Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
Asignatura: Geoestadística
Docente: Félix Cornelio Orbegozo
Elaborado por:
GRUPO 3
Enero, 2021
Ajuste de mínimos cuadrados de la nube de variogramas
Werner G. Müller
1. Introducción
donde denota la distancia (en una métrica adecuada) entre los sitios si y sj .
Es natural estimar el variograma por
(2)
donde ,y .
La sugerencia de ignorar la estructura de correlación (por simplicidad computacional) se remonta
a Cressie (1985), que utilizó el siguiente estimador de mínimos cuadrados ponderados basado en
(2):
(3)
Los pesos en (3) están motivados por la suposición de que Z(.) es un campo aleatorio gaussiano,
para lo cual tener
donde la última aproximación produce sólo una pequeña pérdida en la eficiencia de la estimación
(cf. también Cressie, 1985). Probablemente debido a su forma simple, el estimador se convirtió
en uno de los más utilizados en la estimación de variogramas. Sin embargo, varios autores han
notado un comportamiento deficiente de la muestra finita (ver McBratney y Webster, 1986; Zhang
et al., 1995). Una simulación estudio de Zhang et al. (1995) y la Sección 4 respalda esta
afirmación.
Debe enfatizarse que el supuesto de cero elementos fuera de la diagonal de Cov ( ) apenas se
cumple en práctica. Estrictamente, solo es válido para variogramas con 'rango' finito r (es decir,
pares de observaciones no correlacionadas de ubicaciones que están más alejadas que r) y un
esquema de muestreo específico. Tal esquema consiste en un espacio diseño de pares de puntos
que son remotos entre sí (para un algoritmo respectivo para su construcción, y la supresión de
'observaciones' con alto nivel de ruido (es decir, desde distancias muy grandes hk ≫ r). Así,
aunque el supuesto de es muy poco realista será un valor ilustrativo para la
investigación de las posibles deficiencias del variograma de mínimos cuadrados generalizados o
ponderados estimados.
Con la potencia informática actual (y en ausencia de valores atípicos graves) no hay muchas
razones para no utilizar la información completa de los datos evitando agruparlos en contenedores
y promediarlos (al menos para problemas de mediana escala). Un caso particular de (1) es elegir
cada H k para que contenga solo un elemento hij, es decir, . La colección
de pares (hij ; ) se llama entonces la (semi) nube variograma y podemos intentar estimar
directamente desde la nube (semi-) variograma sin agrupamiento previo y promediando.
Aunque este procedimiento sugiere una estimación eficiente a partir de la información total,
resulta que el comportamiento desfavorable de la muestra finita del ajuste por mínimos cuadrados
ponderados es aún más pronunciado aquí. Al investigar las posibles causas de esta deficiencia y
para encontrar una posible corrección es natural emplear teoría asintótica. Tenga en cuenta que la
consistencia del estimador de mínimos cuadrados ponderados no está en peligro bajo los
supuestos bajo asintóticas de 'dominio creciente') de Cressie (1985) (es
decir, agrupando con un número fijo de contenedores), sin embargo, aquí investigamos el caso
, por lo tanto, K → ∞ (estimación de la nube de variogramas).
Además, los resultados de la simulación de muestra pequeña en la Sección 4 indican que los
asintóticos estudiados pueden tener algún valor explicativo también para el estimador agrupado,
especialmente cuando el número de intervalos es grande en relación con el número de
observaciones y el factor de corrección 1/3 resulta útil también en estos entornos.
3. Reponderación iterativa
Para el caso más general (2), este algoritmo se puede adaptar fácilmente. Esta versión, que fue
independiente propuesto por Genton (1998) con el propósito de ajustar semivariogramas
empíricos, es sin embargo computacionalmente mucho más intensivo y requiere la inversión de
una matriz K × K en cada paso:
4. Resultados de la simulación
estaba equipado. Este (semi) variograma aumenta monótonamente desde un 'efecto pepita' de
cerca del origen a un 'valor umbral' de , que se alcanza en el 'rango' .
La distribución de cualquier medida de desempeño en este contexto está muy sesgada. Por lo
tanto, la media y la se informa una mediana de más de 1001 carreras. Se puede ver que a medida
que n crece el rendimiento del ajuste mejora excepto por el método WLS "puro", que da resultados
muy pobres incluso para tamaños de muestra grandes. Sin embargo,
Fig. 1. Nube (semi) variograma y varios estimadores (semi) variograma para un conjunto típico
de datos simulados de 25 observaciones, horizontal h, vertical .
Tabla 1
Media (línea superior) y mediana (línea inferior) del criterio de rendimiento de varios
estimadores de variogramas (Â t = (1; 10; 1) T ; K = 10 para estimadores agrupados)
5. Conclusiones
Estos asintóticos y los resultados de la simulación también indican que es preferible emplear un
método iterativo estimador de variogramas de mínimos cuadrados generalizados reponderados
basado en la matriz de covarianza completamente especificada, que no es una práctica
geoestadística estándar. Todos los demás métodos basados en mínimos cuadrados son claramente
menos eficientes o incluso, como se muestra, potencialmente defectuoso. Sin embargo, cuando el
número de sitios crece (lo que suele ser el caso en la práctica) podría ser aún más conveniente
emplear el WLS, siempre que el factor de corrección dado en este se aplica papel.
Tenga en cuenta que otra fortaleza del ajuste a la nube de variogramas radica en evitar la elección
arbitraria
del número de intervalos de distancia (K) que en otros enfoques de mínimos cuadrados pueden
tener un impacto crítico en las estimaciones de parámetros. Esta propiedad deseable es compartida
por la verosimilitud (cf. Cressie, 1993) y bayesiana (cf. Ecker y Gelfand, 1997) métodos. Que la
corrección y el algoritmo presentados son útiles también en un El entorno se demuestra mediante
una aplicación a los datos de contaminación del aire en Müller (1998).