You are on page 1of 23

Universidad de Chile

Facultad de Ciencias Fsicas y Matemticas


Departamento de Ingeniera de Minas
Xavier Emery, Sebastin Pizarro M
Facultad de Ciencias Fsicas y Matemticas


Departamento de Ingeniera de Minas
Laboratorio ALGES







Cokriging








Xavier Emery, Sebastin Pizarro M



Xavier Emery, Sebastin Pizarro M
0. INTRODUCCIN ................................
1. ESTIMACIN UNIVARIABLE ................................
1.1. PRINCIPIOS DE KRIGING ................................
1.2. DISEO DE VECINDAD ................................
1.3. KRIGING SIMPLE ................................
1.3.1. Hiptesis ................................
1.3.2. Determinacin del estimador
1.3.3. Varianza de kriging ................................
1.4. KRIGING ORDINARIO ................................
1.4.1. Hiptesis ................................
1.4.2. Determinacin del estimador
1.4.3. Varianza de kriging ................................
1.5. OTRAS VARIANTES ................................
1.5.1. Kriging con deriva ................................
1.5.2. Kriging de bloque ................................
2. ESTIMACIN MULTIVARIABLE
2.1. PRINCIPIOS DE COKRIGING ................................
2.2. DISEO DE VECINDAD ................................
2.3. COKRIGING SIMPLE (MEDIAS CONOCIDAS
2.4. COKRIGING ORDINARIO (MEDIAS DESCONOCIDAS
2.5. COKRIGING ORDINARIO (MEDIAS DESCONOCIDAS
2.6. OTRAS VARIANTES ................................
2.6.1. Cokriging mixto ................................
2.6.2. Cokriging con deriva
2.6.3. Cokriging de bloque ................................
2.6.4. Cokriging factorial o anlisis factorial geoestads
2.6.5. Cokriging colocalizado
3. BIBLIOGRAFA ................................

Xavier Emery, Sebastin Pizarro M
NDICE
................................................................................................................................
................................................................................................
..........................................................................................................................
............................................................................................................................
................................................................................................................................
................................................................................................................................
Determinacin del estimador ................................................................................................
................................................................................................
...........................................................................................................................
................................................................................................................................
Determinacin del estimador ................................................................................................
................................................................................................
..............................................................................................................................
................................................................................................
................................................................................................
ABLE ................................................................................................
................................................................................................
..........................................................................................................................
MEDIAS CONOCIDAS) ...............................................................................................
MEDIAS DESCONOCIDAS LIBRES)................................................................
MEDIAS DESCONOCIDAS IGUALES) ................................................................
..............................................................................................................................
.........................................................................................................................
................................................................................................
................................................................................................
Cokriging factorial o anlisis factorial geoestadstico ..............................................................
Cokriging colocalizado ................................................................................................
................................................................................................................................


ALGES
Cokriging
2
.................................. 3
................................................. 4
.......................... 4
............................ 5
................................... 8
..................................... 8
..................................... 8
..................................................... 9
........................... 10
................................... 10
................................... 10
................................................... 12
.............................. 12
..................................................... 12
...................................................... 13
.......................................... 14
.................................................... 14
.......................... 14
............................... 15
............................................ 17
......................................... 19
.............................. 21
......................... 21
................................................. 21
.................................................. 21
.............................. 22
.............................................. 22
................................... 23

Xavier Emery, Sebastin Pizarro M
0. Introduccin
Nos interesamos por mtodos de interpolacin espacial, que permiten estimar una o varias
variables regionalizadas en un sitio dado del espacio,
datos de esta(s) variable(s). En este contexto, se han desarrollado varios interpoladores, los
cuales se pueden subdividir en las siguientes categoras:

1) Interpoladores basados en una
los polgonos (2D) o poliedros (3D) de influencia, conocido tambin como interpolador
del ms cercano vecino, as como los mtodos
del espacio (mtodo de interpolacin lineal o de

2) Interpoladores basados en funciones

3) Interpoladores baricntricos
estimar. Entre ellos, podemos mencionar
la media mvil, o el inverso de la distancia.

Los mtodos antes nombrados poseen la ventaja
los datos cercanos en la construccin del estimador
particular al considerar solamente la configuracin geomtrica de los datos y sitio a estimar
e ignorar la continuidad espacial de la variable
precisin de la estimacin, por ejemplo midiendo la dispersin de
cometerse, al no plantearse en un contexto probabilstico.

El estimador de (co)kriging permite superar estas limitantes
de funcin aleatoria para describir la(s) variable(s) regionalizada(s) en estudio
de la familia de interpoladores baricntricos
segn sus distancias al sitio a estimar, las redundancias entre datos
agrupamientos en el espacio, y








Xavier Emery, Sebastin Pizarro M
Nos interesamos por mtodos de interpolacin espacial, que permiten estimar una o varias
en un sitio dado del espacio, a partir de un conjunto limi
datos de esta(s) variable(s). En este contexto, se han desarrollado varios interpoladores, los
cuales se pueden subdividir en las siguientes categoras:
basados en una particin del espacio. Entre ellos, destacan el mtodo de
los polgonos (2D) o poliedros (3D) de influencia, conocido tambin como interpolador
del ms cercano vecino, as como los mtodos construidos en base a una triangulacin
del espacio (mtodo de interpolacin lineal o de Akima, entre otros).
basados en funciones, tales como splines o superficies de tendencia.
baricntricos, que consisten en ponderar los datos vecinos del sitio a
estimar. Entre ellos, podemos mencionar el interpolador de los k-ms cercanos vecinos,
el inverso de la distancia.
Los mtodos antes nombrados poseen la ventaja de ser fciles de ejecutar y
los datos cercanos en la construccin del estimador. Sin embargo poseen limitantes
particular al considerar solamente la configuracin geomtrica de los datos y sitio a estimar
la continuidad espacial de la variable regionalizada. Tampoco permiten conocer la
precisin de la estimacin, por ejemplo midiendo la dispersin del error que es susceptible
cometerse, al no plantearse en un contexto probabilstico.
kriging permite superar estas limitantes, basndose en
de funcin aleatoria para describir la(s) variable(s) regionalizada(s) en estudio
interpoladores baricntricos. La ponderacin de los datos se determina
distancias al sitio a estimar, las redundancias entre datos causadas por
y la estructura de correlacin espacial de la funcin aleatoria
ALGES
Cokriging
3
Nos interesamos por mtodos de interpolacin espacial, que permiten estimar una o varias
a partir de un conjunto limitado de
datos de esta(s) variable(s). En este contexto, se han desarrollado varios interpoladores, los
. Entre ellos, destacan el mtodo de
los polgonos (2D) o poliedros (3D) de influencia, conocido tambin como interpolador
una triangulacin
, tales como splines o superficies de tendencia.
, que consisten en ponderar los datos vecinos del sitio a
ms cercanos vecinos,
fciles de ejecutar y privilegian
. Sin embargo poseen limitantes, en
particular al considerar solamente la configuracin geomtrica de los datos y sitio a estimar
permiten conocer la
l error que es susceptible
, basndose en un modelo
de funcin aleatoria para describir la(s) variable(s) regionalizada(s) en estudio. Forma parte
e determina
causadas por posibles
funcin aleatoria.

Xavier Emery, Sebastin Pizarro M
1. Estimacin univariable
1.1. Principios de kriging
Sea z la variable regionalizada en estudio
1... n} los sitios con datos y x
0
de kriging se obtiene al plantear tres restricciones:

1. Restriccin de linealidad
La primera restriccin consiste en escribir el estimador
una combinacin lineal ponderada de los datos:


Luego, el problema de la interpolacin
y el coeficiente a.

Esta restriccin se debe a la decisi
distribuciones de probabilidad (
aleatoria. La construccin de estimadores
lineales de los datos, requerira
momentos, lo cual se puede realizar con

2. Restriccin de insesgo
En el modelo probabilstico, el error cometido debe tener una esperanza nula:

Luego el estimador no tiende a sobreestimar o
Se puede interpretar esta restriccin, reemplazando la esperanza matemtica por una media
en el espacio: si se calcula sobre numerosas configuraciones de kriging idnticas, la
de los errores de estimacin cometidos se acerca a cero
que los errores sean bajos, sino sol



Xavier Emery, Sebastin Pizarro M
Estimacin univariable
Principios de kriging
la variable regionalizada en estudio, Z la funcin aleatoria correspondiente,
0
el sitio en el cual se busca estimar el valor de Z
de kriging se obtiene al plantear tres restricciones:
Restriccin de linealidad
La primera restriccin consiste en escribir el estimador, denotado Z
*
(x
0
) en adelante,
una combinacin lineal ponderada de los datos:

=

+ =
n
Z a Z
1
0
*
) ( ) ( x x
, el problema de la interpolacin queda en encontrar los ponderadores {
se debe a la decisin de considerar solamente los primeros momentos de las
probabilidad (media y funcin de covarianza / variograma) de la funcin
estimadores ms sofisticados, que no sean combinaciones
a especificar la funcin aleatoria ms all de sus dos primeros
se puede realizar con mtodos de geoestadstica no lineal.
Restriccin de insesgo
En el modelo probabilstico, el error cometido debe tener una esperanza nula:
E[Z
*
(x
0
) Z(x
0
)] = 0

Luego el estimador no tiende a sobreestimar o subestimar el valor real desconocido.
Se puede interpretar esta restriccin, reemplazando la esperanza matemtica por una media
si se calcula sobre numerosas configuraciones de kriging idnticas, la
cometidos se acerca a cero. La ausencia de sesgo no
que los errores sean bajos, sino solamente que su media global es aproximadamente
ALGES
Cokriging
4
la funcin aleatoria correspondiente, {x

: =
Z. El sistema
) en adelante, como
{

, = 1... n}
los primeros momentos de las
de la funcin
que no sean combinaciones
s dos primeros


subestimar el valor real desconocido.
Se puede interpretar esta restriccin, reemplazando la esperanza matemtica por una media
si se calcula sobre numerosas configuraciones de kriging idnticas, la media
de sesgo no garantiza
media global es aproximadamente nula.

Xavier Emery, Sebastin Pizarro M

3. Restriccin de optimalidad
Se busca minimizar la varianza del error cometido (
la dispersin de dicho error:

minimizar
Si se calculara sobre numerosas
de los errores de estimacin cometidos
equivale a la minimizacin del

1.2. Diseo de vecindad
Una vez planteada la metodologa a utilizar se debe considerar con qu
estimacin. Para ello se utiliza el concepto de
del espacio que contiene el sitio a estimar y los datos utilizados en la estimacin
puede considerar varias posibilidades

La vecindad puede abarcar todos los datos
ellos (vecindad mvil). Con un diseo apropiado, l
semejantes a la vecindad nica y ahorra tiempo de clculo que
en utilizar todos los datos, aun los datos muy lejanos del sitio a estimar

A la vecindad mvil se le debe atribuir

1. Tamao de la vecindad
El tamao de la vecindad debe permitir un equilibrio entre varios factores:
Precisin de las estimaciones: aumenta cuando la vecindad
Tiempos de clculo, poca
grandes, cambios en la continuidad espacial de la variable regionalizada: debido a estos
factores, se tiende a elegir una vecindad de
nmero de datos vecinos seleccionados





Xavier Emery, Sebastin Pizarro M
Restriccin de optimalidad
Se busca minimizar la varianza del error cometido (llamada varianza de krigi
minimizar
K
2
(x
0
) = var[Z
*
(x
0
) Z(x
0
)]

sobre numerosas configuraciones de kriging idnticas, la varianza estadstica
cometidos sera la ms baja posible. Este criterio de precisin
equivale a la minimizacin del error cuadrtico promedio.
Diseo de vecindad
Una vez planteada la metodologa a utilizar se debe considerar con qu datos se realizar la
tiliza el concepto de vecindad de kriging que se refiere
del espacio que contiene el sitio a estimar y los datos utilizados en la estimacin
puede considerar varias posibilidades.
todos los datos disponibles (vecindad nica) o slo una par
Con un diseo apropiado, la vecindad mvil obtiene resultados
semejantes a la vecindad nica y ahorra tiempo de clculo que sta gasta innecesariamente
, aun los datos muy lejanos del sitio a estimar.
A la vecindad mvil se le debe atribuir una forma y un tamao.
Tamao de la vecindad
de la vecindad debe permitir un equilibrio entre varios factores:
de las estimaciones: aumenta cuando la vecindad contiene ms datos
poca confiabilidad del modelo de variograma para distancias
cambios en la continuidad espacial de la variable regionalizada: debido a estos
factores, se tiende a elegir una vecindad de tamao limitado, luego a restringir el
s vecinos seleccionados.
ALGES
Cokriging
5
varianza de kriging), que mide
configuraciones de kriging idnticas, la varianza estadstica
criterio de precisin
datos se realizar la
que se refiere al dominio
del espacio que contiene el sitio a estimar y los datos utilizados en la estimacin. El usuario
lo una parte de
obtiene resultados
sta gasta innecesariamente
contiene ms datos;
confiabilidad del modelo de variograma para distancias
cambios en la continuidad espacial de la variable regionalizada: debido a estos
, luego a restringir el

Xavier Emery, Sebastin Pizarro M

Cabe notar que no hay justificacin
alcance del modelo variogrfico
alcance no tienen correlacin con
casos, estos datos intervienen indirectamente en la
precisin, a veces de manera no despreciable. El factor a considerar en la
tamao de la vecindad es la cantidad de datos disponibles en la vecindad
alcance del variograma.

2. Forma de la vecindad
En la medida de lo posible, la forma de la vecindad debe tomar en cuenta la
la funcin aleatoria, revelada por el
geomtrica, se considerar una vecindad en forma de elipse
caractersticas orientacin y excentricidad
anisotropa. A menudo, tambin
cuadrantes en 2D u octantes en 3D
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 1 presenta un ejemplo de vecindad
forma de elipse centrada en el sitio a estimar. L
mximo, estn indicados.
Figura 1, Ejemplo de


Xavier Emery, Sebastin Pizarro M
justificacin particular para limitar el tamao de la vecindad al
variogrfico, bajo el pretexto que los datos localizados m
con valor en el sitio a estimar. De hecho, en la mayora
casos, estos datos intervienen indirectamente en la estimacin de la media y mejoran la
, a veces de manera no despreciable. El factor a considerar en la eleccin
antidad de datos disponibles en la vecindad, ms

En la medida de lo posible, la forma de la vecindad debe tomar en cuenta la anisotropa
, revelada por el anlisis variogrfico. As, en el caso de una
una vecindad en forma de elipse (2D) o elipsoide (
y excentricidad sean idnticas a las de la elipse (elipsoide) de
tambin, se divide esta vecindad en varios sectores (en general, en
en 3D), en cada uno de los cuales se trata de buscar un
con el fin de repartir de mejor manera en torno al sitio que se quiere estimar,
acin que se va a conservar.
presenta un ejemplo de vecindad mvil en el espacio de dos dimensiones, en
entrada en el sitio a estimar. Los datos retenidos, tres por cuadr


, Ejemplo de vecindad mvil en dos dimensiones (4 cuadrantes).
ALGES
Cokriging
6
de la vecindad al
s all de este
mayora de los
y mejoran la
eleccin del
ms que el
anisotropa de
, en el caso de una anisotropa
(3D) cuyas
a las de la elipse (elipsoide) de
en varios sectores (en general, en
), en cada uno de los cuales se trata de buscar un nmero
con el fin de repartir de mejor manera en torno al sitio que se quiere estimar,
dos dimensiones, en
por cuadrante al


Xavier Emery, Sebastin Pizarro M

Por otro lado, la figura 2 muestra un ejemplo de vecindad mvil en el espacio de tres
dimensiones, en forma de elipsoide centrado en el sitio a estimar

Figura 2, Ejemplo

En caso de anisotropa ms compleja que la
vecindad en forma de elipse o elipsoide, aunque idealmente se
ms sofisticada (por ejemplo, una vecindad en forma
pura). Hay que buscar entonces una elipse que se acerc
isovalores del mapa variogrfico
direccin y distancia geogrfica

3. Otras restricciones
Se puede agregar restricciones adicionales en la seleccin de datos vecinos, tales como: una
distancia mnima entre dos datos seleccionados,
sin dato, una distancia mxima sin ningn dato

4. Validacin
Para validar los parmetros de la vecindad (tamao, forma, nmero de datos), se puede usar
las llamadas tcnicas de validacin cruzada
opciones de vecindad y se elige aquel

Xavier Emery, Sebastin Pizarro M
a figura 2 muestra un ejemplo de vecindad mvil en el espacio de tres
dimensiones, en forma de elipsoide centrado en el sitio a estimar, y su divisin en octantes


, Ejemplo de vecindad mvil en tres dimensiones (8 octantes).
compleja que la anisotropa geomtrica, se suele conservar
vecindad en forma de elipse o elipsoide, aunque idealmente se debera escoger una
sofisticada (por ejemplo, una vecindad en forma de banda en caso de anisotropa
pura). Hay que buscar entonces una elipse que se acerca lo mejor posible a las curvas
variogrfico, que indican el nivel de correlacin en funcin
geogrfica.
Se puede agregar restricciones adicionales en la seleccin de datos vecinos, tales como: una
datos seleccionados, un nmero mximo de sectores angulares
distancia mxima sin ningn dato, un nmero mnimo de datos seleccionados
Para validar los parmetros de la vecindad (tamao, forma, nmero de datos), se puede usar
validacin cruzada o de jack-knife: se pone a prueba
de vecindad y se elige aquella que entrega los resultados ms satisfactorios.
ALGES
Cokriging
7
a figura 2 muestra un ejemplo de vecindad mvil en el espacio de tres
, y su divisin en octantes.
, se suele conservar una
escoger una forma
de banda en caso de anisotropa zonal
a lo mejor posible a las curvas de
funcin de la
Se puede agregar restricciones adicionales en la seleccin de datos vecinos, tales como: una
un nmero mximo de sectores angulares
, un nmero mnimo de datos seleccionados.
Para validar los parmetros de la vecindad (tamao, forma, nmero de datos), se puede usar
rueba varias
que entrega los resultados ms satisfactorios.

Xavier Emery, Sebastin Pizarro M

1.3. Kriging simple
1.3.1. Hiptesis
Se supone que la variable regionalizada
cual se conoce la media y la funcin de covarianza.
estacionario, suponiendo entonces que la media es constante en el espacio y que la
covarianza entre dos datos slo depende del vector de separacin entre estos datos. En
adelante, denotaremos m como la media y

1.3.2. Determinacin del estimador
Para ello se revisar una a una las distintas condiciones del kriging:

1. Linealidad: Se asegura esta restriccin al tomar como estimador en
2. Insesgo: El valor esperado del error de estimacin es:
Z E ) ( [
0
*
x

Este valor es nulo si:

En consecuencia, el estimador se pone bajo la forma

Z

Xavier Emery, Sebastin Pizarro M
Kriging simple
Se supone que la variable regionalizada z es la realizacin de una funcin aleatoria
funcin de covarianza. Por lo general, se trabaja en un marco
estacionario, suponiendo entonces que la media es constante en el espacio y que la
covarianza entre dos datos slo depende del vector de separacin entre estos datos. En
como la media y C(h) como la funcin de covarianza.
Determinacin del estimador
Para ello se revisar una a una las distintas condiciones del kriging:
: Se asegura esta restriccin al tomar como estimador en x
0

=

+ =
n
Z a Z
1
0
*
) ( ) ( x x


El valor esperado del error de estimacin es:

m a
Z E Z E a Z
n
n
] 1 [
] ) ( [ ] ) ( [ ] ) (
1
0
1
0
+ =
+ =

=

x x x

m a
n
] 1 [
1

=
En consecuencia, el estimador se pone bajo la forma
m Z Z
n n
] 1 [ ) ( ) (
1 1
0
*

=

=

+ = x x

ALGES
Cokriging
8
aleatoria Z de la
general, se trabaja en un marco
estacionario, suponiendo entonces que la media es constante en el espacio y que la
covarianza entre dos datos slo depende del vector de separacin entre estos datos. En
) como la funcin de covarianza.

Xavier Emery, Sebastin Pizarro M
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. Mientras menos ponderacin
uno se aleja de estos datos), m
compensar la falta de informacin cuando los datos son escasos o alejados.

3. Optimalidad: Ahora se debe calcular la varianza del error de estimacin
puede expresar en funcin de la covarianza, de la siguiente manera

Z Z
0 0
*
)] ( ) ( var[ x x

El mnimo de esta expresin se obtiene anulando sus derivadas parciales con respecto a
las incgnitas {, = 1...


Es un sistema lineal en el cual el nmero de ecuaciones es igual a la cantidad de
incgnitas. En escritura matricial, este sistema es:

\
|

(
(
1
x
x
n
C
C
M
lo que permite determinar los ponderadores de kriging
coeficiente aditivo a por medio de la condicin de insesgo

1.3.3. Varianza de kriging
La varianza del error de estimacin en el sitio
expresa de la siguiente forma:


Xavier Emery, Sebastin Pizarro M
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
Mientras menos ponderacin se da a los datos (en la prctica, esto ocurre cuando
aleja de estos datos), ms ponderacin recibe la media. El rol de la media es
la falta de informacin cuando los datos son escasos o alejados.
Ahora se debe calcular la varianza del error de estimacin, la cual se
expresar en funcin de la covarianza, de la siguiente manera:

=

= =

+ =
n n n
C C
1 1 1
2
( 2 ) ( )] x x x x
El mnimo de esta expresin se obtiene anulando sus derivadas parciales con respecto a
1... n}. Se obtiene finalmente el sistema de ecuaciones:
) ( ) ( , ... 1
0
1
x x x x = =

=

C C n
n


Es un sistema lineal en el cual el nmero de ecuaciones es igual a la cantidad de
. En escritura matricial, este sistema es:
|
|
|

\
|

=
|
|
|

\
|

|
|
|

) (
) (
) ( )
) ( )
0
0 1 1
1
1 1
x x
x x
x x x
x x x
n n n n
n
C
C
C
C
M M
L
M
L


o que permite determinar los ponderadores de kriging {, = 1... n}, luego el
por medio de la condicin de insesgo.
Varianza de kriging
La varianza del error de estimacin en el sitio x
0
, llamada varianza de kriging simple
de la siguiente forma:

=

=
n
KS
C
1
0
2
0
2
) ( ) ( x x x
ALGES
Cokriging
9
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
e da a los datos (en la prctica, esto ocurre cuando
rol de la media es
la falta de informacin cuando los datos son escasos o alejados.
, la cual se
0
) x
El mnimo de esta expresin se obtiene anulando sus derivadas parciales con respecto a
}. Se obtiene finalmente el sistema de ecuaciones:
Es un sistema lineal en el cual el nmero de ecuaciones es igual a la cantidad de
, luego el
g simple, se

Xavier Emery, Sebastin Pizarro M

donde
2
= C(0) es la varianza
varianza de kriging simple es menor o igual a la varianza a priori:


1.4. Kriging ordinario
1.4.1. Hiptesis
Se supone ahora que la variable regionalizada z es
Z estacionaria, de la cual no se conoce la media
covarianza C(h) o el variograma
permite generalizar el estimador a situacio
constante en el espacio: la media puede variar de una regin a otra del espacio, siempre que
sea aproximadamente constante en cada vecindad de kriging.

