FACULTAD DE INGENIERIA

ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA DE MINAS

KRIGING ORDINARIO
 CURSO : Geoestadistica

 DOCENTE : Ing. CREIDER PANOV

 ESTUDIANTES :
 Zapata Carrasco Jimmy 122142
 Cuakera Asto Giovanni 122117
 Pimentel Zambrano Pedro 1221
 Lopinta Chaparro Dilmer 132062
 Salas Pampañaupa Alexander 1
 venacio 1

ABANCAY-APURIMAC-PERU
2018
 PRESENTACIÓN
Esta publicación va dirigida a los alumnos de Geoestadística de
Ingeniería de Minas.

Su principal objetivo es proporcionar un material de trabajo que

facilite la dinámica de las clases presenciales y ayude al alumno en
su planificación del estudio.

Se inicia con un breve resumen de los conceptos básicos e

imprescindibles.
Contenido
INTRODUCCIÓN............................................................................................................................ 4
1. FUNDAMENTO TEÓRICO. .................................................................................................. 5
2. TIPOS DE KRIGING. ............................................................................................................. 5
2.1. KRIGING SIMPLE. ........................................................................................................ 5
2.2. KRIGING ORDINARIO. ................................................................................................ 5
2.3. COKRIGING. .................................................................................................................. 5
3. DETERMINACIÓN DEL SEMIVARIOGRAMA. ................................................................ 5
4. KRIGING ORDINARIO (Funciones Cuadráticas). ......................................................... 6
5. KRIGING ORDINARIO (Funciones Cuadráticas). ......................................................... 8
5.1. HIPÓTESIS. .................................................................................................................... 8
5.2. DETERMINACIÓN DEL ESTIMADOR. ...................................................................... 8
5.3. VARIANZA DE KRIGING. ............................................................................................ 9
 INTRODUCCIÓN
El kriging puede ser entendido como una predicción lineal o
u n a f o rma de inferencia bayesiana. Parte del principio: Puntos
próximos en el espacio tienden a tener valores más parecidos que
los pu n to s m á s d istantes. La técnica de kriging asume que los
datos recogidos de una determinada población se encuentran
correlacionados en el espacio. Esto es, si en un vertedero de
residuos tóxicos y peligrosos la concentración de zinc en un punto p
es x, será muy probable que se encuentren resultados muy
próximos a x cuanto más próximos se esté del punto p (principio
de geoestadística). Sin embargo, desde una cierta distancia de p,
ciertamente no se encontrarán valores próximos a x porque la
correlación espacial puede dejar de existir.
Se considera al método de kriging del tipo MELI (Mejor
Estimador Lineal Insesgado) o ELIO (Estimador Lineal Insesgado
Óptimo).
1. FUNDAMENTO TEÓRICO.
El krigeaje o krigeado es un método geoestadístico de estimación de puntos
que utiliza un modelo de variograma para la obtención de datos. Calcula las
leyes que se darán a cada punto de referencias usados en la
valoración. Esta técnica de interpolación se basa en la premisa de que la
variación espacial continúa con el mismo patrón. Fue desarrollada
inicialmente por Danie G. Krige a partir del análisis de regresión entre
muestras y bloques de mena, las cuales fijaron la base de la geoestadística
lineal.
2. TIPOS DE KRIGING.
2.1. KRIGING SIMPLE.
Asume que las medias locales son relativamente constantes y de valor
muy semejante a la media de la población que es conocida. La media de
la población es utilizada para cada estimación local, en conjunto con los
puntos vecinos establecidos como necesarios para la estimación.
2.2. KRIGING ORDINARIO.
Las medias locales no son necesariamente próximas de la media de la
población, usándose apenas los puntos vecinos para la estimación. Es el
método más ampliamente utilizado en los problemas ambientales.
2.3. COKRIGING.
Es una extensión de las situaciones anteriores en las que dos o más
variables tienen una dependencia espacial y esa variable se estima que no
se muestra con la intensidad y variables dependientes.
3. DETERMINACIÓN DEL SEMIVARIOGRAMA.
Tomando como base una simulación de un sistema de dos dimensiones que
contiene un número finito de puntos donde es posible una medición de
cualquier tamaño. Luego de la adquisición de estos datos, se iniciará la
interpolación Kriging buscando alcanzar una mayor resolución. El primer paso
es construir un semivariograma experimental. Para tal, se calcula la
semivariancia de cada punto en relación a los demás y se ve en un gráfico de
la semivariancia por la distancia.
𝑛
1 2
𝑌(ℎ) = ∗ ∑(𝑓𝑖 − 𝑓𝑝 )
2(𝑛)
𝑖=1

A partir de ese gráfico se estima el modelo de variograma que mejor se

aproxima a la curva obtenida. El efecto pepita puede estar presente en el
semivariograma experimental y debe ser considerado. Determinado el modelo
de semivariograma a ser usado, se inicia la fase de cálculos. Siendo el
semivariograma una función que depende de la dirección, es natural que
presente valores diferentes conforme la dirección. Un caso de
semivariograma presente una forma semejante en todas las direcciones del
espacio, va a depender de h.
4. KRIGING ORDINARIO (Funciones Cuadráticas).
Se usa cuando la variable es estacionaria con varianza conocida y media
desconocida. Aunque el proceso es similar al del kriging simple, no podemos
centrar la variable ya que no conocemos “µ”, que es la media de la variable en
la región de estudio; así que es necesario trabajar directamente con la variable
en estudio “Z”. en donde la predicción es:
∗ 𝑛
𝑍
(𝑆𝑜 ) = ∑ λ𝑖 𝑍(𝑆𝑖)
𝑖=1

Al conocer la media es necesario garantizar la propiedad de insesgamiento:

∗ 𝑛

𝐸( 𝑍 (𝑆𝑜 ) −
𝑍(𝑆 ) ) = 𝐸(∑ λ𝑖 𝑍(𝑆 ) − 𝑍(𝑆 ) )
𝑜 𝑖 𝑜
𝑖=1
µ(∑𝑛𝑖=1 λ𝑖 − 1) = 0 → (∑𝑛 λ − 1) = 0
𝑖=1 𝑖
Siempre y cuando:
𝑛

∑ λ𝑖 = 1
𝑖=1

𝐸(𝑍 ∗ ) = 𝑍
De esta formar
𝑛

𝐸 (∑ λ𝑖 𝑍(𝑆𝑖) ) = 𝐸(𝑍) = µ
𝑖=1

Lo cual es equivalente

𝑛 𝑛

∑ λ𝑖 𝐸 (𝑍(𝑆 ) ) = ∑ λ𝑖 µ = µ
𝑖
𝑖=1 𝑖=1

Es indespensable que secumpla la condicion de que:

𝑛

∑ λ𝑖 = 1
𝑖=1

Para obtener un estimador insesgado. Se mantiene igual la segunda

condición que es la de mínima varianza; partamos de la expresión ya
deducida de la varianza
∗ 𝑛 𝑛 𝑛

𝐸( 𝑍 − 𝑍(𝑆𝑜 ) ) ∑ ∑ λ𝑖 λ𝑗 𝐸 (𝑍(𝑆𝑖) 𝑍(𝑆𝑗) ) − 2 ∑ λ𝑖 𝐸(𝑍(𝑆𝑖 ) 𝑍(𝑆𝑜 ) ) ∗ 𝐸(𝑍 2 (𝑆𝑜 ) )

2
(𝑆𝑜 )
𝑖=1 𝑗=1 𝑖=1
Bajo las nuevas condiciones se tiene:
𝐸 (𝑍(𝑆𝑖) 𝑍(𝑆𝑗) ) = 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) + µ2

𝐸(𝑠 2 𝑜 ) = 𝐶𝑂𝑉(0) + µ2 = σ2 + µ2
Sustituyendo en la variable queda.
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
∗
𝐸(
𝑍 𝑍 2
λ λ λ
(𝑆𝑜 ) − (𝑆𝑜 ) ) = ∑ ∑ 𝑖 𝑗 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) − 2 ∑ 𝑖 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) + C(0) +
µ2 (∑ ∑ λ𝑖 λ𝑗 − 2 ∑ λ𝑖 + 1)
𝑖=1 𝑗=1 𝑖=1 𝑖=1 𝑗=1 𝑖=1

Pero

𝑛 𝑛 𝑛 𝑛

(∑ ∑ λ𝑖 λ𝑗 − 2 ∑ λ𝑖 + 1) = (∑ λ𝑖 − 1)2 = 0
𝑖=1 𝑗=1 𝑖=1 𝑖=1

Por la propiedad de insesgamiento.

Asi que la expresión a minimizar es:
𝑛 𝑛 𝑛

∑ ∑ λ𝑖 λ𝑗 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) − 2 ∑ λ𝑖 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) + C(0)

𝑖=1 𝑗=1 𝑖=1

Bajo la restriccion
𝐸(𝑍 ∗ ) = 𝑍

Se utiliza para estos casos el método de los multiplicadores de Lagrange:

𝑛
𝒅φ (λ𝑖 , µ)
= ∑ λ𝑖 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) − 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) − µ
𝒅λ𝑖
𝑖=1
𝑛

∑ λ𝑖 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) − 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) − µ = 0
𝑖=1
𝑛

∑ λ𝑖 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) − µ = −𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 )
𝑖=1
𝑛
𝒅φ (λ𝑖 , µ)
= (∑ λ𝑖 − 1)
𝒅µ
𝑖=1
𝑛

∑ λ𝑖 − 1 = 0
𝑖=1
𝑛

∑ λ𝑖 = 1
𝑖=1

Dando como resultado el sistema de n + 1 ecuaciones del kriging ordinario:

𝑛

∑ λ𝑖 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 ) − µ = −𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑗 )
𝑖=1
𝑛

∑ λ𝑖 = 1
𝑖=1

A partir de las cuales se encuentran los valores de los factores de

ponderación para llevar a cabo la predicción.
Por último, la varianza del error de predicción para este caso es:
 ∗ 𝑛

𝑉𝐴𝑅( 𝑍 (𝑆𝑜 ) −
𝑍(𝑆 ) ) = 𝑉𝐴𝑅(𝑍(𝑆 ) ) − ∑ λ𝑖 𝐶𝑂𝑉(𝑆𝑖 − 𝑆𝑜 ) + µ
𝑜 𝑖
𝑖=1

Que tal como es de esperarse es mayor que la del kriging simple, debido
aldesconocimiento de la media de la variable en estudio.
5. KRIGING ORDINARIO (Funciones Cuadráticas).
5.1. HIPÓTESIS.
Se supone ahora que la variable regionalizada es la realización de una
función aleatoria Z estacionaria tal que:
∀x∈V, E[Z (x)] = m conocida
∀x, x + h∈V, cov[Z (x + h), Z (x)] =C (h)
Donde V representa la vecindad de kriging.
5.2. DETERMINACIÓN DEL ESTIMADOR.
Este es un caso más general, en el cual la varianza no existe y las
condiciones impuestas sobre la variable regionalizada son:
 Linealidad: Se asegura esta restricción al tomar como estimador en x0.
𝑛
∗
𝑍 (𝑋𝑜 ) = 𝑖 + ∑ λ𝑖 𝑍(𝑋𝑖)
𝑖=1

 Insesgo: El valor esperado del error de estimación es:

∗ 𝑛 𝑛

𝐸( 𝑍 (𝑋𝑜 ) −
𝑍(𝑋 ) ) = 𝑖 + ∑ λ𝑖 𝐸(𝑍(𝑋 ) ) − 𝐸(𝑍(𝑋 ) ) = i + (∑ λ𝑖 − 1)𝐸(𝑍(𝑋 ) )
𝑜 𝑖 𝑖 𝑖
𝑖=1 𝑖=1

Como se desconoce el valor de la media m, este valor esperado es

nulo si:
i=0
𝑛

∑ λ𝑖 = 1
𝑖=1

La igualdad sobre la suma de los ponderadores asegura que, en el

caso en que todos los datos son iguales a una misma constante, el
valor estimado restituirá esta constante.
• Optimalidad: Como en el caso del kriging simple, la varianza del
error de estimación es:
∗ 𝑛 𝑛 𝑛

VAR(
𝑍 𝑍 λ λ λ
(𝑋𝑜) − (𝑋𝑜) ) = ∑ ∑ 𝑖 𝑗 𝐶𝑂𝑉(𝑋𝑖 − 𝑋𝑗 ) − 2 ∑ 𝑖 𝐶𝑂𝑉(𝑋𝑖 − 𝑋𝑗 ) + C(0)
𝑖=1 𝑗=1 𝑖=1

Se necesita minimizar esta expresión bajo la condición de insesgo,

que impone que la suma de las incógnitas es igual a 1. Esto se logra
introduciendo una incógnita adicional llamada multiplicador de
Lagrange, que denotaremos como µ. Se escribe:
 𝑛 𝑛 𝑛 𝑛
∗
VAR(
𝑍 𝑍 λ λ λ µ λ
(𝑋𝑜 ) − (𝑋𝑜 ) ) = ∑ ∑ 𝑖 𝑗 𝐶𝑂𝑉(𝑋𝑖 − 𝑋𝑗 ) − 2 ∑ 𝑖 𝐶𝑂𝑉(𝑋𝑖 − 𝑋𝑗 ) + C(0) + 2 (∑ 𝑖 − 1)
𝑖=1 𝑗=1 𝑖=1 𝑖=1

y se minimiza la función de las n+1 variables λ1,... λn, µ. Calculando las

n+1 derivadas parciales de esta función y luego anulándolas, se obtiene el
sistema:
𝒅φ (λ𝑖 ,µ)
= ∑𝑛𝑖=1 λ𝑗 𝐶𝑂𝑉(𝑋𝑖 − 𝑋𝑗 ) + µ = 𝐶𝑂𝑉(𝑋𝑖 − 𝑋𝑗 )…….∀i=1….n
𝒅λ𝑖
𝑛 𝑛
𝒅φ (λ𝑖 , µ)
= (∑ λ𝑖 − 1) entonces ∑ λ𝑖 = 1 (Condición de insesgo )
𝒅µ
𝑖=1 𝑖=1

Este sistema contiene una incógnita y una ecuación más que el

sistema de kriging simple. Se puede escribir en notación matricial:

𝐶𝑂𝑉(𝑋1 − 𝑋1 ) … 𝐶𝑂𝑉(𝑋1 − 𝑋𝑛 ) 1 λ1 𝐶𝑂𝑉(𝑋1 − 𝑋0 )

⋮ ⋮ ⋮ ⋮ ⋮
[ … 1 ] [λ ]=[ ]
𝐶𝑂𝑉(𝑋𝑛 − 𝑋1 ) 𝐶𝑂𝑉(𝑋𝑛 − 𝑋𝑛 ) 𝑛 𝐶𝑂𝑉(𝑋𝑛 − 𝑋0 )
… 0 µ
1 1 1

Este kriging se denomina siendo el variograma una herramienta

equivalente a la covarianza, a partir de la relación γ(h) = C(0) − C(h),
se puede elegir utilizarlo en lugar de la función de covarianza. Las
ecuaciones de kriging pasan a ser:
𝑛

∑ λ𝑗 γ(𝑋𝑖 − 𝑋𝑗 ) − µ = γ(𝑋𝑖 − 𝑋𝑗 ) … … . ∀i = 1 … . n
𝑗=1
𝑛

∑ λ𝑖 = 1
𝑖=1
Esto es:
γ(𝑋1 − 𝑋1 ) … γ(𝑋1 − 𝑋𝑛 ) 1 λ1 𝐶γ(𝑋1 − 𝑋0 )
⋮ ⋮ ⋮ ⋮ ⋮
[ … ] [λ ]=[
γ(𝑋𝑛 − 𝑋1 ) γ(𝑋𝑛 − 𝑋𝑛 ) 1 𝑛 γ(𝑋𝑛 − 𝑋0 ) ]
… 0 µ
1 1 1

5.3. VARIANZA DE KRIGING.

La varianza de kriging ordinario se expresa de la siguiente forma:
 𝑛 𝑛

σ2
𝑘𝑜 = σ − ∑ λ𝑖 COV(𝑋𝑖 − 𝑋𝑜 ) − µ = ∑ λ𝑖 γ(𝑋𝑖 − 𝑋𝑜 ) − µ
2

𝑖=1 𝑖=1

Donde σ2 = C(0) es la varianza a priori de la función aleatoria Z, o

sea, la meseta de su variograma. Ahora, la segunda igualdad muestra
que la varianza de kriging no depende de este valor σ2, por lo cual el
kriging ordinario sigue aplicable incluso cuando el variograma no presenta
meseta (por ejemplo, cuando es un modelo potencia).