013 Kriging

08 - Kriging
Estimadores lineales ponderados

Kriging Simple
Kriging Ordinario
Propiedades del Kriging
Plan de Kriging
Validacin
MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE
La idea bsica es estimar el valor de una variable regionalizada (por

ejemplo, la ley de cobre total) en una posicin u donde no conocemos
el valor verdadero, planteando:
n
Z (u) a i Z (u i )
*
i1
donde Z*(u) es el valor estimado para la posicin u, {Z(ui), i=1...n}

son los valores de los datos en las posiciones {ui, i=1...n}, a es un
coeficiente aditivo y {i, i=1...n} son ponderadores.
Qu factores podran
considerarse en la asignacin de
los ponderadores?
cercana a la posicin que est

siendo estimada
redundancia entre los valores
de datos
continuidad o variabilidad
espacial
anisotropa (direccin
preferencial)
Estimador del ms cercano

vecino: atribuye toda la
ponderacin al dato ms cercano
al sitio a estimar (i = 1 para el
dato ms cercano, i = 0 para
los otros datos, a = 0)
Tambin llamado estimador por

polgonos de influencia, puesto
que el sitio a estimar se
encuentra en el polgono de
influencia del dato que se lleva
toda la ponderacin

Estimador del inverso de la distancia: atribuye a cada data una
ponderacin proporcional al inverso de su distancia al sitio a estimar
Existen variantes, donde se eleva la distancia a una cierta potencia:
a0
1
c d iw
i
1
n
i1 c d w
i
donde di es la distancia entre el dato ni y la posicin que se est

estimando, c es una constante pequea, y w es un valor usualmente
comprendido entre 1 y 3

Inverso de la distancia
Inverso del cuadrado de la distancia
Los estimadores anteriores son sencillos de aplicar, pero la

asignacin de la ponderacin slo depende del criterio de
cercana.
La idea del mtodo de kriging es incorporar los otros criterios

(redundancias entre datos, continuidad espacial, anisotropa)
mediante el uso del variograma.
De este modo, se logra obtener estimaciones ms precisas

mejor planificacin, mejor seleccin estril / mineral, + $$$
Kriging es una coleccin de tcnicas generalizadas de regresin

lineal para minimizar una varianza de estimacin definida de un
modelo a priori de covarianza (R. Olea, 1991).
El Kriging es el mejor estimador lineal insesgado (Best Linear

Unbiased Estimator, BLUE)
lineal porque es una combinacin lineal ponderada de los datos
insesgado porque el error de estimacin tendr una media igual a 0
mejor en el sentido del error de varianza mnima para un modelo

dado de covarianza / variograma
Existen varios tipos de kriging:
Kriging simple: media m conocida

Kriging ordinario: media m desconocida
Kriging con deriva: media desconocida que depende de cada posicin m(u)
Kriging no lineal: aplica kriging a una transformada de la variable
Kriging universal - intrnseco: la deriva es un polinomio de las coordenadas

Kriging trigonomtrico: la deriva es una funcin peridica
Kriging con deriva externa: la deriva es proporcional a una variable secundaria
Kriging lognormal: cuando el logaritmo de los datos tiene una distribucin normal
Kriging de indicadores: aplica kriging a datos binarios (indicadores) que codifican
probabilidades de pertenecer a un tipo de roca o de sobrepasar una ley de corte
Kriging disyuntivo: aplica kriging a factores que descomponen la variable a estimar
Kriging multi-Gaussiano: aplica kriging a la transformada Gaussiana de los datos
Kriging multivariable = cokriging

Etc.
Kriging Simple
Hiptesis
1) Se conoce el valor promedio m de la variable regionalizada
2) Tambin se conoce el variograma g(h), el cual presenta una meseta:
g() = s2
existe una funcion de covarianza, dada por C(h) = s2 g(h)
Kriging Simple
Queremos construir el mejor estimador lineal insesgado para
estimar el valor en un sitio u:
n
Z (u) a i Z (u i )
*
i1
Para determinar el coeficiente a y los ponderadores {i, i=1...n}, se

examina las condiciones de insesgo y de varianza mnima.
Kriging Simple
Condicin de insesgo
El valor esperado del error de estimacin es:
n
E{Z (u) Z (u)} a i E{Z (u i )} E{Z (u)}

