Академический Документы
Профессиональный Документы
Культура Документы
Consideremos
Z u , 1,2, N
Z u
la
Kriging
Kriging
El vecino ms cercano
X (Kilometer)
0.
X (Kilometer)
0.
10.
20.
30.
40.
40.
30.
9.43
6.60
7.52
6.87
20.
20.
7.36
10.
2.46
3.81
11.22
0.
0.6.26
9.84
12.12
10.
4.32
10.21
9.43
9.59
10.
20.
7.26
9.22
30.
X (Kilometer)
30.
40.
7.18
40.
0.
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A
9.38
40.
40.
5.96
10.31
11.11
11.04
30.
11.54
7.69
30.
9.43
6.60
7.52
6.87
20.
20.
7.36
10.
2.46
3.81
11.22
9.84
12.12
10.
4.32
10.21
9.22
7.26
0.
9.439.59
0. 6.26
10.
20.
X (Kilometer)
30.
7.18
40.
0.
Y (Kilometer)
11.04
7.69
30. 11.54
Y (Kilometer)
Y (Kilometer)
5.96
11.11
20.
40.
9.38
10.31
10.
Kriging
X (Kilometer)
0.
Distancia inversa
10.
20.
30.
9.38
40.
40.
5.96
11.11
11.04
7.69
30. 11.54
30.
9.43
20.
20.
2.46
7.36
11.22
3.81
0.
0.
40.
10.
30. 11.54
7.36
6.60
7.52
6.87
0. 6.26
11.22
9.84
12.12
10.
4.32
7.26
9.43
9.59
10.
20.
30.
X (Kilometer)
9.22
7.18
40.
0.
X (Kilometer)
0.
X (Kilometer)
6.60
7.52
6.87
20.
20.
7.36
2.46
3.81
10.
11.22
0.
6.26
0.
9.43
9.59
10.
9.84
12.12
4.32
10.21
20.
10.
7.26
9.22
30.
X (Kilometer)
40.
7.18
40.
0.
N/A
40. 10.31
5.96
11.11
40.
11.04
11.54 7.69
30.
9.43
30.
6.60
7.52
6.87
20.
20.
7.36
2.46
3.81
10.
11.22
4.32
10.21
0.
6.26
0.
9.43
9.59
10.
9.84
12.12
20.
10.
7.26
9.22
30.
X (Kilometer)
7.18
40.
0.
Y (Kilometer)
30.
>=13
12.45
11.9
11.35
10.8
10.25
9.7
9.15
8.6
8.05
7.5
6.95
6.4
5.85
5.3
4.75
4.2
3.65
3.1
2.55
<2
Y (Kilometer)
40.
11.04
Y (Kilometer)
Y (Kilometer)
5.96
9.43
30.
40.
11.54 7.69
30.
20.
9.38
30.
9.38
11.11
10.
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A
30.
2.46
3.81
10.21
40. 10.31
0.
20.
10.
20.
7.18
40.
11.04
20.
10.
30.
40.
7.69
9.43
0.
7.26
40.
5.96
11.11
10.
9.22
X (Kilometer)
9.38
10.31
9.43
9.59
10.
20.
0.6.26
9.84
12.12
4.32
10.21
X (Kilometer)
20.
30.
6.60
7.52
6.87
Y (Kilometer)
Y (Kilometer)
10.31
10.
0.
40.
>=13
12.45
11.9
11.35
10.8
10.25
9.7
9.15
8.6
8.05
7.5
6.95
6.4
5.85
5.3
4.75
4.2
3.65
3.1
2.55
<2
N/A
Kriging
observaciones disponibles
var Z u Z * u
sea mnima
Kriging Simple
KRIGING SIMPLE
El caso ms simple se denomina kriging simple y la hiptesis bsica es la
estacionaridad junto con el hecho de que se asume que la media de la funcin
aleatoria es conocida. Esto es,
E Z u m y m es conocida
1 CASO. m = 0
Bajo esta condicin se asegura que el estimador de kriging es insesgado, ya
que
Kriging Simple
Ahora slo resta hallar los pesos para que la condicin de varianza mnima se
satisfaga.
Considrese primero el caso en que se cuenta con una sola observacin
Entonces
var Z u Z u var Z u
0
0 1, , u0 u
2 12 2 2 1 covu u1
Kriging Simple
var Z u Z * u
21 2 2 covu u1 0
1
Con lo cual
covu u1
u u1
Kriging Simple
var Z u Z * u 2 1 2 u u1
var Z * u 2 2 u u1 2 varZ u
Kriging Simple
var Z u Z u var Z u
0
0 1, , u0 u
+
21 2 covu1 u2 21 covu0 u1 22 covu0 u2
Kriging Simple
Ahora hay dos parmetros desconocidos y por lo tanto hay que calcular dos
derivadas e igualarlas a cero
var Z u Z * u
1 2 2 covu1 u2 covu0 u1 0
1
var Z u Z * u
2 2 1 covu2 u1 covu0 u2 0
2
De esta manera se obtiene un sistema de dos ecuaciones con dos incgnitas que
se puede escribir en forma matricial como:
C u1 u2 1 C u0 u1
C 0
C u u
C
u
u
C
0
0
2
2
1
Kriging Simple
var Z u Z * u 2 1C u0 u1 2C u0 u 2
2
C u0 u
2
Kriging Simple
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 varZ u
Kriging Simple
var Z u Z u var Z u
0
2 varZ u
0
0 1, , u0 u
covu u
Kriging Simple
Relacin de las
observaciones con el
punto a estimar
o equivalentemente
C u
N
j 1
u j C ui u i 1, 2, , N
Kriging Simple
var Z u Z u C u0 u
*
Kriging Simple
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 funcin aleatoria es estacionaria y tiene media cero, por lo cual el
estimador de kriging simple es:
Kriging Simple
Y la solucin es
C u u
u u
Kriging Simple
0 1,2, , N
Z u m
*
Kriging Simple
Kriging Simple
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 estocsticas
de propiedades, como se estudiar ms adelante.
Kriging Ordinario
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 condicin 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
Kriging Ordinario
Kriging Ordinario
Kriging Ordinario
1 ,, N , var Z u Z u 2 1 i
i 1
1 , , N ,
0
j
1 , , N ,
0
j 1, 2, , N
Kriging Ordinario
1 ,, N , var Z u Z * u
2
j
j
N
1 ,, N ,
21
var Z u Z * u
2
j
j 1,2, , N
j 1,2, , N
Kriging Ordinario
Sabemos que:
N
var Z u Z * u
2 covu u j 2 covu u j
j
1
2 covu u j 2 2 covu u j
N
j 1,2, , N
Kriging Ordinario
C u1 u2
C 0
u u
C 0
2 1
C u N u2 C u N u2
1
1
C u1 u N
C u2 u N
C 0
1
1
1
1
0
1 C u u1
C u u
2
2
C
u
u
N
N
1
Kriging Ordinario
var Z u Z u C u0 u
*
Kriging Ordinario
C h C 0 h
C 0 u u C 0 u u
u u u u
j 1,2, , N
j 1,2, , N
Kriging Ordinario
u1 u2
0
u u
0
2 1
u N u2 u N u2
1
1
u1 u N
u2 u N
0
1
1
1
1
0
1 u u1
u u
2
2
u
N
N
1
Kriging Ordinario
C 0 0
0 C 0
0
0
1
1
C 0
1
1 1 C u u1
1 2 C u u2
1 N C u u N
0 1
j C 0 C u u j j 1,2, , N
j u u j
C 0
j 1,2, , N
Kriging Ordinario
C 0 N C u u j
N
j 1
C 0 1
N
N
C u u
N
j 1
C 0
1 u u j
N j 1
Kriging Ordinario
u u j 0 j
Y por lo tanto
1
N
C 0
N
j 1,2, , N
Kriging Ordinario
Kriging Ordinario
mj C ui u j m
j
N
j 1,2, , N
j 1
j 1
Kriging Ordinario
j
La solucin del kriging ordinario es nica, por lo tanto si se demuestra
que los valores ' resuelven el sistema de ecuaciones del kriging
ordinario se tendr que
*
*
u Zok
u
Z sk
Kriging Ordinario
j
j 1
j
j
N
j 1
N
j
j 1
j
j 1
j
j 1
Kriging Ordinario
j C ui u j j mj C ui u j
N
j 1
j 1
j C ui u j mj C ui u j
N
j 1
j 1
C u ui m
Y por lo tanto
j C ui u j C u ui
N
j 1
Kriging Ordinario
2
2
ok
sk
2 var m*
2
2
ok
sk
Kriging Ordinario
*
u
cov Z u , Z sk
*
var(Z sk
(u ))
Z sk
Kriging Ordinario
*
cov(Z (u ), Z ok
(u ) )
*
cov(Z (u ), Z ok
(u ))
Z sk
Kriging Ordinario
X (Kilometer)
0.
