Está en la página 1de 16

UNIVERSIDAD NACIONAL DE

INGENIERIA
FACULTAD DE INGENIERIA GEOLOGICA MINERA Y METALURGICA

GEOESTADISTICA II

TEMA: PROBLEMA KRIGING

Docente:

Ing. Augusto Teves Rojas

Alumno:

Rosas Pelez Christian Alexis

07 de Setiembre del 2017


1

INDICE

1. Resumen 2

2. Introduccin 3

3. Objetivos 5

4. Marco terico 6

5. Enunciado del problema 11

6. Solucin del problema 12

7. Conclusiones 15

8. Recomendaciones 15

9. Bibliografa 15
2

RESUMEN

Originalmente en geoestadstica, el kriging o la regresin del proceso gaussiano es un

mtodo de interpolacin para el cual los valores interpolados son modelados por un

proceso gaussiano gobernado por covarianzas previas, en oposicin a una spline

polinomio por pieza elegida para optimizar la suavidad de los valores ajustados. Bajo

supuestos adecuados sobre los priores, kriging da la mejor prediccin lineal no

sesgada de los valores intermedios. Los mtodos de interpolacin basados en otros

criterios como la suavidad no tienen por qu dar los valores intermedios ms

probables. El mtodo es ampliamente utilizado en el dominio del anlisis espacial y

experimentos informticos. La tcnica tambin se conoce como prediccin de

Wiener-Kolmogorov, despus de Norbert Wiener y Andrey Kolmogorov.


3

INTRODUCCIN

El estudio de fenmenos con correlacin espacial, por medio de mtodos

geoestadsticos, surgi a partir de los aos sesenta, especialmente con el propsito de

predecir valores de las variables en sitios no muestreados. Como antecedentes suelen

citarse trabajos de Sichel (1947; 1949) y Krige (1951). El primero observ la

naturaleza asimtrica de la distribucin del contenido de oro en las minas

surafricanas, la equipar a una distribucin de probabilidad lognormal y desarroll

las frmulas bsicas para esta distribucin. Ello permiti una primera estimacin de

las reservas, pero bajo el supuesto de que las mediciones eran independientes, en

clara contradiccin con la experiencia de que existen zonas ms ricas que otras.

Una primera aproximacin a la solucin de este problema fue dada por gelogo G.

Krige que propuso una variante del mtodo de medias mviles, el cual puede

considerarse como el equivalente al krigeado simple que, como se ver ms adelante,

es uno de los mtodos de estimacin lineal en el espacio con mayores cualidades

tericas.

La formulacin rigurosa y la solucin al problema de prediccin (estimacin

en muchos textos geoestadsticos) vino de la mano de Matheron (1962) en la escuela

de minas de Pars. En los aos sucesivos la teora se fue depurando, ampliando su

campo de validez y reduciendo las hiptesis necesarias (Samper y Carrera, 1990). De

la minera las tcnicas geoestadsticas, se han "exportado" a muchos otros campos

como hidrologa, fsica del suelo, ciencias de la tierra y ms recientemente al

monitoreo ambiental y al procesamiento de imgenes de satlite.


4

Aunque la aplicacin de la herramienta geoestadstica es bastante reciente, son

innumerables los ejemplos en los que se ha utilizado esta tcnica en estudios

ambientales con el nimo de predecir fenmenos espaciales (Robertson, 1987;

Cressie y Majure, 1995; Diggle et al., 1995). La columna vertebral del anlisis

geoestadstico es la determinacin de la estructura de autocorrelacin entre los datos

y su uso en la prediccin a travs de las tcnicas conocidas como kriging y cokriging.

Otros temas importantes dentro del estudio de informacin georreferenciada son el

diseo de redes de muestreo (McBratney et al., 1981), la geoestadstica multivariada

(Wackernagel, 1995) y la simulacin (Deutsh y Journel, 1992).

La geoestadstica es solo una las reas del anlisis de datos espaciales. Es

importante reconocer cuando la informacin georreferenciada es susceptible de ser

analizada por medio de dicha metodologa. Por ello en el documento se hace

inicialmente una definicin global de estadstica espacial y se describen las

caractersticas especiales que enmarcan cada una de sus reas.


5

OBJETIVOS

Recordar el mtodo Kriging de Matheron para la estimacin de

recursos.

A partir de ello, proporcionar estimaciones de la variable que se

muestrea y un error estndar de la estimacin.


6

MARCO TEORICO

Kriging es un mtodo de estimaci6n que da la mejor estimaci6n lineal insesgada de


los valores de los puntos, esto es, elegir el promedio ponderado de los valores de
las muestras la cual tenga la mnima varianza.
Hay diferentes variaciones del mtodo kriging, entre ellas estn:
Kriging Simple (SK).
Kriging Ordinario (OK).
Kriging Universal (UK).
La precisin de los mtodos depende de varios factores:
1. El nmero de muestras y la calidad de los datos en cada punto.
2. La posicin de las muestras en el depsito.
3. La distancia entre las muestras y el punto a ser estimado
4. La continuidad espacial bajo consideracin.
Deseamos estimar un valor z (x O) en x O, usando los valores de los datos z (x a ),
de n puntos muestrales vecinos x a y combinndolos linealmente con pesos wa , i.e.

Los pesos son elegidos de tal manera que el estimador sea:


1. Insesgado: E [Z * (x O ) - Z (x O )] = O
2. Varianza minima: Var [Z * (x O ) - Z (x O )] sea un minimo.
La propiedad nmero uno (estimador insesgado), es garantizada con la suma unitaria
n
de los pesos, esto es, wa=1
a=1
7

Dado que los incrementos de las varianzas son cero.

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
N

E (Z (u )) = ( u ) E ( Z ( u ) )=0=E ( Z ( u ) )
=1

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

Z ( u ) = 1 Z ( u1 )

Entonces:

[ ]
1
var [ Z ( u ) Z ( u ) ] =var ' Z ( u )
=0

' '
0 =1 , = ,u 0 =u

= 20 var ( Z ( u 0 ) ) + 21 var ( Z ( u1 ) )2 0 1 cov ( Z ( u0 ) , Z ( u1 ) )


2 2 2
= + 1 2 1 cov ( uu1 )
Derivando respecto al parmetro e igualando a cero se tiene

var [ Z ( u )Z ( u ) ]
=2 1 2 2 cov ( uu 1 ) = 0
1
Con lo cual
cov ( uu1 )
1 = 2
= ( uu1 )

8


Z ( u ) = ( uu1 ) Z ( u1 )

Es decir, el estimador de kriging simple es igual al valor conocido de la variable


multiplicado por la correlacin que existe entre la variable en el punto objetivo y la
variable en el punto de observacin.
Utilizando el valor del parmetro se obtiene que:

[
var [ Z ( u )Z ( u ) ] = 2 1 2 ( uu 1 ) ]
Este tipo de resultado generalmente se utiliza para determinar el error asociado a la
estimacin.
Debe ser usado con cautela porque no depende directamente de los datos si no de la
continuidad espacial de estos !
Utilizando la forma del estimador de kriging se puede demostrar que:

var [ Z ( u ) ] = 2 2 ( uu1 ) 2 =var [ Z ( u ) ]

Considrese ahora el caso en que se cuenta con dos observaciones:



Z ( u ) = 1 Z ( u1 ) + 2 Z ( u 2 )

[ ]
2

var [ Z ( u )Z ( u ) ] =var ' Z ( u ) ' '
0 =1 , = ,u 0 =u
=0

= 20 var ( Z ( u 0 ) ) + 21 var ( Z ( u1 ) ) + 22 var ( Z ( u2 ) )

+
2 1 2 cov ( u1 u2 ) 2 1 cov ( u0 u1 ) 2 2 cov ( u 0u 2 )

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 cov ( u 1u 2 ) cov ( u0 u1 ) =0
1

var [ Z ( u )Z ( u ) ]
= 2 2 + 1 cov ( u 2u 1 ) cov ( u0 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 (0 )
C ( u2 u1 )
C ( u 1u 2 )
C ( 0) ][ ] [
1
2
=
C ( u 0 u1 )
C ( u 0u 2 ) ]
9

Utilizando el hecho de que los parmetros resuelven el sistema de ecuaciones se


obtiene que:

var [ Z ( u )Z ( u ) ] = 2 1 C ( u 0 u1 ) 2 C ( u0 u 2 )
2
= C ( u 0u )
2

=1

Nuevamente, el error no depende directamente de los datos si no de la continuidad


espacial de estos.
Utilizando el hecho de que los valores s resuelven el sistema de ecuaciones se
puede demostrar que:

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 ) ]= var ( Z ( u )Z ( u ) ) + var [ Z ( u ) ]


Lo que muestra
que:

var [ Z ( u ) ]var [ Z ( u ) ]
El caso general se obtiene de manera anloga:
N
Z ( u ) = Z (u )

=1

[ ]
N

var [ Z ( u )Z ( u ) ] =var ' Z ( u ) ' '
=0 0 =1 , = ,u 0 =u
N
= 2 var ( Z ( u ) ) + cov ( u u )
=0

Derivando respecto a cada uno de los parmetros e igualando a cero se obtiene un


sistema de N ecuaciones con N incgnitas

[ ][ ] [ ]
C (0) C ( u 1u 2 ) C ( u 1u N ) 1 C ( u 1u )
C ( u2 u1 ) C (0) C ( u 2u N ) 2 C ( u 2u )
=

C ( u N u 1 ) C ( uN u2 ) C (0 ) N C ( u N u )
10

o equivalentemente:
N
j C ( ui u j ) = C ( u iu ) i=1,2, , N
j =1

La varianza del error o varianza del kriging es entonces,


N

var [ Z ( u )Z ( u ) ] = 2
C ( u0u )
=1

Nuevamente, el error no depende directamente de los datos si no de la continuidad


espacial de estos.
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:
N
Y ( u ) = Y ( u )

=1

N

Z (u ) = m + ( Z ( u )m)
=1

N N

(
= m 1 +
=1
) Z ( u )
=1

Qu ocurre si todos los valores observados son no correlacionados entre s?

[ ][ ] [ ]
2 0 0 1 C ( u1 u )
2
C u u )
= ( 2
0 0 2

0 0 2 N C ( u N u )

Y la solucin es
C ( uu )
= 2
= ( uu )

11

El estimador de kriging simple es entonces una combinacin lineal de los valores


observados, donde los pesos de cada observacin corresponden a la correlacin entre
dicha observacin y el punto a estimar.
Qu ocurre si todos los valores observados son no correlacionados con el punto a
estimar?

[ ][ ] [ ]
C (0) C ( u 1u 2 ) C ( u 1u N ) 1 0
C ( u2 u1 ) C (0) C ( u 2u N ) 2 0
=

C ( u N u 1 ) C ( uN u2 ) C (0 ) N 0

Como la matriz es invertible la solucin es:

= 0 =1,2,, N
Y el estimador de kriging simple es entonces;

Z (u ) = m

ENUNCIADO DEL PROBLEMA

Estimar el Valor Z x 0 en el punto X0:

P0 = (0, 0, 0)
12

g
Z x1 =10 Au
t

g
Z x2 =5 Au
t

g
Z x3 =20 Au
t

SOLUCIN DEL PROBLEMA PLANTEADO

Se sabe que:

11= 22= 33 =0

12= 21= h 1= 20 5 =0.8623

23= 32= h 2= 25=0.6103

13= 31= h 3= 5 73=0.8414

Hallamos las distancias entre las leyes:

h 1=( 00) +( 400) +(020) =20 5


2 2 2

h 2=( 015)2 +(00)2 +(200)2=25

h 3= (150)2 +(040)2+(150)2 =5 73
13

h 4= (00)2 +( 400)2+(00)2=40

h 5= (00) +(00) +(020) =20


2 2 2

h 6= (150)2 +(00)2 +(00)2=15

Hallamos los variogramas esfricos de los h:

[ ]
3
3 20 5 1 20 5
(20 5)=0.2+0.8 =0.8623
2 70 2 703

(25)=0.2+ 0.8
[ 3 25 1 253
x x
2 70 2 703
=0.6103
]
[ ]
3
3 5 73 1 5 73
(5 73)=0.2+0.8 =0.8414
2 70 2 703

[ ]
3
3 40 1 40
1 V = (40)=0.2+0.8 x x =0.8112
2 70 2 703

2 V = (20)=0.2+0.8
[ 3 20 1 203
x x
2 70 2 703
=0.5335
]
[ ]
3
3 15 1 15
3 V = (15)=0.2+0.8 x x = 0.4532
2 70 2 703

Sistema de Kriging de Matheron:


14

Reemplazando los en el Sistema

1 (0)+ 2 (0.8623)+ 3 0.8414+ =0.8112

1 (0.8623)+ 2(0)+ 3 (0.6103)+ =0.5335

1 (0.8414 )+ 2 (0.6103)+ 3 ( 0)+ =0.4532

1 + 2+ 3=1

Resolviendo:

1=0.1627

2=0.3557

3 =0.4817

=0.0992


Z x 0=1 Z x1 + 2 Z x 2+ 3 Z x3

Z x 0=0.1627 ( 10 ) +0.3557 ( 5 ) +0.4817 ( 20 )=13.0395

Varianza Kriging de Matheron:

2
k =1 1V + 2 2V + 3 3 V + VV

Reemplazando los Valores:

2
k =0.1627(0.8112)+ 0.3557(0.5335)+0.4817( 0.4532)+0.09920

2
k =0.6393
15

CONCLUSIONES

1. Importancia del estimador Kriging Lognormal en la Geoestadstica.


2. El valor estimado en punto X0 es 13.0395
3. La varianza o error estimado es 0.6393 lo que nos indica que la estimacin

por el mtodo de Kriging de Matheron es un valor muy confiable ya que es

cercano a cero.

RECOMENDACIONES

1. Tener cuidado con los clculos realizados.

BIBLIOGRAFA

1. Apuntes de clase del Dr. Alfredo Marn.


2. Apuntes de clases de Geoestadstica I del Ing. Tevez Rojas Augusto.
3. Aitchison, J., and Brown, J. A. C., 1957, The lognormal distribution:

Cambridge University Press, Cambridge, 176 p.