Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Multivariate Geostat
Multivariate Geostat
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 funcin de tendencia para guiar la estimacin de la
propiedad.
ZS
ZS
Si Z y S son funciones aleatorias estacionarias o intrnsecas, el variograma
cruzado de ellas se define como :
*
ZS ( h)
1
2 N h
( z ( xi ) z ( x j ))(s( xi ) s( x j ))
xi x j h
ZS
Algunas propiedades del variograma cruzado son:
1) ZS 0 0
2) ZS h ZS h
3) ZS h SZ h El variograma cruzado es una funcin simtrica
CZS h E Z x mZ S x h mS
ZS
La funcin de covarianza cruzada se relaciona con el variograma cruzado a
travs de la ecuacin
C ZS h C SZ h
ZS h 2
Z h S h Desigualdad de Hlder
2 2
ZS Z
22
S
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
ZS
Las ecuaciones anteriores se puede escribir en forma matricial como:
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
ZS
El uso del modelo de coregionalizacin lineal tiene las siguientes consecuencias:
ZS
h
Cokriging Z cok u
*
Ejemplo:
N M
*
Z cok u u Z u + u S x
1 1
N N1 NK
*
Z cok u u Z u + u S1 x
1 1
+ + K
u S K x K
1 1 1 K 1
Nj
u S j x
N K
*
Z cok u u Z u +
j 1 j 1
j j
1
Cokriging Z cok u
*
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
N N1
*
Z cok u m u Z u m u S1 x m1
1 1
1 1 1
Cokriging Z cok u
*
2) var[Z u Z cok
*
u ] mnima
E Z u m 0
E S1 x 1 m1 0
Con lo cual,
*
E ( Z cok (u )) m E Z u
Cokriging Z cok u
*
*
var[Z (u ) Z cok (u )]
0 j 1,2, , N
j
*
var[Z (u ) Z cok (u )]
0 j 1,2, , N1
j
* * *
var[Z (u ) Z cok (u )] var[Z (u )] var[Z cok (u )] 2 cov(Z (u ), Z cok (u ))
T1 T2 T3
Cokriging Z cok u
*
T1 var[Z (u )] 2
*
T2 var[Z cok (u )]
*
T3 2 cov(Z (u ), Z cok (u )) 2 i CZ (u ui ) 2 j CZS (u x j )
Cokriging Z cok u
*
* N N
var[Z (u ) Z cok
i
(u )]
2 j CZ ui u j 2 j CZS ui x j 2CZ u ui i 1,2, , N
j 1 j 1
* N N
var[Z (u ) Z cok
i
(u )]
2 j CS xi x j 2 j C ZS ui x j 2CZS (u xi ) i 1,2, , N1
j 1 j 1
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 C Z u2 u N | CZS u2 x1 CZS u2 x2
CZS u2 x N1
C u u
2 Z 2
|
CZ u N u1 CZ u N u2 CZ 0 | CZS u N x1 CZS u N x2
CZS u N x N1
N CZ u u N
|
C u x
CSZ x1 u1 CSZ x1 u2 CSZ x1 u N | CS 0 CS x1 x2
CS x1 x N1 1 S 1
C x u C x u CSZ x2 u N | CS x2 x1 CS 0
C S x2 x N 1 2 CS u x2
SZ 2 1 SZ 2 2
|
C x u C x u
CSZ xN1 u N |
CS x N1 x1
C S x N 1 x2 CS 0
N1 CS u x N1
SZ N1 1 SZ N1 2
CZ CZS CZu
C
SZ CS CSu
Cokriging Z cok u
*
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
Nj
u S j x
N K
*
Z cok u u Z u +
j 1 j 1
j j
1
Con lo cual,
K Nj
*
E ( Z cok (u )) m m j j
j 1 j 1
CZ C ZS 1 0 C Zu
C CS 0 1 C Su
SZ
1 0 0 0 1 1
0 1 0 0 2 0
Cokriging Z cok u
*
OBSERVACIONES
2) Debe existir una correlacin lineal entre las variable principal y las variables
secundarias
Tope
Base
!
Collocated Cokriging Z ck u
*
N
*
Z ck u u Z u (u ) S (u )
1
E Z u m y m es conocida
E S u mS y mS es conocida
N
*
Z ck u m u (Z u m) (u )( S (u ) mS )
1
* N
var[Z (u ) Z ck
i
(u )]
2 j CZ ui u j 2 CZS ui u 2 CZ u ui i 1,2, , N
j 1
* N
var[Z (u ) Z ck (u )]
2 S 2 j C ZS ui u 2CZS (0)
2
i 1
CZ 0 CZ u1 u2 C Z u1 u N CZS u1 u 1 CZ u1 u
CZ u2 u1 CZ 0 C Z u2 u N CZS u2 u C u u
2 Z 2
CZ u N u1 CZ u N u2 CZ 0 CZS u N u
N Z N C u u
CZS u1 u C ZS u2 u CZS u N u S2 CZS 0
C ZS h b C Z h h
Esta hiptesis tiene sentido porque se asume una relacin lineal entre las variables.
