KEVIN ROJAS ATALAYA

INTRODUCCIN
El kriging es un trmino que ha sido acuado para designar
al "mejor estimador lineal insesgado" de un punto y al
mejor promedio lineal mvil ponderado de un bloque.
Este nombre apareci alrededor de 1960 para nombrar una
tcnica creada en Francia por Matheron a partir de los
trabajos de D. G. Krige quin fue probablemente el primero
que hizo uso de la correlacin espacial y del mejor
estimador lineal insesgado en el campo de la evaluacin de
yacimientos minerales.
El kriging es una tcnica de estimacin local que ofrece el
mejor estimador lineal insesgado de una caracterstica
desconocida que se estudia. La limitacin a la clase de
estimadores lineales es bastante natural ya que esto
significa que solamente se requiere el conocimiento del
momento de segundo orden de la funcin aleatoria (la
covarianza o el variograma) y que en general en la prctica
es posible inferir a partir de una realizacin de la misma.

Ing. De minas

KEVIN ROJAS ATALAYA

MTODO DEL KRIGING

DEFINICIN.

Ing. De minas

KEVIN ROJAS ATALAYA

El krigeaje o krigeado (del francs krigeage) es un mtodo

geoestadstico de estimacin de puntos que utiliza un modelo
de variograma para la obtencin de datos. Calcula los pesos que
se darn a cada punto de referencias usadas en la valoracin. Esta
tcnica de interpolacin se basa en la premisa de que la variacin
espacial contina con el mismo patrn.
Fue desarrollada inicialmente por Danie G. Krige a partir del anlisis
de regresin entre muestras y bloques de mena, las cuales fijaron la
base de la geoestadstica lineal.

GENERALIDADES SOBRE EL KRIGING

La toma de muestras da la informacin de lo que ocurre en cada
punto. Sin embargo, no da informacin acerca de la relacin que
pueda existir entre dichos puntos. Se requiere de una forma precisa
de estimar valores en puntos intermedios o en el caso de bloques, por
ejemplo, estimar el promedio sobre el bloque. La precisin del
estimador usado depende de varios factores:

El nmero de muestras tomadas.

La calidad de la medicin en cada punto.
Las ubicaciones de las muestras en la zona; si las muestras son
igualmente espaciadas se alcanza una mejor cobertura, dando
mayor informacin acerca de la zona que aquella que se
obtendra de muestras muy agrupadas en unos sectores y
separadas en otros. Sin embargo, en la prctica, debido a las
caractersticas de las regiones de estudio, muchas veces es
preciso tomar muestras irregularmente espaciadas.
Las distancias entre las muestras; para la prediccin es ms
confiable usar muestras vecinas que muestras distantes, esto
es, la precisin mejora cuando la cercana de las muestras
aumenta, y se deteriora cuando esta disminuye. La
extrapolacin no es aconsejable.
La continuidad espacial de la variable o atributo en estudio; es
ms fcil estimar el valor de una variable bastante regular en
una regin que una que presenta grandes fluctuaciones.

TCNICA DEL KRIGING DE MATHERON

Considerando las variables Z (xi) que estn cerca de un soporte
geomtrico a estimar y dentro de su aureola de influencia.
Aureola definida por medio de los alcances estimados a partir de un
estudio de variogramas.

Ing. De minas

KEVIN ROJAS ATALAYA

CLASIFICACIN DEL KRIGING

Segn el soporte de la medicin de los datos.
Puntual.

Por bloques

Hemos visto hasta el momento estimaciones en un punto,

en el caso cuando se desea conocer el valor promedio
sobre una regin o bloque, se formulan las ecuaciones del
Kriging de manera anloga al caso puntual.
En el kriging por bloques en lugar de estimar el valor en
un punto Z k se considera una regin V k de rea A k
con centro en el punto

Zk .

Kriging simple: (Media m conocida) Asume que las medias

locales son relativamente constantes y de valor muy semejante

Ing. De minas

KEVIN ROJAS ATALAYA

a la media de la poblacin que es conocida. La media de la

poblacin es utilizada para cada estimacin local, en conjunto
con los puntos vecinos establecidos como necesarios para la
estimacin. Es un mtodo utilizado en los Casos mineros.
Kriging ordinario: Media m desconocida. Las medias
locales no son necesariamente prximas de la media de la
poblacin, usndose apenas los puntos vecinos para la
estimacin. Es el mtodo ms ampliamente utilizado en los
problemas ambientales, mineros (Casos mineros).
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

Conveniente cuando la variable primaria no se ha
suficientemente. La precisin de la valoracin puede ser
mejorada considerando las correlaciones espaciales entre la
variable primaria y la mejor-muestreada variable.
Ejemplo: datos extensos de voladura como la variable
secundaria - datos extensamente espaciados de exploracin
como la variable primaria.
Pasos de Cokriging para datos de barrenos y sondajes de
voladura
Regularice los datos de sondajes de voladura en un
tamao de bloque especificado. El tamao de bloque
podra ser igual que el tamao de los bloques del modelo
cuales sern evaluados, o una subdivisin discreta de
tales bloques. Una nueva base de datos de los valores
Ing. De minas

KEVIN ROJAS ATALAYA

medios del bloque de sondajes de voladura se establece

as.
Anlisis de Variograma de los datos de barrenos.
Anlisis de Variograma de los datos de sondaje de
voladura.
Anlisis del variograma-cruzado entre el barreno y los
datos de sondaje de voladura. Aparee cada valor del
barreno con todos los valores de sondajes de voladura.
Seleccin de los parmetros de la bsqueda y de
interpolacin.
Cokriging.

Ejemplos de Kriging lineal ms usuales

Todos los estimadores "kriging" pueden ser interpretados como
proyecciones de un valor desconocido Z (x) en el conjunto de los
posibles estimadores. Mientras ms amplio sea el conjunto en el cual
es hecha la proyeccin ms cercano estar el estimador kriging
correspondiente del valor desconocido y se necesitarn ms
requisitos.

KRIGING SIMPLE
El caso ms simple se denomina kriging simple y la hiptesis bsica
es la estacionaridad junto con el hecho de que se asume que la media
de la funcin aleatoria es conocida.

Hiptesis
1. Se conoce el valor promedio m de la variable regionalizada.
2. Tambin se conoce el variograma (h), el cual presenta una
meseta:
()=

Existe una funcin de covarianza, dada por C(h)

2
= - (h)

Queremos construir el mejor estimador lineal insesgado para

estimar el valor en un sitio u. Bajo estas condiciones, el valor
estimado ser una combinacin lineal ponderada de los valores
conocidos:
n

Z ( u ) =a+ i . Z(ui)
i=1

Se asume inicialmente, que la media es nula.

Ing. De minas

KEVIN ROJAS ATALAYA

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

examina las condiciones de insesgo y de varianza mnima.

Condicin de insesgo
Se tiene entonces que la varianza de estimacin es la varianza de la
diferencia entre el valor estimado (combinacin lineal de los puntos
medidos) menos el valor real desconocido del punto a estimar. Esta
varianza se puede descomponer en la doble suma ponderada de las
covarianzas de las distancias entre las muestras ms la covarianza a
priori del modelo variogrfico utilizado, menos dos veces la suma
ponderada de las covarianzas entre el punto a estimar y los puntos
medidos:
El valor esperado del error de estimacin es:
n

i=1

i=1

E { Z ( u )Z ( u ) }=a+ i . E { Z ( ui ) }E { Z ( u ) }=a+ i .mm

Para que este valor esperado sea nulo, se debe plantear

a= 1 i . m
i=1

Condicin de varianza mnima

La varianza del error de estimacin se expresa en funcin de la

covarianza Var { Z ( u )Z (u) }

Los ponderadores ptimos (que minimizan la varianza del error)

pueden determinarse tomando derivadas parciales con respecto a los
ponderadores.
n

[ ]
=2. j C ( uiu j ) 2. C ( uui ) , i=1, n
i
j=1

He igualndola a cero:

Ing. De minas

KEVIN ROJAS ATALAYA

n

j C ( uiu j ) =C ( uui ) ,i =1, n

j=1

Este sistema de n ecuaciones con n ponderadores desconocidos es el

sistema de kriging simple (KS)

En notacin matricial:

El estimador se escribe:

Z ( u ) = i . Z ( ui ) + 1 i . m

i=1

i=1

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.

Varianza del error.

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

2KS ( u )= 2 i . C (uiu)
i=1

Puede calcularse sin conocer los valores de los datos. Se demuestra

2
que esta varianza siempre es menor o igual a .

KRIGING ORDINARIO
Definicin:

Ing. De minas

KEVIN ROJAS ATALAYA

Kriging ordinario es un estimador diseado especialmente para

la estimacin de las leyes de bloques.
Es una combinacin lineal de los datos disponibles dentro o
cerca al bloque, tal que la estimacin es imparcial y tiene
variacin mnima.
Lineal porque sus estimaciones son combinaciones lineales de
los datos disponibles.
Imparcial puesto que la suma de los pesos ponderados es 1.
Es el mejor posible porque tiene como objetivo el reducir al
mnimo de la varianza de los errores.
El kriging ordinario se usa cuando la variable es estacionaria con
covarianza conocida y media desconocida. Aunque el proceso es
similar al del kriging simple, no podemos centrar la variable, ya que
no conocemos , as que es necesario trabajar directamente con la
variable en estudio Z.
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 (h) o la funcin de covarianza
C(h)
Condicin de insesgo
El valor esperado del error de estimacin es:
n

i=1

i=1

E { Z ( u )Z ( u ) }=a+ i . E { Z ( ui ) }E { Z ( u ) }=a+ i .mm

Siendo m desconocida, para que este valor esperado sea
nulo se debe plantear.
n

a=0 i=1
i=1

Condicin de varianza mnima

La varianza del error de estimacin se expresa en funcin
de la covarianza.
Var { Z ( u )Z (u) }

