Una técnica de interpolación y regresión geoestadística que modela un campo espacial o funcional como un proceso gaussiano, produciendo el mejor predictor lineal insesgado y una estimación asociada de la incertidumbre de predicción.

Principio

Asumir que el campo desconocido es una realización de un proceso gaussiano con una media y una covarianza especificadas; condicionar ese proceso en los datos observados para calcular la media y la varianza predictiva en ubicaciones no observadas, a menudo usando parámetros de covarianza estimados a partir de los datos.

Demostración

Dadas observaciones de una variable espacial en ubicaciones de muestreo, elegir una función de covarianza paramétrica (por ejemplo, exponencial cuadrática), estimar sus parámetros por máxima verosimilitud y luego calcular la media y la varianza de kriging en nuevas ubicaciones para interpolar y cuantificar la incertidumbre.

Aplicación incorrecta

Usar kriging con un modelo de covarianza inapropiado o sin validar supuestos de estacionariedad puede producir predicciones engañosas y estimaciones de incertidumbre demasiado confiadas; aplicar kriging a datos no gaussianos con colas pesadas sin transformación puede ser inapropiado.

Consecuencia

Aplicado correctamente, kriging proporciona interpolantes suaves con cuantificación de incertidumbre fundamentada, permite la predicción lineal óptima bajo supuestos gaussianos y apoya decisiones de diseño espacial basadas en la varianza predicha.

Inversión

La inversión es la interpolación puramente determinista (por ejemplo, ponderación inversa por distancia o splines) que ofrece estimaciones puntuales sin un modelo probabilístico de incertidumbre y carece de garantías formales de optimalidad bajo supuestos estocásticos.

Límite

Se aplica cuando las tareas de modelado son compatibles con los supuestos de proceso gaussiano o cuando se desean predictores lineales insesgados; excluye entornos con fuerte no estacionariedad sin modelado adecuado o cuando el coste computacional de la inferencia GP completa es prohibitivo sin aproximación.

Tensión semántica

Tensión entre complejidad del modelo e interpretabilidad: los modelos de covarianza flexibles pueden capturar dependencias complejas pero corren riesgo de sobreajuste y gran coste computacional; núcleos más simples son interpretables y estables pero pueden pasar por alto estructura.

Síntesis

Kriging trata la interpolación como predicción probabilística bajo una prior de proceso gaussiano: ajustar una estructura de covarianza a los datos observados, calcular distribuciones predictivas condicionales en los objetivos y reportar predicciones puntuales junto con sus incertidumbres para guiar decisiones.