UNIVERSIDAD NACIONAL AUTNOMA

DE MXICO

GEOESTADSTICA
APLICADA
Tema: Estimacin Espacial
Instructores:
Dr. Martn A. Daz Viera (mdiazv@imp.mx)
Dr. Ricardo Casar Gonzlez (rcasar@imp.mx)

2009

Contenido

Introduccin
Ecuaciones del Kriging
Clasificacin del Kriging
Tipos de Kriging lineal ms usuales
Kriging Simple
Kriging Ordinario
Kriging Universal
Kriging Residual
Kriging Indicador
Aspectos prcticos del Kriging

03/04/2009

CG6-Estimacin Espacial

Introduccin
Malla

Celda

x
x
x
x

x
x

Problema: A partir de informacin

conocida de una propiedad, medida
en ciertas ubicaciones, estimar el
valor en localizaciones en donde se
desconoce o se carece de muestreo,
usualmente en una malla.

x
En
x

x
x
Nodos
03/04/2009

Muestra

geoestadstica el mtodo de
estimacin espacial que se usa es el
Kriging

x
x
CG6-Estimacin Espacial

Introduccin
El Kriging es un trmino que ha sido acuado
para designar al mejor estimador lineal
insesgado (BLUE, en ingls).
Esta es una tcnica de estimacin espacial
desarrollada por G. Matheron en los sesentas a
partir de los trabajos de D. G. Krige quin
fue pionero en el uso de la correlacin
espacial para propsitos de prediccin.
Matheron le asigna el nombre de Kriging en
honor a Krige.
03/04/2009

CG6-Estimacin Espacial

Introduccin

El estimador Kriging se considera ptimo

ya que:
1. Es insesgado, es decir, el valor esperado del
error es cero.
2. Garantiza la mnima varianza de la
estimacin, es decir, reduce al mnimo la
varianza del error de la estimacin.

03/04/2009

CG6-Estimacin Espacial

Ecuaciones del Kriging

Estimador
Mejor
Lineal
Insesgado
03/04/2009

BLUE

*
0

m i n V a r Z
Z

*
0

i =1

iZ i

E Z 0 = E Z
CG6-Estimacin Espacial

*
0

Ecuaciones del Kriging

Dada una FA estacionaria de segundo orden
y definida en ciertos puntos {Z ( xi ) , i = 1,..., n}
Valor esperado E Z ( x ) = m; x
Funcin de covarianzas
C ( h ) = E Z ( x + h ) Z ( x ) m 2
Variograma
(h) = 1 2Var [ Z ( x + h) Z ( x)]
03/04/2009

CG6-Estimacin Espacial

Ecuaciones del Kriging

Condicin de insesgadez (valor esperado del
error igual a cero)
n

*
E Z ( x k ) = E i Z ( x i ) = E Z ( x k ) = m
i =1

Esto implica que

E Z ( x ) = m



i =1

Entonces

m = m
i =1

03/04/2009

CG6-Estimacin Espacial

i =1

=1
8

Ecuaciones del Kriging

Condicin de que la varianza del error sea mnima
La varianza de la estimacin se expresa de la
siguiente manera:
* 2

= Var Z k Z = E ( Z k Z k )

2
e

*
k

Entonces, para satisfacer la condicin de insesgadez

hay que minimizar la siguiente funcin objetivo:
n

2
F = e 2 i 1
i =1

- un multiplicador de Lagrange
03/04/2009

CG6-Estimacin Espacial

Ecuaciones del Kriging

Derivando a F respecto a i y resulta el
sistema de ecuaciones del Kriging:
n
F
= 2 ki + 2 j ij 2 = 0, i = 1,..., n
i
j =1

= i 1 = 0
i =1

donde ij = C ( x i , x j ) covarianza
03/04/2009

CG6-Estimacin Espacial

10

Ecuaciones del Kriging

Finalmente se escribe como:
n
j ij = ki , i = 1,..., n
j =1
n
=1
i

i =1
Varianza del error de la estimacin
n

= i ki +
2
e

03/04/2009

i =1

CG6-Estimacin Espacial

11

Ecuaciones del Kriging

En forma matricial:

11 12

21
22

...
...

n1 n 2
1
1

... 1n
... 2 n
...

...

... nn
...

1 1 k 1

1 2 k 2
... ... = ...

1 n kn
0 1

Observacin: bajo la hiptesis intrnseca las

covarianzas pueden ser reemplazadas por las
semivarianzas ij = 2 ij
03/04/2009

CG6-Estimacin Espacial

12

Clasificacin del Kriging

Segn el soporte de la
medicin de los datos

z2

z1
Z*
z3

puntual

z2

z1

por bloques

Z*
z3

03/04/2009

z4

CG6-Estimacin Espacial

z4
13

Clasificacin del Kriging

Segn la forma del estimador

lineales:
Simple
Ordinario
Universal
Residual

no lineales:
Disyuntivo
Indicador
Probabilstico
03/04/2009

CG6-Estimacin Espacial

14

Clasificacin del Kriging

Segn el supuesto de la
probabilidad

paramtrico:
Multigaussiano
Disyuntivo
Lognormal

no paramtrico:
Simple, Ordinario
Universal, Residual
Indicador
03/04/2009

CG6-Estimacin Espacial

distribucin

de

15

Tipos de Kriging lineales

Kriging Simple
Kriging Ordinario
Kriging Universal
Kriging Residual
03/04/2009

CG6-Estimacin Espacial

16

Kriging Simple

Kriging lineal con valores esperados conocidos

Requisitos:
 Conocer valores esperados
aleatoria .

de la funcin

m( x i ) = E Z ( x i ) , i = 0,..., n

 Conocer la funcin de covarianzas de la funcin

aleatoria .

ij

03/04/2009

CG6-Estimacin Espacial

17

Kriging Simple

Sistema de ecuaciones:

n
'
'

i = 1,..., n
i0 ,
j ij
j =1

n
= m ( x ) m ( x )

0
i
i
0
i =1
n

*
Z
Estimador: 0 = 0 + i Z ( x i )
i =1

Varianza de la estimacin:

03/04/2009

K2 = 00' i i' 0
S

CG6-Estimacin Espacial

i =1

18

Kriging Ordinario

Kriging lineal con valor esperado estacionario

pero desconocido
Requisitos:
 El valor esperado de la funcin aleatoria sea
constante

m( x i ) = E Z ( x i ) = m, i = 1,..., n

 Conocer la funcin de covarianzas

semivariograma de la funcin aleatoria

el

ij , ij
03/04/2009

CG6-Estimacin Espacial

19

Kriging Ordinario

Sistema de ecuaciones:

n
j ij = 0i , i = 1,..., n
j =1
n
=1
i

i =1
n

Estimador:

Z 0* = i Z ( xi )
i =1

Varianza de la estimacin:

03/04/2009

K2 = 00 i i 0 +
O

CG6-Estimacin Espacial

i =1

20

Kriging Universal
Kriging lineal en presencia de tendencia
Requisitos:
 Conocer la forma de la tendencia expresada
usualmente mediante polinomios.

m ( x ) = E Z ( x ) = all ( x )
l

 Conocer la funcin de covarianzas

o el
semivariograma de la funcin aleatoria sin
tendencia, es decir

ij , ij para
03/04/2009

{Z ( x ) m ( x )}

CG6-Estimacin Espacial

21

Kriging Universal

Sistema de ecuaciones:
L
n
j ij ll ( x i ) = 0i , i = 1,..., n
j =1
l =1
n
( x ) = ( x ), l = 1,..., L
i
0
i l
l

i =1
n

Z 0* = i Z ( x i )

Estimador:

Varianza del error:

03/04/2009

i =1

2
KU

i =1

l =1

= 00 i i 0 + ll ( x 0 )

CG6-Estimacin Espacial

22

Kriging Universal

Dificultades prcticas

El orden del polinomio que mejor describe

o explica la tendencia m(x) nunca es
conocido, hay que adivinarlo.

El variograma tampoco es conocido y hay
que estimarlo a partir de los residuales
R(x) (datos deriva)
03/04/2009

CG6-Estimacin Espacial

23

Kriging Residual

Kriging Residual fue propuesto por

Gambolati y Volpi (1978 y 1979).
Es una alternativa para manejar la no
estacionaridad.
El modelo consiste Z ( x ) = m ( x ) + R ( x )
donde m(x) - tendencia, R(x) - residuos
La deriva o tendencia m(x) se estima
usando mnimos cuadrados ordinarios
A los residuos R(x) sin tendencia se les
aplica el Kriging Ordinario.

