G É o Statistique

Aide-M
emoire de
G
eostatistique Lin
eaire
Les Presses de lEcole

des mines de Paris
presses@ensmp.fr
Avertissement
` lorigine, ce texte est la redaction dune partie dun cours donne

A
a` Fontainebleau en septembre 1989 et qui avait pour titre : La
G
eostatistique Lin
eaire et ses d
eveloppements . Plus que sur
les details de calculs, on a voulu y insister sur les idees directrices qui
peuvent aider le Geostatisticien a` mener a` bien une etude concrète. Ce
sont donc les methodes, et non les techniques mathematiques, qui sont
au cur de cet expose.
Il ne faut pas voir là un souci de simplification, bien au contraire nous
semble-t-il. Car ce ne sont pas les mathematiques mises en jeu ici qui font
la difficulte du sujet : ces mathematiques sont dun niveau en general
assez elementaire, et sont de toute facon tout-à-fait classiques.
De là a` conclure que la Geostatistique ne presente aucun caractère
doriginalite et ne fait quappliquer son vocabulaire particulier a` des
resultats par ailleurs bien connus, il ny a quun pas, quun lecteur
presse pourrait franchir aisement. Mais une telle vision reductrice, en
apparence inattaquable, est en fait absurde. Car ce qui fait la richesse de
cette Geostatistique que nous cherchons a` promouvoir, ce nest pas une
theorie pure ; ce nest pas davantage une pratique seule. Cette richesse
procède très exactement de lequilibre raisonnable quil faut assurer en
permanence entre les deux poles : theorie et pratique.
Aussi la Geostatistique doit-elle plutot etre decrite comme un ensemble
de modèles, methodes et tours de main, souvent peu orthodoxes, elabores
au fil des ans . Ni science nouvelle, ni non plus technique nouvelle,
la Geostatistique a par contre s
urement merite le nom de discipline
nouvelle, avec toutes les acceptions que ce mot autorise en francais.
Plus que lerudition mathematique donc, ce sont tout a` la fois lhonnetete
intellectuelle et lhumilite face aux donnees qui doivent guider la
demarche du Geostatisticien. Et là se trouve la principale difficulte du
texte propose ici. Car il nest pas possible, par un document fige et
forcement limite, de communiquer une experience acquise depuis près de
quarante ans. Cet Aide-m
emoire de G
eostatistique Lin
eaire
ne doit donc en aucun cas etre considere comme un tout, acheve et
immuable : il ne sagit au sens litteral que dune initiation. Tout le chemin
reste a` faire. Le lecteur pourra bien s
ur solliciter toute aide quil jugera
utile, mais nul ne pourra faire la route a` sa place.
Pour aider a` ce cheminement personnel du lecteur, nous avons veille a`

mentionner un maximum de references bibliographiques. Ces references,
qui figureront en marge 1 , sont pour la plupart des notes issues du
Centre de Geostatistique de Fontainebleau. Il ne sagit pas là de
flatter un quelconque esprit de chapelle, mais seulement de satisfaire a`
quelques contraintes de bon sens : proposer une documentation aisement
accessible, tenir compte des documents qui ont effectivement eu la faveur
e 1989, et surtout bien s

des participants de lEcole
dEt
ur assurer un
minimum dhomogeneite dans les notations et le vocabulaire des textes
donnes en references.
1
Sans signe de renvoi dans le texte, afin de ne pas en perturber la lecture.
E & C, p2.
Aide-M
emoire de g
eostatistique lin
eaire :
*
*
Quelques conventions permanentes dans cet Aide-Memoire :
lorsque nous proposerons dans le texte des citations verbatim

extraites de documents cites en reference, nous conviendrons de les
imprimer entre guillemets et en italique ;
Citations
de meme, lorsque nous definirons des mots ou expressions

geostatistiques en usage dans ces references et destines a` etre
souvent reutilises, nous les noterons en cararact`
eres gras. Ces
definitions seront reunies dans un Index a` la fin de cet ouvrage. Par
ailleurs, les expressions geostatistiques qui auront ainsi trouve leur
definition dans le present document ou dans les references citees
seront ulterieurement ecrites avec des majuscules (Variographie,
Krigeage Intrinsèque, etc. ) ;
D
efinitions
Expressions g
eostatistiques
pr
ec
edemment d
efinies
les points qui semblent meriter une attention particulière seront

signales en marge par un signe qui devrait immediatement attirer le
regard lors de la lecture dune nouvelle page.
III
quant aux renvois internes au document, il peuvent soit etre

une simple mention de paragraphe (cf. ci-contre) lorsque le texte
reference se trouve dans le meme chapitre, soit une indication plus
complète (cf. ci-contre) dans le cas contraire : il sagit alors toujours
de lun des neuf chapitres de la première partie de laide-memoire.
Paragraphe 6.3.
Chapitre 7,
paragraphe 1.2.
Pour en revenir aux autres textes cites, la plupart seront designes par un
renvoi a` la bibliographie, qui est classee par auteurs, puis par dates de
publication. Mais un petit nombre dentre eux, de reference permanente,
seront designes par une abreviation particulière. Ces documents, au
nombre de trois, constituent une base incontournable pour matriser les
techniques fondamentales utilisees en Geostatistique Lineaire. Ce sont :
le premier document de cours (et dexercices) propose en

geostatistique, La th
eorie des variables r
egionalis
ees et
ses applications , Matheron, 1971 (c). Ce fascicule, edite par
lEcole
des Mines de Paris (EMP), existe egalement en anglais. Il
sera designe en marge par labreviation Fasc. 5 , la reference de
pagination etant toujours celle de la version francaise ;
Fasc. 5
Les
Estimer
FAI-k
E & C
Fonctions Al
eatoires Intrins`
eques dordre k ,
Delfiner et Matheron, 1980 (EMP), designe par FAI-k ;
et Choisir , Matheron, 1978. Ce fascicule, edite

initialement par lEMP, a ete traduit en anglais et publie en 1988
chez Springer Verlag, sous le titre Estimating and Choosing .
Le texte propose dans les chapitres suivants, simple compte-rendu ecrit
e, na pour but que de servir dintroduction et de guide

dune Ecole
dEt
de lecture a` ces references fondamentales.
*
*
1993
Seul ajout substantiel :
une d
emonstration, sous
une forme nouvelle, du
th
eor`
eme dadditivit
e.
La version de 1993 nintroduit pas de matière nouvelle. Nous avons

surtout cherche a` integrer les observations des lecteurs sur le materiau
dejà existant. Cest pourquoi laccent a ete dabord mis sur une recherche
de plus grande lisibilite du document. Toutefois, la convergence de
Avertissement
certaines observations au sujet du besoin dexemples pratiques, de

linteret dintroduire des notions de multivariable, de la place quil
faudrait reserver a` la Variographie. . . est la preuve evidente sil en
etait besoin que ce texte ne devra pas rester en letat, et devra etre
substantiellement etoffe ou complete par dautres documents. Tant il est
vrai que la Geostatistique est une discipline vivante qui ne peut que
beneficier de lapport de chacun. 2
` titre dexemple de collaboration, merci a` S. S
A
eguret dont les
remarques mont permis dameliorer du moins je lespère et de
completer la presentation des chapitres 7 et 8.
Pour la version de 1994, nous avons surtout souhaiter separer
materiellement les chapitres qui constituent lossature du cours, et des
ajouts plus particuliers ou plus techniques : ceux-ci font desormais
lobjet dannexes, en general referencees a` un chapitre. Cest pourquoi
le document distingue deux parties : lAide-M
emoire proprement
dit, dont le contenu ne devrait pas etre change substantiellement dans
le futur, et des Annexes sans doute appelees a` des developpements
ulterieurs, et qui peuvent sans inconvenient etre omises en première
lecture. La troisième partie (bibliographie et notations) a ete completee
par un index des termes definis dans lensemble du document.
1994
La version de 1998 na fait que completer les rectifications du tirage

precedent. Merci a` tous ceux qui ont bien voulu contribuer a` debusquer
les incorrections subsistantes. Quant a` la version 1999, elle na pas
vu de modification de contenu, mais a vecu la difficile reconversion
de TEX en LaTeX2 ; tache peut-etre necessaire donc, mais s
urement
ingrate, allegee grace a` laide compatissante de D. Fargue, pionnier en
la matière au sein de lEMP : quil en soit remercie.
1998
Le principal travail sur la version de 2006 a consiste, au-delà des

inevitables corrections, en une remise en forme pour preparer la mise
en ligne du document. Celui-ci a en effet desormais vocation a` figurer
dans le catalogue des ressources pedagogiques de ParisTech, accessibles
a` ladresse http://graduateschool.paristech.org. Ce cours, sous une
forme desormais peu destinee a` changer, sera donc present en parallèle
avec un recueil de cas detudes reels et dexemples academiques qui est
actuellement propose a` ladresse
1999
2006
http://cg.ensmp.fr/chauvet/Tome2/ParisTech/AccueilCoursGeostat.htm
et facetieusement designe sous le nom Tome 2. Les evolutions futures
seront plutot ciblees sur ce recueil, dans le but detoffer au maximum les
exemples dutilisation des methodes exposees ici.
Toutes remarques, critiques ou suggestions quant aux contenu, style ou realisation

materielle du present document, seront accueillies et examinees avec la plus
grande attention. Le moyen le plus s
ur et le plus rapide de communiquer demeure
le courrier electronique : pierre.chauvet@ensmp.fr
Etant
clairement
entendu que le
pr
esent Aide-M
emoire
constitue le Tome 1 !
Aide-M
emoire de g
eostatistique lin
eaire :
Premi`
ere partie
ements de
El
G
eostatistique Lin
eaire
Aide-M
emoire de g
eostatistique lin
eaire :
Introduction
1. Bref rappel historique

Le mot de Geostatistique fait son apparition en 1962. Ce mot, qui
connatra dailleurs bien des avatars au gre des traductions, ne doit pas
cacher une verite evidente : Historically geostatistics are as old as
mining itself. . Si on peut definir la Geostatistique comme letude
des variables numeriques reparties dans lespace, il est clair alors que
des problèmes essentiellement geostatistiques ont ete abordes depuis
fort longtemps : en art des mines certes, mais aussi en meteorologie,
topographie, cartographie, pour ne citer que quelques exemples.
Linnovation ne reside pas non plus dans larsenal mathematique requis.
Ainsi les Fonctions Aleatoires ont-elles ete introduites et etudiees
dès les annees 1930 par les Ecoles

francaise et sovietique (P. L
evy,
A. Kolmogorov, A. Khintchine) ; les outils theoriques que nous
utilisons en Geostatistique Lineaire etaient en place dès les annees 1940
(H. Cram
er, N. Wiener, S. Bochner) ; et les methodes comme les
moindres carres de Gauss ou les paramètres de Lagrange, sont des plus
classiques et font partie du bagage mathematique de base de lingenieur.
Le declic, si lon peut dire, qui a conduit a` lelaboration de ce
que nous appelons ici et aujourdhui la Geostatistique, cest le
rapprochement de ces deux domaines : des problèmes techniques parfois
fort terre-à-terre dune part, et dautre part un arsenal de methodes
mathematiques. Sans doute dailleurs ce rapprochement etait-il dans lair
puisque, dans lespace dune decennie, la Geostatistique sest elaboree
independamment dans le domaine minier, dans le domaine forestier
(B. Mat
ern, en Suède), en meteorologie (L.S. Gandin, en URSS).
Sans doute une recherche bibliographique approfondie trouverait-elle une
evolution semblable dans dautres disciplines encore.
Concernant la Geostatistique elaboree a` lEcole

des mines, il est
indeniable que les problèmes miniers ont joue un role privilegie. Au
plan anecdotique, cette influence se fait sentir au niveau du vocabulaire
( effet de pepite , par exemple). Plus profondement, levolution de
cette Geostatistique made in Fontainebleau a ete etroitement guidee
par les demandes du monde minier : il fut un temps o`
u la succession
des thèmes de recherche abordes a` Fontainebleau reproduisait presque
exactement les etapes dun projet minier. Actuellement toutefois, lheure
est a` une diversification des champs dapplication, et nous essaierons
dans le cours du texte deviter un vocabulaire trop specifiquement lie a`
quelque domaine particulier que ce soit.
Matheron, 1962 (a).
Matheron, 1963 (b).
Voir aussi R. Fortet &

A. Blanc-Lapierre, 1953.
Par exemple,
N. Wiener, 1949.
Mat
ern, 1959 ;
Gandin, 1960.
2. Trois
ages de la g
eostatistique
Pour fixer les idees, nous examinerons ici les grandes lignes de levolution
de la Geostatistique au sein de lEcole

francaise.
La première etape est dinspiration exclusivement minière. Pour etre
plus precis, ce sont les problèmes rencontres par les mineurs dor
dAfrique du Sud qui suscitent les premières recherches. On mentionnera
plus particulièrement les travaux de H.S. Sichel, D.G. Krige,
H.J. de Wijs. Lidee directrice de ces recherches est de pallier les
insuffisances de la statistique classique constatees dans letude
Sichel, 1949, 1952,

Krige, 1951,
de Wijs, 1952.
Aide-M
emoire de g
eostatistique lin
eaire :
des gisements très dissemines. Le neologisme krigeage est là

pour rappeler cette rencontre entre une technique mathematique de
regression et les difficultes dexploitation du minerai dor. Mais dejà, les
applications setendent a` dautres produits : uranium, fer, nickel, cuivre.
Deux traits caracterisent ce premier age de la Geostatistique. Au niveau
pratique dabord, les moyens de calculs demeurent rudimentaires, aussi
les publications abondent-elles en formules dapproximation, courbes
ou abaques, qui progressivement constituent un veritable capital afin
deviter aux utilisateurs de reprendre des calculs fastidieux. Au niveau
theorique ensuite, on remarque que les formalismes qui selaborent se
placent souvent dans le cadre dune loi de distribution donnee. Il sagit
non pas tant du modèle Gaussien inadapte aux variables disseminees
que du modèle log-normal, pour lequel se manifeste un engouement
extraordinaire dans les annees 1950. Dautres modèles de distributions
font lobjet de recherches theoriques (travaux de H.S. Sichel).
Matheron, 1956.
Ainsi, au sens etymologique, le mot Geostatistique convient

parfaitement a` cette première phase qui, etalee sur une quinzaine
dannees, culmine avec la publication dun certain nombre douvrages
de synthèse annoncant progressivement des orientations nouvelles.
Matheron,
1962 (a), 1965, 1968.
Cours de lEcole
des mines de Paris :
Formery, 1964 ;
Matheron,
1969 (b), 1971 (c).
Avec le second age de la Geostatistique, que lon peut situer de 1965 a` la

fin des annees 1970, cest la reference a` des modèles statistiques qui est
abandonnee. Ou bien on elabore des modèles qui ne font pas intervenir
les lois de distribution (Geostatistique Lineaire), ou bien on se ramène
prealablement a` des modèles de reference par le jeu des anamorphoses.
Parallèlement, on cherche a` elargir les hypothèses de travail : cest
le developpement dune Geostatistique Non Stationnaire, puis dune
Geostatistique Non Lineaire. La Geostatistique Non StationnaireNon
Lineaire reste encore a` faire. . . Des formalismes nouveaux apparaissent :
Simulations1 conditionnelles ou non, Ensembles Aleatoires. Dans ce
dernier domaine, il sagit cette fois dinnovations theoriques. Ce
foisonnement methodologique peut etre immediatement mis en valeur
grace a` la remarquable amelioration des moyens de calculs.
Etrangement,
une periode si riche ne produit pas douvrages de synthèse,
sauf en ce qui concerne les Ensembles Aleatoires ; et si les traites de
Geostatistique se multiplient, surtout en anglais, ils restent en retrait
des progrès theoriques et meme des realisations informatiques. Et cest
finalement par un ouvrage de nature philosophique et methodologique
que lon peut clore ce deuxième age de la Geostatistique : Estimer
et Choisir est publie en 1978 en francais (et demandera dix ans pour
etre traduit et publie en anglais, ce qui en soi est dejà un interessant
sujet de reflexion). Il ne sagit pas là dun ouvrage facile : cest bien
s
ur un tour dhorizon critique des methodes geostatistiques, mais cest
surtout un guide pour les recherches a` venir. Nous avons essaye de nous
e 1989.
en inspirer au cours de lEcole
dEt
Matheron, 1970, 1971 (b) ;

Matheron, 1973.
Journel, 1974.
Matheron,
1969 (a), 1975 (a).
David,
Journel,
Rendu,
Clark,
1977 ;
1978 ;
1979 ;
1981.
Matheron, 1978.
Il nest pas facile de parler de la Geostatistique de troisième

generation (expression due a` W.J. Kleingeld), actuellement en
pleine expansion. Dans un contexte informatique de plus en plus
confortable, la Geostatistique se developpe dans les directions les
plus variees. Les champs dapplication ne se limitent plus desormais
aux ressources naturelles comme les mines ou le petrole. Plus
fondamentalement, les recherches sorientent vers des domaines
theoriques extremement divers. Il est aussi interessant de noter que
lon se remet a` prendre en compte les lois de distribution. Cependant,
il ne sagit pas là dun quelconque retour en arrière : ce sont au
contraire des outils nouveaux dont le besoin se fait sentir et qui sont
elabores actuellement. On peut donc penser que cette troisième phase
de la Geostatistique est une etape de synthèse, dont il est encore trop
Matheron &
Kleingeld, 1987.
On prefère maintenant la terminologie :
Mod`
eles
Numeriques .
Introduction
tot pour prevoir les aboutissants. Cette etape passionnante echappe

malheureusement au cadre qui a ete choisi pour le present document.
3. Un point de vocabulaire
On a vu que le neologisme Geostatistique , apparu en 1962, sadapte
parfaitement a` la première phase evoquee ci-dessus (jusquen 1965
environ). De fait, il est significatif que beaucoup darticles anterieurs
a` 1960 aient des titres faisant directement mention des methodes
statistiques. Le prefixe geo ne fait donc quattirer lattention sur
la prise en compte de la repartition spatiale.
` partir des annees 1970, alors meme que le mot connat une fortune
A
croissante et a droit a` des traductions en des langues toujours plus
nombreuses, il nous semble quil se revèle moins adequat. Car les
methodes geostatistiques se developpent alors, on la vu, dans des
directions qui leur sont propres, et qui nont plus que de lointains
rapports avec la Statistique usuelle. Il nat alors un problème de
communication, generateur dincomprehension. Vouloir approcher la
Geostatistique dans une optique exclusivement statisticienne est une
erreur de meme nature osons ici une simple analogie que demander
a` un critique musical de parler dun tableau. . . Malheureusement, il nous
semble bien que bon nombre de conflits ou de polemiques apparus dans
les annees 80 ont leur origine dans ce qui au fond naurait d
u rester quun
jeu de mots. En particulier, il est clair que le mot Geostatistics , bien
quetant apparemment une traduction evidente de Geostatistique ,
na pas la meme acception quen francais.
Plutot que segarer dans dinterminables arguties philologiques, on aurait
pu choisir de trancher dans le vif, et proposer une terminologie nouvelle.
Cest du reste ce qui est fait dans Estimer et Choisir , avec
lapparition de lexpression mod`
eles topo-probabilistes. Ce nouveau
vocabulaire a certes le double avantage de prendre ses distances avec
les Sciences de la Terre do`
u labandon du prefixe geo et de
mieux affirmer la genealogie theorique de nos methodes, probabilistes
plutot que statistiques. Mais dans le meme temps, il donne limpression
erronee, rappelons-le que nous rejetons les methodes deterministes.
Et puis, il bouscule un peu les habitudes. . .
Aussi, nous nous en tiendrons a` la tradition, et conserverons le mot
de Geostatistique . Ce mot, presentement, nest pas defini, et cette
introduction nest pas lieu o`
u proposer une telle definition. Nous esperons
au contraire que le texte qui va suivre, dans sa totalite, permettra au
lecteur de se forger sa propre lecon, tant il est vrai que nous ne devons
pas etre esclaves des mots, et que la seule chose importante est de savoir
de quoi il est question, quel que puisse etre son nom.
4. Sommaire
Dans son plan, ce texte suit exactement lenchanement des exposes
e 1989. Afin de permettre au

oraux proposes lors de lEcole
dEt
lecteur dapprofondir son travail personnel dans telle direction qui lui
conviendra, nous conclurons chaque chapitre, selon les cas, par
des annexes precisant des points techniques ou des demonstrations ;

une bibliographie commentee ;
une reference a` des exercices juges particulièrement illustratifs ;
une brève presentation de sujets de reflexion.
De Wijs, 1951 ;
Sichel, 1952 ;
Matheron,
1955, 1956.
Par exemple,
Sibson, 1981.
E & C, p5.
10
Aide-M
emoire de g
eostatistique lin
eaire :
Les thèmes qui se degageront au cours de cet expose peuvent etre

regroupes en cinq classes :
I. Variables R
egionalis
ees et Fonctions Al
eatoires.
Il sagit essentiellement de mettre en place les concepts et les
principes directeurs que nous utilisons par ailleurs en somme tout
simplement de definir de quoi nous voulons parler. En particulier,
il est essentiel de preciser a` quel niveau dabstraction nous nous
situons a` un moment donne : parlons-nous de mathematiques
pures (demonstrations, theorèmes) ou de physique (adequation dun
modèle a` une realite exterieure) ?
II. G
eostatistique Transitive.
Il serait errone de croire que la Geostatistique se fonde par nature
sur un formalisme probabiliste. Ainsi, nous evoquerons brièvement
les possibilites de travailler dans un contexte deterministe, et les
enseignements quapporte cette approche. Mais dans le meme temps,
nous soulignerons pourquoi le recours aux modèles aleatoires est si
frequent, et simpose pour ainsi dire de lui-meme.
III.
Buts et moyens de la G
eostatistique Lin
eaire.
Nous avons volontairement fixe des limites, parmi le foisonnement
des methodes probabilistes, a` ce qui fait lobjet du present cours.
Nous preciserons donc ces frontières et, dans le meme temps, nous
ferons linventaire des outils mathematiques requis pour la mise en
pratique de cette Geostatistique Lineaire.
IV. Stationnarit
e et Ergodicit
e.
Il sagit là dun thème recurrent. Pour pouvoir, dans des conditions
realistes, appliquer a` des donnees reelles les methodes elaborees au
plan theorique, il importe de sassurer de bonnes proprietes de
nos modèles, et de veiller a` ladequation de ces modèles aux donnees
effectivement etudiees. Stationnarite et ergodicite sont deux de ces
bonnes propri
etes , deux concepts-clefs auxquels nous ramène en
permanence la Geostatistique appliquee.
V. Estimations.
Les problèmes destimation sont parmi les plus frequemment
rencontres en pratique. Nous distinguerons lEstimation Globale
et lEstimation Locale qui, plus connue sous le nom de
Krigeage, constitue le plus souvent le but meme dune etude
geostatistique, et connat de nombreux developpements, tant
theoriques quinformatiques. LEstimation Globale, moins souvent
sollicitee, permet de soulever des questions methodologiques
essentielles a` une bonne comprehension de la pratique geostatistique.
` ces cinq thèmes fondamentaux, il faudra prevoir den rajouter deux
A
autres qui ouvrent la porte a` de multiples developpements :
VI. Variographie.
Egalement
nommee Analyse Structurale, cette etape est la phase
essentielle dune etude reelle. Il sagit de jeter un pont entre le
formalisme abstrait elabore au niveau mathematique, et les donnees
reelles que lon souhaite etudier. Un tel sujet se prete evidemment
difficilement a` un expose fige, et rien dans ce domaine ne saurait
prendre le pas sur lexperience. Tout au plus peut-on proposer
ici quelques exemples et illustrations, ainsi que des remarques
empiriques ; mais il ne saurait y avoir de panacee.
VII. D
eveloppements, et techniques sp
ecialis
ees.
Meme dans le cadre strictement lineaire, leventail est large des
extensions que lon peut proposer aux methodes elementaires de la
Geostatistique classique . On pense en particulier aux problèmes
multivariables, qui correspondent a` des situations frequemment
rencontrees dans la pratique. On peut aussi evoquer les modèles
numeriques (les Simulations, conditionnelles ou non) qui sont a` la
charnière avec le domaine de la Geostatistique Non Lineaire.
Chapitre 1
Variables R
egionalis
ees
et Fonctions Al
eatoires
Pr
esentation
Ce chapitre a pour but de mettre en place lobjet et les
methodes de la Geostatistique, et singulièrement de souligner les
problèmes souleves par lutilisation des modèles probabilistes dans
les Sciences Naturelles.
Le premier paragraphe examine le statut des deux niveaux de
modèles (deterministe, puis aleatoire) sollicites en Geostatistique.
Le second paragraphe detaille les problèmes methodologiques
rencontres dans le cadre du choix probabiliste, et precise
larticulation entre les deux niveaux de modelisation.
Au troisième paragraphe, on introduit les concepts de stationnarite
et dergodicite, qui sont a
` larrière-plan de toutes nos modelisations
probabilistes.
Enfin, le quatrième paragraphe propose quelques repères qui
doivent guider le Geostatisticien aux prises avec un problème reel.
1. Les deux niveaux de mod`

ele
1.1. Point de d
epart : le ph
enom`
ene r
egionalis
e
Au commencement dune etude geostatistique se trouve une information
brute, partie quantitative, partie qualitative, que lon cherche a` mettre en
forme puis a` utiliser dans le cadre de tel ou tel problème. Quil sagisse
de teneurs minières, de donnees meteorologiques ou economiques, de
mesures de pollution, de bathymetrie, de geophysique, cette information
a co
ute du temps, de la fatigue et de largent, et demande donc a` etre
manipulee avec respect.
Le respect de la donnee brute est sans doute la première règle dor de
la Geostatistique appliquee. La realite na pas a` se plier a` nos futures
constructions intellectuelles ; bien au contraire, nous devons adapter nos
outils au materiau que nous aurons a` travailler. Mais comme il nexiste
pas de panacee, il nous faut demblee circonscrire nos ambitions : une
methodologie qui saurait traiter de tout serait probablement soit un
trivial passe-partout generateur de banalites, soit un monstre ecrase sous
son propre poids. La Geostatistique, quant a` elle, a choisi de sattaquer
aux phenomènes regionalises.
Par ph
enom`
ene r
egionalis
e nous entendons un phenomène naturel qui
se deploie dans lespace. La restriction a` des phenomènes naturels
par opposition a` des fonctions mathematiques est imposee par une
constatation de bon sens : la Geostatistique que nous proposons ici
serait, a` notre connaissance, depourvue dinteret pour letude de telles
fonctions. Quant a` lespace o`
u se deploie le phenomène regionalise, il
sagit bien s
ur le plus souvent de notre espace geographique , espace
euclidien a` 1, 2 ou 3 dimensions ; mais il peut sagir aussi du temps, voire
JJJ
12
Aide-M
emoire de g
eostatistique lin
eaire :
despaces plus complexes. Quoi quil en soit, etant donne son objet et
son champ dapplication, la Geostatistique ainsi definie apparat bel et
bien comme une science physique.
La première colonne de la figure1, en fin de chapitre, illustre cette
situation : cest bien dans le domaine du monde physique (symbolise
par la terre) que se recoltent les donnees qui alimenteront notre
etude. Remarquons au passage que, par la force des choses, le
phenomène regionalise est rarement accessible exhaustivement, et passe
la plus souvent par le filtre dun echantillonnage 1 ; le problème de
lechantillonnage nest cependant pas specifiquement geostatistique, et
ne sera pas examine ici. En tout cas, cest bien egalement dans le
domaine du monde physique que sexpriment et doivent se resoudre les
problèmes poses. Ce ne sont pas des vues de lesprit, mais des teneurs
bien reelles qui seront envoyees en laverie, des debits bien reels qui
alimenteront les fleuves, des temperatures bien reelles qui gacheront
ou agrementeront vos vacances, des cours bien reels qui enrichiront ou
ruineront les speculateurs. . .
Et pourtant, la connaissance meme exhaustive du Phenomène
Regionalise ne suffirait en general pas a` resoudre les problèmes,
parce que les valeurs num
eriques ne sont pas le reel, mais une
première image (analytiquement très riche, structuralement très pauvre)
de celui-ci . Lamoncellement des donnees brutes ne permet a` lui
seul la comprehension dun phenomène ni vers lamont (genèse des
donnees initialement obtenues), ni vers laval (anticipation ou explication
de levolution du phenomène). Aussi doit-on, dans le processus
dexploitation des donnees, savoir prendre un temps ses distances davec
le domaine de la realite physique, afin de construire des modèles
intellectuels qui permettront de depasser le stade dune interminable
et sterile trituration des donnees brutes. De facon un peu provocante, il
sagit dadjoindre une information supplementaire a` ces donnees brutes.
E & C, p2.
Ce mecanisme du recours a` la modelisation est illustre a` la figure1 et, en

Geostatistique classique, comporte deux etapes dabstraction croissante.
1.2. Premi`
ere
etape : la Variable R
egionalis
ee
Nous supposerons desormais que le Phenomène Regionalise est connu
(ou interessant, ou defini. . . ) sur un domaine borne S . Cette precision
est importante : elle souligne en particulier que les methodes que nous
allons proposer ne pretendent nullement a` un caractère duniversalite,
mais sont au contraire assujetties a` un domaine de validite. Cette
limitation sapparente très etroitement aux conditions de laboratoire
dune experience en Physique a` ceci près que, contrairement aux
Physiciens, nous ne sommes que très rarement matres du choix de notre
domaine de validite.
Il est capital en tout cas de garder a` lesprit que toutes les manipulations
que nous ferons desormais sont donc relatives a` un certain champ
S , et que toute extrapolation au-delà des limites de ce Champ devra
etre evitee, ou en tout cas faite en connaissance de cause. Ce principe
reviendra a` mainte reprise tout au long de lexpose.
Revenons maintenant au Phenomène Regionalise, circonscrit a` son
Champ S . Nous supposons que ce phenomène se laisse decrire de
manière satisfaisante par la donnee dune (ou eventuellement plusieurs)
fonction z definie sur S , que nous appellerons, dun terme general,
variable r
egionalis
ee (V.R.) .
E & C, p76.
Le premier niveau dabstraction est atteint (cf. figure1, deuxième

colonne) : le Phenomène Regionalise etait une realite physique, la
1
Cette affirmation merite de plus en plus detre nuancee : il nest plus rare
desormais que la Geostatistique ait a` traiter par exemple des images satellitales,
qui constituent une approche exhaustive du phenomène etudie.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
13
Variable Regionalisee est une fonction. Cest un etre mathematique,

susceptible de manipulations intellectuelles. En quelque sorte, la Variable
Regionalisee a acquis une certaine autonomie vis-à-vis du phenomène
quelle represente et en termes anthropocentriques elle peut
desormais vivre sa vie mathematique en oubliant le phenomène dont
elle est censee temoigner. Inutile de dire que, pour linteret pratique
dune etude, cette liberte doit etre strictement surveillee. . .
Nous devons ici preciser quune Variable Regionalisee est une fonction
numerique. La Geostatistique theorique travaille sur des quantites, et
linformation non numerique ou qualitative (par exemple, la geometrie)
bien que souvent decisive pour le bon deroulement dune etude
echappe au formalisme general que nous voulons developper dans le
present document.
Nous supposerons
cette fonction r
eelle.
Le cas dune VR
complexe demeure
assez exceptionnel.
...
ou alors, il faut passer

par un codage num
erique.
Cette distinction entre Phenomène Regionalise et Variable Regionalisee

` titre dexemple,
peut sembler triviale, et en tout cas sans mystère. A
prenons pour Phenomène Regionalise le relief dune region : cest lui qui
occasionne la fatigue lorsquil est parcouru sac au dos, qui offre la vue
panoramique lorsquon atteint le sommet, etc. La Variable Regionalisee
associee sera, cela va de soi, la cote topographique. Le passage du
premier a` la seconde parat anodin. Et pourtant, les pièges sont dejà en
place. Supposons par exemple que la fonction cote topographique
soit derivable ; cela aurait-il un sens de dire que sa derivee represente la
d
erivee du relief ? Quel sens est-il reellement possible de donner a`
cette dernière expression ?
Nous voyons ici apparatre le problème du retour (après manipulations
mathematiques) du modèle a` la realite physique. Lexactitude
mathematique des operations entreprises ne suffit pas a` garantir le
sens physique du resultat. Il faut donc a` chaque enonce distinguer
scrupuleusement ce qui est propriete du modèle et ce qui est caractère de
la realite physique. Par exemple, lenonce meteorologique le vent est
le gradient de la pression , au sens litteral, na pas de sens : la pression
est un phenomène physique, et le gradient une operation mathematique.
Il faut comprendre que lenonce est un raccourci pour dire : nous
disposons dun modèle dans lequel la fonction (Variable Regionalisee)
censee representer le vent est le gradient de la fonction censee representer
la pression . Cet enonce, certes bien lourd, a lavantage de separer
clairement les deux niveaux :
une affirmation au niveau mathematique, qui exprime une propriete

interne du modèle (identite de deux fonctions). Cette affirmation est
soit vraie, soit fausse ;
une affirmation au niveau physique, qui exprime un lien entre le

modèle et la realite. Cette affirmation ne peut etre declaree vraie ou
fausse ; on dira quelle est judicieuse ou non, adequate ou non ce
qui prouve incidemment lapparition dune forme de subjectivite a`
ce niveau du discours.
Naturellement, lenonce laconique le vent est le gradient de la
pression demeure un raccourci satisfaisant, dès lors que lon conserve
a` lesprit toutes les remarques precedentes. Mais, nous lavons vu,
les pièges sont dejà en place et, netant pas Mathematicien pur, le
Geostatisticien se devra a` chaque etape de garder son sens critique
en eveil, et ne pas se contenter de lexactitude mathematique de
ses constructions : celle-ci est bien s
ur une condition necessaire
(indispensable !) mais ne constitue pas une condition suffisante de la
qualite dun travail geostatistique.
Il est bon de rappeler avec

insistance cette exigence :
il serait dramatique quun
pragmatisme mal compris
incite a
` consid
erer la
rigueur math
ematique
comme superflue !
1.3. Les lecons du mod`

ele primaire
Pour bien souligner le pas methodologique qui a ete franchi, nous
designerons par mod`
ele primaire le modèle des Variables Regionalisees.
E & C, p89
14
Aide-M
emoire de g
eostatistique lin
eaire :
Ce premier niveau dabstraction est, rappelons-le, illustre par la

colonne 2 de la figure1.
Nous esperons que les remarques du paragraphe precedent apparaissent
triviales et pesantes. Encore faut-il ne pas les perdre de vue. Car
elles acquerront une acuite de plus en plus grande a` mesure que lon
saventurera dans des modèles de plus en plus abstraits. Aussi nous
semble-t-il dejà temps de degager quelques lecons, qui devront rester
sous-jacentes a` tous nos developpements ulterieurs.
I I I Et tout dabord :
E & C, p30.
E & C, p23.
E & C, p89.
Sibson, 1981, p22 ;

Chauvet, 1987 (a), p84-92.
le mod`
ele, jamais, nest identique a` la realite.
Dinnombrables aspects du reel lui echappent toujours, et, inversement,
le modèle contient toujours dinnombrables propositions parasites, sans
contrepartie aucune dans la realite . Tout lart ou en tout cas toute
la discipline de la Geostatistique consiste a` menager lequilibre entre
realite et modèle, tout en sachant respecter, en cas de desaccord, la
preeminence de la realite sur le modèle. Cest la contrainte du seuil
de r
ealisme au-delà duquel la Geostatistique deviendrait un exercice de
mathematique pure, passionnant certes, mais totalement hors du propos
du present expose.
Plus precisement, le concept de Variable Regionalisee est cense coller

a` la realite physique (ce qui est symboliquement figure par le parallèle
entre les deux premières colonnes de la figure1). Aussi ce concept estil soumis a` des limitations assez strictes en dehors desquelles il cesse
detre operatoire. De ce point de vue, nous ne devons pas prendre au
pied de la lettre des enonces purement mathematiques concernant par
exemple la continuite ou la derivabilite de la Variable Regionalisee. . .
Il sagit là, toujours, de caracteristiques du modèle, et non, en toute
rigueur, de proprietes de la realite physique. .
Soulignons une nouvelle fois que ces remarques auront une importance
accrue au niveau des modèles probabilistes. Nous ny reviendrons pas,
ayant dejà ete assez pesants sur le sujet. Mais force est de constater que la
meconnaissance de cette discipline peut conduire a` de lourds contresens.
On pourra, a` titre dexemple, reflechir aux ambigutes de la notion de
continuite telle quelle apparat en cartographie.
1.4. Les outils du mod`

ele primaire
Placons-nous maintenant au niveau du Modèle Primaire, cest-à-dire de
la Variable Regionalisee. Cela signifie que pour un temps seulement !
nous oublions la realite physique et que nous parlons de manipulations
mathematiques (figure1, deuxième colonne).
Nous avons affaire a` une fonction numerique (supposee reelle, pour
simplifier). Dès lors, tout traitement numerique peut etre envisage, en
particulier les Statistiques classiques et lAnalyse des Donnees.
Fasc. 5, p6-7.
Du point de vue geostatistique, il existe une possibilite dapproche

directe de la Variable Regionalisee. Les outils sollicites sont elementaires,
et sapparentent tous a` des integrales despace. En realite, la Variable
Regionalisee etant presque toujours disponible sur un echantillonnage
fini, ces integrales se reduisent a` des sommes finies. Le passage dun
formalisme fini a` un formalisme continu peut dailleurs susciter des
problèmes, qui seront evoques au chapitre suivant ; cela dit, le travail
direct sur la Variable Regionalisee presente de reels avantages : aucune
hypothèse nest requise, et en particulier pas de nature probabiliste, pour
donner un sens aux calculs. On travaille sur un Champ parfaitement
circonscrit, borne, ce qui evacue les problèmes de type stationnarite et
ergodicite (cf. infra). Les outils utilises sont absolument generaux.
On designe sous le nom de g
eostatistique transitive la partie de la
Geostatistique qui opère directement sur la Variable Regionalisee, hors
de toute hypothèse supplementaire. Cette Geostatistique Transitive fait
lobjet du second chapitre. On y voit en fait assez rapidement quil
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
est difficile de faire leconomie dune modelisation probabiliste mais,

a` linverse, cette approche tout a` fait generale eclaire la signification
de lusage des probabilites en Geostatistique. Dans lesprit du present
expose, nous invoquerons la Geostatistique Transitive essentiellement
pour cet apport methodologique ; pour les details techniques, nous
renverrons a` la bibliographie.
Pour le moment, supposons acquises les lecons tirees de la Geostatistique
Transitive, et admettons lutilite de recourir a` un modèle probabiliste.
Nous abordons ainsi le second niveau dabstraction qui, en quelque sorte,
nous eloigne encore un peu davantage de la realite physique.
15
Matheron 1965,
1`
ere partie ;
Fasc 5, chapitre 1.
1.5. Le mod`
ele topo-probabiliste
Ce second niveau dabstraction est designe par le terme très general de
g
eostatistique intrins`
eque, par opposition a` Geostatistique Transitive.
Le modèle constitutif est celui de Fonction Aleatoire : nous decidons de
considerer la Variable Regionalisee comme Realisation dune Fonction
Aleatoire. Ce choix car cen est un, et entièrement libre peut se
reveler a` terme opportun ou non, efficace ou non, mais il nest en tout
cas ni vrai ni faux. Cest une decision totalement arbitraire (et ce mot
na strictement aucune connotation pejorative) dont nous esperons un
regain defficacite. Quant au prix a` payer, nous le connaissons dejà :
du fait que nous allons vers une abstraction croissante, il est previsible
que le retour vers la realite physique sera plus delicat. Les lecons
degagees au 1.3 ont ici une importance considerablement accrue.
Matheron 1965,
2`
eme partie ;
Fasc 5, p6.
JJJ
Au plan mathematique, lobjet de letude est maintenant une Fonction

Aleatoire, traditionnellement notee Z . Cette fonction est donc definie a`
la fois dans un espace geographique et dans un espace probabilise
do`
u le nom de mod`
ele topo-probabiliste. Lespace geographique
na pas change : cest le meme que pour la Variable Regionalisee associee,
cest-à-dire que cest le modèle de lespace physique dans lequel on
travaille. En revanche, lespace probabilise est une pure creation de
notre esprit : il nest limage daucune realite physique. Ce nest quun
intermediaire de calcul, dont on espère quil nous rendra des services,
mais qui doit sevincer de lenonce des resultats finaux. En aucun cas,
la Geostatistique Intrinsèque ne doit se transformer en une quete des
vraies lois de probabilit
e, du vrai espace probabilise : il ny a J J J
pas de vraie loi de probabilite ni de vrai espace probabilise, il
ny a que des outils qui ne feront rien, ni plus ni moins, que ce que leur
demandera le Geostatisticien. Charge a` ce dernier de choisir des outils
adaptes a` son problème.
Il
ny a pas de probabilite en soi. Il ny a que des modèles

probabilistes. . Nous avons ici un exemple spectaculaire de la règle
( 1.3) qui nous fait obligation de distinguer le modèle de la realite. Le
risque est reel cette fois de sengager dans des speculations au sens strict
metaphysiques. Comme illustration, la figure1 symbolise la longueur du
chemin quil faut faire maintenant pour boucler la boucle , cest-àdire pour revenir après traitement mathematique au niveau de la realite
physique. Mais, si les precautions necessaires ont ete prises, linteret de
cette demarche de ce detour pourrait-on dire peut etre enorme. Car
le passage au formalisme probabiliste met a` notre disposition un arsenal
mathematique considerable qui lexperience le prouve est dans bien
des cas le seul ou en tout cas le meilleur qui puisse nous permettre de
resoudre les problèmes qui nous occupent.
1.6. Notations
Nous designerons par x le point courant de lespace de travail cest-àdire de lespace geographique . Nous avons precedemment note z la
Variable Regionalisee etudiee. En notation complète, il sagit donc dune
fonction z(x), pour x Rn .
E & C, p37.
16
Aide-M
emoire de g
eostatistique lin
eaire :
La Fonction Aleatoire associee est definie a` la fois sur lespace

et sur un espace probabilise. Si on la designe par Z ,
cest donc une fonction Z(x, ), o`
u est un evenement de lespace
probabilise.
g
eographique
Une fois pour toutes, precisons ce modèle probabiliste. Un espace

probabilis
e est un triplet (, A, P ) o`
u, en termes intuitifs :
est linventaire des etats possibles du système etudie ;

A est lensemble des enonces, relatifs aux etats du système, ayant
un sens ;
P est une loi de probabilite, cest-à-dire intuitivement une règle de

valuation dun enonce de A.
Il est inutile de souligner lincroyable richesse dun tel modèle, mais aussi
son caractère abstrait : si dans certains cas particuliers on peut envisager
de donner un sens physique a` , il est clair par contre que P demeure une
I I I pure creation intellectuelle. Qui a jamais pu observer une probabilite ?
Pour en revenir a` la Fonction Aleatoire Z , elle secrit donc Z(x, ),
avec x Rn et A. Lusage dans la litterature geostatistique est
dailleurs de negliger lecriture de levenement , et de se contenter de
noter Z(x). De plus, la coutume est de noter par des lettres minuscules
les Variables Regionalisees, et des majuscules les Fonctions Aleatoires.
La phrase : la Variable Regionalisee z est r
ealisation de la Fonction
Aleatoire Z se traduit donc par la formule
z(x)
Z (x, 0 )
o`
u 0 est un element de A tire selon la loi de probabilite P .
Cette relation a` elle seule resume la methodologie et soulève le problème
fondamental de la Geostatistique Intrinsèque.
2. G
eostatistique Intrins`
eque : probl`
emes et m
ethodes
2.1. LE probl`
eme m
ethodologique
Le parallèle entre la Variable Regionalisee et la Fonction Aleatoire met
en lumière une difference de statut essentielle.
Bien que de nature purement mathematique, la fonction z(x)
demeure assez proche du monde physique. On a limpression quun
echantillonnage de plus en plus fin de cette fonction permettrait
dacceder a` une connaissance exhaustive du phenomène quelle
represente. Certes, il est vraisemblable que z(x) se revelerait de
plus en plus compliquee a` mesure que lechelle de travail saffinerait.
Pourtant, il ne sagit là que dune simple difficulte technique, certes
risquant daffecter le confort dutilisation du modèle, mais ne soulevant
aucun problème methodologique essentiel. En resume, on pourrait
dire que le travail au niveau du modèle primaire se reduit a` des
problèmes dapproximation. Le parallèle entre realite physique et
Variable Regionalisee reste assez facile a` maintenir.
Au contraire, avec lirruption dun Espace Probabilise sous-jacent, le
modèle de Fonction Aleatoire laisse une part considerable a` larbitraire
I I I du Geostatisticien. Il y a dans un modèle complet de Fonction Aleatoire
infiniment plus dinformation structurale quil ny en a dans la Variable
Regionalisee associee, et le Geostatisticien doit etre conscient que
cette information supplementaire, cest lui qui la injectee dans son
modèle. Il faut imperativement sassurer que ce surcrot dinformation
ne compromet pas la possibilite meme du retour a` la physique du
phenomène. En fait, demblee, on devine quil conviendra de limiter
au maximum cet arbitraire dans le choix du modèle. Il faut bien voir
que cette incroyable richesse des modèles mathematiques nest pas un
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
atout pour le Geostatisticien applique, mais bien au contraire un ecueil

particulièrement redoutable.
Il y a beaucoup plus fondamental cependant. Dans la plupart des
cas en Geostatistique, le phenomène physique est unique. Quel sens
peut-on alors esperer donner a` un modèle probabiliste pour letude
dun tel phenomène ? Ou encore, plus concrètement, comment peuton esperer remonter a` un modèle complet de Fonction Aleatoire
a` partir dune seule de ses Realisations ? En fait, presente ainsi, le
problème est trivialement insoluble, dautant plus que, nous lavons vu,
il nexiste pas dEspace Probabilise reel qui se cacherait derrière les
donnees. Contrairement a` ce qui se passe en Geostatistique Transitive,
il ne sagit pas ici dun simple problème de quantite dinformation, mais
bien dune difficulte de fond.
17
JJJ
ement de solution
2.2. El
De facon encore plus generale, on peut se demander comment un
evenement unique (ici, la Realisation dune Fonction Aleatoire) peut
faire lobjet dune approche scientifique, la condition de repetabilite
qui, seule, fonde lobjectivite de nos disciplines scientifiques faisant ici E & C, p14.
defaut par definition. .
La reponse dans ses grandes lignes est ceci : . . . si nous depouillons par
la pensee levenement unique et singulier de telles ou telles circonstances
anecdotiques qui laccompagnent (. . . ) de manière a` le reduire au
statut doccurrence particulière dune classe plus generale devenements
susceptibles de se repeter, alors, par cette demarche meme, nous le E & C, p14.
constituons en tant quobjet dune connaissance scientifique possible. Et,
par là meme, nous devenons capable davancer des modèles, ou theories
(. . . ), susceptibles detre corrobores ou refutes selon quils se reveleront
ou non en accord non seulement avec cet evenement-ci mais aussi avec
tous ceux qui relèvent de la meme classe (constituee par nous) et que
nous aurons eu loccasion dobserver. .
Il conviendra dès lors dadapter cette demarche au cas particulier
des Fonctions Aleatoires. Et lon note tout de suite que cette voie,
lorsquelle peut etre suivie, permet non seulement delaborer des modèles
( abstraction croissante sur la figure1), mais egalement de les valider
( controle des hypothèses ).
Nous disposons donc dun element de solution au problème methodologique de la Geostatistique Intrinsèque, mais au prix dun engagement
personnel : cest a` nous de decider de ce qui est anecdotique
donc a contrario de ce qui est significatif. Mais il ne faut pas se faire
dillusions : les limites du realisme, voire du simple bon sens, restreignent
notablement cette apparente liberte. Tout lart du Geostatisticien
chevronne consiste a` trouver, avec le moins de tatonnements possibles,
un equilibre harmonieux entre les exigences de realisme et la richesse
du modèle. Mais surtout, le Geostatisticien sait (et doit garder en
permanence a` lesprit) quil nexiste pas de vrai modèle qui aurait
ete perdu et quil faudrait retrouver, mais que tout modèle coherent J J J
en theorie est admissible tant quil est en accord avec les observations
realisees sur le phenomène quil est cense representer.
2.3. M
ecanismes de passage
La mise au point des outils de la Geostatistique Intrinsèque demande
un va-et-vient constant entre les modèles Variable Regionalisee et
Fonction Al
eatoire .
Dans le sens de lelaboration des outils dabord, il sagit dune
2
randomisation . Dans une expression jug
ee interessante et exprimee
2
Nous conserverons ce barbarisme, faute de disposer dun mot francais equivalent

consacre par lusage. Mais, sur une suggestion de F. Maisonneuve, pourquoi
nadopterions-nous pas lexpression : immersion probabiliste ?
18
Aide-M
emoire de g
eostatistique lin
eaire :
en termes de Variable Regionalisee, on substitue Z a` z , et on etudie les

proprietes du nouvel etre mathematique en beneficiant de tout larsenal
des methodes probabilistes. Ainsi par exemple la valeur moyenne
z(v)
1
[v]
z(x) dx
v
calculee sur un support v de mesure [v] est, dans le Modèle Primaire,

un simple nombre. Après Randomisation,
Z(v)
Cest, par exemple,

la d
emarche du
Krigeage, cf. Chapitre 6,
paragraphe 3 .
1
[v]
Z(x) dx
v
est une Variable Aleatoire, cest-à-dire que, dans le modèle constitutif, on

peut lui associer esperance mathematique, variance, loi de distribution,
probabilites de depassement de seuils. . .
` linverse, après traitement probabiliste, on peut revenir dune
A
Variable Aleatoire a` une quantite deterministe en substituant z a` Z
cest cette fois loperation classique de Realisation . Par exemple, si
des considerations probabilistes (sur esperance et variance, par exemple)
nous ont permis de construire un estimateur
Z(x )
(les etant des coefficients de ponderation), nous pouvons associer a`

cette variable aleatoire Z une valeur numerique z , en substituant les
z(x ) aux Z(x ) soit
z(x )
Dans la pratique, ce va-et-vient est beaucoup plus discret. On applique

de facon quasi automatique les formules issues du modèle probabiliste
aux valeurs numeriques, cest-à-dire a` la Variable Regionalisee. Encore
conviendrait-il de sassurer que les manipulations entreprises au
niveau theorique conservent un sens physique. Cette necessite dune
reconstruction op
eratoire sera evoquee au paragraphe ci-dessous.
3. Deux notions essentielles

Nous voulons maintenant examiner de facon un peu plus approfondie
le problème methodologique souleve par le recours a` un modèle
probabiliste.
Une première idee, devant la richesse du modèle de Fonction Aleatoire,
est de limiter nos ambitions et de nous borner a` une classe plus modeste
cest-à-dire a` un ensemble de Fonctions Aleatoires satisfaisant a`
un certain nombre de contraintes. La seconde idee est de choisir des
contraintes qui permettent, dans une certaine mesure, de contourner la
difficulte liee a` lunicite de la Realisation disponible. Cest ainsi que lon
est amene a` solliciter la propriete de stationnarite.
3.1. Stationnarit
e
Au niveau du modèle probabiliste, la stationnarite est une propriete
definie sans ambigute : cest linvariance par translation de la Loi
Spatiale du processus. Autrement exprime, cela signifie que la loi dun
multiplet quelconque de points (de dimensions et orientation fixees) ne
depend pas de limplantation de ce multiplet.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
19
Deux remarques dabord. Dune part, la stationnarite stricto sensu

est une propriete extremement forte, en ceci quelle concerne tous les
multiplets possibles de points du processus. Par contre, cette propriete
ne contient aucune hypothèse specifique concernant les moments, qui
peuvent parfaitement ne pas exister.
Il apparat vite quun tel modèle est totalement inappliquable aux
Variables Regionalisees. Cest pourquoi il nous faut introduire la
propriete de stationnarit
e dordre 2 3 . Cette notion est, elle aussi, une
propriete mathematique precise, qui senonce ainsi : les esperances des
valeurs ponctuelles et des doublets de points du processus existent, et
sont invariantes par translation . On se contente ainsi dune propriete
concernant au plus les lois bivariables, mais on exige en revanche
lexistence des moments dordre 1 et 2 construits sur les valeurs
ponctuelles.
Dire quune quantit

e
existe , cest
dire quelle prend
une valeur finie.
En ce qui concerne les deux premiers moments tout au moins, le

processus se reproduit identiquement a` lui-meme dans toutes les
regions de lespace. Cela signifie quen parcourant lespace, on rencontre
differentes Realisations de la meme loi (du moins au niveau des deux
premiers moments) : on a ainsi dans une certaine mesure, grace a`
lhypothèse de stationnarite, contourne la difficulte liee a` lunicite de
la Realisation disponible.
Il sagit cependant detre prudent. Dabord parce que meme si les lois
(aux deux premiers ordres) du processus dans differentes regions de
lespace sont identiques, elles ne sont pas independantes. De sorte que, en
general, les Realisations multiples que lon a suscitees sont relatives
a` des processus correles. A priori , cela complique considerablement une
approche statistique de ces Realisations.
JJJ
3.2. Ergodicit
e
Mais il y a plus. Il faut pouvoir etablir un pont entre la loi du processus et
sa structure spatiale, qui seule sera observable au niveau de la Realisation
disponible. On dira par definition que le processus stationnaire satisfait
a` lhypoth`
ese ergodique si la suite des moyennes despace
Zn
1
[Sn ]
Z(x)dx
Sn
converge vers lesperance mathematique E [Z] (qui est invariante dans

lespace daprès lhypothèse de stationnarite) lorsque les domaines Sn
tendent vers linfini. Nous renvoyons ici a` la bibliographie pour les
complements techniques sur les modes de convergence.
Mentionnons dès a` present limportance decisive de cette propriete : cest
elle, et elle seule, qui legitime le recours a` des calculs numeriques de
moyennes spatiales pour estimer les deux premiers moments du modèle
probabiliste.
Lantuejoul, 1990 ;
Boulanger, 1990.
Chapitre 4, paragraphe 3.
3.3. R
ecapitulation pr
eliminaire
Nous disposons maintenant de limitations theoriques qui, nous
lesperons, rendront nos modèles operatoires. Ces deux proprietes
peuvent se resumer en quelques formules lapidaires :
stationnarit
e : tout se passe de la meme facon dans toutes les
regions de lespace , ou encore : tout se passe comme si on
avait (les realisations de) plusieurs processus de meme loi . Mais
attention : ces processus ne sont pas independants !
3
Par abus de langage, on se contente souvent de lexpression stationnarite ,

reservant a` la definition precedente le nom de stationnarite stricte .
JJJ
20
Aide-M
emoire de g
eostatistique lin
eaire :
ergodicit
e : lorsquelles sont realisees sur des domaines de plus
en plus grands, les moyennes spatiales convergent vers lesperance
mathematique . Sous reserve que linformation soit suffisamment
abondante, on peut donc approcher les deux premiers moments de
la loi du modèle probabiliste.
I I I Remarquons au passage que la stationnarite nimplique pas lergodicite.
Par exemple, il est immediat que le processus Z(x) = A, o`
u A est une
variable aleatoire quelconque, est stationnaire mais pas ergodique.
3.4. Parall`
ele entre les deux niveaux de mod`
eles
Voir par exemple

Journel, 1978,
chapitres III et IV.
E & C, p105.
Il sagit maintenant de voir en quoi la limitation du modèle probabiliste a`

des processus aleatoires stationnaires et ergodiques permet de maintenir
un parallèle satisfaisant avec le modèle primaire. Pose dans le sens de
lanalyse structurale 4 , tel donc quil se presente dans une etude reelle,
le problème senonce ainsi : la Variable Regionalisee etudiee peutelle (raisonnablement) etre consideree comme Realisation dun processus
stationnaire ergodique ? .
Notons demblee que nous sommes contraints de recourir a` un modèle
probabiliste ergodique. En effet, nous ne disposons que dune seule
Realisation du processus : comment savoir ce quaurait ete la limite
des moyennes spatiales sur une autre Realisation, a` supposer meme que
cette question ait un sens ? Nous sommes donc contraints de supposer
que cette limite est lesperance mathematique, cest-à-dire en particulier
quelle est la meme pour toutes les Realisations. Ce qui revient a` choisir
comme definition de lesperance mathematique la limite de la suite des
moyennes spatiales. .
On observe que lergodicite est une propriete du modèle probabiliste.
Il nen existe pas dequivalent empirique au niveau de la Variable
Regionalisee ; il nexiste donc pas de controle a priori de lopportunite
de representer une Variable Regionalisee donnee par un processus
ergodique. Par contre, il y a des possibilites de controle a posteriori ,
cest-à-dire au niveau de la cohesion interne du modèle probabiliste. En
fait, le Geostatisticien experimente sait assez tot en general au cours
dune etude, par le biais de l allure des fonctions structurales quil
construit, si lergodicite de son modèle est raisonnablement admissible.
Dans toute la suite de ce paragraphe, nous supposons donc le modèle
probabiliste ergodique. La propriete de stationnarite se presente alors
sous un angle totalement different, car on peut maintenant la traduire
au niveau des Realisations (cest-à-dire de la Variable Regionalisee
associee) : les moyennes locales de la Realisation oscillent autour dune
valeur constante dans lespace (consequence de la stationnarite de
lesperance), et ces oscillations ont la meme amplitude dans toutes
les regions de lespace (consequence de la stationnarite du moment
dordre 2). Notons que si le modèle probabiliste etait complètement
specifie, la theorie permettrait de quantifier ces fluctuations, donc
de construire des tests dacceptation ou de rejet de lhypothèse de
stationnarite.
Revenons maintenant au problème tel quil se presente au cours
dune etude sur des donnees reelles. Initialement, nous ne disposons
que de la Variable Regionalisee. La question : cette V.R. peut-elle
(raisonnablement) etre consideree comme Realisation dun processus
stationnaire ? se ramène a` la double interrogation :
1. la Variable Regionalisee presente-t-elle une valeur raisonnablement
constante dans lespace ?
2. si oui, ses fluctuations autour de cette valeur sont-elles dans le meme
temps raisonnablement constantes dans lespace ?
Nous suggerons dutiliser plutot le terme analyse variographique, ou plus
simplement variographie, lexpression analyse structurale initialement
adoptee ayant une autre signification en Sciences de la Terre.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
Cest a` dessein que nous utilisons ladverbe raisonnablement , pour

bien souligner quil sagit cette fois dune question purement empirique.
Il nest pas question a` ce niveau de proposer des tests : au niveau
theorique, des tests de stationnarite exigeraient une specification du
modèle probabiliste bien plus complète a` la fois que ce qui est requis
ulterieurement par la Geostatistique Lineaire, et que ce que lon peut
esperer atteindre en respectant le seuil de realisme. Autrement dit,
lhypothèse de stationnarite au niveau de la Variable Regionalisee est
une conjecture de nature physique, qui doit realiser un equilibre entre
la commodite de manipulation mathematique et la compatibilite avec
les donnees, et qui peut etre remise en cause au cours du travail
geostatistique. Ce sens physique est en definitive beaucoup plus
important que la theorisation mathematique.
21
E & C, p93.
E & C, p93.
3.5. Notion d
echelle
Lapproche physicienne des Variables Regionalisees met en evidence
limportance dun facteur qui est totalement absent du formalisme
probabiliste : lechelle. Il apparat en effet que la reponse a` la question :
la Variable R
egionalisee peut-elle etre consideree comme Realisation
dun processus stationnaire ? depend de l
echelle de travail.
` lexception de phenomènes
Il ny a rien là de mysterieux, au contraire. A
très particuliers (autohomothetiques), un meme objet pourra etre
considere comme regulier ou irregulier, constant ou variable, structure
ou non, stationnaire ou non (tous ces qualificatifs etant pris au sens
empirique), selon lechelle a` laquelle il sera examine : pensons par
exemple aux cartes geographiques. . .
Le mieux est de proposer un exemple. Mais auparavant, denoncons tout
de suite un prejuge malheureusement repandu : il ny a pas de lien
oblige, dune part entre le structure et le deterministe, dautre part entre
lerratique et laleatoire. Nous esperons avoir suffisamment souligne que
d
eterministe ou aleatoire sont des caracteristiques du modèle
que nous avons librement choisi dutiliser. Nous venons de voir que
structur
e ou erratique sont des jugements que nous portons sur
un phenomène etudie a` une certaine echelle.
3.6. Une illustration

La figure2 represente une sequence de pollution par SO2 sur une
periode de 500 jours. Lespace de travail est donc R1 , en loccurrence
le temps. Comme il sagit dun enregistrement, on peut considerer que
la Variable Regionalisee est connue en continu (on negligera linevitable
discretisation informatique). Nous nous proposons de recapituler sur cet
exemple les remarques exposees jusquici.
Peu dobservations peuvent etre faites au niveau du Modèle Primaire. La
figure represente le graphe de la Variable Regionalisee. Cette Variable
Regionalisee, fonction du temps, peut se reveler continue ou non,
derivable ou non, mais rappelons-le ces proprietes seront des
proprietes du Modèle Primaire, non du phenomène lui-meme. Dailleurs,
que serait la derivee de SO2 par rapport au temps ?
La question : cette Variable Regionalisee est-elle Realisation dune
Fonction Aleatoire ? est, faut-il le rappeler, depourvue de sens. Le
recours a` un modèle probabiliste est un choix constitutif que nous
decidons de faire ou de ne pas faire.
Si maintenant nous choisissons de modeliser la Variable Regionalisee par
une Fonction Aleatoire, nous devons adopter un modèle ergodique du
moins tant quun tel modèle ne se revèlera pas incoherent.
Cette Fonction Aleatoire peut-elle de plus etre prise stationnaire ? Cest
ici que lexperience du Geostatisticien doit intervenir. Sur cet exemple
simple, la reponse est facile. Si lon travaille a` lechelle de quelques jours,
Matheron, 1975.
Matheron, 1975.
22
Aide-M
emoire de g
eostatistique lin
eaire :
il est clair que la valeur moyenne subit des variations significatives : il y

a plus de pollution en hiver (autour de t = 50 et de t = 400) quen ete.
Un il un peu plus exerce constaterait egalement que les fluctuations
autour de la valeur moyenne sont plus importantes en hiver quen ete.
En resume, dans ces conditions, un modèle stationnaire (dordre 2)
nest pas a` envisager, puisquaucun des deux premiers moments ne peut
raisonnablement
etre considere comme empiriquement stationnaire.
Mais remarquons que la conclusion serait sans doute differente si on se
limitait a` la periode dete (110 t 240).
Pour completer cette illustration, la figure3 represente le logarithme
des teneurs en SO2 sur la meme periode. Les fluctuations semblent a`
peu près constantes autour dune valeur moyenne (le moment dordre
2 empirique serait donc a` peu près constant), mais cette valeur
moyenne suit des fluctuations saisonnières (et donc le moment dordre 1
empirique apparat grossièrement non stationnaire). Au contraire, les
accroissements dun jour sur lautre des teneurs en SO2 presentent
une moyenne empirique constante (nulle, figure4), mais des fluctuations
variables : cette fois encore, un modèle stationnaire est a` rejeter a priori .
Finalement, cest sur les accroissements des logarithmes (figure5) quil
semblerait possible de proposer un modèle stationnaire, etant bien s
ur
entendu que les controles ulterieurs pourraient nous amener a` rejeter ce
modèle.
4. Structure dune
etude en G
eque
4.1. Rappel pr
ealable
E & C, p4.
. . . on
estime des grandeurs (objectives), on choisit des methodes,

des modèles, ou des paramètres conventionnels, et on convient de
critères.
La plupart des problèmes rencontres au cours dune etude reelle sont des
problèmes destimation, qui ne se poseraient pas en theorie ! si la
Variable Regionalisee etait connue exhaustivement. Mais il existe des cas
o`
u lon souhaite aller plus loin, par exemple proposer une interpretation
du phenomène : le modèle est alors davantage sollicite, les risques accrus,
et les possibilites de controles reduites. Il devient encore plus important
de toujours agir en connaissance de cause, et de toujours se referer aux
donnees dès que cela est possible.
Dans le present expose, a` lexception du prochain chapitre, nous avons
choisi de recourir a` un modèle probabiliste. Encore une fois, ce choix nest
ni vrai ni faux. Cest une libre decision qui a` terme se revèlera judicieuse
ou non ; mais il sagira là dun jugement de lexperience, auquel ne peut
se substituer aucune presentation abstraite.
Chapitre 3,
paragraphe 1.3.
Nous navons pas parle jusquici des critères de choix : comment, dans
un etude particulière, trancher a priori entre plusieurs possibilites. Là
encore, la determination dun critère est chose arbitraire, mais il est clair
que ce critère doit etre formule a` laide des paramètres que le modèle met
a` notre disposition. Nous verrons ulterieurement quen Geostatistique
Lineaire, cest la variance qui joue le role de critère de choix.
Avant dexaminer les deux phases dune etude geostatistique
specification du modèle, puis reconstruction operatoire rappelons
enfin que ces deux etapes nont rien de fige et quil est naturel en cours
de travail de revenir en arrière et daffiner ou corriger un modèle a` la
lumière des premiers resultats qui ont ete obtenus. Une telle demarche
na rien de choquant si lon se souvient que le but nest pas de trouver
un modèle, quil ny a pas de vrai modèle dans la nature, mais quun
modèle nest quun intermediaire qui doit nous permettre de resoudre un
problème concret pose sur des donnees reelles.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
23
4.2. Phase danalyse

Revenons a` la figure1. Partant des donnees physiques (colonne 1), nous
souhaitons arriver a` un modèle qui permette theoriquement (colonne 3)
de resoudre les problèmes poses. Nous avons vu que ce cheminement
comporte a` la fois une part darbitraire (à commencer davoir choisi la
Geostatistique !) et une contrainte de respecter les donnees.
Ce travail est traditionnellement appele analyse structurale, analyse
` notre sens, cest
variographique, ou plus brièvement variographie. A
la phase essentielle de toute etude geostatistique, puisque de sa qualite
depend tout ce qui sera fait en aval. Un mauvais modèle mauvais
au sens de non conforme aux donnees, car nous supposerons au moins
quil ne comporte pas dincoherence theorique ! un mauvais modèle
donc condamne toute letude geostatistique. Cela dit, cela ne signifie pas
quil existe un seul bon modèle.
Et precisement parce quil nexiste pas une solution unique au problème
de lAnalyse Variographique, il nous semble que cette phase de letude est
particulièrement mal adaptee a` un traitement de type bote noire . Ce
serait a` notre sens une erreur methodologique grave que de vouloir fonder
sur quelque test statistique que ce soit une pseudo-objectivite de notre
modèle. Essentiellement, lAnalyse Variographique doit garder la forme
dun dialogue avec les donnees de depart. Les moyens informatiques
actuels ont a` levidence leur mot a` dire ici, mais en direction dune plus
grande interactivite, non pas dun plus grand automatisme.
Nous atteignons ici les limites dun expose comme celui-ci. Car il est
bien difficile de communiquer en peu de mots les experiences, les tours
de main, les intuitions, les modes meme pourquoi pas, qui se conjuguent
pour guider un Geostatisticien dans lelaboration dun modèle. Les
problèmes de communication peuvent etre reels, avec les Naturalistes,
avec les Informaticiens, avec les Statisticiens. Sachons alors nous garder
de tout dogmatisme : le mot de la fin, ce sera la sanction de la pratique.
LAnalyse Variographique comporte evidemment une critique des
hypothèses de stationnarite et eventuellement (a posteriori ) un controle
de lergodicite. Un autre aspect important en est la construction
dune fonction structurale. Dans tous les cas, le praticien avance des
hypothèses, propose des valeurs qui specifieront son modèle. Mais,
pour se garantir au mieux contre le risque de prendre une d
ecision
erronee, (il) doit affaiblir le plus possible les hypothèses anticipatrices sur
lesquelles il est bien oblige de se fonder. Il recherche, par consequent, le
degre de specification le plus faible possible compatible avec la resolution
effective du problème pose. .
Cette règle dor peut etre appelee :
principe
Henley, 1987.
Matheron, 1976, p5-6.
JJJ
E & C, p85.
d
economie .
4.3. Phase de synth`

ese
Sur la figure1, cette phase est plutot nommee reconstruction op
eratoire.
Nous nous trouvons alors a` letape o`
u, une fois le modèle specifie, les
operations theoriques souhaitees ont ete realisees. Ce sont ces operations
estimations, simulations, selections qui font lobjet de tout cours
de Geostatistique theorique. Le problème est maintenant de donner un
sens physique, experimentalement controlable, aux operations abstraites
qui ont ete realisees sur le modèle mathematique.
En realite, cette etape est en general assez fugitive, parce que
les operations realisees au cours dune etude geostatistique sont
generalement toujours les memes, et que le tri a ete fait une fois pour
toutes entre les paramètres conventionnels du modèle et les paramètres
auxquels on peut attribuer une signification objective.
Nous nous bornerons donc ici a` une definition, puis a` lenonce dun
principe methodologique general. Et tout dabord, on appelle grandeur
r
egionale toute quantite qui est parfaitement connue dans la totalite de
E & C, p99.
E & C, p77.
24
Aide-M
emoire de g
eostatistique lin
eaire :
son Champ. A contrario, on designera par param`

etre conventionnel
tout paramètre du modèle qui ne peut etre decrit comme Grandeur
Regionale. Le principe des grandeurs r
egionales senonce alors :
I I I Parmi les paramètres dun modèle topo-probabiliste destine a` decrire
un phenomène unique, seuls ont une signification objective ceux que
lon peut exprimer en termes de grandeurs regionales. De meme, parmi
& C, p74.
les concepts introduits par ce modèle, seuls ont un sens objectif ceux
qui peuvent recevoir une definition operatoire en termes de grandeurs
regionales, cest-à-dire une definition constituee par un système de
relations experimentalement verifiables (dans un domaine donne, avec
une approximation donnee) entre de telles grandeurs. .
La conclusion dune etude geostatistique doit donc etre la reformulation
en termes physiques de ceux des resultats obtenus ayant une signification
objective dans lattente de la sanction de lexperience qui precisera
le degre dobjectivite externe de nos methodes. La boucle de la figure1
est ainsi refermee.
Bibliographie
Ce chapitre est avant tout une lecture rapide et partielle de fait, très
partielle et beaucoup trop rapide ! de
Estimer
et Choisir , Matheron, 1978.
Le lecteur desireux dapprofondir le cheminement qui historiquement a

conduit a` ces differents concepts pourra se referer a` des publications
anterieures, par exemple :
Pr
esentation des Variables R
egionalis
ees , Matheron,
1969.
Hasard,
echelle, structure , Matheron, 1975.
Les concepts de base et l

evolution de la G
eostatistique
mini`
ere , Matheron, 1976.
Ce dernier article evoque, parfois de facon etonnament premonitoire,

les difficultes rencontrees au cours de levolution de la Geostatistique :
difficultes methodologiques bien s
ur, mais aussi difficultes de contact
avec differents interlocuteurs : Naturalistes, Informaticiens, Statisticiens.
Il nest peut-etre pas inutile de renvoyer a` certains ecrits de nature
presque (ou franchement. . . ) polemique, afin que le lecteur puisse se
faire une lecon par lui-meme. Nous avons ainsi cite dans ce chapitre un
article extrait de louvrage
Henley, 1987.
Interpreting
Multivariate Data , Barnett ed., 1981.
ainsi quun article : Kriging : blue or pink ? releve dans

Mathematical Geology de fevrier 1987. Cette revue est dailleurs le lieu
frequent daffrontements passionnes dont le lecteur, sil sait faire la part
des choses, peut, eventuellement, faire son profit.
Pour une presentation plus proche dun expose magistral, nous renvoyons
une fois pour toutes a` :
Les Variables R
egionalis
ees et leur estimation ,
Matheron, 1965.
La th
eorie des Variables
applications , Matheron, 1971.
R
egionalis
ees
et
ses
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
ce dernier document existant egalement en version anglaise.

Enfin, dans une optique plus franchement minière, on pourra citer
comme document de reference
Trait
e
de G
eostatistique Appliqu
ee , Matheron, 1962.
25
26

;

)) () &* !(( &*

#!-( $##/(
/$()) () &* )'#( ) +
$'"! (" %'$ ! ()

#!-(
()'*)*'!
-%$).(( %-( &*(

(*%%!/"#) '(
Figure 1
'$ )/
)) $##' )/(
#) $#
!,%/' #
/$()) () &*( !(( &*

$# ! #/ '
$# ()) $## '
$#!*( $#
!/)*

Aide-M
emoire de g
eostatistique lin
eaire :

#) !!$##
,%!$ )) $#

[1] Variables R
egionalis
ees et Fonctions Al
eatoires
27
28
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 2
G
eostatistique Transitive
Pr
esentation
Ce chapitre nest quune brève introduction aux methodes de
travail direct sur la Variable Regionalisee. Il permet cependant
de degager quelques notions qui seront reprises en Geostatistique
Intrinsèque, en particulier limportance du support, et la necessite
de recourir a
` des modèles. On mettra en evidence les raisons de
recourir ulterieurement aux methodes probabilistes.
Le premier paragraphe definit le Covariogramme Transitif, et
enumère ses proprietes theoriques.
Le second paragraphe examine lutilisation du Covariogramme
Transitif dans un problème simple destimation, et en conclut a
`
la necessite dun modèle.
Le troisième paragraphe detaille et interprète la phase de
modelisation.
1. Le Covariogramme Transitif
Nous nous placons ici dans loptique dune etude directe de la Variable
Regionalisee, cest-à-dire finalement dune fonction definie dans lespace
geographique, hors de tout presuppose probabiliste.
Nous rappelons que la Variable Regionalisee est definie sur un certain
Champ borne (note S ). Nous supposerons que z(x) est identiquement
nulle pour x exterieur a` S .
Chapitre 1,
paragraphe 1.2.
1.1. D
efinition
On appelle covariogramme transitif de z lintegrale despace definie par :
g(h)
z(x) z(x + h) dx
Lintegrale porte sur tout lespace geographique ou, ce qui est

equivalent compte-tenu de sa definition, sur le champ S de la
Variable Regionalisee z .
La notation adoptee est celle de lespace a` 1 dimension ; cest là pure
simplification decriture, le point dx etant en fait le point courant de
lespace geographique (à 1, 2 ou 3 dimensions, ou davantage). De meme,
h represente un vecteur de lespace geographique.
On note enfin que le Covariogramme Transitif est lexemple-type dune
Grandeur Regionale : cest donc une quantite qui, au sens o`
u cela a ete
defini, possède une signification objective dans le Modèle Primaire.
Chapitre 1,
paragraphe 4.3.
1.2. Propri
et
es th
eoriques imm
ediates
De la definition mathematique du Covariogramme Transitif, il decoule un
certain nombre de proprietes theoriques, pour la plupart elementaires,
que nous nous contentons denumerer :
Matheron, 1965, p18-24.
30
Aide-M
emoire de g
eostatistique lin
eaire :
Symetrie :
g(h)
g(h)
Soit Q lintegrale de z(x) sur son Champ, cest-à-dire :

Z
Q =
z(x) dx
Alors :
g(h) dh
Inegalite de Schwarz :
| g(h) |
g(0)
Portee : on appelle portee dans une direction donnee la distance au-delà

Voir aussi Matheron,
1965, p98-100.
de laquelle le Covariogramme Transitif reste definitivement egal a` 0. Il

faut remarquer que la portee est une propriete du champ, non de la
Variable Regionalisee elle-meme.
Covariogramme Geometrique : dans le cas particulier où la Variable

Regionalisee etudiee z(x) est la fonction indicatrice k(x) du Champ
souvent notee egalement S (x) , on a :
z(x)
k(x)
=
(x)
si x S
si x
/S
Un probl`
eme de
notations : les Covariances
G
en
eralis
ees, au
Chapitre 8, seront
egalement not
ees K. La
confusion est cependant
difficile, et nous garderons
cette l
eg`
ere ambigu
t
e
de notations, plut
ot que
bouleverser les habitudes.
Traditionnellement note K(h), le Covariogramme Transitif est dans ce

cas appele covariogramme g
eom
etrique.
K(h) represente la mesure (longueur, aire, volume, selon le nombre
de dimensions de lespace) de lintersection du champ S et de son
translate par le vecteur h. En particulier, K(0) est la longueur
(ou laire, le volume. . . ) de S , et
[K(0)]2
Matheron, 1965, p102-107.
K(h) dh
La derivee K 0 (0) dans une direction represente la variation

diametrale du Champ S dans la direction .
1.3. Positivit
e
Soit un ensemble quelconque de points xi , . . . , xj de lespace
g
eographique , et soit un système de ponderateurs i , . . . , j affectes
a` chacun de ces points.
Alors :
i, j
i j g(xi xj )
=
=
i, j
i, j
i j
z(t) z(t + xi xj ) dt
R
j
i z(t + xj ) z(t + xi ) dt
R P i
2
dt
i z(t + xi )
quantite qui est toujours positive ou nulle.

En resume :
xi , i :
X
i,j
i j g(xi xj ) 0
[2]
G
31
Cette propriete peut etre etendue au cas continu : on doit alors substituer
au système de ponderateurs i une mesure (dt). Alors,
Z Z
(dt) g(t u) (du) 0
Une fonction possedant cette propriete est dite de type positif. Cette
propriete caracterise la classe des fonctions de covariance.
Par ailleurs, le très important th
eor`
eme de Bochner enonce quune
fonction continue est de type positif (donc est une covariance) si et
seulement si elle est transformee de Fourier dune mesure positive
sommable. Le lien est ainsi etabli entre le formalisme transitif et le travail
dans lespace de Fourier.
Remarque capitale : une fonction de type positif dans un certain espace
lest egalement dans un sous-espace de dimension inferieure, mais pas
necessairement dans un espace de dimension superieure 1 .
Fasc. 5, p14.
JJJ
1.4. Comportement `
a lorigine
Il existe un lien etroit entre les proprietes de continuite, derivabilite,
etc. de la Variable Regionalisee, et le comportement a` lorigine de son
Covariogramme Transitif. Ce lien resulte de la formule evidente :
g(0) g(h)
1
2
[z(x + h) z(x)]2 dx
Si z(x) est derivable, g(h) est deux fois derivable a` lorigine ; si z(x)
est continue, g(h) est continue a` lorigine. Une discontinuite de g(h) a`
lorigine est appelee effet de p
epite.
Placons-nous maintenant pour simplifier dans le cas isotrope, cesta`-dire supposons que g(h) ne depend que du module r = | h |
du vecteur h, et non de son orientation. On peut alors proposer un
developpement limite de g(r) au voisinage de lorigine. Il convient
de distinguer dans ce developpement les puissances paires de r, qui
composent la partie r
eguli`
ere du developpement et sont indefiniment
derivables, et les autres termes (puissances impaires et non entières ou
composantes logarithmiques) qui en constituent la partie irr
eguli`
ere ;
on montre alors que le degre de regularite spatiale de la Variable
Regionalisee est lie au terme de plus bas degre de la partie irregulière.
1.5. R
egularisations
Soit une certaine fonction de ponderation p(x) ; notons p(x) sa
transpos
ee definie par p(x) = p(x). On appelle r
egularis
ee de z
par p la Variable Regionalisee definie par
zp (x)
z(x + u) p(u) du
ou, plus synthetiquement :
zp
z p
Il est alors facile detablir que le Covariogramme Transitif gp de zp se

deduit de g (Covariogramme Transitif de z ), par la formule :
gp
1
g p p
La meconnaissance de ce theorème conduit a` des fautes graves, qui se manifestent

essentiellement par lapparition de variances negatives.
Fasc. 5, p12.
Matheron 1965,
chapitre II.
32
Aide-M
emoire de g
eostatistique lin
eaire :
Il serait egalement facile dexpliciter les formules de regularisation au

niveau des developpements a` lorigine.
Matheron 1965,
chapitre II.
Fasc. 5, p15.
Par exemple, Matheron

1965, p44-46 & p55-56.
Un cas particulier de regularisation est la mont

ee de la Variable
Regionalisee. La montee (dordre 1) dune Variable Regionalisee,
dans une direction, consiste a` prendre lintegrale de cette Variable
Regionalisee le long de cette direction. On definit de la sorte une
nouvelle Variable Regionalisee, dans un espace possedant une dimension
de moins. Incidemment, remarquons que cette operation na rien ni
de mysterieux, ni dexceptionnel : elle correspond en particulier a`
loperation, courante en estimation minière, de calcul daccumulation.
Il ny a aucune difficulte ensuite a` definir des montees dordre superieur
(montee de montee, etc. ). On montre alors que le Covariogramme
monte en meme temps que la Variable Regionalisee a` laquelle il est
associe . Dans le cas isotrope, on peut de plus etablir des formules
de montees sur les Covariogrammes Transitifs, particulièrement simples
dans le cas de montees dordre pair. Ces règles de transformation, ainsi
dailleurs que leurs inverses (operation de descente) peuvent sexprimer
terme a` terme au niveau de la partie irregulière du developpement du
Covariogramme Transitif.
2. Application `
a un probl`
eme destimation
Fasc. 5, p25-26.
On se limitera ici a` un exemple très simple destimation (maille regulière

a` 1 dimension), a` seule fin dexaminer comment le Covariogramme
Transitif intervient dans la definition de la Variance dEstimation.
Lextension a` dautres cas de figures (maille aleatoire stratifiee, plusieurs
dimensions) ne modifierait pas essentiellement nos conclusions, et ne sera
pas abordee ici.
2.1. Position du probl`

eme
On se donne a` estimer la quantite
z(x) dx
I I I cette quantite etant une Grandeur Regionale.

Pour cela, on dispose dune maille regulière dinformation, de dimension
a, implantee a` partir dun point x0 : on connat donc les valeurs
z(x0 + pa) où p Z.
Remarque : comme le Champ de la Variable Regionalisee est par
hypothèse borne, z(x0 + pa) nest different de 0 que pour un nombre
fini de valeurs de p.
Lestimateur que lon propose pour Q est de la forme :
Q (x0 )
z(x0 + pa)
La maille etant supposee fixee, il est clair alors que lestimateur Q (x0 )
depend de x0 , et que plus precisement il est une fonction periodique de
x0 , de periode a. Il en est donc de meme de lerreur destimation :
Q Q (x0 )
2.2. Implantation de la maille

Pour le moment, dans le modèle de la Variable Regionalisee, lErreur
dEstimation est une quantite parfaitement deterministe, mais inconnue
[2]
G
33
(à cause de Q qui par hypothèse nest pas connue). Il nest pas possible
den dire plus sans hypothèse supplementaire.
Il nest pas non plus possible den dire plus sur z(x) qui, dans le modèle
Variable Regionalisee, est une realite physique unique parfaitement
deterministe, sur laquelle nous ne savons rien a priori . Mais precisement,
une manière dexprimer ce manque dinformation a priori est de dire que
la maille de reconnaissance a ete implantee au hasard . Tout se passe
en fait comme si lorigine x0 avait ete implantee au hasard sur le segment
[0, a], selon une loi de probabilite de densite constante.
En donnant cette definition precise a` la notion jusquici beaucoup trop
vague d implantation au hasard de la maille de reconnaissance , nous
avons ipso facto constitue lestimateur (et par voie de consequence
lErreur dEstimation) en Variable Aleatoire : nous avons defini une
repr
esentation transitive de la Variable Regionalisee.
Fasc. 5, p21.
E & C, p126.
2.3. Propri
et
es de lErreur dEstimation
Il est alors immediat de calculer lesperance mathematique de lErreur
dEstimation :
E [Q Q ]
Q E [Q ]
Fasc. 5, p21.
Ainsi Q est-il un estimateur sans biais de Q. Intuitivement, cela signifie

que, pour une Variable Regionalisee z(x) immuable, les erreurs que
lon ferait en construisant lestimateur Q (x0 ) pour un grand nombre
dimplantations equiprobablement reparties finiraient par se compenser.
Quant a` la variance de cette Erreur dEstimation, dite encore variance
destimation, elle secrit tous calculs faits :
Var [Q ]
E (Q Q )
g(ka)
g(h) dh
Elle ne depend donc que de la dimension de la maille de reconnaissance,

et du Covariogramme Transitif.
Remarque : on notera que cette Variance dEstimation presente la
structure dune approximation de lintegrale :
g(h) dh
par la somme discrète
g(ka)
2.4. N
ecessit
e dune mod
elisation
Si le Covariogramme Transitif etait connu, cette Variance dEstimation
serait effectivement calculable. Mais si on se place dans loptique
precedente dune estimation, o`
u la Variable Regionalisee nest supposee
connue quaux points (x0 + ka), on ne peut pas connatre le vrai
Covariogramme Transitif :
g(h)
z(x) z(x + h) dx
mais seulement en construire (et de surcrot seulement pour les valeurs

h = ka) un estimateur g appele covariogramme experimental :
g (x; ka)
X
p
z(x0 + pa) z(x0 + pa + ka)
Fasc. 5, p24 ;
E & C,
p127-131.
34
Aide-M
emoire de g
eostatistique lin
eaire :
Fasc. 5, p24.
Si, par la force des choses, on remplace g par g dans la formule de

la Variance dEstimation, cette variance devient nulle. Ce qui signifie
qu il est illusoire desperer, par des procedes purement empiriques,
extraire dun meme materiel purement experimental a` la fois une
estimation et la precision de cette estimation .
Intuitivement, on atteint ici les limites de ce quil est possible de faire
dire aux donnees. Si lon ne veut pas que nos traitements numeriques
se bornent a` des tautologies, nous devons franchir le pas et fournir,
sous notre propre responsabilite, un surcrot dinformation pour pouvoir
aller plus loin. En loccurrence, il sagit de proposer un modèle de
Covariogramme Transitif et tout particulièrement un modèle qui soit
utilisable en continu, et pas seulement sur la maille de reconnaissance.
E & C, p132.
E & C, p132.
Henley, 1987.
Cette demarche est typiquement une hypoth`

ese anticipatrice. Cest
une etape indispensable mais bien s
ur risquee, puisque par nature
elle consiste a` injecter dans nos traitements plus dinformations quil
nen est reellement contenu dans les donnees. Là se situe la difficulte
essentielle de la pratique geostatistique. Mais il faut savoir prendre
ses responsabilites : la pire des choses a` faire ici serait de sen
remettre aveuglement a` quelque procede automatique pour interpoler
entre les valeurs experimentales g . Ce nest pas un test statistique qui
assurerait la validite de la modelisation, et encore moins qui en fonderait
lobjectivite.
Un mot encore de commentaire : dans cette formulation, lexpression de
la Variance dEstimation
Var [Q ]
g(ka)
g(h) dh
relie deux quantites qui ont une signification objective :
la variance elle-meme qui, compte-tenu de la règle dimplantation du

reseau de prelèvement, serait calculable sans ambigute si la Variable
Regionalisee etait connue exhaustivement ;
lexpression en termes de Covariogramme Transitif, qui est une

Grandeur Regionale.
E & C, p130.
Nous sommes arrives a` une telle expression sans avoir besoin dintroduire
aucune hypothèse de stationnarite sur la Variable Regionalisee, ni meme
aucune hypothèse probabiliste : la stationnarite qui se manifeste
ici nest pas une propriete du phenomène, mais seulement une
caracteristique de notre reseau de prelèvements. Notre Covariogramme
Transitif contient exactement la meme information structurale quune
covariance stationnaire, mais presente sur cette dernière un avantage
decisif : il est defini sans ambigute par la relation :
g(h)
z(x) z(x + h) dx
et sa signification est purement objective .
3. Mod
elisation du Covariogramme Transitif
3.1. Contraintes sur le mod`
ele
Chapitre 1,
paragraphe 4.1.
Au sens precis du terme, il sagit destimer le Covariogramme Transitif,

cest-à-dire de pallier une absence dinformation. Nous avons vu que pour
ce faire le recours a` un modèle est inevitable. Mais la liberte nest pas
totale dans le choix de ce modèle, et deux types de contraintes doivent
etre respectees :
[2]
G
35
des contraintes theoriques : le modèle doit satisfaire aux proprietes

mathematiques enumerees precedemment. Il sagit ici de contraintes
essentielles et imperatives ;
Paragraphe 1.2.
des contraintes experimentales : le modèle doit approcher au

mieux les valeurs experimentales disponibles (les g(ka) dans
lexemple dune maille regulière). Il sagit cette fois dune contrainte
de bons sens.
La mise en place dun tel modèle constitue la phase principale de
lAnalyse Variographique. De la qualite de cette etape dependent la
signification et linteret de tout le travail ulterieur sur les donnees.
En ce qui concerne le respect des contraintes theoriques, on lassure en
allant chercher notre modèle parmi des familles de fonctions classiques
qui ont ete elaborees a` la faveur des experiences passees. En fait,
il suffit de peu de modèles de base pour pouvoir faire face a` la
plupart des analyses structurales. Quant a` lajustement du modèle au
Covariogramme Experimental, il constitue loperation o`
u se manifeste
` notre sens, il doit
le plus clairement la pratique du Geostatisticien. A
dans toute la mesure du possible sagir dun travail interactif, susceptible
dailleurs de reajustements a` la lumière des resultats ulterieurs. Cest là
o`
u le Geostatisticien doit prendre ses responsabilites : recourir a` des
tests statistiques automatiques pour franchir cette etape ne serait pas
une solution, mais une derobade.
Sujet de r
eflexion,
h
elas aussi source
de pol
emique.
3.2. Les formules dapproximation

Toujours en se limitant au cas dune maille regulière a` 1 dimension, la
Variance dEstimation
Var [Q ]
X
k
g(ka)
g(h) dh
peut etre consideree comme une fonction 2 (a) de la maille a.

Examinons brièvement le comportement de cette fonction pour de
petites mailles (pour plus de detail, nous renvoyons a` la bibliographie).
Notons quil sagit là dun problème purement analytique : nous etudions
le comportement de 2 (a) lorsque g est un modèle mathematique du
Covariogramme Transitif. Nous designerons par la suite cette fonction
mathematique g sous le nom de covariogramme mod
elis
e.
Si g avait de bons caractères de derivabilite, on pourrait utiliser pour
cette etude un developpement de Mac-Laurin. Mais les modèles usuels
nont pas en general une regularite suffisante pour cela. Il faut expliciter
les calculs, qui font finalement apparatre une decomposition :
2 (a)
E & C, p133-135.
Fasc. 5, p27-41.
Matheron, 1965, p77.
T (a) + Z(a)
dans laquelle
T (a), appele terme regulier ou terme dextension, depend du

comportement de g(h) a` lorigine ;
Z(a), appele terme fluctuant ou parfois Zitterbewegung, depend
du comportement de g(h) au voisinage de la portee.
En ce qui concerne le terme regulier, on peut etablir une correspondance
terme a` terme entre le developpement a` lorigine de g(h) et le
developpement de T (a) pour a petit. On relève egalement que la
partie regulière du Covariogramme napporte aucune contribution au
developpement limite de la Variance dEstimation .
Après coup, ces relations peuvent permettre un controle du modèle.
Si en effet on dispose ulterieurement des moyens de calculer
experimentalement la Variance dEstimation, on peut alors verifier si
Matheron, 1965, p79-81.
Fasc. 5, p29.
36
Aide-M
emoire de g
eostatistique lin
eaire :
le developpement a` lorigine que nous avons adopte pour le modèle du

Covariogramme est compatible avec le comportement de ces variances
destimation experimentales en fonction de la maille. Naturellement,
la realisation effective dun tel controle est assez utopique, mais ceci
ne retire rien a` cette conclusion : le comportement a` lorigine du
Covariogramme Modelise a bel et bien une signification objective.
Ce nest pas une simple extrapolation aux courtes distances dune
courbe experimentale, mais bien une hypothèse que nous pourrons
ulterieurement du moins par la pensee infirmer ou corroborer.
Le terme fluctuant Z(a) pose un problème tout autre. On peut montrer
quil depend essentiellement de la quantite :
E & C, p133.
Fasc. 5, p38.
L/a
(modulo 1)
o`
u L est la portee du Covariogramme et a la maille de reconnaissance.
Le problème, cest que dans les applications, cest-à-dire au niveau du
Covariogramme Experimental, la portee nest justement quencadree
par un intervalle de longueur a. Autrement dit, la quantite est
totalement indeterminee sur [0, 1]. Comme on peut montrer que Z()
est de moyenne nulle sur [0, 1], on choisit par la force des choses
de negliger le terme fluctuant, tout en sachant quil peut avoir une
amplitude considerable.
3.3. Une situation pr

eal
eatoire
Fasc. 5, p39.
Ullmo, 1967, p649.
E & C, p24.
La situation o`
u nous nous trouvons est finalement inattendue. Le
phenomène du Zitterbewegung revèle que de petites modifications des
conditions initiales (ici : le rapport de la maille de reconnaissance a` la
portee) conduisent a` dimportantes variations des resultats ici de la
Variance dEstimation 2 (a). Il sagit là dune situation pr
eal
eatoire :
des conditions initiales ins
eparables entranent ulterieurement une
separation des phenomènes observes .
Notons au passage la dialectique theoriepratique. Dans le formalisme
theorique, fonde sur un modèle de Covariogramme, la portee est une
donnee de lenonce, et la taille de la maille est la variable en fonction
de laquelle on exprime la Variance dEstimation. Dans la pratique au
contraire, cest la maille de reconnaissance qui sera un paramètre (plus
precisement, ce que lon definit comme un param`
etre m
ethodologique)
et la portee du Covariogramme Modelise devient linconnue du problème
de lAnalyse Variographique.
Quoi quil en soit, en negligeant (par la force des choses) le terme
fluctuant Z(a) dans lexpression complète :
2 (a)
T (a) + Z(a)
se passe (. . . ) a` peu près comme si lon considerait 2 (a) comme

une variable aleatoire, dont lesperance serait le terme regulier T (a),
le terme fluctuant Z(a) representant la partie purement aleatoire et
imprevisible .
tout
E & C, p134.
Fasc. 5, p39.
Fasc. 5, p39.
De manière encore plus essentielle, le recours a` un modèle, qui synthetise

(en simplifiant peut-etre considerablement) la Variable Regionalisee ellememe, constitue un equivalent camoufle dun passage a` lesperance
mathematique . Cela est particulièrement spectaculaire peut-etre pour
le comportement a` lorigine, reduit au seul terme le plus bas de la partie
irregulière du developpement, qui est cense representer toute la richesse
du comportement infinitesimal de la Variable Regionalisee. Ainsi, les
methodes transitives, qui se voulaient au depart purement geometriques,
se revèlent, lorsque lon analyse les conditions de leur mise en uvre
effective, comme riches dun contenu probabiliste implicite .
[2]
G
La porte est ainsi ouverte aux methodes probabilistes, qui seront

beaucoup plus developpees que la theorie transitive en raison de leur
commodite demploi. Cependant, cette approche degage une importante
lecon : linterpretation probabiliste est inevitable, mais lhypothèse
` aucun moment en effet,
stationnaire nest pas reellement necessaire . A
nous navons eu a` formuler dhypothèse sur la Variable Regionalisee
elle-meme ; et cest bien ainsi, car cette Variable Regionalisee est une
realite physique (ou presque : cest le Modèle Primaire qui lest) que
nous ne pouvons pas plier a` nos caprices intellectuels. Finalement,
cest la stationnarit
e du reseau qui nous a permis, en labsence de
toute hypothèse portant sur la Variable Regionalisee, de beneficier des
circonstances très avantageuses que lon croit generalement liees a` la
stationnarite du phenomène lui-meme, ou de la Variable Regionalisee qui
le represente. (. . . ) la stationnarite peut souvent etre introduite, non pas
a` titre dhypothèse relative a` la realite physique, mais simplement comme
une caracteristique de la methode destimation choisie par nous .
37
Fasc. 5, p40.
E & C, p135.
3.4. Remarque sur la stationnarit

e
On pourrait peut-etre discerner une contradiction entre ces dernières
remarques dans lesquelles la stationnarite est absente du Modèle
Primaire et les developpements proposes au chapitre precedent. En
realite, il y a une position dequilibre a` trouver, et ce qui permet de
trancher est la possibilite de realiser linference statistique. On est amene
a` definir une condition de quasistationnarite, ou encore de stationnarite
locale, condition pratique pour rendre possible lajustement dun
modèle. Pour plus de detail, nous renvoyons a` la bibliographie. Ce qui
semble important ici, cest de faire apparatre une nouvelle fois la notion
dechelle de travail, notion absente des formalismes probabilistes, mais
capitale pour leur application a` des donnees reelles.
Fasc. 5, p97-102.
Chapitre 1,
paragraphe 3.5.
3.5. Les trois Covariogrammes

Nous voulons conclure ce chapitre par un inventaire des outils
structuraux que nous y avons rencontres.
Le Covariogramme Transitif dabord, defini par :
g(h)
z(x) z(x + h) dx
est une Grandeur Regionale. Inaccessible en pratique, il nen possède

pas moins une signification objective, et cest lui qui serait la fonction
structurale optimale pour calculer les variances destimation.
Notons ici, par opposition a` ce qui apparatra dans le modèle
probabiliste, que le Covariogramme Transitif traduit a` la fois des
proprietes structurales de la Variable Regionalisee et des proprietes
geometriques de son Champ. Cet amalgame nest pas toujours
souhaitable, ce qui explique en partie parfois le renoncement aux
methodes transitives. Il est des situations o`
u lon prefererait manipuler
des proprietes intrinsèques de la Variable Regionalisee.
Le Covariogramme Experimental g nest pas a` proprement parler
une fonction, mais un nuage de points experimentaux. Dans lexemple
(1 dimension, maille regulière a) que nous avons propose, il apparat
comme une succession de valeurs :
g (x0 ; ka)
z(x0 + pa) z(x0 + pa + ka)
Dans la pratique, il faut tenir compte de tolerances de calcul sur les

distances, les directions, etc. Un Covariogramme Experimental est une
approximation, une première estimation du Covariogramme Transitif.
Voir aussi
Matheron, 1965, p96-102.
Paragraphe 2.4.
38
Aide-M
emoire de g
eostatistique lin
eaire :
Enfin, le Covariogramme Modelise est une fonction mathematique,

qui est censee representer le Covariogramme Transitif. Cest ce
Covariogramme Modelise que lon injecte dans les programmes
informatiques, en lieu et place du Covariogramme Transitif qui figure
dans les expressions mathematiques theoriques.
Voir par exemple
Chauvet, 1987 (b), p2-8.
Ces trois statuts se retrouveront au niveau de toutes les fonctions

structurales que nous rencontrerons par la suite, a` de simples nuances
près : nous ne reviendrons donc plus sur ces distinctions lorsque dautres
outils structuraux seront examines (variogrammes ou covariances
generalisees, dans le cadre de la Geostatistique Intrinsèque).
Pour resumer, lessence de la Variographie en Geostatistique Transitive
consiste alors a` ajuster un Covariogramme Modelise au Covariogramme
Experimental, et a` lui faire jouer le role du Covariogramme Transitif au
cours des calculs numeriques qui sont developpes ulterieurement.
Bibliographie
Les modèles transitifs font lobjet du chapitre 1 du Fascicule 5 ,

ainsi que du Chapitre VI de Estimer et Choisir .
Dans
Les Variables R
egionalis
Matheron, 1965.
on trouvera le detail des calculs mathematiques sur les mecanismes

de montee et descente, le principe de correspondance, et les formules
dapproximation.
Chapitre 3
Buts et moyens de la
G
eostatistique Lin
eaire (1)
Pr
esentation
Ce chapitre precise les limites que nous fixons aux modèles
probabilistes dans le cadre de cet expose. Nous nous placons
ici au niveau theorique, plus precisement dans le cadre dune
hypothèse stationnaire dordre 2 (les problèmes de reconstruction
operatoire ne sont pas abordes). Cette première partie sachève
par lexplicitation du calcul des variances.
Le premier paragraphe donne la liste des outils que sautorise la
Geostatistique Lineaire, et en precise les limites dapplication.
Dans le cadre du modèle stationnaire, le second paragraphe definit
le r
ole de la variance en Geostatistique Lineaire, et en donne le
mode de calcul.
Le troisième paragraphe introduit la notion de Variance
dExtension, qui en particulier aura une importance decisive au
niveau des estimations.
Le quatrième paragraphe definit la Variance de Dispersion, qui
generalise la variance des statistiques classiques, et qui sert
egalement dintroduction aux modèles non stationnaires.
1. Limites de la g
eostatistique lin
eaire
1.1. Cadre de travail
G
eostatistique
Lineaire est un raccourci : il convient de preciser

une fois pour toutes que nous nous placons desormais dans le cadre
de la Geostatistique Intrinsèque, et que les developpements qui vont
suivre concernent le modèle probabiliste la Fonction Aleatoire et non
la Variable Regionalisee. Il sagit donc ici dune presentation non pas
physique, mais mathematique.
Cela dit, il est evident que les outils qui seront presentes doivent
faire lobjet dune Reconstruction Operatoire. Les mecanismes de cette
operation ont ete partiellement evoques au chapitre precedent ; il
apparat dailleurs dans le detail que la question ne se pose pas de facon
semblable selon que lon travaille globalement (totalite du champ de la
Variable Regionalisee) ou localement. Pour alleger lexpose, nous avons
prefere renvoyer sur ce point a` la bibliographie.
Nous nous placons donc dans le cas o`

u nous avons choisi de considerer
la Variable Regionalisee comme Realisation dune Fonction Aleatoire,
et pour le moment dune Fonction Aleatoire Stationnaire dordre 2.
En toute generalite, loutil le plus complet qui permette de decrire une
Fonction Aleatoire est sa loi spatiale, cest-à-dire la fonction :
f (x1 , . . . , xn ; z1 , . . . , zn )
P (Z(x1 ) z1 , . . . , Z(xn ) zn )
E & C,
chapitres VI et VII.
En abr
eg
e : FASt-2
40
Aide-M
emoire de g
eostatistique lin
eaire :
definie pour tout nombre n de points dappui, et pour toute implantation

x1 , . . . , xn de ces n points.
E & C, p170.
Chapitre 1,
paragraphe 3.1.
En depit des contraintes theoriques quimpose sa coherence interne,

la Loi Spatiale est une fonction dune incroyable richesse, et il est
demblee clair quil sera impossible en toute generalite de lui donner
une signification objective. On sait dailleurs, meme en hypothèse
stationnaire, quil serait illusoire de vouloir obtenir des renseignements
valides sur les lois a` trois variables ou plus. En Geostatistique Lineaire,
on choisit alors de limiter de facon draconienne la panoplie des outils
disponibles, et on se borne a` manipuler les deux premiers moments
de la Fonction Aleatoire qui existent si nous sommes en hypothèse
stationnaire dordre 2.
On designera en toute generalite ces deux premiers moments par m(x)
et C(x, y) (ou plus simplement par mx et Cxy ) avec respectivement :
mx
E [Z(x)]
Cxy
Cov [Z(x), Z(y)]
en rappelant quil sagit dune covariance centree.
1.2. Limites du mod`

ele
Il reste bien peu de choses de la richesse de la Loi Spatiale. Non seulement
on perd tout controle sur les lois multivariables, mais les lois mono- ou
bivariables ne sont connues que par leurs esperances.
Des traits peut-etre essentiels de la Fonction Aleatoire (et par ricochet
de la Variable Regionalisee quelle modelise) sont desormais invisibles a`
nos outils :
une esperance ne
voit pas les atomes, les dissym

etries, les
multimodalites, les queues de distribution, etc. de la loi ;
une covariance est par nature symetrique, et ne voit donc pas les
phenomènes de diffusion ni de manière generale les comportements
lies a` des equations devolution ; pire, elle ne voit pas les relations
dinegalites entre variables, la forme des lois conditionnelles, etc.
En ce qui concerne le champ dapplication de ces outils, on voit
très vite quil faut sastreindre a` ne manipuler que des combinaisons
lineaires de la Fonction Aleatoire etudiee : dans le modèle, ce nest
que pour de telles expressions que lon saura fournir une esperance et
une variance. Comme consequence, cela implique quil faudra travailler
sur des Variables Regionalisees additives, cest-à-dire telles que toute
combinaison lineaire de cette variable ait le meme sens physique que
la variable ponctuelle, si lon veut garder une signification physique a`
nos operations mathematiques. Cette règle pourra cependant subir des
entorses dans le cas de problème de type purement cartographique.
Autrement dit, meme le choix de la variable etudiee peut poser des
problèmes dans le formalisme lineaire. Lexemple classique est fourni
en estimation minière, o`
u le triplet teneurpuissanceaccumulation est
redondant au niveau des donnees. Mais les deux dernières variables
sont additives alors que la première ne lest pas, de sorte que pour une
estimation, il nest pas indifferent de savoir sur quelle paire de variables
on choisit de travailler.
1.3. Utilisation du mod`

ele
Avec tant dinconvenients reels il faut bien que le modèle
de Geostatistique Lineaire presente quelque avantage, pour quon lui
consacre ainsi un expose. . .
Ces avantages tiennent en peu de mots, et semblent de peu de poids
au regard des restrictions precedentes, et ils sont pourtant bien souvent
[3]
eostatistique Lin
eaire (1)
decisifs. Et tout dabord, la Geostatistique Lineaire est facile a` mettre en

uvre. Les mathematiques requises sont elementaires, et les mecanismes
de raisonnement sont toujours les memes. Cest donc une theorie simple
qui, meme si elle nest comprise que comme prelude a` des methodes plus
elaborees, presente a` notre avis une notable valeur pedagogique.
Mais surtout, la Geostatistique Lineaire, en particulier au debut dune
etude, est bien souvent la seule approche possible. Du fait du petit
nombre de paramètres quelle conduit a` inferer, elle peut etre utilisable
sur des jeux de donnees pour lesquelles des techniques plus sophistiquees
seraient en echec. Cest evidemment là un argument decisif, meme si
ulterieurement on a recours dès que possible a` dautres methodes.
Quant a` la philosophie dutilisation des methodes lineaires, elle est
egalement très simple : les esperances sont utilisees pour definir la valeur
des estimateurs, les variances sont utilisees comme critère de qualite de
ces estimateurs. Là aussi, il sagit de choix : on aurait pu imaginer des
estimateurs fondes sur la mediane ou le maximum de vraisemblance, des
critères utilisant des intervalles de confiance, etc. mais a` chaque fois,
il aurait fallu des outils plus perfectionnes et un modèle plus riche, ce
qui nest pas toujours possible, tant sen faut.
41
Voir en particulier
les d
eveloppements
de G
eostatistique
Non Lin
eaire.
JJJ
1.4. Commentaire
Pour en terminer avec ce tour dhorizon preliminaire du domaine de
la Geostatistique Lineaire, il est peut-etre bon de mentionner des
interrogations que lon rencontre parfois dans la litterature, comme
par exemple : la Geostatistique Lineaire est-elle ou nest-elle pas non
parametrique ? . Ces questions saccompagnent souvent de promotion
de telle ou telle methode non parametrique . . .
Il ne nous semble pas que de telles questions soient les bonnes.
Comme tout le monde, nous aimerions pouvoir construire lestimateur
de lesperance conditionnelle, mais nous savons dans le meme temps que,
dans le monde physique, cet estimateur est definitivement inaccessible.
Comme tout le monde, nous savons que la mediane est un estimateur plus
robuste et souvent bien plus robuste que lesperance, mais nous
savons aussi (comme tout le monde esperons-le) que cet estimateur est
inadapte pour estimer des valeurs moyennes, et a fortiori pour realiser
des changements de support.
Ainsi, si les critiques envers la Geostatistique Lineaire sont de nature
purement mathematique, elles sont inutiles parce quevidentes. Il est
trivial que, dans un modèle theorique fixe quelconque, on puisse trouver
mieux quun estimateur lineaire, et meilleur critère que la variance.
Mais nous nous placons dans un contexte pratique. Nous ne sommes
pas libres de choisir tout modèle qui nous plairait, et nous devons pardessus tout respecter les donnees. La marge de manuvre existe
et elle nous est dailleurs parfois reprochee mais elle a ses limites.
Aussi, lattitude qui nous semble raisonnable est dagir en connaissance
de cause, sans se dissimuler les limites et les risques de la methode,
mais sans non plus faire preuve de trop de purisme. Nous savons que
la Geostatistique Lineaire est dautant mieux adaptee a` une etude que
la Fonction Aleatoire traitee est proche dune Fonction Aleatoire
gaussienne. Dans des cas fortement non-gaussiens , la Geostatistique
Lineaire peut se reveler insuffisante, y compris pour de simples problèmes
destimation. Encore faudrait-il pouvoir definir une distance entre une
Fonction Aleatoire et une loi gaussienne, distance qui soit dans le meme
temps un indicateur de la degradation de la qualite de lestimation
lineaire . Un sujet de recherche passionnant, mais bien difficile !
Quoi quil en soit, les Geostatisticiens nont pas attendu pour mettre
en evidence les limites des methodes lineaires, et pour proposer des
alternatives. La Geostatistique Non Lineaire qui sort des limites de
cet expose est une des reponses possibles a` ces problèmes.
Henley, 1981.
E & C, p168.
E & C, p98.
Voir un cours de
G
eostatistique
Non Lin
eaire.
Notion a
` d
efinir !...
E & C, p168.
42
Aide-M
emoire de g
eostatistique lin
eaire :
2. M
ecanismes de calcul des variances
Dans toute la suite de ce chapitre, nous nous placerons dans
le cadre de lhypothèse de stationnarite dordre 2.
2.1. Les Combinaisons Lin

eaires Autoris
ees
Une convention de
notations classique,
que nous utiliserons
d
esormais de fa
con
assez syst
ematique.
i
Notations : les combinaisons lineaires
i Z(xi ) construites sur la
Fonction Aleatoire seront desormais notees : i Zi . Le cas echeant, il
nous faudra aussi manipuler des mesures, soit :
(dt) Z(t)
Dans le cadre de la Geostatistique Lineaire, cest sur des combinaisons

lineaires que porteront les deux outils, esperance et variance.
Encore faut-il, lorsquon ecrit :
E i Z i
Var i Zi
ou
I I I que ces expressions aient mathematiquement un sens : il faut que la

combinaison lineaire i Zi admette, dans le modèle probabiliste, une
esperance et une variance ce qui en toute generalite ne va pas de soi.
Bien s
ur, cette remarque peut sembler totalement superflue dans le
cas present, puisque nous nous trouvons dans le cadre dun modèle
stationnaire dordre 2, et que donc par hypothèse les deux premiers
moments existent pour toute combinaison lineaire.
Il nous semble au contraire quil vaut mieux, dès maintenant, fixer une
fois pour toutes cette règle de conduite :
III
III
Avant decrire des formules comme E i Zi ou

Var i Zi , il faut imperativement sassurer que
ces expressions sont licites, cest-à-dire quelles ont
mathematiquement un sens.
ce qui peut aussi sexprimer : . . . cest-à-dire que ces quantites ne

peuvent prendre (dans le modèle) de valeurs infinies .
Une combinaison i Zi , ou une integrale Z(t) (dt), verifiant cette
propriete sera appelee une Combinaison Lin
eaire Autoris
ee ce que
lon notera en abrege : CLA.
i
Un système de poids i affectes a` des points xi et tels que
R Zi soit
une CLA, ou plus generalement une mesure (dt) telle que Z(t) (dt)
soit une CLA, sera appele mesure autoris
ee.
2.2. Moments dune CLA

Paragraphe 1.1.
Soit i Zi une CLA. Ses deux premiers moments existent par hypothèse
et, en gardant les notations precedentes :
E i Z i
Var i Zi
i mi
i Cij j
Notons au passage que ces formules ne requièrent aucune propriete de

stationnarite, mais seulement lexistence des deux premiers moments.
[3]
eostatistique Lin
eaire (1)
43
La formule fondamentale :
Var i Zi
i Cij j
qui exprime la variance dune CLA comme forme quadratique construite

sur une fonction structurale, nous accompagnera sous des presentations
diverses au long de tous les chapitres a` venir.
2.3. Propri
et
es de la covariance stationnaire
Rappelons que nous nous sommes places pour le moment en hypothèse
stationnaire dordre 2. En ce qui concerne le premier moment, on en
deduit :
m(x + x0 )
m(x0 )
m(x)
C(x, y)
donc :
(constant dans lespace)
Pour le moment dordre 2 :
C(x + a, y + a)
x, y
donc :
C(x, y)
avec h = (x y)
C(h)
Les proprietes mathematiques de la covariance stationnaire sont voisines

de celles du Covariogramme Transitif :
Chapitre 2,
paragraphe 1.2.
Symetrie :
C(h)
C(h)
Inegalite de Schwarz :
| C(h) |
Positivite :
C(0)
(dt) C(t u) (du)
Le comportement analytique de la covariance a` lorigine est lie aux

caractères de continuite ou de derivabilite en moyenne quadratique de
la Fonction Aleatoire.
Fasc. 5, p57.
Remarque : contrairement a` ce qui se passait dans le cas du

Covariogramme Transitif, il ny a pas de raison pour que C(h) soit
identiquement nul au-delà dune certaine valeur de h. Il nest meme pas
assure que lintegrale :
Z
C(h) dh
existe (cest-à-dire : ait un sens, et prenne une valeur finie).
Chapitre 4,
paragraphe 3.3.
44
Aide-M
emoire de g
eostatistique lin
eaire :
3. Variance dextension
3.1. Notations
Soit un domaine v borne quelconque. On designera par Z(v)

la Variable
Aleatoire obtenue en faisant la moyenne spatiale de Z(x) sur v , soit :
Z(v)
1
[v]
Z(x) dx
v
o`
u la notation [v] designe la mesure (longueur, aire, volume, etc. ) du
domaine v .
Remarque : nous ne distinguerons pas le cas o`
u v serait un ensemble fini
de N points xi , ce qui donnerait alors :
Z(v)
Fasc. 5, p60.
1 X
Z(xi )
N i
On peut montrer, comme v est borne, que Z(v)

admet une variance et
que cette variance peut secrire :
v)
C(v,
Paragraphe 2.2.

Var Z(v)
[v]
Z Z
v
C(x y) dx dy
v
ce qui nest autre que la version continue de la formule fondamentale

exprimant la variance dune CLA..
3.2. Formule de la Variance dExtension

2
Soient deux domaines v et v 0 . On note E
(v, v 0 ) , et on appelle variance
0 ), soit :
dextension de v a` v 0 , la variance de la difference Z(v)
Z(v
2
E
(v, v 0 )
0)
Var Z(v)
Z(v
Rappelons que, dans le cadre du modèle stationnaire dordre 2, toute

combinaison lineaire est autorisee, de sorte que lecriture ci-dessus est
licite theoriquement.
0 ), en
On peut proposer une interpretation de la difference Z(v)
Z(v
0)
considerant par exemple Z(v) comme une moyenne a` estimer, et Z(v
0 ) represente alors lerreur

comme son estimateur. Lecart Z(v)
Z(v
0) .
destimation de Z(v)
par Z(v
Paragraphe 2.3.
Daprès nos hypothèses de stationnarite dordre 2,
0)
E Z(v)
Z(v
Clairement, cette
propri
et
e de non-biais est
eminemment souhaitable
lors de la construction
dun estimateur
...
mm
0 ) constitue un estimateur
Cette propriete sexprime en disant que Z(v
.
sans biais de Z(v)
Quant a` la Variance dExtension, elle se developpe en :
2
E
1
[v]
Z Z
v
C(x y) dx dy +
v
1
[v 0 ]
Z Z
[v] [v 0 ]
v0
C(x y) dx dy
v0
Z Z
v
C(xy) dx dy
v0
[3]
eostatistique Lin
eaire (1)
45
ou plus synthetiquement :
2
E
v0 )
v) + C(v
0 , v 0 ) 2C(v,
C(v,
avec les notations du paragraphe 3.1.
3.3. Analyse de la formule
0 ) ,
Si on conserve le point de vue : estimation de Z(v)
par Z(v
2
0
E (v, v ) est donc une mesure de la qualite de cette estimation, puisque
lon a convenu de dire quune estimation est dautant moins bonne que
la variance de lerreur est plus forte.
Comme il a ete dit precedemment, on peut legitimement juger ce critère
trop fruste. Il ne constitue effectivement quune règle du jeu que lon
peut a priori accepter ou rejeter. Mais, une fois quelle est acceptee
en connaissance de cause, cette règle peut se reveler bien utile, par
exemple pour classer des estimateurs. Linterpretation de cette operation
ne pose pas de problème majeur, et a` la Variance dExtension peut etre
appliquee la procedure de Reconstruction Operatoire. Le formalisme
des repr
esentations glissantes pour lequel nous renvoyons a` la
bibliographie permet alors de donner un sens objectif a` la Variance
dExtension ; cest là un exemple de contrecoup positif, et essentiel, de
la simplicite du modèle.
Paragraphe 1.4.
Matheron &
Formery, 1962.
E & C, p147-151.
Bien s
ur, les limites dun tel critère sont evidentes. Nous en relèverons
deux seulement, mais dimportance :
2
E
nest pas une variance conditionnelle. En particulier, cette
Variance dExtension fait jouer un role symetrique a` la quantite

a` estimer et a` lestimateur : la Variance dExtension de v a` v 0
est toujours egale a` celle de v 0 a` v . Autrement dit, la variance
de l(erreur d)estimation de laltitude moyenne de la France par
laltitude de la porte dentree de lEcole

des mines est egale a` celle
de lestimation de laltitude de cette porte dentree par laltitude
moyenne de la France. . . et ne depend pas des valeurs des donnees
utilisees pour realiser cette estimation ;
Il y a loin dune Variance dExtension a` un intervalle de confiance.

Il faut etre très clair sur ce point : la Variance dExtension en
elle-meme ne permet pas de proposer un intervalle de confiance
pour lestimateur ; il faudrait pour cela dimportantes hypothèses
supplementaires. Or il est vrai que, consciemment ou non, cest
a` un intervalle de confiance que se refère souvent lutilisateur
dune methode destimation : en matière de Geostatistique, il lui
faudra alors sadresser a` des methodes du reste classiques de
Geostatistique Non Lineaire ou de Simulations.
Pour en revenir a` lexpression mathematique elle-meme, nous relevons
que la Variance dExtension depend :
de la structure de la Fonction Aleatoire, par lintermediaire de la

fonction de covariance ;
de la geometrie du domaine a` estimer ;

de la geometrie de lestimateur ;
de la position relative du domaine a` estimer et de lestimateur.
JJJ
46
Aide-M
emoire de g
eostatistique lin
eaire :
Si nous restons, comme dans tout ce chapitre, dans le cadre

dune hypothèse de stationnarite dordre 2, il est clair que cette
Variance dExtension ne depend pas de limplantation particulière de
la configuration destimation formee par lunion de v et v 0 . Plus
precisement, si nous notons par h v le translat
e de v par le vecteur
h cest-à-dire lensemble des points x tels que x h v , alors
2
E
(v, v 0 )
2
E
(h v, h v 0 )
On peut donc dire que la Variance dExtension est une caracteristique

non locale de notre modèle ; elle ne depend que de la geometrie du
problème, et du modèle global exprime par la fonction structurale.
Une curiosite, enfin : supposons que v et v 0 se reduisent respectivement
au point {x} et au point {x + h}. La formule generale devient :
2
E
({x}, {x + h})
Premi`
ere apparition du
concept de variogramme.
2C(0) 2C(h)
Cette Variance dExtension dun point {x} quelconque au point {x+h}

nest fonction que de h compte-tenu de lhypothèse de stationnarite
dordre 2, et connatra une certaine notoriete (et une importance
decisive) au fil des paragraphes suivants. . .
3.4. Cas particulier dun r

eseau de pr
el`
evements fini
0 ) soit constitue de la moyenne :
Supposons que lestimateur Z(v
0)
Z(v
Fasc. 5, p66.
1 X
Z(xi )
N i
de N valeurs ponctuelles. La formule generale de la Variance dExtension

est bien s
ur toujours valable, mais elle peut aussi etre ecrite dans ce cas
particulier en remplacant les integrales par des sommes finies :
2
E
1
[v]
Z Z
v
C(x y) dx dy +
v
1 XX
C(xi xj )
N2 i j
N [v]
Chapitre 2,
paragraphe 2.2.
Chapitre 2,
paragraphe 3.33.4.
Z X
v
C(xi y) dy
Cette expression qui dans sa signification ne diffère absolument pas

de la forme generale est parfois appelee variance destimation de v
par les prelèvements Z(xi ). Elle peut souvent etre interpretee comme un
melange de calculs exacts et de calculs approches des memes integrales,
et peut a` ce titre etre comparee a` la formule semblable obtenue dans le
cadre du modèle transitif. Cette convergence, qui ne devrait plus nous
surprendre, laisse dores et dejà prevoir dans le modèle intrinsèque des
règles (correspondances terme a` terme et approximations) voisines de
celles rencontrees dans le cas transitif.
4. Variance de dispersion
La notion que nous voulons definir maintenant nous semble occuper une
place tout a` fait singulière en Geostatistique :
la première raison en est historique : on peut interpreter la

genèse de la Geostatistique comme la recherche dexplication a`
des comportements de cette variance de dispersion, comportements
qui se revèlent incompatibles avec le formalisme de la Statistique
classique. Naturellement, lexpression meme de variance de
[3]
eostatistique Lin
eaire (1)
47
dispersion netait pas encore introduite, mais la notion etait dejà

bien connue et manipulee par les mineurs dor dAfrique du Sud ;
en second lieu, ces manipulations purement empiriques ont

immediatement ouvert la voie a` un elargissement theorique du
modèle stationnaire ; retrospectivement, on peut dire que les
premières manipulations de la variance de dispersion contenaient
les premisses de la Geostatistique Non Stationnaire ;
Chapitre 4.
par la suite, ce formalisme permet dintroduire la notion essentielle

de Changement de Support, qui joue un role capital en
Geostatistique Non Lineaire ;
enfin, la variance de dispersion permet delaborer un controle de

lhypothèse dergodicite du modèle utilise.
E & C, p108.
Remarque : la Reconstruction Operatoire est ici un peu plus compliquee

que par exemple pour la Variance dExtension : nous renvoyons
pour plus de details a` la bibliographie. Nous nous proposons seulement
dans cet expose de fournir les etapes de la definition de la variance de
dispersion. Notons ici une situation peu frequente : nous devons aller
chercher le point de depart de cette definition au niveau du modèle
primaire, cest-à-dire de la Variable Regionalisee.
E & C, p107.
4.1. Dispersion statistique de v dans V

Soit un certain domaine V de lespace geographique, et une partition de
V par des sous-domaines vi identiques a` une translation près. Les vi se
deduisent donc tous par translation dun certain domaine generique v :
v1
vi
vj
v
vN
Designons par z la valeur moyenne sur V de la Variable Regionalisee

z(x) etudiee, et par zi la valeur moyenne de z(x) sur vi . On a donc :
Z
Z
1
1
z =
z(x) dx
et
zi =
z(x) dx
[V ] V
[vi ] vi
Soit N le nombre de sous-domaines vi constituant V :
N
[
i=1
vi
et
v i vj
si i 6= j
Probl`
eme de notations :
nous conserverons dans
tout ce paragraphe lusage
de d
esigner par V ou
W le domaine. Lemploi
dune majuscule ne d
esigne
bien s
ur pas dans ce cas
une quantit
e al
eatoire !
48
Aide-M
emoire de g
eostatistique lin
eaire :
On appelle alors dispersion statistique de v dans V et on note s2 (v | V )

la quantite :
s2 (v | V )
1 X
(
zi z)2
N i
Il ne sagit ni plus ni moins que dune generalisation de la dispersion

(ou plus precisement de la variance) au sens de la statistique classique.
Du reste, si on fait tendre v vers un support ponctuel, on retrouvera la
variance statistique usuelle de z(x) (ponctuelle) dans le champ V .
4.2. Passage `
a la version probabiliste
Chapitre 1,
paragraphe 2.3.
Suivant le mecanisme classique de randomisation , on transpose

lexpression precedente dans le modèle probabiliste. Formellement, cela
revient tout simplement a` remplacer la Variable Regionalisee z par la
Fonction Aleatoire associee Z . On definit ainsi un objet qui a le statut
mathematique dune Variable Aleatoire, notee S 2 (v | V ) :
S 2 (v | V )
2
1 X
Zi Z
N i
Selon le mecanisme de passage inverse, on voit donc que la Dispersion

Statistique de v dans V definie au paragraphe precedent sinterprète
comme une Realisation de cette Variable Aleatoire S 2 (v | V ).
4.3. Variance de dispersion de v dans V

On definit la variance de dispersion de v dans V comme etant
lesperance mathematique de S 2 (v | V ), et on la note 2 (v | V ) :
2 (v | V )
Fasc. 5, p67-68.
Voir compl
ement
en fin de chapitre.
E S 2 (v | V )
Lexplicitation de cette formule ne presente pas de difficulte : elle est

fondee uniquement sur des interversions dintegrales et de sommes, et
sur la linearite de lintegrale ; notons toutefois que cest a` cette etape
quintervient de facon cruciale lhypothèse que les vi constituent une
partition de V . Tous calculs faits, on obtient :
2 (v | V )
v) C(V,
C(v,
V)
Remarque : cette formule pourrait dailleurs etre utilisee comme

definition de la Variance de Dispersion ; il ny aurait alors plus de
contrainte de partition de V par v . On pourrait meme imaginer que
v soit un sur-ensemble de V , auquel cas 2 (v | V ), desormais depourvu
de sens physique, pourrait parfaitement etre negatif. Dans cette optique,
on pourrait egalement introduire la covariance de dispersion de v et v 0
dans V , par :
2 (v, v 0 | V )
...
Un sujet de r
eflexion
v 0 ) C(V,
C(v,
V)
Mais, dans ces conditions, on perdrait la possibilite de realiser la

Reconstruction Operatoire. En revanche, on introduirait la possibilite
theorique dexprimer la Variance dExtension de v a` v 0 a` laide des
(co)variances de dispersion dans un champ V arbitraire :
2
(v, v 0 )
E
2 (v | V ) + 2 (v 0 | V ) 2 2 (v, v 0 | V )
[3]
eostatistique Lin
eaire (1)
49
4.4. R
esultats compl
ementaires
Lorsque v est reduit a` un point, le modèle de partition de V par v est
toujours possible, quelle que soit la forme de V . La formule generale se
simplifie en :
2 (0 | V )
C(0) C(V,
V)
4.5. Formule de Krige

La formule de Krige, dite encore relation dadditivit
e, a ete constatee
empiriquement bien avant tout recours aux modèles probabilistes. Elle
decoule en tout cas immediatement de lexpression generale de 2 (v | V )
et, pour trois ensembles quelconques v , V et W , secrit :
2 (v | W )
2 (v | V ) + 2 (V | W )
Il est prudent de
pr
ef
erer lexpression
de Krige ,
lexpression relation
dadditivit
e ayant
une signification tout
autre en G
eostatistique
Non Stationnaire (voir
Annexe au Chapitre 7.).
formule
Naturellement, sa signification physique nest assuree que si v et V

constituent des partitions embotees de W . Comme cas particulier, on
retiendra :
2 (v | V )
2 (0 | V ) 2 (0 | v)
Nous sommes maintenant de plain-pied avec la Geostatistique Lineaire,

du moins dans le cadre de lhypothèse stationnaire. Avec le mode de
calcul des differentes variances, nous disposons de tous les outils qui
nous seront necessaires dans les problèmes destimation. Mais plutot
que nous lancer immediatement dans ces calculs, nous voudrions profiter
de cette première etape plus methodologique que technique pour
reexaminer la notion de stationnarite et voir dans quelle mesure il est
possible dassouplir nos hypothèses actuelles.
Commentaires
Ce choix nest pas innocent. Il ne semble pas judicieux ici de developper

des calculs qui lhistoire la prouve se representeront presque tels
quels au fur et a` mesure que nous elargirons notre champ de travail.
Il nous semble donc preferable, maintenant, de seulement degager
les idees directrices qui, quel que soit le degre de stationnarite, assurent
lunite de la demarche de la Geostatistique Lineaire.
Pour ce chapitre, les references bibliographiques que lon peut envisager

sont essentiellement des cours de Geostatistique. Autant donc se limiter
au Fascicule 5 ou, pour plus de detail, a`
Les Variables R
egionalis
Matheron, 1965.
Concernant la notion de Variance dExtension, voir larticle
Recherche doptimum dans la mise en exploitation des

gisements miniers , Matheron et Formery, 1962.
Les documents plus appliques, comme par exemple :
Bibliographie
50
Aide-M
emoire de g
eostatistique lin
eaire :
Trait
e
de G
eostatistique Appliqu
ee , Matheron, 1962.
constituent une approche plus technique que le present expose, et

insistent sur des formules, abaques et approximations que les moyens
de calcul actuels rendent sans doute moins indispensables.
Et cette fois encore, concernant les limites de la Geostatistique Lineaire,
nous esperons que le lecteur a assez de sens critique pour tirer profit
meme des polemiques que lon rencontre parfois dans les publications. . .
Compl
ement
Explicitation de la variance de dispersion : avec les notations du

paragraphe 4, soit a` calculer la Variance de Dispersion
2
(v | V )

E S 2 (v | V )
"
N
2
1 X
Zi Z
E
N i=1
On obtient successivement :
(v | V )
"
N
2
1 X
E
Zi Z
N i=1
N

1 X
i Z
Var Z
N i=1
(1)
N

i
1 Xh
i + Var Z 2Cov Zi , Z
Var Z
N i=1
(2)
Z Z
N
1 X 1
C(x y) dx dy
N i=1 [vi ]2 vi vi
Z Z
1
C(x y) dx dy
+
2
[V ] V V
2
[vi ] [V ]
Z Z
vi
N C(v, v) + C(V,
V)
N
(3)
(4)
C(x y) dx dy
V
X
2
(N [v]) [V ] i=1
Z Z
vi
C(x y) dx dy
V
v) + C(V,
C(v,
V ) 2C(V,
V)
=
v) C(V,
C(v,
V)
[3]
eostatistique Lin
eaire (1)
(1) : par linearite de lesp

et
que dapr`
ese
erance,

parce

es lhypoth`

i = E Z : doù E Zi Z = 0. En
de stationnarite, E Z
consequence,
E
Zi Z
2 i
= Var
Zi Z
(2) : par application de la formule generale du calcul de la variance

dune forme lineaire
Var
Z
Z(u) (du)
Z Z
C(u v) (du) (dv)
(3) : parce que tous les domaines vi ont meme mesure que v (donc,
[vi ] = [v], et ceci i), et par definition de la covariance
moyenne sur un domaine.
(4) : parce que les vi constituent une partition de V , et que la
somme en i des integrales sur les vi equivaut a` lintegrale sur
V . Par ailleurs, N [v] = [V ] .
51
52
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 4
Stationnarit
e et ergodicit
e
Pr
esentation
Les outils elabores jusquici ne requièrent en realite, au niveau du
modèle probabiliste, que lexistence des deux premiers moments ;
leur stationnarite napparat pas indispensable. Peut-on alors
echapper a
` toute hypothèse de stationnarite ? Quelles sont les
hypothèses minimales requises ?
Le premier paragraphe revient sur le sens meme de lhypothèse de
stationnarite, en distinguant les modèles globaux et les modèles
locaux.
Le second paragraphe rappelle en quoi des modèles stationnaires
peuvent se reveler insuffisants au cours dune etude reelle, et
esquisse la demarche generale daffaiblissement des hypothèses de
stationnarite.
Au troisième paragraphe, on revient sur la signification objective
de lesperance mathematique, et sur les contr
oles possibles de
lergodicite.

ele
1.1. Signification et n
ecessit
e de lhypoth`
ese stationnaire
Arrives a` ce point de la presentation de la Geostatistique, nous nous
trouvons dans une situation qui peut paratre paradoxale. Car, ayant
choisi de developper cette presentation au niveau du modèle probabiliste
cf. la figure1 du Chapitre 1. : nous travaillons dans la dernière
colonne, au niveau le plus abstrait il apparat que lhypothèse de
stationnarite ne joue finalement aucun role dans les developpements de
nature mathematique. On aurait pu etablir lequivalent des formules
du chapitre precedent, en se contentant de lexistence de la fonction de
covariance Cxy , sans pour autant imposer la stationnarite :
Cxy
Chapitre 1,
paragraphe 1.1.
C(x y)
Mais la situation nest pas si simple. La Geostatistique nest en effet

pas une discipline de Probabilites pures. Nous avons longuement insiste
sur la necessite de maintenir le parallèle entre les manipulations de
nature mathematique (par exemple celles du chapitre precedent) et les
operations physiques, cest-à-dire schematiquement celles qui concernent
la Variable Regionalisee. Autrement dit, sauf si nous choisissons de faire
des mathematiques pures, nous devons garder a` lesprit le Principe des
Grandeurs Regionales ; la gamme des modèles probabilistes que nous
pouvons utiliser sen trouve ipso facto considerablement reduite.
1.2. Les probl`

emes globaux
Un probl`
eme global est un problème qui met en jeu la totalite du champ
de la Variable Regionalisee etudiee. Par hypothèse donc, on se trouve
Chapitre 1.
Chapitre 1,
paragraphe 4.3.
54
Aide-M
emoire de g
eostatistique lin
eaire :
confronte simultanement aux effets de la structure intrinsèque de la

Variable Regionalisee et a` ceux de la geometrie du Champ.
Chapitre 2.
Chapitre 2,
paragraphe 2.2.
E & C, p135.
E & C, p135.
Lapproche naturelle de ce type de problème est la methode transitive.

Dès lors, nul besoin dhypothèse stationnaire au niveau de la physique
du phenomène. On a vu en revanche que, pour introduire une notion
de Variance dEstimation, on etait amene a` probabiliser le reseau
de donnees. Cette technique, presentee ci-dessus dans le cas dune
maille regulière, peut etre generalisee a` une maille quelconque : nous
devons exprimer alors une certaine condition de stationnarite
(ou si lon prefère ici, dhomogeneite spatiale) de limplantation des
donnees : la stationnarite peut souvent etre introduite, non pas a` titre
dhypothèse relative a` la realite physique, mais simplement comme une
caracteristique de la methode destimation choisie par nous .
Naturellement, cette hypothèse ne pourra pas toujours etre faite. Si le
champ est reconnu de facon très heterogène, il sera souhaitable de le
subdiviser en sous-zones sur lesquelles lhypothèse de stationnarite (de
la reconnaissance...) puisse etre admissible. Cest là une manipulation
de nature purement geometrique (il nest question que de limplantation
des donnees) et qui relève du simple bon sens : on essaie de ne pas
melanger des informations de qualites differentes. Nul besoin ici de
grandes theories, mais seulement de sens pratique.
Chapitre 2.
Matheron 1965, p96-102.
E & C, p137.
Ainsi probabilise , le problème peut etre traite selon le formalisme

classique : lestimation globale est desormais sans mystère. On peut
cependant vouloir aussi se poser des questions plus structurales sur la
Variable Regionalisee elle-meme. Toute la question est de savoir si on
est capable de separer, dans le Covariogramme Transitif, ce qui depend
de la Variable Regionalisee et ce qui depend du Champ.
Sans rentrer dans les details, disons que cette analyse se fonde
principalement sur une etude simultanee du Covariogramme Transitif et
du Covariogramme Geometrique. Mais là aussi, le simple sens physique
dabord, lexperience geostatistique ensuite, par le simple examen visuel
des fonctions structurales experimentales, permettent de trancher sil est
raisonnable de faire lhypothèse dune certaine forme de stationnarite
au sens physique de la Variable Regionalisee.
Si la reponse est negative, il faut alors sengager vers des modèles
plus compliques. Nous examinerons ulterieurement, mais seulement
dans le cadre local, un modèle fonde sur la dichotomie de la Variable
Regionalisee, et un autre fonde sur lelargissement de lhypothèse de
stationnarite. Mais davance, on peut se douter que les interrogations de
nature structurale au niveau global soulèveront dimportantes difficultes.
En conclusion : au niveau global,
un problème destimation ne requiert aucune hypothèse de

stationnarite au niveau de la Variable Regionalisee. Le facteur decisif
est le comportement a` lorigine du Covariogramme Transitif ; il sagit
en loccurrence dun paramètre objectif ;
un problème dinterpretation structurale de la Variable Regionalisee

est a priori beaucoup plus difficile.
1.3. Les probl`

emes locaux
1.3.1. D
efinition
Pour tout ce paragraphe,
voir Estimer et
Choisir, p147-156.
On designe par probl`

eme local un problème qui ne se pose quau niveau
dune petite portion du champ de la Variable Regionalisee. On met ainsi
en evidence la très importante notion de voisinage, portion de lespace
qui englobe a` la fois le support de la Grandeur Regionale a` estimer et
lensemble des donnees utilisees dans ce but. En general, on ne se borne
pas a` un seul problème ponctuel, mais on travaille sur un meme voisinage
V de lorigine, que lon translate ensuite a` travers lensemble du champ :
cest le travail en voisinage glissant.
[4]
Stationnarit
e et ergodicit
e
55
Le travail en Voisinage Glissant ou, en dautres termes, lelaboration de

modèles locaux, est peut-etre plus minutieux mais soulève en fait moins
de problèmes methodologiques que pour les modèles globaux. Nous nous
trouvons dans le cas o`
u la repetition spatiale, obtenue par la translation
du voisinage, peut se substituer a` la multiplicite des Realisations de la
Fonction Aleatoire associee, moyennant des hypothèses de stationnarite
et dergodicite.
Le problème est, une fois de plus, de se limiter a` une gamme de modèles
qui puissent etre specifies dans des conditions raisonnables. La première
des decisions consiste en loccurrence a` construire des estimateurs
invariants par translation et lineaires, rappelons-le. Lexpression de
lestimateur en fonction des donnees ne dependra que de la configuration
destimation, non de sa localisation. Autrement dit, nous introduisons
une propriete de stationnarite au niveau de lestimateur, sans prejuger
dune quelconque stationnarite du phenomène physique.
Naturellement, cette affirmation doit etre nuancee. Car, comme
consequence de notre choix, la variance de notre estimateur sera non
localisee : elle ne representera quune moyenne obtenue sur des voisinages
glissants indifferencies. Pour que cette moyenne ait un sens, ou encore,
pour que les fluctuations de la Variance dEstimation ne soient pas trop
importantes, il convient donc que les configurations destimation soient
suffisamment semblables dun voisinage a` lautre : comme dailleurs en
modèle global, on a une contrainte dhomogeneite de la repartition de
linformation. Si cette contrainte nest pas satisfaite, on a recours a` la
methode habituelle de la division du champ en sous-zones homogènes.
1.3.2. Un exemple
Pour simplifier, examinons le problème de lestimation ponctuelle de
la Variable Regionalisee sur un domaine S0 . On notera quil ny a
actuellement aucune hypothèse, ni probabiliste, ni de stationnarite. Soit
donc S0 la zone dinteret, supposee homogène. Soit V le voisinage
glissant. Pour tout u S0 , on forme alors :
z (u)
z(u + x) (dx)
V
o`
u (dx) ne depend pas de u.
On adoptera classiquement, comme critère de qualite de cette estimation,
la valeur quadratique moyenne sur S0 de lerreur z (u) z(u), soit :
S0
E & C, p148.

2
z (u) z(u) du
Il est facile de voir que cette quantite sexprime en fonction des et de

la seule fonction structurale C definie par :
C(x, y)
1
[S0 ]
z(u + x) z(u + y) du
S0
On notera la similitude avec le formalisme transitif.

On pourrait, au moins au plan theorique, en rester là. Mais la
manipulation des integrales despace est peu commode. Guides par
lexpression de C(x, y), dans laquelle le point courant u parcourt le
domaine S0 , nous definissons une Fonction Aleatoire sur V par :
Z(x)
z(u + x)
xV
o`
u u est le point aleatoire uniforme sur S0 . Z(x) est appele
repr
esentation glissante de z(u) dans S0 . Il est alors immediat que :
C(x, y)
E [Z(x).Z(y)]
E & C, p149.
56
Aide-M
emoire de g
eostatistique lin
eaire :
Lintegrale despace C(x, y), qui est une Grandeur Regionale, est la
covariance de la Fonction Aleatoire que nous venons de definir.
E & C, p149.
La specification de C(x, y) est donc un problème classique de

modelisation de covariance, avec la particularite que les paramètres du
modèle ont cette fois une signification objective : lanalyse structurale
nest pas une inference statistique , mais constitue simplement une
hypothèse dapproximation anticipee dune integrale despace .
Cest ici seulement quintervient lhypothèse de stationnarite, dans le
but dacceder a` une robustesse raisonnable de la modelisation. Plutot
quune fonction C(x, y) de deux variables, on cherchera une fonction
dexpression beaucoup plus simple C(x y), pour x et y V . Et cette
fois, lhypothèse de stationnarite est controlable puisquil est possible de
construire :
Z
1
[S0 ]
z(u + x) z(u + y) du
S0
et de verifier que cette fonction (avec une approximation convenue) ne

depend pas de x et y separement, mais seulement de x y .
1.3.3. Remarques finales
Lhypothèse de stationnarite que nous venons dintroduire est une

stationnarite locale : elle ne concerne que des distances x y pour x et
& C, p156.
y appartenant a` V . Ladjectif local a donc bien la signification de :
I I I relatif au voisinage glissant . Le modèle de covariance ne signifie plus
rien en dehors de V , alors meme quil est mathematiquement valable sur
tout lespace.
On notera aussi que local nest pas synonyme de localise .
notre modèle ne fait aucune distinction entre deux
implantations quelconques du voisinage glissant. Il na quune valeur
moyenne sur lensemble de ces implantations.
I I I Au contraire,
Enfin, bien quayant une validite locale, le modèle a ete obtenu par une
construction globale ou plus precisement par une integrale sur S0 .
2. Vers un affaiblissement de lhypoth`

ese stationnaire
2.1. Mod`
ele sans variance a priori
Il peut sembler surprenant de vouloir examiner des modèles probabilistes
presentant une variance a priori infinie. Le modèle probabiliste est en
effet suppose rendre compte de la Variable Regionalisee et celle-ci, au
niveau de lechantillonnage, presentera toujours une variance finie. Cette
extension a` de nouveaux modèles semble donc superflue.
Il est exact quune simple photographie statistique des donnees sera
impuissante a` deviner des phenomènes de dispersion infinie. En revanche,
on peut considerer quune dispersion statistique est fonction a` la fois de
la taille de lechantillon et de la population de reference. En faisant
varier lun ou lautre de ces paramètres geometriques, on pratique une
approche dynamique des donnees qui peut mettre en evidence des
comportements avec lesquels un modèle stationnaire est incompatible.
Chapitre 3,
paragraphe 4.3.
Revenons pour cela a` lexpression de la Variance de Dispersion :
2 (v | V )
v) C(V,
C(v,
V)
Si le modèle stationnaire dordre 2 est acceptable, cela signifie que la

Dispersion Experimentale s2 (v | V ), calculee sur un nombre suffisant
de panneaux V repartis dans lensemble du Champ, devient en
v) C(V,
moyenne egale a` C(v,

V ). Ce controle est parfaitement
realisable. De plus, dans le modèle stationnaire dordre 2, cette quantite
est bornee, et admet meme une asymptote en general.
[4]
Stationnarit
e et ergodicit
e
57
Or, il existe des phenomènes pour lesquels la quantite experimentale

s2 (v | V ) crot indefiniment lorsque V crot. Un tel comportement ne
v) C(V,
peut donc etre decrit par une expression C(v,

V ), où C serait
une Covariance Stationnaire. Il faut alors chercher un affaiblissement de
lhypothèse stationnaire.
Naturellement, on peut objecter que dans la pratique, on ne pourra
jamais faire tendre V vers linfini, et que par consequent on pourrait
supposer que 2 (v | V ) admette une borne pour une dimension V
superieure a` celle du domaine de travail. Mais une telle affirmation
echappe a` tout controle, et na donc plus de caractère objectif : la
connaissance parfaite de la Variable Regionalisee ne suffirait pas a`
trancher le dilemme, puisquil faudrait egalement changer de Champ
cest-à-dire tout simplement changer de problème. La valeur finie
de variance que lon integrerait dans ce modèle stationnaire serait un
paramètre purement conventionnel.
On est confronte une nouvelle fois au seuil dobjectivite. La variance
eventuelle ne pouvant recevoir un statut operatoire, lattitude positive
consiste a` la filtrer du formalisme, a` ne manipuler que des expressions
qui nont pas besoin delle.
2.2. Combinaisons lin

eaires autoris
ees
Le passage a` une hypothèse plus faible sur la stationnarite est classique :
il consiste a` supposer que ce sont cette fois non plus les valeurs
ponctuelles, mais les accroissements de la Fonction Aleatoire qui
satisfont au modèle stationnaire dordre 2.
Ce nouveau modèle sera examine au chapitre suivant. Ce qui nous
interesse ici, cest le mecanisme qui conduit a` ce genre dhypothèse.
Lidee directrice est un examen de la notion capitale de combinaison
lineaire autorisee.
Fasc. 5, p53.
Chapitre 3,
paragraphe 2.1.
Dans le modèle stationnaire dordre 2, toutes les mesures 1 sont

autorisees ; toutes les combinaisons lineaires sont donc autorisees, et sont
de surcrot stationnaires.
Nous souhaitons maintenant elaborer un modèle qui puisse prendre en
compte le fait que la plus simple des combinaisons lineaires, la valeur
ponctuelle elle-meme, nadmette plus de moment dordre 2. Autrement
dit, nous cherchons un modèle dans lequel lhypothèse de stationnarite
dordre 2 ne porte que sur un sous-ensemble de lensemble de toutes les
combinaisons lineaires et nous savons dejà que les valeurs ponctuelles
nappartiendront pas a` ce sous-ensemble. Ou encore : nous cherchons
a` caracteriser un ensemble de mesures autorisees, sous-ensemble de
lensemble de toutes les mesures, auquel nappartiennent pas les mesures
ponctuelles.
La dialectique est claire :
dun cote, une limitation, puisque ce nest plus que pour une famille
reduite de combinaisons lineaires que nos operations theoriques
auront une signification objective ;
de lautre cote, un gain, puisque on saura alors rendre compte

dune gamme plus large de phenomènes, et en particulier traiter
des modèles sans variance a priori .
Une dernière remarque : le choix des contraintes qui caracterisent
les mesures autorisees nest pas entièrement libre. Nous avons choisi
de travailler sur des estimateurs invariants par translation. Lerreur
destimation en particulier, qui doit etre une combinaison lineaire
autorisee, doit garder cette propriete quelle que soit son implantation : le
1
On supposera toujours ces mesures a` support borne pour eliminer les problèmes
de convergence.
JJJ
58
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8,
paragraphes 1.21.3.
caractère autorise dune mesure ne doit dependre que de sa configuration,

pas de son implantation.
Ces remarques trouveront tout leur sens dans la definition des modèles
non stationnaires (FAI-k). Pour le moment, on relèvera seulement
quelles sappliquent parfaitement a` la classe particulière des mesures
de poids total nul :
(dt)
telles que
(dt) = 0
3. Lergodicit
e
3.1. Permanence dune hypoth`
ese de stationnarit
e
Paragraphe 1.2.
La discussion des modèles locaux a attire notre attention sur un

point important : pour pouvoir realiser la Variographie dans des
conditions raisonnables, on se ramène toujours a` une certaine forme
de stationnarite, ce qui permet didentifier a` une moyenne spatiale
experimentale toute esperance mathematique du modèle etant
naturellement entendu que ce modèle est suppose ergodique.
Tot ou tard, on se ramène a` quelque chose de stationnaire : toutes
les differences entre les differents modèles de stationnarite tiennent a` la
nature de ce quelque chose .
Pour simplifier le propos, nous nous limiterons maintenant a` un
modèle de Fonction Aleatoire Stationnaire dordre 2, et au problème
de lestimation de lesperance mathematique.
3.2. Estimation de lesp

erance
Le modèle etant suppose stationnaire dordre 2, on sait que :
E [Z(x)]
constante dans lespace
et, le modèle etant suppose ergodique :
1
[S]
Z(x) dx m
lorsque S
Au niveau pratique, cela signifie que lon calcule :
1
[S]
z(x) dx
S
pour S aussi grand que possible , et que lon adopte m pour

estimateur de m.
Dans la version probabilisee, on a donc :
et il est immediat detablir :

E [M ]
=
Var [M ]
Voir compl
ement
en fin de chapitre.
1
[S]
Z(x) dx
S
m
1
[S]
(h) K(h) dh
o`
u K(h) est le Covariogramme Geometrique de S et (h) est la
covariance centree de Z .
Le problème est quil nest jamais possible en pratique de rendre S aussi
grand que possible : nous sommes irremediablement limites par la taille
du Champ. Do`
u la question : S est-il assez grand pour assurer une
bonne estimation de m ? Ou plus correctement : S est-il assez grand
pour assurer a` m une signification objective ?
La reponse se fait en deux temps :
au niveau du modèle probabiliste dabord,
puis au niveau operatoire.
[4]
Stationnarit
e et ergodicit
e
59
3.3. La port
ee int
egrale
On pourrait dire que plus faible est la variance Var [M ] et meilleur est
M comme estimateur de m. Mais m est un Paramètre Conventionnel
du modèle, et il est plus precis de dire : plus Var [M ] est faible, plus
m presente de signification objective. On peut alors montrer que, pour
S assez grand, cette varianceest asymptotiquement egale a` :
1
[S]
E & C, p106.
(h) dh
(il faut se souvenir que K(0) = S ). Posons alors :
Terminologie usuelle.
1
(0)
Chapitre 2,
paragraphe 1.2.
(h) dh
Cette quantite est appelee port

ee int
egrale, et a une dimension despace
(longueur dans R1 , aire dans R2 , etc. ). En reportant cette Portee
Integrale dans la formule asymptotique de la variance de M , on trouve :
Var [M ]
A
(0)
S
Si enfin on pose : N = S/A, cest-à-dire si on considère que S est

constitue de N paves disjoints A, la formule devient :
Var [M ]
(0)
N
cest-à-dire une formule equivalente a` celle de la Statistique classique.

Tout se passe donc, dans ce mod`
ele, comme si lestimateur M etait
obtenu en prenant la moyenne de N variables independantes de variance
(0). La portee integrale A represente donc bien lelement de reference
vis-à-vis duquel il y a un sens a` dire que le champ S est grand. Plus
ce nombre N = S/A est grand, plus, en effet, la variance de M m
est petite, et plus, par consequent, le paramètre presente de signification
objective . Cest seulement si le champ S est grand vis-à-vis de A que
lon peut dire que lergodicite est, en pratique, atteinte.
E & C, p105.
3.4. Reconstruction op
eratoire
Le problème de lergodicite nest encore resolu quen theorie. Car la
definition de A fait intervenir le comportement de (h) a` linfini ce qui,
on le sait, ne correspond a` aucune propriete objective du phenomène
reel. Il faut donc reconstruire la Portee Integrale en termes operatoires.
Un exercice classique etablit que, pour tout support v suffisamment
grand, la valeur moyenne sur v de la fonction de covariance vaut :
(v, v)
Fasc. 5, pp107112.
Chapitre 3,
paragraphe 3.1.
A
v
Alors, pour un support s grand vis-à-vis de A et constituant une

partition de S , la formule de la Variance de Dispersion de s dans S
montre que la Regionale s2 (s | S) doit, si le modèle est correct, suivre
une relation de la forme :
s2 (s | S)
E & C, p107.
1
1
s S
Naturellement, le controle effectif de cette relation peut etre delicat,

en particulier en ce qui concerne les effectifs disponibles pour le calcul
Chapitre 3,
paragraphe 3.4.
60
Aide-M
emoire de g
eostatistique lin
eaire :
E & C, p108.
de la Variance de Dispersion Statistique. Mais fondamentalement, cette

relation constitue une loi physique , qui peut etre corroboree ou
infirmee, et qui permet de donner une definition cette fois operatoire de
la portee integrale. Par contre-coup, lhypothèse ergodique sur le modèle
devient susceptible dun controle.
Remarque finale : il existe des modèles theoriques de portee integrale
infinie ; aucun domaine ne saurait alors etre grand par rapport a` la
portee integrale. Autrement dit, de tels modèles ne permettent jamais
datteindre experimentalement lergodicite, et sont donc a` eviter...
Commentaires
Ce chapitre est avant tout une ouverture vers de futurs developpements :

distinction globallocal (cf. les estimations), possibilite de stationnarites
moins strictes (en particulier les FAI-k). Quant a` lergodicite, son examen
est, il est vrai, assez souvent absent des etudes reelles ; peut-etre nest-ce
pas toujours une bonne chose. . .
Compl
ement
Calcul de la Variance dEstimation de lesperance :
Var [M ]
1
Var
[S]
[S]
Z Z
S
Z(x) dx
S
(x y) dx dy
S
Rappelons que K(h), Covariogramme Geometrique de S , est defini par
K(h)
Chapitre 2,
paragraphe 1.2.
(x)
S
(x + h) dx
o`
u la notation S (x) designe la Fonction Indicatrice de S . Linteret
de lutilisation des Fonctions Indicatrices est de pouvoir remplacer les
integrales sur le domaine S par des integrales sur tout lespace, et faciliter
de la sorte les changements dordre des sommations. Ainsi,
Var [M ]
=
(1)
=
(2)
1
[S]
Z Z
Z Z
(h) dh
(h) K(h) dh
1
[S]
1
[S]
1
[S]
(y) (x y) dx dy
(x)
(y + h)
Z
S
(y) (h) dh dy
(y + h)
(y) dy
(1) : par changement de variable h = x y .

(2) : par definition du Covariogramme Geometrique K(h).
Chapitre 5
Buts et moyens de la
G
eostatistique Lin
eaire (2)
Pr
esentation
Ce chapitre poursuit la presentation des formules fondamentales de
Geostatistique Lineaire, en incluant cette fois dans ses hypothèses
le modèle intrinsèque.
Au premier paragraphe, on definit lhypothèse intrinsèque,
elargissement de lhypothèse stationnaire, et on etablit les
mecanismes de calcul dans le cadre de cette hypothèse.
Le second paragraphe est une simple transcription en modèle
intrinsèque des formules de Variances dExtension et de
Dispersion.
Au troisième paragraphe, toutes hypothèses confondues, on evoque
brièvement le problème du changement de support, si important
en Geostatistique Non Lineaire.
1. M
ecanismes de calcul en hypoth`
ese intrins`
eque
1.1. Le mod`
ele intrins`
eque
On a vu precedemment quune methode, pour elargir la notion de
stationnarite, consiste a` formuler la propriete de stationnarite dordre 2
au niveau non pas de la Fonction Aleatoire elle-meme, mais dun sousensemble de lensemble des combinaisons lineaires formees sur cette
Fonction Aleatoire.
Chapitre 3,
paragraphe 2.2.
Ainsi, nous definirons une Fonction Al

eatoire Intrins`
eque comme
etant une Fonction Aleatoire dont les accroissements sont stationnaires
dordre 2. Autrement dit, pour deux points quelconques, laccroissement
Z(x) Z(y) admet des moments dordres 1 et 2, et ces moments sont
stationnaires :
En abr
eg
e : FAI.
E [Z(x) Z(y)]
E [Z(x + x0 ) Z(y + x0 )]
Var [Z(x) Z(y)]
Var [Z(x + x0 ) Z(y + x0 )]
pour tout x0 . Ces moments ne sont donc fonctions que de largument :

h = (x y).
Pour le moment dordre 1, on a donc m(h) = E [Z(x + h) Z(x)],
x. Ainsi, pour x = u :
m(h)
E [Z(u + h) Z(u)]
E [Z(u + h + h0 ) Z(u + h)]
et, pour x = u + h :
m(h0 )
Fasc. 5, p53.
62
Aide-M
emoire de g
eostatistique lin
eaire :
do`
u, par sommation et linearite de lesperance :
m(h) + m(h0 )
E [Z(u + h + h0 ) Z(u)]
m(h + h0 )
Notons que, dans le modèle probabiliste, ces manipulations ne sont

licites que parce quelles portent sur des accroissements ; en revanche,
il ne figure dans le modèle plus aucune hypothèse dexistence en ce
qui concerne lesperance et a fortiori la variance des valeurs
ponctuelles.
La fonction m(h) est appelee la d
erive de la Fonction Aleatoire
intrinsèque. De la relation :
m(h + h0 )
Chapitre 4,
paragraphe 3.2.
m(h) + m(h0 )
il resulte immediatement que la derive est une fonction lineaire de h.

