El krigeado simple y el krigeado ordinario

por
Marco Antonio Alfaro Sironvalle

2008

INTRODUCCION.
Este texto trata de presentar, desde un punto de vista ms terico, los krigeados simple
(importante en las simulaciones condicionales) y ordinario (importante en la construccin
de un modelo de bloques de leyes en un depsito minero).
La presentacin sigue al pie de la letra la biblia de la geoestadstica: Las variables
regionalizadas y sus aplicaciones, traducida al castellano por Marco Alfaro solamente
he agregado algunas figuras y simplificado las frmulas la cual se encuentra disponible
en la biblioteca en lnea del Centro de Geoestadstica de la Escuela de Minas de Pars.

EL KRIGEADO SIMPLE Y EL KRIGEADO ORDINARIO.

1. LOS OBJETIVOS DEL KRIGEADO

En trminos mineros el krigeado consiste en encontrar la mejor estimacin lineal posible de

la ley de un bloque o zona, considerando la informacin disponible, es decir las leyes de las
diferentes muestras que se han tomado, sea al interior, sea al exterior del bloque que se
quiere estimar.

Figura 1: Krigeado de una zona V la cual contiene N datos. La zona es, en general 3D.

El krigeado consiste en efectuar una ponderacin es decir atribuir un peso i a la ley Zi de

cada muestra i:

Z S* = 1Z1 + 2 Z 2 + ... N Z N
estos pesos se calculan de manera de hacer mnima la varianza de estimacin resultante,
considerando las caractersticas geomtricas del problema (formas, dimensiones e
implantacin relativa del bloque y de las muestras).

Figura 2: Dos bloques consecutivos (a) y (b) en una mina de yodo. La variable regionalizada es igual a 1 en
mineral y 0 en estril. En (c) se tienen los ponderadores del krigeado. Se observa que es absolutamente
necesario introducir muestras externas al bloque. Para (a) y (b) se tienen los estimadores Za = 0.2, Zb = 0.7.

Como es natural, el krigeado atribuir pesos dbiles a las muestras alejadas, e inversamente.
Sin embargo esta regla intuitiva puede fallar cuando aparecen fenmenos ms complejos
conocidos como efecto de pantalla (por ejemplo, en la figura 2 el krigeado atribuye un peso
nulo a las muestras de la segunda aureola) y de transferencia de influencia (tal como
muestra la figura siguiente).

Figura 3: Estimacin por krigeado del bloque V de la figura. Se tiene una agrupacin de datos al lado derecho.

1 = 0.488

(h) = | h | 2 = 0.256
= 0.256
3
Figura 4: Ponderadores de krigeado en la situacin anterior, suponiendo un variograma lineal e istropo. El
peso total de las muestras de la derecha es de 0.512: Se dice que el krigeado desagrupa la informacin.

En un caso istropo cules seran las relaciones entre los pesos i de cada compsito de la
figura 4:

Figura 4: Si el variograma es istropo, se verifica que 1 debe ser el de mayor peso. Se debe verificar que
luego vienen 2 y 3. Se verifica adems que 4 es muy prximo a 5+6+7+8 (transferencia de influencia o
desagrupacin) y que 6 es prximo a 0 (efecto de pantalla).

No es posible resolver un problema de krigeado, es decir calcular efectivamente el peso

ptimo que conviene atribuir a cada muestra, sin hacer ciertas hiptesis sobre las
caractersticas Geoestadsticas del depsito que se estudia, es decir, esencialmente, de darse
la funcin de covarianza o el variograma de la funcin aleatoria cuyas leyes se supone que
constituyen una realizacin. En principio no es necesario introducir una hiptesis
estacionaria o intrnseca, y las ecuaciones del krigeado tienen un alcance general (en la
prctica, naturalmente, es necesario comenzar por estimar la covarianza o el variograma a
partir de los datos experimentales, y es aqu donde la hiptesis en cuestin encuentra su
importancia).
Nos limitaremos al caso de las funciones aleatorias intrnsecas o a las estacionarias de
orden 2. El caso general de las F.A. no estacionarias corresponde a lo que se conoce como
krigeado universal (y a la teora de las funciones aleatorias intrnsecas generalizadas) y
queda fuera de nuestro alcance.
Mencionemos que, en la actuallidad, existe un gran nmero de krigeados: krigeado de
indicadores, probabilstico, logartmico, disyuntivo, etc.
El primer inters del krigeado proviene de su misma definicin. Al minimizar la varianza
de estimacin, estamos seguros de sacar el mejor partido posible de la informacin
disponible, o, si se prefiere, de obtener la estimacin ms precisa posible del panel en
estudio. Esta ventaja es a menudo notable, pero no se justificara siempre, debido a las
complicaciones suplementarias que introduce necesariamente una ponderacin. El inters
prctico ms importante del krigeado, proviene, no del hecho que asegura la mejor
precisin posible, sino ms bien porque permite evitar un error sistemtico. En la mayora
de los yacimientos metlicos, se deben seleccionar, para la explotacin, un cierto nmero
de paneles, considerados como rentables y se deben abandonar otros paneles considerados
no-explotables. Daniel Krige ha mostrado que, si esta seleccin fuera realizada
considerando exclusivamente las muestras interiores a cada panel, resultara necesariamente

