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.
 6 791

696 2

5 606
477 1

783
7

4
227 3
428
Asumiendo que la estructura de correlacin espacial entre los datos es
estimada por un modelo exponencial con la siguiente expresin:

C(h) =10 (exp( 3h 10)),

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: