Hasta ahora se ha estudiado como estimar una propiedad utilizando los valores

conocidos de dicha propiedad obtenidos en puntos vecinos o cercanos o bien

como hacer uso de una funcin de tendencia para guiar la estimacin de la
propiedad.
A continuacin estudiaremos algunas tcnicas geoestadsticas propuestas para
obtener estimaciones de la propiedad de inters cuando se dispone de
observaciones de otras variables relacionadas con la variable en estudio.
Geoestadstica multivariada
Entre este tipo de tcnicas se encuentran:
Cokriging Simple y Ordinario
Cokriging colocado (collocated cokriging)
Geoestadstica multivariada
Al igual que en el caso de geoestadistica univariada, lo fundamental es contar
con una herramienta que mida la correlacin espacial de las variables
involucradas y su interrelacin.
La correlacin espacial de cada una de las variables involucradas se obtiene
como antes a travs de la funcin de covarianza o del variograma.
La correlacin espacial conjunta o la interrelacin se obtiene a traves de la
funcion de covarianza cruzada que estudiaremos a continuacin
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto
ZS

Si Z y S son funciones aleatorias estacionarias o intrnsecas, el

variograma cruzado de ellas se define como :
))] ( ) ( ( )) ( ) ( [(
2
1
) ( h x S x S h x Z x Z E h
ZS
+ + =
( )
)) ( ) ( ( )) ( ) ( (
2
1
) (
*
j i
h x x
j i ZS
x s x s x z x z
h N
h
j i
=

=

Para su estimacin se utiliza el variograma cruzado experimental

ZS

1) ( ) 0 0 =

ZS
2)
( ) ( ) h h
ZS ZS

=
3)
El variograma cruzado es una funcin simtrica
Algunas propiedades del variograma cruzado son:
( ) ( ) h h
SZ ZS

=
4) Relacin con la funcin de covarianza cruzada
( ) ( ) ( ) ( ) ( ) | |
S Z ZS
m h x S m x Z E h C + =
La funcin de covarianza cruzada se define como:
ZS

( ) ( ) ( ) ( ) h C h C C h
SZ ZS ZS ZS
+ =
2
1
0 ) (
La funcin de covarianza cruzada se relaciona con el variograma cruzado a
travs de la ecuacin
Esta expresin se debe al hecho de que la funcin de covarianza no
necesariamente es simtrica. Es decir, en general
( ) ( ) h C h C
SZ ZS
=
ZS

Sin embargo, una prctica comn es asumir que la funcin de covarianza es

simtrica. Esto simplifica enormemente los clculos asociados a la estimacin
de la funcin de covarianza conjunta. En ese caso,
( ) ( ) h C C h
ZS ZS ZS
= 0 ) (
ZS

5) Relacin de dependencia
Es importante tener presente que entre el variograma cruzado y los
variogramas de cada una de las variables, existe una relacin de dependencia.
Por ejemplo, se puede demostrar que:
( ) ( ) ( ) h h h
S Z ZS
s
2
Desigualdad de Hlder
( )
2 2
2
2
S Z
ZS
o o o s
En particular, El producto de cada uno de los sill de los variogramas
individuales es mayor que el cuadrado del sill del variograma cruzado.
En consecuencia, el modelo de variograma cruzado no puede ser escogido
independientemente de cada uno de los modelos de variogramas
individuales !
5) El modelo de coregionalizacin lineal
ZS

Anteriormente se aseguraba que la varianza de combinaciones lineales de la

variable de inters era positiva utilizando modelos de variograma. Al incluir ms
variables, es necesario asegurar que la varianza de combinaciones lineales de
estas sea positiva.
Para lograr esto se utiliza el modelo lineal de coregionalizacin, que establece
que los variogramas individuales y el cruzado son combinaciones lineales de
modelos de variogramas. En el caso de 2 variables se tiene que:
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) h w h w h w h
h v h v h v h
h u h u h u h
m m ZS
m m S
m m Z



+ + + =
+ + + =
+ + + =

2 2 1 1
2 2 1 1
2 2 1 1
Las ecuaciones anteriores se puede escribir en forma matricial como:
( )
(