*
i1
n
a i m m
i1
Para que este valor esperado sea nulo, se debe plantear

n
a {1 i } m
i1
Kriging Simple
Condicin de varianza mnima
La varianza del error de estimacin se expresa en funcin de la covarianza
var{Z * (u) Z (u)}
=
=
var{Z * (u)} 2 cov{Z * (u), Z (u)} var{Z (u)}

n

i1 j 1
cov{Z (u i ), Z (u j )} 2 i cov{Z (u), Z (u i )}

i1
C (u u
i1 j 1
a2-2ab+b2
) 2 i C (u u i )
C (0)
i1
C (0)
Kriging Simple
Los ponderadores ptimos (que minimizan la varianza del error)

pueden determinarse tomando derivadas parciales con respecto a los
ponderadores
n
[ ]
2 j C (u i u j ) 2 C (u u i ), i 1,... n
i
j 1
e igualndola a cero:
n
C (u
j 1
u j ) C (u u i ), i 1,... n
Este sistema de n ecuaciones con n ponderadores desconocidos es el

sistema de kriging simple (KS)
Kriging Simple
En notacin matricial:
C (u1 u1 ) C (u1 u n )
C (u u ) C (u u )
n
1
n
n
mide las correlaciones

(redundancias) entre datos
1
C (u1 u)

C (u u)
n
n

entre datos y valor a
estimar
Kriging Simple
El estimador se escribe:
n
i1
i1
Z (u) i Z (u i ) {1 i } m
*
La media aparece con un ponderador que es el complemento de la

ponderacin acumulada de los datos. Mientras ms lejos el sitio u de los
datos, menores sern sus ponderadores y mayor ser la ponderacin de
la media. De cierto modo, la media compensa la falta de
informacin aportada por los datos
Kriging Simple
Varianza del error
Asimismo, es posible determinar el valor de la varianza del error
(que se minimiz). Esta varianza lleva el nombre de varianza
de kriging, aunque se refiere a la varianza del error de kriging:
n
s (u) s i C (u i u)
2
KS
i1
Puede calcularse sin conocer los valores de los datos.

Se demuestra que esta varianza siempre es menor o igual a s2.
Kriging Simple: ejemplo
Hay tres ecuaciones para determinar

los tres ponderadores:
1 C(1,1) 2 C(1,2) 3 C(1,3) C(0,1)
1 C( 2,1) 2 C( 2,2) 3 C( 2,3) C(0,2)
1 C( 3,1) 2 C( 3,2) 3 C( 3,3) C(0,3)
g 1,2
g 0,1
En notacin matricial
C(1,1) C(1,2) C(1,3) 1 C(0,1)
C( 2,1) C( 2,2) C( 2,3) C(0,2)
C( 3,1) C( 3,2) C( 3,3) 3 C(0,3)
Recordar que C(h) = C(0) - g(h)
g 1,3
g 0,2
g 2,3
g 0,3
Kriging simple con un efecto pepita cero y un variograma

esfrico istropo con tres alcances diferentes
Cambio del alcance
alcance = 1
alcance = 5
alcance = 10
Distancia
alcance = 10
5
1
0.781
0.648
0.000
0.012
-0.027
0.000
0.065
0.001
0.000
Kriging simple con un variograma esfrico istropo con alcance

