Kriging Ordinario

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 8

Captulo 3

Kriging Ordinario
Kriging Ordinario es similar a Kriging Simple y slo se diferencia en el hecho
que la media del proceso, E(zj ) = , es constante pero desconocida y deber ser
estimada. La estimacin de tambin se construye a partir de una combinacin
lineal de la muestra; adems, como
es un estimador se determinar su varianza
para poder hacer inferencia acerca del verdadero valor de .
Se sugiere ver previamente los Captulos I y II (Kriging Simple) ya que la
notacin y los resultados all presentados se usan en este captulo.

3.1.

Objetivos de Kriging Ordinario

Dada la muestra A = {(z1 , x1 ), ...(zj , xj ), ...(zn , xn )} del campo aleatorio en


el espacio Rp , es decir: z1 , ...zj , ...zn las variables aleatorias definidas en los
puntos x1 , ...xj , ...xn del campo en consideracin, y asumiendo como hiptesis
que:
El proceso es estacionario de segundo orden
Su estructura de covarianza es conocida
La media del proceso, E(zj ) = , es desconocida
Kriging Ordinario persigue los siguientes objetivos:
1. Construir un estimador lineal insesgado
de de varianza mnima
(BLUE), y determinar dicha varianza con la finalidad de hacer inferencia
sobre el verdadero valor de la media .
2. Dada la muestra A y punto arbitrario x0 , donde se desconoce z0 , construir un predictor lineal insesgado z0 de z0 de modo de minimizar la
varianza del error (BLUP), donde se entiende por error la variable
aleatoria error = z0 z0 , diferencia entre z0 y el predictor z0 . Adems,
determinar dicha varianza.

18

3.2. ESTIMACIN DE LA MEDIA DEL PROCESO Y SU VARIANZA

Ntese que tanto z0 como error son predictores, es decir variables aleatorias!!
Slo cuando se toma una muestra y z1 , ...zj , ...zn son valores muestrales especficos de una realizacin, Kriging Simple genera un mapa de prediccin de la
realizacin y otro de la varianza del error. Los resultados que siguen corresponden a propiedades de las variables aleatorias, es decir antes del proceso de tomar
valores especificos de z1 , ...zj , ...zn .

3.2.
3.2.1.

Estimacin de la media del proceso y su


varianza
Estimacin de la media

La siguiente proposicin establece que el estimador ptimo de la media del


proceso depende de la posicin relativa de los puntos de la muestra, informacin
contenida en la matriz C de covarianza.

Proposicin
El estimador lineal insesgado ptimo
es un promedio ponderado de los
valores de la muestra:
=

inv(C) L
LT inv(C) L

(3.1)

V ar(!
) = V ar(T Z) =

1
LT inv(C) L

(3.2)

! = T Z

con

Siendo la varianza mnima del error

Demostracin:
!Se construye un estimador lineal de , ( T Z), que sea insesgado y de
varianza mnima. Si es insesgado se cumple:
E( T Z) = T E(Z) = T L = , luego
(3.3)

T L = 1
La suma de los j debe ser 1. Es decir, un promedio ponderado de Z.

La varianza del estimador es: V ar( T Z) = T C


Su optimizacin es un problema de minimizacin con la restriccin ecu.3.3,
que se resuelve mediante multiplicadores de Lagrange agregando un parmetro
2 por la restriccin
min H(, ) = T C + 2 ( T L 1)

Salvador Pintos

19

ICA-LUZ-VE

3.2. ESTIMACIN DE LA MEDIA DEL PROCESO Y SU VARIANZA

donde por comodidad el multiplicador se expresa como 2. Si anulamos los


gradientes respecto de las dos variables de la funcin H(, ) a minimizar :
" = 2C + 2L = 0
" = 2( T L 1) = 0

de la primera:

= inv(C)L

y multiplicando a la izquierda por LT y usando la segunda igualdad:


1 = Linv(C)L
entonces:
=

1
LT inv(C)L

inv(C)L
LT inv(C)L

En cuanto a su varianza
LT inv(C)
inv(C)L
1
V ar(T Z) = T C = T
C
= T
"
L inv(C)L LT inv(C)L
L inv(C) L

3.2.2.

Corolarios

3.2.2.1.

es fijo, independiente del muestreo y dado slo por la


estructura de covarianza, Cov(Z).

Como se ha supuesto que la matriz de covarianza depende de la posicin


de los xj , y para este conjunto {x1 , ...xj , ...xn } la matriz de covarianza Cov(Z)
es conocida, el estimador no depende de la muestra Z, es decir es un vector
constante.
3.2.2.2.

! es aleatorio ya que es un promedio ponderado de los valores de la muestra Z

Es un promedio ponderado ya que LT =

Salvador Pintos

20

LT Cov(Z)1 L
LT Cov(Z)1 L

=1

ICA-LUZ-VE

3.3. PREDICCIN DE Z0 Y VARIANZA DEL ERROR

3.2.2.3.

