07 Estimacion Local

Lección 7:
La estimación local
Objetivo
Se busca estimar el valor desconocido de una variable

regionalizada en un sitio dado del espacio, o el valor
promedio de esta variable en un bloque, utilizando para ello los
datos disponibles alrededor de este sitio o bloque.
Tradicionalmente, la estimación considera la configuración

geométrica de los datos (datos cercanos contienen información
redundante) y su distancia con respecto al sitio a estimar. Las
técnicas geoestadísticas permitirán tomar en cuenta las
características de correlación espacial de la variable, mediante
su variograma.
De los interpoladores
tradicionales al kriging
Interpoladores tradicionales
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
La función de interpolación es continua pero tiene aspecto de

“pirámides”. No se puede interpolar fuera de la envolvente
convexa de los sitios con datos.
Interpolación polinomial de grado 5 (Akima) en los triángulos
de Delaunay
La función de interpolación es muy suave, continua y derivable.

Interpolador k-más cercanos vecinos
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 es el promedio de los datos ubicados dentro de un

cierto radio de búsqueda. No interpola exactamente los datos.
También se puede utilizar un promedio ponderado en lugar de un
promedio simple.
Inverso de la distancia
Asigna a cada dato una
ponderación inversamente
proporcional a (una
potencia de) su distancia al
sitio a estimar.
La función de interpolación
es continua y tiende a
mostrar extremos locales en
los sitios con datos.
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)
regresión de vectores de soporte

redes neuronales
algoritmos genéticos
Ventajas de los interpoladores tradicionales
• Fáciles de ejecutar
• Privilegian los datos cercanos
• Se puede obtener funciones de interpolación con determinadas

características analíticas (continuas, derivables…)
Valor
Inconvenientes Método de interpolación
estimado
Más cercano vecino 5.111
• Los interpoladores
tradicionales no Vecindad natural 4.319
consideran la Método de Sibson 4.877
continuidad espacial
Interpolación lineal 4.354
de la variable
regionalizada: Akima 4.632
regularidad a pequeña Inverso de la distancia 3.712
escala, anisotropía…
Inverso del cuadrado de la distancia 4.271
• No miden la precisión Inverso del cubo de la distancia 4.705

de la estimación. Shepard 4.362
• ¿Cuál es el “mejor” Superficie de tendencia de grado 2 4.927

estimador? Spline laplaciano 3.766
Interpolador de kriging
Cuantificar la precisión de un interpolador no

es algo inherente a la variable regionalizada
(desconocida en los sitios a estimar), sino que
se basa en un modelo probabilístico. La idea
es ver el error como una variable aleatoria
Danie Krige
e imponerle ciertas condiciones, por ejemplo: (1919-2013)
• su esperanza es nula
• su varianza es pequeña
Este enfoque difiere de los interpoladores

tradicionales, que se formulan netamente en Georges Matheron
un contexto determinístico. (1930-2000)
Interpolador de kriging
El kriging es un interpolador baricéntrico, basado en el modelo de

función aleatoria, en donde se determina la ponderación de los
datos según:
1) sus distancias al sitio a estimar
2) las redundancias entre los datos (posibles agrupamientos)
3) la continuidad espacial de la variable regionalizada (variograma)
privilegia los datos cercanos si el variograma es muy regular
reparte la ponderación entre los datos si existe un efecto pepita
en caso de anisotropía, privilegia los datos ubicados a lo largo
de las direcciones de mayor alcance
Asimismo, el kriging cuantifica la precisión de la estimación.
Construcción del kriging (1)
El sistema de kriging se obtiene al plantear tres restricciones:
• Restricción de linealidad
Sea z(x) la variable regionalizada en estudio, {xα, α = 1... n}

los sitios con datos y x0 el sitio que se busca estimar.
La primera restricción consiste en escribir el estimador como

una combinación lineal ponderada de los datos:
n
z (x 0 ) = a + ∑ λ α z(x α )
*
α =1
→ buscar los ponderadores {λα, α = 1... n} y el coeficiente a

• Restricción de insesgo
En el modelo probabilístico, el error cometido debe tener una

esperanza nula:
E[Z*(x0) – Z(x0)] = 0
→ el estimador no tiende a sobreestimar o subestimar el valor

real desconocido
Nota:
las mayúsculas se refieren a variables / funciones aleatorias, las minúsculas a
las variables / funciones determinísticas
• Restricción de optimalidad
Se busca minimizar la varianza del error cometido (varianza

de kriging), que mide la amplitud potencial de dicho error
minimizar σK2(x0) = var[Z*(x0) – Z(x0)]
→ búsqueda de la precisión máxima

Plan de kriging (1)
¿Cuáles son los datos a utilizar en la estimación?
Se puede utilizar todos los datos disponibles (vecindad única)

o sólo una parte de ellos (vecindad móvil). La palabra
vecindad se refiere a la zona del espacio, centrada en el sitio a
estimar, donde se busca los datos que servirán en la
estimación.
→ La vecindad única aumenta innecesariamente los tiempos

de cálculo sin mejorar la precisión de la estimación, por lo
que se prefiere a menudo trabajar con una vecindad móvil.
→ Hay que especificar la forma y el tamaño de esta vecindad.

Plan de kriging (2)
Relación entre las varianzas de kriging con n y con n+1 datos
σ 2K ( x 0 ) n datos = σ 2K ( x 0 ) + λ2n+1 ( x 0 ) n+1datos σ 2K ( x n+1 ) n datos

n +1 datos
Se pierde precisión (aumenta la varianza de kriging) cuando:

• el número de datos omitidos es grande
• los ponderadores asignados a estos datos son muy distintos de 0
• los datos omitidos no pueden ser estimados en forma precisa por
los datos restantes
→ La vecindad móvil puede descartar datos que recibirían poca

ponderación (datos lejanos de x0) y/o datos redundantes con
otros (datos agrupados).
Plan de kriging (3)
Tamaño de la vecindad móvil
Los parámetros más relevantes a considerar son: el alcance

del variograma y la malla de muestreo.
• Factores que incitan a aumentar el tamaño

precisión, insesgo condicional
• Factores que incitan a disminuir el tamaño

cambios en la continuidad espacial, irrelevancia de los
datos lejanos, poca confiabilidad del modelo de
variograma para distancias muy grandes, tiempos de
cálculo.
Plan de kriging (4)
Forma de la vecindad móvil
Idealmente, la vecindad debería tener la forma de las curvas

de iso-correlación, para tomar en cuenta la anisotropía en la
correlación espacial de los datos.
En general, para simplificar, se toma una vecindad en forma

de elipse (2D) o elipsoide (3D).
Plan de kriging (5)
División en sectores angulares

Para mejorar la repartición de los datos en torno al sitio a
estimar, es recomendable dividir la vecindad en sectores
angulares y buscar datos en cada sector.
Plan de kriging (6)
Validación cruzada
Para determinar el plan de kriging, se puede recurrir a la

validación cruzada o al jack-knife: probar varios planes y
escoger aquel que entrega los resultados más satisfactorios
→ precisión alcanzada
→ sesgo condicional
Varios tipos de kriging
Kriging simple (1)
Hipótesis
• Se conoce la media m de la variable regionalizada. En

general, se supone constante en el espacio y se toma igual a
la media (desagrupada) de los datos disponibles.
• También se conoce el variograma γ(h), el cual presenta

una meseta γ(∞) = σ2. Por lo anterior, se tiene una función
de covarianza dada por
C(h) = σ 2 − γ (h)
Kriging simple (2)
Restricción de linealidad
La estimación en un sitio x0 se escribe como una combinación

lineal ponderada de los datos circundantes, ubicados en los
sitios {xα, α = 1... n}:
n
z (x 0 ) = a + ∑ λ α z(x α )
*
α =1
Kriging simple (3)
Restricción de insesgo
La esperanza del error de estimación vale:

n
E [ Z (x 0 ) − Z(x 0 )] = a + ∑ λ α E [ Z(x α )] − E [ Z(x 0 )]
*
α =1
n
= a + [ ∑ λ α − 1] m
α =1
n
Para anular esta esperanza, se plantea a = [1 − ∑ λ α ] m
α =1
La media recibe una ponderación complementaria a la

ponderación acumulada de los datos. Su rol es compensar la falta
de información cuando los datos son escasos o alejados.
Kriging simple (4)
Restricción de optimalidad
La varianza del error de estimación se expresa en función de la

covarianza C(h):
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
α=1 β=1 α=1
La minimización requiere anular las derivadas de esta expresión

con respecto a las incógnitas {λα, α = 1... n}.
Kriging simple (5)
Sistema de ecuaciones finales
Se llega al siguiente sistema de ecuaciones lineales:

 n
 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 )
mide las mide la influencia

redundancias de los datos sobre
entre datos el valor a estimar
Kriging simple (6)
Escritura matricial del sistema de ecuaciones
 C(x1 − x1 ) L C(x1 − x n )   λ1   C(x1 − x 0 ) 

    
 M M  M = M 
 C(x − x ) L C(x − x )   λ   C(x − x ) 
 n 1 n n   n  n 0 
De la forma: A X = B
Se resuelve por inversión matricial, pivote de Gauss, o

descomposición LU de la matriz de covarianza.
Kriging simple (7)
Precisión de la estimación
El valor mínimo de la varianza del error de estimación se llama

varianza de kriging simple y vale:
n
σ2KS (x 0 ) = σ2 − ∑λ α C(x α − x 0 )
α=1
Siempre se tiene
σ 2KS (x 0 ) ≤ σ 2
Kriging simple (8)
Ejemplo 1: efecto pepita puro
Los ponderadores se anulan y el estimador es igual a la

media conocida. La varianza de kriging es igual a la varianza
a priori σ2.
Kriging simple (9)
Ejemplo 2: variograma esférico de meseta 1 en el espacio 1D
ponderador
kriging varianza de kriging de la media
Kriging ordinario (1)
Hipótesis
• Se desconoce la media de la variable regionalizada

• Se conoce el variograma γ(h), el cual puede o no tener meseta
El considerar el valor de la media como desconocido permite

generalizar el estimador a situaciones donde esta media no es
constante en el campo: la media puede variar de una región a
otra del espacio, siempre que sea aproximadamente constante
en cada vecindad de kriging.
→ Estimador más “robusto”
Restricción de linealidad
La estimación en un sitio x0 se escribe como una combinación

lineal ponderada de los datos circundantes, ubicados en los
sitios {xα, α = 1... n}:
n
z (x 0 ) = a + ∑ λ α z(x α )
*
α =1
Restricción de insesgo
La esperanza del error de estimación vale:

n
E [ Z (x 0 ) − Z(x 0 )] = a + ∑ λ α E [ Z(x α )] − E [ Z(x 0 )]
*
α =1
n
= a + [ ∑ λ α − 1] m
α =1
Siendo m desconocida, la única alternativa es plantear

n
a=0 y ∑λ
α =1
α =1
Restricción de optimalidad
La varianza del error de estimación se expresa en función del

variograma:
n n n n
var[Z (x 0 ) − Z(x 0 )] = σ [1 − ∑ λ α ] − ∑∑ λ α λ β γ (x α − x β ) + 2∑ λ α γ (x α − x 0 )
* 2 2
α =1 α =1 β =1 α =1
La minimización de esta expresión bajo la restricción de insesgo

requiere introducir una incógnita adicional llamada
multiplicador de Lagrange, denominada µ.
Sistema de ecuaciones finales
 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
Escritura matricial del sistema de ecuaciones
 γ (x1 − x1 ) L γ (x1 − x n ) 1   λ1   γ (x1 − x 0 ) 

