En estadística , originariamente en geoestadística , el kriging o regresión de procesos gaussianos es una técnica de interpolación en la que los valores interpolados se modelan mediante un proceso gaussiano determinado por covarianzas previas, a diferencia de un spline polinómico por partes , que optimiza la suavidad de los valores interpolados. . Este método de interpolación lleva el nombre del ingeniero de minas sudafricano Daniel Krieg., dedicada a la creación manual de mapas geológicos a partir de un conjunto limitado de datos en un área determinada. Este es un tipo de regresión lineal generalizada que usa parámetros estadísticos para encontrar la mejor estimación en términos de desviación estándar mínima al construir superficies, cubos y mapas. El método se basa en el principio de la media imparcial; es decir, tomados en conjunto, los valores en el mapa deben tener la media correcta . La imparcialidad global se proporciona formalmente elevando los valores bajos y disminuyendo los altos.
Con los valores previos correctos elegidos, kriging brinda la mejor predicción lineal imparcial de valores intermedios. Los métodos de interpolación basados en otros criterios, como la suavidad, no deberían dar los valores más probables en los puntos intermedios. Este método es ampliamente utilizado en el campo del análisis espacial y experimentos informáticos (numéricos) . Este método también se conoce como predicción de Wiener-Kolmogorov en honor a Norbert Wiener y Andrey Nikolaevich Kolmogorov .
Desde un punto de vista estadístico general, kriging se trata de minimizar la varianza del error de medición , que es una función de los pesos que se miden. Minimizar esta varianza reduce el error estándar de la desviación del valor estimado del posible. Esto se logra igualando a cero la primera derivada del error con respecto a cada peso desconocido. Como resultado se deriva un sistema de ecuaciones cuya solución es el vector de pesos.
Kriging realiza dos grupos de tareas:
Una representación cuantitativa de la estructura espacial de los datos, conocida como construcción de semivariograma , permite a los usuarios ajustar un modelo de dependencia espacial a los datos. Para calcular (predecir) el valor desconocido de una variable en una ubicación determinada, kriging utilizará un modelo de semivariograma adecuado (ajustado), configuración de datos espaciales y valores en puntos de medición alrededor de la ubicación determinada.