Академический Документы
Профессиональный Документы
Культура Документы
UNIVERSIDAD DE CHILE
La idea bsica es estimar el valor de un atributo (digamos, la ley de Au) en una posicin donde no conocemos el valor verdadero
n
Z (u ) ! Pi Z (ui )
* i !1
donde u se refiere a la posicin, Z*(u) es una estimacin en la posicin u, hay n valores de datos Z(ui), i=1,...,n, y Pi se refiere a los ponderadores.
cercana a la posicin que est siendo estimada redundancia entre los valores de datos continuidad anistropa (direccin preferencial) magnitud de la continuidad / variabilidad
UNIVERSIDAD DE CHILE
Asignar todos los ponderadores a los datos ms cercanos (estimador tipo poligonal) Asignar los ponderadores inversamente proporcional a la distancia de la posicin que se est estimando (esquemas de inverso de la distancia)
1 c d iw Pi ! 1 n i !1 c d w i
donde di es la distancia entre el dato i y la posicin que se est estimando, c es una constante pequea, y [ es una potencia (usualmente entre 1 to 3). Y si se usa el variograma? kriging
SIMULACIN GEOESTADSTICA DE VARIABLES GEOLGICAS Y LEYES UNIVERSIDAD DE CHILE
z (x) !
E! n (x ) E!
z(xE) dE
UNIVERSIDAD DE CHILE
Inverso de la distancia
n (x )
z ( xE ) dEp
p E
Kriging es una coleccin de tcnicas generalizadas de regresin lineal para minimizar una varianza de estimacin definida de un modelo a priori de covarianza (R. Olea, 1991). Kriging es el mejor estimador lineal insesgado. insesgado. El mejor solamente en el sentido del error de mnimos cuadrados para un modelo dado de covarianza / varianza Varios tipos de kriging:
Kriging Simple: media conocida m Kriging Ordinario: media desconocida Kriging con un modelo de deriva: media conocida en cada posicin m(u) Kriging con una deriva externa: el modelo de deriva escalado a partir de una variable secundaria m(u)=a0+a1y(u) Kriging Factorial: El modelo de FA Z(u) es separado en componentes independientes (factores) Kriging no lineal: Lognornal, MG, Kriging de rangos, KI, KD, Kriging de Indicadores: KIS, KIO, KIM, Kriging de Probabilidades: Usa indicadores y orden estandarizado de los datos
SIMULACIN GEOESTADSTICA DE VARIABLES GEOLGICAS Y LEYES UNIVERSIDAD DE CHILE
Kriging
Considere los valores de residuos respecto a la media: Y(ui)= Z(ui) - m(ui), i=1, ,n donde m(u) podra ser constante, variable localmente o considerada constante pero desconocida. El variograma se define como: 2 K(h) = E{[ Y(u}) - Y(u + h]2} La covarianza se define como: C(h) = E{ Y(u) Y(u + h)} Relacin entre el variograma y la covarianza: 2 K(h)= [ E{ Y2(u) + [ E{ Y2(u + h)}] - 2 [ E{ Y(u) Y(u + h)] = Var{Y(u)} + Var{Y(u + h)} - 2 C(h}) C(0) = meseta = 2 [ C(0) - C(h) ] K(h) As, C(h) = C(0) - K(h) C(h)
SIMULACIN GEOESTADSTICA DE VARIABLES GEOLGICAS Y LEYES UNIVERSIDAD DE CHILE
Kriging Simple
Y (u ) ! P i Y(u i )
* i !1
donde Y(ui) son los residuos e Y*(u) es el valor estimado (la media debe agregarse posteriormente) La varianza del error se define como E{[Y * (u ) Y (u )]2 }
A2-2ab+b2
P P E{Y (u ) Y (u )} 2 P E {Y ( u) Y ( u )}
i !1 j !1 n n n
C ( 0)
P P C ( u , u ) 2 P C ( u, u )
i j i j i i i !1 j !1 i !1
C ( 0)
UNIVERSIDAD DE CHILE
Kriging Simple
Los ponderadores ptimos (que minimizan la varianza del error) Pi, i=1, ,n pueden determinarse tomando derivadas parciales con respecto a los ponderadores n x[ ] ! 2 P jC( i , j ) 2 C( , i ) , i ! 1,..., n xP i j! 1 e igualndola a cero
n
P C(
j j! 1
) ! C( ,
),
i ! 1,..., n
Este sistema de n ecuaciones con n ponderadores desconocidos es el sistema de kriging simple (KS)
UNIVERSIDAD DE CHILE
Kriging Simple
El kriging minimiza esta varianza de estimacin para obtener los ponderadores. Derivando e igualando a cero, se obtiene el sistema de kriging simple:
C (x1 x1 ) . / C (x x ) . n 1
C (x1 x n ) P1 C (x1 x 0 ) / / / ! C (x n x n ) Pn C (x n x 0 )
n n E
Y por lo tanto:
Z * (x 0 ) !
