Vous êtes sur la page 1sur 58

Kriging Z * ( u )

Consideremos Z ( uα ) , α = 1,2,  N puntos en los cuales se tiene

información de determinada propiedad en el yacimiento y Z ( u ) la


*

estimación de Z ( u ) a partir de los puntos Z ( uα )

Z ( uα )

Z (u)
Kriging Z * ( u )

Existen diversos métodos para obtener Z * ( u )

• Vecino más cercano

• Interpolación estándar

• Regresión lineal
• Métodos basados en Splines
...

No toman en cuenta la información aportada por el variograma !


Kriging Z * ( u )

• El vecino más cercano

X (Kilometer)

0. 10. 20. 30. 40.


X (Kilometer)
0. 10. 20. 30. 40.

>=20 9.38
9.38 19 40. 40.
18 5.96
40. 40. 17 10.31
5.96 11.11
10.31 11.11 16 11.04
11.04 15 7.69
14 11.54

Y (Kilometer)
7.69 30. 30.
Y (Kilometer)

3 0 .1 1 . 5 4 30. 13
9.43 6 .7 6. 05 2 12 9.43 6.60
11 7.52
Y (Kilometer)

6.87 10 6.87
20. 20. 9
20. 20.
8
7
7.36 2.46 11.22 9.84 6
12.12 2.46 11.22 9.84
5 7.36
12.12
10. 10. 4
3.81 4.32 10. 10.
3 3.81 4.32
10.21 9.22 2
7.26 1 10.21 9.22
0. 9 . 94 .3 5 9 7.18 0. <0 7.26
0 6. . 2 6 10. 20. 30. 40. 9.439.59 7.18
0. 0.
X (Kilometer) N/A 0. 6.26 10. 20. 30. 40.

X (Kilometer)
Kriging Z * ( u )

X (Kilometer)
0. 10. 20. 30. 40.

• Distancia inversa
>=20
9.38 19
18
40. 40. 17
10.31 5.96 16
11.11
11.04 15
7.69 14

Y (Kilometer)
3 0 .1 1 . 5 4 30. 13
9.43 6 .76.05 2 12
11

Y (Kilometer)
6.87 10
20. 20. 9
8
7
7.36 2.46 11.22 9.84 6
12.12 5
10. 10. 4
3.81 4.32
3
10.21 9.22 2
7.26 1
0. 9 . 49 3. 5 9 7.18 0. <0
0 .6 . 2 6 10. 20. 30. 40.
X (Kilometer) X (Kilometer) N/A

0. 10. 20. 30. 40.

9.38
40. 40.
10.31 5.96
11.11
11.04
7.69
30. 11.54 30.
9.43 6.60
7.52
6.87
20. 20.

7.36 2.46 11.22 9.84


12.12
10. 3.81 4.32 10.
10.21 9.22
7.26
0. 9.43
9.59 7.18 0.
0. 6.26 10. 20. 30. 40.
X (Kilometer)
X (Kilometer)
0. 10. 20. 30. 40.

X (Kilometer) 9.38 >=13


0. 10. 20. 30. 40.
12.45
5.96 11.9
40. 10.31 40. 11.35
9.38 >=13 11.11
12.45 11.04 10.8
11.9 10.25
40. 10.31
11.11
5.96 40. 11.35 11.54 7.69 9.7

Y (Kilometer)
11.04 10.8
10.25 30. 9.43 6 .76.05 2 30. 9.15
11.54 7.69 9.7 8.6
Y (Kilometer)

30. 9.43 6 .76.05 2 30. 9.15


Y (Kilometer)
6.87 8.05
8.6 7.5
6.87 8.05
Y (Kilometer)

