Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
c + d iw
i =
1
i =1 c + d w
n
D
z(x)
d
Estimadores lineales ponderados
◼ Kriging es “una colección de técnicas generalizadas de regresión lineal
para minimizar una varianza de estimación definida de un modelo a
priori de covarianza” (R. Olea, 1991).
◼ Kriging es el mejor estimador lineal insesgado.
◼ “El mejor” solamente en el sentido del error de mínimos cuadrados
para un modelo dado de covarianza / varianza
◼ Varios tipos de kriging:
◼ Kriging Simple: media conocida m
◼ Kriging Ordinario: media desconocida
◼ Kriging con un modelo de deriva: media conocida en cada posición m(u)
◼ Kriging con una deriva externa: el modelo de deriva escalado a partir de
una variable secundaria m(u)=a0+a1y(u)
◼ Kriging Factorial: El modelo de FA Z(u) es separado en componentes
independientes (factores)
◼ Kriging no lineal: Lognornal, MG, Kriging de rangos, KI, KD, …
◼ Kriging de Indicadores: KIS, KIO, KIM, …
◼ Kriging de Probabilidades: Usa indicadores y orden estandarizado de los
datos
Kriging
◼ Considere los valores de residuos respecto a la media:
Y(ui)= Z(ui) - m(ui), i=1,…,n
donde m(u) podría ser constante, variable localmente o considerada
constante pero desconocida.
◼ El variograma se define como:
2 (h) = E{[ Y(u}) - Y(u + h]2}
◼ La covarianza se define como:
C(h) = E{ Y(u) Y(u + h)}
◼ Relación entre el variograma y la covarianza:
2 (h)= [ E{ Y2(u) + [ E{ Y2(u + h)}] - 2 [ E{ Y(u) • Y(u + h)]
= Var{Y(u)} + Var{Y(u + h)} - 2 C(h})
= 2 [ C(0) - C(h) ] C(0) = meseta
i =1
E{Y ( u ) Y ( u )} − 2 E {Y ( u) Y ( u )}
i =1 j =1
i j i j
i =1
i i + C (0)
n n n
C ( u , u ) − 2 C ( u, u )
i =1 j =1
i j i j
i =1
i i + C (0)
Kriging Simple
◼ Los ponderadores óptimos (que minimizan la varianza del error) i,
i=1,…,n pueden determinarse tomando derivadas parciales con
respecto a los ponderadores
[ ] n
= 2 jC(u i , u j ) − 2 C(u, u i ) , i = 1,...,n
i j= 1
e igualándola a cero
n
C(u , u ) = C(u, u ) ,
j= 1
j i j i
i = 1,...,n
◼ Y por lo tanto:
n n
Z (x 0 ) = Z (x ) + ( 1 − ) m
*
=1 =1
n
2
KS (x 0 ) = C (0) − C (x − x 0 )
=1
Kriging Simple
◼ O en términos de variograma:
(x1 − x1 ) (x1 − x n ) 1 (x1 − x 0 )
=
(x − x ) (x − x ) (x − x )
n 1 n n n n 0
◼ Y se obtiene: n n
Z (x 0 ) = Z (x ) + ( 1 − ) m
*
=1 =1
n
2
KS (x 0 ) = − (0) + (x − x 0 )
=1
Kriging Simple
2,3
◼ Hay tres ecuaciones para determinar 1,2 1,3
los tres ponderadores: 0,1 0,2
0,3
◼ En notación matricial
alcance = 10
Distancia
λ1 λ2 λ3
rango = 10 0.781 0.012 0.065
5 0.648 -0.027 0.001
1 0.000 0.000 0.000
Kriging Simple
◼ Kriging simple con un variograma esférico isótropo con un rango
de 10 unidades de distancia y tres diferentes efectos pepita:
Distancia
1 2 3
pepita = 0% 0.781 0.012 0.065
25% 0.468 0.203 0.064
75% 0.172 0.130 0.053
100% 0.000 0.000 0.000
Kriging Simple
◼ Kriging simple con un variograma esférico con una efecto pepita
