Escolar Documentos
Profissional Documentos
Cultura Documentos
La estimación local
EL PROBLEMA
INTRODUCCION
Objetivo
Ejemplo introductorio
Se busca estimar el valor en el sitio “?” a partir de los valores
muestreados en A, B, C, D, E, F.
ESTIMADOR DEL MAS CERCANO VECINO
Ventajas
• Fáciles de ejecutar
• En ambos casos, el estimador privilegia los datos cercanos
Inconvenientes
• El más cercano vecino apantalla a todos los otros datos, luego
omite parte de la información. El inverso de la distancia no
considera las redundancias que existen entre datos agrupados
• Ambos estimadores no toman en cuenta la estructuración de la
variable regionalizada: continuidad en el espacio, anisotropía
• No miden la precisión de la estimación
KRIGING
• restricción de linealidad
a =1
• restricción de insesgo
E[Z*(x0) – Z(x0)] = 0
Notas:
1) las mayúsculas se refieren a las magnitudes aleatorias, las minúsculas a las
magnitudes determinísticas
2) el asterisco indica una estimación
OPTIMALIDAD
• restricción de optimalidad
Validación cruzada
precisión alcanzada
sesgo condicional
MODELOS DE KRIGING
KRIGING SIMPLE
Hipótesis
a =1
RESTRICCION DE INSESGO
a =1
n
= a [ a 1] m
a =1
a =1 =1 a =1
n n n n
= s [1 a ] a g (x a x ) 2 a g (x a x 0 )
2 2
a =1 a =1 =1 a =1
n
a = [1 a ] m (insesgo)
a =1
n n
a = 1... n, [1 ] s g (x x )
2
a = g (x a x 0 )
=1 =1
a =1 a =1
Hipótesis
Restricción de linealidad
La estimación en un sitio x0 se escribe como una combinación
lineal ponderada de los datos circundantes, ubicados en los
sitios {xa, a = 1... n}:
n
z (x 0 ) = a a z(x a )
*
a =1
RESTRICCION DE INSESGO
a =1
n
= a [ a 1] m
a =1
n n n n
var[ Z (x 0 ) Z(x 0 )] = s [1 a ] a g(x a x ) 2 a g(x a x 0 )
* 2 2
a =1 a =1 =1 a =1
n
a =1
a =1 insesgo
a=0
n
a = 1... n ,
=1
g (x a x ) m= g (x a x 0 )
mide las mide la influencia
redundancias de los datos sobre
entre datos el valor a estimar
SISTEMA MATRICIAL
0 g 12 g 13 ... g 1n 1 1 g 1
g 21 0 g 23 ... g 2 n 1 2 g 2
. . . . . . .
. . . . . . . = .
. . . . . . .
g g n 2 g n3 ... 0 1 n g n
n1
1
1 1 ... 1 0 m 1
PRECISION DE LA ESTIMACION
DATA
MATRIZ DE DISTANCIAS Y
VARIOGRAMAS
ESQUEMA MATRICIAL
Resultados
ESTIMACION
ESTIMACION PARA EL BLOQUE
LEY Y ERROR DE ESTIMACION
OTROS TIPOS DE KRIGING
Dos alternativas:
• discretizar el bloque en muchos puntos, estimar el valor de
cada punto y promediar las estimaciones puntuales
costoso en cálculos; no permite calcular la varianza de
estimación
• evaluar directamente el valor del bloque, sin recurrir a
estimaciones puntuales
ETAPAS
Principio
Se busca caracterizar el valor en el sitio “?” por una distribución
de probabilidad, la cual refleja la incertidumbre en este sitio.
ESTIMACION DE CADA INDICADOR
ponderador de ley de corte ley de corte ley de corte ley de corte ley de corte
sitio ley
kriging (%) nº1 = 0.1 nº2 = 0.2 nº3 = 0.3 nº4 = 0.4 nº5 = 0.5
A 5.2 0.21 0 0 1 1 1
B -7.2 0.35 0 0 0 1 1
C 57.9 0.42 0 0 0 0 1
D 27.1 0.28 0 0 1 1 1
E 15.7 0.53 0 0 0 0 0
F 1.2 0.05 1 1 1 1 1
La estimación de cada
indicador se interpreta
como la probabilidad
que el valor verdadero
sea menor que la ley
de corte asociada.
KRIGING DE INDICADORES
corrección
corrección
corrección
descendente
ascendente
final interpolación/extrapolación
cambio de soporte
GRACIAS POR SU ATENCION