UNIVERSIDAD NACIONAL AUTNOMA DE MXICO

FACULTAD DE INGENIERIA

DIVISION DE INGENIERIA EN CIENCIA DE LA TIERRA

INTRODUCCION AL TRATAMIENTO DE SEALES

METODO DE INTERPOLACIN DE KRIGING

EQUIPO

Aplicar el mtodo de interpolacin de Kriging es introducirse en la disciplina

Geoestadstica cuyos antecedentes se dan en la dcada de los 50, cuando un
puado de ingenieros de minas sudafricanos se enfrent a la necesidad de
estimar de la forma ms ptima, la pureza del oro que se encontraba en
diversas vetas.
En dicho grupo, estaba el Ingeniero D. G. Krige, un pionero en la estadstica
matemtica y, es quien desarrolla un conjunto de tcnicas estadsticas para el
anlisis numrico de las muestras, con lo cual obtendra nuevos puntos, por
medio de la correlacin espacial, esto ayudara a hacer predicciones en la
evaluacin de reservas de las minas de oro en Sudfrica.
Por otra parte, George Matheron desarroll un conjunto terico y, adems toma
la parte de Krige, de tal manera que formaliza el trabajo denominado: La teora
de las variables regionalizadas, a l se debe el trmino Geoestadstica. Y la
define como la aplicacin del formalismo de las funciones aleatorias al
reconocimiento y estimacin de fenmenos naturales (Matheron, 1962)
Geoestadstica es una disciplina perteneciente, podra decirse, a la estadstica
y a la geologa, debido a sus antecedentes; Una herramienta matemtica muy
til con numerosas aplicaciones en Geografa, Geofsica, Hidrogeologa y
Geologa, por mencionar las ms importantes, es necesario decir el impacto
que ha tenido ste mtodo Geoestadstico, pues, ha sido la piedra angular para
el desarrollo de los sistemas de informacin geogrfica (SIG).
En contraposicin con la estadstica convencional, el conjunto de muestras,
cuando se somete a un anlisis y modelacin de la variabilidad de la propiedad
en juego, no se consideran independientes, por el contrario, estn
correlacionados unos con otros. Intuitivamente esto indica que mientras ms
cercanos se localizan las muestras existe una dependencia espacial y mientras
ms separadas hay menos relacin entre estos.
Finalmente, trabajar con la tcnica de interpolacin de Kriging es necesario, a
priori, estudiar el modelo de variograma con ello, se logra obtener el
comportamiento de la variable distribuida en el espacio, luego se integra con
dicha tcnica de interpolacin tan socorrida en ciencias de la tierra.

Para realizar un estudio Geoestadstico, se tienen las siguientes tres etapas:

ETAPA 1

Anlisis exploratorio
de los datos

ETAPA 2

Anlisis
estructural

ETAPA 3

Predicciones

En la E1. En esta fase se estudian los datos muestrales sin tener en cuenta su
distribucin geogrfica. Se aplica Estadstica, se eliminan datos errneos y se
define el tipo de distribucin.
En la E2. Se analiza la continuidad espacial de la variable. Se calcula el
variograma, o cualquier otra funcin que nos explique la variabilidad espacial.
En la E3. En esta etapa se hacen las estimaciones de la variable estudiada en
los puntos no muestrales. La herramienta base para la estimacin del
variograma es el denominado variograma experimental, constituido a partir de
los datos muestrales, debe ajustarse a un modelo que se integre en el
Krigeado.
Deber enfocarse en la etapa dos para realizar el proceso Geoestadstico de un
conjunto de datos muestrales. Ya que, al proceso de estimacin del variograma
se le denomina: Anlisis estructural. Mediante el variograma se resume la
informacin que se puede obtener de una variable en un punto, a partir del
conocimiento de una serie de valores en las proximidades de dicho punto. Ello
permite que el mtodo de Krigeado, como se ver mas adelante, tenga en
cuenta la variabilidad espacial de la propiedad o fenmeno objeto de estudio.
SEMIVARIOGRAMA
Entonces se nombra una variable regionalizada z(x), distribuida en el espacio y
presenta una estructura espacial de correlacin y por tanto, es una funcin
aleatoria.

