Geo
ostatisticcs Formu
ula Sheeet O
October 2014
4 

Z  den
notes  a  random  variable  (RVV).    z  denotess  an  outcome.   FY , Z ,, Z ( y , z1,, z N )
F ( y)  1 N  
Z(u)  denotes  a  reggionalized  RV  at  location  u. 
u   The  set  off  Y |Z1,, Z N FZ1 ,, Z N ( z1,, z N )
randoom  variables  over 
o a  station
nary  domain  A A {Z (u ),uA}  iss 
The  covariance  and  correlation  coefficient  summarize 
know
wn as a random
m function (RF).. 
bivarriate dependen
nce between tw
wo random variables: 
Uncertainty  in  a  RV  is  represented  by  a  cumulative e 
Cov{ X , Y }  C  E{[ X  m ][Y  m ]}  E{ XY }  m  m
distribution functio on (CDF): F(z)=Prob{Z≤z}.  The derivative off  XY X Y X Y
 
the  C
CDF  is  the  proobability  density  function  (P
PDF):  f(z)=F’(z).    XY    C XYY /  X Y 
Quan ntiles  are  z‐values  with  a  probabilistic  me
eaning:  zp  such
h 
that FF(zp)=p.  The quuantile function is denoted F‐1(p)=zp.  d:  2 (h ) E  Z (u )  Z (u h )2
The vvariogram for  lag h Is defined   .  
The  eexpected  value
e  operator  is  written 
w  z  f ( z ) dz .  
E{Z }   Undeer  stationarityy,  the  variograam,  variance  aand  covariance 
E{Z}  is  denoted  m  and  is  also  known  as  the  firrst  moment  orr  are reelated by (h)==2‐C(h). 
n.    The  variancce  is   2  E{[ Z  m ]2 } E{Z 2 } m2 .      is  the
mean e  2 2 2
h  h  h 
dard deviation.  /m is the co
stand oefficient of variation.  The sscalar normalizzed distance is  h   X   Y   Z   
 aX   aY   aZ 
A ran mZ)/.  E{Y}=0,, 
ndom variable  Z is standardized by Y=(Z‐m
Clockkwise rotation of X/Y by angle  is achieved
d by: 
E{Y }==1 and Z=Y + mZ. 
2

 x1  cos   sin    x0 
Z is uniform in the interval a to b w
when:   y    sin    
ccos   y0 
 1 
 1/(b  a ),
) z[ a ,b ] a b 2
2 (b  a )
f ( z)   , m and     Strattigraphic relativve coordinatess are calculated
d as: 
0, otherw
wise 2 12
Z ( x, y )  Zcb ( x, y )
 z2
Z reel  x, y  T
Zct ( x, y ) Zcb ( x, y )
when  f ( z )  1
Z is sttandard normaal or Gaussian w e 2  
2
Varioograms are  mo uctures:   (h )  inst
odeled by stru 0 Ci  i (h ) .  
Comm
mon  standarrdized  modelss  include  the  Exponentia
al 
3
Exp ( h ) 1exp( 3h / a ) ,  Spherical  Sph ( h )  1.5( h / a )  0.5( h / a )
2
if h  a ; 1, otherwisee ,  Gaussian  Gaus ( h )  1  eexp( 3( h / a ) ) .  

   h 
The hhole effect is leess common:    h C  1cos    
a   

The vvolume averagged variogram between v and
d V (gammabar): 
)
1
  V ,v       x  y dxdy
|V ||v|V v

  The ddispersion variance is given b
by: 
The vvariable Z>0 is  lognormal witth m and    w
    V ,V    v,v   
2
when Y=ln(Z) iss  2
D  v ,V   E  Zv mV 2
mal with mean  and variance
norm e  .  The param
2
meters: 
2
  lln( m )   / 2 
2

 ln 1 2 / m2
m2
   2 
2 2
Variaances add:  D  v , A   D  v ,V   D V , A 
2
v V  A
Z  e Y 1   Variaance of a linearr combination:: 
   2 /2  2  2
  m e 1
2 2  
me
  1 n 2 n n
x   x Var{ x } 
V X  1   Cov{ xi , x j }
The m N is defined as: 
multivariate disstribution of N RVs Zi,i=1,...,N n i 1 i n n 2 i 1 j 1, i  j

F ( z ,  , z )  Prrob Z1 z1,, Z N  z N    n

Z1 ,, Z N 1 N Lineaar estimation aat u□.given by:  z*  m   i  zi  mi   
Conditional distribu
utions are calcu
ulated as:  i 1

