You are on page 1of 54

Unidad did´

actica 5:

ecnicas de estimaci´
on de una sola variable
Eduardo Cassiraga
efc@dihma.upv.es
Grupo de Hidrogeolog´ıa
Departamento de Ingenier´ıa Hidr´aulica y Medio Ambiente
Universidad Polit´ecnica de Valencia

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente

Geoestad´ıstica

Unidad did´actica 5: T´ecnicas de estimaci´
on de una sola variable

Contenidos
1 Introducci´
on.
2 Combinaci´
on lineal ponderada.
3 Tipos de estimaciones.
4 El krigeado ordinario.
5 Un ejemplo de krigeado ordinario.
6 Krigeado ordinario y par´ametros del modelo de continuidad espacial.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente

1

Geoestad´ıstica

Unidad did´actica 5: T´ecnicas de estimaci´
on de una sola variable

1 Introducci´
on
• El objetivo de un estudio geoestad´ıstico no es solamente describir la informaci´
on y
construir un modelo de continuidad espacial.
• La informaci´
on acerca de los datos y el modelo de continuidad espacial nos permiten
realizar la estimaci´
on de los valores de una o varias variables donde ellas no fueron
muestreadas.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente

2

Geoestad´ıstica

Unidad did´actica 5: T´ecnicas de estimaci´
on de una sola variable

2 Combinaci´
on lineal ponderada
• Todos los m´etodos de estimaci´
on que ser´an descritos construyen cada estimador como
una combinaci´
on lineal ponderada de la informaci´
on disponible, esto es:
Estimador = z ∗ =

n
X

λi · z i

i=1

donde el asterisco indica que el valor obtenido es una estimaci´on, z1,...,zn son los n
datos disponibles y λi es el peso asignado al valor zi.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente

3

Geoestad´ıstica

Unidad did´actica 5: T´ecnicas de estimaci´
on de una sola variable

3 Tipos de estimaciones
• Existen diferentes aproximaciones para dar valor a los pesos, las cuales dan origen a
distintas t´ecnicas de estimaci´
on:
• Estimaci´
on global y local.
• Estimaci´
on de una media y de una distribuci´
on completa.
• Estimaci´
on puntual y de bloque.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente

4

sino que es muy importante tener informaci´ on local detallada de tal concentraci´ on. por ejemplo: a En aplicaciones mineras no es suficiente conocer la concentraci´ on media de un metal precioso sobre el ´area de estudio. • Las estimaciones globales son u ´tiles en las etapas iniciales de los estudios y raramente satisfacen los objetivos del mismo. y para la cual tenemos que utilizar la informaci´on cercana que se encuentra fuera del ´area de estimaci´ on. b En un estudio de contaminaci´ on la informaci´ on global acerca de la concentraci´ on de un contaminante no es suficiente para determinar si localizaciones espec´ıficas tienen o no concentraciones inaceptables. incluso ninguno. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 5 . c En los estudios de flujo de agua subterr´ anea una estimaci´ on global de la conductividad hidr´aulica carece de significado ya que el flujo est´a controlado por las zonas de altos y bajos valores de permeabilidad. • Una estimaci´ on local es una que se lleva a cabo sobre un ´area peque˜ na en la cual tenemos pocos datos.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Estimaci´ on global y local • Una estimaci´ on sobre un ´area grande dentro de la cual hay muchos datos es una estimaci´ on global.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 6 . • Hay muchas aplicaciones que exigen una estimaci´ on de la variabilidad de un dado atributo.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Medias y distribuciones completas • La media es el estad´ıstico m´as com´ un para sumarizar una distribuci´on de valores. • Presenta problemas para distribuciones muy sesgadas y para aplicaciones donde la simple media aritm´etica carece de significado como es el caso del c´alculo de permeabilidades equivalentes. b Un estudio de contaminaci´ on de suelos requiere el conocimiento de la concentraci´ on de algunos metales pesados por encima o por debajo de determinados umbrales. • Cuando una determinada aplicaci´ on requiere la estimaci´on de estad´ısticos distintos de la media la soluci´ on obvia pasa por estimar la distribuci´ on completa de valores. por ejemplo: a La variabilidad espacial de la conductividad hidr´aulica es vital a la hora de una correcta descripci´ on del flujo de agua subterr´anea en un acu´ıfero o de petr´ oleo en un yacimiento.