1.4.2. Determinacin del estimador
Las etapas del kriging dan:

1. Linealidad: Se asegura esta restriccin al tomar como estimador en
2. Insesgo: El valor esperado del error de estimacin es:
Z E ( [
0
*
x

Como se desconoce el valor de la media


Xavier Emery, Sebastin Pizarro M
es la varianza a priori de la funcin aleatoria Z. Se puede mostrar que la
varianza de kriging simple es menor o igual a la varianza a priori:
2
0
2
) ( x
KS

Kriging ordinario
que la variable regionalizada z es una realizacin de una funcin aleatoria
se conoce la media m, sino que solamente la funcin de
) o el variograma (h). El considerar el valor de la media como desconocido
permite generalizar el estimador a situaciones donde esta media no es rigurosamente
constante en el espacio: la media puede variar de una regin a otra del espacio, siempre que
sea aproximadamente constante en cada vecindad de kriging.
Determinacin del estimador
: Se asegura esta restriccin al tomar como estimador en x
0

=

+ =
n
Z a Z
1
0
*
) ( ) ( x x


El valor esperado del error de estimacin es:
m a
Z E Z E a Z
n
n
] 1 [
] ) ( [ ] ) ( [ ] ) ( )
1
0
1
0 0
+ =
+ =

=

x x x

Como se desconoce el valor de la media m, este valor esperado es nulo si:
1 0
1
= =

=

n
y a
ALGES
Cokriging
10
. Se puede mostrar que la
realizacin de una funcin aleatoria
la funcin de
El considerar el valor de la media como desconocido
rigurosamente
constante en el espacio: la media puede variar de una regin a otra del espacio, siempre que


Xavier Emery, Sebastin Pizarro M
La igualdad sobre la suma de los ponderadores asegura que, en el
datos fueran iguales a una misma constan

3. Optimalidad: como en el caso del kriging simple, la varianza del error de

Z Z
0
*
( ) ( var[ x x

Se necesita minimizar esta expresin
suma de las incgnitas es igual a 1. Esto se logra introduciendo una incgnita adicional
llamada multiplicador de Lagrange

)] ( ) ( var[
2
0 0
*
= Z Z x x

y se minimiza la funcin de las
parciales de esta funcin y luego anulndolas, se obtiene el sistema:

=
=
1
1
n
n

Este sistema contiene una incgnita y una ecuacin ms que el de kriging simple. Se
puede escribir en notacin matricial:

\
|

1
(
(
1
x
x
n
C
C
M

En trminos de variograma, se tiene equivalentemente el siguiente sistema:

Xavier Emery, Sebastin Pizarro M

La igualdad sobre la suma de los ponderadores asegura que, en el caso en que todos los
iguales a una misma constante, el valor estimado restituira esta constante.
como en el caso del kriging simple, la varianza del error de e

=

= =

+ =
n n n
C C
1 1 1
2
0
( 2 ) ( )] x x x x
Se necesita minimizar esta expresin bajo la condicin de insesgo, que impone que la
suma de las incgnitas es igual a 1. Esto se logra introduciendo una incgnita adicional
multiplicador de Lagrange, el cual se denotar como . Se escribe:
) ( 2 ) (
1
0
1 1
+ +

=

= =

n n n
C C x x x x
se minimiza la funcin de las n+1 incgnitas
1
, ...
n
, . Calculando las derivadas
parciales de esta funcin y luego anulndolas, se obtiene el sistema:
=
= = +


1
... 1 ) ( ) (
0
n C C x x x x

Este sistema contiene una incgnita y una ecuacin ms que el de kriging simple. Se
puede escribir en notacin matricial:
|
|
|
|
|

\
|

=
|
|
|
|
|

\
|

|
|
|
|
|

|


1
) (
) (
0 1
1 ) ( )
1 ) ( )
0
0 1 1
1
1 1
x x
x x
x x x
x x x
n n n n
n
C
C
C
C
M M
L
L
M M
L

En trminos de variograma, se tiene equivalentemente el siguiente sistema:
ALGES
Cokriging
11
aso en que todos los
esta constante.
estimacin es:

0
) x
, que impone que la
suma de las incgnitas es igual a 1. Esto se logra introduciendo una incgnita adicional
, el cual se denotar como . Se escribe:
] 1 [ 2
1
+

=

n

Calculando las derivadas
Este sistema contiene una incgnita y una ecuacin ms que el de kriging simple. Se

En trminos de variograma, se tiene equivalentemente el siguiente sistema:

Xavier Emery, Sebastin Pizarro M

\
|


1
(
(
1
x
x
n
M

1.4.3. Varianza de kriging
La varianza del error de estimacin en el sitio
expresa de la siguiente forma:

KO
2
donde
2
= C(0) es la varianza
siempre, la varianza de kriging


Una propiedad notable del kriging ordinario es que las ecuaciones anteriores expresadas en
trminos de variograma, siguen vlidas aun cuando este variograma no tiene meseta: en
este caso, la varianza a priori es infinita y la funcin de covarianza no existe.

1.5. Otras variantes
Podemos mencionar las siguientes variantes del kriging:

1.5.1. Kriging con deriva
La media de la funcin aleatoria
(deriva) en la distribucin espacial de los valores
kriging universal, donde la deriva es una funcin polinomial de las coordenadas
kriging trigonomtrico, donde la deriva es una combinacin de funciones coseno

Xavier Emery, Sebastin Pizarro M
|
|
|
|
|

\
|


=
|
|
|
|
|

\
|

|
|
|
|
|

|


1
) (
) (
0 1
1 ) ( )
1 ) ( )
0
0 1 1
1
1 1
x x
x x
x x x
x x x
n n n n
n
M M
L
L
M M
L

Varianza de kriging
La varianza del error de estimacin en el sitio x
0
, llamada varianza de kriging
siguiente forma:
=
=


=

=

n
n
KO
C
1
0
1
0
2
0
) (
) ( ) (
x x
x x x


es la varianza a priori de la funcin aleatoria Z. En general, pero no
la varianza de kriging ordinario es menor o igual a la varianza a priori:
en general,
2
0
2
) ( x
KO

propiedad notable del kriging ordinario es que las ecuaciones anteriores expresadas en
trminos de variograma, siguen vlidas aun cuando este variograma no tiene meseta: en
este caso, la varianza a priori es infinita y la funcin de covarianza no existe.
Otras variantes
Podemos mencionar las siguientes variantes del kriging:
Kriging con deriva
La media de la funcin aleatoria Z vara en el espacio, reflejando una tendencia sistemtica
) en la distribucin espacial de los valores. Se tiene los siguientes casos particulares:
kriging universal, donde la deriva es una funcin polinomial de las coordenadas
kriging trigonomtrico, donde la deriva es una combinacin de funciones coseno
ALGES
Cokriging
12

g ordinario, se
. En general, pero no
es menor o igual a la varianza a priori:
propiedad notable del kriging ordinario es que las ecuaciones anteriores expresadas en
trminos de variograma, siguen vlidas aun cuando este variograma no tiene meseta: en

vara en el espacio, reflejando una tendencia sistemtica
ntes casos particulares:
kriging universal, donde la deriva es una funcin polinomial de las coordenadas
kriging trigonomtrico, donde la deriva es una combinacin de funciones coseno

Xavier Emery, Sebastin Pizarro M
kriging con deriva externa, donde la deriva es proporcional a una vari
exhaustivamente conocida.

1.5.2. Kriging de bloque
Permite estimar directamente el valor promedio de la variable sobre un soporte mayor que
el soporte de los datos (bloque
explotacin minera o unidades de remedi
sentido fsico, es necesario que la variable estudiada sea aditiva.
El plantear las tres etapas del kriging conduce al sistema de kriging de bloques, que slo
difiere del sistema puntual en el miembro de la derecha
ordinario, se tendr el siguiente sistema

=
=

1
1
n
n
con

= v) , (x

donde {u
1
, u
M
} son puntos que discretizan el bloque de inters.



