Kriging

Es una técnica de estimación geoestadística, que utiliza una combinación lineal de las muestras
que participan en la estimación del bloque.

Para hacer tal estimación se necesitan los pesos asociada a cada muestra.

Kriging resulta en una estimación óptima e insesgada.

Dentro de la estructura probabilista Kriging intenta:

• Minimizar el error de la varianza

• Sistemáticamente pone la media de la predicción de los errores a cero, por lo que no hay
sobre o bajo estimación.

En algunas oportunidades se pueden utilizar datos extras, que no corresponden al original, pero
que están correlacionados, de tal manera que pueden ayudar a la estimación. Esto se denomina:
Cokriging.

Para desarrollar cokringing, no sólo se necesitan los variogramas de las variables primarias y
secundarias sino también lo que se llama variograma cruzado, entre las dos variables.
Soporte geométrico

Queremos estimar la variable Z(x) del soporte geométrico V, a partir de las muestras Z(xi), por lo
Tanto necesitamos conocer los pesos λi para estimar la variable Zv(xo).

Si aplicamos un Kriging Ordinario bajo la hipótesis de estacionaridad de segundo orden

u auxiliar llamado parámetro de Lagrange

Since there is more than one equation and unknowns, a slack variable, λ, called Lagrange multiplier is added to the equation set.
The Lagrange also helps in minimizing possible estimation error. The final set of equations is as follows:
El error de la estimación viene dado por la varianza de estimación del Kriging

Hay que buscar los valores ’s que minimizan la varianza y que satisfagan que su
suma sea igual a 1, para garantizar la condición de insesgamiento.
 N
Z   i Z ( xi )
*
V
i 1

1
1 ( x1 , x1 )  2 ( x1 , x2 )  ...  N  ( x1 , xN )   
VV  ( x1 , x)dx

1
V V
1 ( x2 , x1 )  2 ( x2 , x2 )  ...  N  ( x2 , xN )     ( x2 , x)dx

...................................................................................
1
1 ( xN , x1 )  2 ( xN , x2 )  ...  N  ( xN , xN )      ( xN , x)dx
VV
1  2  ...  N  1

Sistema lineal de N+1 ecuaciones con N+1 incógnitas.

En que:
V simboliza el bloque, un paralelepípedo de lados lx, ly, lz a estimar.
λi es el peso del dato Zi.
μ es el parámetro de Lagrange.
N es el número de datos en la vecindad del bloque.
γ es el modelo de variograma correspondiente a los datos en estudio (puede ser esférico,
exponencial, cuadrático, gaussiano o cúbico).
xi es la coordenada del dato Zi.
Discretización del bloque.

Si observamos el sistema clásico de krigeado ordinario, se observa que en el segundo miembro

aparecen unas integrales, las cuales se realizan dentro del paralelepípedo V. Estas integrales se
calculan por aproximación al discretizar el bloque V, es decir al dividirlo en (kx, ky, kz) sub
bloques.
Mientras mayor sea la discretización de V , mejor será la aproximación de las integrales del
segundo miembro (sin embargo los cálculos serán más lentos).