Documentos de Académico
Documentos de Profesional
Documentos de Cultura
04 Circuitos de Ventilación
04 Circuitos de Ventilación
Hasta ahora se ha estudiado como estimar una propiedad utilizando los valores
conocidos de dicha propiedad obtenidos en puntos vecinos o cercanos o bien
como hacer uso de una función de tendencia para guiar la estimación de la
propiedad.
ZS
ZS
Si Z y S son funciones aleatorias estacionarias o intrínsecas, el
variograma cruzado de ellas se define como :
*
ZS ( h)
1
2 N h
( z ( xi ) z ( x j ))(s( xi ) s( x j ))
xi x j h
ZS
Algunas propiedades del variograma cruzado son:
1) ZS 0 0
2) ZS h ZS h
3) ZS h SZ h El variograma cruzado es una función simétrica
CZS h CSZ h
ZS h 2
Z h S h Desigualdad de Hölder
2 2
ZS Z
22
S
Cada una de las matrices que contienen los variogramas son definidas
positivas, por lo tanto para que el resultado final sea una matriz definida
positiva debe ocurrir que:
uj 0 vj 0 u j v j w2j 0
ZS
El uso del modelo de coregionalización lineal tiene las siguientes consecuencias:
ZS
h
Cokriging
Ejemplo:
+ + +
+
Cokriging
COKRIGING SIMPLE
EZ u m y m es conocida
E S j u m j y m j es conocida j
*
1) Estimador insesgado E ( Z cok (u )) E Z u
2) var[ Z u Z cok
*
u ] mínima
E Z u m 0
E S1 x1 m1 0
Con lo cual,
*
E ( Z cok (u )) m E Z u
Cokriging
*
var[ Z (u ) Z cok (u )]
0 j 1,2, , N
j
*
var[ Z (u ) Z cok (u )]
0 j 1,2, , N1
j
* * *
var[ Z (u ) Z cok (u )] var[ Z (u )] var[ Z cok (u )] 2 cov( Z (u ), Z cok (u ))
T1 T2 T3
Cokriging
T1 var[ Z (u )] 2
*
T2 var[ Z cok (u )]
*
T3 2 cov( Z (u ), Z cok (u )) 2 i CZ (u ui ) 2 j CZS (u x j )
Cokriging
* N N
var[ Z (u ) Z cok
2 j CZ ui u j 2 j CZS ui x j 2CZ u ui
(u )]
i 1,2, , N
i j 1 j 1
* N N
var[ Z (u ) Z cok (u )]
2 j CS xi x j 2 j CZS ui x j 2CZS (u xi ) i 1,2, , N1
i j 1 j 1
CZ CZS CZu
C
SZ CS CSu
Cokriging
COKRIGING ORDINARIO
Al igual que en el caso de kriging ordinario, se asume que las medias de las
variables son desconocidas y se imponen condiciones para filtrarlas.
El estimador propuesto es
Con lo cual,
K Nj
*
E ( Z cok (u )) m m j j
j 1 j 1
CZ CZS 1 0 CZu
C
SZ CS 0 1 CSu
1 0 0 0 1 1
0 1 0 0 2 0
Cokriging
OBSERVACIONES
2) Debe existir una correlación lineal entre las variable principal y las variables
secundarias
Tope
Base
!
Collocated Cokriging
EZ u m y m es conocida
E S u mS y mS es conocida
* N
var[ Z (u ) Z ck
2 j CZ ui u j 2 CZS ui u 2 CZ u ui
(u )]
i 1,2, , N
i j 1
* N
var[ Z (u ) Z ck
2 S 2 j CZS ui u 2CZS (0)
(u )] 2
i 1
CZS h b CZ h h
Esta hipótesis tiene sentido porque se asume una relación lineal entre las
variables. Además, en particular se tiene que:
ZS
CS 0CZ 0
CZ 0
C S 0
ZS
C Z 0
Collocated Cokriging
En consecuencia,
CS 0
CZS h ZS CZ h h
CZ 0
Al igual que en el caso del cokriging ordinario se asume que las medias de la
variable principal y la variable secundaria son desconocidas y constantes.
Bajo esta suposición, la forma del estimador es distinta puesto que si se utiliza la
anterior se obtiene =0 y la variable secundaria no es tomada en cuenta.
N N
1 y w 0
1 1
CZ CZS cZS 1 0 λ cZ
C CS cS 0 1 β cZS
ZS
cZS
t
cst S 0 1 w ZS
2
t
1 0t 0 0 0 1 1
0t 1t 1 0 0 2 0
Kriging Factorial
Z u Z1u Z2 u Z K u
Z u m Z1u Z2 u Z K u
CASO 1
Se asume que Z es una función aleatoria estacionaria con media igual a cero que
se descompone como suma de K factores aleatorios de media cero e
independientes.
