Apunte de clase

geo-estadistica multivarible

Prof.: Jos Delgado Vega

Dr Geologa de la Ingeniera ENSMP
Esp. Geoestadistica ENSMP
Esp. Explotacin Minas a Cielo Abierto y Cantera ENSMP
Ing Civil de Minas U.A
Geoestadistica multivariable
 Porque la geoestadistica multivariable

1.-Coloca en evidencia las relaciones estructurales entre variables

2.-Mejora la estimacin de una variable con la ayuda de otra

3.-Estima de manera coherente diferentes variables

4.-Simula conjuntamente muchas variables

Ejemplo de co variables

Leyes de diferentes metales concentraciones de

diferentes elementos

Potencia de una veta

Indicatrices de diferentes Facies

Diferentes tipo de medidas errores

Etc
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto

g ZS
 g ZS
Si Z y S son funciones aleatorias estacionarias o intrnsecas, el
variograma cruzado de ellas se define como :

g 1
ZS (h) = E[(Z ( x) - Z ( x + h)) ( S ( x) - S ( x + h))]
2

Para su estimacin se utiliza el variograma cruzado experimental

g *
ZS ( h) =
1
2 N (h )
( z ( xi ) - z ( x j ))(s( xi ) - s( x j ))
xi - x j = h
 g ZS
Algunas propiedades del variograma cruzado son:

1) g ZS (0 ) = 0
2) g ZS (- h ) = g ZS (h )
3) g ZS (h) = g SZ (h) El variograma cruzado es una funcin simtrica

4) Relacin con la funcin de covarianza cruzada

La funcin de covarianza cruzada se define como:

CZS (h) = E [(Z (x) - mZ )(S(x + h) - mS )]

 g ZS
La funcin de covarianza cruzada se relaciona con el variograma cruzado a travs de la
ecuacin

g ZS ( h) = C ZS (0 ) - (C ZS (h ) + C SZ (h ))
1
2
Esta expresin se debe al hecho de que la funcin de covarianza no necesariamente es
simtrica. Es decir, en general

C ZS (h ) C SZ (h )

Sin embargo, una prctica comn es asumir que la funcin de covarianza es simtrica.
Esto simplifica enormemente los clculos asociados a la estimacin de la funcin de
covarianza conjunta. En ese caso,

g ZS (h) = CZS (0) - C ZS (h )

 g ZS
5) Relacin de dependencia

Es importante tener presente que entre el variograma cruzado y los variogramas de

cada una de las variables, existe una relacin de dependencia. Por ejemplo, se puede
demostrar que:

g ZS (h ) 2
g Z (h )g S (h ) Desigualdad de Hlder

En particular, El producto de cada uno de los sill de los variogramas individuales es

mayor que el cuadrado del sill del variograma cruzado.

(s )2 2
ZS s Z2 s S2
En consecuencia, el modelo de variograma cruzado no puede ser escogido
independientemente de cada uno de los modelos de variogramas
individuales !
 g ZS
5) El modelo de coregionalizacin lineal

Anteriormente se aseguraba que la varianza de combinaciones lineales de la variable

de inters era positiva utilizando modelos de variograma. Al incluir ms variables, es
necesario asegurar que la varianza de combinaciones lineales de estas sea positiva.

Para lograr esto se utiliza el modelo lineal de coregionalizacin, que establece que los
variogramas individuales y el cruzado son combinaciones lineales de modelos de
variogramas. En el caso de 2 variables se tiene que:

g Z (h) = u1g 1 (h) + u2 g 2 (h) + L + um g m (h)

g S (h) = v1g 1 (h) + v2 g 2 (h) + L + vm g m (h)
g ZS (h) = w1g 1 (h) + w2 g 2 (h) + L + wm g m (h)
 g ZS
Las ecuaciones anteriores se puede escribir en forma matricial como:

g Z (h) g ZS ( h) u1 w1 g 1(h) 0 um wm g m (h) 0

= + L+ w v 0
g ZS (h) g S (h) w1 v1 0 g 1(h) m m g m
(h)

Cada una de las matrices que contienen los variogramas son definidas positivas, por lo
tanto para que el resultado final sea una matriz definida positiva debe ocurrir que:

uj > 0 vj > 0 u j v j - w2j > 0

 g ZS
El uso del modelo de coregionalizacin lineal tiene las siguientes consecuencias:

1) Todo estructura presente en el variograma cruzado deber estar presente en los

variogramas individuales. El recproco no es cierto.

Esto hace que en general resulte engorroso ajustar variogramas experimentales de las
variables y sus variogramas cruzados, ya que al cambiar los valores del variograma cruzado
cambian los valores de los variogramas individuales. La forma de juzgar la bondad del ajuste
es establecer un compromiso entre el ajuste de cada uno de los variogramas y su desviacin
de los valores experimentales.

2) Los variogramas individuales tendrn todos el mismo rango y la forma del variograma
ser la misma. Slo se diferenciarn en los valores del sill

3) Los variogramas individuales tendrn todos la misma direccin de anisotropa

 g ZS
4) Envolvente del variograma cruzado

Debido a la relacin entre los parmetros u, v y w el variograma cruzado se encuentra

siempre dentro de dos curvas que conforman su envolvente.

g ZS

h
Calcule , medias de cada variable
.desviaciones estndar ,varianza ,
coeficiente de correlacin lineal
Hasta h=4 trace:
.-El Variograma simple de cada
variable
.-El Variograma cruzado
.-La covarianza no centrada de cada
variable
.-La covarianza de cada variable
Calcule desde h=-4 hasta h=4
.-El Variograma simple de cada
variable
.-El Variograma cruzado no centrada
.-La covarianza cruzada
.-La correlacin cruzada
Jos Delgado
Jos Delgado
 Cokriging

COKRIGING SIMPLE

El caso ms simple se denomina cokriging simple y la hiptesis bsica es la estacionaridad

de todas las variables junto con el hecho de que se asume que las medias de todas las
variables son conocidas. Esto es,

E (Z (u )) = m y m es conocida
( )
E S j (u ) = m j y m j es conocida " j

A continuacin se obtendrn las ecuaciones de cokriging simple en el caso en que se

considera solo una variable secundaria. En este caso el estimador propuesto es
 Cokriging

Al igual que antes, las condiciones de optimalidad son:

1) Estimador insesgado *
E ( Z cok (u )) = E (Z (u ))

2) var[ Z (u ) - Z cok
*
(u )] mnima

La primera condicin se obtiene automticamente al utilizar que:

E (Z (ua )) - m = 0

( ( ))
E S1 xa 1 - m1 = 0

Con lo cual,

*
E ( Z cok (u )) = m = E (Z (u ))
 Cokriging

La condicin de varianza mnima se obtiene derivando respecto a los parmetros a y b e

igualando a cero cada una de las derivadas obtenidas.

*
var[Z (u ) - Z cok (u )]
=0 j = 1,2, K , N
l j

*
var[Z (u ) - Z cok (u )]
=0 j = 1,2, K , N1
b j

Para calcular explcitamente la expresin de la varianza hay que proceder con cautela
debido a que aparecen nuevos trminos a considerar.

* * *
var[Z (u ) - Z cok (u )] = var[Z (u )] + var[Z cok (u )] - 2 cov(Z (u ), Z cok (u ))

T1 T2 T3
 Cokriging

T1 = var[ Z (u )] = s 2

*
T2 = var[Zcok (u)]

= var(li (Z(ui ) - m)) + var(b j (S(x j ) - mj )) + 2cov(li (Z (ui ) - m),b j (S(x j ) - mj ) )

= li l j CZ (ui - u j ) + bi b j CS (xi - x j ) + 2 li b jCZS (ui - x j )

Covarianza de la Covarianza de la Covarianza cruzada entre la

variable principal variable secundaria variable primaria y la variable
secundaria

*
T3 = 2 cov( Z (u ), Z cok (u )) = 2 li C Z (u - ui ) + 2 b j C ZS (u - x j )
 Cokriging

Al calcular las derivadas respectivas se obtiene que

( ) ( )
* N N
var[Z (u) - Zcok
= 2 l jCZ ui - u j + 2 b jCZS ui - x j - 2CZ (u - ui )
(u)]
i = 1,2, K, N
li j =1 j =1

( ) ( )
* N N
var[Z (u) - Zcok (u)]
= 2 b j CS xi - x j + 2 l j CZS ui - x j - 2CZS (u - xi ) i = 1,2, K, N1
bi j =1 j =1

Ahora la expresin detallada del sistema de ecuaciones es

 Cokriging

CZ (0) CZ (u1 -u2) ( )

K CZ (u1 -uN ) | CZS(u1 - x1) CZS(u1 - x2) K CZS u1 - xN1 l C (u -u )
Z 1
C (u -u )
Z 2 1 CZ (0) ( ) 1
K CZ (u2 -uN ) | CZS(u2 - x1) CZS(u2 - x2) K CZS u2 - xN1 l C (u -u )
2 Z 2
M M K M | M M K M M
C (uM-u )

CZ (uN -u1) CZ (uN -u2) K CZ (0) (

| CZS(uN - x1) CZS(uN - x2) K CZS uN - xN1 l )
N
Z N

- - - - | - - - - - = - - -
CS (x1 - x2) K CS x1 - xN1 b1 CS (u- x1)
( )

CSZ(x1 -u1) CSZ(x1 -u2) K CSZ(x1 -uN ) | CS(0)
b C (u - x )
C (x -u ) C (x -u )
SZ 2 1 SZ 2 2 K CSZ(x2 -uN ) | CS(x2 - x1) CS (0) ( )
K CS x2 - xN1 2 S
M
2
M
M M K M M M K M
( )
|

( )
C x -u C x -u
SZ N1 1 SZ N1 2( ) ( ) ( ) (
K CSZ xN1 -uN | CS xN1 - x1 CS xN1 - x2 K ) b
CS (0) 1
N C S u - xN 1

CZ CZS l CZu
C =
SZ CS b CSu
 Cokriging

COKRIGING ORDINARIO
Al igual que en el caso de kriging ordinario, se asume que las medias de las variables son
desconocidas y se imponen condiciones para filtrarlas.

El estimador propuesto es

Con lo cual,
K N j
*
E ( Z cok ( u )) = m la + m j ba j
j =1 a j =1

Y se obtienen las condiciones,

N
la = 1
j

ba j
=0 j = 1, 2 , K , K
a j =1
 Cokriging

Ahora se procede nuevamente como en el kriging ordinario pero con K+1 parmetros de
Lagrange. Cuando se tiene tan solo una variable secundaria, el sistema de ecuaciones del
cokriging ordinario es

CZ C ZS 1 0 l C Zu
C CS 0 1 b C
SZ = Su
1 0 0 0 m1 1

0 1 0 0 m 2 0
 Cokriging

OBSERVACIONES

1) Con slo 2 variables se requieren 4 funciones de covarianza. En general, con N

variables secundarias se requieren 2N+1 funciones de covarianza.

2) Debe existir una correlacin lineal entre las variable principal y las variables
secundarias

3) Las variables secundarias deben poseer un nmero mucho mayor de observaciones

que la variable principal.
 Cokriging

4) Imposible estimar las covarianzas cruzadas con datos NO coincidentes

Variable secundaria (impedancia acstica)

Variable principal (porosidad)
 Cokriging

5) Resultados satisfactorios se obtienen con datos parcialmente coincidentes

Variable secundaria (impedancia acstica)

Variable principal (porosidad)

Variable principal y variable secundaria

 Cokriging

6) Con datos totalmente coincidentes

Conveniente para estimar de manera consistente el tope y la base de un

yacimiento

Tope

Base

No se obtiene una mejora sustancial sobre los mtodos de kriging cuando la

variable secundaria es la informacin ssmica.
 Cokriging

Cuando las variables estn intrnsicamente relacionadas, es decir cuando ocurre que
los modelos de variograma o covarianza de todas las variables son proporcionales a
un un mismo modelo de variograma o covarianza, entonces el kriging y el cokriging
con datos totalmente coincidentes son iguales.

!
Jos Delgado
Jos Delgado
 Cokriging

Planteamiento bsico de la estimacin por Cokriging:

Considerar la estimacin de como una combinacin lineal de las

observaciones disponibles de Z ms combinaciones lineales de las
observaciones de las variables relacionadas.

Ejemplo:

Z Propiedad o variable principal, por ejemplo porosidad

S Informacin o variable secundaria, por ejemplo impedancia acstica

Combinacin lineal de la Combinacin lineal de

variable principal la variable secundaria
 Cokriging

En el caso general lo nico que se complica es la notacin :

Z Propiedad o variable principal, por ejemplo porosidad

Si Variables secundarias, por ejemplo atributos ssmicos

+ + K+

Combinacin lineal de la Combinaciones lineales de las

variable principal variables secundarias