Un especto fundamental en la teoría de kriging estudiada es la

estacionaridad débil o de orden 2.

A continuación estudiaremos algunas técnicas propuestas para obtener

estimaciones cuando no se cumple la estacionaridad. Es decir, cuando

EZ u   mu 

Entre estas están:

Kriging Universal

Kriging con deriva externa (external drift)

 UK

KRIGING UNIVERSAL

El kriging universal asume que la función aleatoria Z se puede descomponer

en la forma:

Z u   Ru   mu 
Donde R es una función aleatoria estacionaria de orden 2 con E(R(u))=0 y
m es una función no aleatoria dependiente de la localización u.Bajo estas
hipótesis se tiene que:

EZ u   ERu   mu 

 mu 
 UK

14 m
12

10

6 Z
4
16
2
14
0
0 1 2 3 4 5 6 12

10

+ = 6

2
2
0
1.5 R 0 1 2 3 4 5 6
1
0.5
0
-0.5
-1
-1.5
-2
0 1 2 3 4 5 6
 UK

Si se asume la descomposición anterior se presentan 2 casos:

1°) La función de tendencia m es conocida en cada punto u del mallado o

espacio donde se quiere estimar la propiedad.

2°) La función de tendencia m no es conocida y hay que proceder a estimarla a

partir de los datos.

Es importante observar que en cualesquiera de los casos se asume que

Ru   Z u   mu 

es una función aleatoria estacionaria de orden 2 con media cero y por lo tanto
se pueden utilizar las técnicas de kriging estudiadas anteriormente. Los valores
R(u) se denominan los valores residuales.
 UK

Caso 1

Como la función de tendencia es conocida entonces se puede calcular

Ru   Z u   mu 

Luego, se pueden estimar los residuales utilizando kriging simple y obtener

como estimación de la propiedad

Z * u   Rsk
*
u   mu 

Es importante observar que la estimación se realiza utilizando los

residuales y no los valores originales de la propiedad. Así por ejemplo, el
cálculo del variograma se debe hacer utilizando los residuales.
 UK

Caso 1 Pasos para la estimación

1. Conocer la función de tendencia en cada uno de los puntos del mallado o

espacio donde se quiere estimar

2. Calcular en cada punto donde se tiene informacion el valor de los

residuales

Ru   Z u   mu  j  1,2, , N

3. Validar la hipótesis de estacionaridad de la función residual. Si esta se

cumple, realizar la estimación de la función residual mediante kriging
simple.

4. Obtener la estimación de la propiedad como:

Z * u   Rsk
*
u   mu 
 UK

Presencia de una tendencia

Identificación de la función de tendencia

mx, y   ay  b
Obtención de los residuales

Rx, y   TOPE x, y   mx, y 

Obtención de la estimación

TOPE * x, y   Rsk

*
 x , y   m x , y 
 UK

Caso 2

Cuando la función de tendencia es desconocida, es usual asumir que esta se

puede escribir como:
L
mu    a j f j u  f0  1
j 0

Donde las funciones f son conocidas, llamadas funciones de base, y los

parámetros a son desconocidos, lo cual hace que la función de tendencia
sea desconocida.

Las funciones de base deben ser escogidas según la naturaleza del

problema y no arbitrariamente.

La idea ahora es proceder como en el kriging ordinario. Es decir, imponer

condiciones para filtrar el valor desconocido de la media.
 UK

El estimador que se propone es

N
Z u  
*
  Z u 
 1

y por lo tanto

 
N L N
E Z u  
*
  mu    a j   f j u 
 1 j 0  1

De esta forma, si se impone la condición

N
  f j u   f j u  j
 1

Se obtiene que el estimador es insesgado

 
E Z * u   E Z u 
 UK

En cuanto a la varianza del error hay que observar primero que

N N
Z u  
*
  Z u     Ru   mu 
 1  1

Con lo cual,
N
Z u   Z u   R u  
*
  Ru 
 1

Y por lo tanto

   i  j C Rui , Ru j  2 i C Rui , Ru 

N N
var Z u   Z u   C Ru , Ru  
*
i, j 1 i 1
 UK

Para incluir las restricciones se consideran L+1 parámetros de Lagrange  j

Y la función a minimizar es:

   N 
L
1,  N , 0 ,  L   var Z u   Z u   2   j   f j u   f j u 
* 
 
j  0   1 

Para ello se deriva la función respecto a cada uno de los parámetros y se

igualan a cero cada una de estas derivadas


 0   1,  N

Sistema de ecuaciones de N+L+1
incógnitas con N+L+1 ecuaciones

0 j  0,  L
 j
 UK

 C 0 C12  C1N f 0 u1  f1u1   f L u1    1   C10 

 C21 C 0  C2 N f 0 u2  f1u2   f L u2     C 
  2  20 
             
     
 C N1 CN 2 C 0 f 0 u N  f1u N  f L u N   N  C
  N0 
 f 0 u1  f 0 u2   f 0 u N  0 0  0   0   f 0 u 
     
 f1u1  f1u2  f1u N  0 0  0   1   1 
f  u 
            
     
 f L u1  f L u2   f L u N  0 0  0    L   f L u 

 F    C0  La unicidad de la solución depende de la

F t      matriz F, la cual depende de la

 0     F0  configuración de los puntos de
observación.
 UK

Cómo se obtienen los residuales para el cálculo de la covarianza si se

desconoce la media ?

