CG7

INSTITUTO MEXICANO DEL PETRLEO
GEOESTADSTICA
APLICADA
Tema: Geoestadstica
Multivariada
Instructores:
Dr. Martn A. Daz Viera (mdiazv@imp.mx)
Dr. Ricardo Casar Gonzlez (rcasar@imp.mx)
2004
Contenido
Introduccin
Momentos cruzados de segundo orden
Estimacin del covariograma
Anlisis estructural multivariado
Modelo de corregionalizacin lineal
Validacin del modelo de semivariograma cruzado
Cokriging Ordinario
Cokriging en el caso de funciones aleatorias intrnsecas
Cokriging en el caso no estacionario
Cokriging Colocado
Ejemplos de Aplicaciones del Cokriging
Dificultades y Aspectos Prcticos del Cokriging
Mtodos alternativos al Cokriging
10/10/2006
CG7-Geoestadstica Multivariada
Introduccin
La estimacin conjunta de variables aleatorias
regionalizadas, ms comnmente conocida como
Cokriging (Kriging Conjunto) es el anlogo natural
del Kriging de una funcin aleatoria.
Mientras que el Kriging utiliza la correlacin
espacial para determinar los coeficientes en el
estimador lineal, el Cokriging utiliza la correlacin
espacial y la correlacin entre funciones aleatorias
al mismo tiempo.
10/10/2006
Introduccin
Las aplicaciones multivariadas que han recibido

una mayor atencin en la geoestadstica son los
casos donde dos o ms variables estn
muestreadas, pero una est menos muestreada que
las otras o existe la presencia de errores de
muestreo.
Existe un nmero de dificultades prcticas, la ms
importante de todas es la ausencia de modelos
estndar para las covarianzas cruzadas o
covariogramas.
10/10/2006
Momentos Cruzados
de Segundo Orden
Estacionaridad de segundo orden para las F.A. Zi ( x ) y Z j ( x )
Covarianza cruzada
C ij ( h ) = E Z i ( x + h ) mi Z j ( x ) m j
Semivariograma cruzado (Covariograma)
ij ( h ) = E Z i ( x + h ) Z i ( x ) Z j ( x + h ) Z j ( x )
2
donde mi = E Z i ( x ) y m j = E Z j ( x ) valores esperados

Cuando i=j los momentos cruzados se convierten en la
covarianza y en la semivarianza.
10/10/2006

El mtodo ms usual para estimar
semivariograma cruzado es el siguiente:
el
1 N (h)
(h) =
[ Zi ( x k + h) Z i ( x k )] Z j ( x k + h) Z j ( x k )
2 N ( h) k =1
*
ij
donde N(h) es el nmero de pares y separados a

una distancia h=|h|.
Es una generalizacin del estimador del
semivariograma simple y por lo tanto adolece de
los mismos problemas y limitaciones.
10/10/2006

Ejemplo de covariograma estimado para dos FAs
10/10/2006

El anlisis estructural multivariado que se requiere
para el Cokriging es mucho ms complejo y
sofisticado que el que demanda el Kriging
Para modelar los variogramas cruzados de n FAs,
se deben estimar y modelar (ajustar) un total de
n(n+1)/2 variogramas simples.
El uso de modelos de variogramas autorizados o
combinaciones de stos no garantiza que la matriz
de covarianzas sea positiva definida.
10/10/2006

La manera ms aceptada para realizar un
anlisis estructural multivariado es mediante
un modelo de corregionalizacin lineal
(Goovaerts, 1997).
Existen otras metodologas menos difundidas
que usan mtodos espectrales y estn
basadas en el teorema de Bochner
(Christakos, 1992; Wackernagel, 1995).
10/10/2006

Un modelo de corregionalizacin lineal est
dado por
S
k =0
k =0
C ( h ) = V k k ( h ) Cij ( h ) = ijk k ( h )
en trminos de las covarianzas

S
k =0
k =0
( h ) = V k k ( h ) ij ( h ) = ijk k ( h )
en trminos de las semivarianzas.

10/10/2006
10

Se interpreta como S+1 estructuras anidadas a
diferentes escalas.
Las matrices de corregionalizacin Vk son las
matrices de covarianzas que describen la
correlacin multivariada a la escala k.
Note que a cada escala le corresponde una
estructura elemental o bsica
Si determinada estructura bsica no est presente,
se le hace corresponder un coeficiente cero en la
matriz
10/10/2006
11

Para establecer un modelo de corregionalizacin
lineal se debe probar que las matrices de
coeficientes Vk son positivas semidefinidas.
Por definicin, una matriz es positiva semidefinida
(Golub y Van Loan, 1989) si
b V k b 0,
T
donde b es un vector cualquiera.