E !1
Z (xE )
n
1
E !1
2 KS
( x 0 ) ! C (0) PE C (x E x 0 )
E !1
UNIVERSIDAD DE CHILE
Kriging Simple
O en trminos de variograma:
K ( x1 x1 ) / K (x x ) n 1
K (x1 x n ) P1 K (x1 x 0 ) / / /! K (x n x n ) P n K (x n x 0 )
n n
Y se obtiene:
*
(x 0 ) ! PE (xE ) 1 PE
m
E !1 n E !1
2 W KS (x 0 ) ! K (0) PE K (x E x 0 )
E !1
UNIVERSIDAD DE CHILE
Kriging Simple
K1,2 K0,1
K1,3 K0,2
K2,3 K0,3
En notacin matricial
(1,1) ( 2,1) ( 3,1)
UNIVERSIDAD DE CHILE
Kriging Simple
Kriging simple con un efecto pepita cero y una variograma esfrico istropo con tres alcances diferentes:
Cambio del alcance
alcance = 1 alcance = 5 alcance = 10
Distancia
1 0.781 0.648 0.000 2 0.012 -0.027 0.000 3 0.065 0.001 0.000
UNIVERSIDAD DE CHILE
rango = 10 5 1
Kriging Simple
Kriging simple con un variograma esfrico istropo con un rango de 10 unidades de distancia y tres diferentes efectos pepita:
Cambio del efecto pepita
100% 75%
K
pepita = 25% Distancia
P
pepita = 0% 25% 75% 100%
Kriging Simple
Kriging simple con un variograma esfrico con una efecto pepita del 25%, un alcance principal de 10 unidades y alcances menores diferentes:
Cambio de anisotropa
P
aniso ro a 1:1 2:1 5:1 20:1
Escribamos una forma ms general del estimador de kriging simple, esto es, una estimacin de ZV(u) con zv(ui), i=1, , n:
Existe solucin nica si la matriz ? , v es definida C vi j A positiva * El estimador kriging es insesgado: Z V Z K ! 0 Estimador de varianza del error mnima Interpolador exacto : si vi ! V Pi ! 1, P j ! 0 j { i
? _
A a
UNIVERSIDAD DE CHILE
V Geometra del volumen a estimar: C , V vi ,V Distancia de la informacin: vi , v j Configuracin de los datos: Continuidad estructural de la variable considerada: C h
El efecto suavizador de kriging puede predecirse La teora de kriging es parte de la teora probabilstica de las proyecciones: proyeccin ortogonal en el espacio de combinaciones lineales de los n datos (espacio de Hilbert)
UNIVERSIDAD DE CHILE
Kriging Ordinario
En la mayora de los casos la media es desconocida Kriging Ordinario: estimador lineal que no considera la media n conocida Z * (u ) ! P Z (u )
0
E !1
[ Z (u0 ) Z (u 0 )] ! PE
*
E !1
[ Z (uE )] [ Z (u0 )]
m m
P
E !1
!1
!m
PE 1
E !1
s.a.
P
E !1
!1
UNIVERSIDAD DE CHILE
Kriging Ordinario
Kriging ordinario (media desconocida) En este caso se minimiza la varianza sujeto a que la suma de los ponderadores sea igual a 1. El sistema de kriging ordinario queda:
C ( x1 x 1 ) . / C (x x ) . n 1 1 .
C ( x1 x n ) 1 P1 C (x1 x 0 ) / / / / ! C (x n x n ) 1 P n C (x n x 0 ) Q 1 0 1
n
Z * (x 0 ) ! PE Z (xE )
E !1
n 2 W KO (x 0 ) ! W 2 PE C ( xE x 0 ) Q E !1
SIMULACIN GEOESTADSTICA DE VARIABLES GEOLGICAS Y LEYES UNIVERSIDAD DE CHILE
Kriging Ordinario
O en trminos de variograma:
K ( x1 x1 ) . / K (x x ) . n 1 . 1
y
K (x1 x n ) 1 P1 K (x1 x 0 ) / / / / ! K (x n x n ) 1 P n K (x n x 0 ) Q 1 0 1
n
Z * (x 0 ) !
E !1
Z ( xE )
n 2 W KO (x 0 ) !
E !1
SIMULACIN GEOESTADSTICA DE VARIABLES GEOLGICAS Y LEYES UNIVERSIDAD DE CHILE
(xE x 0 ) Q
Efecto de Distancia
Caso base y efecto del aumento en la distancia sobre los ponderadores (K (h) ! 0,2 0,8 Sph(100 ) )
Caso ase
W
2 K
Efecto e istancia
W
2 K
= 0,1888
= 0,2162
0,25
0,265
50
0,25
0,25
50
0,303
0,303
0,25 0,129
50 UNIVERSIDAD DE CHILE
Efecto antalla
W
2 K
Efecto de la anisotropa
W
2 K
= 0,1668 0,247
= 0 2248 0 074
50
0,233
50
0 426
0 426
0 074
50
UNIVERSIDAD DE CHILE
Efecto de declusterizacin y declus. + distancia sobre los ponderadores (K (h) ! 0,2 0,8 Sph(100 ) )
Efecto de declusterizacin
50
0,
0,1668 0,
0,2107
50
0, 674
0,
50
50
UNIVERSIDAD DE CHILE
100
150
Efecto sobre los ponderadores de un cambio en el efecto pepita del modelo variogrfico
Caso base
W
2 K
0,0827
0,1206
0,208 50 0,042 50
0,1044
0,1456
50
K(h)
50
K(h)
0,7 + 0, Sph(100)
UNIVERSIDAD DE CHILE
Apropiado para visualizar derivas Inapropiado para evaluacin de procesos donde los valores extremos son importantes
Var{Y*(u)}=W Var{Y*(u)}=W2-W2SK
W2 es la varianza completa
W2SK(u) es cero en la posicin de los datos no hay suavizamiento. W2SK(u) es la varianza W2 lejos de la posicin de los datos suavizamiento total
Las variaciones espaciales de W2SK(u) dependen del variograma y el espaciamiento de los datos
u R u
donde R(u) corrige la varianza perdida. La simulacin reproduce el histograma, respeta la variabilidad espacial (variograma), apropiada para evaluacin de procesos Permite una determinacin de la incertidumbre con realizaciones alternativas El efecto suavizante de kriging puede cuantificarse
UNIVERSIDAD DE CHILE
Comentarios
Kriging respeta los datos con una discontinuidad (si, kriging es un interpolador exacto, pero ) Los ponderadores de kriging no dependen del valor de los datos:
las derivas se extrapolan con ponderadores negativos la varianza de kriging no depende de los valores de los datos
Kriging a veces es llamado BLUE: Best Linear Unbiased Estimator (Probablemente debiera llamarse GLUE: Good
UNIVERSIDAD DE CHILE
Comentarios
El efecto suavizante puede cuantificarse El kriging de bloques lleva a incluso ms suavizamiento (dependiendo del espaciamiento de los datos).
Los estimadores de los bloques de diferentes tamaos son a menudo similares pero no realistas No es una buena idea evaluar el uso de extraccin selectiva con kriging de bloques! (recordar el efecto informacin)
UNIVERSIDAD DE CHILE
^ ( xE ) ! ln Z ( xE ) F
*
El sistema de kriging y la varianza de estimacin son idnticos al caso del kriging simple (se debe usar el variograma de los logaritmos). El estimador es:
n n
1 n ^ ( x 0 ) ! PE ^ (x E ) 1 PE ^ (m) PE C ( xE xE ) C ( x 0 xE ) 2 E !1 E !1 E !1
UNIVERSIDAD DE CHILE
Kriging lognormal ordinario: Nuevamente, si la distribucin de datos es lognormal, se hace el cambio de variable:
^ ( xE ) ! ln Z ( xE ) F
El sistema de kriging y la varianza de estimacin son idnticos al caso del kriging ordinario (se debe usar el variograma de los logaritmos). El estimador es:
n *
^ (x 0 )
E 1
PE ^ (xE )
1 n PE C ( xE 2 E1
xE ) C ( x0
xE )
1 Q 2
UNIVERSIDAD DE CHILE
En presencia de una deriva, el KS no puede usarse, ya que asume una media constante m en cualquier lugar La deriva debe modelarse (por ejemplo, usando una tcnica de media mvil), as en cada posicin el valor m(u) es conocido Kriging con una media que vara localmente kriging con los residuos
n
[ Z ( ) m( )] ! P E ( )[Z(
* SK E !1
) m(
)]
Se necesita un modelo de covarianza para los residuos Genera algunos problemas si se usa en modo simulacin
UNIVERSIDAD DE CHILE
UNIVERSIDAD DE CHILE
UNIVERSIDAD DE CHILE
Validaciones Cruzadas
Parmetros de kriging. Criterios:
Media compsitos = Media puntos estimados (sesgo global) Medias condicionales (sesgo condicional) Varianza (estimado-real) baja (estimadoDistribucin de errores estandarizados (debe estar centrada en 0)
UNIVERSIDAD DE CHILE