Geoestadstica multivariable

Geoestadstica
Rodrigo Estay Huidobro
restay@utalca.cl
 Definiciones
Corregionalizacin: conjunto de variables regionalizadas {z1,... zN} definidas
en una misma regin del espacio (campo)

Homotopa: las variables estn muestreadas en los mismos sitios

Heterotopa (parcial o total): las variables estn muestreadas en distintos

sitios
Parcial una parte de los puntos de medicin son comunes a todas las variables
Total las variables son medidas sobre conjuntos de puntos disjuntos.

Hiptesis de estacionariedad de segundo orden conjunta: Invarianza por

traslacin de los dos primeros momentos de la ley espacial conjunta de las
funciones aleatorias. Es decir, la esperanza y covarianza existen y estn
definidas como:
E () =
= + , () 2
 EDA multivariable
Herramientas multivaribles:

QQ plots
Nube de correlacin
Regresiones
Matriz de correlacin
Anlisis de Componentes Principales (PCA)

3
 Funcin de covarianza
Covarianza cruzada
= + , ()

= E + () E + ()

Cuando i = j, Cii es la funcin de covarianza

Simetra
Para i j, Cij(h) Cji(h) y Cij(h) Cij(-h) pero siempre Cij(h) = Cji(-h)

4
 Funcin de covarianza
Signos y extremos

La funcin de covarianza cruzada puede no ser positiva o

cambiar de signo. Su valor en el origen puede ser incluso
negativo (correlacin negativa entre variables)
El mximo de la covarianza puede estar desplazado del origen,
es decir, una variable tiene un efecto no instantneo sobre otra
(efecto retardo)

Desigualdad de Cauchy - Schwarz

, 1, , , (0) (0) | |2
5
 Funcin de covarianza
Carcter de tipo positivo

Para todo conjunto de sitios {xa, a = 1,,p} y ponderadores {xai =

1,,N, a = 1,,p}, se tiene:

( ) = 0
=1 =1 =1 =1 =1 =1

6
Variograma cruzado entre dos variables
Sean Zi y Zj dos variables y h un vector de separacin. Se
define el variograma cruzado por:
1
ij (h) E{[Z i (x h) Z i (x)][Z j (x h) Z j (x)]}
2

Cuando i = j, se vuelve a encontrar el variograma simple

de la variable Zi:
1
i (h) E{[Zi (x h) Zi (x)]2 }
2

7
Variograma cruzado entre dos variables
Propiedades matemticas:

Simetra con respecto a los ndices: ij(h) = ji(h)

Funcin par: ij(h) = ij(-h)
Nulidad en el origen: ij(0) = 0
El variograma cruzado puede ser negativo, lo que indica que
ambas variables son antagnicas
El variograma cruzado no permite describir desfases en la
correlacin espacial de ambas variables (efecto de retardo,
frecuente con las variables que evolucionan en el tiempo)

8
 Variograma cruzado entre dos variables
El variograma cruzado se estima a partir de un conjunto de datos,
reemplazando la esperanza matemtica por una media sobre los pares
de datos cuya separacin coincide con el vector h:
1
ij (h)
2 | N(h) | N (h )
[z i (x a ) z i (xb )] [z j (x a ) z j (xb )]

donde N(h) = {(a,b) tales que xa xb h} (con tolerancias)

|N(h)| es el cardinal de N(h)

9
 Variogramas simples y cruzados
Desigualdad de Schwarz: ii(h) jj(h) |ij(h)|2

Restriccin de positividad matricial:

N N
h, 1 ,... N R, i j ij (h) 0
i 1 j1

Los variogramas simples y cruzados no son independientes

10
 Seudo-variograma cruzado
Para estimar el variograma cruzado de Zj(x), Zk(x) se requiere un
nmero suficiente de ubicaciones donde los datos sean conocidos
para las 2 variables. Esta condicin generalmente no se satisface
en la prctica, en particular para problemas submuestreados
(heterotopa parcial)

Si el set de ubicaciones de datos conocidos para Zj(x) es un

subconjunto de las ubicaciones de Zk(x), una solucin es ignorar
los datos extras para Zk(x) al estimar el variograma cruzado:
Se reduce la informacin disponible para la estimacin
Se tiene un proceso menos confiable
En un caso extremo, puede no haber sitios donde los datos
estn disponibles para las dos variables de un par

El seudo variograma cruzado (Clark) no requiere que los datos

para Zj(x), Zk(x) estn disponibles en las mismas ubicaciones
 Seudo-variograma cruzado
Una alternativa al variograma cruzado es el denominado seudo-
variograma cruzado
Esta herramienta generaliza el variograma simple, pero plantea un
problema cuando se trabaja con variables expresadas en unidades
distintas (la diferencia no tiene sentido fsico)
raramente usado en las aplicaciones
Se asume que el pseudo variograma cruzado depende solo de h, y
para j=k esta ecuacin representa el variograma comn si es que
se satisface la Hiptesis Intrnseca.
1
ij (h) E[(Z i ( x h) Z j ( x)) 2 ]
2

Si las funciones aleatorias no tienen medias constantes, entonces

la discrepancia puede ser mayor y se debe generalizar la definicin
a:

g jk (h) g kj (h) 0,5 var Z j ( x) Z k ( x h)
 Seudo-variograma cruzado
Para ver la relacin con el variograma cruzado usual se asume que los Z son de
la forma Z(x)=Y(x)+m(x), con Y estacionaria de segundo orden y m la media
de Z, y que la covarianza cruzada de Zj(x), Zk(x) es simtrica. Se tiene entonces
la siguiente expresin:

g jk (h) 0,5 C jj (0) 2C jk (0) Ckk (0) jk (h)
jk (h) es el variograma cruzado comn.
Si mj(x), mk(x) son constantes se tiene:

g jk (h) g jk (h) 0,5 m j 2m j mk mk
2 2

Bajo estas suposiciones el seudo variograma cruzado de Clark difiere del
variograma cruzado usual por una constante (positiva)
El variograma cruzado vale cero para h=0, por lo que en general g jk (0)
> 0. Esta diferencia no es solo un efecto pepita
El seudo-variograma cruzado cuantifica la correlacin cruzada entre las
variables aleatorias Zj, Zk
 Cokriging
Existen varias variantes del cokriging:
cokriging simple: las medias son conocidas
cokriging ordinario: las medias son desconocidas
variantes especficas del caso multivariable:
cokriging co-localizado cuando una variable
secundaria se conoce exhaustivamente
cokriging de indicadores

14
 Cokriging simple
Hiptesis
Se conoce las medias {mi, i = 1... N} de todas las
variables regionalizadas, las cuales son representativas
de cada regin del espacio.
Tambin se ha modelado los variogramas simples y
cruzados {ij(h), i, j = 1... N} de la corregionalizacin,
cada uno de los cuales presenta una meseta ij().

15
 Cokriging simple
Restriccin de linealidad
La estimacin en un sitio x0 de una variable (por ejemplo,
z1) es una combinacin lineal ponderada de los datos
circundantes ubicados en los sitios { xia, i = 1... N, a = 1...
ni}:
N ni
z (x 0 ) a a zi (xa )
*
1
i i

i 1 a 1

16
 Cokriging simple
Restriccin de insesgo
En el modelo probabilstico, la esperanza del error de
estimacin vale:
N ni
E [ Z1* (x 0 ) Z1 (x 0 )] a ai E [ Z i (xai )] E [ Z1 (x 0 )]
i 1 a 1
n1 N ni
a [ 1a 1] m1 [mi ai ]
a 1 i 2 a 1

Se debe plantear
n1 N ni
a [ 1 a ] m1 [mi ai ]
1

a 1 i 2 a 1
17
 Cokriging simple
Restriccin de optimalidad
Bajo una hiptesis de simetra en la estructuracin espacial de la
corregionalizacin, la varianza del error de estimacin se expresa
en funcin de los variogramas simples y cruzados.
N N ni nj

var [ Z1* (x 0 ) Z1 (x 0 )] ai bj [ ij () ij (xai x bj )]

i 1 j 1 a 1 b 1
N ni
2 ai [ i1 () i1 (xai x 0 )] 11 ()
i 1 a 1

La minimizacin requiere anular las derivadas de esta expresin con

respecto a las incgnitas { ia, i = 1... N, a = 1... ni}.
18
 Cokriging simple
Sistema de ecuaciones finales:

n1 N ni

a [1 1
a ] m1 [ mi a] i
(insesgo)
a 1 i 2 a 1
n1 N nj
(incgnitas
i 1... N , bi i1 () [1 b ] [ ij () b ] auxiliares)
1 j

b 1 j 2 b 1
N nj
i 1... N , a 1... ni , bi bj ij (xai x bj ) i1 (xai x 0 )
j 1 b 1

mide las mide la influencia

redundancias de los datos sobre
entre datos el valor a estimar

19
 Cokriging simple
Precisin de la estimacin
El valor mnimo de la varianza del error de estimacin se
llama varianza de cokriging y vale:
N ni
2
CKS (x 0 ,1) b1 a i1 (xa x 0 )
i i

i 1 a 1

20
 Cokriging ordinario
Hiptesis
Se desconoce las medias de las variables regionalizadas.
Se ha modelado los variogramas simples y cruzados {ij(h), i =
1... N, j = 1... N}, los cuales pueden o no tener meseta.
El considerar las medias como desconocidas permite extender el
estimador a casos donde estas medias no son constantes en el
campo: ellas pueden variar de una regin a otra del espacio,
siempre que sean casi constantes en la vecindad de cokriging.

21
 Cokriging ordinario
Restriccin de linealidad
La estimacin en un sitio x0 de la variable z1 se escribe
como una combinacin lineal ponderada de los datos
circundantes ubicados en los sitios {xia, i = 1... N, a =
1... ni}:
N ni
z1* (x 0 ) a ai zi (xai )
i 1 a 1

22
 Cokriging ordinario
Restriccin de insesgo
La esperanza del error de estimacin vale:
n1 N ni
E [ Z1* (x 0 ) Z1 (x 0 )] a [ 1a 1] m1 [mi ai ]
a 1 i 2 a 1

Siendo desconocidas las medias, la nica alternativa

consiste en plantear
n1 ni
a 0, a

a 1
11
y i {2... N }, a 0
i

a 1

23
 Cokriging ordinario
Restriccin de optimalidad

La varianza del error de estimacin se expresa en funcin

de los variogramas simples y cruzados:
N ni N N ni nj

var [ Z1* (x 0 ) Z1 (x 0 )] 2 ai i1 (xai x 0 ) ai bj ij (xai x bj )

i 1 a 1 i 1 j 1 a 1 b 1

La minimizacin de esta expresin bajo la restriccin de

insesgo requiere introducir varias incgnitas adicionales
{mi, i = 1... N} llamadas multiplicadores de Lagrange.
24
 Cokriging ordinario
Sistema de ecuaciones finales
a0
n1
1 1
a 1 a insesgo

ni

i 2 ... N ,
a 1
a 0
i

N nj
a i b ij mi i1 (xai x 0 )
j i j
i 1... N , 1... n , ( x a x b)
j 1 b 1

mide las mide la influencia

redundancias de los datos sobre
25
entre datos el valor a estimar
 Cokriging ordinario
Precisin de la estimacin
El valor mnimo de la varianza del error de estimacin se llama
varianza de cokriging y vale:

N ni
2
CKO (x 0 ,1) ai i1 (xai x 0 ) m1
i 1 a 1

26
 Otras variantes
Marco no estacionario:
Cokriging universal
Cokriging intnseco

Cokriging co-localizado: utiliza slo el dato de cada variable

adicional que coincide con el sitio a estimar (requiere que esta
variable adicional se conozca exhaustivamente)

Cokriging de indicadores: aplicacin del cokriging a variables

binarias (indicadores) en vista a estimar una distribucin de
probabilidad.

27
 Propiedades del cokriging

Interpolacin exacta
Suavizamiento
Aditividad
Insesgo
Sesgo condicional
Cokriging de bloques

28
 Kriging vs cokriging
Del punto de vista terico, utilizar el cokriging siempre
es mejor que el kriging por separado de cada variable:
mejora la precisin de las estimaciones
mejora la coherencia de los resultados

Del punto de vista prctico, el cokriging suele dar

resultados muy parecidos al kriging. Adems, es ms
costoso en tiempos de clculo y en esfuerzo de
modelamiento.

29
 Kriging vs cokriging
Situaciones donde el cokriging coincide con el
kriging por separado de cada variable:
Las variables son independientes entre s (sus
variogramas cruzados son nulos)
los variogramas simples y cruzados son
proporcionales entre s y el muestreo es homotpico
las variables poseen la misma estructuracin espacial y se
vuelven redundantes entre s

30
 Kriging vs cokriging
En cambio, el cokriging mejora los resultados del kriging
en caso de heterotopa, cuando las variables poseen una
buena correlacin espacial
ventajoso cuando una variable adicional es ms accesible

Tambin es preciso utilizar cokriging cuando se recurre a

la simulacin multivariable, para el condicionamiento
de las realizaciones. Aqu el enfoque multivariable es
indispensable para reproducir las correlaciones entre los
distintos atributos, incluso en caso de homotopa.

31
 Co-Simulacin multivariable
(Multigaussiana)

Anamrfosis (para cada variable)

Validacin bi gaussiana para cada variable y par de

variables
Nube de correlacin diferida
Variograma de indicadores; Variograma/madograma

Co simulacin

32
 Algoritmos de co - simulacin

Simulacin secuencia conjunta

Simulacin secuencial jerrquica
Descomposicin matricial
Convolucin
Espectral discreto
Espectral continuo
Bandas rotantes

33
Tpicos no (completamente)vistos

Principal Component Analysis (PCA)

Modelos de corregionalizacin / Markov
Cokriging*
Simulacin multivariable*

34
 Aplicacin a datos mineros
(yacimiento tipo prfido cuprfero)
 Datos disponibles
Sondajes de exploracin en un yacimiento tipo prfido cuprfero
2376 muestras compositadas a 12 metros
Leyes de cobre total (en %), oro total (en ppm) y el tipo de roca.

Cdigo Tipo de roca

4 Granodiorita cascada
54 Diorita
20 Brecha de turmalina
31 Brecha de polvo de roca
34 Brecha de polvo de roca y turmalina
28 Brecha monolito
29 Brecha de turmalina - monolito
 Estudio exploratorio
Mapas de la distribucin de leyes de cobre y oro

37
 Estudio exploratorio
Histogramas desagrupados de las leyes de cobre y oro

38
 Estudio exploratorio
Nube de correlacin entre leyes de cobre y oro

Coeficiente de correlacin: 0.706

39
 Anlisis variogrfico
Mapa variogrfico (leyes de cobre)

40
 Anlisis variogrfico
Mapa variogrfico (leyes de cobre / leyes de oro)

41
 Anlisis variogrfico
Mapa variogrfico (leyes de oro)

42
 Anlisis variogrfico
Variogramas simples y cruzados experimentales:
calculados a lo largo de las direcciones principales de anisotropa: omni-
horizontal y vertical

Estos variogramas presentan anisotropas y alcances similares, pero difieren en

las mesetas y en la importancia del efecto pepita.

43
 Anlisis variogrfico
Modelo Lineal de Corregionalizacin

Cu Cu / Au 0.06 0.3 0.18 1.85 0.20 1.45

esf (100m) exp(40m, )
Cu / Au Au 0.3 15 1.85 29 1.45 13

Matrices de mesetas semi-definidas positivas.

44
 KO
Kriging ordinario de la ley de cobre de bloques de soporte
25m 25m 12m a partir de las muestras de cobre

45
 Co KO
Cokriging ordinario de la ley de cobre a partir de las muestras
de cobre y oro

46
 KO
Kriging ordinario de la ley de cobre a partir de las muestras de
cobre procedentes de 1 campaa de muestreo (902 datos)

47
 Co KO Cu - Au
Cokriging ordinario de la ley de cobre a partir de muestras de
cobre (1 campaa) y oro (ambas campaas)

El agregar informacin de una variable secundaria ms muestreada,

cambia el estimador ptimo.
48
Aplicacin a datos de contaminacin
de suelo (simulacin)
Modelo variogrfico

50
Co simulacin (malla 20x20)

51
Post proceso

Tiende a sobreestimar
las probabilidades

52
Post proceso

Las unidades donde la concentracin de Ni es

menor que 30 ppm, tienden a ser las mismas
que las unidades donde la concentacin de Co
es menor que 12 ppm

53