clase explicativa sobre los tipos de estimacion,Descripción completa
Full description
geostatistik/statistik
Descripción completa
kriging
krigingDescripción completa
MODELAJE GEOESPACIAL
kriging
:)
Descripción: iuy
Statistika Spasial, Teknik Geodesi, Itenas, Rian Nurohman 23-2014-126
geoestadisticaDescripción completa
kriging
kriging
Descripción: Evaluación de Yacimientos
Como obtener kriggin simple y ordinarioDescripción completa
Descripción completa
Kriging
Ge n e r a l i d a d e s d e l K r i g i n g
Método estadístico de interpolación Objetivo: Predecir los valores de la variable de interés en lugares no muestreados Predictor lineal Insesgado Mínima varianza
Ge n e r a l i d a d e s d e l K r i g i n g
Reporta
Mapa de predicciones en todas las ubicaciones de interés s0
Z (s0 ) → Z (s0 ) = *
n
∑ λ z(s ) i
i
i =1
Varianza estimada del error de predicción
Ge n e r a l i d a d e s d e l K r i g i n g
Media de los residuales de predicción
Cuadrado medio del error
n
∑ [ Z (s ) − Z (s )] *
i
i
i =1
→0
n n
2 [ ] ( ) ( ) − Z s Z s ∑ *
i
i
→ lo menor posible
i =1
n
Error cuadrático medio estandarizado
⎡ n 2⎤ * [ Z (si ) − Z (si )] ⎥ ∑ ⎢ 1 i =1 ⎢ ⎥ →1 2 ⎢ ⎥ n ⎢ σ si ⎥⎦ ⎣
( )
Ge n e r a l i d a d e s d e l K r i g i n g
Coeficiente de Correlación de Pearson entre los n observados y sus prediccciones
r z (si ), z (si ) → 1 *
También es necesario comparar máximo y mínimo de los errores de predicción, diagramas de caja tanto de las predicciones como de los errores, así como todas las medidas involucradas
Di f e r e n t e s t i p o s d e p r e d ic c i ó n
Valor de la variable de interés Residuos de cada predicción de que la variable Probabilidad supere o no supere un umbral definido Cuantiles
K r i g i n g Si m p l e
Estacionariedad de segundo orden Media constante y conocida Difícilmente aplicable por requerir demasiado conocimiento de la variable Siempre insesgado (sin ninguna restricción) n No es preciso que se cumpla que ∑ λ i = 1 i =1
K r i g i n g Si m p l e Varianza menor a la de la variable en estudio sin regionalizar
(
)
Var Zˆ ( s0 ) − Z ( s0 ) = Var ( Z ( si ) ) −
n
∑ λ Cov ( s − s ) i
i
0
i =1
Ejemplo Z (s ) : Temperatura en el lugar con ubicación espacial s
E[ Z (s )] = µ : Temperatura media de la región
K r i g i n g Or d i n a r i o
Media constante pero desconocida Puede usarse ya sea en presencia de estacionariedad de segundo orden o de estacionariedad intrínseca Para cumplir la propiedad de insesgamiento, requiere ser sometido a n la restricción de que
∑ λ = 1 i
i =1
K r i g i n g Or d i n a r i o n ⎡ ⎤ * E [ Z (s0 ) − Z (s0 )] = E ⎢∑ λ i Z (si ) − Z (s0 )⎥ = ⎣ i =1 ⎦ n
∑ λ E [ Z (s )] − E [ Z (s i
i
n
0
)] = ∑ λ i µ −µ = 0
i =1
i =1
⎡n ⎤ ⎡n ⎤ µ ⎢∑ λ i − 1⎥ = 0 ⇔ ⎢∑ λ i − 1⎥ = 0 ⎣ i =1 ⎦ ⎣ i =1 ⎦ n
Cuando
∑ λ = 1 i
i =1
V a r i a n za d e l K O Mayor en general que la varianza del kriging simple
(
)
Var Zˆ ( s0 ) − Z ( s0 ) = Var ( Z ( si ) ) −
n
∑ λ Cov ( s − s ) + µ i
i =1
i
0
K riging residual
La media no es constante, existe tendencia Se estima la tendencia mediante un modelo de regresión, en general, por Mínimos Cuadrados Ordinarios Se calculan los residuos y se aplica KO a la lista de residuos Se le suma la tendencia a las predicciones de los residuos
K riging residual
ˆ ( s 0 ) + e (s 0 ) Z (s0 ) = m *
*
e (s0 ) = *
n
∑ λ e(s ) i
i =1
i
K riging Indic ador
El interés recae en el cumplimiento o no de una condición Se define un umbral No tiene ningún supuesto. Se considera un método de predicción no paramétrico Se predice la probabilidad de que en cada punto se cumpla o no la condición
K riging Indic ador
Se redefine la variable a través de una variable indicadora ⎧1 Si Z (si ) ≤ zl I (si , zl ) = ⎨ i .
⎩=0
Otro caso
E ( I (s0 , zl )) = 1 Pr ( I (s0 , zl ) = 1) + 0 Pr ( I (s0 , zl ) = 0 )
Pr ( I (s0 , zl ) = 1) = Pr ( Z (s0 ) ≤ zl ) = F ( zl )
K riging Indic ador 0 ≤ I (s0 , zl ) ≤ 1 *
I (s0 , zl ) ≤ I (s0 , zl′ ) *
*
z l ≤ z l′
cuando
K r i g i n g M u l t i g a u s si a n o
Se encuentra la función de probabilidad acumulada empírica . Se calculan con base los puntajes normal estándar es decir los valores de una distribución de probabilidad normal estándar para los cuales la probabilidad acumulada corresponde a la empírica Se predice utilizando kriging simple
K riging Transgaussiano
Z (s ) = φ (Y (s ))
s∈D
donde Y (s ) es una variable aleatoria con distribución de probabilidad normal 2 ⎧ ⎫⎪ σ ⎪ y ,ko * ⊗ − δ ⎬ Z (s0 ) = φ (Z (s0 )) + φ ' ' (µ y )⎨ ⎪⎩ 2 ⎪⎭