Esta clase tiene como objetivo que el estudiante

comprenda como resolver un ejercicio básico de

puntos, aplicando como medio el Kriging Simple
(KS) y tambien el Kringing Ordinario (KO).
Paso 10: Interpolador de para (KO)
Paso 11: Varianza del error para (KO)
EJERCICIO:
 KRIGING EN PRESENCIA DE NO
ESTACIONARIDAD

El mejor predictor sin suponer linealidad es E [Zk / Z1…..Zn] . Para calcularlo es necesario
conocer las distribuciones conjuntas de (n+1) dimensiones lo cual es imposible en la práctica.

Cuando la función aleatoria Z (x) es un proceso Gaussiano el mejor predictor es el estimador

lineal. En lo adelante se impondrá que fue hecha una transformación adecuada que convierte
el problema en datos gaussianos ( con posibles outliers aditivos ), por supuesto, la predicción
se necesita en la escala original y al invertir las transformaciones se deben hacer
correcciones para el sesgo y la varianza. Cuando este tipo de transformación no es obvia han
sido propuesto un número de enfoques como son:
- Disyuntivo (Matheron 1976)

- Multigaussiano (Verly 1983)

- Indicador (Journel 1983)

- Probabilístico (Suliman 1984)

 MODOS HABITUALES DE MANEJAR LA NO ESTACIONARIDAD

Supongamos que exista no estacionaridad en la media

donde m(x)- es una función espacial y se conoce como tendencia o deriva.

 Han sido propuestas dos vías del kriging en presencia de deriva no
constante :

1) Se supone que m(x) puede ser representado como un polinomio de orden finito k .

2) Se postula que una cierta diferencia de orden finito k de la función aleatoria Z (x) es
débilmente estacionaria (o intrínseca de orden k ).

El primer método es conocido como Kriging Universal (Matheron 1969), mientras que
el segundo es el de las Funciones Aleatorias Intrínsecas de orden k (Matheron 1973).
 Aspectos Prácticos del Kriging Universal

En este método deben ser conocidos a priori el orden k del

polinomio que mejor describe o explica la tendencia y la
función de semivarianzas o variograma γ de la función
aleatoria Z (x) sin tendencia.
El kriging universal puede ser expresado de manera muy simple. El problema real es que
cuando existe una sola realización de la función aleatoria no estacionaria Z(x) resulta
imposible estimar el variograma. Lo que uno puede hacer es intentar eliminar la deriva m(x)
y trabajar con los residuos

Los cuales son estacionarios o al menos intrínsecos. Esto significa que la deriva tiene que ser
estimada a partir de los valores muestrales. Aquí comienzan las dificultades.
Se puede ver que en la estimación del variograma es donde está la clave del
problema. No hay solución directa conocida, uno puede solo hacer un
conjunto de suposiciones y tratar de verificarlos mediante el método de
prueba y error, por lo que entonces el Kriging Universal se transforma en un
procedimiento heurístico.
Si el ajuste es razonable (no existen pruebas aún para la bondad de ajuste) la vecindad
tomada, el tipo de deriva y el vario-grama supuestos son correctos. En caso contrario, uno
de los parámetros del procedimiento es cambiado y el proceso comienza otra vez. El
algoritmo es simple, pero desde el punto de vista práctico puede consumir una gran
cantidad de tiempo y no ofrece ninguna garantía de que exista convergencia.
 Funciones Aleatorias Intrínsecas de orden k
El segundo método de kriging en presencia de tendencia es el de las Funciones
Aleatorias Intrínsecas de orden , el cual posee como supuesto un modelo más general
que el primero, pero en la práctica se reduce a adivinar el orden y estimar una función
de covarianzas generalizada a partir de las diferencias de orden . k k k Su utilidad ha
estado limitada debido a :
a) no ha sido posible de forma general estimar la covarianza generalizada de forma no
paramétrica.
b) no es fácil interpretar los parámetros de la covarianza generalizada.
c) el orden k de las diferencias (se toma usualmente 2).
d) los efectos de frontera conducen a una reducción drástica de aquellos puntos que
pueden ser estimados por este método.
 Kriging con mediana suavizada

Parte de la siguiente premisa :

Se puede ajustar con exactitud una superficie a través de los puntos observados, pero hay poco poder predictivo
en este enfoque.
Se quiere extraer la deriva aparente y tratar de modelar el resto mediante estacionaridad débil.
. Para el tipo de aplicaciones en mente, sin embargo, es la variabilidad local la que se desea modelar, interpretar
y en consecuencia explotar con el kriging.
 Kriging Residual

La hipótesis principal del kriging residual

propuesto por Gambolati y Volpi (1978 y 1979)
consiste en considerar conocido el orden de la
deriva o tendencia m(x), la cual se estima
usando mínimos cuadrados ordinarios m* (x), y
a partir de ésta se obtienen los residuos R(x) a
los que se le aplica el kriging ordinario.
 Kriging residual directo

El proceso del kriging residual es internamente

inconsistente ya que el método de los mínimos
cuadrados ordinarios supone que los residuos sean
espacialmente independientes, mientras que la
existencia del semivariograma lo contradice.
 Kriging residual iterativo

El algoritmo es similar al kriging residual directo y fue propuesto por Neuman

y Jacobson (1984). Su principal diferencia radica en que en su primera parte
hace una búsqueda sistemática del modelo de tendencia que produzca
residuos estacionarios, es decir, los puntos 1 al 4 se ejecutan cíclicamente
incrementando el orden del modelo de tendencia hasta que el variograma de
los residuos sea estacionario. Mientras que en su segunda parte se aplica
mínimos cuadrados generalizados usando la matriz de covarianzas de los
residuos ( R C ), en lugar de mínimos cuadrados ordinarios, para la
reestimación del modelo de tendencia (mk)* x con el objetivo de eliminar la
inconsistencia de la estimación del método directo.