3.1.

Kringing
k
^z ( x0 ) −m=∑ λ i [z ( x i )−m]
i=1

Dimana :
m = nilai mean (konstanta scalar)
λi = bobot z(xi) untuk estimasi lokasi x. Nilai z(xi) yang sama akan memiliki
koefisien bobot yang berbeda untuk estimasi pada lokasi yang berbeda
xi = vector lokasi berbeda
k = banyak data yang tersempel untuk estimasi

Y ( x )=z ( x )−E [z ( x )]

E [ Y ( x ) ]= E[ z ( x ) ]−E [z ( x )]

E [ Y ( x ) ] =0

kemudian,
z ( x )−E [ z ( x ) ]=0

E [ Y ( x ) ] =0

σ 2 ( x 0 )=Var ¿]

k
2
σ ( x 0 )=Var [∑
i=1
λi z ( x i )−z ( xi ) ]
3.2. Universal Kringing
k
^z ( x0 ) =∑ λi z ( x i )
i=1
 z ( x )=m ( x )+ ɛ ( x )

E [z ( x ) ]=m ( x )

untuk trend (drift) dari model polinominal f1(x) disajikan dalam bentuk sebagai
berikut:
n
m(x)=∑ al f l ( x)
l=0

dimana f0(x) = 1 dan ɛ(x) merupakan error yang memenuhi sifat intrinsic stationary
dengan E[ɛ(x)] = 0.
Dimana :
al = koefisien trend
fl(x) = koordinat lokasi
n = banyaknya orde dalam persamaan trend
k

∑ λi f l ( x i) =f l ( x 0 )
i=1

n k n

∑ al ∑ λi f l ( x i )=∑ al f l ( x 0 )
l=0 i=1 l=0

E¿

^z ( x )=m=z (x)

∑ λi=1
i=1