Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CG6 2009 PDF
CG6 2009 PDF
DE MÉXICO
GEOESTADÍSTICA
APLICADA
Tema: Estimación Espacial
Instructores:
Dr. Martín A. Díaz Viera (mdiazv@imp.mx)
Dr. Ricardo Casar González (rcasar@imp.mx)
2009
Contenido
• Introducción
• Ecuaciones del Kriging
• Clasificación del Kriging
• Tipos de Kriging lineal más usuales
• Kriging Simple
• Kriging Ordinario
• Kriging Universal
• Kriging Residual
• Kriging Indicador
• Aspectos prácticos del Kriging
03/04/2009 CG6-Estimación Espacial 2
Introducción
Malla
Problema: A partir de información
x Celda conocida de una propiedad, medida
x
en ciertas ubicaciones, estimar el
x
valor en localizaciones en donde se
x desconoce o se carece de muestreo,
x x usualmente en una malla.
x
x x
En geoestadística el método de
x estimación espacial que se usa es el
x Kriging
x x
Nodos Muestra x
03/04/2009 CG6-Estimación Espacial 3
Introducción
• El Kriging es un término que ha sido acuñado
para designar al “mejor estimador lineal
insesgado” (BLUE, en inglés).
• Esta es una técnica de estimación espacial
desarrollada por G. Matheron en los sesentas a
partir de los trabajos de D. G. Krige quién
fue pionero en el uso de la correlación
espacial para propósitos de predicción.
• Matheron le asigna el nombre de Kriging en
honor a Krige.
03/04/2009 CG6-Estimación Espacial 4
Introducción
• El estimador Kriging se considera óptimo
ya que:
1. Es insesgado, es decir, el valor esperado del
error es cero.
2. Garantiza la mínima varianza de la
estimación, es decir, reduce al mínimo la
varianza del error de la estimación.
• Mejor → {
m i n V a r Z 0 − Z *
0 }
N
• Lineal → Z *
0 = ∑
i =1
λiZ i
• Insesgado → E Z 0 = E Z
*
0
• Valor esperado E Z ( x ) = m; ∀ x
• Función de covarianzas
C ( h ) = E Z ( x + h ) Z ( x ) − m 2
• Variograma
γ (h) = 1 2Var [ Z ( x + h) − Z ( x)]
i =1
n
• Esto implica que
E Z ( x ) = m
∑λ i i
i =1
m
• Entonces n n
∑λ m = m ⇒ ∑λ
i =1
i
i =1
i =1
σ = Var Z k − Z = E ( Z k − Z k )
2 * * 2
e k
• Entonces, para satisfacer la condición de insesgadez
hay que minimizar la siguiente función objetivo:
n
F = σ e − 2µ ∑ λi − 1
2
i =1
µ - un multiplicador de Lagrange
03/04/2009 CG6-Estimación Espacial 9
Ecuaciones del Kriging
• Derivando a F respecto a λi y µ resulta el
sistema de ecuaciones del Kriging:
∂ F n
∂λ = −2σ ki + 2∑ λ jσ ij − 2 µ = 0, i = 1,..., n
i j =1
∂ F n
= ∑ λi − 1 = 0
∂µ i =1
donde σ ij = C ( x i , x j ) − covarianza
i =1
Z* z4
z3
puntual
z2
z1
por bloques Z*
z3 z4
• Kriging Ordinario
• Kriging Universal
• Kriging Residual
• Requisitos:
Conocer valores esperados de la función
m( x i ) = E Z ( x i ) , ∀i = 0,..., n
aleatoria .
n
∑ j ijλ σ = σ i = 1,..., n
' '
i0 ,
j =1
n
λ = m ( x ) − λ m ( x )
0 0 ∑
i =1
i i
Estimador: 0 = λ0 + ∑ λi Z ( x i )
*
• Z
i =1
n
σ K2 = σ 00' − ∑ λiσ i' 0
• Varianza de la estimación: S
i =1
σ ij , γ ij
03/04/2009 CG6-Estimación Espacial 19
Kriging Ordinario
• Sistema de ecuaciones:
n
∑ λ jσ ij − µ = σ 0i , i = 1,..., n
j =1
n
λ =1
∑
i =1
i
• Estimador: Z 0* = ∑ λi Z ( xi )
i =1
n
σ K2 = σ 00 − ∑ λiσ i 0 + µ
• Varianza de la estimación: O
i =1
m ( x ) = E Z ( x ) = ∑ alφl ( x )
l
Conocer la función de covarianzas o el
semivariograma de la función aleatoria sin
tendencia, es decir
σ ij , γ ij para {Z ( x ) − m ( x )}
03/04/2009 CG6-Estimación Espacial 21
Kriging Universal
• Sistema de ecuaciones:
n L
∑ λ jσ ij − ∑ µlφl ( x i ) = σ 0i , i = 1,..., n
j =1 l =1
n
λ φ ( x ) = φ ( x ), l = 1,..., L
∑
i =1
i l i l 0
• Estimador: Z 0* = ∑ λi Z ( x i )
i =1
n L
Z * ( x ) = mk* ( x ) + R* ( x )
1 1
E [ Φ ( A, zc )] = E ∫ I ( x, zc )d x = ∫ E [ I ( x, zc )] d x
A x∈A A x∈A
F. de distribución de Z E [ Φ( A, zc )] = Pr [ Z ( x) ≤ zc ] = FZ ( zc )
03/04/2009 CG6-Estimación Espacial 26
Kriging Indicador
• La distribución de probabilidad de variables indicador es
una distribución de Bernoulli y sus momentos están dados
por:
a) Valor esperado E [ I ( x, zc )] = FZ ( zc )
Fun. de covarianzas CI ( h, zc ) = Fx , x + h ( zc , zc ) − { FZ ( zc )}
2
b)
c) Varianza Var [ I ( x, zc )] = FZ ( zc ) [1 − FZ ( zc )]
d) Fun. de semivarianzas γ I ( h, zc ) = FZ ( zc ) − Fx , x + h ( zc , zc )
α =1
n
x nodos x -puntos
de la muestrales
x x estimación x
x
∆y celda x
x
x x x
∆x
x x
x
Radio de
búsqueda:
• Igual al rango
• Mayor que el
rango no tiene
sentido, ya no
existe correlación
• Es un interpolador “exacto”
• Incorpora el modelo de variabilidad espacial (obtenido mediante
el análisis estructural o variográfico).
• Proporciona una medida de la precisión de la estimación
mediante la varianza de estimación.
• La varianza de estimación tiene aplicaciones: diseño de
muestreo.
• La precisión depende de varios factores: del número de
muestras, su localización, la distancia entre las muestras y el
punto o bloque a estimar, de la calidad del modelo de variación
espacial (variograma).
03/04/2009 CG6-Estimación Espacial 43