Teori Kriging

g g
MA5182 Topik
p dalam Statistika I: Statistika Spasial
p
1 November 2012
Utriweni Mukhaiyar
Tujuan Kriging
 Mencari penaksir tak-bias
tak bias linier terbaik.
terbaik
Kriteria terbaik: variansi minimum.
 Memilih rata-rata berbobot dari nilai
sampel yang memiliki variansi minimum.
minimum
 Interpolasi spasial.
Jenis Kriging
 Ordinary Kriging (OK)
Digunakan jika mean tidak diketahui.
 Simple Kriging (SK)
Digunakan jika mean diketahui.
diketahui
Persamaan Kriging
 Misalkan terdapat n data spasial:
Z(s1), Z(s2),..., Z(sn).
 Fungsi linier yang akan
diestimasi/ditaksir adalah: Z(s).
Z(s)
Untuk lokasi tertentu: Z(s0)
 dapat
d b
berupa rataan dari
d i suatu
lokasi.
 Secara umum yang akan diestimasi:
ZV.
Persamaan Kriging
 Ditaksir:
1
ZV   Z ( s )ds
VV

 Penaksir:
 n
ZV    i Z ( si )
i 1

 λi : bobot untuk lokasi i, i=1 2 n

i i=1,2,...,n.
Kriteria Pemilihat Bobot
1
1. Tak Bias

E  ZV  ZV   0

2
2. Penaksir:


min Var ZV  ZV


minimum variansi “error”
error terhadap
bobot.
Disebut juga: Variansi Kriging.
O di
Ordinary K
Kriging
i i
 Mean, E[Z],
Mean E[Z] tidak diketahui.
diketahui
 Asumsi stasioner: E[ZV] = E[Z] = .
 Tak bias:
 n  n
0  E    i Z  si   Z V     i  
 i 1  i 1

 n 
     i  1
 i 1 
n
0 atau 
i 1
i 1 OK

SK
 Ordinaryy Kriging
g g
Variansi Minimum

 2
OK 
 Var Z V  Z V 
 2  i   si ,V     i  j   si , s j     V, V 
n n n

i 1 i 1 j 1

1
  si ,V      si  s  ds
|V|V
1
  V,V
,      s  s 'dsds '
| V |2 VV
Ordinaryy Kriging
g g
Variansi Minimum


 1 ,  2 ,...,  n opt  min
n

Var Z V  Z V 
 i 1
i 1

Optimasi bersyarat : Lagrange multiplier.

Lagrange multiplier
  n 
 
Var Z V  Z V  2m    i  1
 V
 i 1 

0 , i  1, 2,..., n
 i
 Sistem Persamaan Kriging (SPK)
 n
  i   si , s j   m    si , V 
 i 1
 n

 i 1
i  1
n
OK
2
   V, V   m    i   si ,V 
i 1
Solusi Persamaan AX=B
 11 12  1n 1   1   1V 
    
  21  22   2n 1    2    2V 
            
    
  n1  n 2   nn 1    n    nV 
 1 1  1 0   m   1 

 C11 C12  C1n 1   1   C1V 
    
 C21 C22  C2 n 1    2   C2V 
            
    
 Cn1 Cn 2  Cnn 1    n   CnV 
 1 1  1 0   m   1 

Contoh Kriging Blok
 V = 200m  200m
i 1 2 3 4 5
si (0, 0) (0, 200) (-200, 0) (0, -200) (200, 0)

 Akan dicari Z V dengan n = 5 titik
spasial.
 Diketahui: variabel stasioner dengan
 : Spherical (c = 2, a = 250m)
  s1 , V   0,88 ,   s2 , V   1,86 ,   V, V   1,13
Contoh Kriging
g g Blok
Sistem Persamaan Kriging

 0 1,89 , 1,89
, 1,89
, 1,89
, 1   1   0,88
, 
    
 1,89 0 2 2 2 1 
 2   1,86 
1,89
1 89 2 0 2 2 1    3   1,86
1 86 
     
1,89 2 2 0 2 1    4   1,86 
1,89
1 89 2 2 2 0 1    5   1,86
1 86 
     
 1 1 1 1 1 0 m   1 
1  0, 60 ,  2   3   4   5  0,1 , 0,12
 Contoh Kriging
g g Blok
Model Estimasi

Z V  0, 6 Z1  0,1( Z 2  Z 3  Z 4  Z 5 )
5
 2
OK    i  iV  m    V, V 
i 1

 0, 26

OK
2
h
hanya tergantung
t t pada
d konfigurasi
k fi i titik sampell

dan independen dari nilai Z i , i  1,

1 2,...,5
2 5
 Simple Kriging
 Mean  diketahui.
diketahui
 Misalkan Y(s) adalah variabel
t
teregionalisasi
i li i dengan
d mean nol.
l
 Misalkan Z(s) = Y(s) + 
 Estimator untuk Y(s):
 N
YV    i' Y ( si )
i 1

 Estimator
E ti t h harus ttak-bias
k bi d dan variansi
i i
minimum  mean error = 0
 Simple Kriging
 N ' 
E YV  YV   E    iY ( si )  YV   0
 i 1 
 Bersifat tak-bias karena E[Y(s)] = 0.
 Sehingga tidak perlu ada syarat untuk
bobot ((tidak pperlu ppengali
g Lagrange)
g g )

  N '  
2

 
Var YV  YV  E    iY ( si )  YV  
V
 i 1  
   i'  'j C ( si , s j )  C  V V   2  i' C ( si , V)
V,V
j i i
Sistem Persamaan Kriging

  N '  
2

 
Var YV  YV  E    iY ( si )  YV  
 i 1  
   i'  'j C ( si , s j )  C  V,V
, 2
j i

 j C (si , s j )  C  si ,V  ,
 '
i  1, 2,..., N

2SK  C  V,V     i' C  si ,V 

Simple Kriging
Bobot untuk mean

 
Z V  YV      i  Z ( si )     
'

   i' Z ( si )   1    i' 
   Z ( si )   M
'
i
 R f
Referensi
i
 Armstrong, Margaret, 1998, Basic Linear Geostatistics,
Springer-Verlag:
Springer Verlag: Berlin.
Berlin
 Catatan Kuliah MA7192 Topik Statistik Lanjut, 2005.

19