Z u Z1u Z2 u Z K u
Z *j u u Z u j 1, 2, K
Como la variable y cada uno de los factores tienen media cero se obtiene
directamente que:
E Z *j u E Z j u
var[ Z j u Z *j u ] 2j var[ Z *j u ] 2 cov Z j u , Z *j u
2j CZ u u 2 C j u u
,
Kriging Factorial
var[ Z j u Z *j u ]
2 CZ u u 2 C j u u 1,2, N
CZ u u C j u u 1,2, N
Vector asociado a la
función de covarianza del
factor j
Observar que:
2) Si alguno de los factores está asociado a un effecto nugget puro entonces este
no se puede estimar. Este procedimiento sólo cambia los valores de las variable Z
en los puntos observados.Para efectos prácticos es mejor no considerarlo en la
descomposición.
X (Kilometer)
0. 10. 20. 30. 40.
>=12.9686
Z
12.1258
11.2829
10.44
40. 40. 9.59716
8.75429
7.91142
7.06856
6.22569
5.38282
Y (Kilometer)
4.53995
Y (Kilometer)
30. 30. 3.69708
2.85422
2.01135
1.16848
0.325613
-0.517255
-1.36012
20. 20. -2.20299
-3.04586
-3.88873
-4.73159
-5.57446
-6.41733
10. 10. -7.2602
-8.10307
-8.94593
-9.7888
-10.6317
-11.4745
-12.3174
0. 0. -13.1603
0. 10. 20. 30. 40. <-14.0031
X (Kilometer) N/A
4.5
Z 4
3.5
3
2.5
2
1.5
1
0.5
0
0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
Kriging Factorial
X (Kilometer)
0. 10. 20. 30. 40.
>=9.28523
2.5
8.70756
8.12989
7.55222
40. 40. 6.97455
6.39688 2
5.81921
5.24154
4.66386
4.08619
Y (Kilometer)
3.50852
Y (Kilometer)
30. 30. 2.93085 1.5
2.35318
1.77551
1.19784
0.620167
0.0424957
-0.535175
20. 20. -1.11285 1
-1.69052
-2.26819
-2.84586
-3.42353
-4.0012
10. 10. -4.57887 0.5
-5.15654
-5.73421
-6.31189
-6.88956
-7.46723
-8.0449 0
0. 0. -8.62257
0. 10. 20. 30. 40. <-9.20024
0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
X (Kilometer) N/A
X (Kilometer)
0. 10. 20. 30. 40. 2.5
>=7.15479
6.71376
6.27273
5.8317 2
40. 40. 5.39067
4.94964
4.50861
4.06758
3.62655
3.18553
Y (Kilometer)
2.7445 1.5
Y (Kilometer)
X (Kilometer) N/A
Kriging Factorial
CASO 2
Se asume que Z es una función aleatoria estacionaria con media igual a m que se
descompone como suma de K factores aleatorios de media cero e
independientes.
Z u m Z1u Z2 u Z K u
Z *j u u Z u j 1, 2, K
Ahora se tiene que
E Z *j u m E Zi u
i
Kriging Factorial
Y por lo tanto, para que el estimador sea insesgado se debe imponer la condición
1
CZ u u C j u u
N
1,2, , N
1
Kriging Factorial
CASO 3
Se asume que Z es una función aleatoria con una función de tendencia m(u)
conocida que se descompone como suma de K factores aleatorios de media cero
e independientes.
Z u mu Z1u Z2 u Z K u
Z *j u u Z u j 1, 2, K
Ahora se tiene que
E Z *j u mu EZi u
i
Kriging Factorial
Y por lo tanto, para que el estimador sea insesgado se debe imponer la condición
mu 0
Ahora se procede como en el caso de kriging universal y se obtiene el sistema de
ecuaciones
CZ u u mu C j u u
N
1,2, , N
1
Kriging Factorial
CASO 4
Se asume que Z es una función aleatoria con una función de tendencia m(u)
desconocida que se descompone como suma de K factores aleatorios
independientes.
Z u Z1u Z2 u Z K u
El problema puede ser resuelto asumiendo dos condiciones que a priori resultan
arbitrarias.
Kriging Factorial
• Se asume que solo uno de los factores está asociado a la función de tendencia
que se observa en la variable Z mientras que los otros tienen media cero. Asi,
se tendría por ejemplo:
E Z j u 0 j 1,2, K 1
EZ K u mu
L
mu a j f j u f0 1
j 0
Kriging Factorial
De esta forma,
E Z *j u E Z K u
al fl u
l
fl u 0 si j K
ó
fl u fl u si j K
Kriging Factorial
CZ u u l fl u C j u u
N
1,2, , N
1 l
Donde
1 si i j
i j (Función Delta de Kronecker)
0 si no
Kriging Factorial
FILTERING
Hasta ahora se ha visto como estimar cada uno de los factores presentes en la
descomposición de Z.
Z u Z1u Z2 u Z K u
Z f (u)
Z *f (u ) Z u
es insesgado. Además, la varianza del error es
var[ Z f u Z *f u ] var[ Z f u ] var[ Z *f u ] 2 cov Z f u , Z *f u
K
var[ Z f u ] 2j Por la independencia de los factores
j 2
var[ Z *f u ] i j CZ ui u j
i, j
cov Z f u , Z *f cov Z f u , Z u CZ f u u Por la independencia de los
factores
Kriging Factorial
En consecuencia,
var[ Z f u Z *f u ]
2 CZ u u 2 CZ f u u 1,2, N
CZ u u CZ u u f
1,2, N
Kriging Factorial