Los pesos de dependen de la posicin relativa entre los


puntos x y de los parmetros del modelo de covarianza

3.2.2.4.

V ar(!
) es conocida previa al muestreo y es proporcional a la
varianza del proceso.

3.2.2.5.

Si las observaciones de la muestra estn muy alejadas, C =


2
T
) = n y
! = m = L nZ coinciden con los
2 In , entonces V ar(!
clsicos de la media muestral.

3.3.

Prediccin de z0 y varianza del error

La proposicin que sigue resume las caractersticas del predictor (BLUP) de


Kriging Ordinario:
primero, que la prediccin ptima depende de la estructura de covarianza de
la muestra, C, de la covarianza entre los puntos de la muestra y el punto donde
se desea predecir , w y de la media estimada del proceso
; y segundo, que la
varianza del error depende de C, w, de la varianza de la media V ar(!
) y de la
varianza del proceso, 2 .

Proposicin
Los pesos
del predictor lineal ptimo de z0 , T Z , estn dados por:
(3.4)

= + V ar(
) coef inv(C) L
o su equivalente slo en funcin de C y w:

= inv(C)w +

1
(1 wT inv(C)L)inv(C)L
LT inv(C) L

el predictor por:
!T Z =
! + wT inv(C) (Z L!
)
z!0 =

(3.5)

y respecto del error cometido, la varianza del error est dada por:
V ar(Error0 ) = 2 wT inv(C)w + V ar(
)(1 wT inv(C)L)2

(3.6)

Demostracin:
!
Si el predictor es insesgado se cumple que E(T Z) = E(z0 ) = T E(Z) =
T L = T L = 1 es decir un promedio ponderado.
Si Error = z0 T Z se desea minimizar la varianza del Error:
M in V ar(Error) = M in V ar(z0 T Z)

Salvador Pintos

21

ICA-LUZ-VE

3.3. PREDICCIN DE Z0 Y VARIANZA DEL ERROR

es:

De nuevo es un problema de minimizacin con restricciones, cuyo lagrangiano


min H(, ) = V ar(z0 T Z) + 2(T L 1)

El primer trmino es:

V ar(z0 ) + V ar(T Z) 2cov(z0 , Z) = V ar(z0 ) + T C 2T w

(3.7)

Luego se minimiza:
min H(, ) = V ar(z0 ) + T C 2T w + 2(T L 1)
Si anulamos los gradientes de la funcin H(, )respecto de y se tiene :
" = 2C 2w + 2L = 0
" = 2(T L 1) = 0
quedando el sistema con dos ecuaciones:
C + L
LT

=
=

w
1

Este sistema se puede expresar matricialmente:


#$
% $
%
"

w
C L
=

1
LT 0

(3.8)
(3.9)

(3.10)

'1
&
=
Para simplificar los clculos que siguen se notar h = LT inv(C) L
V ar(
).
El sistema 3.10 es:
)
(
C + L = w
LT = 1

luego de la primera ecuacin + inv(C) L = inv(C) w , que multiplicando


por LT y aplicando la segunda se tiene:
1 + LT inv(C) L = LT inv(C) w
usando 2.4 y despejando:
= h(LT 1)

(3.11)

= inv(C) L = + h coef inv(C) L

(3.12)

= + h coef inv(C) L = + LT

(3.13)

o su equivalente en funcin de ecu, 3.1

Luego, el predictor ptimo de z0 es:

Salvador Pintos

+ T (Z LT Z)

!T Z = Z
22

ICA-LUZ-VE

3.3. PREDICCIN DE Z0 Y VARIANZA DEL ERROR


T
y sustituyendo la media del proceso
! = Z se obtiene ecu. 3.5.
En cuanto a la varianza del error mnima, se deduce de las ecuaciones 3.7,
3.8 y 3.9:
V ar(Error) = V ar(z0 ) T w

Sustituyendo ecu. 3.12 y ecu.3.11 se tiene

+ h coef inv(C) L)T w + h coef


V ar(Error) = V ar(z0 ) (

V ar(Error) = 2 wT inv(C)w h coef LT inv(C)w + h coef


(3.14)

V ar(Error) = 2 wT inv(C)w + hcoef 2

y sustituyendo h y coef por su valor se obtiene ecu. 3.6"

corolarios
3.3.1.

El predictor es similar al de Kriging Simple

Ntese que la prediccin ecu. 3.5 es la media del proceso ms un promedio


ponderado de los desvos de los valores de Z respecto de la media
!. Estos pesos
son los mismos obtenidos en Kriging Simple ecu. 2.8.

3.3.2.