Xavier Emery, Sebastin Pizarro M
kriging con deriva externa, donde la deriva es proporcional a una variable externa
exhaustivamente conocida.
Kriging de bloque
Permite estimar directamente el valor promedio de la variable sobre un soporte mayor que
el soporte de los datos (bloque v de volumen |v|), por ejemplo, unidades selectivas de
unidades de remediacin ambiental. Para que los clculos tengan un
sentido fsico, es necesario que la variable estudiada sea aditiva.
El plantear las tres etapas del kriging conduce al sistema de kriging de bloques, que slo
n el miembro de la derecha. Por ejemplo, en el caso del kriging
ordinario, se tendr el siguiente sistema:
=
= =


1
... 1 ) , ( ) ( n v x x x

=

=
M
m
m
v
M
d
v
1
) (
1
) (
| |
1
u x x x x
} son puntos que discretizan el bloque de inters.

ALGES
Cokriging
13
able externa
Permite estimar directamente el valor promedio de la variable sobre un soporte mayor que
unidades selectivas de
Para que los clculos tengan un
El plantear las tres etapas del kriging conduce al sistema de kriging de bloques, que slo
. Por ejemplo, en el caso del kriging

Xavier Emery, Sebastin Pizarro M
2. Estimacin multivariable
2.1. Principios de cokriging
El cokriging busca realizar la estimacin local conjunta de varias variables
tomando en cuenta su continuidad espacial y las relaciones de
modeladas a travs de sus variogramas directos
Esta tcnica generaliza el kriging: se construye el estimador como una combinacin lineal
ponderada de los datos disponibles, sin sesgo y con varianza de error mnima.
cuando la variable de inters (
variables correlacionadas con ella

2.2. Diseo de vecindad
La seleccin de datos relevantes para realizar estimaciones es ms compleja que en el caso
univariable. Por ejemplo, los datos asociados a la
datos colocalizados de una covariable. Por el contrario, los datos de una covariable pueden
complementar a los datos de la variable primaria, luego proporcionar informacin t
mejorar la estimacin local.
Investigaciones recientes han mostrado que el diseo
debera tomar en consideracin el tipo de muestreo multivariable
corregionalizacin. A modo de ejemplos, se
Si las variables son independientes o es
no aportan informacin y el mejor diseo es la
Si las variables estn en correlacin intrnseca
proporcionales entre s) y el
informacin. En cambio, en caso de que
aportan informacin en los sitios donde no se tiene
En este caso, se debera utilizar
datos secundarios colocalizados con datos primarios.

A raz de lo anterior, se puede considerar varias estrategias de bsqueda de d
multivariable. Las ms comunes consisten en b
sitio o bloque a estimar, sin importar a qu variables corresponden
para los datos de la variable primaria (a estimar) y otra
ventaja de esta ltima estrategia es el desacoplamiento de la bsqueda segn la naturaleza
de la variable, pero tiene el inconveniente de que se
ecuaciones de cokriging tantas veces como hay variables a estimar.
estrategia (bsqueda de puntos con datos) permite estimar todas las variables por cokriging
en forma simultnea.


Xavier Emery, Sebastin Pizarro M
Estimacin multivariable
Principios de cokriging
El cokriging busca realizar la estimacin local conjunta de varias variables regionalizadas
su continuidad espacial y las relaciones de dependencias entre variables,
modeladas a travs de sus variogramas directos y cruzados (modelo de corregionalizacin)
Esta tcnica generaliza el kriging: se construye el estimador como una combinacin lineal
ponderada de los datos disponibles, sin sesgo y con varianza de error mnima.
(variable primaria) est sub-muestreada con respecto a
variables correlacionadas con ella (covariables o variables secundarias).
Diseo de vecindad
La seleccin de datos relevantes para realizar estimaciones es ms compleja que en el caso
Por ejemplo, los datos asociados a la variable primaria pueden apantallar a los
datos colocalizados de una covariable. Por el contrario, los datos de una covariable pueden
complementar a los datos de la variable primaria, luego proporcionar informacin t
Investigaciones recientes han mostrado que el diseo ptimo de la vecindad de cokriging
debera tomar en consideracin el tipo de muestreo multivariable as como el modelo de
A modo de ejemplos, se tienen los siguientes casos particulares
independientes o espacialmente no correlacionadas, las
y el mejor diseo es la vecindad univariable.
en correlacin intrnseca (sus variogramas directos y cruzados son
el muestreo es homotpico, las covariables tampoco
En cambio, en caso de que el muestreo sea heterotpico, las covariables
aportan informacin en los sitios donde no se tiene informacin de la variable primaria.
En este caso, se debera utilizar una vecindad dislocada, que descarta solamente
datos secundarios colocalizados con datos primarios.
A raz de lo anterior, se puede considerar varias estrategias de bsqueda de datos en el caso
multivariable. Las ms comunes consisten en buscar los puntos con datos ms cercanos
, sin importar a qu variables corresponden, o realizar una bsqueda
para los datos de la variable primaria (a estimar) y otra bsqueda para las covariables. La
ventaja de esta ltima estrategia es el desacoplamiento de la bsqueda segn la naturaleza
de la variable, pero tiene el inconveniente de que se debe realizar la bsqueda y resolver las
ecuaciones de cokriging tantas veces como hay variables a estimar. En cambio, la primera
estrategia (bsqueda de puntos con datos) permite estimar todas las variables por cokriging
ALGES
Cokriging
14
regionalizadas,
entre variables,
y cruzados (modelo de corregionalizacin).
Esta tcnica generaliza el kriging: se construye el estimador como una combinacin lineal
ponderada de los datos disponibles, sin sesgo y con varianza de error mnima. Es ventajosa
con respecto a otras
La seleccin de datos relevantes para realizar estimaciones es ms compleja que en el caso
pueden apantallar a los
datos colocalizados de una covariable. Por el contrario, los datos de una covariable pueden
complementar a los datos de la variable primaria, luego proporcionar informacin til para
de la vecindad de cokriging
el modelo de
tienen los siguientes casos particulares:
las covariables
iogramas directos y cruzados son
tampoco aportan
las covariables
macin de la variable primaria.
solamente los
atos en el caso
datos ms cercanos del
, o realizar una bsqueda
bsqueda para las covariables. La
ventaja de esta ltima estrategia es el desacoplamiento de la bsqueda segn la naturaleza
realizar la bsqueda y resolver las
En cambio, la primera
estrategia (bsqueda de puntos con datos) permite estimar todas las variables por cokriging

Xavier Emery, Sebastin Pizarro M
2.3. Cokriging simple
Consideremos un conjunto de variables regionalizadas, modeladas por funciones aleatorias
Z
1
, Z
N
conjuntamente estacionarias, de medias {
cruzadas {C
ij
(h): i, j = 1 N} conocidas.
en el sitio x
0
del espacio.