7.5 20. 20. 6.95


6.95 6.4
20. 20. 7.36 2.46 11.22 9.84 5.85
6.4 12.12
2.46 11.22 9.84
7.36 12.12 5.85 5.3
5.3 4.75
4.75 3.81 4.32
10.
3.81 4.32
10.
10. 10. 4.2
4.2
10.21 9.22 3.65 10.21 9.22 3.65
7.26 3.1 7.26 3.1
9 . 49 3. 5 9 7.18 2.55 9 . 49 3. 5 9 7.18 2.55
6.26 <2 6.26
0. 0. 0. 0. <2
0. 10. 20. 30. 40.
0. 10. 20. 30. 40.
X (Kilometer) N/A
X (Kilometer) N/A
Kriging Z * ( u )

Planteamiento básico de la estimación por Kriging:

Considerar la estimación de Z ( u ) como una combinación lineal de las

observaciones disponibles

N
Z * ( u ) = ∑λα ( u ) Z ( uα )
α =1

y escoger los pesos bajo un criterio en el cual se considera que dicha


estimación es óptima. Este es que el estimador sea insesgado y que

[
var Z ( u ) − Z * ( u ) ] sea mínima
Kriging Simple Z *(u)

KRIGING SIMPLE

El caso más simple se denomina kriging simple y la hipótesis básica es la


estacionaridad junto con el hecho de que se asume que la media de la función
aleatoria es conocida. Esto es,

E( Z ( u ) ) = m y m es conocida

1° CASO. m = 0

Bajo esta condición se asegura que el estimador de kriging es insesgado, ya


que

E ( Z * ( u ) ) = ∑λα ( u ) E ( Z ( uα ) ) = 0 = E ( Z ( u ) )
N

α =1
Kriging Simple Z *(u)

Ahora sólo resta hallar los pesos para que la condición de varianza mínima se
satisfaga.

Considérese primero el caso en que se cuenta con una sola observación

Z * (u ) = λ1 Z ( u1 )
Entonces

[ *
] 1 
var Z ( u ) − Z ( u ) = var ∑λα′ Z ( uα )  λ0′ = 1, λα′ = −λα , u0 = u
α =0 

= λ20 var( Z ( u0 ) ) + λ12 var( Z ( u1 ) ) − 2λ0 λ1 cov( Z ( u0 ) , Z ( u1 ) )

= σ 2 + λ12σ 2 − 2 λ1 cov( u − u1 )
Kriging Simple Z *(u)

Derivando respecto al parámetro e igualando a cero se tiene

[
∂ var Z ( u ) − Z * ( u )]= 2λ1σ 2 − 2 cov ( u − u1 ) = 0
∂λ1

Con lo cual
cov ( u − u1 )
λ1 = = ρ ( u − u1 )
σ 2

Z * (u ) = ρ(u −u1 ) Z (u1 )

Es decir, el estimador de kriging simple es igual al valor conocido de la variable


multiplicado por la correlación que existe entre la variable en el punto objetivo y la
variable en el punto de observación.
Kriging Simple Z *(u)

Utilizando el valor del parámetro se obtiene que:

[ ] [
var Z ( u ) − Z * ( u ) = σ 2 1 − ρ 2 ( u − u1 ) ]
Este tipo de resultado generalmente se utiliza para determinar el error asociado
a la estimación.

Debe ser usado con cautela porque no depende directamente de los datos si no
de la continuidad espacial de estos !

Utilizando la forma del estimador de kriging se puede demostrar que:

[ ]
var Z * ( u ) = σ 2 ρ 2 ( u − u1 ) ≤ σ 2 = var[ Z ( u ) ]
Kriging Simple Z *(u)

Considérese ahora el caso en que se cuenta con dos observaciones:

Z * ( u ) = λ1 Z ( u1 ) + λ2 Z ( u 2 )

[ *
] 2 
var Z ( u ) − Z ( u ) = var ∑λα′ Z ( uα )  λ0′ = 1, λα′ = −λα , u0 = u
α =0 

= λ20 var( Z ( u0 ) ) + λ12 var( Z ( u1 ) ) + λ22 var( Z ( u 2 ) )