del 25%, un alcance principal de 10 unidades y alcances
menores diferentes:
Cambio de anisotropía
1 2 3
anisotropía 1:1 0.468 0.203 0.064
2:1 0.395 0.087 0.141
5:1 0.152 -0.055 0.232
20:1 0.000 0.000 0.239
Propiedades del Kriging
Simple
◼ Escribamos una forma más general del estimador de kriging simple,
esto es, una estimación de ZV(u) con zv(ui), i=1, …, n:
=1
m m
=1
n
( − 1 )
=1
=m
=1
n
KO
2
(x 0 ) = (x − x 0 ) +
=1
Efecto de Distancia
◼ Caso base y efecto del aumento en la distancia sobre los
ponderadores ( ( h) = 0,2 + 0,8 Sph (100))
2 2
K = 0,1888 K = 0,2162
0,25 0,265
0,25
0,129
50 50
Efecto Pantalla y Anisotropia
◼ Efecto pantalla y de la anisotropía (Anis. Geom. 4 x 1) sobre los
ponderadores ( ( h) = 0,2 + 0,8 Sph (100))
2
2
K = 0,1668 K = 0,2248
0,247 0,074
50 0,233 0,233 50
50 0,426 0,426
0,174
0,080 0,074
0,033
50
50
Efecto de Declusterizacion y
Distancia
◼ Efecto de declusterización y declus. + distancia sobre los
ponderadores ( ( h) = 0,2 + 0,8 Sph (100))
2 2
K = 0,1668 K = 0,2107
0,215 0,3437
0,111 0,016
50 0,242 0,106 50 0,2674 0,013
0,111 0,016
0,215
0,3437
50 50 100 150
Cambio en efecto pepita
◼ Efecto sobre los ponderadores de un cambio en el efecto pepita
del modelo variográfico
2 2
K = 0,0827 K = 0,1206
0,208 0,1044
50 50
0,042 0,1456
50 50
(h) = 0,2 + 0,8 Sph(100) (h) = 0,7 + 0,3 Sph(100)
Efecto suavizante de Kriging
◼ Kriging es localmente preciso y suave:
◼ Apropiado para visualizar derivas
◼ Inapropiado para evaluación de procesos donde los valores
extremos son importantes
◼ La “varianza” de los valores estimados de kriging es muy baja:
Var{Y*(u)}=2-2SK
◼ 2 es la varianza completa
◼ 2SK(u) es cero en la posición de los datos
no hay suavizamiento.
◼ 2SK(u) es la varianza 2 lejos de la posición de los datos
suavizamiento total
◼ Las variaciones espaciales de 2SK(u) dependen del variograma y el
espaciamiento de los datos
◼ La varianza perdida es la varianza de kriging 2SK(u)
Efecto suavizante de Kriging
◼ La idea de la simulación es corregir la varianza y obtener el
variograma correcto
Ys (u ) = Y * (u ) + R(u )
=1 =1 2 =1
Kriging Lognormal Ordinario
◼ Kriging lognormal ordinario:
◼ Nuevamente, si la distribución de datos es lognormal, se hace el
cambio de variable:
( x ) = ln (Z ( x ) + )
◼ El sistema de kriging y la varianza de estimación son idénticos al
caso del kriging ordinario (se debe usar el variograma de los
logaritmos).
◼ El estimador es:
n
1 n
(x 0 ) = (x ) + (C ( x − x ) − C ( x 0 − x ) ) +
* 1
=1 2 =1 2
Kriging con media que varía
localmente
◼ En presencia de una deriva, el KS no puede usarse, ya que
asume una media constante m en cualquier lugar
◼ La deriva debe modelarse (por ejemplo, usando una técnica de
media móvil), así en cada posición el valor m(u) es conocido
◼ Kriging con una media que varía localmente kriging
con los residuos
n
[Z (u ) − m(u )] = (u )[Z(u ) − m(u )]
*
SK
=1