Apunte geoestadistica multivariante

Jose Delgado Vega: Doctor en Géologie de l´Ingenieur

 Introducción

Alcance

Estos apuntes de apoyo a la catedra , resumen una serie de trabajos, de grandes

profesionales especialistas en el tema de muestreo y geoestadística . Tiene por
objetivo que el estudiante pueda conocer y entender la teoría que esta detrás de una
evolución de recursos.

De toda la bibliografía que se nombro , se eligieron para este curso ,de tipo
introductorio , tema , conceptos , teoría , experiencias , historia , ejercicios prácticos
etc.

Quizás , como toda selección tenga el sesgo del autor que lo recopilo.
 Bibliografia

PROFESOR M.ALFARO
“TRABAJOS EN GEOESTADISTICA LINEAL “

G.MATHERON
“La theorie des varibles regionaliseés et ses aplications
Centre de geoestatistique Fontainebleau

CHILES JEAN-PAUL & DELFINER PIERRE (1999)

"GEOSTATISTICS Modeling Spatial Uncertainty"
A Wiley Interscience Publications 1999

EMERY XAVIER & ARNAUD MICHEL (2000)

"Estimation et interpolation spatiale méthodes déterministes
et méthodes géostatistiques" Hermès Sciences Europe 2000 157p

EMERY XAVIER (2007)

“Apuntes de geoestadistica”,
UNIVERSIDAD DE CHILE octubre del 2007.

Margaret Armstrong –Jaques Carignan

“Geostatisitque lineaire Application au domaine minier”
 Bibliografia

JOFRE DUBER (2009)

"Curso de categorización de reservas"
Diplomado Internacional en geoestadistica aplicada a la evaluación de recursos mineros 2009 Lima BSGrupo

LE LOC’H, G. (2003)
" Notes de classes de cours de géostatistique"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.
.
KIM, Y.C. & MEDHI P.K. & RODITIS I.S. (1987)
“Performance evaluation of indicator kriging in a gold deposit”
Mining Engineering October 1987 947p

MARCOTTE,D. (2002)
"Notes de classes de cours de Krigeage d´Indicatrices"
http://geo.polymtl.ca/~marcotte/glq3401geo/chapitre7.pdf
Ecole Polytechnique Montreal GLQ3401

ONU (1996):
"Marco Internacional de las Naciones Unidas Para la Clasificación de Reservas/Recursos,
Combustibles Sólidos y Sustancias Minerales"
Versión Definitiva. Establecida y Presentada por el Equipo Especial de las Naciones Unidad. p. 77-88.
 Bibliografia
RIVOIRAD,J. (2003) :
"Notes de classes de cours de géostatistique multivariable".
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.

SANS, H.J (2003)

"Workshop on sampling"
CFSG, Ecole des Mines de Paris Fontainebleau 2003-2004.

CLAYTON DEUTSCH
“Special Topics in geostatistics”

ISAAKS , E.H. and SRIVASTAVA, R.M. (1989)

"An introduction to applied geostatistics "
Oxford University Press, New York. 1989.

DEUTSCH, C.V., JOURNEL A.G. (1998):

“GSLIB: Geostatistical Software Library and User’s Guide”
Second Edition, Oxford University Press, 369 p.

CHICA - OLMO M. (1987)

“Análisis Geoestadístico en el Estudio de la Explotación de Recursos Minerales"
Tesis Doctoral, Universidad de Granada, España, 387 p

XAVIER EMERY
“Apuntes de clase de geoestadística”
 ¿Porque la geoestadística multivariante?

1.-Coloca en evidencia las relaciones estructurales entre variables

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

3.-Estima de manera coherente diferentes variables

4.-Simula conjuntamente muchas variables

 Ejemplo

Leyes de diferentes metales concentraciones de diferentes elementos

Potencia de una veta

Indicatrices de diferentes Facies

Diferentes tipo de medidas errores

Geoestadística multivariante?
¿Porque la geoestadística multivariante?
 Geoestadística multivariante

Hasta ahora se ha estudiado como estimar una propiedad

utilizando los valores conocidos de dicha propiedad obtenidos
en puntos vecinos o cercanos o bien como hacer uso de una
función de tendencia para guiar la estimación de la propiedad.