Sea una funcin aleatoria definida en un espacio de

entonces el vector

aleatorio se caracteriza por su funcin de distribucin de probabilidad n-variada

Lo siguiente es obtener los momentos de la distribucin z(x), el primero

momento es la esperanza matematica, definida:

Es el segundo momento, se considera

Luego se tiene, la covarianza de dos variables aleatorias

El semivariograma se define como:

Considerando una funcin aleatoria estacionaria e invariante respecto a un

vector h, entonces la funcin de distribucin del vector aleatorio

Es idntica a la del vector

para cualquier h

La estacionaridad de la varianza implica que la varianza existe, es finita y no

depende de x, es decir

Bajo la anterior hiptesis el semivariograma es estacionario

Se llega a una relacin directa

Para validar el modelo obtenido del variograma se puede proceder de varias

maneras. Un mtodo que resulta atractivo por su sencillez y eficiencia es el
leave one out, que consiste en sacar un elemento de la muestra y estimar el
valor en ese punto usando Kriging con el modelo del variograma obtenido.

Mtodo de kriging
Los mtodos geoestadsticos de interpolacin conocidos como kriging, intentan
dar la mejor estimacin lineal insesgada de los valores de los puntos, esto es,
elegir el promedio ponderado de los valores de las muestras la cual tenga la
mnima varianza, la limitacin a la clase de estimadores lineales es bastante
natural ya que esto significa que solamente se requiere el conocimiento del
momento de segundo orden de la funcin aleatoria (la covarianza o el
variograma) y que en general en la prctica es posible inferir a partir de una
realizacin de la misma.
Conociendo el variograma y las observaciones originales, se puede conseguir
un conjunto de realizaciones para mostrar el intervalo de valores posibles.
Los algoritmos de regresin lineal por mnimos cuadrados usados por kriging,
son apropiados para los datos que solo tengan en cuenta el atributo continuo
que se desea estimar.
El mtodo de kriging consiste en una familia de algoritmos de regresin
mediante mnimos cuadrados.
De acuerdo a la tendencia de los datos del modelo m(x) se pueden distinguir
tres tipos de modelos de kriging:
a) kriging simple: con media m(x) conocida y contante en toda el rea.

b) Kriging

ordinario:

considera

fluctuaciones

locales

de

la

media

m(x)=constante pero desconocida

c) Kriging universal: media desconocida, se amolda a la tendencia de los
datos y se modela con una combinacin lineal de funciones.
La precisin de los mtodos depende de varios factores.
1. El nmero de muestras y la calidad de los datos en cada punto.
2. La posicin de las muestras en el depsito.
3. La distancia entre las muestras y el punto a ser estimado.

La

continuidad espacial bajo consideracin.

Mtodo de Kriging simple
Si se considera a la media m(x) estacionaria, el estimador se puede considerar
una combinacin lineal de n+1 datos. Por lo que la ecuacin del estimador nos
queda:

Donde:
wi son los pesos asignados a los datos Z(xi)
Z*(x) es el estimador.
Z(xi) es la valor en el punto de observacin xi
m(x) es el valor esperado o media del estimador
m(xi) es el valor esperado o media de los datos observados
n es el numero de observaciones
Debido a que los datos desconocidos Z(x) as como los datos observados Z(x i)
son variables aleatorias, se puede definir el error de la estimacin Z*(x)-Z(x)
como una variable aleatoria. El objetivo de kriging es minimizar la varianza del
error con la restriccin de ser un estimador insesgado con la siguiente formula

Donde:
Z*(x) es el estimador
Z(x) es la variable aleatoria que define el atributo medido

2 es la varianza del error.

Se debe obtener la estimacin de los pesos garantizando la mnima varianza,
esto est dado por la ecuacin:

Donde Z*(x) es el estimador y Z(x) la variable aleatoria.

Sin embargo, la

ecuacin anterior se puede reescribir desarrollando el binomio como:

[1]

Desarrollando cada uno de los elementos de la ecuacin anterior tenemos:

La esperanza de Z*(x) est definida por
E [Z*(x)]=E [

Por lo que la esperanza de (Z*(x)) 2 queda:

[2]

Pero sabemos que

Donde C(

es la covarianza entres dos punto.