+
2λ1 λ 2 cov( u1 − u2 ) − 2λ1 cov( u0 − u1 ) − 2λ 2 cov( u0 − u2 )
Kriging Simple Z *(u)

Ahora hay dos parámetros desconocidos y por lo tanto hay que calcular dos
derivadas e igualarlas a cero

[ ]
∂ var Z ( u ) − Z * ( u )
= λ1σ 2 + λ2 cov ( u1 − u 2 ) − cov ( u0 − u1 ) = 0
∂λ1

[ ]
∂ var Z ( u ) − Z * ( u )
= λ2σ 2 + λ1 cov ( u 2 − u1 ) − cov ( u0 − u 2 ) = 0
∂λ2

De esta manera se obtiene un sistema de dos ecuaciones con dos incógnitas que
se puede escribir en forma matricial como:

 C ( 0) C ( u1 − u 2 )  λ1  C ( u0 − u1 ) 
=
C ( u − u )
 2 1 C ( 0 )  λ2  C ( u0 − u 2 ) 
  

Kriging Simple Z *(u)

Utilizando el hecho de que los parámetros resuelven el sistema de ecuaciones se


obtiene que:

[ ]
var Z ( u ) − Z * ( u ) = σ 2 − λ1C ( u0 − u1 ) − λ2C ( u0 − u 2 )

2
= σ − ∑λα C ( u0 − uα )
2

α =1

Nuevamente, el error no depende directamente de los datos si no de la


continuidad espacial de estos.
Kriging Simple Z *(u)

Utilizando el hecho de que los valores λ ’s resuelven el sistema de ecuaciones se


puede demostrar que:

Cov ( Z ( u ) − Z * ( u ) , Z * ( u ) ) = 0

Es decir, el estimador de kriging simple es ortogonal al error. Esto es una


propiedad muy importante que solo satisface el kriging simple.

Utilizando este resultado se tiene que

[
var[ Z ( u ) ] = var ( Z ( u ) − Z * ( u ) ) + var Z * ( u ) ]
Lo que muestra que:

[ ]
var Z * ( u ) ≤ var[ Z ( u ) ]
Kriging Simple Z *(u)

El caso general se obtiene de manera análoga:

N
Z * ( u ) = ∑λα Z ( uα )
α =1

[ ] N 
var Z ( u ) − Z ( u ) = var ∑λα Z ( uα ) 
*
′ λ0′ = 1, λα′ = −λα , u0 = u
α =0 

= ∑λα2 var ( Z ( uα ) ) + ∑λα λβ cov (uα − u β )


N

α =0 α ≠β

Derivando respecto a cada uno de los parámetros e igualando a cero se


obtiene un sistema de N ecuaciones con N incógnitas
Kriging Simple Z *(u)

 C ( 0) C ( u1 − u2 )  C ( u1 − u N )   λ1   C ( u1 − u ) 
 C( u − u ) C ( 0)  C ( u2 − u N )   λ 2   C ( u2 − u ) 
 2 1 =
          
    
 C ( u N − u1 ) C ( u N − u2 )  C ( 0)   λ N   C ( u N − u ) 

Relación entre las observaciones Relación de las


observaciones con el
punto a estimar
o equivalentemente

∑λ C (u − u j ) = C ( ui − u )
N

j i i = 1,2,  , N
j =1
Kriging Simple Z *(u)

La varianza del error o varianza del kriging es entonces:

[ ]
N
var Z ( u ) − Z ( u ) = σ − ∑λα C ( u0 − uα )
* 2

α =1

Nuevamente, el error no depende directamente de los datos si no de la


continuidad espacial de estos.
Kriging Simple Z *(u)

2° CASO. m ≠ 0

En este caso se consideran nuevas funciones aleatorias de media cero para


aplicar el caso de kriging simple estudiado anteriormente.

Y ( u ) := Z ( u ) − m
La nueva función aleatoria es estacionaria y tiene media cero, por lo cual el
estimador de kriging simple es:
N
Y * ( u ) = ∑λα Y (uα )
α=1

N
Z * ( u ) = m + ∑λα ( Z ( uα ) −m )
α=1

 N
 N
= m1 −∑λα  + ∑λα Z (uα )
 α=1  α=1
Kriging Simple Z *(u)

Que ocurre si todos los valores observados son no correlacionados


entre si ?

σ 2 0  0   λ1   C ( u1 − u ) 
    
0 σ2  0  λ2  C ( u 2 − u ) 
=
   
     
 2   

0 0  σ  λ
 N   C ( u N − u ) 

Y la solución es

C (u −uα )
λα = = ρ(u −uα )
σ 2

El estimador de kriging simple es entonces una combinación lineal de los valores


observados, donde los pesos de cada observación corresponden a la correlación
entre dicha observación y el punto a estimar.
Kriging Simple Z *(u)

Que ocurre si todos los valores observados son no correlacionados


con el punto a estimar ?

 C ( 0) C ( u1 − u2 )  C ( u1 − u N )   λ1   0
 C( u − u ) C ( 0)  C ( u2 − u N )   λ 2   0
 2 1 = 
          
    
 C ( u N − u1 ) C ( u N − u2 )  C ( 0 )   λ N   0

Como la matriz es invertible la solución es: λ α = 0 α = 1,2,  , N

Y el estimador de kriging simple es entonces:

Z (u) = m
*
Kriging Simple Z *(u)

Que ocurre si el punto a estimar está fuera del rango de la función de


covarianza ?
Kriging Simple Z *(u)

Una propiedad muy importante del kriging simple es la siguiente: Si la


función aleatoria Z(x) es gaussiana entonces:

E ( Z ( u ) / Z ( u1 ) , Z ( u2 ) , , Z ( u N ) ) = Z * ( u )

Es decir, el valor esperado de la propiedad en el punto u dado los


valores observados es el valor del kriging simple !

Esta propiedad es fundamental para obtener simulaciones estocásticas


de propiedades, como se estudiará más adelante.
Kriging Ordinario Z * ( u )

KRIGING ORDINARIO

Generalmente el valor de la media m es desconocido y por lo tanto no


se puede utilizar el kriging simple.

El kriging ordinario establece una condición adicional al sistema de


ecuaciones del kriging simple para filtrar el valor desconocido de la
media.

Al igual que antes el estimador propuesto es de la forma

N
Z * ( u ) = ∑λα ( u ) Z ( uα )
α =1
Kriging Ordinario Z * ( u )

Para que el estimador sea insesgado debe ocurrir

( )
E Z * (u ) = m = E ( Z (u ) )

De esta forma, como

( (u )) =∑λα (u ) E ( Z (uα ))
N
*
E Z
α=1

N
= m ∑λα (u )
α=1

debe ocurrir que:


N

∑ λα (u ) =1
α=1
Kriging Ordinario Z * ( u )

En kriging ordinario el problema de minimización de la varianza del error


es distinto al caso de kriging simple.

No es suficiente buscar los valores λ ’s que minimizan la varianza.

Hay que buscar los valores λ ’s que minimizan la varianza y que


satisfagan que su suma sea igual a 1, para garantizar la condición de
insesgamiento.

Este tipo de problema de minimización con restricciones se resuelve


utilizando una técnica denominada multiplicadores de Lagrange

La idea es establecer un sistema de ecuaciones que incluya la


restricción sobre los valores λ ’s
Kriging Ordinario Z * ( u )

Considérese una nueva función Φ de la forma siguiente:

 
( )
N
Φ( λ1 ,  , λN , µ ) = var Z ( u ) − Z ( u ) + 2 µ1 − ∑ λi 
*

 i =1 

El punto donde la nueva función alcanza un mínimo contiene los valores


de los λ ’s que minimizan la varianza y cuya suma es igual a 1.