Ing. De minas

KEVIN ROJAS ATALAYA

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

Y anulando las derivadas parciales con respecto a los ponderadores y

con respecto al multiplicador de Lagrange.
Las derivadas parciales son:

Se desemboca en el sistema de kriging ordinario (KO)

En notacin matricial:

Ing. De minas

KEVIN ROJAS ATALAYA

Se puede escribir tambin en trminos de variograma.

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.

Varianza del error.

La varianza del error (varianza de kriging) vale:

Puede calcularse sin conocer los valores de los datos. En ocasiones,

2
esta varianza puede ser mayor que .

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)

Ing. De minas

KEVIN ROJAS ATALAYA

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.

PROPIEDADES DEL KRIGING

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 suaviza miento

Ing. De minas

KEVIN ROJAS ATALAYA

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 u octantes en 3D) y buscar datos en
cada sector.
Los radios de la 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.
Ejemplo de vecindad mvil.

Ing. De minas

KEVIN ROJAS ATALAYA

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 entonces estimador sin sesgo.
Varianza de los errores: debe ser la ms baja posible
entonces estimador preciso
Varianza de los errores estandarizados: debe ser cercana a
1entonces el variograma cuantifica adecuadamente la
incertidumbre
Nube de dispersin entre valores reales y estimados: la
regresin debe acercarse a la diagonal entonces insesgo
condicional.

Ing. De minas

KEVIN ROJAS ATALAYA

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.

Ing. De minas

KEVIN ROJAS ATALAYA

MODELOS TERICOS DE VARIOGRAMAS

ASPECTOS PRCTICOS DEL KRIGING

1.

Definir una malla de estimacin:

Si bien no hay restricciones para la malla de estimacin

usualmente se eligen mallas regulares debido a que su
geometra facilita la representacin grfica de los
resultados en forma de mapas de contornos, relieves, etc.

Una recomendacin prctica respecto al tamao de la

celda de la malla es que debe ser de un orden
aproximadamente igual a la distancia mnima de
separacin de los datos, puesto que sta es la resolucin
de la informacin que se dispone.

Ejemplo de malla de estimacin rectangular:

2. Definir una vecindad de bsqueda:

Ing. De minas

KEVIN ROJAS ATALAYA

La vecindad de bsqueda se define con respecto al punto a

estimar y determina cuales puntos vecinos potencialmente sern
tomados en la estimacin.

Caso isotrpico: tomar una circunferencia con centro en el

punto a estimar y radio igual o menor al alcance del
variograma.
Caso anisotrpico: tomar una elipse con centro en el punto a
estimar y semiejes iguales o menores a los alcances del
variograma anisotrpico.
Ejemplo de vecindad de bsqueda para el caso anisotrpico.

3. Definir cantidad de puntos de la estimacin:

Una vez definida la vecindad de bsqueda hay que especificar
cuantos puntos intervendrn en la estimacin. Esto determina el
tamao de la matriz del Kriging. Para toda la vecindad se pueden
tomar como valores prcticos:

Mnimo de puntos: entre 4 y 6 puntos.

Mximo de puntos: entre 10 y 25 puntos.
Tambin se pueden establecer cantidades min. Y mx. Por
cuadrante, octante, etc.

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

VENTAJAS DE KRIGING
Considera
las
caractersticas
espaciales
continuidad.
Estimador exacto
Capacidad incorporada para desagrupar.
Calcula la varianza de kriging para cada bloque.
Robusto

de

DESVENTAJAS DE KRIGING

Requiere computadora
Requiere variografia previa
Consume ms tiempo
Efecto suavizante de la funcin

En general, el kriging es ptimo cuando la variable en estudio

proviene de una poblacin con distribucin normal. La alternativa con
cual se debe trabajar es aplicarle a la variable una transformacin
que la lleve a una normal y a partir de la nueva variable transformada
estimar el semivariograma y aplicarle las ecuaciones del kriging. Al
final, el anlisis requiere llevar la variable a su escala original. Un
caso que surge bastante en casos prcticos es el de la distribucin
lognormal.

EJEMPLOS

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

Ing. De minas

KEVIN ROJAS ATALAYA

ESTA EN EL ECXEL.

Ing. De minas