esto es. no es lo mismo estimar una distribuci´on completa a partir de valores cuyo soporte es el de los datos que a partir de valores con un soporte mayor. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 7 . el soporte de los datos no es el mismo que el de las estimaciones que queremos calcular: problema de escalado (upscaling ). existe una relaci´ on entre el tama˜ no o “soporte” de los datos y la distribuci´ on de sus valores.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Estimaciones puntuales y de bloque • En las ciencias de la tierra. • En muchas aplicaciones. • La relaci´ on entre el soporte de los datos y la distribuci´ on de sus valores tiene serias implicaciones pr´acticas. b Hallar estad´ısticos utilizando la t´ecnica de ventanas m´oviles (promediar valores dentro de grandes ´areas reduce la varianza de los datos y hace a la distribuci´on de los mismos m´as sim´etrica). por ejemplo: a Muestreo a peque˜ na escala y muestreo a gran escala (variabilidad espacial).

n.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable 4 El krigeado ordinario La idea b´ asica del krigeado ordinario es estimar el valor desconocido de un atributo z en el punto de coordenadas u. . M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 8 . con α = 1. cuyas coordenadas son uα.. a partir de n valores conocidos de z.. z(u1) z(u2) ¿z(u)? z(u3) z(u5) z(u4) El estimador por krigeado ordinario tiene la forma siguiente: n X z ∗(u) = λα z(uα) z(u6) z(u7) α=1 donde el ∗ denota que se trata de un estimador y λα(u) son coeficientes de ponderaci´on desconocidos a priori..

2 2 Que la varianza σR de esos errores sea m´ınima. Los objetivos del krigeado ordinario son inasequibles ya que los valores verdaderos de 2 una variable son siempre desconocidos. es decir. El error cometido en la estimaci´ on para una localizaci´on u se puede definir como: r(u) = z ∗(u) − z(u) donde z ∗(u) es el valor estimado y z(u) es el valor verdadero. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 9 .Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Los objetivos del krigeado Los objetivos del krigeado son obtener los valores de los coeficientes λα de manera que: 1 El estimador sea insesgado. luego tampoco podremos obtener mR y σR . que la media del error mR cometido sobre un conjunto de estimaciones sea igual a cero.

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El modelo de funci´ on aleatoria La soluci´on pasa por construir un modelo de nuestros datos y trabajar con el error medio y la varianza para nuestro modelo. La expresi´ on del estimador por krigeado ordinario se modifica tal que tiene la forma siguiente: Z ∗(u) = n X λα Z(uα) Z(u5) Z(u4) Z(u6) Z(u7) (1) α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 10 . Z(u1) Z(u2) ¿Z(u)? Z(u3) El modelo a construir es un modelo de funci´ on aleatoria.

El error R(u) es tambi´en una variable aleatoria.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El error en la estimaci´ on La utilizaci´ on de un modelo de funci´ on aleatoria nos permite definir el error cometido en la estimaci´ on del atributo z en la localizaci´ on u como: R(u) = Z ∗(u) − Z(u) (2) donde Z ∗(u) y Z(u) son las variables aleatorias que representan el valor estimado y el valor verdadero respectivamente. El error medio mR cometido en un conjunto de estimaciones: mR = E {R(u)} = E {Z ∗(u) − Z(u)} 2 y la varianza del error σR (u) de un conjunto de estimaciones: 2 σR = V ar {R(u)} = V ar {Z ∗(u) − Z(u)} M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente (3) 11 .

pueden escribirse matem´aticamente como: 2 m´ın σR = m´ın V ar {R(u)} = m´ın V ar {Z ∗(u) − Z(u)} (4) bajo la restricci´ on mR = E {R(u)} = E {Z ∗(u) − Z(u)} = 0 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente (5) 12 . que son obtener los valores de los coeficientes λα de manera que la varianza del error cometido en un conjunto de estimaciones sea m´ınima y el estimador hallado sea insesgado.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Los objetivos del krigeado De acuerdo a una aproximaci´ on probabil´ıstica. los objetivos del krigeado ordinario.