El estimador de cokriging se plantea como una combinacin lineal de los datos disponibles
en la vecindad de x
0
, o sea:

Z

donde x

i
representa al -simo
la vecindad de cokriging. El coeficiente
1... n
i
} son las incgnitas del problema

Se exige que el error de estimacin tenga

i i
0 0
Z Z E
0
*
( ) ( [ x

lo que conduce a la siguiente condicin:

=
i
0
a

Finalmente, se busca que la varianza d
expresa en funcin de las covarianzas simples y cruzad


Xavier Emery, Sebastin Pizarro M
Cokriging simple (medias conocidas)
Consideremos un conjunto de variables regionalizadas, modeladas por funciones aleatorias
conjuntamente estacionarias, de medias {m
i
: i = 1 N} y covarianzas directas y
} conocidas. Supongamos que se quiera estimar la variable
se plantea como una combinacin lineal de los datos disponibles

= =

+ =
N
i
n
i
i i i i
i
Z a Z
1 1
, , 0
*
1
) ( ) (
0 0
x x ,
simo punto con dato de la i-sima variable (Z
i
) ubicado dentro de
l coeficiente aditivo a y los ponderadores {
,i,i
0
, i
} son las incgnitas del problema de cokriging.
Se exige que el error de estimacin tenga una esperanza nula:

= =

= =

+ + =
+ =
N
i i
i
n
i i i i
n
i i i
N
i
n
i
i i i i
0
i
0 0
0
i
0 0 0
i
0 0
m m a
Z E Z E a
1 1
, ,
1
, ,
0 1
1 1
, , 0
] [ ] 1 [
] ) ( [ ] ) ( [ ] ) ( x x x
lo que conduce a la siguiente condicin:

= =

=
N
i i
i
n
i i i i
n
i i
0
i
0 0
0
i
0 0
m m
1 1
, ,
1
, ,
] [ ] 1 [ .
se busca que la varianza del error de estimacin sea mnima. Esta varianza se
expresa en funcin de las covarianzas simples y cruzadas:
ALGES
Cokriging
15
Consideremos un conjunto de variables regionalizadas, modeladas por funciones aleatorias
} y covarianzas directas y
quiera estimar la variable Z
i
0

se plantea como una combinacin lineal de los datos disponibles
) ubicado dentro de
= 1... N, =
]

Esta varianza se

Xavier Emery, Sebastin Pizarro M
) ( [ var
0
*
x
0 0
i i
Z Z

La minimizacin conduce al siguiente sistema de ecuaciones lineales
ejemplo, por pivote de Gauss)

N
j
n
ij i j
C
j
0
(
1 1
, ,

= =


La varianza del error de estimacin (

Z CKS
i
2
0

Cabe sealar que es posible estimar todas las variables en forma simultnea
los mismos datos para todas las estimaciones
que todas las variables estn muestreadas en los mismos sitios (

i 1 {

y denotemos:
Z el vector N 1 cuyo trmino genrico es
m el vector N 1 cuyo trmino genrico
C(x

) la matriz N

la matriz N N cuyo trmino genrico es



Entonces, el estimador de cokriging

=
0
*
) (x Z


Xavier Emery, Sebastin Pizarro M
) ( ) ( 2
) ( )] (
1 1
0 , ,
1 1 1 1
, , , , 0
0 x x
x x x
0 0
i
0 0
i
j
0 0 0
i i
N
i
n
i
ii i i
N
i
N
j
n
n
j i
ij i j i i
C C
C
+
=

= =

= = = =

La minimizacin conduce al siguiente sistema de ecuaciones lineales, cuya resolucin
ejemplo, por pivote de Gauss) entrega los ponderadores de cokriging:
i
i
ii
j i
n N i C
0
... 1 , ... 1 ) ( ) (
0
= = =

x x x x
La varianza del error de estimacin (varianza de cokriging simple) vale:

= =

=
N
i
n
i
ii
i
i i
i
C C
1 1
0 0
) ( ) ( ) (
0 0 0
0
x x 0 x .
es posible estimar todas las variables en forma simultnea si se consideran
todas las estimaciones. Para simplificar las notaciones, supongamos
las variables estn muestreadas en los mismos sitios (muestreo homotpico
n n N
i
= }, ,... 1 y

= x x
i i
n
,
}, ,... 1 {
cuyo trmino genrico es Z
i

cuyo trmino genrico es m
i

N N cuyo trmino genrico es C
ij
(x

)
cuyo trmino genrico es
,i,j
(ponderadores de cokriging)
el estimador de cokriging simple se escribe como

=

+ =
n

1
) (x Z con

=
n
T
1
m m
ALGES
Cokriging
16
)

cuya resolucin (por

si se consideran
Para simplificar las notaciones, supongamos
muestreo homotpico):
(ponderadores de cokriging)

Xavier Emery, Sebastin Pizarro M
en donde los ponderadores son soluciones del siguiente sistema matricial:

\
|

(
(
1
1 1
x x C
x x C
n
M

Por consiguiente, basta con invertir una sola matriz para obtener la estimacin de
variables en el sitio x
0
. Sin embargo, se debe observar el importante tamao de la matriz a
invertir (en comparacin con el caso univariable). Por ejemplo, este tamao se multiplica
por dos cuando se mide dos variables en los mismos sitios.
aumentan rpidamente al aumentar el nmero de variables.

Se tiene tambin la siguiente matriz de varianza
trminos diagonales corresponden a las varianzas de error, para cada variable, mientras que
los trminos no diagonales indican cun relacionados estn los errores asociados a variables
distintas):

CKS


En el caso de un muestreo heterotpico, es decir, cuando no existe informacin de algunas
variables en algunos puntos con datos, se adapta las ecuacion
removiendo las filas y columnas de
faltantes.

Todas las ecuaciones anteriores pueden extenderse a modelos no estacionarios, donde las
medias de las variables no son constantes en el espacio o donde las covarianzas directas y
cruzadas no slo dependen del vector de separacin
absolutas de los datos. Sin embargo,
medias y las covarianzas son perfectamente conocidas en todos los puntos del espacio.

2.4. Cokriging ordinario
Se plantean las mismas hiptesis que en el cokriging simple, salvo que ahora se
las medias m
1
,... m
N
son desconocid
aplicacin de las etapas de linealidad, insesgo
de ecuaciones:

Xavier Emery, Sebastin Pizarro M
donde los ponderadores son soluciones del siguiente sistema matricial:
|
|
|

\
|

=
|
|
|

\
|
|
|
|

) (
) (
) ( )
) ( )
0
0 1 1
1
1 1
x x C
x x C
x x C
x x C
n n n n
n
M M
L
M O
L



, basta con invertir una sola matriz para obtener la estimacin de
Sin embargo, se debe observar el importante tamao de la matriz a
invertir (en comparacin con el caso univariable). Por ejemplo, este tamao se multiplica
por dos cuando se mide dos variables en los mismos sitios. As, los tiempos de clculo
idamente al aumentar el nmero de variables.
Se tiene tambin la siguiente matriz de varianza-covarianza de los errores de cokriging (los
trminos diagonales corresponden a las varianzas de error, para cada variable, mientras que
s indican cun relacionados estn los errores asociados a variables

=

=
n
T
1
0 0 0 0
) ( ) ( ) ( x x C x x C x
En el caso de un muestreo heterotpico, es decir, cuando no existe informacin de algunas
variables en algunos puntos con datos, se adapta las ecuaciones matriciales anteriores,
removiendo las filas y columnas de C(x

), C(x

x
0
) y

correspondientes a datos
as ecuaciones anteriores pueden extenderse a modelos no estacionarios, donde las
medias de las variables no son constantes en el espacio o donde las covarianzas directas y
cruzadas no slo dependen del vector de separacin h, sino que tambin de las posici
absolutas de los datos. Sin embargo, en la prctica, resulta cuestionable asumir que las
medias y las covarianzas son perfectamente conocidas en todos los puntos del espacio.
Cokriging ordinario (medias desconocidas libres
hiptesis que en el cokriging simple, salvo que ahora se
son desconocidas y no estn vinculadas por relaciones matemticas.
linealidad, insesgo y optimalidad conduce al siguiente sistema
ALGES
Cokriging
17
, basta con invertir una sola matriz para obtener la estimacin de todas las
Sin embargo, se debe observar el importante tamao de la matriz a
invertir (en comparacin con el caso univariable). Por ejemplo, este tamao se multiplica
As, los tiempos de clculo
covarianza de los errores de cokriging (los
trminos diagonales corresponden a las varianzas de error, para cada variable, mientras que
s indican cun relacionados estn los errores asociados a variables
En el caso de un muestreo heterotpico, es decir, cuando no existe informacin de algunas
es matriciales anteriores,
correspondientes a datos
as ecuaciones anteriores pueden extenderse a modelos no estacionarios, donde las
medias de las variables no son constantes en el espacio o donde las covarianzas directas y
, sino que tambin de las posiciones
en la prctica, resulta cuestionable asumir que las
medias y las covarianzas son perfectamente conocidas en todos los puntos del espacio.
libres)
hiptesis que en el cokriging simple, salvo que ahora se supone que
y no estn vinculadas por relaciones matemticas. La
conduce al siguiente sistema

Xavier Emery, Sebastin Pizarro M

=
=

= =

1
, ,
1
, ,
1 1
, ,
0
1
(
0
0
0 0
0
i
C
i
i
j
n
i i
n
i i
N
j
n
i
ij i j
x

y varianza del error

0
0
2
) (
Z CKO
i

x

en donde
1i
0
,...
Ni
0
son incgnitas adicionales (

Asimismo, se puede escribir las ecuaciones anteriores en trminos de variogramas en lugar
de covarianzas: basta con reemplazar las covarianzas simples y cruzadas por el opuesto de
los variogramas correspondientes.

