3) la continuidad espacial de la variable, descrita por la funcin de covarianza & o por

el variograma .

Sin embargo no toman en cuenta los valores de los datos mismos {]([), = 1... Q}. Por
lo tanto, conociendo el modelo variogrfico, se puede anticipar cual ser la precisin de
la estimacin a partir de una configuracin dada de los sitios con datos. Esta propiedad
no obstante es una limitacin del kriging lineal, como contrapartida a la simplicidad del
mtodo. Intuitivamente, uno presiente que la precisin de una estimacin es menor en
las zonas cuyos valores tienen mayor variabilidad (a menudo, corresponden a las zonas
de valores altos, debido a lo que se denomina el HIHFWRSURSRUFLRQDO) que en aquellas de
baja variabilidad.

En general, el ponderador asignado a un sitio con dato es mayor cuando este sitio es ms
cercano al sitio a estimar. Pero varias situaciones pueden perturbar esta constatacin
intuitiva :

([LVWHQFLDGHXQIXHUWHHIHFWRSHSLWD en el modelo variogrfico, que tiende a dar el

mismo ponderador a todos los sitios con datos (como hay ausencia de continuidad
espacial, un dato prximo aporta tanta informacin como uno lejano).

3UHVHQFLD GH XQD DQLVRWURStD: existe una direccin del espacio donde la variable
tiene menos continuidad espacial, es decir, donde la correlacin es menor. As, un
dato cercano en esta direccin puede aportar menos informacin que un dato ms
alejado en otra, y tener de esta forma un ponderador de kriging menor.

5HGXQGDQFLDVHQWUHGDWRV: cuando varios datos estn agrupados y cercanos unos a

otros, se vuelven redundantes. Su ponderador acumulado es prcticamente el mismo
que el ponderador que recibira un solo dato en lugar del grupo. Dicho en otras
palabras, el kriging corrige los efectos debidos a las irregularidades de la malla de
muestreo y no sobre-pondera los datos agrupados en perjuicio de los datos aislados
(contrariamente a estimadores clsicos como el inverso de la distancia).

(IHFWRSDQWDOOD: puede ocurrir que un sitio con dato haga pantalla a otro respecto al
sitio a estimar. El sitio cubierto , aunque cercano al sitio a estimar, puede tener un
ponderador bajo, incluso nulo (efecto pantalla total4). La estimacin ignora el valor
observado en el sitio cubierto. Cuando este efecto es indeseable, se puede atenuar,
introduciendo en el modelo un efecto pepita. Otra solucin consiste en agrupar los
dos sitios y asignarles el mismo ponderador, con el costo de una prdida de
precisin.

4
En el espacio de una dimensin, se tiene como ejemplos de efecto pantalla total, el caso de una covarianza
exponencial (en kriging simple) y el de un variograma lineal (en kriging ordinario). Para variogramas lineales
en el origen, como el modelo esfrico, se tiene un efecto pantalla casi total, en kriging ordinario, si todas las
distancias consideradas quedan en la parte lineal del variograma. En dos dimensiones, el kriging simple
produce un efecto pantalla entre direcciones perpendiculares cuando la covarianza puede factorizarse, como
por ejemplo, la covarianza Gaussiana: si se plantea K = (K1,K2), entonces &(K) = &(K1) &(K2).

0,$*HRHVWDGtVWLFD 
 (IHFWR SDQWDOOD LQYHUVR: en el kriging ordinario, puede ocurrir que sitios alejados
tengan ponderadores mayores que sitios cercanos. Este fenmeno se explica porque
los sitios alejados participan en la estimacin de la PHGLD (desconocida) de la
variable, la que interviene indirectamente en la estimacin del valor desconocido.

(IHFWRGHUHOHYR: la presencia de un sitio con dato cercano al sitio a estimar permite

a un sitio con dato lejano , o sea, ubicado a una distancia superior al alcance del
variograma, tener un ponderador no despreciable en la estimacin, mientras que en
ausencia del sitio cercano, su ponderador habra sido nulo (kriging simple) o muy
bajo (kriging ordinario).

La mayora de los modelos variogrficos5 permiten encontrar ponderadores negativos o

mayores que 1, incluso con la condicin que la suma de los ponderadores valga 1
(kriging ordinario). La ventaja de este proceder es que puede entregar estimaciones que
salen de los lmites dados por los datos. Por el contrario, las tcnicas de interpolacin
por combinaciones lineales ponderadas que imponen pesos comprendidos entre 0 y 1
entregan estimaciones que siempre estn entre el mnimo y el mximo valor observado.
Ahora bien, en la mayora de los casos, no hay razn para que los valores de los datos
alcancen los valores extremos potenciales de la zona de estudio, por lo que resulta
interesante tener ponderadores fuera del intervalo [0,1]. Como contrapartida, en el caso
en que la variable es positiva (por ejemplo, la concentracin de un contaminante), existe
el riesgo de encontrar estimaciones negativas. Este riesgo es ms importante cuando la
variable presenta una distribucin fuertemente asimtrica: un ponderador negativo,
incluso si es bajo, asignado a un valor alto puede conducir a una estimacin negativa si
los otros valores de los datos no son muy altos.

La Figura 5 ilustra esta propiedad, con un ejemplo unidimensional de ocho sitios con
datos, donde se compara el estimador del kriging ordinario con aquel del inverso de la
distancia. El primero usa un modelo de variograma parablico en el origen, propicio a
la obtencin de ponderadores negativos, mientras que el segundo atribuye a cada dato
un ponderador siempre positivo, inversamente proporcional a su distancia al sitio a
estimar, y no permite que el valor estimado supere el mayor dato.

La matriz del primer miembro del sistema de kriging depende solamente de la posicin
relativa de los sitios con datos. Por consiguiente, cuando varias estimaciones utilizan
configuraciones de sitios idnticas, basta con invertir esta matriz una sola vez. Esto
ocurre cuando se trabaja en una vecindad nica, o en una vecindad mvil con datos
ubicados sobre una grilla regular.

Si los sitios con datos son distintos, se demuestra que el sistema de kriging es regular,
es decir, entrega una solucin nica. Por ende, cuando el sistema de kriging es singular,
se est en presencia de datos duplicados (repetidos en la base de datos): la matriz del
primer miembro del sistema de kriging posee dos filas idnticas y no es invertible.

5
Una excepcin notable la constituye el modelo peptico puro, que entrega ponderadores nulos (kriging
simple) o iguales a 1/Q (kriging ordinario).

0,$*HRHVWDGtVWLFD 
 )LJXUD Comparacin de las estimaciones obtenidas por kriging
ordinario y por el mtodo del inverso de la distancia

3URSLHGDGHVGHONULJLQJ

,QWHUSRODFLyQH[DFWD

El kriging es un interpolador exacto, es decir, la estimacin en un sitio con dato vuelve

a dar el valor de este dato, mientras que la varianza de kriging en ese sitio es nula. Para
demostrarlo, basta con verificar que, si el sitio a estimar [0 es el mismo donde se midi un
dato, el estimador definido por =*([0) = =([0) cumple las tres restricciones del kriging. En
especial, el error de estimacin asociado es nulo, luego obviamente insesgado y de varianza
mnima (nula).

3URSLHGDGGHVXDYL]DPLHQWRDOLVDPLHQWR

El mapa de los valores estimados por kriging es ms suave que el mapa de los valores
reales, es decir, que presenta menos fluctuaciones. La bsqueda de una estimacin precisa
se acompaa inevitablemente de este efecto de VXDYL]DPLHQWR, pues no se puede inventar los
detalles que no aparecen en los datos observados (Figura 6).

La propiedad de suavizamiento tiene importantes consecuencias en la prctica cuando

se busca determinar los valores de la variable regionalizada en relacin a un umbral. Por
ejemplo, en evaluacin de recursos minerales, se desea saber si la ley de mineral supera o
no una ley de corte que asegura la rentabilidad del negocio. En contaminacin ambiental,
uno est interesado en determinar si la concentracin de contaminantes es mayor que un
umbral crtico de toxicidad, para decidir si vale la pena o no tomar medidas de remediacin.
En agricultura, es preciso que las concentraciones de nutrientes o que el pH sean mayores

0,$*HRHVWDGtVWLFD 
que ciertos lmites para asegurar que el terreno sea frtil. En todas estas problemticas
donde interesa la distribucin de los valores en relacin a un valor umbral, el kriging aporta
una respuesta sesgada a causa de la propiedad de suavizamiento. Para obtener estimaciones
insesgadas, se debe recurrir a mtodos de kriging no lineal (kriging de indicadores, kriging
disyuntivo, kriging multi-Gaussiano) o mtodos de simulacin cuyo objetivo es reproducir
la variabilidad espacial de la variable regionalizada.

)LJXUD Ilustracin de la propiedad de suavizamiento

9DOLGDFLyQFUX]DGD

Se puede verificar la adecuacin entre los datos y los parmetros adoptados (modelo de
variograma, vecindad de kriging), utilizando la llamada tcnica de la YDOLGDFLyQFUX]DGD.
El principio es estimar sucesivamente, mediante kriging, cada dato, considerando slo los
datos restantes. Se puede calcular entonces el error de estimacin (diferencia entre el valor
estimado y el valor verdadero) en cada sitio con dato y realizar un anlisis estadstico de los
errores cometidos en todos los sitios con datos.

La validacin cruzada es presentada usualmente bajo la forma de pruebas grficas, en

especial:

La nube de correlacin entre los valores de los datos {]([), = 1... Q} y los valores
estimados {]*([), = 1... Q}.

El histograma de los errores estandarizados

] * ([ ) ] ([ )
,
* ([ )

0,$*HRHVWDGtVWLFD 
 donde *([) es la desviacin estndar de kriging (o sea, la raz cuadrada de la varianza
de kriging) en el sitio [. Una estimacin se considera buena si el error estandarizado
asociado pertenece al intervalo [,], por ejemplo con = 2.5 (este lmite es elegido
arbitrariamente). El anlisis de los errores estandarizados, en lugar de los errores
absolutos, permite liberarse de ciertas limitaciones de naturaleza geomtrica. En efecto,
independientemente del modelo variogrfico, el error absoluto tiende a ser alto para un
dato aislado, y bajo para un dato cercano a otros datos. Esto se corrige al considerar el
error estandarizado, pues la desviacin estndar de kriging cuantifica la precisin que se
espera de la estimacin. Por construccin, el error estandarizado tiene una varianza
igual a 1, independientemente de si existen datos cercanos del sitio a estimar.

La nube de correlacin entre los errores estandarizados y los valores estimados6.

El mapa de ubicacin de los datos, donde se localiza los datos mal estimados, es decir
aquellos cuyos errores estandarizados salen del intervalo [,].

Se puede procurar satisfacer lo mejor posible los siguientes criterios estadsticos.

1) Las medias de los errores y de los errores estandarizados miden el VHVJR del estimador,
y deben ser cercanas a cero. De hecho, este criterio resulta secundario con respecto al
modelamiento del variograma y la eleccin de la vecindad de kriging pues los valores
obtenidos por kriging son insesgados por construccin. As, en la prctica, la media de
los errores tender hacia cero.

2) La varianza de los errores, que mide la SUHFLVLyQ del estimador, debe ser mnima.

3) La varianza de los errores HVWDQGDUL]DGRV debe ser cercana a 1:

] * ([ ) ] ([ )
2
1
* ([ ) 1 .
Q =1

Este criterio indica que el modelo de variograma cuantifica adecuadamente la amplitud

de los errores cometidos, es decir, que el variograma elegido no es demasiado optimista
ni tampoco pesimista.

4) El coeficiente de correlacin entre los valores estimados y los valores de los datos debe
ser lo ms cercano posible a 1.

5) El nmero de datos mal estimados debe ser el menor posible. Para fijar las ideas, este
nmero se considera satisfactorio si representa menos del 5% del total de los datos.

6
Esta prueba permite verificar si la media de los errores cometidos (VHVJR) depende de los valores estimados,
caso en el cual se dice que existe un VHVJRFRQGLFLRQDO. En la prctica, para evitar tal situacin, se debe elegir
una vecindad de kriging que contenga suficientes datos (> 15).

0,$*HRHVWDGtVWLFD