UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO

FACULTAD DE INGENIERIA GELOLOGICA, MINAS Y METALURGIA

ESCUELA PROFESIONAL DE “INGENIERIA DE MINAS”

GEO ESTADISTICA II ALUMNO: CODIGO:

DOCENTE: CARLOS COLQUE AQUINO
CLIMER LLACTAHUAMANI VALENZUELA 121937
ALBERT CCARITA GOZME 175271
MIGUEL W. CRUZ TAPARA 111065
TEMA: KRIGEADO RUTH HUACASI PUMA 100454
JAVIER SUMIRI MAMANI 101617
FRANKLIN SULLO HUARI 103383

GERMAN DIEGO AISA HUANCA 111795

KRIGEADO
Es un método usado comúnmente para la interpolación
espacial de variables geofísicas; El nombre que se lleva es
de origen sudafricano del ingeniero D.G. Krige

Paso clave

Para la aplicación de un Krigeado es que se debe definir la FUNCION

CORRELACIONAL ESPACIAL(Variograma)
 INFORMACION
• La toma de muestras da la información de lo que
ocurre en cada punto. Sin embargo, no da
información acerca de la relación que pueda existir
entre dichos puntos.

• la presicion del estimador depende de varios

factores.
• Numero de muestras
• Calidad de medicion de cada punto
• Ubicación de las muestras
• Distancias entre las muestras
• Continuidad espacial de la variable
El kriging es un estimador lineal,
INSESGADO(error de estimación tiene
esperanza nula), PRECISO(varianza del
error, mínima), se utiliza para interpolar una
variable regionalizada.
 es lineal: Es una combinación lineal ponderada
de los datos
 Insesgado: Tiene un error de estimación media
igual a cero.
 Garantiza la mínima varianza de la estimación
(reduce la mínima varianza del error de la
estimación)
 Interés de krigeado

Interés de krigeado
• El primer interés del krigeado deriva de su misma definición: Al
minimizar la varianza de estimación, estamos seguros de sacar el
mejor partido posible de la información disponible, o si se prefiere
obtener la estimación más precisa posible del panel en estudio.
Esta ventaja es a menudo notable, pero no se justificaría siempre,
debido a las complicaciones suplementarias que introduce
necesariamente una ponderación. El interés práctico más
importante del krigeado, proviene, no del hecho que asegura la
mejor precisión posible, sino más bien porque permite evitar un
error sistemático.
 Interés de krigeado

• Daniel Krige demostró que, si esta selección fuera

realizada considerando exclusivamente las muestras
interiores a cada panel, resultaría necesariamente en
promedio una sobre-estimación de los paneles
seleccionados. La razón de este problema muy general es
que la varianza de las leyes reales de los paneles es
siempre más débil que la varianza de los resultados de un
muestreo interior.
 Interés de krigeado

• Dicho de otra manera, el histograma de las leyes reales de los

paneles comporta menos leyes extremas (ricas o pobres)
luego tiene más leyes intermedias que el histograma deducido
de las muestras interiores, y si se calcula el efecto de una
selección sobre este último histograma, los paneles
eliminados serán en realidad menos pobres que lo que se
había previsto, y los paneles conservados menos ricos.
• Nuestra noción de krigeado permite interpretar fácilmente
este fenómeno, y corregir sus efectos.
 Interés de krigeado

Dos bloques contiguos .El color amarillo representa

mineral (con ley 1) y el blanco estéril (con ley 0).
Los círculos representan los datos. Se observa
que, en general, es necesario utilizar datos
externos al bloque.

Histograma de bloques y de muestras.

 Interés de krigeado

ejemplo: La figura siguiente

muestra un bloque que debe
ser estimado a partir de 8
muestras S1, S2, . . . , S8.

Se dice que hay una transferencia de influencia; es decir, la

influencia de la muestra S4 se reparte entre las muestras S5, S6, S7
y S8. Se puede afirmar que el krigeado “desagrupa” la información.

Por ejemplo, si se tiene un variograma lineal isótropo, se

tienen los pesos siguientes para estimar el bloque B:

Variograma lineal y pesos del krigeado. Se tienen 3 muestras.

Se produce un “desagrupamiento”
 ECUACION DE KRIGING
Ejemplo:

Minimizar la función A = x2 + y2 si x + y = 1. El método de LaGrange define la función

A' siguiente:
A' = x2 + y2 - 2(x + y - 1)

 es una incógnita auxiliar llamada parámetro de Lagrange. Observamos que A' es una función de tres variables: x,
y, . Por otra parte, si se verifica la condición x + y = 1, entonces A' = A.

