Kriging Z * u

Consideremos

Z u , 1,2, N

puntos en los cuales se tiene

*
informacin de determinada propiedad en el yacimiento y Z u la

estimacin de Z u a partir de los puntos Z u

Z u

Z u

Kriging Z * u

Existen diversos mtodos para obtener Z * u

Vecino ms cercano
Interpolacin estndar
Regresin lineal
Mtodos basados en Splines
...
No toman en cuenta la informacin aportada por el variograma !

Kriging Z * u

El vecino ms cercano

X (Kilometer)
0.

X (Kilometer)
0.

10.

20.

30.

10.31

30.

Y (Kilometer)

9.43

6.607.52
6.87

20.

20.
7.36

10.

2.46
3.81

11.22

0.

0. 6.26

12.12
10.

7.26

9.439.59
10.

9.84

4.32

10.21
20.

X (Kilometer)

30.

30.

40.

9.22
7.18
40.

0.

>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A

9.38
40.

40.
10.31

30.

11.54

5.96

11.11

11.04

7.69

30.
9.43

6.60
7.52
6.87

20.

20.
7.36

10.

2.46
3.81

11.22

0. 6.26

7.26

9.439.59
10.

10.

4.32

10.21
0.

9.84
12.12

20.
X (Kilometer)

30.

9.22
7.18
40.

0.

Y (Kilometer)

11.04

7.69

Y (Kilometer)

30. 11.54

40.

5.96

11.11

20.

40.

9.38
40.

10.

Kriging Z * u
X (Kilometer)
0.

Distancia inversa

10.

20.

30.

9.38
40.
10.31

11.04
30.
9.43

20.

20.
2.46

7.36

11.22

3.81

0.

40.

10.

30. 11.54

10.21
0.

0. 6.26

6.60
7.52
6.87

11.22

7.26
9.43
9.59
10.
20.
30.
X (Kilometer)

9.22
7.18
40.

0.
X (Kilometer)
0.

10.

40.

7.69

30.
Y (Kilometer)

40.
11.04

9.43

30.

6.607.52
6.87

20.

20.
7.36

2.46
3.81

10.

11.22

10.

10.
7.26

9.439.59

6.26
0.

12.12

4.32

10.21
0.

9.84

20.
X (Kilometer)

30.

9.22
7.18
40.

0.

Y (Kilometer)

11.54

5.96

11.11

40.

>=13
12.45
11.9
11.35
10.8
10.25
9.7
9.15
8.6
8.05
7.5
6.95
6.4
5.85
5.3
4.75
4.2
3.65
3.1
2.55
<2
N/A

40.

10.31
11.54

5.96

11.11

40.
11.04

7.69

30.

9.43

30.

6.60
7.52
6.87

20.

20.
7.36

2.46
3.81

10.

11.22

0.

10.

10.
7.26

9.439.59

6.26

12.12

4.32

10.21
0.

9.84

20.
X (Kilometer)

30.

9.22
7.18
40.

0.

Y (Kilometer)

10.31

30.

9.38
30.

9.38
40.

20.

>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A

10.

4.32

Y (Kilometer)

20.

0.

40.

20.

9.84
12.12

X (Kilometer)
10.

7.18

30.

30.

2.46
3.81

20.

11.04

20.
7.36

7.26

9.439.59
10.

40.

7.69
9.43

10.

10.
9.22

40.

5.96

11.11

12.12

X (Kilometer)

9.38
10.31

0. 6.26

9.84

4.32

10.21

0.

6.607.52
6.87

Y (Kilometer)

Y (Kilometer)

5.96

11.11

10.

X (Kilometer)
20.
30.

40.

7.69

30. 11.54

0.

40.