+ +
(

=
(

) ( 0
0 ) (
) ( 0
0 ) (
) ( ) (
) (
1
1
1 1
1 1
h
h
v w
w u
h
h
v w
w u
h h
h h
m
m
m m
m m
S ZS
ZS Z

ZS

Cada una de las matrices que contienen los variogramas son definidas
positivas, por lo tanto para que el resultado final sea una matriz definida
positiva debe ocurrir que:
0 >
j
u
0 >
j
v
0
2
>
j j j
w v u
ZS

El uso del modelo de coregionalizacin lineal tiene las siguientes consecuencias:

1) Todo estructura presente en el variograma cruzado deber estar presente en
los variogramas individuales. El recproco no es cierto.
2) Los variogramas individuales tendrn todos el mismo rango y la forma del
variograma ser la misma. Slo se diferenciarn en los valores del sill
Esto hace que en general resulte engorroso ajustar variogramas experimentales de
las variables y sus variogramas cruzados, ya que al cambiar los valores del
variograma cruzado cambian los valores de los variogramas individuales. La forma
de juzgar la bondad del ajuste es establecer un compromiso entre el ajuste de cada
uno de los variogramas y su desviacin de los valores experimentales.
3) Los variogramas individuales tendrn todos la misma direccin de anisotropa
ZS

4) Envolvente del variograma cruzado

Debido a la relacin entre los parmetros u, v y w el variograma cruzado se
encuentra siempre dentro de dos curvas que conforman su envolvente.
h
ZS

Planteamiento bsico de la estimacin por Cokriging:

Cokriging
Considerar la estimacin de como una combinacin lineal de las
observaciones disponibles de Z ms combinaciones lineales de las
observaciones de las variables relacionadas.
Z
Propiedad o variable principal, por ejemplo porosidad
S Informacin o variable secundaria, por ejemplo impedancia acstica
Ejemplo:
+
Combinacin lineal de
la variable principal
Combinacin lineal de
la variable secundaria
Cokriging
Z
Propiedad o variable principal, por ejemplo porosidad
i
S
Variables secundarias, por ejemplo atributos ssmicos
En el caso general lo nico que se complica es la notacin :
Combinaciones lineales de
las variables secundarias
Combinacin lineal de
la variable principal
+

+ + +
Cokriging
El caso ms simple se denomina cokriging simple y la hiptesis bsica es la
estacionaridad de todas las variables junto con el hecho de que se asume que las
medias de todas las variables son conocidas. Esto es,
COKRIGING SIMPLE
( ) ( ) conocida es y m m u Z E =
( ) ( ) j m m u S E
j j j
= conocida es y
A continuacin se obtendrn las ecuaciones de cokriging simple en el caso en que
se considera solo una variable secundaria. En este caso el estimador propuesto es
Cokriging
Al igual que antes, las condiciones de optimalidad son:
1) Estimador insesgado ( ) ( ) u Z E u Z E
cok
= )) ( (
*
2)
( ) ( )] var[
*
u Z u Z
cok

mnima
La primera condicin se obtiene automticamente al utilizar que:
( ) ( ) 0 = m u Z E
o
( ) ( ) 0
1 1
1
= m x S E
o
Con lo cual,
( ) ( ) u Z E m u Z E
cok
= = )) ( (
*
Cokriging
La condicin de varianza mnima se obtiene derivando respecto a los parmetros o
y | e igualando a cero cada una de las derivadas obtenidas.
N
cok
j
u Z u Z
j
, , 2 , 1
*
0
)] ( ) ( var[
= =
c
c

1
, , 2 , 1
*
0
)] ( ) ( var[
N
cok
j
u Z u Z
j
= =
c
c
|
Para calcular explcitamente la expresin de la varianza hay que proceder con
cautela debido a que aparecen nuevos trminos a considerar.
)) ( ), ( cov( 2 )] ( var[ )] ( var[ )] ( ) ( var[
* * *
u Z u Z u Z u Z u Z u Z
cok cok cok
+ =
1
T
2
T
3
T
Cokriging
2
1
)] ( var[ o = = u Z T
)] ( var[
*
2
u Z T
cok
=
) ( 2 ) ( ) (
j i ZS j i i S j i i Z j i
x u C x x C u u C
j j
+ + =

| | |
) ) ) ( ( ), ) ( ( cov( 2 )) ) ( ( var( )) ) ( ( var(
j j j i i j j j i i
m x S m u Z m x S m u Z + + =

| |
Covarianza de la
variable principal
Covarianza de la
variable secundaria
Covarianza cruzada entre la
variable primaria y la
variable secundaria