En fait, dans la suite de lexpose, nous nexaminerons que des Fonctions
Aleatoires Intrinsèques sans derive, cest-à-dire telles que m(h) = 0.
Cette restriction, qui simplifie beaucoup les manipulations, apparatra
dailleurs comme peu contraignante lorsque la notion de propriete
intrinsèque sera a` son tour elargie. En revanche, il sagit dune hypothèse
a` laquelle il est possible, dans les conditions usuelles, de donner une
signification objective, et qui donc pourra etre corroboree ou infirmee
au cours de chaque Analyse Variographique.
Quant au moment dordre 2, il permet dintroduire la fonction
structurale , definie par la relation :
(h)
Concernant le facteur 2,
il ny a pour ainsi dire
jamais risque de confusion.
1
Var [Z(x + h) Z(x)]
2
Cette fonction est appelee demi-variogramme de Z , lusage apparaissant

etre de negliger le prefixe demi . Compte-tenu de lhypothèse
dabsence de derive, le variogramme peut aussi secrire :
(h)
i
1 h
2
E (Z(x + h) Z(x))
2
ce qui permet le recours au processus desormais classique de

Reconstruction Operatoire.
1.2. Combinaisons lin

eaires autoris
ees
Au point de vue des mecanismes de calculs, la grande nouveaute est quil
I I I existe dans ce modèle des combinaisons lineaires dont lesperance, et a

fortiori la variance, na pas de sens.
Chapitre 3,
paragraphe 2.1.
Cest loccasion de rappeler ici la definition des Combinaisons Lineaires

Autorisees : une CLA est toute combinaison lineaire admettant
esperance et variance dans le modèle. Il resulte alors immediatement des
hypothèses que les combinaisons lineaires finies daccroissements sont
des CLA ; par extension, il en est de meme des combinaisons lineaires
daccroissements a` support borne.
Mais une combinaison daccroissements : i (Z(xi ) Z(yi )) est aussi
une combinaison de valeurs ponctuelles, avec la particularite que la
somme des P
ponderateurs y est nulle. Ainsi, toute CLA peut secrire :
i Zi , avec i i = 0.
R
soit une combinaison lineaire de poids total nul :
Peciproquement,
i
=
0
.
Alors,
la somme i Zi peut aussi secrire : i (Zi Z0 ) o`
u
i
Z0 est la valeur Z(x0 ) en un point fixe arbitrairement. La combinaison
lineaire peut secrire comme combinaison daccroissements : elle est donc
une CLA.
[5]
eostatistique Lin
eaire (2)
63
On dispose donc dune nouvelle definition de lautorisation dans le cadre

du modèle intrinsèque :
Dans le cadre de lhypothèse intrinsèque,
une CLA est une combinaison lineaire de
poids total egal a` 0.
JJJ
Cette nouvelle definition prouve que les CLA du modèle intrinsèque

constituent un sous-ensemble strict des CLA du modèle stationnaire
dordre 2. Par dualite, on etablit quune Fonction Aleatoire Stationnaire
dordre 2 est a fortiori intrinsèque : lensemble des Fonctions Aleatoires
Stationnaires dordre 2 est un sous-ensemble de lensemble des Fonctions
Aleatoires intrinsèques. On appellera alors strictement intrins`
eque une
Fonction Aleatoire intrinsèque, mais non stationnaire dordre 2.
1.3. M
ecanismes de calcul
Le problème est maintenant de donner explicitement les expressions des
deux premiers moments des CLA.
En ce qui concerne le moment dordre 1, rappelons que toute CLA est
combinaison daccroissements, et que, dans le modèle dune Fonction
Aleatoire intrinsèque sans derive, un accroissement est desperance nulle.
Finalement :
Lesperance mathematique de toute CLA
dune Fonction Aleatoire Intrinsèque sans
derive est nulle.
JJJ
Ce resultat nous permettra ulterieurement de confondre variance et

esperance du carre au niveau des CLA, ce qui sera evidemment decisif
pour la signification physique de linference du variogramme.
La construction du moment dordre 2 dune CLA necessite un
intermediaire de calcul, afin de se ramener au formalisme dejà connu.
Nous presenterons ici le variogramme de Z sous la forme generale :
xy
Chapitre 3,
paragraphe 2.2.
1
Var [Z(x) Z(y)]
2
et, x0 etant un point arbitraire, nous posons :
Y (x)
Z(x) Z(x0 )
Etant
une CLA, Y (x) admet une covariance (qui dailleurs se trouve ne
pas etre stationnaire) :
Cxy
Cov [Y (x), Y (y)]
Exprimons Cxy en fonction de xy . Pour cela, on peut ecrire

successivement :
xy
1
Var [Z(x) Z(y)]
2
1
Var [Z(x) Z(x0 ) Z(y) + Z(x0 )]
2
1
Var [Y (x) Y (y)]
2
Rappelons que la
stationnarit
e est
importante pour
linf
erence statistique
et la Reconstruction
Op
eratoire, mais que
les d
eveloppements
th
eoriques comme ici me
requi`
erent que lexistence
de la covariance.
64
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 3,
paragraphe 2.2.
Cette dernière expression sapplique a` une Fonction Aleatoire (Y ) qui

en loccurrence admet une covariance Cxy . Elle peut donc se developper
suivant le mecanisme habituel, do`
u finalement :
xy
1
[Cxx + Cyy 2Cxy ]
2
ou encore :
Cxy
1
1
Cxx +
Cyy xy
2
2
Soit maintenant a` calculer la variance dune CLA sur Z :

Var i Zi
avec
i = 0
On a i Zi = i Yi , puisque la condition dautorisation filtre les Z(x0 ),

et on est donc classiquement ramene a` un calcul de variance lorsquune
covariance existe. Ainsi :
Var i Zi
Var i Yi
i Cij j
1X i j
1X i j
Cii +
Cjj i ij j
2 i,j
2 i,j
Mais les deux premièresPsommes doubles sont nulles, du fait de la

i
condition dautorisation
i = 0, et finalement :
Var i Zi
i ij j
On peut ainsi fixer une fois pour toutes une règle de calcul :
III
En modèle intrinsèque, la variance dune CLA

sobtient en developpant une forme quadratique
COMME SI il existait une covariance C , mais en
y remplacant C par .
Cette r`
egle de substitution est extremement utile. Elle permet un calcul
très rapide des variances de CLA :
on verifie dabord si lexpression concernee est autorisee ;

si oui, on calcule alors sa variance selon la règle ci-dessus.
Remarque importante : il est capital de noter que cette règle de calcul
nest quun court-circuit algorithmique. Nous pouvons remplacer C
par dans lexpression dun resultat etabli dans le cadre stationnaire :
cela etablira (demontrera) la version de ce resultat dans le cadre
intrinsèque. Mais nous navons pas le droit de nous arreter a` des
expressions intermediaires, parce quelles risquent de ne pas etre definies
dans le modèle.
I I I Par exemple, NOUS NAVONS PAS LE DROIT decrire :

Var [Zx Zy ]
Var [Zx ] + Var [Zy ] 2 Cov [Zx , Zy ]
parce que le membre de droite na pas de sens dans le modèle.
[5]
eostatistique Lin
eaire (2)
Par ailleurs, notons ici encore que lhypothèse de stationnarite des CLA
nest pas sollicitee dans letablissement de cette règle de calcul : cest
seulement lexistence dun moment dordre 2 qui doit etre garantie.
Autrement dit, lexpression :
Var i Zi
i ij j
(avec
65
Chapitre 3,
paragraphe 2.1.
i = 0)
demeure valable avec un variogramme non stationnaire.
1.4. Propri
et
es du variogramme stationnaire
Nous enumerons simplement ici quelques proprietes classiques du
variogramme stationnaire (h) :
Naturellement, la question
de lajustement dun
mod`
ele de variogramme
non stationnaire
demeure enti`
ere !
Fasc. 5, p54.
(h) 0 et (0) = 0
Symetrie : (h) = (h)
La fonction est de type positif conditionnel, cest-à-dire que pour
R
toute mesure verifiant (dt) = 0,
Z
(dt) [(t u)] (du)
Pour tout t > 0, et est une covariance.

Cette fois encore, de facon sans doute meme plus intuitive que
dans le modèle stationnaire, le comportement a` lorigine de la fonction
structurale ( en loccurrence) traduit le caractère de regularite de la
Fonction Aleatoire.
On montre aussi que le rapport (h)/ | h |2 reste borne pour h tendant

vers linfini. Cest là dailleurs une possibilite de controle de lhypothèse
sur labsence de derive puisque, si la Fonction Aleatoire est sans derive,
on doit avoir :
lim
(h)
| h |2
Enfin, si (h) est borne pour h , la Fonction Aleatoire est en

realite stationnaire dordre 2, et il existe donc une covariance stationnaire
C(h). Classiquement alors :

(h)
C(0) C(h)
C(h)
() (h)
(si admet une asymptote)
2. Formules des variances

Les formules etablies pour les Variances dExtension et de Dispersion
dans le cadre de lhypothèse stationnaire peuvent bien s
ur etre
reconstruites directement sans difficulte. Mais cest là une première
occasion dappliquer la règle de calcul : dès que lon est assure que
lexpression etudiee est bien une CLA, il suffit de remplacer C par
pour avoir la nouvelle formulation en hypothèse intrinsèque.
Paragraphe 1.3.
2.1. Variance dExtension
0 ). Chacune
Revenons a` la definition des moyennes spatiales Z(v)
et Z(v
de ces expressions est une combinaison lineaire de Z , de poids total egal
0 ) est ainsi de poids total nul :

a` 1. LErreur dEstimation Z(v)
Z(v
2
(v, v 0 ) existe donc
cest donc une CLA. La Variance dExtension E
dans le modèle (cest-à-dire : est finie).
Chapitre 3,
paragraphe 3.2.
66
Aide-M
emoire de g
eostatistique lin
eaire :
Il suffit alors dappliquer la règle pour obtenir :

2
E
(v, v 0 )
2
(v, v 0 ) (v, v) (v 0 , v 0 )
Une curiosite : dans le cas o`

u v et v 0 se reduisent respectivement aux
points {x} et {x + h},
(v, v) et (v 0 , v 0 ) sont alors nuls puisque
(0) = 0 et la formule se simplifie en :
2
E
(v, v 0 )
2(v, v 0 )
qui est une version elargie de la relation :

2
E
(v, v 0 )
2C(0) 2C(h)
Chapitre 3,
paragraphe 3.3.
dejà vue dans le cas stationnaire :

Le variogramme (h) est egal a` la demi variance dextension
dun point {x} quelconque au point {x + h}.
Tous les calculs developpes ulterieurement se ramènent a` des

manipulations de cette Variance dExtension elementaire .
2.2. Variance de Dispersion

Chapitre 3,
paragraphe 4.1.
Reprenons
la construction effectuee dans le cas stationnaire. Les
Zi Z sont des CLA ; la version probabilisee S 2 (v | V ) de la
Dispersion Statistique de v dans V :
S 2 (v | V )
2
1 X
Zi Z
N i
est ainsi une somme de carres de CLA. Elle admet donc une esperance.
Il suffit alors, dans lexpression de 2 (v | V ) correspondant au cas
stationnaire, dappliquer la règle de calcul (remplacer C par ) pour
obtenir :
2 (v | V )
(V, V ) (v, v)
Si en particulier lensemble v se reduit a` un point {o},

(v, v) = 0 :
2 ({o} | V )
(V, V )
2.3. Autre pr
esentation du variogramme
Un sujet de r
eflexion
pour linstant de peu de
cons
equence, mais qui
prendra tout son sens
dans le cadre des FAI-k.
III
Le role essentiel du variogramme est de permettre le calcul des variances

de Combinaisons Lineaires Autorisees. On pourrait alors en proposer une
definition purement operationnelle, en disant :
Le variogramme est une fonction telle que, si

Var i Zi
i ij j
i = 0 :
[5]
eostatistique Lin
eaire (2)
67
Bien s
ur, avec une telle definition, il faudrait dabord sassurer de
lexistence dune telle fonction : de fait, il y a un theorème dexistence,
qui sera presente (sans demonstration) ulterieurement dans le cadre
dhypothèses plus larges.
Mais ce qui est interessant ici, cest de remarquer que cette definition
nest pas univoque : elle ne caracterise pas le variogramme. Si en
effet on rajoute une constante a` la fonction figurant dans la formule,
cette constante sera filtree par la condition dautorisation : pour toute
constante A,
i ij j
i (ij + A) j
et donc + A est
encore
un modèle admissible
P i de variogramme pour
le calcul de Var i Zi (avec toujours :
i = 0). Cette nouvelle
definition ne fournit le variogramme quà une constante additive près.
Un theorème etablit quil sagit là de lindetermination maximum : si
deux fonctions et 0 , de type negatif conditionnel, sont telles que :
i ij j
Cas particulier du
th
eor`
eme dexistence et
dunicit
e des Covariances
G
en
eralis
ees, voir
annexe du Chapitre 8.
i 0 ij j
pour toute CLA , alors 0 est de la forme + A.

Autrement dit, la fonction structurale definie par :
(h)
1
Var [Z(x + h) Z(x)]
2
se revèle, finalement, trop specifiee ou, plus exactement, sa definition

est trop restrictive. Naturellement, dans la mesure o`
u cette definition
permet a` la fois une Analyse Variographique en contact etroit avec les
donnees et un developpement theorique des calculs, il serait superflu
voire absurde de sembarrasser dune indetermination qui napporte rien
en pratique. Pourtant, cette situation sinversera lorsque lon elargira les
hypothèses de stationnarite. Il sera bon alors de se rememorer que, dès
lhypothèse intrinsèque, le variogramme requis par les calculs theoriques
nest pas une fonction, mais seulement une classe dequivalence de
fonctions : deux fonctions etant ici equivalentes si elles diffèrent dune
constante quelconque.
3. R
egularisations
3.1. R
esultats g
en
eraux
Nous voulons ici seulement evoquer, en parallèle avec ce qui a ete fait
en Geostatistique Transitive, le problème de la regularisation.
Ce problème a dejà ete implicitement aborde lors de la presentation de
la Variance dExtension puisque, en toute generalite, la valeur moyenne :
Z(v)
1
[v]
Z(x) dx
v
est dejà une regularisee de Z sur v . Sous sa forme la plus generale, une
regularisee pourra secrire :
Zp (x)
Z(x + t) p(dt)
o`
u p(dt) est une mesure que lon supposera de masse totale unite1 :
Z
1
p(dt)
Cette contrainte nest en rien restrictive sur la signification des resultats. Elle vise
simplement a` eviter dans les formules la presence de coefficients de normation.
Chapitre 2,
paragraphe 1.5.
68
Aide-M
emoire de g
eostatistique lin
eaire :
Matheron 1965, p119-120.
En toute rigueur (et contrairement au cas transitif), ces integrales

demandent une definition precise. Il sagit là dintegrales stochastiques :
Zp (x) ou Z(v)
sont des Fonctions Aleatoires, dont il faut controler
lexistence. Un theorème enonce, (dans le cas stationnaire dordre 2)
que Zp (x) existe si et seulement si :
Z Z
Fasc. 5, p61-62.
<
La presentation traditionnelle de la regularisation commence dans le

cadre stationnaire dordre 2 : il est facile detablir que Zp (x) est ellememe stationnaire dordre 2, et que sa covariance Cp (h) se deduit de
C(h) par :
Cp (h)
Fasc. 5, p63-64.
p(dx) Cxy p(dy)
Z Z
C(h + x y) p(dx) p(dy)
Il est interessant de rapprocher cette formule de son equivalent transitif.

Comme en transitif, il existe des formules de regularisation ou de montee
faisant correspondre terme a` terme les developpements a` lorigine de C et
Cp . On peut ensuite exprimer ces formules de regularisation en fonction
du variogramme (h), cest-à-dire en fonction de C(0) C(h).
Enfin, on peut montrer que les formules obtenues demeurent valides
meme dans le cas o`
u il nexiste pas de covariance, cest-à-dire en
hypothèse intrinsèque stricte.
3.2. Formule de changement de support

Dans le present expose, nous voudrions seulement mentionner
que le formalisme des Variances dExtension permet dexprimer
synthetiquement la regularisation. Pour ne pas encombrer les notations
avec une fonction de ponderation, nous nous bornerons au problème du
.
changement de support, cest-à-dire a` letude de la structure de Z(v)
Soit donc v un support quelconque, et vx son translate dun vecteur x :
x)
Z(v
1
[v]
Z(x + t) dt
v
En tant que Fonction Aleatoire de x, Z(vx ) est stationnaire ou

intrinsèque selon que Z est stationnaire ou intrinsèque. Dans lhypothèse
la plus generale, son variogramme :
v (h)

1
x+h ) Z(v
x)
Var Z(v
2
x+h ) a` Z(v
x ).
nest autre que la demi-Variance dExtension de Z(v
Ainsi, etant le variogramme stationnaire de Z :
2v (h)
2
(vx , vx+h ) (vx , vx ) (vx+h , vx+h )
Daprès la stationnarite de ,
les deux derniers termes sont egaux,

et (vx , vx+h ) ne depend pas de x.
[5]
eostatistique Lin
eaire (2)
69
Ainsi :
v (h)
(v0 , vh ) (v0 , v0 )
Cette expression fait apparatre un terme constant en h,

(v0 , v0 ), qui
` ce terme près qui, on la vu, ninflue pas
assure que v (0) sera bien nul. A
sur les calculs de variances, letude analytique du variogramme moyen
(v0 , vh ) permet detablir les formules de correspondance.
Paragraphe 6.3.
Fasc. 5, pp6364
Dans lhypothèse stationnaire dordre 2, si lon note Cv (h) la covariance

v , la relation est encore plus simple :
stationnaire de Z
Cv (h)
0 , vh )
C(v
Le passage de lhypothèse stationnaire a` lhypothèse intrinsèque ne

semble pas presenter de difficulte. Il est, du reste, très largement entre
dans les habitudes des praticiens de la Geostatistique, et on utilise bien
plus frequemment le variogramme que la covariance. Cette demarche
cependant merite une certaine attention, dans la mesure o`
u elle pourra
ulterieurement etre generalisee. Lors de la presentation des modèles
non stationnaires au chapitre 8, on pourra utilement se souvenir que,
fondamentalement, le passage de C a` contenait dejà en puissance
toutes les difficultes des FAI-k, cest-à-dire plus precisement tous les
mecanismes dindetermination.
Commentaires
70
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 6
Estimations
Pr
esentation
Le premier propos de ce chapitre est de definir ce que nous
entendons par estimation , puis par la suite den mettre en
place les mecanismes.
Au premier paragraphe donc, on rappelle la definition adoptee
pour estimation , et on examine en quoi divergent alors les
approches globale et locale.
Consacre a
` lestimation globale, le second paragraphe est
extremement succinct, et cherche surtout a
` orienter le lecteur vers
la bibliographie.
Le troisième paragraphe presente lestimation locale, plus
couramment appelee krigeage. Lidee directrice est quil nexiste
pas une panoplie de krigeages epars, mais une seule optique qui, en
fonction des hypothèses de travail, peut conduire a
` des formalismes
mathematiques quelque peu differents, mais homogènes quant a
`
leur signification.
1. Alternative global/local en estimation

1.1. Quappelons-nous estimation ?
Rappelons la definition que nous avons adoptee precedemment : une
estimation porte sur des grandeurs objectives, cest-à-dire sur des
quantites qui existent independamment de nos choix (arbitraires)
methodologiques. Lestimation est requise pour pallier une lacune
dinformation : si la totalite de la Variable Regionalisee etait
connue, lestimation naurait plus de raison detre, puisquelle pourrait
avantageusement etre remplacee par une mesure.
Il nest dailleurs pas necessaire denvisager une situation aussi utopique.
Après tout, rien ne nous interdit de chercher a` estimer une quantite
que nous connaissons experimentalement : il sagit là dune demarche
peu pertinente au plan de linteret pratique, mais qui pourra se reveler
ulterieurement instructive.
En tout cas, il apparat clairement que le mot estimation tel
que nous lutilisons na pas la meme acception quen Statistiques.
Schematiquement, on pourrait dire que le Statisticien estime des
paramètres de son modèle ce que nous avons appele des Paramètres
Conventionnels. Dans le vocabulaire statistique classique, ce que nous
appelons estimation serait plutot designe par prediction .
Il ne sagit evidemment pas de se singulariser a` tout prix. Mais ce
terme de prediction sous-entend peut-etre trop une notion dordre, de
sequence : un vocabulaire convenant aux series chronologiques aurait
peut etre paru moins bien adapte aux variables se deployant dans
un espace geographique a` plusieurs dimensions. On peut supposer
que, forgee initialement dans un contexte minier, la terminologie
geostatistique a ete influencee par une interpretation economique : il
Chapitre 1,
paragraphe 4.1.
Voir notion de
non biais ,
paragraphe 3.2.4.
72
Aide-M
emoire de g
eostatistique lin
eaire :
est clair en effet que estimer un gisement sonne plus naturellement

que prevoir un gisement. . . Lessentiel, comme toujours, est de sen
tenir a` une definition sans ambigute et, en loccurrence, il ne nous
semble daucun interet de remettre en cause un vocabulaire enterine
par la pratique.
1.2. Estimation globale, estimation locale

Il reste, avant tout developpement technique, a` voir comment se
manifeste au moment de lestimation la difference entre les points de
vue global et local.
Chapitre 4,
paragraphe 1.1.
Rappelons dabord quun problème global sinteresse a` la totalite du

Champ etudie, et utilise toutes les donnees disponibles. On peut dire
un peu rapidement, sagissant dune estimation, que cest une phase de
degrossissage. Si de surcrot les donnees sont très nombreuses, on ne
peut guère envisager de leur faire subir des traitements sophistiques qui
deviendraient vite exorbitants.
Aussi, en Geostatistique Lineaire, une estimation globale consiste a`
proposer une formule a priori , en general très simple, de lestimateur ;
pour fixer les idees, cet estimateur a priori sera souvent simplement la
moyenne arithmetique des echantillons. Lapport de la Geostatistique
consiste, compte-tenu du modèle propose, a` calculer de facon exacte ou
approchee la variance associee a` cet estimateur.
` loppose, une estimation locale est une entreprise plus minutieuse,
A
qui veut tenir compte des particularites de chaque voisinage glissant
(densite, disposition de linformation). Cette fois, on nimpose plus une
expression a priori pour lestimateur. Au contraire, dans une famille
destimateurs possibles (dans le present expose, parmi des estimateurs
lineaires), on va chercher a` construire un estimateur qui presente au
mieux de bonnes proprietes : il y a cette fois demarche doptimisation,
et ce mecanisme caracterise ce que nous appelons le krigeage. Cette
procedure sera repetee de proche en proche sur tout Voisinage Glissant.
2. Lestimation globale
Nous nexaminerons brièvement dans ce paragraphe que
lestimation de la valeur moyenne de la Variable Regionalisee par la
moyenne arithmetique simple de la totalite des echantillons disponibles.
Les differences dapproches que nous proposons ici tiennent aux
hypothèses faites sur le mode dechantillonnage. Autrement dit, la
contribution de la Geostatistique consiste ici a` prendre en compte
la structure spatiale de linformation afin dattribuer une Variance
dEstimation a` la plus simple des statistiques qui soit. Dans le meme
temps naturellement, on supposera modelisee la structure spatiale de la
Variable Regionalisee : on suppose que lAnalyse Variographique a ete
realisee dans les règles de lart, et que lon dispose dun modèle structural
(covariance ou variogramme).
Fasc. 5, p70-96.
Matheron, 1962.
Matheron, 1965,
pp195-214.
Nous nenvisagerons pas ici le detail ni le deroulement complet des calculs

dEstimation Globale : nous renvoyons pour plus de developpements
a` la bibliographie. Nous remarquerons seulement que cest un des
domaines de la Geostatistique o`
u les progrès informatiques ont ete les
plus decisifs : il nest plus guère interessant davoir recours a` des abaques
ou des fonctions prealablement tabulees, lorsque les moyens de calcul
permettent un calcul effectif au cas par cas.
Notons enfin que les cas de figures proposes ci-dessous ont pour but
principal de susciter la reflexion du lecteur, dans une perspective
pratique. Car, au plan theorique, il ny a ici aucune nouveaute : les
variances destimation que nous nous proposons dexpliciter maintenant
sexpriment toutes a` laide de lexpression generale :
[6] Estimations
2
E
[v]
73
Z Z
v
1 XX
C(xi xj )
N2 i j
Z X
2
C(xi y) dy
N [v] v i
C(x y) dx dy +
v
ou plus synthetiquement encore par la formule :

2
E
Chapitre 3,
paragraphe 3.2.
v) + C(v
0 , v 0 ) 2C(v,
v0 )
C(v,
ou bien s
ur par les formules equivalentes exprimees en termes de
variogrammes. Les commentaires du Chapitre 3, 3.3 demeurent
evidemment valides.
2.1. Echantillonnage
al
eatoire pur
Dans ce modèle, nous supposons que les donnees sont implantees au
hasard, independamment les unes des autres, et uniformement dans le
champ V a` estimer. On cherche donc a` estimer :
ZV
par la moyenne :
1
V
Z(x) dx
V
1 X
Z(xi )
N i
o`
u les xi sont eux-memes consideres comme Realisations de variables
aleatoires Xi , independantes et uniformes dans V . La Variance
dEstimation se deduit donc immediatement de la formule generale (ou
de son equivalent en variogramme) :
2
E
1
E 2
[v]
Z Z
v
Z X
2
1 X
C(Xi Xj )
C(Xi y) dy
C(x y) dx dy + 2
N i,j
N [v] v i
v
o`
u lesperance est prise sur lensemble des Xi .
Il ne sagit là que de calcul peu difficile, et peu instructif. On peut aussi
revenir a` la definition de la Variance dEstimation, a` savoir
2
E
"
1 X
(Z(Xi ) ZV )
Var
N i
JJJ
o`
u, dans le present modèle, a` la fois la fonction Z et les implantations
Xi sont aleatoires. Cette formule peut encore se mettre sous la forme
un peu plus pratique :
2
E
"
#
X
1
Var
(Z(Xi ) ZV )
N2
i
o`
u les expressions sous le signe de sommation sont des erreurs partielles.
Calculons maintenant cette expression, par le moyen de la formule
de lesperance totale. Et dabord, observons que, dans lhypothèse
stationnaire comme dans lhypothèse intrinsèque sans derive, les erreurs
Voir tout cours

de Probabilit
es.
74
Aide-M
emoire de g
eostatistique lin
eaire :
Un des int
er
ets de
travailler sans d
erive.
partielles sont desperance nulle : leur variance sidentifie donc a`

lesperance de leur carre. Ainsi :
2
E
!2
X
1
E
(Z(Xi ) ZV )
N2
i
et, par lesperance conditionnelle :
2
E
1
E E
N2
X
i
!2
(Z(Xi ) ZV ) | Z
` Realisation fixee de la Fonction Aleatoire, la Variance dEstimation

III A
Une notation intuitive,
mais qui prend trop
de libert
e avec la
rigueur math
ematique !
il sagit donc en loccurrence dune variance conditionnelle secrit :
2
E
( | Z = z)
!2
X
1
(z(Xi ) zV )
E
N2
i
formule deduite de la precedente en remplacant formellement la fonction

aleatoire Z par la variable regionalisee z . Mais alors, toujours a`
Realisation fixee, la seule composante qui demeure aleatoire dans le
modèle est limplantation Xi des echantillons. Or, par hypothèse, les
Xi sont independantes. Donc, les erreurs partielles a` Realisation fixee
sont independantes, et :
2
E
( | Z = z)
i
1 X h
2
E
(z(X
)
z
)
i
V
N2 i
(les termes croises sont nuls, comme covariances de variables aleatoires

independantes).
Tenant compte maintenant de luniformite de la loi de Xi dans V , on
voit que
i
h
2
E (z(Xi ) zV )
nest autre que :
Chapitre 3,
paragraphe 4.1.
1
V
(z(x) zV ) dx
v
cest-à-dire la Variance Statistique de z(x) dans V , soit avec les

notations habituelles :
s2 (o | V )
Donc :
2
E
( | Z = z)
1 X 2
s (o | V )
N2 i
1 2
s (o | V )
N
2
Il ne reste plus, pour avoir E
, quà deconditionner cette expression par
rapport a` Z (cest-à-dire par rapport a` la Realisation) do`
u, avec les
notations du Chapitre 3, 4.24.3 :
2
E

1 2
E S (o | V )
N
1 2
(o | V )
N
Telle est lexpression, très simple, que lon aurait pu obtenir en partant
directement de la formule generale de la Variance dEstimation.
[6] Estimations
75
Remarque : il sera interessant dexaminer cette formule en la

rapprochant des resultats de la Statistique classique. On retrouve bien
une variance globale qui decrot en 1/N . En revanche, le numerateur de
lexpression nest pas la variance a priori du modèle : cest une quantite
qui depend aussi du domaine a` estimer, et qui ne concidera avec la
variance a priori du modèle que dans le cas particulier dun effet de
pepite pur.
al
eatoire stratifi
e
Dans ce nouveau modèle dechantillonnage, on suppose cette fois que
le domaine V a` estimer est compose de N sous-domaines vi , tous
` linterieur
identiques a` un volume v , et constituant une partition de V . A
de chaque sous-domaine vi , on prelève un echantillon et un seul,
uniformement dans vi , et independamment des autres prelèvements.
La demarche est la meme que precedemment : on commence le calcul
de la Variance dEstimation globale a` Realisation fixee (cest-à-dire : au
niveau de la Variable Regionalisee), puis on deconditionne par rapport
a` la Realisation : on passe au niveau de la Fonction Aleatoire.
Fasc. 5, p70-71.
Le resultat est cette fois :
Fasc. 5, p71.
2
E
1 2
(0 | v)
N
On peut, a` titre de reflexion, noter que lechantillonnage aleatoire

stratifie conduit toujours a` une Variance dEstimation inferieure a`
celle de lechantillonnage aleatoire pur, puisque, daprès la relation
dadditivite :
1 2
1 2
(0 | v)
(0 | V )
N
N
1 2
(v | V )
N
JJJ
Chapitre 3,
paragraphe 4.5.
On notera egalement que lhypothèse dune partition de V par les vi est

ici absolument essentielle.
2.3. Remarque sur la g

eom
etrie
Les formules ci-dessus sont proposees a` geometrie connue : le domaine
V est suppose correctement circonscrit par un procede quelconque.

Cette hypothèse nest pas toujours admissible, tant sen faut. En realite,
un Champ est souvent delimite par reference aux valeurs prises par
la Variable Regionalisee. Celle-ci etant echantillonnee, cest dire que la
geometrie du Champ est elle-meme sujette a` erreur, et donc quelle doit
intervenir dans le calcul dune Variance dEstimation realiste.
Cette difficulte ne sera pas examinee ici : nous renvoyons pour cela a` la
bibliographie, et en particulier a` [Matheron, 1965], o`
u est detaillee
letude de la relation entre une variable et son Champ. Deux idees
seulement seront soulignees :
dune part, lerreur dorigine geometrique (effet de bord) se

revèle le plus souvent preponderante dans le calcul dune Variance
dEstimation globale ;
dautre part, au niveau methodologique, il est souvent necessaire

de revenir au formalisme de la Geostatistique Transitive pour toute
question mettant en jeu des problèmes de geometrie. Le formalisme
devient alors très complique si lechantillonnage nest pas regulier.
JJJ
Matheron, 1965, pp8992 ; pp98-100 ; p213.
76
Aide-M
emoire de g
eostatistique lin
eaire :
2.4. Maille r
eguli`
ere `
a implantation pr
ef
erentielle
Nous supposerons maintenant que le volume V a` estimer est constitue
par la reunion de volumes vi tous egaux, constituant une partition de
V . Au centre de chacun de ces volumes vi , on dispose dun echantillon
ponctuel. On se trouve donc de nouveau pour linstant dans un problème
a` geometrie fixee.
Chapitre 3,
paragraphe 3.4.
Matheron, 1965,
pp196-199.
Cette fois encore, la formule generale de la Variance dEstimation est

par elle-meme la reponse au problème du calcul de la variance de
lestimation globale. La question, purement pratique, est de trouver des
simplifications a` cette expression qui devient inextricable a` calculer si
les donnees sont trop nombreuses ou la geometrie trop tourmentee.
De nouveau, nous ne rentrerons pas dans les details techniques, qui
dailleurs peuvent varier selon le nombre de dimensions de lespace
de travail. Mais la demarche est constante : on cherche a` decomposer
lErreur dEstimation globale en erreurs elementaires dont on il sera
raisonnable de supposer quelles sont non (ou très faiblement) correlees.
On arrive ainsi a` un principe de composition des termes de la variance
globale, cest-à-dire que celle-ci apparat comme somme de differentes
contributions, comme par exemple :
variance de lerreur commise en estimant un volume elementaire par

Fasc. 5,
paragraphe 2.5.2.
son echantillon central. On en deduit la variance de lerreur commise

en estimant une ligne (un sondage par exemple) par la moyenne
des echantillons quelle contient. Cette contribution est usuellement
appelee terme de ligne ;
variance de lerreur commise en estimant un plan par la moyenne

ponderee des lignes (supposees connues) quil contient : cest le
terme de section ;
variance de lerreur commise en estimant le Champ tout entier par

la moyenne ponderee de ses sections : cest le terme de tranche.
Les calculs effectifs font intervenir de facon systematique les memes
expressions de variogrammes (ou covariances) regularises sur des
volumes geometriquement simples. On peut ainsi avantageusement
saider dabaques ou de tabulations ( fonctions auxiliaires ), et mener
ainsi rapidement a` bien les calculs numeriques. Mais le vrai problème
nest pas là.
Fasc. 5, p107-112.
La vraie difficulte tient a` la validite du principe de composition : ce

principe nest nullement un theorème, et il est capital de sassurer, avant
dentreprendre effectivement un calcul, si ce principe est compatible
avec le modèle adopte et la structure des echantillons disponibles. Cette
approche critique est essentielle, si lon ne veut pas courir le risque de
se heurter a` des paradoxes apparents : il existe ainsi bien des facons de
decrire un volume donne, reconnu par une maille regulière, comme une
hierarchie de lignes, sections et tranches, et il ny a pas de raison que des
descriptions differentes conduisent a` la meme evaluation (approchee) de
la variance globale. Il nous semble utile, une fois de plus, dinsister a`
ce propos sur le caractère physique de la demarche du Geostatisticien,
qui ne doit jamais oublier que les resultats quil a elabores sont toujours
relatifs a` un jeu bien precis de conditions experimentales. Le plus sage
est donc dinviter le lecteur a` sattaquer par lui-meme a` des exercices
instructifs, en particulier les trois exercices du Fascicule 5 consacres
aux grandes mailles (mailles superieures a` la portee) : le test decisif
nest pas de mener a` bien les calculs en eux-memes, mais bien de savoir
tirer un enseignement positif de resultats apparemment contradictoires.
2.5. Maille r
eguli`
ere `
a implantation flottante
Meme si les calculs ont ete menes a` bien dans les règles de lart, il reste
a` donner une signification objective a` la variance globale ainsi obtenue.
Nous rejoignons ici une reflexion dejà abordee lors de lintroduction de
[6] Estimations
lhypothèse stationnaire. La reponse est, dans les grandes lignes, que

pour donner une signification a` cette variance, il faut probabiliser
le reseau dinformation, cest-à-dire considerer quil a ete implante au
hasard uniformement sur le phenomène etudie.
Mais ainsi, ipso facto, cela signifie que lon ne travaille plus a` geometrie
connue puisque le Champ est affecte par cette implantation aleatoire
du reseau dechantillons. Les problèmes devaluation de la variance
qui decoulent de ce modèle sont alors de meme nature que ceux dejà
rencontres a` propos de la maille aleatoire stratifiee.
77
Chapitre 4,
paragraphe 1.1.
Matheron, 1965,
pp208-210.
2.6. Une remarque instructive

Revenons brièvement au cas de la maille a` implantation preferentielle.
Meme si la signification profonde de la Variance dEstimation peut poser
problème, il nen demeure pas moins que, au plan mathematique, cette
variance est une quantite qui permet de comparer la qualite de differents
dispositifs destimation.
Rappelons quil ne sagit pas là dune verite absolue, mais simplement
de la consequence triviale du choix que nous avons fait (librement)
de la variance comme critère de qualite dune estimation. Alors, dire
dun estimateur n 1 quil est meilleur que lestimateur n 2 est très
exactement synonyme de dire que sa Variance dEstimation est inferieure
a` celle de lestimateur n 2.
Cette mise au point faite, cest un exercice classique que comparer des
variances associees a` des dispositifs usuels dechantillonnage (fermes,
centres, etc. ). Nous ne pouvons quinviter le lecteur a` faire par lui-meme
de tels exercices. Mais on peut dire quil se degage de ces manipulations
une règle empirique ce nest pas un theorème quil peut etre bien
utile parfois de se rememorer :
Fasc. 5, p103, exercice 5.
pour une Fonction Aleatoire très structuree, un estimateur sera

dautant meilleur que les echantillons seront de bonne qualite
(proches, places de facon regulière, etc. ) ;
pour une Fonction Aleatoire peu structuree, un estimateur sera
` la limite,
dautant meilleur que les echantillons seront nombreux. A
pour une fonction totalement destructuree (effet de pepite pur, cas
de la Statistique classique), la qualite de lestimateur ne depend que
du nombre des echantillons.
Appliquee a` chaque voisinage glissant, cette règle empirique pourra se

reveler dune grande utilite pour la pratique de lestimation locale.
3. Lestimation locale
3.1. Introduction
Nous avons precedemment donne un sens precis a` la notion de problème
local. Lestimation locale, comme cas particulier dun tel problème,
concerne donc lestimation dune portion bien circonscrite du Champ
de la Variable Regionalisee etudiee, a` laide dun jeu egalement bien
delimite de donnees disponibles.
Comme de surcrot nous nous placons ici dans le cadre de la
Geostatistique Lineaire, la quantite a` estimer sera une fonctionnelle
lineaire appliquee a` la Variable Regionalisee, tandis que lestimateur
sera une combinaison lineaire des donnees disponibles. Par suite,
lErreur dEstimation difference entre valeur a` estimer et estimateur
sera egalement une fonctionnelle lineaire construite sur Variable
Regionalisee (ou sur la Fonction Aleatoire associee dans le modèle
probabiliste correspondant). Pour la simplicite de lexpression, nous
dirons simplement de facon elliptique : lerreur destimation est une
combinaison lineaire .
Chapitre 4,
paragraphe 1.2.
Voir commentaire cidessous, paragraphe 3.2.2.
78
Aide-M
emoire de g
eostatistique lin
eaire :
Si lexpression de la quantite a` estimer est imposee par le problème,

il nen est pas de meme de lexpression de lestimateur. Nous savons
seulement que cet estimateur doit etre une combinaison lineaire des
donnees disponibles, sans preciser a priori quels sont les poids a` attribuer
a` chacune de ces donnees. Et precisement, ces poids sont les inconnues
du problème destimation locale. La demarche est alors classique :
le formalisme probabiliste nous donne les moyens de determiner ces
poids, lesquels sont ensuite affectes aux valeurs prises par la Variable
Regionalisee (cest-à-dire aux donnees).
Un dernier mot enfin. Lestimation locale ainsi elaboree a recu en

Geostatistique le nom de krigeage. Il ne sagissait pas, par un nom
nouveau, de revendiquer le statut de methode nouvelle : car, a` tout
prendre, nous verrons vite que le Krigeage nest autre quune regression
multiple de variance minimum, a` partir de donnees correlees. Du point
de vue seulement mathematique, les equations correspondantes ne sont
pas une innovation : les Mathematiciens sont donc fondes a` recuser la
nouvelle terminologie. Mais il est non moins vrai que, meme classique,
cette methode mathematique navait pas encore a` la fin des annees 40
trouve droit de cite dans le monde minier. Le neologisme Krigeage
salue donc dabord une rencontre, rencontre dune methode et dun
champ dapplication. Quulterieurement la methode se soit etoffee et que
les champs dapplication se soient multiplies, nest probablement pas une
raison suffisante pour changer un vocabulaire desormais sanctionne par
lhabitude, qui a de plus le merite dattirer lattention sur une certaine
philosophie du travail.
3.2. Les
etapes du krigeage
Par exemple, KI
signifie-t-il comme en 1975
Krigeage Intrinsèque ,
ou comme en
1985 Krigeage
dIndicatrices ?
Avertissons demblee le Geostatisticien neophyte : au hasard de

la bibliographie, le Krigeage est souvent associe a` de multiples
adjectifs ( simple , ordinaire , intrinsèque , universel . . . )
qui donnent limpression deroutante dune proliferation de techniques
distinctes, peut-etre concurrentes voire contradictoires. La terminologie
de plus na pas ete constante dans le temps ; quand on sait de surcrot
quelle se complique dabreviations elles-memes non stabilisees, on court
un risque reel de confusion.
La cause que nous cherchons a` plaider ici est simple : il nexiste quun
seul Krigeage en ce sens quil ny a quune seule demarche geostatistique pour aborder un problème destimation au sens local. Bien entendu,
cette demarche doit sadapter aux circonstances particulières (differentes
hypothèses de stationnarite par exemple), et par suite les formulations
ultimes peuvent presenter des differences eventuellement notables ; mais
le fil conducteur est immuable.
Plutot donc quobliger le lecteur a` ingurgiter demblee une longue liste

de systèmes de krigeages essayant depuiser toute la combinatoire
des situations possibles, nous voudrions dabord enumerer les quatre
I I I etapes qui president a` la construction de tout système de Krigeage. Il
ne sagit pas de marteler un dogme (tout le monde est libre dutiliser ou
non le Krigeage comme estimateur, pourvu que ce soit en connaissance
de cause), mais simplement de rappeler un code de bonne conduite,
de fournir un fil dAriane pour parcourir en securite ce qui pourrait
apparatre comme un labyrinthe de systèmes de Krigeage.
3.2.1. Lerreur destimation

La quantite autour de laquelle gravite tout le formalisme du krigeage
nest pas lestimateur lui-meme, mais bien lErreur dEstimation, cest-àdire rappelons-le lecart entre la quantite a` estimer et lestimateur.
Au niveau de la Variable Regionalisee, cet ecart nest autre que lerreur
(au sens physique) commise faute de connatre la vraie valeur de la
quantite a` estimer. Dans bien des cas, il serait possible de fournir la
[6] Estimations
79
valeur exacte de cette erreur, en mesurant effectivement la quantite pour

laquelle on a construit lestimateur (mesures de controle des teneurs en
mine, par exemple).
Transposee au niveau du modèle probabiliste cest-à-dire de la
Fonction Aleatoire, cette Erreur dEstimation acquiert le statut
mathematique dune Variable Aleatoire (voir ci-dessus les mecanismes
de passage entre Variable Regionalisee et Fonction Aleatoire). Cest
au niveau de cette Variable Aleatoire que nous allons travailler pour
construire le Krigeage.
Chapitre 1,
paragraphe 2.3.
Une definition enfin : nous appellerons configuration de krigeage

lensemble des points de lespace mis en jeu a` la fois par la quantite
a` estimer et par lestimateur. La Configuration de Krigeage est donc,
très exactement, le support de lErreur dEstimation.
3.2.2. Etape
1 : contrainte de lin
earit
e
Nous avons choisi de ne travailler que sur des formes lineaires de la
Fonction Aleatoire etudiee. Cette contrainte nous est dailleurs imposee
par nos choix anterieurs, puisque les outils probabilistes dont nous
disposons (esperance et variance) ne sauront operer que sur de telles
formes compte-tenu de nos hypothèses de travail (stationnarite dordre 2
ou intrinsèque).
Dun point de vue mathematique, il ne faut pas se limiter a` une vue trop
etroite de la linearite. On peut legitimement envisager lestimation de
toute fonctionnelle lineaire (moyenne ponderee bien s
ur, donc convoluee ;
mais aussi deconvoluee, derivee, integrale, etc. ) de la Fonction Aleatoire.
Dans chaque cas, il peut surgir des difficultes techniques specifiques,
et il faut en permanence prendre garde au seuil de realisme ; mais
fondamentalement, la voie est ouverte.
Quant a` lestimateur, nous le presenterons toujours, par souci de
simplicite, comme une combinaison finie de donnees la plupart du
temps ponctuelles. Cette fois encore, il ne sagit pas dune contrainte
imposee par la theorie, mais simplement dun souci de realisme. Pour
une presentation mathematique dans toute sa generalite, on se reportera
a` la bibliographie.
Chapitre 1,
paragraphe 3.4.
Matheron, 1965,
pp214-216.
En resume, la première etape du Krigeage consiste donc a` satisfaire deux

contraintes :
sassurer que la quantite a` estimer est bien une fonctionnelle lineaire

de la fonction aleatoire etudiee, par exemple :
Z(x) p(dx)
Cette contrainte exclut les problèmes de type coupure et selection

qui font lobjet de la Geostatistique Non Lineaire ;
exprimer que lestimateur que lon veut construire est une

combinaison lineaire des donnees disponibles :
3.2.3. Etape
2 : contrainte dautorisation
` lissue de la première etape, nous savons maintenant que lerreur
A
destimation est, au sens large, une combinaison lineaire construite sur
la Fonction Aleatoire.
Il faut maintenant nous assurer que les manipulations a` lordre 2
(esperance et variance), que nous envisageons sur cette erreur, sont bien
licites. Autrement dit, il nous faut contraindre lErreur dEstimation a`
etre autorisee.
A
Paragraphe 3.1.
Chapitre 3,
paragraphe 2.1.
80
Aide-M
emoire de g
eostatistique lin
eaire :
Nous ninsisterons pas ici sur les problèmes de convergence, lies a` un

eventuel travail en continu : implicitement, nous supposerons par la suite
que lErreur dEstimation est une forme lineaire a` support borne de la
Fonction Aleatoire etudiee. Ces difficultes etant evacuees, le caractère
autorise ou non dune combinaison lineaire dependra etroitement du
modèle de stationnarite adopte.
Chapitre 3,
paragraphe 2.12.2.
Chapitre 5,
paragraphe 1.2.
Ainsi, dans le modèle stationnaire dordre 2, toutes les combinaisons

lineaires sont autorisees. Nous avons precedemment donne les
mecanismes de calcul des deux premiers moments de telles expressions.
Dans ce modèle, il ny a donc pas de contrainte effective dautorisation.
Au contraire, dans le modèle intrinsèque, une combinaison lineaire
est autorisee si et seulement si son poids total est nul. Cette fois
donc, il surgit une contrainte pour mener a` bien le Krigeage :
lErreur dEstimation doit etre de poids total nul, cest-à-dire que
les ponderateurs , qui apparaissent dans lexpression de lestimateur
Q = Z et qui constituent les inconnues du problèmes, sont sujets
a` contrainte.
Ces contraintes prendront des formes diverses, au gre des futures
hypothèses sur le degre de stationnarite.
3.2.4. Etape
3 : contrainte duniversalit
e
U
Voir tout cours
de Statistiques.
Voir au chapitre 7 le
Krigeage Universel.
Un point de vocabulaire dabord. La contrainte que nous allons definir

maintenant pourrait egalement etre nommee : contrainte de non
biais . Cette terminologie cependant renvoie trop a` lestimation au
sens de la Statistique classique, cest-à-dire a` lestimation de Paramètres
Conventionnels du modèle ( inference statistique ). Noublions pas
que dans notre formulation, les deux quantites (estimateur et quantite a`
estimer) sont des Variables Aleatoires du modèle probabiliste : aucune
na le statut de paramètre.
Nous pourrions aussi parler de contrainte d esperance nulle .
Lavantage de cette formulation est sa neutralite. En particulier,
elle ne suggère aucune interpretation physique, et garde une tonalite
mathematique depourvue de tout parti-pris. Cest precisement pour
cette meme raison que nous gardons le terme consacre par lusage
geostatistique de contrainte duniversalit
e, certes un peu trop
emphatique, mais dont la signification très precise apparatra a` mesure
que nous relacherons les hypothèses de stationnarite.
Cette Contrainte dUniversalite, donc, consiste a` exprimer que lErreur
dEstimation Q Q est desperance nulle :
E [Q Q]
Remarquons tout de suite que nous sommes fondes a` ecrire une

telle formule dès que les deux contraintes precedentes sont satisfaites
puisqualors, par hypothèse, lesperance de Q Q existe dans le modèle.
Cette equation introduit une (nouvelle) contrainte sur les inconnues du
problème, cest-à-dire sur les de :
3.2.5. Sens de la contrainte duniversalit

e
Il nest pas raisonnable, dans la demarche geostatistique, de sen tenir a`
laspect purement mathematique de la contrainte duniversalite : il faut
pouvoir se donner les moyens de linterpreter en termes plus physiques.
Observons dabord que, pour lexactitude mathematique de notre
demarche, nous navons besoin que de lexistence de lesperance :
E [Q Q]
[6] Estimations
81
pour un jeu particulier de donnees Z et pour une quantite particulière

` ce point, nous nous trouvons ramenes aux memes
Q a` estimer. A
difficultes dinterpretation que pour une Estimation Globale, a` ceci près
que le domaine detude ne setend pas au Champ entier, et avec la
difficulte supplementaire que nous serions bien en peine de probabiliser
la Configuration de Krigeage.
Paragraphe 2.1.
Chapitre 4,
paragraphe 1.1.
Paragraphe 3.2.1.
Cest pourquoi, bien que nous nen ayons pas besoin mathematiquement,
nous invoquerons nos hypothèses de stationnarite pour des raisons
physiques. De fait, que nous soyons en modèle stationnaire ou en
modèle intrinsèque, la loi dune combinaison lineaire autorisee est par
hypothèse stationnaire dordre 2. Appliquee a` lErreur dEstimation (qui
est par hypothèse une Combinaison Lineaire Autorisee), cette propriete
signifie que les deux premiers moments de Q Q sont invariants par J J J
translation, cest-à-dire quils ne dependent pas de limplantation de la
Configuration de Krigeage.
Naturellement, transcrire cette propriete au niveau physique cesta`-dire en termes de Variable Regionalisee necessite quelques
amenagements. Lidee directrice est bien s
ur dassocier lesperance :
E [Q Q]
a` une moyenne spatiale. Cest, a` peine compliquee, une demarche dejà
rencontree. La difficulte supplementaire tient a` la notion de translation
de la Configuration de Krigeage : sauf cas particulier de donnees
parfaitement regulières, on ne pourra pas reproduire strictement la
Configuration de Krigeage dans les differentes zones du Champ total
de la Variable Regionalisee. Il faut donc introduire des tolerances sur
la description des Configurations de Krigeage, avec tous les risques que
cela represente et toute lexperience que cela requiert. Mais enfin, grosso
modo, la contrainte mathematique
E [Q Q]
Chapitre 4,
paragraphe 3.13.2.
signifie ceci : la moyenne statistique des Erreurs dEstimation

experimentales obtenues a` travers tout le Champ sur des Configuration
de Krigeage raisonnablement similaires, sapproche de 0 lorsque le
nombre de ces configurations devient suffisamment grand .
Voir : Les
repr
esentations
glissantes , dans Estimer
et Choisir, chapitre VII.
Cest a` dessein que les mots employes dans cette proposition

comme raisonnablement , sapproche , suffisamment . . . ont
une tonalite subjective : nous sommes maintenant au niveau de
linterpretation physique, de lexperience et du savoir-faire, et donner un
statut mathematique rigoureux a` cette proposition exigerait un arsenal
mathematique beaucoup plus developpe et un modèle probabiliste
beaucoup plus specifie (et ipso facto beaucoup moins realiste) que ce
que nous nous bornons a` manipuler dans le present expose.
Prosaquement, cela signifie que si nous realisons le Krigeage sur un
grand nombre de voisinages de Krigeage a` peu près similaires, nous
sommes en droit desperer que lerreur moyenne commise sera a` peu
près nulle. Mais remarquons dans le meme temps que cela ne garantit
aucunement quil ny ait localement de fortes erreurs : tout au plus peuton dire que ces erreurs se compenseront globalement.
3.2.6. Etape
4 : contrainte doptimalit
e
` lissue des trois etapes precedentes, nous disposons dun estimateur,
A
non encore totalement specifie, et sujet eventuellement a` un certain
nombre de contraintes.
La dernière etape consiste a` imposer a` lErreur dEstimation detre de
variance minimale. La variance est, rappelons-le, le critère de qualite
dont nous avons convenu pour la Geostatistique.
82
Aide-M
emoire de g
eostatistique lin
eaire :
Voir par exemple

Matheron, 1970, 1971.
Mathematiquement, nous savons par les etapes 1 et 2 que cette variance

existe. Il sagit ni plus ni moins dune Variance dEstimation que nous
savons donc exprimer par les formules usuelles. Il reste donc a` minimiser
les quantites obtenues compte-tenu de la contrainte duniversalite, les
inconnues etant evidemment les ponderateurs a` affecter aux donnees.
Nous nexaminerons pas ici le problème purement mathematique de
lexistence et lunicite de la solution a` ce problème. Sauf cas speciaux,
nous admettons cette existence et cette unicite. Au point de vue de
linterpretation physique, nous ne reprendrons pas les commentaires du
3.2.5 : il suffit de noter que lErreur dEstimation etant par hypothèse
desperance nulle, sa variance sidentifie a` lesperance de son carre. Ce qui
a ete dit precedemment sur la quantite Q Q peut donc sappliquer a`
son carre. Ainsi, sous toutes les contraintes antecedentes, on cherche
a` ce que la moyenne statistique du carre des Erreurs dEstimation
experimentales obtenues a` travers tout le Champ sur des configurations
de Krigeage raisonnablement similaires, soit aussi faible que possible
pour un nombre suffisamment grand de ces configurations.
3.2.7. L. A. U. O.
Revenons une nouvelle fois sur les quatre contraintes du krigeage.
I I I Ces contraintes sont, essentiellement, hierarchisees :

nous ne pouvons, dans notre modèle, parler dexpression autorisee
que si celle-ci est prealablement lineaire (cest la contrainte que
nous nous sommes imposee dans le present document, consacre a`
la Geostatistique lineaire) ;
il ny a de sens a` exprimer la condition duniversalite que pour une

combinaison lineaire autorisee. Cette contrainte est fondamentale :
si elle nest pas respectee, les manipulations mathematiques qui
suivent sont ipso facto illegitimes ;
et loptimisation nest formulee que sur des combinaisons satisfaisant

dejà a` la contrainte duniversalite. Il sagit cette fois dune contrainte
de bon sens : la construction dun estimateur biaise est possible
mathematiquement, mais elle risque fort de ne presenter aucun
interet pratique. . .
En resume, et dans cet ordre, les contraintes :

1.
2.
3.
4.
L
A
U
O
inearite
utorisation
niversalite
ptimalite
caracterisent la demarche unique du Krigeage. Idealement, un

cours sur lestimation locale (sur toutes les Estimations Locales) devrait
pouvoir sarreter ici. . .
Il nest cependant pas inutile de proposer quelques exemples, ne
serait-ce que pour introduire certains elements de vocabulaires passes
maintenant dans le langage geostatistique courant. Mais, la demarche
etant immuable et repetitive, les presentations seront de plus en plus
rapides au fil des paragraphes.
[6] Estimations
83
3.3. Quelques exemples de krigeage ponctuel

3.3.1. Krigeage stationnaire `
a moyenne connue
Nous nous placons pour commencer dans le cas dune Fonction Aleatoire
Z Stationnaire dordre 2, de covariance K , desperance m connue. On
peut sans inconvenient supposer alors que m = 0, faute de quoi il
suffirait de travailler sur la Fonction Aleatoire Z m qui a la meme
covariance que Z et qui, elle, est desperance nulle.
Au sujet de la notation K,
voir remarque Chapitre2,
paragraphe1.2. Voir
aussi commentaires
en fin de chapitre.
Nous nous bornerons ici a` examiner le problème de lestimation

ponctuelle, cest-à-dire a` estimer la valeur de Z(x) en un point x donne,
a` laide dun estimateur Z (x) forme a` partir de donnees Z . Examinons
les quatre contraintes :
Linearite : lErreur dEstimation :

Z (x) Zx
doit etre une forme lineaire sur Z . Donc, Z (x) est de la forme :
Z (x)
o`
u les sont les inconnues du problème.
Remarque : on notera au passage que ces ponderateurs, pour des Z
donnes, dependent a priori du point x a` estimer. Il conviendrait donc
de les noter (x). Il est rare cependant que cette ecriture complète
soit indispensable, et les risques de confusion sont limites. Afin de ne
pas alourdir les notations, on conservera donc lecriture simplifiee .
JJJ
Autorisation : lErreur dEstimation :

Z Z x
doit etre autorisee dans le modèle. Il se trouve que nous sommes par
hypothèse dans le cadre du modèle stationnaire, de sorte que toutes les
combinaisons lineaires sont autorisees. Pour cette fois, il se trouve donc
quil ny a pas de condition dautorisation active .
Universalite : conditionnellement aux deux contraintes precedentes,

nous voulons maintenant que :
E [ Z Zx ]
Mais, par hypothèse, E [Zx ] = 0 et E [Z ] = 0 (quel que soit ).

La condition est donc automatiquement satisfaite. Pour cette fois, il se
trouve donc quil ny a pas de condition duniversalite active .
Optimalite : conditionnellement aux trois contraintes precedentes, il

nous reste enfin a` minimiser :
Var [ Z Zx ]
Cette expression se calcule suivant le formalisme classique, et vaut :
K 2 Kx + Kxx
En loccurrence, il ny a pas de contrainte active, et le minimum de
cette forme quadratique est obtenu en annulant sa derivee partielle par
rapport a` chacune des inconnues , soit :
2 K 2 Kx
()
Chapitre 3,
paragraphe 2,2.
84
Aide-M
emoire de g
eostatistique lin
eaire :
Rappelons que nous admettrons lexistence et lunicite de cet optimum.

Dans les hypothèses actuelles, le système de Krigeage secrit donc :
()
Kx
Cest un système lineaire, dont le nombre dequations et le nombre

dinconnues sont egaux au nombre de points de donnees.
Designons1 par
on devrait meme ecrire :
(x) la solution de
S
S
ce système. La valeur minimale de la Variance dEstimation est donc :
S2
K S 2
Kx + Kxx
S
S
et comme, daprès les equations memes du Krigeage,
S K
Kx
on trouve après simplification :
S2
Kxx
Kx
S
Ce Krigeage, dont la denomination precise devrait logiquement etre

Krigeage Stationnaire a
` moyenne nulle , est connu traditionnellement
sous le nom de Krigeage Simple en abrege : KS.
3.3.2. Krigeage stationnaire `

a moyenne inconnue
Nous restons encore dans lhypothèse dune Fonction Aleatoire
Stationnaire dordre 2, de covariance K . Mais on ne suppose plus connue
lesperance m, qui cependant existe dans le modèle. Nous suivons bien
s
ur les memes quatre etapes que precedemment :
Linearite :
Z (x)
Autorisation : cette fois encore, toutes les combinaisons lineaires

sont autorisees dans le modèle. Il ny a de nouveau pas de condition
dautorisation active .
Universalite :
nous voulons avoir, conditionnellement aux deux

contraintes precedentes :
E [ Z Zx ]
Daprès le modèle, nous savons que E [Zx ] = m , ce qui est vrai

en particulier pour tout point de donnee : E [Z ] = m. Mais par
hypothèse nous ne connaissons pas m. Alors, pour que :
E [ Z Zx ]
soit nul, et dans lignorance o`

u nous sommes de cette valeur de m, il
faut et il suffit que :
X
Telle est la contrainte duniversalite portant sur les .

1
Lindice S est mis comme reference a` la denomination usuelle de

Simple voir ci-dessous.
Krigeage
[6] Estimations
85
Optimalite : il nous reste maintenant a` minimiser :

Var [ Z Zx ]
K 2 Kx + Kxx
conditionnellement aux contraintes precedentes, cest-à-dire dans ce cas

conditionnellement a` :
Cette minimisation sobtient par la technique des multiplicateurs de

Lagrange. Cest une methode issue du calcul des variations qui,
schematiquement, revient a` ceci : pour minimiser par rapport aux
une certaine forme Q() sous un certain jeu de contraintes
l ()
on ecrit que la quantite :
Q() + 2 l l ()
doit voir sannuler ses derivees partielles par rapport aux et par
rapport aux l . Ce sont ces l , inconnues auxiliaires du problème, qui
sont appeles Multiplicateurs de Lagrange, chacun deux correspondant a`
une contrainte. Notons dailleurs que lannulation de la derivee partielle
par rapport a` l (l fixe) ne fait que restituer la l-ème contrainte.
Explicitons pour cette fois le calcul. Il ny a quune contrainte, donc
quun seul multiplicateur, que lon notera . Il faut donc ecrire que les
derivees partielles de :
2 Kx + Kxx + 2
sont nulles simultanement par rapport aux et par rapport a` .

Par rapport a` , on retrouve donc naturellement :
et par rapport a` ( fixe quelconque), et après simplification par 2 :
K +
Kx
La formule usuelle de presentation de ces equations est :
P
K +
P
Kx
()
On note que, toutes autres conditions egales par ailleurs, ce système

comporte une inconnue et une equation de plus que le système du
Krigeage Simple.
Si nous designons par
et O la solution de ce système, la valeur de
O
la Variance de Krigeage est :
O2
K O 2
Kx + Kxx
O
O
La pr
esence du facteur 2
devant le multiplicateur
na
evidemment rien
dessentiel : nous avons
choisi cette d
efinition a
`
seule fin de permettre des
simplifications dans le
d
eroulement des calculs.
86
Aide-M
emoire de g
eostatistique lin
eaire :
et en tenant compte des relations que satisfont les

et O , on peut
O
simplifier cette expression en :
O2
Kxx
Kx O
O
Ce krigeage stationnaire a` moyenne inconnue est traditionnellement

appele Krigeage Ordinaire KO en abrege, ce qui justifie lindice O
affecte a` la solution.
3.3.3. Krigeage Intrins`

eque
Chapitre 5,
paragraphe 1.1.
Comme dernier exemple de krigeage ponctuel, supposons maintenant

que la Fonction Aleatoire soit strictement intrinsèque et de plus sans
derive. Reprenons encore une fois les quatre etapes du Krigeage :
Linearite :
A
Chapitre 5,
paragraphe 1.2.
Z (x)
Autorisation : dans le modèle intrinsèque, une combinaison lineaire

est autorisee si et seulement si la somme
de ses poids est nulle.
P totale
Le poids total de Z Zx est
1 doù la contrainte
dautorisation :
X
1 = 0
Universalite : rappelons que dans le modèle
Chapitre 5,
paragraphe 1.3.
O
Chapitre 5,
paragraphe 1.3.
FAI sans d
erive ,
toute CLA est desperance nulle. La contrainte duniversalite est
automatiquement satisfaite
Optimalite : exprimons la variance qui existe daprès la contrainte

dAutorisation de lerreur Z Zx . Comme cette erreur est une
CLA (daprès les trois contraintes precedentes), on peut calculer sa
variance selon le mecanisme de substitution etabli precedemment. Ainsi :
Var [ Z Zx ]
+ 2 x
Nous avons a` minimiser cette expression sous la contrainte (unique)

dautorisation. Le developpement de ce calcul serait tout a` fait semblable
au precedent ; plus simplement encore, il suffit dans le resultat du KO
de remplacer K par , et le système de krigeage est finalement :
P
+
()
Toujours en notant avec lindice O la solution de ce système, la Variance

de Krigeage devient :
O2
x O
O
Ce krigeage intrinsèque sans derive est lui-aussi appele Krigeage

Ordinaire dans la litterature.
3.3.4. Quelques commentaires
Un sujet
de r
eflexion.
Il est clair que, formellement, les deux derniers systèmes obtenus

presentent exactement la meme structure. Cest, on peut le supposer,
cette quasi-identite qui justifie cette terminologie unique de Krigeage
Ordinaire . Bien entendu, cette convergence na rien de fortuit.
Cependant, au risque de paratre puriste, nous pensons quil nest pas
souhaitable de faire lamalgame entre les deux modèles. Sil est vrai en
[6] Estimations
87
effet que, dans les deux cas, la contrainte qui apparat a exactement
la meme expression, il nen demeure pas moins que sa signification est
tout a` fait differente : contrainte dUniversalite dans un cas, contrainte
dAutorisation dans lautre.
Cette difference reapparatra ulterieurement et eclairera sans doute la
double approche des phenomènes non stationnaires. Pour le moment,
contentons-nous de remarquer que si la structure des deux systèmes de
Krigeage Ordinaire est la m
eme, ce nest pas le cas en ce qui concerne
leur contenu : la filière Krigeage Stationnaire a` moyenne inconnue ,
fondee sur un modèle aleatoire stationnaire, naccepte comme fonctions
structurales que des covariances ; au contraire, le Krigeage Intrinsèque
sans derive ouvre la porte aux variogrammes, cest-à-dire a` une gamme
plus vaste de modèles structuraux. Naturellement, si dans ce dernier cas
le modèle de variogramme possède un palier, on peut alors interpreter le
Krigeage Intrins`
eque sans derive comme un Krigeage Stationnaire
a` moyenne inconnue : en quelque sorte, qui peut le plus peut le
moins , et lapproche intrinsèque semble plus riche et prometteuse que
lapproche stationnaire + derive .
Ces remarques prendront toute leur importance lors de la double
approche Krigeage Universel, Krigeage Intrinsèque de la
Geostatistique Non-Stationnaire. Pour linstant, contentons-nous de
reaffirmer avec force linteret de bien poser la hierarchie des contraintes
L.A.U.O. , m
ethode qui garantit de toute erreur lors de la
construction dun système de Krigeage quel quil soit.
Chapitres 7 et 8.
3.4. Propri
et
es du syst`
eme de Krigeage
Nous ninsisterons pas sur les proprietes algebriques du système de
Krigeage, en particulier sur les conditions necessaires et suffisantes
dunicite de la solution. Du reste, ce problème mathematique devrait
etre formule en toute generalite dans le cas continu, cest-à-dire que
les inconnues du problème ne seraient desormais plus un jeu fini de
ponderateurs, mais des mesures. Le Krigeage nest plus alors un système
de Cramer, mais un système dequations fonctionnelles, qui requiert
de raisonner en termes despaces de Hilbert. Le Krigeage peut ainsi
sexprimer en termes de projections. Nous renvoyons a` la bibliographie
pour cette approche mathematique.
Matheron 1969.
Journel, 1977.
3.4.1. Le Krigeage, interpolateur exact

Nous nous placerons desormais, sauf cas particuliers d
ument mentionnes,
dans lhypothèse o`
u le système de Krigeage est regulier. Cest une
situation bien agreable heureusement très courante ! puisqualors,
si nous savons exhiber par quelque moyen que ce soit UNE solution
du système de Krigeage, nous savons que cest LA solution.
Cest ainsi par exemple que lon peut sassurer que le Krigeage ponctuel
est un interpolateur exact : pour linstant, on entend par là que si le
point a` estimer est confondu avec lun des points de donnees, lestimateur
de Krigeage est identique a` la valeur de la donnee en ce point. Au
niveau des ponderateurs de Krigeage, cela veut donc dire que si le point
a` estimer x est confondu avec un point de donnee, la solution du
Krigeage est = 1, et = 0 pour 6= .
Il est immediat de verifier laffirmation precedente, sur chacun des
systèmes construits jusquici. Dans chaque cas, on constate que le jeu de
coefficients = 1, et = 0 pour 6= constitue UNE solution du
système de Krigeage : cest donc LA solution, en vertu de lunicite du
Krigeage. Le Krigeage est bien un interpolateur exact.
Notons seulement quune demonstration fondee sur les projections
sur un espace de Hilbert serait s
urement plus elegante. Cependant,
la verification proposee ici constitue une demonstration peut-etre
inesthetique, mais parfaitement rigoureuse.
JJJ
88
Aide-M
emoire de g
eostatistique lin
eaire :
3.4.2. Superposition des figures de Krigeage

Nous nous sommes bornes jusquici a` proposer des systèmes destimation
ponctuelle. Mais, nous le savons, la Geostatistique Lineaire nous autorise
lestimation de toute fonctionnelle lineaire de la Fonction Aleatoire
etudiee. Il est alors immediat de verifier donc de demontrer que,
I I I grace a` la linearite des equations, et a` la reserve expresse dutiliser les
I I I memes donnees pour tous les Krigeages concernes, le Krigeage dune
combinaison lineaire est la combinaison lineaire des Krigeages , soit :
(a Q + b R)
a Q + b R
o`
u:
Q et R sont des fonctionnelles lineaires quelconques de la Fonction
Aleatoire etudiee ;
a et b sont des coefficients quelconques ;
le signe
designant loperateur destimation par Krigeage.
Cette propriete est connue sous le nom de th

eor`
eme de superposition
des figures de Krigeage, et peut sexprimer plus synthetiquement :
sous r
eserve dutiliser toujours le meme domaine pour former
lestimateur, les figures de Krigeage se superposent lineairement .
Quelques exemples :
le Krigeage de la quantite de metal sur deux panneaux est la somme

des Krigeages sur chacun des panneaux (pourvu essentiellement que
ces krigeages soient realises avec les memes donnees !) ;
la teneur moyenne krigee sur un bloc nest autre que la moyenne des
Krigeages ponctuels sur ce bloc ;
le Krigeage dune convoluee nest autre que la convoluee des

Krigeages ponctuels :
Z
p(dx) Z(X)
2
p(dx) Z (x)
On peut encore aller plus loin et, par exemple (sous reserve de donner
un sens aux derivations) :
le Krigeage de la derivee est la derivee du Krigeage ;

le Krigeage du gradient est le gradient du Krigeage, etc.
Cest la raison pour laquelle dans un expose qui se veut plutot
methodologique, nous naccorderons pas dattention particulière aux
systèmes de Krigeage non ponctuel puisque, in fine , tout peut se
ramener a` des estimations ponctuelles.
3.4.3. Relation dorthogonalit

e et de lissage
Il est communement admis que lestimateur du Krigeage lisse la
fonction etudiee. On entend par là que la Variable Regionalisee z (x)
presente moins dasperites et de fluctuations que la Variable Regionalisee
vraie z(x). Il est possible de donner un sens precis a` cette affirmation
pragmatique dans le cadre dun modèle stationnaire de moyenne nulle.
Paragraphe 3.3.1.
Dans ce dernier cas en effet, lestimateur du Krigeage Simple secrit :
Z (x)
avec
ou encore
S (x) K
(x) Z
S
=
=
S (x) K Kx
Kx
()
0
()
[6] Estimations
89
Mais sous cette forme, ce jeu dequations peut secrire

Cov
(x) Z Zx , Z
S
()
Autrement dit, lerreur de Krigeage Simple est orthogonale a` chacune des

donnees. Par linearite, on en deduit immediatement que cette erreur est
orthogonale a` toute combinaison lineaire des donnees, donc en particulier
a` lestimateur du KS lui-meme, qui nest autre que la combinaison
lineaire
(x) Z . Ainsi,
S
Cov [Z(x) Z (x), Z (x)]
ou encore
Cov [Z(x), Z (x)]
Var [Z (x)]
Mais alors,
S2 (x)
Var [Z(x) Z (x)]
Var [Z(x)] + Var [Z (x)] 2 Cov [Z(x), Z (x)]
Var [Z(x)] Var [Z (x)]
K(0) Var [Z (x)]
ce qui secrit encore :
K(0)
Var [Z (x)] + S2 (x)
On montre ainsi que

Var [Z (x)]
K(0)
cest-à-dire que la variance de la valeur estimee est strictement inferieure

a` la variance a priori , sauf dans le cas particulier o`
u S2 (x) = 0
(estimation dun point de donnee). Cest là une expression precise de
la notion vague : le krigeage lisse .
Incidemment, on notera que lestimateur de Krigeage Simple nest pas
stationnaire dordre 2. Il est bien vrai que son moment dordre 1 est
stationnaire, puisque
E [Z (x)] = 0
qui ne depend pas de x. En revanche, de la relation de lissage, on tire
Var [Z (x)]
K(0) S2 (x)
qui depend de x par lintermediaire de S2 (x) : le moment dordre 2 nest

pas stationnaire.
3.5. Evaluation
optimale de lesp
erance math
ematique
Nous avons envisage au 3.3.2. le cas dun modèle a` esperance
mathematique inconnue. On peut se demander si la demarche
L.A.U.O. peut servir a
` une evaluation optimale de lesperance
mathematique m, dans le cadre de ce modèle.
Nous utilisons a` dessein le mot neutre et mal defini d evaluation .
En toute rigueur en effet, nous ne sommes pas fondes a` parler
d estimation de m, puisque lesperance mathematique nest pas une
Grandeur Regionale, mais seulement un param`
etre conventionnel du
modèle. Cela dit, un tel purisme nest sans doute pas indispensable, et
le lecteur ne sera pas surpris de voir ecrit, dans la plupart des ouvrages
90
Aide-M
emoire de g
eostatistique lin
eaire :
E & C, p78
de Geostatistique, estimation optimale de la derive . Du reste, on

rejoint ici la notion destimation de la Statistique classique.
Quoiquil en soit, il est parfaitement possible de suivre les quatre etapes
maintenant classiques :
Linearite : on forme une expression M

dEstimation :
= Z . LErreur
Z m
est bien une combinaison lineaire des donnees, m etant un simple

paramètre (en loccurrence deterministe).
Autorisation : dans le present modèle (en loccurrence, stationnaire a`

esperance inconnue), toutes les combinaisons lineaires sont autorisees.
Universalite : on veut E [ Z m] = 0 ; et comme E [Z ] = m

() , cela impose :
m
quel que soit m. Par consequent,
Optimalite : conditionnellement aux contraintes precedentes, nous

voulons minimiser Var [ Z ] m, qui se developpe en :
K
(avec les notations dejà adoptees au 3.3.2.
Nous devons donc annuler les derivees partielles de :
K + 2
ce qui, tous calculs desormais classiques faits, donne :
P
K +
Voir ci-dessous quelques
remarques sur les
notations, et en
particulier la d
efinition
du Multiplicateur
de Lagrange.
()
Si lon designe par

et M les solutions de ce système, la variance de
M
cette estimation devient :
2
M
La demarche L.A.U.O. peut donc parfaitement sadapter a`

lestimation du Paramètre Conventionnel m. On notera dailleurs que
le premier membre du système ainsi obtenu est identique a` celui du
Krigeage ( 3.3.2).
Annexe 2.
Nous reservons a` plus tard lexamen du lien existant entre estimation a`

moyenne connue, a` moyenne inconnue, et estimation de la derive.
[6] Estimations
91
Nous avons releve au 3.3.1 un problème de notation : en effet,

la designation de la Covariance Stationnaire (K ) fait double emploi
avec celle du Covariogramme Geometrique rencontre en Geostatistique
Transitive. Les risques de confusion sont minimes pour un utilisateur
attentif, et ne justifient probablement pas de bouleverser les notations
traditionnelles que lon peut rencontrer dans les differentes references
bibliographiques.
Nous aurions pu en revanche adopter, pour la duree de ce chapitre,
lecriture pour designer la Covariance Stationnaire, comme il est fait
dans certaines references. Cest de propos delibere que nous avons adopte
la notation K , anticipant ainsi sur ce qui sera ulterieurement lecriture
usuelle des Covariances Generalisees. Par ce clin dil au Chapitre 8,
nous souhaitons simplement annoncer avec un peu davance que
le formalisme stationnaire nest finalement quun cas particulier de
la Geostatistique Intrinsèque. Il serait donc superflu de multiplier les
notations pour des etres mathematiques qui, fondamentalement, sont de
meme nature.
Par ailleurs, il est dusage dans certains documents de faire figurer le

Multiplicateur de Lagrange dans le membre de droite du système. Ainsi
par exemple, lestimation de la Derive secrit :
P
K
P
Notations
Fasc. 5.
Fasc. 5.
()
Les inconnues dinteret, cest-à-dire les ponderateurs , sont ainsi

clairement isolees.
Nous avons prefere ici regrouper les inconnues (les et ), ce qui
par ailleurs facilite lecriture matricielle. Bien s
ur, il en resulte une
consequence desagreable, puisque la Variance dEstimation de la Derive
2
= M . Mais cet inconvenient nest
secrit avec un signe : M
après tout quau niveau de lesthetique : cela prouve tout simplement
que M est toujours negatif !
Nous admettons pour linstant etre dans de bonnes conditions, qui

assurent la regularite du système de Krigeage. Lexplicitation de ces
conditions sera proposee ulterieurement, et les premiers systèmes que
nous avons envisages ici napparatront que comme des cas particuliers
de mecanismes plus generaux. Mais il est bon de savoir dejà que la règle
L.A.U.O. sera, elle, immuable.
En ce qui concerne lhistorique et linteret du Krigeage, le mieux est de
renvoyer a` la bibliographie, en particulier le Fascicule 5, pages 117-121,
ainsi que la fin du chapitre XII de
Les Variables R
egionalis
Matheron, 1965.
Naturellement, nos propos optimistes : il ny a quun seul Krigeage

ne doivent pas faire illusion. La pratique nous permet de rencontrer des
chausse-trappes dune grande variete !
Commentaires
Chapitre 8.
92
Aide-M
emoire de g
eostatistique lin
eaire :
Et enfin, il convient de refuter une opinion helas assez repandue : la

Geostatistique ne se borne pas au seul Krigeage. . .
Annexe
Se reporter, en deuxième partie du document, au chapitre
Formalisme
de lesp
erance conditionnelle .
pour eclairer le calcul des variances destimation globales. Par ailleurs,

dans un cadre plus large que les hypothèses actuelles, le chapitre
Compl
ements
sur le th
eor`
eme daddivit
e .
propose un tour dhorizon sur les relations existant entre differents

krigeages et les estimations de derives.
Chapitre 7
Vers les mod`

eles
non stationnaires
Pr
esentation
Il nest pas rare que les modèles stationnaire ou intrinsèque se
revèlent insuffisants pour rendre compte dun phenomène un peu
complexe. Il faut alors elargir les hypothèses sur les caractères de
stationnarite de la Variable Regionalisee etudiee, et par consequent
de la Fonction Aleatoire associee.
Au premier paragraphe, on revient sur la double signification
de la stationnarite, suivant que lon se place au niveau Variable
Regionalisee ou Fonction Aleatoire, et on degage les deux
approches usuelles dune Geostatistique Non Stationnaire.
Le second paragraphe developpe succinctement les techniques
propres a
` la première de ces approches : le Krigeage Universel.
Au troisième paragraphe, on examine les problèmes souleves par
la notion faussement intuitive de Derive, et on justifie le recours a
`
une seconde approche.
Ces problèmes sont encore detailles au quatrième paragraphe,
o`
u lon sattache cette fois particulièrement a
` linterpretation des
coefficients de la derive.
Le cinquième paragraphe developpe, dans le cadre du Krigeage
Universel, quelques generalisations des formules dadditivite dej`
a
rencontrees au chapitre precedent.
Le sixième paragraphe, enfin, evoque les etapes et les difficultes
dune Analyse Variographique en vue dun Krigeage Universel.
1. Introduction `
a la non-stationnarit
e
1.1. Rappel sur le r
ole dune hypoth`
ese stationnaire
Remarque prealable : Nous avons dejà souligne quil fallait distinguer
les modèles locaux et globaux de la stationnarite. Pour des raisons de
simplicite, et aussi parce que les problèmes globaux peuvent egalement
trouver une voie de solution par les methodes transitives, nous nous
bornerons ici a` reflechir sur les modèles locaux de non-stationnarite.
Le lecteur soucieux dexaminer les mod`
eles globaux non stationnaires
pourra se reporter a` la bibliographie.
Revenons donc aux problèmes locaux. Le matre-mot de ce cadre de
travail est voisinage glissant : le modèle que nous allons elaborer naura
de validite physique quà lechelle de ce voisinage. Cest là une restriction
que nous devons garder a` lesprit, car une expression mathematique ne
presente en general pas de garde-fou : rien ninterdit mathematiquement
de calculer la valeur dun modèle de covariance pour des distances
bien superieures a` lechelle de travail. Mais quelle signification objective
accorder au resultat ? Nous retrouvons donc une première distinction de
fond entre les deux points de vue : Fonction Aleatoire (mathematique)
et Variable Regionalisee (physique).
E & C, p140-146.
Chapitre 1,
paragraphe 1.2.
94
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 1,
paragraphes 3.4-3.6.
Il y a plus. La notion meme de stationnarite nest pas identique dans

les deux cas. Une Fonction Aleatoire est, ou nest pas, stationnaire :
son statut ne saurait souffrir aucune ambigute. La stationnarite est
dans ce cas une propriete purement mathematique (et rappelons au
passage que cette propriete nest par exemple nullement indispensable
` loppose, la stationnarite
pour construire les equations du Krigeage). A
eventuelle de la Variable Regionalisee est une notion empirique, sujette a`
approximations, et qui fait essentiellement reference a` lechelle de travail.
Le problème de fond nest pas la mise en uvre elle-meme dun modèle
mathematique. Le problème essentiel est que ce modèle mathematique
puisse assurer dans de bonnes conditions le parallèle avec le modèle
physique, autrement dit que les operations mathematiques realisees sur
la Fonction Aleatoire correspondent a` des operations physiques realisees
sur la Variable Regionalisee. Soyons plus precis encore : il faut, puisque
nous travaillons a` lordre 2, que Esperances et Variances exprimees sur
la Fonction Aleatoire correspondent a` des manipulations precises sur
la Variable Regionalisee. En modèle local, ces manipulations sont des
moyennes glissantes, et cette correspondance ne peut etre assuree que
moyennant la reintroduction dune certaine forme de stationnarite et
dergodicite : mais ceci, nous le supposerons acquis une fois pour toutes.
Do`
u le principe directeur suivant :
1.2. Id
ee directrice de la G
eostatistique Non Stationnaire
Chapitre 8.
En depit de notre ambition de traiter des phenomènes non stationnaires,

nous chercherons toujours a` revenir a` quelque chose de stationnaire.
De facon un peu provocante, et qui ne permet pas de prevoir
certaines reelles difficultes qui nous attendent, nous pourrions dire que
les methodes non stationnaires consistent a` appliquer les methodes
stationnaires classiques a` des objets nouveaux. Ces objets nouveaux
sont le quelque chose a` extraire dun phenomène globalement non
stationnaire. Les deux approches que nous allons detailler maintenant ne
divergent que par le choix de la methode utilisee pour mettre en evidence
ce quelque chose .
Premier cas : on propose une dichotomie du phenomène. On essaie
de separer la Variable Regionalisee (et parallèlement la Fonction
Aleatoire) en deux composantes, dont lune sera eventuellement
traitee a` part, et lautre satisfera a` de bonnes conditions de
stationnarite. Problèmes subsequents : cette dichotomie est-elle
unique ? Est-elle operatoire ? Est-elle pertinente ? Cette optique
conduit a` la technique du Krigeage Universel (KU).
Second cas : on construit une transformation du phenomène.
On applique un certain operateur a` la Variable Regionalisee
(à la Fonction Aleatoire) afin que le resultat satisfasse aux
bonnes conditions de stationnarite. Problème subsequent : cette
transformation est-elle reversible ? Cette optique conduit a` la
g
eostatistique intrins`
eque, et aux modèles des FAI-k (Fonctions
Aleatoires Intrinsèques dordre k).
Nous aurons en conclusion a` examiner les convergences des deux
methodes, et nous pourrons faire apparatre la première approche comme
cas particulier de la seconde.
1.3. Comment tester la non-stationnarit

e?
On peut dejà raisonnablement prevoir que les modèles non stationnaires
apporteront quelque complication aux methodes dejà connues. Cest
pourquoi il semble bon de ne pas se lancer a` la legère dans des modèles
trop riches : il faut pouvoir sassurer de la necessite dadopter lapproche
non stationnaire.
Rappelons encore une fois avec force quune Variable Regionalisee
nest pas, en elle-meme, stationnaire ou non. Il faut dire, pour etre
[7]
Vers les mod`

eles non stationnaires
precis, que telle Variable Regionalisee, pour un domaine fixe, pour une
echelle de travail donnee, peut raisonnablement etre ou ne pas etre
modelisee par une Fonction Aleatoire stationnaire. Et, encore une
fois, soulignons que le mot raisonnablement , qui peut choquer par
exemple les Statisticiens, pourrait sans doute etre pris comme la pierre
angulaire de la demarche du Geostatisticien. Ainsi, dans le cas precis
qui nous interesse, il ny a pas de vraie reponse a` la question
stationnaire ou non stationnaire , mais plut
ot un engagement pris
par le Geostatisticien, en connaissance de cause, en meilleur accord
possible avec les donnees, en suivant toujours le Principe dEconomie, et
en sachant que de toute facon in fine, il subsistera toujours un risque.
Le present expose ne peut en aucun cas fournir de règle immuable
permettant de resoudre a` coup s
ur le problème de la stationnarite
du modèle. Mentionnons cependant que deux types danalyse peuvent
etre envisagees :
une approche naturaliste : la non-stationnarite du modèle peut

etre souhaitee pour rendre compte de phenomènes physiques par
ailleurs connus. Cest ainsi que nous pourrons rencontrer les
notions de tendance , regionale , ou encore de composante
basse frequence . Notons que, dans loptique geostatistique, rien
ninterdit au praticien de forcer la main au modèle pour tenter
de caracteriser une non stationnarite hypothetique : la demarche na
rien danormal, dès lors que lon en prend la responsabilite, et que
lon accepte den subir les consequences ;
une approche numerique : nous renvoyons a` titre dexemple au

