Está en la página 1de 30

CAPITULO V

KRIGING

INTRODUCCIN
En un principio el objetivo principal de la geoestadstica fue el de obtener estimaciones de los valores de una variable determinada en lugares sin mediciones. El trmino Kriging fue introducido por Matheron en 1953 en honor D.G. Krige, un ingeniero en minas sudafricano que desarrollo mtodos para estimar las concentraciones de oro y otros metales en las minas

El mtodo Kriging provee una solucin al problema de la estimacin basada en un modelo continuo de variacin espacial estocstica.
Hace el mejor uso del conocimiento existente tomando en cuenta la forma en que la propiedad vara en el espacio a travs del modelo de variograma.

En su forma original una estimacin de Kriging en un lugar es simplemente una combinacin lineal de los datos en la vecindad. Desde entonces el mtodo ha sido modificado para tratar con problemas ms complejos en minera, ingeniera petrolera, control de la contaminacin y salud

El objetivo de Kriging es el de estimar el valor de una variable aleatoria, Z, en uno o ms puntos no muestreados o sobre grandes bloques, a partir de datos ms o menos distribuidos en una plataforma determinada, digamos,

z(x1),z(x2),,z(xn) en x1,x2,,xn.
Los datos pueden estar distribuidos en una, dos o tres dimensiones aunque sus aplicaciones en problemas medioambientales suelen ser bidimensionales.

Generalidades del Kriging


Mtodo estadstico de interpolacin Objetivo: Predecir los valores de la variable de inters en lugares no muestreados Predictor lineal Insesgado Mnima varianza

Generalidades del Kriging


Reporta Mapa de predicciones en todas las ubicaciones de inters s0

Varianza estimada del error de prediccin

Generalidades del Kriging

Generalidades del Kriging

Diferentes tipos de prediccin

Kriging Simple

Kriging Ordinario

Siendo (xi,xj) el valor del variograma entre los puntos i y j,i el peso i, y (xi,x0) el variograma entre el punto i y el punto a interpolar (x0)

Varianza del KO

Kriging residual

Kriging residual

Kriging Indicador

EJEMPLO
Suponga que se tiene una configuracin de datos como la que se presenta en el esquema de abajo. Con base en siete datos observados (valores al lado del signo + por fuera de los crculos numerados de 1 a 7) se quiere predecir un valor de la variable en el punto donde se encuentra el signo de interrogacin, por fuera del circulo con el nmero cero.

428

Asumiendo que la estructura de correlacin espacial entre los datos es estimada por un modelo exponencial

Efecto pepita = cero Meseta 10 Rango 10) o en trminos de la funcin de autocovarianza por : C(h) =10 (exp( 3h/10)), se encuentran las siguientes matrices que permiten encontrar los pesos para la prediccin: