  0.1 
1 para | h | ≥ 0.1

3 1 3
 | h | − |h| para 0 ≤ | h | ≤ 1
γ 2 (h) =  2 2
1 para | h | ≥ 1
 3 |h | 1  |h | 3
 −   para 0 ≤ | h | ≤ 2
γ 3 (h) =  2 2 2  2 
1 para | h | ≥ 2

Los resultados de las estimaciones se visualizan en

la figura. En el primer caso, el alcance es muy bajo
(0.1 m) y como la distancia entre cada sitio de
observación es superior a este valor, se obtiene un
resultado idéntico a un efecto pepita puro: cada
observación tiene el mismo peso (16.67%).
En los otros dos casos (alcances de 1 m y 2 m), se

encuentran valores similares para los pesos, sobretodo en los
puntos cercanos al punto a estimar (C, D, E y F); la
explicación considera que, a la escala de trabajo, ambos
modelos esféricos son casi lineales y difieren sólo de un
factor multiplicativo, lo que provoca que los pesos de kriging
no cambien (cf. párrafo siguiente acerca de la influencia de la
meseta).
En cambio, la desviación estándar de kriging depende

fuertemente del alcance: aumenta cuando el alcance
disminuye, siendo el caso extremo representado por el efecto
pepita puro. En efecto, al aumentar el alcance, la correlación
entre los puntos de observación y el punto a estimar aumenta:
los valores observados aportan “mayor información” acerca
del valor desconocido y, en consecuencia, la estimación se
supone más precisa.
En los otros dos casos (alcances de 1 m y 2 m), se

encuentran valores similares para los pesos, sobretodo en los
puntos cercanos al punto a estimar (C, D, E y F); la
explicación considera que, a la escala de trabajo, ambos
modelos esféricos son casi lineales y difieren sólo de un
factor multiplicativo, lo que provoca que los pesos de kriging
no cambien (cf. párrafo siguiente acerca de la influencia de la
meseta).
Meseta
Veamos ahora cómo se traduce en la estimación
del punto “?”, la influencia de la meseta del modelo
variográfico. Los dos esquemas esféricos isótropos
presentados a continuación tienen el mismo
alcance (1 m) y sólo se diferencian por su meseta,
igual a 1 o a 2.
3 1 3
 | h | − | h | para 0 ≤ | h | ≤ 1
γ 1 (h) =  2 2
1 para | h | ≥ 1
 3 1 3
 
2 | h | − | h |  para 0 ≤ | h | ≤ 1
γ 2 (h) =   2 2 
2 para | h | ≥ 1

La figura 5.18 muestra los valores de los pesos de kriging

para los dos modelos probados. En ambos casos, estos
pesos son idénticos, y por consiguiente, el valor estimado
también: en otros términos, multiplicar el variograma por una
constante positiva no cambia la estimación. Por otro lado, la
desviación estándar del kriging ha sido modificada. Se puede
verificar que se multiplicó por cuando la meseta se dobló, es
decir, que la varianza de estimación fue multiplicada por el
mismo factor 2 que la meseta del variograma.
Efecto pepita
Los dos esquemas propuestos a
continuación tienen la misma meseta, igual
a 1, pero uno no tiene constante de pepita y
el otro sí tiene, con un valor de 0.5:
3 1 3
 | h | − | h | para 0 ≤ | h | ≤ 1
γ 1 (h) =  2 2
1 para | h | ≥ 1
0 para | h | = 0

1 1  3 1 3
γ 2 (h) =  +  | h | − | h |  para 0 < | h | ≤ 1
2 2  2 2 
1 para | h | ≥ 1
El efecto pepita modifica a la vez la desviación estándar de

kriging, que aumenta cuando la constante de pepita aumenta,
y la estimación, por intermedio de los ponderadores de
kriging.
En presencia de efecto pepita, la diferencia entre el

ponderador mayor y el menor es menor que en el caso de un
variograma sin efecto pepita. Notaremos también que los
pesos negativos han desaparecido en presencia del efecto
pepita.
Cuando el efecto pepita se vuelve preponderante,

como en el caso límite de un variograma pepítico
puro:
0 si | h | = 0
γ (h) = 
1 sino
deja de existir una estructura espacial entre los
valores observados en los diferentes puntos.
Los pesos atribuidos son todos iguales a 1/n (en

este caso, 16.67%) y la estimación en cualquier
punto del espacio distinto a un punto de medición
se transforma en la media aritmética de los datos
(la estimación de un punto muestreado vuelve a
dar el valor medido, pues el kriging es un
interpolador exacto). La posición de las muestras
es indiferente, sólo cuenta su número.
Efecto hoyo
Examinaremos las repercusiones de introducir un efecto de
hoyo en el modelamiento. Elegimos dos modelos seno
cardinal de alcances prácticos respectivos de 1 y 2, y con la
misma meseta unitaria. Como la mayoría de los modelos de
efecto de hoyo, éstos son modelos seudo-periódicos. El valor
del seudo-período será un parámetro importante para explicar
el signo y la amplitud de los pesos de kriging.
Según el valor del seudo-período, el efecto de hoyo puede