 en promedio una sobre-estimacin de los paneles seleccionados. La razn de este

problema muy general es que la varianza de las leyes reales de los paneles es siempre ms
dbil que la varianza de los resultados de un muestreo interior. Dicho de otra manera, el
histograma de las leyes reales de los paneles comporta menos leyes extremas (ricas o
pobres) luego tiene ms leyes intermedias que el histograma deducido de las muestras
interiores, y, si se calcula el efecto de una seleccin sobre este ltimo histograma, los
paneles eliminados sern en realidad menos pobres que lo que se haba previsto, y los
paneles conservados menos ricos.

Figura 5: Histograma de las leyes de los bloques y de las muestras. Ambos tienen la misma media (cuando no
hay agrupaciones de datos en zonas ricas o pobres). La varianza de las muestras es ms grande que la varianza
de los bloques.

Nuestra nocin de krigeado permite interpretar fcilmente este fenmeno, y corregir sus
efectos. Cuando se selecciona un panel rico, la aureola de muestras exteriores tiene, en
general, una ley ms dbil que las muestras interiores, sin embargo su influencia sobre el
panel a estimar no es despreciable porque el krigeado le atribuye un peso no nulo. Si no se
toma en cuenta esta aureola exterior, se introduce, necesariamente, una causa de error
sistemtico por exceso (ver la figura 2a).
El efecto esencial de esta ponderacin es eliminar en promedio un error sistemtico
por exceso, luego un error inquietante. Al considerar este objetivo primordial, la mejora de
la precisin propiamente dicha, aparece como secundaria.
Proporcionaremos ahora, algunas indicaciones acerca de la manera como D.G. Krige
formul el problema en el comienzo de los aos 1950. Desde haca tiempo, los mineros de
Africa del Sur conocan este efecto de sobre-estimacin de los paneles ricos, y aplicaban
ciertos factores correctivos empricos. Para encontrar estos coeficientes, Krige parte de la
hiptesis que el muestreo est bien hecho, dicho de otra forma, que la esperanza
matemtica de la ley de las muestreas que se toman en un panel es igual a la ley media real
de este panel. Si estas variables son gaussianas (en los yacimientos de Africa del Sur, las
leyes eran en realidad lognormales, pero esto no cambia esencialmente nada), la recta de
regresin que proporciona la esperanza condicional de la muestra en funcin de la ley del
panel es entonces igual a la primera bisectriz.

Figura 6: Correlacin entre la ley de las muestras y la ley de los bloques.

La otra recta de regresin, la que entrega la esperanza de la ley media del panel en funcin
de la ley de la muestra (que es la ms interesante) tiene entonces una pendiente inferior a la
unidad. Si la ley x de la muestra es superior a la media general m, la esperanza del panel es
entonces inferior a x, e inversamente. Krige corrigi este error utilizando la ecuacin:
(1)

y = m + ( x m)

de esta segunda recta de regresin, con un coeficiente de regresin < 1. Ms

precisamente, si es el coeficiente de correlacin, x y y las desviaciones estndares de
las muestras y de los paneles, los dos coeficientes de regresin (1 y respectivamente)
son:
1=

x
y

, =

y
x

y, por consiguiente:

y2
= 2 <1
x
El coeficiente es igual a la razn de las varianzas (en todo el yacimiento) de los paneles y
de las muestras.

