Beruflich Dokumente
Kultur Dokumente
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.
A continuacin estudiaremos algunas tcnicas geoestadsticas propuestas para
obtener estimaciones de la propiedad de inters cuando se dispone de
observaciones de otras variables relacionadas con la variable en estudio.
Entre este tipo de tcnicas se encuentran:
Cokriging Simple y Ordinario
Cokriging colocado (collocated cokriging)
Geoestadstica multivariada
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto
ZS
ZS
Si Z y S son funciones aleatorias estacionarias o intrnsecas, el variograma
cruzado de ellas se define como :
1
ZS (h) 2 E[(Z ( x) Z ( x h)) (S ( x) S ( x h))]
Para su estimacin 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
ZS
Algunas propiedades del variograma cruzado son:
1)
ZS 0 0
2)
ZS h ZS h
3)
ZS h SZ h
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
1
ZS (h) CZS 0 2 CZS h CSZ h
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,
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:
ZS h
Z h S h
Desigualdad de Hlder
2 2
ZS
22
Z
S
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:
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:
Z (h) ZS h u1 w1 1 (h)
0
1(h)
ZS (h) S (h) w1 v1 0
0
um wm m (h)
w
m (h)
m vm 0
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:
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.
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.
ZS
Cokriging Z cok u
*
Combinacin lineal de
la variable principal
u Z u
u S x
Combinacin lineal de
la variable secundaria
Cokriging Z cok u
*
N1
u Z u
u S1 x
1 1
Combinacin lineal de
la variable principal
*
u
Z cok
+
K 1
Combinaciones lineales de
las variables secundarias
u Z u
NK
Nj
u S j x
K
j 1 j 1
u S K x
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
E S j u m j
y m es conocida
y m j es conocida j
*
u m
Z cok
u Z u m
N1
u S1 x m1
1 1
Cokriging Z cok u
*
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
*
j 1,2, , N
j 1,2, , N1
*
*
*
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 )]
Covarianza de la
variable principal
Covarianza de la
variable secundaria
*
T3 2 cov(Z (u ), Z cok
(u )) 2 i CZ (u ui ) 2 j CZS (u x j )
Cokriging Z cok u
*
i 1,2, , N
N
N
*
var[Z (u ) Z cok
(u )]
2 j CS xi x j 2 j C ZS ui x j 2CZS (u xi ) i 1,2, , N1
i
j 1
j 1
Cokriging Z cok u
*
CZ 0
CZ u1 u2
C u u
CZ 0
Z 2 1
CZ u N u1 CZ u N u2
CSZ x1 u1 CSZ x1 u2
C x u C x u
SZ 2 2
SZ 2 1
C x u C x u
SZ N1 1 SZ N1 2
CZ u1 u N
C Z u2 u N
CZ 0
CSZ x1 u N
CSZ x2 u N
CSZ xN1 u N
|
|
|
|
|
|
|
|
|
CZS u1 x1
CZS u2 x1
CZS u N x1
CS 0
CS x2 x1
CS x N1 x1
CZ CZS CZu
SZ CS CSu
CZS u1 x2
CZS u2 x2
CZS u N x2
CS x1 x2
CS 0
C S x N 1 x2
CZS u1 xN1
CZS u2 x N1
CZS u N x N1
CS x1 x N1
C S x2 x N 1
CS 0
1 CZ u u1
C
u
u
2
2
N CZ u u N
C u x
1
1 S
2 CS u x2
N1 CS u x N1
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
*
u
Z cok
u Z u
Nj
u S j x
K
j 1 j 1
Con lo cual,
*
E ( Z cok
(u )) m
Nj
j 1
j 1
m j
Nj
j 1
j 1,2, , K
Cokriging Z cok u
*
C ZS
CZ
C
SZ
1
CS
0
0 0 2
1 0
0 1
0 0
C Zu
C Su
1
0
Cokriging Z cok u
*
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 Z cok u
*
Cokriging Z cok u
*
Cokriging Z cok u
*
Tope
Base
Cokriging Z cok u
*
*
Collocated Cokriging Z ck u
u Z u
(u ) S (u )
*
Collocated Cokriging Z ck u
E Z u m
E S u mS
