Professional Documents
Culture Documents
Carrera:
Geofísica Petrolera
Asignatura:
Geoestadística y Procesos Estocásticos
Unidad de aprendizaje:
2. Simulación
Profesor:
Dr. José Luis Escudero Jiménez
Alumnos:
Jesús Daniel Alamilla Torres - 001927
Alejandro de Jesús Ancona Cerino - 001935
Isaac Hernández Jiménez - 001885
Jorge Luis Madrigal Díaz - 002015
Yessenia Ramos Molina - 002054
Grupo:
G2-8-201801
Índice
Contenido p.
Introducción ............................................................................................................. 3
Marco teórico........................................................................................................... 4
Geoestadística ..................................................................................................... 4
Análisis estructural ........................................................................................... 4
Predicción espacial .......................................................................................... 4
Variable regionalizada ......................................................................................... 4
Proceso Espacial Estocástico (PEE) ................................................................... 5
Método Kriging ...................................................................................................... 10
Generalidades ................................................................................................... 10
¿Qué es el Kriging?........................................................................................ 10
El Kriging ante los métodos de interpolación determinísticos ........................ 10
¿Cómo funciona el Kriging? ........................................................................... 10
Fórmula.............................................................................................................. 11
Crear un mapa de la superficie de predicción con el método Kriging ................ 11
Análisis estructural ............................................................................................. 12
Ajustar un modelo al semivariograma empírico ................................................. 13
Modelos de semivariograma .............................................................................. 14
Un ejemplo del modelo esférico ..................................................................... 15
Un ejemplo del modelo exponencial............................................................... 15
Comprender un semivariograma: rango, meseta y nugget ................................ 16
Rango y meseta ............................................................................................. 16
Nugget............................................................................................................ 17
Realizar una predicción ..................................................................................... 17
Los métodos kriging ....................................................................................... 18
Conclusiones ......................................................................................................... 19
Glosario ................................................................................................................. 20
Bibliografía ............................................................................................................ 22
3
Introducción
Marco teórico
Geoestadística
Para entender le método Kriging primero es necesario entender qué es la
Geoestadística y que utilidad tiene. La Geoestadística es una rama de la Estadística
que trata sobre fenómenos espaciales. Su interés primordial es la estimación,
predicción y simulación de dichos fenómenos.
La Geoestadística opera en dos etapas:
Análisis estructural
Etapa en la cual se describe la correlación entre puntos en el espacio.
Predicción espacial
Etapa en la que se hace predicción en sitios de la región no muestreados por
medio de la técnica Kriging. Este es un proceso que calcula un promedio ponderado
de las observaciones muestrales.
Los fundamentos básicos de estas etapas son presentados a continuación.
Variable regionalizada
Una variable espacial es una variable regionalizada cuando cumple con los
siguientes requisitos:
Los requisitos (1) y (2) significan que la variable regionalizada debe asumirse
como una variable estocástica; se considera que una variable es estocástica si ella
resulta de la combinación de factores deterministas y de factores aleatorios.
En la literatura estadística especializada se acepta que si una variable
geográfica cumple con la condición (2) entonces existe entre los datos
autocorrelación espacial o que la variable espacial posee una estructura de
5
El proceso X(t) tiene dos componentes: uno de carácter general –el cual es
de tipo lineal tendencial– y el otro de carácter probabilístico. Se afirma que el
proceso está correlacionado linealmente con la variable tiempo t pero además que
cada dato individual es independiente del precedente en el sentido de que no es
factible precisar de manera exacta qué valor ocurrirá en el próximo evento.
Una descomposición lineal del proceso X(t) vendría dada según la siguiente
relación:
donde,
6
Figura 2. Componente determinista del proceso Figura 3. Componente aleatoria del proceso X(t)
X(t).
Sustituyendo en (10):
Método Kriging
Generalidades
¿Qué es el Kriging?
Fórmula
donde:
Se dice que en este método los datos se utilizan dos veces, debido a estas
dos tareas bien distintivas: la primera vez, para calcular la autocorrelación espacial
de los datos, y la segunda, para hacer las predicciones.
Análisis estructural
En el modelado espacial de la estructura de los puntos medidos, se comienza
con un gráfico del semivariograma empírico, calculado con la siguiente ecuación
para todos los pares de ubicaciones separados por la distancia h:
A menudo, cada par de ubicaciones tiene una distancia única y suele haber
varios pares de puntos. La diagramación de todos los pares rápidamente se vuelve
imposible de administrar. En lugar de diagramar cada par, los pares se agrupan en
bins de intervalo. Por ejemplo, calcule la semivarianza promedio de todos los pares
de puntos que están a más de 40 metros de distancia pero a menos de 50 metros.
El semivariograma empírico es un gráfico de los valores de semivariograma
promediados en el eje Y, y la distancia (o intervalo) en el eje X (Figura 6).
Modelos de semivariograma
suave. Cada modelo está diseñado para ajustarse a diferentes tipos de fenómenos
de forma más precisa.
En los siguientes diagramas se muestran dos modelos comunes y se
identifican las diferencias de las funciones:
Rango y meseta
Nugget
En teoría, a una distancia de separación cero (por ej. intervalo = 0), el valor
del semivariograma es 0. No obstante, a una distancia de separación infinitamente
inferior, el semivariograma a menudo muestra un efecto nugget, que es un valor
mayor que 0. Si el modelo de semivariograma intercepta el eje Y en 2, entonces el
nugget es 2.
Ahora puede utilizar los datos para realizar predicciones. Al igual que la
interpolación de IDW, Kriging forma ponderaciones a partir de los valores medidos
circundantes para prever ubicaciones sin mediciones. Asimismo, los valores
medidos que estén más cerca de las ubicaciones sin mediciones tienen la mayor
influencia. Sin embargo, las ponderaciones de Kriging para los puntos medidos
circundantes son más sofisticadas que las del método IDW. Este último utiliza un
algoritmo simple basado en la distancia, mientras que las ponderaciones de Kriging
provienen de un semivariograma que se desarrolló observando la naturaleza
espacial de los datos. Para crear una superficie continua del fenómeno, se realizan
predicciones para cada ubicación, o centro de celda, en el área de estudio basadas
en el semivariograma y la disposición espacial de los valores medidos que son
cercanos.
Conclusiones
Glosario
Bibliografía