Reescribiendo la ecuacin [2] queda:

Ahora para el tercer miembro de la ecuacin [1] la podemos reescribir como

[3]

Pero la esperanza de

Donde C(

es la covarianza entres un punto observado y uno estimado.

Reescribiendo la ecuacin [3] nos queda:

Para el segundo miembro de la ecuacin [1] :

Rescribiendo la ecuacin [1] en funcin de las covarianzas nos queda:

[4]

Donde
i y j son los pesos
C(xi-xj ) es la covarianza entre dos puntos observados
C(xi-xi ) la covarianza del mismo punto
C(xi-x ) a covarianza de un punto observado con un punto estimado.
La minimizacin de la varianza consiste en igualar a cero la primer derivada
con respecto a
queda:

por lo que al derivar la ecuacin [4] con respecto a

nos

Igualando a 0 y separando nos queda

La varianza mnima del error o varianza de kriging simple est definida por la
siguiente ecuacin:

Donde
2 es la covarianza entre un punto observado y un punto estimado
C(xi-x) es la covarianza entre un punto observado y el punto a estimar
i es el peso de cada dato.

El peso asignado a la media sern dados por:

Donde
es el peso asignado a la media
i es el peso de cada uno de los puntos observados.

El sistema de kriging simple se expresa matricialmente donde se tiene la matriz

2
C(ui-uj) que es la matriz de , una matriz de pesos i y la matriz del modelo

C(ui-u).

C 0
C u1 u 2
Cu u
C 0
2
1

C u N u1 C u N u2

C u1 u N
C u 2 u N

C 0

1 C u1 u
Cu u
2
2

N C u N u

Mtodo de kriging ordinario

Cuando la media no es una constante en toda el rea de estudio, el estimador
se convierte en una combinacin lineal de las n variables aleatorias ms la
media local contante.
En el sistema de kriging ordinario, Hay que buscar los valores de peso que
minimizan la varianza y que satisfagan que su suma

sea igual a 1, para

garantizar la condicin de insesgamiento.

El estimador se calcula con la siguiente formula:

Donde:
wi son los pesos asignados a los datos Z(xi)
Z*(x) es el estimador.
Z(xi) es la valor en el punto de observacin xi
m(x) es el valor esperado o media del estimador
n es el numero de observaciones
los i representan los pesos o ponderaciones de los valores originales y se
calculan en funcin de la distancia entre los puntos muestreados y el punto
donde se va a hacer la correspondiente prediccin. La suma de los pesos debe

ser igual a uno para que la esperanza del estimador sea igual a la esperanza
de la variable aleatoria. Esto ltimo se conoce como el requisito de insesgadez.
La estimacin de los pesos se obtiene minimizando
Recordando la ecuacin [4] dentro del mtodo de kriging simple:

Luego se debe minimizar la funcin anterior sujeta a la restriccin

Este problema de minimizacin con restricciones se resuelve mediante el

mtodo de los Multiplicadores de Lagrange. Esto se hace sustituyendo el
segundo elemento de la ecuacin anterior por lo siguiente:

Reesribiendo la ecuacin con el multiplicador de lagrange nos queda:

Donde:
i y j son los pesos
C(xi-xj ) es la covarianza entre dos puntos observados
2 el multiplicador de lagrange
C(xi-x ) a covarianza de un punto observado con un punto estimado.
Una vez ms debe derivar e igualar a cero para los valores extremos de la
funcin

Al despejar

obtenemos el valor de la covarianza entre un punto

observado y un punto estimado por lo que nos queda:

[5]

Donde
es el multiplicador de lagrange
C(xi-x) es la covarianza entre un punto observado y el punto a estimar
C(xi-xj) es la covarianza entre 2 puntos observados
j es el peso de cada dato.

Matricialmente nos queda una matriz de pesos w i multiplicada por una matriz
de varianza C(ui-uj) sumando al parmetro de lagrange

y dando como

resultado la matriz de las estimaciones C(xi-x).