Adems, en particular se tiene que:
0 C ZS 0 / CS 0 CZ 0
b CZS CS 0 CZ 0
CZ 0 CZ 0
ZS
CS 0 CZ 0
CZ 0
CS 0
ZS
CZ 0
Collocated Cokriging Z ck u
*
En consecuencia,
CS 0
C ZS h ZS C Z h h
CZ 0
Al igual que en el caso del cokriging ordinario se asume que las medias de la
variable principal y la variable secundaria son desconocidas y constantes.
Bajo esta suposicin, la forma del estimador es distinta puesto que si se utiliza la
anterior se obtiene =0 y la variable secundaria no es tomada en cuenta.
N N
*
Z ck u w(u ) S (u ) u Z u u S u
1 1
N N
1 y w 0
1 1
CZ CZS cZS 1 0 cZ
C CS cS 0 1 c
ZS ZS
cZS
t
cst S2 0 1 w ZS
t
1 0t 0 0 0 1 1
0t 1t 1 0 0 2 0
Kriging Factorial Z fk u
*
Z u Z1 u Z 2 u Z K u
Z u m Z1 u Z 2 u Z K u
CZ h C1 h C K h
CASO 1
Se asume que Z es una funcin aleatoria estacionaria con media igual a cero que
se descompone como suma de K factores aleatorios de media cero e
independientes.
Z u Z1 u Z 2 u Z K u
Z *j u u Z u j 1, 2, K
Como la variable y cada uno de los factores tienen media cero se obtiene
directamente que:
E Z *j u E Z j u
Respecto a la varianza del error, se tiene que:
var[Z j u Z *j u ] 2j var[Z *j u ] 2 cov Z j u , Z *j u
2j CZ u u 2 cov Z j (u ), Z i (u )
, i
Independencia de los
factores
2j CZ u u 2 C j u u
,
Kriging Factorial Z fk u
*
var[Z j u Z *j u ]
2 C Z u u 2 C j u u 1,2, N
CZ u u C j u u 1,2, N
CZ 0 CZ u1 u2 CZ u1 u N 1 C j u1 u
C u u CZ 0 CZ u2 u N C u u
Z 2 1 2 j 2 Vector asociado a la
funcin de covarianza del
factor j
C Z u N u1 CZ u N u2 CZ 0 C
N j N u u
Observar que:
2) Si alguno de los factores est asociado a un effecto nugget puro entonces este
no se puede estimar. Este procedimiento slo cambia los valores de las variable Z
en los puntos observados.Para efectos prcticos es mejor no considerarlo en la
descomposicin.
X (Kilometer)
Z
0. 10. 20. 30. 40.
>=12.9686
12.1258
11.2829
10.44
40. 40. 9.59716
8.75429
7.91142
7.06856
6.22569
5.38282
4.53995
Y (Kilometer)
30. 30. 3.69708
2.85422
2.01135
1.16848
Y (Kilometer)
0.325613
-0.517255
-1.36012
20. 20. -2.20299
-3.04586
-3.88873
-4.73159
-5.57446
-6.41733
10. 10. -7.2602
-8.10307
-8.94593
-9.7888
-10.6317
-11.4745
-12.3174
0. 0. -13.1603
0. 10. 20. 30. 40. <-14.0031
X (Kilometer) N/A
4.5
Z 4
3.5
3
2.5
2
1.5
1
0.5
0
0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
Kriging Factorial Z fk u
*
X (Kilometer)
0. 10. 20. 30. 40.
