3ODQGHNULJLQJ

En general, los problemas de estimacin local no involucran la totalidad del campo y

tampoco utilizan todos los datos disponibles. Se define la YHFLQGDG GH NULJLQJ, como el
dominio del espacio que contiene el sitio a estimar y los datos utilizados en la estimacin.
El usuario puede considerar varias posibilidades.

9HFLQGDG~QLFD

Se habla de vecindad nica cuando se efecta el kriging conservando todos los datos.
En este caso, incluso los datos muy alejados intervendrn en la estimacin. Sin embargo,
salvo excepciones, su influencia ser muy baja (intuitivamente, un sitio alejado no aporta
demasiada informacin al sitio a estimar y se ver afectado por un ponderador de kriging
bajo).

Cuando los datos son muy numerosos, es intil conservarlos todos para una estimacin
local, puesto que se corre el riesgo de aumentar considerablemente los tiempos de clculo.
Por lo tanto, es necesario reducir el tamao de la vecindad de kriging.

9HFLQGDGPyYLO

El kriging se realiza en una vecindad mvil cuando slo utiliza los datos cercanos al
sitio a estimar. Ahora, en general, uno no se limita a una sola estimacin local, sino que
busca estimaciones en los nodos de una grilla regular que cubre la zona estudiada. Falta
definir el tamao y la forma de la vecindad, que se centra en el sitio a estimar y que se
desplaza a travs del campo, a medida que se realiza las estimaciones (de donde viene el
adjetivo PyYLO).

7DPDxRGHODYHFLQGDG

El tamao de la vecindad debe permitir un equilibrio entre varios factores:

precisin de las estimaciones: aumenta cuando la vecindad es ms grande;

tiempos de clculo, confiabilidad del modelo de variograma para grandes distancias,

cambios en la continuidad espacial de la variable regionalizada: debido a todos estos
factores, se tiende a elegir una vecindad de tamao limitado.

Un criterio de decisin son las llamadas tcnicas de YDOLGDFLyQFUX]DGD o MDFNNQLIH que

veremos ms adelante: se prueba varios tamaos de vecindad y se elige aquel que entrega
los resultados ms satisfactorios.

Cabe notar que no hay justificacin particular para limitar el tamao de la vecindad al
alcance del modelo variogrfico, bajo el pretexto que los datos localizados ms all de este

0,$*HRHVWDGtVWLFD 
alcance no tienen correlacin con el sitio a estimar. De hecho, en la mayora de los casos,
estos datos intervienen indirectamente en la estimacin del valor promedio y mejoran la
precisin, a veces de manera no despreciable. El factor a considerar en la eleccin del
tamao de la vecindad es la cantidad de datos disponibles en la vecindad ms que el alcance
del variograma.

)RUPDGHODYHFLQGDG

En la medida de lo posible, la forma de la vecindad debe tomar en cuenta la anisotropa

de la variable regionalizada, revelada por el anlisis variogrfico. As, en el caso de una
anisotropa geomtrica, se considerar una vecindad en forma de elipse (o elipsoide) cuyas
caractersticas orientacin y excentricidad sean idnticas a las de la elipse (elipsoide) de
anisotropa. A menudo, tambin, se divide esta elipse en varios sectores (en general, en
cuadrantes u octantes), en cada uno de los cuales se trata de buscar un nmero fijo de datos,
con el fin de repartir de mejor manera en torno al sitio que se quiere estimar, la informacin
que se va a conservar. La Figura 4 presenta un ejemplo de vecindad mvil en el espacio de
dos dimensiones, en forma de elipse centrada en el sitio a estimar. Los datos retenidos, tres
por cuadrante al mximo, estn indicados.

)LJXUD. vecindad elptica, dividida en cuadrantes

= datos retenidos ; = datos descartados

En caso de anisotropa ms compleja que la anisotropa geomtrica, se suele conservar

una vecindad en forma de elipse o elipsoide, aunque idealmente se debera escoger una
forma ms sofisticada (por ejemplo, una vecindad en forma de banda en caso de anisotropa
zonal pura). Hay que buscar entonces una elipse que se acerca lo mejor posible a las curvas
de isovalores del modelo variogrfico, que indican el nivel de correlacin en funcin de la
distancia geogrfica.

0,$*HRHVWDGtVWLFD 
.ULJLQJGHPHGLDFRQRFLGDNULJLQJVLPSOH

+LSyWHVLV

Se supone que la variable regionalizada ] es la realizacin de una funcin aleatoria =

estacionaria tal que

[ V , ( [ = ([)] = P FRQRFLGD

[, [ + K V , cov[ = ([ + K), = ([)] = & (K)

donde V representa la vecindad de kriging (para un kriging en una vecindad nica, Ves el
campo completo de la variable regionalizada).

'HWHUPLQDFLyQGHOHVWLPDGRU

Examinemos una a una las distintas etapas del kriging.

/LQHDOLGDG se asegura esta restriccin al tomar como estimador en [0

= ([ 0 ) = D + = ( [ )
*

=1

,QVHVJR el valor esperado del error de estimacin es

( [ = ([ 0 ) = ([ 0 )] = D + ( [ = ([ )] ( [ = ([ 0 )] = D + ( 1)P
*

 


= =
=1 =1

Este valor esperado es nulo si:

D = (1 )P
=1

2SWLPDOLGDG debemos calcular la varianza del error de estimacin:

var[ = ([ 0 ) = ([ 0 )] = var{ = ([ ) = ([ 0 )}
*

=1

El trmino constante D no influye en la varianza, por lo cual se omite de la expresin.

Ahora, se tiene la siguiente regla de clculo:

0,$*HRHVWDGtVWLFD 
 var{1=1} = 21 cov{=1 , =1}

var{1=1 + 2 = 2 } = 21 cov{=1 , =1} + 22 cov{= 2 , = 2 } + 21 2 cov{=1 , = 2 }

Generalizando:

var{ = } = cov{= , = }
=1 =1 =1

Aplicando esta frmula, se obtiene:

var[ = * ([0 ) = ([0 )]

= cov{= ([ ), = ([ )} + cov{= ([0 ), = ([0 )} 2 cov{= ([ ), = ([0 )}
=1 =1 =1

= & ([ [ ) + & () 2 & ([ [0 )
=1 =1 =1

donde &(.) es la covarianza de la funcin aleatoria =. El mnimo de esta expresin se

obtiene anulando sus derivadas parciales con respecto a las incgnitas {, = 1... Q}.
Se obtiene finalmente el sistema de ecuaciones:

& ([ [ ) = & ([ [0 ) = 1... Q.
=1

Es un sistema lineal, en el cual el nmero de ecuaciones y de incgnitas es igual a la

cantidad de datos utilizados. En escritura matricial, este sistema es:

& ( [1 [1 )  & ( [1 [ ) 1 & ( [1 [ 0 )

   =  ,
& ([ [ )  & ([ [ ) & ([ [ 0 )
1

lo que permite determinar los ponderadores de kriging {, = 1... Q}.

Es interesante notar que, debido a la condicin de insesgo, el estimador se pone bajo la

forma:

= * ([ 0 ) = = ([ ) + (1 ) P ,
=1 =1

de modo que el valor de la media aparece como si fuera un dato adicional, al cual se asigna
una ponderacin igual al complemento de la ponderacin acumulada de los otros datos.

0,$*HRHVWDGtVWLFD 
Mientras menos ponderacin le damos a los datos (en la prctica, esto ocurre cuando uno se
aleja de estos datos), ms ponderacin recibe la media. El rol de la media es de compensar
la falta de informacin cuando los datos son escasos o alejados. Este kriging que supone
conocida la media fue bautizado NULJLQJVLPSOH.

9DULDQ]DGHNULJLQJ

La varianza mnima del error de estimacin en el sitio [0, llamada YDULDQ]DGHNULJLQJ,

se simplifica de la siguiente forma:

( [0 ) = & ([ [ 0 ) ,

2
2

=1

donde 2 = &() es la varianza DSULRUL de la funcin aleatoria =. Se puede mostrar que la

varianza de kriging simple siempre es menor o igual a la varianza DSULRUL:

2 ([ 0 ) 2 .

.ULJLQJGHPHGLDGHVFRQRFLGDNULJLQJRUGLQDULR

+LSyWHVLV

Se supone ahora que la variable regionalizada es la realizacin de una funcin aleatoria

= estacionaria tal que

[ V , ( [ = ([)] = P GHVFRQRFLGD

[, [ + K V , cov[ = ([ + K), = ([)] = & (K)

donde V representa la vecindad de kriging.

'HWHUPLQDFLyQGHOHVWLPDGRU

Las etapas del kriging dan:

/LQHDOLGDG se asegura esta restriccin al tomar como estimador en [0

= ([ 0 ) = D + = ( [ )
*

=1

0,$*HRHVWDGtVWLFD