Cuando una matriz es positiva semidefinida sus
valores propios y los determinantes de ella y de
todos sus menores principales son no negativos.
10/10/2006
12

Modelo de corregionalizacin lineal para dos FAs
11 ( h) 12 ( h) 110 120
11S 12S
= 0 0 0 ( h) +... + S S S ( h)
21 22
21 ( h) 22 ( h) 21 22
Para asegurar de que el modelo sea vlido es
suficiente probar que
11k > 0 y 22k > 0, k = 0,..., S

12k 11k 22k , k = 0,..., S
10/10/2006
13
El esquema general del Anlisis Estructural Multivariado
1.
Modelar cada semivariograma simple y semivariograma

cruzado individualmente
Determinar el nmero de estructuras anidadas de manera
que sea mnimo (es deseable que sea cuanto ms tres)
Comprobar que todos los determinantes de los menores de
orden dos son no negativos.
Verificar que todas las matrices de corregionalizacin
sean positivas semidefinidas, en caso contrario hacer los
cambios necesarios hasta satisfacer la condicin o volver
al paso 2.
2.
3.
4.
10/10/2006
14

Ejemplo de ajuste del variograma cruzado
Variables
Ln Pluv.Ln Radar
Modelo
Esfrico
10/10/2006
Nugget
Sill-Nugget
Alcance
AIC
0.17
0.647
20.00
-119
15

Ejemplo de ajuste del modelo de corregionalizacin lineal
Variables
Modelo
Nugget
Sill-Nugget
Alcance
AIC
Ln Pluv.
Esfrico
0.20
0.90
20.00
-119
Ln Radar
Esfrico
0.20
0.66
20.00
-122
Ln Pluv.
- Ln Radar
Esfrico
0.17
0.65
20.00
-119
10/10/2006
16

Ejemplo de ajuste del modelo de corregionalizacin lineal
El modelo de corregionalizacin lineal resultante de Ln Pluv.
y Ln Radar es:
PP ( h ) PR ( h ) 0.20 0.17
0.90 0.65
=
+
h

0( )
1 ( h)
h
h
0.17
0.20
0.65
0.66
RP ( ) RR ( )
donde 0 ( h ) es el modelo nugget, y 1 ( h ) es el modelo

esfrico con alcance 20 Km.
Se puede observar que el modelo es vlido, ya que los
determinantes son positivos:
0.20 0.17
0.90 0.65
det
=
0.011
>
0,
det
= 0.172 > 0
0.17
0.20
0.65
0.66
10/10/2006
17
Validacin del modelo de

semivariograma cruzado
Consiste en estimar por Cokriging los valores en los
puntos muestrales usando el procedimiento de leave
one out.
Con los valores estimados y sus correspondientes
varianzas de la estimacin se calculan los criterios
convencionales de la validacin cruzada para una
variable (error medio, error cuadrtico medio,
etc,...)
Primero validar los semivariogramas simples por
separado y luego los cruzados de manera conjunta.
10/10/2006
18
Cokriging Ordinario
Sistema de ecuaciones:
n j
C ( x i x j ) + M = C ( x i x )
j =1
n
j = I,
i = 1,..., n
j =1
*
1
( x ) = ( 11j Z1 ( x j ) + 12j Z 2 ( x j ) )
*
2
( x ) = ( 21j Z1 ( x j ) + 22j Z 2 ( x j ) )
Z
Estimador:
j =1
n
Z
10/10/2006
j =1
19
Cokriging Ordinario
Varianza total de la estimacin
2
CK
= Tr C ( 0 ) Tr
C ( x x j ) Tr M
n
j =1
la cual representa una varianza acumulada

Varianza de la estimacin de cada variable
2
CK 1
= C11 ( 0 )
C11 ( x x j ) + 21j C21 ( x x j ) 11
j
11
j =1
2
CK 2
= C22 ( 0 )
j
12
j =1
10/10/2006
j =1
C12 ( x x j ) + 22j C22 ( x x j ) 22
j =1
20
Cokriging Ordinario
Ecuaciones del Cokriging en forma matricial
C ( x1 x1 )
...
C ( x n x1 )
I C ( x1 x )