y m es conocida
y mS es conocida
*
u m
Z ck
u (Z u m)
(u )( S (u ) mS )
*
Collocated Cokriging Z ck u
N
*
var[Z (u ) Z ck
(u )]
2 j CZ ui u j 2 CZS ui u 2 CZ u ui
i
j 1
i 1,2, , N
N
*
var[Z (u ) Z ck
(u )]
2
2 S 2 j C ZS ui u 2CZS (0)
i 1
*
Collocated Cokriging Z ck u
CZ 0
CZ u1 u2
CZ u2 u1
CZ 0
CZ u N u1 CZ u N u2
CZS u1 u C ZS u2 u
C Z u1 u N CZS u1 u
C Z u2 u N CZS u2 u
CZ 0
CZS u N u
CZS u N u
S2
1 CZ u1 u
C u u
2 Z 2
C
u
N Z N
CZS 0
*
Collocated Cokriging Z ck u
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
CZ 0
b CZS
C ZS 0 /
ZS
CZ 0
CS 0 CZ 0
CZ 0
CS 0 CZ 0
CS 0
ZS
CZ 0
CS 0 CZ 0
*
Collocated Cokriging Z ck u
En consecuencia,
C ZS h
CS 0
ZS C Z h h
CZ 0
Correlacin lineal entre las
variables Z y S.
*
Collocated Cokriging Z ck u
w(u ) S (u )
u Z u u S u
Valores de la variable principal y la variable secundaria
medidos en los mismos puntos
*
Collocated Cokriging Z ck u
CZ
C
ZS
CZS
CS
cst
t
1
0t
0t
1t
t
cZS
cZS 1 0
cS 0 1
S2 0 1
0 0 0
1 0 0
cZ
c
ZS
w ZS
1 1
2 0
*
Kriging Factorial Z fk u
Z u Z1 u Z 2 u Z K u
Los factores no son directamente observables, slo se cuenta con la observacin
Z(u).
La descomposicin anterior puede variar dependiendo de las condiciones
asumidas sobre la propiedad observada.
Por ejemplo, si se conoce el valor promedio m de la propiedad entonces se
considera
Z u m Z1 u Z 2 u Z K u
y los factores como funciones aleatorias independientes de media cero.
*
Kriging Factorial Z fk u
CZ h C1 h C K h
Y es esta relacin la que permite obtener estimaciones de cada una de los
factores en la descomposicin de la variable Z.
*
Kriging Factorial Z fk u
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
El estimador propuesto para el factor j es:
Z *j u
u Z u
j 1, 2, K
*
Kriging Factorial Z fk u
Como la variable y cada uno de los factores tienen media cero se obtiene
directamente que:
E Z *j u E Z j u
CZ u u 2 cov Z j (u ), Z i (u )
Independencia
factores
2j
CZ u u 2 C j u u
de
los
*
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
C u u
Z 2 1
C Z u N u1
CZ u1 u2 CZ u1 u N
CZ 0
CZ u2 u N
CZ u N u2
CZ 0
1 C j u1 u
C u u
2 j 2
C
u
N j N
Vector asociado a la
funcin de covarianza del
factor j
*
Kriging Factorial Z fk u
Observar que:
1) La matriz de kriging es siempre la misma y lo que cambia es el vector asociado
a la funcin de covarianza del factor j. Esto implica que es necesario invertir la
matriz slo una vez para obtener la estimacin de todos los factores.
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.
3) El nmero de factores se puede obtener a partir del nmero de estructuras
presentes en la funcin de covarianza o variograma de la variable Z
4) La descomposicin de la variable Z en factores debe tener sentido fsico y no
ser producto solamente de las estructuras observadas en el variograma.
*
Kriging Factorial Z fk u
X (Kilometer)
10.
20.
30.
40.
40.
40.
30.
30.
20.
20.
10.
10.
0.
0.
10.
20.
X (Kilometer)
30.
40.
0.
Y (Kilometer)
Y (Kilometer)
0.
>=12.9686
12.1258
11.2829
10.44
9.59716
8.75429
7.91142
7.06856
6.22569
5.38282
4.53995
3.69708
2.85422
2.01135
1.16848
0.325613
-0.517255
-1.36012
-2.20299
-3.04586
-3.88873
-4.73159
-5.57446
-6.41733
-7.2602
-8.10307
-8.94593
-9.7888
-10.6317
-11.4745
-12.3174
-13.1603
<-14.0031
N/A
4.5
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)
10.
