La estimacin local

Ejemplo introductorio
Se busca estimar el valor en el sitio ? a partir de los valores en A, B, C, D, E, F

Estimador del ms cercano vecino

Atribuye toda la ponderacin al dato ms cercano al sitio a estimar. En este caso
se trata del dato ubicado en C.

Estimador del inverso de la distancia

Atribuye a cada dato una ponderacin inversamente proporcional a su distancia
con respecto al sitio a estimar.

Estimador del kriging

Busca mejorar la ponderacin de los datos al tomar en cuenta:
sus distancias con respecto al sitio a estimar
las redundancias entre los datos (posibles agrupamientos)
la estructuracin de la variable regionalizada (variograma)
privilegiar los datos cercanos si el variograma es muy regular
repartir la ponderacin entre los datos si existe un efecto pepita
en caso de anisotropa, privilegiar los datos que estn en las direcciones
de mayor alcance

La estimacin local: el kriging

Objetivos
realizar estimaciones locales, con el mejor estimador entre las combinaciones
lineales de los datos
considerar tanto la configuracin geomtrica de los datos como su
estructuracin espacial (modelada por el variograma o la funcin de covarianza)
evitar cometer errores sistemticos
apreciar cuantitativamente la precisin de la estimacin

Qu se estima?
Se puede estimar
el valor desconocido en un punto (kriging puntual)
el valor promedio de un bloque (kriging de bloque)
toda funcin lineal de la variable regionalizada (promedio ponderado,
derivada, gradiente...)

Las cuatro etapas del kriging

Lo que interesa: el error de estimacin, ms que el estimador mismo

Ejemplo con el kriging puntual en un sitio x0

Se plantea Z*(x0) como estimador de Z(x0)
El error de estimacin Z*(x0) Z(x0) debe someterse a 4 restricciones

restriccin de linealidad
n

Z* (x 0 ) a Z(x )
1

buscar los ponderadores {, 1... n} y el coeficiente aditivo a

restriccin de autorizacin
El error de estimacin Z*(x0) Z(x0) debe tener una esperanza y una varianza
finita

restriccin de insesgo
E[Z*(x0) Z(x0)] = 0
El estimador no tiende a sobrestimar ni subestimar el valor real desconocido

restriccin de optimalidad (varianza mnima)

var[Z*(x0) Z(x0)] mnima precisin mxima

Eleccin de la vecindad de kriging

Qu sitios con datos utilizar en la estimacin?
todos los datos = vecindad nica
los datos ms cercanos del punto o bloque a estimar = vecindad mvil
elegir el tamao y la forma de la vecindad
Forma
Idealmente, la vecindad debera tener la forma de las curvas de isovalores del
mapa variogrfico, para tomar en cuenta la anisotropa en la correlacin espacial
de los datos. En general, se suele tomar una vecindad en forma de elipse (2D) o
elipsoide (3D), lo cual corresponde idealmente a una anisotropa geomtrica.

Tambin, se suele dividir la vecindad en varios sectores angulares y buscar datos

en cada uno de estos sectores, para mejorar la reparticin de los datos en torno al
sitio a estimar.

Tamao
Los factores ms relevantes a considerar son el alcance del variograma y la
densidad del muestreo.

El kriging puntual
Kriging estacionario con media conocida (kriging simple)
Se supone que la funcin aleatoria en estudio es estacionaria de orden 2

E [Z(x)] m conocida

cov [Z(x h), Z(x)] C(h)

n

L
A

Linealidad:

Z* (x 0 ) a Z(x )
1

Autorizacin: no es una restriccin efectiva (estacionaridad)

Insesgo: la esperanza del error vale

n

E [ Z * (x 0 ) Z(x 0 )] a E [ Z(x )] E [ Z(x 0 )] a [ 1] m

de modo que se debe tener

n

a [1 ] m
1

Optimalidad:
n

var [ Z * (x 0 ) Z(x 0 )] C(0) C(x x ) 2 C(x x 0 )

1 1

buscar los ponderadores {1... n} que minimizan esta expresin

Sistema de kriging simple:

C( x x ) C( x x 0 )

1... n.

o sea
[C( x x )]

[ ] [C(x x 0 )]

C(x 1 x 1 ) C( x 1 x n ) 1
C( x 1 x 0 )

C( x x ) C( x x )
C( x x )
n
1
n
n
n
n
0

de donde se obtiene los ponderadores {, 1... n} ptimos

y el valor mnimo de la varianza del error (varianza de kriging)
n

( x 0 ) C( x x 0 )
2
KS

En el estimador, la media tiene un peso complementario al peso acumulado de los

datos: compensa la falta de informacin cuando los datos son escasos o alejados
n

Z * (x 0 ) Z(x ) [1 ] m

Ilustracin

Caso particular de un efecto pepita puro

Los ponderadores se anulan y el estimador es igual a la media conocida

Kriging estacionario con media desconocida (kriging ordinario)

Se supone la funcin aleatoria en estudio estacionaria de orden 2

E [Z(x)] m desconocida

cov [Z(x h), Z(x)] C(h)

Planteamos las cuatro etapas de construccin del kriging

n

L
A
I

Linealidad:

Z* (x 0 ) a Z(x )
1

Autorizacin: no es una restriccin efectiva (estacionaridad)

Insesgo: la esperanza del error vale

n

E [ Z (x 0 ) Z(x 0 )] a E [ Z(x )] E [ Z(x 0 )] a [ 1] m

*

Siendo m desconocida, se debe plantear

a0 y

Optimalidad:
n

var [ Z * (x 0 ) Z(x 0 )] C(0) C(x x ) 2 C(x x 0 )

1 1

buscar los ponderadores {1... n} que minimizan esta expresin

bajo la condicin de insesgo
Resolucin con el formalismo de los multiplicadores de Lagrange.
Sistema de kriging ordinario (con media desconocida)
C( x x ) 1

1
0

C( x 1 x 1 ) C( x 1 x n )

C ( x n x 1 ) C( x n x n ) 1

1
0

C( x x 0 )

C( x 1 x 0 )

C( x x )
n
0
n

de donde se obtiene los ponderadores {, 1... n} ptimos y el valor de la

varianza de kriging
n

2KO ( x 0 ) 2 C(x x 0 )
1

Expresin posible con ayuda del variograma en lugar de la covarianza:

Reemplazar C por
Ilustracin

Caso particular de un efecto pepita puro

Los ponderadores son todos iguales y el estimador coincide con la media
aritmtica de los datos

Kriging intrnseco ordinario

Se supone que la funcin aleatoria en estudio es intrnseca

E [Z(x h) Z(x)] 0

var [Z(x h) Z(x)] 2 (h)

La varianza de Z(x) puede ser infinita, slo existen las varianzas de los
crecimientos (combinaciones lineales de peso total nulo)

L
A

Linealidad:

Z* (x 0 ) a Z(x )
1

Autorizacin: la suma de los pesos de Z*(x0) Z(x0) debe ser igual a 0, lo

que entrega la condicin de autorizacin:
n

I
O

Insesgo: se debe plantear a 0 para tener insesgo

Optimalidad: la varianza del error se expresa con ayuda del variograma
n

var [ Z * ( x 0 ) Z( x 0 )] (0) (x x ) 2 (x x 0 )
0

1 1

buscar los ponderadores que minimizan esta expresin

bajo la condicin de autorizacin
Resolucin con el formalismo de los multiplicadores de Lagrange.

 Mismo sistema que el kriging ordinario estacionario, pero expresado con el

opuesto del variograma en lugar de la funcin de covarianza

Observaciones acerca del sistema de kriging

El kriging toma en cuenta:
las distancias entre el punto a estimar y los puntos con datos
la geometra de los puntos con datos (configuracin de kriging)
la estructura espacial de la variable estudiada
Pero los ponderadores y la varianza de kriging no toman en cuenta los valores
experimentales

El peso de un sitio de observacin depende de varios factores, entre los cuales:

proximidad geogrfica con el punto a estimar
redundancia con otros datos (clusters)
anisotropa
efecto pepita
efecto pantalla
Los pesos de kriging no son necesariamente positivos, ni inferiores a 1.

Propiedades del kriging

regularidad del sistema (salvo si existen datos duplicados)
interpolacin exacta
aditividad
suavizamiento
sesgo condicional
*

E[ Z( x 0 ) | Z ( x 0 )] Z ( x 0 )

Consecuencia
Se puede que la ley promedio sobre una ley de corte no est correctamente
evaluada si se basa en los valores estimados
elegir una vecindad de kriging suficientemente grande.

Aplicacin a los datos agronmicos (superficies de caa de azcar en

Guadalupe)
Se busca estimar localmente las superficies de caa de azcar a partir de un
muestreo regular, a la tasa del 1%
Eleccin del mtodo: kriging estacionario ordinario
de la vecindad: circular (isotropa), de radio 30 hm
Modelo de variograma elegido: variograma regional modelado (istropo)

Resultados

realidad

estimacin

desviacin estndar de kriging

Ilustracin de las propiedades del kriging

Insesgo
media de los valores reales:
21.25 %
media de los valores estimados: 21.27 %
Suavizamiento

Nubes de correlacin entre valores reales y estimados

Ilustran las propiedades de suavizamiento y sesgo condicional

suavizamiento

sesgo condicional (despreciable)

