ANEXO A: Mtodo de Interpolacin de Cokriging Colocado

A.1 Conceptos Bsicos de Geoestadstica Multivariada

La estimacin conjunta de variables aleatorias regionalizadas, ms comnmente conocida como

Cokriging (Kriging Conjunto), es el anlogo natural del Kriging de una funcin aleatoria.
Mientras que el Kriging utiliza la correlacin espacial para determinar los coeficientes en el
estimador lineal, el Cokriging utiliza la correlacin espacial y la correlacin entre funciones
aleatorias al mismo tiempo.

Las aplicaciones que han recibido una mayor atencin en la geoestadstica, son los casos donde
dos o ms variables estn muestreadas, pero una est menos muestreada que las otras o existe la
presencia de errores de muestreo.

Existe un nmero de dificultades prcticas, la ms importante de todas es la ausencia de modelos

estndar para las covarianzas cruzadas o covariogramas. Por lo que la alternativa ms usual,
consiste en la construccin de un modelo de corregionalizacin lineal que garantiza que las
matrices de covarianzas sean positivo definidas y consecuentemente se pueden plantear
correctamente las ecuaciones del Cokriging

Funcin Aleatoria
Es el concepto en que se basa toda la geoestadstica, y se puede interpretar como la extensin
natural del concepto de variable aleatoria cuando sta adems es una funcin de la posicin. Si a
cada punto x que pertenece a un dominio en el espacio le hacemos corresponder una variable

aleatoria z ( x ) , entonces el conjunto de variables aleatorias espacialmente distribuidas

{ z ( x ) , x } ser una funcin aleatoria Z ( x ) .

Momentos cruzados de segundo orden

Cuando tenemos ms de una funcin aleatoria Z ( x ) se pueden definir los momentos de segundo

orden que miden el grado de correlacin de las mismas.

110
Bajo la hiptesis de estacionaridad de segundo orden (estacionalidad de los momentos de primer
y segundo orden), se puede definir para cada par de variables Zi ( x ) y Z j ( x ) la covarianza

cruzada como:

{ }
Cij ( h ) = E Z i ( x + h ) mi Z j ( x ) m j (A.1)

y correspondientemente el semivariograma cruzado se define como:

1
{
ij ( h ) = E Z i ( x + h ) Z i ( x ) Z j ( x + h ) Z j ( x )
2
} (A.2)

donde mi = E Z i ( x ) y m j = E Z j ( x ) son los valores esperados de Zi ( x ) y Z j ( x ) ,

respectivamente.

En el caso particular cuando i = j , los momentos cruzados se convierten en la covarianza y en la

semivarianza de la variable Zi ( x ) .

Estimacin de los momentos cruzados de segundo orden

El mtodo ms usual para estimar el semivariograma cruzado es el siguiente:
1 N (h)
ij* (h) = [ Zi ( x k + h) Zi ( x k )] Z j ( x k + h) Z j ( x k )
2 N (h) k =1
(A.3)

donde N ( h ) es el nmero de pares {Z ( x ) , Z ( x

i k i k + h )} y {Z j ( x k ) , Z j ( x k + h )} separados a

una distancia h = h .

El cual es una generalizacin del estimador del semivariograma simple y por lo tanto adolece de
los mismos problemas y limitaciones.

111
A.2 Modelo de Corregionalizacin Lineal

El anlisis estructural multivariado que se requiere para el Cokriging, es mucho ms complejo y

sofisticado que el que demanda el Kriging, ya que para modelar los variogramas cruzados de n
variables aleatorias regionalizadas, se deben modelar (ajustar) un total de n ( n + 1) 2

variogramas simples. Mientras que el uso de modelos de variogramas autorizados o

combinaciones de stos no garantiza, es decir, no es una condicin suficiente, como lo es en el
caso univariado para que la matriz de covarianzas C ( h ) sea positiva definida.

La manera ms comnmente aceptada en la actualidad para realizar un anlisis estructural

multivariado es a travs de un modelo de corregionalizacin lineal (Goovaerts, 1997). No
obstante existen otras metodologas menos difundidas que usan mtodos espectrales y estn
basadas en el teorema de Bochner (Christakos, 1992; Wackernagel, 1995).