A continuación estudiaremos algunas técnicas geoestadísticas

propuestas para obtener estimaciones de la propiedad de
interés cuando se dispone de observaciones de otras variables
relacionadas con la variable en estudio.

Entre este tipo de técnicas se encuentran:

Cokriging Simple y Ordinario

Cokriging colocado (collocated cokriging)

 ¿Porque la geoestadística multivariante?

Al igual que en el caso de geoestadistica univariada, lo

fundamental es contar con una herramienta que mida la
correlación espacial de las variables involucradas y su
interrelación.

La correlación espacial de cada una de las variables

involucradas se obtiene como antes a través de la función de
covarianza o del variograma.

La correlación espacial conjunta o la interrelación se obtiene

a traves de la funcion de covarianza cruzada que estudiaremos
a continuación
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto

 ZS
 Geoestadística multivariante

Si Z y S son funciones aleatorias estacionarias o

intrínsecas, el variograma cruzado de ellas se define como
:

 ZS (h) = 2 E[( Z ( x) − Z ( x + h)) (S ( x) − S ( x + h))]

1

Para su estimación se utiliza el variograma cruzado

experimental

 *
ZS (h) =
1
2 N (h )
 ( z( xi ) − z( x j ))(s( xi ) − s( x j ))
xi − x j = h
 Geoestadística multivariante

Algunas propiedades del variograma cruzado son:

1)  ZS (0) = 0
2)  ZS (− h) =  ZS (h) El variograma cruzado es una función
simétrica
3)  ZS (h) =  SZ (h)

4) Relación con la función de covarianza cruzada

La función de covarianza cruzada se define como:

CZS (h ) = E (Z (x ) − mZ )(S (x + h ) − mS )

 Geoestadística multivariante

La función de covarianza cruzada se relaciona con el

variograma cruzado a través de la ecuación

 ZS (h) = CZS (0) − 12 (CZS (h ) + CSZ (h))

Esta expresión se debe al hecho de que la función de

covarianza no necesariamente es simétrica. Es decir, en
general
CZS (h )  CSZ (h )

Sin embargo, una práctica común es asumir que la función de

covarianza es simétrica. Esto simplifica enormemente los
cálculos asociados a la estimación de la función de covarianza
conjunta. En ese caso
,
 ZS (h) = CZS (0) − CZS (h)
 Geoestadística multivariante

5) Relación de dependencia
Es importante tener presente que entre el variograma cruzado
y los variogramas de cada una de las variables, existe una
relación de dependencia. Por ejemplo, se puede demostrar
que:  (h) 2   (h)  (h)
ZS Z S Desigualdad de Hölder

En particular, El producto de cada uno de los sill de los

variogramas individuales es mayor que el cuadrado del sill del
variograma cruzado.
( )2 2
ZS Z
22
S

En consecuencia, el modelo de variograma cruzado no puede

ser escogido independientemente de cada uno de los modelos
de variogramas individuales !
 Geoestadística multivariante

5) El modelo de coregionalización lineal

Anteriormente se aseguraba que la varianza de combinaciones
lineales de la variable de interés era positiva utilizando modelos de
variograma. Al incluir más variables, es necesario asegurar que la
varianza de combinaciones lineales de estas sea positiva.

Para lograr esto se utiliza el modelo lineal de coregionalización, 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:

 Z (h) = u1  1 (h) + u2  2 (h) +  + um  m (h)

 S (h) = v1  1 (h) + v2  2 (h) +  + vm  m (h)
 ZS (h) = w1  1 (h) + w2  2 (h) +  + wm  m (h)
 Geoestadística multivariante

Las ecuaciones anteriores se puede escribir en forma matricial

como:
  Z (h)  ZS ( h )   u1 w1   1 (h) 0   um wm   m (h) 0 
 =
     ++ w  0 
 ZS (h)  S (h)  w1 v1   0  1(h)  m m 
v  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
 Geoestadística multivariante

El uso del modelo de coregionalización lineal tiene las siguientes

consecuencias:
1) Todo estructura presente en el variograma cruzado deber estar
presente en los variogramas individuales. El recíproco 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 desviación de los valores experimentales.