modificar radicalmente los pesos de kriging y conducir a
situaciones curiosas en que sitios cercanos tienen pesos de
kriging muy bajos. El primer ejemplo es particularmente
demostrativo: el sitio D, el más cercano al sitio a estimar, está
afectado por un peso negativo, pues está situado a una
distancia que corresponde a la mínima correlación (alrededor
de 0.2); en cierto sentido, está en oposición de fase con
respecto al sitio a estimar.
En el segundo caso, donde el valor del seudo-período se

dobló, se observa que el punto A, el más alejado, tiene un
ponderador alto, mientras que a B, que hace de pantalla, se le
da un peso negativo. En ambos casos, la desviación estándar
de la estimación es mayor que la obtenida para el esquema
esférico de alcance 1 y meseta unitaria. La razón de esto es
que el modelo seno cardinal crece más rápido que el modelo
esférico hasta sobrepasar la meseta unitaria, por lo que la
estructuración de los datos se deteriora más rápidamente.
Anisotropía
Hasta ahora, hemos supuesto que los esquemas
estudiados eran isótropos, es decir, que las
variaciones del fenómeno estudiado eran idénticas
en todas las direcciones. Ahora, vamos a comparar
los resultados del kriging en el caso isótropo con
los obtenidos en el caso de una anisotropía de
razón 3 y ángulo 45º.
Los pesos de kriging calculados para

puntos situados en la dirección principal de
anisotropía (D1) han aumentado (sitios A, B
y F ), lo que refleja que la correlación en
esta dirección es mayor que en la dirección
ortogonal (sitios C y D).
Tipo de kriging (simple / ordinario)
Todas las pruebas hechas hasta aquí hicieron uso del

kriging ordinario (es decir, el de media desconocida),
pues es raro que se conozca la media de la variable
regionalizada estudiada. Nos proponemos aquí
examinar las diferencias en los ponderadores de
kriging que conlleva el conocimiento de la media.
Se utilizan dos modelos, a saber dos

esquemas esféricos con alcances de 1 y 0.5
respectivamente y con la misma meseta
unitaria. La figura resume los resultados
obtenidos.
Se sabe (teorema de aditividad) que el kriging

ordinario coincide con el kriging simple cuando se
reemplaza la media desconocida por su estimación
óptima. El hecho de reemplazar la media por su
estimación explica que el kriging ordinario da
siempre una varianza de estimación más grande
que el kriging simple.
En el primer caso (alcance igual a 1), el kriging

simple y el ordinario difieren poco. Esto significa
que la información es suficientemente abundante
para que la media, verdadera o estimada, tenga un
peso débil. La pérdida de precisión entre un kriging
simple y uno ordinario es entonces baja.
En el segundo caso, donde el alcance de las observaciones es dos

veces más pequeño, todo ocurre como si la información disponible
estuviera dos veces más lejos del punto a estimar, de donde se produce
una imprecisión mayor en la estimación. El Kriging simple compensa la
pérdida de información acercando la estimación a la media (cuyo peso
crece de -5% a 58%), mientras que el kriging ordinario estima esta
media, y con respecto al kriging simple, reparte su peso (58) entre los
datos a razón de alrededor de un 10% por dato.
Es interesante examinar de manera más detallada los

pesos de kriging simple con alcance de 0.5, los datos E y F,
arriba a la derecha, ubicados a una distancia superior al
alcance con respecto al punto a estimar, tienen pesos
nulos: no ocurre lo mismo con el punto exterior A, el cual,
aunque está más alejado del punto a estimar, tiene un peso
bajo, pero no nulo.
Es un ejemplo del efecto de relevo, debido a la presencia
del sitio B.
CAPÍTULO 2
SESIÓN 4
Algunas aplicaciones prácticas
Software Alpha Rho
www.malfaro.com
Archivo de Compósitos
X Y Z L
23379.206 27543.781 3304.368 1.1
23372.22 27540.137 3310.526 1.51
23351.263 27529.204 3329 1.06
23455.383 27583.133 3335.151 0.824
23451.924 27581.302 3344.353 0.898
23448.465 27579.472 3353.555 0.686
23445.006 27577.641 3362.758 0.574
23431.169 27570.318 3399.567 0.842
23427.71 27568.487 3408.769 0.732
23236.963 27674.003 3377.912 0.454
23245.33 27678.345 3374.574 0.374
23253.696 27682.687 3371.236 0.436
23278.796 27695.715 3361.222 0.572
23287.163 27700.057 3357.884 0.346
23295.529 27704.399 3354.546 0.348
23478.903 27324.362 3319.917 0.954
Recordatorio
No olvidar que el kriging no es otra coas más que
resolver un sistema de ecuaciones lineales.
Para poder realizar un kriging se requiere contar con los

datos (muestras de sondajes), sus respectivas
coordenadas, el variograma de las muestras y definir
alguna estrategia de estimación: número de datos para
estimar un bloque, radios de búsqueda, descretizado de
un bloque, etc.
Recordatorio
Aunque por lo general se utilizará un kriging
ordinario, el kriging simple se utiliza más en
Geoestadística no lineal, se debe decidir con qué
tipo de vecindad de búsqueda se trabajará: Puede
ser una vecindad única, en donde se utiliza la
totalidad de los datos, o bien una vecindad móvil,
en donde se utiliza los datos que “aportan” más
información.
Archivo de Compósitos
X Y Z L
23379.206 27543.781 3304.368 1.1
23372.22 27540.137 3310.526 1.51
23351.263 27529.204 3329 1.06
23455.383 27583.133 3335.151 0.824
23451.924 27581.302 3344.353 0.898
23448.465 27579.472 3353.555 0.686
23445.006 27577.641 3362.758 0.574
23431.169 27570.318 3399.567 0.842
23427.71 27568.487 3408.769 0.732
23236.963 27674.003 3377.912 0.454
23245.33 27678.345 3374.574 0.374
23253.696 27682.687 3371.236 0.436
23278.796 27695.715 3361.222 0.572
23287.163 27700.057 3357.884 0.346
23295.529 27704.399 3354.546 0.348
23478.903 27324.362 3319.917 0.954
Archivo de bloques
X Y Z L
2050 900 472.8 -1
2050 915 472.8 -1
2065 855 472.8 -1
2065 870 472.8 -1
2065 885 472.8 -1
2065 900 472.8 -1
2065 915 472.8 -1
2065 930 472.8 -1
2080 795 472.8 -1
2080 810 472.8 -1
2080 825 472.8 -1
2080 840 472.8 -1
2080 855 472.8 -1
2080 870 472.8 -1
2080 885 472.8 -1
2080 900 472.8 -1
2080 915 472.8 -1
2080 930 472.8 -1
2080 945 472.8 -1
Programa para ajustar variogramas
Variograma experimental
Variograma experimental
Variogramas ajustados
Tipos de Krigeado
Tipos de Krigeado
Tipos de Krigeado
Tipos de Krigeado
Tipos de Krigeado
Tipos de Krigeado
Tipos de Krigeado

4T4T

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

4T4T

Cargado por

Copyright:

Formatos disponibles

Teoría del Kriging

• El sistema y la varianza de kriging toman en cuenta

1) las distancias entre el punto a estimar x0 y los sitios de

• En general, el peso atribuido a un sitio de observación xα

o presencia de una anisotropía: existe en este caso

o fenómeno de redundancia: cuando varios datos están

o efecto pantalla inverso: en kriging ordinario, puede

o efecto de relevo: la presencia de un punto con

• Los ponderadores y la varianza de estimación no

Esta propiedad aparece como una limitación de

Esta propiedad aparece como una limitación de

• La matriz [C(xα – xβ)] o [γ(xα – xβ))] sólo depende

• Multiplicar la función de covarianza o el

• La mayoría de los modelos variográficos permiten

Por el contrario, las técnicas de interpolación por

Como contrapartida, en el caso en que la variable es, por

• Multiplicar la función de covarianza o el

• La matriz [C(xα – xβ)] o [γ(xα – xβ))] sólo depende

• La mayoría de los modelos variográficos permiten

Como contrapartida, en el caso en que la variable es, por

Contrariamente a los problemas globales, los problemas de

Se define la vecindad de kriging, como el dominio del espacio

Se puede decidir efectuar el kriging en un punto o en un

En este caso, los datos muy alejados podrán intervenir en

• Vecindad única (continuación)

Un kriging con vecindad única no se adapta bien cuando la

De igual forma, cuando los datos son muy numerosos, es

El kriging se realiza en vecindad móvil cuando

• Vecindad móvil (continuación)

Falta definir el tamaño y la forma de la vecindad,

• Vecindad móvil (continuación)

La hipótesis estacionaria o intrínseca debe ser

Así, si el modelo variográfico es poco confiable para grandes

• Vecindad móvil (continuación)

El tamaño de la vecindad debe entonces permitir

• Vecindad móvil (continuación)

Veremos posteriormente otro factor, la minimización del

• Vecindad móvil (continuación)

La forma de la vecindad debe, en la medida de lo posible,

Así, en el caso de una anisotropía geométrica, se considerará

• Vecindad móvil (continuación)

A menudo, no siempre, se divide esta elipse en

• Regularidad del sistema

Se demuestra que si los sitios de observación son todos

Se demuestra que si los sitios de observación son todos

Sin embargo, para que la media de estas estimaciones

De manera general, la propiedad de aditividad

• Regularidad del sistema

Supongamos que se desea estimar por kriging el

Estudiaremos los efectos de los parámetros del modelo en

Examinaremos los efectos de los parámetros del

Tipo de modelo variográfico

El modelo esférico tiene por ecuación

y el modelo gaussiano de igual alcance:

En el caso del modelo gaussiano, los valores situados cerca

La explicación considera el hecho que el comportamiento

Tanto en el caso del modelo esférico como en el del modelo

Se puede ver que con el modelo gaussiano este efecto es

La explicación está en la estructura muy continua

En efecto, el sitio A está oculto por el sitio B con

Otra curiosidad proviene de los sitios localizados

Otra curiosidad proviene de los sitios localizados

Otra curiosidad proviene de los sitios localizados

Los resultados de las estimaciones se visualizan en