Kriging, Estimacin Geoestadstica, Mtodos,

Aplicaciones
Kriging es un estimador de geoestadstica infiere que el valor de un campo aleatorio en
un lugar no observada a partir de muestras.
La teora detrs de la interpolacin o la extrapolacin de kriging fue desarrollado por el
matemtico francs Georges Matheron basado en la tesis de maestra de Danie G. Krige, el
plotter pionero de las leyes de oro promedio de la distancia ponderada en el complejo de
arrecifes de Witwatersrand en Sudfrica. El verbo Ingls es Krige y el nombre ms comn es
kriging, ambos se pronuncia a menudo con una "g" duro, despus de la pronunciacin del
nombre "Krige".

Estimacin Geoestadstica
Trminos y tcnicas relacionadas
Kriging se basa en la idea de que en el valor de un punto desconocido debe ser el promedio
de los valores conocidos en sus vecinos, ponderada por la distancia de los vecinos al punto
desconocido.
El mtodo es matemticamente estrechamente relacionado con el anlisis de regresin.
Ambas teoras se derivan de un mejor estimador lineal, basado en suposiciones sobre las
covarianzas, hacen uso de Gauss-Markov teorema para demostrar la independencia de la
estimacin y el error, y hacer uso de frmulas muy similares.
Sin embargo, son tiles en diferentes marcos: kriging se hace para la estimacin de una nica
realizacin de un campo aleatorio, mientras que los modelos de regresin se basan en
mltiples observaciones de un conjunto de datos multivariados.
En la comunidad estadstica la misma tcnica tambin se conoce como proceso de regresin
gaussiana, de Kolmogorov Wiener prediccin, o mejor imparcial de prediccin lineal.
La estimacin kriging tambin puede ser visto como una spline un ncleo en el espacio de
Hilbert reproduccin, con reproduccin de ncleo dado por la funcin de covarianza. La
diferencia con el mtodo kriging clsica es proporcionada por la interpretacin: mientras que la

spline est motivado por una interpolacin norma mnima basada en una estructura de
espacio Hilbert, kriging es motivada por el error de prediccin cuadrado esperado sobre la
base de un modelo estocstico.
Kriging con superficies de tendencia polinmicas es matemticamente idntica a la de
mnimos cuadrados generalizados polinomio de ajuste de la curva.
Kriging tambin puede ser entendido como una forma de inferencia bayesiana. Kriging
comienza con una distribucin previa de las funciones. Este antes toma la forma de un
proceso Gaussiano: muestras de una funcin se distribuyen normalmente, donde la
covarianza entre dos muestras es la funcin de covarianza del proceso Gaussiano evaluado
en la ubicacin espacial de dos puntos. Se observa a continuacin, un conjunto de valores de
cada valor asociado con una localizacin espacial. Ahora, un nuevo valor puede predecirse en
cualquier nueva localizacin espacial, mediante la combinacin de la gaussiana antes con una
funcin de probabilidad gaussiana para cada uno de los valores observados. La distribucin
posterior resultante Tambin es gaussiana con una media y covarianza de que se puede
simplemente calcular a partir de los valores observados, su varianza, y el ncleo de la matriz
derivada de la anterior.

Estimador geoestadstico
En modelos geoestadsticos, datos muestreados se interpreta como un resultado de un
proceso aleatorio. El hecho de que estos modelos incorporan la incertidumbre en su
conceptualizacin no quiere decir que los fenmenos - el bosque, el acufero, el depsito
mineral - ha dado lugar a un proceso aleatorio, sino nicamente permite la construccin de
una base metodolgica para la inferencia espacial de las cantidades en ubicaciones no
observada y para la cuantificacin de la incertidumbre asociada con el estimador.
Un proceso estocstico es simplemente, en el contexto de este modelo, una manera de
abordar el conjunto de datos recogidos de las muestras. El primer paso en la modulacin
geoestadstica es la creacin de un proceso aleatorio que mejor describe el conjunto de datos
observados experimentales.
El valor espacial situada en se interpreta como una realizacin de la variable aleatoria. En el
espacio, donde se dispersa el conjunto de muestras, existen realizaciones de las variables
aleatorias, correlacionados entre s.