...
...
... ...
...
=
n
C ( x n x )
... C ( x n x n ) I

...
I
0
I
... C ( x1 x n )
C11 ( x y ) C12 ( x y )
C ( x y) =
C
x
y
C
x
y
(
)
(
)
22
21
donde
11k 12k
11
1 0
= k
I
=
=
,
,
0 1
k
21
21
22
k
10/10/2006
12
22
21
Cokriging Ordinario
Observaciones prcticas:
La matriz de coeficientes es simtrica a pesar de
que la asimetra de C ( x y )
Todas las entradas son invertibles (excepto 0) de
forma tal que puede ser reducida a una matriz
triangular mediante la operacin con matrices de
menor dimensin y as simplificar el cmputo.
Cuando las FAs no estn correlacionadas entonces
el sistema se convierte en n sistemas de ecuaciones
de Kriging separados.
10/10/2006
22
Cokriging en el caso de funciones

aleatorias intrnsecas
La hiptesis intrnseca es:
E Z i ( x + h ) Z i ( x ) = 0,
i = 1, 2
Cov Zi ( x + h) Zi ( x) , Z j ( x + h) Z j ( x) = 2 ij ( h) , i, j = 1,2
Entonces la matriz de semivarianzas cruzadas sustituye

en el sistema de ecuaciones del cokriging a la matriz de
covarianzas.
( x y) C ( x y)
El sistema de ecuaciones resultante es completamente

anlogo al caso con estacionaridad de segundo orden
10/10/2006
23
Cokriging en el caso no estacionario
Cuando las FAs son no estacionarias, entonces las

ecuaciones del Cokriging de la seccin anterior pueden
ser extendidas de forma anloga al Kriging Universal
para una variable.
Pero como en el caso de una variable resulta poco

prctico su aplicacin debido al no conocimiento a priori
de los rdenes de las tendencias y los modelos de los
covariogramas.
Es preferible aplicar un enfoque del tipo Kriging

Residual a cada FA por separado y luego aplicar el
Cokriging Ordinario a los residuos en conjunto.
10/10/2006
24
Ejemplos de Aplicaciones del

Cokriging
Estimacin de una combinacin lineal de FAs
Existen dos enfoques posibles:
Estimacin directa: Se toma el conjunto de datos multivariados y
formar una combinacin lineal para obtener un nuevo conjunto de
datos para la variable construida, entonces es calculado el variograma
muestral, luego modelado y finalmente se le aplica el Kriging.
Estimacin conjunta: Consiste en estimar cada variable y luego
construir la combinacin lineal. Este puede ser llevado a cabo mediante
la estimacin de cada variable por separado o de manera conjunta con
Cokriging.
El problema de variables pobremente muestreadas
En contraste con los problemas donde el inters es estimar varias
funciones aleatorias simultneamente mediante el uso del estimador
Cokriging para todas las variables en todas las ubicaciones muestrales,
pocas veces los datos muestrales en otras variables es usado para
mejorar la estimacin de la variable primaria o ms comnmente para
compensar muestras perdidas de la variable primaria.
10/10/2006
25
Dificultades y Aspectos
Prcticos del Cokriging
Estimar
varias
variables
corregionalizadas
simultneamente usando el Cokriging es el enfoque
ms riguroso y el que se basa en un menor nmero
de hiptesis.
Requiere que se disponga de un nmero
relativamente elevado de puntos muestrales donde
estn medidas todas las variables para una
adecuada estimacin de los semivariogramas
cruzados.
Cuando no se cumple este requisito el Cokriging
puede perder su superioridad sobre otros mtodos
alternativos.
10/10/2006
26
La mayora de los problemas encontrados en la
prctica del Cokriging son los mismos que los
encontrados en la prctica del Kriging pero
quizs magnificados por el nmero de variables
Exige un tiempo de clculo considerable en la
modelacin de los semivariogramas cruzados
mediante la modelacin y validacin de mltiples
semivariogramas
Aumenta la complejidad y el tamao de los
sistemas de ecuaciones a resolver
10/10/2006
27
La mayora de los problemas encontrados en la
prctica del Cokriging son los mismos que los
encontrados en la prctica del Kriging pero
quizs magnificados por el nmero de variables
Exige un tiempo de clculo considerable en la
modelacin de los semivariogramas cruzados
mediante la modelacin y validacin de mltiples
semivariogramas
Aumenta la complejidad y el tamao de los
sistemas de ecuaciones a resolver
10/10/2006
28
Cokriging Colocado
Es un caso particular del Cokriging

La variable de inters es conocida en unos pocos
puntos y la variable auxiliar es conocida en todos
los puntos de la malla de estimacin
La vecindad de la variable auxiliar es reducida a
un solo punto: el punto de estimacin
No se requiere del conocimiento del modelo de
corregionalizacin lineal sino del coeficiente de
correlacin entre las variables.
Es computacionalmente ms simple y eficiente
comparado con el Cokriging
10/10/2006
29
Cokriging Colocado
Es un caso particular de Cokriging

Ejemplo: Dos variables Z1(x) y Z2(x) (porosidad &
impedancia acstica)
Z1* ( x0 ) = 11j Z1 ( x j ) + 12j Z2 ( x j )

n
j =1
Porosidad
estimada por
Cokriging
10/10/2006
Porosidad en
los pozos
Impedancia
acstica
de la ssmica
30
Cokriging Colocado

COKRIGING
Sistema de ecuaciones grande
Requiere variogramas de Z1, Z2, variograma cruzado de
Z1 y Z2 (Modelo de Corregionalizacin Lineal)
COKRIGING COLOCADO
Sistema de ecuaciones mas simple
No requiere Modelo de Corregionalizacin Lineal
Slo variogramas de Z1, Z2 y coeficiente de correlacin
Z ( x0 ) = 11j Z1 ( x j ) + 120 Z2 ( x0 )
n
*
1
10/10/2006
j =1
31

Kriging
combinado
con
Regresin
Lineal:
(Delhomme,1976) Consiste en establecer un modelo de
regresin lineal entre dos FAs Z y Y
Z ( x ) = aY ( x ) + b
Aplicando la regresin se puede estimar la variable Z en los
puntos donde hay valores muestrales para la otra variable Y
Z ( x j ) = aY ( x j ) + b,
j = l + 1,..., m
Luego se aplica el procedimiento del Kriging a cada una por

separado, el cual es computacionalmente mucho ms
sencillo que el Cokriging.
10/10/2006
32

Kriging con una Deriva Externa: Se requiere que el valor
esperado de una FA Z sea una funcin lineal conocida
dependiente de otra FA Y, como sigue:
E Z ( x i ) Y ( x i ) = c1Y ( x i ) + c2
Se necesita que la segunda variable Y haya sido muestreada

en un gran nmero de puntos.
Entonces se puede aplicar un Kriging con deriva
N
jij + 1 + 2Y ( x i ) = ik , i = 1,..., N
j =1
N
j = 1
j =1
N
jY ( x j ) = Y ( x k )
j =1
10/10/2006
33

CG7

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

CG7

Încărcat de

Drepturi de autor:

Formate disponibile

INSTITUTO MEXICANO DEL PETRLEO

Las aplicaciones multivariadas que han recibido

Semivariograma cruzado (Covariograma)

donde mi = E Z i ( x ) y m j = E Z j ( x ) valores esperados

Estimacin del covariograma

donde N(h) es el nmero de pares y separados a

Estimacin del covariograma

Anlisis estructural multivariado

Anlisis estructural multivariado

Modelo de corregionalizacin lineal

en trminos de las covarianzas

en trminos de las semivarianzas.

Modelo de corregionalizacin lineal

Modelo de corregionalizacin lineal

donde b es un vector cualquiera.

Modelo de corregionalizacin lineal

11k > 0 y 22k > 0, k = 0,..., S

Modelo de corregionalizacin lineal

El esquema general del Anlisis Estructural Multivariado

Modelar cada semivariograma simple y semivariograma

Modelo de corregionalizacin lineal

Modelo de corregionalizacin lineal

Modelo de corregionalizacin lineal

donde 0 ( h ) es el modelo nugget, y 1 ( h ) es el modelo

Validacin del modelo de

Varianza total de la estimacin

la cual representa una varianza acumulada

C11 ( x x j ) + 21j C21 ( x x j ) 11

C12 ( x x j ) + 22j C22 ( x x j ) 22

Cokriging en el caso de funciones

La hiptesis intrnseca es:

Entonces la matriz de semivarianzas cruzadas sustituye

El sistema de ecuaciones resultante es completamente

Cokriging en el caso no estacionario

Cuando las FAs son no estacionarias, entonces las

Pero como en el caso de una variable resulta poco

Es preferible aplicar un enfoque del tipo Kriging

Ejemplos de Aplicaciones del

Es un caso particular del Cokriging

Es un caso particular de Cokriging

Z1* ( x0 ) = 11j Z1 ( x j ) + 12j Z2 ( x j )

Mtodos alternativos al Cokriging

Luego se aplica el procedimiento del Kriging a cada una por

Mtodos alternativos al Cokriging

Se necesita que la segunda variable Y haya sido muestreada

S-ar putea să vă placă și