Kriging

Generalidades del Kriging

z Método estadístico de interpolación
z Objetivo:
Predecir los valores de la variable de
interés en lugares no muestreados
z Predictor lineal
z Insesgado
z Mínima varianza
Generalidades del Kriging
Reporta
z Mapa de predicciones en todas las
ubicaciones de interés s0
n
Z (s0 ) → Z (s0 ) = ∑ λi z (si )
*

i =1
z Varianza estimada del error de
predicción
Generalidades del Kriging
∑ [Z (s ) − Z (s )]
n
z Media de los *
i i
residuales de i =1
→0
predicción n

[ ]
n
z Cuadrado medio ∑ Z (s )
i − Z (s*
) 2
i
del error i =1
→ lo menor posible
n
z Error cuadrático medio estandarizado

⎡ n
⎢ ∑
1 i =1
[ ] 2⎤
Z (si ) − Z (si ) ⎥
*

⎢ ⎥ →1
n ⎢ σ si
⎢
⎣
( ) 2 ⎥
⎥
⎦
Generalidades del Kriging
z Coeficiente de Correlación de Pearson entre
los n observados y sus prediccciones
( )
r z (si ), z (si ) → 1
*

También es necesario comparar

z máximo y mínimo de los errores de
predicción,
z diagramas de caja tanto de las predicciones
como de los errores, así como todas las
medidas involucradas
Diferentes tipos de predicción
z Valor de la variable de interés
z Residuos de cada predicción

z Probabilidad de que la variable

supere o no supere un umbral
definido
z Cuantiles
 Kriging Simple
z Estacionariedad de segundo orden
z Media constante y conocida
z Difícilmente aplicable por requerir
demasiado conocimiento de la variable
z Siempre insesgado (sin ninguna
restricción)
n
z No es preciso que se cumpla que ∑ λi = 1
i =1
 Kriging Simple
zVarianza menor a la de la variable en
estudio sin regionalizar

( )
n
Var Zˆ ( s0 ) − Z ( s0 ) = Var ( Z ( si ) ) − ∑ λiCov ( si − s0 )
i =1

Ejemplo

Z (s ) : Temperatura en el lugar con ubicación espacial s

E[Z (s )] = µ : Temperatura media de la región
 Kriging Ordinario
z Media constante pero desconocida
z Puede usarse ya sea en presencia de
estacionariedad de segundo orden o de
estacionariedad intrínseca
z Para cumplir la propiedad de
insesgamiento, requiere ser sometido a
la restricción de que n

∑λ
i =1
i =1
 Kriging Ordinario
[ ]
E Z * (s0 ) − Z (s0 )
⎡ n ⎤
= E ⎢∑ λi Z (si ) − Z (s0 )⎥ =
⎣ i =1 ⎦
n n

∑ λ E[Z (s )] − E[Z (s )] = ∑ λ µ −µ = 0
i =1
i i 0
i =1
i

⎡ n ⎤ ⎡n ⎤
µ ⎢∑ λi − 1⎥ = 0 ⇔ ⎢∑ λi − 1⎥ = 0
⎣ i =1 ⎦ ⎣ i =1 ⎦
n
Cuando ∑λ
i =1
i =1
 Varianza del KO

Mayor en general que la varianza del

kriging simple

( )
n
Var Zˆ ( s0 ) − Z ( s0 ) = Var ( Z ( si ) ) − ∑ λiCov ( si − s0 ) + µ
i =1
 Kriging residual
z La media no es constante, existe tendencia
z Se estima la tendencia mediante un modelo
de regresión, en general, por Mínimos
Cuadrados Ordinarios
z Se calculan los residuos y se aplica KO a la
lista de residuos
z Se le suma la tendencia a las predicciones
de los residuos
 Kriging residual

Z (s0 ) = mˆ (s0 ) + e (s0 )

* *

n
e (s0 ) = ∑ λi e(si )
*

i =1
 Kriging Indicador
z El interés recae en el cumplimiento o no
de una condición
z Se define un umbral
z No tiene ningún supuesto. Se considera
un método de predicción no paramétrico
z Se predice la probabilidad de que en
cada punto se cumpla o no la condición
 Kriging Indicador
z Se redefine la variable a través de una
variable indicadora
i.

⎧1 Si Z (si ) ≤ zl
I (s i , z l ) = ⎨
⎩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 )
 Kriging Indicador
0 ≤ I (s 0 , z l ) ≤ 1
*

I (s0 , zl ) ≤ I (s0 , zl′ )

* *
cuando

z l ≤ z l′
 Kriging Multigaussiano
z Se encuentra la función de probabilidad
acumulada empírica .
z 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
z Se predice utilizando kriging simple
Kriging Transgaussiano

Z (s ) = φ (Y (s )) s∈D
donde Y (s ) es una variable aleatoria con
distribución de probabilidad normal
⎧⎪σ y2,ko ⎫⎪
( )
Z (s 0 ) = φ Z (s 0 )
⊗ *
+ φ ' ' (µ y )⎨ −δ ⎬
⎪⎩ 2 ⎪⎭