Professional Documents
Culture Documents
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
UNSCH
Estimadores lineales ponderados
UNSCH
Estimadores lineales ponderados
1
c d iw
a 0 i
1
i1 c d w
n
UNSCH
Estimadores lineales ponderados
UNSCH
Estimadores lineales ponderados
UNSCH
Ejemplo Simple - Datos
UNSCH
Ejemplo Simple Vecino ms cercano
UNSCH
Ejemplo Simple Inverso de la distancia
UNSCH
Estimadores lineales ponderados
UNSCH
Estimadores lineales ponderados
UNSCH
Kriging Simple
Hiptesis
g() = s2
UNSCH
Kriging
UNSCH
Kriging Simple
n
Z (u) a i Z (u i )
*
i1
UNSCH
Kriging Simple
Condicin de insesgo
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
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
[ ] 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
UNSCH
Kriging Simple
En notacin matricial:
UNSCH
Kriging Simple
El estimador se escribe:
n n
Z (u) i Z (u i ) {1 i } m
*
i1 i1
UNSCH
Kriging Simple
i1
UNSCH
Kriging Simple: ejemplo
En notacin matricial
UNSCH
Kriging Simple: ejemplo
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
UNSCH
Kriging Ordinario
Condicin de insesgo
i1
n
a i m m
i1
UNSCH
Kriging Ordinario
Condicin de varianza mnima
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
UNSCH
Kriging Ordinario
[ ] 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
UNSCH
Kriging Ordinario
En notacin matricial:
UNSCH
Kriging Ordinario
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
i1
n
i g (u i u)
i1
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
1 1 N
C (u i , V)
V V C (ui ,u)du N
k 1
C (u i , x k )
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
UNSCH
Observacin sobre el sistema de kriging
No toman en cuenta
informacin local: valores de los datos ( en particular, son indiferentes a
la presencia de un efecto proporcional)
UNSCH
Efecto de Distancia
Caso base y efecto del aumento en la distancia sobre los ponderadores
2 2
s K = 0,1888 s K = 0,2162
0,25 0,265
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)
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)
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
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
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
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
UNSCH
Plan de Kriging
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
UNSCH
Validacin del kriging
Para validar los parmetros del kriging (modelo de variograma, vecindad elegida),
se puede usar los siguientes mtodos:
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
UNSCH
Validacin del kriging
Criterios de validacin:
medias de los errores y de los errores estandarizados: deben ser cercanas a cero
estimador sin sesgo
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.
UNSCH
Validacin del kriging
UNSCH
Validacin del kriging
UNSCH
Fin
Gracias
UNSCH