10.
20.
30.
Imagen original
40.
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
9.38
40.
40.
5.96
11.11
11.04
7.69
30. 11.54
30.
9.43
6.60
7.52
6.87
20.
20.
2.46
7.36
10.
3.81
11.22
0.6.26
10.
4.32
10.21
0.
9.84
12.12
9.43
9.59
10.
20.
Y (Kilometer)
Y (Kilometer)
10.31
7.26
9.22
30.
7.18
40.
0.
N/A
X (Kilometer)
Kriging ordinario
Inverso de la distancia
X (Kilometer)
10.
20.
30.
40.
40.
30.
20.
20.
10.
0.
10.
0.
10.
20.
30.
X (Kilometer)
40.
0.
>=20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
<0
N/A
10.
20.
30.
40.
9.38
40. 10.31
5.96
11.11
40.
11.04
11.54 7.69
30.
9.43
30.
6.60
7.52
6.87
20.
20.
7.36
2.46
3.81
10.
11.22
4.32
10.21
6.26
0.
0.
9.43
9.59
10.
9.84
12.12
20.
10.
7.26
9.22
30.
X (Kilometer)
7.18
40.
0.
Y (Kilometer)
30.
Y (Kilometer)
Y (Kilometer)
40.
0.
Y (Kilometer)
0.
X (Kilometer)
>=13
12.45
11.9
11.35
10.8
10.25
9.7
9.15
8.6
8.05
7.5
6.95
6.4
5.85
5.3
4.75
4.2
3.65
3.1
2.55
<2
N/A
1F
Dado un conjunto cualquiera F, se define su funcin indicadora como:
1 si x F
1F x
0 si no
x1
1F x1 1
x2
1F x2 0
1F
De particular inters es considerar variables indicadoras de facies.
E 1F x Px F
1F
Considrese el caso donde se tiene interpretacin de facies en un pozo
1 si x F
1F
0 si no
Facies 1
Facies 2
1
1
1F 1F
1
E 1F1 x
6
75%
8
E 1F2 x
2
25%
8
1F
Este concepto tan sencillo permite considerar las facies presentes en un
yacimiento como funciones aleatorias y aplicar muchas de las tcnicas
estudiadas anteriormente.
1F
Unidad 1
Unidad-4
Unidad 2
Unidad-5
1F
En el caso de variables indicadoras el variograma es:
1
F h E1F x h 1F x 2
2
P( x F y x h F )
Variograma
R2
R1
Distancia
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)
F h 0.5
h C F 0 C F h
F
CF h E 1F x h p1F x p
CF 0 var 1F x p 1 p 0.25
1F
4) Desigualdad Triangular
F h1 h2 F h1 F h2
En particular
F 2h 2 F h
Consecuencia :
Un variograma con comportamiento en el origen de la forma h
no puede ser el variograma de una funcin indicadora
p 1
1F
5) Relacin entre las variables indicadoras
1F x 1F x 1
1
F 1 h F 2 h
En el caso general,
1F x 1F x 1FN x 1
1
1F
6) Estimacin de la proporcin de facies (indicator kriging)
1
0
1
0
0
1
0
1
1
0
Proporcin de la facies F en
el punto u
1F
entonces no
1F
X (Kilometer)
0.
10.
20.
30.
40.
Canal
Barra
Canal
Barra
Barra
Canal
Canal
Canal
Canal
20.
20.
Canal
Lutita
Barra
Canal
Barra
Lutita Lutita
10.
Barra
0.
30.
Canal
0.
Canal Canal
10.
20.
Y (Kilometer)
Y (Kilometer)
Barra Canal
30.
40.
10.
Canal
Canal
Canal
X (Kilometer)
0.
30.
0.
10.
20.
30.
40.
40.
X (Kilometer)
40.
40.
30.
30.
20.
20.
10.
10.
0.
0.
10.
20.
30.
X (Kilometer)
40.
0.
Y (Kilometer)
Probabilidad de
facies de canal
Y (Kilometer)
40.
>=1.001
0.95095
0.9009
0.85085
0.8008
0.75075
0.7007
0.65065
0.6006
0.55055
0.5005
0.45045
0.4004
0.35035
0.3003
0.25025
0.2002
0.15015
0.1001
0.05005
<0
N/A