GEOESTADISTICA

Docente: Ing. Víctor Gerardo Rivasplata Melgar

FUENTE: UNIVERSIDAD DE CHILE

CATEDRA: EVALUACIÓN DE YACIMIENTOS
Estimadores lineales ponderados
 La idea básica es estimar el valor de una variable regionalizada (por
ejemplo, la ley de cobre total) en una posición u donde no conocemos
el valor verdadero, planteando:

n
Z (u)  a    i  Z (u i )
*

i1

donde Z*(u) es el valor estimado para la posición 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

 ¿Qué factores podrían

considerarse en la asignación de
los ponderadores?

 cercanía a la posición que está

siendo estimada

 redundancia entre los valores

de datos

 continuidad o variabilidad
espacial

 anisotropía (dirección
preferencial)
Estimadores lineales ponderados
 Existen muchos estimadores y son sencillos de aplicar, pero la
asignación de la ponderación sólo depende del criterio de
cercanía.

 La idea del método de kriging es incorporar los otros criterios

(redundancias entre datos, continuidad espacial, anisotropía)
mediante el uso del variograma.

 De este modo, se logra obtener estimaciones más precisas

→ mejor planificación, mejor selección estéril / mineral, + $$$
Estimadores lineales ponderados
 Kriging es “una colección de técnicas generalizadas de regresión
lineal para minimizar una varianza de estimación 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 combinación lineal ponderada de los datos

 “insesgado” porque el error de estimación tendrá una media igual a 0

 “mejor” en el sentido del error de varianza mínima para un modelo

dado de variograma
KRIGING
 ponderador

5
Zˆ ( amarillo )   i (d amarillo , rojo i ) x Z ( rojo i )
i 1
 DEFINICIÓN
El krigeaje o krigeado (del francés krigeage) es un método
geoestadístico de estimación de puntos que utiliza un
modelo de variograma para la obtención de datos.
Calcula los pesos que se darán a cada punto de
referencias usados en la valoración. Esta técnica de
interpolación se basa en la premisa de que la variación
espacial continúa con el mismo patrón.

Fue desarrollada inicialmente por Danie G. Krige a partir

del análisis de regresión entre muestras y bloques de
mena, las cuales fijaron la base de la geoestadística lineal.
TÉCNICA DEL KRIGING DE MATHERON

Considerando las
variables Z(xi) que
están cerca de un
soporte geométrico
a estimar y dentro de
su aureola de
influencia. Aureola
definida por medio
de los alcances
estimados a partir de
un estudio de
variogramas.
Estimadores lineales ponderados
 Existen varios tipos de kriging:

 Kriging simple: media m conocida

 Kriging ordinario: media m desconocida
 Kriging con deriva: media desconocida que depende de cada posición m(u)
 Kriging universal - intrínseco: la deriva es un polinomio de las coordenadas
 Kriging trigonométrico: la deriva es una función periódica
 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 distribución 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
Hipótesis

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

2) También 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 )
*

i1

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

examina las condiciones de insesgo y de varianza mínima.
Kriging Simple
Condición de insesgo

El valor esperado del error de estimación es:

n
E{Z (u)  Z (u)}  a    i  E{Z (u i )} E{Z (u)}
*

i1
n
 a   i m  m
i1

 Para que este valor esperado sea nulo, se debe plantear

n
a  {1   i } m
i1
Kriging Simple
Condición de varianza mínima

La varianza del error de estimación se expresa en función 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)

i1 j 1 i1

n n n

=   C (u  u
i j i j )  2   i C (u  u i )  C(0)
i1 j 1 i1
Kriging Simple
 Los ponderadores óptimos (que minimizan la varianza del error)
pueden determinarse tomando derivadas parciales con respecto a los
ponderadores

[ ] n
 2   j C (u i  u j )  2 C (u  u i ), i 1,...n
 i j 1

e igualándola 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 notación 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
*

i1 i1

 La media aparece con un ponderador que es el complemento de la

ponderación acumulada de los datos. Mientras más lejos el sitio u de los
datos, menores serán sus ponderadores y mayor será la ponderación de
la media. De cierto modo, la media “compensa” la falta de
información aportada por los datos
Kriging Simple
Varianza del error