C 0
C u1 u 2
Cu u
C 0
2
1

C u N u2 C u N u2

C u1 u N

C u2 u N

C 0

1

2


N

C u u1
Cu u
2

Cu uN

En este sistema podemos aplicar el variograma para considerar las tendencia

que tienen los datos sustituyendo C(u i-uj) por (ui-uj) y C(xi-xj).por (xi-x)
donde (ui-uj) es la semivarianza para las distancia entre x i y xj y (xi-x) es la
semivarianza ente el punto xi y el punto estimado x.
La ecuacin final matricial nos queda:

0
u1 u2
u u
0
2 1

u N u2 u N u2

u1 u N
u2 u N

0
1

1
1

1
0

1

2


N

u u1
u u
2

u uN

Al expresar la funcin [5] como en funcin a la semivarianza, que proviene del

variograma de los datos, la ecuacin se reescribe de la siguiente forma:

Donde
es el multiplicador de lagrange
(xi-x) es la semivarizan entre un punto observado y el punto a estimar
(xi-xj) es la semivarianza entre 2 puntos observados
j es el peso de cada dato.

La varianza mnima del error para kriging ordinario queda:

Y en funcin del variograma queda:

Mtodo de kriging universal o con modelo de tendencia

En este sistema se modeliza la variacin local de la media como una funcin de
las coordenadas:
L

m u a j f j u
j 0

Donde la variable a es desconocida y f j es una funcin conocida de la cual

mencionaremos ms adelante y L son los trminos usados para ajustar la
media.
La obtencin de los pesos es igual que en el mtodo de kriging ordinario, se
determina minimizando la varianza del error de prediccin con la restriccin de
insesgamiento y se aplica el mtodo de los multiplicadores de Lagrange,
obtenemos los pesos ptimos.
El estimador queda como una combinacin lineal de n variables aleatorias:

Dependiendo del tipo de problema que se investiga se sugiere el uso de alguna

de las funciones terminadas para fj(x) algunos ejemplos son:
a) Tendencia lineal: (k=2); m(x)= m(x,y)=a 0+a1x+a2y
b) Tendencia cuadrtica:( k=5); a0+a1x+a2y+a3x2+a4y2+a5x
Matricialmente lo representamos como
A C 0

B C21

C N1
f 0 u1

f1 u1

f L u1

C12

C 0

C2 N

f 0 u2

f1 u 2

C 0

CN 2

f1 u 2

f L u2

f1 u1

C1N

f 0 u2

f 0 u1

f0 uN
f1 u N

f L uN

f0 uN

f1 u N

f L u1
f L u2


f L uN
0

0


0

1
2

N
0

C10
C
20

CN 0

f0 u

f1 u

f L u

Donde en la matriz A
El recuadro superior contiene la matriz de covarianza entre los puntos
mustrales C(xi-xk), el recuadro inferior contiene las funciones de tendencia.
La matriz B contiene arriba el vector de pesos y abajo el vector de
multiplicadores de lagange y la matriz C formada por la covarianza entre el
estimado y los observados arriba y los valores de la funcin de tendencia para
los datos estimados.

BIBLIOGRAFIA
-

GEOESTADSTICA APLICADA MARTN A. DAZ VIERA Instituto de

Geofsica, UNAM Instituto de Geofsica y Astronoma, CITMA, Cuba

2002
LA REPRESENTACION GRAFICA DE LAS VARIABLES
REGIONALIZADAS. GEOESTADISTICA LINEAL, Francisco Jess Moral

Garca. Universidad de Extremadura, 2003

KRIGING C&PE 940, 19 October 2005 Geoff Bohling Assistant Scientist

Kansas Geological Survey geoff@kgs.ku.edu 864-2093

Kriging: Un Mtodo de Interpolacin sobre Datos Dispersos, resenta
Jorge Zavaleta Snchez, Universidad Nacional Autnoma de Mxico
Laboratorio de Cmputo Cientfico, F. C., 2010

Solution to Ordinary and Universal Kriging Equations Meredith Franklin

February 6, 2014