+ = = ) ( 2 ) ( 2 )) ( ), ( cov( 2
*
3 j ZS j i Z i cok
x u C u u C u Z u Z T |
Cokriging
Al calcular las derivadas respectivas se obtiene que
( ) ( ) ( ) N
i Z
N
j
j i ZS j
N
j
j i Z j
i
cok
i u u C x u C u u C
u Z u Z
, , 2 , 1
1 1
*
2 2 2
)] ( ) ( var[
= + =
c
c

= =
|

( ) ( )
1
, , 2 , 1
1 1
*
) ( 2 2 2
)] ( ) ( var[
N
i ZS
N
j
j i ZS j
N
j
j i S j
i
cok
i x u C x u C x x C
u Z u Z
= + =
c
c

= =
|
|
Ahora la expresin detallada del sistema de ecuaciones es
Cokriging
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( )
( )
( )
( )
( )
( )
(
(
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(
(
(

1 1
1 1 1 1 1
1
1
1
1
1
2
1
2
1
2
1
2
1
2 1 2 1
2 1 2 2 2 2 1 2
1 2 1 1 2 1 1 1
2 1 2 1
2 2 2 1 2 2 1 2
1 2 1 1 1 1 2 1
0 |
|
0 |
0 |
|
| 0
|
| 0
| 0
N S
S
S
N Z
Z
Z
N
N
S N S N S N N SZ N SZ N SZ
N S S S N SZ SZ SZ
N S S S N SZ SZ SZ
N N ZS N ZS N ZS Z N Z N Z
N ZS ZS ZS N Z Z Z
N ZS ZS ZS N Z Z Z
x u C
x u C
x u C
u u C
u u C
u u C
C x x C x x C u x C u x C u x C
x x C C x x C u x C u x C u x C
x x C x x C C u x C u x C u x C
x u C x u C x u C C u u C u u C
x u C x u C x u C u u C C u u C
x u C x u C x u C u u C u u C C

|
|
|

=
(

Su
Zu
S SZ
ZS Z
C
C
C C
C C
|

Cokriging
COKRIGING ORDINARIO
Al igual que en el caso de kriging ordinario, se asume que las medias de las
variables son desconocidas y se imponen condiciones para filtrarlas.
+
El estimador propuesto es
Con lo cual,

= =
+ =
K
j
N
j cok
j
j
j
m m u Z E
1 1
*
)) ( (
o
o o
|
Y se obtienen las condiciones,

=1
o

K
N
j
j
j
j
, , 2 , 1
1
0 = =

= o
o
|
Cokriging
Ahora se procede nuevamente como en el kriging ordinario pero con K+1
parmetros de Lagrange. Cuando se tiene tan solo una variable secundaria, el
sistema de ecuaciones del cokriging ordinario es
(
(
(
(

