Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PREDICCIÓN ESPACIAL
Los métodos kriging se aplican con frecuencia con el propósito de predicción, sin embargo
estas metodologı́as tienen diversas aplicaciones, dentro de las cuales se destacan la simulación y
el diseño de redes óptimas de muestreo.
en donde los λi representan los pesos o ponderaciones de los valores originales. Dichos pesos se
calculan en función de la distancia entre los puntos muestreados y el punto donde se va a hacer
la correspondiente predicción. La suma de los pesos debe ser igual a uno para que la esperanza
del predictor sea igual a la esperanza de la variable. Esto último se conoce como el requisito de
insesgamiento. Estadı́sticamente la propiedad de insesgamiento se expresa a través de:
Se dice que Z ∗ (x0 ) es el mejor predictor, lineal en este caso, porque los pesos se obtienen de tal
manera que minimicen la varianza del error de predicción, es decir que minimicen la expresión:
V (Z ∗ (x0 ) − Z(x0 ))
Esta última es la caracterı́stica distintiva de los métodos kriging, ya que existen otros métodos
de interpolación como el de distancias inversas o el poligonal, que no garantizan varianza mı́nima
de predicción (Samper and Carrera (1990)). La estimación de los pesos se obtiene minimizando
P
V [Z ∗ (x0 ) − Z(x0 )] sujeto a ni=1 λi = 1.
24 4.6. PREDICCIÓN ESPACIAL
" n #
X
∗
V [Z (x0 )] = V λi Z(xi )
i=1
n X
X n
= λi λj COV [Z(xi ), Z(xj )]
i=1 j=1
De lo anterior
" n #
X
∗
COV [Z (x0 ), Z(x0 )] = COV λi Z(xi ), Z(x0 )
i=1
n
X
= COV [Z(xi ), Z(x0 )]
i=1
n
X
= λi Ci0
i=1
n X
X n n
X
V [Z ∗ (x0 ) − Z(x0 )] = λi λj Cij − 2 λi Ci0 + σ 2 (4.15)
i=1 j=1 i=1
Pn
Luego se debe minimizar la función anterior sujeta a la restricción i=1 λi = 1. Este problema
de minimización con restricciones se resuelve mediante el método de multiplicadores de Lagrange.
n X
n n n
!
X X X
σk2 = λi λj Cij − 2 λi Ci0 + σ +2
2µ λi − 1
|{z}
i=1 j=1 i=1 M ultiplicadordeLagrange | i=1
{z }
0
Siguiendo el procedimiento acostumbrado para obtener valores extremos de una función, se deriva
CAPÍTULO 4. GEOESTADÍSTICA 25
n
X
∂(σk2 )
= 2 λj C2j − 2C20 + 2µ = 0
∂λ2
j=1
n
X
⇒ λj C2j + µ = C20 (4.17)
j=1
..
.
n
X
∂(σk2 )
= 2 λj Cnj − 2Cn0 + 2µ = 0
∂λn
j=1
n
X
⇒ λj Cnj + µ = Cn0 (4.18)
j=1
n
X
∂(σk2 )
= 2 λi − 2 = 0
∂µ
i=1
n
X
⇒ λi = 1 (4.19)
i=1
Cij · λ = Ci0
por lo cual los pesos que minimizan el error de predicción se determinan mediante la función de
covariograma a través de:
−1
λ = Cij · Ci0
Encontrando los pesos se calcula la predicción en el punto xo . De forma análoga se procede para
cada punto donde se quiera hacer predicción.
Los pesos λ pueden ser estimados a través de la función de semivarianza, para lo cual se
requiere conocer la relación entre las funciones de covariograma y de semivarianza. Antes de esto
CAPÍTULO 4. GEOESTADÍSTICA 27
1
γij = E[(Z(xj ) − Z(xi ))2 ]
2
1
= E[(Z(xj ))2 − 2(Z(xj )Z(xi ) + (Z(xi ))2 ]
2
1 1
= E[(Z(xj ))2 ] − E[Z(xi )Z(xi )] + E[(Z(xi ))2 ]
2 2
1 1
= [E(Z(xj )) − k ] + [E(Z(xj )) − k2 ] − [E(Z(xi )Z(xi )) − k2 ]
2 2 2
2 2
1 1
= [V (Z(x))] + [V (Z(x))] − COV [Z(xi )Z(xi )]
2 2
= V [Z(x)] − COV [Z(xj )Z(xi )]
= σ 2 − Cij ⇒ Cij = σ 2 − γij (4.21)
Reemplazando (4.7) en (4.2), (4.3) y (4.4) se determinan los pesos óptimos en términos de la
función de semivarianza:
n
X
∂σk2
= λj C1j + µ − C10
∂λ1
i=1
Xn
= λj (σ 2 − γ1j ) + µ − (σ 2 − γ10 )
i=1
n
X n
X
= σ2 λj − λj γ1j + µ − σ 2 + γ10
i=1 j=1
n
X
= σ2 − λj γ1j + µ − σ 2 + γ10
i=1
n
X
⇒ λj γ1j − µ = γ10
i=1
Similarmente,
28 4.6. PREDICCIÓN ESPACIAL
n
X
∂σk2
= λj γ2j − µ = γ20
∂λ2
i=1
..
