Está en la página 1de 45

08 - Kriging






Estimadores lineales ponderados
Kriging Simple
Kriging Ordinario
Propiedades del Kriging
Plan de Kriging
Validación

MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE

Estimadores lineales
ponderados

La idea básica es estimar el valor de una variable
regionalizada (por ejemplo, la ley de cobre total) en una
posición u donde no conocemos el valor verdadero,
planteando:
n

Z (u)  a    i  Z (u i )
*

i1

donde Z*(u) es el valor estimado para la posición u, {Z(ui),
i=1...n} son los valores de los datos en las posiciones { ui,
i=1...n}, a es un coeficiente aditivo y { i, i=1...n} son
ponderadores.

MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE

Estimadores lineales
ponderados

¿Qué factores podrían
considerarse en la
asignación de los
ponderadores?

cercanía a la posición que
está siendo estimada

redundancia entre los
valores de datos

continuidad o
variabilidad espacial

anisotropía (dirección
preferencial)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE

Estimadores lineales
ponderados

Estimador del más cercano
vecino:
vecino atribuye toda la
ponderación al dato más
cercano al sitio a estimar (i
= 1 para el dato más
cercano, i = 0 para los otros
datos, a = 0)

También llamado “estimador
por polígonos de influencia”,
puesto que el sitio a estimar
se encuentra en el polígono
de influencia del dato que se
lleva toda la ponderación

MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE

Estimadores lineales ponderados   Estimador del inverso de la distancia: distancia atribuye a cada data una ponderación proporcional al inverso de su distancia al sitio a estimar Existen variantes. c es una constante pequeña. y w es un valor usualmente comprendido entre 1 y 3 MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE . donde se eleva la distancia a una cierta potencia: a0 1 c  d iw i  1 n i1 c  d w i donde di es la distancia entre el dato nºi y la posición que se está estimando.

Estimadores lineales ponderados Inverso de la distancia la distancia Inverso del cuadrado de MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

se logra obtener estimaciones más precisas → mejor planificación.  La idea del método de kriging es incorporar los otros criterios (redundancias entre datos. mejor selección estéril / mineral. anisotropía) mediante el uso del variograma. continuidad espacial.Estimadores lineales ponderados  Los estimadores anteriores son sencillos de aplicar. pero la asignación de la ponderación sólo depende del criterio de cercanía. + $$$ MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .  De este modo.

Olea. BLUE)  “lineal” porque es una combinación lineal ponderada de los datos  “insesgado” porque el error de estimación tendrá una media igual a 0  “mejor” en el sentido del error de varianza mínima para un modelo dado de covarianza / variograma MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE . 1991).  El Kriging es el mejor estimador lineal insesgado (Best Linear Unbiased Estimator.Estimadores lineales ponderados  Kriging es “una colección de técnicas generalizadas de regresión lineal para minimizar una varianza de estimación definida de un modelo a priori de covarianza” (R.

MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Estimadores lineales ponderados  Existen varios tipos de kriging:    Kriging simple: media m conocida Kriging ordinario: media m desconocida Kriging con deriva: media desconocida que depende de cada posición m( u)     Kriging no lineal: aplica kriging a una transformada de la variable       Kriging universal .intrínseco: la deriva es un polinomio de las coordenadas Kriging trigonométrico: la deriva es una función periódica Kriging con deriva externa: la deriva es proporcional a una variable secundaria Kriging lognormal: cuando el logaritmo de los datos tiene una distribución normal Kriging de indicadores: aplica kriging a datos binarios (indicadores) que codifican probabilidades de pertenecer a un tipo de roca o de sobrepasar una ley de corte Kriging disyuntivo: aplica kriging a factores que descomponen la variable a estimar Kriging multi-Gaussiano: aplica kriging a la transformada Gaussiana de los datos Kriging multivariable = cokriging Etc.

Kriging Simple Hipótesis 1) Se conoce el valor promedio m de la variable regionalizada 2) También se conoce el variograma (h). dada por C(h) = 2 – (h) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE . el cual presenta una meseta: () = 2  existe una funcion de covarianza.

MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Kriging Simple Queremos construir el “mejor estimador lineal insesgado” para estimar el valor en un sitio u: n Z (u)  a    i  Z (u i ) * i1 Para determinar el coeficiente a y los ponderadores {i.n}. i=1. se examina las condiciones de insesgo y de varianza mínima...

se debe plantear n a {1   i } m i1 MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Kriging Simple Condición de insesgo El valor esperado del error de estimación es: n E{Z (u)  Z (u)}  a    i  E{Z (u i )} E{Z (u)} * i1 n  a   i m  m i 1  Para que este valor esperado sea nulo.

Z (u)}  var{Z (u)} n =   i 1 j 1 n = n i j cov{Z (u i ). Z (u j )} n   C (u  u i1 j 1 i j i j ) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE a2-2ab+b2 .Kriging Simple Condición de varianza mínima La varianza del error de estimación se expresa en función de la covarianza var{Z * (u)  Z (u)} = var{Z * (u)}  2  cov{Z * (u).

n  i j 1 e igualándola a cero: n  C (u j 1  j i  u j )  C (u  u i ).Kriging Simple  Los ponderadores óptimos (que minimizan la varianza del error) pueden determinarse tomando derivadas parciales con respecto a los ponderadores n [ ]  2   j C (u i  u j )  2  C (u  u i ). n Este sistema de n ecuaciones con n ponderadores desconocidos es el sistema de kriging simple (KS) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE ...... i  1.. i  1.

Kriging Simple  En notación matricial:  C (u1  u1 )  C (u1  u n )          C (u  u )  C (u  u )  n 1 n n   mide las correlaciones (redundancias) entre datos  1           n  C (u1  u)         C (u  u)  n   mide las correlaciones entre datos y valor a estimar MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

la media “compensa” la falta de información aportada por los datos MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Kriging Simple  El estimador se escribe: n n i1 i1 Z (u)    i  Z (u i ) {1   i } m *  La media aparece con un ponderador que es el complemento de la ponderación acumulada de los datos. De cierto modo. Mientras más lejos el sitio u de los datos. menores serán sus ponderadores y mayor será la ponderación de la media.

aunque se refiere a la varianza del error de kriging: n  (u)      i  C (u i  u) 2 KS 2 i1 Puede calcularse sin conocer los valores de los datos.Kriging Simple Varianza del error Asimismo. MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE . Se demuestra que esta varianza siempre es menor o igual a 2. es posible determinar el valor de la varianza del error (que se minimizó). Esta varianza lleva el nombre de “varianza de kriging”.

2)   3  C( 2.3)  0.1)  1  C( 2.2   1   C(0.3)    C( 3.3 .3)  C(0.2) C(1.3)   C( 2.3 0.2)   3  C(1.Kriging Simple: ejemplo  Hay tres ecuaciones para determinar los tres ponderadores:  1  C(1.3)  C(0.1) C( 3.1) C(1.1)   2  C( 2.2 2.2) C( 2.2)   3  C( 3.2) C( 3.(h) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE 1.3 0.1) C( 2.3)  C(0.3) Recordar que C(h) = C(0) .2)  2     3   C( 0.1)   2  C(1.1)       C( 0.1)   2  C( 3.3)  1.2)  1  C( 3.1 En notación matricial  C(1.

Kriging Simple: ejemplo  Kriging simple con un efecto pepita cero y un variograma esférico isótropo con tres alcances diferentes Cambio del alcance alcance = 1  alcance = 5 alcance = 10 Distancia MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

Kriging Simple: ejemplo  Kriging simple con un variograma esférico isótropo con alcance 10 y tres diferentes efectos pepita Cambio del efecto pepita  100% 75% pepita = 25% Distancia MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

un alcance principal de 10 y alcances menores diferentes Cambio de anisotropía MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Kriging Simple: ejemplo  Kriging simple con un variograma esférico con un efecto pepita del 25%.

Kriging Ordinario Hipótesis 1) No se conoce el valor promedio m de la variable regionalizada. 2) Sólo se conoce el variograma (h) o la función de covarianza C(h) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE . siempre que sea aproximadamente constante en cada vecindad de kriging. Esto permite generalizar el kriging a situaciones donde esta media no es constante en el espacio: la media puede variar de una región a otra.

Kriging Ordinario Condición de insesgo El valor esperado del error de estimación es: n E{Z (u)  Z (u)}  a    i  E{Z (u i )} E{Z (u)} * i1 n  a   i m  m i 1  Siendo m desconocida. para que este valor esperado sea nulo se debe plantear a0 n  i1 i 1 MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

Z (u j )} n   C (u  u i1 j 1 i j i j ) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Kriging Ordinario Condición de varianza mínima La varianza del error de estimación se expresa en función de la covarianza var{Z * (u)  Z (u)} = var{Z * (u)}  2  cov{Z * (u). Z (u)}  var{Z (u)} n =   i 1 j 1 n = n i j cov{Z (u i ).

Kriging Ordinario  Los ponderadores óptimos (que minimizan la varianza del error sujeto a que la suma de los ponderadores sea igual a 1) pueden determinarse introduciendo un multiplicador de Lagrange  n n n  var{Z (u)  Z (u)}    i  j C (u i  u j )  2    i C (u  u i )  C (0)  2  * i 1 j 1 i 1  n  i 1    i1     0 y anulando las derivadas parciales con respecto a los ponderadores y con respecto al multiplicador de Lagrange MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

n 1 MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .. i  1.Kriging Ordinario  Las derivadas parciales son: n [ ]  2   j C (u i  u j )  2  C (u  u i )  2  ... i 1...n  i j 1 [ ]   2     n  i1    i 1 Se desemboca en el sistema de kriging ordinario (KO)  n  C (u   j 1  j n    i1 i i  u j )    C (u  u i )..

Kriging Ordinario  En notación matricial:  C (u1  u1 )  C (u1  u n ) 1          C (u  u )  C (u  u ) 1  n 1 n n    1  1 0   mide las correlaciones (redundancias) entre datos   1         n       C (u1  u)         C (u n  u)      1   mide las correlaciones entre datos y valor a estimar MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

se puede utilizar aun cuando el variograma crece infinitamente y no existe ni varianza ni covarianza MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Kriging Ordinario  Se puede escribir también en términos de variograma   (u1  u1 )      (u  u ) n 1   1     (u1  u n ) 1        (u n  u n ) 1    1 0   1          n       (u1  u)          (u n  u)      1   No es preciso que el variograma tenga una meseta para que exista este sistema. Por ende.

MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Kriging Ordinario Varianza del error La varianza del error ( “varianza de kriging”) vale:  2 KO n (u)      i C (u i  u)   2 i1 n    i   (u i  u)   i1 Puede calcularse sin conocer los valores de los datos. En ocasiones. esta varianza puede ser mayor que 2.

ordinario…) puede ser extendido a la estimación directa del valor promedio en un bloque: Z(V )   1 Z(u)du V V El sistema de kriging sólo difiere del sistema de kriging puntual en el miembro de la derecha: hay que reemplazar la covarianza punto-punto C(ui – u) por la covarianza punto-bloque: 1 C (u i .u)du  N  k 1 donde {xk. V)  V 1 N C (u i . MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE . x k ) V C (ui .Kriging de bloques  El kriging (simple. k = 1… N} son puntos que discretizan el bloque V.

mediante la covarianza o el variograma información local: valores de los datos (→ en particular. anisotropía. distancias (redundancias) entre los datos mismos aspectos variográficos: continuidad espacial. se presenta un estudio de la sensibilidad de los resultados a cambios en la configuración geométrica de los datos y del modelo variográfico. son indiferentes a la presencia de un efecto proporcional) A continuación. MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Observación sobre el sistema de kriging  Los ponderadores y la varianza de kriging toman en cuenta:    No toman en cuenta   aspectos geométricos: distancias entre el sitio a estimar y los datos.

25 50 EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE MI54A 0.25 50 0.25 50 0.2162 0.303 0.2  0.303 0.Efecto de Distancia  Caso base y efecto del aumento en la distancia sobre los ponderadores  (h) ( 0.265 0.129 50 .8  Sph(100) ) Caso base 2  K Efecto de distancia 2  = 0.25 0.1888 K = 0.

174 0.426 0.080 0.8  Sph(100) sobre los ponderadores ) Efecto de la anisotropía Efecto pantalla 2  K 2  = 0.074 0.2  0(.233 50 50 0.233 = 0.247 50 K 0.074 0.Efecto Pantalla y Anisotropía  Efecto pantalla y de la anisotropía (Anis.426 0. Geom.2248 0.033 50 MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE 50 .1668 0. 4 x 1)  (h)  0.