=
(
(
(
(

(
(
(
(

0
1
0 0 1 0
0 0 0 1
1 0
0 1
2
1
Su
Zu
S SZ
ZS Z
C
C
C C
C C

Cokriging
OBSERVACIONES
1) Con slo 2 variables se requieren 4 funciones de covarianza. En general,
con N variables secundarias se requieren 2
N+1
funciones de covarianza.
3) Las variables secundarias deben poseer un nmero mucho mayor de
observaciones que la variable principal.
2) Debe existir una correlacin lineal entre las variable principal y las variables
secundarias
Cokriging
4) Imposible estimar las covarianzas cruzadas con datos NO coincidentes
Variable secundaria (impedancia acstica)
Variable principal (porosidad)
Cokriging
5) Resultados satisfactorios se obtienen con datos parcialmente coincidentes
Variable secundaria (impedancia acstica)
Variable principal (porosidad)
Variable principal y variable secundaria
Cokriging
6) Con datos totalmente coincidentes
Conveniente para estimar de manera consistente el tope y la base
de un yacimiento
Tope
Base
No se obtiene una mejora sustancial sobre los mtodos de kriging cuando
la variable secundaria es la informacin ssmica.
Cokriging
Cuando las variables estn intrnsicamente relacionadas, es decir cuando
ocurre que los modelos de variograma o covarianza de todas las variables son
proporcionales a un un mismo modelo de variograma o covarianza, entonces
el kriging y el cokriging con datos totalmente coincidentes son iguales.
!
Collocated Cokriging
Una simplificacin al sistema de ecuaciones del Cokriging se obtiene cuando se
considera solo una variable secundaria y nicamente en el punto donde se
requiere realizar la estimacin.
En este caso, el estimador propuesto es
Al igual que antes se obtienen distintas versiones cuando se conoce o no la
media de las variables involucradas.
A continuacin estudiaremos el cokriging colocado simple y el cokriging colocado
ordinario.
Collocated Cokriging
COLLOCATED SIMPLE COKRIGING
La hiptesis bsica es la estacionaridad de las variables junto con el hecho de que
se asume que las medias de las variables son conocidas. Esto es,
( ) ( ) conocida es y m m u Z E =
( ) ( ) conocida es y
S S
m m u S E =
En este caso, el estimador propuesto es
Al proceder exactamente igual que en el caso de cokriging simple se obtiene que:
Collocated Cokriging
( ) ( ) ( ) N
i Z i ZS
N
j
j i Z j
i
ck
i u u C u u C u u C
u Z u Z
, , 2 , 1
1
*
2 2 2
)] ( ) ( var[
= + =
c
c

( ) ) 0 ( 2 2 2
)] ( ) ( var[
1
2
*
ZS
N
i
i ZS j S
ck
C u u C
u Z u Z
+ =
c
c

o
Ahora se obtiene un sistema de ecuaciones de N+1 variables con N+1 incgnitas
en lugar del sistema de N+ N
1
ecuaciones con N+ N
1
variables del kriging simple
con solo una variable secundaria.
El sistema de ecuaciones se escribe en forma matricial como:
Collocated Cokriging
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( )
( )
( )
(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(

0
0
0
0
2
1
2
1
2
2 1
2 1
2 2 1 2
1 1 2 1
ZS
N Z
Z
Z
N
S N ZS ZS ZS
N ZS Z N Z N Z
ZS N Z Z Z
ZS N Z Z Z
C
u u C
u u C
u u C
u u C u u C u u C
u u C C u u C u u C
u u C u u C C u u C
u u C u u C u u C C

o
Es importante observar que:
No se requiere conocer la funcin de covarianza de la variable secundaria.
El sistema slo depende de la funcin de covarianza de la variable principal y de
la funcin de covarianza cruzada.
Es necesario conocer el valor de la variable secundaria en todo los puntos donde
se requiere estimar el valor de la variable primaria.
Collocated Cokriging
Aproximacin de la covarianza cruzada
En el cokriging colocado se asume que la funcin de covarianza cruzada y la
funcin de covarianza de la variable principal son proporcionales. Es decir, que
( ) ( ) h h C b h C
Z ZS
=
Esta hiptesis tiene sentido porque se asume una relacin lineal entre las
variables. Adems, en particular se tiene que:
( )
( )
( ) ( ) ( )
( )
( ) ( ) 0 0
0
0 0 / 0
0
0
Z S
Z
Z S ZS
Z
ZS
C C
C
C C C
C
C
b = =
( )
( ) ( ) 0 0
0
Z S
Z
C C
C
ZS

=
( )
( )
ZS
Z
S
C
C

0
0
=
En consecuencia,
( )
( )
( )
( ) h h C
C
C
h C
Z
Z
S
ZS
ZS
=
0
0
Collocated Cokriging
Correlacin lineal entre las
variables Z y S.
Esta expresin permite manipular el coeficiente de correlacin y obtener as
diversas estimaciones de la variable principal para distintos grados de correlacin
con la variable secundaria.
Es importante cuando se tiene incertidumbre sobre el grado de relacin lineal de
las variables involucradas.
COLLOCATED ORDINARY COKRIGING
Collocated Cokriging
Al igual que en el caso del cokriging ordinario se asume que las medias de la
variable principal y la variable secundaria son desconocidas y constantes.
Ahora el estimador propuesto es:
Bajo esta suposicin, la forma del estimador es distinta puesto que si se utiliza la
anterior se obtiene =0 y la variable secundaria no es tomada en cuenta.
Valores de la variable principal y la variable secundaria
medidos en los mismos puntos
Valor de la variable secundaria
en el punto a estimar
Collocated Cokriging
Para que el estimador sea insesgado se debe verificar que:

= =
= + =
N N
w
1 1
0 y 1
o
o
o
o
|
Ahora se procede como antes, considerando dos multiplicadores de Lagrange
para incluir las restricciones anteriores. El sistema de ecuaciones es:
(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(

0
1

0 0 1
0 0 0
1 0
2
1
2
ZS
ZS
Z
S
ZS
S
ZS
c
c
w c c
c
c
t t
t t
t
s
t
S ZS
ZS Z
o o

1 0
0 1
1 0 C C
0 1 C C
La idea consiste en asumir que la propiedad observada Z(u) es la suma de
diversos factores aleatorios e independientes. Es decir,
( ) ( ) ( ) ( ) u Z u Z u Z u Z
K
+ + + =
2 1
Los factores no son directamente observables, slo se cuenta con la observacin
Z(u).
La descomposicin anterior puede variar dependiendo de las condiciones
asumidas sobre la propiedad observada.
Por ejemplo, si se conoce el valor promedio m de la propiedad entonces se
considera
( ) ( ) ( ) ( ) u Z u Z u Z m u Z
K
+ + + + =
2 1
y los factores como funciones aleatorias independientes de media cero.
Kriging Factorial
Kriging Factorial
La importancia de considerar a los factores como independientes es que se
puede demostrar que:
( ) ( ) ( ) h C h C h C
K Z
+ + =
1
Y es esta relacin la que permite obtener estimaciones de cada una de los
factores en la descomposicin de la variable Z.
A continuacin se estudiarn las ecuaciones para la obtencin de dichas
estimaciones.
Kriging Factorial
CASO 1

Se asume que Z es una funcin aleatoria estacionaria con media igual a cero que
se descompone como suma de K factores aleatorios de media cero e
independientes.
( ) ( ) ( ) ( ) u Z u Z u Z u Z
K
+ + + =
2 1
El estimador propuesto para el factor j es:
( ) ( ) ( ) K j u Z u u Z
j
, 2 , 1
*
= =
o
o
o

Los Valores observados se utilizan para estimar los

valores de los factores
Kriging Factorial
Como la variable y cada uno de los factores tienen media cero se obtiene
directamente que:
( ) ( ) ( ) ( ) u Z E u Z E
j j
=
*
Respecto a la varianza del error, se tiene que:
( ) ( ) ( ) ( ) ( ) ( ) u Z u Z u Z u Z u Z
j j j j j j
* * 2 *
, cov 2 ] var[ ] var[ + = o
( ) ( )

+ =
i
i j Z j
u Z u Z u u C ) ( ), ( cov 2
,
2
o
o
o | o
| o
| o
o
( ) ( )
o
o
o | o
| o
| o
o u u C u u C
j Z j
+ =

2
,
2
Independencia de los factores
Kriging Factorial
A partir de esta expresin se tiene que:
( ) ( )
( ) ( ) N u u C u u C
u Z u Z
j Z
j j
, 2 , 1 2 2
] var[
*
= =
c

|
o
| o o
|
Y al igualar a cero se obtiene el sistema de ecuaciones:
( ) ( ) N u u C u u C
j Z
, 2 , 1 = =

|
|
o
| o o
Matriz de kriging simple de Z
Vector asociado a la
funcin de covarianza del
factor j
Kriging Factorial
1) La matriz de kriging es siempre la misma y lo que cambia es el vector asociado
a la funcin de covarianza del factor j. Esto implica que es necesario invertir la
matriz slo una vez para obtener la estimacin de todos los factores.
Observar que:
2) Si alguno de los factores est asociado a un effecto nugget puro entonces este
no se puede estimar. Este procedimiento slo cambia los valores de las variable Z
en los puntos observados.Para efectos prcticos es mejor no considerarlo en la
descomposicin.
3) El nmero de factores se puede obtener a partir del nmero de estructuras
presentes en la funcin de covarianza o variograma de la variable Z
4) La descomposicin de la variable Z en factores debe tener sentido fsico y no
ser producto solamente de las estructuras observadas en el variograma.
Kriging Factorial
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y

