Método Del Kriging

UNIVERSIDAD NACIONAL DE CAJAMARCA
ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA

DE MINAS
DISEÑO DE MINAS SUPERFICIALES
Docente : Ing. Bohorquez Huara, Armando Humberto.
Presentado por : Cabrera Cedrón Frank Alexander

Cruzado Ramírez, Alexis Edgardo
Idrogo Bustamante, Jhonatan Henry
López Velásquez, Kenyi Alexis
Rodas Cruzado, Eduardo Damon
Cajamarca- Perú
2021
“Norte de la Universidad Peruana”
Facultad de Ingenieria
Escuela Academico Profesional Ingenieria de Minas
INDICE
OBJETIVOS ....................................................................................................... 3
KRIGING O KRIGEAGE .................................................................................... 4
CLASIFICACIÓN DE LOS DIFERENTES TIPOS DE KRIGING. .................... 5
ECUACION DE KRIGING ............................................................................... 6
KRIGING ORDINARIO ...................................................................................... 6
KRIGING SIMPLE.............................................................................................. 7
KRIGING PUNTUAL .......................................................................................... 7
KRIGING EN BLOQUES ................................................................................... 9
PLAN DE KRIGING ......................................................................................... 11
PLANTEAMIENTO DEL PROBLEMA ............................................................. 12
EJEMPLO N° 1 ................................................................................................ 13
EJEMPLO KRIGEAGE PUNTUAL .................................................................. 16
CONCLUSIONES ............................................................................................ 20
BIBLIOGRAFIA ............................................................................................... 21
2
Diseño de Minas Superficiales
OBJETIVOS
 Conocer el concepto general de kriging.
 Determinar los diferentes tipos de kriging.
 Conocer las diferentes fórmulas de kriging.
 Determinar las etapas de plan de kriging.
3
KRIGING O KRIGEAGE
El kriging es un término que ha sido acuñado para designar al "mejor estimador

lineal insesgado" de un punto y al mejor promedio lineal móvil ponderado de un
bloque.
Este nombre apareció alrededor de 1960 para nombrar una técnica creada en
Francia por Matheron a partir de los trabajos de D. G. Krige quién fue
probablemente el primero que hizo uso de la correlación espacial y del mejor
estimador lineal insesgado en el campo de la evaluación de yacimientos
minerales.
El kriging es una técnica de estimación local que ofrece el mejor estimador lineal
insesgado de una característica desconocida que se estudia.
Secuencias en un estudio Geoestadístico para estimar Reservas
4
CLASIFICACIÓN DE LOS DIFERENTES TIPOS DE KRIGING.
5
La precisión de la estimación depende de varios factores:
 Del número de muestras y de la calidad de la data en cada punto

 De la posición de las muestras con respecto al punto a estimar.
 De la distancia entre muestras y con el punto a estimar.
 De la continuidad espacial de los valores de las muestras.
ECUACION DE KRIGING
Para obtener las ecuaciones de krigeado hay que minimizar la expresión de σE^2
Igualar a cero las derivadas parciales de σE^2 respecto de λ1, λ2, . . . , λN. No
asegura que la suma de los λisea 1. En este caso hay que utilizar el método de
Lagrange
KRIGING ORDINARIO
El kriging es un término que ha sido acuñado para designar al "mejor estimador

lineal insesgado" de un punto y al mejor promedio lineal móvil ponderado de un
bloque. Este nombre apareció alrededor de 1960 para nombrar una técnica
creada en Francia por Matheron a partir de los trabajos de D. G. Krige quién fue
probablemente el primero que hizo uso de la correlación espacial y del mejor
estimador lineal insesgado en el campo de la evaluación de yacimientos
minerales. El kriging es una técnica de estimación local que ofrece el mejor
estimador lineal insesgado de una característica desconocida que se estudia.
6
KRIGING SIMPLE
Suponga que hay una variable regionalizada estacionaria con media (m) y
covarianzas conocidas. De manera análoga a como se define en modelos
lineales (por ejemplo, en diseño de experimentos) el modelo establecido en este
caso es igual a la media más un error aleatorio con media cero. La diferencia es
que en este caso los errores no son independientes.
KRIGING PUNTUAL
kriageage simple que asume que las medias locales son relativamente
constantes y de valor muy semejante a la media de la población que es conocida,
la media de la población es utilizada para cada estimación local, en conjunto con
los puntos vecinos establecidos como necesarios para la estimación.
En el Kriageage puntual las medias locales no son necesariamente próximas de

la media de la población, usándose apenas los puntos vecinos para la
estimación. Es el método más ampliamente utilizado en los problemas
ambientales.
Es un interpolador exacto en el sentido de que las ecuaciones calculadas las

utiliza para interpretar los valores y habrá una coincidencia exacta entre los
valores interpolados y los puntos de datos originales.
El mayor interés que presenta el krigeage puntual es que permite obtener una
serie de valores estimados a los cuales, posteriormente, se les puede ajustar
una serie de líneas de isocontenidos, por ejemplo para las leyes o potencias del
nivel mineralizado.
7
En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa

estimar la ley en un punto x0 (problema de interpolación). Corresponde al caso
particular en que el volumen V tiende a cero. Se obtiene el sistema siguiente:
8
KRIGING EN BLOQUES
El valor obtenido se lo asigna a un Bloque, no a un punto. Tener en cuenta que

el valor medio de una Función Aleatoria, en un bloque, es el valor medio de todas
las variables aleatorias, dentro del bloque.
El kriging también puede emplearse para estimar el valor de la variable

regionalizada sobre un soporte mayor que el soporte de las muestras (“bloque”).
Para determinar el valor de un bloque se lleva a cabo una discretización del

área en un conjunto de puntos (ejemplo: 2x2; 3x3; 4x4)
Los valores que se obtienen con el krigeado, llevan los correspondientes

valores de la varianza de estimación, lo que permite hacer un estudio de la
bondad de estimación. Estos valores pueden ser interpolados y confeccionar
un mapa de isovarianzas.
Annels (1991), propone establecer diferentes tipos de reservas en base a los

valores de varianza del krigeado.
9
El kriging de bloques posee las siguientes propiedades:
• Suavizamiento
• Insesgo, pero posible sesgo condicional
• Aditividad
EL RESULTADO SE PUEDE PROPORCIONAR POR BLOQUES O BIEN POR

ISOLÍNEAS A PARTIR DE LOS BLOQUES.
10
PARA EL CÁLCULO DE RESERVA DE CADA BLOQUE, SE DEBERÁ

MULTIPLICAR SU SUPERFICIE X POTENCIA X DENSIDAD.
LAS RESERVAS TOTALES SE PUEDEN DETERMINAR:
 ESTIMANDO EL TONELAJE Y EL ERROR DE ESTIMACIÓN.

 ESTIMANDO LA LEY MEDIA Y EL ERROR DE ESTIMACIÓN.
PLAN DE KRIGING
El plan de Kriging considera las siguientes etapas:
 Definición de manejo de Outliers (Capping)

 Identificación de la zona a estimar los bloques (puede estar restringida por
sólidos en 3D o mediante Polígonos)
 Identificación de las muestras a utilizar (todas o restringirlas a sólo usar
aquellas que se encuentren dentro del sólido).
 Ingreso de variograma considerando las anisotropías (x, y, z)
 Definición de los radios de búsqueda del elipsoide.
 Definición de la búsqueda de muestras.
 Definir el número mínimo de muestras a utilizar por Cuadrante u Octante.
 Definir el número máxima de muestras a utilizar para la estimación.
 Seleccionar el método de interpolación (Kriging Ordinario o Kriging
Simple).
11
PLANTEAMIENTO DEL PROBLEMA
Dado un conjunto de datos de una variable de interés {Z(X1), Z(X2),……….., Z

(Xn)}, en que Xi es la posición del dato i, y Z (Xi) el valor que toma la variable de
interés en la posición Xi, se desea estimar el valor que toma la variable Z en un
sitio X0, sin información.
Donde:
• Z es la variable de interés, por ejemplo, cobre, oro, zinc, etc.
• Xi corresponde a la posición de la muestra i. Es una coordenada
• Z (Xi) es el valor que toma la variable de interés en la posición Xi: 1.2% Cu, 5
ppm Au, etc.
• i es la identificación del dato. Ejemplo, muestra 1, 2,3, etc.
No se conoce la ley media de Z en la posición X0. En la práctica, se estima el

valor desconocido de la variable a través de una fórmula lineal del tipo:
Z ∗ (𝑋0 ) = 𝛼1 Z(𝑋1 ) + 𝛼2 Z(𝑋2 ) + 𝛼3 Z(𝑋3 ) + ⋯ + 𝛼𝑛 Z(𝑋𝑛 )
En que los pesos 𝛼𝑖 verifican la condición de insesgo.
𝛼1 + 𝛼2 + 𝛼3 + ⋯ + 𝛼𝑛 = 1
Luego, el problema se reduce a encontrar el valor de los pesos 𝛼𝑖
El valor de los pesos 𝛼𝑖 dependerá del método de estimación que se utilice. Por
ejemplo:
12
1
𝛼𝑖 = si se utiliza la media aritmética.
𝑁
𝑆𝑖
𝛼𝑖 = si se utiliza el método de los polígonos.
𝑆
1
𝑑𝑖𝑘
𝛼𝑖 = si es que se utiliza el método del inverso de la distancia. 𝑘 [1,3]
1
∑𝑛𝑖=1
𝑑𝑖𝑘
EJEMPLO N° 1
Se dispone de cuatro muestras, en las que se ha medido la variable oro, y se

desea determinar el valor que tomaría dicha variable en la posición X 0, no
muestreada.
i Z(Xi) di
1 3 5
2 1 3
3 6 2
4 4 4
Realicemos la estimación probando con algunos de los métodos conocidos.

Como ya se mencionara, se estima el valor desconocido de la variable Z en el
punto X0 a través de una fórmula lineal del tipo:
Z ∗ (𝑋0 ) = 𝛼1 Z(𝑋1 ) + 𝛼2 Z(𝑋2 ) + 𝛼3 Z(𝑋3 ) + ⋯ + 𝛼𝑛 Z(𝑋𝑛 )
En la que los pesos 𝛼𝑖 verifican la condición de insesgo, o condición de

universalidad:
𝛼1 + 𝛼2 + 𝛼3 + ⋯ + 𝛼𝑛 = 1
a) Utilicemos en primer lugar la media aritmética como estimador. En este caso

cada ponderador recibe exactamente el mismo peso, el que queda dado por
la cantidad de datos que se dispone. Como se dispone de cuatro datos, cada
13
ponderador 𝛼𝑖 toma el valor 0,25. Por lo tanto, el valor estimado de la variable

Z en el punto X0 , se calcula como:
1
Z ∗ (𝑋0 ) = (3 + 1 + 6 + 4)
4
Z ∗ (𝑋0 ) = 3.5
b) Utilicemos ahora el método del inverso de la distancia para estimar el valor

de Z(X0), recurriendo en primera instancia al exponente uno. En este caso el
valor de los ponderadores se calcula según la fórmula, poniendo el valor 1
en lugar del exponente k.
1
𝑑𝑖𝑘
𝛼𝑖 =
1
∑𝑛𝑖=1
𝑑𝑖𝑘
i Z(Xi) di 1/di 𝜶𝒊 𝜶𝒊 Z(Xi)

1 3 5 0.20 0.156 0.468
2 1 3 0.33 0.260 0.260
3 6 2 0.50 0.390 2.338
4 4 4 0.25 0.195 0.779
1.28 1.00 3.844
𝑛 𝑛
1
∑ 1 ∑ 𝑎𝑖 𝑍(𝑋𝑖 )
𝑑𝑖
𝑖=1 𝑖=1
Entonces:
Z ∗ (𝑋0 ) = ∑𝑛𝑖=1 𝑎𝑖 𝑍(𝑋𝑖 ) = 3.844
c) Sigamos con el método del inverso de la distancia, pero esta vez utilicemos
inverso del cuadrado de la distancia (exponente dos), es decir k=2
14
1
𝑑𝑖𝑘
𝛼𝑖 =
1
∑𝑛𝑖=1
𝑑𝑖𝑘
i Z(Xi) di 1/di2 𝜶𝒊 𝜶𝒊 Z(Xi)

1 3 5 0.040 0.086 0.259
2 1 3 0.111 0.240 0.240
3 6 2 0.250 0.539 3.235
4 4 4 0.063 0.135 0.539
0.464 1.000 4.273
𝑛 𝑛
1
∑ 2 ∑ 𝑎𝑖 𝑍(𝑋𝑖 )
𝑑𝑖
𝑖=1 𝑖=1
Entonces:
Z ∗ (𝑋0 ) = ∑𝑛𝑖=1 𝑎𝑖 𝑍(𝑋𝑖 ) = 4.273
d) Hagamos un último cálculo con el método del inverso de la distancia,

utilizando finalmente el exponente 3, es decir k=3
1
𝑑𝑖𝑘
𝛼𝑖 =
1
∑𝑛𝑖=1
𝑑𝑖𝑘
i Z(Xi) di 1/di3 𝜶𝒊 𝜶𝒊 Z(Xi)

1 3 5 0.008 0.043 0.129
2 1 3 0.037 0.199 0.199
3 6 2 0.125 0.672 4.032
4 4 4 0.016 0.086 0.344
0.186 1.000 5.048
15
𝑛 𝑛
1
∑ 3 ∑ 𝑎𝑖 𝑍(𝑋𝑖 )
𝑑𝑖
𝑖=1 𝑖=1
Entonces:
𝑛
Z ∗ (𝑋0 ) = ∑ 𝑎𝑖 𝑍(𝑋𝑖 ) = 5.048

𝑖=1
e) Comparación entre los diferentes resultados.
Método 𝒁(𝑿𝒊 ) 𝐙 ∗ (𝑿𝟎 )

Media Aritmética 3.500
Inverso de la distancia 3.844
Inverso de la distancia al cuadrado 4.273
Inverso de la distancia al cubo 5.048
Vecino más cercano 6.000
EJEMPLO KRIGEAGE PUNTUAL
El cuadrillado representa sondajes en los puntos X1, X2, X3, X4, con leyes de
3,2%; 2,5%; 4,0% y 1,5% respectivamente. Se desea conocer la ley en el punto
X0, sabiendo que el variograma asociado corresponde a un modelo esférico con
las siguientes características: Co = 2, C = 20 y a = 200 m.
16
Solución
a. Modelo esférico se define como:
C = 20, C0 = 2, a = 200m
h h
γ∗ (h) = C0 + C [1.5 ( ) − 0.5( )3 ] para h < a
a a
γ∗ (h) = C0 + C para h > a
b. Definir los elementos de las matrices
λ1 γ1,1 + λ2 γ1,2 + λ3 γ1,3 + λ4 γ1,4 + μ = γ0,1
λ1 γ2,1 + λ2 γ2,2 + λ3 γ2,3 + λ4 γ2,4 + μ = γ0,2
λ1 γ3,1 + λ2 γ3,2 + λ3 γ3,3 + λ4 γ3,4 + μ = γ0,3
λ1 γ4,1 + λ2 γ4,2 + λ3 γ4,3 + λ4 γ4,4 + μ = γ0,4
λ1 + λ2 + λ3 + λ4 = 1
λ1 γ̅11 γ̅12 γ̅13 γ̅14 1 −1 γ̅01
λ2 γ̅21 γ̅22 γ̅23 γ̅24 1 γ̅02
λ = [K]−1 ∗ [M2 ] ⟶ λ3 = γ̅31 γ̅32 γ̅33 γ̅34 1 ∗ γ̅03
λ4 γ̅41 γ̅42 γ̅43 γ̅44 1 γ̅04
[μ] [ 1 1 1 1 0 ] [ 1 ]
c. Calcular los elementos de la matriz [𝐌𝟐 ]
h h
γ̅(h) = C0 + C [1.5 (a) − 0.5(a)3 ] , h < a
50 50
γ̅01 = 2 + 20 [1.5 (200) − 0.5(200)3 ] = 9.34
√502 +1002 √502 +1002 3

γ̅02 = 2 + 20 [1.5 ( ) − 0.5( ) ] = 17.02
200 200
17
150 150
γ̅03 = 2 + 20 [1.5 (200) − 0.5(200)3 ] = 20.28
50√2 50√2
γ̅04 = 2 + 20 [1.5 ( 200 ) − 0.5( 200 )3 ] = 12.17
γ̅01 9.34
γ̅02 17.02
→ [M2 ] = γ̅03 = 20.28
γ̅04 12.17
[ 1 ] [ 1 ]
d. Cálculo de los elementos de [𝐊]
γ1,1 = γ2,2 = γ3,3 = γ4,4 = 0
50√2 50√2 3
γ̅12 = γ̅21 = 2 + 20 [1.5 ( ) − 0.5( ) ] = 12.17
200 200
√502 + 1502 √502 + 1502 3

γ̅13 = γ̅31 = 2 + 20 [1.5 ( ) − 0.5( ) ] = 20.78
200 200
√502 + 1002 √502 + 1002 3

γ̅14 = γ̅41 = 2 + 20 [1.5 ( ) − 0.5( ) ] = 17.02
200 200
γ̅34 = γ̅43 = 2 + 20 = 22
100√2 100√2 3
γ̅23 = γ̅32 = 2 + 20 [1.5 ( ) − 0.5( ) ] = 19.68
200 200
√1002 + 1502 √1002 + 1502 3

γ̅42 = γ̅24 = 2 + 20 [1.5 ( ) − 0.5( ) ] = 21.72
200 200
0 12.17 20.78 17.02 1

12.17 0 19.68 21.72 1
→ [𝐾] = 20.78 19.68 0 22 1
17.02 21.72 22 0 1
[ 1 1 1 1 0]
18
e. Sacar la inversa de [𝐊]
−0.058 0.032 0.007 0.019 0.149

0.032 −0.050 0.014 0.004 0.239
[𝐾]−1 = 0.007 0.014 −0.033 0.012 0.308
0.019 0.004 0.012 −0.036 0.305
[ 0.149 0.239 0.308 0.305 −14.489]
f. Calcular los valores de 𝛌𝐢
λ = [K]−1 ∗ [M2 ]
λ1 −0.058 0.032 0.007 0.019 0.149 9.34
λ2 0.032 −0.050 0.014 0.004 0.239 17.02
λ3 = 0.007 0.014 −0.033 0.012 0.308 ∗ 20.28
λ4 0.019 0.004 0.012 −0.036 0.305 12.17
[μ] [ 0.149 0.239 0.308 0.305 −14.489 ] [ 1 ]
λ1 0.518
λ2 0.022
→ λ3 = 0.089
λ4 0.371
[μ] [ 0.915]
∑ λi = 1
g. Calcular la ley.
𝑍(𝑋0 ) = 𝜆1 𝑍(𝑋1 ) + 𝜆2 𝑍(𝑋2 )+ 𝜆3 𝑍(𝑋3 )+𝜆4 𝑍(𝑋4 )

𝑍(𝑋0 ) = 0.518(3.2) + 0.022(2.5) + 0.089(4.0) + 0.37(1.5)
𝐙(𝐗 𝟎 ) = 𝟐. 𝟔𝟐%
19
CONCLUSIONES
Kriging es un método de interpolación geoestadístico de estimación de

puntos. Utiliza un modelo de variograma para la obtención de los
ponderadores que se dan a cada punto de referencia usado en la estimación.
Determinados los tipos de kriging que son ordinario, simple, puntual y
bloques
Aplicamos las distintas fórmulas de kriging
Las etapas de Kriging que va desde Definición del manejo de Capping hasta
seleccionar el método de interpolación.
20
BIBLIOGRAFIA
Cabrera Cedrón Frank Alexander:
Burrough, P. A. Principles of Geographical Information Systems for Land

Resources Assessment. New York: Oxford University Press. 1986.
MUÑOZ J.D., MARTÍNEZ L.J., GIRALDO R. 2006. Variabilidad espacial de
propiedades edáficas y su relación con el rendimiento en un cultivo de papa
(Solanum tuberosum L.). Agronomía Colombiana 24(2):1-16.
Cruzado Ramírez, Alexis Edgardo:
Heine, G. W. "A Controlled Study of Some Two-Dimensional Interpolation

Methods". COGS Computer Contributions 3 (n.° 2): 60–72. 1986.
Villanueva Núñez, Robinson. 2001. Geoestadística. Lima. Perú.
Idrogo Bustamante, Jhonatan Henry:
BSG Institute. 2019. Teoría del Kriging. Lima. Perú.

Delgado Vega, José. 2013. Programación Internacional en Geoestadística
Lineal.
Díaz Viera, Martin. 2002. Geoestadística Aplicada. Instituto de Geofísica,
UNAM.
Giraldo H., Ramón. 2010. Geoestadística: Aplicación en la Caracterización
de Yacimientos. Universidad Nacional de Colombia. Bogotá. Colombia.
Segura Dávila, Jorge. 2012. Geoestadística para la enseñanza universitaria.
Universidad Nacional Jorge Basadre Grohmann. Tacna. Perú.
López Velásquez, Kenyi Alexis
McBratney, A. B. y R. Webster. "Choosing Functions for Semi-variograms of

Soil Properties and Fitting Them to Sampling Estimates". Journal of Soil
Science 37: 617–639. 1986.
Giraldo Henao, Ramón. 2011. Introducción a la Geoestadística. Universidad
Nacional de Colombia. Bogotá. Colombia.
21
Rodas Cruzado, Eduardo Damon
M. en G. Alberto Porras Velázquez - Método Kriging de inferencia espacial –

2013.
Matheron, George. 1969. Curso de Geoestadística.
22

Método Del Kriging

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Método Del Kriging

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE CAJAMARCA

ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA

DISEÑO DE MINAS SUPERFICIALES

Docente : Ing. Bohorquez Huara, Armando Humberto.

Presentado por : Cabrera Cedrón Frank Alexander

 Conocer el concepto general de kriging.

 Determinar los diferentes tipos de kriging.

 Conocer las diferentes fórmulas de kriging.

 Determinar las etapas de plan de kriging.

El kriging es un término que ha sido acuñado para designar al "mejor estimador

Secuencias en un estudio Geoestadístico para estimar Reservas

CLASIFICACIÓN DE LOS DIFERENTES TIPOS DE KRIGING.

La precisión de la estimación depende de varios factores:

 Del número de muestras y de la calidad de la data en cada punto

El kriging es un término que ha sido acuñado para designar al "mejor estimador

En el Kriageage puntual las medias locales no son necesariamente próximas de

Es un interpolador exacto en el sentido de que las ecuaciones calculadas las

En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa

El valor obtenido se lo asigna a un Bloque, no a un punto. Tener en cuenta que

El kriging también puede emplearse para estimar el valor de la variable

Para determinar el valor de un bloque se lleva a cabo una discretización del

Los valores que se obtienen con el krigeado, llevan los correspondientes

Annels (1991), propone establecer diferentes tipos de reservas en base a los

El kriging de bloques posee las siguientes propiedades:

• Insesgo, pero posible sesgo condicional

EL RESULTADO SE PUEDE PROPORCIONAR POR BLOQUES O BIEN POR

PARA EL CÁLCULO DE RESERVA DE CADA BLOQUE, SE DEBERÁ

LAS RESERVAS TOTALES SE PUEDEN DETERMINAR:

 ESTIMANDO EL TONELAJE Y EL ERROR DE ESTIMACIÓN.

El plan de Kriging considera las siguientes etapas:

 Definición de manejo de Outliers (Capping)

PLANTEAMIENTO DEL PROBLEMA

Dado un conjunto de datos de una variable de interés {Z(X1), Z(X2),……….., Z

• Z es la variable de interés, por ejemplo, cobre, oro, zinc, etc.

• Xi corresponde a la posición de la muestra i. Es una coordenada

• i es la identificación del dato. Ejemplo, muestra 1, 2,3, etc.

No se conoce la ley media de Z en la posición X0. En la práctica, se estima el

Z ∗ (𝑋0 ) = 𝛼1 Z(𝑋1 ) + 𝛼2 Z(𝑋2 ) + 𝛼3 Z(𝑋3 ) + ⋯ + 𝛼𝑛 Z(𝑋𝑛 )

En que los pesos 𝛼𝑖 verifican la condición de insesgo.

Luego, el problema se reduce a encontrar el valor de los pesos 𝛼𝑖

Se dispone de cuatro muestras, en las que se ha medido la variable oro, y se

Realicemos la estimación probando con algunos de los métodos conocidos.

Z ∗ (𝑋0 ) = 𝛼1 Z(𝑋1 ) + 𝛼2 Z(𝑋2 ) + 𝛼3 Z(𝑋3 ) + ⋯ + 𝛼𝑛 Z(𝑋𝑛 )

En la que los pesos 𝛼𝑖 verifican la condición de insesgo, o condición de

a) Utilicemos en primer lugar la media aritmética como estimador. En este caso

ponderador 𝛼𝑖 toma el valor 0,25. Por lo tanto, el valor estimado de la variable

b) Utilicemos ahora el método del inverso de la distancia para estimar el valor

i Z(Xi) di 1/di 𝜶𝒊 𝜶𝒊 Z(Xi)

Z ∗ (𝑋0 ) = ∑𝑛𝑖=1 𝑎𝑖 𝑍(𝑋𝑖 ) = 3.844

i Z(Xi) di 1/di2 𝜶𝒊 𝜶𝒊 Z(Xi)

Z ∗ (𝑋0 ) = ∑𝑛𝑖=1 𝑎𝑖 𝑍(𝑋𝑖 ) = 4.273

d) Hagamos un último cálculo con el método del inverso de la distancia,

i Z(Xi) di 1/di3 𝜶𝒊 𝜶𝒊 Z(Xi)

Z ∗ (𝑋0 ) = ∑ 𝑎𝑖 𝑍(𝑋𝑖 ) = 5.048

e) Comparación entre los diferentes resultados.

Método 𝒁(𝑿𝒊 ) 𝐙 ∗ (𝑿𝟎 )

EJEMPLO KRIGEAGE PUNTUAL

a. Modelo esférico se define como:

λ1 γ2,1 + λ2 γ2,2 + λ3 γ2,3 + λ4 γ2,4 + μ = γ0,2

λ1 γ3,1 + λ2 γ3,2 + λ3 γ3,3 + λ4 γ3,4 + μ = γ0,3

λ1 γ4,1 + λ2 γ4,2 + λ3 γ4,3 + λ4 γ4,4 + μ = γ0,4

c. Calcular los elementos de la matriz [𝐌𝟐 ]

√502 +1002 √502 +1002 3