Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Consideremos ( ) N u Z , 2 , 1 , = o
o
informacin de determinada propiedad en el yacimiento y
puntos en los cuales se tiene
la
estimacin de a partir de los puntos
( )
o
u Z
( )
o
u Z
Kriging
Existen diversos mtodos para obtener
Vecino ms cercano
Interpolacin estndar
Regresin lineal
Mtodos basados en Splines
. . .
No toman en cuenta la informacin aportada por el variograma !
Kriging
11.54
7.36
10.31
6.26
10.21
9.38
7.69
3.81
2.46
9.43 9.59
11.11
4.32
11.22
9.43
5.96
7.26
6.87
6.60
9.22
7.52
7.18
9.84
11.04
12.12
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y
(
K
i
l
o
m
e
t
e
r
)
11.54
7.36
10.31
6.26
10.21
9.38
7.69
3.81
2.46
9.43 9.59
11.11
4.32
11.22
9.43
5.96
7.26
6.87
6.60
9.22
7.52
7.18
9.84
11.04
12.12
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y
(
K
i
l
o
m
e
t
e
r
)
Y
(
K
i
l
o
m
e
t
e
r
)
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A
El vecino ms cercano
11.54
7.36
10.31
6.26
10.21
9.38
7.69
3.81
2.46
9.43 9.59
11.11
4.32
11.22
9.43
5.96
7.26
6.87
6.60
9.22
7.52
7.18
9.84
11.04
12.12
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y
(
K
i
l
o
m
e
t
e
r
)
Y
(
K
i
l
o
m
e
t
e
r
)
>=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
11.54
7.36
10.31
6.26
10.21
9.38
7.69
3.81
2.46
9.43 9.59
11.11
4.32
11.22
9.43
5.96
7.26
6.87
6.60
9.22
7.52
7.18
9.84
11.04
12.12
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
11.54
7.36
10.31
6.26
10.21
9.38
7.69
3.81
2.46
9.43 9.59
11.11
4.32
11.22
9.43
5.96
7.26
6.87
6.60
9.22
7.52
7.18
9.84
11.04
12.12
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y
(
K
i
l
o
m
e
t
e
r
)Y
(
K
i
l
o
m
e
t
e
r
)
>=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
11.54
7.36
10.31
6.26
10.21
9.38
7.69
3.81
2.46
9.43 9.59
11.11
4.32
11.22
9.43
5.96
7.26
6.87
6.60
9.22
7.52
7.18
9.84
11.04
12.12
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y
(
K
i
l
o
m
e
t
e
r
)Y
(
K
i
l
o
m
e
t
e
r
)
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A
Distancia inversa
Kriging
Kriging
Planteamiento bsico de la estimacin por Kriging:
Considerar la estimacin de como una combinacin lineal de las
observaciones disponibles
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
( ) ( ) | | u Z u Z
*
var sea mnima
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,
( ) ( ) conocida es y m m u Z E =
1 CASO. m = 0
Bajo esta condicin se asegura que el estimador de kriging es insesgado, ya
que
KRIGING SIMPLE
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
( ) ( ) | | ( )
(
'
=
=
1
0
*
var var
o
o o
u Z u Z u Z
Entonces
( ) ( ) ( ) ( ) ( ) ( ) ( )
1 0 1 0 1
2
1 0
2
0
, cov 2 var var u Z u Z u Z u Z + =
( )
1 1
2 2
1
2
cov 2 u u + = o o
Kriging Simple
u u = =
'
=
'
0 0
, , 1
o o
( ) ( ) | |
( ) 0 cov 2 2
var
1
2
1
1
*
= =
c
c
u u
u Z u Z
o
=
o
'
=
=
2
0
*
var var
o
o o
u Z u Z u Z
( ) ( ) ( ) ( ) ( ) ( )
2
2
2 1
2
1 0
2
0
var var var u Z u Z u Z + + =
+
( ) ( ) ( )
2 0 2 1 0 1 2 1 2 1
cov 2 cov 2 cov 2 u u u u u u
Kriging Simple
u u = =
'
=
'
0 0
, , 1
o o
Ahora hay dos parmetros desconocidos y por lo tanto hay que calcular dos
derivadas e igualarlas a cero
( ) ( ) | |
( ) ( ) 0 cov cov
var
1 0 2 1 2
2
1
1
*
= + =
c
c
u u u u
u Z u Z
o
( ) ( ) | |
( ) ( ) 0 cov cov
var
2 0 1 2 1
2
2
2
*
= + =
c
c
u u u u
u Z u Z
o
De esta manera se obtiene un sistema de dos ecuaciones con dos incgnitas que
se puede escribir en forma matricial como:
( ) ( )
( ) ( )
( )
( )
(
=
(
2 0
1 0
2
1
1 2
2 1
0
0
u u C
u u C
C u u C
u u C C
Kriging Simple
( ) ( ) | | ( ) ( )
2 0 2 1 0 1
2 *
var u u C u u C u Z u Z = o
Utilizando el hecho de que los parmetros resuelven el sistema de ecuaciones se
obtiene que:
( )
=
=
2
1
0
2
o
o o
o u u C
Nuevamente, el error no depende directamente de los datos si no de la
continuidad espacial de estos.