Para minimizar a la función Φ no existen restricciones, por lo que sólo


hay que calcular las derivadas e igualarlas a cero.

∂Φ( λ1 ,  , λN , µ )
=0 j = 1,2,  , N
∂λ j

∂Φ( λ1 ,  , λN , µ )
=0
∂µ
Kriging Ordinario Z * ( u )

=
[ ]
∂Φ( λ1 ,  , λN , µ ) ∂ var Z ( u ) − Z * ( u )
− 2µ j = 1,2,  , N
∂λ j ∂λ j

∂Φ( λ1 ,  , λN , µ )  N

= 21 − ∑λα 
∂µ  α =1 

Igualando a cero las derivadas se tiene que:

[ ]
∂ var Z ( u ) − Z * ( u )
= 2µ j = 1,2,  , N
∂λ j

∑ λα (u ) =1
α =1
Kriging Ordinario Z * ( u )

Sabemos que:

[ ]
∂ var Z ( u ) − Z * ( u )
= 2∑λα cov (uα − u j ) − 2 cov (u − u j )
N

∂λ j α =1

Y por lo tanto se obtiene que:

2∑λα cov (uα − u j ) − 2 µ = 2 cov (u − u j )


N
j = 1,2,  , N
α =1

∑ λα (u ) =1
α =1
Kriging Ordinario Z * ( u )

El sistema de ecuaciones se puede escribir en forma matricial como:

 C ( 0) C ( u1 − u2 )  C ( u1 − u N ) 1   λ1   C ( u − u1 ) 
 γ (u − u ) C ( 0)  C ( u2 − u N ) 1   λ   C( u − u ) 
 2 1  2   2 

        =  
    
 C ( u N − u2 ) C ( u N − u2 )  C ( 0) 1 λ
 N   C ( u − u )
N 
 1 1 1 1 0   − µ   1 

Condición para filtrar el valor desconocido de la media


Kriging Ordinario Z * ( u )

Ahora la varianza del error es:

[ ]
N
var Z ( u ) − Z ( u ) = σ − ∑λα C ( u0 − uα ) − µ
* 2

α =1

Nuevamente, el error no depende directamente de los datos si no de la


continuidad espacial de estos.
Kriging Ordinario Z * ( u )

Kriging ordinario usando el variograma

Usando la relación usual entre el variograma y la covarianza

C ( h ) = C ( 0) − γ ( h )

λα [C ( 0 ) − γ (uα − u )] − µ = C ( 0 ) − γ (u − u )
N


α =1
j j j = 1,2,  , N

λα γ (uα − u ) + µ = γ (u − u )
N


α=1
j j j = 1,2,  , N

Y el sistema de ecuaciones escrito en forma matricial es entonces


Kriging Ordinario Z * ( u )

 0 γ ( u1 − u2 )  γ ( u1 − u N ) 1   λ 1   γ ( u − u1 ) 
 γ (u − u ) 0  γ ( u2 − u N ) 1  λ  γ (u − u ) 
 2 1   2  2 

         =   
    
 γ ( u N − u2 ) γ ( u N − u2 )  0 1 λ
  N  γ ( u − u )
N 
 1 1 1 1 0   µ   1 

Y por lo tanto los resultados obtenidos serán exactamente iguales.

Esta propiedad no es cierta en el caso del kriging simple. Esto es, el


sistema de ecuaciones del kriging simple sólo debe ser escrito usando
la función de covarianza y NO el variograma.
Kriging Ordinario Z * ( u )

Que ocurre si todos los valores observados son no correlacionados


entre si ?

