অনুমান করা (জেড0,জেড1,…,Zn) অচেনা গড়ের মাল্টিভারিয়েট বিতরণ বলে ধরে নেওয়া ভেক্টর (μ,μ,…,μ)এবং পরিচিত ভেরিয়েন্স-কোভারিয়েন্স ম্যাট্রিক্সΣ। আমরা পর্যবেক্ষণ(z1,z2,…,zn)এই বিতরণ থেকে এবং ভবিষ্যদ্বাণী করতে চান z0 নিরপেক্ষ লৈখিক ভবিষ্যদ্বাণী ব্যবহার করে এই তথ্য থেকে:
- লিনিয়ার মানে ভবিষ্যদ্বাণীটি অবশ্যই ফর্মটি গ্রহণ করবেz0^=λ1z1+λ2z2+⋯+λnzn সহগের জন্য λiসংকল্প থাকা. এই সহগগুলি অগ্রিম যা জানা যায় তার উপর নির্ভর করতে পারে: যথা, এর এন্ট্রিগুলিΣ।
এই ভবিষ্যদ্বাণীকারী এলোমেলো পরিবর্তনশীল হিসাবে বিবেচনা করা যেতে পারে Z0^=λ1Z1+λ2Z2+⋯+λnZn।
- নিরপেক্ষ মানেই প্রত্যাশাZ0^ এর (অজানা) গড়ের সমান μ।
জিনিসগুলি বাইরে লেখার ফলে সহগের সম্পর্কে কিছু তথ্য পাওয়া যায়:
μ=E[Z0^]=E[λ1Z1+λ2Z2+⋯+λnZn]=λ1E[Z1]+λ2E[Z2]+⋯+λnE[Zn]=λ1μ+⋯+λnμ=(λ1+⋯+λn)μ.
দ্বিতীয় লাইনটি প্রত্যাশা রৈখিকতার কারণে এবং বাকি সমস্তগুলি সরল বীজগণিত। কারণ এই পদ্ধতিটি মান নির্বিশেষে কাজ করার জন্য মনে করা হয়μস্পষ্টতই সহগকে unityক্যের সমষ্টি করতে হবে। ভেক্টর নোটেশনে সহগ রচনাগুলিλ=(λi)′, এটি পরিষ্কারভাবে লেখা যেতে পারে 1λ=1।
এই জাতীয় সমস্ত পক্ষপাতহীন লিনিয়ার ভবিষ্যদ্বাণীকারীদের সংস্থার মধ্যে আমরা এমন একটি সন্ধান করি যা আসল মান থেকে যতটা সম্ভব কম পরিমাণে বিচ্যুত হয়, রুমে মাপা বর্গ হিসাবে। এটি আবার একটি গণনা। এটি কোভেরিয়েন্সের দ্বৈততা এবং প্রতিসাম্যের উপর নির্ভর করে, যার প্রয়োগ দ্বিতীয় লাইনে সংক্ষিপ্তসার জন্য দায়ী:
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.
কোথা থেকে কোয়ালিটিফিয়েন্টগুলি এই লম্বা ফর্মটি (লিনিয়ার) সীমাবদ্ধতার সাথে সীমাবদ্ধ করে প্রাপ্ত করা যেতে পারে 1λ=1। এটি ল্যাংরেঞ্জ মাল্টিপ্লায়ার্সের পদ্ধতিটি ব্যবহার করে সহজেই সমাধান করা হয় , "ক্রিগিং সমীকরণ" সমীকরণের একটি লিনিয়ার সিস্টেম উপস্থাপন করে।
আবেদনে, Zএকটি স্থানিক স্টোকাস্টিক প্রক্রিয়া ("এলোমেলো ক্ষেত্র")। এর অর্থ এই যে কোনও স্থির স্থির (এলোমেলো নয়) অবস্থানের জন্যx0,…,xn, এর মানগুলির ভেক্টর Z এই জায়গাগুলিতে, ( জেড(এক্স0) , … , জেড(এক্সএন) )একধরণের মাল্টিভারিয়েট বিতরণ এলোমেলো। লিখনজেডআমি= জেড(এক্সআমি)এবং মোটামুটি প্রক্রিয়াটির মাধ্যম ধরে ধরে পূর্ববর্তী বিশ্লেষণ প্রয়োগ করুনn + 1 অবস্থানগুলি এক্সআমিএকই এবং এইগুলিতে প্রক্রিয়া মানের কোভেরিয়েন্স ম্যাট্রিক্স ধরে নিচ্ছিn + 1 অবস্থানগুলি নিশ্চিতভাবে জানা যায়।