Kriging Simple
Utilizando el hecho de que los valores s resuelven el sistema de ecuaciones se
puede demostrar que:
( ) ( ) ( ) ( ) 0 ,
* *
= u Z u Z u Z Cov
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
( ) | | ( ) ( ) ( ) ( ) | | u Z u Z u Z u Z
* *
var var var + =
Lo que muestra que:
( ) | | ( ) | | u Z u Z var var
*
s
Kriging Simple
El caso general se obtiene de manera anloga:
( ) ( ) | | ( )
(
'
=
=
N
u Z u Z u Z
0
*
var var
o
o o
( ) ( ) ( )
= =
+ =
| o
| o | o o
o
o
u u u Z
N
cov var
0
2
Derivando respecto a cada uno de los parmetros e igualando a cero se
obtiene un sistema de N ecuaciones con N incgnitas
Kriging Simple
u u = =
'
=
'
0 0
, , 1
o o
Relacin entre las observaciones
Relacin de las
observaciones con el
punto a estimar
o equivalentemente
( ) ( ) N i u u C u u C
i j i
N
j
j
, , 2 , 1
1
= =
=
Kriging Simple
La varianza del error o varianza del kriging es entonces:
( ) ( ) | | ( )
=
=
N
u u C u Z u Z
1
0
2 *
var
o
o o
o
Nuevamente, el error no depende directamente de los datos si no de la
continuidad espacial de estos.
Kriging Simple
2 CASO. m = 0
En este caso se consideran nuevas funciones aleatorias de media cero para
aplicar el caso de kriging simple estudiado anteriormente.
( ) ( ) m u Z u Y = :
La nueva funcin aleatoria es estacionaria y tiene media cero, por lo cual el
estimador de kriging simple es:
Kriging Simple
Que ocurre si todos los valores observados son no correlacionados
entre si ?
Y la solucin es
( )
( )
o
o
o
o
u u
u u C
=
=
2
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 ?
Como la matriz es invertible la solucin es: N , , 2 , 1 0 = = o
o
Y el estimador de kriging simple es entonces:
( ) m u Z =
*
Kriging Simple
Que ocurre si el punto a estimar est fuera del rango de la funcin de
covarianza ?
Kriging Simple
Kriging Simple
Una propiedad muy importante del kriging simple es la siguiente: Si la
funcin aleatoria Z(x) es gaussiana entonces:
( ) ( ) ( ) ( ) ( ) ( ) u Z u Z u Z u Z u Z E
N
*
2 1
, , , / =
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
Generalmente el valor de la media m es desconocido y por lo tanto no
se puede utilizar el kriging simple.
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
Kriging Ordinario
Para que el estimador sea insesgado debe ocurrir
De esta forma, como
debe ocurrir que:
Kriging Ordinario
Kriging Ordinario
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
Considrese una nueva funcin u de la forma siguiente:
( ) ( ) ( ) ( ) |
.
|
\
|
+ = u
=
N
i
i N
u Z u Z
1
*
1
1 2 var , , ,
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 u no existen restricciones, por lo que slo
hay que calcular las derivadas e igualarlas a cero.
( )
N j
j
N
, , 2 , 1 0
, , ,
1
= =
c
u c
( )
0
, , ,
1
=
c
u c
Kriging Ordinario
( ) ( ) ( ) | |
N j
u Z u Z
j j
N
, , 2 , 1 2
var , , ,
*
1
=
c
c
=
c
u c
( )
|
.
|
\
|
=
c
u c
=
N
N
1
1
1 2
, , ,
o
o
Kriging Ordinario
Igualando a cero las derivadas se tiene que:
( ) ( ) | |
N j
u Z u Z
j
, , 2 , 1 2
var
*
= =
c
c
Kriging Ordinario
Sabemos que:
( ) ( ) | |
( ) ( )
j
N
j
j
u u u u
u Z u Z
=
c
c
=
cov 2 cov 2
var
1
*
o
o o
=
o
o o
Kriging Ordinario
El sistema de ecuaciones se puede escribir en forma matricial como:
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( )
( )
( )
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
(
1 0 1 1 1 1
1 0
1 0
1 0
2
1
2
1
2 2
2 1 2
1 2 1
N N N N
N
N
u u C
u u C
u u C
C u u C u u C
u u C C u u
u u C u u C C
=
o
o o
( ) ( ) N j u u u u
j
N
j
, , 2 , 1
1
= = +
=
o
o o
Y el sistema de ecuaciones escrito en forma matricial es entonces
( ) ( )
( ) ( )
( ) ( )
( )
( )
( )
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
(
1 0 1 1 1 1
1 0
1 0
1 0
2
1
2
1
2 2
2 1 2
1 2 1
N N N N
N
N
u u
u u
u u
u u u u
u u u u
u u u u
Kriging Ordinario
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.
Que ocurre si todos los valores observados son no correlacionados
entre si ?
( )
( )
( )
( )
( )
( )
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
(
1 0 1 1 1 1
1 0 0 0
1 0 0 0
1 0 0 0
2
1
2
1
N N
u u C
u u C
u u C
C
C
C
( ) ( ) N j u u C C
j j
, , 2 , 1 0 = =
( )
( )
N j
C
u u
j j
, , 2 , 1
0
= + =
Kriging Ordinario
Kriging Ordinario
Utilizando la condicin de insesgamiento se puede obtener el valor del
parmetro de Lagrange:
( ) ( )
=
=
N
j
j
u u C N C
1
0
( )
( )
( )
( )
(
=
=
=
=
N
j
j
N
j
j
u u
N
C
u u C
N N
C
1
1
1
0
1 0
=
1
1
=
=
N
j
m
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 u Z
ok sk
* *
=
Kriging Ordinario
3) La condicin de insesgamiento es:
( )
= =
+ =
'
N
j
m
j j
N
j
j
1 1
= =
+ =
N
j
N
j
m
j j
1 1
=
+ =
N
j
j
1
1 =
Kriging Ordinario
4) El sistema de ecuaciones es:
( ) ( ) ( )
j i
N
j
m
j j
N
j
j i j
u u C u u C + =
'
= = 1 1
( ) ( )
= =
+ =
N
j
N
j
j i
m
j j i j
u u C u u C
1 1
( )
m i
u u C + =
Y por lo tanto
( ) ( )
i
N
j
j i j
u u C u u C =
'
'
=
1
Lo cual completa la prueba
Kriging Ordinario
Finalmente, si se asume que la media es conocida procediendo como
antes se puede demostrar que:
( )
* 2 2 2
var m
sk ok
o o + =
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
sk ok
o o >
La pendiente de la regresin lineal
La pendiente de la regresin de Z utilizando la estimacin de kriging
simple es
( ) ( ) ( )
)) ( var(
, cov
*
*
u Z
u Z u Z
b
sk
sk
=
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
Kriging Ordinario
Z
sk
Z
En el caso de kriging ordinario se tiene que
+
=
)) ( ), ( cov(
) ) ( ), ( cov(
*
*
u Z u Z
u Z u Z
b
ok
ok
Kriging Ordinario
Y por lo tanto el estimador de kriging ordinario no es condicionalmente
insesgado.
Z
sk
Z
11.54
7.36
10.31
6.26
10.21
9.38
7.69
3.81
2.46
9.43 9.59
11.11
4.32
11.22
9.43
5.96
7.26
6.87
6.60
9.22
7.52
7.18
9.84
11.04
12.12
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y
(
K
i
l
o
m
e
t
e
r
)
Y
(
K
i
l
o
m
e
t
e
r
)
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A
Imagen original
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y
(
K
i
l
o
m
e
t
e
r
)
Y
(
K
i
l
o
m
e
t
e
r
)
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A
Kriging ordinario
11.54
7.36
10.31
6.26
10.21
9.38
7.69
3.81
2.46
9.43 9.59
11.11
4.32
11.22
9.43
5.96
7.26
6.87
6.60
9.22
7.52
7.18
9.84
11.04
12.12
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y
(
K
i
l
o
m
e
t
e
r
)
Y
(
K
i
l
o
m
e
t
e
r
)
>=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
Inverso de la distancia
Kriging Ordinario
1
F
Dado un conjunto cualquiera F, se define su funcin indicadora como:
( )
e
=
no si
F x si
x
F
0
1
1
Este tipo de funciones indican simplemente si el punto en que se
evalan se encuentra o no en el conjunto especificado.
1
x
2
x
( ) 1 1
1
= x
F
( ) 0 1
2
= x
F
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 = F x P x E
F
1
Proporcin de la facies F en el yacimiento
De particular inters es considerar variables indicadoras de facies.
1
F
Considrese el caso donde se tiene interpretacin de facies en un pozo
Facies 1
Facies 2
1
1
1
1
1
0
0
1
1
1 F
0
0
0
0
0
1
1
0
1
2 F
( )
e
=
no si
F x si
x
F
0
1
1
( ) ( ) % 75
8
6
1
1
~ = x E
F
( ) ( ) % 25
8
2
1
2
~ = x E
F
1
F
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 .
1
F
Unidad 2
Unidad-5
Unidad 1 Unidad-4
1
F
En el caso de variables indicadoras el variograma es:
( ) ( ) ( ) | |
) (
1 1
2
1
2
F h x y F x P
x h x E h
F F
F
e + e =
+ =
A partir de este se obtiene la continuidad espacial y la longitud promedio
en distintas direcciones de la facies en estudio.
Distancia
V
a
r
i
o
g
r
a
m
a
R
1
R
2
1
F
Propiedades
1) ( ) ( ) | | 1 , 0 ) (
1
e = e = p F x P x E
F
( ) ( ) ( ) 25 . 0 1
1
var s = p p x
F
2) ( ) 5 . 0 s h
F