GEOESTADÍSTICA

GEOESTADÍSTICA NO LINEAL

Prof. Orestes Gómez González, MSc., Geo. Eng., QP.

Departamento de Ingeniería en Minas
Universidad de Santiago de Chile
Senior Consultant and Geostatistician
orestes.gomez@usach.cl
 Contenido

• Geoestadística no Lineal
• Krigeaje Lognormal
• Krigeaje Multigaussiano
• Krigeaje con Rango Estandarizado (Rank Kriging)
• Krigeaje de Indicadores

2 / 22
Geoestadística No Lineal
La Geoestadística no Lineal son algoritmos del Krigeaje
Lineal (KS o KO) aplicados a transformaciones no lineales
de los datos originales.

Z(x) ---> variable regionalizada

Y(x) = F(Z(x)) ---> Transformación

Z*(x) = F-1(Y*(x)) ---> Transformación inversa

3 / 22
Krigeaje Lognormal (KL): Krigeaje aplicado a transformaciones logarítmicas de los
datos.

Transformación L(x) = Ln[Z(x)]

4 / 22
 Transformación inversa

Estimación Puntual:
Krigeaje Simple 
Z * ( x o )  exp L ( x o ) KS   LKS
2
2 
Krigeaje Ordinario Z* ( x )  exp  L ( x )
o o
KO
  LKO
2
2 

Estimación de Bloques:
Krigeaje Simple 
Z * ( v )  exp L ( v ) KS   KS
2
  2   (v, v ) 2  
Krigeaje Ordinario Z ( v )  exp  L ( v )
* KO
  2
KO   (v, v ) 2   
5 / 22
Krigeaje Multigaussiano (KM): Krigeaje aplicado a transformaciones gaussianas de los
datos.
(Es una generalización del Krigeaje Lognormal)

6 / 22
7 / 22
 Pasos para realizar una Transformada Normal

1.- Ordenar los datos originales z(xi) i = 1,2,…, n, es decir, obtener z(xi)
tal que z(x1) < z(x2) < z(xn)

2.- Calcular la frecuencia acumulada experimental de cada dato z(xi) por:

pk = (k - 0.5) / n k = 1,2,…, n

3.- Obtener la transformada normal del dato z(xi) por:

y(xi) = G-1[F(z(xi))] = G-1(pk)
donde G es la función de distribución normal estándar.
8 / 22
 Ejemplo

Z(x) Pk G(y)
1 0,135 0,05 -1,6449
2 0,275 0,15 -1,0364
3 0,570 0,25 -0,6745
4 0,910 0,35 -0,3853
5 1,310 0,45 -0,1257
6 1,325 0,55 0,1257
7 1,485 0,65 0,3853
8 2,120 0,75 0,6745
9 2,805 0,85 1,0364
10 3,925 0,95 1,6449 9 / 22
 2
1  Z  

Z(x)  N(μ,σ) g ( y) 
1
 2
e  
2  


z2

Z(x)  N(0,1) g ( y) 
1
2
e 
2

z2

e
y
1 
Pr(Z(x) < y)  G( y)  2
dz
2 
10 / 22
Graficamente

11 / 22
Datos.dat
NSCORE.EXE Nscore.out
Nscore.par

Normal
Geostatistical
Score
Parameters forEnvironmental
Transform:Geostatistical
NSCORE Assessment Environmental
Software Assessment
5****************************
6
Easting
START OF PARAMETERS:
Northing
Datos.dat - file with data
Arsenic
4 0 - columns for variable and weight
Cadmium
-1.0e21 1.0e21 - trimming limits
Lead
0 - 1=transform according to specified ref. dist.
288.0
Normal 311.0
Score.850
histsmth.out value11.5
- file18.25
with reference dist.
285.6
288.0
1 2 311.0
288.0 .850
.630 11.5
8.50 18.25
30.25 for -.54852
- columns variable and weight
273.6
285.6 269.0 .630
288.0
Nscore.out 1.02 8.50
7.00
- file 30.25
20.00
for output-.06271
280.8
273.6 249.0 1.02 7.00
269.0
Tabla.trn 10.7
- file 20.00
19.25
for output-.40792
transformation table
273.6 249.0
280.8 231.0 1.02
1.01 10.7
11.2 151.5
19.25 -.50058
276.0 231.0
273.6 206.0 1.01
1.47 11.2
11.6 151.5
37.50 2.39398
…
12 / 22
Nscore.out
BACKTR.EXE Backtr.out
Backtr.par

Back Transform: Normal Score Transform: Geostatistical En

Normal
7 Score
Parameters
Transform:Geostatistical
for BACKTR Environmental Assessment
Easting
6 ****************************
Easting
Northing
Northing
Arsenic
START OF PARAMETERS:
Arsenic
Cadmium
nscore.out -file with data
Lead
6
Cadmium - column with Gaussian variable
Normal
-1.0e21 Score
Lead 1.0e21value - trimming limits
Back
backtr.out
Transform
Normal Score value -file for output
288.0
nscore.trn
311.0 .850 11.5-file 18.25
with input
-.54852
transformation
18.25000
table
285.6
0.0 151.50
288.0 .630 8.50-minimum
30.25 and -.06271
maximum30.25000
data value
273.6
1 1.00269.0 1.02 7.00 -lower20.00
tail option
-.40792
and parameter
20.00000
280.8
1 151.50
249.0 1.02 10.7 -upper
19.25tail option
-.50058
and parameter
19.25000
273.6 231.0 1.01 11.2 151.5 2.39398 151.50000
…
276.0 206.0 1.47 11.6 37.50 .31864 37.50000
…
13 / 22
Krigeaje con Rango Estandarizado (KR): (Rank Kriging) Krigeaje aplicado a
transformaciones uniformes de los datos, logrando una distribución entre 0 y 1.