El conjunto de variables aleatorias, constituye una funcin aleatoria de los cuales slo se
conoce una realizacin - el conjunto de datos experimentales. Con slo una realizacin de
cada variable aleatoria que es tericamente imposible determinar un parmetro estadstico de
las variables individuales o la funcin.
La solucin propuesta en el formalismo geoestadstica consiste en asumir diversos grados de
estacionariedad en la funcin aleatoria, con el fin de hacer posible la inferencia de algunos
valores estadsticos.
Por ejemplo, si un grupo de trabajo de cientficos asume apropiada, basada en la
homogeneidad de las muestras en el rea en la que se distribuye la variable, la hiptesis de
que el primer momento es estacionaria, que, se lo que implica que la media puede ser
estimado por la media aritmtica de los valores de la muestra. A juzgar una hiptesis como
ste en su caso es el mismo que teniendo en cuenta que los valores de muestra son
suficientemente homogneas para validar que la representatividad.
La hiptesis de estacionariedad relacionado con el segundo momento se define de la siguiente
manera: la correlacin entre dos variables aleatorias depende nicamente de la distancia
espacial que les separa y es independiente de su ubicacin:
donde
La hiptesis permite inferir esas dos medidas - variograma y covariogram - basados en las
muestras:
donde

Estimacin lineal
Inferencia espacial, o estimacin, de una cantidad, en un lugar no observada, se calculan a
partir de una combinacin lineal de los valores observados y pesos:
Los pesos estn destinados a resumir dos procedimientos muy importantes en un proceso de
inferencia espacial:

reflejar la "proximidad" estructural de muestras para la estimacin de ubicacin,

al mismo tiempo, deberan tener un efecto de supresin de la segregacin, con el fin

de evitar el sesgo causado por conglomerados de la muestra eventuales

En el clculo de los pesos, hay dos objetivos en el formalismo geoestadstico: unbias y

varianza mnima de estimacin.
Caso de la nube de los valores reales se representa en funcin de los valores estimados, el
criterio para unbias globales, estacionalidad intrnseca o amplia estacionariedad sentido del
campo, implica que la media de las estimaciones debe ser igual a la media de los valores
reales.
El segundo criterio dice que la media de las desviaciones al cuadrado debe ser mnimo, lo que
significa que cuando la nube de valores estimados en comparacin con los valores reales de
la nube est ms dispersa, ms impreciso el estimador es.

Mtodos
Dependiendo de las propiedades estocsticas del campo aleatorio y los diversos grados de
estacionariedad asumido, los diferentes mtodos de clculo de los pesos se pueden deducir,
es decir, se aplican diferentes tipos de kriging. Los mtodos clsicos son:

Kriging ordinario asume estacionariedad del primer momento de todas las variables
aleatorias:, donde es desconocido.

Kriging simple se asume que el medio estacionario:, donde es conocido.

Kriging universal supone un modelo de tendencia polinmica general, como modelo de

tendencia lineal.

IRFk-kriging supone ser un polinomio desconocido.

Kriging Indicador utiliza funciones del indicador en lugar del propio proceso, con el fin
de estimar las probabilidades de transicin.

Mltiples indicador kriging es una versin del indicador kriging trabajar con una familia
de indicadores. Sin embargo, MIK ha cado en desgracia como una tcnica de
interpolacin en los ltimos aos. Esto es debido a algunas dificultades inherentes
relacionados con el funcionamiento y la validacin del modelo. La simulacin
condicional est convirtiendo en la tcnica de reemplazo aceptable en este caso.

Kriging disyuntivo es una generalizacin no lineal del kriging.

Kriging lognormal interpola datos positivos mediante logaritmos.

Kriging ordinario

El valor desconocido se interpreta como una variable aleatoria localizado adentro, as como
los valores de neighboors muestras. El estimador tambin se interpreta como una variable
aleatoria localizado adentro, un resultado de la combinacin lineal de variables.
A fin de deducir el sistema de kriging de las hiptesis del modelo, el siguiente error cometido al
estimar en el se declara:
Los dos criterios de calidad mencionados anteriormente ahora se pueden expresar en
trminos de la media y varianza de la nueva variable aleatoria:
Unbias
Dado que la funcin aleatoria es estacionaria, se observa la siguiente restriccin:
Con el fin de asegurar que el modelo es imparcial, la suma de los pesos debe ser uno.
Diferencia mnima: minimizar
Dos estimadores pueden tener, pero la dispersin en torno a su media determina la diferencia
entre la calidad de los estimadores.
* Vea matriz de covarianza para una explicacin detallada
* En los literales representan.
Vez definido el modelo de covarianza o variograma, o, vlida en todos los mbitos de anlisis
de, de lo que podemos escribir una expresin para la varianza de estimacin de cualquier
estimador en funcin de la covarianza entre las muestras y las covarianzas entre las muestras
y el punto para estimar :
Algunas conclusiones pueden hacerse valer a partir de estos expresiones. La varianza de la
estimacin:

no es cuantificable a cualquier estimador lineal, una vez que se asume la

estacionariedad de la media y de las covarianzas espaciales, o variogramas,.

crece con la covarianza entre las muestras, es decir, a la misma distancia al punto de
estimar, si las muestras son proximales entre s, que el efecto de la agrupacin, o la
redundancia de informacin, es mayor, por lo que la estimacin es peor. Esta

conclusin es vlida para cualquier valor de los pesos: una agrupacin preferencial de
las muestras es siempre peor de los casos, lo que significa que para el mismo nmero
de muestras de la varianza de estimacin crece con el peso relativo de los
conglomerados de la muestra.

crece cuando la covarianza entre las muestras y el punto de estimar disminuye. Esto
significa que, cuando las muestras son ms lejos de, la peor es la estimacin.

crece con la variacin, a priori, de la variable. Si la variable se dispersan menos, la

varianza es menor en cualquier punto de la zona.

no depende de los valores de las muestras. Esto significa que la misma configuracin
espacial reproduce siempre la misma varianza de estimacin en cualquier parte de la
zona. De esta manera, la varianza no mide la incertidumbre de la estimacin producida
por la variable local.