>=13
12.45
11.9
11.35
10.8
10.25
9.7
9.15
8.6
8.05
7.5
6.95
6.4
5.85
5.3
4.75
4.2
3.65
3.1
2.55
<2
N/A

Kriging Z * u

Planteamiento bsico de la estimacin por Kriging:

Considerar la estimacin de Z u como una combinacin lineal de las
observaciones disponibles
N

Z * u u Z u
1

y escoger los pesos bajo un criterio en el cual se considera que dicha

estimacin es ptima. Este es que el estimador sea insesgado y que

var Z u Z * u

sea mnima

Kriging Simple

Z *u

KRIGING SIMPLE
El caso ms simple se denomina kriging simple y la hiptesis bsica es la
estacionaridad junto con el hecho de que se asume que la media de la funcin
aleatoria es conocida. Esto es,

E Z u m

y m es conocida

1 CASO. m = 0
Bajo esta condicin se asegura que el estimador de kriging es insesgado, ya
que

E Z * u u E Z u 0 E Z u
N

Kriging Simple

Z *u

Ahora slo resta hallar los pesos para que la condicin de varianza mnima se
satisfaga.
Considrese primero el caso en que se cuenta con una sola observacin

Z * u 1 Z u1
Entonces

var Z u Z u var
*

Z u

0 1, , u0 u

20 var Z u0 12 var Z u1 20 1 cov Z u0 , Z u1

2 12 2 2 1 cov u u1

Kriging Simple

Z *u

Derivando respecto al parmetro e igualando a cero se tiene

var Z u Z * u
21 2 2 cov u u1 0
1
Con lo cual

cov u u1
1
u u1
2

Z * u u u1 Z u1
Es decir, el estimador de kriging simple es igual al valor conocido de la variable
multiplicado por la correlacin que existe entre la variable en el punto objetivo y la
variable en el punto de observacin.

Kriging Simple

Z *u

Utilizando el valor del parmetro se obtiene que:

var Z u Z * u 2 1 2 u u1

Este tipo de resultado generalmente se utiliza para determinar el error asociado

a la estimacin.
Debe ser usado con cautela porque no depende directamente de los datos si no
de la continuidad espacial de estos !
Utilizando la forma del estimador de kriging se puede demostrar que:

var Z * u 2 2 u u1 2 var Z u

Kriging Simple

Z *u

Considrese ahora el caso en que se cuenta con dos observaciones:

Z * u 1 Z u1 2 Z u 2

var Z u Z u var
*

Z u

0 1, , u0 u

20 var Z u0 12 var Z u1 22 var Z u2

+
21 2 cov u1 u2 21 cov u0 u1 22 cov u0 u2

Kriging Simple

Z *u

Ahora hay dos parmetros desconocidos y por lo tanto hay que calcular dos
derivadas e igualarlas a cero

var Z u Z * u
1 2 2 cov u1 u 2 cov u0 u1 0
1
var Z u Z * u
2 2 1 cov u 2 u1 cov u0 u 2 0
2
De esta manera se obtiene un sistema de dos ecuaciones con dos incgnitas que
se puede escribir en forma matricial como:

C 0
Cu u
2
1

C u1 u 2 1 C u0 u1

C 0 2 C u0 u 2

Kriging Simple

Z *u

Utilizando el hecho de que los parmetros resuelven el sistema de ecuaciones se

obtiene que:

var Z u Z * u 2 1C u0 u1 2C u0 u 2
2

C u0 u
2

Nuevamente, el error no depende directamente de los datos si no de la

continuidad espacial de estos.

Kriging Simple

Z *u

Utilizando el hecho de que los valores s resuelven el sistema de ecuaciones se

puede demostrar que:

Cov Z u Z * u , Z * u 0
Es decir, el estimador de kriging simple es ortogonal al error. Esto es una
propiedad muy importante que solo satisface el kriging simple.
Utilizando este resultado se tiene que

var Z u var Z u Z * u var Z * u

Lo que muestra que:

var Z * u var Z u

Kriging Simple

Z *u

El caso general se obtiene de manera anloga:

N

Z * u Z u
1

var Z u Z u var Z u
0

2 var Z u
0

0 1, , u0 u
cov u u

Derivando respecto a cada uno de los parmetros e igualando a cero se

obtiene un sistema de N ecuaciones con N incgnitas

Kriging Simple

C 0
C u1 u2
C u2 u1
C 0

C u N u1 C u N u2

C u1 u N
C u2 u N

C 0

Relacin entre las observaciones

1 C u1 u
Cu u
2
2

N C u N u
Relacin de las
observaciones con el
punto a estimar

o equivalentemente

C u
N

j 1

u j C ui u

i 1,2, , N

Z *u

Kriging Simple

Z *u

La varianza del error o varianza del kriging es entonces:

var Z u Z u C u0 u
*

Nuevamente, el error no depende directamente de los datos si no de la

continuidad espacial de estos.

Kriging Simple

Z *u

2 CASO. m 0
En este caso se consideran nuevas funciones aleatorias de media cero para
aplicar el caso de kriging simple estudiado anteriormente.

Y u : Z u m
La nueva funcin aleatoria es estacionaria y tiene media cero, por lo cual el
estimador de kriging simple es:
N

Y * u Y u
1

Z *u m

Z u m

m 1
1

Z u

Kriging Simple

Z *u

Que ocurre si todos los valores observados son no correlacionados

entre si ?

0

0

2

1
C u1 u
Cu u
2
2

N
C
u

u
N

Y la solucin es

C u u

u u

El estimador de kriging simple es entonces una combinacin lineal de los valores

observados, donde los pesos de cada observacin corresponden a la correlacin
entre dicha observacin y el punto a estimar.

Kriging Simple

Que ocurre si todos los valores observados son no correlacionados

con el punto a estimar ?

C 0
C u1 u2
Cu u
C 0
2
1

C u N u1 C u N u2

C u1 u N
C u2 u N

Como la matriz es invertible la solucin es:

C 0

Z u m

0
0



N 0

0 1,2, , N

Y el estimador de kriging simple es entonces:

*

1

2

Z *u

Kriging Simple

Que ocurre si el punto a estimar est fuera del rango de la funcin de

covarianza ?

Z *u

Kriging Simple

Z *u

Una propiedad muy importante del kriging simple es la siguiente: Si la

funcin aleatoria Z(x) es gaussiana entonces:

E Z u / Z u1 , Z u2 , , Z u N Z * u
Es decir, el valor esperado de la propiedad en el punto u dado los
valores observados es el valor del kriging simple !
Esta propiedad es fundamental para obtener simulaciones estocsticas
de propiedades, como se estudiar ms adelante.

Kriging Ordinario Z * u

KRIGING ORDINARIO
Generalmente el valor de la media
se puede utilizar el kriging simple.

m es desconocido y por lo tanto no

El kriging ordinario establece una condicin adicional al sistema de

ecuaciones del kriging simple para filtrar el valor desconocido de la
media.
Al igual que antes el estimador propuesto es de la forma

Z * u u Z u
1

Kriging Ordinario Z * u

Para que el estimador sea insesgado debe ocurrir

E Z * u m E Z u
De esta forma, como

u u E Z u

E Z

m u
1

debe ocurrir que:

N

Kriging Ordinario Z * u

En kriging ordinario el problema de minimizacin de la varianza del error

es distinto al caso de kriging simple.
No es suficiente buscar los valores s que minimizan la varianza.
Hay que buscar los valores s que minimizan la varianza y que
satisfagan que su suma sea igual a 1, para garantizar la condicin de
insesgamiento.
Este tipo de problema de minimizacin con restricciones se resuelve
utilizando una tcnica denominada multiplicadores de Lagrange
La idea es establecer un sistema de ecuaciones que incluya la
restriccin sobre los valores s

Kriging Ordinario Z * u

Considrese una nueva funcin de la forma siguiente:

1 , , N , var Z u Z u 2 1 i
i 1

El punto donde la nueva funcin alcanza un mnimo contiene los valores

de los s que minimizan la varianza y cuya suma es igual a 1.
Para minimizar a la funcin no existen restricciones, por lo que slo
hay que calcular las derivadas e igualarlas a cero.

1 , , N ,
0
j
1 , , N ,
0

j 1,2, , N

Kriging Ordinario Z * u

1 , , N , var Z u Z * u

2
j
j
N

1 , , N ,
2 1

Igualando a cero las derivadas se tiene que:

var Z u Z * u
2
j
N

j 1, 2, , N

j 1,2, , N

Kriging Ordinario Z * u

Sabemos que:

N
var Z u Z * u
2 cov u u j 2 cov u u j
j
1

Y por lo tanto se obtiene que:

2 cov u u j 2 2 cov u u j
N

j 1,2, , N

Kriging Ordinario Z * u

El sistema de ecuaciones se puede escribir en forma matricial como:

C 0
u u
2
1

C u1 u2
C 0

C u1 u N
C u2 u N

1
1

C u N u2 C u N u2

1
1

C 0

Condicin para filtrar el valor desconocido de la media

1 C u u1
Cu u
2
2

C
u

u
N
N

1

Kriging Ordinario Z * u

Ahora la varianza del error es:

var Z u Z u C u0 u
*

Nuevamente, el error no depende directamente de los datos si no de la

continuidad espacial de estos.

Kriging Ordinario Z * u

Kriging ordinario usando el variograma

Usando la relacin usual entre el variograma y la covarianza

C h C 0 h

C 0 u u C 0 u u

u u u u

j 1,2, , N

j 1,2, , N

Y el sistema de ecuaciones escrito en forma matricial es entonces

Kriging Ordinario Z * u

u u
2 1

u N u2

u1 u2
0

u N u2
1

u1 u N
u2 u N

0
1

1
1

1
0

1

2


N

u u1
u u
2

u uN

Y por lo tanto los resultados obtenidos sern exactamente iguales.

Esta propiedad no es cierta en el caso del kriging simple. Esto es, el
sistema de ecuaciones del kriging simple slo debe ser escrito usando
la funcin de covarianza y NO el variograma.

Kriging Ordinario Z * u

Que ocurre si todos los valores observados son no correlacionados

entre si ?

C 0 0
0 C 0

0
0

0
1

C 0

1 1 C u u1
1 2 C u u2

1 N C u uN
0
1

j C 0 C u u j
j u u j

C 0

j 1,2, , N
j 1,2, , N

Kriging Ordinario Z * u

Utilizando la condicin de insesgamiento se puede obtener el valor del

parmetro de Lagrange:

C 0 N C u u j
N

j 1

C 0 1

N
N

C u u
N

j 1

C 0

1 u u j
N
j 1

Kriging Ordinario Z * u

Si adems los valores son no correlacionados con el punto a estimar

entonces:

u u j 0 j
Y por lo tanto

C 0
N

1
N

j 1,2, , N

Y el estimador de kriging ordinario es

1
*
Z u
N

Z u

Kriging Ordinario Z * u

Relacin entre el Kriging ordinario y el kriging simple

Una idea tentadora es estimar el valor promedio utilizando kriging
ordinario y tomar esta valor como el verdadero valor de la media para
usar kriging simple.
Este procedimiento produce como resultado una estimacin que es
exactamente igual a la estimacin de kriging ordinario.
La demostracin de este hecho se conoce como el teorema de adicin

Kriging Ordinario Z * u

1) La estimacin de la media mediante kriging ordinario se obtiene

resolviendo el sistema de ecuaciones:

mj C ui u j m

j
N

j 1,2, , N

j 1
j 1

2) El valor estimado de la media

simple
N

*
u m* 1 j
Z sk
j 1

m*

se utiliza en la ecuacion del kriging

j Z u j
j 1

Z u

Kriging Ordinario Z * u

Por lo tanto el estimador de kriging simple es:

*
u
Z sk

Z
u

j j
j Z uj
j 1

j 1

j
j Z u j
N

j 1

j
La solucin del kriging ordinario es nica, por lo tanto si se demuestra
que los valores ' resuelven el sistema de ecuaciones del kriging
ordinario se tendr que

*
*
u Z ok
u
Z sk

Kriging Ordinario Z * u

3) La condicin de insesgamiento es:

N

j
j 1

j
j
N

j 1
N

j 1

j
j 1

mj
j 1

Kriging Ordinario Z * u

4) El sistema de ecuaciones es:

N

j C ui u j

j 1

j mj C ui u j
N

j 1

j 1

j 1

j C ui u j mj C ui u j

C u ui m
Y por lo tanto
N

j C ui u j C u ui
j 1

Lo cual completa la prueba

Kriging Ordinario Z * u

Finalmente, si se asume que la media es conocida procediendo como

antes se puede demostrar que:

2
2
ok
sk
2 var m*

Es decir, la varianza del kriging ordinario es la varianza del kriging

simple (cuando en realidad se conoce la media) ms un factor
asociado a la estimacin de la media.
Asimismo, se observa que:

2
2
ok
sk

Kriging Ordinario Z * u

La pendiente de la regresin lineal

La pendiente de la regresin de Z utilizando la estimacin de kriging
simple es

*
u
cov Z u , Z sk
*
var(Z sk
(u ))

Utilizando las ecuaciones del kriging simple se obtiene que el

numerador y el denominador son iguales y por lo tanto la pendiente es
igual a 1. Esto significa que el kriging simple es condicionalmente
insesgado
Z

Z sk

Kriging Ordinario Z * u

En el caso de kriging ordinario se tiene que

*
cov(Z (u ), Z ok
(u ) )

*
cov(Z (u ), Z ok
(u ))

Y por lo tanto el estimador de kriging ordinario no es condicionalmente

insesgado.

Z sk

Kriging Ordinario Z * u
X (Kilometer)
0.

10.

20.

30.

Imagen original

40.
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0

9.38
40.
10.31

Y (Kilometer)

11.11

11.04

7.69

30.
9.43

6.607.52
6.87

20.

20.
2.46

7.36
10.

3.81

11.22

0. 6.26

9.84

12.12
10.

4.32

10.21
0.

Y (Kilometer)

30. 11.54

40.

5.96

7.26

9.439.59
10.

20.

30.

9.22
7.18
40.

0.

N/A

X (Kilometer)

Kriging ordinario

Inverso de la distancia

X (Kilometer)
10.

20.

30.

40.

40.

30.

20.

20.

10.

0.

10.

0.

10.

20.
X (Kilometer)

30.

40.

0.

>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A

10.

20.

30.

40.

9.38
40.

10.31
11.54

5.96

11.11

40.
11.04

7.69

30.

9.43

30.

6.607.52
6.87

20.

20.
7.36

2.46
3.81

10.

11.22

0.

0.

10.
7.26

9.439.59
10.

12.12

4.32

10.21
6.26

9.84

20.
X (Kilometer)

30.

9.22
7.18
40.

0.

Y (Kilometer)

30.

Y (Kilometer)

Y (Kilometer)

40.

0.

Y (Kilometer)

0.

X (Kilometer)

>=13
12.45
11.9
11.35
10.8
10.25
9.7
9.15
8.6
8.05
7.5
6.95
6.4
5.85
5.3
4.75
4.2
3.65
3.1
2.55
<2
N/A

1F
Dado un conjunto cualquiera F, se define su funcin indicadora como:

si x F

si no

1F x

Este tipo de funciones indican simplemente si el punto en que se

evalan se encuentra o no en el conjunto especificado.

x1

1F x1 1

x2

1F x2 0

1F
De particular inters es considerar variables indicadoras de facies.
Si se considera la facies F como un conjunto aleatorio entonces su
funcin indicadora es una funcin aleatoria que puede ser estacionaria o
no.
Si se asume que la variable indicadora de la facies F es estacionaria
entonces se tiene que:

E 1F x P x F

Proporcin de la facies F en el yacimiento

1F
Considrese el caso donde se tiene interpretacin de facies en un pozo

1 si x F

1F

0 si no

Facies 1

Facies 2

1
1

1F 1F
1

E 1F1 x

6
75%
8

E 1F2 x

2
25%
8

1F
Este concepto tan sencillo permite considerar las facies presentes en un
yacimiento como funciones aleatorias y aplicar muchas de las tcnicas
estudiadas anteriormente.
El uso de variables indicadoras es la base de las curvas de proporcin
vertical .

1F
Unidad 1

Unidad-4

Unidad 2

Unidad-5

1F
En el caso de variables indicadoras el variograma es:

1
F h E 1F x h 1F x 2
2
P( x F y x h F )

Variograma

A partir de este se obtiene la continuidad espacial y la longitud promedio

en distintas direcciones de la facies en estudio.

R2

R1

Distancia

1F
Propiedades
1) E 1F x P ( x F ) p 0,1

var 1F x p 1 p 0.25
El sill de variogramas de funciones indicadoras no puede ser mayor
a 0.25

2)

F h 0.5

3) Relacin con la funcin de covarianza

F h C F 0 C F h
C F h E 1F x h p 1F x p

C F 0 var 1F x p 1 p 0.25

1F
4) Desigualdad Triangular

F h1 h2 F h1 F h2
En particular

F 2h 2 F h

Consecuencia :
Un variograma con comportamiento en el origen de la forma
no puede ser el variograma de una funcin indicadora

p 1

1F
5) Relacin entre las variables indicadoras

Si se interpretan dos facies F1 y F2 en el yacimiento entonces:

1F x 1F x 1
1

Es decir, las facies no son independientes y adems

F 1 h F 2 h
En el caso general,

1F x 1F x 1FN x 1
1

Y por lo tanto las facies no son independientes.

1F
6) Estimacin de la proporcin de facies (indicator kriging)

El mtodo de estimacin por kriging puede ser usado para estimar la

proporcin de una determinada facies en una localizacin dada.
1F u

1
0
1

1
0

1
1

Z F* u

Proporcin de la facies F en
el punto u

1F
*
u
ZF

1F u

Como la proporcin se asocia a la probabilidad se tiene que la estimacin

por kriging es una estimacin de la probabilidad de que la facies F se
encuentre en el punto u
Se pueden obtener valores mayores de 1 y menores de 0, estos valores
se deben corregir asignando 0 a los menores que cero y 1 a los mayores
que 1.
Si se estiman independientemente Z F* u , Z F* u , , Z F* u entonces no
necesariamente se cumple que
1

Z F*1 u Z F* 2 u Z F* N u 1

1F
X (Kilometer)
0.

10.

20.

30.

40.

Canal
Barra
Barra

Canal

Barra

Barra

Canal

Y (Kilometer)

Canal

Canal

30.

Canal

Canal

20.

20.
Lutita

Barra

Lutita

10.

Canal
0.

Canal

10.

Barra

Lutita

Barra
0.

Canal

10.
Canal

Canal
20.

Y (Kilometer)

30.

Canal

Los resultados del indicator

kriging
son
mapas
de
probabilidades y no mapas de
propiedades.

40.

Canal
Canal

X (Kilometer)

0.
30.

0.

10.

20.

30.

40.

40.

X (Kilometer)
40.

40.

30.

30.

20.

20.

10.

10.

0.

0.

10.

20.
X (Kilometer)

30.

40.

0.

Y (Kilometer)

Probabilidad de
facies de canal

Y (Kilometer)

40.

>=1.001
0.95095
0.9009
0.85085
0.8008
0.75075
0.7007
0.65065
0.6006
0.55055
0.5005
0.45045
0.4004
0.35035
0.3003
0.25025
0.2002
0.15015
0.1001
0.05005
<0
N/A