En general, la respuesta no es sencilla. Debido a este tipo de inconveniente,

producto de la descomposición asumida, Matheron desarrolló la teoría de
funciones aleatorias intrínsecas de orden k y covarianzas generalizadas.

Según las condiciones del problema pudieran existir regiones en las cuales la
tendencia no influye. En este caso, se puede utilizar directamente la información
de la variable Z para inferir la función de covarianza de los residuales.
 ED

KRIGING CON DERIVA EXTERNA

Puede ocurrir que dos variables medidas en diferentes maneras aportan

información sobre el mismo fenómeno. Por ejemplo, el tope medido en los pozos
y el tiempo de tránsito en la sísmica.

Cuando una de las variables es precisa pero poco muestreada (tope medido en
los pozos) y la otra es más imprecisa pero densamente muestreada (sísmica) es
de interés poder utilizar ambas fuentes de información para el estudio del
fenómeno en cuestión.

Como en ambas se encuentra información del fenómeno en estudio es razonable

asumir que:
EZ u   a  b S u 

Imprecisa y
Precisa y poco densamente
muestreada muestreada
 ED

Información directa: Información de pozos.

Alta resolución vertical

Baja resolución areal

Información indirecta: Información sísmica

Baja resolución vertical

Alta resolución areal

 ED

El estimador que se propone es

N
Z u  
*
  Z u 
 1

Lo importante a observar ahora es que el estimador de kriging con deriva

externa no asume a priori la descomposición en un término de tendencia más
uno aleatorio y estacionario.

Para hallar los valores óptimos de los pesos basta observar que la condición

EZ u   a  b S u 

es un caso particular del sistema de ecuaciones del kriging universal al

considerar tan solo dos términos en la expresión de la función de tendencia

a0  a, f1u   S u 
 ED

Por lo tanto, el sistema de ecuaciones a resolver es

N
 
   j C u j  ui   0  1 S ui   C u  ui  i  1,2,  , N
 j 1
 N

  j 1
 j 1

 
N Sistema de ecuaciones de N+2
  j j  S u  S u 
 
incógnitas con N+2 ecuaciones
 j 1

 C 0 C12  C1N 1 S u1    1   C10 

C S u2    2  C 
 12 C 0  C2 N 1
 20 
           
     
 C1N C2 N  C 0 1 S u N   N  C
 N0
 1 1  1 0 0   0   1 
    
 S u1  S u2   S u N  0 0   1   S u 
 ED

Es importante considerar que:

1) Si la función S no varía suave el sistema de ecuaciones puede ser inestable.

2) Las estimaciones realizadas utilizando kriging con deriva externa producen

resultados que reflejan la tendencia dada por la función S. Esto es producto de
la decisión de asumir que E(Z(u))=a+bS(u) y no demuestra que los datos
siguen la tendencia obtenida.

3) Es necesario conocer el valor de S en todos los puntos donde se tiene

información y en todos los puntos donde se requiere realizar la estimación.

4) Como generalmente el método se aplica utilizando una vecindad móvil, una

notación mas adecuada de la relación entre la variable primaria y la variable
secundaria sería:

EZ u   au   bu  S u 

 ED

Esto permite estimar el parámetro b en cada punto u y medir la influencia de la

variable de tendencia en dicho punto. Esto se logra resolviendo básicamente el
mismo sistema de ecuaciones:

N
 
   j C u j  ui   0  1 S ui   0 i  1,2,  , N
 j 1
 N

  j 0 Se requiere entonces invertir la matriz
 j 1 sólo una vez para obtener la

 
N


 j S u j 1 estimación de la propiedad y del
parámetro b.
 j 1

 C 0 C12  C1N 1 S u1    1  0 

C S u2    2  0 
 12 C 0  C2 N 1
 
         
     
 C1N C2 N  C 0 1 S u N   N  0 
 1 1  1 0 0   0  0 
    
 S u1  S u2   S u N  0 0   1  1
 ED

En el caso general, es decir, cuando se asume que

E Z u   a  b1 S1u   b2 S2 u    bk Sk u 

Se procede como antes pero incorporando k+1 parámetros de Lagrange al

sistema de ecuaciones. De esta forma, el sistema de ecuaciones sería

N
 
N
   j C u j  ui   0    p S p ui   C u  ui  i  1,2,  , N
 j 1 p 1
 N

  j 1
 j 1

 
N
   j Si u j  Si u  i  1,2,  , N
 j 1


Y la forma matricial es idéntica a la obtenida para el kriging universal

considerando las funciones S en lugar de las f
 ED

La estimación de cada uno de los parámetros b en el punto u se obtiene

también como antes.Por ejemplo, el sistema a resolver para estimar bi u es:
0


N
 
N
   j C u j  ui   0    p S p ui   0 i  1,2,  , N
 j 1 p 1
 N

  j 0
 j 1

 
N


  j Si u j   i i0 i  1,2,  , N
 j 1

Donde

1 si i  j
i j   (Función Delta de Kronecker)
0 si no