Sensibilidad 

del kriging a los 
parámetros de estimación

Fuente: 
• Alumnos de Geoestadística 2‐2015, USACH.
• G. Fuster U.Católica.
Sensibilidad del kriging a los parámetros de 
estimación: Modelo.

Variograma exponencial Variograma esférico

(alcance 5, meseta 1) (alcance 5, meseta 1)

Varianza de kriging: 0.884 Varianza de kriging: 0.706

Los números en el gráfico indican los ponderadores de kriging.
Sensibilidad del kriging a los parámetros de 
estimación: Modelo.

Variograma gaussiano 
(alcance 5, meseta 1)

Varianza de kriging: 0.351
Sensibilidad del kriging a los parámetros de 
estimación: Alcance.

Variograma esférico (alcance  Variograma esférico (alcance 
2.5, meseta 1) 10, meseta 1)

Varianza de kriging: 1.187 Varianza de kriging: 0.321
Ejemplo Aplicación: Efecto del alcance

• Discretización de 2x2
Resultados Generales: Pesos ( )

Alcance 
µ
(m)
50 0.232 0.293 0.468 0.599

70 0.286 0.143 0.571 0.517

90 0.309 0.095 0.596 0.439

110 0.318 0.080 0.602 0.384

130 0.322 0.077 0.608 0.344

Resultados Generales ( Z* y Var (ε))

Alcance 
Variación Z* var(ε)
(m)
50 425.30 1.99
Disminución

70 408.57 1.69

Estándar 90 403.58 1.41

110 401.98 1.21

Aumento

130 401.70 1.07

 Análisis de Resultados

Varianza del 
Variación Ponderadores
error

Muestra + 
Mayor alcance disminuye
cercana

Todas las 
Menor alcance aumenta
muestras
Sensibilidad del kriging a los parámetros de 
estimación: Meseta.

Variograma esférico (alcance  Variograma esférico 
5, meseta 0.5) (alcance 5, meseta 2)

Varianza de kriging: 0.353 Varianza de kriging: 1.413
Análisis realizado para modelo esférico:

1

2

Donde,
C = meseta
a = alcance
• Matemáticamente, es posible demostrar que los pesos
en el Kriging ordinario, se mantienen invariantes frente
a una variación en la meseta del modelo variográfico
(independiente del modelo utilizado).
• Suponiendo un caso de estimación en donde
interactúan sólo 2 muestras ubicadas a una distancia
“h” del punto a estimar, la estimación mediante Kriging
ordinario se ha definido mediante la siguiente matriz:

 ,  , 1 1  ,
 ,  , 1 2  ,
1 1 0 μ 1
• En donde   , representa la función del modelo de 
variograma a utilizar, sea cual sea el modelo, 1 y  2 representan 
los pesos (estimadores) del Kriging y μ es el ponderador de 
Lagrange. Previamente, se sabe que los modelos de variograma
presentan una estructura de la forma “C* , ”, donde “C” 
representa a la meseta  y  , representa la estructura 
matemática típica del modelo.
• La matriz del Kriging se estructura de la siguiente forma:
∗ , ∗ , ∗ ,
1
∗ ,
∗ , ∗ , 2
μ
0
La matriz anterior puede ser factorizada por el 
término “C”, quedando de la siguiente forma:

1
, , ,
1
1 ,
∗ , , 2 ∗
1
μ
1 1
0
 1
, , ,
1
1 ,
2 , , 1
μ
1 1
0
En base a lo anterior es posible observar que “C” se simplifica a
ambos lados de la ecuación, por lo cual, al realizar el desarrollo
de la matriz de Kriging será posible apreciar que los estimadores
del Kriging ( 1 y 2) se mantendrán invariantes frente a un
cambio de los valores de la meseta (varianza), lo anterior se
demostrará experimentalmente.
 Estudio Práctico