Chapitre 6, 3.6. Si la quantite dinformation le permet, on peut
tester directement la stationnarite empirique de la moyenne sur des
voisinages glissants. Dautre part, le comportement aux grandes
distances (grandes par rapport a` lechelle de travail) du variogramme
est un bon identificateur de la stationnarite empirique.
Dans toute la suite du chapitre, nous supposerons bien s
ur que nous
sommes dans le cas o`
u les modèles stationnaires sont insuffisants. De
plus, nous nous placerons au niveau du modèle Fonction Aleatoire,
cest-à-dire que nous nous interesserons ici seulement aux techniques
mathematiques.
2. Le Krigeage Universel
2.1. La dichotomie
Dans le modèle probabiliste qui nous interesse ici, on suppose que
la Fonction Aleatoire Z(x) etudiee peut etre consideree comme la
superposition de deux composantes :
une derive m(x), fonction qui sera pour le moment consideree

comme deterministe dans le modèle ;
un residu Y (x), parfois appele plus precisement residu vrai, qui a

le statut dune Fonction Aleatoire.
Donc :
Z(x)
Y (x) + m(x)
Cette dichotomie na rien dinnocent, et appelle dejà plusieurs

commentaires.
2.1.1. Les donn

ees disponibles
Naturellement, lorsque lon transpose ce modèle au niveau de la Variable
Regionalisee, on suppose que seules sont accessibles des mesures de z(x).
95
Beaucoup de r
ep
etitions,
certes. Mais ces id
ees
sont fondamentales
en g
eostatistique, et
m
eritent cette insistance.
Chapitre 1,
paragraphes 4.2.
96
Aide-M
emoire de g
eostatistique lin
eaire :
Le problème naurait pas de raison detre si, par un moyen ou un autre,

on pouvait acceder experimentalement aux valeurs de y(x) : il suffirait
de faire letude geostatistique sur y plutot que z : ce ne serait alors
quune generalisation (triviale) de ce que nous avons rencontre lors du
Krigeage a` moyenne connue.
E & C, p78.
Pour reprendre la terminologie en usage en Geostatistique, ou bien cette

dichotomie est une operation conventionnelle, ou bien le problème na
pas reellement de raison detre et peut, moyennant une transformation
physique sur les donnees, etre resolu par les methodes dejà connues.
2.1.2. Contrainte au niveau de la Variable R

egionalis
ee
Il faut cependant apporter une importante nuance a` la constatation
precedente. Au niveau physique, on espère en general une signification
` tout le moins, on souhaitera separer :
naturaliste a` cette dichotomie. A
une composante regionale, regulière, lisse, une

correspondant aux
basses
tendance ,
frequences du phenomène
et
une composante residuelle, irregulière, erratique, representant des

anomalies ,
correspondant aux
hautes
frequences .
Donc, physiquement, la dichotomie naura de pertinence et dinteret que

si elle separe des phenomènes dechelles differentes. De fait, dans bien des
cas, le souhait du praticien va encore plus loin : on voudra que les deux
composantes correspondent a` des phenomènes de natures differentes, de
genèse differente. En bref, on attendra de la dichotomie quelle puisse etre
interpretee physiquement, voire meme quelle ait une vertu explicative.
Ce qui est beaucoup demander, sans doute trop. . .
2.1.3. Contrainte au niveau de la Fonction Al

eatoire
Au niveau mathematique, ce que lon attend de la dichotomie
Z(x)
Y (x) + m(x)
est dune nature totalement differente. On souhaite avant tout que Y (x),
le residu vrai, possède les bonnes proprietes de stationnarite dordre 2
qui permettront de le traiter par les methodes dejà connues de la
Geostatistique Stationnaire. Cette exigence procède elle-meme dailleurs
de deux raisons distinctes :
on souhaite pouvoir mettre en uvre, par exemple, les methodes

du Krigeage. Mais a` vrai dire, cette exigence se contenterait de
lexistence de la variance de Y (x), et pourrait se passer de sa
stationnarite ;
Sauf peut-
etre dans
certains cas particuliers
de ph
enom`
enes
spatio-temporels.
mais on souhaite aussi pouvoir realiser lAnalyse Variographique de

Y (x). Et, cette fois, une contrainte de stationnarite sur Y (x) semble
a` peu près incontournable.
2.1.4. Structure de la D
erive
Un hasard heureux,
voire miraculeux. Ou
alors, suspect
...
Observons dabord que les deux exigences que lon vient de formuler, aux
niveaux de la Variable Regionalisee puis de la Fonction Aleatoire, nont
pas de raison en general de concider. Et comme il nous faut bien faire
tourner le modèle, cest dabord a` la recherche dune stationnarite
sous-jacente cest-à-dire relative au Residu Vrai que nous nous
attacherons. Mais alors, ce ne sera quun hasard heureux si la dichotomie
ainsi etablie peut en meme temps etre interpretee physiquement au
niveau de la Variable Regionalisee.
Notons au passage que si le Praticien souhaite a` toute force donner
une signification naturaliste a` la Derive, il incombe au Geostatisticien
dexiger une definition operatoire de celle-ci, comme par exemple :
moyenne pond
eree par telle fonction, calculee sur tel support, etc. .
[7]
Vers les mod`

97
Mais alors, nous ne sommes plus dans le cadre du Krigeage Universel,

et le mot de Derive devient en loccurrence inadequat.
Revenons a` notre observation initiale, et temperons-en le pessimisme.
Nous pouvons aider le modèle mathematique a` exprimer que la Derive
m(x) represente les basses frequences. Pour cela, nous allons poser :
m(x)
al f l (x)
o`
u:
les f l (x) souvent notes plus simplement fxl sont un jeu de

fonctions de base, jeu de fonctions simples et arbitrairement fixees
` première vue, ces fonctions sembleraient pouvoir
des coordonnees. A
etre quelconques. En realite, pour des raisons profondes, le choix en
est assez limite. Disons simplement ici que, dans la quasi-totalite
des cas, il sagit de monomes 1, x, x2 , y, . . . Nous imposerons en
tout cas toujours que la première fonction de base soit constante ;
on affecte traditionnellement cette fonction de lindice 0, et ainsi :
fx0
la somme porte sur un nombre dindices l en general assez limite,

de sorte que m(x) comporte seulement un petit nombre de termes ;
les al sont des coefficients numeriques inconnus dans le modèle,
sinon, il ny aurait plus de problème !
Ainsi modelisee, la Derive peut preter a` deux interpretations. La
plus intuitive consiste a` dire que, a` lechelle de travail, la Derive a
effectivement une forme analytique simple. On se rapproche en somme
de loptique trend surface analysis . On court alors probablement
le risque daccorder trop de sens a` ce qui nest quune forme algebrique
commode le plus souvent polynomiale qui nest en general porteuse
daucun message naturaliste.
Lautre interpretation, qui sans doute presente moins de risques, consiste
en ceci : on considère que la Derive est un phenomène suffisamment
regulier pour pouvoir raisonnablement etre approche, a`
lechelle de travail, par les premiers termes dun developpement selon
un certain jeu de fonctions simples. Laccent est mis cette fois non pas
sur la forme de la Derive, mais sur son degre de regularite. Cette vision,
plus proche des mathematiques, nous garde mieux a` labri de possibles
extrapolations interpretatives. On se rapproche, cette fois, des methodes
de type frequentiel : ce que nous appelons Derive est alors associe
aux basses frequences, sans prejuger aucunement ni de leur origine ni de
leur signification physique.
2.1.5. Hypoth`
eses communes aux diff
erents mod`
eles de KU
Nous nous proposons maintenant dexaminer les developpements de la
technique du KU , dans le cadre dun petit nombre dhypothèses de
stationnarite. Nous partons pour cela de quelques hypothèses communes,
qui se resument en la formule suivante :
Z(x)
Y (x) + al fxl
o`
u:
Z(x) est la Fonction Aleatoire brute. Les donnees disponibles,

qui seront notees classiquement z , sont considerees comme les
Realisations de Z(x) aux points x ;
= al fxl , le nombre de termes du
developpement est suppose connu, les fonctions fxl sont donnees,
et on suppose que fx0 = 1 ;
dans la Derive m(x)
JJJ
98
Aide-M
emoire de g
eostatistique lin
eaire :
les coefficients al sont, jusquà explicitation contraire, deterministes

dans le modèle, et inconnus ;
les differentes hypothèses sur la stationnarite portent sur le residu

vrai Y (x). Toute caracteristique relative a` ce residu (vrai) sera
qualifiee de sous-jacente.
Chapitre 6,
paragraphe 3.2.7.
Dans les developpements ci-dessous, nous supposerons connus le

variogramme ou la covariance Sous-Jacente. Naturellement, il se posera
vite en pratique le problème de la modelisation de ces fonctions
structurales, cest-à-dire simplement de lAnalyse Variographique ; mais
pour le moment, nous voulons seulement montrer que nous sommes
theoriquement capables de mener a` bien les calculs destimation dans
le cadre de ces hypothèses. La demarche de ces calculs sera du reste
immuable, et respectera les quatre etapes L.A.U.O. : cest
pourquoi nous consacrerons de moins en moins de lignes a` laspect
purement technique de lestimation.
2.2. KU `
a mod`
ele sous-jacent stationnaire dordre 2
2.2.1. Signification du mod`
ele
Dans la decomposition :
Z(x)
Y (x) + al fxl
le residu est suppose admettre une variance finie (et, de surcrot,

stationnaire). Cela signifie donc que le phenomène global noscille jamais
de facon excessive autour de la Derive : tout se passe comme sil
existait une force de rappel qui contraigne le phenomène a` revenir a`
un comportement densemble regulier, en depit de fluctuations locales.
On pressent demblee quun tel modèle est exigeant, et quil contient en
lui-meme une forte part dinterpretation naturaliste du phenomène. Il est
evidemment peu probable que tout phenomène non stationnaire puisse
etre represente par un schema aussi strict ; en revanche, si cette approche
est licite, la dichotomie semble parfaitement justifiee, et repondre a` des
mecanismes profonds de la genèse du phenomène.
Peu vraisemblable :
comment peuton conna
tre
une esp
erance ?
Nous supposerons enfin que Y (x) est desperance nulle. Si tel nest pas le
cas, ou bien cette esperance est connue et il suffit de la soustraire a` Y (x),
ou bien elle est inconnue et on linclut dans la Derive (elle contribue au
terme a0 puisque f 0 1). Alors :
E [Y (x)]
E [Z(x)]
al fxl
Cov [Y (x), Y (y)]
Cov [Z(x), Z(y)]
Kxy
2.2.2. Estimation
Bornons-nous a` construire le système de Krigeage ponctuel. LErreur

dEstimation est de la forme :
Zx
Il ny a pas de contrainte dautorisation, puisque dans le modèle, toutes

les combinaisons lineaires admettent esperance et variance. La presence
dune Derive, deterministe, ne change rien a` cet etat de fait.
[7]
Vers les mod`

99
La contrainte duniversalite :
E [ Z Zx ]
se developpe compte-tenu de lexpression de E [Z(x)], et, en mettant les

coefficients al en facteur, on obtient finalement :
al fl fxl
etant entendu quil sagit bien dune sommation sur lindice l.

Cette contrainte doit etre satisfaite, alors meme que les coefficients al
sont inconnus. La seule solution est donc que chacune des expressions
affectee a` un al soit nulle separement, soit :
fl fxl
Il sagit là dun jeu de plusieurs contraintes sur les les inconnues
du problèmes en nombre egal au nombre de fonctions de base f l .
Il reste maintenant a` minimiser, sous les contraintes precedentes, la
variance de lerreur :
Var [ Z Zx ]
K 2 Kx + Kxx
Comme nous en avons desormais lhabitude, nous utiliserons la methode

des multiplicateurs de Lagrange. Il y aura cette fois autant de
multiplicateurs l que de conditions duniversalite, cest-à-dire que de
fonctions de base. Nous devons donc exprimer la nullite des derivees
partielles, par rapport aux et l , de lexpression :
2 Kx + Kxx + 2l
fl
fxl
Bien entendu, les derivees par rapport aux l restituent les conditions
duniversalite. Les equations supplementaires, appelees par commodite
conditions doptimalit
e, secrivent :
K + l fl
Kx
et il y en a autant que de points de donnees x .

Designons par
et U l les solutions du système ainsi construit. La
U
Variance dEstimation 2 devient, après simplifications :
U2
Kxx
Kx U l fxl
U
2.2.3. Pr
esentation matricielle
Le système de Krigeage Universel se resume sous la forme matricielle :
K fl
fl
Kx
fxl
100
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8,
paragraphes 3.3.
La matrice du système est une matrice carree, symetrique, constituee par

la sous-matrice carree des covariances sur les donnees et completee par
le vecteur des fonctions de base sur ces memes donnees. Les proprietes
de regularite de cette matrice seront examinees ulterieurement, dans
un cadre plus general ; dans la pratique, on supposera toujours que ce
système est regulier.
2.3. KU `
a mod`
ele sous-jacent intrins`
eque strict
2.3.1. Particularit
e de ce mod`
ele
Chapitre 5,
paragraphes 1.2.
Supposons maintenant que le modèle Sous-Jacent soit seulement

intrinsèque strict. Seules donc admettent une esperance et une variance
les combinaisons lineaires du residu ayant un poids total nul. Il en sera
evidemment de meme en ce qui concerne la Fonction Aleatoire globale,
puisque laddition de la quantite deterministe al fxl ne change rien en ce
qui concerne lexistence des moments.
Rappelons aussi que nous avons convenu de ne travailler que sur des
Fonctions Aleatoires Intrinsèques sans Derive, cest-à-dire telles que
toute CLA soit desperance nulle. Alors :
E [Y (x + h) Y (x)]
Var [Y (x + h) Y (x)] = Var [Z(x + h) Z(x)]
0
2(h)
I I I Mais nous navons pas le droit de parler separement de lesperance ou de

la variance de Y (x) ou de Z(x) parce que ces quantites nexistent
pas dans le modèle probabiliste ou, pour etre moins brutal, nont par
hypothèse pas de statut defini dans ce modèle.
Une dernière remarque, appelee a` etre developpee ulterieurement. Nous
nous fondons bien s
ur toujours sur la dichotomie :
Z(x)
Chapitre 5,
paragraphe 1.2.
Y (x) + al fxl
mais cette fois, seules sont autorisees dans le formalisme probabiliste les
combinaisons daccroissements de la forme :
Z(x) Z(y)
Y (x) Y (y) + al fxl fyl
Or on se souvient que f 0 1. Dans lexpression de laccroissement de la

Derive, le terme correspondant a` lindice l = 0 sannule, et le coefficient
a0 disparat complètement des expressions autorisees. Le terme constant
a0 est en quelque sorte invisible dans le modèle intrinsèque. Davance,
on sait que deux Fonctions Aleatoires ne differant que dune constante
conduiront exactement aux memes equations : on voit dejà se dessiner
les mecanismes dune indetermination mathematique.
2.3.2. Estimation
L
A
Linearite :
Z (x)
Autorisation : lerreur destimation doit etre de poids total nul, soit :

X
[7]
Vers les mod`

101
Universalite : conditionnellement aux contraintes precedentes, on veut

garantir que :
E [ Z Zx ]
Cette ecriture est licite puisque, lorsquon est arrive a` cette etape, on
travaille desormais conditionnellement a` la contrainte dautorisation.
Daprès la decomposition de Z , on peut aussi ecrire :
E Y Yx + al fl fxl
al fl fxl
al fl fxl
l6=0
En effet, la combinaison sur Y est autorisee par hypothèse, et donc

desperance nulle puisque Y est intrinsèque sans Derive. Quant a` lautre
expression, etant deterministe, elle sidentifie a` sa Derive. Et, nous
lavons vu, le terme correspondant a` a0 disparat de la sommation.
Donc, sachant dejà que
supplementaires :
1 = 0, on trouve comme conditions
fl fxl
(l 6= 0)
Optimalite : sous les contraintes dautorisation et duniversalite, il faut

maintenant minimiser :
Var [ Z Zx ]
+ 2 x
cette expression sobtenant par le calcul habituel des variances de CLA.

Nous devrons introduire un multiplicateur de Lagrange0 pour la
contrainte dautorisation, et des multiplicateurs l o`
u l 6= 0 pour
chaque contrainte duniversalite.
Tous calculs (desormais classiques) faits, le système secrit :
P
+ o
P l
f
l6=0
l fl
x ()
fxl (l 6= 0)
Et, avec nos notations habituelles :
U2
x U 0 U l fxl
(l 6= 0)
2.3.3. Pr
esentation matricielle
Le système de Krigeage se resume en :
o`
u l 6= 0.
1 fl
1
fl

0 0
0
x
1
fxl
102
Aide-M
emoire de g
eostatistique lin
eaire :
2.3.4. Plaidoyer pour une d

emarche rigoureuse
Evidemment,
dans les ecritures precedentes, il peut paratre superflu
dintroduire cette distinction entre le cas l = 0 et les autres. Il est clair
en particulier que la condition :
nest autre que la version, pour l = 0, de :
fl fxl
Dans ces conditions, il paratrait excusable de ne pas sembarrasser

de trop de subtilites, et de simplement construire le KU en modèle
intrinsèque a` partir du KU en modèle stationnaire, en remplacant K
par : le resultat, au moins, serait correct.
Il nous semble pourtant important de souligner la nature originale
de la première contrainte, et le role essentiel quelle joue. Car après
tout, si une contrainte duniversalite est de simple bon sens, elle nest
mathematiquement pas indispensable ; la contrainte dautorisation en
revanche est incontournable pour donner une legitimite et un sens aux
expressions mathematiques.
I I I Il y a peut-etre plus
profond encore. Linjection de la contrainte

dautorisation nous autorise ipso facto a` travailler sur des modèles sans
variance a priori : avec des variogrammes sans palier. Cela signifie que
le phenomène peut secarter considerablement de sa Derive : il ny a plus
de force de rappel. De fait, une Fonction Aleatoire Intrinsèque (meme
sans Derive) fait apparatre des comportements locaux qui sapparentent
a` des Derives et qui pourtant sont essentiellement aleatoires dans
le modèle. Mais alors, la dichotomie demeure-t-elle pertinente dans ce
` vrai dire, le modèle : dichotomie avec modèle Sous-Jacent
modèle ? A
intrinsèque strict apparat finalement hybride et ambigu.
Et puis, il est dejà temps

une question purement mathematique.
Pde poser
Puisque la contrainte
eme ouvert la voie a`
1 = 0 a par elle-m
un elargissement des modèles structuraux theoriquement licites (passage
de K a` ), les autres contraintes fl fxl = 0 nautoriseraientI I I elles pas a` leur tour une extension des modèles structuraux a` une famille
encore plus riche ? Et que signifieraient ces nouveaux modèles ?
2.4. Propri
et
es du Krigeage Universel
2.4.1. Propri
et
es g
en
erales
Nous retrouvons pour le Krigeage Universel, que le modèle Sous-Jacent
soit stationnaire ou intrinsèque, les memes proprietes que pour le KS ou
le KO en ce qui concerne :
Chapitre 6,
paragraphe 3.4.1.
Chapitre 6,
paragraphe 3.4.2.
le fait que le Krigeage (ponctuel) est un interpolateur exact ;

la superposition des figures de Krigeage.
2.4.2. Ind
ependance lin
eaire des fonctions de base
Nous netudierons pas encore en detail les conditions de regularite du
système de Krigeage. Cependant, si nous examinons la structure generale
de ce système (ecrit en incorporant la fonction f 0 a` lensemble des
fonctions de base) :
K fl
fl
ou
fl
fl
[7]
Vers les mod`

103
nous voyons que les (k + 1) dernières lignes sont de la forme :
0
f10 f20 . . . fN
1
1
f1 f21 . . . fN
.
..
..
.
.
.
.
k
f1k f2k . . . fN
0 ... 0
0 ... 0
..
..
.
.
0 ... 0
en supposant quil y ait N points de donnees et (k + 1) fonctions de

base. Il suffit alors que lon puisse trouver un jeu de coefficients non tous
nuls cl , tels que :
cl fl
( = 1, . . . , N )
pour qualors existe une combinaison lineaire a` coefficients non tous nuls
des (k+1) dernières lignes du système qui soit identiquement nulle. Cela
signifie que les k + 1 vecteurs a` N + k + 1 dimensions :
f10
f11
f1k
0 1 k
f2 f2 f2
. . .
. . .
. . .
0 1 k
fN fN . . . fN
0 0 0
. . .
. . .
. . .
0
ne sont pas lineairement independants, donc que le système est singulier.

Nous avons ainsi etabli une condition necessaire de regularite du système
de Krigeage: il faut que, si un jeu de coefficients cl verifie cl fl = 0 sur
toutes les donnees, alors les cl soient tous nuls :
(cl fl
0 )
l :
cl
Une condition suffisante

de singularit
e donc,
par contraposition,
une condition
n
ecessaire de r
egularit
e.
Cette condition est appelee ind

ependance lin
eaire des fonctions de
base sur les donn
ees.
2.4.3. Une invariance des pond

erateurs du KU
Soit le système de Krigeage Universel
K fl
fl
Kx
fxl
Ce paragraphe est
pr
esent
e avec des
notations en termes
de covariance. Il est
imm
ediat de v
erifier que la
conclusion serait identique
avec un variogramme.
Ce système sera suppose regulier.

Supposons maintenant que la fonction structurale ne soit plus K , mais
K , où est un coefficient numerique positif quelconque. Le système
devient alors
K fl
fl
Kx
fxl
ce qui peut aussi secrire
Kx
fxl
K fl
fl
(
l /)
K fl
fl
l /
104
Aide-M
emoire de g
eostatistique lin
eaire :
cest-à-dire, après simplification par ,
K fl
fl
l /
Kx
fxl
Et, le système etant suppose regulier, on en deduit
l /
= , ce qui signifie que lestimateur du

En particulier, on voit que
I I I KU nest pas modifie par une multiplication de la fonction structurale
par une constante ; cette conclusion reste evidemment valable pour
les estimateurs du Krigeage Simple ou du Krigeage Ordinaire. On
pourrait verifier en revanche que la Variance de Krigeage est quant a`
elle multipliee par ce meme facteur .
Un exercice
el
ementaire.
2.4.4. Propri
et
es dorthogonalit
e
Multiplions les premières equations du système de KU 1 par un coefficient
a priori quelconque , et sommons en . On peut ecrire le resultat
sous la forme :
K Kx
Mais, par ailleurs,
K Kx
l fl
Cov Z Zx , Z
Cov Z Zx , Z
et, finalement :
l fl
Ainsi le membre de droite de cette egalite represente-t-il la covariance

de lErreur de Krigeage Universel Z Zx et de la combinaison
lineaire des donnees Z .
Si de plus cette dernière combinaison lineaire satisfait aux contraintes
(l) : fl = 0, alors cette covariance est nulle. En resume, nous avons
la propri
et
e dorthogonalit
e exprimee par le theorème :
LErreur de Krigeage Universel ponctuel est
orthogonale a` toute combinaison lineaire des
donnees Z qui filtre la famille des fonctions
de base, cest-à-dire
combinaison lineaire
P toute
l
f
= 0.
verifiant (l) :
Dans le cas particulier du Krigeage Ordinaire pour lequel la seule

fonction de base f l est la constante f 0 = 1 ce theorème sexprime
sous la forme simplifiee :
1
Cette fois encore, par commodite, le système est exprime en covariance. Cela
naffecte en rien la conclusion, qui setablirait de facon similaire pour un modèle
Sous-Jacent intrinsèque en appliquant la Règle de Substitution habituelle.
[7]
Vers les mod`

105
LErreur de Krigeage Ordinaire ponctuel

est orthogonale a` toute combinaison lineaire des
donnees de poids total nul.
Enfin, en ce qui concerne le

plus . . . simple :
Krigeage
Simple
,
le resultat est encore
LErreur de Krigeage Simple ponctuel est

orthogonale a` toute combinaison lineaire des
donnees.
Mentionnons que cette dernière propriete joue un role decisif dans le

processus de conditionnement des modèles numeriques ( Simulations
Conditionnelles ).
Voir tout document

dintroduction
aux Simulations
Conditionnelles.
3. Le statut de la D
erive
3.1. Introduction
Dans le formalisme du paragraphe precedent, la Derive a ete en grande
partie escamotee : on lui a attribue un statut deterministe, et on a de
plus admis que le modèle Sous-Jacent etait connu.
Cette situation est evidemment utopique. Nous devons bien s
ur supposer
la Derive inconnue sinon, il ny aurait plus de problème ; ce qui
entrane que le residu non plus nest pas connu. Mais alors, comment
acceder experimentalement a` la fonction structurale de ce residu ?
Dautre part, nous avons pleinement utilise la propriete de la Derive
detre deterministe (dans le modèle) : le developpement al fxl peut etre
extrait de lexpression des esperances, et disparat des variances. Mais
ne sommes-nous pas alles trop loin ? De quel droit associons-nous quasiinstinctivement la notion de regularite spatiale qui fonde la Derive et
celle de determinisme ? En realite, il est parfaitement possible delaborer
un modèle mathematique de Derive aleatoire et rien meme ninterdit que
cette Derive soit correlee avec le residu.
Mais cette demarche est purement mathematique ; si nous avons travaille
avec une Derive deterministe, cest parce que nous y sommes contraints
par la pratique. Comment en effet, sur un phenomène donne, pourrionsnous decider ce qui, dans son comportement basse frequence, doit etre
considere comme deterministe et ce qui doit etre considere comme
Realisation dune fonction aleatoire ? Puisque de toute facon la Derive
demeurera un Paramètre Conventionnel, attachons-nous au moins a`
respecter au mieux le principe deconomie.
Les deux questions :
comment faire lAnalyse Variographique ?

quel statut pour la Derive ?
sont très loin detre independantes. Ce nest malheureusement quà
lexperience que lon finit par percevoir les reelles difficultes quelles font
surgir dans la mise en uvre du Krigeage Universel. Aussi renvoyonsnous a` la bibliographie. Dans le present expose, nous ne ferons que
donner les grandes lignes de lanalyse variographique ; le problème dune
Derive aleatoire ne sera queffleure.
3.2. Evaluation
optimale de la D
erive : id
ee directrice
Une evaluation de la Derive peut repondre a` deux buts bien distincts.
Dune part, tout simplement, se faire une representation plausible de la
Matheron, 1969 (d) ;

Chauvet, 1982.
106
Aide-M
emoire de g
eostatistique lin
eaire :
Attention a
` ne
pas franchir le
seuil de r
ealisme !
composante basses frequences du phenomène global, avec dailleurs

tous les risques de sur-interpretation que cela fait courir. Dautre part
et cest a` ce second point seulement que nous nous attacherons ici on
peut souhaiter evaluer les residus en vue dune Analyse Variographique.
Si, comme dans toute la Geostatistique Lineaire, nous adoptons les
I I I variances comme critère de qualite dune evaluation, nous nous heurtons

demblee a` un paradoxe. Car la variance de toute quantite autorisee
requiert la connaissance de la fonction structurale, connaissance qui est
precisement notre but ultime. Il y a cercle vicieux. . .
Cest là une des difficultes methodologiques majeures du Krigeage
Universel. Dans notre developpement, de nature plutot mathematique,
nous allons encore etre obliges de supposer le modèle Sous-Jacent connu.
Inutile de dire que, dans le cours dune etude reelle, il faudra saffranchir
de cette hypothèse irrealiste. Mais pour linstant, nous nous proposons
un double but :
montrer que nous saurions, munis de la fonction structurale,

proposer une evaluation optimale de la Derive ;
mais montrer aussi que, meme dans ces conditions utopiques, il

subsiste de reelles difficultes.
La demarche est maintenant bien connue. Nous ne supposons accessibles
(dans le modèle) que des valeurs Z , et nous voulons evaluer la Derive
en un point x a` laide dune combinaison lineaire de ces Z :
M (x)
Chapitre 6,
paragraphe 3.5.
Nous garderons par commodite le vocabulaire estimateur en depit

de son caractère inadequat. Nous adoptons comme notation un M
majuscule pour rappeler que, dans le modèle, cet estimateur est une
quantite aleatoire (alors que, dans le modèle, la quantite a` estimer
est deterministe). Les etapes de l estimation sont immuables
L.A.U.O. et ne n
ecessitent plus dexplication.
3.3. Mod`
ele sous-jacent stationnaire
Pas de contrainte dautorisation. La contrainte dUniversalite :
E [ Z mx ]
LAU
donne après developpement :
al fl fxl
soit finalement :
fl fxl
(l)
La variance destimation vaut :

Var [ Z mx ]
Var [ Z ]
dont le minimum sous contraintes conduit aux conditions doptimalite :
K + l fl
Le système ainsi obtenu :
P
K + l fl
P
fl
()
fxl
(l)
[7]
Vers les mod`

107
secrit matriciellement :
K fl
fl
fxl
et, en notant
et D l les solutions de ce système, la variance
D
destimation est :
2
D
D l fxl
3.4. Retour sur lind

ependance lin
eaire des fonctions de base
Notons tout dabord que la structure du système est la meme que pour
le Krigeage Universel : les conditions de regularite sont donc les memes.
Cette constatation permet peut-etre dinterpreter plus aisement la
condition dindependance lineaire des fonctions de base sur les donnees,
condition necessaire pour assurer la regularite du système. Si en effet il
existe une combinaison lineaire des fonctions de base, non identiquement
nulle, qui sannule sur toutes les donnees, cela signifie que les points de
mesure sont tous situes sur une (hyper)courbe de degre k alors que
lestimation de la Derive cherche a` ajuster une (hyper)surface de degre
k sur ces memes donnees : le problème est indetermine, et conduit a` un
système singulier.
Ainsi par exemple dans R2 :
pour une Derive de degre 2 : si tous les points sont sur un
meme cercle, on peut trouver une infinite de sphères passant par
ces donnees ; sils sont sur deux droites parallèles, une infinite de
cylindres ; sur deux droites concourantes, une infinite de cones. . .
pour une Derive de degre 1 : si tous les points sont alignes, on peut
trouver une infinite de plans passant par ces points.
Paragraphe 2.4.
k
d
esigne le
degr
e de la D
erive
3.5. Mod`
ele sous-jacent intrins`
eque strict
Revenons a` lexpression de lestimateur, cette fois pour un modèle
intrinsèque strict. Il existe donc dans ce cas une condition dautorisation :
lexpression
Z m
doit avoir un poids total nul. Rappelons que mx nest quun paramètre
deterministe du modèle : lautorisation se traduit donc par :
LA
Conditionnellement a` cette relation, la contrainte duniversalite :
E [ Z mx ]
se developpe (en sortant de lesperance les quantites deterministes) :

E [ Y ] + al fl al fxl
Mais :
Y etant une CLA et Y etant supposee intrinsèque sans Derive,

E [ Y ]
comme
= 0, et comme f0 = 1 :
X
X
+
al fl
al fl
=
a0
l1
al fl
l1
Ainsi le coefficient a0 a-t-il disparu du second terme.
108
Aide-M
emoire de g
eostatistique lin
eaire :
Par ces deux simplifications, la contrainte duniversalite secrit :
al fl al fxl
X
l1

al fl fxl a0
Rappelons que cette contrainte, qui est relative aux ponderateurs ,

devrait etre satisfaite quels que soient les coefficients al (l 0)
inconnus : elle est donc impossible a` satisfaire.
Le mecanismePde cette impossibilite se situe dans la condition
e le coefficient a0 issu de la vraie

dautorisation
= 0, qui a isol
Derive en x.
Autrement dit :
En modèle intrinsèque strict, lestimation optimale de la

Derive est impossible parce que conditions dautorisation
et duniversalite sont incompatibles.
3.6. Vers un travail en accroissements

Paragraphe 2.3.4.
Paragraphe 2.3.1.
Chapitre 5,
paragraphe 1.2.
Chapitre 5,
paragraphe 1.3.
Fasc. 5, p149-151 ;
Chauvet, 1982,
paragraphe 3.3.
Nous faisons apparatre ici limportance de la distinction entre conditions

dautorisation et duniversalite. Il est interessant de noter que cette
distinction, qui semblait de peu dinteret au niveau du Krigeage, devient
capitale au niveau de la Derive.
En fait, cela ne devrait pas trop nous surprendre. Car nous savons que
la condition dautorisation nous entrane a` travailler a` une constante
additive près. Cette constante nest autre que le terme a0 de la Derive :
ce coefficient semble bien a` jamais invisible pour le modèle. Quant a` ce
que nous avions dit sur le caractère hybride du modèle de la dichotomie,
nous en obtenons ici une illustration exemplaire : dans le developpement
(dapparence si naturelle) de la Derive al fxl , le premier des termes, a0 ,
na pas le meme statut que les autres puisquil est affecte par la partie
probabiliste du modèle (il na pas le meme sens selon que le modèle
Sous-Jacent est stationnaire ou intrinsèque).
Pour lever cette difficulte, une methode simple consiste a` travailler
sur des accroissements. Nous savons en effet que les accroissements
sont les plus simples des CLA dans le modèle intrinsèque strict : ils
admettent donc esperance et variance, et les mecanismes de calcul sont
alors connus. De fait, nous sommes ramenes au calcul en covariance du
3.3. La nouveaute est que nous avons change dobjet detude, puisque
ce nest plus la fonction Z elle-meme (definie dans lespace euclidien)
qui est traitee, mais ses accroissements (definis dans le produit de
lespace euclidien par lui-meme : lespace des couples de points). Le terme
constant a0 est cette fois definitivement filtre du formalisme. Les calculs
sont alors sans mystère. . .
4. Les coefficients de la D
erive
Techniquement, le passage aux accroissements est la reponse adequate
aux difficultes rencontrees dans le modèle intrinsèque strict. Cette
operation, dailleurs, nous guidera bientot pour une generalisation des
notions de stationnarite.
Fasc. 5, p151-155 ;
Chauvet, 1982, chapitre 4.
Il est peut-etre interessant cependant dexaminer plus en detail la

signification de ces problèmes. Pour cela, nous ninsisterons pas sur
les details de calculs, et nous degagerons surtout les etapes de cette
reflexion. Le present paragraphe nest donc quun guide pour la lecture
de documents plus complets.
[7]
Vers les mod`

109
4.1. Evaluation
des coefficients : mod`
ele stationnaire
De meme que nous avons pose le système destimation de la Derive
dans son ensemble, nous pouvons de la meme facon ecrire les equations
L.A.U.O. exprimant lestimation de chacun des coefficients al .
Il ny a, en modèle Sous-Jacent stationnaire dordre 2, aucune difficulte
a` construire cette estimation. Toutefois, il est peut-etre plus elegant de
proceder par identification en remarquant que les ponderateurs
sont
D
des combinaisons lineaires des fl , de sorte quil en est de meme de :
Mx
En guise d exercice...
Paragraphe 3.3.
Z
D
Lestimateur Mx est donc de la forme :
Mx
o`
u:
Al
Al fl
Fasc. 5, p151 ;
Chauvet, 1982, Chapitre
2, paragraphe 2.4.
le coefficient
etant solution dun système analogue a` celui de
lestimation de la Derive globale :
(l)
P
P
s
l K +
s l s f
P
l fs
()
ls
(s)
Ce qui est interessant, cest que chaque coefficient pris separement

peut faire lobjet dune estimation optimale, affectee dune variance
destimation, et que les conditions de regularite du système sont les
memes pour tous les coefficients, et les memes que pour le Krigeage.
La matrice de covariances des estimateurs Al se calcule facilement :
Cov [At , Al ]
=
=
Cov
t Z ,
t l K
l Z
(1)
(2)
ls fs
ls ts
(1) : daprès les equations doptimalite de lestimation des al ;

(2) : daprès les equations duniversalite de cette estimation.
Do`
u finalement
Cov [At , Al ]
tl
4.2. Evaluation
des coefficients : mod`
ele intrins`
eque
Par une approche directe, cest-à-dire en suivant pour chaque coefficient
pris separement les etapes L.A.U.O. , ce problème ne reserve
aucune surprise : lestimation des coefficients al (l 6= 0) se realise
sans encombres, et celle de a0 est impossible, parce quil y a alors
incompatibilite entre autorisation et universalite. Rien que de très
110
Aide-M
emoire de g
eostatistique lin
eaire :
previsible donc : nous savions que toutes les difficultes seraient focalisees
sur le coefficient a0 .
Il se presente pourtant une circonstance troublante. Si nous procedons a`
cette estimation par identification, comme dans le paragraphe precedent,
nous aboutissons a` un formalisme unique pour lestimation de tous les
al (l 6= 0) : seuls changent les seconds membres, qui dependent seuls
de lindice l du coefficient a` estimer.
Fasc. 5, p152.
Chauvet, 1982,
paragraphes 3.4.2 & 3.4.3.
Plus precisement (cf. bibliographie), on peut montrer que :
Al
l Z
(l 6= 0)
avec :
(l 6= 0)
et
P
P
s
l +
s l s f
l fs
Cov [At , Al ] = tl
0 ()
ls (s)
pour t 6= 0 et l 6= 0
Mais alors, dun point de vue purement algebrique, il est parfaitement

possible detendre ces systèmes au cas de lindice l = 0 : le nouveau
système sera en effet tout aussi regulier que les autres, et lon pourra donc
construire une combinaison lineaire (que lon pourra abusivement
noter A0 ) :
A0
0 Z
Il ny a quun problème, mais m

ethodologiquement considerable : daprès
P
les conditions duniversalite,

0 = 1 et donc A0 nest pas une
I I I Combinaison Lineaire Autorisee. Quel sens est-il alors possible de lui
donner dans le modèle probabiliste ?
4.3. Le probl`
eme du terme constant
Fasc. 5, p176-186.
Chauvet, 1982,
paragraphe 4.2.
Linterpretation de ce pseudo-estimateur du terme constant a0

ou mieux encore : de cet estimateur non autorise necessite un
detour methodologique assez important, dont nous nesquisserons que
les etapes. Pour les details de calcul, nous renvoyons au Fascicule 5.
Le plan propose ici, quant a` lui, suit pas a` pas les etapes dun cours
precedent (cf. bibliographie).
4.3.1. Mod`
ele de D
erive al
eatoire
Jusquà present, nous avons astreint la Derive a` etre deterministe dans
le modèle, pour anticiper les conditions dune etude reelle.
Rien cependant dans la theorie nimpose un tel choix. Nous pouvons
donc adopter un modèle de dichotomie :
Z(x)
Y (x) + M (x)
o`
u, cette fois, M (x) soit une fonction aleatoire a` qui nous nimposons
meme pas detre independante de Y (x). En revanche, nous exigeons
toujours de M (x) un certain caractère de regularite, suffisant meme
pour que la covariance croisee de Y et de M accepte un developpement
limite selon une famille de fonctions de base f l . On se place donc ici
dans le cadre dun modèle Sous-Jacent stationnaire.
4.3.2. Estimation dune D

erive al
eatoire
Grace a` ces hypothèses de regularite, il est possible de construire un
système destimation optimale dune telle d
erive al
eatoire. Linteret
[7]
Vers les mod`

111
de ce calcul, par ailleurs très simple, est de montrer la puissance des

conditions duniversalite :
fl
fxl
qui a` elles-seules filtrent tout ce qui ne relève pas du seul modèle SousJacent, cest-à-dire tout ce qui dans le modèle depend dautre chose que
de la Fonction Aleatoire Y .
Conclusion : sous reserve seulement de certaines conditions de regularite,
nous savons estimer une Derive aleatoire pour un modèle Sous-Jacent
admettant une covariance.
4.3.3. Premi`
ere estimation dune moyenne mobile
Soit maintenant une fonction aleatoire Z , strictement intrinsèque sans
Derive. Soit par ailleurs une fonction de ponderation p, de poids total
1, ayant les proprietes de regularite requises. Posons :
M (x)
Y (x)
Donc, Z nadmet pas de

covariance dans le mod`
ele.
Z p
Z(x) M (x)
On admettra que M (x) ait les proprietes de regularite exigees au 4.3.2,

et on la considerera donc comme une Derive aleatoire. Quant a` Y (x),
cest une CLA (son poids total est nul), donc elle admet une covariance.
Nous sommes donc dans les conditions de calcul prevues au 4.3.2 pour
estimer M (x) en tant que Derive aleatoire.
On etablit que, dans cette perspective, lestimateur de M (x) ne depend J J J
pas de p, cest-à-dire que, les conditions de regularite etant suffisantes,
p nintervient pas sur le resultat. En fait, seule la Variance dEstimation
de M depend de p, et encore la contribution de p est-elle focalisee sur
la variance du terme constant A0 .
4.3.4. Seconde estimation dune moyenne mobile

Mais on peut aussi simplement considerer M (x) comme une convoluee
de Z , et lestimer par Krigeage, a` laide du theorème sur la superposition
des figures de Krigeage. Il ny a plus alors de conditions duniversalite,
mais il apparat une condition dautorisation, parce que Z est
par hypothèse intrinsèque stricte. Quant a` la solution, elle depend
evidemment cette fois de la fonction de regularisation p, toujours daprès
la superposition des figures de Krigeage.
ement de r
4.3.5. El
eflexion
Nous renvoyons a` la bibliographie pour une critique parallèle des deux
systèmes obtenus aux deux paragraphes precedent.
Soulignons seulement que nous nous trouvons dans une situation
exemplaire, o`
u un meme etre mathematique peut conduire a` des
estimations fondamentalement differentes, selon la perspective adoptee.
Or, il faut bien se garder de voir là un piège, ou une devinette du type
quel est le bon point de vue ? . Cest une situation normale, qui
nappelle pas une reponse toute faite, mais qui requiert dabord le sens
critique et la responsabilite du Geostatisticien.
4.3.6. Retour au coefficient a0

Soit de nouveau le modèle de la dichotomie :
Z(x)
Y1 (x) + m1 (x)
Voir Chauvet 1982,

ou a
` titre dexercice
de r
eflexion
112
Aide-M
emoire de g
eostatistique lin
eaire :
o`
u Y1 (x) est intrinsèque strict et m1 (x) deterministe. Cette seconde
condition nest pas indispensable, mais on retrouve ainsi les conditions
exactes des 3.5 et 4.2.
Soit encore une fonction de ponderation p, de poids total 1, et ayant de
bonnes propri
etes de regularite . On peut ecrire :
Z(x)
avec :
Y (x) + M (x)
Y1 Y1 p
m1 + Y1 p
et :
M (x)
Al fxl
(cette dernière expression grace aux

` titre dexercice...
A
Paragraphe 4.2.
bonnes
proprietes de p).
Alors, Y a une covariance, parce que cest une CLA. On peut construire
lestimateur optimal de tous les coefficients de la Derive Al , et constater
que ces estimateurs ne dependent pas de la fonction de ponderation
p. Bien plus, ces systèmes destimation sont très exactement ceux que
lon aurait obtenus en estimant les coefficients de la Derive m1 , après
addition du système correspondant au terme constant ao .
Exprimons ce resultat a` lenvers. Nous avons reussi a` donner un sens a`
loperation purement algebrique et a priori scabreuse consistant
a` etendre a` lindice l = 0 les systèmes destimation des al en modèle
intrinsèque strict. Le A0 ainsi construit a donc le sens dune moyenne
ponderee, de structure regulière, mais sans que lon connaisse exactement
la forme de la ponderation : ce qui nest dailleurs pas très important,
puisque le resultat ne depend pas de cette ponderation, et que seule sa
variance en est affectee. Lestimateur non autorise A0 peut donc etre
interprete et, dans une etude reelle, on est desormais fonde a` le calculer.
4.3.7. Dernier regard sur la D

erive
Voilà tout de meme bien des detours pour arriver a` resoudre un problème
que nous aurions prefere ne pas voir se poser. Car enfin, le praticien
sait bien empiriquement distinguer entre deux Variables Regionalisees
differant dune constante, et il aurait des raisons detre perplexe devant
des etres mathematiques qui, eux, ne savent pas faire cette distinction.
Quant a` mettre en jeu tant de subtilites pour en conclure que la constante
de la Derive qui nexiste pas dans le modèle a le sens dune moyenne
ponderee locale, cela peut sembler superflu.
Nous pensons quant a` nous plutot voir dans ces difficultes une
consequence ineluctable de la dichotomie qui nous a servi de point
de depart. Le paragraphe precedent est très clair sur ce point : une
meme Fonction Aleatoire peut etre cassee en deux de maintes facons
differentes, et les modèles correspondants peuvent egalement etre très
divers voire contradictoires. La cesure entre ce qui serait aleatoire et
ce qui serait deterministe nest en general pas pertinente. Cest pourquoi
il semble preferable de tenter une autre approche des phenomènes non
stationnaires, ce que nous ferons dans le prochain chapitre.
5. Compl
ement sur les syst`
emes du Krigeage Universel
5.1. Hypoth`
ese et notations
Dans toute la suite du chapitre, nous supposerons la matrice du Krigeage
Universel regulière. Par ailleurs, nous nous placerons ici dans le cadre
[7]
Vers les mod`

113
dun modèle Sous-Jacent stationnaire, cest-à-dire que nous supposerons

lexistence dune matrice de covariance K .
Soit alors le système general :
P
K + s fs
P
fl
()
Rl
(l)
o`
u ( Rl ) est un vecteur libre quelconque. Ce système, dont le système
est identique au système de KU, est regulier par hypothèse.
5.2. Matrice inverse du Krigeage Universel

De lecriture matricielle
K fs
fl
ct
cs
st
0
Rl
on peut deduire
ou encore :
0
Rt
ct Rt
st Rt
=
=
, [
o`
u les matrices [B]
c] et [
] sont caracterisees par le système
K fs
fl
ct
cs
st
soit explicitement :

B K + cs fs
+ st fs
ct K
f l
B
l
ct f
(, )
[1]
(t, )
[2]
(, l)
[3]
tl
(l, t)
[4]
On remarque alors que le jeu des equations [2] et [4], qui peut secrire
matriciellement (t)
K fs
fl
ct
st
0
tl
nest autre que le système destimation du coefficient at de la derive. Et

comme ce système est regulier, on verifie bien
ct
st
=
=
t
st
avec les notations du 4.1. Cequi permet ainsi de preciser la composition

de la matrice inverse du KU :
K fs
fl
!1
st
114
Aide-M
emoire de g
eostatistique lin
eaire :
5.3. Cons
equence : additivit
e des estimations
Appliquons cette expression de la matrice inverse au Krigeage Universel
proprement dit :
ZU (x)
avec
K fs
ft
On a donc
U (x)
U (x) Z
=
U (x)
U s (x)
Kx
fxt
Kx + t fxt
B
et
ZU (x)
=
=
Kx
B
Kx
B
+ Z t fxt
+ At fxt
en reprenant les notations de lestimation des at . Alors,
ZU (x) At fxt
Kx
Z B
(1)

(x) K
Z B
S
(2)

(x)
Z
s
S
(x) fs As
(x) Z
S
S

s
(x)
Z
A
f
Chapitre 6,
paragraphe 3.3.1.
(1) : daprès les equations du
Krigeage
Simple ;
(2) : daprès les equations [1] et legalite ct = t .

En resume,
ZU (x) Mx

(x)
Z
[5]
ce qui peut sexprimer de facon encore plus concise : on a le droit de

kriger (au sens du Krigeage Simple) les residus estimes optimaux comme
sil sagissait des residus vrais.
I I I Remarque : il est evident que cette propriete dadditivite disparat si on

utilise pour lestimation de la derive m(x) un estimateur non optimal
(moindres carres, splines, etc. ).
Enfin, en explicitant les estimations M (x) et M , cette première partie
du th
eor`
eme dadditivit
e peut encore secrire :
ZU (x)
ZS (x) +
X
l

X
l
Al fxl
(x)f
[7]
Vers les mod`

115
5.4. Correction de D
erive
Posons
Z (x)
ZU (x) ZS (x)
[6]
Comme ZS (x) =
(x) Z , on deduit de [5]
S
Z (x)
M (x)
(x) M
S
Cette quantite est appelee terme de correction de d

erive. On note que,
comme difference des estimateurs du KU et du KS, ce terme est une
combinaison lineaire des donnees :
Z (x)

(x)
(x)
Z
U
S
Si alors on pose
=

, il est immediat de verifier que les
U
S
satisfont le système
K fs
fl
0
fxl S (x) fl
système qui, a` lexpression des fonctions du second membre près, a

exactement la structure dun système destimation de la Derive. Ce
syst`
eme est ici par hypothèse regulier, et donc caracterise le vecteur
Un exercice
el
ementaire,
qui sapparente a
` la
superposition des figures
de Krigeage,
Chapitre 6,
paragraphe 3.4.2.
. Plus explicitement, on peut conclure, en se reportant aux

s
systèmes destimation des coefficients de la derive :
(x)

X
l
l fxl
(x)f
s (x)
Paragraphe 4.1.
ls fxl
(x)fl
S
et on retrouve ainsi
Z (x) =
(x) Z =
X
l

X
Al fxl
(x)fl
S
[7]
5.5. Additivit
e des variances
De [6], qui secrit aussi
immediatement
ZU (x) = Z (x) + ZS (x) ,
Var ZU (x) Zx
Var ZS (x) Zx + Z
Var ZS (x) Zx + Var [Z ] + 2Cov ZS (x) Zx , Z
on tire
Mais les proprietes dorthogonalite du Krigeage entranent que lErreur

de Krigeage Simple est de covariance nulle avec toute combinaison
lineaire des donnees, et donc en particulier avec Z . Finalement,
Var ZU (x) Zx
Var ZS (x) Zx
+ Var [Z ]
Paragraphe 2.4.4.
116
Aide-M
emoire de g
eostatistique lin
eaire :
ou plus simplement, avec les notations usuelles :
U2 (x)
S2 (x) + Var [Z ]
ce qui prouve au passage que
U2 (x)
S2 (x)
En explicitant Z par [7], on obtient pour developpement de

Var [Z ]
Var
"
X
l
Al
fxl
S (x)fl
la somme double
!

X
X
l
l
S (x)f
Cov [Al , As ]
fx
l,s
Paragraphe 4.1.
fxs
S (x)fs
!

cest-à-dire, daprès lexpression de la matrice de covariance des

estimateurs Al :
Var [Z ]

X
X
X
l
s
s
fxl
(x)f
(x)f
ls
S
S
l,s
et donc finalement
U2
S2
X
l,s
fxl

X
S (x)fs
(x)fl ls fxs
S
ce qui constitue, en termes de variances, la seconde partie de lenonce

du theorème dadditivite.
5.6. Commentaires
Voir annexe en seconde
partie de document.
On pourra sassurer que ce th

eor`
eme dadditivit
e susbsiste dans le cas
intrinsèque strict.
Par ailleurs, il ne faut evidemment pas croire que ce theorème autorise
leconomie dun système de type Krigeage Universel. Car lestimation
de M requiert de toute facon un tel système, de dimension egale a`
la somme nombre de donnees + nombre de fonctions de base . Il
serait bien s
ur faux de proceder a` une estimation ad hoc de la derive,
puis ensuite de se contenter dun Krigeage Simple sur les residus (non
optimaux) ainsi construits. Autrement dit, ce theorème dadditivite ne
semble pas presenter dinteret pratique. En revanche, il peut eclairer
certaines approches theoriques, comme on le verra par exemple lors de
letude de lequivalence Splines-Krigeage.
6. Etapes
et probl`
emes de lAnalyse Variographique
Nous avons jusquà present admis que le modèle structural etait connu.
Nous savons que cest là une situation utopique, puisquil nest pas
[7]
Vers les mod`

117
possible de connatre la vraie Derive, ni meme den avoir lestimateur

optimal. Force nous est de nous rabattre sur des estimateurs moins
performants. Encore faudra-t-il ensuite etablir quelles sont les relations
entre le modèle Sous-Jacent ideal inaccessible et la fonction
structurale de ces residus estimes.
Vraie
dans le
mod`
ele, et encore !...
6.1. Lestimateur des moindres carr

es
Commencons par proposer un estimateur classique que lon peut
envisager pour la Derive. Lestimateur des moindres carr
es de al fxl
est de la forme :
M (x)
al fxl
avec des al qui realisent le minimum de la forme quadratique :
z al fl
2
On en deduit immediatement (s):
al
fs
fl
fs z
Il faut evidemment choisir des fonctions de base telles que la matrice :
T sl
fs fl
admette un inverse Ssl . Alors :
al
Ssl
fs z
ou encore :
al
z (Ssl fs )
Placons-nous pour simplifier dans le cas o`

u Z(x) admet une covariance.
Dans le modèle probabiliste, cette expression de al se transpose en
avec :
Al
l Z
Sls fs
Alors :
t
l f
Sls fs ft
Sls T st
lt
la seconde egalite par definition de la matrice T , et la troisième parce

que T est inverse de S . Ainsi, les
es
l construits par les moindres carr
satisfont aux conditions duniversalite.
Il sensuit immediatement que si on designe par al les vrais coefficients de
la Derive cest-à-dire si nous avons dans le modèle E [Z(x)] = al fxl ,
alors :
E [Al ] = al
Fasc. 5, p62-167.
118
Aide-M
emoire de g
eostatistique lin
eaire :
Lestimateur des moindres carres est donc un estimateur sans biais de

la Derive. Il nest en revanche en general pas optimal 2 .
Nous venons donc de fournir un exemple de construction dun estimateur
universel non optimal. Une telle construction, par nature, na pas besoin
de connatre la fonction structurale, donc permet de rompre le cercle
vicieux rencontre jusquici.
6.2. Le variogramme des r

esidus
Supposons maintenant que nous disposions dun certain estimateur
universel, en general non optimal, de la Derive Al fxl . Ipso facto, nous
disposons dun estimateur des residus :
R (x)
Z(x) Al fxl
dont nous pouvons exprimer le variogramme (ou eventuellement la

covariance). La question fondamentale est detablir le lien existant entre
ce variogramme des r
esidus, et le Variogramme Sous-Jacent.
Cette comparaison est la pierre angulaire dune Analyse Variographique.
Car dune part, il y a le modèle Sous-Jacent, inaccessible, mais qui est
requis par les equations du Krigeage. Et dautre part, le Variogramme
des Residus, qui est accessible experimentalement puisque, dès lors que
nous disposons dun algorithme quelconque destimation universelle de
la Derive, nous savons construire des residus experimentaux (ou plutot
des residus estimes ).
I I I Une observation elementaire doit nous rendre a priori pessimistes quant

a` la possibilite de legitimer une identification entre Variogramme des
Residus et Variogramme Sous-Jacent. Supposons en effet que le modèle
Sous-Jacent soit intrinsèque strict, donc sans covariance. Soit par ailleurs
un estimateur de la Derive Al fxl avec
Al
l Z
et
l f
lt
a` cela près quelconque : on verifie alors immediatement que le residu

estime R (x) est une combinaison lineaire autorisee, donc admet une
covariance. Il y a donc a priori loin des proprietes des residus vrais aux
proprietes des residus estimes.
6.3. Probl`
emes de biais
Placons-nous dans le cas le moins restrictif du modèle Sous-Jacent
intrinsèque. Nous renvoyons a` la bibliographie pour le calcul detaille du
Variogramme des Residus. Ce calcul est sans difficulte, mais necessite
cependant une remarque.
Fasc. 5, p155-157 ;
Matheron 1970.
Noublions pas que lestimation de la Derive est une operation locale.

Les donnees Z utilisees pour estimer M (x) sont prises dans un
certain voisinage de x. Pour chaque jeu de donnees, regroupees en un
voisinage, on dispose dun estimateur de la Derive, donc dun jeu de
residus experimentaux, sur lesquels on peut calculer un Variogramme
Experimental local. Puis on procède par Voisinages Glissants et on fait
sur lensemble du Champ la moyenne des variogrammes locaux. Cest
cette moyenne que nous souhaitons comparer au modèle Sous-Jacent.
I I I Nous devons a priori nous attendre a` un problème au cours de cette

comparaison puisque dans le variogramme des residus apparat un
paramètre le voisinage utilise pour lestimation de la Derive qui est
totalement absent du modèle Sous-Jacent. Et de fait, des calculs sans
difficulte aboutissent a` un resultat peremptoire : dans tous les cas, le
2
On demontre cependant quil est optimal dans le cas particulier dun phenomène
Sous-Jacent pepitique pur (bruit blanc).
[7]
Vers les mod`

119
Variogramme des Residus presente un biais systematique par rapport

au Variogramme Sous-Jacent : le Variogramme des Residus est toujours
inferieur au Variogramme Sous-Jacent.
Ajoutons immediatement que cette situation subsisterait meme si, par
miracle, nous pouvions proposer lestimateur optimal de la Derive.
Autrement dit, le mal nest pas d
u a` ce que la Derive estimee nest
pas la meilleure possible, mais simplement a` ce que lon a recours a`
une estimation. Il sagit ici veritablement dune difficulte fondamentale,
essentielle et insurmontable.
Le danger pour un neophyte est dautant plus grand que ce biais va dans
le sens dune apparente destructuration. Nous avions dejà releve quil fait
apparatre un palier, meme si le modèle Sous-Jacent nen a pas. Mais
bien plus, lexperience montre que le Variogramme des Residus presente
toujours une portee très courte : il sagit là dun pur artefact, puisque
ce resultat est bien plus revelateur de la taille du voisinage de travail
que de la structure profonde du phenomène. Le danger est reel, si on
ne presente pas assez desprit critique, de conclure que le phenomène
se reduit a` la somme dune Derive et dun bruit de fond. Quelles que
soient les tailles de voisinage utilisees, on aura limpression fallacieuse
que la dichotomie proposee a` lAnalyse Variographique est satisfaisante :
le modèle du Krigeage Universel estauto-justifiant.
JJJ
JJJ
6.4. Probl`
emes dind
etermination
Le biais est si considerable que, du modèle Sous-Jacent, seul subsiste le
comportement a` lorigine au niveau du Variogramme des Residus.
Cela pourrait netre pas trop grave si au moins on connaissait la
règle de transformation permettant de passer de lun a` lautre de ces
variogrammes. Du reste, cette règle existe en partie : il est, en effet,
facile dexprimer le Variogramme des Residus a` laide du Variogramme
Sous-Jacent ; la relation figure dans la formule du biais.
Malheureusement, cette relation nest pas une bijection : il existe toute
une classe de modèles Sous-Jacents admissibles differents correspondant
a` un Variogramme des Residus donne. Or, bien s
ur, cest dans ce sens-là
que la relation nous aurait interesses en pratique ; nous aurions voulu
pouvoir associer, par un algorithme direct, un et un seul Variogramme
Sous-Jacent a` un Variogramme des Residus donne, mais cela est donc
sans espoir : nous nous heurtons a` une indetermination fondamentale.
Nous renverrons une nouvelle fois a` la bibliographie pour une analyse
theorique fine de cette indetermination.
6.5. Conclusion provisoire

Tout ou presque reste a` faire finalement pour une mise en pratique
du Krigeage Universel, du moins en ce qui concerne la Variographie.
Non seulement nous navons pas reellement trouve de reponse au cercle
vicieux du Krigeage Universel, mais nous avons meme etabli que pouvoir
resoudre cette question ne serait pas suffisant. Une nouvelle fois, cest le
parti-pris de dichotomie qui est en cause.
Cependant, ce pessimisme doit etre un peu tempere. On pourra
sen assurer en parcourant la bibliographie, qui temoigne detudes
effectivement conduites en Krigeage Universel. Ce que nous voulons
plaider ici, cest que le Krigeage Universel en depit de sa presentation
assez naturelle demande en fait une reelle subtilite pour sa mise en
uvre, et offre de nombreuses chausse-trappes a` lutilisateur imprudent.
Et nous narrivons pas a` imaginer un programme informatique de
quelque generalite qui pourrait proposer une Analyse Variographique
s
ure dans la perspective dun Krigeage Universel.
Nous aimerions que toutes ces remarques soient prises dans un sens
constructif. Dabord parce que la reflexion sur le Krigeage Universel
Matheron 1970.
Matheron 1970.
120
Aide-M
emoire de g
eostatistique lin
eaire :
constitue une bonne gymnastique du sens critique. Ensuite parce que

cest la volonte de surmonter ces difficultes qui a conduit a` proposer une
autre approche des phenomènes non stationnaires ; et la Geostatistique
Intrinsèque, presentee au chapitre suivant, ne doit pas etre ressentie
comme une negation du Krigeage Universel, mais au contraire comme
une generalisation qui permet du meme coup de progresser dans la
resolution ou au moins la comprehension des problèmes.
Commentaires
Fasc. 5, p153-155.
Ce th
eor`
eme nest
evidemment plus vrai

lorsquil sagit dune
transformation non
bijective, comme par
exemple une projection.
Les developpements theoriques du formalisme du Krigeage Universel

sont particulièrement riches, et nous avons volontairement laisse de cote
un certain nombre de resultats interessants, mais dont laccumulation de
notations aurait peut-etre deroute pour une première lecture.
Cest ainsi que nous navons pas demontre ce resultat, pourtant essentiel
pour le travail en Voisinage Glissant, que les estimateurs optimaux
se transforment comme les vrais coefficients lors dune transformation
lineaire regulière sur les fonctions de base : ce qui signifie que lestimation
de la Derive nest pas affectee par une telle operation lineaire. Cette
propriete est capitale, puiquelle a pour consequence que la separation
estimee DeriveResidus est independante de cet element arbitraire
que constitue le choix du repère des coordonnees.
Lexamen du Krigeage comme interpolateur est renvoye au chapitre
suivant, ainsi que la comparaison a` lestimateur du maximum de
vraisemblance. Nous reservons egalement a` plus tard (chapitre 9) le
travail multivariable, qui en particulier se repercute sur la condition
dindependance lineaire des fonctions de base.
Conclusion
seulement partielle !
Bibliographie
En conclusion de ce chapitre, nous souhaiterions avant tout que le lecteur

ne se laisse pas rebuter par les difficultes techniques reelles rencontrees
en theorie et pratique du Krigeage Universel, et ne simagine pas que les
discussions esquissees ici ne sont que subtilites desthètes. Les problèmes
de fond sont reels, existent, et le praticien ne manquera pas de les
rencontrer un jour ou lautre sur son chemin. Libre a` chacun, alors,
de juger ces questions superflues ; une telle attitude peut peut-etre
rassurer le neophyte, voire attirer le client. Mais, pour le scientifique ou
le pedagogue, force est de constater que nier un problème nest jamais
synonyme de le resoudre. . .
Il nest pas necessaire pour ce chapitre de multiplier les citations

bibliographiques. La première reference qui simpose est bien s
ur le
Chapitre 4 du Fascicule 5. Rappelons toutefois que les notations y
diffèrent parfois de celles du present expose, en particulier en ce qui
concerne la definition des multiplicateurs de Lagrange qui apparaissent
dans les systèmes de krigeage.
Lensemble des equations rencontrees dans ce chapitre a ete consigne
dans un cours de Krigeage Universel (qui reprend le programme dune
e en 1982) :
Ecole
dEt
Universal
Kriging , P. Chauvet & A. Galli, 1982.
texte en anglais qui ne rajoute rien a` la reference precedente, mais

dont nous avons a` peu près suivi le plan dans le present chapitre. Par
ailleurs, ce document detaille les mecanismes destimation pour une
[7]
Vers les mod`

121
Derive aleatoire, et precise lexpression du biais dans le Variogramme

des Residus.
Enfin, pour une approche plus complète, nous renvoyons a` :
Le
Krigeage Universel , G. Matheron, 1969.
plus developpe au niveau theorique (espaces de Hilbert), mais qui

egalement consacre tout un chapitre a` lestimation des paramètres et
au controle des hypothèses.
Se reporter, en deuxième partie du document, aux chapitres
Compl
ements
Aspect
sur le th
eor`
eme dadditivit
e .
dual du Krigeage Universel .
Annexe
122
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8
G
eque
Pr
esentation
Nous allons maintenant elargir lacception du mot intrinsèque ,
de facon a
` regrouper les differents modèles rencontres jusquici en
un formalisme unique.
Au premier paragraphe, on explicite la seconde approche possible
des phenomènes non stationnaires. Cest la notion fondamentale
de Representation qui permet de faire le lien entre le modèle
probabiliste et le modèle primaire.
Le second paragraphe, très bref parce que sans demonstration,
enonce le theorème fondamental de la Geostatistique Intrinsèque.
Au troisième paragraphe, le Krigeage Intrinsèque se presente tout
naturellement, selon la demarche desormais habituelle. Cest ici
loccasion dexprimer en toute generalite les conditions necessaires
et suffisantes de regularite du système.
La presentation duale du krigeage autorise au quatrième
paragraphe une approche non probabiliste des formulations
precedentes et permet detablir lequivalence splineskrigeage.
1. Introduction aux FAI-k

1.1. Id
ee directrice
Revenons au choix propose au chapitre precedent pour lexamen des
phenomènes non stationnaires. Nous cherchons cette fois une alternative
au modèle de la dichotomie, et lidee directrice est de proposer
une transformation de la Variable Regionalisee (respectivement : de
la Fonction Aleatoire) qui puisse nous ramener a` quelque chose
de stationnaire. Larrière-pensee est evidemment de resoudre ou
desquiver les reelles difficultes que nous avons rencontrees dans le
modèle de la dichotomie.
En fait, on peut se convaincre que cette idee de transformer les donnees
na rien de nouveau. Cest exactement ce que nous avons dejà fait en
passant du modèle stationnaire dordre 2 au modèle intrinsèque : au lieu
de travailler sur les variables Z(x) elles-memes, qui sont des variables
definies en chaque point de lespace euclidien E de reference, nous nous
sommes interesses a` des accroissements Z(x) Z(y), variables definies
cette fois sur des paires de points de lespace E ou, mieux encore,
variables definies en tout point de lespace abstrait E E . Ce que
nous voulons dire surtout, cest que pour pouvoir etudier une gamme
plus large de phenomènes (des Fonctions Aleatoires sans variances, en
loccurrence), nous avons d
u changer lobjet meme de letude. Est-il
possible de generaliser cette demarche ?
1.2. Vers des Combinaisons Lin

eaires Autoris
ees
En realite, dans la demarche de la Geostatistique Lineaire, ce qui nous
interesse est de pouvoir acceder a` la variance dune expression lineaire
de la Fonction Aleatoire.
Chapitre 7,
paragraphe 1.2.
Pour la suite de
cet expos
e, voir
Matheron, 1971.
124
Aide-M
emoire de g
eostatistique lin
eaire :
Rappelons que nous avons

choisi de ne pas parler des
probl`
emes de convergence
rencontr
es
eventuellement
pour des mesures a
`
support non born
e.
Dans le modèle stationnaire, aucune contrainte ne se presente, et toute

combinaison lineaire admet une variance :
Var i Zi
i Kij j
Loutil elementaire est la covariance K , dont lexpression ci-dessus

I I I pourrait dailleurs fournir une definition operationnelle, mais qui est
plus classiquement definie par :
Kij
Cov [Zi , Zj ]
Dans le modèle intrinsèque strict, nous sommes astreints a` ne travailler

que sur des combinaisons lineaires de poids total nul : i Zi = 0, cesta`-dire sur un sous-ensemble des CLA du modèle stationnaire. Alors :
Var i Zi
i ij j
o`
u par ailleurs est defini par :
ij
1
Var [Zi Zj ]
2
Loutil ainsi caracterise permet bien le calcul des variances des CLA.
Mais a` linverse, on a vu quil serait possible de prendre pour definition
du variogramme toute fonction qui assurerait legalite :
Var i Zi
i ij j
I I I et qualors, une certaine indetermination affecterait , sans dailleurs

en affaiblir lefficacite operatoire.
La question de la generalisation du modèle intrinsèque strict se pose
alors ainsi : peut-on trouver des familles plus exigeantes encore de CLA
telles que, pour toute mesure i appartenant a` ces familles, il existe une
fonction structurale K assurant que :
Var i Zi
1 ) existe,
2 ) et sexprime par : i Kij j
Et comme de toute facon, au niveau de lAnalyse Variographique, nous

serons amenes a` faire une hypothèse de stationnarite sur les CLA, nous
pouvons tout de suite contraindre cette super fonction structurale
K a` verifier :
Kij
K(| xi xj |)
En resume :
III
On voudrait retrouver tous les attributs de la

stationnarite dordre 2, mais sur une classe plus
reduite de combinaisons lineaires.
1.3. D
efinition des CLAk
Ainsi, non seulement on exige que ces (futures) CLA aient une variance,
mais on veut de plus quelles soient stationnaires dordre 2.
Cette contrainte est lourde de consequences. Car la stationnarite
dordre 2 implique que les deux premiers moments soient invariants
par translation, ce qui suppose dejà que le translate dune CLA soit
[8] G
eque
125
encore une CLA. Precisons ce point : soit une mesure , cest-à-dire

pour simplifier un système de poids i associes a` des points xi , et soit
:
la combinaison lineaire autorisee notee Z
Z()
i Z(xi )
La simplification tient
au nombre fini de points
dappui. Le passage au
continu ne poserait pas
de probl`
eme particulier
de compr
ehension.
Pour pouvoir definir une stationnarite dordre 2, cest-à-dire pour assurer

lequivalence 1
Z()
h )
Z(
(h)
h ), fonction aleatoire en h definie par la

encore faut-il que Z(
combinaison lineaire i Z(xi + h), soit egalement une CLA ce qui
na rien devident.
De fait, on exige une propriete non triviale : la stabilite par translation
de la famille des CLA. On peut montrer que cette condition entrane que
les mesures soient telles que :
fil
(ou, en notation continue :
(dt) f l (t)
JJJ
0)
o`
u lensemble des f l constitue une famille complète dexponentiellespolyn
omes, cest-à-dire :
soit des polynomes en pratique, ce sera une famille complète de

monomes de degres inferieurs a` une valeur fixee ;
soit des exponentielles, eventuellement complexes, de formes

lineaires sur les coordonnees ;
soit une combinaison lineaire de produits des deux familles

precedentes.
On retrouve exactement la structure des contraintes rencontrees dans
le Krigeage Universel ; la nouveaute essentielle est que cette fois, ces
contraintes ont le sens de conditions dAUTORISATION .
JJJ
Dans la pratique, on prendra presque toujours comme fonctions de

base la famille complète de monomes de degre inferieur a` un degre k .
Les Combinaisons Lineaires Autorisees associees a` cette famille seront
appelees Combinaisons Lin
eaires Autoris
ees dordre k
(CLA-k).
Dans certains cas beaucoup plus rares, on pourrait aussi prendre une
famille complète (i.e. : globalement stable par translation) de fonctions
trigonometriques.
La notion de CLA-k est independante de toute interpretation
probabiliste : par exemple, si z (x) est lestimateur des moindres carres
de z(x) par un polynome de degre k , lerreur z (x) z(x) est une
Combinaison Lineaire Autorisee dordre k.
1.4. FAI-k et repr

esentation
1.4.1. Notations
Nous designerons par k lensemble (qui a une structure despace
vectoriel) des Combinaisons Lineaires Autorisees dordre k :
k
1
Equivalence

def.
(dt) f l (t) = 0
signifiant ici : existence et egalite des deux premiers moments de

chacun des termes de la relation.
Une v
erification facile,
propos
ee a
` titre dexercice
126
Aide-M
emoire de g
eostatistique lin
eaire :
ou, en notation discrète :

def.
i fil = 0
f l designant ici un monome de degre k .

Nous respecterons une distinction de notations entre la Fonction
Aleatoire Z(x), definie sur lespace euclidien de travail (lespace
, definie sur
g
eographique usuel), et la Fonction Aleatoire Z()
lespace k , et reliee a` Z(x) par :
Z()
i Zi
i Z(xi )
, deux definitions peuvent etre

Alors, selon que lon se refère a` Z ou a` Z
donnees pour une Fonction Al
eatoire Intrins`
eque dordre k. (FAI-k).
1.4.2. Premi`
ere d
efinition
On peut dabord appeler Fonction Aleatoire Intrinsèque dordre k une
Fonction Aleatoire non stationnaire Z(x) telle que, pour toute mesure
autorisee k , la combinaison lineaire i Z(xi + h) soit stationnaire
dordre 2 en h. Cette definition presente lavantage de garder le
contact avec la variable z(x) etudiee.
I I I Remarque : on supposera toujours que lesperance dune CLA-k est

nulle. On peut verifier très facilement que si tel netait pas le cas, il
suffirait de passer a` lordre (k + 1).
1.4.3. Deuxi`
eme d
efinition
dun espace k
On peut aussi appeler FAI-k une application lineaire Z
de CLA-k dans un espace de Hilbert de Variables Aleatoires desperance
h ) stationnaire en h.
nulle, avec Z(
1.4.4. Repr
esentation dune FAI-k : d
efinition
FAI-k est donc pris

ici au sens de la
deuxi`
eme d
efinition.
Cest a` des objets de natures differentes que se refèrent les deux

definitions precedentes, aussi convient-il de faire un choix pour eviter
toute ambigute. Pour cela, nous allons changer de denomination dans la
première definition, et dire quune Fonction Aleatoire (non stationnaire)
Z(x) est une representation dune FAI-k Z si
k :
Nous ne sommes pas
encore s
urs que cette
construction soit possible.
Z()
(dx) Z(x)
Si une telle relation peut etre etablie, linteret pratique en sera grand,
, objet
puisque le pont sera etabli entre letre mathematique abstrait Z
des etudes theoriques futures, et la Fonction Aleatoire non stationnaire
Z(x) censee modeliser la Variable Regionalisee. Il nous faut donc etablir
lequivalence entre les deux definitions.
1.4.5. Equivalence
entre les deux d
efinitions de FAI-k
Il est immediat que la première entrane la seconde. En effet, si pour
toute k la combinaison i Z(xi +h) est par hypothèse stationnaire
, la Fonction
dordre 2 en h, on peut constater immediatement que Z
Aleatoire definie par :
h )
Z(
i Z(xi + h)
satisfait très exactement a` la seconde definition.
une
La reciproque consisterait a` savoir comment associer a` toute FAI-k Z
Fonction Aleatoire non stationnaire satisfaisant a` la première definition
[8] G
eque
127
. Mais il est en fait possible de

cest-à-dire une Representation de Z
faire mieux, et de donner la caracterisation de toutes les Representations
: ce theorème des Representations achèvera la demonstration de
de Z
lequivalence des deux definitions.
1.4.6. Th
eor`
eme des repr
esentations :
enonc
e
Theorème :
Toute FAI-k Z admet des Representations.

