1 
1 Einleitung 
Hinter dem Begriff "Geostatistik" verbirgt sich ein noch relativ junger Zweig der Geo 
wissenschaften, der zu Beginn der sechziger Jahre von dem französichen Statistiker 
G. Matheron (1963) begründet und namentlich geprägt wurde. Mit seiner "Theorie der 
regionalisierten Variablen" legte Matheron (1965) das theoretische Fundament der Geo 
statistik. 
In ihrer ursprünglichen Form war die Geostatistik zunächst ein neuer Weg, wohlbe 
kannte mathematische und statistische Methoden auf Fragestellungen des Bergbaus 
(Vorratsschätzung von Lagerstätten) zu übertragen. Mit Gründung des "Centre de 
Geostatistique" an der "Ecole Nationale Supérieure des Mines de Paris" in Fontainebleau 
(Frankreich) im Jahre 1968 begann jedoch eine ständige Weiter- und Neuentwicklung 
von theoretischen Konzepten und praktischen Verfahren. Dabei bildete sich auch eine 
eigene Terminologie heraus, die von der Begriffswelt der klassischen Statistik teilweise 
stark abweicht. Worte wie z.B. "Nugget-Varianz" erinnern daran, daß die Wurzeln der 
Geostatistik im Goldminen-Bergbau liegen. 
Die allgemeine Zielsetzung der Geostatistik, deren Einsatzgebiet heutzutage weit 
über die Vorratsschätzung hinaus reicht, läßt sich am besten durch Matherons eigene 
Definition (siehe Journel und Huijbregts, 1978) beschreiben: 
"Geostatistik ist die Anwendung des Formalismus’ der Zufallsfunktionen zur 
Erkundung und Schätzung von natürlichen Phänomenen" 
Die bekannteste geostatistische Methode ist "Kriging", eine Methode zur optimalen 
Schätzung von räumlich-abhängigen Variablen. Der Name geht auf D.G. Krige zurück, 
der schon Anfang der fünfziger Jahre die räumliche Korrelation nutzte, um Goldvor 
kommen in südafrikanischen Minen statistisch abzuschätzen (David, 1977). Genauge 
nommen umschreibt der Begriff "Kriging" jedoch nicht ein einzelnes, sondern eine 
Vielzahl von Verfahren (siehe z.B. Journel und Huijbregts, 1978), deren gemeinsames 
Ziel es ist, 
1. die unter bestimmten Voraussetzungen bestmögliche Abschätzung einer regionali 
sierten Variablen an Punkten, wo diese Variable nicht bekannt ist, aus benach 
barten Werten zu finden, 
2. den Fehler, der bei dieser Approximation gemacht wird, abzuschätzen. 
Eine Möglichkeit, die Kriging-Verfahren zu klassifizieren besteht darin, sie in lineare und 
nicht-lineare Verfahren einzuteilen. 
Einige lineare Kriging-Verfahren: 
- Einfaches Kriging (Kriging mit bekanntem Erwartungswert) 
- Gewöhnliches Kriging (Kriging mit unbekanntem stationärem Erwartungswert) 
- Universelles Kriging (Kriging mit unbekanntem nicht-stationärem Erwartungswert)