(
K
i
l
o
m
e
t
e
r
)
Y

(
K
i
l
o
m
e
t
e
r
)
>=12.9686
12.1258
11.2829
10.44
9.59716
8.75429
7.91142
7.06856
6.22569
5.38282
4.53995
3.69708
2.85422
2.01135
1.16848
0.325613
-0.517255
-1.36012
-2.20299
-3.04586
-3.88873
-4.73159
-5.57446
-6.41733
-7.2602
-8.10307
-8.94593
-9.7888
-10.6317
-11.4745
-12.3174
-13.1603
<-14.0031
N/A
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
Z
Z

Kriging Factorial
0
0.5
1
1.5
2
2.5
0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y

(
K
i
l
o
m
e
t
e
r
)
Y

(
K
i
l
o
m
e
t
e
r
)
>=7.15479
6.71376
6.27273
5.8317
5.39067
4.94964
4.50861
4.06758
3.62655
3.18553
2.7445
2.30347
1.86244
1.42141
0.980377
0.539347
0.0983174
-0.342712
-0.783742
-1.22477
-1.6658
-2.10683
-2.54786
-2.98889
-3.42992
-3.87095
-4.31198
-4.75301
-5.19404
-5.63507
-6.0761
-6.51713
<-6.95816
N/A
0.
0.
10.
10.
20.
20.
30.
30.
40.
40.
X (Kilometer)
X (Kilometer)
0. 0.
10. 10.
20. 20.
30. 30.
40. 40.
Y

(
K
i
l
o
m
e
t
e
r
)
Y

(
K
i
l
o
m
e
t
e
r
)
>=9.28523
8.70756
8.12989
7.55222
6.97455
6.39688
5.81921
5.24154
4.66386
4.08619
3.50852
2.93085
2.35318
1.77551
1.19784
0.620167
0.0424957
-0.535175
-1.11285
-1.69052
-2.26819
-2.84586
-3.42353
-4.0012
-4.57887
-5.15654
-5.73421
-6.31189
-6.88956
-7.46723
-8.0449
-8.62257
<-9.20024
N/A
0
0.5
1
1.5
2
2.5
0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
CASO 2

Se asume que Z es una funcin aleatoria estacionaria con media igual a m que se
descompone como suma de K factores aleatorios de media cero e
independientes.
( ) ( ) ( ) ( ) u Z u Z u Z m u Z
K
+ + + + =
2 1
El estimador propuesto para el factor j es:
( ) ( ) ( ) K j u Z u u Z
j
, 2 , 1
*
= =
o
o
o

Ahora se tiene que

( ) ( ) ( ) ( )

+ =
i
i j
u Z E m u Z E
o
o
o
o
o

*
Kriging Factorial
Kriging Factorial
Y por lo tanto, para que el estimador sea insesgado se debe imponer la condicin
1 =

o
o

Ahora se procede como en el caso de kriging ordinario y se obtiene el sistema de

ecuaciones
( ) ( ) N
j
N
Z
u u C u u C , , 2 , 1
1
= = +

=
|
|
o
| o o
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( )
( )
( )
(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(

1 0 1 1 1 1
1 0
1 0
1 0
2
1
2
1
2 2
2 1 2
1 2 1
N j
j
j
N Z N Z N Z
N Z Z Z
N Z Z Z
u u C
u u C
u u C
C u u C u u C
u u C C u u C
u u C u u C C

Matriz de kriging oridnario de Z

Vector asociado a
la funcin de
covarianza del
factor j
Kriging Factorial
CASO 3

Se asume que Z es una funcin aleatoria con una funcin de tendencia m(u)
conocida que se descompone como suma de K factores aleatorios de media cero
e independientes.
( ) ( ) ( ) ( ) ( ) u Z u Z u Z u m u Z
K
+ + + + =
2 1
El estimador propuesto para el factor j es:
( ) ( ) ( ) K j u Z u u Z
j
, 2 , 1
*
= =
o
o
o

Ahora se tiene que

( ) ( ) ( ) ( ) ( )

