08 Estimacin geoestadstica

Introduccin

Dado que el muestreo es parcial y slo nos indica lo que sucede en las
posiciones de los datos, es necesario estimar el valor de la ley en puntos sin
muestra.
Adems, estamos interesados en saber el valor de la ley de un bloque de
dimensiones diferentes a las de la muestra cambio de soporte
Definiremos estimadores con ciertas caractersticas:
Lineal: el valor estimado es una combinacin lineal de los datos disponibles
(usualmente en una vecindad del punto a estimar)
Insesgado: en promedio, el estimador entrega el valor correcto, sin sesgo
sistemtico (pero con cierta imprecisin)
ptimo: el estimador ser tal que minimice la varianza del error de estimacin
(ser por lo tanto el ms preciso).

UNSCH
 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:

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.

UNSCH
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)

UNSCH
Estimadores lineales ponderados

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

UNSCH
Estimadores lineales ponderados

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
a 0 i
1
i1 c d w
n

donde di es la distancia entre el dato i y la posicin que se est estimando, c es

una constante pequea, y w es un valor usualmente comprendido entre 1 y 3

UNSCH
Estimadores lineales ponderados

Inverso de la distancia Inverso del cuadrado de la distancia

UNSCH
Estimadores lineales ponderados

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, + $$$

UNSCH
Ejemplo Simple - Datos

UNSCH
Ejemplo Simple Vecino ms cercano

UNSCH
Ejemplo Simple Inverso de la distancia

UNSCH
Estimadores lineales ponderados

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

UNSCH
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 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.

UNSCH
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)

UNSCH
Kriging

Considere los valores de residuos respecto a la media:

Y(ui)= Z(ui) - m(ui), i=1,,n
donde m(u) podra ser constante, variable localmente o considerada constante pero
desconocida.
El variograma se define como:
2 g(h) = E{[Y(u}) - Y(u + h)]2}
La covarianza se define como:
C(h) = E{Y(u) Y(u + h)}
Relacin entre el variograma y la covarianza:
C(h) = C(0) - g(h)
C(0) = meseta
g(h)
C(h)

UNSCH
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.

UNSCH
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, sen debe plantear
a {1 i } m
i1

UNSCH
 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

C (0)
n n n
=
i 1 j 1
i j cov{Z (u i ), Z (u j )} 2 i cov{Z (u), Z (u i )}
i1

C (0)
n n n
= C (u u
i 1 j 1
i j i j ) 2 i C (u u i )
i1

UNSCH
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 (u i u j ) 2 C (u u i ), i 1,...n
i j 1

e igualndola a cero:
n

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

Este sistema de n ecuaciones con n ponderadores desconocidos es el sistema

de kriging simple (KS)

UNSCH
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

UNSCH
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

UNSCH
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 s 2.

UNSCH
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)

UNSCH
Kriging Simple: ejemplo

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

UNSCH
Kriging Simple: ejemplo

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

UNSCH
Kriging Simple: ejemplo

Kriging simple con un variograma esfrico con un efecto pepita del 25%, un
alcance principal de 10 y alcances menores diferentes

Cambio de anisotropa

UNSCH
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)

UNSCH
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

n esperado sea nulo se debe plantear
a 0
i1
i 1

UNSCH
 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)}

C (0)
n n n
= i j cov{Z (u i ), Z (u j )} 2 i cov{Z (u), Z (u i )}
i 1 j 1 i1

C (0)
n n n
= C (u u
i 1 j 1
i j i j ) 2 i C (u u i )
i1

UNSCH
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 (u i u j ) 2 i C (u u i ) C (0) 2 i 1
*

i1 j 1 i1 i1
0

y anulando las derivadas parciales con respecto a los ponderadores y con

respecto al multiplicador de Lagrange

UNSCH
Kriging Ordinario

Las derivadas parciales son:

[ ] n
2 j C (u i u j ) 2 C (u u i ) 2 , i 1,...n
i j 1

[ ] n
2 i 1
i1

Se desemboca en el sistema de kriging ordinario (KO)

n
j C (u i u j ) C (u u i ), i 1,... n
j1
n
1

i1
i

UNSCH
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

1 1 0 1

mide las correlaciones mide las correlaciones

(redundancias) entre datos entre datos y valor a
estimar

UNSCH
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

1 1 0 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

UNSCH
Kriging Ordinario

Varianza del error

La varianza del error (varianza de kriging) vale:

n
s 2
KO (u) s i C (u i u)
2

i1
n
i g (u i u)
i1

Puede calcularse sin conocer los valores de los datos.

En ocasiones, esta varianza puede ser mayor que s 2.

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

1
Z( V )
V Z(u)du
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 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.

UNSCH
Kriging de bloques

Sistema puntual
C ( x 1 x 1 ) C ( x 1 x n ) 1 1 C ( x 1 x 0 )



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

1 1
0 1

Sistema bloques

C (x1 x1 ) C (x1 x n ) 1 B1 C (x1 x 0, j )

C (x x ) C (x x ) 1 Bn C (x n x 0, j )
n 1 n n

1 1
0 B 1

UNSCH
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.

UNSCH
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

2 2
s K = 0,1888 s K = 0,2162

0,25 0,265

50 0,25 0,25 50 0,303 0,303

0,25
0,129

50 50
UNSCH
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

2 2
s K = 0,1668 s K = 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
UNSCH
 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

2 2
s K = 0,1668 s K = 0,2107

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

UNSCH
Cambio en efecto pepita

Efecto sobre los ponderadores de un cambio en el efecto pepita

Caso base Cambio en el efecto pepita

2 2
s K = 0,0827 s K = 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)

UNSCH
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)
UNSCH
Propiedades del Kriging

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
UNSCH
este material.
Propiedades del Kriging

Ilustracin del suavizamiento

UNSCH
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

UNSCH
Plan de Kriging

Ejemplo de vecindad mvil

UNSCH
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)

UNSCH
Validacin del kriging
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

UNSCH
Validacin del kriging

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)

UNSCH
Validacin del kriging

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

UNSCH
Validacin del kriging

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

UNSCH
Fin

Gracias

UNSCH