สมมติ (Z0,Z1, … ,Zn) เป็นเวกเตอร์ที่สันนิษฐานว่ามีการแจกแจงหลายตัวแปรของค่าเฉลี่ยที่ไม่รู้จัก ( μ , μ , … , μ )และเมทริกซ์ความแปรปรวนร่วม - ความแปรปรวนร่วมที่เป็นที่รู้จักΣ. เราสังเกต(Z1,Z2, … ,Zn)จากการกระจายนี้และต้องการที่จะทำนาย Z0 จากข้อมูลนี้โดยใช้การทำนายเชิงเส้นตรง:
- เส้นตรงหมายถึงการคาดการณ์จะต้องอยู่ในรูปแบบZ0^=λ1Z1+λ2Z2+ ⋯ +λnZn สำหรับค่าสัมประสิทธิ์ λผมที่จะได้รับการพิจารณา ค่าสัมประสิทธิ์เหล่านี้สามารถขึ้นอยู่กับสิ่งที่เป็นที่รู้จักกันล่วงหน้ามากที่สุด: คือรายการของΣ.
ตัวทำนายนี้สามารถพิจารณาได้ว่าเป็นตัวแปรสุ่ม Z0^=λ1Z1+λ2Z2+ ⋯ +λnZn.
- เป็นกลางหมายถึงความคาดหวังของZ0^ เท่ากับค่าเฉลี่ย (ไม่ทราบ) μ.
การเขียนออกมาให้ข้อมูลเกี่ยวกับค่าสัมประสิทธิ์:
μ=E[Z0^] = E[λ1Z1+λ2Z2+ ⋯ +λnZn]=λ1E[Z1] +λ2E[Z2] + ⋯ +λnE[Zn]=λ1μ + ⋯ +λnμ= (λ1+ ⋯ +λn) μ
บรรทัดที่สองเกิดจากความเป็นเส้นตรงของความคาดหวังส่วนที่เหลือเป็นพีชคณิตแบบง่าย เพราะขั้นตอนนี้จะทำงานโดยไม่คำนึงถึงคุณค่าของμเห็นได้ชัดว่าสัมประสิทธิ์ต้องรวมกับความสามัคคี การเขียนสัมประสิทธิ์ในสัญกรณ์เวกเตอร์λ = (λผม)'นี้สามารถเขียนได้อย่างเรียบร้อย 1 λ=1.
ในบรรดาชุดของตัวทำนายเชิงเส้นที่ไม่เอนเอียงดังกล่าวทั้งหมดเราแสวงหาสิ่งหนึ่งที่เบี่ยงเบนจากมูลค่าที่แท้จริงเท่าที่จะเป็นไปได้เล็กน้อยซึ่งวัดในห้องหมายถึงกำลังสอง นี่คือการคำนวณอีกครั้ง มันขึ้นอยู่กับความหลากหลายทางชีวภาพและความสมมาตรของความแปรปรวนร่วมซึ่งการประยุกต์ใช้เป็นผู้รับผิดชอบสำหรับการรวมในบรรทัดที่สอง:
E[ (Z0^-Z0)2]= E[ (λ1Z1+λ2Z2+ ⋯ +λnZn-Z0)2]=Σi = 1nΣj = 1nλผมλJวาร์[Zผม,ZJ] - 2Σi = 1nλผมวาร์[Zผม,Z0] + var [Z0,Z0]=Σi = 1nΣj = 1nλผมλJΣฉัน, J- 2Σi = 1nλผมΣ0 , ฉัน+Σ0 , 0.
ดังนั้นสัมประสิทธิ์สามารถลดลงได้จากการลดรูปกำลังสองนี้ให้อยู่ภายใต้ข้อ จำกัด (เชิงเส้น) 1 λ=1. นี่คือการแก้ไขโดยใช้วิธีการคูณลากรองจ์ยอมเป็นเส้นตรงระบบของสมการที่ "สมการ Kriging"
ในแอปพลิเคชั่น Zเป็นกระบวนการสุ่มเชิงพื้นที่ ("สนามสุ่ม") ซึ่งหมายความว่าสำหรับชุดที่กำหนดคงที่ (ไม่ใช่แบบสุ่ม)x0, … ,xn, เวกเตอร์ของค่าของ Z ที่สถานที่เหล่านั้น ( Z(x0) , ... , Z(xn) )มีการสุ่มด้วยการแจกแจงหลายตัวแปรบางชนิด เขียนZผม= Z(xผม)และใช้การวิเคราะห์ที่กล่าวมาข้างต้นโดยถือว่าวิธีการของกระบวนการทั้งหมดn + 1 สถานที่ xผมเหมือนกันและสมมติว่าเมทริกซ์ความแปรปรวนร่วมของค่ากระบวนการที่สิ่งเหล่านี้n + 1 สถานที่เป็นที่รู้จักด้วยความมั่นใจ
ลองตีความสิ่งนี้ ภายใต้สมมติฐาน (รวมถึงค่าเฉลี่ยคงที่และความแปรปรวนร่วมที่รู้จัก) ค่าสัมประสิทธิ์จะกำหนดความแปรปรวนขั้นต่ำที่สามารถทำได้โดยตัวประมาณเชิงเส้นใด ๆ ลองเรียกความแปรปรวนนี้σ2โอเค("OK" สำหรับ "kriging ธรรมดา") มันขึ้นอยู่กับเมทริกซ์เท่านั้นΣ. มันบอกเราว่าถ้าเราต้องสุ่มตัวอย่างจาก(Z0, … ,Zn) และใช้สัมประสิทธิ์เหล่านี้เพื่อทำนาย Z0 ค่าจากค่าที่เหลืออยู่ในแต่ละครั้งแล้ว
โดยเฉลี่ยการคาดการณ์ของเราจะถูกต้อง
โดยปกติแล้วการคาดการณ์ของเราจาก Z0 จะเบี่ยงเบนเกี่ยวกับ σโอเค จากค่าจริงของ Z0.
จำเป็นต้องกล่าวเพิ่มเติมอีกก่อนหน้านี้ว่าจะสามารถนำไปใช้กับสถานการณ์จริงเช่นการประเมินพื้นผิวจากข้อมูลที่ตรงเวลา: เราต้องการสมมติฐานเพิ่มเติมเกี่ยวกับลักษณะทางสถิติของกระบวนการเชิงพื้นที่ที่แตกต่างกันไปจากที่หนึ่งไปอีกที่หนึ่ง ในทางปฏิบัติมักจะมีการรับรู้เพียงครั้งเดียวเท่านั้น) แต่การแสดงออกนี้ควรจะเพียงพอที่จะทำตามวิธีการค้นหา "ที่ดีที่สุด" เชิงเส้นตรงทำนาย ("BLUP") นำไปสู่ระบบสมการเชิงเส้นตรงไปตรงมา
โดยวิธีการที่ kriging ตามปกติจะไม่เหมือนกับการประมาณกำลังสองน้อยที่สุดเพราะ Σถูกประเมินในขั้นตอนเบื้องต้น (หรือที่เรียกว่า "Variography") โดยใช้ข้อมูลเดียวกัน นั่นคือสิ่งที่ตรงกันข้ามกับข้อสันนิษฐานของแหล่งที่มานี้ซึ่งสันนิษฐานว่าΣเป็นที่รู้จัก (และFortioriเป็นอิสระจากข้อมูล) ดังนั้นเมื่อเริ่มแรกคูริงมีข้อบกพร่องทางความคิดและสถิติบางประการที่มีอยู่ในตัว ผู้ปฏิบัติที่ไตร่ตรองได้รับการตระหนักถึงสิ่งนี้มาโดยตลอดและพบวิธีการสร้างสรรค์ที่หลากหลายเพื่อพิสูจน์ความไม่สอดคล้องกัน (การมีข้อมูลจำนวนมากสามารถช่วยได้จริง ๆ ) ปัจจุบันมีกระบวนการสำหรับการประเมินพร้อมกันΣและทำนายการรวบรวมค่าในสถานที่ที่ไม่รู้จัก พวกเขาต้องการสมมติฐานที่แข็งแกร่งขึ้นเล็กน้อย (กฎเกณฑ์หลายตัวแปร) เพื่อบรรลุความสำเร็จนี้