Sistema de Kriging
La solucin de este problema de optimizacin de los resultados en el sistema de kriging:
el parmetro adicional es un multiplicador de Lagrange se utiliza en la minimizacin del error
kriging en honor a la condicin insesgamiento.
Flujo de trabajo tpico
En primer lugar, un modelo de variograma necesita ser definido,. Esto tiene que tener en
cuenta conceptos tales como: campo, travesao, anisotropa, que no pertenecen al mbito de
aplicacin de este artculo.
Con esta funcin, ahora se puede calcular con la ecuacin anterior.
Por ltimo, la estimacin y el error del Kriging Ordinario est dada por:
Uso de NumPy en Python que se puede implementar como:
numpy importacin como np def variograma: "" "argumentos: dos ubicaciones: vuelve flotador
con valor de variograma" "" def OrdinaryKriging:. n = len X = Z = np.array np.matrix))) T #
prepara matrices con variograma modelo de __ k = de la fila en el rango] __ k =] ] K =
np.matrix M = np.matrix] for i in range] ]) # procesos de sistema kriging W = KI * float retorno M

Kriging simple
Kriging simple es matemticamente ms simple, pero el menos general. Se supone que la
expectativa del campo aleatorio a ser conocido, y se basa en una funcin de covarianza. Sin
embargo, en la mayora de las aplicaciones ni la expectativa ni la covarianza se conocen de
antemano.
Los supuestos prcticos para la aplicacin de simples kriging son los siguientes:

amplia estacionariedad sentido del campo.

La expectativa es cero en todas partes:.

Funcin de covarianza conocido

Sistema de Kriging
Los pesos de kriging kriging simples no tienen condiciones insesgamiento y se les da por el
simple sistema de ecuaciones kriging:
Esto es anlogo a una regresin lineal de por el otro.
Estimacin
La interpolacin por simple Kriging est dada por:
El error kriging viene dada por:
lo que conduce a la generalizada menos la versin cuadrados del teorema de Gauss-Markov:

Propiedades

La estimacin kriging es imparcial:

La estimacin kriging honra el valor realmente observado:

La estimacin kriging es el mejor estimador lineal insesgado de si las suposiciones

sostienen. Sin embargo:
o

Al igual que con cualquier mtodo: si los supuestos no se sostienen, kriging

puede ser malo.

Puede haber mejores mtodos no lineales y/o sesgada.

No se garantizan las propiedades, cuando se utiliza el variograma mal. Sin

embargo por lo general todava se consigue una "buena" interpolacin.

Lo mejor no es necesariamente bueno: por ejemplo, En caso de no

dependencia espacial de la interpolacin kriging es slo tan buena como la
media aritmtica de.

Kriging proporciona como una medida de precisin. Sin embargo, esta medida se basa
en la correccin del variograma.

Aplicaciones
Aunque Kriging fue desarrollado originalmente para aplicaciones en geoestadstica, se trata de
un mtodo general de la interpolacin estadstica que se puede aplicar dentro de cualquier
disciplina a los datos muestreados de campos aleatorios que satisfacen los supuestos
matemticos apropiados.
Hasta la fecha kriging se ha utilizado en una variedad de disciplinas, incluyendo las siguientes:

Ciencias ambientales

Hidrogeologa

Minera

Recursos naturales

La teledeteccin

Evaluacin de bienes races

y muchos otros.

: Diseo y anlisis de experimentos informticos

Otro campo muy importante y rpidamente creciente de aplicacin, en ingeniera, es la
interpolacin de los datos que salen como variables de respuesta de simulaciones por
ordenador deterministas, por ejemplo, mtodo de elementos finitos simulaciones. En este
caso, Kriging se utiliza como una herramienta metamodelado, es decir, un modelo de caja
negro construido sobre un conjunto de experimentos diseados de ordenador. En muchos
problemas prcticos de ingeniera, tales como el diseo de un proceso de formacin de metal,
una nica simulacin FEM podra ser de varias horas o incluso unos pocos das de largo. Por
tanto, resulta ms eficiente de disear y ejecutar un limitado nmero de simulaciones por
ordenador y, a continuacin, utilizar una interpolacin kriging de predecir rpidamente la

respuesta en cualquier otro punto de diseo. Por tanto, Kriging se utiliza muy a menudo como
un modelo sustituto as llamado implementado dentro de rutinas de optimizacin.