Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El mejor predictor sin suponer linealidad es E [Zk / Z1…..Zn] . Para calcularlo es necesario
conocer las distribuciones conjuntas de (n+1) dimensiones lo cual es imposible en la práctica.
1) Se supone que m(x) puede ser representado como un polinomio de orden finito k .
2) Se postula que una cierta diferencia de orden finito k de la función aleatoria Z (x) es
débilmente estacionaria (o intrínseca de orden k ).
El primer método es conocido como Kriging Universal (Matheron 1969), mientras que
el segundo es el de las Funciones Aleatorias Intrínsecas de orden k (Matheron 1973).
Aspectos Prácticos del Kriging Universal
Los cuales son estacionarios o al menos intrínsecos. Esto significa que la deriva tiene que ser
estimada a partir de los valores muestrales. Aquí comienzan las dificultades.
Se puede ver que en la estimación del variograma es donde está la clave del
problema. No hay solución directa conocida, uno puede solo hacer un
conjunto de suposiciones y tratar de verificarlos mediante el método de
prueba y error, por lo que entonces el Kriging Universal se transforma en un
procedimiento heurístico.
Si el ajuste es razonable (no existen pruebas aún para la bondad de ajuste) la vecindad
tomada, el tipo de deriva y el vario-grama supuestos son correctos. En caso contrario, uno
de los parámetros del procedimiento es cambiado y el proceso comienza otra vez. El
algoritmo es simple, pero desde el punto de vista práctico puede consumir una gran
cantidad de tiempo y no ofrece ninguna garantía de que exista convergencia.
Funciones Aleatorias Intrínsecas de orden k
El segundo método de kriging en presencia de tendencia es el de las Funciones
Aleatorias Intrínsecas de orden , el cual posee como supuesto un modelo más general
que el primero, pero en la práctica se reduce a adivinar el orden y estimar una función
de covarianzas generalizada a partir de las diferencias de orden . k k k Su utilidad ha
estado limitada debido a :
a) no ha sido posible de forma general estimar la covarianza generalizada de forma no
paramétrica.
b) no es fácil interpretar los parámetros de la covarianza generalizada.
c) el orden k de las diferencias (se toma usualmente 2).
d) los efectos de frontera conducen a una reducción drástica de aquellos puntos que
pueden ser estimados por este método.
Kriging con mediana suavizada
Se puede ajustar con exactitud una superficie a través de los puntos observados, pero hay poco poder predictivo
en este enfoque.
Se quiere extraer la deriva aparente y tratar de modelar el resto mediante estacionaridad débil.
. Para el tipo de aplicaciones en mente, sin embargo, es la variabilidad local la que se desea modelar, interpretar
y en consecuencia explotar con el kriging.
Kriging Residual