Si Z(x) est une de ces Representations, la classe de toutes
les autres Representations Z1 (x) est donnee par :
Z1 (x)
Z(x) + Al f l (x)
o`
u les Al sont des Variables Aleatoires quelconques.
La demonstration de ce theorème est donnee en annexe, et comporte les

etapes suivantes :
Voir deuxi`
eme
partie du document.
existence autrement dit, lensemble des Representations dune

FAI-k donnee nest pas vide : on construit une Representation
;
particulière dune FAI-k Z
on montre que si Z est une Representation, la Fonction Aleatoire

definie par Z1 = Z + Al fxl en est aussi une ;
puis on montre que si Z et Z1 sont deux Representationsdune meme
FAI-k, alors Z Z1 = Al fxl .
Ce theorème permet de definir une relation dequivalence sur lespace des
Fonctions Aleatoires non stationnaires : deux FA non stationnaires seront
dites equivalentes si elles diffèrent dun polynome de degre k (lequel
polynome peut eventuellement etre aleatoire). Deux FA distinctes, mais
equivalentes, ont ainsi le statut de deux Representations differentes de
la meme FAI-k. Plus synthetiquement encore :
Une FAI-k sidentifie a` la classe dequivalence
de ses Representations.
1.4.7. Application : caract

eristiques intrins`
eques
Le lien entre Variable Regionalisee et modèle probabiliste est
desormais etabli dans le cadre de la Geostatistique Intrinsèque : une
Variable Regionalisee z(x) sera consideree comme Realisation dUNE J J J
.
Representation Z(x) dune FAI-k Z
On appellera caract
eristique intrins`
eque tout paramètre du modèle
probabiliste qui ne depend que de la FAI-k et pas de celle de ses
Representations dont la Realisation est lobjet de letude.
De facon un peu imagee, on peut dire que le traitement probabiliste est
purge de tout ce qui nest pas Caracteristique Intrinsèque. Autrement
dit, il est vain (ou a` tout le moins risque) de mener une etude sur un
paramètre du modèle qui nest pas Caracteristique Intrinsèque puisque,
pour pouvoir mener a` bien cette etude, on va etre contraint dutiliser
des informations hors-modèle . Lexemple le plus eclatant peut etre
donne en revenant a` loptique Krigeage Universel : la Derive est, de
par sa nature meme, non-intrinsèque ; elle est automatiquement filtree
par les conditions dautorisation, et se trouve exclue ipso facto du
developpement probabiliste.
Rappelons que dans

le cadre du KU, ces
conditions peuvent
avoir le sens de
conditions duniversalit
e.
128
Aide-M
emoire de g
eostatistique lin
eaire :
1.4.8. Un exemple
Nous sommes maintenant en mesure dinterpreter la demarche du
` titre
Krigeage Universel en termes de Geostatistique Intrinsèque. A
`
dillustration, examinons la figure ci-après en fin de chapitre. A
1 dimension, nous disposons de quatre Variables Regionalisees, que nous
pouvons interpreter comme Realisations de quatre Fonctions Aleatoires
differentes. Les courbes (1) et (2) diffèrent dune constante : elles sont
indiscernables en termes de Fonctions Aleatoires Intrinsèques Strictes,
puisque le travail sur les accroissements filtre les constantes.
Cest ici le moment dobserver que lapproche intrinsèque stricte a
sa place toute trouvee dans loptique de la Geostatistique Intrinsèque :
une FA intrinsèque stricte nest autre quune Representation
P de FAI-0,
et les CLA rencontrees dans le modèle intrinsèque strict ( i i = 0)
sont des CLA-0.
Ainsi, les courbes (1) et (2) sont Realisations de deux Representations

differentes de la meme FAI-0. Les courbes (3) et (4) se deduisent de (1)
par addition dun polynome du 1er degre : ce sont donc des Realisations
de Representation de FAI-0 differentes, mais dune meme FAI-1. Si lon
revient a` la notion de classe dequivalence, on peut dire que la FAI-1 est
ce quil y a de commun aux quatre courbes pr
esentees ici.
Ce sont tout aussi
bien des r
esidus des
courbes (2) ou (3).
La courbe (4) possède un interet supplementaire : elle represente des

residus universels, pour une derive du premier degre, de la courbe (1).
Cest là un resultat tout a` fait general, qui eclaire dun jour nouveau
la demarche du Krigeage Universel : la courbe initiale, et la courbe
des residus universels par rapport a` UNE derive de degre k, sont
Realisations de differentes Representations dune meme FAI-k. Comme
essentiellement la demarche de la Geostatistique Intrinsèque met
dans le meme sac toutes les Representations, on comprend les
indeterminations rencontrees dans le Krigeage Universel, et on sattend
a` les retrouver ici ; mais en revanche, les biais ne sont-ils pas evitables ?
1.4.9. Commentaire sur les CLA-k
Voir peut-
etre
Chauvet, 1987 (b).
Il peut sembler deroutant au debut de mettre en uvre le modèle

probabiliste sur des etres aussi abstraits que les CLA-k. Mais après
tout, il ny a rien là de bien nouveau : on oublie trop souvent que, en
operant sur des accroissements, les methodes intrinsèques strictes
avaient dejà franchi le pas. On pourrait dire approximativement que
lon va travailler maintenant sur des accroissements generalises ; cette
terminologie est dailleurs totalement correcte dans le cadre dun travail
a` 1 dimension, et illustre la similitude dapproche entre FAI-k et certaines
methodes de series chronologiques.
Continuons cette interpretation peu rigoureuse. Accroissement est
a` rapprocher de derivee . Schematiquement, on pourrait dire quune
, nest autre
Fonction Aleatoire Z(x), Representation dune FAI-k Z
quune Fonction Aleatoire dont les derivees partielles dordre total
(k + 1) sont toutes stationnaires. Les coefficients Al des polynomes
egaux a` la difference entre deux Representations dune meme FAI-k, ont
donc la signification de constantes dintegration.
2. Covariances G
en
eralis
ees : th
eor`
eme fondamental
Remarquons dabord quune Combinaison Lineaire Autorisee dordre
(k + 1) satisfait a fortiori les conditions dune Combinaison Lineaire
Autorisee dordre k. On a donc linclusion :
k+1 k
stationnaire sur k sera a fortiori
Ainsi, une fonction aleatoire Z
stationnaire sur k+1 :
[8] G
eque
129
Une Fonction Aleatoire Intrinsèque dordre k

est aussi une Fonction Aleatoire Intrinsèque
dordre (k + 1)
et bien s
ur, par recurrence, elle est egalement une Fonction Aleatoire
Intrinsèque de tous ordres superieurs.
2.1. D
erive dune FAI-k
Par definition des FAI-k, toute CLA-k a ses deux premiers moments
stationnaires. Dans la definition, nous avons meme suppose que
lesperance etait nulle : nous travaillons sur des FAI-k sans d
erive.
Affranchissons-nous pour un instant de cette contrainte. On demontre
, sa projection sur lespace
alors que pour toute Representation de Z
des invariants par translation est un polynome de degre au plus egal a`
k + 1. De plus, les termes de degre au plus egal a` k dependent de la
Representation : ce ne sont pas des Caracteristiques Intrinsèques. En
revanche, le polynome homogène de degre (k + 1) est commun a` toutes
les Representations : cest donc une Caracterisqique Intrinsèque, appelee
par definition d
erive de la FAI-k, et cest lui seul qui determine la valeur
de lesperance de toute Combinaison Lineaire Autorisee dordre k. Mais
egalement, du fait quil est de degre (k + 1), il sera filtre par toute
Combinaison Lineaire Autorisee dordre (k + 1). Do`
u le resultat :
Paragraphe 1.4.3.
Matheron, 1971, p15-17.
Toute FAI-k est une FAI-(k+1) sans derive.
ce qui justifie que nous ne travaillions que sur des FAI-k sans derive.
2.2. Covariance G
en
eralis
ee : d
efinition
Designons par Rn lespace de definition de la Variable Regionalisee z(x)
:
associee a` la Fonction Aleatoire Intrinsèque dordre k Z
Une fonction K(h) definie sur Rn est UNE Covariance Generalisee
, si
pour la Fonction Aleatoire Intrinsèque dordre k notee Z
k :
K(h)
Var Z()
Z Z
(dx) K(x y) (dy)
K(h)
Si une telle fonction existe, elle complète larsenal dont nous avons besoin
pour travailler a` lordre 2 sur les FAI-k. Comme nous avons en effet
suppose que nous nous ramenons a` des FAI-k sans derive, toutes les
esperances de CLA-k sont nulles ; et la definition ci-dessus permet le
calcul de toutes les covariances, puisquon peut en deduire aisement :
, k
Cov Z(),
Z()
Z Z
(dx) K(x y) (dy)
est sans derive, que cette formule generale

Notons, toujours parce que Z
peut secrire indifferemment :
, k
E Z().
Z()
Z Z
(dx) K(x y) (dy)
Mais pour le moment,

nous ne savons pas si
cette fonction existe.
130
Aide-M
emoire de g
eostatistique lin
eaire :
ce qui laisse pressentir ce que sera la demarche dAnalyse Variographique

en FAI-k, par lassociation usuelle entre esperance mathematique et
limite de moyenne spatiale.
2.3. Th
eor`
eme dexistence et dunicit
e
Le theorème fondamental de la Geostatistique Intrinsèque senonce alors
comme suit :
Theorème :
Toute FAI-k admet au moins une Covariance Generalisee.

La classe de toutes ses Covariances Generalisees sobtient
en ajoutant a` lune quelconque dentre elles un polynome
pair de degre 2k .
Matheron, 1971
(b), p20-35.
Matheron, 1971
(b), p32-33.
Ce theorème est assez difficile a` demontrer, et demande a` mettre en

uvre la theorie des distributions ou les methodes danalyse spectrale.
Deux complications surgissent pour lenoncer en toute generalite : le cas
multidimensionnel est beaucoup plus difficile que le cas de R1 , et le cas
dune FAI-k non differentiable est plus difficile que le cas differentiable.
Nous renvoyons a` la bibliographie pour lexamen de cette demonstration.
Un resultat intermediaire est important en pratique. On demontre en
effet que le comportement de K(h) a` linfini est au plus en | h |2k+2 .
Mieux encore, la condition :
K(h)
h | h |2k+2
lim
Chapitre 5,
paragraphe 1.4.
soit sans derive. On

est necessaire et suffisante pour que la FAI-k Z
retrouve ici une generalisation dun resultat connu en modèle intrinsèque
strict modèle qui, rappelons-le, correspond a` k = 0.
2.4. Fonctions de type positif conditionnel

La definition de la Covariance Generalisee exprime une variance, donc
une quantite toujours positive ou nulle. Ainsi :
Justification de la notation
K adoptee dans les
chapitres pr
ec
edents.
Z Z
(dx) K(x y) (dy)
Une fonction symetrique verifiant cette propriete est dite de type positif
conditionnel. Ladjectif conditionnel se refère au fait que cette
relation nest vraie que pour une gamme restreinte de mesures . Et
comme k+1 k , il sensuit quune fonction de type positif a` lordre
k lest a fortiori a` lordre k + 1 : on retrouve tout simplement la
generalisation du passage de la Covariance stationnaire K a` .
Remarque : notons au passage le caractère un peu hybride du
variogramme puisque, en loccurrence, cest (et non lui-meme)
qui sinsère dans la famille des fonctions de type positif conditionnel.
I I I Nous avons vu que toute Covariance Generalisee est de type positif
Matheron, 1971
(b), p19-20
conditionnel. Inversement, pour toute fonction symetrique de type positif

conditionnel K , on peut construire une Fonction Aleatoire Intrinsèque
dordre k dont K soit une Covariance Generalisee. Il y a identification
entre les Covariances Generalisees dordre k , et les fonctions de type
positif conditionnel dordre k .
[8] G
eque
131
Enfin, une fonction de type positif conditionnel K sera dite de type

positif conditionnel strict si et seulement si :
Z Z
(dx) K(x y) (dy) = 0
=0
cest-à-dire si la variance de Z()

ne sannule que pour la mesure
identiquement nulle.
On pourra verifier que pour tout polynome pair P de degre 2k :
Z Z
` titre dexercice...
A
(dx) P (x y) (dy) = 0
et on demontre que seuls parmi les fonctions continues et symetriques,

les polynomes pairs verifient cette propriete.
Enfin, la forme generale des fonctions de type positif conditionnel est
donnee dans la bibliographie. Il est naturellement evident, puisque
k+1 k , que lensemble des fonctions de type positif conditionnel
a` lordre (k + 1) est un sur-ensemble des fonctions de type positif
conditionnel a` lordre k . Aussi, lorsque lordre k augmente, on augmente
la gamme des modèles structuraux autorises.
Matheron, 1971
(b), p20-23.
Matheron, 1971
(b), p38-43.
Une dialectique courante

en G
eostatistique.
3. Le Krigeage Intrins`
eque
Tout est en place desormais pour exprimer le Krigeage dans le cadre
du modèle FAI-k : le krigeage intrins`
eque. Il sagira cette fois dune
expression synthetique dans laquelle le polynome pair dindetermination
est entièrement transparent . Quant a` la demarche de construction
du système de Krigeage, elle est immuable. Nous nous bornerons, ici
encore, au cas du Krigeage ponctuel.
Chapitre 6,
paragraphe 3.2.7.
3.1. L.A.U.O.
Linearite : lErreur dEstimation Z (x) Z(x) doit etre une
combinaison lineaire des donnees, donc
Z (x)
Autorisation : cette combinaison lineaire qui attribue :

les poids
le poids
aux points
au point
doit verifier les conditions dautorisation a` lordre k la valeur de k

etant supposee donnee soit :
fl fxl
(l k)
Notation : si on designe par x (dt) ou, pour alleger lecriture,

simplement par x la mesure de Dirac en un point x quelconque,
la Configuration dEstimation est decrite par la mesure
x
La condition dautorisation peut secrire, de facon un peu plus abstraite :
x k
132
Aide-M
emoire de g
eostatistique lin
eaire :
est une Fonction Aleatoire Intrinsèque dordre k, lErreur

et, puisque Z
dEstimation peut sexprimer sous la forme :
Z (x) Z(x)
Z [ x ]
Universalite : comme on travaille en modèle FAI-k sans derive, toute

Combinaison Lineaire Autorisee dordre k est desperance nulle. Il ny a
donc pas de condition duniversalite.
Optimalite : conditionnellement aux contraintes precedentes, on veut

minimiser la quantite :
Var [ Z Zx ]
On developpe ce calcul en revenant a` la definition-meme de la Covariance

Generalisee et au theorème dexistence et dunicite. En effet :
[ x ]
Var Z
et donc :
2 =
Z Z

(dt) x (dt) K(t u) (du) x (du)
ce qui, tous calculs faits, donne
R`
egle de substitution,
analogue a
` celle
du Chapitre 5,
paragraphe 1.3.
K 2 Kx + Kxx
Mais il est encore beaucoup plus simple de remarquer que, pour toute
Combinaison Lineaire Autorisee, la variance se calcule COMME SI il
y avait une Covariance Stationnaire, mais en remplacant formellement
celle-ci par la Covariance Generalisee.
Loptimisation sous contrainte conduit alors sans difficulte aux
conditions doptimalite :
K + l fl
Kx
3.2. Le syst`
eme de Krigeage Intrins`
eque
On obtient finalement le système :
P
K + l fl
P
fl
Kx
()
fxl
(l)
et la variance :
I2
Kxx
Kx I l fxl
I
o`
u lindice I rappelle quil sagit du Krigeage Intrinsèque, et que les
ponderateurs I et multiplicateurs de LagrangeI sont les solutions
de ce système de Krigeage Intrinsèque.
Sous forme matricielle :
K fl
fl
Kx
fxl
[8] G
eque
133
On reconnat exactement la structure du système de Krigeage Universel.

Mais cette remarque doit etre completee par les deux points suivants,
extremement importants :
les conditions fl = fxl ont cette fois le sens de conditions J J J
dautorisation ;
la gamme des modèles structuraux autorises est plus riche que la
` ce propos, il nous semble
famille (au signe près) des variogrammes. A
souhaitable de renvoyer a` certaines remarques precedentes sur le Chapitre 7,
paragraphe 2.3.4.
Krigeage Universel.
3.3. Propri
et
es du syst`
eme de Krigeage Intrins`
eque
Lensemble des proprietes (superposition des figures de Krigeage,
orthogonalite et lissage) rencontrees dans le cadre stationnaire strict
peuvent trouver leur expression la plus generale dans le formalisme de
la Geostatistique Intrinsèque :
Chapitre 6,
paragraphe 3.4.3.
3.3.1. Superposition des figures de Krigeage

Soient en effet
(x) et I l (x) les solutions du système de Krigeage
I
ponctuel intrinsèque :
P
(x) K + l (x) fl
P
(x) fl
Kx
()
fxl
(l)
et soit un certain operateur lineaire :
(Z)
Z(x) (dx)
Sous la reserve expresse que lon utilise toujours le meme ensemble de

donnees, la linearite du système de Krigeage nous permet de verifier
immediatement :
(Z)
[Z ]
ou, plus explicitement :
(Z)
avec
I (x) (dx)
(La demonstration se fait trivialement par verification, ce qui constitue

une preuve si on suppose le système regulier).
3.3.2. Orthogonalit
e
Soit par ailleurs une Combinaison Lineaire Autorisee quelconque :
fl = 0 (l). Calculons la covariance de lerreur

P
de Krigeage Intrinsèque et de
Z :
P
Z , avec
Cov [Z(x) Z (x) , Z ]
Cov Z(x)
Z , Z
I
(1)
Kx I K
(2)

I l (x) fl
(3)
JJJ
134
Aide-M
emoire de g
eostatistique lin
eaire :
(1) : par bilinearite de la covariance ;

(2) : par les equations doptimalite du Krigeage Intrinsèque ;
(3) : en considerant la sommation en , et parce que est une CLA
dordre k .
Telle est la generalisation de la propriete dorthogonalite enoncee jusquà
present au niveau des seuls Krigeages simple et ordinaire :
LErreur dEstimation en Krigeage Intrinsèque
est de covariance nulle avec toute Combinaison
Lineaire Autorisee des donnees
et par linearite, il en sera de meme de lerreur destimation de toute

forme lineaire (Z) :
Cov [(Z) (Z) , Z ]
3.3.3. Lissage
Pour generaliser enfin la propriete de lissage, il faut dabord noter quen
modèle intrinsèque, on na plus le droit de parler de la variance de Z (x)
non plus bien s
ur que de la variance de Z(x) parce que lerreur de
I I I krigeage Z(x) Z (x) etant une CLA, Z (x) ne peut letre. On doit
donc se limiter a` lexamen
de formes lineaires (Z), selon les notations
Z
f l (t)(dt) = 0.
ci-dessus, o`
u de plus
2
Notons alors
la variance destimation de (Z), soit :
2
Rappelons que lensemble

des CLA est un
espace vectoriel.
Var [(Z) (Z)]
Lerreur destimation (Z) (Z) est une CLA par construction ;

(Z) est une CLA par hypothèse ; donc, (Z) est aussi une CLA.
Alors, on a le droit decrire :
2
Var [(Z)] + Var [ (Z)] 2 Cov [(Z) , (Z)]
Daprès la propriete dorthogonalite, lerreur (Z) (Z) est de

covariance nulle avec toute CLA des donnees, donc en particulier avec
(Z) elle-meme. Ainsi,
Cov [(Z) (Z) , (Z)]
ce qui secrit aussi

Cov [(Z), (Z)]
Var [ (Z)]
2
et, en reportant cette egalite dans lexpression de
, on obtient la
simplification
2
ce qui implique
Var [(Z)] Var [ (Z)]
Var [ (Z)]
Var [(Z)]
Un examen plus detaille, sans difficulte, montrerait de plus que la

variance de lestimateur (Z) nest pas stationnaire cest-à-dire
nest pas invariante pour une translation de la mesure .
[8] G
eque
135
3.4. Conditions de r
egularit
e du syst`
eme de Krigeage
Exprimons maintenant le theorème relatif a` la regularite du système
de Krigeage Intrinsèque. Il est bien s
ur clair que cet enonce pourra se
transposer sans peine au cas du Krigeage Universel.
Theorème :
Le système de Krigeage Intrinsèque est regulier si et
seulement si :
la sous-matrice K est positive conditionnelle stricte ;

Les fonctions de base sont lineairement independantes
sur les donnees.
Rappelons les definitions de ces proprietes :
positivite conditionnelle stricte :

k :
et
= 0
=0
independance lineaire des fonctions de base sur les donnees :

cl fl = 0
=
cl = 0
(l)
La demonstration du theorème est donnee en annexe. Nous supposerons

ces conditions verifiees dans le paragraphe suivant. Classiquement,
on verifie alors immediatement que le Krigeage Intrinsèque est un
Interpolateur Exact.
4. Pr
esentation duale du Krigeage
Dans tout ce paragraphe, nous supposerons essentiellement le système
de Krigeage Intrinsèque regulier, et le jeu de donnees fixe.
4.1. Le Krigeage comme interpolateur

Considerons le système de Krigeage Intrinsèque ponctuel dun point x
quelconque. Les solutions et de ce système :
P
K + l fl
P
fl
Kx
()
fxl
(l)
sont evidemment des fonctions (x) et l (x) du point x a` estimer.

De plus, ces fonctions sont des combinaisons lineaires des expressions
Kx et fxl . Par suite, lestimateur :
z (x)
(x) z
est aussi une combinaison lineaire de ces memes Kx et fxl , et on peut

donc ecrire :
z (x)
b Kx + cl fxl
Telle est lexpression duale du Krigeage, volontairement enoncee en

termes de Variable Regionalisee : le Krigeage Intrinsèque apparat
136
Aide-M
emoire de g
eostatistique lin
eaire :
ainsi comme un interpolateur, sans connotation probabiliste, auquel on

impose detre une combinaison lineaire des fonctions K et fl .
4.2. Syst`
eme de Krigeage dual
Remplacons, dans lexpression duale, les fonctions K et f par leurs
formulations issues du système direct. On obtient ainsi une identite entre
des fonctions de x :
(x) z
z (x)

b (x) K + l (x) fl + cl (x) fl
et par identification :
P
b K + cl fl
P
b fl
( )
(l)
Les coefficients b et cl sont donc solutions dun système par hypothèse

regulier. Ce syst`
eme dual, en effet, presente le meme membre de gauche
que le système direct, donc les memes caractères de regularite.
Nous pouvons donc definir le Krigeage par :
z (x)
b Kx + cl fxl
o`
u les b et cl sont caracterises par le système dual. On perd toute
interpretation probabiliste, en particulier la notion de variance.
Linteret de cette formulation apparat en cartographie. Pour un jeu fixe
de donnees, il y a un seul système a` resoudre, et donc peu de coefficients
a` garder en memoire, et ceci pour le calcul dautant de z (x) que lon
veut. On dispose de plus dune equation implicite des courbes de niveau.
Les caractères (analytiques) de regularite des courbes de niveau sont des
consequences immediates de lexpression des fonctions Kx .
4.3. Interpr
etation des
equations duales
4.3.1. Recherche dun nouvel interpolateur
Cherchons a` construire un interpolateur z (x) satisfaisant aux trois
conditions suivantes :
on veut que z (x) soit combinaison lineaire des fonctions de x ,

Kx et fxl :
z (x)
b Kx + cl fxl
on veut que z (x) soit un interpolateur exact, cest-à-dire tel que :

x :
z (x )
soit encore, compte-tenu de la première condition :
x :
b K + cl fl
enfin, on souhaite que linterpolateur z (x) soit compatible avec

les d
erives fxl en ce sens que si toutes les donnees z ont la valeur
fs , alors, z (x) f s (x).
[8] G
eque
137
4.3.2. R
ole des contraintes b fl = 0
On remarque que, compte-tenu des deux premières conditions, cette
propriete de compatibilite de linterpolateur avec les derives est assuree
par la condition b fl = 0. En effet, pour s fixe, si z = fs et
b fs = 0, la condition dinterpolation exacte donne :
b K b + cl fl b
z b
fs b
soit encore b K b = 0 do`

u, la matrice K etant supposee positive
conditionnelle stricte, b = 0. Par suite, cl = ls , et donc :
z (x) = fxs
Ainsi, la condition b fs = 0 est une condition suffisante pour quun
interpolateur exact de la forme {b Kx + cl fxl } soit Compatible avec
les Derives fxl .
4.3.3. Caract
erisation du syst`
eme dual
Rien nassure que la condition b fs = 0 soit necessaire pour garantir
la propriete de compatibilite avec les derives. Autrement dit, il nest
pas certain que les trois conditions ci-dessus permettent de definir un
interpolateur unique.
En revanche, un interpolateur z (x)
de la forme z (x) = b Kx + cl fxl ,

qui soit un interpolateur exact,
et qui satisfasse de plus aux conditions b fs = 0 ,
verifie necessairement les equations
P
b K + cl fl
P
b fl
( )
fxl
(l)
cest-à-dire les equations du Krigeage Dual.

Or nous avons suppose ce système regulier. Ces trois nouvelles conditions
caracterisent donc un interpolateur, lequel concide avec le Krigeage
Dual. Et bien s
ur, cet interpolateur satisfait aux conditions du
paragraphe 4.3.1.
4.4. Equivalence
splineskrigeage
La presentation du Krigeage Intrinsèque comme un interpolateur,
hors de toute interpretation probabiliste, soulève la question de la
comparaison du Krigeage a` dautres techniques dinterpolation.
Une methode classique dinterpolation est le formalisme des Splines :
sous sa forme la plus generale, on peut dire que linterpolation par Splines
consiste a` minimiser lintegrale despace du carre dun certain operateur
lineaire (differentiel par exemple), tout en respectant les valeurs aux
points de donnees.
Un theorème, dont la conclusion pourrait sans doute paratre inattendue,
etablit alors quil y a stricte equivalence entre Spline et Krigeage : tout
problème de Spline peut etre exprime en terme de Krigeage (ce qui ne
signifie nullement quil soit facile de trouver la Covariance Generalisee
correspondante !), et a` tout Krigeage correspond une Spline et trouver
loperateur correspondant est encore plus difficile.
La demonstration de ce theorème nest pas aisee. Nous ne proposons
en annexe que lexamen du cas fini. Ce resultat en tout cas est assez
etonnant dans la mesure o`
u il traduit lequivalence theorique entre
une demarche qui privilegie les contraintes amont (cest-à-dire le
Matheron, 1980.
138
Aide-M
emoire de g
eostatistique lin
eaire :
respect des donnees initiales : cest le krigeage) et une demarche qui

privilegie les contraintes aval (cest-à-dire les proprietes futures de
linterpolateur : ce sont les splines) : cette convergence nallait pas de
soi a priori .
Bibliographie
La theorie des FAI-k, en toute generalite, peut sembler difficile sur le

plan theorique. Cela apparat dès le document initial :
La th
eorie des Fonctions Al
eatoires G
en
eralis
ees ,
Matheron, 1971.
Cest pourquoi, dans lesprit de cet expose, nous ne pouvons que suggerer
une presentation simplifiee, en particulier celle de :
Les Fonctions Al
eatoires Intrins`
eques dordre k ,
Delfiner & Matheron, 1980.
Ce document ouvre egalement la voie a` laspect pratique de la

Geostatistique Intrinsèque. Il est bon par ailleurs, une fois achevee la
prise de contact avec les FAI-k, de reprendre la bibliographie consacree
au Krigeage Universel a` la lumière de cette theorie plus generale.
La presentation proposee ici du Krigeage Dual et de lequivalence
SplinesKrigeage est inspiree de cours oraux. On se reportera cependant
avec profit a` des documents plus rigoureux et plus complets :
Splines et Krigeage : leur

equivalence formelle ,
Matheron, 1980.
Remarques sur le Krigeage et son dual , Matheron,

1981.
De meme, on pourra completer cette première approche des FAI-k par

un examen des Fonctions Aleatoires Intrinsèques Generalisees (FAIG) :
Comment translater les catastrophes ou la structure

des Fonctions Al
eatoires Intrins`
eques G
en
erales ,
Matheron, 1979.
Dans un autre esprit, mentionnons une abondante bibliographie

consacree aux aspects pratiques de la Geostatistique Intrinsèque, et en
particulier de lAnalyse Variographique. Ces references sont la plupart
du temps axees sur les algorithmes mis en uvre dans le logiciel ISATIS.
Enfin, les developpements theoriques ne manquent pas, dans les

directions les plus diverses, par exemple :
Krigeage sous contrainte dinegalite :
Estimation sous contraintes din

egalit
es , Langlais,
1990.
Krigeage de variables reliees par des equations :
Estimation g
eostatistique de ph
enom`
enes r
egis par des
equations aux d
eriv
ees partielles , Dong, 1990.
[8] G
eque
139
Krigeage Trigonometrique :
G
eostatistique des ph
enom`
enes a
` tendance p
eriodique ,
Seguret, 1991.
Se reporter, en deuxième partie du document, aux chapitres
D
emonstration
Equivalence
Etude
du th
eor`
eme des Repr
esentations .
Spline-Krigeage .
de la bathym
etrie sur le site du Titanic .
Annexe
140
Aide-M
emoire de g
eostatistique lin
eaire :
Figure 1
Chapitre 9
Introduction
`
a la G
eostatistique
Multivariable
Pr
esentation
Dans loptique dune simple revision des principes generaux de la
Geostatistique Lineaire, nous conclurons cette partie du document par
quelques elements de Geostatistique Multivariable. Conformement a
`
lesprit de cet Aide-Memoire, il sagit surtout de poser des jalons,
et dindiquer au cas par cas les references indispensables a
` un
approfondissement du sujet.
Au premier paragraphe, on examine la necessite du recours a
`
une technique qui sannonce plus compliquee que la Geostatistique
monovariable, et on en definit les principales hypothèses et notations.
Le second paragraphe est consacre au modèle structural multivariable :
on presente les principales proprietes des covariances croisees, en en
soulignant certaines nouveautes par rapport au cas monovariable, et
on justifie labandon, dans la suite du chapitre, du modèle intrinsèque.
Dans le cas le plus simple de FASt-2 desperances nulles, on
pose au troisième paragraphe les premières equations destimation
multivariable. Les proprietes essentielles du cokrigeage, ainsi que
quelques reflexions generales, sont exposees une fois pour toutes.
Le quatrième paragraphe generalise le precedent, lorsquil existe des
derives (cokrigeage universel et coestimation optimale des coefficients
des derives). Sans innovation theorique, ce paragraphe qui met en
evidence la complexite des notations est plut
ot un recueil de formules,
mais souligne aussi combien la pratique du cokrigeage peut etre lourde.
Il faut donc envisager des simplifications au système de cokrigeage.
Au paragraphe cinq, le modèle lineaire de coregionalisation nest
quun exemple (restrictif) de telles simplifications, mais est loccasion
dexpliciter quelques règles de transformations des donnees. La notion
dautokrigeabilite est introduite en conclusion, comme generalisation
de ce modèle trop particulier.
Lanalyse krigeante, seulement evoquee au paragraphe six, est un
cas dapplication du modèle lineaire de coregionalisation. On met
surtout en evidence les risques, dans une approche qui comporte des
indeterminations mathematiques, de trop solliciter le modèle et de
franchir le seuil de realisme.
Au septième paragraphe enfin, la technique de la derive externe est
sommairement presentee comme alternative possible au cokrigeage.
1. Position du probl`
eme et notations
1.1. Remarque pr
eliminaire
Etrangement,
il nest peut-etre pas aussi facile que lon pourrait
croire de definir la frontière entre etudes mono- et multivariable. Ainsi
142
Aide-M
emoire de g
eostatistique lin
eaire :
par exemple, il est très frequent que le variogramme experimental

dune Variable Regionalisee z unique soit modelise par une fonction
qui apparaisse comme la somme dun certain nombre de modèles

elementaires i , soit, h,
(h)
i (h)
o`
u en general ces modèles elementaires i revèlent des structures
dechelles differentes : (h) est ce que lon appelle classiquement un
mod`
ele gigogne.
La decomposition du variogramme modelise est un simple choix cense
pertinent au cours de lAnalyse Variographique, et lon pourrait en rester
là. Mais il est possible de chercher a` interpreter une telle decomposition :
on peut par exemple envisager que la Fonction Aleatoire Z dont z est
realisation soit la somme de Fonctions Aleatoires Zi independantes, de
variogrammes respectifs i . Do`
u le modèle
Z(x)
Zi (x)
avec
i (h)
1
Var [Zi (x + h) Zi (x)]
2
et Zi et Zj independantes si i 6= j .
Notons tout dabord, ce qui est essentiel, que ce modèle nest pas le
I I I seul possible : tout au plus est-il COMPATIBLE avec la decomposition

du variogramme , ce qui est bien la moindre des choses pour realiser
un travail pertinent sur z . Mais bien dautres modèles de Fonctions
Aleatoires, moins simples, pourraient etre proposes. . .
Cela dit, si lon admet cette decomposition de Z , donc de z , on
Chapitre 1,
paragraphe 4.3.
Chapitre 7,
paragraphe 6.2.
peut se demander si lon est encore dans un cadre monovariable.

Rien en effet ninterdit alors, tout au moins dans le modèle, detudier
individuellement les composantes Zi : cette technique, appelee analyse
krigeante, sera brièvement presentee ulterieurement. Pour linstant,
notons que, bien que les composantes Zi naient a` levidence pas le
statut de Grandeurs Regionales et ne se pretent donc pas a` une phase
de Reconstruction Operatoire, les developpements theoriques peuvent
quant a` eux parfaitement relever dun travail multivariable, quand bien
meme la realite z est strictement monovariable. . .
Autre exemple : nous avons vu quil etait possible, avec beaucoup de
precautions, de travailler sur des residus estimes (non optimaux) en
retirant a` la Fonction Aleatoire Z un estimateur universel de la Derive.
Placons-nous pour simplifier dans le cas k = 0 : cet estimateur de la
), et on
Derive sera alors une simple moyenne glissante de la forme Z(v
x
pourra realiser letude de
R (x)
Chapitre 5,
paragraphe 3.2.
)
Z(x) Z(v
x
Cette fois encore, partant dune Variable Regionalisee unique, on fait

apparatre une problematique multivariable, la particularite etant ici
, sont liees par une
que les deux Fonctions Aleatoires en jeu, Z et Z
transformation algebrique clairement identifiee : il sagit dun mecanisme
de Changement de Support. Naturellement, dans ce cas, il est evident
sont fortement correlees ; par ailleurs, Z est cette fois
que Z et Z
une Grandeur Regionale. Quoi quil en soit, une etude variographique
theorique du residu R exige de connatre la structure conjointe de la
, cest-à-dire dutiliser un modèle bivariable. . .
paire de variables (Z, Z)
[9] Introduction a
` la G
eostatistique Multivariable
143
Bien s
ur, ces deux exemples qui peut-etre ne viennent pas
immediatement a` lesprit, mais nont pourtant rien dartificiel ne
sauraient faire oublier le cas multivariable le plus simple : celui o`
u
lon dispose de donnees sur differentes variables. Et cette fois, il y
a plethore dexemples : environnement (sites a` pollutions multiples),
gisements polymetalliques, donnees minières etudiees par le triplet
teneurpuissanceaccumulation, recherche petrolière (donnees aux puits
et campagnes geophysiques), meteorologie (vent, pression, temperature,
etc. ). Selon les cas, ces differentes variables sont simplement correlees
(par exemple, les teneurs PbZnAg. . . dans un gisement), ou
couplees par des relations physiques simples (puissances partielles
et totale dans une structure sedimentaire. . . ) ou moins simples
(radioactivite et teneur dans un gisement duranium. . . ) , ou reliees
par des equations aux derivees partielles (debitchargepermeabilite en
hydrogeologie. . . ) : la combinatoire est immense, ce qui laisse presager
les difficultes (au moins pratiques) du traitement multivariable, et la très
grand variete de problèmes a` resoudre.
Mais dans cet incroyable fouillis de cas de figures possibles, deux
exigences permanentes apparaissent, communes a` la quasi-totalite des
situations envisageables :
la plupart du temps, nous devons etre capables de manipuler

des multiplets de donnees, cest-à-dire des variables de natures
differentes, connues eventuellement sur des domaines distincts. Nous
devons pouvoir utiliser une information diversifiee, tant en ce qui
concerne la nature des variables que leur echantillonnage ;
comme exemple banal dune telle manipulation, nous rencontrerons

naturellement des problèmes destimation dune variable a` laide
de plusieurs variables de natures differentes. Ces problèmes seront
repertories sous le terme generique de cokrigeage ;
et, dans tous les cas, nous devons pouvoir proposer un modèle
structural multivariable decrivant non seulement lorganisation
spatiale de chacune des variables considerees separement, mais
encore leur organisation conjointe en dautres termes leur
cor
egionalisation. On devine que cette etape sera decisive pour
toute etude multivariable, et que cest a` ce niveau que se
presenteront a` la fois les nouveautes theoriques, et les principales
difficultes dapplication.
Comme il sagit dun prerequis a` tout traitement multivariable, nous
examinerons dabord le problème de la modelisation. Et parce quil est
previsible que nous rencontrerons des difficultes nouvelles, dinference
statistique comme de formalisation theorique, nous devons plus que
jamais nous preoccuper du Seuil de Realisme de nos manipulations, et
garder en permanence a` lesprit le Principe dEconomie.
Chapitre 1,
paragraphe 1.3.
Chapitre 1,
paragraphe 4.2.
En fait, tout simplement, la première question a` se poser est celle de

lopportunite de mettre en uvre une approche plus lourde que celle que
nous avons utilisee jusquici, compte-tenu des indeniables complications
que lon peut pressentir a priori .
1.2. N
ecessit
e dun mod`
ele multivariable : un exemple simpliste
Le matre mot qui doit nous guider dans notre reflexion est celui de
coherence 1 . Ladequation de nos modèles a` la realite physique est affaire
1
Il ny a naturellement rien là de nouveau. Le respect de la coherence interne de la

modelisation est une condition necessaire de validite de tout travail geostatistique.
Le cadre multivariable est simplement plus spectaculaire, et offre une plus grande
variete de chausse-trappes que ce qui a ete vu jusquici. Mais sur le fond, rappelons
que ce chapitre ne constitue en realite quune revision. . .
JJJ
144
Aide-M
emoire de g
eostatistique lin
eaire :
dapproximation, dempirisme, voire de subjectivite ; en revanche, la

coherence interne du modèle quelle que soit par ailleurs laptitude
de ce modèle a` rendre compte de la realite est une exigence dont
aucun pragmatisme mal compris ne saurait justifier la transgression.
Lincoherence la plus banale, dejà rencontree, consiste a` utiliser un
modèle structural non autorise, cest-à-dire ne satisfaisant pas aux
exigences de positivite (eventuellement conditionnelle) ; le prix a` payer
pour cette faute est alors le risque de voir surgir des variances negatives
en cours de calcul. En multivariable, on peut imaginer des incoherences
plus subtiles, la plus nouvelle consistant justement a` ne pas utiliser de
modèle multivariable et a` traiter les variables separement ; lexemple
ci-après illustre, dans une situation des plus simplistes, ce type derreur.
On se place pour simplifier dans le cadre FASt-2 desperances nulles ,
et on considère deux Fonctions Aleatoires A(x) et B(x), de covariances
respectives KA et KB . On suppose, pour simplifier encore davantage,
que ces deux Fonctions Aleatoires sont independantes, ce qui entrane
que la covariance KA+B de la somme verifie
KA+B
En loccurrence, dans ce
cas simpliste, il sagit
de trois
equations a
`
une seule inconnue
Voir Chapitre 6,
paragraphe 3.3.1.
...
Il ne sagit pas dune

interdiction absolue : on
peut imaginer des mod`
eles
particuliers de covariances
monovariables qui assurent
la coh
erence entre les
estimateurs de krigeages
(voir paragraphe 5.8).
KA + KB
Au point x + h, on construit, par trois krigeages monovariables, les

estimateurs A (x+h), B (x+h) et (A + B) (x+h) a` laide des donnees
au point x : A(x), B (x) et (A+B)(x). Il sagit donc, selon la terminologie
consacree, de trois Krigeages Simples , realises en resolvant trois
systèmes de krigeage independants construits avec les fonctions de
covariances respectives KA , KB et KA+B . Les solutions, immediates,
secrivent :
A (x+h)
KA (h)
KA (0)
A(x)
B (x+h)
KB (h)
KB (0)
B (x)
(A + B) (x+h)
KA+B (h)
KA+B (0)
(A + B)(x)
Il est alors trivial de constater que, en general, h 6= 0,
(A + B) (x+h)
(A) (x+h) + (B) (x+h)
I I I Naturellement, ce resultat nest nullement en contradiction avec le

Chapitre 6,
paragraphe 3.4.2.
Theorème de Superposition des Figures de Krigeage, bien au contraire

pourrait-on dire. Car ce theorème stipule que tous les krigeages quil
mentionne doivent etre realises avec le meme jeu de donnees : cest très
exactement le contraire que nous avons fait ici, o`
u A nest construit
quà laide de donnees de A (et B est ignoree), B a` laide de B (et A

est ignoree) , et (A + B) a` laide de la somme (A + B) (et les deux
composantes ne sont jamais connues que par leur somme).
Nous venons de mettre en evidence une incoherence dun type nouveau.
Car, sous reserve naturellement que les deux covariances KA et
[9] Introduction a
` la G
145
KB soient des modèles (separement) autorises, chacune des variables

consideree isolement a ete traitee dans les règles de lart. Et pourtant,
les trois variables considerees dans leur ensemble conduisent a` un resultat
non satisfaisant : le couplage entre ces variables (ce couplage existe,
a` la fois par le biais des fonctions de covariance et par le jeu des
donnees utilisees) se revèle insuffisant pour garantir la relation souhaitee
estimateur de la somme = somme des estimateurs .
Ainsi, meme dans cet exemple extremement simple, il apparat
quil est indispensable de proposer un modèle global un modèle
de Coregionalisation meme si, comme on peut le prevoir,
les developpements theoriques en seront un peu compliques. Bien
evidemment, il naurait pas ete difficile de corroborer cette proposition
par des exemples plus realistes, peut-etre plus probants, et s
urement plus
difficiles. . .
1.3. Deux consid

erations g
en
erales sur le multivariable
Avant dentreprendre quelques developpements techniques dans le cadre
multivariable, il semble utile de faire encore deux remarques, de caractère
tout-à-fait general.
Et dabord, avec un peu de provocation, on pourrait affirmer que les
problèmes multivariables nexistent pas, quils ne sont que des problèmes
monovariables relatifs a` des Fonctions Aleatoires vectorielles. Cette
remarque nest generalement pas très operatoire, parce que bien souvent
toutes les variables ne sont pas connues en les memes points. Ainsi, si lon
considère que lobjet detude est une Fonction Aleatoire vectorielle, celleci nest souvent connue que sur un ensemble de points très reduit, parfois
vide : lensemble des points o`
u toutes les composantes de la Fonction
` linverse, on se prive dune information certes
Aleatoire sont connues. A
partielle, mais souvent très abondante : celle qui concerne les points o`
u
ne sont connues que quelques-unes des composantes.
Pourtant, ce point de vue abstrait nest pas depourvu denseignements :
dune part, il est parfaitement operatoire lorsque toutes les variables

sont connues aux memes points (ce cas de figure est connu sous le
nom disotopie) ;
Matheron, 1982.
on confirmera, incidemment, que la frontière entre mono- et

multivariable nest decidement pas aussi nette quon aurait pu le
croire. Que penser en effet dune Variable Regionaliee complexe ?
Faut-il la traiter comme realisation dune unique Fonction Aleatoire
complexe, ou dune paire de Fonctions Aleatoires reelles ? Notons
dailleurs quau plan theorique, les deux points de vue se revèlent
netre pas equivalents. . .
Ch. Lajaunie &

R. Bejaoui, 1991.
dans le cas dune heterotopie, cest-à-dire lorsque toutes les

variables ne sont pas connues aux memes points, il est dailleurs
possible dinverser le point de vue, et de considerer que lon dispose
dune Variable Regionalisee unique, mais definie sur un espace
abstrait, produit de lespace geographique par lespace des
indices qui definissent les variables. On est ainsi ramene une nouvelle
fois a` un point de vue monovariable, scalaire de surcrot ;
dans tous les cas, la reference a` un point de vue monovariable facilite

les notations. Il est commode de se laisser porter par les ecritures
etablies dans les chapitres precedents en remplacant seulement,
lorsque cest necessaire, des indices scalaires par des indices
vectoriels, ou en se rappelant la nouvelle definition de lespace de
travail. Cette transposition de formalismes devenus classiques en
Geostatistique monovariable peut saverer dune grande utilite.
146
Aide-M
emoire de g
eostatistique lin
eaire :
Car et cest la seconde consideration quil est souhaitable denoncer ici

le problème des notations peut rapidement occulter les questions de
fond. Autant dire les choses avec humour : Du point de vue conceptuel,
Fasc. 5, p187.
il napparat aucun element nouveau, comme on le verra. Toutes les
difficultes (qui sont reelles) proviennent des notations 2 , necessairement
I I I plus complexes citation que lon est fonde a` considerer comme un
euphemisme. . .
Cest pourquoi il est bon, dans la mesure du possible, de se laisser guider
par les habitudes de notations acquises dans les chapitres precedents, afin
de mieux mettre en relief les nouveautes qui risquent dintroduire des
complications specifiques.
1.4. Notations
On conserve naturellement lecriture Z pour designer la Fonction
Aleatoire etudiee (et z pour la Variable Regionalisee associee). Mais
cette fois se pose le problème du domaine de definition de cette FA.
Dans une première optique, on peut considerer que lon travaille sur un
ensemble de d Fonctions Aleatoires, en general non independantes,
definies sur un meme espace geographique . On dispose donc dune
famille de fonctions
Zi (x)
o`
u
x Rn
i D
[1]
n etant la dimension de lespace geographique , et D lensemble

{1, 2, . . . , d} des indices designant les variables.
Dans les memes conditions, on pourra comme alternative choisir de
considerer que lon dispose dune Fonction Aleatoire unique, definie sur
lespace produit R n D :
Z(x, i)
o`
u
(x, i) R n
[2]
La description des ensembles de donnees obeit a` la meme dualite :
dans le premier point de vue, on designera par Si lensemble des

points de lespace geographique o`
u est connue la variable zi .
Pour adopter des notations rigoureuses, on a alors
Si
x Rn :
zi est connue au point x
[3]
et bien s
ur, Si R n . Sauf dans le cas Isotopique, les Si (qui sont
donc au nombre de d) sont distincts ;
de lautre point de vue, il y a une seule Variable Regionalisee z ,

donc un seul ensemble S o`
u elle est connue. Soit :
S
(x, i) R n D :
z est connue au point (x, i)
et cette fois, S est un sous-ensemble de R n D.

2
Souligne par G. Matheron.
[4]
[9] Introduction a
` la G
147
Ce second point de vue se revèlera bien adapte, dans le formalisme du

Krigeage Universel, pour la description du developpement de la Derive.
Aussi, quelle que soit lecriture de celle-ci, que ce soit
mi (x)
E [Zi (x)]
[5]
m(x, i)
E [Z(x, i)]
[6]
ou
nous aurons dans le cas general tout avantage a` la developper selon un
seul indice l, cest-à-dire a` ecrire
mi (x)
m(x, i)
al f l (x, i)
[7]
En ce qui concerne les covariances, nous adopterons une notation unique :

les variables figureront en indice, et les points dappuis figureront comme
les variables de la fonction ; soit

Kij (x, y) = Cov Zi (x), Zj (y) = Cov [Z(x, i), Z(y, j)]
Pour des raisons qui

appara
tront tr`
es vite,
nous ferons peu usage
des variogrammes
dans ce chapitre.
[8]
ce qui constitue la definition de la covariance crois

ee, dont on suppose
ici lexistence.
Les autres notations, demploi moins general, seront introduites au fur
et a` mesure. Conformement a` lusage, on adoptera les notations du
cas continu pour les ponderateurs, afin deviter les accumulations de
systèmes dindices dans les ecritures. La combinaison lineaire la plus
generale portant sur la Fonction Aleatoire Z (respectivement : sur la
famille des d Fonctions Aleatoires Zi ) secrira ainsi :
XZ
i
i (dx) Z(x, i)
Rn
respectivement :
XZ
i
i (dx) Zi (x)
Rn
2. Mise en place de la fonction structurale

2.1. Le mod`
ele FASt-2 desp
erance nulle
De facon synthetique, lhypothèse de stationnarite dordre 2 implique
que toutes les combinaisons lineaires telles quelles sont definies
au paragraphe precedent sont des CLA. Autrement dit, toutes ces
combinaisons lineaires admettent des moments dordre 1 et 2. De plus,
la condition desperance nulle implique que toutes ces CLA sont
desperance nulle ; en particulier, en adoptant par exemple lecriture [6],
m(x, i)
E [Z(x, i)]
( i D, x R n )
[9]
Lexistence des moments dordre 2 implique que les fonctions de

Covariances et Covariances Croisees, definies par la formule [8], existent
toujours dans ce modèle. De plus, la propriete de stationnarite entrane
que toutes ces (co)variances 3 sont invariantes par translation dans
lespace geographique , de sorte que, x, y, h,
Kij (x, x + h)
3
Kij (y, y + h)
Il est evident que la condition de stationnarite sur chacune des variables

prises isolement nest pas une condition suffisante pour garantir la stationnarite
multivariable. Plus inattendu peut-etre, ce nest une condition ni necessaire,
ni suffisante, pour garantir la stationnarite des Covariances Croisees (voir un
exemple simpliste en complement, en fin de chapitre).
Fasc. 5, p187.
148
Aide-M
emoire de g
eostatistique lin
eaire :
fonctions qui ne dependent donc que de h, quels que soient i et j . On

pourra alors adopter lecriture simplifiee :
Cov [Z(x, i), Z(x + h, j)]
Kij (h)
[10]
en rappelant que dans cette ecriture Kij (h), cest bien la variable
dindice i qui se trouve a` l origine du vecteur h et la variable dindice
I I I j a` son extremite .
2.2. Propri
et
es
el
ementaires des covariances crois
ees
Pour simplifier, on supposera toujours que nous travaillons sur des
FA reelles, ce qui est dailleurs le cas dans la très grande majorite
des etudes. En particulier, la notation | | representera une valeur
absolue, plutot quun module. Les proprietes des Covariances Croisees
stationnaires se presentent alors comme une generalisation de celles de
covariances monovariables, et cest surtout aux nouveautes quil faudra
preter attention :
pour i = j , la fonction de Covariance Croisee se reduit a` une

covariance monovariable, dont elle a par consequent toutes les
proprietes theoriques ;
Chapitre 3,
paragraphe 2.3.
si les Fonctions Aleatoires Zi (x) et Zj (y) (en tant que fonctions

sur lespace geographique Rn , a` i et j fixes) sont independantes,
leur fonction de Covariance Croisee Kij (h) est identiquement nulle :
Kij (h)
Cette propriete sera très sollicitee lors de la mise en uvre des

techniques dAnalyse Krigeante ;
Paragraphe 6.
en general,
III
III
Kij (h)
Kij (h)
pour
i 6= j
ce qui explique lappel a` la prudence du paragraphe precedent dans

lutilisation de notations simplifiees.
Paragraphe 2.1.
Cette absence de symetrie ne doit pas surprendre. Si lon suppose

a` titre dexemple que les variables i et j designent des polluants
de solubilites differentes et que la covariance est calculee dans la
direction dun courant, il est naturel que la covariance entre deux
mesures ne soit pas la meme selon que cest le produit le plus ou le
moins soluble qui est mesure en amont. On fait ainsi apparatre une
notion de d
ecalage ou d
ephasage entre variables qui, bien
loin detre un handicap, est a` levidence un outil supplementaire de
description dune (co)regionalisation.
En fait, les exemples

ne manquent pas. En
particulier, d`
es que le
facteur temps intervient,
il est naturel dobserver
une dissym
etrie entre
causes et effets
...
Cela dit, cette absence de symetrie ne procède pas dune interdiction

theorique, et au contraire certains modèles particuliers impliquent
la symetrie 4 ; mais il est vrai que dautres au contraire entranent
lantisymetrie 5 . . . Et naturellement, la symetrie est assuree pour
i = j ! En revanche, ce qui est toujours vrai, cest la relation
Kij (h)
4
Kji (h)
` 1 dimension, on pourra citer le modèle de coregionalisation entre une FA et

A
sa derivee seconde sous reserve naturellement que celle-ci existe, au sens de la
moyenne quadratique.
Encore a` 1 dimension, la covariance croisee entre une FA et sa derivee.
[9] Introduction a
` la G
149
qui setablit instantanement en utilisant la propriete de symetrie de

la covariance entre deux Variables Aleatoires. Rappelons quil sagit
ici de covariances de VA reelles, les covariances de VA complexes
possedant quant a` elles la propriete de symetrie hermitienne
JJJ
cest-à-dire que Kij (h) Kji (h) ;
Pour h = 0 et x R n fixe, la matrice carree evidemment

symetrique de dimensions d d

Kij (0)

est la matrice de variances-covariances du vecteur aleatoire Zi (x)

et, en vertu de lhypothèse de stationnarite, ne depend pas de x.
Pour rappeler cette propriete, on peut adopter une ecriture plus
proche des statistiques, et noter
ij
Kij (0)
[11]
On etablit sans difficulte une inegalite de Schwarz :

| Kij (h) |
ii jj
Mais il faut noter quen general, on ne peut rien dire sur la

comparaison entre Kij (h), Kii (h) et Kjj (h) non plus dailleurs
que sur la comparaison entre Kij (h) et Kij (0) lorsque i 6= j ;
La propriete essentielle de positivite sexprime sans nouveaute si

on adopte le point de vue [2] dune Fonction Aleatoire (reelle)
sur lespace R n D : pour toute mesure i (dx)
definie sur cet espace, on aura
monovariable
Var
"
XZ
i
(dx) Z(x, i)
R
XZ
i, j
i (dx) j (dy) Kij (x, y) 0

R
Consideree comme une fonction definie sur le produit de lespace

R n D par lui-meme, la fonction de deux variables K est de
type positif. Toutefois, dans la pratique de la Variographie, on
fixera en general les indices i et j qui designent les variables, pour
examiner separement les fonctions Kij (x, y) qui, elles, sont definies
sur R n R n et ne dependent dailleurs que du vecteur (xy.). Un
tel procede est naturel tant quil sagit dinterpreter des structures ;
il est par ailleurs beaucoup plus intuitif de travailler sur le seul
espace geographique , plutot que sur un espace abstrait. On se
ramène ainsi, variable par variable, puis au niveau des paires de
variables, a` une succession danalyses exploratoires partielles.
Mais en ce qui concerne la modelisation, il ne faudra pas oublier que
cest au niveau global de la fonction K tout entière quil faut assurer
la contrainte de positivite, pour garantir la coherence interne tout
simplement : lautorisation du modèle. Il sagit là clairement,
au niveau de la pratique de lAnalyse Variographique, dune assez
serieuse complication par rapport au cas monovariable.
JJJ
150
Aide-M
emoire de g
eostatistique lin
eaire :
2.3. Indications sur le mod`

ele intrins`
eque strict
Il est naturel, a` cette etape, de generaliser les notions introduites dans
le cadre FASt-2 au cas plus large de lhypothèse intrinsèque. Selon le
mecanisme habituel, il suffit de reprendre les developpements precedents
en remplacant, mutatis mutandis, les valeurs ponctuelles de Variables
Regionalisees (ou de Fonctions Aleatoires) par des accroissements.
Loutil structural traditionnel en Variographie multivariable intrinsèque
est ainsi le variogramme crois
e, defini par :
ij (h) =
1
Cov [Z(x + h, i) Z(x, i) , Z(x + h, j) Z(x, j)]
2
ou encore
ij (h) =
[12]

1
Cov i (x; h) , j (x; h)
2
en posant classiquement, pour alleger les ecritures et mieux mettre en

relief le role des accroissements,
Il sagit de notations
usuelles en calcul
aux diff
erences finies.
i (x; h)
Z(x + h, i) Z(x, i)
Zi (x + h) Zi (x)
Cette expression [12] appelle deux remarques :
on tient compte demblee de lhypothèse intrinsèque. Ainsi, non

seulement on sait que la covariance des accroissements existe, mais
on sait aussi quelle est invariante par translation dans lespace
g
eographique , ce qui implique que la fonction ij (h) ne depend
effectivement que de h (à i et j fixes) ;
on peut se demander si cette definition de ij (h) nest pas trop

restrictive, et sil naurait pas ete necessaire de recourir a` un outil
plus general comme la fonction
ij (x, a; y, b) =

1
Cov i (x; a) , j (y; b)
2
fonction qui, dans le cadre de lhypothèse intrinsèque, ne depend

que du vecteur (x y) et non de x et de y separement.
On rappelle que dans le cas monovariable, il nest pas necessaire
dintroduire la COvariance daccroissements, et que le variogramme,
bien que simple variance, permet de calculer toutes les COvariances
daccroissements quelles quelles soient. Mais la situation est toute
differente ici. Un developpement sans difficulte prouve en effet que
si, de facon evidente et independamment de x,
ij (h)
ij (x, h; x, h)
cest-à-dire si la fonction
ij permet de connatre la fonction ij ,
en revanche, la connaissance de ij nentrane pas celle de
ij .
Plus precisement, a` laide des fonctions ij (h), on peut seulement
exprimer des quantites de la forme 6
III
n
o
ij (x, a; y, b) + ji (x, a; y, b)
mais pas les
ij (x, a; y, b) consideres separement.
6
Lexplicitation est donnee en complement, en fin de chapitre.
[9] Introduction a
` la G
151
En resume, on sait davance que lon sera incapable dexprimer la

variance de toutes les CLA en termes de variogrammes croises, sauf dans
des circonstances très particulières. Cest dire que la fonction ij (h) est
a priori inadequate pour entreprendre des estimations multivariables en
toute generalite.
2.4. Liens entre covariances et variogrammes crois

es
En fait, ce caractère limitatif des variogrammes croises se manifeste dans
leur definition meme. Il est clair en effet que, par construction, ij (h)
est une fonction paire, qui de ce fait ne voit pas les Decalages entre
variables. Cest donc un outil dinvestigation limite par comparaison aux
covariances croisees (lorsque celles-ci existent, naturellement).
Cette particularite peut etre precisee dans le cadre stationnaire
dordre 2. Il existe alors un jeu de covariances croisees, et a fortiori de
variogrammes croises, et on etablit immediatement grace aux definitions
[10] et [12] :
ij (h)
Kij (0)
Kij (h) + Kij (h)

2
Ainsi, le variogramme croise ne voit que la composante paire des

Covariances Croisees. On en conclut que le variogramme croise ne sera
un outil operatoire que dans le cas particulier de variables ne presentant
pas de Decalages entre elles.
JJJ
Pourtant, en depit de sa moins grande finesse explicative, le

Variogramme Croise est beaucoup plus contraignant que la Covariance
Croisee dans la pratique de lAnalyse Variographique. En effet, la
construction dune fonction experimentale ij (h) par une moyenne
spatiale de produits de la forme

z(x + h, i) z(x, i) . z(x + h, j) z(x, j)
exige de connatre simultanement les deux variables zi et zj aux

deux points x et x + h , ce qui constitue une contrainte très forte
sur lechantillonnage. Notons en revanche quune telle exigence ne se
presente pas pour le calcul dune covariance croisee. En bref, avec le
variogramme croise, on perd sur tous les tableaux 7 .
Pour pallier cette importante difficulte, effectivement bien connue des
praticiens, certains auteurs ont voulu introduire une notion hybride de
pseudo-variogramme crois
e ij (h), defini par
ij (h) =
1
Var [Z(x + h, i) Z(x, j)]
2
Dun point de vue mathematique, il sagit bien de la demi-variance dun

accroissement quelconque sur lespace produit Rn D, et il est donc
naturel que cette fonction permette de calculer toutes les covariances
croisees, lorsquelles existent : on retrouve tout simplement le resultat
bien connu du cas monovariable. Cependant, au niveau physique, il
est presque inutile de souligner les risques dincoherence dune telle
definition, meme si les variables i et j sont de meme nature.
Cest vers une fonction de type
ij (x, a; y, b) quil faudrait sorienter
pour sauver lefficacite des outils du modèle intrinsèque tout en
gardant un sens physique aux operations numeriques. Mais avant meme
7
Cit
e dans Wackernagel,
1992, p49.
Voir discussion en fin de chapitre.
De fait, nous nous

retrouvons dans le cas
monovariable, seul a
chang
e lespace de travail.
M
eme dans le cas
isotopique, le calcul
exp
erimental de telles
fonctions est tr`
es d
elicat.
152
Aide-M
emoire de g
eostatistique lin
eaire :
denvisager les difficultes de modelisation dune telle fonction, ce sont

les contraintes sur lechantillonnage, pires encore que dans le cas du
variogramme croise, qui ne laissent aucun espoir en general de pouvoir
effectuer une Variographie realiste.
Cest pourquoi, sauf indication contraire, nous nous restreindrons dans
la suite de ce chapitre au cadre FASt-2, afin deviter denvisager au plan
theorique des situations que lon na pour ainsi dire aucune chance de
rencontrer dans le cadre dune etude pratique realiste. Cette hypothèse
de stationnarite dordre 2 pourra dailleurs aussi bien concerner le modèle
Sous-Jacent, cest-à-dire que nous examinerons aussi le cas dun Krigeage
Universel multivariable ; lapproche multivariable en termes de FAI-k 8
ne sera en revanche pas abordee dans ce document.
3. Cokrigeage de FASt-2 desp

erances nulles
3.1. Construction du syst`
eme de cokrigeage simple
La demarche habituelle de construction du krigeage nest affectee en rien
par le passage au multivariable, et lon peut donc suivre les quatre etapes
qui caracterisent lestimation lineaire. Effectivement, Du point de vue
conceptuel, il napparat aucun element nouveau .
LAUO
Fasc. 5, p187.
On peut meme etre encore plus expeditif dans la construction de ce

premier cokrigeage : le point de vue explicite au paragraphe 1.4,
qui ramène un problème multivariable a` un problème monovariable
sur lespace produit R n D, nous enseigne que le système que
nous cherchons a` construire se transcrit instantanement du système
de Krigeage Simple en remplacant les sommations sur R n par des
sommations sur R n D, et la fonction de covariance par le jeu complet
des Covariances croisees.
Chapitre 6,
paragraphe 3.3.1.
Si on adopte comme convenu des ecritures en termes de mesures,

lestimateur de la variable i0 (o`
u i0 D ) au point x0 (o`
u x0 R n )
est de la forme generale
Paragraphe 1.4.
Z (x0 , i0 )
X Z
jD
j (dy) Z(y, j)
S
[13]
o`
u la mesure qui sera notee S , avec un indice S comme
pour la distinguer dautres solutions est caracterisee par
le système dequations
Naturellement, la mesure
solution des
equations
est fonction de la
variable cible et du
point g
eographique cible.
simple ,
X Z
j
Sj
S (dy) Kij (x, y)

(x, i) S
Kii0 (x, x0 )
[14]
Lestimateur de
Cokrigeage
ZS (x0 , i0 )
Simple est donc donne par
X Z
jD
S (dy) Z(y, j)
S
et la variance de cokrigeage correspondante est
S2 (x0 , i0 )
Ki
0 0
(x0 , x0 )
X Z
jD
8
S (dy) Kji (y, x0 )

0
Voir [Matheron, 1982] : bien que consacree au modèle particulier de lAnalyse

Krigeante, cette note constitue une reference pour une première approche du
multivariable en termes de FAI-k.
[9] Introduction a
` la G
153
Remarques sur les notations :
lensemble S des donnees est defini par la formule [4] ;

lorsquil ny aura pas de risque dambigute, on sabstiendra
Paragraphe 1.4.
desormais de preciser les domaines de sommations, etant bien

entendu que les indices i, j, . . . parcourent lespace D qui designe
les variables, et que les integrales sont effectuees dans lespace
g
eographique R n .
Naturellement, dans la pratique, il ne sagira jamais dintegrales,

mais de sommes sur un nombre fini de points de donnees. Ainsi,
dans la pratique, le Cokrigeage simple sobtient en resolvant un
système de N equations a` N inconnues, N etant le cardinal de
lensemble S ;
classiquement, pour ne pas alourdir les notations, on ne precise pas

dans les ecritures que la mesure solution j (dy) depend evidemment
de la variable i0 a` estimer, et du point x0 o`
u lon demande cette
estimation.
3.2. Propri
et
es du syst`
eme
De facon generale, les proprietes du système de Cokrigeage simple
ne representent rien de nouveau au plan theorique : le point de
vue multivariable = monovariable sur un espace produit permet
de transposer sans difficulte les resultats acquis dans les chapitres
precedents. Mais comme les notations sont parfois un peu embrouillees,
on profite de la grande simplicite du modèle FASt-2 desperances
nulles pour recapituler une fois pour toutes ces proprietes qui nous
accompagneront dans tous les modèles ulterieurs, a` des modifications de
detail près qui seules seront alors mentionnees au coup par coup.
3.2.1. Structure du syst`

eme
Au niveau pratique, lors de la constitution dun système de Cokrigeage, il
est dusage de classer les donnees par variables. Ainsi, la matrice globale
qui synthetiquement pourrait secrire comme dans le cas monovariable
( K )
o`
u les indices , , . . . designent des elements (x, i) de S est en
general presentee sous la forme :
K11 (1 ,1 ) K12 (1 ,2 ) K1d (1 ,d )
K21 (2 ,1 ) K22 (2 ,2 ) K2d (2 ,d )
..
..
..
.
.
.
Kd1 (d ,1 ) Kd2 (d ,2 ) Kdd (d ,d )
(Dans cette presentation, lecriture (i , j ) designe la paire de points

de donnees courants, respectivement dans Si et Sj .)
Paragraphe 1.4.
3.2.2. Conditions de r
egularit
e
Dans le cas particulier du cokrigeage en FASt-2 desperances nulles,
labsence de Fonctions de Base dans le système rend la condition de
regularite peu instructive. Il faut et il suffit, en effet, que la matrice de
covariances K soit de type positif strict.
Mais, meme si cela est probablement très dangereux au plan pratique,
rien ninterdit theoriquement denvisager quil ny ait aucune donnee
relative a` la variable a` estimer. Autrement dit, avec les notations
adoptees pour construire le système, on pourrait supposer que Si est
0
vide sans pour autant que cela implique necessairement la singularite
Cette matrice est

trivialement sym
etrique,
y compris dans
le cas complexe.
Paragraphe 3.1.
154
Aide-M
emoire de g
eostatistique lin
eaire :
` titre dexemple, il suffit pour sen convaincre de poser les

du système. A
equations de lestimation
` titre de tr`
A
es
facile exercice.
Z (x0 , i0 )
j (dy) Z(y, j)
S
sans sommation sur j , mais en supposant j 6= i0 : aucune contradiction

napparat a priori . . .
On se trouve clairement ici au-delà du Seuil de Realisme 9 . Une fois de
plus, on est confronte a` une dialectique desormais classique : un modèle
trop contraignant comme lest le modèle multi-stationnaire desperances
nulles ouvre la porte a` des developpements qui sont acceptables
au niveau strictement mathematique, mais qui semblent imprudents
lorsquils sont appliques dans un cas reel encore quici après tout,
une telle estimation sans donnees sur la variable dinteret nest jamais
quune regression lineaire comme on en rencontre souvent. . . En tout
cas, a` levidence, le cadre multivariable requiert un sens critique accru
quant a` la confiance que lon peut accorder aux modèles mis en uvre.
Lexperience montre de fait que la pratique du multivariable peut se
reveler plus delicate, et meme beaucoup plus delicate, que celle de la
geostatistique monovariable.
3.2.3. S
eparation des variables
Dans le cas particulier o`
u les differentes variables sont independantes,
les Covariances Croisees sont toutes identiquement nulles, et la matrice
de Cokrigeage se simplifie en
K22 (2 ,2 )
K11 (1 ,1 )
0
..
.
..
.
..
.
Kdd (d ,d )
Il y a s
eparation des variables, et il est immediat de voir que pour
construire Z (x0 , i0 ), il suffit de realiser un Krigeage Simple
(monovariable) sur la variable i0 , les donnees relatives aux autres
variables etant affectees dun poids nul. Ce resultat est naturellement
parfaitement intuitif, une variable non correlee avec la variable dinteret
ne pouvant apporter aucune information. Incidemment, cette Separation
des Variables ninterdit pourtant pas de realiser lestimation meme
si aucune donnee nest disponible sur la variable dinteret : mais
lestimateur optimal sera alors egal a` 0. . . situation mathematiquement
acceptable certes, mais bien peu realiste 10 .
Toujours cette propri

et
e,
propre au mod`
ele FASt-2
sans d
erive.
Mais au-delà de la situation simpliste causee par lindependance

des variables, cet exemple montre quen certaines circonstances, le
système de Cokrigeage peut autoriser des simplifications notables. En
loccurrence, cest dabord la taille du système qui est en cause, donc
le temps calcul requis. Aussi dans la pratique, on cherchera autant
9
De facon plus nuancee, cela depend de la confiance que lon peut accorder a`
la determination des moyennes (mais cest un problème general du KS) et a` la
correlation entre variables . [Note dun relecteur].
10
Nouvelle affirmation a` nuancer, ou au moins a` preciser : en labsence de donnees

locales et dinformation apportee par dautres variables, on ne peut rien produire
dautre que la valeur moyenne a priori : reste a` savoir quelle confiance lui
accorder . [Note dun relecteur].
[9] Introduction a
` la G
que faire se peut a` se placer dans des conditions permettant de telles

simplifications. Ce point sera examine dans un paragraphe suivant,
toujours dans le cadre FASt-2 sans derive pour eviter les surcharges
de notations.
155
Paragraphe 5.
3.2.4. Le cokrigeage, interpolateur exact

On supposera naturellement toujours par la suite que le système de
Cokrigeage est regulier. Alors, classiquement, la propriete dinterpolation
exacte du Cokrigeage se demontre par verification. Il est immediat que
si lon cherche a` estimer une variable en un point o`
u elle est connue, non
seulement les valeurs de donnees de cette variable en tous les autres
points seront affectees dun poids nul, mais il en sera de meme des
donnees de toutes les autres variables, meme au point a` estimer.
Nous ne reviendrons plus sur cette propriete, qui subsistera de facon
presque evidente dans le cas du Cokrigeage Universel.
3.2.5. Superposition des figures de cokrigeage

De nouveau, ce resultat se verifie immediatement, par linearite des
equations ; et cette verification constitue une demonstration si le système
est suppose regulier.
Symboliquement, x,
(A + B)Cok (x)
(A)Cok (x) + (B)Cok (x)
Cest essentiellement cette propriete de coherence entre variables qui

dans la pratique justifie le recours a` une technique qui, il faut bien
en convenir, est souvent lourde et de manipulation delicate. Aussi
longtemps naturellement que les variables manipulees sont reliees par
des operations lineaires, on est assure par le formalisme du Cokrigeage
de retrouver au niveau des estimateurs les liens existant au niveau
des variables physiques ce qui constitue le principal atout et la
justification de cette approche.
3.2.6. Relation dorthogonalit

e
Le parti-pris de considerer le cas multivariable comme du monovariable
sur lespace Rn D nous garantit a priori lexistence dune propri
et
e
dorthogonalit
e : de fait, on verifie immediatement que les equations
[14] secrivent, (x, i) S ,
Cov ZS (x0 , i0 ) Z(x0 , i0 ) , Z(x, i)
Par suite, par linearite de la covariance, lerreur de Cokrigeage

Simple est orthogonale a` toute combinaison lineaire des donnees.
ements de r
3.3. El
eflexion g
en
erale sur le cokrigeage
Bien que nous ne soyons encore actuellement que dans le cadre le plus
restrictif des FASt-2 sans derive, il est bon dindiquer dès a` present
quelques remarques qui ne feront que prendre plus dacuite a` mesure
que les hypothèses de travail seront moins exigeantes donc que les
modèles seront plus generaux.
Ainsi, il a dejà ete mentionne que plus que le Krigeage monovariable,
le Cokrigeage risquait de se heurter au Seuil de Realisme. Dans la
mesure meme o`
u le modèle structural est considerablement enrichi
Chapitre 7,
paragraphe 2.4.4.
156
Aide-M
emoire de g
eostatistique lin
eaire :
par la combinatoire des variables, linference statistique ou plutot,

pour respecter la terminologie de Estimer et Choisir , la
Reconstruction Operatoire peut se derouler dans des conditions
extremement delicates. Que lon imagine quelques variables seulement,
presentant deux ou trois structures (gigognes) imbriquees et quelques
coefficients danisotropie, et ce sont dejà plusieurs dizaines au moins de
variogrammes experimentaux quil faut calculer dabord, puis modeliser
dans un ensemble coherent. Et sil est possible, comme cela semble
preferable, de travailler sur des Covariances Croisees, il faut prevoir
le diagnostic, puis la modelisation deventuels Decalages. . . Demblee,
le Cokrigeage est gourmand en donnees, et la richesse meme de la
combinatoire des paramètres laisse presager de grandes instabilites dans
le calage numerique du modèle.
Lexperience montre aussi que les variogrammes croises experimentaux
sont souvent numeriquement plus instables que les variogrammes
monovariables. Noublions pas non plus les difficultes inherentes aux
jeux de donnees heterotopiques. Enfin, les modèles traditionnellement
utilises pour representer des coregionalisations sont probablement trop
limitatifs, et il est vraisemblable quune recherche est encore necessaire
pour enrichir theoriquement la phase de modelisation.
Pourtant, quelque fruste ou instable que soit le modèle, il conclura
toujours que lajout de variables (toutes choses egales par ailleurs)
ameliore lestimation. Et cela est comprehensible : en rajoutant de
linformation, nous ne pouvons quobtenir de meilleurs resultats
selon le diagnostic du modèle en tout cas, cest-à-dire en termes de
variance theorique de krigeage. Rien dans le processus de Variographie
dabord, dans le choix de la Configuration de Krigeage ensuite, ne met
le praticien en garde contre les risques encourus en se fiant aveuglement
aux jugements que le modèle porte sur lui-meme. Ce genre de difficultes
avait dejà ete rencontre, et ne devrait plus nous surprendre : le modèle
I I I multivariable presente un important caractère auto-justifiant.
La reponse a` ce genre de difficulte relève du domaine de la pratique et de
lexperience. Dans un cadre aussi mouvant que le multivariable, il faut
savoir revenir chaque fois que possible aux donnees physiques, et garder
le controle permanent du modèle : en amont, critique soigneuse des
donnees ; en aval, validation des resultats ; et a` chaque etape, application
du Principe dEconomie.
Savoir renoncer a` une information dont on ne
saurait pas faire un usage raisonnable, peut se reveler beaucoup plus
sage et plus efficace que jongler avec des notions mal matrisees ou mal
adaptees a` la situation concrète.
Chapitre 3,
paragraphe 3.3.
Terminologie un peu
provocante, emprunt
ee a
`
la physique contemporaine.
Une autre remarque generale peut etre faite au sujet du Cokrigeage,

qui elargit une ancienne observation sur les limites de la Geostatistique
Lineaire. Dans le système de Cokrigeage, les differentes variables jouent
des roles symetriques. Naturellement, on devine que les poids de
Cokrigeage privilegieront les donnees relatives a` la variable que lon
estime ; mais cette rupture de symetrie semble venir un peu tard : en
somme, elle procède du meme mecanisme qui en Krigeage monovariable
fait preferer les donnees proches du point a` estimer (cest-à-dire leur
accorde un poids plus important). Mais bien souvent, dans les problèmes
reels, la dissymetrie a un caractère beaucoup plus fondamental : on
distingue par exemple une variable dinteret et des variables
explicatives , et il semblerait souvent essentiel de faire comprendre au
modèle cette hierarchie de linformation ce que le Cokrigeage ne sait
pas faire par lui-meme.
Une autre dissymetrie, dailleurs souvent liee a` la precedente, concerne
lechantillonnage. Que lon pense par exemple a` la prospection petrolière
(quelques donnees aux puits, des milliers de donnees geophysiques), aux
gisements duranium (parfois moins de 10% des sondages sont analyses,
[9] Introduction a
` la G
157
le reste consistant seulement en donnees de radioactivite), etc. On peut

deviner que presque toute la qualite dune etude multivariable tiendra a`
lelaboration des Configurations de Krigeage, etape decisive mais presque
` lui seul, le modèle en loccurrence du
exclusivement empirique. A
Cokrigeage est incompetent pour juger de la pertinence de nos choix.
Cest pourquoi il ne faut pas hesiter, lorsquune etude demande une
reflexion approfondie, a` mettre en parallèle les avantages et inconvenients
de differentes methodes.
Dans cette optique, il est legitime de considerer que le Krigeage
Universel, et plus encore le modèle dejà evoque de Derive Aleatoire,
constituent des reponses possibles a` des problèmes bivariables, et donc
deux alternatives au Cokrigeage. Nous en proposerons une autre dans
la suite de ce chapitre. Mais il nest pas question de donner ici une
recette , et de d
esigner le bon choix . Bien au contraire, il
faut rappeler que les choix methodologiques demeurent de la seule
responsabilite du Geostatisticien : il ny a pas de choix juste ou faux,
mais seulement et en general le diagnostic ne vient quaprès coup
des choix judicieux ou non, efficaces ou non, opportuns ou non, que
jamais le modèle ne pourra faire a` notre place : tout au plus pourra-t-il
parfois nous aider, et encore, pas toujours loyalement !
Il netait sans doute pas inutile que ces vues generales, bien s
ur inspirees
de Estimer et Choisir , soient rappelees lors dune introduction
a` la Geostatistique Multivariable, domaine propice aux pièges contre
lesquels nous met en garde G.Matheron.
Une dernière remarque pour conclure, mais une remarque quil ne
faudrait surtout pas prendre trop a` la lettre, et encore moins comme
le contre-pied des reflexions generales qui precèdent.
Lorsque les donnees disponibles pour une etude multivariable sont assez
proches du cas isotopique 11 , il semble raisonnable de penser que la prise
en compte dune variable supplementaire presentera peu davantages
dans deux cas :
si cette variable est sans correlation significative avec la variable

dinteret puisqualors elle napportera aucune information ;
si cette variable est en très forte correlation lineaire (positive ou

negative, dailleurs) avec la variable dinteret puisque cette fois
il y aura redondance dinformation.
Notons dailleurs que le modèle reagira très differemment selon les
cas : dans la première situation, on aura sans doute apparition de
ponderateurs très faibles, quil aurait mieux valu ne pas perdre de temps
a` calculer ce qui est un inconvenient somme toute benin ; dans la
seconde, on risque dobtenir des systèmes mal conditionnes, et donc des
grandes instabilites numeriques ce qui est beaucoup plus dangereux.
Quoiquil en soit, sil fallait donner une idee très vague, et sans
doute riche en contre-exemples, dune strategie multivariable , on
pourrait penser que le Cokrigeage saccommode assez bien de situations
o`
u les variables se presentent sur un pied degalite , tant au
niveau couplage statistique quen ce qui concerne lechantillonnage. Au
contraire, les situations fortement hierarchisees (variables preeminentes,
grandes heterogeneites des echantillonnages) devraient inciter a` chercher
des methodes plus ciblees .
Compte-tenu de la très grande variete de ces modèles specifiques que lon
peut proposer dans le cadre multivariable, nous ne pourrons ici quen
11
Une fois de plus, on donne volontairement a` cet enonce une formulation intuitive.
Plus encore que dans la Geostatistique monovariable, le doigte (pour ne pas dire le
flair ) du praticien est ici d
ecisif, plus sans doute que ne le serait une definition
rigoureuse de ce que peut etre la proximite de lIsotopie.
Chapitre 7,
7.
paragraphe 4.3.
Une r
ep
etition, certes,
une fois de plus ; mais
probablement utile ! (cf.
Chapitre 1, paragraphe 1.)
158
Aide-M
emoire de g
eostatistique lin
eaire :
presenter quelques exemples particuliers, a` titre de simples illustrations.