 C ( 0) 0  0 1   λ 1   C ( u − u1 ) 
 0 C ( 0)  0 1   λ 2   C ( u − u2 ) 

        =  
    
 0 0  C ( 0) 1   λ N  C ( u − uN ) 
 1 1 1 1 0   − µ   1 

λ j C ( 0) − µ = C ( u − u j ) j = 1,2,  , N

µ
λ j = ρ (u − u j ) + j = 1,2,  , N
C ( 0)
Kriging Ordinario Z * ( u )

Utilizando la condición de insesgamiento se puede obtener el valor del


parámetro de Lagrange:

C ( 0 ) − Nµ = ∑ C ( u − u j )
N

j =1

C ( 0) 1
∑ C (u − u )
N
µ= − j
N N j =1

C ( 0)  
( )
N
= 1 − ∑ ρ u − u j 
N  j =1 
Kriging Ordinario Z * ( u )

Si además los valores son no correlacionados con el punto a estimar


entonces:

ρ (u − u j ) = 0 ∀j

Y por lo tanto
C ( 0)
µ=
N
1
λj = j = 1,2,  , N
N

Y el estimador de kriging ordinario es

N
1
Z (u ) =
*
∑ Z ( uα )
N α =1
Kriging Ordinario Z * ( u )

Relación entre el Kriging ordinario y el kriging simple

Una idea tentadora es estimar el valor promedio utilizando kriging


ordinario y tomar esta valor como el verdadero valor de la media para
usar kriging simple.

Este procedimiento produce como resultado una estimación que es


exactamente igual a la estimación de kriging ordinario.

La demostración de este hecho se conoce como el teorema de adición


Kriging Ordinario Z * ( u )

1°) La estimación de la media mediante kriging ordinario se obtiene


resolviendo el sistema de ecuaciones:

λmj C ( ui − u j ) = µm
N

j=1
j = 1,2,  , N

N
∑ j =1
λm
j =1

2°) El valor estimado de la media se utiliza en la ecuacion del kriging


simple
 N  N
*
Z sk ( u ) = m* 1 − λ j
∑ +
 ∑ j
λ Z uj ( )
 j =1  j =1
N
m* = ∑ α Z ( uα )
λ m

α =1
Kriging Ordinario Z * ( u )

Por lo tanto el estimador de kriging simple es:

N N
*
Z sk ( )
( u ) = ∑λ j Z u j + λ ∑λmj Z u j ( )
j =1 j =1

( ) ( )
N
= ∑ λ j + λ λmj Z u j
j =1

λ ′j

La solución del kriging ordinario es única, por lo tanto si se demuestra


que los valores λ ' resuelven el sistema de ecuaciones del kriging
ordinario se tendrá que

*
Z sk ( u ) = Z ok
*
(u)
Kriging Ordinario Z * ( u )

3°) La condición de insesgamiento es:

( )
N N
∑ j ∑ j
λ′ = λ + λλm
j
j =1 j =1

N N
= ∑λj + λ ∑λm
j
j =1 j =1
N
= ∑λj + λ
j =1

=1
Kriging Ordinario Z * ( u )

4°) El sistema de ecuaciones es:

( ) (
N N
∑λ′j C (ui −u j ) = ∑ λ j + λλm
j C ui − u j )
j =1 j =1

N N
(
= ∑λ j C ui − u j + λ ∑λm)
j C ui − u j ( )
j =1 j =1

= C ( u − ui ) + λ µm
Y por lo tanto

N
∑λ′j C (ui −u j ) − µ′ = C ( u −ui )
j =1

Lo cual completa la prueba


Kriging Ordinario Z * ( u )

Finalmente, si se asume que la media es conocida procediendo como


antes se puede demostrar que:

2
σ ok 2
= σ sk + λ2 var m*( )
Es decir, la varianza del kriging ordinario es la varianza del kriging
simple (cuando en realidad se conoce la media) más un factor
asociado a la estimación de la media.

