가정 벡터가 인 것은 알려지지 평균의 다변량 분포가 가정 및 알려진 분산 공분산 행렬 . 이 분포에서 를 관찰 하고 편견없는 선형 예측 변수를 사용하여이 정보에서 을 예측 하려고합니다 .(지0,지1, ... ,지엔)( μ , μ , … , μ )Σ(지1,지2, ... ,지엔) 지0
- 선형 은 계수 를 결정 하려면 예측이 형식을 취해야 함을 의미합니다 . 이러한 계수는 미리 알려진 내용, 즉 의 항목에 따라 크게 달라질 수 있습니다 .지0^=λ1지1+λ2지2+ ⋯+λ엔지엔λ나는Σ
이 예측 변수는 임의 변수 으로 간주 될 수도 있습니다 .지0^=λ1지1+λ2지2+ ⋯ +λ엔지엔
- Unbiased 는 의 기대치가 (알 수없는) 평균 와 같다는 것을 의미 합니다.지0^μ
내용을 작성하면 계수에 대한 정보가 제공됩니다.
μ= E[지0^] = E[λ1지1+λ2지2+ ⋯ +λ엔지엔]=λ1이자형[지1] +λ2이자형[지2] + ⋯ +λ엔이자형[지엔]=λ1μ + ⋯ +λ엔μ= (λ1+ ⋯ +λ엔) μ .
두 번째 줄은 기대의 선형성 때문이며 나머지는 모두 대수학입니다. 이 절차는 값에 관계없이 작동한다고 가정하기 때문에 , 계수는 반드시 합산되어야합니다. 벡터 표기법 계수를 쓰면 깔끔하게 쓸 수 있습니다 .μλ = (λ나는)'1 λ=1
그러한 편향되지 않은 모든 선형 예측 변수 중에서 방 평균 제곱으로 측정 된 실제 값에서 최대한 벗어나는 것을 찾습니다 . 이것은 다시 계산입니다. 공분산의 이중선 성과 대칭에 의존하며, 두 번째 줄의 합산에 대한 적용은 다음과 같습니다.
E[(Z0^−Z0)2]=E[(λ1Z1+λ2Z2+⋯+λnZn−Z0)2]=∑i=1n∑j=1nλiλjvar[Zi,Zj]−2∑i=1nλivar[Zi,Z0]+var[Z0,Z0]=∑i=1n∑j=1nλiλjΣi,j−2∑i=1nλiΣ0,i+Σ0,0.
계수는이 2 차 형태를 최소화하여 (선형) 구속 조건 따라 얻을 수 있습니다 . 이것은 Lagrange multipliers 방법을 사용하여 쉽게 해결 되어 "Kriging equations" 라는 선형 방정식 시스템을 생성합니다 .1λ=1
본 출원에서, 는 공간 확률 프로세스 ( "random field")이다. 즉, 임의의 고정 위치가 아닌 임의의 고정 된 위치 에 대해 해당 위치 의 값 벡터 는 어떤 종류의 다변량 분포에 무작위입니다. 쓰고 모든 위치 에서 공정의 평균이 가정 하고 위의 분석을 적용합니다. 는 에서의 공정 값의 공분산 행렬을 가정 합니다. 곳의 위치는 확실하게 알려져 있습니다.Zx0,…,xnZ(Z(x0),…,Z(xn))Zi=Z(xi)n+1xin+1
이것을 해석하자. 가정 (상수 평균 및 알려진 공분산 포함)에서 계수는 선형 추정기로 얻을 수있는 최소 분산을 결정합니다. 이 차이를 ( "OK"는 "일반 크릭")입니다. 매트릭스 에만 의존 합니다. 에서 반복적으로 샘플링 하고이 계수를 사용하여 매번 나머지 값에서 값 을 예측하는 경우σ2OKΣ(Z0,…,Zn)z0
평균적으로 우리의 예측은 정확할 것입니다.
일반적으로, 우리의 예측 대한 벗어난 것 의 실제 값에서 .z0σOKz0
시간이 정확한 데이터로부터 표면을 추정하는 것과 같은 실제 상황에 적용될 수 있으려면 훨씬 더 많은 이야기가 필요합니다. 공간 프로세스의 통계적 특성이 지역마다 어떻게 다른지에 따라 어떻게 다른지에 대한 추가 가정이 필요합니다. 실제로는 일반적으로 하나의 실현 만 가능합니다). 그러나이 설명은 "최고의"편견없는 선형 예측 자 ( "BLUP")에 대한 검색이 선형 방정식 시스템으로 간단하게 이어지는 방법을 따르기에 충분해야합니다.
그건 그렇고, 일반적으로 수행되는 크릭은 최소 제곱 추정과 동일하지 않습니다. 는 동일한 데이터를 사용 하는 예비 절차 ( "변형 법"이라고 함)에서 추정 되기 때문 입니다. 이는 가 알려져 있다고 가정 한 (그리고 데이터 와 무관 한 포티 오리) 이 파생의 가정과 상반됩니다 . 따라서 처음부터 크 래깅에는 몇 가지 개념적 및 통계적 결함이 있습니다. 사려 깊은 개업의는 항상 이것을 알고 있었고 불일치를 정당화하기위한 다양한 창의적 방법을 발견했습니다. ( 많은 데이터가 있으면 실제로 도움이 될 수 있습니다.) 이제 를 동시에 추정하기위한 절차가 있습니다 . ΣΣΣ미지의 위치에서 값들의 집합을 예측하는 단계를 포함한다. 이 위업을 달성하기 위해서는 약간 더 강한 가정 (다변량 정규성)이 필요합니다.