Un examen ms detallado de (1) sugiere otras posibilidades. La ley media m, no es

conocida en general, y se le estima tomando la media aritmtica m*=(1/n)xi de las
muestras disponibles en el yacimiento. Pero si se reemplaza m por m*, (1) toma el aspecto:
Y * = ai X i
i

de una combinacin lineal de las leyes disponibles Xi de las muestras, por otra parte con la
condicin:

=1

Sobre la cual volveremos largamente: Pero ahora, en lugar de atribuir a todas las muestras
exteriores el mismo peso ai = (1 - ) / n sin diferenciar entre ellas, independientemente
que se trate de muestras cercanas o alejadas, es natural buscar atribuir a cada una de ellas,
un peso ai apropiado, el cual considere su localizacin con respecto al panel a estimar. Se
llaga as a la investigacin de los pesos ptimos ai , es decir a la nocin de krigeado, tal
como la hemos presentado anteriormente.

2. Notaciones
En adelante, utilizaremos siempre el mismo sistema de notaciones:

Z(x) designa una F.A. (estacionaria o no), en general de esperanza no nula, e Y(x)
una F.A. (no necesariamente estacionaria ni intrnseca) de esperanza nula: por
ejemplo, a menudo se tomar:
Y ( x ) = Z ( x ) E [ Z ( x )]

Se designar por S al conjunto de Rn sobre el cual se conoce experimentalmente la

realizacin de la F.A. En el caso en que S es un conjunto finito, se designar, por
ndices griegos, los puntos experimentales x, x, ... de S, es decir:

S = { x , = 1, 2,..., N }
Dependiendo del caso, se buscar estimar, sea el valor Z(x0) en un punto x0 que no
pertenece a S, o bien el promedio (1/ V ) Z ( x)dx en un dominio V diferente de S.
V

Para ello se formarn estimadores lineales a partir de los datos disponibles, que
sern los Z(x), xS. En el caso discreto se escribir siempre:
Z = Z ( x )

( x S )

anlogamente, para las funciones f(x), C(x,y), etc., ...:

f = f ( x )

C(x , x ) = C

Los estimadores que utilizaremos se escribirn siempre en la forma:

Z * = Z

Pasemos ahora a las ecuaciones del krigeado, distinguiendo 3 casos (F.A. de esperanza nula
o conocida; F.A. estacionaria de esperanza desconocida; F.A. intrnseca sin deriva). En
todos los casos supondremos que la covarianza o el variograma son conocidos (es decir han
sido calculados, interpretados y ajustados a partir de los datos disponibles).

3. F.A. ESTACIONARIA DE ESPERANZA NULA O CONOCIDA A PRIORI.

Sea Y(x) una F.A. de esperanza nula, (x,y) su covarianza S={x} el conjunto de los puntos
experimentales, que en primer lugar supondremos finito, Y0 = (1/V)Y(x)dx, la variable a
estimar.
El krigeado simple:
Como estimador se va a utilizar una combinacin lineal:
YK = Y

y determinar los coeficientes por la condicin de minimizar la esperanza de E(Y0-YK)2,

es decir (porque la esperanza de la F.A. es nula) la varianza D2(Y0-YK). Por otra parte esta
varianza es:
E (Y0 YK ) = D 2 (Y0 ) 2 Y0 +
2

con:
1

Y
0 V ( x , x)dx

D 2 (Y ) = 1
( x, y )dxdy
0

V2

Al derivar las derivadas parciales en de esta forma cuadrtica, se obtiene el sistema:

(2)

Y0

Este sistema que tiene N ecuaciones y N incgnitas es regular y admite una solucin nica
si y solamente si la matriz de covarianzas es estrictamente definida positiva (luego con
determinante > 0), lo cual supondremos siempre. La varianza 2K (o varianza de krigeado)
de esta estimacin ptima es igual al valor de la forma cuadrtica E(Y0-YK)2 cuando se
toma como coeficientes la solucin de (2). Por otra parte (2) implica:

Y0

Existe entonces, en el ptimo, igualdad entre el trmino rectangular y el trmino cuadrtico,

y se encuentra:
(3)

K2 = D 2 (Y0 ) Y

En el caso del krigeado puntual (estimacin de Y(x0) para un punto x0 que no pertenece a S)
el sistema se reduce a:

(4)

= , x0

2
K = x0 , x0 , x0

La solucin (x0) depende, evidentemente de x0, y el estimador correspondiente:

Y ( x0 ) = ( x0 )Y

es un interpolador exacto, en el sentido de que:

YK ( x 0 ) = Y 0

si x0 viene a coincidir con un punto experimental x S : esto se puede verificar

0

directamente del sistema (4), pero es evidente a priori que el estimador Y es ptimo,
0

porque es de varianza nula.