03/04/2009

CG6-Estimacin Espacial

24

Kriging Residual

El algoritmo se puede resumir en los siguientes pasos:

Obtener el orden k del polinomio que mejor representa a

la deriva o tendencia.
*
m
k ( x)
Ajustar la deriva mediante MCO
Calcular los residuos R ( x ) = Z ( x ) mk* ( x )
Estimar y modelar el semivariograma de los residuos.
Aplicar kriging ordinario a los residuos usando el
semivariograma obtenido.
Se obtiene la estimacin en un punto no observado como

Z * ( x ) = mk* ( x ) + R* ( x )
03/04/2009

CG6-Estimacin Espacial

25

Kriging Indicador
Funcin Indicador de una FA
zc- valor de corte

La distribucin espacial

1,

I ( x, z c ) =
0,

si Z ( x) zc
si Z ( x) > zc

1
( A, zc ) =
I ( x, zc ) d x

A xA

1
1
E [ ( A, zc )] = E I ( x, zc )d x = E [ I ( x, zc )] d x
A xA
A xA
1
E [ ( A, zc ) ] = {(1) Pr [ Z ( x) zc ] + (0) Pr [ Z ( x) > zc ]}d x
A xA

F. de distribucin de Z
03/04/2009

E [ ( A, zc )] = Pr [ Z ( x) zc ] = FZ ( zc )
CG6-Estimacin Espacial

26

Kriging Indicador

La distribucin de probabilidad de variables indicador es

una distribucin de Bernoulli y sus momentos estn dados
por:

a)

Valor esperado

b)

Fun. de covarianzas CI ( h, zc ) = Fx , x + h ( zc , zc ) { FZ ( zc )}

c)

Varianza

d)

Fun. de semivarianzas I ( h, zc ) = FZ ( zc ) Fx , x + h ( zc , zc )

E [ I ( x, zc )] = FZ ( zc )
2

03/04/2009

Var [ I ( x, zc )] = FZ ( zc ) [1 FZ ( zc )]

CG6-Estimacin Espacial

27

Kriging Indicador

a)
b)
c)
d)

Variograma Indicador
Se estiman para cada valor de corte y son menos sensibles
a la presencia de valores extremos (outliers)
El variograma indicador siempre alcanza una meseta
S ( zc ) = CI (0, zc )
S(zc) es una funcin creciente en (-, zM),
S(zc) es una funcin decreciente en (zM,),
(donde zM - es la mediana)
Una vez conocida la meseta S(zc) del variograma se
puede calcular la funcin de probabilidad acumulativa:

FZ ( zc ) = 0.5 + signo ( zc zM ) 0.25 S ( zc )

03/04/2009

CG6-Estimacin Espacial

28

Kriging Indicador

Uno de los propsitos de usar la variable indicador es para

estimar la funcin de probabilidad acumulativa.
Las funciones de probabilidad estimadas se obtienen
mediante combinaciones lineales de la funcin indicador.
Esta funcin es la proporcin exacta de valores menores
que el valor de corte de una variable, dentro de un rea A.
El valor estimado mediante kriging indicador representa la
probabilidad de que el valor estimado de la funcin
aleatoria sea menor que el valor de corte ( Z ( x ) zc ).
El Kriging indicador genera un mapa por cada valor de
corte (categora indicador), en donde se muestran regiones
con diferente probabilidad de ocurrencia para dicho valor
de corte (categora indicador).

03/04/2009

CG6-Estimacin Espacial

29

Kriging Indicador
n

La forma del estimador ( A, zc ) = ( zc )i ( x , zc )

*

=1

( zc ) = 1
con la condicin para el no sesgo

=1
El kriging simple puede ser aplicado para hallar los
pesos usando las variables indicador y el variograma
indicador.
Las ecuaciones del Kriging indicador se resuelven en la
prctica para un nmero finito, usualmente menor que 10,
de valores de corte .
Si la estimacin de cada valor de se realiza por separado
no se puede garantizar que se cumplan las relaciones de
orden de una funcin de distribucin vlida.

