(Z0,Z1,…,Zn)(μ,μ,…,μ)Σ(z1,z2,…,zn) z0
- z0^=λ1z1+λ2z2+⋯+λnznλiΣ
Z0^=λ1Z1+λ2Z2+⋯+λnZn
Escribir cosas da información sobre los coeficientes:
μ=E[Z0^]=E[λ1Z1+λ2Z2+⋯+λnZn]=λ1E[Z1]+λ2E[Z2]+⋯+λnE[Zn]=λ1μ+⋯+λnμ=(λ1+⋯+λn)μ.
μλ=(λi)′1λ=1
Entre el conjunto de todos estos predictores lineales insesgados, buscamos uno que se desvíe lo menos posible del valor real , medido en el cuadrado medio de la habitación. Esto, nuevamente, es un cálculo. Se basa en la bilinealidad y la simetría de la covarianza, cuya aplicación es responsable de las sumas en la segunda línea:
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.
1λ=1
Zx0,…,xnZ(Z(x0),…,Z(xn))Zi=Z(xi)n+1xin+1
σ2OKΣ(Z0,…,Zn)z0
En promedio, nuestras predicciones serían correctas.
z0σOKz0
Se necesita decir mucho más antes de que esto pueda aplicarse a situaciones prácticas como estimar una superficie a partir de datos puntuales: necesitamos suposiciones adicionales sobre cómo las características estadísticas del proceso espacial varían de un lugar a otro y de una realización a otra (aunque , en la práctica, generalmente solo estará disponible una realización). Pero esta exposición debería ser suficiente para seguir cómo la búsqueda de un "mejor" predictor lineal imparcial ("BLUP") conduce directamente a un sistema de ecuaciones lineales.
ΣΣΣy prediciendo una colección de valores en ubicaciones desconocidas. Requieren supuestos ligeramente más fuertes (normalidad multivariada) para lograr esta hazaña.