20.
30.
40.
40.
40.
30.
30.
20.
20.
10.
10.
0.
0.
10.
20.
30.
40.
Y (Kilometer)
Y (Kilometer)
0.
0.
>=9.28523
8.70756
8.12989
7.55222
6.97455
6.39688
5.81921
5.24154
4.66386
4.08619
3.50852
2.93085
2.35318
1.77551
1.19784
0.620167
0.0424957
-0.535175
-1.11285
-1.69052
-2.26819
-2.84586
-3.42353
-4.0012
-4.57887
-5.15654
-5.73421
-6.31189
-6.88956
-7.46723
-8.0449
-8.62257
<-9.20024
2.5
2
1.5
1
0.5
0
0
N/A
X (Kilometer)
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)
10.
20.
30.
2.5
40.
40.
40.
30.
30.
20.
20.
10.
10.
0.
0.
10.
20.
X (Kilometer)
30.
40.
0.
Y (Kilometer)
Y (Kilometer)
0.
>=7.15479
6.71376
6.27273
5.8317
5.39067
4.94964
4.50861
4.06758
3.62655
3.18553
2.7445
2.30347
1.86244
1.42141
0.980377
0.539347
0.0983174
-0.342712
-0.783742
-1.22477
-1.6658
-2.10683
-2.54786
-2.98889
-3.42992
-3.87095
-4.31198
-4.75301
-5.19404
-5.63507
-6.0761
-6.51713
<-6.95816
N/A
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
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
El estimador propuesto para el factor j es:
Z *j u
u Z u
j 1, 2, K
E Z *j u m E Z i u
*
Kriging Factorial Z fk u
Y por lo tanto, para que el estimador sea insesgado se debe imponer la condicin
CZ u u C j u u
1
N
1,2, , N
*
Kriging Factorial Z fk u
CZ 0
CZ u1 u2
C u u
CZ 0
Z 2 1
CZ u N u2 CZ u N u2
1
1
CZ u1 u N
CZ u2 u N
CZ 0
1
1
1
1
0
1
2
N
C j u u1
C u u
2
j
C
u
u
N
j
Vector asociado a
la
funcin
de
covarianza
del
factor j
*
Kriging Factorial Z fk u
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
El estimador propuesto para el factor j es:
Z *j u
u Z u
j 1, 2, K
E Z *j u
m u E Zi u
*
Kriging Factorial Z fk u
Y por lo tanto, para que el estimador sea insesgado se debe imponer la condicin
m u 0
CZ u u mu C j u u
1
N
m u
1,2, , N
*
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
El problema que se tiene ahora es saber cul es la contribucin de cada uno de
los factores a la tendencia de la funcin Z ya que
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
Anlogamente al caso de kriging universal, se asume que la funcin de
tendencia es de la forma:
m u
a j f j u
j 0
f0 1
*
Kriging Factorial Z fk u
De esta forma,
E Z *j u
E Z K u
al fl u
fl u
0 si j K
fl u
fl u
si j K
*
Kriging Factorial Z fk u
CZ u u l fl u C j u u
1
N
fl u jK
1, 2, , N
fl u
Donde
1 si i j
i j
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.
Otra aplicacin posible es obtener una estimacin de la variable original Z pero
filtrando uno o varios factores.
Z u Z1 u Z 2 u Z K u
Z f (u )
Zf (u) se obtiene al filtrar la componente Z1 (u). Por consiguiente, una estimacin
de Z filtrando el valor de Z1 se obtiene al estimar Zf (u)
*
Kriging Factorial Z fk u
Z *f (u ) Z u
2j
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
*
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
CZ u u CZ u u
f
CZ 0
C u u
Z 2 1
C Z u N u1
CZ u1 u2 CZ u1 u N
CZ 0
CZ u2 u N
CZ u N u2
CZ 0
1,2, N
1 CZ f u1 u
C u u
2 Zf 2
C u u
N Z f N
1,2, N
*
Kriging Factorial Z fk u
CZ f h CZ 2 h CZ 3 h CZ K h