Купить СНПЧ А7 Архангельск, оперативня доставка

KS versus KU: Qual o Preditor Mais Preciso?

DOI: http://dx.doi.org/10.12702/II-SGEA-a35

 

downloadpdf

Gérson R. Santos1, Marcelo S. Oliveira2, João M. Louzada3 & Adriana M. R. T. Santos4

 

Resumo: A Krigagem Simples (KS) é o método de estimação da Geoestatística em que se assume a função média do processo estocástica conhecida. Já a Krigagem Universal (KU) é o método para os casos em que o processo estocástico não é estacionário, ou seja, o processo apresenta uma tendência. Assim, objetiva-se com este trabalho comparar essas duas krigagens quanto à incerteza de predição, tomando a variância de krigagem média entre as realizações e os valores preditos obtida através da autovalidação. Observa-se que, apesar de um fator limitante em sua utilização (o conhecimento da média), a KS apresenta-se como um preditor mais preciso que a KU (resultado obtido por simulação estocástica).

Palavras-chave: hierarquização geométrica; espaços de Hilbert; simulação estocástica.

 

Abstract: The Simple Kriging (KS) is the geostatistical method of prediction which takes the average function of a known stochastic process. Since the Universal Kriging (KU) is the method for cases in which the stochastic process is not stationary, ie, the process has a trend. Thus, the objective of this work was to compare the prediction uncertainty of these two kriging methods, taking the average kriging variance between sample values and predicted values obtained by jackknife. The result was that, although there is a limiting factor in its use (the knowledge of the mean), KS is presented as a more accurate predictor than the KU (result obtained by stochastic simulation).

Key words: Geometric hierarchy; Hilbert spaces; stochastic simulation.

 

1 Doutor em Estatística, UFV/Depto. de Estatística, Endereço, gerson.santos@ufv.br
2 Doutor em Engenharia, UFLA/Depto. de Ciências Exatas, marcelo.oliveira@dex.ufla.br
3 Doutorando em Estatística, UFLA/Depto. de Ciências Exatas, jmarlo@bol.com.br
4 Mestre em Matemática e Estatística, FADMINAS/Depto. de Informática, adrianatrancoso@hotmail.com

 

Literatura Citada

CRESSIE, N. Statistics for spatial data. New York: J. Wiley, 1993. 900 p.

DIGGLE, P. J.; RIBEIRO JUNIOR, P. J. Model-based geostatistics. New York: Springer, 2007. 228 p.

JOURNEL, A. G. Kriging in terms of projections. Mathematical Geology, New York, v. 9, n. 6, p. 563-586, Nov. 1977.

OLIVEIRA, M. S. Planos amostrais para variáveis espaciais utilizando geoestatística. 1991. 100 p. Dissertação (Mestrado em Estatística) - Universidade Estadual de Campinas, Campinas.

R DEVELOPMENT CORE TEAM. R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing, 2010. Disponível em: <http://www.r-project.org>. Acesso em: 30 Apr. 2010.

RIBEIRO JUNIOR, P. J.; DIGGLE, P. J. geoR: a package for geostatistical analysis. R-NEWS, London, v. 1, n. 2, p. 15-18, June 2001.

SANTOS, G. R. Hierarquização geométrica dos preditores geoestatísticos. 2010. 200 f. Tese (Doutorado em Estatística e Experimentação Agropecuária) – Setor de Ciências Exatas, Universidade Federal de Lavras, Lavras.

WALLER, L. A.; GOTWAY, C. A. Applied spatial statistics for public health data. New Jersey: Wiley-Interscience, 2004. 494 p.