Como en el caso del cokriging simple,
todas las variables, el miembro de la izquierda no depende de la variable de inters
cual basta con invertir una sola matriz para obtener la estimacin de todas las variables en
el sitio x
0
. En el caso de un muest
escribe como:

en donde los ponderadores son soluciones del siguiente sistema matricial:


Xavier Emery, Sebastin Pizarro M
=
= = = +

0
0
, ... 1
... 1 , ... 1 ) ( )
0
i i N i
N i C
i
ii i
j i
x x x
0 0 0 0 0 0
1 1
0 , ,
) ( ) ( )
i i
N
i
n
i
ii i i i i
i
C C =

= =

x x 0 ,
son incgnitas adicionales (multiplicadores de Lagrange).
e puede escribir las ecuaciones anteriores en trminos de variogramas en lugar
reemplazar las covarianzas simples y cruzadas por el opuesto de
los variogramas correspondientes.
Como en el caso del cokriging simple, si se seleccionan los mismos datos para estimar
el miembro de la izquierda no depende de la variable de inters
basta con invertir una sola matriz para obtener la estimacin de todas las variables en
En el caso de un muestreo homotpico, el estimador del conjunto de variables s

=

=
n

1
0
*
) ( ) ( x Z x Z
en donde los ponderadores son soluciones del siguiente sistema matricial:
ALGES
Cokriging
18
...n
i

).
e puede escribir las ecuaciones anteriores en trminos de variogramas en lugar
reemplazar las covarianzas simples y cruzadas por el opuesto de
onan los mismos datos para estimar
el miembro de la izquierda no depende de la variable de inters, por lo
basta con invertir una sola matriz para obtener la estimacin de todas las variables en
reo homotpico, el estimador del conjunto de variables se

Xavier Emery, Sebastin Pizarro M

\
|

I
x x C
x x C
) (
) (
1
1 1
n
M

donde I es la matriz identidad de tamao
0 es una matriz N N de ceros
es una matriz N N

La matriz de varianza-covarianza

CKO 0
( x

Nuevamente, en el caso de un muestreo heterotpico
anteriores, removiendo las filas y columnas de
a datos faltantes.

2.5. Cokriging ordinario
Una variante del cokriging ordinario (llamada cokrigin
en cambiar la condicin sobre la suma de los ponderadores


en lugar de las condiciones tradicional



Xavier Emery, Sebastin Pizarro M
|
|
|
|
|

\
|

=
|
|
|
|
|

\
|
|
|
|
|
|

I
x x C
x x C
0 I
I x x C
I x x C
) (
) (
) (
) (
0
0 1 1 1
n n n n
n
M M
L
L
M M O
L




es la matriz identidad de tamao N N
de ceros
cuyo trmino genrico es
ij
(multiplicadores de
covarianza de los errores de cokriging es:

=

+ =
n
T
1
0 0 0 0
] ) ( [ ) ( ) x x C x x C
Nuevamente, en el caso de un muestreo heterotpico, se adapta las ecuaciones matriciales
anteriores, removiendo las filas y columnas de C(x

), C(x

x
0
) y

correspondientes
Cokriging ordinario (medias desconocidas iguales
na variante del cokriging ordinario (llamada cokriging ordinario estandarizado)
la condicin sobre la suma de los ponderadores

= =

=
N
i
n
i i
i
1 1
, ,
1
0

tradicionales

= =
=

0
1
, ,
1
, ,
, ... 1 0
1
0
1
0 0
i i N i
i
n
i i
n
i i

ALGES
Cokriging
19
multiplicadores de Lagrange)
, se adapta las ecuaciones matriciales
correspondientes
iguales)
g ordinario estandarizado) consiste

Xavier Emery, Sebastin Pizarro M
Esta nueva condicin proporciona
tradicional los ponderadores asignados
una restriccin de insesgo slo si
Es el caso de mismo atributo medido sobre soportes di
contrario, se tiene que re-escalar

En trminos matriciales, el cokriging ordinario estandarizado se escribe de la siguiente
forma:

en donde los ponderadores son soluciones del sistema:

\
|

) (
) (
1
1 1
F
x x C
x x C
T
n
M

donde F es una matriz N 1 de unos
es una matriz 1 N cuyo trmino genrico es

La matriz de varianza-covarianza de los errores de cokriging

std CKO
( x








Xavier Emery, Sebastin Pizarro M
proporciona ms influencia a las covariables, puesto que
asignados a cada covariable suman cero, pero corresponde a
una restriccin de insesgo slo si todas las variables poseen la misma media desconocida
mismo atributo medido sobre soportes distintos o con aparatos distintos
escalar cada variable en torno a una misma media.
En trminos matriciales, el cokriging ordinario estandarizado se escribe de la siguiente

=

=
n

1
0
*
) ( ) ( x Z x Z
donde los ponderadores son soluciones del sistema:
|
|
|
|
|

\
|

=
|
|
|
|
|

\
|
|
|
|
|
|

1
) (
) (
0
) (
) (
0
0 1 1 1
x x C
x x C
F
F x x C
F x x C
n n
T
n n
n
M M
L
L
M M O
L




de unos
cuyo trmino genrico es
i
(multiplicador de Lagrange
covarianza de los errores de cokriging es:

=

+ =
n
T
1
0 0 0 0
] ) ( [ ) ( ) F x x C x x C x
ALGES
Cokriging
20
puesto que en el sistema
corresponde a
desconocida.
stintos o con aparatos distintos; de lo
En trminos matriciales, el cokriging ordinario estandarizado se escribe de la siguiente
Lagrange)

Xavier Emery, Sebastin Pizarro M

2.6. Otras variantes
Podemos mencionar las siguientes variantes del cokriging:
2.6.1. Cokriging mixto
Se conoce la media de algunas variables,

2.6.2. Cokriging con deriva
Las medias de las funciones aleatorias que representan la corregionalizacin
espacio, reflejando una tendencia sistemtica (
valores. Se tiene los siguientes casos particulares:
cokriging universal, donde las derivas s
cokriging trigonomtrico, donde las derivas son combinaciones de funciones coseno
cokriging con deriva externa, donde las derivas son proporcionales a una o varias
variables externas exhaustivamente conocidas.