+ =
i
i j
u Z E u m u Z E
o
o
o
o
o o

*
Kriging Factorial
Y por lo tanto, para que el estimador sea insesgado se debe imponer la condicin
( ) 0 =

o
o o
u m
Kriging Factorial
Ahora se procede como en el caso de kriging universal y se obtiene el sistema de
ecuaciones
( ) ( ) ( ) N
j
N
Z
u u C u m u u C , , 2 , 1
1
= = +

=
|
| |
o
| o o
CASO 4

Se asume que Z es una funcin aleatoria con una funcin de tendencia m(u)
desconocida que se descompone como suma de K factores aleatorios
independientes.
( ) ( ) ( ) ( ) u Z u Z u Z u Z
K
+ + + =
2 1
El problema que se tiene ahora es saber cul es la contribucin de cada uno de
los factores a la tendencia de la funcin Z ya que
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) u Z E u Z E u Z E u Z E
K
+ + + =
2 1
El problema puede ser resuelto asumiendo dos condiciones que a priori resultan
arbitrarias.
Kriging Factorial
Kriging Factorial
Se asume que solo uno de los factores est asociado a la funcin de tendencia
que se observa en la variable Z mientras que los otros tienen media cero. Asi,
se tendra por ejemplo:
( ) ( ) 1 , 2 , 1 0 = = K j u Z E
j

( ) ( ) ( ) u m u Z E
K
=
Anlogamente al caso de kriging universal, se asume que la funcin de
tendencia es de la forma:
( ) ( ) 1
0
0
=

=
f u f a u m
L
j
j j
Kriging Factorial
De esta forma,
( ) ( ) ( ) ( )

=
o
o o
u Z E u Z E
K j
*
( )

=
o
o o

l
l l
u f a
Y al igual que en el caso de kriging universal hay que imponer la condicin
siguiente para asegurar que el estimador es insesgado:
( ) K j si u f
l
= =

0
o
o o

( ) ( ) K j si u f u f
l l
= =

o
o o

Kriging Factorial
Ahora se procede como en el caso de kriging universal y se obtiene el sistema de
ecuaciones
( ) ( ) ( ) N
j
l
l l
N
Z
u u C u f u u C , , 2 , 1
1
= = +

=
|
| |
o
| o o
Donde

=
=
no si
j i si
j i
0
1
o
(Funcin Delta de Kronecker)
Kriging Factorial
FILTERING

Hasta ahora se ha visto como estimar cada uno de los factores presentes en la
descomposicin de Z.
Otra aplicacin posible es obtener una estimacin de la variable original Z pero
filtrando uno o varios factores.
( ) ( ) ( ) ( ) u Z u Z u Z u Z
K
+ + + =
2 1
) (u Z
f
Z
f
(u) se obtiene al filtrar la componente Z
1
(u). Por consiguiente, una estimacin
de Z filtrando el valor de Z
1
se obtiene al estimar Z
f
(u)
Kriging Factorial
Asumiendo que todas las variables tienen media cero, el estimador
( )

=
o
o o
u Z u Z
f
) (
*
es insesgado. Adems, la varianza del error es
( ) ( ) ( ) ( ) ( ) ( ) ( ) u Z u Z u Z u Z u Z u Z
f f f f f f
* * *
, cov 2 ] var[ ] var[ ] var[ + =
( )

=
=
K
j
j f
u Z
2
2
] var[ o
Por la independencia de los factores
( ) ( )
j i Z j
j i
i f
u u C u Z =

,
*
] var[
( ) ( ) ( ) ( ) ( ) ( )

= =
o
o o
o
o o
u u C u Z u Z Z u Z
f
Z
f
f
f
, cov , cov
*
Por la independencia de los
factores
( ) ( )
( ) ( ) N u u C u u C
u Z u Z
f
Z Z
f f
, 2 , 1 2 2
] var[
*
= =
c

|
o
| o o
|
Y al igualar a cero se obtiene el sistema de ecuaciones:
( ) ( ) N u u C u u C
f
Z Z
, 2 , 1 = =

|
|
o
| o o
En consecuencia,
Kriging Factorial
Kriging Factorial
Debido a la independencia entre los factores, la funcin de covarianza de la
variable filtrada se conoce, ya que
( ) ( ) ( ) ( ) h C h C h C h C
K f
Z Z Z Z
+ + + =
3 2