Krigeaje de Probabilidades.

14 / 22
Krigeaje de Indicadores (KI): Krigeaje aplicado a transformaciones
de indicadores de los datos.

Indicatriz: Y(x) = 1Z(x)Zc Zc Valor de corte (cutoff)

1 si Z ( x )  Zc
Y ( x)  
0 si no

1 si Z ( x )  Zc La posibilidad de que
Y ( x)   la variable Z(x) sea
0 si no
mayor o menor que Zc
1 si Z ( x )  Zc es del 1Z(x)Zc %
Y ( x)  
0 si no

E{1Z(x)Zc} = Pr{Z(x)Zc} 15 / 22
 Ejemplo:
Z(x) Contenido en %
19 17 11 E{Z(x)12%} = Pr (Z(x)  12%}
40m x x x
= 4/8 =0.5
14 ? 10
x • x
12 5 8 Datos transformados
x x x
1 1 0
x x x
40m
1 ? 0
x • x
1 0 0
 1Y ( x )1 2  0.25 Sph (100 m ) x x x

C(h) = C(0) - (h)

16 / 22
Sistema: (h)1Z(x)12 = 0.25 Sph(100)
 C11 C12 C13  C18   1  C10 
C x1 x2 x3
C22 C23 C28  2  C20 

40m
 21 
C31 C32 C33  C38    3   C30 
      x4 x0 x5
           
C81 C82 C83  C88  n  C80  x6 x7 x8

C11=C22=C33=C44=C55=C66=C77=C88=C(0) = 0.25 40m

C12=C14=C23=C35=C46=C58=C67=C78=C(40) = 0.108
C13=C16=C27=C38=C45=C68=C(80) = 0.014
C15=C17=C26=C28=C34=C37=C48=C56= C(89.44) = 0.004
C24=C25=C47=C57=C(402) = 0.061
C18=C36= C(802) = 0
C01=C03=C06=C08=C(402) = 0.061
C02=C04=C05=C07=C(40) = 0.108 17 / 22
Sustituyendo

0.250 0.108 0.014 0.108 0.004 0.014 0.004 0.000  1   0.061

 .
 0.250 0.108 0.061 0.061 0.004 0.014 0.004 2  0.108
 . . 0.250 0.04 0.108 0.000 0.004 0.014 3   0.061
     
 . . . 0.250 0.014 0.108 0.061 0.004 4  0.108
 
 . . . . 0.250 0.004 0.061 0.108   5  0.108
     
 . . . . . 0.250 0.108 0.014 6   0.061
 . . . . . . 0.250 0.108 7  0.108
     
 . . . . . . . 0.250 8   0.061

1 = 3 =  6 = 8 = A 0.278 0.224   A   0.061

0.224 0.386      0.108
2 =  4 = 5 =  7 = B    B  

A = -0.011 B = 0.286
18 / 22
Finalmente:

1     
 1   i  E 1Z ( x )12 
8 8
  i 1Z ( xi )12
KS
Z ( xo ) 12
i 1  i 1 
1 Z ( xo ) 12  KS
 - 0.011 x 1.000 + 0.286 x 1.000
- 0.011 x 0.000 + 0.286 x 1.000
+ 0.286 x 0.000 - 0.011 x 1.000
+ 0.286 x 0.000 - 0.011 x 0.000
+ (1 - 1.100) x 0.5000

1 Z ( xo ) 12  KS
 0.489 48.9 %
19 / 22
 19 17 11 Mínimo = 5.0 100 %
x x x
Cuartil 25% = 9.0 75 %

40m
14 ? 10
x • x Mediana 50% = 11.5 50 %
Cuartil 75% = 15.5 25 %
12 5 8
x x x Máximo = 19.0 0%

40m

1 1 1 1 1 0 1 1 0
x x x x x x x x x
1 ? 1 1 ? 0 0 ? 0
x • x x • x x • x
1 0 0 1 0 0 0 0 0
x x x x x x x x x

1Z(x)≥9.0 = 75 % 1Z(x)≥11.5 = 50 % 1Z(x)≥15.5 = 25%

20 / 22
Krigeaje Disyuntivo (KD): Krigeaje aplicado a transformaciones polinomiales de
los datos.

n
Z *
KD ( x )   f i  Z ( xi ) 
i 1

Siendo fi una función polinómica

KD puede ser usado, igual que KI, para derivar una función de distribución
específica de los datos para caracterizar la incertidumbre sobre valores
desconocidos Z(x).
El KD puede ser sustituido por el KI que resuelve el mismo problema de forma no
paramétrica.

21 / 22