Aplicacin a los datos mineros

modelo variogrfico

vecindad: elipsoide de radios 100m 100m 150m

estimacin

kriging
ordinario

kriging simple
(media 0.9)

desviacin estndar de kriging

El kriging de bloques
Objetivo
Estimar directamente el valor promedio de un bloque de soporte v
Medir la precisin de la estimacin del bloque
Sistema de kriging ordinario
Slo cambia el segundo miembro del sistema
C( x x )

1
0

C( x1 x1 ) C( x1 x n )

C(x x ) C( x x )
n
1
n
n

C ( x , v)

1


1

0

C ( x1 , v)

C ( x n , v)

Ejemplo con los datos mineros (kriging ordinario)

Estimacin de las unidades de seleccin minera, de tamao 10m 10m 12m

realidad

kriging

desviacin estndar de kriging

Aunque la estimacin difiere poco del kriging puntual, la desviacin estndar de

estimacin es menor, debido al efecto de soporte.
Seleccin en base a los valores reales y estimados
Slo los bloques cuya ley supera una ley de corte (0.5%) son econmicamente
rentables.

real

estimado

Cuando se hace la seleccin (planta / botadero) en base al kriging, se debe tener

presente el suavizamiento, que altera los histogramas y las curvas tonelaje ley
entre valores estimados y reales.
Curvas tonelaje ley de los valores reales y estimados

Sesgo condicional
Aunque globalmente insesgado, el kriging puede ser sesgado si se considera
solamente las zonas de leyes estimadas mayores a la ley de corte (sesgo
condicional), lo que implica una desviacin entre la ley promedio prevista y
aquella efectiva y una mala apreciacin del valor econmico del yacimiento.

curvas de
beneficios
econmicos

Categorizacin de recursos y reservas

No todos los bloques estimados tienen el mismo grado de confiabilidad. Por eso,
se suele definir varias categoras 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 usan para efectos financieros y comerciales (evaluacin del proyecto
minero). Ahora bien, la definicin de cada categora es muy vaga y depende en
gran parte del criterio del especialista.
Una manera de identificar las categoras consiste en clasificar los bloques segn
su varianza de estimacin (la definicin de las varianzas lmites considera el tipo
de yacimiento y el muestreo).
Existe una categorizacin similar para las reservas, que son los recursos de los
bloques que se puede explotar tcnica y econmicamente.

Los efectos de los parmetros del modelo

Un ejemplo de configuracin

Objetivo
Estudiar los efectos de los parmetros del modelo sobre los ponderadores de
kriging y la desviacin estndar de kriging al estimar el sitio ? a partir de los
sitios de muestreo A, B, C, D y E.

Efecto del tipo de modelo

esfrico

gaussiano

Alcance

0.1

1.0

2.0

Meseta

meseta 1

meseta 2

Efecto pepita

sin efecto pepita

con efecto pepita

0.5

Efecto de hoyo

semi-perodo
0.2

semi-perodo
0.4

Anisotropa

istropo

anisotropa
geomtrica

Tipo de kriging
ordinario

simple

El kriging en el marco no-estacionario

Los tipos de kriging vistos anteriormente (simple, ordinario) asumen que la media
de la variable es constante a la escala de la vecindad de kriging.
Qu sucede cuando esta media o deriva vara a escala pequea?
Los modelos no-estacionarios ms usuales tratan de descomponer la variable en
estudio Z(x) en una deriva determinista m(x), que toma en cuenta la tendencia,
y un residuo aleatorio Y(x), el cual ser estacionario o intrnseco:
Z(x) Y(x) + m(x)
Existen varias formas posibles para la deriva:
polinomial con respecto a las coordenadas kriging universal
peridica kriging trigonomtrico
variable regionalizada adicional conocida exhaustivamente
kriging con deriva externa

El sistema de kriging se obtiene escribiendo las cuatro etapas clsicas (linealidad,

autorizacin, insesgo y optimalidad).
Sin embargo, la principal dificultad de estos enfoques no-estacionarios radica en
la identificacin del variograma subyacente:
a causa de la deriva, el estimador tradicional del variograma es sesgado con
respecto al variograma real (tiende a sobrestimarlo)
si se trata de estimar la deriva y restarla para volverse al estudio del residuo
estacionario, el estimador del variograma queda sesgado: esta vez, tiende a
subestimar el variograma real.
Vas de solucin
identificar una direccin del espacio donde la deriva permanece constante: el
variograma experimental direccional correspondiente no tendr sesgo, lo
que permite un modelamiento mediante una hiptesis de isotropa
recurrir al formalismo ms abstracto de las funciones intrnsecas generalizadas

que utiliza como herramienta una covarianza generalizada, la cual se puede

inferir sin sesgo mediante algoritmos automticos