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable La condici´ on de estimador insesgado La condici´ on de estimador insesgado (ec. 5) se expresa mR = E {R(u)} = E {Z ∗(u) − Z(u)} = 0 Reemplazando la expresi´ on del estimador (ec. 1) en la del error (ec. 2): R(u) = n X λα Z(uα) − Z(u) α=1 La esperanza del error es: ( E {R(u)} = E n X ) λα Z(uα) − Z(u) α=1 = n X λα E {Z(uα)} − E {Z(u)} α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 13 .

esto es que E {Z(u)} = m(u) = cte ∀ u el valor esperado del error queda expresado como E {R(u)} = n X λα E {Z} − E {Z} α=1 de donde se deduce que para que E {R(u)} = 0 se debe verificar que n X λα = 1 (6) α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 14 .Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Asumiendo que la funci´ on aleatoria es estacionaria.

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable La condici´ on de varianza m´ınima Esta condici´ on (ec. 2 Encontrar un m´ınimo para dicha expresi´ on. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 15 . 4) se expresa: 2 m´ın σR = m´ın V ar {R(u)} = m´ın V ar {Z ∗(u) − Z(u)} Lo que supone: 2 1 Encontrar una expresi´ on para σR .

por lo que: V ar {R(u)} = C {Z ∗(u)Z ∗(u)} − C {Z ∗(u)Z(u)} − − C {Z(u)Z ∗(u)} + C {Z(u)Z(u)} = C {Z ∗(u)Z ∗(u)} − 2 · C {Z ∗(u)Z(u)} + + C {Z(u)Z(u)} M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente (8) 16 . La varianza del error cometido en un conjunto de estimaciones (ec. 3) es una combinaci´ on lineal de dos variables aleatorias.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Una expresi´ on para la varianza del error De forma general. la varianza de una combinaci´ on lineal de variables aleatorias se expresa: ( n ) n X n X X V ar λα Z(uα) = λα λβ C {Z(uα)Z(uβ )} (7) α=1 α=1 β=1 donde C {Z(uα)Z(uβ )} es la covarianza entre las variables aleatorias para las localizaciones uα y uβ .

Utilizando la definici´ on del estimador (ec. 7) ( V ar {Z ∗(u)} = V ar n X ) λα Z(uα) α=1 = n X n X λα λβ C {Z(uα)Z(uβ )} α=1 β=1 = n X n X λα λβ C(uα − uβ ) (9) α=1 β=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 17 . es decir. V ar {Z ∗(u)}. 1) tenemos que de acuerdo a la expresi´on para una combinaci´ on lineal de variables aleatorias (ec.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El primer t´ ermino es C {Z ∗(u)Z ∗(u)} y corresponde a la autocovarianza de Z ∗(u).

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El segundo t´ ermino es C {Z ∗(u)Z(u)} y se puede escribir como: ( n X C {Z ∗(u)Z(u)} = C ! ) λα Z(uα) Z(u) α=1 ( =E n X ) λα Z(uα)Z(u) ( −E α=1 = = = n X α=1 n X α=1 n X λα E {Z(uα)Z(u)} − n X ) λα Z(uα) E {Z(u)} α=1 n X λα E {Z(uα)} E {Z(u)} α=1 λα C {Z(uα)Z(u)} λα C(uα − u) (10) α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 18 .

8) tenemos: 2 σR = σ2 + n X n X α=1 β=1 λαλβ C(uα − uβ ) − 2 n X λαC(uα − u) (12) α=1 que debe ser minimizada. para lo cual aplicamos el criterio de la primera derivada.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El tercer t´ ermino es C {Z(u)Z(u)} y corresponde a la autocovarianza de la variable aleatoria Z(u). (10) y (11) y reordenando en la expresi´on de la varianza del error (ec. y es igual a la varianza de Z(u). que puede expresarse como: C {Z(u)Z(u)} = σ 2 (11) Reemplazando las ecuaciones (9). M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 19 .

