Professional Documents
Culture Documents
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
*
( )
n
Var Zˆ ( s0 ) − Z ( s0 ) = Var ( Z ( si ) ) − ∑ λiCov ( si − s0 )
i =1
Ejemplo
∑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
( )
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
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
=
Pr (I (s0 , zl ) = 1) = Pr (Z (s0 ) ≤ zl ) = F ( zl )
Kriging Indicador
0 ≤ I (s 0 , z l ) ≤ 1
*
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 ⎪⎭