2.5
>=9.28523
8.70756
8.12989
7.55222
40. 40. 6.97455
6.39688
5.81921
2
5.24154
4.66386
4.08619
3.50852
Y (Kilometer)
30. 30. 2.93085
2.35318 1.5
1.77551
1.19784
Y (Kilometer)
0.620167
0.0424957
-0.535175
20. 20. -1.11285 1
-1.69052
-2.26819
-2.84586
-3.42353
-4.0012
10. 10. -4.57887
-5.15654
0.5
-5.73421
-6.31189
-6.88956
-7.46723
-8.0449
-8.62257 0
0. 0. <-9.20024
0. 10. 20. 30. 40. 0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
X (Kilometer) N/A
X (Kilometer)
0. 10. 20. 30. 40. 2.5
>=7.15479
6.71376
6.27273
5.8317 2
40. 40. 5.39067
4.94964
4.50861
4.06758
3.62655
3.18553 1.5
2.7445
Y (Kilometer)
0.539347
0.0983174 1
-0.342712
20. 20. -0.783742
-1.22477
-1.6658
-2.10683
-2.54786
-2.98889
0.5
10. 10. -3.42992
-3.87095
-4.31198
-4.75301
-5.19404
-5.63507 0
-6.0761
0. 0. -6.51713
<-6.95816
0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
0. 10. 20. 30. 40.
X (Kilometer) N/A
Kriging Factorial Z fk u
*
CASO 2
Se asume que Z es una funcin aleatoria estacionaria con media igual a m que se
descompone como suma de K factores aleatorios de media cero e
independientes.
Z u m Z1 u Z 2 u Z K u
Z *j u u Z u j 1, 2, K
Ahora se tiene que
E Z *j u m E Z i u
i
Kriging Factorial Z fk u
*
Y por lo tanto, para que el estimador sea insesgado se debe imponer la condicin
N
CZ u u C j u u 1,2, , N
1
N
u 1
1
Kriging Factorial Z fk u
*
CZ 0 CZ u1 u2 CZ u1 u N 1 1 C j u u1
C u u CZ 0 CZ u2 u N 1 C u u
Z 2 1 2 j 2 Vector asociado a
la funcin de
covarianza del
CZ u N u2 CZ u N u2 CZ 0 1 N j C u u
N factor j
1 1 1 1 0 1
CASO 3
Se asume que Z es una funcin aleatoria con una funcin de tendencia m(u)
conocida que se descompone como suma de K factores aleatorios de media cero
e independientes.
Z u m u Z1 u Z 2 u Z K u
Z *j u u Z u j 1, 2, K
Ahora se tiene que
E Z *j u m u E Zi u
i
Kriging Factorial Z fk u
*
Y por lo tanto, para que el estimador sea insesgado se debe imponer la condicin
m u 0
Ahora se procede como en el caso de kriging universal y se obtiene el sistema de
ecuaciones
N
CZ u u mu C j u u 1,2, , N
1
N
m u 0
1
Kriging Factorial Z fk u
*
CASO 4
Se asume que Z es una funcin aleatoria con una funcin de tendencia m(u)
desconocida que se descompone como suma de K factores aleatorios
independientes.
Z u Z1 u Z 2 u Z K u
E Z u E Z1 u E Z 2 u E Z K u
El problema puede ser resuelto asumiendo dos condiciones que a priori resultan
arbitrarias.
Kriging Factorial Z fk u
*
Se asume que solo uno de los factores est asociado a la funcin de tendencia
que se observa en la variable Z mientras que los otros tienen media cero. Asi,
se tendra por ejemplo:
E Z j u 0 j 1,2, K 1
E Z K u m u
L
m u a j f j u f0 1
j 0
Kriging Factorial Z fk u
*
De esta forma,
E Z *j u E Z K u
al fl u
l
fl u 0 si j K
fl u fl u si j K
Kriging Factorial Z fk u
*
N
CZ u u l fl u C j u u 1, 2, , N
1 l
N
fl u jK fl u
1
Donde
1 si i j
i j (Funcin Delta de Kronecker)
0 si no
Kriging Factorial Z fk u
*
FILTERING
Hasta ahora se ha visto como estimar cada uno de los factores presentes en la
descomposicin de Z.
Z u Z1 u Z 2 u Z K u
Z f (u )
Z *f (u ) Z u
es insesgado. Adems, la varianza del error es
var[Z f u Z *f u ] var[Z f u ] var[Z *f u ] 2 cov Z f u , Z *f u
K
var[Z f u ] 2j Por la independencia de los factores
j 2
var[Z *f u ] i j CZ ui u j
i, j
cov Z f u , Z *f cov Z f u , Z u CZ f u u Por la independencia de los
factores
Kriging Factorial Z fk u
*
En consecuencia,
var[Z f u Z *f u ]
2 C Z u u 2 C Z f u u 1,2, N
CZ u u CZ u u f
1,2, N
CZ 0 CZ u1 u2 CZ u1 u N 1 CZ f u1 u
C u u CZ 0 CZ u2 u N C u u
Z 2 1 2 Zf 2
C u u
C Z u N u1 CZ u N u2 CZ 0
N Z f N
Kriging Factorial Z fk u
*
CZ f h CZ 2 h CZ 3 h CZ K h