se estima. Su fortaleza estriba en el conocimiento del comportamiento de la variable en el espacio El resultado final del Kriging es un mapa con los valores interpolados de la variable. Establecer los conceptos claros sobre los métodos de interpolación en espacial del Kriging.
Poner en práctica nuestros
conocimientos teóricos para la aplicación de los métodos de interpolación Kriging es un término que ha sido acuñado para designar al “mejor estimador lineal insesgado” de un punto y al mejor promedio lineal móvil ponderado de un bloque. Interpolación exacta Insesgo Precisión Aditividad Suavizamiento Efecto Proporcional Se conoce la media 𝑚 de la variable y el variograma 𝛾(ℎ), el cual presenta una meseta 𝜎 2. El estimador en un sitio 𝑥 del espacio se escribe como
Para determinar el coeficiente 𝑎 y los ponderadores 𝜆𝑖 𝑐𝑜𝑛 𝑖 = 1,
.. , 𝑛, se examinan las condiciones de insesgo y de varianza mínima, obteniéndose.
Donde 𝐶(ℎ) = 𝜎 2 − 𝛾(ℎ) es la función de covarianza asociada al
variograma 𝛾(ℎ). Este sistema de n ecuaciones con n ponderadores desconocidos es el Sistema de Kriging Simple. En el kriging simple la media aparece con un ponderador que es el complemento de la ponderación acumulada de los datos
Mientras más lejos se encuentre el sitio a estimar de
los datos, menores serán sus ponderadores y mayor será la ponderación de la media
La varianza del error o “varianza de kriging” puede
calcularse sin conocer los valores de los datos y está dada por:
Esta varianza es siempre menor o igual a 𝜎 2
En esta variante del kriging, se desconoce la media de la variable. Al examinar las condiciones de insesgo y de varianza mínima se obtiene el Sistema de Kriging Ordinario:
Donde 𝜇 corresponde a un multiplicador de
Lagrange. Además en el estimador del kriging ordinario 𝑎 = 0. Se puede re-escribir este sistema, reemplazando la función de covarianza 𝐶 por el opuesto del variograma (−𝛾), sistema que queda válido aun cuando el variograma no tiene meseta y, por ende, la varianza no está definida. La varianza del error o “varianza de kriging” puede calcularse sin conocer los valores de los datos y está dada por: 𝜎𝐾𝑂 2 (𝑥) = ∑𝜆𝑖𝛾(𝑥𝑖 𝑛 𝑖=1 − 𝑥) − 𝜇
Esta varianza puede ser mayor a 𝜎 2.
Este kriging se sustenta en la hipótesis que la función aleatoria 𝑍(𝑥) ya no es estacionaria y su valor esperado varía en el espacio (deriva), reflejando una tendencia sistemática en la distribución espacial de los valores.
La función aleatoria no estacionaria es modelada
como la suma de dos componentes: una deriva determinista que varía suavemente 𝑚(𝑥) y una componente residual estocástica que varía erráticamente 𝑅(𝑥). Así se tiene que:
. La componente de deriva se modela como una suma ponderada de funciones conocidas 𝑓𝑙(𝑢) y coeficientes desconocidos 𝑎𝑙 𝑐𝑜𝑛 𝑙 = 0, … , 𝐿:
donde, por convención 𝑓0 (𝑥) = 1, para todo 𝑥,
mientras que las otras componentes son monomios de las coordenadas, entregando un modelo de deriva polinomial.
En el caso de kriging universal se tiene que 𝐿 >
0 : el componente de deriva es una función real de 𝑥 y toma valores diferentes como 𝑥 varía. El componente estocástico residual es estacionario con media cero y su variabilidad espacial se caracteriza por el modelo de covarianza:
En presencia de n datos Z(𝑥𝑖 ) 𝑐𝑜𝑛 𝑖 = 1, … , 𝑛 , el estimador
de kriging universal es una combinación lineal de éstos datos
Los ponderadores 𝜆𝑖 vienen dados por un sistema de