| Revista: | Geociencias (Sao Paulo) |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000329557 |
| ISSN: | 0101-9082 |
| Autores: | Yamamoto, Jorge Kazuo1 Furuie, Rafael de Aguiar2 |
| Instituciones: | 1Universidade de Sao Paulo, Instituto de Geociencias, Sao Paulo. Brasil 2Petroleo Brasileiro S.A., Macae, Rio de Janeiro. Brasil |
| Año: | 2010 |
| Volumen: | 29 |
| Número: | 1 |
| Paginación: | 5-19 |
| País: | Brasil |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, teórico |
| Resumen en inglés | Lognormal data are very difficult to handle because of its high variability due to the occurrence of a few high values. In geostatistics the solution calls for a data transform, such as the logarithm transform and the indicator transform. Both approaches have been used for estimating lognormal data. Lognormal kriging works on kriging the transformed data and then estimates are back-transformed into the original scale of data. Indicator kriging builds a conditional cumulative distribution function at every unsampled location and estimates are based on the conditional mean or E-type estimate. Usually back-transformed lognormal kriging estimates are mean biased and conditional means from indicator kriging are unbiased. This paper compares both approaches for 27 data sets presenting distributions with increasing positive skewness. Actually 27 exhaustive data sets have been computer generated from which stratified random samples with 90 points were drawn. Estimates were first examined for local accuracy and the associated uncertainties were checked for the proportional effect. Results show that lognormal kriging is still the best approach for lognormal data if we use an algorithm that takes into consideration correcting the smoothing effect before back-transformation |
| Resumen en portugués | Dados lognormais são muito difíceis de se trabalhar devido à sua grande variabilidade por causa da ocorrência de uns poucos valores altos. Em geoestatística a solução passa pela transformação dos dados, como a transformada logarítmica e a transformada indicadora. Ambas as aproximações têm sido utilizadas para estimativa de dados lognormais. A krigagem lognormal trabalha sobre os dados transformados e após isto as estimativas são transformadas de volta para a escala original dos dados. A krigagem da variável indicadora constrói uma função de distribuição acumulada condicional em cada ponto não amostrado e as estimativas são baseadas na média condicional ou estimativa do tipo E. Geralmente, estimativas por krigagem lognormal transformadas de volta para a escala original apresentam vieses em relação à média amostral e as médias condicionais derivadas da krigagem da indicadora não são enviesadas. Esse trabalho compara ambas as aproximações para 27 conjuntos de dados apresentando distribuições com assimetria positiva crescente. Na verdade, 27 dados completos foram gerados em computador dos quais amostras aleatórias estratificadas com 90 pontos foram extraídas. As estimativas foram examinadas inicialmente em relação à precisão local e as incertezas foram verificadas para o efeito proporcional. Os resultados mostram que a krigagem lognormal é ainda a melhor aproximação para dados lognormais se usarmos a equação que leva em consideração a correção do efeito de suavização antes da transformada reversa |
| Disciplinas: | Geociencias, Matemáticas |
| Palabras clave: | Geología, Matemáticas aplicadas, Krigeaje, Geoestadística, Distribución lognormal |
| Keyword: | Earth sciences, Mathematics, Geology, Applied mathematics, Kriging, Geostatistics, Lognormal distribution |
| Texto completo: | Texto completo (Ver PDF) |