Asimismo, se observa que:

2 2
σ ok ≥ σ sk
Kriging Ordinario Z * ( u )

La pendiente de la regresión lineal

La pendiente de la regresión de Z utilizando la estimación de kriging


simple es

b=
(
cov Z ( u ), Z sk
*
(u) )
*
var( Z sk (u ))

Utilizando las ecuaciones del kriging simple se obtiene que el


numerador y el denominador son iguales y por lo tanto la pendiente es
igual a 1. Esto significa que el kriging simple es condicionalmente
insesgado

Z sk
Kriging Ordinario Z * ( u )

En el caso de kriging ordinario se tiene que

*
cov( Z (u ), Z ok (u ) )
b= *
cov( Z (u ), Z ok (u )) + µ

Y por lo tanto el estimador de kriging ordinario no es condicionalmente


insesgado.

Z sk
Kriging Ordinario Z * ( u )

X (Kilometer)
0. 10. 20. 30. 40. Imagen original
>=20
9.38 19
18
40. 40. 17
10.31 5.96 16
11.11
11.04 15
7.69 14

Y (Kilometer)
3 0 .1 1 . 5 4 30. 13
9.43 6 .7 6. 05 2 12
11

Y (Kilometer)
6.87 10
20. 20. 9
8
7
7.36 2.46 11.22 9.84 6
12.12 5
10. 10. 4
3.81 4.32
3
10.21 9.22 2
7.26 1
0. 9 . 49 3. 5 9 7.18 0. <0
0 .6 . 2 6 10. 20. 30. 40.
X (Kilometer) N/A

Kriging ordinario Inverso de la distancia


X (Kilometer) X (Kilometer)
0. 10. 20. 30. 40. 0. 10. 20. 30. 40.

>=20 9.38 >=13


19 12.45
18 11.9
40. 40. 40.10.31 5.96 40.
17 11.11 11.35
16 11.04 10.8
15 10.25
14 11.547.69 9.7
Y (Kilometer)

Y (Kilometer)
30. 30. 13 30. 9.43 6 .7 6. 05 2 30. 9.15
12 8.6
11 6.87 8.05
Y (Kilometer)

10 Y (Kilometer) 7.5
20. 20. 9 20. 20. 6.95
8 6.4
7 7.36 2.46 11.22 9.84 5.85
12.12
6 5.3
5 3.81 4.32 4.75
10. 10. 4 10. 10. 4.2
3 10.21 9.22 3.65
2 7.26 3.1
1 9 . 94 .3 5 9 7.18 2.55
<0 6.26 <2
0. 0. 0. 0.
0. 10. 20. 30. 40. 0. 10. 20. 30. 40.
X (Kilometer) N/A X (Kilometer) N/A
1F
Dado un conjunto cualquiera F, se define su función indicadora como:

1 si x ∈F

1F ( x ) = 
 0 si no

Este tipo de funciones indican simplemente si el punto en que se


evalúan se encuentra o no en el conjunto especificado.

x2
x1

1F ( x1 ) = 1 1F ( x2 ) = 0
1F
De particular interés es considerar variables indicadoras de facies.

Si se considera la facies F como un conjunto aleatorio entonces su


función indicadora es una función aleatoria que puede ser estacionaria o
no.

Si se asume que la variable indicadora de la facies F es estacionaria


entonces se tiene que:

E (1F ( x ) ) = P( x ∈ F ) = Proporción de la facies F en el yacimiento


1F
Considérese el caso donde se tiene interpretación de facies en un pozo

1 si x ∈ F

1F ( x ) =  0
1
 0 si no
 1 0 E (1F1 ( x ) ) =
6
≈ 75%
8
1 0

2
1 0
E (1F2 ( x ) ) = ≈ 25%
Facies 1 8
1 0

0 1
Facies 2 0
1

0 1

1F 1F1 2
1F
Este concepto tan sencillo permite considerar las facies presentes en un
yacimiento como funciones aleatorias y aplicar muchas de las técnicas
estudiadas anteriormente.

