08 – Estimación geoestadística

Introducción

• Dado que el muestreo es parcial y sólo nos indica lo que sucede en las
posiciones de los datos, es necesario estimar el valor de la ley en puntos sin
muestra.
• Además, 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 características:
• Lineal: el valor estimado es una combinación lineal de los datos disponibles
(usualmente en una vecindad del punto a estimar)
• Insesgado: en promedio, el estimador entrega el valor correcto, sin sesgo
sistemático (pero con cierta imprecisión)
• Óptimo: el estimador será tal que minimice la varianza del error de estimación
(será por lo tanto el más preciso).

UNSCH
 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.

UNSCH
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)

UNSCH
Estimadores lineales ponderados

• Estimador del más cercano vecino:

atribuye toda la ponderación al dato
más cercano al sitio a estimar (i = 1
para el dato más cercano, i = 0 para
los otros datos, a = 0)

• También llamado “estimador por

polígonos de influencia”, puesto que
el sitio a estimar se encuentra en el
polígono de influencia del dato que
se lleva toda la ponderación

UNSCH
Estimadores lineales ponderados

• Estimador del inverso de la distancia: atribuye a cada data una ponderación

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
i1 c  d w
n

donde di es la distancia entre el dato i y la posición que se está estimando, c es

una constante pequeña, 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 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, + $$$

UNSCH
Ejemplo Simple - Datos

UNSCH
Ejemplo Simple – Vecino más cercano

UNSCH
Ejemplo Simple – Inverso de la distancia

UNSCH
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

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 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.

UNSCH
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)

UNSCH
Kriging

• Considere los valores de residuos respecto a la media:

Y(ui)= Z(ui) - m(ui), i=1,…,n
donde m(u) podría 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)}
• Relación 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 )
*

i1

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

condiciones de insesgo y de varianza mínima.

UNSCH
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, sen debe plantear
a  {1   i } m
i1

UNSCH
 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

 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 )}
i1

 C (0)
n n n
=   C (u  u
i 1 j 1
i j i j )  2   i C (u  u i )
i1

UNSCH
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
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 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

UNSCH
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

UNSCH
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 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 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)

UNSCH
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

UNSCH
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

UNSCH
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

UNSCH
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)

UNSCH
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

n esperado sea nulo se debe plantear
a 0 
i1
i 1

UNSCH
 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)}

 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 i1

 C (0)
n n n
=   C (u  u
i 1 j 1
i j i j )  2   i C (u  u i )
i1

UNSCH
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)  2    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

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
  i1 

• Se desemboca en el sistema de kriging ordinario (KO)

 n
 j C (u i  u j )    C (u  u i ), i  1,... n
 j1
 n
  1

 i1
i

UNSCH
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

 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 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

 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

i1
n
   i  g (u i  u)  
i1

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 estimación directa del
valor promedio en un bloque:

1
Z( V ) 
V  Z(u)du
V

• El sistema de kriging sólo 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
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.

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 Anisotropía
• Efecto pantalla y de la anisotropía (Anis. Geom. 4 x 1) sobre los ponderadores
g ( h)  0,2  0,8  Sph(100)

Efecto pantalla Efecto de la anisotropía

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 Declusterización y Distancia
• Efecto de declusterización y distancia sobre los ponderadores
g (h)  0,2  0,8  Sph(100)

Efecto de declusterización 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
• 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)
UNSCH
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
UNSCH
este material.
Propiedades del Kriging

Ilustración del suavizamiento

UNSCH
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 /
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

UNSCH
Plan de Kriging

Ejemplo de vecindad móvil

UNSCH
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…)

UNSCH
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

UNSCH
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)

UNSCH
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

UNSCH
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

UNSCH
Fin

Gracias

UNSCH