Un modelo de corregionalizacin lineal est dado por

S S
C ( h ) = V k k ( h ) Cij ( h ) = ijk k ( h ) (A.4)
k =0 k =0

en trminos de las covarianzas o equivalentemente

S S
( h ) = V k k ( h ) ij ( h ) = ijk k ( h ) (A.5)
k =0 k =0

en trminos de las semivarianzas. Y se interpreta como S + 1 estructuras anidadas a diferentes

escalas y las matrices de corregionalizacin V k son las matrices de covarianzas que describen la

correlacin multivariada a la escala k . Note que a cada escala k le corresponde una estructura
elemental o bsica con mesetas igual a la unidad ( k ( h ) o k ( h ) ). Si determinada estructura

bsica no est presente, se le hace corresponder un coeficiente cero en la matriz V k .

El punto medular para poder establecer un modelo de corregionalizacin lineal consiste en probar
que las matrices de coeficientes V k son positivas semidefinidas.

Por definicin, una matriz V k es positiva semidefinida (Golub y Van Loan, 1989) si

b V k b 0, b
T
(A.6)

112
donde b es un vector cualquiera. Cuando una matriz es positiva semidefinida sus valores propios
y los determinantes de ella y de todos sus menores principales son no negativos.

Una condicin suficiente para que el modelo de corregionalizacin lineal sea vlido consiste en
que todas las matrices de corregionalizacin V k sean positivas semidefinidas.

Para el caso general este hecho no es sencillo de verificar, por lo que nos restringiremos a dar las
condiciones que permiten garantizar la validez del modelo de corregionalizacin lineal, para el
caso de dos funciones aleatorias, por ser el caso que mayormente se aplica en la prctica.

Modelo de corregionalizacin lineal en el caso de dos funciones aleatorias

Un ejemplo de modelo de corregionalizacin lineal en el caso de dos funciones aleatorias Z1 ( x )

y Z 2 ( x ) , es

11 ( h ) 12 ( h ) 110 120 11S 12S

= 0 0 0
( h ) + ... + S S S
( h) (A.7)
21 ( h ) 22 ( h ) 21 22 21 22

Para asegurar de que el modelo sea vlido es suficiente probar que

11k > 0 y 22k > 0, k = 0,..., S
(A.8)
12k 11k 22k , k = 0,..., S

El procedimiento general para ajustar un modelo de corregionalizacin lineal, consiste en postular

el nmero de estructuras y sus modelos elementales correspondientes para los cuales estn
definidos los rangos o alcances, y luego intentar el ajuste de las mesetas mediante prueba o error,
o aplicando algn mtodo de optimizacin.

El esquema general usando el mtodo de prueba y error es el siguiente:

1. Modelar cada semivariograma simple ii ( h ) , i = 1,..., n y semivariograma cruzado

ij ( h ) , i j, y i, j = 1,..., n individualmente, segn el procedimiento del anlisis

estructural de una funcin aleatoria.

113
 2. Determinar el nmero de estructuras anidadas S + 1 de manera que sea mnimo (es
deseable que sea cuanto ms tres), segn las consideraciones siguientes:
a) Si ijk > 0 entonces iik > 0 y kjj > 0 . Es decir, si una estructura k ( h ) hace

contribucin al modelo anidado del variograma cruzado ij ( h ) , entonces debe

contribuir tambin en el modelo de los variogramas simples ii ( h ) y jj ( h ) . Lo

contrario es falso.

b) Si iik > 0 y kjj > 0 no implica nada sobre ijk . Es decir, si una estructura k ( h ) hace

contribucin a los modelos anidados de los variogramas simples ii ( h ) y jj ( h ) ,

dicha estructura puede contribuir o no en el modelo anidado del variograma cruzado

ij ( h ) .

c) Si iik = 0 , entonces ijk = 0, j = 1,..., n . Es decir, si una estructura k ( h ) no

contribuye en el modelo anidado del variograma simple ii ( h ) , entonces dicha

estructura no puede contribuir en ninguno de los modelos anidados de los variogramas

cruzados ij ( h ) que involucran a la componente i .

3. Comprobar que todos los determinantes de los menores de orden dos son no negativos.

4. Verificar que todas las matrices de corregionalizacin V k sean positivas semidefinidas,

en caso contrario hacer los cambios necesarios hasta satisfacer la condicin o volver al
paso 2.

Goulard (1989) y Goulard y Voltz (1992), propusieron un algoritmo iterativo para el ajuste de los
coeficientes mediante mnimos cuadrados bajo restricciones de positividad.

114
A.3 Ecuaciones del Cokriging Colocado

A continuacin, primero se mostrar la formulacin general del Cokriging para el caso de dos
funciones aleatorias correlacionadas y luego el mtodo del Cokriging Colocado, por ser ste un
caso particular del primero.