.
n
X
∂σk2
= λj γnj − µ = γn0
∂λ2
i=1
El sistema de ecuaciones se completa con (4.5). De acuerdo con lo anterior los pesos se
obtienen en términos del semivariograma a través del sistema de ecuaciones:
γ11 · · · γ1n 1 λ1 γ10
. .. .. .. . .
.. .
. . .. ..
=
γ 1 λ γ
n1 · · · γnn n n0
1 ··· 1 0 −µ 1
" n #
X
σk2 =σ − 2 2
λi (σ − γij ) + µ
i=1
n
X n
X
σk2 = σ 2 − σ 2 λi + λi γij ) + µ
i=1 i=1
Xn
σk2 = λi γi0 + µ
i=1
Los pesos de kriging ordinario también pueden ser estimados mediante el uso del correlograma
Cij
aplicando la siguiente relación: ρij = σ2
, caso en el que la correspondiente varianza de predicción
estarı́a dada por Isaaks and Srivastava (1989):
n
!
X
σk2 = σ 2 1 − λi γi0 + µ
i=1
Existen diferentes métodos para evaluar la bondad de ajuste del modelo de semivariograma
elegido con respecto a los datos muestrales y por ende de las predicciones hechas con kriging.
CAPÍTULO 4. GEOESTADÍSTICA 29
Intervalos de Confianza
Asumiendo que los errores de predicción siguen una distribución normal estándar y que
son independientes, un intervalo de confianza del 100(1 − α) %, 0 < α < 1, para Z(x) es:
∗
Z (x) − Z1−α/2 σk , Z ∗ (x) + Z1−α/2 σk con Z ∗ (x) el valor calculado de la predicción y Z1−α/2
el percentil de una normal estándar.
Kriging Simple
Suponga que hay una variable regionalizada estacionaria con media (m) y covarianza cono-
cidas. De manera análoga a como se define en modelos lineales (por ejemplo en diseño de exper-
imentos) el modelo establecido en este caso es igual a la media más un error aleatorio con media
cero. La diferencia es que en este caso los errores no son independientes. Sea Z(x) la variable de
interés medida en el sitio x.
E[Z(x)] = m
Z(x) = m + ε(x), con E[ε(x)] = 0
con ε∗ (x0 ) que corresponde a la predicción del error aleatorio en el sitio x0 . Despejando de la
ecuación anterior
ε∗ (x0 ) = Z ∗ (x0 ) − m
Usando:
i. E[ε(x0 )] = 0
n X
X n n
X
V (ε∗ (x0 ) − ε(x0 )) = λi λj Cij − 2 λi Ci0 + σ 2 (4.22)
i=1 i=1 i=1
X n XX n n
∂V (ε∗ (x0 ) − ε(x0 )) ∂ 2
= λ1 C11 + 2λ1 λj C1j + λi λj Cij
∂λ1 ∂λ1
j=2 i=2 j=2
n
!
X
2
− 2λ1Ci j − 2λ1 C10 − 2 λi Ci0 + σ
i=2
n
X
= 2λ1 C11 + λj C1j − 2C10
i=2
n
X
= 2 λj C1j − 2C10
i=1
igualando a cero
n
X
λj C1j = C10
i=1
C11 C12 ··· C1n C10
λ1
C21 C22 · · · C2n C20
..
. .. .. =
.
.. .
..
. . ...
λn
Cn1 Cn2 · · · Cnn Cn0
estimado por:
n
X
Z(A) = λi Z(xi )
i=1
C11 · · · C1n 1 λ1 C10
. .. ..
. ..
. .. ..
. . . . .
=
C 1
n1 · · · Cnn λn Cn0
1 ··· 1 0 µ 1
C11 · · · C1n 1 λ1 C 1A
. .. .. .. . .
.
. . . . .. ..
=
C 1 λ C
n1 · · · Cnn n nA
1 ··· 1 0 µ 1
donde el vector de covarianzas al lado derecho de la igualdad en el sistema anterior es contiene
las covarianzas entre las variables Z(x1 ), Z(x2 ), .., Z(xn ) y el bloque A donde se quiere hacer la
estimación.
1 X
C iA = j/j ∈ ACiA
|A|
La varianza del error de predicción del kriging en bloques está dada por:
n
!
X 1 X
2
σkB = C AA − λi C iA + µ con C AA = j/j ∈ ACiA
|A|
i=1
, igual a la covarianza entre pares de puntos dentro del bloque. Isaaks and Srivastava (1989)
muestran a través de ejemplos que el kriging en bloques coincide con el promedio de predicciones
hechas por kriging ordinario sobre cada uno de los puntos del enmallado dentro del bloque.
Ası́ mismo indican que en la práctica es suficiente con un enmallado cuadrado (6x6) para obtener
estimaciones estables en los bloques.
con E(ε(x)) = 0, V (ε(x)) = σ 2 y por consiguiente E(Z(x)) = m(x) La tendencia puede expre-
sarse mediante:
P
X
m(x) = al fl (x)
l=1
CAPÍTULO 4. GEOESTADÍSTICA 35
donde las funciones fl (x) son conocidas y P es el número de términos empleados para ajustar
m(x).
El predictor kriging universal se define como:
n
X
Z ∗ (x0 ) = λi Z(xi )
i=1
La obtención de los pesos en el kriging universal, análogo a los otros métodos kriging, se hace
de tal forma que la varianza del error de predicción sea mı́nima.
Usando
Cij = COV (ε(xi ), ε(xj ))σ 2 = E(ε(x0 ))2
se tiene n
n X n
X X
∗
V (Z (x0 ) − Z(x0 )) = λi λj Cij − 2 λi Ci0 + σ 2
i=1 j=1 i=1
en términos matriciales
γ11 γ12 · · · γ1n f11 · · · fp1 γ10
λ1
γ γ22 · · · γ2n f12 · · · fp2
21 .. γ20
. .. .. .. .. .. .. . ..
.. . . . . . .
.
λn
γn1 γn2 · · · γn2 f1n · · · fpn =
γn0
µ1
f11 f12 ··· f1n 0 ··· 0 f10
..
. .. .. .. .. .. .. . ..
.. . . . . . . .
µn
fp1 fp2 · · · fpn 0 ··· 0 fP 0
donde fij = fl (xj ) es la l-ésima función en el punto j-ésimo. La varianza de predicción del
kriging universal está dada por Samper and Carrera (1990):
n
X P
X
2
σku = λi γi0 + µl fl (x0 )
i=1 l=1
los pesos o ponderaciones son estimados por kriging ordinario como se muestra en la sección
anterior. La varianza de predicción de la variable de interés coincide con la varianza de predicción
de los errores. En la figura 4.7 se muestra un esquema con el procedimiento kriging residual en
el caso de una tendencia lineal.
ii.)
Figura 4.7: Representación del procedimiento kriging residual. La superficie interpolada (arriba)
es igual a la suma de la tendencia lineal (centro) más la predicción de los errores (abajo).
i. 0 ≤ I ∗ (x, zl ) ≤ 1
Una condición suficiente para que estas restricciones se cumplan es que λi (zl ) = λi con 0 ≤ λi ≤
1, ∀i, ∀zl . Sin embargo en la práctica las ponderaciones se estiman de tal forma que el predictor
CAPÍTULO 4. GEOESTADÍSTICA 39
Después de llevar a cabo el proceso de derivación sobre la expresión de la varianza del error
de predicción (obtenida de forma análoga a como se hizo en kriging ordinario), se obtiene el
siguiente sistema de ecuaciones:
n
X
λi (zl )γij + µ = γi0, i = 1, 2, ..., n
i=1
n
X
λi = 1
i=1
donde γij = γ(h), la función de semivarianza evaluada para la distancia entre los sitios i, j.
La varianza del error de predicción se encuentra de la misma forma a como se mencionó en la
sección 4.2.
2
σk0
que un predictor insesgado es (Cressie (1993)): Z ∗ (x0 ) = exp(Y ∗ (x0 )) + 2
2 es
− µ , donde σk0
la varianza de predicción obtenida en el sitio x0 por medio de kriging ordinario sobre los valores
transformados y µ es el multiplicador de Lagrange empleado para la condición de insesgamiento
sobre la escala de valores transformados. Respecto al kriging multi-gaussiano, suponga que se
tiene una variable regionalizada {Z(x) : x ∈ D} estacionaria. Este procedimiento consiste en
hacer una transformación de Z(x) tal que los valores transformados sigan una distribución normal
estándar. En ese sentido es una generalización del kriging log-normal. Los pasos del método
kroging multi-gaussiano son los siguientes:
ii. Se calculan con base en Fn (Z(x)) los “scores” normales estándar (Fig. 4.8), es decir los
valores de una distribución de probabilidad normal estándar para los cuales la probabilidad
acumulada corresponde a Fn (Z(x)). En otras palabras se encuentra U (x) = Φ−1 (Fn (Z(x))).