10 y tres diferentes efectos pepita
Cambio del efecto pepita
100%
75%
pepita = 25%
Distancia
pepita = 0%
25%
75%
100%
0.781
0.468
0.172
0.000
0.012
0.203
0.130
0.000
0.065
0.064
0.053
0.000
Kriging simple con un variograma esfrico con un efecto pepita

del 25%, un alcance principal de 10 y alcances menores
diferentes
Cambio de anisotropa
anisotropa 1:1
2:1
5:1
20:1
0.468
0.395
0.152
0.000
0.203
0.087
-0.055
0.000
0.064
0.141
0.232
0.239
Kriging Ordinario
Hiptesis
1) No se conoce el valor promedio m de la variable regionalizada.
Esto permite generalizar el kriging a situaciones donde esta
media no es constante en el espacio: la media puede variar de
una regin a otra, siempre que sea aproximadamente constante
en cada vecindad de kriging.
2) Slo se conoce el variograma g(h) o la funcin de covarianza
C(h)
Kriging Ordinario
Condicin de insesgo
El valor esperado del error de estimacin es:
n
E{Z (u) Z (u)} a i E{Z (u i )} E{Z (u)}

*
i1
n
a i m m
i1
Siendo m desconocida, para que este valor esperado sea nulo se debe
plantear
a0
i1
Kriging Ordinario
Condicin de varianza mnima
La varianza del error de estimacin se expresa en funcin de la covarianza
var{Z * (u) Z (u)}
=
=
var{Z * (u)} 2 cov{Z * (u), Z (u)} var{Z (u)}

n

i1 j 1
cov{Z (u i ), Z (u j )} 2 i cov{Z (u), Z (u i )}

i1
C (u u
i1 j 1
) 2 i C (u u i )
C (0)
i1
C (0)
Kriging Ordinario
Los ponderadores ptimos (que minimizan la varianza del error

sujeto a que la suma de los ponderadores sea igual a 1)
pueden determinarse introduciendo un multiplicador de
Lagrange m
var{Z (u) Z (u)} i j C (u i u j ) 2 i C (u u i ) C (0) 2m i 1

i1 j 1
i1
1
i
y anulando las derivadas parciales con respecto a los

ponderadores y con respecto al multiplicador de Lagrange
Kriging Ordinario
Las derivadas parciales son:

n
[ ]
2 j C (u i u j ) 2 C (u u i ) 2 m, i 1,...n
i
j 1
[ ]
n
2 i 1
m
i1
Se desemboca en el sistema de kriging ordinario (KO)

n
j C (u i u j ) m C (u u i ), i 1,...n
j1
n
1
i
i1
Kriging Ordinario
En notacin matricial:
C (u1 u1 )
C (u u )
n
1
C (u1 u n ) 1
C (u n u n ) 1
1
0

(redundancias) entre datos
1
C (u1 u)

C (u u)
n
n


entre datos y valor a
estimar
Kriging Ordinario
Se puede escribir tambin en trminos de variograma
g (u1 u1 )
g (u u )
n
1
g (u1 u n ) 1
g (u n u n ) 1
1
0
1
g (u1 u)

g (u u)
n
n

No es preciso que el variograma tenga una meseta para que exista este
sistema. Por ende, se puede utilizar aun cuando el variograma crece
infinitamente y no existe ni varianza ni covarianza
Kriging Ordinario
Varianza del error
La varianza del error ( varianza de kriging) vale:
n
s (u) s i C (u i u) m
2
KO
i1
i g (u i u) m
i1
Puede calcularse sin conocer los valores de los datos.

En ocasiones, esta varianza puede ser mayor que s2.
Kriging de bloques
El kriging (simple, ordinario) puede ser extendido a la estimacin directa

del valor promedio en un bloque:
Z( V )
1
V
Z (u ) d u
V
El sistema de kriging slo difiere del sistema de kriging puntual en el

miembro de la derecha: hay que reemplazar la covarianza punto-punto
C(ui u) por la covarianza punto-bloque:
1
C (ui ,V)
V
1 N
C (ui ,x k )
V C(ui ,u)du N
k 1
donde {xk, k = 1 N} son puntos que discretizan el bloque V.
Observacin sobre el sistema de

kriging
Los ponderadores y la varianza de kriging toman en cuenta:
No toman en cuenta
aspectos geomtricos: distancias entre el sitio a estimar y los

