Prediccion Espacial KS KOmodificado

Geoestadística
PREDICCIÓN ESPACIAL
Kriging simple y Kriging ordinario
Daisy Arroyo
Departmento de Estadística
Facultad de Ciencias Físicas y Matemáticas
Universidad de Concepción
darroyof@udec.cl
19 de octubre 2017
1/26
Kriging simple
Hipótesis:
2/26
Kriging simple
Hipótesis:
Se conoce el valor medio m de la función aleatoria asociada con la

variable regionalizada.
Bajo el supuesto de estacionariedad, este valor medio es constante en el
espacio.
2/26
Kriging simple
Hipótesis:

espacio.
También se conoce el variograma γ(h), el cual presenta una meseta

finita:
γ(∞) = σ 2
2/26
Kriging simple
Hipótesis:

espacio.
También se conoce el variograma γ(h), el cual presenta una meseta

finita:
γ(∞) = σ 2
Existe una función de covarianza C(h) = σ 2 − γ(h)
2/26
Kriging simple
Restricción de linealidad
La predicción en un sitio x0 se escribe como una combinación lineal

ponderada de los datos circundantes (datos seleccionados en la vecindad),
ubicados en los sitios {xα , α = 1, . . . , n}:
n
X
Z ∗ (x0 ) = a + λα Z(xα )
α=1
3/26
Kriging simple
Restricción de insesgo
La esperanza del error es:

n
X
E[Z ∗ (x0 ) − Z(x0 )] = a+ λα E[Z(xα )] − E[Z(x0 )]
α=1
" n #
X
= a+ λα − 1 m
α=1
4/26
Kriging simple

n
X
α=1
" n #
X
= a+ λα − 1 m
α=1
Para que esta esperanza sea cero, se plantea:

" n
#
X
a= 1− λα m
α=1
4/26
Kriging simple

n
X
α=1
" n #
X
= a+ λα − 1 m
α=1
Para que esta esperanza sea cero, se plantea:

" n
#
X
a= 1− λα m
α=1
La media m tiene un ponderador complementario al ponderador acumulado

de los datos. Su rol es compensar la falta de información cuando los datos
son escasos o alejados.
4/26
Kriging simple
Restricción de optimalidad
La varianza del error de predicción puede expresarse como una función de la

covarianza
n X
X n n
X
var[Z ∗ (x0 ) − Z(x0 )] = σ 2 + λα λβ C(xα − xβ ) − 2 λα C(xα − x0 )
α=1 β=1 α=1
Kriging simple

covarianza
n X
X n n
X
var[Z ∗ (x0 ) − Z(x0 )] = σ 2 + λα λβ C(xα − xβ ) − 2 λα C(xα − x0 )
α=1 β=1 α=1
La minimización requiere anular las derivadas de esta expresión con

respecto a las incógnitas {λα , α = 1, . . . , n}.
5/26
Kriging simple
Sistema de ecuaciones lineales
Se obtiene el siguiente sistema de ecuaciones lineales:
 " #
Xn

a= 1− λα m (insesgo)







 α=1



 Xn
 λβ C(xα − xβ ) = C(xα − x0 ) ∀ α = 1, . . . , n
 | {z } | {z }

 β=1


 mide las mide la influencia



 redundancias de los datos sobre

 entre datos el valor a predecir
6/26
Kriging simple
Forma matricial del sistema de ecuaciones
    
C(x1 − x1 ) · · · C(x1 − xn ) λ1 C(x1 − x0 )
 .. ..  ..  =  .. 
 . .  .   . 
C(xn − x1 ) · · · C(xn − xn ) λn C(xn − x0 )
Kriging simple
Forma matricial del sistema de ecuaciones
    
C(x1 − x1 ) · · · C(x1 − xn ) λ1 C(x1 − x0 )
 .. ..  ..  =  .. 
 . .  .   . 
C(xn − x1 ) · · · C(xn − xn ) λn C(xn − x0 )
AX = B
Se resuelve por inversión matricial, pivote de Gauss, o descomposición LU

de la matriz de covarianza.
Kriging simple
Precisión de la predicción
El valor mínimo de la varianza del error de predicción se llama varianza de

kriging simple y es igual a:
n
X
2
σKS (x0 ) = σ 2 − λα C(xα − x0 )
α=1
Kriging simple

kriging simple y es igual a:
n
X
2
σKS (x0 ) = σ 2 − λα C(xα − x0 )
α=1
Siempre se tiene
2
σKS (x0 ) ≤ σ 2
Kriging simple
Ejercicio 1
Si la covarianza es un efecto pepita:

σ2 si h = 0
C(h) =
0 si h > 0
El efecto pepita corresponde a una ausencia total de estructuración de los

datos.
Cómo resulta el sistema de kriging simple en un punto x0 (sin dato)?
Cómo son los ponderadores?
Cómo es el valor de la predicción?
Cómo es la varianza de la predicción?
9/26
Kriging simple
Ejercicio 2
Considerar la siguiente configuración. Tenemos 3 datos y un sitio sin dato, en

un cuadrado de lado 1 m. La covarianza de la variable Z(x) es esférico con
alcance 1.25 m y meseta 2. Además se sabe que la media de la variable es 2.
Establecer y resolver el sistema de kriging simple
Indicar el valor de la predicción y la correspondiente varianza de

predicción
10/26
Kriging ordinario
Hipótesis:
Kriging ordinario
Hipótesis:
Se desconoce el valor medio de la función aleatoria asociada con la

Kriging ordinario
Hipótesis:

También se conoce el variograma γ(h), el cual puede o no tener

meseta.
El considerar el valor de la media como desconocido permite
generalizar el predictor a situaciones donde esta media no es constante
en el espacio: la media puede variar de una región a otra del espacio,
siempre que sea aproximadamente constante en cada vecindad de
kriging.
Kriging ordinario
Hipótesis:

También se conoce el variograma γ(h), el cual puede o no tener

meseta.
El considerar el valor de la media como desconocido permite
generalizar el predictor a situaciones donde esta media no es constante
en el espacio: la media puede variar de una región a otra del espacio,
siempre que sea aproximadamente constante en cada vecindad de
kriging.
Predictor más robusto.

Kriging ordinario
Restricción de linealidad
La predicción en un sitio x0 es una combinación lineal ponderada de los

datos circundantes, ubicados en los sitios {xα , α = 1, . . . , n}:
n
X
Z ∗ (x0 ) = a + λα Z(xα )
α=1
12/26
Kriging ordinario
La esperanza del error de predicción es:
n
X
α=1
" n #
X
= a+ λα − 1 m
α=1
13/26
Kriging ordinario
La esperanza del error de predicción es:
n
X
α=1
" n #
X
= a+ λα − 1 m
α=1
Siendo m desconocida, la única alternativa es plantear
n
X
a=0 y λα = 1
α=1
Kriging ordinario

covarianza:
n X
X n n
X
var[Z ∗ (x0 )−Z(x0 )] = C(0)+ λα λβ C(xα −xβ )−2 λα C(xα −x0 )
α=1 β=1 α=1
14/26
Kriging ordinario

covarianza:
n X
X n n
X
α=1 β=1 α=1
La minimización de esta expresión bajo la restricción de insesgo

n
X
λα = 1
α=1
requiere introducir una incógnita adicional llamada multiplicador de

Lagrange, denotada µ:
14/26
Kriging ordinario

covarianza:
n X
X n n
X
α=1 β=1 α=1
La minimización de esta expresión bajo la restricción de insesgo

n
X
λα = 1
α=1
requiere introducir una incógnita adicional llamada multiplicador de

Lagrange, denotada µ:
n X
n n n
!
X X X
∗
var[Z (x0 )−Z (x0 )] = C(0)+ λα λβ C(xα −xβ )−2 λα C(xα −x0 )+2µ λα − 1
α=1 β=1 α=1 α=1
| {z }
=0
14/26
Kriging ordinario
Calculando las n + 1 derivadas parciales y luego anulándolas, se obtiene el

sistema:
Kriging ordinario
Calculando las n + 1 derivadas parciales y luego anulándolas, se obtiene el

sistema:
n

 ∂ X

 = 0 : λβ C(xα − xβ ) + µ = C(xα − x0 ), ∀ α = 1, . . . , n
 ∂λα


β=1

 n

 ∂ X
= 0 : λα = 1 (condición de insesgo)


 ∂µ

α=1
Kriging ordinario
El sistema de kriging ordinario en notación matricial:
    
C(x1 − x1 ) · · · C(x1 − xn ) 1 λ1 C(x1 − x0 )
 .. .. ..   ..   .. 

 . . . 
 .  = 
   . 

 C(xn − x1 ) · · · C(xn − xn ) 1   λn   C(xn − x0 ) 
1 ··· 1 0 µ 1
16/26
Kriging ordinario
    
C(x1 − x1 ) · · · C(x1 − xn ) 1 λ1 C(x1 − x0 )
 .. .. ..   ..   .. 

 . . . 
 .  = 
   . 

 C(xn − x1 ) · · · C(xn − xn ) 1   λn   C(xn − x0 ) 
1 ··· 1 0 µ 1
AX = B
Se resuelve por inversión matricial o pivote de Gauss.
16/26
Kriging ordinario

kriging ordinario y es igual a:
n
X
2
σKO (x0 ) = σ 2 − λα C(xα − x0 ) − µ
α=1
17/26
Kriging ordinario

kriging ordinario y es igual a:
n
X
2
σKO (x0 ) = σ 2 − λα C(xα − x0 ) − µ
α=1
En general (no siempre) se tiene

2
σKO (x0 ) ≤ σ 2
17/26
Kriging ordinario
Kriging ordinario en función del variograma
Kriging ordinario
Siendo el variograma una herramienta equivalente a la covarianza, a partir de

la relación
γ(h) = C(0) − C(h)
se puede elegir utilizarlo en lugar de la covarianza.

Kriging ordinario
Siendo el variograma una herramienta equivalente a la covarianza, a partir de

la relación
γ(h) = C(0) − C(h)
se puede elegir utilizarlo en lugar de la covarianza.
Las ecuaciones de kriging ordinario pasan a ser:
 n
 X



 λβ γ(xα − xβ ) − µ = γ(xα − x0 ) ∀ α = 1, . . . , n
 β=1


 n
X

λα = 1




α=1
Kriging ordinario
    
γ(x1 − x1 ) · · · γ(x1 − xn ) 1 λ1 γ(x1 − x0 )
 .. .. ..   ..   .. 

 . . . 
 .

=
  . 

 γ(xn − x1 ) · · · γ(xn − xn ) 1   λn   γ(xn − x0 ) 
1 ··· 1 0 −µ 1
19/26
Kriging ordinario
    
γ(x1 − x1 ) · · · γ(x1 − xn ) 1 λ1 γ(x1 − x0 )
 .. .. ..   ..   .. 

 . . . 
 .

=
  . 

 γ(xn − x1 ) · · · γ(xn − xn ) 1   λn   γ(xn − x0 ) 
1 ··· 1 0 −µ 1
AX = B
Se resuelve por inversión matricial o pivote de Gauss.
19/26
Kriging ordinario
La varianza de kriging ordinario es:
n
X
2
σKO (x0 ) = λα γ(xα − x0 ) − µ
α=1
20/26
Kriging ordinario
Ejercicio 3
Si la covarianza es un efecto pepita:

σ2 si h = 0
C(h) =
0 si h > 0
El efecto pepita corresponde a una ausencia total de estructuración de los

datos.
Cómo resulta el sistema de kriging ordinario en un punto x0 (sin dato)?
Cómo son los ponderadores?
Cómo es el valor de la predicción?
Cómo es la varianza de la predicción?
21/26
Kriging ordinario
Ejercicio 4
Considerar la misma configuración del ejemplo 2 de kriging simple. La

covarianza de la variable Z(x) es esférico con alcance 1.25 m y meseta 2.
Establecer y resolver el sistema de kriging ordinario
Indicar el valor de la predicción y la correspondiente varianza de

predicción
22/26
Observaciones
Los ponderadores de kriging y la varianza de kriging toman en cuenta:
23/26
Observaciones
Información geométrica: distancias entre el sitio a predecir y los

datos; distancia entre los datos
23/26
Observaciones

Información variográfica: efecto pepita, correlación espacial,

anisotropía,...
23/26
Observaciones


anisotropía,...
Sin embargo, no toman en cuenta la información “local” aportada por los

valores de los datos
23/26
Observaciones


anisotropía,...

Conociendo el modelo variográfico, se puede anticipar la varianza de la

predicción a partir de una configuración dada de los sitios con datos.
23/26
Observaciones


anisotropía,...

Conociendo el modelo variográfico, se puede anticipar la varianza de la

predicción a partir de una configuración dada de los sitios con datos.
Esta propiedad es una limitación del kriging lineal (la precisión de una
predicción es menor en las zonas cuyos valores tienen mayor variabilidad)
23/26
Observaciones
El ponderador de kriging asignado a un dato depende de:

Observaciones
su distancia al sitio destinado para la predicción

Observaciones
la existencia de un efecto pepita

Observaciones
la presencia de una anisotropía

Observaciones
las redundancias entre datos

Observaciones
efecto pantalla, ...

Observaciones
Salvo excepciones, los ponderadores de kriging pueden ser negativos, lo

que algunas veces conduce a predicciones negativas.
Observaciones
Salvo excepciones, los ponderadores de kriging pueden ser negativos, lo

que algunas veces conduce a predicciones negativas.
El sistema de kriging es regular (entrega una única solución) siempre que

no existan datos duplicados.
Propiedades del kriging
Insesgo: El error promedio en una región grande tiende a cero.
Interpolación exacta: La predicción en un sitio con dato proporciona

el valor del dato como la predicción, y la varianza del error de
predicción es cero en este sitio.

Aditividad: el kriging del valor promedio de un sector es el promedio

de las predicciones puntuales en este sector.


Suavizamiento: La dispersión de los valores predecidos es menor que

la dispersión de los valores verdaderos.



El kriging tiende a subestimar las zonas de altos valores y sobreestimar

las zonas de bajos valores.




Esto plantea un problema cuando se quiere determinar el valor de la

variable en relación con un valor umbral (ley de corte en minería,
concentración máxima admisible en ciencias ambientales,...)




Esto plantea un problema cuando se quiere determinar el valor de la

variable en relación con un valor umbral (ley de corte en minería,
concentración máxima admisible en ciencias ambientales,...)
Solución: kriging no lineal o simulación

25/26
Referencias
Chilès JP, Delfiner P, Geostatistics: Modeling Spatial Uncertainty

2nd. edition. John Wiley & Sons, New York, 2012.
Isaaks EH, Srivastava RM, An Introduction to Applied Geostatistics.

Oxford University Press, New York, 1989.
26/26

Prediccion Espacial KS KOmodificado

Încărcat de

Informații document

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

Prediccion Espacial KS KOmodificado

Încărcat de

Drepturi de autor:

Formate disponibile

Geoestadística

Se conoce el valor medio m de la función aleatoria asociada con la

Se conoce el valor medio m de la función aleatoria asociada con la

También se conoce el variograma γ(h), el cual presenta una meseta

Se conoce el valor medio m de la función aleatoria asociada con la

También se conoce el variograma γ(h), el cual presenta una meseta

Existe una función de covarianza C(h) = σ 2 − γ(h)

La predicción en un sitio x0 se escribe como una combinación lineal

La esperanza del error es:

La esperanza del error es:

Para que esta esperanza sea cero, se plantea:

La esperanza del error es:

Para que esta esperanza sea cero, se plantea:

La media m tiene un ponderador complementario al ponderador acumulado

La varianza del error de predicción puede expresarse como una función de la

La varianza del error de predicción puede expresarse como una función de la

La minimización requiere anular las derivadas de esta expresión con

Sistema de ecuaciones lineales

Se obtiene el siguiente sistema de ecuaciones lineales:

Forma matricial del sistema de ecuaciones

Forma matricial del sistema de ecuaciones

Se resuelve por inversión matricial, pivote de Gauss, o descomposición LU

El valor mínimo de la varianza del error de predicción se llama varianza de

El valor mínimo de la varianza del error de predicción se llama varianza de

Si la covarianza es un efecto pepita:

El efecto pepita corresponde a una ausencia total de estructuración de los

Cómo resulta el sistema de kriging simple en un punto x0 (sin dato)?

Cómo son los ponderadores?

Cómo es el valor de la predicción?

Cómo es la varianza de la predicción?

Considerar la siguiente configuración. Tenemos 3 datos y un sitio sin dato, en

Establecer y resolver el sistema de kriging simple

Indicar el valor de la predicción y la correspondiente varianza de

Se desconoce el valor medio de la función aleatoria asociada con la

Se desconoce el valor medio de la función aleatoria asociada con la

También se conoce el variograma γ(h), el cual puede o no tener

Se desconoce el valor medio de la función aleatoria asociada con la

También se conoce el variograma γ(h), el cual puede o no tener

Predictor más robusto.

La predicción en un sitio x0 es una combinación lineal ponderada de los

La esperanza del error de predicción es:

La esperanza del error de predicción es:

Siendo m desconocida, la única alternativa es plantear

La varianza del error de predicción puede expresarse como una función de la

La varianza del error de predicción puede expresarse como una función de la

La minimización de esta expresión bajo la restricción de insesgo

requiere introducir una incógnita adicional llamada multiplicador de

La varianza del error de predicción puede expresarse como una función de la

La minimización de esta expresión bajo la restricción de insesgo

requiere introducir una incógnita adicional llamada multiplicador de

Calculando las n + 1 derivadas parciales y luego anulándolas, se obtiene el

Calculando las n + 1 derivadas parciales y luego anulándolas, se obtiene el

El sistema de kriging ordinario en notación matricial:

El sistema de kriging ordinario en notación matricial:

Se resuelve por inversión matricial o pivote de Gauss.

El valor mínimo de la varianza del error de predicción se llama varianza de

El valor mínimo de la varianza del error de predicción se llama varianza de

En general (no siempre) se tiene

Siendo el variograma una herramienta equivalente a la covarianza, a partir de

γ(h) = C(0) − C(h)

se puede elegir utilizarlo en lugar de la covarianza.

Siendo el variograma una herramienta equivalente a la covarianza, a partir de

γ(h) = C(0) − C(h)

se puede elegir utilizarlo en lugar de la covarianza.