&DStWXOR/DHVWLPDFLyQORFDO

La estimacin local busca HVWLPDU o SUHGHFLU el valor de la variable regionalizada en un

sector del campo estudiado, a partir de los datos disponibles (problema de interpolacin
espacial). En este captulo, estudiaremos algunos mtodos tradicionales de interpolacin e
introduciremos el mtodo de NULJLQJ (bautizado as en honor de uno de los precursores de la
geoestadstica, Danie Krige).

0pWRGRVWUDGLFLRQDOHV

El problema se formula de la siguiente manera: estimar el valor ]([0) (desconocido) de

la variable regionalizada estudiada en un sitio [0 a partir de los valores conocidos en sitios
con datos. Para ello, se buscar asignar un ponderador a cada dato.

)LJXUD. Cmo estimar el valor en el sitio ? a partir de

los valores en los sitios con datos A, B, C, D, E, F?

,QWHUSRODFLyQSRUHOPiVFHUFDQRYHFLQR

Este estimador atribuye toda la ponderacin al dato ms cercano al sitio a estimar. En el

caso mostrado en la Figura 1, se trata del dato ubicado en C. El estimador apantalla a todos
los datos salvo el ms cercano, luego omite gran parte de la informacin y probablemente
carece de precisin.

0,$*HRHVWDGtVWLFD 
 )LJXUD. Ponderacin obtenida con la interpolacin por el ms cercano vecino.

,QYHUVRGHODGLVWDQFLD

Este segundo estimador asigna a cada dato una ponderacin inversamente proporcional
a (una potencia de) su distancia al sitio a estimar.

)LJXUD. Ponderacin obtenida con la interpolacin por inverso de la

distancia (izquierda) e inverso del cuadrado de la distancia (derecha).

Si la potencia es baja (cercana a cero), la distancia elevada a esta potencia es cercana a

1, por lo que el estimador asigna la misma ponderacin a todos los datos (media aritmtica
de los datos). Al contrario, si la potencia es muy alta, el inverso de la distancia ms pequea
se vuelve preponderante sobre todos los otros trminos, y el estimador se convierte en el del
ms cercano vecino.

0,$*HRHVWDGtVWLFD 
2WURVPpWRGRV

Muchos otros mtodos de interpolacin han sido propuestos en la literatura, entre los
cuales podemos citar:

El PpWRGRGH6LEVRQ (LQWHUSRODFLyQSRUYHFLQGDGQDWXUDO), que busca una funcin

de interpolacin continua y derivable en el espacio. La ponderacin se concentra en
los sitios vecinos del sitio a estimar, que hacen de pantalla a los sitios ms lejanos.

Las interpolaciones basadas en una WULDQJXODFLyQ del espacio. Consisten en dividir

el espacio en tringulos disjuntos cuyos vrtices son los sitios con datos, luego en
interpolar dentro de cada tringulo. Existen varias opciones para la triangulacin,
siendo la ms conocida la triangulacin de Delaunay (los vrtices de cada tringulo
son los sitios con datos cuyos polgonos de influencia tienen un lado en comn). En
cuanto a la interpolacin dentro de cada tringulo, puede hacerse con funciones
lineales (LQWHUSRODFLyQOLQHDO) o polinomios (PpWRGRGH$NLPD). Tal como el mtodo
de Sibson, la interpolacin por triangulacin slo considera los datos vecinos del
sitio a estimar, que apantallan a los otros datos.

Los PpWRGRVEDULFHQWULFRV, que realizan la interpolacin por una suma ponderada

de los datos (tal como el inverso de la distancia). Como otro ejemplo, mencionemos
el mtodo de LQWHUSRODFLyQELOLQHDO, que se utiliza cuando los datos estn ubicados
en una grilla regular.

Los mtodos de VXSHUILFLHV GH WHQGHQFLD, que consisten en aplicar una regresin
polinomial sobre los datos.

Los VSOLQHVGHLQWHUSRODFLyQ que recurren a una familia de funciones muy regulares

en el espacio (splines cbicos, splines laplacianos...), tal que se minimice un cierto
criterio matemtico bajo la restriccin de interpolar los datos.

Los PRGHORVQXPpULFRVGHWHUUHQR, para el caso especfico de la interpolacin de

la altitud topogrfica, que buscan incorporar la informacin que estructura el paisaje
(lneas caractersticas como valles y curvas de nivel).


3URSLHGDGHV

La pregunta que cabe plantease es saber si, entre todos los mtodos anteriores, existe
uno que sea PHMRU que los otros. El trmino mejor podra ser tomado en el sentido de que
la desviacin cuadrtica promedio entre los valores estimados y los valores verdaderos sea
la ms pequea posible. En la prctica, ningn mtodo es siempre mejor que otro, de modo
que la eleccin de uno u otro mtodo no es trivial.

Para saber a qu mtodo recurrir, uno puede implementar la tcnica de MDFNNQLIH.

Consiste en dividir el conjunto de datos en dos sub-conjuntos. Luego, los datos del primer

0,$*HRHVWDGtVWLFD 
sub-conjunto son utilizados para interpolar los valores del segundo sub-conjunto. El anlisis
de los errores cometidos permite entonces decidir cul es el mtodo de interpolacin que
tiene el mejor desempeo. Una variante del mtodo de jack-knife consiste en considerar un
segundo sub-conjunto reducido a un solo dato, siendo todos los otros datos parte del primer
sub-conjunto, y repitiendo la interpolacin para cada dato a la vez. Esta variante lleva el
nombre de YDOLGDFLyQFUX]DGD. Su puesta en marcha y los criterios que merecen atencin
para juzgar el desempeo de un mtodo sern detallados ms adelante.

Todos los mtodos presentados con anterioridad toman en cuenta la informacin de

naturaleza geomtrica al momento de realizar la interpolacin, principalmente las distancias
que existen entre los sitios con datos y el sitio a estimar. Sin embargo, ignoran otra fuente
de informacin, que es la continuidad espacial de la variable en estudio, resumida a travs
del modelo de variograma. El NULJLQJ que presentaremos a continuacin busca mejorar la
interpolacin de los datos al tomar en cuenta:

1) sus distancias al sitio a estimar

2) las redundancias entre los datos debidas a posibles agrupamientos

3) la continuidad espacial de la variable regionalizada (variograma):

a. privilegiar los datos cercanos si el variograma es muy regular en el origen
b. repartir la ponderacin entre los datos si existe un importante efecto pepita
c. en caso de anisotropa, privilegiar los datos ubicados en las direcciones de
mayor continuidad con respecto al sitio a estimar.

Asimismo, el kriging permitir cuantificar la precisin de la estimacin mediante una

varianza que mide la dispersin del error potencial cometido en la estimacin.

&RQVWUXFFLyQGHONULJLQJ

La resolucin de un problema de estimacin por kriging se articula siempre en torno a

las mismas etapas. Las diferentes variantes slo radican en las hiptesis realizadas sobre la
funcin aleatoria = = {=([) D} que representa la variable regionalizada.

5HVWULFFLyQGHOLQHDOLGDG

El estimador tiene que ser una combinacin lineal ponderada (promedio ponderado) de
los datos, que denotaremos de la siguiente forma:

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

donde [0 es el sitio donde se busca tener una estimacin, {[, = 1... Q} son los sitios con
datos, mientras que los ponderadores {, = 1... Q} y el coeficiente D son las incgnitas

0,$*HRHVWDGtVWLFD 
del problema de kriging. En rigor, se debera escribir ([0) en lugar de , puesto que los
ponderadores de kriging dependern del sitio [0 a estimar.

Esta restriccin se debe a la decisin de considerar slo los primeros momentos de las
distribuciones de probabilidad (esperanza y covarianza / variograma). La construccin de
estimadores ms sofisticados que no sean combinaciones lineales de los datos, requerira la
especificacin de la distribucin espacial de la funcin aleatoria ms all de su variograma.
Esto se puede realizar con mtodos de geoestadstica no lineal (kriging de indicadores,
kriging disyuntivo, kriging lognormal, kriging multi-Gaussiano).

Nota: el estimador =*([0) as definido es una combinacin de variables aleatorias y, por

lo tanto, es una cantidad aleatoria. Para obtener una estimacin numrica, basta con aplicar
la frmula anterior a la realizacin particular que constituyen los datos experimentales:

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

=1

5HVWULFFLyQGHLQVHVJR

Esta etapa consiste en expresar que el error de estimacin tiene esperanza nula, es decir

([ = * ( [ 0 ) = ( [ 0 ) ] = 0 .

Se puede interpretar esta restriccin, reemplazando la esperanza matemtica por una

media en el espacio: VLVHFDOFXODVREUHQXPHURVDVFRQILJXUDFLRQHVGHNULJLQJLGpQWLFDVOD
PHGLDGH ORV HUURUHV GH HVWLPDFLyQFRPHWLGRVVH DFHUFDD FHUR. La ausencia de sesgo no
garantiza que los errores sean bajos, sino slo que su media global es aproximadamente
nula.

5HVWULFFLyQGHRSWLPDOLGDG

Al superar las etapas anteriores, el estimador est sometido a una o varias restricciones
pero no est totalmente especificado. La ltima etapa consiste en buscar los ponderadores
que minimizan la varianza del error de estimacin:

var[ = * ([ 0 ) = ([ 0 )] es mnima.

En trminos intuitivos, esta restriccin significa que VL VH FDOFXOD VREUH QXPHURVDV
FRQILJXUDFLRQHV GHNULJLQJ LGpQWLFDV OD YDULDQ]D HVWDGtVWLFDGHORV HUURUHVGH HVWLPDFLyQ
FRPHWLGRVHVODPiVEDMDSRVLEOH Este criterio de precisin equivale a la minimizacin del
error cuadrtico promedio.

0,$*HRHVWDGtVWLFD