El uso de variables indicadoras es la base de las curvas de proporción


vertical .
1F
Unidad 1 Unidad-4

Unidad 2 Unidad-5
1F
En el caso de variables indicadoras el variograma es:

1
γ F ( h ) = E [1F ( x + h ) − 1F ( x ) ] 2
2
= P( x ∈ F y x + h ∉ F )

A partir de este se obtiene la continuidad espacial y la longitud promedio


en distintas direcciones de la facies en estudio.

Variograma

R2 R1

D is ta n c ia
1F
Propiedades

1) E (1F ( x ) ) = P ( x ∈ F ) = p ∈ [ 0,1]

var (1F ( x ) ) = p (1 − p ) ≤ 0.25


El sill de variogramas de funciones indicadoras no puede ser mayor
a 0.25

2) γ F ( h ) ≤ 0.5

3) Relación con la función de covarianza

γ F ( h ) = C F ( 0) − C F ( h ) C F ( 0 ) = var (1F ( x ) ) = p (1 − p ) ≤ 0.25

C F ( h ) = E ( [1F ( x + h ) − p ] [1F ( x ) − p ] )
1F

4) Desigualdad Triangular

γ F ( h1 + h2 ) ≤ γ F ( h1 ) + γ F ( h2 )

En particular γ F ( 2h ) ≤ 2 γ F ( h )

Consecuencia :

p
Un variograma con comportamiento en el origen de la forma h p >1
no puede ser el variograma de una función indicadora
1F
5) Relación entre las variables indicadoras

Si se interpretan dos facies F1 y F2 en el yacimiento entonces:

1F ( x ) + 1F ( x ) = 1
1 2

Es decir, las facies no son independientes y además

γ F 1 ( h) = γ F 2 ( h)

En el caso general,

1F ( x ) + 1F ( x ) + 1FN ( x ) = 1
1 2

Y por lo tanto las facies no son independientes.


1F
6) Estimación de la proporción de facies (indicator kriging)

El método de estimación por kriging puede ser usado para estimar la


proporción de una determinada facies en una localización dada.
1F ( uα )

0
0 1
0 1

0
1

1 0

Z F* ( u ) = Proporción de la facies F en
el punto u
1F

N
*
ZF (u ) = ∑λα1F (uα )
α=1

Como la proporción se asocia a la probabilidad se tiene que la estimación


por kriging es una estimación de la probabilidad de que la facies F se
encuentre en el punto u

Se pueden obtener valores mayores de 1 y menores de 0, estos valores


se deben corregir asignando 0 a los menores que cero y 1 a los mayores
que 1.

Si se estiman independientemente Z F* ( u ) , Z F* ( u ) , , Z F* ( u ) entonces no


1 2 N

necesariamente se cumple que

Z F*1 ( u ) + Z F* 2 ( u ) +  + Z F* N ( u ) = 1
1F
X (Kilometer)
0. 10. 20. 30. 40.
Canal

40. Barra Canal 40.


Los resultados del indicator
Barra

Barra Canal
Barra kriging son mapas de
30. Canal Canal 30. probabilidades y no mapas de

Y (Kilometer)
Canal
? Canal
propiedades.
Y (Kilometer)

20. 20.
Canal Lutita Barra Canal
Barra
LutitaLutita
10. 10.
Barra Canal
Canal
C a n a lC a n a l Canal
Canal X (Kilometer)
0. 0.
0. 10. 20. 30. 40.
0. 10. 20. 30. 40. >=1.001
X (Kilometer) 0.95095
0.9009
40. 40. 0.85085
0.8008
0.75075
0.7007

Y (Kilometer)
30. 30. 0.65065
Probabilidad de 0.6006
0.55055
Y (Kilometer)

0.5005
facies de canal 20. 20. 0.45045
0.4004
0.35035
0.3003
0.25025
10. 10. 0.2002
0.15015
0.1001
0.05005
0. 0. <0
0. 10. 20. 30. 40.
X (Kilometer) N/A