03/04/2009

CG6-Estimacin Espacial

30

Kriging Indicador

Alternativas (Myers, 1984)

1.

Resolver el sistema de ecuaciones para el valor de corte

correspondiente a la mediana (zc= zM) y luego utilizar los
mismos pesos obtenidos en el kriging para otros valores
de corte zc.

2.

Utilizar Cokriging Indicador, es decir el estimado se

obtiene a partir de los indicadores i(x,z), =1,,n y
=1,, N. Esta alternativa es ms exacta pero a la vez es
ms costosa en cuanto a cmputo.

03/04/2009

CG6-Estimacin Espacial

31

Aspectos prcticos del Kriging

1.- Definir una malla de estimacin:
 Si bien no hay restricciones para la malla de
estimacin usualmente se eligen mallas regulares
debido a que su geometra facilita la
representacin grfica de los resultados en forma
de mapas de contornos, relieves, etc.
 Una recomendacin prctica respecto al tamao
de la celda de la malla es que debe ser de un
orden aproximadamente igual a la distancia
mnima de separacin de los datos, puesto que
sta es la resolucin de la informacin que se
dispone.
03/04/2009

CG6-Estimacin Espacial

32

Aspectos prcticos del Kriging

Ejemplo de malla de estimacin rectangular:
x
x
y

x
celda

nodos
de la
estimacin

muestrales

x
x
x

03/04/2009

x -puntos

x
CG6-Estimacin Espacial

x
x

x
x

33

Aspectos prcticos del Kriging

2.- Definir una vecindad de bsqueda:
squeda
La vecindad de bsqueda se define con respecto
al punto a estimar y determina cuales puntos
vecinos potencialmente sern tomados en la
estimacin.
Caso isotrpico: tomar una circunferencia con
centro en el punto a estimar y radio igual o menor
al alcance del variograma.
Caso anisotrpico: tomar una elipse con centro en
el punto a estimar y semiejes iguales o menores a
los alcances del variograma anisotrpico.
03/04/2009

CG6-Estimacin Espacial

34

Aspectos prcticos del Kriging

Ejemplo de vecindad de bsqueda para el caso anisotrpico

Radio de
bsqueda:
Igual al rango
Mayor que el
rango no tiene
sentido, ya no
existe correlacin

03/04/2009

CG6-Estimacin Espacial

35

Aspectos prcticos del Kriging

3.- Definir cantidad de puntos de la estimacin:
Una vez definida la vecindad de bsqueda hay
que especificar cuantos puntos intervendrn en la
estimacin. Esto determina el tamao de la matriz
del Kriging.
Para toda la vecindad se pueden tomar como
valores prcticos:
Mnimo de puntos: entre 4 y 6 puntos.
Mximo de puntos: entre 10 y 25 puntos.
Tambin se pueden establecer cantidades min. y
mx. por cuadrante, octante, etc.
03/04/2009

CG6-Estimacin Espacial

36

Aspectos prcticos del Kriging

03/04/2009

CG6-Estimacin Espacial

37

Aspectos prcticos del Kriging

03/04/2009

CG6-Estimacin Espacial

38

Aspectos prcticos del Kriging

03/04/2009

CG6-Estimacin Espacial

39

Aspectos prcticos del Kriging

03/04/2009

CG6-Estimacin Espacial

40

Aspectos prcticos del Kriging

03/04/2009

CG6-Estimacin Espacial

41

Aspectos prcticos del Kriging

03/04/2009

CG6-Estimacin Espacial

42

Caractersticas del estimador Kriging

Es un interpolador exacto
Incorpora el modelo de variabilidad espacial (obtenido mediante
el anlisis estructural o variogrfico).
Proporciona una medida de la precisin de la estimacin
mediante la varianza de estimacin.
La varianza de estimacin tiene aplicaciones: diseo de
muestreo.
La precisin depende de varios factores: del nmero de
muestras, su localizacin, la distancia entre las muestras y el
punto o bloque a estimar, de la calidad del modelo de variacin
espacial (variograma).
03/04/2009

CG6-Estimacin Espacial

43