A partir de esta expresi´ on se deben hallar las n + 1 primeras derivadas (n con respecto a los coeficientes de ponderaci´on y una con respecto al par´ametro de Lagrange). El u ´ltimo t´ermino de esta ecuaci´ on no altera la expresi´ on para la varianza de los errores ya que es igual a 0. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 20 .Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Minimizaci´ on de la varianza del error La expresi´ on a minimizar es la siguiente: 2 σR = σ2 + n X n X λαλβ C(uα − uβ ) − 2 α=1 β=1 n X λαC(uα − u) α=1 + 2µ n X ! λα − 1 α=1 donde µ es el par´ametro de Lagrange.

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Derivando con respecto a µ e igualando el resultado a cero se obtiene la ecuaci´on que corresponde a la condici´ on de estimador insesgado. El segundo t´ermino puede expandirse y si despreciamos todos los t´erminos que no incluyen a λ1 tenemos: ∂ n P n P ! λαλβ C(uα − uβ ) α=1 β=1 ∂λ1 ∂ λ21C(u1 − u1) + 2λ1 = n P ! λβ C(u1 − uβ ) β=2 ∂λ1 = 2λ1C(u1 − u1) + 2 n X λβ C(u1 − uβ ) β=2 =2 n X λβ C(u1 − uβ ) (13) β=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 21 . Al derivar con respecto a λ1 como el primer t´ermino no depende de λ1 su derivada es cero.

(14) y (15). la derivada de σR queda: n 2 X ∂σR =2 λβ C(u1 − uβ ) − 2C(u1 − u) + 2µ ∂λ1 β=1 que igualando a cero y ordenando se transforma en: n X λβ C(u1 − uβ ) + µ = C(u1 − u) β=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 22 . luego: Pn ∂ ( α=1 λαC(uα − u)) ∂ (λ1C(u1 − u)) = = C(u1 − u) ∂λ1 ∂λ1 Con el u ´ltimo t´ermino sucede igual y su derivada se escribe: Pn ∂ (µ ( α=1 λα − 1)) ∂ (µλ1) = =µ ∂λ1 ∂λ1 (14) (15) 2 De acuerdo a las ecuaciones (13).Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El tercer t´ermino contiene un t´ermino que es funci´ on de λ1.

. .Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable De igual forma se pueden obtener las derivadas con respecto a los dem´as coeficientes de ponderaci´ on λ tal que el resultado es: n 2 X ∂σR = 0 =⇒ λβ C(u1 − uβ ) + µ = C(u1 − u) ∂λ1 β=1 . n 2 X ∂σR = 0 =⇒ λβ C(un − uβ ) + µ = C(un − u) ∂λn β=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 23 . n 2 X ∂σR = 0 =⇒ λβ C(uα − uβ ) + µ = C(uα − u) ∂λα β=1 .... .

constituyen un sistema de n + 1 ecuaciones lineales denominado sistema de krigeado ordinario. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 24 . que es la condici´ on necesaria para que el estimador sea insesgado. n (16) λβ = 1 β=1 donde C(h) es la funci´ on de covarianza de la funci´ on aleatoria Z(u) que se obtiene de la informaci´ on disponible..Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Sistema de krigeado ordinario Las n ecuaciones anteriores sumadas a la obtenida al derivar con respecto al multiplicador de Lagrange. y se escribe:  n P   λβ C(uα − uβ ) + µ = C(uα − u)...     β=1 n P α = 1. .

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 25 . . . .Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Forma matricial del sistema de krigeado ordinario El sistema de krigeado ordinario se escribe de forma matricial    λ1 C(u1 − u1) · · · C(u1 − un) 1 ....   ... C(un − u) 1 {z D     } de donde se obtiene que la soluci´ on del sistema es: λ = C −1 · D La matriz C caracteriza la correlaci´ on entre los datos que intervienen en la estimaci´on y el vector D explica la continuidad entre la localizaci´ on de cada dato con la localizaci´on a estimar.      C(un − u1) · · · C(un − un) 1  ·  λn µ 1 ··· 1 0 {z } | {z | C λ     =   } | C(u1 − u) ...

el u ´ltimo t´ermino es igual a µ M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 26 . obteniendo:  λα  n X  λβ C(uα − uβ ) + µ = λα C(uα − u). ... n β=1 sumando estas n ecuaciones se llega a: n X λα n X λβ C(uα − uβ ) + n X α=1 β=1 α=1 n X n X n X α=1 λα λβ C(uα − uβ ) = β=1 α=1 λα µ = n X λαC(uα − u) α=1 λαC(uα − u) − n X λα µ α=1 y dado que la suma de los coeficientes λα es igual a 1.. 16) por λα.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable La expresi´ on para la varianza del error Para conocer el valor m´ınimo que toma la varianza de los errores cometidos multiplicamos cada una de las n primeras ecuaciones del sistema de ecuaciones del krigeado ordinario (ec. α = 1.

Geoestad´ıstica quedando: Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable n X n X λαλβ C(uα − uβ ) = α=1 β=1 n X λαC(uα − u) − µ α=1 que se puede sustituir en la ecuaci´ on de la varianza del error (12) obteniendo la siguiente expresi´ on para la varianza de la estimaci´ on por krigeado ordinario: 2 σKO (u) = σ 2 − n X λαC(uα − u) − µ (17) α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 27 .

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable 5 Un ejemplo de krigeado ordinario 1 Informaci´ on disponible: Dato 0 1 2 3 4 5 6 7 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente X 65 61 63 64 68 71 73 75 Y 137 139 140 129 128 140 141 128 Valor ¿? 477 696 227 646 606 791 783 28 .

a = 10 y C1 = 10.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable 2 Modelo de continuidad espacial: C(h) = ( C0 + C 1 C1 exp si |h| = 0 −3|h| a  si |h| > 0 Asumimos que C0 = 0.3 |h|) 3 C´alculo de las distancias entre los datos y el punto a estimar: M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 29 . luego el modelo queda: C(h) = 10 exp −(0.

05 12.45 17.45 1 4.00 13.00 13.15 7 13.93 2.47 3.61 8.12 0.17 17.05 8.04 10.00 2.37 15.80 16.06 9.05 13.24 10.17 10.37 0.04 12.00 10.12 4.65 13.61 2.06 9.47 0.05 15.24 12.04 11.00 13.94 12.04 12.Geoestad´ıstica Localizaci´on 0 1 2 3 4 5 6 7 Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable 0 0.00 8.00 30 .05 13.15 0.04 13.71 10.05 16.00 4.49 10.44 13.00 4.24 0.97 Distancia 3 4 8.00 5 6.94 13.93 11.00 12.65 6 8.05 7.80 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 2 3.49 6.00 0.00 13.24 0.05 7.00 13.71 8.97 11.00 2.00 11.

00 5.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable 4 Construcci´ on del sistema de krigeado (λ = C −1 · D):        λ=             λ=      10.90 0.58 1.00              −1                          2.19 10.39 0.11 0.00 1.36 1.34 0.00 1.44 0.26 0.20 0.26 0.11 10.00 ˜14 C ˜24 C ˜34 C ˜44 C ˜54 C ˜64 C ˜74 C 1 0.15 5.44 0.91 0.36 1.00 0.00 0.11 0.61 3.00 1.20 2.20 0.91 0.22 0.00 ˜11 C ˜21 C ˜31 C ˜41 C ˜51 C ˜61 C ˜71 C 1 ˜12 C ˜22 C ˜32 C ˜42 C ˜52 C ˜62 C ˜72 C 1 5.36 0.05 1.11 0.00 0.05 0.22 1.18 1              31 .49 0.00             ˜10 C ˜20 C ˜30 C ˜40 C ˜50 C ˜60 C ˜70 C 1 1.36 10.11 10.11 0.90 10.49 0.00 ˜16 C ˜26 C ˜36 C ˜46 C ˜56 C ˜66 C ˜76 C 1 ˜17 C ˜27 C ˜37 C ˜47 C ˜57 C ˜67 C ˜77 C 1 0.68 0.22 1.15 1.00 1.49 0.20 0.00 5.20 0.24 10.00 ˜15 C ˜25 C ˜35 C ˜45 C ˜55 C ˜65 C ˜75 C 1 0.00 1.89 0.49 0.00 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente ˜13 C ˜23 C ˜33 C ˜43 C ˜53 C ˜63 C ˜73 C 1 0.00 1.19 1.20 0.00 2.22 0.00 1 1 1 1 1 1 1 0 −1              0.24 0.00 1.06 1.06 0.00 0.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 32 .Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable 5 Soluci´on:        λ=      λ1 λ2 λ3 λ4 λ5 λ6 λ7 µ               −1 =C ·D=           0.318 · 696 + .18 − 0.173 · 477 + 0.086 0.7 z 0 = i=1 n P  2 2  λiCi0 − µ = 10 − 0.173 · 2.057 0.96 σKO = σ − i=1 El estimador es igual a 592.129 0. − 0.61 − ..086 · 783 = 592.. + 0..7 y la varianza del error 8..151 0.173 0.907               n P  ∗  λizi = 0.907 = 8.086 0.96.086 · 0.318 0.