Cokriging para el caso de dos funciones aleatorias correlacionadas

Supongamos que tenemos dos funciones aleatorias Z1 ( x ) y Z 2 ( x ) que son estacionarias de

segundo orden, entonces se cumple que:

E[ Z1 ( x)] = m1 , E[ Z 2 ( x)] = m2 (A.9)

C12 ( x y ) = E Z1 ( x) Z 2 ( y ) (A.10)

El estimador del Cokriging sera de la siguiente forma:

n
Z ( x) = k Z ( x k )
*
(A.11)
k =1

n 2
Z i* ( x) = ijk Z j ( x k ), i = 1, 2 (A.12)
k =1 j =1

El sistema de ecuaciones del Cokriging es el siguiente:

n
j C ( x i x j ) + = C ( x i x )
j =1
n (A.13)
= I,
k
i = 1,..., n
k =1

11k 12k C11 ( x y ) C12 ( x y ) 11 12

donde k = k k
, C ( x y) = y =
21 22 C21 ( x y ) C22 ( x y ) 21 22

Las varianzas del error de la estimacin se expresan como:

2 n
CK
2
j
= C jj (0) C ( x x
i =1 k =1
ij k )ijk jj (A.14)

115
El sistema de ecuaciones del Cokriging (A.13) se puede escribir tambin en forma matricial
como:
K = D (A.15)

donde

C11 ( x1 x1 ) C12 ( x1 x1 ) C11 ( x1 x n ) C12 ( x1 x n ) 1 0

... C ( x x ) C ( x x ) 0 1
C21 ( x1 x1 ) C22 ( x1 x1 ) 21 1 n 22 1 n
... ... ... ...

K = C11 ( x n x1 ) C12 ( x n x1 ) C ( x xn ) C12 ( x n x n ) 1 0 (A.16)
C ( x x ) C ( x x ) ... 11 n
C21 ( x n x n ) C22 ( x n x n ) 0 1
21 n 1 22 n 1
1 0 1 0 0 0
0 1 ... 0 0 0
1

111 121 C11 ( x1 x) C12 ( x1 x)

1 1
21 22 C21 ( x1 x) C22 ( x1 x)
... ...

= 11n 12n , D = C11 ( x n x) C12 ( x n x) (A.17)
n n C ( x x ) C ( x x )
21 22 21 n 22 n
12 1 0
11

21 22 0 1

Mtodo de Cokriging Colocado

Como ya se mencion, es un caso particular del Cokriging y se aplica cuando tenemos dos
variables correlacionadas pero una de ellas est muestreada en la misma malla de la estimacin,
mayormente en una malla regular como es el caso de las imgenes.

Si consideramos dos variables correlacionadas Z1 ( x ) y Z 2 ( x ) , por ejemplo, porosidad e

impedancia acstica, donde la variable de inters Z1 ( x ) (porosidad) es conocida en unos pocos

puntos (en los pozos) y la variable auxiliar Z 2 ( x ) (impedancia acstica) es conocida en todos los

116
puntos de la malla de estimacin (con la resolucin de la ssmica). A la variable Z1 ( x ) la

nombraremos como la variable primaria, mientras que Z 2 ( x ) ser la variable secundaria.

La idea del Cokriging colocado consiste en considerar para la estimacin de la variable primaria
los n valores que estn dentro de la vecindad del punto a estimar como en el cokriging, pero slo
considerar el valor de la variable secundaria que se encuentra asociado al punto a estimar, puesto
que tenemos valores de la propiedad secundaria en todos los puntos de la malla de la estimacin.
Esto simplifica la forma del estimador con relacin a la que se usa en el cokriging.

Mientras que en el Cokriging el estimador de la variable primaria sera:

Z1* ( x k ) = {11i Z1 ( x i ) + 12i Z 2 ( xi )}

n
(A.18)
i =1

En el Cokriging Colocado resulta:

n
Z1* ( x k ) = 11i Z1 ( xi ) + 12k Z 2 ( x k ) (A.19)
i =1

Esto trae como ventajas que no se requiere conocer el modelo de corregionalizacin lineal, sino
solamente los modelos de los variogramas simples para Z1 ( x ) y Z 2 ( x ) , y el coeficiente de

correlacin lineal entre las variables. Es computacionalmente ms eficiente comparado con el

Cokriging, puesto que se reduce el tamao del sistema de ecuaciones a resolver. Mientras que las
matrices que hay que invertir para la estimacin en cada punto usando el cokriging convencional
son de 2(n+1)x2(n+1) elementos, las del cokriging colocado son de (n+2)x(n+2), reducindose
considerablemente el nmero de operaciones.

117