2.6.3. Cokriging de bloque
Aqu, el objetivo es estimar el valor promedio de una o varias variables regionalizadas en
un bloque de soporte volumtrico mayor que el soporte de los datos. En este caso, basta con
reemplazar los trminos de covarianza que aparecen en el segundo
cokriging, por sus valores promedios cuando
para el cokriging ordinario tradicional (con medias desconocidas y no relacionadas), se
tendr el siguiente sistema:

\
|

I
x x C
x x C
(
) (
1
1 1
n
M

con
v: bloque a estimar

M
m
n
M
v
1
(
1
) , ( x C x C
{u
1
, u
M
}: puntos que discretizan el bloque

Xavier Emery, Sebastin Pizarro M
Otras variantes
Podemos mencionar las siguientes variantes del cokriging:
Cokriging mixto
e conoce la media de algunas variables, mientras que se desconoce la media de las otras
Cokriging con deriva
funciones aleatorias que representan la corregionalizacin vara
espacio, reflejando una tendencia sistemtica (deriva) en la distribucin espacial de los
. Se tiene los siguientes casos particulares:
cokriging universal, donde las derivas son polinomios de las coordenadas
cokriging trigonomtrico, donde las derivas son combinaciones de funciones coseno
cokriging con deriva externa, donde las derivas son proporcionales a una o varias
variables externas exhaustivamente conocidas.
bloque
Aqu, el objetivo es estimar el valor promedio de una o varias variables regionalizadas en
un bloque de soporte volumtrico mayor que el soporte de los datos. En este caso, basta con
reemplazar los trminos de covarianza que aparecen en el segundo miembro del sistema de
cokriging, por sus valores promedios cuando x
0
discretiza el bloque a estimar. Por ejemplo,
para el cokriging ordinario tradicional (con medias desconocidas y no relacionadas), se
|
|
|
|
|

\
|
=
|
|
|
|
|

\
|
|
|
|
|
|

I
x C
x C
0 I
I x x C
I x x C
) , (
) , (
) ( )
) ( )
1
1 1
v
v
n
n n n
n
M
M
L
L
M M O
L



m n
) u
}: puntos que discretizan el bloque v.
ALGES
Cokriging
21
mientras que se desconoce la media de las otras.
varan en el
) en la distribucin espacial de los
on polinomios de las coordenadas
cokriging trigonomtrico, donde las derivas son combinaciones de funciones coseno
cokriging con deriva externa, donde las derivas son proporcionales a una o varias
Aqu, el objetivo es estimar el valor promedio de una o varias variables regionalizadas en
un bloque de soporte volumtrico mayor que el soporte de los datos. En este caso, basta con
miembro del sistema de
discretiza el bloque a estimar. Por ejemplo,
para el cokriging ordinario tradicional (con medias desconocidas y no relacionadas), se

Xavier Emery, Sebastin Pizarro M

2.6.4. Cokriging factorial o anlisis factorial geoestadstico
Esta tcnica consiste en descomponer las funciones aleatorias (representadas por un modelo
lineal de corregionalizacin) en un conjunto de
jerarquizados en funcin de la cantidad de informacin que contienen, luego en estimar
estos factores a partir de los datos disponibles

2.6.5. Cokriging colocalizado
Cuando se dispone de una covariable conocida exhaustivamente, l
del sitio a estimar tienden a apantalla
de la covariable puede provocar
Una simplificacin consiste en
el sitio a estimar, adems de todos los datos asociados a la variable
situacin, ni siquiera se requiere conocer la
solamente su valor en el origen, lo que reduce el esfuerzo de inferencia y

Entre los distintos tipos de cokriging presentados anteriormente, se puede considerar el
cokriging simple u ordinario estandariz
la suma de los ponderadores asignados a la
nico dato considerado de la co
datos de la variable primaria y se ignorara la

Aunque simplifica el sistema de
desventajas:
Es necesario conocer la co
primaria o a proximidad inmediata de estos
No se toma en cuenta toda la informacin disponible: se olvida casi todos los valores de
la covariable, lo que puede traducirse por una subestimacin de la precisin de la
estimacin (varianza de cokriging demasiado alta
No es posible realizar un co
consiste en utilizar como datos
los datos de la variable primaria, adems de
(cokriging multi-colocalizado






Xavier Emery, Sebastin Pizarro M
Cokriging factorial o anlisis factorial geoestadstico
Esta tcnica consiste en descomponer las funciones aleatorias (representadas por un modelo
corregionalizacin) en un conjunto de factores sin correlacin espacial cruzada y
jerarquizados en funcin de la cantidad de informacin que contienen, luego en estimar
estos factores a partir de los datos disponibles.
Cokriging colocalizado
variable conocida exhaustivamente, los datos ubicados cerca
pantallar a los datos alejados. Adems, la abundancia de datos
provocar problemas numricos al resolver el sistema de cokriging.
na simplificacin consiste en utilizar, para la estimacin, slo el dato de la co
a estimar, adems de todos los datos asociados a la variable primaria. E
requiere conocer la funcin de covarianza de la covariable, sino que
su valor en el origen, lo que reduce el esfuerzo de inferencia y modelamiento
tipos de cokriging presentados anteriormente, se puede considerar el
estandarizado. El cokriging ordinario tradicional
la suma de los ponderadores asignados a la covariable sea nula, o sea, que el ponderador
covariable sea nulo; por ende, slo se tomara en cuenta los
rimaria y se ignorara la covariable.
Aunque simplifica el sistema de ecuaciones, el cokriging colocalizado presenta
covariable en todos los sitios donde se busca estimar la variable
o a proximidad inmediata de estos.
o se toma en cuenta toda la informacin disponible: se olvida casi todos los valores de
variable, lo que puede traducirse por una subestimacin de la precisin de la
estimacin (varianza de cokriging demasiado alta).
o es posible realizar un cokriging ordinario clsico. Una solucin para este problema
consiste en utilizar como datos secundarios aquellos ubicados en los mismos sitios que
primaria, adems del dato colocalizado con el sitio a
colocalizado).
ALGES
Cokriging
22
Esta tcnica consiste en descomponer las funciones aleatorias (representadas por un modelo
sin correlacin espacial cruzada y
jerarquizados en funcin de la cantidad de informacin que contienen, luego en estimar
datos ubicados cerca
s. Adems, la abundancia de datos
el sistema de cokriging.
covariable en
primaria. En esta
variable, sino que
modelamiento.
tipos de cokriging presentados anteriormente, se puede considerar el
kriging ordinario tradicional impone que
ponderador del
; por ende, slo se tomara en cuenta los
presenta varias
estimar la variable
o se toma en cuenta toda la informacin disponible: se olvida casi todos los valores de
variable, lo que puede traducirse por una subestimacin de la precisin de la
. Una solucin para este problema
aquellos ubicados en los mismos sitios que
l dato colocalizado con el sitio a estimar

Xavier Emery, Sebastin Pizarro M

3. Bibliografa
Chils J.P. and Delfiner P., 1999.
New York, 695 p
Goovaerts P., 1997. Geostatistics for Natural Resources Evaluation
Press, New York, 480 p
Isaaks E.H. and Srivastava R.M., 1989.
University Press, New York, 561 p
Rivoirard J., 2004. On some simplifications of cokriging neighbourhood
Geology, vol. 36, no. 8, p. 899
Subrananyam A. and Pandalai, H.S., 2004.
kriging systems. Mathematical Geology, vol. 36, no. 4, p. 507
Subrananyam A. and Pandalai, H.S., 2008.
simplification by screen effects
Wackernagel H., 2003. Multivariate Geostatistics: An Introduction with Applications
Springer, Berlin.


Xavier Emery, Sebastin Pizarro M
Chils J.P. and Delfiner P., 1999. Geostatistics: Modeling Spatial Uncertainty
Geostatistics for Natural Resources Evaluation, Oxford University
Isaaks E.H. and Srivastava R.M., 1989. An Introduction to Applied Geostatistics
University Press, New York, 561 p
On some simplifications of cokriging neighbourhood. Mathematical
Geology, vol. 36, no. 8, p. 899-915.
Subrananyam A. and Pandalai, H.S., 2004. On the equivalence of the cokriging and
. Mathematical Geology, vol. 36, no. 4, p. 507-523.
Subrananyam A. and Pandalai, H.S., 2008. Data configuration and the cokriging system:
simplification by screen effects. Mathematical Geology, vol. 40, no. 4, p. 425
Multivariate Geostatistics: An Introduction with Applications
ALGES
Cokriging
23
Geostatistics: Modeling Spatial Uncertainty, Wiley,
, Oxford University
An Introduction to Applied Geostatistics, Oxford
Mathematical
On the equivalence of the cokriging and
on and the cokriging system:
. Mathematical Geology, vol. 40, no. 4, p. 425-443.
Multivariate Geostatistics: An Introduction with Applications.

You might also like