Au prealable, le modèle FASt-2 desperances nulles etant trop
restrictif, nous allons proposer un elargissement des hypothèses, afin de
developper maintenant le Cokrigeage dans son cadre le plus general.
4. Le cokrigeage universel
4.1. Dernier retour sur le mod`
ele intrins`
eque
Paragraphe 2.3.2.4.
Les commentaires precedents sur les proprietes du Variogramme Croise

ont montre que ce nest que dans le cas très favorable de variables
sans Decalages quil est possible en toute generalite de calculer la
variance dune CLA quelconque, donc en consequence de realiser
un Cokrigeage. Encore cette situation est-elle tout-à-fait paradoxale,
puisque le Variogramme Croise nest pas en mesure de diagnostiquer
par lui-meme labsence de Decalages 12 .
Cela dit, si lon admet que ce diagnostic a bien eu lieu, il est possible
de developper des calculs de variances multivariables en hypothèse
intrinsèque, par application de la Règle de Substitution dont on
peut aisement sassurer quelle demeure valable. La nouveaute tient
a` la presence de conditions dautorisation, qui exigent que lerreur
destimation
Z (x0 , i0 ) Z(x0 , i0 )
X Z
jD
Paragraphe 1.4.
i0 (dy)
j (dy)
Si 0
Les fonctions
de base sont en
loccurrence les constantes.
Sj
soit une combinaison lineaire daccroissements pour chacune des

variables j . La notation [3] est ici plus parlante et, pour lestimation
de la variable i0 au point x0 , on obtient le jeu de contraintes :
Cette dialectique est

typiquement celle
qui a
et
e rencontr
ee
en G
eostatistique
Intrins`
eque, chapitre 8.
j (dy) Z(y, j) Z(x0 , i0 )
(j 6= i0 )
Sj
Il est clair que la première de ces conditions ne peut etre satisfaite si

le domaine Si0 est vide, cest-à-dire si lon ne dispose daucune donnee
relative a` la variable a` estimer. Cest une nouveaute par rapport au
modèle FASt-2 desperances nulles, et qui procède dune dialectique
maintenant bien connue : lorsquon generalise un modèle structural (ce
qui est le cas lorsquon passe du modèle FASt-2 desperances nulles au
modèle FAI), on introduit de nouvelles contraintes sur la classe des objets
auxquels ce modèle peut etre applique.
Dun point de vue plus algebrique, on peut aussi considerer ces
conditions comme une manifestation particulière de la condition
dIndependance Lineaire des Fonctions de Base sur les donnees, requise
pour garantir la regularite du système. Dautres expressions moins
simplistes de cette condition seront rencontrees ulterieurement.
Pour conclure, on notera que lapparition de la condition Si0 6=
va dans le sens dun plus grand realisme dans la mise en uvre de
lestimation. Toutefois, sauf cas exceptionnel, les inconvenients du travail
12
Voir discussion en fin de chapitre.
[9] Introduction a
` la G
159
en Variogrammes Croises apparaissent redhibitoires 13 , et le modèle

intrinsèque multivariable ne sera plus evoque dans la suite du chapitre.
4.2. Les
equations du cokrigeage universel
On se place donc desormais definitivement dans le cadre dun modèle
Sous-Jacent stationnaire dordre 2.
4.2.1. Description de la d
erive
Il ne serait pas difficile, sinon peut-etre au niveau des notations,
de construire le système de cokrigeage en presence de Derives
(eventuellement de degres differents) pour un modèle Sous-Jacent
stationnaire dordre 2, en decrivant separement chacune des Derives
mi (x) par un developpement ad hoc (on adopterait donc le point de
vue de la formule [5]). Cest du reste ce que lon fait en pratique lorsquil
sagit de traiter un problème particulier : il nest pas rare alors que
lon puisse introduire des simplifications decriture, ce qui nest pas
negligeable pour la lisibilite des calculs et des resultats.
Paragraphe 1.4.
Cest aussi le point
de vue d
evelopp
e
au paragraphe 5,
pour introduire la
corr
elation intrins`
eque.
Cependant, en toute generalite, le plus simple est de se laisser une

nouvelle fois guider par le point de vue multivariable sur Rn =
monovariable sur lespace S = R n D , et de se borner a` transcrire
les ecritures desormais classiques du Krigeage Universel. On suppose
donc que la FA Z peut se decomposer sous la forme
Z(x, i)
Y (x, i) + m(x, i) (x, i) Rn D
[15]
o`
u Y (x, i) est une FASt-2 desperance nulle et de covariance Kij , et
m(x, i) admet le developpement [7] :
m(x, i)
al f l (x, i)
Paragraphe 1.4.
[7]
Le seul point constituant une nouveaute est la description de la derive :

afin de beneficier au maximum du formalisme monovariable, on considère
en effet quil ny a quune seule derive. On choisit donc une famille
de Fonctions de Base definies sur S , cest-à-dire de la forme f l (x, i).
Ainsi, dans le developpement [7], la famille des coefficients (inconnus) al
depend dun seul indice, et en particulier nest pas indexee sur lespace D
des variables. Ce dispositif, qui peut paratre deroutant, est au contraire
dune grande souplesse : que les derives des differentes variables soient
algebriquement independantes ou quelles soient liees, un formalisme
unique permet decrire les equations du Cokrigeage Universel. Les
seules differences tiendront au choix de ces fonctions de base, mais cela
naffectera en rien la demarche ulterieure de construction du système.
Pour illustrer ces propos sans doute un peu abstraits, nous pouvons
presenter un exemple simple : le cas de deux variables considerees dans
un espace geographique a` 1 dimension. On a donc ici
R1 {1, 2}
et on se propose dexaminer quelques situations assez courantes :
cas où les deux derives m(x, 1) et m(x, 2) sont algebriquement

independantes. Supposons ainsi que m(x, 1) soit de degre k1 , et
13
Propos volontairement excessif, mais la mise en garde est s

urement justifiee. Dans
la pratique, la plus grande robustesse du variogramme croise lui conserve des
atouts par rapport a` lutilisation des covariances, mais cet aspect de la pratique
du multivariable ne sera pas examine ici.
JJJ
Comme exemple de lien

entre d
erives, on pourrait
par exemple imaginer que
la d
erive dune variable
soit la d
eriv
ee de la d
erive
dune autre, ou encore
que deux variables aient
leur d
erive en commun
...
160
Aide-M
emoire de g
eostatistique lin
eaire :
m(x, 2) de degre k2 . Alors, la famille des fonctions de base contient

k1 + k2 + 2 elements, definis par exemple ainsi (x R) :
f 0 (x, 1) = 1
f 0 (x, 2) = 0
f 1 (x, 1) = x
f 1 (x, 2) = 0
..
.
..
.
f k1 (x, 1) = xk1
f k1 (x, 2) = 0
f k1 +1 (x, 1) = 0
f k1 +1 (x, 2) = 1
f k1 +2 (x, 1) = 0
f k1 +2 (x, 2) = x
..
.
..
.
f k1 +k2 +1 (x, 1) = 0
f k1 +k2 +1 (x, 2) = xk2
cas où les deux derives m(x, 1) et m(x, 2) sont egales, de degre k .
Cette fois, on pourra prendre la famille
f 0 (x, 1) = 1
f 0 (x, 2) = 1
f 1 (x, 1) = x
f 1 (x, 2) = x
..
.
..
.
f k (x, 1) = xk
f k (x, 2) = xk
enfin, on pourrait imaginer par exemple que la derive m(x, 2) soit

la derivee de m(x, 1). En supposant m(x, 1) de degre k , la relation
m(x, 2)
d
m(x, 1)
dx
sera prise en compte par la famille
f 0 (x, 1) = 1
f 0 (x, 2) = 0
f 1 (x, 1) = x
f 1 (x, 2) = 1
f 2 (x, 1) = x2
f 2 (x, 2) = 2x
..
.
..
.
f k (x, 1) = xk
f k (x, 2) = k xk1
On peut bien s
ur envisager des couplages encore plus exotiques.
Mais le formalisme adopte rend inutiles des developpements particuliers,
et lexpression de la Derive sous la forme [7] permet de decrire toutes
les situations, pourvu naturellement quen pratique la famille f l ait ete
choisie judicieusement.
I I I Par commodite, on designera dans la suite par k le nombre de Fonctions

de Base, etant bien entendu, a` la lumière des exemples precedents, que
ce nombre ne sidentifie pas au degre de la derive. . .
4.2.2. Construction du syst`

eme
LAUO
Chapitre 7,
paragraphe 3.3.
Avec les choix de notations qui ont ete faits, il est inutile de developper
les quatre etapes de construction du système : on sait par avance que le
resultat se transcrit exactement du système de Krigeage Universel, soit :
Z (x0 , i0 )
X Z
jD
U (dy) Z(y, j)
S
[16]
[9] Introduction a
` la G
161
o`
u la mesure U est caracterisee par le système dequations
((x, i) S , l {1, 2, , k})
X Z
X
j
U s f s (x, i)
(dy)
K
(x,
y)
+
ij
U
jD Sj
s
Z
X
U (dy) f l (y, j)
jD
Kii (x, x0 )
f l (x0 , i0 )
Sj
[17]
le nombre de multiplicateurs de Lagrange etant egal au nombre k

de fonctions de base. Quant a` la variance de cokrigeage, elle secrit
2
U (x0 , i0 )
Ki0 i0 (x0 , x0 )
X Z
jD
U (dy) Kji0 (y, x0 )

S
U s f s (x0 , i0 )
[18]
Si lon autorise lensemble des variables a` se reduire a` un seul element,
et lensemble des fonctions de base a` etre vide, les deux expressions [17]
et [18] resument la totalite des krigeages que nous avons rencontres dans
le present document. . .
Une affirmation certes

parfaitement exacte, mais
purement acad
emique
voire esth
etisante, et
qui naide en rien a
`
lapproche pratique !
4.3. Compl
ements sur le cokrigeage universel
4.3.1. Propri
et
es alg
ebriques du cokrigeage universel
Le système de Cokrigeage etant classiquement suppose regulier 14 , les
proprietes qui en decoulent sont immediates :
on observe la superposition des figures de (co)krigeage. On rappelle

que cette propriete essentielle est une des principales raisons de
recourir a` un Cokrigeage ;
le Cokrigeage est un interpolateur exact ;

lerreur de Cokrigeage est orthogonale a` toute combinaison lineaire
des donnees qui filtre les Fonctions de Base sur les donnees.
Autrement dit, si une mesure verifie
l {1, 2, , k} :
XZ
j
j (dy) f l (y, j)
[19]
Sj
lerreur de Cokrigeage
est orthogonale a` la combinaison lineaire
Z
dintegrales
X
j
j (dy) Z(y, j), ce qui secrit :
Sj
Cov Z(x0 , i0 ) Z (x0 , i0 ) ,

14
XZ
j
Sj
j (dy) Z(y, j)
Le grand nombre de cas de figure envisageables par exemple de couplages entre

les derives entrane naturellement une multiplication des risques de produire un
système singulier. La notion de configuration degeneree devient dune grande
variete. . . Dans la pratique, le plus sage est sans doute dexaminer les situations
au cas par cas.
Comme toujours, ces

propri
et
es se v
erifient
instantan
ement, et
cette v
erification vaut
d
emonstration lorsque
le syst`
eme est r
egulier.
162
Aide-M
emoire de g
eostatistique lin
eaire :
4.3.2. R
egularit
e du syst`
eme
Annexe 5.
On verifiera sans difficulte que la demonstration proposee dans le cadre

des FAI-k se transpose dans le cas du Cokrigeage Universel a` modèle
Sous-Jacent stationnaire dordre 2.
La seule difference tient a` la signification de conditions qui, par ailleurs,
ont exactement la meme structure. En effet, le modèle Sous-Jacent
etant ici, par hypothèse, stationnaire dordre 2, toutes les combinaisons
lineaires sont autorisees. Aussi, par conditionnel , il faut comprendre
ici : concernant des mesures qui filtrent les k fonctions de base . La
notion de filtrage se substitue a` la notion d autorisation .
Ainsi, dire que la matrice des covariances (croisees) qui apparat dans
le système de Cokrigeage doit etre positive conditionnelle stricte
signifie que, pour toute mesure satisfaisant aux contraintes [19]
l {1, 2, , k} :
XZ
j
j (dy) f l (y, j)
[19]
Sj
on a limplication :
XZ
Paragraphe 4.2.1.
i,j
Si
i (dx) Kij (x, y) j (dy) = 0

Sj
{ = 0}
Rappelons, a` la lumière des trois exemples proposes precedemment, que

la structure de la famille f l des fonctions de base peut etre assez variee,
et quil en sera par suite de meme des conditions [19]. Cette variete
se repercutera egalement sur lexplicitation de la seconde condition
necessaire de regularite du système, a` savoir lIndependance Lineaire
des Fonctions de Base sur les Donnees.
Mais fondamentalement, le resultat est exactement le meme quen
monovariable : le système de Cokrigeage est regulier si et seulement
sont satisfaites simultanement les deux conditions :
matrice de covariance positive conditionnelle stricte sur les donnees ;
fonctions de base lineairement independantes sur les donnees.
4.3.3. Coestimation optimale des coefficients de la d

erive
Paragraphe 1.4.
La convention [7] choisie pour representer la Derive nest peut-etre pas la

plus naturelle dans certains cas particuliers, par exemple lorsque toutes
les fonctions mi (x) definies par [5] peuvent se developper selon une
famille de fonctions de base commune.
Toutefois, dun point de vue theorique, le choix de ne considerer quun
seul developpement
m(x, i)
al f l (x, i)
Le point important dans

cette optique, cest quil
ny a quune seule D
erive.
est extremement commode, puisquil permet de reduire la question de la

coestimation des coefficients de la Derive a` une estimation classique, telle
quelle a ete developpee lors de la presentation du Krigeage Universel.
Ainsi,
Al
X Z
jD
l (dy) Z(y, j)
S
o`
u l (dy) est solution du système
X Z
X
j
l (dy) Kij (x, y) +

ls f s (x, i)
jD Sj
s
Z
X
l (dy) f s (y, j)
jD
Sj
ls
[20]
[9] Introduction a
` la G
163
(equations satisfaites (x, i) S , s {1, 2, , k}).

Avec ces notations, on retrouve classiquement :
Cov At , Al
= tl
Ces resultats sont valables quel que puisse etre le couplage eventuel
(ou au contraire lindependance algebrique) entre les derives de chacune
des variables.
4.3.4. Pr
esentation duale du cokrigeage universel
Enfin, grace a` la modelisation [7] adoptee pour la Derive, on etablit
immediatement pour la forme duale du Cokrigeage Universel une
expression du type
z (x0 , i0 )
X Z
jD
j (dy) Kji (y, x0 ) +

0
Simple transcription
des
ecritures du
cas monovariable,
etablies en annexe 3.
as f s (x0 , i0 )
en adoptant ici encore une notation par des mesures. Cette expression
est valable (x0 , i0 ) S , les mesures et les coefficients a etant
solutions du sytème ((x, i) S , l {1, 2, , k})
X Z
X
j
as f s (x, i)
(dy)
K
(x,
y)
+
ij
jD Sj
s
X Z
j (dy) f l (y, j)
jD
z(x, i)
Sj
[21]
5. Recherche de simplification du cokrigeage universel

eme et hypoth`
eses simplificatrices
Outre la difficulte de definir une strategie claire de construction des
voisinages, le Cokrigeage est de toute facon a priori plus lourd quune
estimation monovariable. Rappelons que le nombre dinconnues des
differents sytèmes rencontres ([17], [20] ou [21]) est
{Card(S) + k}
un nombre qui peut très vite devenir excessif. Cest pourquoi il est
judicieux de chercher a` simplifier les calculs, soit en sautorisant
des simplifications au niveau du modèle, soit en recourant a` des
manipulations algorithmiques qui faciliteront les calculs.
On examinera ici a` titre dexemple un cas particulièrement favorable :
on suppose que toutes les variables sont connues sur

le meme ensemble (Isotopie) ;
et simultanement
on suppose que les derives de chacune des variables

sexpriment toutes a` laide des memes Fonctions de
Base et sont algebriquement independantes.
Cet exemple est tir

e
dun exercice classique :
fasc. 5, pp207-208.
164
Aide-M
emoire de g
eostatistique lin
eaire :
Paragraphe 3.2.3.
Fasc. 5, p207-208.
Paragraphe 1.4.
Par rapport a` une approche monovariable, le cokrigeage conduit donc ici

a` multiplier le nombre dequations par d, d etant le nombre de variables.
On a dejà vu quen labsence de Derives (Cokrigeage simple ),
lindependance des Fonctions Aleatoires Zi entrane la s
eparation des
variables au niveau de lestimation, cest-à-dire que le Cokrigeage se
simplifie en d Krigeages monovariables. Dans le cadre des hypothèses
actuelles, on cherche maintenant a` mettre en evidence une autre
condition suffisante de Separation des Variables, moins exigeante que
lindependance des Zi .
On suivra pour cela les etapes dun exercice classique, en en harmonisant
seulement les notations avec celles du present document. En loccurrence,
cest essentiellement lecriture de la Derive qui gagne ici a` etre adaptee,
et il sera commode dans ce cas particulier dadopter lexpression [5] et
de presenter le developpement de chaque Derive sous la forme :
mi (x)
ail f l (x)
[22]
Dans cette ecriture, le numero de la variable est considere comme un

indice des coefficients de la derive. Par ailleurs, comme par hypothèse
toutes les variables sont connues sur le meme domaine, on designera par
V Rn ce domaine commun.
5.2. Principal r
esultat
La suite de ce paragraphe nest rien dautre que la resolution de lexercice
dejà cite du Fascicule 5 , et lon a choisi den expliciter ci-après
tous les developpements de calcul. Mais les notations sont forcement
rebarbatives, et peuvent masquer le cheminement de la construction et
le sens des formules obtenues.
Annoncons donc dès a` present le principal resultat (on se place dans les
conditions definies au paragraphe precedent, isotopie et independance
algebrique des fonctions de base) :
si dune part on dispose dune famille de fonctions aleatoires Zu (y)
u D et si on designe par les ponderateurs du Cokrigeage
de cette famille
Zi (x0 )
X Z
uD
i (dy; x0 ) Zu (y)
si dautre part on definit une famille de FA transformees Zi (x) par

X u
Z (x)
Zi (x) =
B
u
i
uD
est une matrice regulière dinverse B , alors, les ponderateurs

o`
uB
du Cokrigeage de la famille transformee
X Z u
(dy; x ) Z (y)
Zi (x0 ) =
0
u
i
uD
se deduisent des par la relation
j (dy; x )
0
i
u B j v (dy; x )
B
0
i
v
u
u,v
o`
u i, j, u et v D. Des relations similaires peuvent etre
etablies pour les multiplicateurs de Lagrange, ainsi que pour les
ponderateurs destimation optimale de la derive.
Naturellement, comme la matrice B est essentiellement supposee
regulière, on dispose aussi de lexpression inverse, cest-à-dire les
.
en fonction des
[9] Introduction a
` la G
165
Linteret de ces règles de transformation resulte de la propriete

de Separation des Variables lorsque les FA sont mutuellement
independantes. Si en effet la famille initiale des Zi (y) peut sexprimer
(y) independantes, alors
comme combinaison lineaire regulière de FA Z
u
le cokrigeage des Z se reduit a` un jeu de krigeages monovariables sur
et dapplications des formules de transformation. Le benefice en
les Z
temps calcul peut etre considerable.
Paragraphe 3.2.3.
Les sous-paragraphes 5.3 a` 5.7 ci-après ne font que developper cette

demarche, en explicitant des calculs embrouilles mais sans difficulte,
qui en general ne figurent pas dans les documents de cours : ces
paragraphes peuvent donc etre sautes sans inconvenient en première
lecture. Le sous-paragraphe 5.8, qui detaille un cas de simplification
particulièrement spectaculaire (le cokrigeage se reduit a` un unique
krigeage monovariable), peut de meme etre lu rapidement.
5.3. Adaptation des notations : cokrigeage

On doit sattendre, dans le deroulement des calculs, a` manipuler
simultanement les estimations de plusieurs composantes. Il nous faut
donc explicitement mentionner, dans lecriture de la mesure solution
du Cokrigeage, lindice de la composante a` estimer precision en
general superflue dans les constructions usuelles.
u
On designera donc par lecriture plus detaillee i (dy; x0 ) le poids de la

composante u (en dy ) qui intervient dans le Cokrigeage de la composante
i au point x0 . On notera dailleurs quil netait pas indispensable ici de
faire figurer ce point x0 de lespace geographique ; on a cependant
souhaite proposer pour une fois la notation la plus complète (sinon
la plus lisible), etant bien entendu quil est raisonnable lorsquaucune
ambigute ne se presente dalleger au maximum des ecritures de toute
facon bien rebarbatives. . .
Rappelons que les

difficult
es de notations
sont r
eelles ! Il est
plaisant que la recherche
dune simplification du
cokrigeage commence par
une notable complication
des
ecritures
...
Il faut egalement indicer en i (et x0 ) les multiplicateurs de Lagrange.

Le Cokrigeage [17] se reecrit alors, (i D et x0 Rn ) ,
Zi (x0 )
X Z
uD
i (dy; x0 ) Zu (y)
V
avec
k
X Z u
X
(dy;
x
)
K
(x,
y)
+
s;ji (x0 ) f s (x)
0
ju
i
Kji (x, x0 )
f l (x0 ) ij
s=1
uD
i (dy; x0 ) f l (y)
[23]
etant entendu que
le symbole signifie legalite des fonctions en x0 , x0 Rn ;

les equations doptimalite sont verifiees (x, j) S ou plutot, pour
rester coherent avec le point de vue adopte dans ce paragraphe,
j D et x V ;
les equations duniversalite sont verifiees l {1, 2, , k} et

j D (on supposera ici que k designe le nombre de fonctions de
base commun a` chacune des composantes).
JJJ
166
Aide-M
emoire de g
eostatistique lin
eaire :
On note incidemment sur ce système [23] que, pour les variables autres
que la variable i a` estimer, la somme des poids de Cokrigeage est nulle.
En revanche, sur les donnees de Zi , les poids satisfont aux conditions
habituelles duniversalite du KU monovariable.
5.4. Adaptation des notations : coefficients des d

erives
De la meme facon, on reecrit le système destimation optimale des
coefficients des Derives, cest-à-dire des paramètres ail definis (cf. [5]
et [22]) par :
E [Zi (x0 )]
ail f l (x0 )
[24]
LAUO
Le plus simple est de suivre les quatre etapes classiques, en cherchant a`

construire lestimateur
Ail
X Z
uD
il (dy) Zu (y)
[25]
pour i D et l {1, 2, , k} fixes.

On obtient sans difficulte les {k d} equations duniversalite
il (dy) f s (y)
ij ls
[26]
requises s {1, 2, , k} et j D.
Quant aux equations doptimalite, elles se deduisent classiquement de
loptimisation, sous les contraintes [26], de la variance
Var Ail
X X Z Z
uD vD
il (dx) il (dy) Kuv (x, y) [27]
et prennent la forme
X Z
uD
il (dy) Kju (x, y) +
ij;ls f s (x)
[28]
j D et x V . Si lon designe par N le nombre de points de

donnees dans V (pour chacune des d variables), on dispose donc de
{N d} equations doptimalite.
Incidemment, on peut regrouper les expressions [25], [26] et [27] pour
retrouver la relation classique
Cov Ail , Ajs
ij;ls
[29]
dans laquelle on rappelle que Ail represente lestimateur du coefficient

de la lième fonction de base dans la derive de la iième composante.
5.5. Transformation lin

eaire r
eguli`
ere des variables
On se propose
transformation
estimations. On
d d, dinverse
dans un premier temps dexaminer limpact dune

lineaire regulière des variables sur les differentes
de dimension
suppose donc quil existe une matrice B
B , telle que
[9] Introduction a
` la G
167
u Z (x)
u
Zi (x)
u Bi
Zi (x)
u Bi
[30]
Zu (x)
verifient
o`
u les matrices B et B
X
j Bu
B
i
u
j
u
Bu B
i
ij
[31]
Dune part, comme toutes les FASt-2 Z admettent les memes fonctions
de base f l , il en sera de meme de toutes leurs combinaisons lineaires, et
.
en particulier de la famille des Z
Dautre part, dans le cadre dun modèle Sous-Jacent stationnaire
dordre 2, toutes les combinaisons lineaires admettent une variance, et
admet un système de fonctions de
par suite, la famille de FASt-2 Z
:
covariances K
(x, y)
K
ij
(x) , Z (y)
Cov Z
i
j
Cov
"
Z (x) ,
B
u
i
Z (y)
B
v
j
v K (x, y);
u B
B
uv
j
i
u,v
La matrice B etant inversible, il y a symetrie parfaite entre les Z et les

Z , et on etablit de meme sans difficulte :
Kij (x, y)
u
v
uv (x, y)
Bi Bj K
[32]
u,v
j (y) de deux
ou encore, par exemple en explicitant Cov Zi (x) , Z
facons differentes, une identite en x et y plus symetrique (i, j D) :
X
u
u K (x, y)
B
iu
j
v
(x, y)
Bi K
vj
En utilisant les
expressions [30].
[33]
(On prendra bien garde dans cette formule a` lordre des indices de la
fonction de covariance K ).
possède exactement les memes proprietes

En resume, la famille des Z
simplificatrices que la famille Z :
isotopie : les composantes transformees Zi (x), de meme que les
(x), sont toutes connues (i D) sur le
composantes initiales Z
i
meme sous-ensemble {x : x V Rn } ;
de plus, la matrice B etant regulière, la connaissance de la famille
Z entrane la connaissance de la famille Z , et reciproquement ;
toutes les Derives (que ce soit de Z ou de Z ) sexpriment a` laide
des memes Fonctions de Base. Et, de meme que les derives de
Z , les derives de Z sont algebriquement independantes, comme

.
consequence de la regularite de B
JJJ
168
Aide-M
emoire de g
eostatistique lin
eaire :
De plus, la famille complète des fonctions structurales de Z sexprime

par une bijection lineaire a` laide de la famille complète des fonctions
.
structurales de Z
Ainsi, toutes les constructions qui seront faites sur la famille initiale
Z (cokrigeage ou estimation optimale des coefficients de derives,
par exemple) pourront etre immediatement transposees a` la famille
et reciproquement.
transformee Z
5.6. Cokrigeage des variables transform

ees
Comme premier exemple de la proposition precedente, on peut transcrire
le système [23] de Cokrigeage etabli sur les variables initiales. On cherche
donc cette fois a` construire lestimateur optimal
Zi (x0 )
X Z
uD
u (dy; x ) Z (y)
0
u
i
V
solution du système
avec
X Z u
X
(dy; x ) K
(x, y) +
s;ji (x0 ) f s (x)
0
ju
i
uD V
s
j (dy; x ) f l (y)
0
i
(x, x )
K
ji
0
f l (x0 ) ij
[34]
En complement a` la règle [30] de transformation des variables, il peut

etre important pour la suite de determiner comment se transforment les
coefficients du Cokrigeage, autrement dit quelle relation existe entre les
.
et les
Ce problème est sans difficulte theorique. Pourtant, si lon cherche
a` injecter dans le système [34] les formules de transformation, on
provoque un enchevetrement dindices qui obscurcit complètement la
demonstration. On propose donc plutot une construction par etapes, en
ne developpant pas jusquau bout les ecritures (assez embrouillees), mais
en mettant en relief les idees directrices :
par cokrigeage dans la famille initiale, Zi (x0 ) est une combinaison

daprès [30] :
lineaire des Zu , donc aussi des Z
u
Zi (x0 )
uD
X
X
uD
vD
i (dy; x0 ) Zu (y)
V
Z
Z
i (dy; x0 )
V
Bu Zv (y)
vD
uD
i (dy; x0 ) Bu
Zv (y)
par ailleurs, toujours daprès [30], la quantite a` estimer Zi (x0 ) est

, et donc
aussi une combinaison lineaire des Z
v
[9] Introduction a
` la G
Zi (x0 )
Zi (x0 )
X
v
Bi Zv (x0 )
169
v
Bi Zv (x0 )
par superposition des figures de cokrigeage ;

Le symbole designe ici lestimation optimale a` laide des Zj .
Mais il est clair que lestimation optimale de quelque combinaison
ce qui du reste revient au
lineaire que ce soit (des Z ou des Z
: ce
meme) sera la meme quelle soit realisee a` laide des Z ou des Z
et
resultat est d
u au caractère bijectif de la transformation Z Z
a` lisotopie, qui impliquent que les espaces de Hilbert engendres par
sont identiques. Par suite,
les donnees sur Z et les donnees sur Z
le cokrigeage dune combinaison lineaire (cest-à-dire sa projection
sur cet espace de Hilbert) est unique, et seule change sa formulation
.
selon quon lexprime en termes de Z ou de Z
On peut donc utiliser ce resultat, capital pour la suite de la

demonstration :
Dans le cadre des hypothèses actuelles,

le symbole represente a` la fois
le Cokrigeage en termes de Z et en
.
termes de Z
par identification des deux expressions du cokrigeage de Zi (x0 ), on

commence par deduire legalite
Bi Zv (x0 )
X Z
vD
Bu i (dy; x0 ) Zv (y)
uD
Ensuite,
i
, et
multiplions les deux membres de cette egalite par B
j
est linverse de la matrice
sommons en i. Comme la matrice B
B ([31]), on obtient
Zj (x0 )
X Z
vD
(dy; x ) Z (y)
Bu B
0
v
j
i
X
u
mais par ailleurs, on a lexpression generale
Zj (x0 )
X Z
vD
v (dy; x ) Z (y)
0
v
j
V
par identification des deux expressions considerees comme

des fonctions de x0 on obtient donc la règle de transformation
v (dy; x )
0
j
X
u,i
i B v u (dy; x )
B
0
j
u
i
Ces deux conditions de

bijectivit
e et disotopie
sont
evidemment
essentielles pour
garantir le r
esultat.
JJJ
170
Aide-M
emoire de g
eostatistique lin
eaire :
soit, après harmonisation des indices,
j (dy; x )
0
i
u B j v (dy; x )
B
0
i
v
u
[35]
u,v
dont on etablit immediatement la forme duale :

j
i (dy; x0 )
u
v (dy; x )
j
Bi B
0
u
v
u,v
Ces
etapes peuvent
etre d
etaill
ees a
` tire
dexercice (dailleurs
peu instructif
).
...
pour etablir la règle de transformation des multiplicateurs de

Lagrange, on peut suivre les memes etapes :
1. on injecte la formule de transformation [35] dans les
equations doptimalite du Cokrigeage en termes de
variables transformees ([34]) ;
2. on multiplie ces equations doptimalite par une quantite du
j
i
type Bm Bn , et on somme en j et i ;
3. grace a` la relation [32] entre covariances, et par la relation
dinversion [31], on obtient une expression du Cokrigeage
en termes de fonctions de covariances K ;
4. par identification de ce nouveau système avec le système
classique [23], on caracterise enfin les multiplicateurs de
Lagrange.
Après harmonisation des indices, on obtient
s;ij (x0 )
Bi Bj
s;uv (x0 )
[36]
u,vD
Autre exercice, peu

gratifiant, de virtuosit
e
sur les indices.
Remarque : ces formules de transformation [35] et [36] auraient

egalement pu etre etablies par identification des expressions des variances
de cokrigeage. . .
5.7. Coefficients des d

erives des variables transform
ees
La demarche pour etablir les règles de transformation entre les
estimateurs optimaux des coefficients des derives est exactement la meme
que pour le cokrigeage : on exprime lestimateur Ail de deux points de
), et on
vue (cest-à-dire selon quil est estime par des Z ou par des Z
identifie les resultats.
Paragraphe 5.2.
Rappelons que ail designe le coefficient de la lème Fonction de Base

dans lexpression de la Derive de la ième variable Z , et que son
estimateur ([25]) secrit
Ail
X Z
uD
il (dy) Zu (y)
les memes règles de notations etant naturellement adoptees lors du

.
travail sur les variables transformees Z
On obtient ainsi :
j (dy)
il
v (dy)
u Bj
B
v
i
ul
[37]
v,u
En ce qui concerne les multiplicateurs de Lagrange, on peut garder

la meme demarche que pour le Cokrigeage. Mais il est sans doute
un peu plus simple de se rappeler ([29]) que ces paramètres sont, au
[9] Introduction a
` la G
171
signe près, les covariances des estimateurs des coefficients des derives,
et injecter dans cette relation les formules de transformation [37]. Les
etant linverse de B ) conduisent a` :
simplifications habituelles (B
ls;ij
v B
u
B
ls;vu
i
j
[38]
v,uD
5.8. Application : la corr

elation intrins`
eque
5.8.1. D
efinition du mod`
ele
Ces règles de transformations peuvent etre mises a` profit dans un cas
très particulier, mais qui peut effectivement se rencontrer sur des donnees
reelles : on suppose que toutes les fonctions structurales (covariances et
covariances croisees) sont proportionnelles a` une meme fonction, note .
Ainsi on peut trouver une matrice ij telle que, ( i, j D) ,
Kij (x, y)
ij (x, y)
[39]
le signe identite signifiant quil sagit dune egalite de fonctions,

definies sur Rn Rn .
Naturellement, dans la pratique, on travaillera dans le cadre stationnaire,
de sorte que cette relation sera en fait
Kij (h)
ij (h)
Il sagit dun modèle fort restrictif, tant au niveau de lechantillonnage

requis que de la structure des variables. Ainsi, comme pour i = j on
doit retrouver une fonction de covariance (monovariable), il est clair que
la fonction (h) doit etre paire, de sorte que toutes les covariances Kij
le sont. On exclut ainsi des hypothèses les composantes impaires des
fonctions structurales (et par suite les Decalages, de sorte que ce cadre
de travail saccommoderait de lutilisation de variogrammes croises).
La notation adoptee suggère alors donner a` le sens dune fonction
dauto-correlation ((0) = 1), auquel cas la matrice ij a
exactement le sens dune matrice de variancescovariances. On supposera
imperativement que cette matrice est strictement definie positive.
Lensemble de ces hypothèses relatives aux fonctions structurales croisees
constitue le modèle de corr
elation intrins`
eque.
5.8.2. Transformation des variables

On conserve le cadre des hypothèses adoptees au debut de ce paragraphe
(isotopie, fonctions de base communes aux variables, independance
algebrique des derives) 15 .
La matrice symetrique ij etant strictement definie positive, on peut
trouver une matrice B de meme dimension telle que matriciellement
()
(B) (B)
ou encore, i, j D,
ij
Bi Bj
[40]
uD
15
La construction des sous-paragraphes 5.8.2 et 5.8.3 constitue un exercice

dapplication du formalisme general du paragraphe 5.7. Mais le resultat peut
etre verifie directement sur le système de cokrigeage initial, et on peut sans
inconvenient se rendre directement a` la conclusion du paragraphe 5.8.4.
JJJ
172
Aide-M
emoire de g
eostatistique lin
eaire :
Incidemment, cette matrice B est regulière : sil existait un vecteur x non

nul solution de B x = 0, alors ce meme vecteur non nul serait solution
de x = 0, ce qui serait en contradiction avec le caractère strictement
defini positif de la matrice .
independantes, admettant
Soit maintenant une famille de FASt-2 Z
toutes la meme fonction de covariance (monovariable) soit
ij (x, y)
K
i (x) , Zj (y)
Cov Z
Alors, les FASt-2 definies par
Zi (x)
(x, y) ij
[41]
j
Bi Zj (x)
ont pour système de covariances (daprès [32]) :
Cov Zi (x) , Zj (y)
u
v
(x, y)
Bi Bj K
uv
u,v
et, en appliquant successivement [41], [40] et [39], on etablit
Cov Zi (x) , Zj (y)
Kij (x, y)
cest-à-dire que le jeu de FASt-2 ainsi construit satisfait aux conditions

du modèle de Correlation Intrinsèque.
5.8.3. Simplification du cokrigeage universel

Recapitulation : lorsquun jeu de FASt-2 Z satisfait aux conditions de
la Correlation Intrinsèque, on peut considerer ces FASt-2 comme etant
les transformees (par une transformation lineaire bijective) dun autre
independantes et de meme covariance.
jeu de FASt-2 Z
Dans la pratique, on realise lAnalyse Variographique sur la famille
initiale Z , de sorte que bien s
ur si les hypothèses de Correlation
Intrinsèque sont experimentalement satisfaites cest la matrice ij
qui est experimentalement ajustee. La relation [40] montre que cest par
diagonalisation de que lon peut caracteriser la loi de transformation
, cest-à-dire la matrice B .
entre Z et Z
Au niveau des variables transformees, on se trouve dans une situation
particulièrement favorable :
variables independantes ;
Isotopie ;
Fonctions de Base algebriquement independantes et communes a`
toutes les variables ;
meme fonction de covariance monovariable pour toutes les variables.

Paragraphe 3.2.3.
Il est immediat de sassurer alors que le resultat acquis lors

du Cokrigeage simple subsiste : il y a bien Separation des
Variables grace au premier point, et parce que les Derives sont
algebriquement independantes. Bien plus, les trois autres conditions
ont pour consequence que tous les systèmes de Krigeage Universel
monovariable sont identiques, de sorte quil suffit deffectuer un seul
Krigeage Universel, dont les ponderateurs seront valables pour toutes
.
les variables transformees Z
On obtient ainsi un notable allègement des notations, puisque i D,
Zi (x0 )
(dy; x ) Z (y)
U
0
i
V
[42]
[9] Introduction a
` la G
173
, qui ne depend pas de i, est solution du système

o`
u la mesure
U
Z
X
(dy; x ) (x, y) +
U s f s (x)
U
0
V
s
Z
(dy; x ) f l (y)
U
0
(x, x0 )
f l (x0 )
[43]
equations etablies x V et l {1, 2, , k}. Pour garder les

notations en usage dans ce paragraphe, on a donc
j (dy; x )
0
i
(dy; x ) j
U
0
i
[44]
Pour obtenir les ponderateurs du Cokrigeage en termes de Z , il suffit

dappliquer la formule de transformation [35], soit
j
i (dy; x0 )
u
v (dy; x )
j
Bi B
0
u
v
u,v
est la matrice inverse de B , se

qui, compte-tenu de [44] et parce que B
simplifie en
j
i (dy; x0 )
u
(dy; x ) u
j
Bi B
U
0
v
v
(dy; x ) j
U
0
i
u,v
5.8.4. Conclusion
Ainsi, dans le cadre de la Correlation Intrinsèque, les variables initiales
se separent au meme titre que les variables transformees. De plus, les
ponderateurs de (co)krigeage sont independants de la variable a` estimer,
ce qui constitue une consequence immediate dune propriete dinvariance
vue precedemment (chapitre 7, paragraphe 2.4.3).
En resume, dans le cadre isotopique, si lon pose N = Card{S} d
etant le nombre de variables et k le nombre de fonctions de base , un
Cokrigeage demande de resoudre :
{(N +k) d} equations a` {(N +k) d} inconnues dans le cas general ;

d systèmes de (N + k) equations a` (N + k) inconnues dans
le cas dune separation complète des variables, sans hypothèse
supplementaire ;
un seul système de (N + k) equations a` (N + k) inconnues dans le

cas de la Correlation Intrinsèque.
Le gain de temps calcul est donc considerable dans ce dernier cas, et
le modèle de Correlation Intrinsèque montre tout son interet. Son seul
inconvenient, qui est loin detre negligeable, est que cest un modèle très
restrictif et quen pratique, il faut resister a` la tentation de faire violence
aux donnees pour les enroler de force dans un tel modèle. Cest pourquoi
il est opportun de chercher des hypothèses moins exigeantes, mais plus
realistes, qui permettront des allègements significatifs du système de
Cokrigeage tel quil se presente en toute generalite. Compte-tenu de la
très grande variete des situations possibles, nous ne ferons cependant
quevoquer cette question au paragraphe suivant.
5.9. Perspectives : lautokrigeabilit

e
Nous dirons par definition quune variable est autokrigeable par rapport
a` une famille de variables, si son cokrigeage concide avec son krigeage
JJJ
174
Aide-M
emoire de g
eostatistique lin
eaire :
propre (monovariable). Pour rester en toute generalite, nous supposerons

ici quil sagit de Cokrigeage Universel.
Nous avons donc dejà rencontre deux cas dautokrigeabilite :
lorsque toutes les variables sont non correlees et sans Derives,
elles sont toutes Autokrigeables. Dans le cas le plus general dun
Paragraphe 3.2.3.
cokrigeage universel ainsi que cela a dejà ete evoque , il faut
Paragraphe 5.7.3.
de plus que les Derives soient algebriquement independantes. Le
I
I
I
` v
A
erifier a
` titre
caractère necessaire de cette seconde condition est particulièrement
dexercice. . .
facile a` illustrer : si lon imagine deux variables constituees de
deux FASt-2 Sous-Jacentes independantes, mais partageant la meme
Derive, il est clair quelles ne sauraient etre Autokrigeables ;
le modèle de Correlation Intrinsèque.
Ces exemples sont peut-etre trompeurs car, dans ces deux cas, toutes les
variables sont Autokrigeables. Or
Lautokrigeabilite nest pas une relation symetrique.
Un tel mod`
ele revient
par exemple a
` supposer
que toutes les variables,
sauf la premi`
ere, sont
entach
ees derreurs de
mesure ind
ependantes.
Paragraphe 5.6.
Imaginons par exemple que dans le cadre du modèle de Correlation

Intrinsèque, on ajoute un effet de pepite a` chacune des covariances
monovariables, sauf a` celle de la première variable : le modèle reste
coherent, mais il est facile de voir que seule la première variable est
encore autokrigeable par rapport aux autres.
Ces quelques observations tracent des perspectives pour la recherche de
` la lumière des manipulations qui ont
simplifications au Cokrigeage. A
ete proposees en vue de la Correlation Intrinsèque, on peut proposer
des transformations lineaires (et bijectives !) des variables initiales de
facon a` ce que quelques unes au moins des variables transformees
se revèlent autokrigeables. Il nest pas possible a` ce niveau daller
plus loin et de donner des règles generales, tant la combinatoire des
cas de figures possibles est embrouillee. Mais le point commun a`
toutes ces manipulations est quil faut tenir compte a` la fois de la
modelisation structurale (les fonctions de covariance et les derives) et
de lechantillonnage.
6. Principes de lanalyse krigeante

6.1. Pr
esentation
Matheron, 1982.
Wackernagel, 1985 ;
Sandjivy, 1987 ;
Grzebyk, 1993.
Wackernagel, 1992.
Paragraphe 5.5-5.6.
Le texte fondateur de cette methode, Pour une analyse krigeante

des donn
ees r
egionalis
ees , se place de fait demblee dans le cadre
des FAI-k. Ce point de vue a lavantage de la rigueur mathematique, et
par ailleurs met en lumière le caractère conventionnel de la separation
D
erive/Residu . En contrepartie toutefois, cette approche parat
peu adaptee au cas o`
u les variables traitees (de modèles Sous-Jacents
stationnaires) presenteraient des Derives algebriquement liees ; il est vrai
quil ne semble pas quune telle situation ait souvent ete rencontree. . .
Cela dit, les premiers travaux rodant effectivement cette methode ont ete
exposes dans une optique Krigeage Universel, et cest le point de vue qui
sera adopte ici, en occultant en grande partie le problème des derives
afin de se limiter aux grandes lignes du procede. On peut alors, avec
H. Wackernagel, distinguer deux niveaux dans ce qui est usuellement
appele dans son ensemble lanalyse krigeante :
une phase danalyse : cest letape par laquelle on modelise un jeu de
variables selon le point de vue de la (co)regionalisation lineaire. Il
sagit essentiellement dinterpreter les variables disponibles comme
une combinaison lineaire de facteurs , dans une optique très
proche de ce qui a ete fait pour la Correlation Intrinsèque ;
une phase destimation des facteurs ainsi definis.
[9] Introduction a
` la G
175
Dans la suite de ce paragraphe, on ne fera quebaucher la problematique

de cette Analyse Krigeante, en renvoyant a` la bibliographie pour les
details techniques.
6.2. Le mod`
ele lin
eaire de cor
egionalisation
Fondamentalement, lAnalyse Krigeante repose sur lidee dune decomposition (lineaire) des variables a` etudier.
Ce point de vue nest pas depourvu demb
uches, au moins au niveau
de la signification physique de ce que lon entreprend. Car la seule
realite dont on dispose, ce sont des Variables Regionalisees zi (x), et
leurs eventuelles composantes nont aucune signification objective. A
priori donc, il faut sattendre a` des impasses en ce qui concerne la
Reconstruction Operatoire des futures estimations.
E & C, p74.
Naturellement, cette remarque na pas pour but de condamner la

methode, mais seulement de mettre en garde contre les dangers de
franchir le Seuil de Realisme. En loccurrence, une etude reelle en
Analyse Krigeante doit toujours faire lobjet dune approche critique
encore plus exigeante que pour une estimation classique, et on doit en
particulier toujours veiller a` satisfaire au Principe dEconomie.
6.2.1. Le mod`
ele structural
Cela dit, on naborde pas un travail en Analyse Krigeante complètement
demuni. On dispose en effet dune information qui garde une signification
objective importante, a` savoir le faisceau des covariances experimentales
(monovariables et croisees). Supposons alors que la famille de covariances
modelisees apparaisse sous la forme :
Kij (h)
Cij K (h)
On se place pour simplifier

dans le cadre dun mod`
ele
Sous-Jacent stationnaire.
[45]
o`
u les fonctions K (h) representent des mod`
eles
el
ementaires de
covariances ne dependant pas des variables : chacune des covariances
Kij (h) apparat comme une Structure Gigogne, ce qui constitue
simplement une generalisation de ce qui a ete presente en introduction
de ce chapitre. Comme on a choisi de se limiter au cas stationnaire,
on pourra sans nuire a` la geneuralite du modèle supposer que ces
composantes structurales 16 K (h) sont de palier unite ; enfin, on
designera par NC leur nombre, cest-à-dire le nombre de valeurs prises
par lindice u.
Paragraphe 1.1.
Il sagit certes dejà dune première modelisation, et lon peut donc

mettre legitimement en question la signification objective de cette
decomposition 17 . Cependant, si lAnalyse Variographique est faite dans
les règles de lart, il y a souvent consensus sur un certain nombre de
traits structuraux (portees, paliers globaux, comportements a` lorigine)
mis en evidence numeriquement, de sorte que cette presentation [45]
peut encore assez facilement etre consideree comme possedant une part
importante de signification objective.
Du reste, le developpement [45] constitue une hypothèse falsifiable : il
est clair par exemple quil impose que toutes les covariances croisees
Kih (h) soient symetriques. Que la Variographie mette en evidence des
16
17
Il ne sagit pas dune terminologie consacree, mais elle semble preferable, parce
ementaire . Par ailleurs, le mot composantes
que plus precise, a` Modèle El
seul a dejà ete utilise pour designer les variables definies sur lespace geographique.
Rappelons une fois encore que cette attitude critique envers les modèles utilises est
essentielle dans toute etude geostatistique bien comprise. Dans le cas de lAnalyse
Krigeante, elle peut devenir cruciale.
E & C, p33-34.
176
Aide-M
emoire de g
eostatistique lin
eaire :
Dephasages, et le modèle sera ipso facto refute preuve a contrario

que le Seuil de Realisme nest pas franchi.
6.2.2. D
ecomposition des variables
Paragraphe 1.4.
Il en va tout autrement lorsquon passe au niveau de la modelisation des

Fonctions Aleatoires. Afin de conserver une unite de notation au travers
de ce chapitre, on adoptera le point de vue Z est une FA scalaire sur
lespace produit Rn D et on posera, en utilisant les notations [2] et
[7]) et ceci (x, i) R n D :
Z(x, i)
Y (x, i) +
k
X
al f l (x, i)
[46]
l=1
o`
u la fonction aleatoire Y est stationnaire dordre 2 sur R n D, et
desperance nulle.
Parfois not
e en
abr
eg
e : MLC .
Lidee directrice du mod`

ele lin
eaire de cor
egionalisation est alors de
supposer que cette FASt-2 Y , ou si lon prefère les composantes de la
famille des FASt-2 Yi , peuvent se decomposer sous la forme
Yi (x)
Y (x, i)
XX
u
aiu Yp (x)
[47]
o`
u les Fonctions Aleatoires Yp sont supposees desperances nulles
et mutuellement orthogonales, cest-à-dire de covariances croisees
identiquement nulles.
Chapitre 1,
paragraphe 4.3 ;
chapitre 6, paragraphe 3.5.
Au contraire de la modelisation structurale, cette modelisation

des variables (ou plutot des Fonctions Aleatoires) est totalement
conventionnelle. Il ne sagit pas là de proferer un quelconque jugement
de valeur, mais simplement de rappeler par exemple que dans la
decomposition [46], la Derive qui est mathematiquement definie par
E [Z(x, i)]
k
X
al f l (x, i)
l=1
nest pas une Grandeur Regionale.

A fortiori , rien dans un jeu de donnees quel quil soit ne permet de
dire si la decomposition [47] est vraie ou fausse la question
etant meme en fait depourvue de sens. Par ce Modèle Lineaire de
Coregionalisation, on saventure donc assez loin dans le domaine de
la speculation, ce qui nest evidemment pas condamnable en soi mais
implique que lon multiplie les risques dentreprendre des manipulations
mathematiques depourvues de contre-partie physique, et requiert donc
un surcrot de vigilance. Cette difficulte doit etre prise en compte a`
chaque etape dune etude, et le Geostatisticien doit etre pret a` tout
moment a` renoncer a` une entreprise qui risque de navoir plus de rapport
avec la realite.
6.2.3. Commentaires
Ce modèle appelle dejà plusieurs remarques :
u
nous supposons ici que les FA Yp qui apparaissent dans la

decomposition de Y (x, i) donc aussi Y (x, i) elle-meme sont
Matheron, 1982,
paragraphe IV.
stationnaires dordre 2 sans derives. Nous nous demarquons ainsi

du texte fondateur, dans un souci de simplification : en imposant a`
la Derive detre exterieure aux fonctions Yi , on evacue en partie les
difficultes liees a` la ventilation de la Derive entre les composantes.
Ayant deliberement choisi le point de vue du (co)krigeage universel,
[9] Introduction a
` la G
177
nous economisons le problème du changement de Representation

rencontre dans lapproche en FAI-k ;
bien sur, il ne sagit que dun modèle du reste assez restrictif ,

et il nest pas certain que ce soit le plus realiste. Nous avons vu au
travers des chapitres 7 et 8 quen depit de son contenu apparemment
intuitif, le Krigeage Universel nest pas toujours, au niveau de la
pratique, le point de vue le plus aise a` manipuler ;
u
on suppose dans ce modèle que les FA Yp (x), que lon conviendra

dappeler facteurs de la coregionalisation lineaire, admettent toutes,
u
pour un indice u donne, la meme covariance K (h) telle quelle

est introduite dans la formule [45]. Ainsi, lindice u a la meme
signification dans les formules [45] et [47], et est associe a` une
Composante Structurale ;
on a donc, (p, q ),
h
Cov Yp (x), Yq (y)
K (x y) uv pq
[48]
pour chaque valeur de lindice u, lindice p prend un nombre de

valeurs N (u) au plus egal au nombre d de variables cette
limitation
etant une consequence de lexigence dorthogonalite entre
u
les Yp (x). Pour simplifier, G. Matheron fait observer que on
peut dailleurs toujours supposer N (u) = d, quitte a` annuler
p
certains termes de la matrice aiu ;
en resume,
Cet indice u joue donc ici, en un sens large, le r

ole
dindicateur dune certaine bande de frequence. Lindice p, au
contraire, u etant fixe, repère les composantes principales de la
coregionalisation dans le domaine de frequence associe a` u .
6.2.4. Calage du mod`

ele lin
eaire de cor
egionalisation
Le rapprochement entre le developpement [45] du faisceau de covariances
u
selon les Composantes Structurales K
Kij (h)
NC
X
Cij K (h)
[45]
u=1
u
et le developpement [47] des FASt-2 selon les Facteurs Yp
Yi (x)
Y (x, i)
NC X
d
X
aiu Yp (x)
[47]
u=1 p=1
conduit i, j a` la très importante relation :

u
Cij
d
X
aiu aju
[49]
p=1
lindice u, quelconque,
etant suppose fixe. On rappelle que, a` u fixe, le
u
jeu de coefficients Cij nest autre quune matrice de correlations donc
symetrique definie positive.
Cette relation [49] est evidemment decisive en pratique, puisquelle
etablit le lien entre un jeu de valeurs issues de lexperience (cestu
p
a`-dire les coefficients Cij ), et des paramètres aiu conventionnels,
mais indispensables pour les developpements ulterieurs. Une fois
lAnalyse Variographique achevee, le calage du Modèle Lineaire de
Matheron, 1982, p6.
Matheron, 1982, p 1.
178
Aide-M
emoire de g
eostatistique lin
eaire :
Coregionalisation consiste donc a` reconstituer les coefficients aiu des

Facteurs a` partir des matrices de correlations. Cette reconstitution
u
equivaut a` faire lanalyse en composantes principales des matrices Cij .
En particulier, elle ne sera pas univoque, mais dependra du choix plus
ou moins arbitraire dune metrique de reference : mais cest là [. . . ] un
inconvenient inherent a` toutes les methodes danalyse des donnees.
Matheron, 1982, p6.
Cette etape est bien s

ur la plus propice aux errements, donc celle qui
requiert le plus de doigte et de jugement dans la mise en pratique sur
des donnees reelles. . .
6.3. Estimation des facteurs

p
Paragraphe 4.3.3.
Les coefficients aiu des Facteurs etant supposes connus, le Cokrigeage

des Facteurs ne pose plus de problème theorique : il sapparente, avec
laspect multivariable en plus, a` lestimation des Residus qui est
proposee en annexe. Quant a` lestimation optimale de la Derive ou de
ses coefficients, elle relève très exactement de la demarche qui a dejà ete
exposee dans le cas general, et ne sera donc plus evoquee.
Matheron, 1982.
Remarque : cette situation particulièrement favorable est due a`

lhypothèse de stationnarite dordre 2, et au fait que la Derive
est consideree comme globale. Il ny a donc pas de problème de
ventilation de cette d
erive entre les differentes composantes. Il en
serait alle tout autrement dans un modèle de type FAI-k, mais nous
renvoyons pour cette question a` la bibliographie
Annexe 2,
paragraphe 2.1.3.
` toutes fins utiles, developpons rapidement les etapes dun cokrigeage

A
qui est donc parfaitement classique, a` laccumulation des indices près. . .
u
Soit donc, pour u et p fixes, a` estimer Yp (x0 ) en un point x0 Rn fixe.

Pour alleger (un peu. . . ) les notations, on ne fera pas figurer ces trois
paramètres comme indices de la solution. On cherche donc a` caracteriser
une mesure telle que
Yp (x0 )
X Z
jD
(dy) Z(y, j)
S
[50]
puisque, rappelons-le, ce sont les z(x, i) (avec (x, i) S ), qui

constituent les donnees.
Lerreur destimation est automatiquement autorisee, compte-tenu de

lhypothèse de stationnarite dordre 2.
On obtient les conditions duniversalite immediatement, en utilisant le

developpement de la derive (cf. [46]) et sachant que tous les Facteurs
sont desperance nulle. Le paramètre k retrouvant ici le sens de nombre
total de Fonctions de Base , on obtient (l {1, 2, , k})
X Z
jD
O
X Z
i,jD
(dy) f s (y, j)
[51]
Sj
La variance de lerreur destimation se developpe en
(dx) (dy) Kij (x, y) 2

S
X Z
iD
(dx) aiu K (x, x0 ) + K (0)

S
[52]
expression dans laquelle on rappelle que les indices p et u sont fixes.
Loptimisation de [52] sous les contraintes [51] conduit aux equations
doptimalite (x, i) S
[9] Introduction a
` la G
X Z
jD
(dy) Kij (x, y) +

Sj
s f s (x, i)
179
aiu K (x, x0 )
[53]
(on rappelle quil ny a pas sommation sur lindice u).

En resume, par regroupement de [51] et [53], on a construit le système
u
de cokrigeage du Facteur Yp (x0 ) par les Z(x, i). Il secrit, (x, i) S
et l {1, 2, , k} ,
X Z
X
j
(dy)
K
(x,
y)
+
s f s (x, i)
ij
jD Sj
s
X Z
j
(dy) f l (y, j)
jD
aiu K (x, x0 )
Sj
[54]
On pourrait sans difficulte assortir cette estimation de sa variance de

cokrigeage. . . Par ailleurs, on observe naturellement que le système a
la structure dun système de Cokrigeage ponctuel, seul changeant le
second membre : les conditions de regularite de cette estimation sont
donc exactement les memes que pour le Cokrigeage ponctuel. Enfin, en
cokrigeant simultanement deux Facteurs pour un jeu dindices (p, u)
et (q, v) distincts, on pourrait verifier sans difficulte que la relation
dorthogonalite [48] qui est verifiee au niveau de ces Facteurs nest en
general pas verifiee au niveau de leurs estimateurs.
JJJ
Par ailleurs, on pourrait sans difficulte expliciter

desi relations
h
u
dadditivite. En particulier, le cumul des cartes des Yp (x)
, a` i fixe
et pour toutes les valeurs de u et de p, redonne la carte de Yi (x). Cela

dit, il ne sagirait là que dune verification academique : en general, on
cherche justement a` se limiter aux Facteurs qui, pour une echelle de
structure donnee (u fixe), representent les composantes principales
(indice p) dans cette echelle.
6.4. Remarque finale

Dans le cadre des hypothèses retenues ici, lAnalyse Krigeante est sans
reelle difficulte. Le vrai problème est naturellement le sens physique que
lon peut legitimement attribuer aux operations effectuees.
La presence dindeterminations irreductibles, dans le passage [49] des
Composantes Structurales aux Facteurs, est une situation somme
toute classique, mais qui montre bien quil ne saurait y avoir de
reponse unique et encore moins de vraie reponse a` un
problème de modelisation structurale. Le cadre de travail est ici devenu
particulièrement mouvant, ce qui doit inciter a` une prudence accrue.
Le problème est que bien souvent, le recours a` lAnalyse Krigeante
est justifie par le souci danalyser en detail un phenomène, voire den
comprendre la genèse. Cette methode qui depend de tant de Paramètres
Conventionnels est invoquee pour resoudre au contraire des problèmes
particulièrement concrets. Le risque est de sarreter a` des artefacts 18 , et
18
Ce mot est pris sans aucune connation pejorative. Il designe simplement un

resultat artificiel, qui procède davantage de la demarche du Geostatisticien que
de la realite.
Matheron, 1982, p1.
180
Aide-M
emoire de g
eostatistique lin
eaire :
de leur attribuer une signification physique : danger redoutable, meme

si le travail geostatistique a ete realise dans les règles de lart.
Cest pourquoi il semble judicieux de suggerer une utilisation modeste
de lAnalyse Krigeante. Il peut parfaitement etre grandement revelateur
de cartographier des Facteurs, mais il ne faut pas pour autant oublier
que ceux-ci ne sont que des creations artificielles compatibles avec
la realite, et nullement une representation univoque de celle-ci. Aussi
lAnalyse Krigeante doit-elle seulement etre consideree comme une aide,
un complement a` la reflexion structurale qui ne peut en aucun cas se
substituer a` cette reflexion.
Grzebyk, 1993.
Dans le meme temps, il ne faut pas oublier quelle est tributaire

du Modèle Lineaire de Coregionalisation, lequel est finalement assez
restrictif : restrictif implique assez facilement refutable , ce qui
est une bonne nouvelle pour le souci de realisme dune etude. Mais les
restrictions sont faites pour etre levees, et on ne peut que souhaiter la
poursuite de la recherche de nouveaux modèles de coregionalisation.
7. Notion de d
erive externe
7.1. Justification, et mod`
ele
Paragraphe 3.3.
On a dejà releve que le Cokrigeage imposait un role symetrique aux

variables, et que ce netait que par le moyen indirect (et arbitraire) du
voisinage de krigeage quil etait possible eventuellement de saffranchir
de cette propriete.
Le nouveau modèle envisage maintenant repose au contraire sur la notion
hi
erarchique de fonction de forme . Bien souvent en effet, il
arrive que la variable dinteret voie sa structure densemble modelee
par une autre variable, en elle-meme pas necessairement interessante,
mais eventuellement abondamment echantillonnee et porteuse dune
information riche.
Le plus simple est de proposer un exemple sommaire : le cas de
donnees meteorologiques (precipitations en regions temperees) dont la
structure principale est en grande partie tributaire du relief. Si, comme
on peut le supposer, il y a une grande disproportion entre les effectifs
dechantillonnage (assortie dune Heterotopie), on se trouve dans de
mauvaises conditions pour calculer les fonctions structurales croisees.
En revanche, meme sil sagit de donnees de natures fondamentalement
differentes, on a le sentiment que la connaissance de la topographie peut
apporter une contribution importante a` la modelisation structurale des
precipitations.
En toute generalite maintenant, lidee est de considerer que lon dispose
dune fonction de forme, c-est-à-dire dune Variable Regionalisee
distincte de la variable dinteret, mais dont le comportement spatial
est cense decrire les grandes lignes structurales de la variable a` estimer
autrement dit sa tendance . Remarquons que rien ninterdit que
cette Fonction de Forme soit etrangère 19 a` la variable dinteret.
Notons s(x) cette Fonction de Forme. On modelisera son role de
en ecrivant quelle sidentifie a` lesperance mathematique
tendance
19
Par etrangère , on entend de nature physique differente ce qui est le

cas dans lexemple propose precipitations/topographie . Mais il peut arriver
aussi que la Fonction de Forme sexprime dans les memes unites que la variable
dinteret : cest le cas par exemple en geophysique petrolière, o`
u les profondeurs
reconstituees a` partir des donnees geophysiques peuvent etre adoptees comme
Fonction de Forme des profondeurs mesurees aux puits.
[9] Introduction a
` la G
181
de la FA dinteret Z(x) supposee une FASt-2 ou meme, pour

donner un peu plus de generalite au modèle, que
E [Z(x)]
k
X
al sl (x)
[55]
l=0
o`
u classiquement les coefficients al sont des paramètres inconnus du
modèle. Cest ce developpement qui est appele d
erive externe.
Remarques :
on a suppose que Z etait une FASt-2, afin deviter les problèmes
habituels inherents au terme constant de la Derive. On peut
dailleurs sinterroger sur le sens que lon pourrait attribuer a` une
Fonction de Forme par rapport a` laquelle les fluctuations seraient
de variance infinie. . .
on retrouve tout naturellement la structure de la Derive telle quelle
a ete introduite dans le cadre du Krigeage Universel ;
dans cette ecriture [55], lindice l represente bien un exposant. Dans
la pratique, on se limitera presque toujours a` k = 1 : cela signifie que
localement, on considèrera que la Derive de Z est une fonction affine
de s, ce qui effectivement peut assez souvent avoir une signification
physique ;
rien enfin sinon bien sur le Principe dEconomie

ninterdirait
de rajouter a` lexpression [55] un developpement selon des Fonctions
de Base usuelles, ni meme dutiliser plusieurs Fonctions de Forme,
donc plusieurs Derives Externes.
Chapitre 7,
paragraphe 2.1.4.
Chapitre 1,
paragraphe 4.2.
7.2. Variographie
Dans la mesure o`
u la forme de la Derive Externe procède dun choix
du Geostatisticien, il ny a pas de nouveaute a` ce niveau, dont la
difficulte est analogue a` celle que lon pourrait rencontrer pour caler
(experimentalement) le degre k dune FAI-k. Dans le cadre de la Derive
Externe, le paramètre k est donne par lutilisateur.
Il en va tout autrement en ce qui concerne lidentification de la fonction
de covariance de Z . On retrouve toutes les difficultes dejà rencontrees
dans le cadre du Krigeage Universel, et en particulier les biais ; car le
fait davoir remplace les Fonctions de Base f l par des sl ne change
absolument rien a` la demarche.
En revanche, le recours aux FAI-k nest plus cette fois une reponse
satisfaisante a` ce problème de biais, parce que lon a perdu les proprietes
dinvariance par translation : si la famille des sl (x) etait globalement
invariante par translation, les sl seraient des monomes (et on serait alors
ramene a` une analyse classique en FAI-k) ; mais ce nest pas le cas, s(x)
etant une Variable Regionalisee a priori quelconque.
On est donc vraisemblablement contraint deffectuer la recherche du
modèle de covariance de Z par des methodes qui cherchent a` saffranchir
de la presence de s(x) plutot que lintegrer, et cest en ce sens que lon
peut qualifier la derive d externe , puisque sa presence est sans impact
sur la famille des covariances Sous-Jacentes autorisees pour Z . Mais pour
ce faire, il faut evidemment disposer dune information qui nest pas
presente dans les seuls echantillons z : soit des a priori sur lexpression
de la covariance, soit des echantillons de la meme variable sur des
domaines depourvus de derive, soit des resultats detudes similaires. . .
7.3. Krigeage avec d

erive externe
Rien dans le developpement [55] nintroduit de changement par rapport
a` la demarche usuelle du Krigeage Universel. En restant pour simplifier
dans le cas dune seule Derive Externe, on cherchera donc a` construire
Z (x)
JJJ
Chapitre 8,
paragraphe 1.3.
182
Aide-M
emoire de g
eostatistique lin
eaire :
sachant que Z est de la forme
Z(x)
Y (x) +
k
X
al sl (x)
l=0
o`
u Y (x) est une FASt-2 desperance nulle et de covariance K . Par
minimisation sous contraintes [55] de la variance destimation, on
construit ainsi le système de Krigeage en Derive Externe :
P
K + l sl
P
sl
Kx
()
slx
(l)
La seule particularite quil convient de souligner concerne les points

en lesquels on doit exprimer la Derive Externe. Celle-ci, ou plutot ses
composantes sl , doivent etre connues en tous les points de donnees
(designes par les indices , ), et en tout point x o`
u on souhaite realiser
le Krigeage. Pour une derive polynomiale classique, il nexistait pas
de problème, puisque les f l etaient des expressions mathematiques qui
pouvaient etre calculees en tout point de lespace. Ici en revanche, on ne
disposera pas en general des valeurs de s aux points requis, et il faudra
donc remplacer ces valeurs par leurs estimations.
Le Krigeage en Derive Externe commence donc en general par un
Krigeage de la Fonction de Forme.
7.4. Remarques finales
Chapitre 8,
paragraphe 2.4.
En introduisant dans le système de krigeage des contraintes dun

type nouveau, la technique de la Derive Externe ouvre la porte ipso
facto, par dualite, a` des modèles nouveaux de covariances. Mais,
fondamentalement, ces modèles sont non stationnaires, de sorte quil
est sans espoir de les expliciter. Ainsi, si dans le système de krigeage
on introduit a` la fois des Fonctions de Forme et des Fonctions de Base
(celles-ci au sens usuel du KI), seules ces dernières auront une influence
sur la gamme des fonctions structurales K que lon sautorisera. Meme
si le sens physique de loperation est sans doute discutable, on pourra
donc construire des systèmes de Krigeage en Derive Externe avec des
Covariances Generalisees, pourvu naturellement que soient introduites
les conditions dautorisation correspondantes.
Par ailleurs, comme en Analyse Krigeante, lemploi de la Derive Externe
doit concilier des contraintes mathematiques (certes ici plutot modestes)
et des vux dinterpretation physique. Mais rien jamais ne peut garantir
quil y ait coherence entre ces deux objectifs ; aussi comme toujours
est-il requis de faire preuve de sens critique, la sagesse geostatistique
consistant a` savoir renoncer a` un modèle lorsque la realite le demande
avec trop dinsistance . . .
Discussion
Au terme de cet Aide-Memoire, on peut souhaiter que le lecteur

aura compris combien la Geostatistique saccommode mal de verites
definitives : si la rigueur mathematique y est indispensable, il nen est pas
moins naturel que des elements dappreciation personnelle interviennent
au cours dune etude, voire dans un expose comme celui-ci.
De par sa richesse et sa diversite, lapproche du multivariable constitue
un bon exemple de situation o`
u les jugements, ou les feelings, peuvent
[9] Introduction a
` la G
183
` titre dexemples, on
sensiblement diverger sur un resultat donne. A
propose donc pour conclure une amorce de discussion sur deux phrases
qui dans ce chapitre ont appele des objections dun relecteur.
avec
Paragraphe 2.4.
le
Paragraphe 4.1.
le variogramme croise, on perd sur tous les tableaux . Cette

phrase, sans doute exagerement peremptoire, resumait le fait que le
variogramme est plus gourmand en donnees que la covariance
croisee, tout en etant moins explicatif comme modèle. Il convient
au moins de nuancer ce propos en rappelant que si on a des
points a` echantillonnage simultane (isotopie) et si les covariances
ne manifestent pas de non-symetrie, le variogramme croise est plus
robuste 20 . En revanche, si les echantillonnages des differentes
variables sont disjoints, on ne peut travailler quavec des covariances,
mais en general, cest une situation defavorable ne serait-ce que
parce que des conditions fortes de stationnarite au moins locale sont
cette fois requises.
Variogramme Croise nest pas en mesure de diagnostiquer
par lui-meme labsence de Decalages , formule a` lemporte-pièce
quil aurait mieux valu nuancer ainsi : le variogramme croise
peut indiquer un decalage (mais pas son sens) 21 . De fait,
lexistence dun decalage affecte le comportement aux courtes
distances du variogramme croise, dans des conditions qui peuvent
dailleurs permettre devaluer effectivement au moins lamplitude de
ce decalage.
Un exemple possible concerne la paire de variables
Z2 (x)
Z1 (x + a)
o`
u Z1 admet un variogramme lineaire (h) =| h |. On peut
immediatement verifier que le variogramme croise est de la forme :
12 (h)
si | h | | a |
|h| |a|
si | h | | a |
ce qui constitue en effet une expression inhabituelle, dont on peut

deduire la valeur absolue de a, sinon son signe.
Ces deux remarques soulignent a contrario la tonalite parfois trop
prudente de ce document, plus particulièrement dans ce dernier chapitre
o`
u les mises en garde ont ete multipliees : ainsi que cela etait annonce
dans sa presentation, ce chapitre etait compris comme une revision, aussi
bien en ce qui concerne les techniques mathematiques que les conseils
methodologiques et les appels a` la prudence. Mais, parvenu a` ce point, le
temps est maintenant venu de la mise en pratique, chose qui par nature
echappe a` toute approche livresque, et bien s
ur en tout premier lieu au
present manuel. . .
La problematique multivariable a ete developpee dès les debuts de la

Geostatistique, ce qui na rien dinattendu. Aussi la première reference
est-elle le paragraphe consacre au Cokrigeage, dans le Fascicule 5 .
20
21
[Note dun relecteur].

[Note dun relecteur].
Bibliographie
184
Aide-M
emoire de g
eostatistique lin
eaire :
Commencant par un rappel dAnalyse des Donnees (ACP, Analyse

Canonique, Analyse des Correspondances), le cours
Cours de G
eostatistique Multivariable ,H. Wackernagel,
1992.
propose un tour dhorizon exhaustif des methodes multivariables en
Geostatistique.
Le texte fondateur de lAnalyse Krigeante est
Pour une analyse krigeante des donn

ees r
egionalis
ees ,
G. Matheron, 1982.
tandis que la Derive Externe est mentionnee pour la première fois dans
Application of geostatistical analysis to the evaluation

of petroleum reservoirs with well logs , P. Delfiner,
J.-P. Delhomme & J. Pelissier-Combescure, 1983.
En complement, la thèse
Ajustement dune cor

egionalisation stationnaire ,
M. Grzebyk , 1993 .
propose une alternative au Modèle Lineaire de Coregionalisation.
Annexe
Se reporter, en deuxième partie du document, au chapitre
Compl
ement
Paragraphe 2.1.
Introduction
au filtrage derreurs .
Pour illustrer le lien existant entre stationnarite globale dun modèle

multivariable et stationnarite de ses composantes, on choisira un exemple
bivariable dans R1 . Soient alors X(x) une FASt-2 de fonction de
covariance (stationnaire) K , A une Variable Aleatoire de variance finie
independante de X , et a et b deux reels quelconques. Alors,
la stationnarite individuelle de deux FA nimplique pas la
stationnarite de leur Covariance Croisee. Comme exemple, il suffit
de poser Y (x) = X(x) et Z(x) = X(ax + b). Clairement, Y et
Z sont deux FASt-2, mais
KY Z (x, x + h)
Cov [X(x), X(ax + ah + b)]
K((a1)x + ah + b)
qui depend de x si a 6= 1: la Covariance Croisee existe bien, mais

elle nest pas stationnaire ;
a fortiori donc, la stationnarite individuelle de deux FA nentrane
en general pas la stationnarite du couple de FA. Toutefois, cette
implication est assuree lorsquil sagit de deux FA independantes ;
inversement, la stationnarite dune fonction de Covariance Croisee
nimplique pas que les deux FA correspondantes soient stationnaires.
Ainsi, avec nos notations, si on pose cette fois Y (x) = X(x) et
Z(x) = Ax, il est clair (par independance de X et A) que
KY Z (x, x + h)
Cov [X(x), Ax]
qui est evidemment stationnaire, alors que Z(x) ne lest pas.
[9] Introduction a
` la G
Expression de la covariance daccroissements

ij (x, a; y, b) en fonction
des variogrammes croises ij (h) : on a souligne que les valeurs
individuelles de cette covariance ne pouvaient pas sexprimer en
fonction des variogrammes croises, et que seules sont accessibles des
combinaisons effectuant une permutation sur les indices des variables.
Plus precisement, soit la fonction auxilliaire F (paire, et symetrique en
i et j ) definie par
Fij (h)
185
Compl
ement
Paragraphe 2.3.
ii (h) + jj (h) + ij (h)
Alors, on ne sait pas exprimer isolement

ij en fonction de F , donc en
fonction de . Mais on peut etablir facilement la relation symetrisee
ij (x, a; y, b) + ji (x, a; y, b)
2
Fij (yx+b) + Fij (yxa) Fij (yx+ba) Fij (yx)
186
Aide-M
emoire de g
eostatistique lin
eaire :
Deuxi`
eme partie
Annexes
188
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 1
Esp
erance conditionnelle :
m
ecanismes dutilisation
Pr
esentation
On veut presenter ici, dun point de vue purement operatoire,
la puissance du theorème de lEsperance Totale et quelquesunes de ses applications possibles en Geostatistique. Une de ces
applications a dej`
a ete vue au Chapitre 4 en Estimation Globale,
pour le calcul a
` maille aleatoire pure ou stratifiee.
Le premier paragraphe rappelle le theorème et en degage le
mecanisme de mise en uvre. Cette presentation est faite sans
aucune demonstration.
Un exemple simpliste dapplication, en loccurrence deux calculs
de variogrammes, est donne au second paragraphe.
Au troisième paragraphe enfin, on utilise ce mecanisme pour
introduire le krigeage aleatoire.
1. Th
eor`
eme et mise en uvre
1.1. Rappel du th
eor`
eme
Soient deux Variables Aleatoires Z et X . On supposera que Z admet une
esperance mathematique. Si on designe par E [ ] loperateur esperance
mathematique , le th
eor`
eme de lesp
erance totale sexprime ainsi :
E [Z]
E EZ [Z | X]
o`
u EZ designe lesperance de la loi de Z conditionnellement a` X . On
rappelle que cette esp
erance conditionnelle EZ [Z | X] a le statut
mathematique de Variable Aleatoire, du fait de la presence de X .
Plus laconiquement, le theorème peut sexprimer : lesperance (totale)
est egale a` lesperance de lesperance conditionnelle .
1.2. Quelques formules

Designons par F la loi de Z , et par P la loi de la variable conditionnante
X . On notera Fx la loi de Z conditionnelle a` X = x. Alors :
E [Z]
EZ [Z | x]
z F (dz)
z Fx (dz)
et le theorème permet decrire :

E [Z]
Z hZ
i
z Fx (dz) P (dx)
Pour un
enonc
e rigoureux,
se reporter a
` tout
cours de Probabilit
es.
190
Aide-M
emoire de g
eostatistique lin
eaire :
Une formulation particulière importante se presente lorsque la variable

conditionnante X est discrète. Supposons ainsi que X puisse prendre
les etats i avec les probabilites correspondantes pi . Alors :
E [Z]
pi
z Fi (dz)
Cette expression est en particulier utile pour des calculs de

variogrammes, comme on le verra au paragraphe suivant.
1.3. Les
etapes de la mise en uvre
Concrètement, lutilisation pratique du theorème comporte trois etapes,
dont lenchanement est immuable :
a` X = x fixe, la loi de Z depend du paramètre x. Ainsi, lesperance

de Z conditionnellement a` X = x est une certaine fonction (x) :
E [Z | X = x]
(x)
si on restitue a` x son caractère aleatoire, E [Z | X] devient donc

une Variable Aleatoire:
E [Z | X]
(X)
enfin, le theorème permet decrire :

E [Z]
E [(X)]
1.4. Remarque sur la variance conditionnelle

On peut evidemment proposer une formule similaire pour calculer la
variance de Z a` partir de sa loi conditionnelle. On trouve ainsi :
Var [Z]
Cette remarque demeurera

valable au chapitre 8, dans
le traitement des FAI-k.
h
i
h
i
E VarZ [Z | X] + Var EZ [Z | X]
Sans etre compliquee, cette formule na pas lelegance du theorème de

lesperance conditionnelle. Cest pourquoi il semble judicieux, pour la
clarte des calculs, de se ramener a` des esperances quitte ensuite a`
effectuer les centrages necessaires. Notons que cette dernière contrainte
se rencontre peu en Geostatistique, puisque justement nous travaillons
en general sur des combinaisons lineaires desperance nulle.
Ainsi, pour une Fonction Aleatoire Intrinsèque sans derive, la variance
des accroissements nest autre que lesperance de leurs carres, de sorte
que, avec les notations precedentes :
(h)
pi [(h) | i ]
o`
u pi designe (ici en notation discrète) la loi dun evenement
conditionnant, et [(h) | i] le variogramme conditionnel pour letat i
de levenement conditionnant.
1.5. G
en
eralisation `
a plusieurs variables conditionnantes
La formule donnee pour une variable conditionnante unique setend sans
` simple titre dexemple, pour deux variables
difficulte a` plusieurs. A
conditionnantes X et Y , on trouve :
E [Z]
EY EX EZ [Z | X, Y ]
i
[1] Esp
erance conditionnelle : m
191
avec les notations usuelles. Il est clair que EZ [Z | X, Y ], esperance

en Z , est une quantite deux fois aleatoire , comme
etant fonction
h
i
deterministe a` la fois de X et de Y . De meme, EX EZ [Z | X, Y ] est

une quantite aleatoire, comme fonction de Y .
Par ailleurs, sous reserve bien s
ur que E [Z] existe, nous pouvons par
le theorème de Fubini intervertir lordre des conditionnements. Par
exemple,
h
i
EX EY EZ [Z | X, Y ]
h
i
EY EX EZ [Z | X, Y ]
Le choix de lordre des conditionnements est affaire dopportunite, selon

le problème rencontre. Ainsi, dans lexemple de lEstimation Globale a`
maille aleatoire pure, il est paru plus expedient de conditionner dabord
par la Realisation de la Fonction Aleatoire et de beneficier ainsi de
lindependance des points dimplantation, plutot que de conditionner
par ces points dimplantation comme cela aurait pu sembler naturel.
Chapitre 6, paragraphe 2.1
2. Application aux calculs de variogrammes

2.1. G
en
eration dun mod`
ele triangulaire
Soit a` 1 dimension une maille regulière, infinie, de longueur a. On
suppose lorigine X0 de la maille implantee au hasard sur lintervalle
[0, a] suivant la loi uniforme.
Soit la Fonction Aleatoire Z(x) qui, sur chaque segment de la forme :
[X0 + ka , X0 + (k+1)a] , prend une valeur aleatoire Zk , où les Zk ont
tous la meme esperance m et la meme variance 2 et sont independants
pour deux indices k et k 0 distincts.
Pour le calcul du moment dordre 1 de ce processus, une circonstance
particulièrement simplificatrice apparat. En effet, E [Z(x)] ne depend
pas de lintervalle dans lequel se trouve x, puisque tous les Zk ont meme
esperance. Donc E [Z(x)] = m, qui ne depend pas de x. Le moment
dordre 1 de Z(x) est stationnaire. Notons cette circonstance, tout a`
fait particulière, quil en est de meme pour lesperance conditionnelle
E [Z(x) | X0 = x0 ], qui ne depend ni de x, ni de x0 .
Pour la covariance, C(x, x + h) = Cov [Z(x), Z(x + h)], ce qui est
decisif est de savoir si x et x+h on supposera h > 0 appartiennent
tous deux au meme segment de la maille.
Si tel est le cas, Z(x) = Z(x + h) = Zk et comme la loi de la Variable
Aleatoire implantee sur chaque segment est toujours la meme,
Cov [Z(x), Z(x + h)]
Var [Zk ]
Rappelons quil
sagit toujours de
covariance centr
ee.
Si x et x + h nappartiennent pas au meme segment, cest encore plus

simple puisque, daprès lhypothèse dindependance,
Cov [Z(x), Z(x + h]
Cov [Zk , Zk0 ]
On va donc choisir comme evenement conditionnant levenement U =

de x et x + h au meme segment . Alors, daprès le
theorème de lesperance conditionnelle, et compte-tenu du resultat sur
le moment dordre 1 :
appartenance
E [Z(x) Z(x + h)]
h
i
E EZ [Z(x) Z(x + h) | U ]
(m2 + 2 ) P [x et x + h le meme intervalle]

+ m2 P [x et x + h 6 le meme intervalle]
192
Aide-M
emoire de g
eostatistique lin
eaire :
Or, la probabilite pour que x et x + h soient dans le meme intervalle

est nulle si h > a, et vaut (a h)/a si h < a. Ainsi,
pour h < a,
ah
h
+ m2
a
a

h
= 2 1
a
m2 + C(x, x + h) = m2 + 2
soit, après simplification : C(x, x + h)
pour h > a, C(x, x + h) = 0.