এর ব্যাখ্যা করা যাক। অনুমানের অধীনে (ধ্রুবক গড় এবং জ্ঞাত সম্প্রদায়ের সহ) সহগগুলি কোনও লিনিয়ার অনুমানকারী দ্বারা প্রাপ্ত ন্যূনতম বৈকল্পিকতা নির্ধারণ করে। আসুন এই বৈকল্পিকতা কলσ2ও কে("ঠিক আছে" "সাধারণ ক্রিগিং" এর জন্য)। এটি সম্পূর্ণ ম্যাট্রিক্সের উপর নির্ভর করেΣ। এটি আমাদের জানায় যে আমরা যদি বারবার থেকে নমুনা করি(জেড0, … ,জেডএন) এবং পূর্বাভাস দেওয়ার জন্য এই সহগ ব্যবহার করুন z- র0 প্রতিটি সময় থেকে বাকি মানগুলি থেকে মানগুলি
গড়ে আমাদের ভবিষ্যদ্বাণীগুলি সঠিক হবে।
সাধারণত, আমাদের পূর্বাভাস z- র0 সম্পর্কে বিচ্যুত হবে σও কে এর আসল মান থেকে z- র0।
সময়োপযোগী তথ্য থেকে কোনও পৃষ্ঠ সম্পর্কে অনুমান করার মতো ব্যবহারিক পরিস্থিতিতে প্রয়োগ করার আগে আরও অনেক কিছু বলা দরকার: স্থানিক প্রক্রিয়াটির পরিসংখ্যানগত বৈশিষ্ট্যগুলি কীভাবে এক অবস্থান থেকে অন্য স্থানে এবং এক উপলব্ধি থেকে অন্য উপলব্ধিতে পরিবর্তিত হয় তা সম্পর্কে আমাদের অতিরিক্ত অনুমানের প্রয়োজন (যদিও তবুও , অনুশীলনে, সাধারণত কেবলমাত্র একটি উপলব্ধি পাওয়া যাবে)। তবে "বেস্ট" নিরপেক্ষ লিনিয়ার প্রেডিক্টর ("বিএলইউপি") এর অনুসন্ধান কীভাবে সরাসরি রৈখিক সমীকরণের সিস্টেমে নিয়ে যায় তা অনুসরণ করার জন্য এই প্রকাশটি যথেষ্ট হওয়া উচিত।
যাইহোক, সাধারণত অনুশীলন হিসাবে ক্রিগিং কমপক্ষে স্কোয়ারের প্রাক্কলন হিসাবে একরকম নয়, কারণ Σএকই তথ্য ব্যবহার করে প্রাথমিক পদ্ধতিতে ("ভেরোগ্রাফি" নামে পরিচিত) অনুমান করা হয় । এটি এই অনুভূতির অনুমানের বিপরীত, যা ধরে নেওয়া হয়েছিলΣপরিচিত ছিল (এবং ডেটা থেকে একটি স্বতন্ত্র)। সুতরাং, একেবারে গোড়াতেই ক্রিগিংয়ের মধ্যে কিছু ধারণামূলক এবং পরিসংখ্যানগত ত্রুটি রয়েছে। চিন্তাশীল অনুশীলনকারীরা সর্বদা এটি সম্পর্কে সচেতন ছিলেন এবং অসঙ্গতিগুলি ন্যায্য করার (চেষ্টা করার) জন্য বিভিন্ন সৃজনশীল উপায় খুঁজে পেয়েছেন। ( প্রচুর ডেটা থাকা সত্যই সহায়তা করতে পারে)) একই সাথে অনুমানের জন্য এখন প্রক্রিয়াগুলি বিদ্যমানΣএবং অজানা স্থানে মান সংগ্রহের পূর্বাভাস। এই কীর্তিটি সম্পাদন করার জন্য তাদের কিছুটা শক্তিশালী অনুমানের (বহুভিত্তিক স্বাভাবিকতা) প্রয়োজন।