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

(que se minimizó). 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

i1

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)

 1  C( 2,1)   2  C( 2,2)   3  C( 2,3)  C(0,2)
 1  C( 3,1)   2  C( 3,2)   3  C( 3,3)  C(0,3)

 En notación 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: ejemplo
 Kriging simple con un efecto pepita cero y un variograma
esférico isótropo con tres alcances diferentes
Cambio del alcance
alcance = 1 alcance = 5

g alcance = 10

Distancia

λ1 λ2 λ3
alcance = 10 0.781 0.012 0.065
5 0.648 -0.027 0.001
1 0.000 0.000 0.000
Kriging Simple: ejemplo
 Kriging simple con un variograma esférico isótropo 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: ejemplo
 Kriging simple con un variograma esférico con un efecto pepita
del 25%, un alcance principal de 10 y alcances menores
diferentes
Cambio de anisotropía

 1  2  3
anisotropía 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
Hipótesis

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 región a otra, siempre que sea aproximadamente constante
en cada vecindad de kriging.

2) Sólo se conoce el variograma g(h) o la función de covarianza

C(h)
Kriging Ordinario
Condición de insesgo

El valor esperado del error de estimación es:

n
E{Z (u)  Z (u)}  a    i  E{Z (u i )} E{Z (u)}
*

i1
n
 a   i m  m
i1

 Siendo m desconocida, para que este valor esperado sea nulo se debe
plantear
n
a0 
i1
i 1
Kriging Ordinario
Condición de varianza mínima

La varianza del error de estimación se expresa en función 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)

i1 j 1 i1

n n n

=   C (u  u
i j i j )  2   i C (u  u i )  C(0)
i1 j 1 i1
Kriging Ordinario
 Los ponderadores óptimos (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 (u i  u j )  2    i C (u  u i )  C (0)  2m    i 1
*

i1 j 1 i1 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  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 notación 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 también en términos 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

i1
n
   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.
Observación sobre el sistema de
kriging
 Los ponderadores y la varianza de kriging toman en cuenta:
 aspectos geométricos: distancias entre el sitio a estimar y los
datos; distancias (redundancias) entre los datos mismos
 aspectos variográficos: continuidad espacial, anisotropía,
mediante la covarianza o el variograma

 No toman en cuenta
 información local: valores de los datos (→ en particular, son
indiferentes a la presencia de un efecto proporcional)

 A continuación, se presenta un estudio de la sensibilidad de los

resultados a cambios en la configuración geométrica de los
datos y del modelo variográfico.
Propiedades del Kriging
 interpolación exacta: la estimación en un sitio con dato es igual al valor del
dato y la varianza de kriging en este sitio vale 0

 aditividad: la estimación de la ley de un bloque es igual al promedio de las

estimaciones de leyes puntuales en este bloque

 suavizamiento: la dispersión de los valores estimados es menor que la

dispersión 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 evaluación
de procesos donde los valores extremos son importantes (→ simulaciones)

 insesgo y precisión: por construcción

 sesgo condicional: el error promedio puede no tener esperanza nula cuando se

considera sólo los sitios donde la ley estimada es alta (o baja). En general, el
sesgo condicional es pequeño si se usa suficientes datos (>15)
Propiedades del Kriging
Ilustración del sesgo condicional

 Al tener sesgo condicional, se incurre en una mala apreciación del

negocio. La ley media del material mandado a planta (material cuya
estimación 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.
Propiedades del Kriging
Ilustración del suavizamiento
Plan de Kriging
¿Cuáles son los datos a utilizar en la estimación?