2) Los variogramas individuales tendrán todos el mismo rango y la forma

del variograma será la misma. Sólo se diferenciarán en los valores del sill

3) Los variogramas individuales tendrán todos la misma dirección de

anisotropía
 Geoestadística multivariante

4) Envolvente del variograma cruzado

Debido a la relación entre los parámetros u, v y w el
variograma cruzado se encuentra siempre dentro de dos curvas
que conforman su envolvente.
 ZS

h
 Geoestadística multivariante

Planteamiento básico de la estimación por Cokriging:

Considerar la estimación de como una combinación lineal de las

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

Ejemplo:
Z Propiedad o variable principal, por ejemplo porosidad
S Información o variable secundaria, por ejemplo impedancia acústica

Combinación lineal de la Combinación lineal de

variable principal la variable secundaria
 Geoestadística multivariante

En el caso general lo único que se complica es la notación :

Z Propiedad o variable principal, por ejemplo porosidad
Si Variables secundarias, por ejemplo atributos sísmicos

+ + +

Combinación lineal de la Combinaciones lineales de las

variable principal variables secundarias

+
 Geoestadística multivariante

COKRIGING SIMPLE

El caso más simple se denomina cokriging simple y la hipótesis básica 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 continuación se obtendrán las ecuaciones de cokriging simple

en el caso en que se considera solo una variable secundaria. En
este caso el estimador propuesto es
 Geoestadística multivariante

Al igual que antes, las condiciones de optimalidad son:

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

2) var[ Z (u ) − Zcok
*
(u )] mínima

La primera condición se obtiene automáticamente al utilizar que:

E (Z (u )) − m = 0

( ( ))
E S1 x1 − m1 = 0

Con lo cual,
*
E ( Z cok (u )) = m = E (Z (u ))
 Geoestadística multivariante

La condición de varianza mínima se obtiene derivando respecto a los parámetros

 y  e igualando a cero cada una de las derivadas obtenidas.
*
 var[ Z (u ) − Z cok (u )]
=0 j = 1,2,  , N
 j

*
 var[ Z (u ) − Z cok (u )]
=0 j = 1,2,  , N1
 j

Para calcular explícitamente la expresión de la varianza hay que proceder con

cautela debido a que aparecen nuevos términos 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
 Geoestadística multivariante

T1 = var[ Z (u )] =  2

*
T2 = var[ Z cok (u)]

= var(  i ( Z (ui ) − m)) + var(   j ( S ( x j ) − m j )) + 2 cov( i ( Z (ui ) − m),   j ( S ( x j ) − m j ) )

=   i  j CZ (ui − u j ) +    i  j CS ( xi − x j ) + 2   i  j CZS (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), Zcok (u)) = 2  i CZ (u − ui ) + 2  j CZS (u − x j )
 Geoestadística multivariante

Al calcular las derivadas respectivas se obtiene que

( ) ( )
* N N
 var[ Z (u ) − Z cok
= 2   j CZ ui − u j + 2   j CZS ui − x j − 2CZ (u − ui )
(u )]
i = 1,2,  , N
i j =1 j =1

( ) ( )
* N N
 var[ Z (u ) − Z cok (u )]
= 2   j CS xi − x j + 2   j CZS ui − x j − 2CZS (u − xi ) i = 1,2,  , N1
i j =1 j =1

Ahora la expresión detallada del sistema de ecuaciones es

 Geoestadística multivariante

Al calcular las derivadas respectivas se obtiene que

( ) ( )
* N N
 var[ Z (u ) − Z cok
= 2   j CZ ui − u j + 2   j CZS ui − x j − 2CZ (u − ui )
(u )]
i = 1,2,  , N
i j =1 j =1

( ) ( )
* N N
 var[ Z (u ) − Z cok (u )]
= 2   j CS xi − x j + 2   j CZS ui − x j − 2CZS (u − xi ) i = 1,2,  , N1
i j =1 j =1

Ahora la expresión detallada del sistema de ecuaciones es

 Geoestadística multivariante

 CZ (0) CZ (u1 − u2 )  CZ (u1 − u N ) | CZS (u1 − x1 ) CZS (u1 − x2 )  (

CZS u1 − xN1)   1   CZ (u − u1 ) 
 C (u − u )
 Z 2 1 CZ (0)  CZ (u2 − u N ) | CZS (u2 − x1 ) CZS (u2 − x2 )  (
CZS u2 − xN1)  2   C (u − u ) 
   Z 2 
     |           