  Page 1 of 2 
The estimation variance is calculated as:  Where    is  the  1xn  vector  of  mean  values  and    is  the  nxn 
n n n matrix  of  covariances.    Conditional  distributions  defined  by 
2  2  2  C 
E  i i ,   i  j Ci , j   normal equations (see simple kriging). 
i 1 i 1 j 1
LU simulation from a covariance matrix: C=LU;  y=Lw. 
Minimizing  the  estimation  variance  leads  to  simple  kriging 
Sequential  simulation  relies  on  recursive  decomposition  of 
and minimized estimation variance (kriging variance): 
the multivariate distribution: 
n 2  2   C   n
  j Ci , j Ci , i 1,...,n  SK  i i , P ( A , ..., A )  P ( A | A , ..., A )  P ( A , ..., A )
1 1 N 1 1 N 1
j 1 i 1 N N

 P ( AN | A1 ,..., AN 1 ) P ( AN 1| A1 ,..., AN  2 ) P ( A1 ,..., AN  2 )

Ordinary kriging – constrain the sum of the weights to one:   

 n
   j Ci , j   Ci , i 1,...,n  P ( AN | A1 ,..., AN 1 ) P ( AN 1| A1 ,..., AN  2 )   P ( A2 | A1 ) P ( A1 )
 j 1
   Simulation from a univariate distribution amounts to quantile 
 n
   j 1 1
 j 1 transformation of a random number:   z s  FZ  r   

L Indicators for continuous variables 
Universal kriging:  m (u )   al  fl (u )  
l 0 1, if z (u ) zc
i  u ; zc    for manycutoffs z  
0, otherwise c
 n L
   j Ci , j   l Ci , i 1,...,n
 j 1 Indicators for categorical variables 
l 0
  
 n 1, if u k
   j  fl (u j )  fl (u ) l 0,...., L i  u ;k    for k  1, ..., K  
 j 1 0, otherwise

Mean and variance of an indicator variable are given by: 
External drift considers  m (u )  a0  a1 f1 (u)  

E i u ;k   p  
Var i u ;k   p  1 pk   
 
k k
2 2
Location dependent variance of SK:  Var z*SK     SK  
Permanence of ratios for combining conditional probabilities: 
The cross variogram between variable Zi(u) and Zj(u):  n 1
 1 P ( A) 
2
i, j 
(h )  E [ Zi (u ) Zi (u h )][ Z j (u ) Z j (u h )]    P ( A | B , i  1, ..., n ) 

 P ( A) 

 
i n 1 n
 1 P ( A)  1 P ( A|Bi )
Matrix of cross variograms can be modeled by linear model of    
 P ( A)  i 1 P ( A|Bi )
coregionalization (LMC) i,j=1,...,M: 
Stepwise conditional transformation: 
K
2 (h )   bik, j   k  h    1 
 Prob Z1 z1  
i, j Y  G 
k 0 1
Where  each  MxM  matrix  of  coefficients  (k=0,...,K)  must  be  Y2|1  G 1  Prob Z 2  z2 |Y1 y1    
positive definite.  Intrinsic model assumes all variograms are 
1 
 Prob Z3  z3|Y2  y2 ,Y1  y1  
Y  G 
proportional.    The  Markov  models  assume  that  the  cross  3|2,1
variogram/covariance is proportional to a direct variogram. 
Bayesian updating prior and likelihood Gaussian distributions: 
C
i, j
( h )  b  C ( h ) where b   j / i    
i ,i i, j  yL P2 y 2
P L 2 P2 2
yU  U  L
Cokriging considers correct covariance between data events.   P  P L  L2
2 2 2 2  2  2  2
P P L L  
Z‐data are transformed to be Y‐normal (G(y) is Gaussian CDF)  Compositional data could be handled by additive logratios: 
with normal score transform: 
x  exp yi 
1 1 y  ln  i  and xi  D i  1, ..., D
yG ( F ( z )) and z  F
i  x D
(G ( y ))    exp yi   
i 1
The n‐variate multivariate Gaussian distribution is defined: 
 
1  1 
exp    y μ  Σ 1 ( y μ )   
T
f (y )  Disclaimer: there may be mistakes on this formula sheet.  Any mistakes are 
   
n 1/2 2
2 |Σ| your fault – you should not need a formula sheet anyway. 
Copyright © 2014 – Clayton V. Deutsch 

  Page 2 of 2