Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La estimación local
Objetivo
Ejemplo introductorio
Se desea estimar el valor en el sitio “?” a partir de los valores
en los sitios con datos A, B, C, D, E, F.
Sitio Valor
A 0.934
B 3.371
C 5.111
D 2.442
E 3.146
F 4.898
Clasificación de los interpoladores tradicionales
Métodos basados en una partición del espacio
• en polígonos de influencia: más cercano vecino, vecindad
natural, Sibson
• en triángulos: interpolación lineal, método de McLain, Akima
Métodos “baricéntricos”, basados en una ponderación de los
datos
• k-más cercanos vecinos
• media móvil
• inverso de la distancia
• método de Shepard
• interpolación bilineal
Métodos basados en funciones de interpolación
• polinomios: superficies de tendencia
• splines
Estimador del más cercano vecino
Asigna el valor del dato más cercano al sitio a estimar. En este
caso se trata del dato ubicado en C.
El dato más cercano apantalla a todos los otros datos, luego el
estimador omite gran parte de la información.
Al estimar todos los puntos del dominio, se obtiene una función
de interpolación constante en los polígonos de influencia de los
datos. Existen discontinuidades en las fronteras entre polígonos.
Estimador por vecindad natural e interpolador de Sibson
Modifican el estimador por más cercano vecino de modo de tener
una función de interpolación continua o derivable
Estimadores basados en una triangulación del espacio
Triangulación de Delaunay: los vértices de los triángulos son
los sitios cuyos polígonos de influencia tienen una arista
común
Interpolación lineal en los triángulos de Delaunay
Generaliza el
interpolador del más
cercano vecino, al
tomar como estimador
el promedio de los
valores de los k datos
más cercanos.
No se interpola
exactamente los
datos.
Media móvil
El estimador no toma en
cuenta las redundancias que
existen entre datos
agrupados.
Método de Shepard
Es una variante del inverso del cuadrado de la distancia, que
busca incorporar el “efecto pantalla” y evitar la aparición de
extremos locales en los sitios con datos.
Interpolación bilineal
Requiere tener datos en una malla regular. Para un sitio a
estimar ubicado en una celda formada por 4 datos de esta
malla, se asigna a cada uno de estos datos un ponderador
proporcional al área del rectángulo opuesto al dato.
Superficies de tendencia
La función de interpolación es un polinomio de las coordenadas
geográficas, cuyos coeficientes se determinan de modo de
minimizar el error cuadrático promedio en los sitios con datos.
No se interpola exactamente los datos.
Splines de interpolación
Los “splines” se refieren a una familia de funciones regulares, que
minimizan una integral espacial bajo la restricción de interpolar
datos: splines cúbicos (1D), splines laplacianos (2D), etc.
Splines de alisamiento
Estas funciones no
interpolan exactamente
los datos: se tiene un
parámetro ρ que mide el
compromiso entre la
suavidad de la función y
el ajuste de los datos.
Técnicas de aprendizaje automático (machine learning)
• Fáciles de ejecutar
• su esperanza es nula
• su varianza es pequeña
• Restricción de linealidad
α =1
• Restricción de insesgo
E[Z*(x0) – Z(x0)] = 0
Nota:
las mayúsculas se refieren a variables / funciones aleatorias, las minúsculas a
las variables / funciones determinísticas
Construcción del kriging (3)
• Restricción de optimalidad
Validación cruzada
→ precisión alcanzada
→ sesgo condicional
Varios tipos de kriging
Kriging simple (1)
Hipótesis
C(h) = σ 2 − γ (h)
Kriging simple (2)
Restricción de linealidad
α =1
Kriging simple (3)
Restricción de insesgo
α =1
n
= a + [ ∑ λ α − 1] m
α =1
n
Para anular esta esperanza, se plantea a = [1 − ∑ λ α ] m
α =1
Restricción de optimalidad
n n n
var[Z (x 0 ) − Z(x 0 )] = σ + ∑∑ λ α λ β C( x α − xβ ) − 2∑ λ α C( x α − x 0 )
* 2
a = [1− ∑ λ α ]m (insesgo)
α=1
n
∀α =1...n , λ C(x − x ) =
∑
β=1
β α β C( x α − x 0 )
De la forma: A X = B
Precisión de la estimación
Siempre se tiene
σ 2KS (x 0 ) ≤ σ 2
Kriging simple (8)
ponderador
kriging varianza de kriging de la media
Kriging ordinario (1)
Hipótesis
Restricción de linealidad
α =1
Kriging ordinario (3)
Restricción de insesgo
α =1
n
= a + [ ∑ λ α − 1] m
α =1
Restricción de optimalidad
α =1 α =1 β =1 α =1
n
∑ λα =1
α =1 insesgo
a=0
n
∀α = 1... n ,
∑λ
β =1
β γ (x α − x β ) −µ= γ (x α − x 0 )
mide las mide la influencia
redundancias de los datos sobre
entre datos el valor a estimar
Kriging ordinario (6)
De la forma: A X = B
Precisión de la estimación
σ 2KO (x 0 ) ≤ σ 2
Kriging ordinario (8)
Kriging de bloques
Permite estimar directamente el valor promedio de la variable
sobre un soporte mayor que el soporte de los datos (bloque)
como las unidades selectivas de explotación:
M
1 1
Z(v) =
|v| ∫v
Z(x) dx ≈
M
∑ Z( x
m =1
m )
n
∑ λα = 1
α=1
a =0
n
∀α = 1... n , ∑ λ β γ (x α − xβ ) −µ= γ (x α , v)
β=1
con
M
1 1
γ (x α , v) =
|v| ∫v
γ ( x α − x ) dx ≈
M
∑ γ (x
m =1
α − xm )
Otros tipos de kriging (4)
Co-kriging
Versión multivariable del kriging, donde se busca estimar el
valor de una variable (Cu) tomando en cuenta los datos de esta
variable y de otras variables correlacionadas (As, Mo…).
Requiere tener los modelos variográficos de cada variable (Cu,
As, Mo), así como variogramas cruzados entre las distintas
variables (Cu-As, Cu-Mo, As-Mo), para medir las
correlaciones entre estas variables.
Otros tipos de kriging (6)
Kriging transitivo
Se plantea en un marco determinístico (no se interpreta la variable
regionalizada como realización de una función aleatoria). En
cambio, se introduce aleatoriedad en la posición de los datos.
Kriging aleatorio
Existen dos fuentes de aleatoriedad: la posición de los datos,
considerada como incierta, y la variable regionalizada, considerada
como una realización de una función aleatoria.
Otros tipos de kriging (7)
Kriging lognormal
Supone que el logaritmo de los datos tiene una distribución normal
(Gaussiana). Se hace el kriging de los datos logarítmicos, luego se
aplica una transformación de vuelta
n
σ 2KO (x 0 )
Z (x 0 ) = exp{ ∑ λ α ln [ Z(x α )] +
*
+µ}
α =1 2
Kriging no lineal
→ kriging de indicadores
→ kriging disyuntivo (co-kriging de indicadores)
→ kriging multi-Gaussiano
Kriging de indicadores (1)
Principio
Se busca caracterizar el valor en el sitio “?” por una distribución
de probabilidad, la cual refleja la incertidumbre en este sitio.
Kriging de indicadores (2)
ponderador de ley de corte ley de corte ley de corte ley de corte ley de corte
sitio ley
kriging (%) nº1 = 0.1 nº2 = 0.2 nº3 = 0.3 nº4 = 0.4 nº5 = 0.5
A 5.2 0.21 0 0 1 1 1
B -7.2 0.35 0 0 0 1 1
C 57.9 0.42 0 0 0 0 1
D 27.1 0.28 0 0 1 1 1
E 15.7 0.53 0 0 0 0 0
F 1.2 0.05 1 1 1 1 1
La estimación de cada
indicador se interpreta como
la probabilidad que el valor
verdadero sea menor que la
ley de corte asociada.
Kriging de indicadores (3)
Pros
• fácil de ejecutar, no requiere ninguna hipótesis particular
• el formalismo de los indicadores permite incorporar datos
imprecisos
• los valores atípicos (outliers) se transforman en 0 - 1
Kriging de indicadores (7)
Contras
• método engorroso cuando hay numerosas leyes de corte
• análisis variográfico de indicadores: ¿coherencia matemática?
• la codificación en indicadores pierde información
• problemas de relación de orden
• interpolación y extrapolación de las distribuciones de probabilidad
• cambio de soporte
Propiedades del kriging
Observaciones sobre el kriging (1)
Los ponderadores y la varianza de kriging toman en cuenta
• Insesgo
La media de los errores cometidos en una región de gran
tamaño se acerca a cero
• Interpolación exacta
Estimar un sitio con dato devuelve el valor medido en este
sitio, mientras que la varianza de kriging en ese sitio es nula
• Aditividad
El kriging del valor promedio de un sector es el promedio de
las estimaciones puntuales en este sector
Propiedades del kriging (2)
• Suavizamiento (alisamiento)
La dispersión de los valores estimados es menor que la
dispersión de los valores verdaderos
mineral a planta 2%
5% 8%
estéril a planta
3%
mineral a botadero
estéril a botadero
73%
79%
Kriging Pozos
Tonelaje a planta [Mt] 71.64 64.42
Ley promedio efectiva [%Cu] 1.041 1.089
Ley promedio estimada [%Cu] 1.057 1.143
Cantidad de metal efectiva [mt] 745.8 701.5
Cantidad de metal estimada [mt] 757.3 736.3
Beneficio efectivo [MUS$] 298.1 295.2
Beneficio previsto [MUS$] 308.2 325.8
Influencia de los parámetros
en los resultados del kriging
Configuración de kriging
START OF PARAMETERS:
muestras1.dat -file with data
0 1 2 3 4 0 - columns for DH,X,Y,Z,var,sec var
-1.0 1.0e21 - trimming limits
2 -option: 0=grid, 1=cross, 2=jackknife
muestras2.dat -file with jackknife data
1 2 3 4 0 - columns for X,Y,Z,vr and sec var
0 -debugging level: 0,1,2,3
jackknife.dbg -file for debugging output
jack_Cu_plan2.out -file for kriged output
50 0.5 1.0 -nx,xmn,xsiz
50 0.5 1.0 -ny,ymn,ysiz
1 0.5 1.0 -nz,zmn,zsiz
1 1 1 -x,y and z block discretization
1 24 -min, max data for kriging
3 -max per octant (0-> not used)
100.0 100.0 150.0 -maximum search radii
0.0 0.0 0.0 -angles for search ellipsoid
1 2.302 -0=SK,1=OK,2=non-st SK,3=exdrift
0 0 0 0 0 0 0 0 0 -drift: x,y,z,xx,yy,zz,xy,xz,zy
0 -0, variable; 1, estimate trend
extdrift.dat -gridded file with drift/mean
4 - column number in gridded file
2 0.05 -nst, nugget effect
1 0.13 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
15.0 15.0 180.0 -a_hmax, a_hmin, a_vert
1 0.28 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
100.0 100.0 180.0 -a_hmax, a_hmin, a_vert
Plan de kriging (2)
Parameters for locxyz
*********************
START OF PARAMETERS:
jack_Cu_plan2.out -file with data
1 2 7 - columns for X, Y, variable
3 -1.0e21 1.0e21 - columns for Z and coordinate limits
-998.0 1.0e21 - trimming limits
mapa_error_Cu_plan2.ps -file for PostScript output
0.0 400. -xmn,xmx
0.0 600. -ymn,ymx
1 -0=data values, 1=cross validation
0 -0=arithmetic, 1=log scaling
1 -0=gray scale, 1=color scale
0 -0=no labels, 1=label each location
0.0 3.0 0.5 -gray/color scale: min, max, increm
0.25 -label size: 0.1(sml)-1(reg)-10(big)
Plan 2 -Title
Plan de kriging (3)
Parameters for HISTPLT
**********************
START OF PARAMETERS:
jack_Cu_plan2.out -file with data
7 0 - columns for variable and weight
-1.0e21 1.0e21 - trimming limits
hist_error_Cu_plan2.ps -file for PostScript output
-2.0 2.0 -attribute minimum and maximum
0.25 -frequency maximum (<0 for automatic)
20 -number of classes
0 -0=arithmetic, 1=log scaling
0 -0=frequency, 1=cumulative histogram
0 - number of cum. quantiles (<0 for all)
2 -number of decimal places (<0 for auto.)
Plan 2 -title
1.5 -positioning of stats (L to R: -1 to 1)
-1.1e21 -reference value for box plot
Plan de kriging (4)
Parameters for SCATPLT
**********************
START OF PARAMETERS:
jack_Cu_plan2.out -file with data
5 4 0 0 - columns for X, Y, wt, third var.
-1.0 1.0e21 - trimming limits
scatplt_Cu_plan2.ps -file for Postscript output
0.0 3.0 0 -X min and max, (0=arith, 1=log)
0.0 3.0 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point
0.5 -bullet size: 0.1(sml)-1(reg)-10(big)
0.0 2.0 -limits for third variable gray scale
Plan 2 -title
START OF PARAMETERS:
jack_Cu_plan2.out \Input data file
5 4 \column for estimate, true
-1.0 1.0e21 \tmin,tmax
condb_Cu_plan2_regresion.out \Output for conditional bias
20 \number of classes
condb_Cu_plan2_leyesmedias.out \Output for mean above cutoff
30 0.0 0.1 \number of cutoffs, start, inc
Kriging de bloques (1)
Parameters for KT3D
*******************
START OF PARAMETERS:
muestras.dat -file with data
0 1 2 3 4 0 - columns for DH,X,Y,Z,var,sec var
-1.0 1.0e21 - trimming limits
2 -option: 0=grid, 1=cross, 2=jackknife
Grilla_25x25.dat -file with jackknife data
1 2 3 5 0 - columns for X,Y,Z,vr and sec var
0 -debugging level: 0,1,2,3
kt3d.dbg -file for debugging output
kriging_Cu25_exploracion.out -file for kriged output
16 12.5 25.0 -nx,xmn,xsiz
24 12.5 25.0 -ny,ymn,ysiz
11 11.0 12.0 -nz,zmn,zsiz
10 10 1 -x,y and z block discretization
1 24 -min, max data for kriging
3 -max per octant (0-> not used)
100.0 100.0 150.0 -maximum search radii
0.0 0.0 0.0 -angles for search ellipsoid
1 2.302 -0=SK,1=OK,2=non-st SK,3=exdrift
0 0 0 0 0 0 0 0 0 -drift: x,y,z,xx,yy,zz,xy,xz,zy
0 -0, variable; 1, estimate trend
extdrift.dat -gridded file with drift/mean
4 - column number in gridded file
2 0.05 -nst, nugget effect
1 0.13 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
15.0 15.0 180.0 -a_hmax, a_hmin, a_vert
1 0.28 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
100.0 100.0 180.0 -a_hmax, a_hmin, a_vert
Kriging de bloques (2)
Parameters for KT3D
*******************
START OF PARAMETERS:
Grilla_25x25_desfasada.dat -file with data
0 1 2 3 4 0 - columns for DH,X,Y,Z,var,sec var
-1.0 1.0e21 - trimming limits
2 -option: 0=grid, 1=cross, 2=jackknife
Grilla_25x25.dat -file with jackknife data
1 2 3 5 0 - columns for X,Y,Z,vr and sec var
0 -debugging level: 0,1,2,3
kt3d.dbg -file for debugging output
kriging_Cu25_explotacion.out -file for kriged output
16 12.5 25.0 -nx,xmn,xsiz
24 12.5 25.0 -ny,ymn,ysiz
11 11.0 12.0 -nz,zmn,zsiz
10 10 1 -x,y and z block discretization
1 24 -min, max data for kriging
3 -max per octant (0-> not used)
100.0 100.0 150.0 -maximum search radii
0.0 0.0 0.0 -angles for search ellipsoid
1 2.302 -0=SK,1=OK,2=non-st SK,3=exdrift
0 0 0 0 0 0 0 0 0 -drift: x,y,z,xx,yy,zz,xy,xz,zy
0 -0, variable; 1, estimate trend
extdrift.dat -gridded file with drift/mean
4 - column number in gridded file
2 0.05 -nst, nugget effect
1 0.13 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
15.0 15.0 180.0 -a_hmax, a_hmin, a_vert
1 0.28 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
100.0 100.0 180.0 -a_hmax, a_hmin, a_vert