Este nombre apareció alrededor de 1960 para

nombrar una técnica creada en Francia por

Matheron a partir de los trabajos de D. G.
Krige quién fue probablemente el primero
que hizo uso de la correlación espacial y del
mejor estimador lineal insesgado en el
campo de la evaluación de yacimientos
minerales.
Kriging es un procedimiento geoestadístico avanzado
que genera una superficie estimada a partir de un
conjunto de puntos dispersados con valores z. A
diferencia de otros métodos de interpolación del
conjunto de herramientas Interpolación, utilizar la
herramienta Kriging de forma efectiva implica una
investigación interactiva del comportamiento espacial
del fenómeno representado por los valores z antes de
seleccionar el mejor método de estimación para
generar la superficie de salida.
Las herramientas de interpolación IDW (distancia inversa
ponderada) y Spline se conocen como métodos determinísticos
de interpolación porque están basados directamente en los
valores medidos o en fórmulas matemáticas específicas que
determinan la suavidad de la superficie resultante.
Kriging es un proceso que tiene varios pasos, entre los que se
incluyen, el análisis estadístico exploratorio de los datos, el
modelado de variogramas, la creación de la superficie y
(opcionalmente) la exploración de la superficie de varianza.
Este método es más adecuado cuando se sabe que hay una influencia
direccional o de la distancia correlacionada espacialmente en los datos.
Se utiliza a menudo en la ciencia del suelo y la geología.
El kriging es un término que ha sido acuñado para designar al "mejor estimador lineal
insesgado" de un punto y al mejor promedio lineal móvil ponderado de un bloque.

El kriging es una técnica de estimación local que ofrece el mejor estimador

lineal insesgado de una característica desconocida que se estudia. La
limitación 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 función aleatoria (la covarianza o el variograma) y
que en general en la práctica es posible inferir a partir de una realización de
la misma.
Planteamiento del problema
general
 Los valores experimentales consisten en un conjunto de valores
discretos Con frecuencia estos valores están
definidos en soportes puntuales o casi puntuales, en otros casos son
los valores medios definidos en los soportes Vi centrados en
los puntos Xi , donde los n soportes pueden ser todos diferentes
 La estimación del valor medio en el dominio de Vi se define
como.
Ecuaciones del kriging ordinario
Generalmente el valor de la media m es desconocido y por lo tanto no se puede utilizar el
kriging simple.

El kriging ordinario establece una condición adicional al sistema de ecuaciones del kriging
simple para filtrar el valor desconocido de la media.

Al igual que antes el estimador propuesto es de la forma

En kriging ordinario el problema de minimización de la varianza del error es distinto al caso de
kriging simple.

El método de estimación de kriging ordinario es el mejor estimador lineal no sesgado.

Es lineal porque el valor estimado es obtenido como un promedio pesado de los datos
disponibles.

Es no sesgado porque la estimación del error medio residual 𝑚𝑅 es cero.

Es el mejor, u óptimo en el sentido de los cuadrados mínimos, porque minimiza la varianza 𝜎𝑅

2 de los errores de estimación del modelo probabilístico:

Este tipo de problema de minimización con restricciones se resuelve utilizando una técnica
denominada multiplicadores de Lagrange

La idea es establecer un sistema de ecuaciones que incluya la restricción sobre los valores ’s
Relación entre el Kriging ordinario y
el kriging simple
Una idea tentadora es estimar el valor promedio utilizando kriging
ordinario y tomar esta valor como el verdadero valor de la media para
usar kriging simple.

Este procedimiento produce como resultado una estimación que es

exactamente igual a la estimación de kriging ordinario.

La demostración de este hecho se conoce como el teorema de adición

Ecuaciones del Kriging ordinario en
forma matricial
 Podemos representar el sistema de ecuaciones del
Kriging en forma matricial como sigue:

donde
 Nótese que bajo la hipótesis intrínseca las covarianzas
pueden ser reemplazados por las semivarianzas, usando
la expresión:

Donde es la varianza total o a priori de la

muestra.
 Entonces sustituyendo la expresión de la covarianza en
función de la semivarianza obtenemos el sistema del
Kriging en función de las semivarianzas:
 Y la varianza de la estimación se calcula como sigue:

Estas últimas expresiones resultan ser la formulación del

Kriging más común puesto que se aplica en el caso
cuando la variable regionalizada cumple la hipótesis
intrínseca la cual es una condición menos exigente que la
estacionaridad de segundo orden.
Clasificación de los diferentes tipos de
Kriging
I) Según la forma del estimador
- Lineales: - No lineales:
Simple Disyuntivo
Ordinario Indicador
Universal Probabilístico
Residual
II) Según el soporte de la medición de los datos
-Puntual
-En bloques
III) Kriging paramétrico y no paramétrico

- Paramétrico: - No paramétrico:

Multigaussiano Simple
Disyuntivo Ordinario
Lognormal Universal
Residual
Indicador
Probabilístico
GRACIAS POR SU ATENCION