Kriging Ordinario
Kriging Ordinario
Kriging Ordinario
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.
18
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.
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
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.
Salvador Pintos
19
ICA-LUZ-VE
de la primera:
= inv(C)L
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.
Salvador Pintos
20
LT Cov(Z)1 L
LT Cov(Z)1 L
=1
ICA-LUZ-VE
3.2.2.3.
3.2.2.4.
V ar(!
) es conocida previa al muestreo y es proporcional a la
varianza del proceso.
3.2.2.5.
3.3.
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
es:
(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
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
(3.11)
(3.12)
= + h coef inv(C) L = + LT
(3.13)
Salvador Pintos
+ T (Z LT Z)
!T Z = Z
22
ICA-LUZ-VE
corolarios
3.3.1.
3.3.2.
3.3.3.
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.
Salvador Pintos
23
ICA-LUZ-VE
3.4.
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.
Salvador Pintos
! = (1, 0, ...,0)T
24
ICA-LUZ-VE
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
!
! = 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
Salvador Pintos
25
ICA-LUZ-VE