datos; distancias (redundancias) entre los datos mismos
aspectos variogrficos: continuidad espacial, anisotropa,
mediante la covarianza o el variograma
informacin local: valores de los datos ( en particular, son

indiferentes a la presencia de un efecto proporcional)
A continuacin, se presenta un estudio de la sensibilidad de los

resultados a cambios en la configuracin geomtrica de los
datos y del modelo variogrfico.
Efecto de Distancia
Caso base y efecto del aumento en la distancia sobre los

ponderadores (g ( h) 0,2 0,8 Sph(100) )
Caso base
s
2
K
Efecto de distancia
s
= 0,1888
0,25
50
0,25
= 0,2162
0,265
0,25
50
0,303
0,303
0,25
0,129
50 EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

MI54A
50
Efecto Pantalla y Anisotropa
Efecto pantalla y de la anisotropa (Anis. Geom. 4 x 1) sobre los

ponderadores (g ( h) 0,2 0,8 Sph(100) )
Efecto de la anisotropa
Efecto pantalla
s
2
K
s2K = 0,2248
= 0,1668
0,074
0,247
50
0,233
0,233
50
50
0,426
0,426
0,174
0,080
0,074
0,033
50
50
Efecto de Declusterizacin y
Distancia
Efecto de declusterizacin y distancia sobre los ponderadores

(g ( h) 0,2 0,8 Sph(100) )
Efecto de declusterizacin
Efecto de decl. + distancia
s K = 0,1668
s K = 0,2107
0,3437
0,215
50
0,111
0,106
0,111
0,242
50
0,016
0,013
0,016
0,2674
0,215
0,3437
50
50
100
150
Cambio en efecto pepita
Efecto sobre los ponderadores de un cambio en el efecto pepita
Caso base
Cambio en el efecto pepita
s2K = 0,0827
s2K = 0,1206
0,208
0,1044
50
50
0,042
0,1456
50
g(h) = 0,2 + 0,8 Sph(100)
50
g(h) = 0,7 + 0,3 Sph(100)
interpolacin exacta: la estimacin en un sitio con dato es igual al valor del

dato y la varianza de kriging en este sitio vale 0
aditividad: la estimacin de la ley de un bloque es igual al promedio de las

estimaciones de leyes puntuales en este bloque
suavizamiento: la dispersin de los valores estimados es menor que la

dispersin de los valores verdaderos, sobre todo en las zonas donde hay pocos
datos. En consecuencia, se tiende a subestimar las zonas de altas leyes y
sobreestimar las zonas de bajas leyes. El kriging es inapropiado para evaluacin
de procesos donde los valores extremos son importantes ( simulaciones)
insesgo y precisin: por construccin
sesgo condicional: el error promedio puede no tener esperanza nula cuando se

considera slo los sitios donde la ley estimada es alta (o baja). En general, el
sesgo condicional es pequeo si se usa suficientes datos (>15)

Ilustracin del sesgo condicional
Al tener sesgo condicional, se incurre en una mala apreciacin del

negocio. La ley media del material mandado a planta (material cuya
estimacin supera una ley de corte) es inferior a la ley media estimada
de este material, mientras que la ley media del material mandado a
botadero es superior a la ley media estimada de este material.

Ilustracin del suavizamiento
Plan de Kriging
Cules son los datos a utilizar en la estimacin?
Vecindad nica: se usa todos los datos
Vecindad mvil: se usa slo los datos cercanos al sitio (bloque)

a estimar
En general, se toma una vecindad en forma de elipse (2D) o

elipsoide (3D), orientado segn la anisotropa observada en el
variograma
Se suele dividir la vecindad en sectores angulares (cuadrantes en 2D
octantes en 3D) y buscar datos en cada sector
Los radios del elipse (elipsoide) no necesariamente corresponden a
los alcances del variograma, sino que se definen de manera de
poder encontrar suficientes datos para hacer la estimacin
Plan de Kriging
Ejemplo de vecindad mvil
Validacin del kriging

Para validar los parmetros del kriging (modelo de variograma,
vecindad elegida), se puede usar los siguientes mtodos:
Validacin cruzada: se estima sucesivamente cada dato

considerando solamente los datos restantes
Jack-knife: se divide la muestra inicial en dos partes (por

ejemplo, cuando hay dos campaas de sondajes), y se estima
una parte a partir de la otra
Luego, se hace un estudio estadstico de los errores cometidos para

saber si el kriging fue satisfactorio (buena precisin, poco sesgo
condicional)

Criterios de validacin:
medias de los errores y de los errores estandarizados:

deben ser cercanas a cero estimador sin sesgo
varianza de los errores: debe ser la ms baja posible

estimador preciso
varianza de los errores estandarizados: debe ser cercana a

1 el variograma cuantifica adecuadamente la incertidumbre
nube de dispersin entre valores reales y estimados: la

regresin debe acercarse a la diagonal insesgo condicional

Ejemplo: jack-knife entre dos campaas de sondaje de exploracin,
usando kriging ordinario. Se busca poner a prueba distintas
vecindades de kriging.
Plan 1: estimar con los 2 datos ms cercanos
Plan 2: estimar con los 24 datos ms cercanos (3 por octante)
Plan 3: estimar con los 48 datos ms cercanos (6 por octante)

Histogramas de los errores cometidos
Las medias de los errores son casi nulas insesgo

La mayor precisin se alcanza en los planes 2 y 3

Nubes de correlacin entre leyes reales y estimadas
El sesgo condicional y la dispersin de la nube son mnimos en los

planes 2 y 3

013 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

013 Kriging

Cargado por

Copyright:

Formatos disponibles

08 - Kriging

Estimadores lineales ponderados

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimadores lineales ponderados

La idea bsica es estimar el valor de una variable regionalizada (por

donde Z*(u) es el valor estimado para la posicin u, {Z(ui), i=1...n}

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimadores lineales ponderados

cercana a la posicin que est

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimadores lineales ponderados

Estimador del ms cercano

Tambin llamado estimador por

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimadores lineales ponderados

donde di es la distancia entre el dato ni y la posicin que se est

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimadores lineales ponderados

Inverso del cuadrado de la distancia

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimadores lineales ponderados

Los estimadores anteriores son sencillos de aplicar, pero la

La idea del mtodo de kriging es incorporar los otros criterios

De este modo, se logra obtener estimaciones ms precisas

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimadores lineales ponderados

Kriging es una coleccin de tcnicas generalizadas de regresin

El Kriging es el mejor estimador lineal insesgado (Best Linear

lineal porque es una combinacin lineal ponderada de los datos

insesgado porque el error de estimacin tendr una media igual a 0

mejor en el sentido del error de varianza mnima para un modelo

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimadores lineales ponderados

Existen varios tipos de kriging:

Kriging simple: media m conocida

Kriging no lineal: aplica kriging a una transformada de la variable

Kriging universal - intrnseco: la deriva es un polinomio de las coordenadas

Kriging multivariable = cokriging

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Para determinar el coeficiente a y los ponderadores {i, i=1...n}, se

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

E{Z (u) Z (u)} a i E{Z (u i )} E{Z (u)}

Para que este valor esperado sea nulo, se debe plantear

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

var{Z * (u) Z (u)}

var{Z * (u)} 2 cov{Z * (u), Z (u)} var{Z (u)}

cov{Z (u i ), Z (u j )} 2 i cov{Z (u), Z (u i )}

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Los ponderadores ptimos (que minimizan la varianza del error)

Este sistema de n ecuaciones con n ponderadores desconocidos es el

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

mide las correlaciones

mide las correlaciones

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

La media aparece con un ponderador que es el complemento de la

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Puede calcularse sin conocer los valores de los datos.

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Kriging Simple: ejemplo

Hay tres ecuaciones para determinar

C( 3,1) C( 3,2) C( 3,3) 3 C(0,3)

Recordar que C(h) = C(0) - g(h)