DOCENTE:

- ING. CHUQUIRUNA CHAVEZ, WILDER

 En diversos ámbitos de la ciencia con gran frecuencia los resultados suelen
reflejarse por medio de curvas (datos funcionales). Con este trabajo se pretende
dar una solución al problema de la predicción espacial de datos funcionales
cuando no se evidencia estacionariedad. El predictor propuesto tiene la misma
forma matemática de un predictor kriging clásico, pero teniendo en cuenta curvas
en lugar de datos univariados. Luego, a través de un procedimiento similar al del
kriging universal de la geoestadística en una dimensión se deducen los sistemas
matriciales que permiten determinar los pesos de cada una de las variables
funcionales medidas en los sitios visitados.
 Interpolación óptima basada en la regresión contra los valores observados de z de
alrededor de los puntos de datos, ponderados según los valores de covarianza
espacial.
 Ayuda a compensar los efectos de datos, clustering, asignar puntos individuales
dentro de un cluster de menos peso que los puntos de datos aislados (otratamiento
de racimos más como puntos únicos)
 Disponibilidad de error de estimación proporciona la base para la simulación
estocástica de realizaciones posibles de Z(u)
 Supongase que se tiene informacion sobre cierto atributo físico Z en diferentes
posiciones de un dominio D. Un problema típico en esta situación es tratar de
predecir el valor de Z en aquellas posiciones donde no hubo medición, teniendo
en cuenta la estructura de covarianza de las variables aleatorias Z(s) definidas en
los sitios donde fue posible hacer mediciones. El método utilizado es muy similar a
una regresión lineal múltiple aplicada a un contexto espacial, en donde las
variables aleatorias Z(s) fungen como variables regresoras, y la variable aleatoria
en el punto donde interesa la predicción, Z(s0), funge como la variable
dependiente. Al conjunto de algoritmos de regresión lineal cuyo propósito es ese,
se le conoce como kriging. Esta es una técnica de estimación local que tiene la
cualidad de ser el mejor estimador lineal insesgado de Z [Reyes, 2010].
 El predictor kriging depende del modelo que se adopte para la función aleatoria
Z(s). Por lo general, Z(s) se suele descomponer en una componente de tendencia y
una componente residual, tal como lo expresa la ecuación:

 Donde se supone conocido el variograma o el covariograma de ε(s). El valor

esperado de Z en la posición se representa el valor de la tendencia en dicha
posición:

 Las variantes de kriging dependen del modelo que se adopte para la tendencia
m(s).
 El kriging simple (KS) supone:

 El kriging ordinario (KO) supone que la tendencia m(s) = m es constante pero

desconocida. Además, se ciñe a fluctuaciones locales de la media dentro de una
vecindad W(s), dentro del cual se pueda considerar la media estacionaria.
 El kriging Universal (KU) considera que la media m(s) es una función que varía
suavemente en todo el dominio D. La tendencia se suele modelar generalmente
mediante modelos de superficie los cuales resultan ser combinaciones lineales de
las coordenadas espaciales.

 Donde los coeficientes ai se desconocen. Se considera que f0(s) = 1, de tal manera

que cuando K = 0, se tiene el caso particular del kriging ordinario [D´ıaz, 2002].
 Hipótesis.
 Se supone que la variable regionalizada z es la realización de una función aleatoria
Z estacionaria tal que:

 Donde:
 V: representa la vecindad de kriging (para un kriging en una vecindad única, V es
el campo completo de la variable regionalizada).
 Determinación del estimador
 Examinemos una a una las distintas etapas del kriging.
 Linealidad: se asegura esta restricción al tomar como estimador en x0
 Insesgo: el valor esperado del error de estimación es:

 Este valor esperado es nulo si:

 Varianza de kriging.
La varianza mínima del error de estimación en el sitio x0, llamada varianza de
kriging, se simplifica de la siguiente forma:

Donde σ 2 = C(0) es la varianza a priori de la función aleatoria Z. Se puede mostrar

que la varianza de kriging simple siempre es menor o igual a la varianza a priori:
 Hipótesis
 Se supone ahora que la variable regionalizada es la realización de una función
aleatoria Z estacionaria tal que:

 Donde:
V representa la vecindad de kriging.
 Varianza de kriging
 La varianza de kriging ordinario (varianza del error cometido en el sitio x0) se
expresa de la siguiente forma:

 donde σ2 = C (0) es la varianza a priori de la función aleatoria Z, o sea, la meseta de

su variograma. Ahora, la segunda igualdad muestra que la varianza de kriging no
depende de este valor σ2, por lo cual el kriging ordinario sigue aplicable incluso
cuando el variograma no presenta meseta (por ejemplo, cuando es un modelo
potencia).
 Para el kriging ordinario es indispensable que la variable además de ser
regionalizada cumpla con el supuesto de estacionariedad (al menos la
estacionariedad débil). En muchos casos la variable no satisface ´estas
condiciones y se caracteriza por exhibir algún tipo de tendencia. Por ejemplo, en
hidrología los niveles piezometricos de un acuífero pueden mostrar una pendiente
global en la dirección del flujo [Samper and Carrera, 1990]. Así las cosas, definase
ahora Z(s) como en, es decir:

 Siendo:
m(s) la función determinística que describe la tendencia, más una componente estocástica
estacionaria de media cero.
 Varianza de predicción del kriging universal.
 La varianza de predicción del kriging universal está dada por [Samper and
Carrera, 1990]:

 Nótese que si p = 1 y fl(s) = 1, la varianza de predicción del kriging universal

coincide con la del ordinario.
 Observaciones sobre el sistema de kriging
 Se puede hacer los siguientes comentarios sobre el sistema de kriging.
 Los ponderadores y la varianza de kriging toman en cuenta:
 las distancias entre el sitio a estimar y los sitios con datos, mediante los términos
 la configuración geométrica de los sitios con datos y la posible redundancia de la
información que contienen, por medio de los términos
 la continuidad espacial de la variable, descrita por la función de covarianza C o por el
variograma γ.
 Sin embargo, no toman en cuenta los valores de los datos mismos {z(x), a = 1... n}.
Por lo tanto, conociendo el modelo variográfico, se puede anticipar cuál será la
precisión de la estimación a partir de una configuración dada de los sitios con
datos. Esta propiedad no obstante es una limitación del kriging lineal, como
contrapartida a la simplicidad del método. Intuitivamente, uno presiente que la
precisión de una estimación es menor en las zonas cuyos valores tienen mayor
variabilidad (a menudo, corresponden a las zonas de valores altos, debido a lo que
se denomina el efecto proporcional) que en aquellas de baja variabilidad.
 En general, el ponderador asignado a un sitio con dato es mayor cuando este sitio
es más cercano al sitio a estimar. Pero varias situaciones pueden perturbar esta
constatación “intuitiva”:
 Existencia de un fuerte efecto pepita
 Presencia de una anisotropía
 Redundancias entre datos
 Efecto pantalla
 Efecto pantalla inverso
 Efecto de relevo
 La mayoría de los modelos variográficos2 permiten encontrar ponderadores
negativos o mayores que 1, incluso con la condición que la suma de los
ponderadores valga 1 (kriging ordinario). La ventaja de este proceder es que
puede entregar estimaciones que salen de los límites dados por los datos. Por el
contrario, las técnicas de interpolación por combinaciones lineales ponderadas
que imponen pesos comprendidos entre 0 y 1 entregan estimaciones que siempre
están entre el mínimo y el máximo valor observado. Ahora bien, en la mayoría de
los casos, no hay razón para que los valores de los datos alcancen los valores
extremos potenciales de la zona de estudio, por lo que resulta interesante tener
ponderadores fuera del intervalo [0,1]. Como contrapartida, en el caso en que la
variable es positiva (por ejemplo, la concentración de un contaminante), existe el
riesgo de encontrar estimaciones negativas. Este riesgo es más importante cuando
la variable presenta una distribución fuertemente asimétrica: un ponderador
negativo, incluso si es bajo, asignado a un valor alto puede conducir a una
estimación negativa si los otros valores de los datos no son muy altos.
 Una excepción notable la constituye el modelo pepitico puro, que entrega
ponderadores nulos (kriging simple) o iguales a 1/n (kriging ordinario).
 Si los sitios con datos son distintos, se demuestra que el sistema de kriging es
regular, es decir, entrega una solución única. Por ende, cuando el sistema de
kriging es singular, se está en presencia de datos duplicados (repetidos en la base
de datos): la matriz del primer miembro del sistema de kriging posee dos filas
idénticas y no es invertible.