Figura 7: El krigeado es un interpolador exacto. A diferencia del interpolador de mnimos cuadrados, el

krigeado pasa por los datos.

Sea ahora Z(x) una F.A. la cual admite una covarianza centrada (x,y) y una esperanza
constante m = E[Z(x)], no nula, pero conocida. Llegamos inmediatamente al caso
precedente al razonar sobre la F.A. Y(x) = Z(x) m . El estimador ptimo de krigeado
simple es entonces:
(5)

Z K = m + ( Z m)

Con coeficientes verificando los mismos sistemas (2) . La varianza 2K mantiene la

misma expresin.

4 FUNCION ALEATORIA ESTACIONARIA DE ESPERANZA DESCONOCIDA.

4.1 Las ecuaciones del krigeado ordinario.

Sea ahora Z(x) una F.A. de esperanza m constante pero desconocida, y (x,y) su covarianza
centrada. Se desea estimar:

Z0 =

1
Z ( x)dx
V

a partir de los Z, valores de la realizacin sobre un conjunto finito:

S = { x , = 1, 2,..., N }
por medio de una combinacin lineal de la forma:
Z * = Z

Debido a que la esperanza m no se conoce, es necesario imponer a los coeficientes la

condicin siguiente, llamada condicin de universalidad:

= 1

(6)

En efecto, la mejor combinacin lineal posible es la que minimiza la esperanza de (Z0-Z*)2.

Se tiene:
E ( Z * Z 0 ) 2 = E ( Z 0 2 ) 2 E ( Z 0 Z * ) + E[( Z * ) 2 ]

= m 2 (1 ) 2 + D 2 ( Z 0 ) 2 Z0 +

Como m es desconocido, solo se puede minimizar esta expresin cuando ella no depende
de m, es decir, si (6) se verifica
Tambin se puede justificar esta condicin (6) imponiendo al estimador Z* la condicin de
ser insesgado cualquiera que sea el valor (desconocido) de m (estimador universal). Se
tiene:
E ( Z 0 Z * ) = m m = 0

y, de nuevo, esta esperanza es nula cualquiera que sea m si se verifica (6).

Cuando esta condicin (6) se verifica, E(Z0-Z*) es nula, y por consiguiente:

E ( Z 0 Z * ) 2 = D 2 ( Z 0 Z * ) = D 2 ( Z 0 ) 2 , Z0 +

Expresando que esta forma cuadrtica es mnima considerando la condicin (6), se obtiene
el sistema siguiente donde figura un parmetro de Lagrange:

(7)

= , Z0 +

= 1

Al multiplicar la primera ecuacin por y teniendo en cuenta la segunda, se encuentra:

, Z0

+ = , Z0 +

De donde se obtiene la expresin de la varianza del krigeado, la cual hace intervenir el

parmetro de Lagrange:

(8)

D 2 ( Z * Z 0 ) = D 2 ( Z 0 ) + , Z0

En el caso del krigeado puntual de un punto x0, este sistema queda:

(9)

= , x0 +

= 1

D2 (Z * Z ) = +
0
x0 x0
, x0

Tambin se verifica directamente que el krigeado puntual es un interpolador exacto.

Se demuestra que el sistema (9) es siempre regular.
4-2 La estimacin ptima de m.
En lugar de estimar una media espacial del tipo

1
Z ( x)dx , se puede tambin buscar estimar
V

la misma esperanza matemtica m = E[Z(x)] . Formaremos el estimador ptimo m* de m,

y, en el prrafo siguiente, nos preguntaremos acerca de la relacin entre m* y Z*.
Para estimar m, se forma una combinacin lineal:
m* = 0 Z

Se impone a los coeficientes 0 la condicin de universalidad:

= 1

Que expresa que m* es insesgado cualquiera que sea el valor desconocido de m, y se eligen
los coeficientes 0 que minimizan D2(m*) = E(m - m*) considerando esta condicin. De la
relacin:

D 2 (m m* ) = 0 0

se deduce que los 0 constituyen la nica solucin del sistema siguiente, donde figura un
parmetro de Lagrange 0:

 0 = 0

0
= 1

(10)

En el ptimo se encuentra que:

= =

de manera que el parmetro de Lagrange 0 es igual a la varianza del estimador ptimo:

D 2 ( m* ) = 0

(11)

3-4-3 El teorema de aditividad.

Al final del prrafo (3), hemos indicado cmo formar el estimador ptimo cuando la
esperanza m no es nula pero es conocida: se calculan los coeficientes ptimos del caso
m=0, y se efecta la correccin, muy simple, que consiste en reemplazar Y(x) por Z(x)-m,
es decir:
(12)

Z K = m + ( Z m)

Probemos que el estimador ptimo Z* del caso en que m no es conocida (prrafo 4.1) y el
estimador ptimo m* de m, estn relacionados por la relacin siguiente (muy similar a
(5)):
(13)

Z K* = m* + ( Z m* )

con los mismos coeficientes , solucin del sistema (2). Este resultado significa que se
puede krigear como si m fuera conocida, con la condicin de reemplazar el valor
desconocido de m por su estimador ptimo m*.
En efecto, consideremos el segundo miembro de (13):

m* + ( Z m* ) = + 0 (1 ) Z

Las cantidades:

' = + 0 (1 )

verifican la condicin de universalidad, porque:

' = + 1 = 1

al considerar

= 1 (sistema (10)). Formemos ahora la expresin:

' = + 1 )
0

Segn (2) y (10), queda:

' =

, Z0

+ 1 ) 0

Luego, los verifican bien la primera relacin (10), con el parmetro de Lagrange
(14)

= 1 ) 0

Segn la unicidad de la solucin, se tiene bien = , luego la ecuacin (13) es vlida.

En lo que respectan las varianzas, se tiene igualmente un teorema de aditividad. En efecto,
segn (13) se tiene:

Z * Z 0 = ( Z Z 0 ) + (1 )m*

Por otra parte, el sistema (2) expresa precisamente que

Z Z

est en correlacin nula

con todos los Z, luego tambin con sus combinaciones lineales, y, en particular, con m*. Se
tiene, entonces:

D 2 ( Z * Z 0 ) = D 2 ( Z Z 0 ) + (1 ) 2 D 2 (m* )

es decir:
(15)

D 2 ( Z * Z 0 ) = K2 + (1 ) 2 D 2 (m* )

El primer trmino es la varianza 2K del krigeado cuando m es desconocido. El segundo

proporciona una medida exacta de la prdida de informacin que se tiene, relativo a Z0,
cuando no se conoce el verdadero valor de m.

3-5 CASO DE UNA F.A.I. SIN COVARIANZA.

Sea ahora Z(x) una F.A.I. sin deriva, con variograma pero no existe la covarianza. Para
estimar:
Z0 =

1
Z ( x)
V

buscaremos una combinacin lineal

Z * = Z

tal que:

a/ el error Z* - Z0 sea una combinacin lineal autorizada, es decir su varianza es

finita.
b/ tal que esta varianza de estimacin sea mnima.

La condicin a/ proporciona:
1

dx = 0

es decir la misma condicin de universalidad que en el prrafo anterior:

= 1

Cuando esta condicin se verifica, segn el mecanismo de clculo que indica que se puede
calcular la varianza de Z*- Z0 como si existiera una covarianza igual a . Se puede
entonces, transponer directamente el sistema (9): los coeficientes del estimador ptimo
constituyen la nica solucin del sistema:

(16)

=
( x, x )dx

= 1

y la varianza 2K correspondiente es:

 K2 =

1
V2

( x, y)dxdy + + V ( x, x )dx

Finalmente, en el caso puntual, se obtiene tambin un interpolador exacto.

Observacin Sea (x0) la solucin del krigeado en el punto x0:

(17)

( x0 ) = ( x0 , x ) ( x0 )

( x0 ) = 1

2 ( x ) = ( x ) + ( x ) ( x , x )
0
0
0

K 0

segn el carcter lineal de los segundos miembros de (16), la solucin del krigeado de

1
Z ( x)dx
V
es:

1
( x)dx
V

Hay superposicin, o combinacin lineal de los krigeados puntuales: esta relacin se

extiende tambin al parmetro de Lagrange:

1
( x)dx
V

Sin embargo la varianza no se obtiene por una combinacin lineal de las varianzas 2K(x0)
de los krigeados puntuales.