 Vecindad única: se usa todos los datos

 Vecindad móvil: se usa sólo los datos cercanos al sitio (bloque)

a estimar
 En general, se toma una vecindad en forma de elipse (2D) o
elipsoide (3D), orientado según la anisotropía observada en el
variograma
 Se suele dividir la vecindad en sectores angulares (cuadrantes en 2D
ú 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 estimación
Plan de Kriging
Ejemplo de vecindad móvil
Validación del kriging
Para validar los parámetros del kriging (modelo de variograma,
vecindad elegida), se puede usar los siguientes métodos:

 Validación 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 campañas de sondajes), y se estima
una parte a partir de la otra

Luego, se hace un estudio estadístico de los errores cometidos para

saber si el kriging fue “satisfactorio” (buena precisión, poco sesgo
condicional…)
Validación del kriging
Criterios de validación:

 medias de los errores y de los errores estandarizados:

deben ser cercanas a cero  estimador sin sesgo

 varianza de los errores: debe ser la más baja posible 

estimador preciso

 varianza de los errores estandarizados: debe ser cercana a

1  el variograma cuantifica adecuadamente la incertidumbre

 nube de dispersión entre valores reales y estimados: la

regresión debe acercarse a la diagonal  insesgo condicional
 Validación del kriging
Criterios de validación:

 medias de los errores y de los errores

estandarizados: deben ser cercanas a cero 
estimador sin sesgo

 varianza de los errores: debe ser la más baja

posible  estimador preciso

 varianza de los errores estandarizados: debe ser

cercana a 1  el variograma cuantifica
adecuadamente la incertidumbre

 nube de dispersión entre valores reales y

estimados: la regresión debe acercarse a la diagonal
 insesgo condicional
Validación del kriging
Ejemplo: jack-knife entre dos campañas de sondaje de exploración,
usando kriging ordinario. Se busca poner a prueba distintas
vecindades de kriging.

 Plan 1: estimar con los 2 datos más cercanos

 Plan 2: estimar con los 24 datos más cercanos (3 por octante)

 Plan 3: estimar con los 48 datos más cercanos (6 por octante)

Validación del kriging
Histogramas de los errores cometidos

Las medias de los errores son casi nulas  insesgo

La mayor precisión se alcanza en los planes 2 y 3
Validación del kriging
Nubes de correlación entre leyes reales y estimadas

El sesgo condicional y la dispersión de la nube son mínimos en los

planes 2 y 3
 MODELO
ESFÉRICO

MODELO
EXPONENCIAL

MODELO
GAUSSIANO
Ejemplo de aplicación:
A partir de los valores de la potencia de un manto de Hematita en los
puntos A y B, se desea estimar la potencia en el punto C. Considerando
que la potencia del manto tiene el siguiente modelo de variograma.

Previamente nosostros hemos

calculado el variograma y hemos
obtenido el siguiente modelo con
los siguientes datos

Modelo de Matheron o también denominado

esférico.
Entonces tendremos a partir del sistema de ecuaciones anterior, el siguiente sistema
particular:

c
c

Reemplazando:
Entonces tendremos a partir del sistema de ecuaciones anterior, el siguiente sistema
particular:
Entonces
del sistematendremos a partir
de ecuaciones del sistema
anterior, de ecuaciones
el siguiente sistema anterior, el siguiente sis
particular:

Reemplazando:

Reemplazando:

ó
Parámetro auxiliar que será usado
posteriormente en la fórmula de la
varianza de Kriging de Matheron.
Siendo la potencia estimada del manto
igual a:

0.685x2 + 0.315x5
Reemplazamos:

2.945 m
Ahora veamos cuál es el error que se comete en esta
estimación, para lo cual particularizamos la fórmula de la
varianza de Kriging de Matheron dada anteriormente.

Reemplazando:

Este valor es el error cometido en el proceso de estimación

realizado.
Se tiene un conjunto de cuatro muestras de un yacimiento de plomo cuyas leyes son:
S1= 8.2 %; S2= 9.6 %; S3= 13.1 %; S4= 6.4 % y el punto donde se quiere calcular la ley
es Xo. Su situación geométrica se puede apreciar en el esquema que se acompaña. El
variograma se ajusta a un modelo de tipo esférico de alcance a= 250 m, un efecto pepita
C0= 17 y un valor de meseta C= 66. Las ecuaciones del variograma son: