Anda di halaman 1dari 26

Kriging I

MIN 235 Geoestadstica


Rodrigo Estay Huidobro
rodrigo.estayh@usm.cl

Estimadores lineales ponderados


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:

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.

Estimadores lineales ponderados

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)

Estimadores lineales ponderados


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

Estimadores lineales ponderados


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:

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

Estimadores lineales ponderados


Inverso de la distancia
Inverso de la distancia

Inverso del cuadrado de la distancia

Estimadores lineales ponderados


Kriging
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, +
$$$

Estimadores lineales ponderados


Kriging
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

Estimadores lineales ponderados


Kriging
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:

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:

Para que este valor esperado sea nulo, se debe plantear

Kriging Simple
Varianza mnima
La varianza del error de estimacin se expresa en funcin de la
covarianza

=
=

var{Z * (u)} 2 cov{Z * (u),Z (u)} var{Z (u)}


n


i1 j 1

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


i1

C (u u
i1 j 1

) 2 i C (u u i )
i1

C (0)

C (0)

Kriging Simple
Varianza mnima
Los ponderadores ptimos (que minimizan la varianza del error)
pueden determinarse tomando derivadas parciales con respecto a
los ponderadores

e igualndola a cero:

Este sistema de n ecuaciones con n ponderadores desconocidos


es el sistema de kriging simple (KS)

Kriging Simple
El estimador se escribe:

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:

Puede calcularse sin conocer los valores de los datos.


Se demuestra que esta varianza siempre es menor o
igual a s2.

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)}


*

i 1

a i m m
i 1

Siendo m desconocida, para que este valor esperado sea nulo


se debe plantear

a0

i 1

Kriging Ordinario
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


i1 j 1

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


i1

C (u u
i1 j 1

) 2 i C (u u i )
i1

C (0)

C (0)

Kriging Ordinario
Varianza mnima
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

var{Z (u) Z (u)} i j C (u i u j ) 2


*

i 1 j 1

i 1

i C (u u i ) C (0) 2 m i 1
1
i

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
i 1

Se desemboca en el sistema de kriging ordinario (KO)


n
j C (u i u j ) m C (u u i ) , i 1,... n
j 1
n
1
i

i 1

Kriging Ordinario
En notacin matricial:
C (u1 u1 )

C (u u )
n
1

C (u1 u n ) 1

C (u n u n ) 1

1
0

mide las correlaciones


(redundancias) entre datos

1



n
m

C (u1 u)

C (u u)
n

mide las correlaciones


entre datos y valor a
estimar

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

g (u u )
n
1

g (u1 u n ) 1

g (u n u n ) 1

1
0



n
m

g (u1 u)

g (u u)
n

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

2
s KO
(u) s 2 i C (u i u) m
i 1

i g (u i u) m
i 1

Puede calcularse sin conocer los valores de los datos.


En ocasiones, esta varianza puede ser mayor que s2.

Ejemplo
Dada la siguiente configuracin, calcular el estimador de kriging simple y
ordinario y las respectivas varianza para estimar Z(u0).
El modelo variogrfico a utilizar es: g(h) = 0,3 + 1,75 {1-exp(-3|h|/a)}
Se sabe que Z(u1) = 0,5 g/t, Z(u2) = 16 g/t y la media del sector (vecindad) es m
= 1,4 g/t

Z(u0)

Solucin KS:

Solucin KO:

1 = 0,208
2 = 0,410

1 = 0,399
2 = 0,601
m = 0,595

Z(u0) = 7,22 g/t


sKS = 1,43 (g/t)2

Z(u0) = 9,82 g/t


sKO = 1,66 (g/t)2

Z(u2)

Z(u1)

Kriging de bloques
El kriging (simple, ordinario) puede ser extendido a la
estimacin directa del valor promedio en un bloque:
Z(V)

1
Z(u)du

V
V

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
C (u i ,V)
V

1 N
C (ui ,x k )
V C (ui ,u)du N
k 1

donde {xk, k = 1 N} son puntos que discretizan el bloque V.