Lección 7:

Kriging
 Objetivo (1)

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.
 Objetivo (2)

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 de kriging permiten también tomar en cuenta las
características de correlación espacial de la variable, mediante
su variograma o su función de covarianza.
 Interpolador de kriging (1)

Cuantificar la precisión de un interpolador

se basa en un modelo probabilístico. La
idea es ver el error como una variable
aleatoria, a la cual se puede imponer
ciertas condiciones, por ejemplo:
Danie Krige
• su esperanza es nula (1919-2013)

• su varianza es pequeña

Este enfoque difiere de los interpoladores

tradicionales, que se formulan en un Georges Matheron
contexto determinístico. (1930-2000)
 Interpolador de kriging (2)

El kriging es un interpolador basado en el modelo de función

aleatoria, que consiste en ponderar 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, {xa: a = 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 +   a z( x a )
*

a =1

→ buscar los ponderadores {a: a = 1... n} y el coeficiente a

 Construcción del kriging (2)

• 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
 Construcción del kriging (3)

• Restricción de optimalidad

Se busca minimizar la varianza del error cometido (varianza

de kriging), que mide la amplitud potencial de dicho error

minimizar sK2(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)

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
aumentar la precisión y disminuir el sesgo 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 (3)

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 (4)

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 (5)

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 g(h), el cual presenta

una meseta g() = s2. Por lo anterior, se tiene una función
de covarianza dada por

C(h) = s2 − g(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 {xa: a = 1... n}:
n
z ( x 0 ) = a +   a z( x a )
*

a =1
 Kriging simple (3)

Restricción de insesgo
La esperanza del error de estimación vale:
n
E [ Z ( x 0 ) − Z ( x 0 )] = a +   a E [ Z ( x a )] − E [ Z ( x 0 )]
*

a =1
n
= a + [   a − 1] m
a =1
n
Para anular esta esperanza, se plantea a = [1 −   a ] m
a =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 )] = s +   a   C(x a − x ) − 2  a C(x a − x 0 )
* 2

a=1 =1 a=1

La minimización requiere anular las derivadas de esta expresión

con respecto a las incógnitas {a: a = 1... n}.
 Kriging simple (5)

Sistema de ecuaciones finales

Se llega al siguiente sistema de ecuaciones lineales:
 n

 a = [1−  a ]m (insesgo)
 a=1
 n
 a =1...n,  C(x − x ) =
   a  C(x a − x 0 )
 =1

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 )  C(x1 − x n )   1   C(x1 − x 0 ) 

    
     =  
 C( x − x )  C( x − x )      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
s 2KS (x 0 ) = s 2 −   a C(x a − x 0 )
a=1

Siempre se tiene

s2KS (x0 )  s2
 Kriging simple (8)

Ejemplo: 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 s2.
 Kriging ordinario (1)

Hipótesis

• Se desconoce la media de la variable regionalizada

• Se conoce el variograma g(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”
 Kriging ordinario (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 {xa: a = 1... n}:
n
z ( x 0 ) = a +   a z( x a )
*

a =1
 Kriging ordinario (3)

Restricción de insesgo
La esperanza del error de estimación vale:
n
E [ Z ( x 0 ) − Z ( x 0 )] = a +   a E [ Z ( x a )] − E [ Z ( x 0 )]
*

a =1
n
= a + [   a − 1] m
a =1

Siendo m desconocida, la única alternativa es plantear

n
a=0 y 
a =1
a =1
 Kriging ordinario (4)

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 )] = s [1 −   a ] −   a   g(x a − x  ) + 2  a g(x a − x 0 )
* 2 2

a =1 a =1 =1 a =1

La minimización de esta expresión bajo la restricción de insesgo

requiere introducir una incógnita adicional llamada
multiplicador de Lagrange, denominada m.
 Kriging ordinario (5)

Sistema de ecuaciones finales

 n
  a =1
 a =1 insesgo

a=0
 n
 a = 1...n ,


 =1
 g (x a − x  ) −m= g (x a − x 0 )

mide las mide la influencia
redundancias de los datos sobre
entre datos el valor a estimar
 Kriging ordinario (6)

Escritura matricial del sistema de ecuaciones

 g (x1 − x1 )  g (x1 − x n ) 1   1   g (x1 − x 0 ) 

    
         
 g (x − x )  g (x − x ) =
1    n   g (x n − x 0 ) 
 n 1 n n
    
 1  1 0  − m  1 

De la forma: A X = B

Se resuelve por inversión matricial o pivote de Gauss.

 Kriging ordinario (7)

Precisión de la estimación
El valor mínimo de la varianza del error de estimación se llama
varianza de kriging ordinario y vale:
n
s (x 0 ) =   a g (x a − x 0 ) − m
2
KO
a =1

En general (no siempre) se tiene

s2KO (x0 )  s2
 Kriging ordinario (8)

Ejemplo: efecto pepita puro de meseta s2

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 s2 + s2/n y supera levemente la
varianza a priori.
 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…)
 Otros tipos de kriging (2)

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.
 Otros tipos de kriging (3)
El sistema de kriging de bloques sólo difiere del sistema puntual en
el miembro de la derecha:

 n
  a = 1
 a=1

a =0
 n
 a = 1... n ,    g (x a − x ) −m= g (x a , v)
 =1


con
1 1 M
g ( x a , v) =  g (x a − x) dx   g (x a − x m )
|v| v M m=1
 Otros tipos de kriging (4)

Aunque el cálculo del término g (x a , 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.
 Otros tipos de kriging (5)

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.
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
→ la configuración de datos: redundancias, efecto pantalla

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
 Propiedades del kriging (2)

• 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: simulaciones
 Propiedades del kriging (3)

Ilustración del suavizamiento

 Propiedades del kriging (4)

• 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 prácticas cuestionables (1)

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

Limitar el número de datos en la vecindad o el radio de

búsqueda para disminuir el efecto de suavizamiento.
 Aparecen artefactos (discontinuidades) en el modelo de
bloques
 Aumentan la varianza de los errores de estimación y
el sesgo condicional…
 Algunas prácticas cuestionables (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
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).
 Elección del plan de kriging (2)

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
 Elección del plan de kriging (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

 Kriging a partir de los datos
de exploración (2)

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

 Kriging a partir de los datos
de exploración (3)

Kriging ordinario de bloques de soporte 5m  5m  12m

 Kriging a partir de los datos
de exploración (4)

Kriging ordinario de bloques de soporte 25m  25m  12m

 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%
2%
mineral a planta
5% 8% mineral a planta m
estéril a planta estéril a planta e
3% m
mineral a botadero mineral a botadero
esteril a botadero e
estéril a botadero
73%
79%
73%
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
 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
Emery X. and Séguret S.A., 2020. Geostatistics for the Mining
Industry - Applications to Porphyry Copper Deposits, CRC Press,
Boca Raton, 247 p
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