11 Estimación

Unidad did
actica 5:
T
ecnicas de estimaci
on de una sola variable
Eduardo Cassiraga
efc@dihma.upv.es
Grupo de Hidrogeologa
Departamento de Ingeniera Hidraulica y Medio Ambiente
Universidad Politecnica de Valencia
Master en Ingeniera Hidraulica y Medio Ambiente
Geoestadstica
Unidad didactica 5: Tecnicas de estimaci

Contenidos
1 Introducci
on.
2 Combinaci
on lineal ponderada.
3 Tipos de estimaciones.
4 El krigeado ordinario.
5 Un ejemplo de krigeado ordinario.
6 Krigeado ordinario y parametros del modelo de continuidad espacial.
Geoestadstica

1 Introducci
on
El objetivo de un estudio geoestadstico no es solamente describir la informaci
on y
construir un modelo de continuidad espacial.
La informaci
on acerca de los datos y el modelo de continuidad espacial nos permiten
realizar la estimaci
on de los valores de una o varias variables donde ellas no fueron
muestreadas.
Geoestadstica

2 Combinaci
on lineal ponderada
Todos los metodos de estimaci
on que seran descritos construyen cada estimador como
una combinaci
on lineal ponderada de la informaci
on disponible, esto es:
Estimador = z =
n
X
i z i
i=1
donde el asterisco indica que el valor obtenido es una estimacion, z1,...,zn son los n
datos disponibles y i es el peso asignado al valor zi.
Geoestadstica

3 Tipos de estimaciones
Existen diferentes aproximaciones para dar valor a los pesos, las cuales dan origen a
distintas tecnicas de estimaci
on:
Estimaci
on global y local.
Estimaci
on de una media y de una distribuci
on completa.
Estimaci
on puntual y de bloque.
Geoestadstica

Estimaci
on global y local
Una estimaci
on sobre un area grande dentro de la cual hay muchos datos es una
estimaci
on global.
Una estimaci
on local es una que se lleva a cabo sobre un area peque
na en la cual
tenemos pocos datos, incluso ninguno, y para la cual tenemos que utilizar la informacion
cercana que se encuentra fuera del area de estimaci
on.
Las estimaciones globales son u
tiles en las etapas iniciales de los estudios y raramente
satisfacen los objetivos del mismo, por ejemplo:
a En aplicaciones mineras no es suficiente conocer la concentraci
on media de un metal precioso sobre
el area de estudio, sino que es muy importante tener informaci
on local detallada de tal concentraci
on.
b En un estudio de contaminaci
on la informaci
on global acerca de la concentraci
on de un contaminante
no es suficiente para determinar si localizaciones especficas tienen o no concentraciones inaceptables.
c En los estudios de flujo de agua subterr
anea una estimaci
on global de la conductividad hidraulica
carece de significado ya que el flujo esta controlado por las zonas de altos y bajos valores de
permeabilidad.
Geoestadstica

Medias y distribuciones completas

La media es el estadstico mas com
un para sumarizar una distribucion de valores.
Presenta problemas para distribuciones muy sesgadas y para aplicaciones donde la simple
media aritmetica carece de significado como es el caso del calculo de permeabilidades
equivalentes.
Hay muchas aplicaciones que exigen una estimaci
on de la variabilidad de un dado
atributo, por ejemplo:
a La variabilidad espacial de la conductividad hidraulica es vital a la hora de una correcta descripci
on del
flujo de agua subterranea en un acufero o de petr
oleo en un yacimiento.
b Un estudio de contaminaci
on de suelos requiere el conocimiento de la concentraci
on de algunos metales
pesados por encima o por debajo de determinados umbrales.
Cuando una determinada aplicaci

on requiere la estimacion de estadsticos distintos de la
media la soluci
on obvia pasa por estimar la distribuci
on completa de valores.
Geoestadstica

Estimaciones puntuales y de bloque

En las ciencias de la tierra, existe una relaci
on entre el tama
no o soporte de los datos
y la distribuci
on de sus valores, por ejemplo:
a Muestreo a peque
na escala y muestreo a gran escala (variabilidad espacial).
b Hallar estadsticos utilizando la tecnica de ventanas moviles (promediar valores dentro
de grandes areas reduce la varianza de los datos y hace a la distribucion de los mismos
mas simetrica).
La relaci
on entre el soporte de los datos y la distribuci
on de sus valores tiene
serias implicaciones practicas, esto es, no es lo mismo estimar una distribucion completa
a partir de valores cuyo soporte es el de los datos que a partir de valores con un soporte
mayor.
En muchas aplicaciones, el soporte de los datos no es el mismo que el de las
estimaciones que queremos calcular: problema de escalado (upscaling ).
Geoestadstica

4 El krigeado ordinario
La idea b
asica del krigeado ordinario es estimar el
valor desconocido de un atributo z en el punto de
coordenadas u, a partir de n valores conocidos de z,
cuyas coordenadas son u, con = 1, ..., n.
z(u1)
z(u2)
z(u)?
z(u3)
z(u5)
z(u4)
El estimador por krigeado ordinario tiene la forma

siguiente:
n
X
z (u) =
z(u)
z(u6)
z(u7)
=1
donde el denota que se trata de un estimador y (u) son coeficientes de ponderacion

desconocidos a priori.
Geoestadstica

Los objetivos del krigeado

Los objetivos del krigeado son obtener los valores de los coeficientes de manera
que:
1 El estimador sea insesgado, es decir, que la media del error mR cometido sobre un
conjunto de estimaciones sea igual a cero.
2
2 Que la varianza R
de esos errores sea mnima.
El error cometido en la estimaci
on para una localizacion u se puede definir como:
r(u) = z (u) z(u)
donde z (u) es el valor estimado y z(u) es el valor verdadero.
Los objetivos del krigeado ordinario son inasequibles ya que los valores verdaderos de
2
una variable son siempre desconocidos, luego tampoco podremos obtener mR y R
.
Geoestadstica

El modelo de funci
on aleatoria
La solucion pasa por construir un modelo de nuestros
datos y trabajar con el error medio y la varianza para
nuestro modelo.
Z(u1)
Z(u2)
Z(u)?
Z(u3)
El modelo a construir es un modelo de funci

on
aleatoria.
La expresi
on del estimador por krigeado ordinario se
modifica tal que tiene la forma siguiente:
Z (u) =
n
X
Z(u)
Z(u5)
Z(u4)
Z(u6)
Z(u7)
(1)
=1
10
Geoestadstica

El error en la estimaci
on
La utilizaci
on de un modelo de funci
on aleatoria nos permite definir el error cometido
en la estimaci
on del atributo z en la localizaci
on u como:
R(u) = Z (u) Z(u)
(2)
donde Z (u) y Z(u) son las variables aleatorias que representan el valor estimado y
el valor verdadero respectivamente. El error R(u) es tambien una variable aleatoria.
El error medio mR cometido en un conjunto de estimaciones:
mR = E {R(u)} = E {Z (u) Z(u)}
2
y la varianza del error R
(u) de un conjunto de estimaciones:
2
R
= V ar {R(u)} = V ar {Z (u) Z(u)}
(3)
11
Geoestadstica

Los objetivos del krigeado

De acuerdo a una aproximaci
on probabilstica, los objetivos del krigeado ordinario, que
son obtener los valores de los coeficientes de manera que la varianza del error
cometido en un conjunto de estimaciones sea mnima y el estimador hallado
sea insesgado, pueden escribirse matematicamente como:
2
mn R
= mn V ar {R(u)} = mn V ar {Z (u) Z(u)}
(4)
bajo la restricci
on
mR = E {R(u)} = E {Z (u) Z(u)} = 0
(5)
12
Geoestadstica

La condici
on de estimador insesgado
La condici
on de estimador insesgado (ec. 5) se expresa
mR = E {R(u)} = E {Z (u) Z(u)} = 0
Reemplazando la expresi
on del estimador (ec. 1) en la del error (ec. 2):
R(u) =
n
X
Z(u) Z(u)
=1
La esperanza del error es:

(
E {R(u)} = E
n
X
)
Z(u) Z(u)
=1
n
X
E {Z(u)} E {Z(u)}
=1
13
Geoestadstica

Asumiendo que la funci

on aleatoria es estacionaria, esto es que
E {Z(u)} = m(u) = cte u
el valor esperado del error queda expresado como
E {R(u)} =
n
X
E {Z} E {Z}
=1
de donde se deduce que para que

E {R(u)} = 0
se debe verificar que
n
X
= 1
(6)
=1
14
Geoestadstica

La condici
on de varianza mnima
Esta condici
on (ec. 4) se expresa:
2
mn R
= mn V ar {R(u)} = mn V ar {Z (u) Z(u)}
Lo que supone:
2
1 Encontrar una expresi
on para R
.
2 Encontrar un mnimo para dicha expresi
on.
15
Geoestadstica

Una expresi
on para la varianza del error
De forma general, la varianza de una combinaci
on lineal de variables aleatorias se
expresa:
( n
)
n X
n
X
X
V ar
Z(u) =
C {Z(u)Z(u )}
(7)
=1
=1 =1
donde C {Z(u)Z(u )} es la covarianza entre las variables aleatorias para las localizaciones u y u .
La varianza del error cometido en un conjunto de estimaciones (ec. 3) es una
combinaci
on lineal de dos variables aleatorias, por lo que:
V ar {R(u)} = C {Z (u)Z (u)} C {Z (u)Z(u)}
C {Z(u)Z (u)} + C {Z(u)Z(u)}
= C {Z (u)Z (u)} 2 C {Z (u)Z(u)} +
+ C {Z(u)Z(u)}
(8)
16
Geoestadstica

El primer t
ermino es
C {Z (u)Z (u)}
y corresponde a la autocovarianza de Z (u), es decir, V ar {Z (u)}.
Utilizando la definici
on del estimador (ec. 1) tenemos que de acuerdo a la expresion
para una combinaci
on lineal de variables aleatorias (ec. 7)
(
V ar {Z (u)} = V ar
n
X
)
Z(u)
=1
n X
n
X
C {Z(u)Z(u )}
=1 =1
n X
n
X
C(u u )
(9)
=1 =1
17
Geoestadstica

El segundo t
ermino es
C {Z (u)Z(u)}
y se puede escribir como:
(
n
X
C {Z (u)Z(u)} = C
Z(u) Z(u)
=1
(
=E
n
X
)
Z(u)Z(u)
(
E
=1
n
X
=1
n
X
=1
n
X
E {Z(u)Z(u)}
n
X
)
Z(u) E {Z(u)}
=1
n
X
E {Z(u)} E {Z(u)}
=1
C {Z(u)Z(u)}
C(u u)
(10)
=1
18
Geoestadstica

El tercer t
ermino es
C {Z(u)Z(u)}
y corresponde a la autocovarianza de la variable aleatoria Z(u), y es igual a la varianza
de Z(u), que puede expresarse como:
C {Z(u)Z(u)} = 2
(11)
Reemplazando las ecuaciones (9), (10) y (11) y reordenando en la expresion de la

varianza del error (ec. 8) tenemos:
2
R
= 2 +
n X
n
X
=1 =1
C(u u ) 2
n
X
C(u u)
(12)
=1
que debe ser minimizada, para lo cual aplicamos el criterio de la primera derivada.
19
Geoestadstica

Minimizaci
on de la varianza del error
La expresi
on a minimizar es la siguiente:
2
R
= 2 +
n X
n
X
C(u u ) 2
=1 =1
n
X
C(u u)
=1
+ 2
n
X
!
1
=1
donde es el parametro de Lagrange.

El u
ltimo termino de esta ecuaci
on no altera la expresi
on para la varianza de los errores
ya que es igual a 0. A partir de esta expresi
on se deben hallar las n + 1 primeras
derivadas (n con respecto a los coeficientes de ponderacion y una con respecto al
parametro de Lagrange).
20
Geoestadstica

Derivando con respecto a e igualando el resultado a cero se obtiene la ecuacion que

corresponde a la condici
on de estimador insesgado.
Al derivar con respecto a 1 como el primer termino no depende de 1 su derivada es
cero.
El segundo termino puede expandirse y si despreciamos todos los terminos que no
incluyen a 1 tenemos:
n
P
n
P
!
C(u u )
=1 =1
21C(u1 u1) + 21
n
P
!
C(u1 u )
=2
= 21C(u1 u1) + 2
n
X
C(u1 u )
=2
=2
n
X
C(u1 u )
(13)
=1
21
Geoestadstica

El tercer termino contiene un termino que es funci

on de 1, luego:
Pn
( =1 C(u u)) (1C(u1 u))
=
= C(u1 u)
1
1
Con el u
ltimo termino sucede igual y su derivada se escribe:
Pn
( ( =1 1)) (1)
=
=
1
1
(14)
(15)
2
De acuerdo a las ecuaciones (13), (14) y (15), la derivada de R
queda:
n
2
X
R
=2
C(u1 u ) 2C(u1 u) + 2
1
=1
que igualando a cero y ordenando se transforma en:

n
X
C(u1 u ) + = C(u1 u)
=1
22
Geoestadstica

De igual forma se pueden obtener las derivadas con respecto a los demas coeficientes
de ponderaci
on tal que el resultado es:
n
2
X
R
= 0 =
C(u1 u ) + = C(u1 u)
1
=1
..
..
n
2
X
R
= 0 =
C(u u ) + = C(u u)
=1
..
..
n
2
X
R
= 0 =
C(un u ) + = C(un u)
n
=1
23
Geoestadstica

Sistema de krigeado ordinario

Las n ecuaciones anteriores sumadas a la obtenida al derivar con respecto al multiplicador de Lagrange, que es la condici
on necesaria para que el estimador sea insesgado,
constituyen un sistema de n + 1 ecuaciones lineales denominado sistema de krigeado
ordinario, y se escribe:
n
P
C(u u ) + = C(u u),
=1
n
P
= 1, ..., n
(16)
= 1
=1
donde C(h) es la funci

on de covarianza de la funci
on aleatoria Z(u) que se obtiene
de la informaci
on disponible.
24
Geoestadstica

Forma matricial del sistema de krigeado ordinario

El sistema de krigeado ordinario se escribe de forma matricial

1
C(u1 u1) C(u1 un) 1
..
..
.. ..
...

C(un u1) C(un un) 1 n
1
0
{z
} | {z
|
C

=

}
C(u1 u)
..
C(un u)
1
{z
D
de donde se obtiene que la soluci

on del sistema es:
= C 1 D
La matriz C caracteriza la correlaci
on entre los datos que intervienen en la estimacion y
el vector D explica la continuidad entre la localizaci
on de cada dato con la localizacion
a estimar.
25
Geoestadstica

La expresi
on para la varianza del error
Para conocer el valor mnimo que toma la varianza de los errores cometidos multiplicamos cada una de las n primeras ecuaciones del sistema de ecuaciones del krigeado
ordinario (ec. 16) por , obteniendo:
n
X
C(u u ) + = C(u u),
= 1, ..., n
=1
sumando estas n ecuaciones se llega a:

n
X
n
X
C(u u ) +
n
X
=1
=1
=1
n
X
n
X
n
X
=1
C(u u ) =
=1
=1
n
X
C(u u)
=1
C(u u)
n
X
=1
y dado que la suma de los coeficientes es igual a 1, el u

ltimo termino es igual a
26
Geoestadstica
quedando:

n X
n
X
C(u u ) =
=1 =1
n
X
C(u u)
=1
que se puede sustituir en la ecuaci

on de la varianza del error (12) obteniendo la
siguiente expresi
on para la varianza de la estimaci
on por krigeado ordinario:
2
KO
(u) = 2
n
X
C(u u)
(17)
=1
27
Geoestadstica

5 Un ejemplo de krigeado ordinario

1 Informaci
on disponible:
Dato
0
1
2
3
4
5
6
7
X
65
61
63
64
68
71
73
75
Y
137
139
140
129
128
140
141
128
Valor
?
477
696
227
646
606
791
783
28
Geoestadstica

2 Modelo de continuidad espacial:
C(h) =
(
C0 + C
1
C1 exp
si |h| = 0
3|h|
a
si |h| > 0
Asumimos que C0 = 0, a = 10 y C1 = 10, luego el modelo queda:
C(h) = 10 exp (0.3 |h|)
3 Calculo de las distancias entre los datos y el punto a estimar:

29
Geoestadstica
Localizacion
0
1
2
3
4
5
6
7

0
0.00
4.47
3.61
8.06
9.49
6.71
8.94
13.45
1
4.47
0.00
2.24
10.04
13.04
10.05
12.17
17.80
2
3.61
2.24
0.00
11.05
13.00
8.00
10.05
16.97
Distancia
3
4
8.06
9.49
10.44 13.04
11.05 13.00
0.00
4.12
4.12
0.00
13.04 12.37
15.00 13.93
11.05
7.00
5
6.71
10.05
8.00
13.04
12.37
0.00
2.24
12.65
6
8.94
12.17
10.05
15.00
13.93
2.24
0.00
13.15
7
13.45
17.80
16.97
11.05
7.00
12.65
13.15
0.00
30
Geoestadstica

4 Construcci
on del sistema de krigeado ( = C 1 D):
10.00
5.11
0.44
0.20
0.49
0.26
0.05
1.00
11
C
21
C
31
C
41
C
51
C
61
C
71
C
1
12
C
22
C
32
C
42
C
52
C
62
C
72
C
1
5.11
10.00
0.36
0.20
0.91
0.49
0.06
1.00
13
C
23
C
33
C
43
C
53
C
63
C
73
C
1
0.44
0.36
10.00
2.90
0.20
0.11
0.36
1.00
14
C
24
C
34
C
44
C
54
C
64
C
74
C
1
0.20
0.20
2.90
10.00
0.24
0.15
1.22
1.00
15
C
25
C
35
C
45
C
55
C
65
C
75
C
1
0.49
0.91
0.20
0.24
10.00
5.11
0.22
1.00
16
C
26
C
36
C
46
C
56
C
66
C
76
C
1
17
C
27
C
37
C
47
C
57
C
67
C
77
C
1
0.26
0.49
0.11
0.15
5.11
10.00
0.19
1.00
1
1
1
1
1
1
1
0
0.05
0.06
0.36
1.22
0.22
0.19
10.00
1.00
10
C
20
C
30
C
40
C
50
C
60
C
70
C
1
1.00
1.00
1.00
1.00
1.00
1.00
1.00
0.00
2.61
3.39
0.89
0.58
1.34
0.68
0.18
1
31
Geoestadstica

5 Solucion:
1
2
3
4
5
6
7
1
=C D=
0.173
0.318
0.129
0.086
0.151
0.057
0.086
0.907
n
P
izi = 0.173 477 + 0.318 696 + ... + 0.086 783 = 592.7

z 0 =
i=1
n
P
2
2
iCi0 = 10 0.173 2.61 ... 0.086 0.18 0.907 = 8.96

KO =
i=1
El estimador es igual a 592.7 y la varianza del error 8.96.
32
Geoestadstica

6 Krigeado ordinario y par

ametros del
modelo de continuidad espacial
Estudiaremos el efecto de los diferentes parametros del modelo de continuidad espacial
(variograma):
1 Sobre la estimaci
on de un s
olo punto.
2 Sobre la estimaci
on de un campo completo
33
Geoestadstica

El efecto de la meseta
(h) = 0.0 + 1.0 Esf1500(h)
(h) = 0.0 + 10.0 Esf1500(h)
34
Geoestadstica

El efecto de la pepita
(h) = 0.0 + 1.0 Esf1500(h)
(h) = 0.5 + 0.5 Esf1500(h)
35
Geoestadstica

El efecto de la pepita
(h) = 0.0 + 1.0 Esf1500(h)
(h) = 1.0 + 0.0 Esf1500(h)
36
Geoestadstica

El efecto del alcance

(h) = 0.0 + 1.0 Esf1500(h)
(h) = 0.0 + 1.0 Esf100(h)
37
Geoestadstica

El efecto del alcance

(h) = 0.0 + 1.0 Esf1500(h)
(h) = 0.0 + 1.0 Esf5000(h)
38
Geoestadstica

El efecto de la forma
(h) = 0.0 + 1.0 Esf1500(h)
(h) = 0.0 + 1.0 Gau1500(h)
39
Geoestadstica

El efecto de la forma
(h) = 0.0 + 1.0 Esf1500(h)
(h) = 0.0 + 1.0 Exp1500(h)
40
Geoestadstica

El efecto de la anisotropa
(h) = 0.0 + 1.0 Esf1500(h)
(h) = 0.0 + 1.0 Esf1500,150,120(h)
41
Geoestadstica

El efecto de la anisotropa
(h) = 0.0 + 1.0 Esf1500(h)
(h) = 0.0 + 1.0 Esf1500,150,0(h)
42
Geoestadstica

Sntesis del an
alisis realizado
Caso
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
2
ok
Est.
Descripcion
Caso base
Cambio de meseta
50 % de efecto pepita
Efecto pepita puro
Cambio de alcance
Cambio de alcance
Cambio de forma
Cambio de forma
Anisotropa
Anisotropa
Variograma
(h) = 0.0 + 1.0 Sph1500 (h)
(h) = 0.0 + 10.0 Sph1500 (h)
(h) = 0.5 + 0.5 Sph1500 (h)
(h) = 1.0 + 0.0 Sph1500 (h)
(h) = 0.0 + 1.0 Sph100 (h)
(h) = 0.0 + 1.0 Sph5000 (h)
(h) = 0.0 + 1.0 Gaus1500 (h)
(h) = 0.0 + 1.0 Exp1500 (h)
(h) = 0.0 + 1.0 Sph150 (h)
(Alcance max. = 1500, alcance mn. = 150,
direcci
on =120o )
(h) = 0.0 + 1.0 Sph150 (h)
(Alcance max. = 1500, alcance mn. = 150,
direcci
on = 0o )
Caso 1
0.696
0.145
0.095
-0.028
0.133
-0.048
0.006
Caso 2
0.696
0.145
0.095
-0.028
0.133
-0.048
0.006
Caso 3
0.260
0.110
0.110
0.120
0.140
0.090
0.100
Caso 4
0.140
0.140
0.140
0.140
0.140
0.140
0.140
Caso 5
0.140
0.130
0.140
0.140
0.140
0.130
0.140
Caso 6
0.680
0.140
0.090
-0.020
0.130
-0.040
0.009
Caso 7
0.880
0.560
0.068
-0.110
0.050
-0.390
-0.050
Caso 8
0.610
0.120
0.090
-0.011
0.130
-0.020
0.019
Caso 9
0.140
0.650
0.044
0.042
0.044
0.052
0.042
Caso 10
0.005
0.011
0.534
0.023
0.008
0.012
0.404
0.162
40.07
1.620
40.07
0.069
39.70
1.140
39.40
1.140
39.50
0.040
40.09
0.000
42.60
0.300
39.90
0.570
40.06
0.500
41.34
43
Geoestadstica

Modelo de continuidad espacial y campos estimados

(h) = 0.0 + 1.0 Esf1500(h)
Datos
Caso 1
27.3
27.3
2.1
2.1
44
Geoestadstica


(h) = 1.0 + 0.0 Esf1500(h)
Datos
Caso 2
27.3
27.3
2.1
2.1
45
Geoestadstica


(h) = 0.0 + 1.0 Esf100(h)
Datos
Caso 3
27.3
27.3
2.1
2.1
46
Geoestadstica


(h) = 0.0 + 1.0 Esf3000(h)
Datos
Caso 4
27.3
27.3
2.1
2.1
47
Geoestadstica


(h) = 0.0 + 1.0 Esf1500,300,135(h)
Datos
Caso 5
27.3
27.3
2.1
2.1
48
Geoestadstica


(h) = 0.0 + 1.0 Esf1500,300,45(h)
Datos
Caso 6
27.3
27.3
2.1
2.1
49
Geoestadstica

Varianza de una combinaci

on lineal de variables aleatorias
Sea una variable aleatoria Z (u) definida como una combinacion lineal de n variables
aleatorias Z(u) con = 1, ..., n, tal que:
Z (u) =
n
X
Z(u)
=1
y vamos a calcular su varianza, esto es:

(
V ar {Z (u)} = V ar
n
X
)
Z(u)
=1
De acuerdo a la definici
on de varianza (V ar{X} = E{[X E{X}]2} = E{X 2}
E{X}2):
(
V ar
n
X
)
Z(u)
=1
=E
"
n
X
=1
Z(u)
#2
( "
n
X
#)2
Z(u)
=1
50
Geoestadstica

=E
n
X
=1
(
)
n
n
n
X
X
X
Z(u )
Z(u)
Z(u) E
Z(u ) E
=1
=1
n
n X
X
E {Z(u)Z(u )}
=1 =1
n
n X
X
=1
E {Z(u)} E {Z(u )}
=1 =1
n X
n
X
{E [Z(u)Z(u )] E [Z(u)] E [Z(u )]}
=1 =1
n X
n
X
C {Z(u)Z(u )}
=1 =1
luego
(
V ar
n
X
)
Z(u)
=1
n X
n
X
C {Z(u)Z(u )}
=1 =1
51
Geoestadstica

Bibliografa
Isaaks, E. y Srivastava, R. (1989). An Introduction to Applied Geostatistics, Oxford
University Press, New York.
Goovaerts, P. (1997). Geostatistics for Natural Resources Evaluation, Oxford University Press, New York.
Froidevaux, R. (1998). Geostatistics for Petroleum Reservoir Characterization.
Workshop Notes, FSS International.
52
Geoestadstica

Para leer en casa...

Cressie, N. (1990). The Origins of Kriging, Mathematical Geology, Vol. 22, No 3,
239-252. (6-Lectura-Cressie-MG90.pdf )
53

11 Estimación

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

11 Estimación

Încărcat de

Drepturi de autor:

Formate disponibile

Unidad did

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Medias y distribuciones completas

Cuando una determinada aplicaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Estimaciones puntuales y de bloque

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

El estimador por krigeado ordinario tiene la forma

donde el denota que se trata de un estimador y (u) son coeficientes de ponderacion

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Los objetivos del krigeado

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

El modelo a construir es un modelo de funci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Los objetivos del krigeado

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

La esperanza del error es:

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Asumiendo que la funci

de donde se deduce que para que

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Reemplazando las ecuaciones (9), (10) y (11) y reordenando en la expresion de la

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

donde es el parametro de Lagrange.

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

Derivando con respecto a e igualando el resultado a cero se obtiene la ecuacion que

Master en Ingeniera Hidraulica y Medio Ambiente

Unidad didactica 5: Tecnicas de estimaci

El tercer termino contiene un termino que es funci

que igualando a cero y ordenando se transforma en:

Unidad didactica 5: Tecnicas de estimaci

Master en Ingeniera Hidraulica y Medio Ambiente