    
 M M M  M   M 
=
 γ (x − x ) L γ (x − x ) 1   λ   γ (x − x ) 
 n 1 n n
  n   n 0

 1 L 1 0  − µ  1 
De la forma: A X = B
Se resuelve por inversión matricial o pivote de Gauss.

Precisión de la estimación
El valor mínimo de la varianza del error de estimación se llama

varianza de kriging ordinario y vale:
n
σ (x 0 ) = ∑ λ α γ ( x α − x 0 ) − µ
2
KO
α =1
En general (no siempre) se tiene
σ 2KO (x 0 ) ≤ σ 2
Ejemplo 1: efecto pepita puro de meseta σ2
Los ponderadores son iguales a 1/n, de modo que el

estimador coincide con la media aritmética de los datos. La
varianza de kriging es σ2 + σ2/n y supera levemente la
varianza a priori.
Ejemplo 2: variograma esférico de meseta 1 en el espacio 1D
kriging varianza de kriging

Otros tipos de kriging (1)
Kriging con deriva

La media varía en el espacio, reflejando una tendencia sistemática o
“deriva” en la distribución espacial de los valores.
→ kriging universal / intrínseco: la deriva es un polinomio de las

coordenadas
→ kriging trigonométrico: la deriva es una combinación de
funciones coseno y seno
→ kriging con deriva externa: la deriva es proporcional a una

variable externa conocida en forma exhaustiva (modelo
digital de elevación, fotografía aérea, imagen satelital…)
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 )
Para que los cálculos tengan un sentido físico, es necesario que la

variable estudiada sea aditiva.
El sistema de kriging de bloques sólo difiere del sistema puntual en
el miembro de la derecha:
 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 )
Aunque el cálculo del término γ ( x α , v) requiere una

discretización del bloque v, se estima el valor de este bloque
resolviendo un solo sistema de kriging.
Las ventajas de estimar directamente Z(v) en lugar de promediar

estimaciones puntuales son la ganancia en tiempos de cálculo y la
posibilidad de calcular la varianza de estimación para el bloque.
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.
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.
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
donde σKO2(x0) es la varianza de kriging ordinario de ln[Z(x0)]

y µ es el multiplicador de Lagrange introducido en el sistema
de kriging ordinario.
Kriging no lineal
Aplica kriging a una función no lineal de la variable. Permite

caracterizar el valor desconocido Z(x0) por una distribución de
probabilidad, en lugar de un valor estimado y una varianza de
estimación
→ 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.
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
? 0.389 0.012 0.012 0.335 0.263 0.842
La estimación de cada
indicador se interpreta como
la probabilidad que el valor
verdadero sea menor que la
ley de corte asociada.
Se debe corregir las estimaciones para que sean crecientes entre 0 y 1
corrección ascendente corrección descendente

Se promedian ambas correcciones, luego se interpola y extrapola

para completar la distribución de probabilidad.
corrección final interpolación/extrapolación

También se puede aplicar una corrección de cambio de soporte.

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
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
• la información geométrica: distancias entre el sitio a

estimar y los datos; distancias (redundancias) entre datos
• la información variográfica: regularidad, anisotropía
pero no toman en cuenta la información “local” aportada por los

valores de los datos
→ conociendo el variograma, se puede anticipar la varianza de
estimación a partir de una configuración dada de datos
→ limitación del kriging (la precisión de una estimación es menor

en las zonas cuyos valores tienen mayor variabilidad)
Observaciones sobre el kriging (2)
El ponderador asignado a un dato depende de
→ su distancia al sitio a estimar
→ la existencia de un efecto pepita
→ la presencia de una anisotropía
→ las redundancias entre datos
→ el efecto pantalla, efecto pantalla inverso, efecto de relevo
Salvo excepciones, los ponderadores de kriging pueden ser

negativos, lo que a veces desemboca en estimaciones negativas.
El sistema de kriging es regular (entrega una solución única)
siempre que no existan datos duplicados.
Propiedades del kriging (1)
• 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
• Suavizamiento (alisamiento)
La dispersión de los valores estimados es menor que la
dispersión de los valores verdaderos
→ El kriging tiende a subestimar las zonas de valores altos y

sobreestimar las zonas de valores bajos
→ Problemático cuando se busca determinar el valor de la

variable en relación a un umbral (ley de corte en minería,
concentración máxima admisible en contaminación
ambiental…)
→ Solución: kriging no lineal o simulaciones

Ilustración del suavizamiento

• Sesgo condicional: en las zonas estimadas sobre una ley de
corte, la media de los errores puede diferir de cero
→ propiedad a evitar o minimizar, de lo contrario se incurre
en una mala apreciación del valor del negocio minero
→ elegir una vecindad de kriging suficientemente grande
Algunas malas (?) prácticas (1)
Limitar el número de datos en la vecindad o el radio de

búsqueda para disminuir el efecto de suavizamiento.
Aumentan la varianza de los errores de estimación y
el sesgo condicional…
Rebloquear un modelo de bloques

Se produce dilución si las dimensiones del bloque final
no son múltiplos de las dimensiones del bloque inicial.
Se pierde la información sobre la varianza de kriging
Algunas malas (?) prácticas (2)
Realizar varias “pasadas”: correr kriging con una primera

vecindad de radios pequeños, luego, para los bloques que no
fueron estimados, correr otro kriging con una vecindad de
mayor radio, y así sucesivamente
Se producen discontinuidades artificiales en el modelo
de bloques.
La primera vecindad suele tener pocos datos o datos
espacialmente agrupados (redundantes), produciendo
una baja precisión y mayor sesgo condicional…
Aplicación a los
datos mineros
Elección del plan de kriging (1)
Se compara tres planes de kriging por “jack-knife”: estimar 902

datos a partir de los 1474 datos restantes. La variable en estudio
es la ley de cobre.
• 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)
En cada caso, se recurre al kriging ordinario, que sólo requiere

especificar el modelo de variograma (media desconocida).
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
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.
Kriging a partir de los datos
de exploración (1)
Kriging ordinario de las leyes en un banco con el plan 2

de exploración (2)
Kriging simple de las leyes (media = 0.98% Cu)

de exploración (3)
Kriging ordinario de bloques de soporte 5m × 5m × 12m

de exploración (4)
Kriging ordinario de bloques de soporte 25m × 25m × 12m

Categorización de recursos (1)
No todos los bloques estimados tienen el mismo grado de

confiabilidad. Por ende, se suele definir varias categorías de
recursos:
• recursos medidos: mayor grado de confiabilidad
• recursos indicados: confiabilidad mediana
• recursos inferidos: poca confiabilidad
Los recursos medidos + indicados se denominan demostrados

y son aquellos que se consideran para el inventario de recursos.
Ahora bien, la definición de cada categoría es muy vaga y
depende en gran parte del criterio del especialista.
Existe una categorización similar para las reservas (probadas,

probables), que son la fracción de los recursos que se puede
explotar técnica y económicamente.
Una manera de identificar las categorías consiste en clasificar

los bloques según su varianza de estimación (la definición de
las varianzas límites debe tomar en cuenta el tipo de yacimiento
y la malla de muestreo).
Un ejemplo “molestoso”: categorización a partir de dos medidas
de incertidumbre (varianza de kriging y varianza de un conjunto
de simulaciones condicionales)
A diferencia del kriging, la varianza de las simulaciones

condicionales refleja la mayor incertidumbre que existe en las
zonas de altas leyes debido al efecto proporcional.
Estimación a partir de
los pozos de tronadura (1)
Parámetros asociados a una ley de corte de 0.5% Cu:

costo mina = 0.6 US$/t; costo planta = 4.4 US$/t; recuperación = 0.8;
costo fundición = 770 US$/t; precio cobre = 1870 US$/t
Estimación a partir de
los pozos de tronadura (2)
Resultados económicos para una ley de corte de 0.5% Cu

14% 16%
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
Se busca estimar el valor en el sitio “?” a partir de los valores

en los sitios A, B, C, D, E, F.
Influencia del comportamiento
del variograma en el origen (1)
Variograma lineal v/s variograma parabólico en el origen

esférico (alcance 1, meseta 1) Gaussiano (alcance 1, meseta 1)
Variograma lineal v/s variograma con discontinuidad en el origen

esférico (alcance 1, meseta 1) esférico (0.5) + pepita (0.5)
Variograma lineal v/s variograma totalmente pepítico

esférico (alcance 1, meseta 1) efecto pepita puro (meseta 1)
Influencia de la meseta
del variograma
Meseta = 1 v/s meseta = 2

esférico (alcance 1, meseta 1) esférico (alcance 1, meseta 2)
Influencia del alcance
del variograma (1)
Alcance = 1 v/s alcance = 2

Influencia del alcance
del variograma (2)
Alcance = 1 v/s alcance = 0.5

esférico (alcance 1, meseta 1) esférico (alcance 0.5, meseta 1)
Influencia del efecto de
hoyo del variograma
Variograma lineal v/s variograma seudo periódico

esférico (alcance 1, meseta 1) seno cardinal (semi-período 0.2)
Influencia de la anisotropía
del variograma
Variograma isótropo v/s variograma anisótropo
esférico anisótropo (meseta 1,
esférico (alcance 1, meseta 1) alcances 2 [N45E] y 0.5 [N45O])
Influencia del tipo de kriging:
simple u ordinario (1)
Kriging simple v/s kriging ordinario

kriging ordinario kriging simple
simple u ordinario (2)
Kriging simple v/s kriging ordinario
esférico (alcance 0.5, meseta 1) esférico (alcance 0.5, meseta 1)

kriging ordinario kriging simple
puntual o de bloque (1)
Kriging puntual v/s kriging de bloque

kriging puntual kriging de un bloque 0.25 × 0.25
puntual o de bloque (2)

kriging de un bloque 0.5 × 0.5 kriging de un bloque 1.0 × 1.0
Lecturas recomendadas
Chilès J.P. and Delfiner P., 2012. Geostatistics: Modeling Spatial
Uncertainty, Wiley, New York, 699 p
Davis, J.C., 2002. Statistics and Data Analysis in Geology. John
Wiley & Sons, Inc., New York.
Goovaerts P., 1997. Geostatistics for Natural Resources
Evaluation, Oxford University Press, New York, 480 p
Isaaks E.H. and Srivastava R.M., 1989. An Introduction to Applied
Geostatistics, Oxford University Press, New York, 561 p
Kanevski M., Maignan M., 2004. Analysis and Modelling of Spatial
Environmental Data, EFPL Press, 300 p
Watson D.F., 1994. Contouring: A Guide to the Analysis and
Display of Spatial Data, Pergamon
Ejercicios
Buscar un plan de kriging adecuado para las leyes de cobre y oro.

kt3d, locxyz, histplt, scatplt, condbias
A partir de los sondajes de exploración, estimar las leyes de cobre
y oro en los bloques 25m × 25m × 12m e ilustrar las propiedades
del kriging.
kt3d, pixelplt, histplt, scatplt, condbias
A partir de los pozos de tronadura, estimar por kriging las leyes de

cobre en los bloques 25m × 25m × 12m. Comparar los resultados
económicos obtenidos con aquellos que se obtendrían al estimar
cada bloque por su pozo central.
kt3d, Excel
Archivos de parámetros
de los programas GSLib
Plan de kriging (1)
Parameters for KT3D
*******************
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
Plan de kriging (2)
Parameters for locxyz
*********************
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
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
**********************
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
**********************
5 4 0 0 - columns for X, Y, wt, third var.
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
CONDBIAS: Conditional Statistics

********************************
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
*******************
muestras.dat -file with data
Grilla_25x25.dat -file with jackknife data
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
1 0.13 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
1 0.28 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
Kriging de bloques (2)
Parameters for KT3D
*******************
Grilla_25x25_desfasada.dat -file with data
Grilla_25x25.dat -file with jackknife data
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
1 0.13 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
1 0.28 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3

07 Estimacion Local

Cargado por

Información del documento

Descripción original:

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

07 Estimacion Local

Cargado por

Copyright:

Formatos disponibles

Lección 7:

Se busca estimar el valor desconocido de una variable

Tradicionalmente, la estimación considera la configuración

La función de interpolación es continua pero tiene aspecto de

La función de interpolación es muy suave, continua y derivable.

El estimador es el promedio de los datos ubicados dentro de un

regresión de vectores de soporte

• Privilegian los datos cercanos

• Se puede obtener funciones de interpolación con determinadas

• No miden la precisión Inverso del cubo de la distancia 4.705

• ¿Cuál es el “mejor” Superficie de tendencia de grado 2 4.927

Cuantificar la precisión de un interpolador no

Este enfoque difiere de los interpoladores

El kriging es un interpolador baricéntrico, basado en el modelo de

El sistema de kriging se obtiene al plantear tres restricciones:

Sea z(x) la variable regionalizada en estudio, {xα, α = 1... n}

La primera restricción consiste en escribir el estimador como

→ buscar los ponderadores {λα, α = 1... n} y el coeficiente a

En el modelo probabilístico, el error cometido debe tener una

→ el estimador no tiende a sobreestimar o subestimar el valor

Se busca minimizar la varianza del error cometido (varianza

minimizar σK2(x0) = var[Z*(x0) – Z(x0)]

→ búsqueda de la precisión máxima

¿Cuáles son los datos a utilizar en la estimación?

Se puede utilizar todos los datos disponibles (vecindad única)

→ La vecindad única aumenta innecesariamente los tiempos

→ Hay que especificar la forma y el tamaño de esta vecindad.

σ 2K ( x 0 ) n datos = σ 2K ( x 0 ) + λ2n+1 ( x 0 ) n+1datos σ 2K ( x n+1 ) n datos

Se pierde precisión (aumenta la varianza de kriging) cuando:

→ La vecindad móvil puede descartar datos que recibirían poca

Tamaño de la vecindad móvil

Los parámetros más relevantes a considerar son: el alcance

• Factores que incitan a aumentar el tamaño

• Factores que incitan a disminuir el tamaño

Forma de la vecindad móvil

Idealmente, la vecindad debería tener la forma de las curvas

En general, para simplificar, se toma una vecindad en forma

División en sectores angulares

Para determinar el plan de kriging, se puede recurrir a la

• Se conoce la media m de la variable regionalizada. En

• También se conoce el variograma γ(h), el cual presenta

La estimación en un sitio x0 se escribe como una combinación

La esperanza del error de estimación vale:

La media recibe una ponderación complementaria a la

La varianza del error de estimación se expresa en función de la

α=1 β=1 α=1

La minimización requiere anular las derivadas de esta expresión

Sistema de ecuaciones finales

Se llega al siguiente sistema de ecuaciones lineales:

mide las mide la influencia

Escritura matricial del sistema de ecuaciones

 C(x1 − x1 ) L C(x1 − x n )   λ1   C(x1 − x 0 ) 

Se resuelve por inversión matricial, pivote de Gauss, o

El valor mínimo de la varianza del error de estimación se llama

Ejemplo 1: efecto pepita puro

Los ponderadores se anulan y el estimador es igual a la

Ejemplo 2: variograma esférico de meseta 1 en el espacio 1D

• Se desconoce la media de la variable regionalizada

El considerar el valor de la media como desconocido permite

La estimación en un sitio x0 se escribe como una combinación

La esperanza del error de estimación vale:

Siendo m desconocida, la única alternativa es plantear