Incidemment, on a etabli que C(x, x + h) ne depend pas de x : le
processus Z(x) est donc stationnaire dordre 2. Sa covariance C(h)
vaut, compte-tenu de la parite :
C(h)

|h|
2 1
a
pour | h | < a
pour | h | > a
Cest la covariance triangulaire.

Remarque : le mode de construction de cette fonction garantit quil sagit
bien dune covariance dans lespace a` 1 dimension. Il est par contre
classique que la Covariance Triangulaire nest pas un modèle autorise
dans un espace a` 2 dimensions ou plus.
2.2. G
en
eration dun mod`
ele exponentiel
Reprenons une construction similaire : des Variables Aleatoires
independantes de moments m et 2 sont affectees a` des segments, mais
en choisissant cette fois comme extremites de ces segments un processus
de Poisson de paramètre a` la place de la maille regulière.
La demarche demeure la meme. En particulier le moment dordre 1 de
Z(x) est egalement stationnaire : E [Z(x)] = m.
La probabilite que x et x + h (on suppose h > 0) appartiennent au
meme intervalle est egale a` la probabilite quil ny ait pas de point du
processus dans lintervalle [x, x + h] ; et on sait que cette probabilite
vaut eh . Alors :
m2 + C(x, x + h)

m2 + 2 eh + m2 1 eh
do`
u C(x, x + h) = 2 eh , expression qui ne depend pas de x. On a
ainsi obtenu la covariance exponentielle :
C(h)
2 e|h|
(La presence de la valeur absolue en exposant resulte de ce que lon

complète le resultat, obtenu pour h > 0, en tenant compte de la parite
de la fonction C ).
3. Introduction au krigeage al
eatoire
3.1. Pr
esentation
Le recours a` un modèle a` implantation aleatoire des donnees a dejà ete
rencontre en Estimation Globale. Dans le cas du Krigeage, il peut servir
a` decrire une situation o`
u les voisinages de krigeage sont similaires, a`
quelques irregularites de geometrie près : plutot que resoudre autant de
[1] Esp
193
systèmes quil y aura de voisinages, on prefère se referer a` un voisinage

moyen sur lequel on calculera une fois pour toutes les ponderateurs,
au prix bien s
ur dune imprecision supplementaire.
Le modèle a` implantation aleatoire est aussi un moyen de prendre en
compte des incertitudes de localisation, comme on en rencontre par
exemple dans les mesures de type bathymetrie. Notons que le problème
pratique, decisif, consiste a` modeliser ces incertitudes. . .
Pour simplifier, dans lexemple ci-dessous qui illustrera la demarche,
nous supposerons que chaque donnee Z est implantee en un point
aleatoire X , uniforme dans un domaine v et independant des autres
points. Notons que cette dernière hypothèse est dans bien des cas
irrealiste, les erreurs de localisation etant souvent structurees et surtout
fortement correlees.
Pour rendre le problème plus general, on supposera Z(x) intrinsèque
sans derive, de variogramme .
3.2. Lin
earit
e, autorisation et universalit
e
Soit a` estimer la valeur inconnue Z(x) a` laide des Z :
Z (x)
Z(X )
Il sagit bien dune combinaison lineaire de valeurs ponctuelles,

et le
P
poids total de lerreur destimation Z(x) Z (x) est 1 . On
retrouve donc la condition dautorisation habituelle
LAU
en vertu de quoi lErreur dEstimation est desperance nulle.
3.3. Optimalit
e
3.3.1. D
emarche g
en
erale
On doit minimiser la Variance dEstimation Var [Z(x) Z (x)],
= 1. La nouveaute est ici que cette

P
variance secrit Var [Z(x) Z(X )], o`
u les X sont aleatoires.
P
conditionnellement a`
Comme lErreur dEstimation est desperance nulle, on a avantage a`

ecrire sa variance
A2
E Z(x)
Z(X )
et appliquer le formalisme de lEsperance Conditionnelle. On choisira ici

de conditionner par lensemble des coordonnees des donnees. Les trois
etapes decrites precedemment permettent decrire successivement :
Chapitre 6,
paragraphe 1.3.
a` X = x fixes,
A2 | X = x , X = x , . . .
(x x )
cest-à-dire la formule habituelle.
X
,
(x x )
194
Aide-M
emoire de g
eostatistique lin
eaire :
les X = x etant rendus aleatoires,

A2 | X , X , . . .
(x X )
(X X )
Notons que cette formule est vraie en toute generalite, quelle que
soit la loi du multiplet de points (X , X , . . .).
et enfin, par application du theorème,

A2 = E A2 | X , X , . . .
Cest là seulement quintervient la loi du multiplet de points ; en

loccurrence, lhypothèse de lindependance de limplantation de ces
points est très simplificatrice.
3.3.2. Simplification pour des implantations uniformes ind

ependantes
Dans les hypothèses presentes (independance, et uniformite de X dans
v ), la loi du multiplet secrit simplement :
P (dx , dx , . . .)
dx dx
[v ] [v ]
chaque variable dx parcourant le domaine v . Ainsi
A2
dx dx
2
[v ] [v ]
(x x )
X
,
(x x )
Mais, pour un indice fixe,

dx dx
(x x )
[v ] [v ]
nest autre après simplification que
1
[v ]
Chapitre 3,
paragraphe 3.1.

dx (x x )
avec les notations usuelles :

{x}, v
De meme, pour deux indices et fixes,

dx dx
(x x )
[v ] [v ]
se simplifie en
1 1
[v ] [v ]
Z

(x x ) dx dx

v , v
si 6=
si =
3.3.3. Expression finale pour des implantations uniformes ind

ependantes
Exprimee a` laide des
, la Variance dEstimation devient ainsi, comptetenu de la distinction quil convient de faire suivant que les deux indices
et sont ou non confondus :
A2
X

v , v
{x}, v
6=
[1] Esp
195
En vue de la minimisation, il est peut-etre plus commode de lecrire sous

la forme equivalente :
A2
X
X

2
{x}, v
v , v +
( ) v , v
3.4. Syst`
eme du Krigeage Al
eatoire
La minimisation sous contrainte se fait dès lors de facon classique, et on
obtient
P
6= A [v , v ] + A
=
=
[{x}, v ]
()
en indicant naturellement par A la solution de ce krigeage al

eatoire.
Rappelons cependant que ces equations nont ete etablies que pour un
modèle très particulier dimplantation aleatoire des donnees, et que lon
peut imaginer selon la meme demarche des formulations très differentes
de Krigeages Aleatoires.
Restant dans les hypothèses presentes, nous pouvons calculer sans

difficulte la Variance de Krigeage, qui après les simplifications habituelles
devient
X

A2
, {x} v ; A
A
3.5. Remarque importante

Toujours en restant dans le cadre dimplantations uniformes et
independantes des donnees, il convient de noter que le système que nous
venons detablir nest pas le meme que celui qui aurait ete construit pour
). Il est immediat en
estimer Z(x) a` laide des valeurs moyennes Z(v
effet de verifier que dans ce dernier cas, on aurait trouve
P
V [v , v ] + V
[{x}, v ]
()
en affectant dun indice V le vecteur solution.
La difference entre les deux estimateurs A et V tient au terme diagonal

de la matrice de Krigeage : terme nul dans le cas du Krigeage Aleatoire,
mais qui vaut [v , v ] dans le cas du Krigeage a` laide des blocs v .
Aussi, meme si la Variance de Krigeage dans ce dernier cas,
V2

{x}, v V
a exactement la meme structure que pour le Krigeage Aleatoire,

elle
ne prend pas la meme valeur puisque les vecteurs solutions
V
V
sont differents.
A
A
et
196
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 2
Compl
ements sur
le th
eor`
eme dadditivit
e
Pr
esentation
On propose ici quelques generalisations au theorème dadditivite,
dabord dans le cadre restreint de lestimation dune moyenne
(cest-`
a-dire dune Derive constante dans lespace) vu au
chapitre 6, ensuite dans le modèle du Krigeage Universel tel quil
a ete presente au chapitre 7.
Au premier paragraphe, on compare les resultats du Krigeage
stationnaire a
` moyenne connue ( Krigeage Simple ) a
` ceux du
Krigeage des residus en modèle stationnaire a
` moyenne inconnue.
La precision respective des estimateurs est examinee en fonction
de la somme des poids du Krigeage Simple.
Dans le second paragraphe, on se place dans le cadre dun modèle
Sous-Jacent intrinsèque strict. On se trouve donc dans le cas o`
u
lestimation du terme constant de la derive nest plus autorisee. On
etablit comme precedemment lexpression du theorème au niveau
des estimateurs, puis des variances, mais il sagit cette fois dune
relation entre le Krigeage Universel et le Krigeage Ordinaire .
Au troisième paragraphe enfin, on revient sur le cas dun modèle
Sous-Jacent stationnaire, pour etablir une generalisation du
theorème dans le cas de Krigeages Universels de degres differents.
Cette generalisation est detaillee pour le krigeage ponctuel, et
les resultats sont sommairement mentionnes pour lestimation des
coefficients de la derive.
1. Estimation des r
esidus et Krigeage Simple
1.1. Hypoth`
eses
On se place ici dans le cadre dun modèle stationnaire a` moyenne
inconnue :
Z(x)
Chapitre 6,
paragraphe 3.3.2.
Y (x) + m
o`
u Y (x) est une Fonction Aleatoire Stationnaire desperance nulle et de
covariance K .
Le Krigeage de Z dans ces hypothèses, pour lequel on gardera par
commodite la terminologie deP Krigeage Ordinaire conduit au
u les ponderateurs
sont
resultat classique ZO (x) =
O Z o`
O
solutions du système
[O]
P
O K + O
P
système que nous supposerons

paragraphe.
Kx
()
toujours regulier dans la suite du
JJJ
198
Aide-M
emoire de g
eostatistique lin
eaire :
Par ailleurs, rappelons lestimation de m : M =

obtenue par le système
Chapitre 7,
paragraphe 2.3.
P
M K + M
[M ]
Z , qui est
M
()
Ce système est donc par hypothèse regulier lui aussi, puisquon a pris
comme hypothèse que [O] lest.
I I I Enfin, dans le meme temps, nous supposerons egalement regulier le

système de
[S]
Krigeage
Simple 1
S K
()
Kx
1.2. Conditions dorthogonalit

e
1.2.1. Krigeage ordinaire
Concernant le Krigeage Ordinaire, on a vu que lErreur dEstimation
Chapitre 7,
paragraphe 2.4.4.
ZO (x) Z(x) est orthogonale a` toute combinaison lineaire des donnees
de poids total nul :
= 0
Cov ZO (x) Z(x) ,
Z = 0
La reciproque nest pas exacte. En effet, la formule generale est
Cov ZO (x) Z(x) ,
Z =
X

et donc lorthogonalite peut avoir lieu pour une combinaison lineaire

des donnees de poids total non nul si O = 0. Dans ce dernier cas, on
a alors
O K = Kx , ce qui signifie que le Krigeage Ordinaire
sidentifie au Krigeage Simple ou encore ce qui est equivalent comptetenu de la regularite des systèmes [O] et [S] que
S = 1. Cette
condition recouvre evidemment le cas trivial o`

u lerreur de krigeage est
la variable presque s
urement nulle, cest-à-dire le cas o`
u lon krige un
point de donnee.
1.2.2. Estimation de la moyenne

La meme demarche sapplique a` lestimation de la moyenne :
Cov M ,
Z =
X

M
La condition de poids total nul est donc une condition suffisante

dorthogonalite. Mais cette fois, M ne peut pas sannuler : en effet,
M K = 0, donc M = 0, ce qui est

P
incompatible avec la condition duniversalite
M = 1. La condition
si M etait nul, on aurait
Toujours selon la
r
egularit
e du syst`
eme
de Krigeage Simple.
Ceci constitue une hypothèse supplementaire. Voir annexe consacree a` la

regularite des systèmes de Krigeage.
[2] Compl
ements sur le th
eor`
eme dadditivit
e
199
de poids total nul est donc cette fois une condition necessaire et suffisante
dorthogonalite.
1.2.3. R
ecapitulation
En resume,
P
P
h
Cov ZO Z ,
= 0
Cov M ,
= 0
Cov ZO Z ,
= 0
Z
X
= 0
P
= 0
ou
S = 1
1.3. Estimation du R
esidu
Il est facile, selon le cheminement habituel, de construire directement un
estimateur du Residu Y (x) a` laide des seule donnees Z , cest-à-dire
une combinaison lineaire ZR (x) =
Z . On etablit sans difficulte

R
que les
sont solutions du système
R
[R]
P
R K + R
P
Kx
()
Du reste, on retrouve une relation evidente resultant de la linearite

des estimateurs a` savoir
ZO (x)
le signe
estimer.

[1]
signifiant que legalite est assuree en tout point x a`
Pour une combinaison lineaire
YR (x) + M
Cov YR (x) Y (x) ,
Z quelconque des donnees,

=

Cov YR (x) Y (x) , Z
h
i

K
x
R
X

R
Cette covariance est nulle si

= 0 : la condition de poids total
nul est donc une condition suffisante dorthogonalite. Notons que cette
fois encore, comme dans le cas du Krigeage Ordinaire, cette condition
= 0
200
Aide-M
emoire de g
eostatistique lin
eaire :
I I I nest pas toujours necessaire, meme en supposant la matrice ( K )

regulière, car R peut sannuler. On verifie facilement que R = 0 si
Un exercice tr`
es simple.
et seulement si la somme des poids du Krigeage Simple est nulle la

demonstration reposant comme toujours sur la regularite des systèmes
[R] et [S].
En resume,
= 0
h
i
X
Cov YR Y ,
Z = 0
i
h
P
Cov YR Y , Z = 0
P
= 0
ou
S = 0
De ce qui precède, il sensuit que legalite au niveau des estimateurs
ZO (x) Z(x)
YR (x) Y (x)
M m
ne conduit pas en general a` une relation dadditivite au niveau des

variances destimation. En effet, comme M est une combinaison lineaire
des donnees de poids
total egal a` 1, on a necessairement une covariance

YR (x) Y (x) et M , sauf dans le cas particulier

P
o`
u
S = 0. Si en revanche
S = 0, cela entrane R = 0, et

par suite Cov YR Y , M = R = 0. Comme par ailleurs on sait

u a ete estime
que Cov M , YR 0 et ceci quel que soit le point o`
P
le Residu cela implique que, en tout point x tel que
S (x) = 0,
on a Cov [M , Y (x)] = 0.
non nulle entre
En resume,
S (x) = 0
h
i
Cov
Y
(x)
Y
(x)
,
M
= 0
h
i
Cov Y (x) , M
= 0
1.4. Estimation des R

esidus et Krigeage Simple
Chapitre 7,
paragraphe 5.3.
Rappelons le theorème dadditivite classique , tel quil sexprime dans

le cadre des hypothèses actuelles :
ZO

M +
Z M
S
[2] Compl
ements sur le th
eor`
eme dadditivit
e
201
ou encore
ZO (x)

X
ZS (x) + M 1
(x)
S
[2]
Alors, par comparaison entre [1] et [2] :
YR (x)
ZS (x) M
X
(x)
S
En passant aux erreurs destimation,
YR (x) Y (x)
ZS (x) Z(x)
mM
X
S (x)

et comme lerreur de Krigeage Simple est orthogonale a` toute

combinaison lineaire des donnees, donc en particulier a` M ,
R2 (x)
2
S2 (x) + M
X
(x)
S
2
[3]
1.5. Quelques relations din

egalit
e entre variances
De la formule dadditivite ci-dessus, on deduit
R2 (x)
S2 (x)
legalite etant atteinte si, et seulement si, la somme des poids

(x) de
S
Krigeage Simple est nulle.
Par ailleurs, au niveau des variances, on peut tirer de [2] la relation
classique
O2 (x)

2
X
2
S2 (x) + M
1
(x)
S
qui conduit, après developpement du carre et compte-tenu de [3], a` la

2
(x) et R2 (x) :
relation entre O
O2 (x)

X
2
R2 (x) + M
12
(x)
S
[4]
ce qui met en evidence le role de la valeur 1/2 pour la somme des poids
de Krigeage Simple :
(x) 1/2
S
O2 (x) R2 (x)
Par ailleurs,
2
O2 (x) = R2 (x) + M
(x)
(x) = 0
S
Dans ce dernier cas,

(x) =
(x), et R = 0 : lorsque la somme
R
S
des ponderateurs du Krigeage Simple est nulle, lestimation du Residu
sidentifie au Krigeage Simple.
Voir par exemple

Rivoirard, 1984.
202
Aide-M
emoire de g
eostatistique lin
eaire :
1.6. R
ecapitulation sur les variances et covariances
Dans la suite de ce paragraphe, et afin dalleger les ecritures, nous
designerons par q la somme des poids de Krigeage Simple, autrement
S (x). Cette quantite est le complement a` 1 du poids de

la moyenne m , tel quil est etudie dans la bibliographie.
dit q =
Voir en particulier
Rivoirard, 1984.
Rappelons dabord les relations entre les differents estimateurs

rencontres :

ZO = ZS + M 1 q
YR = ZS M q

ZO = YR + M
On se propose maintenant de faire linventaire des variances et

covariances relatives aux quatre estimateurs suivants : Krigeage Simple,
Krigeage Ordinaire, Residu et Derive. Afin den faciliter la comparaison,
2
ces resultats seront exprimes a` laide seulement de S2 , M
et q .
Certains resultats sont de simples rappels ; le calcul (très simple !) des
autres repose essentiellement sur les trois relations precedentes, et sur
lorthogonalite de lestimation de la Derive et de lerreur du Krigeage
Simple. Le tableau recapitulatif est alors le suivant :
Cov
ZS Z
ZO Z
YR Y
2
M
2
1 q M
2
q M
ZS Z
S2
ZO Z
S2
S2 + 1 q
YR Y
2
S2
2
M
2
S2 q 1 q M
2
S2 + q 2 M
1.7. Valeurs particuli`

eres de la somme des poids de KS
On examine enfin les cas particuliers des equations [2], [3] et [4], ainsi
que des covariances etablies au 1.6, pour quelques valeurs sensibles
de la somme q des poids de Krigeage Simple.
1.7.1. Somme
egale `
a1
Ce cas particulier est classique : on sait en effet, par la formule [2],
que cette egalite est une condition necessaire et suffisante pour quil y
ait identite entre Krigeage Ordinaire et Krigeage Simple . On a
alors le jeu de relations :
ainsi que :

Z
= ZS
(et O = 0)
YR = ZS M = ZO M
2
2
2
R = S2 + M
= O2 + M
[2] Compl
ements sur le th
eor`
eme dadditivit
e
Cov ZO Z , M
Cov ZO Z , YR Y
Cov YR Y , M
1.7.2. Somme
egale `
a0
= 0
2
= M
203
= S2
Dans ce cas,

ZO = ZS + M
YR = ZS
(et R = 0)
2
2
2
O = R2 + M
=
S2 + M
ainsi que

Cov ZO Z , YR Y
= S2

Cov ZO Z , M
= M
Cov YR Y , M
Cov [Y , M ]
= 0
= 0
1.7.3. Somme
egale `
a 1/2
Cest, pour la somme des ponderateurs du Krigeage Simple, la valeur endessous de laquelle lestimation des Residus est meilleure que celle du
Krigeage Ordinaire. En revanche, pour
(x) 1/2, lestimation
des Residus est moins bonne que celle du KO. Pour cette valeur frontière,
on a donc

YR = ZS
ZO = ZS +
2
R = O2
1
2
1
2
M
= S2 +
1
4
2
M
2
= R2 ne signifie nullement quil y ait
Naturellement, legalite O
identite entre ZO et YR . (Par identite, il faut entendre ici

egalite
quelles que soient les donnees Z , ou mieux encore egalite des

ponderateurs
et
). Une telle identite nest pas possible, puisque
O
R
= 1 tandis que
Par ailleurs,
= 0.

2
Cov ZO Z , YR Y
= S2 41 M

2
= 21 M
Cov ZO Z , M

2
Cov YR Y , M
= 21 M
2. Th
eor`
eme dadditivit
e pour le mod`
ele intrins`
eque
2.1. Expression du th
eor`
eme au niveau des estimateurs
On revient dans ce paragraphe au problème du KU dans le cas o`
u
le modèle Sous-Jacent est seulement intrinsèque. On sait que cette
JJJ
204
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 7, paragraphe 4.2
hypothèse a en particulier pour consequence limpossibilite destimer

le terme constant de la Derive.
Avec les notations usuelles ( pour le variogramme,
al fxl pour la
derive), on notera avec un indice U la solution du Krigeage Universel,

soit :
[U ]
P
P
l
U +
l U l f
U fl
et avec un indice O la solution du
[O]
()
fxl
(l)
Krigeage
P
O + O
Ordinaire , cest-à-dire :
()
Comme il ny a pas de confusion possible avec les notations du chapitre 7,

on designera cette fois encore avec un indice la difference
Z (x)
ZU (x) ZO (x)
donc
Z (x)
(x) Z
avec
(x)
(x)
(x)
O
U
Si de plus on pose
U 0 0
U l
pour l 6= 0
on deduit alors par soustraction des systèmes [U ] et [O] :
P
P
l
+
l l f
P l
f
()
fxl
O fl
(l 6= 0)
De ce nouveau système, on deduit immediatement
fxl
O fl
l6=0
Chapitre 7,
paragraphe 4.2.
o`
u, selon les notations usuelles, les l sont les solutions du système
destimation des coefficients al de la derive :
P
P
s
l +
s l s f
l fs
()
ls
(s)
[2] Compl
ements sur le th
eor`
eme dadditivit
e
205
Alors,
XX
X X
l6=0
O fl
fxl
l6=0
fxl
Al
fxl
O fl
O fl
l6=0
do`
u
ZU (x)
ZO (x) +
Al
fxl
O fl
[1]
Telle est lexpression du theorème dadditivite, dans le cas intrinsèque

strict, au niveau des estimateurs.
Notons que le problème de lindice l = 0 ne se pose pas puisque
fxl

O fl , le coefficient correspondant dans lexpression de ,
sannule. Autrement dit, la contrainte l 6= 0 qui figure dans les
sommations ci-dessus est superflue. AinsiZ

(x) ne depend-il pas dun J J J
hypothetique A0 non plus bien s

ur que ZU (x) .
P
2.2. Expression du th
eor`
eme au niveau des variances
Soit alors lerreur destimation du Krigeage Universel :
ZU (x) Z(x)
ZO (x) Z(x) +
Al
fxl
dans laquelle on fait apparatre lerreur de
O fl
ZO (x) Z(x).
Krigeage
Ordinaire
On sait, comme consequence du theorème general, que cette erreur de

KO est orthogonale a` toute combinaison lineaire des donnees de poids
total nul. Or les estimateurs Al sont de telles combinaisons, a` lexception
de A0 mais A0 est affecte dun coefficient nul dans lequation [1]
ci-dessus, et a donc disparu. Donc la somme
Al fxl
O fl
Chapitre 7,
paragraphe 2.4.4.
est une CLA : elle admet par consequent une variance, et est de plus
orthogonale a` lerreur de Krigeage Ordinaire ZO (x) Z(x). Et
donc par suite,

Var ZU (x) Z(x)
Var ZO (x) Z(x)
+ Var
"
X
l
Al
fxl
O fl
!#
206
Aide-M
emoire de g
eostatistique lin
eaire :
ce qui prouve incidemment que
U2 (x)
O2 (x)
Cette formule peut se developper en
U (x)
O (x) +
XX
l
Chapitre 7,
paragraphe 4.2.
fxl
O fl
Cov [Al , As ]
fxs
O fs
soit encore, avec les notations usuelles
U (x) = O (x)
ls
fxl
O fl
l,s
fxs
O fs
On remarquera une nouvelle fois quil est superflu de preciser dans la

double sommation que les indices l et s doivent etre non nuls : les termes
correspondants a` l =
0) disparaissent, puisquils sont affectes
P0 (ou sl=
dun facteur fxl
qui sannule.
f
O
2.3. Illustration sur un cas simple
A 1 dimension, on suppose integralement connue sur lintervalle
[R, +R] une Fonction Aleatoire Z(x) de variogramme lineaire

(h) =| h |, et de derive lineaire m(x) = a0 + a1 .x. On souhaite
kriger Z au point R + h (avec h > 0).
On sait par un exercice classique que le Krigeage Ordinaire (en
labsence de derive) donnerait ZO (R + h) = Z(R) : cest une
consequence du caractère markovien du variogramme lineaire.
Par ailleurs, on verifie facilement que lestimateur de la pente a1 de la
derive est
A1
Z(R) Z(R)
2R
ce qui signifie que la derive lineaire a meme pente que la droite joignant
les deux extremites du segment de donnees. On a incidemment :
Var [A1 ]

1
2(2R)
4R2
1
R
On peut bien s
ur proposer un Krigeage Universel direct de Z(R + h),
par
ZU (R + h)
o`
u:
Z R
(dx) | x y | + O
Z R
(dx)
Z R
x (dx)
R
(dx) Z(x)
R
+ 1 y
|R+hy |
|R+h|
[2] Compl
ements sur le th
eor`
eme dadditivit
e
207
les condition doptimalite etant vraies y [R, +R]. Mais cest ici
quil est plus simple dappliquer le Theorème dAdditivite :
ZU (R + h)
ZO (R + h) + A1 (R + h R)
Z(R) + A1 h
Ce meme theorème au niveau des variances permet decrire
U2 (R + h)
O2 (R + h) + h2 Var [A1 ]
Mais
O2 (R + h)
Var Z(R + h) ZO (R + h)
Var [Z(R + h) Z(R)]
2 (h)
cest-à-dire 2h, et on a vu par ailleurs que Var [A1 ] =
U2 (R + h)
2h +
1
. Do`
u:
R
h2
R
3. G
en
eralisation `
a des KU de degr
es diff
erents
3.1. Notations
Revenons maintenant au cas dune Fonction Aleatoire admettant une
covariance Sous-Jacente K . On propose cette fois deux modèles de
derives,
Z(x)
Y (x) +
a l fxl
a
l fxl
lk
et
Z(x)
Y (x) +
lk
, les fonctions de base f l etant identiques pour l k .

o`
u k < k
les Krigeages Universels etablis
On indicera respectivement par U et U
dans chacun de ces modèles. Ainsi :
ZU (x)
(x) Z
o`
u les (x) sont solutions de
U
[U ]
P
P
s
U K +
s U s f
P
U fl
Kx
()
fxl
(l k )
tandis que
ZU (x)
(x) Z
208
Aide-M
emoire de g
eostatistique lin
eaire :
o`
u les (x) sont solutions de
U
]
[U
P
P
fs
U K +
s
s U
P
U fl
Kx
()
fxl
)
(l k
De meme, pour les estimations des coefficients des derives,
AU l
Z
l
U
avec, l k ,
[D]
P
P
s
U l K +
sk U sl f
P
l fs
U
()
ls
(s k )
()
ls
)
(s k
tandis que
AU l
Z
l
U
,
avec, l k
[D]
P
P
s
U l K +
U
sl f
sk
P
Chapitre 7,
paragraphe 2.4..
l fs
U
Enfin, daprès le theorème dorthogonalite, nous avons les resultats

complementaires suivants : lErreur de KU Z (x) Z(x)
U
[respectivement : Z (x)Z(x)] est orthogonale a` toute combinaison
U
lineaire des donnees Z qui verifie
].
[respectivement : pour tout l k
fl = 0 pour tout l k
3.2. Additivit
e des estimateurs du Krigeage
Cette notation, toute
temporaire, ne risque pas
de pr
eter a
` confusion avec
les d
efinitions pr
ec
edentes.
Notons cette fois
ZU ZU
et reprenons sous une forme plus generale la demarche precedente, en

posant
U
U
U l U l
(l : l k )
U l
)
(l : k < l k
] :
On obtient par soustraction des systèmes [U ] et [U
P
P
l
f
P l
f
sk
s fs
()
(l k )
fxl
U fl
(l > k )
[2] Compl
ements sur le th
eor`
eme dadditivit
e
209
, permet decrire :
ce qui, par identification au système [D]
l>k

X
l
l
f
U
U
U ls
l>k
fxl
U fl
(s k)
Alors,
X
l>k

X
l
l
f
f
l
U
U
ce qui, au niveau des estimateurs, donne :
ZU (x)
ZU (x) +
l >k

X
AU l fxl
U fl
On dispose ici de la version la plus generale du theorème dadditivite.

Ainsi par exemple, si [U ] correspond a` une absence de Derive (donc, au
Krigeage Simple ), on retrouve bien la formule classique :
ZU (x)
ZS (x) + Mx
JJJ
Chapitre 7,
paragraphe 5.3.
S M
Mx +
S Z M
3.3. Additivit
e des variances
Pour l > k , A l est une combinaison lineaire des donnees autorisee a`
U
]. Ainsi,
lordre k en vertu des conditions duniversalite du système [U
h
Cov Z (x) ZU (x), A l

U
(l > k)
On a donc
Var Z (x) Z(x)

U
Var Z (x) Z(x)

U
+ Var
X
l>k
AU l fxl
U fl
ce qui prouve en particulier que
U2 (x) > U2 (x)

Notons dailleurs que cette inegalite est evidente si on considère le
Krigeage en termes de projections.
Journel, 1977.
210
Aide-M
emoire de g
eostatistique lin
eaire :
Enfin, si on tient compte de ce que Cov A l , A s

obtient lexplicitation :
U2 (x)
U2 (x)
fxl
fl

U
l >k
s>k
= U ls , on
fxs
U ls
U fs
Remarquons dailleurs, ce qui a dejà note ci-dessus au cours de la

presentation dans le cadre intrinsèque, que la restriction sur les indices de
la sommation double (l > k et s > k ) est en realite superflue, puisque,
en vertu des equations duniversalite du système [U ], les termes de la
sommation sannulent dès que lun des indices l ou s est k .
3.4. Formulaire des estimateurs de coefficients de la D

erive
Les etapes pour etablir ce formulaire sont similaires a` celles parcourues
au niveau du Krigeage ponctuel. Posant, l k ,
ls
ls
l l
U ls U ls
(s : s k )
U ls
)
(s : k < s k
et [D]
:
On obtient par soustraction des systèmes [D]
P
l K
s
l f
P s
l f
sk
ls fs
()
(s k )
et donc, pour l k
s
U
U ts
s>k
U l fs
s>k
lt
X
X
(s > k )
l fs
U
U l fs
(, l k)
l k)
(t k,
Alors, toujours pour l k ,
A l
U
AU l +
AU l
XX
l Z
t>k
do`
u
U t
U l ft Z
[2] Compl
ements sur le th
eor`
eme dadditivit
e
AU l
AU l
AU t
t>k
X
U l ft
211
(l k)
,
Enfin, pour l k et s k
h
Cov A l , A s
U
, l
K
s
U
(1)
U
s
U tl ft
tk

X
t
U s f
tk U tl
.
(1) : daprès les equations doptimalite de [D]
Deux cas sont alors a` distinguer :
Si s > k , on a toujours t 6= s, et le resultat est nul, puisque la

sommation en lest.
, et la
Si s k , la sommation en se reduit a` st daprès [O]
sommation en t est finalement egale a` U sl
Do`
u le tableau recapitulatif :
Cov A l , A s
Cov A l , A s
Cov A l , A s
U
U ls
s k)
(l k,
U ls
s k)
(l k,
s > k)
(l k,
U ls
s k)
(l k,
212
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 3
Aspect dual
du Krigeage Universel
1. Pr
esentation duale du Krigeage Universel
1.1. Compl
ement sur lestimation du r
esidu
Nous avons precedemment construit le système de Krigeage du Residu
Y (x) dans le cas dun modèle stationnaire a` moyenne inconnue, cesta`-dire a` Derive constante dans lespace. Il est immediat de generaliser
cette construction au cas dun modèle de type Krigeage Universel en
supposant toujours le Residu stationnaire pour simplifier la presentation.
De la sorte, si
X
Z(x)
Voir annexe
consacr
ee au
th
eor`
eme dadditivit
e.
al fxl
Y (x) +
o`
u Y (x) est une Fonction Aleatoire Stationnaire dordre 2 de covariance
K , alors
X
YR (x) =
Z
R
avec
[R]
P
P
l
R K +
l R l f
P
R fl
Kx
()
(l)
On suppose bien s
ur par la suite ce système regulier.
donc lestimateur Y (x) lui-meme sont
Ainsi, les ponderateurs
R
des combinaisons lineaires des Kx . Avec les notations adoptees pour
linverse du système de Krigeage, nous avons donc

(x)
R l (x)
=
=
c
l
Kx
c
l Kx
o`
u, rappelons-le, les
ne sont autres que les ponderateurs
l de
lestimation du coefficient al de la Derive. Rappelons aussi que, pour
et sont caracterises
un indice quelconque fixe, les coefficients B
l
par le système

K + f l
B
l
l
B f
( )
(l)
Chapitre 7,
paragraphe 5.2.
214
Aide-M
emoire de g
eostatistique lin
eaire :
Lestimation du residu peut donc secrire
Y (x)
XX
Kx Z
B
soit, au niveau de la Variable Regionalisee,
y (x)
b Kx
z
B
Ladjectif vrai doit

toujours
etre compris
comme vrai dans le
mod`
ele probabiliste .
On pourrait, par analogie avec le vocabulaire employe pour lestimation

de la Derive, etre tente dappeler les b coefficients du residu
estime , puisque ce residu estime se developpe selon les Kx comme
la derive se developpe selon les fxl . Toutefois, il existe une difference
importante : dans le modèle du KU, la Derive vraie est effectivement
un developpement al fxl , et les al qui surgissent dans le mecanisme
destimation sont effectivement les estimateurs des vrais al . Au contraire,
les coefficients b qui apparaissent lors de lestimation du Residu nont
pas de correspondant dans le modèle de depart : le Residu vrai nest pas
un developpement selon les Kx .
1.2. Estimation de la D
erive et Krigeage Universel
Chapitre 7,
paragraphe 4.1.
Nous savons que
m (x)
al fxl
l z
al
(Comme precedemment pour le Residu, nous exprimons cette estimation

au niveau de la Variable Regionalisee).
Par ailleurs, de la relation evidente
zU (x)
Voir annexe consacr
ee au
Th
eor`
eme dAdditivit
e.
zR (x) + m (x)
(vue en detail dans le cas particulier du Krigeage Ordinaire ), il

sensuit que lestimateur du Krigeage Universel est une combinaison
lineaire des Kx et des fxl , soit :
zU (x)
b Kx +
al fxl
Dans la demarche actuelle, les b et al , qui ne dependent pas du point

x a` estimer, ont ete calcules par un processus tenant compte du modèle
probabiliste : la construction de la matrice du KU, dans une optique de
minimisation de variance.
2. Caract
erisation des coefficients du KU
On se propose maintenant de caracteriser les coefficients b et al par
un jeu dequations qui saffranchira de toute interpretation probabiliste.
On sait pour commencer que le KU est un interpolateur exact. Si le
point a` estimer x est confondu avec un des points de donnees x (et
[3] Aspect dual du Krigeage Universel
215
ceci quel que soit ), on a zU (x ) = z . De la sorte, on dispose dun

jeu dequations
zU (x )
b K +
al fl
( )
Ces equations sont au nombre de N , si N est le nombre de points de

donnees.
Par ailleurs, nous savons que
P
b = B
z .
Donc,
l :
P l
B f = 0
b fl
(l, ) et que
z f l
B
Paragraphe 1.1.
On a cette fois k equations, k etant le nombre de fonctions f l .

En resume, on dispose de N + k equations que satisfont les N + k
coefficients b et al :
[B]
P
P l
b K +
l al f
P
b fl
( )
(l)
Mais ce système nest autre, quant a` son premier membre, que le système
du Krigeage Universel, que lon a suppose regulier. Ce qui signifie que
ce jeu dequations [B] caracterise les coefficients b et al .
Autrement dit, si cette fois on definit un estimateur z(x) par
z(x)
b Kx +
al fxl
o`
u les b et al verifient le système [B], on sait que z(x) est en realite
identique a` lestimateur zU (x) du Krigeage Universel.
Mais, dans cette construction de z(x), toute reference probabiliste a
disparu : sous sa forme z(x), lestimateur du KU na donc plus le
sens que dun interpolateur. On sait de plus que dans la decomposition
b Kx +
al fxl , le premier terme correspond a` lestimation du
Residu, et le second a` celui de la Derive.

Telle est finalement la formulation duale du Krigeage Universel.
3. Int
er
et pratique
Dans tout le present paragraphe, on supposera le jeu de donnees fixe J J J
une fois pour toutes. Cette condition est essentielle.
Dans loptique classique, une estimation du Krigeage Universel par
exemple exige de resoudre autant de systèmes que de points a` estimer.
On peut egalement inverser une seule fois le système de KU, et stocker
et , qui sont donc en nombre N (N + k). Cette
les coefficients B
l
approche revient a` resoudre (N + k) systèmes.
En revanche, si on renonce au calcul des variances, on peut se contenter
destimer et stocker les (N +k) coefficients b et al , a` laide dune seule
resolution du système : gain de memoire et surtout gain de calcul peuvent
etre considerables, puisque ces seuls coefficients permettent de realiser
Le stockage du reste de la
matrice inverse nest pas
utile si on ne sint
eresse
pas aux variances.
216
Aide-M
emoire de g
eostatistique lin
eaire :
lestimation en autant de points que souhaite, sans nouvelle resolution

dequations.
4. Perspectives
On notera que la formulation duale du Krigeage fournit une indication
precise sur les proprietes analytiques de lestimateur. Si, comme on le
suppose presque toujours, les fonctions de base fxl sont des monomes, ou
tout au moins des fonctions indefiniment derivables, alors le caractère
de regularite de z (x) est uniquement lie au degre de continuite de la
fonction K , cest-à-dire plus precisement a` sa regularite a` lorigine.
Par ailleurs, on remarque que lequation destimation
z (x)
b Kx +
al fxl
donne, au moins sous forme implicite, lequation des lignes de niveau, la

ligne de niveau z0 etant le lieu des points x tels que z (x) = z0 :
x:
z (x) = z0
Compte-tenu du caractère extremement simple de lexpression de z (x),

on pourrait donc imaginer un algorithme de cartographie automatique
qui ne necessiterait pas le recours a` une grille intermediaire, comme cela
se fait usuellement. Inutile de preciser que cette approche, extremement
simple en voisinage unique, risque de se compliquer notablement lors du
passage en voisinages glissants.
Chapitre 4
D
emonstration
du th
eor`
eme des
Repr
esentations
1. Hypoth`
eses
Z est une FAI-k, cest-à-dire que
Z est une application lineaire sur k ;
k , Z (h ) est stationnaire dordre 2 en h.
2. Enonc
e du th
eor`
eme
Theorème :
Toute FAI-k Z admet des Representations.

Si Z(x) est une de ces Representations, toutes les autres Representations Z1 (x)
sont de la forme :
Z1 (x)
Z(x) + Al f l (x)
o`
u les Al sont des Variables Aleatoires quelconques.
3. Construction dune repr

esentation particuli`
ere
3.1. Choix dun syst`
eme de pond
erateurs
Soit un jeu de points x , et une famille de coefficients verifiant :
s
l f
ls
Remarque : quelle que soit la dimension de lespace, il est toujours

possible de trouver de tels coefficients si le nombre de points x est
suffisant. Cette relation nest autre que la condition duniversalite du
problème destimation des coefficients de la derive en KU. Notons
dailleurs que cette relation ne caracterise pas les
l , mais cest ici sans
importance : ce qui est decisif est la possibilite de construire au moins
un jeu de tels coefficients.
3.2. Construction dune CLA dordre k

Construisons maintenant une mesure, designee par x , et affectant les
poids suivants :
Chapitre 7,
paragraphe 4.1.
218
Aide-M
emoire de g
eostatistique lin
eaire :
le poids
les poids
fxl
l
au point
aux points x
Nous adopterons la notation en mesure :
x (dt)
x (dt) fxl
l (dt)
Alors, pour toute fonction de base f s :
f s (t) x (dt)
s
f sx fxl
l f
=
(1)
f sx fxl ls
f sx fxs
(1) : resultant de la relation sur les

l .
Donc : x est une mesure autorisee.
3.3. Construction dune Fonction Al

eatoire non stationnaire
Definissons une fonction aleatoire non stationnaire Z(x) par :
Z(x)

Z (dt)
Soit par ailleurs k une Combinaison Lineaire Autorisee dordre k

quelconque. Alors :
(dx) Z(x)
=
(1)
(dx) Z (x (dt))
Z
(dx) x (dt)
sur k (lintegrale
(1) : etant une consequence de la linearite de Z
est selon dx).
Mais, compte-tenu de la definition de x , cette integrale en dx secrit :
(dx) x (dt)
=
=
=

l
(dx) x (dt)
l fx (dt)
(dt)
l (dt)
(dx) fxl
(dt)
parce
que est par hypothèse une CLA-k, et que par suite lintegrale
Z
(dx) fxl sannule.
[4] D
emonstration du th
eor`
eme des Repr
esentations
En reportant dans legalite precedente, on obtient donc :
Z
egalite vraie
Representation de Z .
(dx) Z(x)
Z()
k . On a donc demontre que Z(x) une
3.4. Conclusion
On sait donc construire au moins une Representation Z(x) pour toute
.
Fonction Aleatoire Intrinsèque dordre k quelconque Z
4. Caract
erisation de lensemble des repr
esentations
4.1. Enonc
e
Deux Fonctions Aleatoires sont Representations dune meme FAI-k si et
seulement si elles diffèrent dun polynome arbitraire Al fxl de degre k .
4.2. Condition suffisante

, et Al f l un polynome quelconque.
Soit Z(x) une Representation de Z
x
Posons :
Z1 (x)
Z(x) + Al fxl
Alors, k ,
(dx) Z1 (x)
(dx) Z(x) + Al
Z
(1)
(2)
(dx) fxl
(dx) Z(x)
Z()
(1) : parce que est une CLA-k ;
.
(2) : parce que Z est Representation de Z
.
Donc, par definition, Z1 est Representation de Z
4.3. Condition n
ecessaire
:
Soient Z et Z1 deux Representations de la meme FAI-k Z
k :
(dt) Z(t)
(dt) Z1 (t)
Z()
Posons alors Z0 = Z Z1 . Par definition,
k :
(dt) Z0 (t)
Cette egalite sera vraie en particulier pour la mesure x (dt), definie

ci-dessus au 3.2,qui est une Combinaison Lineaire Autorisee dordre k.
219
220
Aide-M
emoire de g
eostatistique lin
eaire :
Donc,
=
=
(1)

x (dt) fxl
l (dt) Z0 (t)
Z0 (x) fxl
l Z0 (x )
Z0 (x) Al fxl
(1) : en posant Al =
l Z0 (x ).
Il sagit là dune egalite vraie x, donc dune identite en x. Ainsi :
Z0 (x)
Al fxl
Et finalement, Z et Z1 diffèrent dun polynome en x.
Chapitre 5
D
emonstration du
th
eor`
eme de r
egularit
e
du Krigeage Intrins`
eque
1. Enonc
e du th
eor`
eme
Theorème :
Le système de Krigeage Intrinsèque
P
K + l fl
P
fl
Kx
fxl
est regulier si et seulement si :
la sous-matrice des Covariances Generalisees

K est de type positif conditionnel strict ;
les Fonctions de Base fl sont lineairement
independantes sur les donnees.
2. Remarque pr
eliminaire
Un moyen commode de verifier la regularite de la matrice :
K fl
fl
est de sassurer que le système homogène :
P
b K + cl fl
P
b fl
()
(l)
na pas dautres solutions que b = 0 et cl = 0.
3. Condition n
ecessaire
3.1. N
ecessit
e de la seconde condition
Supposons une dependance lineaire des Fonctions de Base sur les
donnees, cest-à-dire la seconde condition non satisfaite. Soit donc Dl
un jeu de coefficients non tous nuls tels que, , Dl fl = 0 .
222
Aide-M
emoire de g
eostatistique lin
eaire :
Alors, le jeu de coefficients b = 0 et cl = Dl est solution du système

homogène. Or ces coefficients sont non tous nuls daprès lhypothèse faite
sur les Dl . Donc le système homogène, qui admet une solution non nulle,
est singulier.
En fait, on peut trouver

une infinit
e de jeux de
tels coefficients. Dans le
cas pr
esent, peu importe
le jeu particulier choisi.
Par la suite, nous devons donc supposer au moins la seconde condition

satisfaite. Cela a pour consequence dabord que le nombre de donnees
doit etre au moins egal au nombre de fonctions de base, et ensuite surtout
que la matrice rectangulaire fl doit etre de rang p, o`
u p est le nombre de
fonctions de base. On peut donc trouver au moins un jeu de coefficients
erifiant :
l v
s
l f
ls
3.2. Effet du non-respect de la premi`

ere condition
Supposons que la première condition ne soit pas satisfaite. Il existe alors
une mesure non nulle cest-à-dire un jeu de coefficients non
tous nuls telle que :
Autrement dit, il existe une CLA-k, a` savoir Y

identiquement nulle et telle que :
Var [ Z ]
= Z , non
Soit donc X est une Combinaison Lineaire Autorisee dordre k ,

, avec k . En vertu de linegalite de
quelconque : X = Z()
Schwartz,
p
| Cov [Y, X] |
Var [Y ] .Var [X]
do`
u
Cov [ Z , X]
Autrement dit :
k :
K(x t) (dt)
3.3. N
ecessit
e de la premi`
ere condition
Voir annexe sur
le th
eor`
eme des
Repr
esentations.
Appliquons la formule precedente a` la CLA-k x dejà rencontree, cesta`-dire dans le cas
(dt)
x (dt)
x (dt) fxl
l (dt)
o`
u x est un point quelconque. Alors :
Kx l K fxl
Kx el fxl
h
i
K(x t) x (dt) fxl l (dt)
en posant el = l K . Cette egalite etant vraie pour tout x, elle

est vraie en particulier pour x prenant toutes les valeurs x , x . . .. On
[5] D
emonstration du th
eor`
eme de r
egularit
e du Krigeage Intrins`
eque
a ainsi montre que le jeu de coefficients et el , non tous nuls selon

lhypothèse sur les , verifie :
P
K + (el ) fl
P
fl
( )
(l)
cest-à-dire le système homogène. Celui-ci est donc singulier, et la

première condition est bien ainsi, comme la seconde, necessaire a` la
regularite du Krigeage Intrinsèque.
3.4. R
esultat compl
ementaire
3.4.1. Cons
equence du th
eor`
eme pr
ec
edent
Accessoirement, nous avons demontre que si est une CLA non
identiquement nulle qui verifie K = 0, alors, x,
Kx = el fxl
o`
u les el sont des coefficients numeriques dependant de , de la fonction
structurale K , et des points x .
Donc, K = 0 entrane que lexpression Kx est une
combinaison lineaire des fonctions de base fxl .
3.4.2. R
eciproque
La reciproque est immediate : si , Mesure Autorisee dordre k, est telle
que, x, Kx el fxl , alors :
(el fl )
el fl
La forme quadratique K est nulle.
3.4.3. Enonc
e
k :
( K = 0)
Kx = el fxl
Une Combinaison Lineaire Autorisee dordre k Z()

est de variance nulle si et seulement si la combinaison
Kx est, identiquement en x, combinaison lineaire
des fonctions de base fxl .
4. Condition suffisante
Supposons maintenant les deux conditions de regularite satisfaites, et
soit le système homogène :
P
b K + cl fl
P
b fl
()
[a]
(l)
[b]
223
224
Aide-M
emoire de g
eostatistique lin
eaire :
Multiplions les equations [a] par b , et sommons en :
b K b + cl fl b
Mais comme, daprès [b], fl b = 0, on obtient
b K b
ce qui, daprès la propriete [1] supposee verifiee par hypothèse, implique

b = 0, ().
En reportant dans les equations [a], il sensuit que, , cl fl = 0 ce
qui entrane daprès la propriete [2] que cl = 0
Ainsi, la seule solution du système homogène est le vecteur nul : donc le
Chapitre 6
Equivalence
Spline-Krigeage
Pr
esentation
A laide du formalisme du Krigeage dual, on veut montrer
(dans le cas fini seulement) que les estimateurs rencontres en
Geostatistique Lineaire peuvent sexprimer en terme dintegrales
despace (Splines).
Le point de vue du Krigeage Universel est une première approche.
On suppose que le modèle admet une covariance Sous-Jacente
stationnaire, et on examine successivement les formulations de
lestimation de la Derive et du Krigeage Simple. La synthèse,
relative au formalisme du Krigeage Universel, est acquise gr
ace
au theorème dadditivite.
Le point de vue du Krigeage Intrinsèque exige de formuler
de nouvelles hypothèses, et en particulier de prouver que
lindetermination inherente au formalisme des FAI-k est sans
consequence sur linterpretation de nos resultats en termes de
Splines. Le theorème dequivalence peut ensuite etre complete par
quelques resultats algebriques sur les proprietes de la matrice de
Krigeage Intrinsèque.
1. Estimation des coefficients de la d

erive
Dans tout ce paragraphe, nous nous placerons dans le cadre dun modèle
de dichotomie, o`
u le phenomène global est considere comme la somme
dun Residu admettant une Covariance et dune Derive deterministe. Ce
sont là les conditions du Chapitre 7, a` modèle Sous-Jacent stationnaire.
1.1. Syst`
eme destimation
Rappelons le système destimation des coefficients as de la Derive :
(s)
As =
s Z , avec :
P
s + ls fl
P
s f
( )
[1]
st
(t)
[2]
Notations : pour eviter tout rapprochement intempestif avec le modèle

de FAI-k examine ulterieurement, nous choisirons exceptionnellement de
noter la fonction de covariance.
On suppose de plus que la matrice de terme general , o`

u et
parcourent lensemble des donnees, admet un inverse de terme general
Q soit, en ecriture matricielle : []1 = [Q].
Les equations [1] secrivent alors :
ls fl Q
Chapitre 7,
paragraphe 4.1.
226
Aide-M
emoire de g
eostatistique lin
eaire :
do`
u, en reportant dans les conditions [2] :
ls fl Q ft
st
(s, t)
Si on pose g st = fl Q ft , on a donc (matriciellement)
[] = [g]1
Enfin, reportant lexpression de

s dans lestimation de As , et en se
placant au niveau de la Realisation, on obtient :
as
ls fl Q z
[3]
1.2. Estimateur du maximum de vraisemblance (cas gaussien)

On considère une Fonction Aleatoire gaussienne de covariance
supposee connue, et de Derive al fxl , o`
u les al sont inconnus. On conserve
la notation , , . . . pour lindice des points de mesure.
Lestimation du maximum de vraisemblance de la Derive consiste a`
rechercher les valeurs des paramètres al inconnus qui maximisent la
densite de probabilite du multiplet {z , z , . . .}. Cette densite secrit,
dans le cas gaussien :
f (z ; al )
(2 Det[])
n
2
e 2 (z al f ) Q
(z as fs )
o`
u:
n designe la dimension des matrices [Q] et [] ;

Q est linverse de la matrice ;
Det[] est le determinant de . Le facteur devant lexponentielle
est donc connu ;
les al et as sont les inconnues du problème.

Ainsi, maximiser f (z ; al ) revient a` maximiser lexpression en exposant,
donc a` minimiser la forme quadratique
(z al fl ) Q (z as fs )
1.3. Point de vue g

en
eral
On definit cette fois un jeu destimateurs a
s des as comme etant les
valeurs qui minimisent la forme quadratique :
(z as fs ) Q (z at ft )
Il existe bien un tel minimum, et unique, puisque Q est strictement
definie positive comme inverse de . On sait donc de plus que, dans
le cas dune Fonction Aleatoire gaussienne, cet estimateur est identique
a` celui du Maximum de Vraisemblance.
Dans le cas general, lestimateur a
annule les derivees partielles de la
forme quadratique, cest-à-dire quil est solution de

(z as fs ) Q (z at ft )
al
(l)

[6] Equivalence
Spline-Krigeage
227
On a donc, l,
fl Q (z a
s fs )
ou encore :
a
s fs Q fl
fl Q z
Mais on sait que fs Q fl = g sl est la matrice inverse de (ls ),

o`
u les ls sont les solutions du système de Krigeage des coefficients al .
Donc :
a
s
Paragraphe 1.1.
ls fl Q z
ce qui nest autre que lexpression de lestimateur as .
Paragraphe 1.1.
1.4. Conclusion
Lestimateur a
s , defini ci-dessus comme minimisation dune integrale
despace, est identique a` lestimateur as de Krigeage, et concide de
plus avec lestimateur du Maximum de Vraisemblance dans le cas dune
Fonction Aleatoire gaussienne.
2. Notations G
en
erales
2.1. Indices et ensembles concern
es
On designe par A lensemble des points de donnees, et par , , . . .
lindice de ces points x , x , . . .
On designe par V lensemble des points a` estimer et par u, v, . . . lindice
de ces points xu , xv , . . ..
Precision essentielle : on suppose A V =
JJJ
Enfin, on designe par i, j, . . . lindice des points appartenant

indifferemment a` A ou V . On pose : I = A V . Il sagit dune union
disjointe, et par consequent :
iI
uV
2.2. Matrices de covariances

Soit ij une matrice de covariance, regulière sur lensemble I . Daprès
les notations ci-dessus, nous avons matriciellement :
(ij )
v
u uv
2.2.1. Propri
et
es dune sous-matrice de covariance
La fonction etant une fonction de covariance, donc etant de type
positif, toute matrice (ij ) ou ( ), ou (uv ) sera egalement
de type positif.
Theorème : si de plus (ij ) est strictement positive, il en sera de meme
de toute sous-matrice de covariance, et en particulier de ( ).
En effet, supposons
, A
228
Aide-M
emoire de g
eostatistique lin
eaire :
Si nous completons le vecteur o`

u A par un vecteur de

composantes toutes nulles u = 0 o`
u u V , nous obtenons

finalement un vecteur i o`
u i I tel que
i ij j
i, jI
et donc, (ij ) etant strictement positive, cela implique i = 0 pour

i I , et en particulier = 0 pour A.
En resume :
A :
= 0
, A
2.2.2. Notations
On designera par [B] linverse de la matrice [] sur I , donc :
ik B kj
ij
kI
De meme, on designera par [Q] linverse de la matrice [] sur A. Cet

inverse existe en vertu du theorème precedent. Donc :
I I I Mais attention ! La matrice [Q] nest pas la restriction a` lensemble A

de la matrice [B]. Autrement dit,
Q
6=
La relation entre ces deux quantites sera precisee au 2.4.
2.3. Une identit

e
Partons de lidentite, toujours vraie :
fA (z ) . fV (zu | z )
qui exprime que la densite du multiplet zi est egale au produit de la
densite a priori du multiplet z (o`
u A : les z representent les
valeurs conditionnantes) par la densite conditionnelle du multiplet zu ,
u V , conditionnellement aux z .
Dans le cas particulier dune loi gaussienne de covariance , et avec les
f (zi )
notations adoptees precedemment :

1
ij
f (zi ) = e 2 zi B
depend pas des zi ;
zj
, a` un coefficient multiplicatif près qui ne
de meme, fA (z ) = e 2 z Q z ;
enfin, comme resultat classique de la loi multigaussienne, on sait
que la loi des Zu conditionnellement aux Z est egalement une
multigaussienne, avec :
E [Zu | Z , Z , . . .] = Ku Z
o`
u Ku Z represente le poids de Z dans le Krigeage Simple de
Zu : lesperance conditionnelle sidentifie en effet au Krigeage
pour une Fonction Aleatoire gaussienne ;
Cov [Zu , Zv , . . . | Z , Z , . . .] = Suv ,
matrice definie positive stricte dinverse note C uv , qui ne
depend pas des z ;
la densite conditionnelle fv (zu , zv , . . . | z , z , . . .) est donc,
a` un coefficient multiplicatif près qui ne depend ni des zu , ni
des z , de la forme :
1
e 2 (zu Ku z ) C
uv
(zv Kv z )

[6] Equivalence
Spline-Krigeage
229
Il ne reste plus quà reporter ces expressions dans lidentite initiale, pour
obtenir :
zi B ij zj
z Q z + (zu Ku z ) C uv (zv Kv z )
identite purement algebrique

finalement aucun role.
[4]
dans laquelle la loi de Gauss ne joue
2.4. Identification des termes

Comme dautre part, en decomposant la sommation sur I en ses
composantes sur A et sur V , on sait que
zi B ij zj
z B z + 2 z B u zu + zu B uv zv
on trouve par identification :
(Suv )1
B uv
C uv
B u
Kv C vu
(et donc Kv
[5]
Kv B vu
Svu B u )
[6]
Q + Ku B uv Kv
[7]
3. Krigeage Simple
3.1. Syst`
eme destimation
Toujours en designant par Ku les ponderateurs du Krigeage Simple,
lestimateur du KS secrit donc :
zu
Ku z
avec les Ku caracterises par les equations de Krigeage Simple :
Ku
3.2. Minimisation dune int

egrale despace
Soit a` minimiser zi B ij zj sous la contrainte z donnes . On cherche
donc a` minimer cette expression relativement aux zu ou encore, daprès
lidentite precedente [4], on cherche a` minimiser
(zu Ku z ) C uv (zv Kv z )
puisque lautre partie de lexpression, z Q z , ne fait pas intervenir
les inconnues zu .
Mais C uv etant strictement definie positive, cette expression sera
toujours positive, sauf si zu Ku z = 0 auquel cas elle sera nulle,
donc minimum. Les valeurs zu qui realisent ce minimum nul sont donc :
zu
Ku z
cest-à-dire identiques au Krigeage zu .
JJJ
230
Aide-M
emoire de g
eostatistique lin
eaire :
4. Krigeage Universel
4.1. Syst`
eme destimation
Lestimateur du Krigeage Universel secrit zU =
z , avec
U
P
U + U l fl
fl
U
( )
fxl
(l)
4.2. Minimisation dune int

egrale despace
On cherche a` faire la synthèse du Krigeage Simple et de lestimation de la
Derive. On se laisse guider par le Theorème dAdditivite pour examiner
la forme quadratique :
(zi al fil ) B ij (zj as fjs )

On veut minimiser cette forme a` la fois par rapport aux al et aux zu ,
pour z fixes. Ainsi, en utilisant une nouvelle fois lidentite algebrique [4],
on veut minimiser

+ zu al ful Ku (z al fl ) B uv zv as fvs Kv (z as fs )
par rapport a` la fois aux al et aux zu , les z etant fixes. Cela seffectue
en deux etapes :
on minimise dabord a` al fixes, par rapport aux zu . Le premier

terme est alors fixe. Comme B uv est de type positif strict, le
minimum est donc obtenu pour des zu verifiant
zu al ful Ku (z al fl )
soit encore
zu
al ful + Ku (z al fl )
il ne reste plus alors quà minimiser

Voir lestimation de la
D
erive, paragraphe 1.
par rapport aux al : ce minimum est atteint pour
al
a
l
al
Alors, la valeur de zu qui assure le minimum est donnee par :
zu
a
l ful + Ku (z a
l fl )
al ful + Ku (z al fl )
cest-à-dire zu , daprès le Theorème dAdditivite.
I I I zu est donc identique a` lestimateur de Krigeage Universel zu .

[6] Equivalence
Spline-Krigeage
231
5. Krigeage Intrins`
eque (FAI-k)
eme
Dans les etapes precedentes, on avait suppose que ij etait de type
positif strict. Cette hypothèse nest plus adaptee au modèle des FAI-k :
la matrice Kij de Covariance Generalisee na aucune raison davoir cette
propriete, et ne la donc pas dans le cas general.
On supposera en revanche toujours par la suite que la matrice Kij est
de type positif conditionnel strict relativement a` un jeu de fonctions de
base fil , et on supposera que ces fonctions de base sont lineairement
independantes sur lensemble des points xi , i I .
On sait que ces conditions sont necessaires et suffisantes pour assurer la
regularite du système general :
i
b Kij + cl fjl
o`
u en loccurrence
bi fil

j
Rl
(j )
Rl
(l)
Chapitre 8,
paragraphe 3.3.
est un vecteur libre quelconque.
On peut donc trouver des matrices [B], [C] et [] telles que :
bi
B ij j
Cli Rl
cl
Clj j
ls Rs
ou encore :
Kij fjl
fjs
!1
B ij
Cli
Clj
ls
ou explicitement :
ki
B Kij
Cli Kij
+ Clk fjl
jk
(k, j )
[8]
+ ls fjs
(l, j )
[9]
(l, i)
[10]
ls
(l, s)
[11]
B ji fjl
j s
Cl fj
Le système de depart etant symetrique, B ij est egalement symetrique.

On note dautre part que les equations [9] et [11] presentent la structure
dun estimateur de coefficient de derive a` partir de tous les points de I .
5.2. Donner un sens aux Splines

Une minimisation dintegrale despace (Spline) seffectue sur la
Realisation dune representation particulière de la Fonction Aleatoire
Intrinsèque dordre k Sous-Jacente. Il donc faut sassurer, si on cherche
a` minimiser une expression du type fi B ij fj et comparer ce resultat au
Krigeage Intrinsèque, que la matrice B ij ne depende pas du choix dune
Representation particulière.
La forme generale de la covariance dune Representation dune FAI-k
de covariance generalisee K est donnee par :
ij = Kij ali fjl asj fis + Tls fil fjs
Matheron, 1971 (b).
232
Aide-M
emoire de g
eostatistique lin
eaire :
On peut alors representer le vecteur libre dejà rencontre
j
Rl
par
un système construit a` laide de cette covariance de Representation

particulière, soit
i
b ij
+ cl fjl
i l
b fi
(j )
Rl
(l)
o`
u bien s
ur les coefficients
bi et cl sont distincts des bi et cl du
paragraphe precedent.
De ce nouveau système, on en deduit dabord que ces
bi et cl sont des
combinaisons lineaires des j et Rl :
bi
ij j
B
Cli Rl
cl
Cli i
ls Rs
Par ailleurs, en remplacant ij par son expression en fonction de la

Covariance Generalisee K , on trouve
i
b Kij
i l
b fi
+ (
cl bi ali ) fjl
j + Rs asj Tls Rs fjl
(j )
Rl
(l)
o`
u lon fait apparatre dans le terme de gauche le système general
exprime en terme de Covariance Generalisee système qui, par
hypothèse, est regulier. Par suite,
bi
et,
j
Rl
B ij j + Rs asj Tls Rs fjl
+ Cli Rl
etant un vecteur libre, on etablit donc, par identification
entre les deux expressions de

bi :
ij
B
B ij
I I I La matriceB ij est bien une Caracteristique Intrinsèque. En revanche, la

meme identification conduit a`
Csi
Csi + B ij asj B ij Tls fjl
et on pourrait egalement facilement verifier :
ls
ls + Cli asi + Csi ali + B ij asj ali
5.3. Une bijection essentielle

Soit le système :
i
b Kij + cl fjl
bi fil
(j )
(l)
cas particulier du système general presente au 5.1 : en loccurrence, on

a choisi Rl = 0, et j est un vecteur libre quelconque.

[6] Equivalence
Spline-Krigeage
233
Compte-tenu de nos hypothèses sur la positivite stricte de la matrice K

et la lineaire independance des fonctions de base,
ce

bi
cl
Il etablit donc une bijection entre le vecteur
et le vecteur
j
0
ou, pour simplifier, le vecteur ( j ).
Ainsi, la matrice de Krigeage Intrinsèque permet de definir une bijection

entre des vecteurs de dimensions differentes. En particulier, il pourra etre
judicieux dans les developpementsa` venir
de caracteriser un vecteur libre
quelconque ( j ) par un vecteur
bi
cl
ayant plus de composantes, mais
plus commode a` manipuler.
5.4. Propri
et
es de la matrice B i j
B ij est definie positive.
Soit en effet le système :
i
b Kij + cl fjl
bi fil
(j )
(l)
o`
u, selon le mecanisme vu au paragraphe precedent, j est un
vecteur quelconque.
Alors, en appliquant au cas Rl = 0 les formules generales du 5.1,
(
do`
u:
bi
B ij j
cl
Cli i
i B ij j
b j j
bj Kij bi + bj cl fjl
bi Kij bj
Mais Bij ne peut pas etre STRICTEMENT definie positive car

B ij fjl = 0. Et, plus generalement,
i = cl fil
i B ij j = 0
Reciproquement, les combinaisons i = cl fil sont les seules qui

annulent la forme quadratique i B ij j .
Demonstration : on veut donc montrer limplication
i B ij j = 0
i = cl fil
1. Soit i tel que B ij j = 0. Alors, comme dans le cas Rl = 0

on sait que bi = B ij j , cela implique bi = 0, et par suite
j = bi Kij + cl fjl = cl fjl . Ainsi,

B ij j = 0
j = cl fjl
Paragraphe 5.1.
234
Aide-M
emoire de g
eostatistique lin
eaire :
2. Construisons la Variable Aleatoire : Y i = B ij Zj . Il sagit bien

dune Combinaison Lineaire Autorisee, puisque B ij fjl = 0 .
La covariance de Y i et Y j existe donc, et vaut :
Cov Y i , Y j
B ii Ki0 j 0 B j
Mais lequation [8], qui secrit :

0
B ii Ki0 j 0 + Cli fjl0

peut etre multipliee par B j
0
B ii Ki0 j 0 B j
et puisque fjl0 B j
j
0
(j) et sommee en j 0 , doù :
+ Cli fjl0 B j
ji 0
ji 0 B j
= 0,
B ii Ki0 j 0 B j
Cov Y i , Y j
B ij
Finalement :
B ij
3. Soit maintenant i tel que i B ij j = 0. On construit

Y = i Y i . Alors :
Var [Y ]
i B ij j
ce qui montre que Y est la Variable Aleatoire presque s

urement
nulle. Y est donc en covariance nulle avec toute Combinaison
Lineaire Autorisee, et en particulier Y j . Alors,
Cov Y i , Y
B ij j
Ainsi, B ij j = 0 (i), donc i = cl fil daprès le point 1.

Finalement,
i B ij j = 0
i = cl fil
5.5. Equivalence
SplineKrigeage
5.5.1. Annonce de la m
ethode et du r
esultat
On examine le minimum de la forme quadratique gi B ij gj sous la
contrainte g = z donnes. On procède en deux etapes :
on etablit dabord que la condition dunicite de la solution a` ce

problème est equivalente a` la condition de regularite du Krigeage
Intrinsèque ;
on se place alors dans ces conditions de regularite commune, et on

montre que la solution unique au problème de Spline sidentifie a`
celle du Krigeage Intrinsèque.
5.5.2. D
efinition de la matrice B ij
Soit une matrice B ij definie par :
Kij
fjl
fjs
!1
B ij
Cli
Clj
ls
o`
u:
Kij est positive conditionnelle stricte sur I ;

les fil sont lineairement independants sur I .

[6] Equivalence
Spline-Krigeage
235
Remarque : dans ces hypothèses, B ij est bien caracterisee par la relation

ci-dessus, puisque la matrice de gauche est alors regulière, et donc
inversible.
Voir le th
eor`
eme
sur la r
egularit
e du
syst`
eme de Krigeage.
On cherche a` quelles conditions la forme quadratique gi B ij gj admet

un minimum unique lexistence de solutions resultant de theorèmes
generaux. Cest la recherche de ce minimum que nous appellerons le
problème de Splines.
5.5.3. Expression des solutions du syst`

eme des Splines
Annulons les derivees partielles de gi B ij gj
composantes inconnues gu , soit :
gi B ij gj
gu
ou encore :
B uj gj
par rapport aux
(u V )
En decomposant cette somme sur I en ses composantes sur A et sur V ,

on a les equations :
B uv gv + B u g
On conserve les notations

usuelles : A d
esigne
lensemble des donn
ees,
et V lensemble des
points a
` estimer.
(u V )
ou encore
B uv gv
B u g
B u z
La solution sera unique si et seulement si B uv est regulière. Et alors,

daprès [5],
gv
Svu B u z
(v V )
5.5.4. Cons
equence de la singularit
e de B uv
Cherchons a` caracteriser les solutions de B uv v = 0. Soit une telle
solution, et posons Y u = B uj Zj et Y = v Y v . Toutes les Variables
Aleatoires Y u et toutes leurs combinaisons lineaires, parmi lesquelles
en particulier Y sont bien des Combinaisons Lineaires Autorisees
dordre k grace a` lequation [10].
Alors, par hypothèse sur v ,
Var [Y ]
u B uv v
ce qui signifie que Y est la Variable Aleatoire presque s

urement nulle, qui
est donc de covariance nulle avec toute Combinaison Lineaire Autorisee,
et en particulier avec
Yi
B ij Zj
Comme Cov Y i , Y v = B iv , on a donc ainsi :
Cov Y i , Y
Cov Y i , v Y v
B iv v

Paragraphe 5.3.
On a donc etabli un premier resultat :
B uv v = 0
B iv v = 0
236
Aide-M
emoire de g
eostatistique lin
eaire :
5.5.5. Condition n
ecessaire de singularit
e du syst`
eme de Splines
Soit donc un vecteur u non nul solution de B vu u = 0. Daprès le
resultat precedent, on aura biu u = 0 (i I).
On definit un vecteur i en completant u par des nuls :
u
= 0
Avec cette definition, on a donc :
B ij j
B iu u + B i
B iu u
(i I)
et donc i B ij j = 0.
On a etabli precedemment que cela implique, i I , i = cl fil , et en
particulier = cl fl . Mais = 0 par construction.
On a donc construit une combinaison lineaire des fonctions de base,
non identiquement nulle, et qui sannule sur les donnees. Le système de
Krigeage Intrinsèque sera donc singulier. Do`
u le resultat :
Si le système des Splines est singulier, le système de
Krigeage Intrinsèque est singulier.
5.5.6. R
eciproque
Supposons maintenant le système de Krigeage Intrinsèque singulier. La
matrice K ij etant positive conditionnelle stricte sur I lest a fortiori sur
A. Si le système de Krigeage Intrinsèque est singulier, cest donc que les
fonctions de base ne sont pas lineairement independantes sur A.
Soient donc cl 6= 0 tels que cl fl = 0. On pose, i I , i = cl fil ; on
a ainsi = 0.
Comme B ij fjl = 0, on a B ij j = 0 ou encore, comme = 0,
B iv v = 0. En particulier, en limitant lindice i a` lensemble A :
B uv v = 0
(u V )
Donc, la matrice B uv est singulière.

Si le système de Krigeage Intrinsèque est singulier,
le système des Splines est singulier.
5.5.7. R
ecapitulatif
En conclusion des deux implications precedentes,
Les systèmes des Splines et du Krigeage Intrinsèque ont
les memes conditions de regularite.
On se placera dans toute la suite dans lhypothèse o`

u les deux problèmes
sont reguliers, cest-à-dire admettent une solution unique.
5.5.8. Explicitation de la solution des Splines

On a vu que cette solution secrit :
Paragraphe 5.4.

[6] Equivalence
Spline-Krigeage
237
gu
Suv B v z
5.5.9. Explicitation de la solution du Krigeage Intrins`

eque
Sous sa forme duale, le Krigeage Intrinsèque donne :
zj
b Kj + cl fjl
avec :
P
b K + cl fl
P
b fl
()
(l)
On prolonge le vecteur b a` lensemble de tous les indices de I , par des

composantes nulles bu = 0, soit :
b
b =0
u
Alors,
zj
bi Kij + cl fjl
et
bi fil
Mais cet ensemble dequations nest autre que le système dejà rencontre,
ce qui permet decrire :
bi
B ij zj
cl
Clj zj
Comme par construction bu = 0, on a B uj zj = 0. Cest très

exactement lequation des Splines. Et comme on a suppose le problème
regulier, on a bien zj = gj . Ainsi,
Lorsque le problème des Splines est regulier, sa solution est

identique a` celle du Krigeage Intrinsèque.
5.5.10. Explicitation des pond

erateurs du Krigeage Intrins`
eque
Sous sa forme directe, le Krigeage Intrinsèque secrit :
zu
u z
Comme cette solution est identique a` la solution du problème de Splines,

on obtient par identification :
Suv B v
Paragraphe 5.1.
238
Aide-M
emoire de g
eostatistique lin
eaire :
5.5.11. R
esultat compl
ementaire
En se placant ici au niveau de la Fonction Aleatoire, on a par
construction B uj Zj = 0. Posons
Yi
B ij Zj
En particulier,
Yu
B uj Zj
B uj Zj Zj
La difference Zj Zj represente lErreur de Krigeage. Cette erreur

est nulle sur A (ensemble des donnees) parce que le Krigeage est un
interpolateur exact. Donc :
Yu
B uv (Zv Zv )
Posons enfin :
Rv
Alors,
Rv 0
Zv Zv
Zv0 Zv0
Cov [Rv , Rv0 ]
et comme Cov Y u , Y u
Svu Y u
=
=
S v 0 u0 Y u
h
i
0
Svu Cov Y u , Y u Su0 v0
= B uu et (B uv ) = (Suv )1 , alors:
Cov [Rv , Rv0 ]
Svv0
La matrice B uv est linverse de la matrice de

covariances des Erreurs de Krigeage.
Chapitre 7
Etude
de la bathym
etrie
sur le site du Titanic
Pr
esentation
Ce texte, dont le but est dillustrer par un exemple reel la mise en
uvre de lAnalyse Variographique en Geostatistique Intrinsèque,
est extrait de la publication Traitement des donnees a
` support
spatial : la Geostatistique et ses usages document realise a
`
linitiative et avec le soutien dEdF.
Les donnees relatives au site du Titanic sont presentees
avec lautorisation de TAURUS INTERNATIONAL / TITANIC
VENTURES. Pour raison de confidentialite, les coordonnees et les
profondeurs ne seront pas mentionnees, non plus que les details sur
la strategie de la campagne de reconnaissance.
1. Pr
esentation des donn
ees
Lobjet de cette etude etait de fournir une image du fond sous-marin a`
proximite immediate de lepave du Titanic. Les planches proposees ici
veulent attirer lattention sur les etapes dune Analyse Variographique
reelle, ainsi que sur limportance du choix du voisinage de Krigeage.
Comme presque toujours pour des donnees a` la mer, les informations
disponibles sont reparties sur des profils (planche 1). Les donnees sont
très denses sur les profils (ici, une information tous les 50 mètres
en general), tandis que les profils sont beaucoup plus espaces. On se
trouve demblee confronte a` une anisotropie, non pas de la Variable
Regionalisee on ne dispose actuellement daucune information a` ce
` chaque etape donc, il faudra sassurer
sujet mais de linformation. A
que cette situation ne provoque pas dartefact. En particulier, il faut
evidemment a` reception des donnees demander la raison de la maille
de reconnaissance : pourquoi cette orientation precisement, pourquoi
navoir pas fait de quadrillage. Une des conditions essentielles a` la
bonne marche dune Analyse Variographique est en effet de disposer
dune information non preferentielle : les donnees doivent pouvoir avoir
une signification statistique non biaisee. Cela ne signifie naturellement
pas que la Geostatistique ne peut travailler que sur des donnees
aveugles, mais que les informations qualitatives a priori doivent etre
soigneusement prises en compte avant tout traitement statistique, soit en
delimitant des sous-zones homogènes, soit en incorporant explicitement
ces informations au modèle.
En loccurrence, le choix de la campagne obeissait a` des contraintes
etrangères a` la variable bathymetrique a` etudier : il ny avait donc
pas de biais a` redouter a priori . Cela dit, a` reception des donnees,
force est de constater que les donnees privilegient une direction. En
fait, a` lechelle de travail demandee (200 ou 300 mètres), il nest pas
possible davoir une information sur la structure de la bathymetrie dans
240
Aide-M
emoire de g
eostatistique lin
eaire :
la direction perpendiculaire aux profils. Aussi, nous sommes contraints

de nous limiter aux variogrammes dans la direction des profils et,
faute dinformation supplementaire, nous sommes obliges de chercher
un modèle isotrope. En effet, nous de disposons daucun element pour
envisager quelque modelisation que ce soit dune eventuelle anisotropie.
Cette situation est typique en Geostatistique. Faute darguments de
decision, nous nous rabattons sur le modèle minimum . Tout autre
choix serait arbitraire, et les libertes quil laisserait dans le choix de
paramètres seraient illusoires. Certes, le modèle minimum aussi est
arbitraire, mais cest celui qui fait courir le moins de risques, et celui
qui sera le plus facile a` corriger en cas de refutation ulterieure. Pour
des raisons de prudence, pour des raisons de realisme aussi, il est bon
dadopter a` chaque etape dune modelisation un principe deconomie :
eviter la proliferation dhypothèses ou de paramètres qui ne peuvent etre
soumis a` aucun controle.
2. Calcul des variogrammes

Ainsi, les variogrammes sont calcules a` une dimension, dans la direction
des profils. La planche 2 presente ces variogrammes aux pas 50, 100 et
500 mètres. La dernière figure regroupe ces trois resultats, et confirme
leur coherence. La conclusion qui prevaut est clairement quun modèle
stationnaire nest pas acceptable. Sur les deux premières figures en effet,
on ne voit pas apparatre de palier, ce qui semble indiquer quil ny
a pas de stationnarite jusquà lechelle 5000 mètres au moins. Au pas
500 mètres, on pourrait admettre a` la rigueur un phenomène de palier
vers 20 kilomètres, mais ce palier serait de lordre de trois fois la variance
des donnees, ce qui est incompatible avec un modèle stationnaire. Bien
s
ur, un tel effet de depassement de la variance pourrait etre d
u a` une
forte anisotropie (et alors, le palier dans dautres directions serait très endessous de la variance), mais il ny a aucun moyen de controler ce modèle.
Le principe deconomie nous suggère donc de rechercher un modèle non
stationnaire, en esperant que sil y a effectivement une anisotropie, elle
sera prise en compte par la derive. LAnalyse Variographique est donc
entreprise en FAI-k, a` laide du logiciel BLUEPACK.
3. Analyse Variographique non stationnaire

3.1. Approche automatique
Une première approche a` laveugle , utilisant les options par defaut,
conclut a` une FAI-1, de Covariance Generalisee lineaire + spline . La
carte resultante, obtenue par Krigeage avec des voisinages de 12 points
(valeur par defaut) est inacceptable voir planche 3. La raison en est
que rien dans cette estimation ne contraint le programme a` utiliser des
donnees provenant de profils differents. Ainsi, pour estimer des valeurs
voisines dun profil donne, le voisinage de Krigeage nutilise que des
donnees issues de ce profil. Dune part donc, on travaille en FAI-1 avec
des donnees presque alignees ce qui conduit a` une quasi-singularite du
système de Krigeage. Dautre part, vues du point a` estimer, les donnees
ne sont reparties au mieux que dans un angle de 180 ce qui signifie
que lon est en extrapolation. Paradoxalement, ce nest que lorsquon
est assez loin entre deux profils que lon retrouve des conditions moins
inacceptables : le voisinage comporte des informations sur chacun des
deux profils, le système est regulier, et les courbes de niveau deviennent
plausibles.
3.2. Modification des param`

etres par d
efaut
Il est possible de contraindre le programme, aussi bien pour lAnalyse
Variographique que pour le Krigeage, a` utiliser des donnees appartenant

[7] Etude
de la bathym
etrie sur le site du Titanic
a` au moins n profils distincts. En prenant la valeur minimum n = 3, le

programme diagnostique cette fois une FAI-2, avec une Covariance Generalisee lineaire. Le Krigeage, realise avec le voisinage par defaut de 16
points, est presente sur la planche 4. On note une certaine amelioration,
en particulier dans les zones o`
u les profils sont regulièrement espaces et
informes. Cependant, il subsiste des anomalies dès que le programme a
des difficultes a` trouver des informations a` la fois bien reparties et issues
de trois profils differents.
Lidee est donc daugmenter le nombre minimum de profils a` utiliser.
En passant a` n = 5, et avec des voisinages de 24 points, le resultat est
catastrophique (planche 5). A posteriori , on constate que cela est d
u a`
un modèle de Covariance Generalisee trop regulier (cubique). Ainsi, lors
du Krigeage, la valeur estimee est extremement sensible a` la donnee la
plus proche, et traduit donc les moindres fluctuations des donnees. En
revanche, lorsquon est assez loin de toute donnee, cest plutot sur la
derive que saligne lestimateur.
Notons que, dans le cas de la planche 3, il etait clair a priori que lon
obtiendrait des anomalies et cette estimation na ete realisee que dans
un but pedagogique. En revanche, dans le cas de la planche 5, le resultat
catastrophique est un enseignement : il signifie en quelque sorte que
le modèle de FAI-2 ou plus exactement, le choix de lordre 2 pour la
FAI conduit a` une trop grande instabilite numerique compte-tenu des
voisinages choisis et compte-tenu de la structure intrinsèque des donnees.
Le programme dAnalyse Variographique se defend alors en adoptant
une Covariance Generalisee trop regulière qui, jointe a` une derive du
second degre, conduit a` des estimateurs complètement erratiques.
3.3. Une solution acceptable

` levidence, imposer
Il faut tirer un enseignement de cette experience. A
trois comme minimum du nombre de profils utilises est insuffisant, selon
la planche 4. Par ailleurs, on vient de voir quune derive quadratique
destabilise lestimation. Par rapport a` la planche 5, lidee est donc
dimposer au programme une derive lineaire, toutes choses egales par
ailleurs. Dans ces conditions, le programme diagnostique un modèle
lin
eaire + cubique (planche 6). Ce modèle est assez voisin, au point
de vue regularite et degre de derive, de celui de la planche 3 ; en revanche,
il est identique a` celui de la planche 5 quant a` la structure des voisinages.
Le resultat peut cette fois etre considere comme assez satisfaisant. Sans
doute faudrait-il effectuer un faible lissage des lignes de niveau, pour
gommer les quelques irr
egularites dues localement a` des voisinages
legèrement defectueux. En revanche, la structure transversale que sur
les planches 3 et 4 on aurait pu attribuer a` des artefacts, et qui etait
complètement cachee par les parasites sur la planche 5, est ici clairement
visible. Il sagit dun ca
non qui existe reellement, et dont la structure est
dailleurs connue. La restitution de ce relief a ete juge satisfaisante par
le client.
Naturellement, a` lapparition dune telle heterogeneite, il faudrait
reprendre une Analyse Variographique fine, qui distinguerait les
structures du ca
non et du reste du champ. Les donnees disponibles dans
ce cas ne le permettaient pas. Tout au plus, on aurait pu retirer de
lAnalyse Variographique les donnees du ca
non, et proposer un modèle
structural pour le reste : la restitution de la bathymetrie aurait alors ete
un peu meilleure sur la majeure partie de la carte, et vraisemblablement
sensiblement moins bonne sur le ca
non. . .
3.4. Recherche dall`

egement des calculs
La dernière manipulation que nous proposons sur ce cas detude vise
a` une economie de temps calcul. Nous cherchons limpact du nombre
de points du voisinage, toutes les autres conditions etant identiques a`
241
242
Aide-M
emoire de g
eostatistique lin
eaire :
celles de lestimation precedente. En prenant la valeur par defaut de huit

points, on obtient la carte de la planche 7, qui par rapport a` lestimation
precedente nest quassez faiblement degradee. Or, dans le cas present,
le système de Krigeage nest que de dimension 11 11, alors quil
etait 27 27 dans le calcul precedent. Pour un travail en routine
ce qui dailleurs netait pas le cas ici le gain de temps justifierait
vraisemblablement la faible degradation constatee.
Enfin, pour conclure cet exemple, la planche 8 propose la carte des
ecart-types de Krigeage pour cette dernière estimation. On y distingue
evidemment les profils de reconnaissance. On observera egalement ce
qui etait previsible theoriquement que le ca
non nest pas discernable
sur cette carte : cela est naturel, puisque lon a adopte un modèle
structural global, et qualors, lecart-type de Krigeage ne depend que
de la geometrie de linformation, et non des valeurs des donnees.
Naturellement, une etude plus detaillee ne saurait se contenter de ce
resultat. . .
ements de conclusion
4. El
La lecon a` tirer de cet exemple pourtant simple, est la grande difficulte
quil y aurait a` elaborer une procedure purement automatique dAnalyse
Variographique et destimation. Le dialogue entre le geostatisticien et les
donnees (et celui qui les a fournies. . . ) est bien un element essentiel dune
etude reelle.
Par ailleurs, le recours a` des critères de qualite purement statistiques
risquerait de causer bien des desillusions. Ainsi, dans letude proposee
ici, cest de la planche 5 que le programme saccommoderait le mieux :
cest là quil a eu le plus de liberte pour ajuster les paramètres au mieux
de ses tests statistiques. Et effectivement, la restitution des valeurs a`
proximite immediate des donnees est excellente. Malheureusement, ce
qui interesse lutilisateur est precisement ce qui se passe ailleurs que
près des donnees ; pour conduire a` un resultat interessant, le modèle
doit donc apporter plus dinformation quil nen est contenu dans les
donnees. Ce surcrot dinformation (ici : choix de la taille du voisinage
et degre impose de la derive) mesure la necessaire responsabilite que le
geostatisticien doit engager dans la conduite dune etude pratique.

[7] Etude
de la bathym
243
244
Aide-M
emoire de g
eostatistique lin
eaire :
INFORMATION DISPONIBLE
Planche 1.

[7] Etude
de la bathym
VARIOGRAMMES SUR PROFILS
Planche 2.
245
246
Aide-M
emoire de g
eostatistique lin
eaire :
ESTIMATION PAR KRIGEAGE

Voisinage : 12 points, pas de code
Structure : k = 1
Lineaire -0.3591 101
Spline
0.4383 104
Planche 3.

[7] Etude
de la bathym

Voisinage : 16 points, code [3]
Structure : k = 2
Lineaire
-0.3087
Planche 4.
247
248
Aide-M
emoire de g
eostatistique lin
eaire :

Structure : k = 2
Cubique 0.5056 107
Planche 5.

[7] Etude
de la bathym

Voisinage : 24 points, code[5]
Structure : k = 1 (force)
Cubique 0.6797 108
Planche 6.
249
250
Aide-M
emoire de g
eostatistique lin
eaire :

Cubique 0.1869 107
Planche 7.

[7] Etude
de la bathym
ECART-TYPE
DE KRIGEAGE
Cubique 0.1869 107
Planche 8.
251
252
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8
Introduction
au filtrage derreurs
Pr
esentation
Ce bref chapitre est une evocation, dailleurs simplifiee, de deux
exercices proposes dans le Fascicule 5 . Il vise principalement a
`
demystifier les notations du Cokrigeage, par la presentation dun
exemple elementaire.
Au premier paragraphe, on traite le cas du filtrage dune erreur
non systematique : comment estimer un signal lorsque les donnees
sont entachees dune erreur desperance nulle.
Le problème du filtrage dune erreur systematique, examine au
second paragraphe, est en fait presque identique au problème de
lestimation dun Residu presente en annexe 2.
1. Filtrage dune erreur non syst

ematique
1.1. Hypoth`
eses et notations
On suppose que les donnees utilisees dans cet exercice sont des
realisations dune certaine FASt-2 Z , qui peut se decomposer ainsi :
Z(x)
Y (x) + (x)
o`
u:
Y (x) est une FASt-2 de Derive (inconnue) m, et de covariance

stationnaire K(h) ;
(x) est une FASt-2 de covariance K (h) et, ce qui est essentiel,
desperance nulle.
On supposera que Y et sont independantes ce qui allègera les
ecritures. Dun point de vue mathematique, cette contrainte est dailleurs
non essentielle ; mais on imagine mal en pratique comment on pourrait
sur un jeu de donnees reelles z realiser la variographie simultanee de Y
et sans cette restriction : il nest dailleurs pas s
ur que meme le modèle
simplifie propose ici soit très aise a` caler sur un cas reel.
Dans ces conditions, on peut considerer que Y constitue un signal
et un bruit . Par hypothèse, on suppose que lon ne dispose que
de donnees sur le signal bruite , et on voudrait reconstituer le signal
sous-jacent sur la base de ces donnees : il sagit donc dun problème de
filtrage, ou si lon prefère de nettoyage de donnees.
Par un calcul trivial, on explicite le jeu de fonctions structurales :
Dans lexercice de
r
ef
erence (Fascicule 5,
p205), on se place
dans le cadre du
Krigeage Universel :
cette d
erive est non
constante dans lespace.
254
Aide-M
emoire de g
eostatistique lin
eaire :
Cov [Y (x) , Y (y)]
Kx,y
Cov [(x) , (y)]
Kx,y
Cov [Z(x) , Z(y)]
Kx,y + Kx,y
Cov [Z(x) , Y (y)]
Kx,y
ce qui prouve incidemment que la covariance croisee entre Y et Z est

symetrique. De fait, on est exactement dans les hypothèses du Modèle
Lineaire de Coregionalisation.
1.2. Syst`
eme de filtrage
On cherche donc a` construire
Y (x)
A
U
sans contrainte dautorisation
active
(modèle FASt-2).
La contrainte de non-biais E [Y (x) Y (x)] = 0 secrit
et la variance a` minimiser sous contrainte vaut

Var [Y (x) Y (x)]
K + K
Kx + Kxx
Finalement, on etablit le système de filtrage
[F ]

P
+ F
F K + K
P
Kx
auquel est associee la variance
F2
Kxx
Kx F
F
[1]
Le signal nest pas

exactement un Facteur
au sens du chapitre 9,
parce quil nest pas
desp
erance nulle.
Naturellement, ce système na fondamentalement rien de nouveau : il

correspond seulement a` un cas extremement simple dAnalyse Krigeante.
Le signal que lon a cokrige est très semblable a` un Facteur ; aussi
et bien que dans ce cas le signal Y et les donnees Z soient de meme
nature et possèdent une signification physique , il ne sagit pas dune
interpolation. Il ny a donc en particulier aucune raison pour que la
valeur y
estimee en un point de donnee concide avec la valeur z de
la donnee en ce point.
1.3. Remarque sur la r

egularit
e du syst`
eme
On observe que le membre de gauche du système [F] est exactement
celui que lon obtiendrait pour un Krigeage monovariable de Z . Aussi
ses conditions de regularite sont-elles exactement celles de ce krigeage
de Z , et lon se placera naturellement dans le cas o`
u ce système est
[8] Introduction au filtrage derreurs
255
regulier. Notons que cette situation ne serait pas modifiee dans une
optique Krigeage Universel.
Cela signifie que, dans le cadre de nos hypothèses, il a ete possible
destimer une VR y pour laquelle on ne disposait daucune donnee.
Pour reprendre les notations du chapitre 9, cela signifie que lon est en
mesure destimer une VR zi , alors que Si = . Cette situation est
evidemment confortable mathematiquement, mais fait en contrepartie
courir des risques (classiques. . . ) au niveau du realisme des estimations.
1.4. Comparaison aux krigeages monovariables

Il peut etre interessant de comparer le resultat du Filtrage aux
estimations monovariables du signal et du signal bruite (il est
realiste de supposer que lestimation du bruit lui-meme ne presente pas
dinteret pratique).
Lideal serait bien s
ur de disposer de donnees non bruitees, et de pouvoir
realiser lestimation de Y (x) a` laide de donnees Y : en loccurrence, il
sagirait dun Krigeage Ordinaire banal, dont la solution est fournie
par le système
P
Y K + Y
[Y ]
Y2
Kx
la variance correspondante secrivant :
Kxx
Kx Y
Y
[2]
Notons quils sagit bien cette fois dune interpolation, et que bien s
ur ce
krigeage est un Interpolateur Exact. Malheureusement, par hypothèse,
on ne peut realiser cette estimation faute de donnees.
Meme si cela ne presente pas un interet pratique evident, ce que lon peut
faire en revanche compte-tenu des donnees disponibles est le krigeage de
Z(x). Il sagit encore une fois dune estimation classique un Krigeage
monovariable , et lon obtient le système
[Z]

P
+ Z
Z K + K
P
Kx + Kx
auquel est associee la variance
Z2
Kxx + Kxx
Kx + Kx
Z
[3]
De nouveau, il sagit là dun Interpolateur Exact.

On peut seulement noter que la matrice de (co)krigeage est la meme dans
le cas des systèmes [F] et [Z]. La comparaison entre les trois systèmes
sarrete là dans le cas general.
1.5. Cas particulier dun bruit blanc

Lorsque le bruit est un bruit blanc, cest-à-dire lorsque la covariance
K est un effet de pepite pur :
Kxy
K (0)
pour x = y
pour x 6= y
JJJ
256
Aide-M
emoire de g
eostatistique lin
eaire :
on peut preciser la comparaison entre les systèmes [F] et [Z] :
lorsque le point a` estimer x ne concide avec aucun des points de

donnees, les seconds membres des deux systèmes sont identiques (les
premiers membres le sont de toute facon). Donc, les ponderateurs
Z et F sont identiques, ainsi que les estimateurs correspondants.
En revanche, par comparaison des variances [3] et [1], on etablit
immediatement
Z2
F2 + 2
[4]
en designant par 2 = K (0) la variance du
bruit ;
si le point x a` estimer est un point de donnee, alors Z2 = 0, puisque

le krigeage est un interpolateur exact.
En revanche, F2 ne peut sannuler. En effet,
F2
Var
Var
"
"
Z Y (x)
Y Y (x)
+ Var
"
daprès lindependance de Y et . On a donc une relation

dinegalite :
2
La comparaison entre
les syst`
emes [F] et [Y]
est plus compliqu
ee.
Var
"
2
>
En resume, en dehors des points de donnees, on obtient la meme valeur

estimee pour Y et pour F . Mais la variance destimation nest pas la
meme : cet estimateur commun est de variance plus faible, cest-à-dire
est cense plus fiable, sil est considere comme une estimation de Y plutot
que de Z .
En revanche, en un point de donnee, Z est connue donc de variance
destimation nulle, tandis que lestimation de Y est entachee dune
variance irreductible.
1.6. Estimation de la d
erive
(Remarque : par souci de simplification, on a suppose que la derive
de Y etait constante, mais rien ne changerait fondamentalement si elle
admettait le developpement habituel du KU).
Après (co)krigeage de Y , on souhaite maintenant estimer sa Derive. Le
calcul est très simple, mais il est encore plus rapide de remarquer que
les hypothèses impliquent
E [Z(x)]
Chapitre 6,
paragraphe 3.5.
de sorte que m peut parfaitement etre consideree comme la Derive de Z .

Dans ces conditions, lestimation optimale de m nest rien dautre quune
estimation classique (monovariable), et donc le système destimation est
[M ]

P
+ M
M K + K
P
257
Ce tour de passe-passe nest pas depourvu denseignement. Une des

particularites des hypothèses de depart, cest que lon a arbitrairement
attribue la Derive a` la composante Y : il peut y avoir dexcellentes
raisons (naturalistes, experimentales, etc. ) a` cela dans une etude reelle,
mais rien dans les seules donnees z ne permet de valider cette decision.
En quelque sorte, on a rendu possible le travail du modèle, qui na pas
eu a` ventiler m entre les deux composantes : m est, dautorite, la
Derive de Y comme elle est, de facto, la Derive de Z .
Comme on le verra au
paragraphe suivant,
cest cette d
ecision
qui a pour effet de
permettre destimer le
signal alors m
eme quon
ne dispose daucune
donn
ee le concernant.
2. Filtrage dune erreur syst

ematique
2.1. Hypoth`
eses et notations
On reprend les hypothèses du paragraphe precedent, a` une très
importante difference près : on suppose que (x) admet cette fois une
esperance m inconnue.
JJJ
Il est interessant ici de roder les notations correspondant au point de

vue theorique :
n
multivariable = monovariable sur lespace produit R D .
Chapitre 9,
paragraphe 1.4.
Ainsi, en gardant la terminologie du paragraphe precedent, le couple

bruite pourra etre modelise par une FA Z(x, i) definie
sur R {0, 1}, et verifiant :
On essaie de garder le
choix dindices adopt
e
dans lexercice initial,
fascicule 5, p206.
signal/signal
n
Z(x, 0) = Z0 (x) = Y (x) (signal)

Z(x, 1) = Z1 (x) = Z(x) (signal bruite)
Avec ces notations, on dispose donc du système de covariances
Cov [Y (x) , Y (y)]
K00 (x, y)
Kx,y
Cov [Z(x) , Z(y)]
K11 (x, y)
Kx,y + Kx,y
Cov [Z(x) , Y (y)]
K10 (x, y)
Kx,y
et bien s
ur, dans le cas present, K10 (x, y) = K01 (x, y).
Au niveau de la Derive, on a la modelisation globale
E [Z(x, i)]
al f l (x, i)
qui, suivant un exemple vu dans le chapitre 9, se detaille ainsi :
f 0 (x, 0) = 1
f 0 (x, 1) = 0
f 1 (x, 0) = 0
f 1 (x, 1) = 1
Chapitre 9,
paragraphe 4.2.1.
[5]
ce qui precise que le nombre k de Fonctions de Base vaut 2 et que
a0 = m
a1 = m + m
Cette presentation peut-etre un peu inhabituelle est en fait, ainsi que
cela a ete vu au chapitre 9, le système de notation le plus commode
258
Aide-M
emoire de g
eostatistique lin
eaire :
pour les developpements theoriques. On verifie sans problème que cela

decrit bien la situation :
E [Y ]
E [Z(x, 0)]
1
X
al f l (x, 0)
al f l (x, 1)
m + m
l=0
E [Z]
E [Z(x, 1)]
1
X
l=0
2.2. R
egularit
e du syst`
eme de cokrigeage
Le problème est maintenant de cokriger Z(x) et Y (x), avec larrièrepensee que si Y a effectivement le sens dun signal , il risque darriver
que cette composante ne soit pas informee (donc que S0 = ).
Une première remarque, de nature intuitive, concerne les hypothèses de
ce paragraphe. On note que, contrairement au paragraphe 1, les deux
composantes Y et y jouent des roles parfaitement symetriques 1 .
On sait quil nest pas possible en general, dans un phenomène global,
de separer des composantes qui ont approximativement les memes
proprietes. Dans le cas present, si lon ne dispose de donnees que sur
Z (cest-à-dire la somme Y + ), on imagine mal comment on pourrait
discerner dans la Derive globale ce qui revient au signal et ce qui
revient au bruit .
Cette intuition peut etre confortee immediatement. Dune manière un
peu abstraite dabord, on peut invoquer la condition dIndependance
Lineaire des Fonctions de Base. On sait que si lon peut trouver un jeu
de coefficients non tous nuls tels que
1
X
cl f l (x, i)
((x, i) Rn {0, 1})
[6]
l=0
alors, le système est singulier, donc le Cokrigeage impossible. Or il est

clair que si S0 = , cest-à-dire concrètement si lon ne dispose daucune
information sur la composante Y , alors tout jeu de coefficients de la
forme
c0 = c ; c 1 = 0
satisfait aux conditions [6]. Le Cokrigeage est donc impossible si on ne
dispose daucune donnee sur Y .
De facon un peu plus classique, on peut tout simplement essayer de
construire les equations de lestimation de Y (x) a` laide de donnees Z
seulement :
X
Y (x)
En posant les conditions dUniversalite, on trouve que m et m etant

tous deux inconnus on doit avoir lesperance de lerreur destimation
X

1 + m
eP
gale a` 0. Ce qui implique dans le meme temps
= 0 : cette estimation est donc impossible.
= 1 et
Cette symetrie nexistait pas dans le cas dune erreur non systematique, dans la
mesure o`
u la derive du signal etait inconnue, mais la derive du bruit etait nulle.
Ici, toutes deux sont egalement inconnues.
259
Ce qui est instructif au-delà de ce calcul trivial, cest que lon montre
ainsi quil est impossible, sur la seule base de donnees bruitees , de
separer dans la derive globale ce qui est d
u a` lerreur systematique, et
ce qui provient de la vraie derive du signal. Ce resultat, etabli sur
des derives constantes dans lespace, subsisterait naturellement avec des
modèles de type Cokrigeage Universel.
Il est de meme evident, compte-tenu du role parfaitement symetrique
joue par les deux composantes, quil serait tout aussi impossible
destimer le bruit en ne disposant de donnees que sur le signal
bruite .
2.3. Estimations optimales

Le système de Cokrigeage etant suppose regulier, lestimation des
coefficients optimaux de la Derive aussi bien que le Cokrigeage du
signal deviennent des probl`
emes classiques, qui ne reservent plus
de surprises. Tout au plus peut-on detailler les sytèmes correspondants
avec les notations du present paragraphe.
Ainsi, la coestimation optimale des coefficients de la Derive secrit
pour l = 0 ou l = 1,
Al
l (dy) Z(y, 0) +
S
Ces r
esultats peuvent
s
etablir presque
imm
ediatement,
a
` titre dexercice.
l (dy) Z(y, 1)
S
o`
u l (dy) est solution du système
Z
Z
1
0
+ l0
(dy)
K(x,
y)
+
l (dy) K(x, y)
S1
S0

Z
0
1
l (dy) K(x, y) +
l (dy) K(x, y) + K (x, y) + l1
S0
S1
l (dy)
Sj
(x S0 )
(x S1 )
= lj
(j {0, 1})
Quant aux ponderateurs du cokrigeage de Y (x0 ), definis par
Y (x0 )
Z (x0 , 0)
(dy) Z(y, 0) +
S0
(dy) Z(y, 1)
S1
ils sont solutions de
Z
Z
0
1
(dy)
K(x,
y)
+
(dy) K(x, y)
+ 0 = K(x, x0 ) (x S0 )
S0
S1

Z
0
1
(dy) K(x, y) +
(dy) K(x, y) + K (x, y) + 1 = K(x, x0 ) (x S1 )
S0
S1
(dy)
= 0j
(j {0, 1})
Sj
260
Aide-M
emoire de g
eostatistique lin
eaire :
Troisi`
eme partie
Bibliographie,
Notations, Index,
Table
262
Aide-M
emoire de g
eostatistique lin
eaire :
Bibliographie
Bartlett, M. S. (1961)
CUP, Cambridge.
An introduction to stochastic processes.
Bochner, S. (1932) Vorlesungen u

ber Fourierische Integrale. Akad.
Verlagsges., Leipzig.
Bochner, S.
Stochastic processes. Ann. Math.
(1942)
48.
Chauvet, P. et A. Galli (1982) Universal Kriging. Cours C-96, Centre
de Geostatistique, Ecole
des Mines de Paris.
Chauvet, P. (1987a)
Reflexions sur les ponderateurs negatifs du
krigeage. Sciences de la Terre, Ser. Inf., (1988) 28.
ements danalyse structurale des FAI-k a` 1
Chauvet, P. (1987b) El
dimension. Thèse de Docteur-Ingenieur en Sciences et Techniques
Minières, Ecole
des Mines de Paris.
Chauvet, P. (1992) Traitement des donnees a` support spatial : la
Geostatistique et ses usages. Rapport technique N-28/92/G, Centre
de Geostatistique, Ecole
des Mines de Paris.
Clark, I.
London.
Practical geostatistics. Elsevier Applied Sciences,
(1979)
Cram
er, H. (1937)
CUP, Cambrige.
Random variables and probability distributions.
David, M. (1977) Geostatistical ore reserve estimation. Elsevier

North Holland, Amsterdam.
De Wijs, H.J. (1951) Statistics of ore distribution. Part I : Frequency
distribution of assay values. Geologie en Mijnbouw, Vol. 13, n 11,
Nov. 1951, pp.365375.
De Wijs, H.J. (1951) Statistics of ore distribution. Part II : Theory of
binomial distribution applied to sampling and engineering problems.
Geologie en Mijnbouw, Vol. 15, n 1, 1953, pp.1224.
Dong, A. (1990) Estimation geostatistique des phenomènes regis
par des equations aux derivees partielles. Thèse de Docteur en
Geostatistique, Ecole
des Mines de Paris.
Doob, J. L.
Stochastic processes. Wiley & sons, New-York.
(1953)
Fortet, R. et A. Blanc-Lapierre
aleatoires. Masson, Paris.
Formery, Ph.
Paris.
(1964)
(1953)
Theorie des fonctions
Cours de geostatistique. Ecole

des Mines de
Gandin, S. (1965) Analyse objective. Organisation Meteorologique

Mondiale, Moscou.
Gnedenko, B. V.
(1962)
Theorie des probabilites. Dunod, Paris.
Grzebyk, M. (1993) Ajustement dune coregionalisation stationnaire.
Thèse de Docteur en Geostatistique, Ecole

des Mines de Paris.
Journel, A (1974) Simulation conditionnelle de gisements miniers.
Theorie et pratique. Thèse, Universite de Nancy.
264
Aide-M
emoire de g
eostatistique lin
eaire :
Journel, A. (1977) Kriging in terms of projections. Journal of IAMG,

Vol.9 n 6, Dec. 1977, pp563-586.
Journel, A.
(1978)
Mining geostatistics. Academic Press, Londres.
Krige, D.G. (1951) A statistical approach to some mine valuation and

allied problems on the Witwatersrand. Masters Thesis, University of
Witwatersrand.
Lajaunie, Ch. et R. Bejaoui (1991) Sur le krigeage des fonctions
complexes. Rapport technique N-23/91/G, Centre de Geostatistique,
Ecole
des Mines de Paris.
Langlais, V. (1990) Estimation sous contraintes dinegalites. Thèse
de Docteur en Geostatistique, Ecole

des Mines de Paris.
Lantu
ejoul, Ch. (1990)
Ergodicite et portee integrale. Rapport
technique N-17/90/G, Centre de Geostatistique, Ecole

des Mines de
Paris.
L
evy, P. (1937)
Theorie de laddition des Variables Aleatoires.
GauthierVillars, Paris.
L
evy, P. (1948) Processus stochastiques et mouvement Brownien.
GauthierVillars, Paris.
Mat
ern, B. (1986) Spatial Variations. Springer, Berlin (Lecture notes
in statistics 36).
Journel, A. (1977)
Application des methodes statistiques a`
lestimation des gisements. Annales des Mines, Vol.XII, pp50-75.
Matheron, G. (1956)
Theorie lognormale de lechantillonnage
systematique des gisements. Note geostatistique n 14, Centre de
des Mines de Paris.
Matheron, G. (1957)
Theorie lognormale de lechantillonnage
systematique des gisements. Annales des Mines, Vol.IX, pp566-584.
Matheron, G. (1962a)
Technip, Paris.
Matheron, G.
B.R.G.M..
Traite de geostatistique appliquee (tome I).
(1962b)
Traite de geostatistique appliquee (tome III).
Matheron, G. (1963a)
Technip, Paris.
Traite de geostatistique appliquee (tome II).
Matheron, G. (1963b)
Vol 58, pp1246-1266.
Principle of geostatistics. Economic Geology,
Matheron, G.
Masson, Paris.
(1965)
Les variables regionalisees et leur estimation.
Matheron, G.
Mir, Moscou.
(1968)
Osnovy Prikladnoi Geostatistiki .
Matheron, G. (1969a) Theorie des ensembles aleatoires. Les Cahiers
du Centre de Morphologie Mathematique, n 4, Ecole

des Mines de
Paris.
Matheron, G. (1969b) Cours de Geostatistique. Les Cahiers du Centre
de Morphologie Mathematique, n 2, Ecole

des Mines de Paris.
Matheron, G. (1969c) Presentation des variables regionalisees. Revue
de lIndustrie Minerale, Ao
ut 1969, pp663-675.
Matheron, G. (1969d) Le Krigeage universel. Les Cahiers du Centre
de Morphologie Mathematique, n 1, Ecole

des Mines de Paris.
Matheron, G. et Ch. Huijbregts (1970) Universal Kriging. Rapport
technique N-180, Centre de Geostatistique, Ecole

des Mines de Paris.
Bibliographie
265
Matheron, G. (1971a) La theorie des ensembles aleatoires et ses

applications en stereologie. Rapport technique N-235, Centre de
des Mines de Paris.
Matheron, G. (1971b) La theorie des fonctions aleatoires intrinsèques
generalisees. Note geostatistique n 117, Centre de Geostatistique,
Ecole
des Mines de Paris.
Matheron, G. (1971c) La theorie des variables regionalisees et ses
applications. Les Cahiers du Centre de Morphologie Mathematique,
n 5, Ecole
des Mines de Paris.
Matheron, G. (1973) Le krigeage disjonctif . Rapport technique N
360, Centre de Geostatistique, Ecole
des Mines de Paris.
Matheron, G. (1975a) Random sets and integral geometry. Wiley &
Sons, New-York.
Matheron, G. (1975b) Hasard, echelle et structure. Annales des Mines,
Novembre 1975, pp7-10, Paris.
Matheron, G. (1976)
Les concepts de base de la geostatistique
minière. in Advanced Geostatistics in the Mining Industry
(M.Guarascio ed.), pp3-10, Reidel, Dordrecht.
Matheron, G. (1978) Estimer et choisir. Les Cahiers du Centre de
Morphologie Mathematique, n 7, Ecole

des Mines de Paris.
Matheron, G. (1979) Comment translater les catastrophes ou la
structure des F.A.I. generales. Rapport technique N-617, Centre de
des Mines de Paris.
Matheron, G. (1980) Splines et krigeage : leur equivalence formelle.
Rapport technique N-667, Centre de Geostatistique, Ecole

des Mines
de Paris.
Matheron, G. (1981) Remarques sur le krigeage et son dual. Rapport
technique N-695, Centre de Geostatistique, Ecole

des Mines de Paris.
Matheron, G. (1982)
Pour une analyse krigeante des donnees
regionalisees. Rapport technique N-732, Centre de Geostatistique,
Ecole
des Mines de Paris.
Matheron, G.
(1989)
Estimating and choosing. Springer, Berlin.
Matheron, G. et W. Kleingeld (1987) The evolution of geostatistics.

in Proc. 20ème APCOM, Johannesburg, Vol.3, pp9-12.
Rendu, J.M. (1978) An introduction to geostatistical methods of
mineral evaluation. South African Institute of Mining and Metallurgy
Monograph Series, Johannesburg.
Riesz, F. (1945) Sur la theorie ergodique. Comm. Math. Helvetici 17,
pp221-239.
S
eguret, S. (1991)
Geostatistique des phenomènes a` tendance
periodique. Thèse de Docteur en Geostatistique, Ecole

des Mines de
Paris.
Rivoirard, J. (1984) Le comportement des poids de krigeage. Thèse
de Docteur-Ingenieur en Sciences et Techniques Minières, Ecole

des
Mines de Paris.
Sandjivy, L. (1987) Analyse krigeante des donnees de prospection
geochimique. Thèse de Docteur-Ingenieur en Sciences et Techniques
Minières, Ecole
des Mines de Paris.
Sibson, R. (1981)
A brief description of natural neighbour
interpolation. in Interpreting Multivariate Data (V.Barnett ed.),
Wiley & Sons, New-York.
266
Aide-M
emoire de g
eostatistique lin
eaire :
Sichel, H. S. (1949)
Mine valuation and maximum likelihood.
Masters Thesis, University of Witwatersrand.
Sichel, H. S. (1952) New methods in the statistical evaluation of
mine sampling data. Transactions of the Institution of Mining and
metallurgy, Londres.
Wackernagel, H. (1985)
Linference dun modèle lineaire en
geostatistique multivariable. Thèse de Docteur-Ingenieur en Sciences
et Techniques Minières, Ecole

des Mines de Paris.
Wackernagel, H. (1992) Cours de geostatistique multivariable. Cours
C-146, Centre de Geostatistique, Ecole

des Mines de Paris.
Wiener, N. (1949) Extrapolation, interpolation, and smoothing of
stationary time series with engineering applications. MIT Press,
Cambridge, Mass..
Wold, H. (1938) A study in the analysis of stationary time series.
Almqvst and Wiksell, Uppsala.
Notations
Pr
esentation
Cette liste rappelle les notations les plus frequemment utilisees
dans ce document, notations qui sont aussi dans la mesure du
possible celles que lon rencontre dans la bibliographie citee en
reference.
Toutefois, meme si lon a cherche au maximum dans le texte
a
` garder des ecritures coherentes et depourvues dambigute, il
convient de ne pas etre esclave des notations. Cette liste ne saurait
etre ni exhaustive, ni depourvue dexceptions : il ne sagit que
dune indication densemble, qui ne peut dispenser, en cas de
doute, de se reporter aux definitions.
1. Rappel pr
eliminaire
Rappelons une convention dans ce document : les mots ou expressions qui
y font lobjet dune d
efinition figurent par la suite avec des majuscules,
et sont par ailleurs repertories dans lindex. Le lecteur sait ainsi que tout
mot qui apparat avec des majuscules anormales figure dans lIndex,
et quil est donc possible den retrouver aisement la Definition.
2. Conventions g
en
erales
2.1. Abr
eviations
Voici quelques abreviations, courantes dans ce document ainsi que dans
lensemble de la litterature geostatistique francophone.
CG
CLA
FA
FAI
Covariance Generalisee.
Combinaison Lineaire Autorisee.
Fonction Aleatoire.
Fonction Aleatoire Intrinsèque.
FAI-k
Fonction Aleatoire Intrinsèque dordre k.
FASt
Fonction Aleatoire Stationnaire.
FASt-2
KD
KI
Fonction Aleatoire Stationnaire dordre 2.

Krigeage Disjonctif.
KO
Krigeage Ordinaire.
KS
Krigeage Simple.
KU
Krigeage Universel.
MLC
Modèle Lineaire de Coregionalisation.
VA
Variable Aleatoire.
VR
Variable Regionalisee.
La plupart de ces abreviations sont classiques. Il faut pourtant noter

que dans certaines publications, labreviation KI est utilisee pour
Il est possible que

cette convention soit
per
cue parfois comme
aga
cante. Toute suggestion
pour une alternative
sera bienvenue
...
268
Aide-M
emoire de g
eostatistique lin
eaire :
designer le Krigeage dIndicatrice. Mais dans cet AideMemoire, il ne

pourra jamais y avoir dambigute : KI y signifie toujours Krigeage
Intrinsèque , au sens des FAI-k.
2.2. Convention de sommation

On a parfois explicite les sommations simples ou multiples figurant dans
les formules. Toutefois, afin de ne pas alourdir les ecritures, on a souvent
utilise la convention usuelle consistant a` ne pas faire figurer les signes de
sommations portant sur un indice figurant une fois en haut et une fois
en bas.
Ainsi,
Z
U
signifie
al fxl
signifie
signifie
et lexpression plus complexe
Z
U
al fxl
signifie

X
X
X
z
al fl Q z
as fs )
,
2.3. Identification des Krigeages

Les differents systèmes de Krigeage rencontres dans le texte sont
references par une lettre : [O], [I], etc. qui est reprise en indice pour
caracteriser la solution correspondante :
, I2 , etc. Les indices utilises
O
dans ce document sont :
[A]
Krigeage Aleatoire.
[B]
Krigeage Dual.
[D]
Estimation de la Derive.
[I]
[M ]
Estimation de la moyenne (cas dune Derive constante
dans lespace).
[O]
Krigeage Ordinaire.
[R]
Estimation du Residu.
[S]
Krigeage Simple.
[U ]
Krigeage Universel.
[]
Estimation du terme correctif de Derive.
2.4. Majuscules, minuscules

Au niveau de la modelisation du Phenomène Regionalise, les lettres
minuscules sont reservees au Modèle Primaire (Variable Regionalisee),
et les lettres majuscules au modèle probabiliste (Fonction Aleatoire). Le
passage dune majuscule a` une minuscule correspond a` une operation
de Realisation ; le passage dune minuscule a` une majuscule correspond
Notations
269
a` une Randomisation une Immersion Probabiliste , selon la

terminologie judicieusement suggeree par F. Maisonneuve.
Ainsi en particulier, avec les notations habituelles,
designe la Variable Regionalisee z(x). Cest une

fonction deterministe de lespace geographique .
designe la Fonction Aleatoire Z(x, ), fonction

definie a` la fois sur lespace geographique et sur
un espace probabilise (, A, P ) qui na en general
pas besoin detre precise.
Cest aussi pour respecter cette convention de notation que lon ecrit
avec une majuscule M lestimateur (probabiliste dans le modèle) de
lesperance m , quantite qui quant a` elle est deterministe donc notee
avec une minuscule.
3. Symboles alphanum
eriques
al
Coefficients de la Derive dans les modèles non

stationnaires :
m(x)
al fxl
Coefficient de Kx dans la formulation duale du

Krigeage.
cl
Coefficient de la fonction de base fxl dans la

formulation duale du Krigeage :
z (x)
b Kx +
cl fxl
Fonction de covariance. Se reporter a` K , qui est plus

souvent utilisee dans ce texte.
Cov []
Covariance. Dans ce document, il nest question que

de covariances centrees :
Cov [X, Y ]
E []

i
XE [X] Y E [Y ]
Esperance mathematique :
E [X] =
uPX (du)
dx, dy
ement differentiel dans lespace de travail (espace

El
g
eographique ) ; voir remarque a` x, y .
fl
Fonctions de Base de la Derive dans les modèles

non stationnaires. Dans la très grande majorite
des cas, ces fonctions sont des monomes. De plus,
le formalisme du Krigeage Universel a` modèle
sous-jacent intrinsèque requiert que la première de
ces fonctions (indicee traditionnellement 0) soit la
constante dans lespace :
fx0 = 1
Chapitre 6,
paragraphe 3.5.
270
Aide-M
emoire de g
eostatistique lin
eaire :
Vecteur de lespace
Ordre dune FAI-k. Cest le degre des polynomes qui

sont filtres par les Combinaisons Lineaires Autorisees
dordre k.
g
eographique .
k designe parfois aussi le nombre de fonctions de

base de la Derive. Bien que ces deux utilisations
soient fondamentalement contradictoires, les risques
de confusion sont en general peu importants.
Fonction de Covariance Generalisee. Dans le present

texte, on designe egalement parfois par K la fonction
de covariance en modèle FASt-2.
Si K est une covariance (ou une CG) stationnaire, elle
est fonction du seul vecteur h, ce qui se note K(h).
Dans le cas le plus general, elle est fonction de deux
points, et on utilise lecriture simplifiee Kxy plutot
que K(x, y).
Remarque : en Geostatistique Transitive, et dans
ce chapitre seulement, K designe le Covariogramme
Geometrique. Le contexte ne laisse pas de place a` une
quelconque confusion.
Chapitre 2.
l, s, t
m, m(x)
Indices usuels des fonctions de base de la Derive.

Fonction de Derive. Constante dans lespace dans
le modèle du Krigeage Ordinaire, m(x) admet le
developpement
m(x) = al fxl
dans le modèle du Krigeage Universel.
S, v, V, W
Var []
Domaines de regularisation.
Variance :
Var [X] = E X 2
x, y
Y (x)
2
E [X]
Coordonnees en general, de points a` estimer.

On adopte ici une notation simplifiee, adaptee au
cas monodimensionnel. En realite, x represente un
jeu (x1 , , xN ) de N coordonnees, si N est la
dimension de lespace geographique . On adopte
la meme simplification pour la representation de
lelement differentiel dx.
Residu, dans le modèle du Krigeage Universel.
z(x), Z(x)
Representation du Phenomène Regionalise : z(x)

pour la Variable Regionalisee(deterministe), et Z(x)
pour la Fonction Aleatoire associee. Dans une etude
reelles, les donnees disponibles sont representees par
les valeurs z prises par la fonction z(x) aux points
de donnees x .
Z()
FAI-k. Alors que la notation Z(x) represente une

Fonction Aleatoire definie sur lespace de travail
designe une FA definie
(lespace geographique ), Z
sur un espace abstrait de mesures.
, ,
Les indices grecs sont usuellement reserves pour

designer les points de donnees, en particulier dans
lecriture des sytèmes de Krigeage. Ainsi, Z designe
Notations
271
la valeur Z(x ) de la FA Z au point x ; K est la

covariance entre Z(x ) et Z(x ) :
Cov [Z(x ), Z(x )]
Cov [Z , Z ]
Symbole de Kronecker :
a (dx)
=
=
1
0
=
6=
si
si
Mesure de Dirac au point a : pour toute fonction

(x),
(x)a (dx)
(a)
Variogramme. Un variogramme stationnaire, est note

(h) ; dans le cas le plus general, on ecrit xy plutot
que (x, y).
Ponderateur de la donnee dans lestimation par

Krigeage. On ne precise que rarement que ce
ponderateur est bien s
ur une fonction de la quantite
a` estimer. Il serait plus complet, par exemple pour
lestimation dun point x, decrire (x) :
z (x)
(x) z
Le ponderateur peut etre parfois complete par un

indice qui rappelle le type de Krigeage dont il est
solution:
pour un Krigeage Ordinaire ,
O
U
pour un Krigeage
pour un Krigeage Universel,
I
Intrinsèque, etc.
En notation continue, devient une mesure (dt).
On a alors
z (x) =
m
z(t) (dt)
Poids de la moyenne . Cest le compl

ement a` 1 de
la somme des poids de Krigeage Simple :
Ponderateur de la donnee dans lestimation du

coefficient al de la Derive.
Ensemble des Combinaisons Lineaires Autorisees

dordre k. Cest lespace vectoriel des mesures (dx)
verifiant
f l (x)(dx)
pour tout monome f l (x) de degre k
272
Aide-M
emoire de g
eostatistique lin
eaire :
2 (V | W )
E (A, B)
Designe en general une variance. Dans certains

cas, xy est utilise pour designer une fonction de
covariance au meme titre que Cxy ou Kxy .
Variance de Dispersion du domaine V
domaine W .
dans le
Variance dExtension du domaine A au domaine B

ou du domaine B au domaine A. . .
4. Symboles divers
(x)
Fonction indicatrice de lensemble S : cest la fonction

(de x) qui vaut 1 si x S , et 0 si x 6 S .
(x)
1 si x S
0 si x 6 S
=
=
Place en exposant, un asterisque designe de facon

generale une operation dEstimation. Ainsi, Z (x)
signifie estimateur de Z(x) . Sauf mention
contraire, il sagit de lestimation par Krigeage.
Comme , mais designe un estimateur quelconque

(moindres carres, par exemple).
Utilise avec des Variables Aleatoires, represente

le conditionnement. Ainsi, E [X | Y = y] signifie
E [X] conditionnellement a
` Y = y .
Un place sur le symbole dune FA (Z(x) par

dont Z(x) est une
exemple) designe la FAI-k Z
Representation particulière.
[V ]
Mesure du domaine V : longeur dans R1 , aire dans

R2 , etc. :
[V ] =
dx
V
La barre placee sur une fonction signifie la valeur

moyenne de cette fonction sur le domaine precise.
Ainsi,
)
Z(V
1
[V ]
Z(x) dx
V
Lorsque la fonction concernee a deux arguments, il

sagit de la moyenne sur les deux domaines. Ainsi par
exemple,
(V, W )
1
[V ] [W ]
Z Z
V
(xy) dx dy
W
Index
Additives (variables regionalisees) . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Analyse krigeante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142, 174
Analyse structurale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20, 23
Analyse variographique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20, 23
Autokrigeable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
Caracteristique intrinsèque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Champ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Changement de support . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Changements de support . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Cokrigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Cokrigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
Combinaison Lineaire Autorisee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Combinaisons Lineaires Autorisees dordre k (CLA-k) . . . . . . . . . 125
Compatible avec les derives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
Composantes structurales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Conditions doptimalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Configuration de krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Contrainte duniversalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Coregionalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Correction de derive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Correlation intrinsèque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
Covariance croisee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Covariance de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Covariance exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
Covariance triangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
Covariogramme experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Covariogramme geometrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Covariogramme modelise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Covariogramme transitif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Decalage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Dephasage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Derive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62, 95
Derive aleatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Derive de FAI-k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Derive externe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
Demi-variogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Descente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
De type positif conditionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
De type positif conditionnel strict . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Dispersion statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Echelle
de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Effet de bord . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Effet de pepite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Ergodicite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Erreur destimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32, 44
Erreurs partielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Esperance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Espace probabilise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Estimateur des moindres carres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Estimateur sans biais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
274
Aide-M
emoire de g
eostatistique lin
eaire :
Estimation globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Estimation locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Exponentielles-polynomes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Expression duale (du krigeage) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Facteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
FAI-k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
FAI-k sans derive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Fonction Aleatoire Intrinsèque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Fonction Aleatoire Intrinsèque dordre k (FAI-k) . . . . . . . . . . . . . 126
Fonction de forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
Fonction indicatrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Fonctions auxiliaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Fonctions de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97, 125
Formulation duale du Krigeage Universel . . . . . . . . . . . . . . . . . . . . 215
Formule de Krige . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Geostatistique intrinsèque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15, 94
Geostatistique transitive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Grandeur regionale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Heterotopie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Hypothèse anticipatrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Hypothèse ergodique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Independance lineaire des fonctions de base sur les donnees . . . . 103
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Interpolateur exact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Isotopie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Isotrope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Krigeage aleatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Krigeage intrinsèque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Krigeage Ordinaire (KO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85, 86
Krigeage Simple (KS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Krigeage Universel (KU) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Loi spatiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Maximum de vraisemblance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
Mesure autorisee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Modèle gigogne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Modèle lineaire de coregionalisation . . . . . . . . . . . . . . . . . . . . . . . . . 176
Modèle primaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Modèles elementaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Modèles globaux non stationnaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Modèles topo-probabilistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9, 15
Montee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Multiplicateurs de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Paramètre conventionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24, 89
Paramètre methodologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Partie irregulière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Partie regulière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Phenomène regionalise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Poids de la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
Portee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Portee integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Principe deconomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Principe de composition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Principe des grandeurs regionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Problème global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Problème local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Propriete dorthogonalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Propriete dorthogonalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
Règle de substitution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Index
275
Realisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Regularisee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Residu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Randomisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Reconstruction operatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18, 23
Relation dadditivite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Representation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Representation glissante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45, 55
Representation transitive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Sans biais (estimateur) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Separation des variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154, 164
Seuil de realisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Situation prealeatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Sous-jacente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Stationnarite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Stationnarite dordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Strictement intrinsèque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Système dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
Terme de ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Terme de section . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Terme de tranche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Terme dextension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Terme fluctuant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Terme regulier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Theorème dadditivite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114, 116
Theorème de Bochner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Theorème de lesperance totale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Theorème des Representations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Theorème de superposition des figures de Krigeage . . . . . . . . . . . . 88
Translate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Transposee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Type positif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Type positif conditionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Variable regionalisee (VR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Variance de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Variance destimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33, 46
Variance dextension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Variogramme croise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Variogramme des residus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Variographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20, 23
Voisinage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Voisinage glissant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Zitterbewegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
276
Aide-M
emoire de g
eostatistique lin
eaire :
Sommaire
Avertissement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
ements de G
El
eostatistique Lin
eaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1. Bref rappel historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2. Trois
ages de la g
eostatistique . . . . . . . . . . . . . . . . . . . . . . . 7
3. Un point de vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4. Sommaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Chapitre 1
Variables R
egionalis
ees et Fonctions Al
eatoires . . . . . . . . . . . . 11
ele . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Point de depart : le phenomène regionalise . . . . . . . . . . .
1.2. Première etape : la Variable Regionalisee . . . . . . . . . . . .
1.3. Les lecons du modèle primaire . . . . . . . . . . . . . . . . . . . . .
1.4. Les outils du modèle primaire . . . . . . . . . . . . . . . . . . . . . .
1.5. Le modèle topo-probabiliste . . . . . . . . . . . . . . . . . . . . . . . .
1.6. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2. G
eque : probl`
emes et m
ethodes
2.1. LE problème methodologique . . . . . . . . . . . . . . . . . . . . . .
ement de solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. El
2.3. Mecanismes de passage . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
3. Deux notions essentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1. Stationnarite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Ergodicite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3. Recapitulation preliminaire . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Parallèle entre les deux niveaux de modèles . . . . . . . . . .
3.5. Notion dechelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.6. Une illustration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
4. Structure dune
etude en G
eque
4.1. Rappel prealable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Phase danalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3. Phase de synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
11
12
13
14
15
15
16
17
17
18
19
19
20
21
21
22
23
23
278
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 2
G
eostatistique Transitive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1. Le Covariogramme Transitif . . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Proprietes theoriques immediates . . . . . . . . . . . . . . . . . . .
1.3. Positivite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Comportement a` lorigine . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5. Regularisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
2. Application `
a un probl`
eme destimation . . . . . . . . . . . . .
2.1. Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Implantation de la maille . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Proprietes de lErreur dEstimation . . . . . . . . . . . . . . . . .
2.4. Necessite dune modelisation . . . . . . . . . . . . . . . . . . . . . . .
32
3. Mod
elisation du Covariogramme Transitif . . . . . . . . . . .
3.1. Contraintes sur le modèle . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Les formules dapproximation . . . . . . . . . . . . . . . . . . . . . .
3.3. Une situation prealeatoire . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Remarque sur la stationnarite . . . . . . . . . . . . . . . . . . . . . .
3.5. Les trois Covariogrammes . . . . . . . . . . . . . . . . . . . . . . . . .
34
29
29
30
31
31
32
32
33
33
34
35
36
37
37
Chapitre 3
eostatistique Lin
eaire (1) . . . . . . . . . . 39
1. Limites de la g
eostatistique lin
eaire . . . . . . . . . . . . . . . . .
1.1. Cadre de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Limites du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Utilisation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Commentaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2. M
ecanismes de calcul des variances . . . . . . . . . . . . . . . . .
2.1. Les Combinaisons Lineaires Autorisees . . . . . . . . . . . . . .
2.2. Moments dune CLA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Proprietes de la covariance stationnaire . . . . . . . . . . . . .
42
3. Variance dextension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Formule de la Variance dExtension . . . . . . . . . . . . . . . . .
3.3. Analyse de la formule . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Cas particulier dun reseau de prelèvements fini . . . . . .
44
4. Variance de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Dispersion statistique de v dans V . . . . . . . . . . . . . . . . .
4.2. Passage a` la version probabiliste . . . . . . . . . . . . . . . . . . . .
4.3. Variance de dispersion de v dans V . . . . . . . . . . . . . . . . .
4.4. Resultats complementaires . . . . . . . . . . . . . . . . . . . . . . . . .
4.5. Formule de Krige . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
39
40
40
41
42
42
43
44
44
45
46
47
48
48
49
49
Chapitre 4
Stationnarit
e et ergodicit
e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
ele . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Signification et necessite de lhypothèse stationnaire . .
1.2. Les problèmes globaux . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Les problèmes locaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
53
53
54
Sommaire
279
1.3.1. Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2. Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3. Remarques finales . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
55
56
2. Vers un affaiblissement de lhypoth`

ese stationnaire . 56
2.1. Modèle sans variance a priori . . . . . . . . . . . . . . . . . . . . . . 56
2.2. Combinaisons lineaires autorisees . . . . . . . . . . . . . . . . . . . 57
3. Lergodicit
e .........................................
3.1. Permanence dune hypothèse de stationnarite . . . . . . . .
3.2. Estimation de lesperance . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3. La portee integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Reconstruction operatoire . . . . . . . . . . . . . . . . . . . . . . . . .
58
58
58
59
59
Chapitre 5
eostatistique Lin
eaire (2) . . . . . . . . . . 61
1. M
ecanismes de calcul en hypoth`
ese intrins`
eque . . . . .
1.1. Le modèle intrinsèque . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Combinaisons lineaires autorisees . . . . . . . . . . . . . . . . . . .
1.3. Mecanismes de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Proprietes du variogramme stationnaire . . . . . . . . . . . . .
61
2. Formules des variances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1. Variance dExtension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Variance de Dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Autre presentation du variogramme . . . . . . . . . . . . . . . . .
65
61
62
63
65
65
66
66
3. R
egularisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.1. Resultats generaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2. Formule de changement de support . . . . . . . . . . . . . . . . . 68
Chapitre 6
Estimations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
1. Alternative global/local en estimation . . . . . . . . . . . . . . 71
1.1. Quappelons-nous estimation ? . . . . . . . . . . . . . . . . . . . . . 71
1.2. Estimation globale, estimation locale . . . . . . . . . . . . . . . . 72
2. Lestimation globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
aleatoire pur . . . . . . . . . . . . . . . . . . . . . .
aleatoire stratifie . . . . . . . . . . . . . . . . . . .
2.3. Remarque sur la geometrie . . . . . . . . . . . . . . . . . . . . . . . .
2.4. Maille regulière a` implantation preferentielle . . . . . . . . .
2.5. Maille regulière a` implantation flottante . . . . . . . . . . . . .
2.6. Une remarque instructive . . . . . . . . . . . . . . . . . . . . . . . . . .
72
73
75
75
76
76
77
3. Lestimation locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2. Les etapes du krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.1. Lerreur destimation . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.2. Etape
1 : contrainte de linearite . . . . . . . . . . . . . . . . 79
3.2.3. Etape
2 : contrainte dautorisation . . . . . . . . . . . . . . 79
3.2.4. Etape
3 : contrainte duniversalite . . . . . . . . . . . . . . 80
3.2.5. Sens de la contrainte duniversalite . . . . . . . . . . . . . . 80
3.2.6. Etape
4 : contrainte doptimalite . . . . . . . . . . . . . . . 81
3.2.7. L. A. U. O. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
280
Aide-M
emoire de g
eostatistique lin
eaire :
3.3. Quelques exemples de krigeage ponctuel

3.3.1.
3.3.2.
3.3.3.
3.3.4.
. . . . . . . . . . . . . 83
Krigeage stationnaire a` moyenne connue . . . . . . . . .

Krigeage stationnaire a` moyenne inconnue . . . . . . . .
Krigeage Intrinsèque . . . . . . . . . . . . . . . . . . . . . . . . .
Quelques commentaires . . . . . . . . . . . . . . . . . . . . . . .
3.4. Proprietes du système de Krigeage
83
84
86
86
. . . . . . . . . . . . . . . . . . 87
3.4.1. Le Krigeage, interpolateur exact . . . . . . . . . . . . . . . .

3.4.2. Superposition des figures de Krigeage . . . . . . . . . . . .
3.4.3. Relation dorthogonalite et de lissage . . . . . . . . . . . .
3.5. Evaluation
optimale de lesperance mathematique
87
87
88
. . . . 89
Chapitre 7
Vers les mod`

eles non stationnaires . . . . . . . . . . . . . . . . . . . . . . . . . . 93
1. Introduction `
a la non-stationnarit
e ..................
1.1. Rappel sur le role dune hypothèse stationnaire . . . . . .
1.2. Idee directrice de la Geostatistique Non Stationnaire . .
1.3. Comment tester la non-stationnarite ? . . . . . . . . . . . . . . .
93
93
94
94
2. Le Krigeage Universel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.1. La dichotomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.1.1. Les donnees disponibles . . . . . . . . . . . . . . . . . . . . . . 95
2.1.2. Contrainte au niveau de la Variable Regionalisee . . . 96
2.1.3. Contrainte au niveau de la Fonction Aleatoire . . . . . 96
2.1.4. Structure de la Derive . . . . . . . . . . . . . . . . . . . . . . . . 96
2.1.5. Hypothèses communes aux differents modèles de KU
97
. . . . . . 98
2.2.1. Signification du modèle . . . . . . . . . . . . . . . . . . . . . . . 98
2.2.2. Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2.2.3. Presentation matricielle . . . . . . . . . . . . . . . . . . . . . . . 99
2.3. KU a` modèle sous-jacent intrinsèque strict . . . . . . . . . . 100
2.3.1. Particularite de ce modèle . . . . . . . . . . . . . . . . . . . . 100
2.3.2. Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.3.3. Presentation matricielle . . . . . . . . . . . . . . . . . . . . . . 101
2.3.4. Plaidoyer pour une demarche rigoureuse . . . . . . . . . 102
2.4. Proprietes du Krigeage Universel . . . . . . . . . . . . . . . . . . 102
2.4.1. Proprietes generales . . . . . . . . . . . . . . . . . . . . . . . . . 102
2.4.2. Independance lineaire des fonctions de base . . . . . . 102
2.4.3. Une invariance des ponderateurs du KU . . . . . . . . . 103
2.4.4. Proprietes dorthogonalite . . . . . . . . . . . . . . . . . . . . 104
3. Le statut de la D
erive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2. Evaluation
optimale de la Derive : idee directrice . . . . 105
3.3. Modèle sous-jacent stationnaire . . . . . . . . . . . . . . . . . . . 106
2.2. KU a` modèle sous-jacent stationnaire dordre 2
3.4. Retour sur lindependance lineaire des

fonctions de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.5. Modèle sous-jacent intrinsèque strict . . . . . . . . . . . . . . . 107
3.6. Vers un travail en accroissements . . . . . . . . . . . . . . . . . . 108
4. Les coefficients de la D
erive . . . . . . . . . . . . . . . . . . . . . . .
4.1. Evaluation
des coefficients : modèle stationnaire . . . . .
4.2. Evaluation
des coefficients : modèle intrinsèque . . . . . .
4.3. Le problème du terme constant . . . . . . . . . . . . . . . . . . . .
4.3.1. Modèle de Derive aleatoire . . . . . . . . . . . . . . . . . . .
4.3.2. Estimation dune Derive aleatoire . . . . . . . . . . . . . .
4.3.3. Première estimation dune moyenne mobile . . . . . .
4.3.4. Seconde estimation dune moyenne mobile . . . . . . .
ement de reflexion . . . . . . . . . . . . . . . . . . . . . . . .
4.3.5. El
4.3.6. Retour au coefficient a0 . . . . . . . . . . . . . . . . . . . . .
4.3.7. Dernier regard sur la Derive . . . . . . . . . . . . . . . . . .
108
109
109
110
110
110
111
111
111
111
112
Sommaire
281
5. Compl
ement sur les syst`
emes du Krigeage Universel
5.1. Hypothèse et notations . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Matrice inverse du Krigeage Universel . . . . . . . . . . . . . .
5.3. Consequence : additivite des estimations . . . . . . . . . . .
5.4. Correction de Derive . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5. Additivite des variances . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6. Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6. Etapes
et probl`
emes de lAnalyse Variographique . .
6.1. Lestimateur des moindres carres . . . . . . . . . . . . . . . . . .
6.2. Le variogramme des residus . . . . . . . . . . . . . . . . . . . . . . .
6.3. Problèmes de biais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4. Problèmes dindetermination . . . . . . . . . . . . . . . . . . . . . .
6.5. Conclusion provisoire . . . . . . . . . . . . . . . . . . . . . . . . . . . .
112
112
113
114
115
115
116
116
117
118
118
119
119
Chapitre 8
G
eque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
1. Introduction aux FAI-k . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Idee directrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Vers des Combinaisons Lineaires Autorisees . . . . . . . . .
1.3. Definition des CLAk . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. FAI-k et representation . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.2. Première definition . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.3. Deuxième definition . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.4. Representation dune FAI-k : definition . . . . . . . . .
1.4.5. Equivalence
entre les deux definitions de FAI-k . . .
1.4.6. Theorème des representations : enonce . . . . . . . . . .
1.4.7. Application : caracteristiques intrinsèques . . . . . . .
1.4.8. Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.9. Commentaire sur les CLA-k . . . . . . . . . . . . . . . . . .
2. Covariances G
en
eralis
ees : th
eor`
eme fondamental .
2.1. Derive dune FAI-k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Covariance Generalisee : definition . . . . . . . . . . . . . . . . .
2.3. Theorème dexistence et dunicite . . . . . . . . . . . . . . . . . .
2.4. Fonctions de type positif conditionnel . . . . . . . . . . . . . .
123
123
123
124
125
125
126
126
126
126
127
127
128
128
128
129
129
130
130
3. Le Krigeage Intrins`
eque . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1. L.A.U.O. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Le système de Krigeage Intrinsèque . . . . . . . . . . . . . . . .
3.3. Proprietes du système de Krigeage Intrinsèque . . . . . .
3.3.1. Superposition des figures de Krigeage . . . . . . . . . . .
3.3.2. Orthogonalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.3. Lissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Conditions de regularite du système de Krigeage . . . .
131
4. Pr
esentation duale du Krigeage . . . . . . . . . . . . . . . . . . . .
4.1. Le Krigeage comme interpolateur . . . . . . . . . . . . . . . . . .
4.2. Système de Krigeage dual . . . . . . . . . . . . . . . . . . . . . . . .
4.3. Interpretation des equations duales . . . . . . . . . . . . . . . .
4.3.1. Recherche dun nouvel interpolateur . . . . . . . . . . . .
l
4.3.2. Role des contraintes b f
= 0 ..............
4.3.3. Caracterisation du système dual . . . . . . . . . . . . . . .
4.4. Equivalence
splineskrigeage . . . . . . . . . . . . . . . . . . . . . .
135
131
132
133
133
133
134
135
135
136
136
136
137
137
137
282
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 9
Introduction `
a la G
eostatistique Multivariable . . . . . . . . . . . . 141
1. Position du probl`
eme et notations . . . . . . . . . . . . . . . . . 141
1.1. Remarque preliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
1.2. Necessite dun modèle multivariable :
un exemple simpliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
1.3. Deux considerations generales sur le multivariable . . . 145
1.4. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
2. Mise en place de la fonction structurale . . . . . . . . . . .

2.1. Le modèle FASt-2 desperance nulle . . . . . . . . . . . . . . . .
2.2. Proprietes elementaires des covariances croisees . . . . .
2.3. Indications sur le modèle intrinsèque strict . . . . . . . . .
2.4. Liens entre covariances et variogrammes croises . . . . .
147
3. Cokrigeage de FASt-2 desp

erances nulles . . . . . . . . .
3.1. Construction du système de cokrigeage simple . . . . . .
3.2. Proprietes du système . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1. Structure du système . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2. Conditions de regularite . . . . . . . . . . . . . . . . . . . . .
3.2.3. Separation des variables . . . . . . . . . . . . . . . . . . . . .
3.2.4. Le cokrigeage, interpolateur exact . . . . . . . . . . . . . .
3.2.5. Superposition des figures de cokrigeage . . . . . . . . . .
3.2.6. Relation dorthogonalite . . . . . . . . . . . . . . . . . . . . .
ements de reflexion generale sur le cokrigeage . . . . .
3.3. El
152
4. Le cokrigeage universel . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Dernier retour sur le modèle intrinsèque . . . . . . . . . . . .
4.2. Les equations du cokrigeage universel . . . . . . . . . . . . . .
4.2.1. Description de la derive . . . . . . . . . . . . . . . . . . . . . .
4.2.2. Construction du système . . . . . . . . . . . . . . . . . . . . .
4.3. Complements sur le cokrigeage universel . . . . . . . . . . .
4.3.1. Proprietes algebriques du cokrigeage universel . . . .
4.3.2. Regularite du système . . . . . . . . . . . . . . . . . . . . . . .
4.3.3. Coestimation optimale des coefficients de la derive .
4.3.4. Presentation duale du cokrigeage universel . . . . . . .
5. Recherche de simplification du cokrigeage universel
5.1. Position du problème et hypothèses simplificatrices . .
5.2. Principal resultat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3. Adaptation des notations : cokrigeage . . . . . . . . . . . . . .
5.4. Adaptation des notations : coefficients des derives . . .
5.5. Transformation lineaire regulière des variables . . . . . .
5.6. Cokrigeage des variables transformees . . . . . . . . . . . . . .
5.7. Coefficients des derives des variables transformees . . .
5.8. Application : la correlation intrinsèque . . . . . . . . . . . . .
5.8.1. Definition du modèle . . . . . . . . . . . . . . . . . . . . . . . .
5.8.2. Transformation des variables . . . . . . . . . . . . . . . . . .
5.8.3. Simplification du cokrigeage universel . . . . . . . . . . .
5.8.4. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.9. Perspectives : lautokrigeabilite . . . . . . . . . . . . . . . . . . . .
158
147
148
150
151
152
153
153
153
154
155
155
155
155
158
159
159
160
161
161
162
162
163
163
163
164
165
166
166
168
170
171
171
171
172
173
173
6. Principes de lanalyse krigeante . . . . . . . . . . . . . . . . . . . . 174

6.1. Presentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6.2. Le modèle lineaire de coregionalisation . . . . . . . . . . . . . 175
6.2.1. Le modèle structural . . . . . . . . . . . . . . . . . . . . . . . . 175
6.2.2. Decomposition des variables . . . . . . . . . . . . . . . . . . 176
6.2.3. Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
6.2.4. Calage du modèle lineaire de coregionalisation . . . . 177
Sommaire
283
6.3. Estimation des facteurs . . . . . . . . . . . . . . . . . . . . . . . . . . 178

6.4. Remarque finale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
7. Notion de d
erive externe . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1. Justification, et modèle . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2. Variographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3. Krigeage avec derive externe . . . . . . . . . . . . . . . . . . . . . .
7.4. Remarques finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
180
180
181
181
182
Annexes
Chapitre 1
Esp
ecanismes dutilisation . . . . . 189
1. Th
eor`
eme et mise en uvre . . . . . . . . . . . . . . . . . . . . . . .
1.1. Rappel du theorème . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Quelques formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Les etapes de la mise en uvre . . . . . . . . . . . . . . . . . . . .
1.4. Remarque sur la variance conditionnelle . . . . . . . . . . . .
1.5. Generalisation a` plusieurs variables conditionnantes .
189
189
189
190
190
190
2. Application aux calculs de variogrammes . . . . . . . . . . 191

2.1. Generation dun modèle triangulaire . . . . . . . . . . . . . . . 191
2.2. Generation dun modèle exponentiel . . . . . . . . . . . . . . . 192
3. Introduction au krigeage al
eatoire . . . . . . . . . . . . . . . . .
3.1. Presentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Linearite, autorisation et universalite . . . . . . . . . . . . . .
3.3. Optimalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1. Demarche generale . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.2. Simplification pour des implantations
uniformes independantes . . . . . . . . . . . . . . . . . . . . .
3.3.3. Expression finale pour des implantations
uniformes independantes . . . . . . . . . . . . . . . . . . . . .
192
192
193
193
193
194
194
3.4. Système du Krigeage Aleatoire . . . . . . . . . . . . . . . . . . . . 195

3.5. Remarque importante . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Chapitre 2
Compl
ements sur le th
eor`
eme dadditivit
e . . . . . . . . . . . . . . . . 197
1. Estimation des r
esidus et Krigeage Simple . . . . . . . . .
1.1. Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Conditions dorthogonalite . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1. Krigeage ordinaire . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2. Estimation de la moyenne . . . . . . . . . . . . . . . . . . . .
1.2.3. Recapitulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Estimation du Residu . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Estimation des Residus et Krigeage Simple . . . . . . . . .
1.5. Quelques relations dinegalite entre variances . . . . . . .
1.6. Recapitulation sur les variances et covariances . . . . . .
1.7. Valeurs particulières de la somme des poids de KS . . .
1.7.1. Somme egale a` 1 . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.2. Somme egale a` 0 . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.3. Somme egale a` 1/2 . . . . . . . . . . . . . . . . . . . . . . . . .
2. Th
eor`
eme dadditivit
e pour le mod`
ele intrins`
eque .
2.1. Expression du theorème au niveau des estimateurs . .
197
197
198
198
198
199
199
200
201
202
202
202
203
203
203
203
284
Aide-M
emoire de g
eostatistique lin
eaire :
2.2. Expression du theorème au niveau des variances . . . . . 205

2.3. Illustration sur un cas simple . . . . . . . . . . . . . . . . . . . . . 206
3. G
en
eralisation `
a des KU de degr
es diff
erents . . . . . .
3.1. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Additivite des estimateurs du Krigeage . . . . . . . . . . . . .
3.3. Additivite des variances . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Formulaire des estimateurs de coefficients de la Derive
207
207
208
209
210
Chapitre 3
Aspect dual du Krigeage Universel . . . . . . . . . . . . . . . . . . . . . . . . 213

1. Pr
esentation duale du Krigeage Universel . . . . . . . . . 213
1.1. Complement sur lestimation du residu . . . . . . . . . . . . . 213
1.2. Estimation de la Derive et Krigeage Universel . . . . . . . 214
2. Caract
erisation des coefficients du KU . . . . . . . . . . . . . 214
3. Int
er
et pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
4. Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
Chapitre 4
D
emonstration du th
eor`
eme des Repr
esentations . . . . . . . . 217
1. Hypoth`
eses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
2. Enonc
e du th
eor`
eme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
3. Construction dune repr
esentation particuli`
ere . . . . . 217
3.1. Choix dun système de ponderateurs . . . . . . . . . . . . . . . 217
3.2. Construction dune CLA dordre k . . . . . . . . . . . . . . . . . 217
3.3. Construction dune Fonction Aleatoire
non stationnaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
3.4. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
4. Caract
erisation de lensemble des repr
esentations .
4.1. Enonc
e .........................................
4.2. Condition suffisante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3. Condition necessaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
219
219
219
219
Chapitre 5
D
emonstration du th
eor`
eme de r
egularit
e du KI . . . . . . . . . 221
1. Enonc
e du th
eor`
eme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
2. Remarque pr
eliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
3. Condition n
ecessaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1. Necessite de la seconde condition . . . . . . . . . . . . . . . . . .
3.2. Effet du non-respect de la première condition . . . . . . .
3.3. Necessite de la première condition . . . . . . . . . . . . . . . . .
3.4. Resultat complementaire . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.1. Consequence du theorème precedent . . . . . . . . . . . .
3.4.2. Reciproque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.3. Enonc
e ...................................
4. Condition suffisante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
221
221
222
222
223
223
223
223
223
Sommaire
285
Chapitre 6
Equivalence
Spline-Krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
1. Estimation des coefficients de la d
erive . . . . . . . . . . . . 225
1.1. Système destimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
1.2. Estimateur du maximum de vraisemblance
(cas gaussien) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
1.3. Point de vue general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
1.4. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
2. Notations G
en
erales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1. Indices et ensembles concernes . . . . . . . . . . . . . . . . . . . .
2.2. Matrices de covariances . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1. Proprietes dune sous-matrice de covariance . . . . . .
2.2.2. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Une identite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4. Identification des termes . . . . . . . . . . . . . . . . . . . . . . . . . .
227
227
227
227
228
228
229
3. Krigeage Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229

3.2. Minimisation dune integrale despace . . . . . . . . . . . . . . 229
4. Krigeage Universel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
4.2. Minimisation dune integrale despace . . . . . . . . . . . . . . 230
5. Krigeage Intrins`
eque (FAI-k) . . . . . . . . . . . . . . . . . . . . . . .
5.1. Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Donner un sens aux Splines . . . . . . . . . . . . . . . . . . . . . . .
5.3. Une bijection essentielle . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4. Proprietes de la matrice B i j . . . . . . . . . . . . . . . . . . . . . .
5.5. Equivalence
SplineKrigeage . . . . . . . . . . . . . . . . . . . . . .
5.5.1. Annonce de la methode et du resultat . . . . . . . . . .
5.5.2. Definition de la matrice B ij . . . . . . . . . . . . . . . . . .
5.5.3. Expression des solutions du système des Splines . . .
5.5.4. Consequence de la singularite de B uv . . . . . . . . . .
5.5.5. Condition necessaire de singularite
du système de Splines . . . . . . . . . . . . . . . . . . . . . . .
5.5.6. Reciproque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.7. Recapitulatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.8. Explicitation de la solution des Splines . . . . . . . . . .
5.5.9. Explicitation de la solution du KI . . . . . . . . . . . . . .
5.5.10. Explicitation des ponderateurs du KI . . . . . . . . . . .
5.5.11. Resultat complementaire . . . . . . . . . . . . . . . . . . . . .
231
231
231
232
233
234
234
234
235
235
236
236
236
236
237
237
238
Chapitre 7
Etude
de la bathym
etrie sur le site du Titanic . . . . . . . . . . . 239
1. Pr
esentation des donn
ees . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Calcul des variogrammes . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Analyse Variographique non stationnaire . . . . . . . . . . .
3.1. Approche automatique . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Modification des paramètres par defaut . . . . . . . . . . . .
3.3. Une solution acceptable . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Recherche dallègement des calculs . . . . . . . . . . . . . . . . .
ements de conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4. El
239
240
240
240
240
241
241
242
286
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8
Introduction au filtrage derreurs . . . . . . . . . . . . . . . . . . . . . . . . . . 253

1. Filtrage dune erreur non syst
ematique . . . . . . . . . . . .
1.1. Hypothèses et notations . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Système de filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Remarque sur la regularite du système . . . . . . . . . . . . .
1.4. Comparaison aux krigeages monovariables . . . . . . . . . .
1.5. Cas particulier dun bruit blanc . . . . . . . . . . . . . . . . . . .
1.6. Estimation de la derive . . . . . . . . . . . . . . . . . . . . . . . . . . .
253
2. Filtrage dune erreur syst

ematique . . . . . . . . . . . . . . . . .
2.1. Hypothèses et notations . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Regularite du système de cokrigeage . . . . . . . . . . . . . . .
2.3. Estimations optimales . . . . . . . . . . . . . . . . . . . . . . . . . . . .
257
253
254
254
255
255
256
257
258
259
Bibliographie, Notations, Index, Table
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
1. Rappel pr
eliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
2. Conventions g
en
erales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1. Abreviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Convention de sommation . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Identification des Krigeages . . . . . . . . . . . . . . . . . . . . . . .
2.4. Majuscules, minuscules . . . . . . . . . . . . . . . . . . . . . . . . . . .
267
267
268
268
268
3. Symboles alphanum
eriques . . . . . . . . . . . . . . . . . . . . . . . 269
4. Symboles divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
Table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277

G É o Statistique

Încărcat de

Informații document

Titlu original

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

G É o Statistique

Încărcat de

Drepturi de autor:

Formate disponibile

Aide-M

Les Presses de lEcole

` lorigine, ce texte est la redaction dune partie dun cours donne

Pour aider a` ce cheminement personnel du lecteur, nous avons veille a`

e 1989, et surtout bien s

Sans signe de renvoi dans le texte, afin de ne pas en perturber la lecture.

Quelques conventions permanentes dans cet Aide-Memoire :

lorsque nous proposerons dans le texte des citations verbatim

de meme, lorsque nous definirons des mots ou expressions

les points qui semblent meriter une attention particuli`ere seront

quant aux renvois internes au document, il peuvent soit etre

le premier document de cours (et dexercices) propose en

et Choisir , Matheron, 1978. Ce fascicule, edite

Le texte propose dans les chapitres suivants, simple compte-rendu ecrit

e, na pour but que de servir dintroduction et de guide

La version de 1993 nintroduit pas de mati`ere nouvelle. Nous avons

certaines observations au sujet du besoin dexemples pratiques, de

La version de 1998 na fait que completer les rectifications du tirage

Le principal travail sur la version de 2006 a consiste, au-del`a des

Toutes remarques, critiques ou suggestions quant aux contenu, style ou realisation

1. Bref rappel historique

d`es les annees 1930 par les Ecoles

Concernant la Geostatistique elaboree a` lEcole

Matheron, 1962 (a).

Matheron, 1963 (b).

Voir aussi R. Fortet &

de la Geostatistique au sein de lEcole

Sichel, 1949, 1952,

des gisements tr`es dissemines. Le neologisme  krigeage  est l`a

Ainsi, au sens etymologique, le mot  Geostatistique  convient

Avec le second age de la Geostatistique, que lon peut situer de 1965 a` la

Matheron, 1970, 1971 (b) ;

Il nest pas facile de parler de la  Geostatistique de troisi`eme

On pref`ere maintenant la terminologie :

tot pour prevoir les aboutissants. Cette etape passionnante echappe

e 1989. Afin de permettre au

des annexes precisant des points techniques ou des demonstrations ;

Les th`emes qui se degageront au cours de cet expose peuvent etre

1. Les deux niveaux de mod`

Ce mecanisme du recours a` la modelisation est illustre a` la figure1 et, en

Le premier niveau dabstraction est atteint (cf. figure1, deuxi`eme

Variable Regionalisee est une fonction. Cest un etre mathematique,

ou alors, il faut passer

Cette distinction entre Phenom`ene Regionalise et Variable Regionalisee

une affirmation au niveau mathematique, qui exprime une propriete

une affirmation au niveau physique, qui exprime un lien entre le

Il est bon de rappeler avec

1.3. Les lecons du mod`

Ce premier niveau dabstraction est, rappelons-le, illustre par la

Sibson, 1981, p22 ;

Plus precisement, le concept de Variable Regionalisee est cense  coller 

1.4. Les outils du mod`

Du point de vue geostatistique, il existe une possibilite dapproche

est difficile de faire leconomie dune modelisation probabiliste mais,

Au plan mathematique, lobjet de letude est maintenant une Fonction

ny a pas de probabilite en soi. Il ny a que des mod`eles

La Fonction Aleatoire associee est definie a` la fois sur lespace

Une fois pour toutes, precisons ce mod`ele probabiliste. Un espace

est linventaire des etats possibles du syst`eme etudie ;

P est une loi de probabilite, cest-`a-dire intuitivement une r`egle de

atout pour le Geostatisticien applique, mais bien au contraire un ecueil

Nous conserverons ce barbarisme, faute de disposer dun mot francais equivalent

en termes de Variable Regionalisee, on substitue Z a` z , et on etudie les

et Choisir , Matheron, 1978. Ce fascicule, edite

des gisements tr`es dissemines. Le neologisme krigeage est l`a

Ainsi, au sens etymologique, le mot Geostatistique convient

Il nest pas facile de parler de la Geostatistique de troisi`eme

Plus precisement, le concept de Variable Regionalisee est cense coller

Par abus de langage, on se contente souvent de lexpression stationnarite ,

Cest a` dessein que nous utilisons ladverbe raisonnablement , pour

et Choisir , Matheron, 1978.

echelle, structure , Matheron, 1975.

Les concepts de base et l

Multivariate Data , Barnett ed., 1981.

ainsi quun article : Kriging : blue or pink ? releve dans

)) () & !(( &

/$()) () &* )'#( ) +

$'"! (" %'$ ! ()

-%$).(( %-( &*(

/$()) () &( !(( &

et sa signification est purement objective .