El método de Lagrange consiste en igualar a cero las derivadas parciales de A':

 A' / x = 2x - 2 = 0

 A' / y = 2y - 2 = 0

 A' /  = -2(x + y - 1) = 0

Es fácil de ver que la solución de este sistema es: x = 0.5

y = 0.5

 = 0.5

Luego el mínimo de A' o de A es:

Ao = (0.5)2 + (0.5)2 = 0.5

VARIANZA DEL ERROR DE ESTIMACIÓN

Cuando damos un pronóstico, normalmente no se ofrece un solo valor puntual, sino un

intervalo en que creemos variará la predicción. Por tanto, junto al valor pronosticado
debemos ser capaces de ofrecer también el error asociado a ese pronóstico; una vez que
dispongamos de ese error, podremos computar el intervalo partiendo de una determinada
función de distribución del mismo.
Ejemplo 1:

En el caso del yacimiento isótropo de la figura IV.10, estudiado anteriormente:

Figura: V.6: Bloque a krigear, en negro la ley de la muestra, en azul el número de la muestra.

ẑV  1z(x1)  2 z (x2 )

se obtiene, con la ayuda de un programa computacional:

1 = 0.77

2 = 0.23

 ZV = 0.77 x 35 + 0.23 x 41 = 36.38

E = 2.37

 ZV = 36.38  2.37 (con 95% de confianza)

CARACTERISTICAS

•utilización del modelo de variograma (covarianza de varianza mínima

en el error)

•Lineal por que es una combinación lineal ponderada de los datos.

•Insesgado , con un error de estimación de media igual a cero.

Kriging Simple (KS)

• Se conoce la media 𝑚 de la variable y el variograma (ℎ), el cual

presenta una meseta 𝜎2. El estimador en un sitio 𝑥 del espacio esta
definido de la siguiente manera:

Donde {𝑥𝑖: 𝑖 = 1,…,} son sitios con datos ubicados en la vecindad de 𝑥.

Para determinar el coeficiente 𝑎 y los ponderadores 𝜆𝑖 𝑐𝑜𝑛 𝑖 = 1,..,, se examinan las
condiciones de insesgo y de varianza mínima, obteniéndose:

Donde (ℎ) = 𝜎2 −(ℎ) es la función de covarianza asociada al variograma 𝛾(ℎ). Este sistema de n
ecuaciones con n ponderadores desconocidos es el Sistema de Kriging Simple.
La varianza del error o “varianza de kriging” puede calcularse sin conocer los valores de los
datos y está dada por:
Kriging Ordinario (KO)
En esta variante del kriging, se desconoce la media de la variable. El considerar el valor de la
media como desconocido permite generalizar el estimador a situaciones donde esta media no
es constante en el espacio: la media puede variar de una región a otra, siempre que sea
aproximadamente constante en cada vecindad de kriging. Se conoce además el variograma el
cual puede o no tener meseta.

Al examinar las condiciones de insesgo y de varianza mínima se obtiene el Sistema de Kriging

Ordinario:

La varianza del error o “varianza de kriging” puede calcularse sin conocer los valores de los
datos y está dada por:
Kriging Universal (KU)
La función aleatoria no estacionaria es modelada como la suma de dos componentes: una
deriva determinista que varía suavemente (𝑥) y una componente residual estocástica que varía
erráticamente (𝑥). Así se tiene que:

Este kriging se sustenta en la hipótesis que la función aleatoria (𝑥) ya no es estacionaria y su

valor esperado varía en el espacio (deriva), reflejando una tendencia sistemática en la
distribución espacial de los valores.

La componente de deriva se modela como una suma ponderada de funciones conocidas 𝑓 (𝑢) y
coeficientes desconocidos 𝑎𝑙 𝑐𝑜𝑛 𝑙 = 0,…,:
Los ponderadores 𝜆𝑖 vienen dados por un sistema de ecuaciones, llamado Sistema de Kriging
Universal:

donde los 𝜇𝑙 son 𝐿 +1 parámetros de Lagrange.

KRIGEADO PUNTUAL

• Tiene la propiedad de ser un interpolador exacto en el

sentido de que si se desea estimar la ley en un punto
conocido, el krigeado proporciona la ley del dato con
una varianza igual a cero
 Kriging vs triangulación
El método de interpolación kriging utiliza Interpolación por triangulación es un
método muy flexible que puede crear
una cuadrícula de datos igualmente
una superficie rápidamente de
espaciados apunta a generar superficies . diferentes tipos de fuentes de datos.

 Estimaciones en kriging tienen un conocido grado mínimo de

variación.
 se puede determinar un cálculo de confianza a través de superficies.
 El procedimiento es beneficioso para el análisis de datos.
 La superficie resultante de kriging es un promedio, por lo que es
generalmente exacta.
 No respeta necesariamente los puntos de datos originales.
 Superficies de triangulación precisa seguir datos originales.
 VENTAJAS Y DESVENTAJAS DEL KRIGING
VENTAJAS
 su objetivo principal es minimizar la
varianza del error de estimación.
 tiene en cuenta la distribución de los
datos y la anisotropía cuantificada por
el variograma.
 Es consistente y puede ser usado en
diferentes soportes y escalas.
 Permite realizar predicciones precisas
de los datos.
DESVENTAJAS
 no es facil de entender.
 necesita mas parametros que los
métodos tradicionales.
 exige computación intensiva.
 requiere algoritmos numéricos
elaborados.
 consume tiempo.