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:
1
c d iw
a0 i
1
i1 c d w
n
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 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 no lineal: aplica kriging a una transformada de la variable
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)} a2-2ab+b2

n n n
= i j cov{Z (ui ), Z (u j )} 2 i cov{ Z (u), Z (u i )} C (0)

i1 j 1 i1
n n n
= C(u u ) 2 C (u u )
i1 j 1
i j i j
i1
i i 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 (ui u j ) 2 C (u ui ), i 1,...n
i j 1
e igualndola a cero:
n
C(u u
j 1
j i j ) C (u ui ), 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 ) 1 C (u1 u)

C (u u ) C (u u ) C (u u)
n 1 n n n n
mide las correlaciones mide las correlaciones

(redundancias) entre datos entre datos y valor a
estimar

Kriging Simple
El estimador se escribe:
n n
Z (u) i Z (u i ) {1 i } m
*
i1 i1
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
2
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) g 2,3

g 1,2 g 1,3
1 C( 2,1) 2 C( 2,2) 3 C( 2,3) C(0,2)
g 0,1 g 0,2
1 C( 3,1) 2 C( 3,2) 3 C( 3,3) C(0,3) g 0,3
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)
2
C( 3,1) C( 3,2) C( 3,3) 3 C(0,3)
Recordar que C(h) = C(0) - g(h)

Kriging simple con un efecto pepita cero y un variograma
esfrico istropo con tres alcances diferentes
Cambio del alcance
alcance = 1 alcance = 5
g alcance = 10
Distancia
1 2 3
alcance = 10 0.781 0.012 0.065
5 0.648 -0.027 0.001
1 0.000 0.000 0.000

Kriging simple con un variograma esfrico istropo con alcance
10 y tres diferentes efectos pepita
Cambio del efecto pepita

100%
75%
g
pepita = 25%
Distancia
1 2 3
pepita = 0% 0.781 0.012 0.065
25% 0.468 0.203 0.064
75% 0.172 0.130 0.053
100% 0.000 0.000 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
1 2 3
anisotropa 1:1 0.468 0.203 0.064
2:1 0.395 0.087 0.141
5:1 0.152 -0.055 0.232
20:1 0.000 0.000 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
n
a0
i1
i 1

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 n n
= i j cov{Z (ui ), Z (u j )} 2 i cov{ Z (u), Z (u i )} C (0)

i1 j 1 i1
n n n
= C(u u ) 2 C (u u )
i1 j 1
i j i j
i1
i i 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
n n n
n
var{ Z (u) Z (u)} i j C (ui u j ) 2 i C (u ui ) C (0) 2m i 1
*
i1 j 1 i1 i
1

0
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 (u1 u n ) 1 1 C (u1 u)

C (u u )
C (u n u n ) 1 C (u u)
n 1
n
n

0 m
1 1 1
mide las correlaciones mide las correlaciones

(redundancias) entre datos entre datos y valor a
estimar

Kriging Ordinario
Se puede escribir tambin en trminos de variograma
g (u1 u1 ) g (u1 u n ) 1 1 g (u1 u)

g (u u )
g (u n u n ) 1 g (u u)
n 1
n
n

0 m
1 1 1
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 2
KO (u) s i C (u i u) m
2
i1
n
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:
1
V V
Z(V) Z(u)du
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 1 N
C (u i ,V)
V V C (ui ,u)du N
k 1
C (u i ,x k )
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:
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
No toman en cuenta
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 Efecto de distancia
s s
2 2
K = 0,1888 K = 0,2162
0,25 0,265
50 0,25 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 pantalla Efecto de la anisotropa
s
2
K = 0,1668 s2K = 0,2248
0,247 0,074
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
2 2
0,215 0,3437
0,111 0,016
50 0,242 0,106 50 0,2674 0,013
0,111 0,016
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 50
g(h) = 0,2 + 0,8 Sph(100) 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

Kriging

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Kriging

Uploaded by

Copyright:

Available Formats

08 - Kriging

Estimadores lineales ponderados

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

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

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

cercana a la posicin que est

redundancia entre los valores

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimador del ms cercano

Tambin llamado estimador por

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Estimador del inverso de la distancia: atribuye a cada data una

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

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

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

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

Kriging simple: media m conocida

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

1) Se conoce el valor promedio m de la variable regionalizada

2) Tambin se conoce el variograma g(h), el cual presenta una meseta:

existe una funcion de covarianza, dada por C(h) = s2 g(h)

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

El valor esperado del error de estimacin es:

Para que este valor esperado sea nulo, se debe plantear

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

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)} a2-2ab+b2

= i j cov{Z (ui ), Z (u j )} 2 i cov{ Z (u), Z (u i )} C (0)

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Este sistema de n ecuaciones con n ponderadores desconocidos es el

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

C (u1 u1 ) C (u1 u n ) 1 C (u1 u)

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

Asimismo, es posible determinar el valor de la varianza del error

Puede calcularse sin conocer los valores de los datos.

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

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

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

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

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

Cambio del efecto pepita

1) No se conoce el valor promedio m de la variable regionalizada.

2) Slo se conoce el variograma g(h) o la funcin de covarianza

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

El valor esperado del error de estimacin es:

MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE

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)}

= i j cov{Z (ui ), Z (u j )} 2 i cov{ Z (u), Z (u i )} C (0)