Professional Documents
Culture Documents
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 )
*
i1
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
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 más cercano
UNSCH
Ejemplo Simple – Inverso de la distancia
UNSCH
Estimadores lineales ponderados
UNSCH
Estimadores lineales ponderados
UNSCH
Kriging Simple
Hipótesis
g() = s2
UNSCH
Kriging
UNSCH
Kriging Simple
n
Z (u) a i Z (u i )
*
i1
UNSCH
Kriging Simple
Condición 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 igualándola a cero:
n
C (u
j 1
j i u j ) C (u u i ), i 1,... n
UNSCH
Kriging Simple
• En notación 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 notación matricial
UNSCH
Kriging Simple: ejemplo
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
UNSCH
Kriging Ordinario
Condición de insesgo
i1
n
a i m m
i1
UNSCH
Kriging Ordinario
Condición de varianza mínima
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 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
*
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 notación 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 estimación 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
Observación sobre el sistema de kriging
• No toman en cuenta
• información 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 Anisotropía
• Efecto pantalla y de la anisotropía (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 Declusterización y Distancia
• Efecto de declusterización 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
• 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
• 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
• 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
UNSCH
Plan de Kriging
• 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
UNSCH
Validación del kriging
Para validar los parámetros del kriging (modelo de variograma, vecindad elegida),
se puede usar los siguientes métodos:
• 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
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
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.
UNSCH
Validación del kriging
UNSCH
Validación del kriging
UNSCH
Fin
Gracias
UNSCH