Se desea estimar la ley de FeT(%), de un bloque de medidas 200x200 m, el cual se

encuentra influenciado por una malla de sondajes regular tal como se presenta en la
ilustración N°2, para este caso se considera que el bloque será estimado con las 5
muestras más cercanas al punto de estimación, el cual se presenta en el centroide del
bloque, lo anterior se ve representado de la siguiente forma:
• Se realizaron 6 ensayos de estimación mediante
Kriging Ordinario de bloque, en los cuales se
cambió la meseta y mantuvo constante los demás
parámetros.
• Se trabajó en la estimación de un bloque en un
yacimiento de Fe, fijando un alcance de 250 m y
considerando como curva teórica para el
variograma experimental, un modelo esférico (ya
que este llega a la meseta y no al 95% de esta
como los demás modelos). Las leyes que fueron
cambiadas para los 6 ensayos fueron los que
están fuera del alcance, manteniendo las demás
constantes.
 Ensayo 1 Ensayo 2 Ensayo 3 Ensayo 4 Ensayo 5 Ensayo 6
Muestra FeT(%) Muestra FeT(%) Muestra FeT(%) Muestra FeT(%) Muestra FeT(%) Muestra FeT(%)
1 32 1 32 1 32 1 32 1 32 1 32
2 44 2 44 2 44 2 44 2 44 2 44
3 39 3 39 3 39 3 39 3 39 3 39
4 33 4 33 4 33 4 33 4 33 4 33
5 27 5 27 5 27 5 27 5 27 5 27
6 29 6 31 6 45 6 45 6 45 6 27
7 42 7 31 7 35 7 35 7 35 7 30
8 40 8 39 8 41 8 41 8 28 8 35
9 25 9 31 9 44 9 28 9 45 9 32
Varianza 47.8 Varianza 28.9 Varianza 40.2 Varianza 43.8 Varianza 50.5 Varianza 30.4

Modelo Esférico 

∗ ∗ para h<250
(h)=
C para h>250
La tabla siguiente muestra los valores 
obtenidos luego de la estimación de bloque 
realizada:

Ensayo  Alcance (a) Varianza (C) λ1 λ μ z*  ² Ɛ

1 250 47.8 0.6082 0.0980 2.0565 33.4695 8.4887
2 250 28.9 0.6082 0.0979 1.2440 33.4692 5.1291
3 250 40.2 0.6082 0.0979 1.7325 33.4692 7.1432
4 250 43.8 0.6082 0.0979 1.8858 33.4692 7.7751
5 250 50.5 0.6082 0.0979 2.1779 33.4692 8.9796
6 250 30.4 0.6082 0.0979 1.3122 33.4692 5.4105
Gráfica que muestra la relación directamente proporcional
que existe entre el valor de la meseta (Varianza) y el valor de
la varianza del error de estimación.
Gráfico Meseta v/s Varianza del Error
9.40 8.980
9.00
8.489
8.60
Varianza del Error ( ² (Ɛ))

8.20 7.775
7.80
7.40 7.143
7.00
6.60
6.20
5.80
5.40 5.129 5.410
5.00
28 33 38 43 48
Meseta (C)
 Conclusiones
• Demostración experimental que los pesos del kriging
ordinario se mantienen invariantes frente a una variación
en la meseta del modelo variográfico.
• La variación de la meseta influye directamente en la
varianza del error de estimación.
• La estimación de leyes no se ve afectada por una variación
en la meseta, sólo la variabilidad asociada al error de esta
misma.
• Se tendrá mayor confianza en aquellos subdominios del
dominio sometido a análisis que posean una menor
variabilidad en sus datos.
• Los resultados obtenidos son extrapolables a los modelos
variográficos: Gausiano, Exponencial y Lineal.
Sensibilidad del kriging a los
parámetros de estimación: Ef. Pepita.

Variograma esférico (0.7) + efecto  Variograma esférico (0.4) + efecto 

pepita (0.3) pepita (0.6)

Varianza de kriging: 0.876 Varianza de kriging: 1.012
Sensibilidad del kriging a los parámetros de 
estimación: Efecto Pepita.

Efecto pepita puro 
(meseta 1)

Varianza de kriging: 1.167
 Factores: Efecto Pepita.

Presencia de una “Micro‐estructura”
 Factores: Efecto Pepita.

• Soporte de las mediciones: variabilidad de la VR 

aumenta cuando el soporte disminuye.

• Errores de medición: existencia de errores suele

manifestarse con un efecto pepita.

• Errores de localización: existencia de errores de 

localización introduce un efecto pepita.
 Variación del porcentaje de efecto pepita

VARIOGRAMA VARIANDO EL % DEL EFECTO PEPITA
30

25

20
γ(h)

15

10

0
0 20 40 60 80 100 120 140 160
DISTANCIA (m)

0%; (25SPH(100)) 20%; (5+20SPH(100)) 40%; (10+15SPH(100))

60%; (15+10SPH(100)) 80%; (20+5SPH(100)) 100%; 25

La pendiente hacia el eje Y del variograma, va disminuyendo a medida 
que aumenta el porcentaje del efecto pepita
 Tarea
Variacion de la ley con el efecto pepa
0.87

0.86

0.85

0.84
Ley  estimada

0.83

0.82

0.81

0.8

0.79

0.78
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
% del efecto pepa en el variograma

Obtener gráfico de los ponderadores en función del 

porcentaje del efecto pepa.
Conclusiones?