KRIGING INDICADOR

CANAZA MENDOZA
LUISA MARIA
HERRERA ZUIGA
SAUL BALDOMERO
SOLIS COAQUIRA
JESUS BRAYAN

Kriging
Indicador
un mtodo basado en los datos
transformados a partir de valores
continuos para valores binarios o
que comienza con los datos
categricos.

Kriging Indicador

La teora y el desarrollo de estimadores no paramtricos de

distribuciones espaciales, es similar a la teora y el
desarrollo
de
estimadores no paramtricos del valor medio local (Journel, 1983).

La mayor diferencia entre estos dos tipos de estimadores est en el

estimado de las variables y en los tipos de datos usados. Una
variable
aleatoria puede ser definida en cada y cualquier locacin xi
dentro de la
regin de inters. El conjunto de estas variables aleatorias determina una
funcin aleatoria. Como un conjunto de variables aleatorias , la funcin
aleatoria
expresa
el comportamiento local y regional de la variable de
inters. En un punto dado en el espacio, la funcin aleatoria Z ( x )es
una variable aleatoria, pero sobre una regin, la funcin aleatoria
incorpora la estructura de correlacin espacial completa de cualquier
subconjunto de variables aleatorias. Entonces la funcin aleatoria describe
los aspectos aleatorios y estructurados de la variable.

Para cualquier estimacin de la ley espacial, es importante definir un

estimador optimo.
Debido a que los datos son de slo una realizacin y porque cualquier
propiedad de la funcin aleatoria no puede ser inferida a partir de una
realizacin simple sin un modelo, un supuesto de estacionaridad debe ser
incluido en el modelo para permitir la inferencia de las propiedades de la
funcin aleatoria.
El tipo de estacionaridad invocada para la estimacin no paramtrica de
distribuciones espaciales es la estacionaridad de la distribucin bivariada de
Z(x) y Z(x+h) para varios valores del vector de distancia h, que es:

distribucin bivariada de dos variables aleatorias Z(x) y Z(x+h) depende de

la magnitud del vector h que separa a estas variables aleatorias y no
depende de las localizaciones particulares: x1 = x y x2 = x+h.

Esto implica estacionaridad de la distribucin univariada, es

decir, que las variables aleatorias que representan la variable de
inters de cada localizacin particular
Z ( x1 ) ,Z ( x2 ) , ... , Z ( xn )

estn idnticamente distribuidas, con distribucin FZ ( z) .Con la

estacionaridad de la distribucin bivariada establecida, los
estimadores no paramtricos de la distribucin de probabilidad
pueden ser desarrollados.

La Funcin Indicador
La distribucin espacial de una variable aleatoria en un soporte
puntual dentro de una regin A puede ser definida matemticamente
(Journel 1983) como:

Donde: es la distribucin espacial de valores puntuales dentro de la

regin A para un valor umbral zc ,es decir la proporcin de valores
dentro de la regin A menores que zc , es un indicador definido como:

Donde:
Z(x) - es el valor observado en el punto x,
zc - es el valor umbral o de corte

La distribucin espacial
puede ser considerada como una
realizacin de una variable aleatoria
, la cual a su vez representa
la transformacin integral de la variable aleatoria Z ( x ) siguiente:

La Funcin Indicador:
La distribucin de probabilidad de variables indicador es una
distribucin de Bernoulli y sus momentos estn dados por:
a) Valor esperado

b) Funcin de covarianzas

c) Varianza

d) Funcin de semivarianzas

Variograma Indicador:
Si
la funcin aleatoria Z(x) es acotada, es decir, si existe un valor Zmax
tal que Z(x) Zmax x, entonces se cumple que:

La funcin aleatoria indicador siempre posee varianza finita y acotada en el intervalo

Por lo tanto:
El variograma indicador I(h,z) siempre alcanza una meseta S() que coincide con CI(0,zc ) y
de acuerdo con Ecuacion de la Funcin Covarianza) segn (Myers, 1984) se deduce que:
a) S(zc) es una funcin creciente en (-, zM), donde Fz(zM)=0.5.
b) S(zc) es una funcin decreciente en (zM, ) ,
c) Una vez conocida la meseta del variograma S(zc) se puede calcular la funcin de
probabilidad acumulativa(Fz(zc ) usando la expresion:

Este puede ser interpretado como una probabilidad bivariada:

Estimacin de la funcin de distribucin de

probabilidad acumulativa
El propsito de transformar los datos originales mediante la variable
indicador es para estimar la funcin de probabilidad acumulativa.
Las funciones de probabilidad estimadas se obtienen mediante
combinaciones lineales de la funcin indicador.
El valor estimado mediante kriging indicador representa la
probabilidad de que el valor estimado de la funcin aleatoria sea
menor que el valor de corte (Z(x)) <= Zc.
El Kriging indicador genera un mapa por cada valor de corte
(categora indicador), en donde se muestran regiones con diferente
probabilidad de ocurrencia para dicho valor de corte (categora
indicador).

 La forma del estimador esta dado por:

con la condicin para el no sesgo
Donde: (Zc) son los pesos.
El kriging simple puede ser aplicado para hallar los pesos usando
las variables indicador
y el Variograma indicador.
Las ecuaciones del Kriging indicador se resuelven en la prctica para
un nmero finito, usualmente menor que 10, de valores de corte .
Si la estimacin de cada valor de se realiza por separado no se puede
garantizar que se cumplan las relaciones de orden de una funcin de
distribucin vlida.

Como alternativa (Myers, 1984) se plantea:

1.

Resolver el sistema de ecuaciones para el

valor de corte correspondiente a la mediana
(zc= zM) y luego utilizar los mismos pesos
obtenidos en el kriging para otros valores de
corte zc.

2.

Utilizar Cokriging Indicador, es decir el

estimado se obtiene a partir de los indicadores
i(x , z), =1,,n y =1,, N. Esta alternativa
es ms exacta pero a la vez es ms costosa en
cuanto a cmputo

Kriging logartmico

El Kriging se considera ptimo cuando Z ( x )

tiene una distribucin normal. Cuando no se
cumple esta condicin se requiere realizar una
transformacin sobre Z ( x ) de manera tal que
siga una distribucin normal. Por fortuna los
estimadores asociados a la distribucin normal
son bastante robustos, es decir que su
propiedad de optimalidad no se ve fuertemente
afectada en el caso en que la distribucin se
aleje ligeramente de la normal.

Kriging logartmico

Kriging logartmico
Existen las siguientes dificultades segn Journel y
Huijbregts (1978). En la prctica Z no siempre satisface la
condicin de sesgo nulo, ya que puede diferir fuertemente
de la media obtenida a partir de las valores observados de
Z. Para evitar esta dificultad se propone el estimador

donde se determina imponiendo que la media aritmtica

de los valores estimados de Z coincida con el valor
esperado mz.

GRACIAS