La varianza del error tiene un trmino adicional a


la expresin de Kriging Simple

Los dos primeros trminos de la ecu. 3.6 corresponden a la frmula de Kriging


Simple a la que se le agrega el trmino positivo: V ar(
)(1 wT inv(C)L)2 ,
es decir se tiene un incremento en la varianza del error que se deriva de la
incertidumbre en el predictor de la media
.

3.3.3.

El predictor depende de la estructura de correlacin

z!0 =
!T Z = corr(z0 , Z)T R(Z)1 (Z L!
) +
! es decir, los coeficientes de
prediccin dependen de la estructura de correlacin de los puntos de la muestra
Z entre s, y de la correlacin entre la nueva variable z0 y los puntos de la
muestra Z.

3.3.4.

Caso x0 alejado de la muestra (ausencia de informacin)

Si x0 est suficientemente alejado como para que w = 0 entonces el modelo


predice con la media
!. En cuanto a la varianza del error: V ar(Error) = 2 +
V ar(
). A diferencia de Kriging Simple la varianza del error puede superar la
varianza del proceso!

Salvador Pintos

23

ICA-LUZ-VE

3.4. SOLUCIN NUMRICA EFICIENTE

3.4.

Solucin numrica eficiente

Los resultados establecidos en las proposiciones fundamentales de las secciones 3,2 y 3,3 , se obtienen eficientemente usando las ventajas de la solucin de
sistemas lineales cuando la matriz es definida positiva, como lo son las matrices
de covarianza.
Entrada:
La muestra {(z1 , x1 ), ...(zj , xj ), ...(zn , xn )} y el punto xo donde predecir zo
La matriz de covarianza C entre las variables aleatorias de la muestra
El vector de covarianza w entre las variables de la muestra y zo
El algoritmo es el siguiente:
1. Resolver el sistema C aux = L (es decir hallar aux = inv(C) L)
2. Resolver el sistema C = w (es decir hallar = inv(C) w)
3. Calcular coef = 1 LT
)
4. Calcular h = (LT aux)1 (Varianza de
5. Calcular = h aux
6. Calcular
= + coef
7. Calcular V ar(error) = 2 wT + hcoef 2
8. predecir
= T Z ( media muestral)
T Z (prediccin del proceso en el punto xo )
9. predecir zo =
Ntese
que los sistemas 1 y 2 se resuelven simultaneamente, y como C es definida
positiva la solucin de dichos sistemas es eficiente (Cholesky, por ejemplo)
que los primeros 7 pasos se realizan previos al muestreo donde se determinan la varianza de
y la varianza del error!
Que los valores de z obtenidos en el muestreo son slo necesarios en los
pasos 8 y 9 para predecir la media muestral
y la prediccin zo .

3.5.

Kriging es interpolante y la varianza del error


es nula en la muestra

Si z0 coincide con z1 , entonces w es la primera columna de C luego, inv(C) w =


(1, 0, ...,0)T , LT inv(C) w = 1 y wT inv(C) w = 2 entonces

Salvador Pintos

! = (1, 0, ...,0)T
24

ICA-LUZ-VE

3.6. HIPTESIS DE NORMALIDAD

lo que implica que el predictor


!T Z = z1 , es decir es interpolante ya que el
modelo de pronstico asigna el valor muestral.
En cuanto a la varianza del error de la ec. 3.14:
V ar(Error) = 2 2 = 0
es decir el modelo predice con exactitud en los puntos de la muestra.

3.6.

Hiptesis de Normalidad

Si se presupone que para cualquier conjunto x1 , ...xj , ...xk el vector Z asociado es normal multivariado es posible expresar las distribuciones de los predictores hallados en este captulo as como obtener intervalos de confianza, test
de hiptesis, etc. Sin embargo, debido a la estimacin de , los predictores de
Kriging Ordinario no coinciden con los resultados de la distribucin normal
multivariada vlidos para Kriging Simple.

3.6.1.

Distribucin de
!

Por lo expresado en la estimacin de , Ecu. 3.1,


! es una combinacin lineal
de Z y es insesgado
LT CZ

! = T Z = T
L CL
de varianza conocida, Ecu. 3.2
V ar(!
) = V ar( T Z) =

1
LT CL

Luego,
! se distribuye normal N (, V ar() ) y es posible obtener intervalos
de confianza de la media, , del proceso a partir de la funcin inversa de la
distribucin acumulada de la Normal.

3.6.2.

Distribucin de z0

En cuanto al predictor de z0 por la ecu. 3.5 z!0 es insesgado y es una C. Lineal


de Z
!T Z = wT inv(C) (Z L!
) +
!
z!0 =

donde la varianza del error, z!0 z0 , es constante:


Luego, z0 z!0 se distribuye normal N (0, V ar(Error) ) y es posible obtener
intervalos de confianza de z0 , a partir de la funcin inversa de la distribucin
acumulada de la Normal.

Salvador Pintos

25

ICA-LUZ-VE

También podría gustarte