 CZ (u N − u1 ) CZ (u N − u2 )  CZ (0) | CZS (u N − x1 ) CZS (u N − x2 )  (
CZS u N − xN1 )


  CZ (u − u N )
 N   
 − − − − | − − − −    − = − − − 

( )   1   CS (u − x1 ) 
 CSZ (x1 − u1 ) CSZ (x1 − u2 )  CSZ (x1 − u N ) | CS (0) CS (x1 − x2 )  CS x1 − xN1      C (u − x ) 
 C (x − u )
 SZ 2 1
CSZ (x2 − u2 )  CSZ (x2 − u N ) | CS (x2 − x1 ) CS (0)  (
CS x2 − xN1) 

 2  S 2 
     
         
( )
|
   
(
C x − u
 SZ N1 1 ) (
CSZ xN1 − u2 )  (
CSZ xN1 − u N ) | (
CS xN1 − x1 ) ( )
C S x N 1 − x2  CS (0) 

  N1  CS u − xN1 

 CZ CZS     CZu 
C    = 
 SZ CS     CSu 
Ejercicios
Ejercicios

Calcule , medias de cada variable

.desviaciones estándar ,varianza ,
coeficiente de correlación 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 correlación cruzada
Ejercicios
Ejercicios
Ejercicios
 Ejercicios

X Y
0 0
1 0 1 0
0 0 0 0 0 0
0 1 0 0 0 1 1 1
0 1 0 0 0 0 1 1 1 1
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
1 0 1 1 1 1 0 0 0 0
0 1 0 0 0 0 1 1 1 1
0 1 0 0 0 0 1 1 1 1
0.22222222 0.125 0.14285714 0.16666667 0.44444444 0.5 0.57142857 0.5
Promedio 0.2 0.4

Varianza 0.16 0.24

Covarianza -0.08

ICL -0.40824829

K1 K2

0 0
1 0 0 0
0 0 0 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 1 1 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 1
0 0 0 0 0 1 1 0 0 0
0.2 0 0 0 0 0.4 0.22222222 0 0 0.16666667
 Ejercicios

C1(h) C2(h)

0.04 -0.16
0.64 -0.04444444 -0.16 -0.17777778
0.04 -0.04444444 -0.025 -0.16 -0.17777778 -0.2
0.04 -0.04444444 -0.025 -0.02857143 0.84 -0.17777778 -0.2 -0.22857143
0.04 -0.04444444 -0.025 -0.02857143 -0.03333333 0.84 0.82222222 -0.2 -0.22857143 -0.2
0.04 -0.04444444 -0.025 -0.02857143 -0.03333333 -0.16 -0.17777778 -0.2 -0.22857143 -0.2
0.04 -0.04444444 -0.025 -0.02857143 -0.03333333 -0.16 -0.17777778 -0.2 -0.22857143 -0.2
0.64 -0.04444444 -0.025 -0.02857143 -0.03333333 -0.16 -0.17777778 -0.2 -0.22857143 -0.2
0.04 -0.04444444 -0.025 -0.02857143 -0.03333333 0.84 -0.17777778 -0.2 -0.22857143 0.8
0.04 -0.04444444 -0.025 -0.02857143 -0.03333333 0.84 0.82222222 -0.2 -0.22857143 -0.2
0.16 -0.04444444 -0.025 -0.02857143 -0.03333333 0.24 0.04444444 -0.2 -0.22857143 -0.03333333

h j1(h) j2(h) j12(h) K1 C1(h) K2 C2(h)

0.00 0.00 0.00 0.20 0.16 0.40 0.24
1.00 0.22 0.17 -0.06 0.00 -0.04 0.22 0.04
2.00 0.19 0.38 -0.13 0.00 -0.03 0.00 -0.20
3.00 0.14 0.43 -0.14 0.00 -0.03 0.00 -0.23
4.00 0.17 0.25 -0.08 0.00 -0.03 0.17 -0.03
Ejercicios
Ejercicios
Ejercicios
Ejercicios
Ejercicios
Ejercicios
Ejercicios
Ejercicios
 Ejercicios

Asumiendo :

Estructura 1 :4* Esférico (h/20)

Estructura 2 : 5*Esférico (h/30)
M1=33
M2=44
Calcule los datos faltante
Ejercicios
Ejercicios