2 Sobre la estimaci´ on de un campo completo M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 33 .Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable 6 Krigeado ordinario y par´ ametros del modelo de continuidad espacial • Estudiaremos el efecto de los diferentes par´ametros del modelo de continuidad espacial (variograma): 1 Sobre la estimaci´ on de un s´ olo punto.

0 + 10.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto de la meseta γ(h) = 0.0 + 1.0 · Esf1500(h) 34 .0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 0.

5 + 0.5 · Esf1500(h) 35 .0 + 1.0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 0.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto de la pepita γ(h) = 0.

0 + 1.0 · Esf1500(h) 36 .0 + 0.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto de la pepita γ(h) = 0.0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 1.

0 + 1.0 · Esf100(h) 37 .0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 0.0 + 1.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto del alcance γ(h) = 0.

0 + 1.0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 0.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto del alcance γ(h) = 0.0 · Esf5000(h) 38 .0 + 1.

0 · Gau1500(h) 39 .Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto de la forma γ(h) = 0.0 + 1.0 + 1.0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 0.

0 + 1.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto de la forma γ(h) = 0.0 · Exp1500(h) 40 .0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 0.0 + 1.

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto de la anisotrop´ıa γ(h) = 0.0 + 1.120(h) 41 .0 + 1.150.0 · Esf1500.0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 0.

0(h) 42 .0 + 1.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable El efecto de la anisotrop´ıa γ(h) = 0.0 + 1.150.0 · Esf1500.0 · Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente γ(h) = 0.

390 -0.011 0.006 Caso 3 0.012 0.145 0.534 0. = 1500. = 150.880 0.028 0.404 0.696 0.140 0.145 0.044 0.009 Caso 7 0.000 42.560 0.06 0.620 40.260 0.130 -0.095 -0.130 -0.0 · Exp1500 (h) γ(h) = 0.008 0.140 0.133 -0.140 0.133 -0.140 Caso 6 0.020 0. alcance m´ın.0 + 10. direcci´ on = 0o ) Caso 1 0.120 0.130 0.006 Caso 2 0.110 0.0 · Sph1500 (h) γ(h) = 0.140 0.500 41.650 0.140 0.140 39.040 0. Descripci´on Caso base Cambio de meseta 50 % de efecto pepita Efecto pepita puro Cambio de alcance Cambio de alcance Cambio de forma Cambio de forma Anisotrop´ıa Anisotrop´ıa Variograma γ(h) = 0.140 0.050 -0.090 -0.095 -0.040 40.0 + 1. direcci´ on =120o ) γ(h) = 0.0 · Sph5000 (h) γ(h) = 0.696 0.130 0. alcance m´ın.044 0.0 · Sph100 (h) γ(h) = 0.048 0.0 + 0.5 · Sph1500 (h) γ(h) = 1.042 Caso 10 0. = 1500.09 0.069 39.120 0.048 0.050 Caso 8 0.50 0.40 1.110 0.140 39.011 0.07 0.090 -0.0 + 1.0 + 1.140 0.0 · Sph1500 (h) γ(h) = 0.140 0.570 40.0 · Sph1500 (h) γ(h) = 0. = 150.5 + 0.0 + 1.090 0.019 Caso 9 0.0 + 1.162 40.0 · Sph150 (h) (Alcance m´ax.140 Caso 5 0.0 · Gaus1500 (h) γ(h) = 0.90 0.068 -0.140 0.60 0.100 Caso 4 0.020 0.042 0.110 0.680 0.300 39.610 0.0 + 1.028 0.140 0.07 1.34 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 43 .0 · Sph150 (h) (Alcance m´ax.023 0.052 0.0 + 1.140 0.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable S´ıntesis del an´ alisis realizado Caso 1 2 3 4 5 6 7 8 9 10 λ1 λ2 λ3 λ4 λ5 λ6 λ7 2 σok Est.005 0.70 1.140 0.140 0.

1 44 .0 + 1.3 2.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Modelo de continuidad espacial y campos estimados γ(h) = 0.0 · Esf1500(h) Datos M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente Caso 1 27.3 27.1 2.

0 · Esf1500(h) Datos M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente Caso 2 27.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Modelo de continuidad espacial y campos estimados γ(h) = 1.1 2.0 + 0.3 27.1 45 .3 2.

1 46 .1 2.0 + 1.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Modelo de continuidad espacial y campos estimados γ(h) = 0.0 · Esf100(h) Datos M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente Caso 3 27.3 27.3 2.

0 + 1.1 2.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Modelo de continuidad espacial y campos estimados γ(h) = 0.3 27.1 47 .3 2.0 · Esf3000(h) Datos M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente Caso 4 27.

3 2.1 48 .135(h) Datos M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente Caso 5 27.0 + 1.3 27.0 · Esf1500.1 2.300.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Modelo de continuidad espacial y campos estimados γ(h) = 0.

3 2.1 49 .300.45(h) Datos M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente Caso 6 27.Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Modelo de continuidad espacial y campos estimados γ(h) = 0.1 2.3 27.0 · Esf1500.0 + 1.

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Varianza de una combinaci´ on lineal de variables aleatorias Sea una variable aleatoria Z ∗(u) definida como una combinaci´on lineal de n variables aleatorias Z(uα) con α = 1. . esto es: ( V ar {Z ∗(u)} = V ar n X ) λαZ(uα) α=1 De acuerdo a la definici´ on de varianza (V ar{X} = E{[X − E{X}]2} = E{X 2} − E{X}2): ( V ar n X ) λαZ(uα) α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente =E " n  X  α=1 λαZ(uα) #2    ( " − E n X #)2 λαZ(uα) = α=1 50 . tal que: Z ∗(u) = n X λαZ(uα) α=1 y vamos a calcular su varianza... n..

Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable =E  n X  α=1 =    ( ) n n n X   X X λβ Z(uβ ) λαZ(uα) · λαZ(uα) E λβ Z(uβ ) − E    α=1 β=1 n n X X λαλβ E {Z(uα)Z(uβ )} − α=1 β=1 = n n X X β=1 λαλβ E {Z(uα)} E {Z(uβ )} α=1 β=1 n X n X λαλβ {E [Z(uα)Z(uβ )] − E [Z(uα)] E [Z(uβ )]} α=1 β=1 = n X n X λαλβ C {Z(uα)Z(uβ )} α=1 β=1 luego ( V ar n X ) λαZ(uα) α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente = n X n X λαλβ C {Z(uα)Z(uβ )} α=1 β=1 51 .

(1998). M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 52 . Workshop Notes. P. Geostatistics for Petroleum Reservoir Characterization. FSS International. y Srivastava. An Introduction to Applied Geostatistics. R. New York. Oxford University Press. (1997). • Goovaerts. New York. • Froidevaux. R. Oxford University Press. Geostatistics for Natural Resources Evaluation. (1989).Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Bibliograf´ıa • Isaaks. E.

N. • Cressie. (1990).Geoestad´ıstica Unidad did´actica 5: T´ecnicas de estimaci´ on de una sola variable Para leer en casa. 22. (6-Lectura-Cressie-MG90. Mathematical Geology.pdf ) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 53 . The Origins of Kriging. 239-252. Vol... No 3.