016 0.2  0.242 0. + distancia 2  K = 0.106 0.2674 0.2107 = 0.111 0.Efecto de Declusterización y Distancia  Efecto de declusterización y distancia sobre los ponderadores  (h)  0.215 50 0.111 0.013 0.8  Sph(100) ( ) Efecto de declusterización 2  K Efecto de decl.3437 50 MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE 100 150 .215 50 50 0.1668 0.016 0.3437 0.

Cambio en efecto pepita  Efecto sobre los ponderadores de un cambio en el efecto pepita Caso base 2  K Cambio en el efecto pepita 2  = 0.7 + 0.1456 50 (h) = 0.8 Sph(100) 50 (h) = 0.042 0.208 0.2 + 0.1206 0.1044 50 50 0.0827 K = 0.3 Sph(100) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

El kriging es inapropiado para evaluación de procesos donde los valores extremos son importantes ( → simulaciones)  insesgo y precisión: por construcción  sesgo condicional: el error promedio puede no tener esperanza nula cuando se considera sólo los sitios donde la ley estimada es alta (o baja). sobre todo en las zonas donde hay pocos datos. se tiende a subestimar las zonas de altas leyes y sobreestimar las zonas de bajas leyes. el sesgo condicional es pequeño si se usa suficientes datos (>15) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .Propiedades del Kriging  interpolación exacta: la estimación en un sitio con dato es igual al valor del dato y la varianza de kriging en este sitio vale 0  aditividad: la estimación de la ley de un bloque es igual al promedio de las estimaciones de leyes puntuales en este bloque  suavizamiento: la dispersión de los valores estimados es menor que la dispersión de los valores verdaderos. En general. En consecuencia.

Propiedades del Kriging Ilustración del sesgo condicional  Al tener sesgo condicional. mientras que la ley media del material mandado a botadero es superior a la ley media estimada de este material. MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE . se incurre en una mala apreciación del negocio. La ley media del material mandado a planta (material cuya estimación supera una ley de corte) es inferior a la ley media estimada de este material.

Propiedades del Kriging Ilustración del suavizamiento MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

orientado según la anisotropía observada en el variograma Se suele dividir la vecindad en sectores angulares (cuadrantes en 2D ú octantes en 3D) y buscar datos en cada sector Los radios del elipse (elipsoide) no necesariamente corresponden a los alcances del variograma. se toma una vecindad en forma de elipse (2D) o elipsoide (3D).Plan de Kriging ¿Cuáles son los datos a utilizar en la estimación?  Vecindad única: se usa todos los datos  Vecindad móvil: se usa sólo los datos cercanos al sitio (bloque) a estimar    En general. sino que se definen de manera de poder encontrar suficientes datos para hacer la estimación MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

Plan de Kriging Ejemplo de vecindad móvil MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

cuando hay dos campañas de sondajes). se hace un estudio estadístico de los errores cometidos para saber si el kriging fue “satisfactorio” (buena precisión. vecindad elegida).Validación del kriging Para validar los parámetros del kriging (modelo de variograma. se puede usar los siguientes métodos:  Validación cruzada: se estima sucesivamente cada dato considerando solamente los datos restantes  Jack-knife: se divide la muestra inicial en dos partes (por ejemplo. y se estima una parte a partir de la otra Luego. poco sesgo condicional…) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

Validación del kriging Criterios de validación:  medias de los errores y de los errores estandarizados: deben ser cercanas a cero  estimador sin sesgo  varianza de los errores: debe ser la más baja posible  estimador preciso  varianza de los errores estandarizados: debe ser cercana a 1  el variograma cuantifica adecuadamente la incertidumbre  nube de dispersión entre valores reales y estimados: la regresión debe acercarse a la diagonal  insesgo condicional MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

 Plan 1: estimar con los 2 datos más cercanos  Plan 2: estimar con los 24 datos más cercanos (3 por octante)  Plan 3: estimar con los 48 datos más cercanos (6 por octante) MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE . Se busca poner a prueba distintas vecindades de kriging.Validación del kriging Ejemplo: jack-knife entre dos campañas de sondaje de exploración. usando kriging ordinario.

Validación del kriging Histogramas de los errores cometidos Las medias de los errores son casi nulas  insesgo La mayor precisión se alcanza en los planes 2 y 3 MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .

Validación del kriging Nubes de correlación entre leyes reales y estimadas El sesgo condicional y la dispersión de la nube son mínimos en los planes 2 y 3 MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE .