Clase 6 Geoestadística

KRIGING
En trminos mineros, el Kriging consiste en encontrar la

mejor estimacin lineal insesgada de un bloque o zona V,
considerando la informacin disponible; es decir, las muestras
interiores y exteriores a V.

El kriging atribuye un peso
i
a las muestras Z(x
i
). Estos
pesos se calculan de manera de minimizar la varianza del
error cometido
V
x
2
x
1 x
n
x
i
157 Curso : Evaluacin de Yacimientos
KRIGING
El inters de Kriging proviene de su misma definicin , al
minimizar o
E
2
estamos seguros de obtener la estimacin
ms precisa posible de V o equivalentemente, de sacar el
mejor provecho posible de la informacin disponible.
De acuerdo a lo anterior, el Kriging define el estimador:

Con la condicin de insesgado
) ( * .... ) ( * ) ( *
2 2 1 1 n n k
x z x z x z z + + + =
1 .....
2 1
= + + +
n

Kriging
1
(x
1
,x
1
)+ 2(x
1
,x
2
)+..............................+
n
(x
1
,x
n
)+ =
}
v
V
1
(x
1
,x)dx
1
(x
2
,x
1
)+ 2(x
2
,x
2
)+..............................+
n
(x
2
,x
n
)+ =
}
v
V
1
(x
2
,x)dx
1
(x
3
,x
1
)+ 2(x
3
,x
2
)+..............................+
n
(x
3
,x
n
)+ =
}
v
V
1
(x
3
,x)dx
....................................................................................................
....................................................................................................
1
(x
n
,x
1
)+ 2(x
n
,x
2
)+..............................+
n
(x
n
,x
n
)+ =
}
v
V
1
(x
n
,x)dx
1
+ 2 +..............................+
n
= 1
Kriging ordinario

o + + + =

2 2 1 1
2 2
y y
yy k
o + =

=
yi i
n
i
yy k
1
2 2
i
n
i
i
Z Z

=
=
1
*
= Multiplicador de Lagrange
Kriging ordinario
Expresin general del Kriging ordinario en funcin del covariograma

1
1 12 2 11 1
.........
y
n n
= + + + o o o o
.
.
.........
2
2 22 2 21 1
y
n n
= + + + o o o o
yn
nn n n n
= + + + o o o o .........
2 2 1 1
1 .........
2 1
= + + +
n

Kriging ordinario
Expresin general del Kriging ordinario en funcin del covariograma

o o o o + =

2
2
1
1
2 2
y y yy k
o o o + =

=
yi
i
n
i
yy k
1
2 2
i
n
i
i
Z Z

=
=
1
*

Ejemplo Kriging ordinario
Ejemplo 1.-
En un yacimiento isotropo calcule la ley con un
95 % de confianza
Variograma
1
2
3 mt
3 mt
x2
*
x1
*
Ley
X1=0,5
X2=0,7

1
) , ( ) , ( ) , (
) , ( ) , ( ) , (
2 1
2 2 2 2 1 2 1
1 2 1 2 1 1 1
= +
= + +
= + +

V x x x x x
V x x x x x
1
530 , 0 0 * 1 *
883 , 0 1 * 0 *
2 1
2 1
2 1
= +
= + +
= + +

) , (
1
V x
*
x1 3 mt
3 mt

883 , 0 ) , (
1
=
V x
distancia semi vario
d1 0.75 0.75 1.061 0.530
d2 0.75 2.25 2.372 1
d3 2.25 0.75 2.372 1
d4 2.25 2.25 3.182 1
suma 3.530
semi(x
1
,V) 0.883
d1 0.75 0.75 1.061 0.530
d2 0.75 0.75 1.061 0.530
d3 0.75 0.75 1.061 0.530
d4 0.75 0.75 1.061 0.530
suma 2.121
semi(x
2
,V) 0.530
) , (
2
V x

530 , 0 ) , (
2
=
V x
*
x2
3 mt
207 , 0 676 , 0 324 , 0
2 1
= = =
) , ( ) , ( ) , (
2 2 1 1
2
V x V x V V
k
o + + + =
530 , 0 * 676 , 0 883 , 0 * 324 , 0 207 , 0 625 , 0
2
+ + + =
k
o
476 . 0 226 . 0
2
= =
k
k
o o
2 2 1 1
*
* x x Z
V
+ =
635 . 0 7 . 0 * 676 . 0 5 . 0 * 324 . 0
*
= + =
V
Z
933 . 0 635 . 0 476 . 0 * 96 . 1 635 . 0
*
= =
V
Z
) , ( V V
3 mt

3 mt
d1 1.5 0 1.500 0.750
d2 1.5 0 1.500 0.750
d3 0 0 0.000 0
d4 1.5 1.5 2.121 1
suma 2.500
semi(
1
,V) 0.625
| |
625 , 0 ) , (
) 625 , 0 * 4 (
4
1
) , (
) , 4 ( ) , 3 ( ) , 2 ( ) , 1 (
) , 4 ( ) , 3 ( ) , 2 ( ) , 1 (
4
1
) , (
=
=
= = =
+ + + =
V V
V V
V V V V
V V V V V V

Kriging Simple
Se considera, para el Kriging Simple,
que la media M del dominio(o al menos
la media en una vecindad que se
llamar vecindad del Kriging) es
conocida.
Kriging Simple
1
1 12 2 11 1
.........
y
n n
= + + + o o o o
.
.
.........
2
2 22 2 21 1
y
n n
= + + + o o o o
yn
nn n n n
= + + + o o o o .........
2 2 1 1
Kriging Simple

2
2
1
1
2 2
y y yy ks

= o o o o
yi
i
n
i
yy ks

=
= o o o
1
2 2
M Z Z
n i
n
i
i
* ) .... 1 (
2 1
1
*
+ =
=
Kriging Simple

Calcular kriging simple del bloque y del siguiente ejercicio y calcule
la ley de Kriging con un 95% de confianza

Y
X1
X2
45
60
15
15
Variograma esfrico
Efecto pepita=0,3
Alcance = 90
Meseta = 2.0
y
X2
X1=400 cm g/t
X2= 500 cm g/t
M= 100 cm g/t
90 2
90
90
* 5 , 0
90
* 5 , 1 7 , 1 3 , 0 ) (
3
)
s
(
(
|
.
|
\
|
+ =
h
h
h h
h
Kriging Simple

distancia semi vario covariograma
d12 45 0 45,000 1,469 0,531
x1 distancia semi vario
d1 48,75 63,75 80,254 1,971
d2 48,75 56,25 74,435 1,928
d3 41,25 63,75 75,932 1,941
d4 41,25 56,25 69,754 1,881
suma 7,721
semi(x1,V) 1,930 0,070

x2 distancia semi vario
d1 3,75 63,75 63,860 1,806
d2 3,75 56,25 56,375 1,688
d3 3,75 63,75 63,860 1,806
d4 3,75 56,25 56,375 1,688
suma 6,988
semi(x2,V) 1,747 0,253
gam(x,v) 1,83863451
y
y
2 22 2 21 1
1 12 2 11 1
o o o
o o o
= +
= +
M X X Z
V
* ) 1 ( * *
2 1 2 2 1 1
*
+ + =
y y yy SK 2 2 1 1
2 2
o o o o =
1,V distancia semi vario
d1 0 0 0,000 0,000
d2 0 7,5 7,500 0,512
d3 7,5 0 7,500 0,512
d4 7,5 7,5 10,607 0,599
suma 1,623
semi(1,V) 0,406
gam(1,v) 0,406
Gam(V,V) 0,406 1,594
1,062 0,281961 0,03717
1,062 4 0,506
3,718039 0,46883
0,066906
0,001547 0,003094
0,12609604 0,001547
0,001547*400+0,126096*500+(1-0,001547-0,126096)*100
150,9025
1,594-0,001547*0,07-0,126096*0,253
1,56198942
1,24979575
con un 95 % de confianza
150,9025+/- 1,96*1,24979575
2,44959967
253 , 0 * 2 * 531 , 0
070 , 0 * 531 , 0 * 2
2 1
2 1
= +
= +

=
1
Kriging Indicadores
El concepto de la geoestadstica de indicadores es la
transformacin de los valores reales de cualquier
fenmeno natural a la forma de una variable binaria
(indicador) que ser 1 si el valor real es menor o igual a
una ley de corte (o) y 0 en caso contrario, es decir:

Si

Si I=1 la muestra Z(x) se define como esteril, y si I=0
como mineral

>
s
=
o
o
o
) ( 0
) ( 1
) ), ( (
x z si
x z si
x Z I
Kriging Indicadores
La eleccin de leyes de corte a considerar en un estudio de este tipo se
debe basar en una discretizacin adecuada de la funcin de distribucin
acumulada de las leyes reales . Para ello se deben tener en cuenta los
siguientes aspectos:
Definir leyes de corte donde la estructura espacial cambia
significativamente de un punto a otro
Definir leyes de corte tal que se obtengan intervalos donde las leyes
reales sean anmalas
No es conveniente elegir los deciles de la distribucin porque se pierde
resolucin en la discretitizacin
No es conveniente elegir grupos de leyes que representen igual cantidad
de metal porque existirn pocas leyes de corte en el extremo inferior de la
distribucin
Kriging Indicadores
Clculo de variogramas:
Se debe hacer en las direcciones que se definan segn el criterio
geolgico, considerando la estructura espacial del yacimiento y las
direcciones donde existan cambios significativos de la mineralizacin.
En el clculo de variogramas de indicadores es necesario considerar
las direcciones definidas segn la geologa del yacimiento y la
distribucin de leyes. En suma se calcularn K*N variogramas donde
K representa el numero de leyes de corte y N el nmero de
direcciones.
Para cada ley de corte o se debe obtener un solo modelo de
variograma, lo que se consigue ajustando al modelo experimental a
un modelo terico.

Kriging Indicadores
Para cada ley de corte se construye y resuelve un sistema de kriging
ordinario, que entrega como resultado la estimacin del la ley del
bloque considerando los indicadores. Luego, obtendremos K valores
que representan la probabilidad de que la ley real del bloque sea
superior a la ley de corte.
La ley del bloque se calcula como la sumatoria de la ponderacin de
las diferencias de leyes estimadas por Kriging ordinario de los
indicadores y la ley media real de cada uno de dichos intervalos para
cada bloque
Ejemplo Kriging Indicadores
Ejemplo 1.-
Sea un sector de 2x2 bloques con muestras de leyes en todos
los nodos de la malla que muestra la figura, la dimensin del
bloque es 10x10 mts.
Se difinieron 3 leyes de corte 0,5 1,0 y 1,5 % de cobre
1,3 1,1 1,2
Bloque 1 Bloque 2
Bloque 3 Bloque 4
2,1
3,1
2,3
2,2
3,2
3,3
0,40 0,70
1.20
0,90
1,40 0,30
1.70 1.00 0,10
Ejemplo Kriging Indicadores
Transformacin de leyes a indicadores
Ley de Corte
Nodo Ley 0.50 1.00 1.50
1.1 0.40 1 1 1
1.2 0.70 0 1 1
1.3 0.90 0 1 1
2.1 1.20 0 0 1
2.2 1.40 0 0 1
2.3 0.30 1 1 1
3.1 1.70 0 0 0
3.2 1.00 0 1 1
3.3 0.10 1 1 1
Kriging Indicadores
Por ejemplo cuando se estime la ley del bloque 2 para una ley
de corte 1.00, se tendr que los involucrados asumen los
valores:
1 en el nodo (1,2)
1 en el nodo (1,3)
0 en el nodo (2,2)
1 en el nodo (2,3)

Como cada ponderador asume el valor 0.25, la ley del bloque
utilizando los indicadores se calcula como:
1*0.25+1*0.25+0*0.25+1*0.25=0.75
Kriging Indicadores
Ahora se realizar un kriging ordinario para cada una de las
leyes de corte (0.50,1.00,1.50) como los ponderadores son
igual a 0.25 , la ley estimada corresponder en este caso en
particular , al promedio de los indicadores ubicados en los
cuatro nodos de cada bloque
Bloque Ley
(LC=0.5)
Ley
(LC=1.0)
Ley
(LC=1.5)
1 0.25 0.50 1.0
2 0.25 0.75 1.0
3 0.0 0.25 0.75
4 0.50 0.75 1.0
Kriging Indicadores
Ley media de cada intervalo de las leyes de corte, para cada
bloque.
Se determina promediando las leyes que comprende el bloque
comprendida entre las leyes de corte.
Ley Media
intervalo Bloque 1 Bloque 2 Bloque 3 Bloque 4
0.40 0.30 0.00 0.20
0.51-1.00 0.70 0.80 1.00 1.00
1.01-1.50 1.30 1.40 1.30 1.40
0.00 0.00 1.70 0.00
50 . 0 s
50 . 1 >
Kriging Indicadores
Luego se calculan las diferencias de las leyes estimadas en cada bloque
con los indicadores de cada uno de los intervalos. Por ejemplo Bloque 2
en el intervalo (1.1-1.50), debemos restar el 1.00 - 0.75, lo que da
resultado 0.25.
Intervalo
Bloque 0.51-1.00 1.01-1.50
1 0.25 0.25 0.50 0.00
2 0.25 0.50 0.25 0.00
3 0.00 0.25 0.50 0.25
4 0.50 0.25 0.25 0.00
50 . 0 s
50 . 1 >
Kriging Indicadores
Ley media del bloque
Se debe realizar las ponderaciones de la ley media por intervalos de
corte, con los valores calculados por intervalo.
Ejemplo : 0.30*0.25+0.80*0.5+1.40*0.25+0.00*0.00=0.825
Resumen de leyes estimadas por Kriging indicadores
Bloque Ley Estimada
1 0.925
2 0.825
3 1.325
4 0.700
184
Hasta ahora se ha estudiado como estimar una propiedad utilizando los valores
conocidos de dicha propiedad obtenidos en puntos vecinos o cercanos o bien
como hacer uso de una funcin de tendencia para guiar la estimacin de la
propiedad.
A continuacin estudiaremos algunas tcnicas geoestadsticas propuestas para
obtener estimaciones de la propiedad de inters cuando se dispone de
observaciones de otras variables relacionadas con la variable en
estudio.
Geoestadstica multivariada
Entre este tipo de tcnicas se encuentran:
Cokriging Simple y Ordinario
Cokriging colocado (collocated cokriging)
Curso : Evaluacin de Yacimientos
185
Geoestadstica multivariada
Al igual que en el caso de geoestadistica univariada, lo fundamental es contar
con una herramienta que mida la correlacin espacial de las variables
involucradas y su interrelacin.
La correlacin espacial de cada una de las variables involucradas se obtiene
como antes a travs de la funcin de covarianza o del variograma.
La correlacin espacial conjunta o la interrelacin se obtiene a travs de la
funcion de covarianza cruzada que estudiaremos a continuacin
186
VARIOGRAMA CRUZADO
comportamiento espacial en conjunto
ZS

187
Si Z y S son funciones aleatorias estacionarias o
intrnsecas, el variograma cruzado de ellas se define
como :
))] ( ) ( ( )) ( ) ( [(
2
1
) ( h x S x S h x Z x Z E h
ZS
+ + =
( )
)) ( ) ( ( )) ( ) ( (
2
1
) (
*
j i
h x x
j i ZS
x s x s x z x z
h N
h
j i
=

=
Para su estimacin se utiliza el variograma

cruzado experimental
ZS

188
Si Z y S son funciones aleatorias estacionarias o
intrnsecas, el variograma cruzado de ellas se define
como :
))] ( ) ( ( )) ( ) ( [(
2
1
) ( h x S x S h x Z x Z E h
ZS
+ + =
( )
)) ( ) ( ( )) ( ) ( (
2
1
) (
*
j i
h x x
j i ZS
x s x s x z x z
h N
h
j i
=

=
Para su estimacin se utiliza el variograma

cruzado experimental
ZS

189
1)
( ) 0 0 =
ZS
2)
( ) ( ) h h
ZS ZS

=
3)
El variograma cruzado es una funcin simtrica
Algunas propiedades del variograma cruzado son:
( ) ( ) h h
SZ ZS

=
4) Relacin con la funcin de covarianza cruzada
( ) ( ) ( ) ( ) ( ) | |
S Z ZS
m h x S m x Z E h C + =
La funcin de covarianza cruzada se define como:
ZS

190
( ) ( ) ( ) ( ) h C h C C h
SZ ZS ZS ZS
+ =
2
1
0 ) (
La funcin de covarianza cruzada se relaciona con el variograma cruzado a
travs de la ecuacin
Esta expresin se debe al hecho de que la funcin de covarianza no
necesariamente es simtrica. Es decir, en general
( ) ( ) h C h C
SZ ZS
=
ZS
Sin embargo, una prctica comn es asumir que la funcin de covarianza es

simtrica. Esto simplifica enormemente los clculos asociados a la estimacin
de la funcin de covarianza conjunta. En ese caso,
( ) ( ) h C C h
ZS ZS ZS
= 0 ) (
ZS

191
ZS
5) Relacin de dependencia
Es importante tener presente que entre el variograma cruzado y los
variogramas de cada una de las variables, existe una relacin de dependencia.
Por ejemplo, se puede demostrar que:
( ) ( ) ( ) h h h
S Z ZS
s
2
Desigualdad de Hlder
( )
2 2
2
2
S Z
ZS
o o o s
En particular, El producto de cada uno de los sill de los variogramas
individuales es mayor que el cuadrado del sill del variograma cruzado.
En consecuencia, el modelo de variograma cruzado no puede ser escogido
independientemente de cada uno de los modelos de variogramas
individuales !
ZS

192
5) El modelo de coregionalizacin lineal
Anteriormente se aseguraba que la varianza de combinaciones lineales de la
variable de inters era positiva utilizando modelos de variograma. Al incluir ms
variables, es necesario asegurar que la varianza de combinaciones lineales de
estas sea positiva.
Para lograr esto se utiliza el modelo lineal de coregionalizacin, que establece
que los variogramas individuales y el cruzado son combinaciones lineales de
modelos de variogramas. En el caso de 2 variables se tiene que:
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) h w h w h w h
h v h v h v h
h u h u h u h
m m ZS
m m S
m m Z

+ + + =
+ + + =
+ + + =
2 2 1 1
2 2 1 1
2 2 1 1
ZS

193
Las ecuaciones anteriores se puede escribir en forma
matricial como:
( )
(
+ +
(
=
(
) ( 0
0 ) (
) ( 0
0 ) (
) ( ) (
) (
1
1
1 1
1 1
h
h
v w
w u
h
h
v w
w u
h h
h h
m
m
m m
m m
S ZS
ZS Z

Cada una de las matrices que contienen los variogramas
son definidas positivas, por lo tanto para que el resultado
final sea una matriz definida positiva debe ocurrir que:
0 >
j
u 0 >
j
v
0
2
>
j j j
w v u
ZS

194
El uso del modelo de coregionalizacin lineal tiene las siguientes consecuencias:
1) Todo estructura presente en el variograma cruzado deber estar presente en
los variogramas individuales. El recproco no es cierto.
2) Los variogramas individuales tendrn todos el mismo rango y la forma del
variograma ser la misma. Slo se diferenciarn en los valores del sill
Esto hace que en general resulte engorroso ajustar variogramas experimentales de
las variables y sus variogramas cruzados, ya que al cambiar los valores del
variograma cruzado cambian los valores de los variogramas individuales. La forma
de juzgar la bondad del ajuste es establecer un compromiso entre el ajuste de cada
uno de los variogramas y su desviacin de los valores experimentales.
3) Los variogramas individuales tendrn todos la misma direccin de anisotropa
ZS

195
ZS
4) Envolvente del variograma cruzado

Debido a la relacin entre los parmetros u, v y w el variograma cruzado se
encuentra siempre dentro de dos curvas que conforman su envolvente.
h
ZS
ZS

196
Planteamiento bsico de la estimacin por Cokriging:
Cokriging
Considerar la estimacin de como una combinacin
lineal de las
observaciones disponibles de Z ms
combinaciones lineales de las observaciones de
las variables relacionadas.
Z
Propiedad o variable principal, por ejemplo porosidad
S
Informacin o variable secundaria, por ejemplo impedancia acstica
Ejemplo:
+
Combinacin lineal de
la variable principal
la variable secundaria
197
Planteamiento bsico de la estimacin por Cokriging:
Cokriging
Considerar la estimacin de
como una combinacin
lineal de las
observaciones disponibles de Z ms
combinaciones lineales de las observaciones de
las variables relacionadas.
Z
S
Informacin o variable secundaria, por ejemplo impedancia acstica
:
Ejemplo
+
la variable secundaria
198
Cokriging
Z
i
S
Variables secundarias, por ejemplo atributos ssmicos
En el caso general lo nico que se complica es la notacin :
Combinaciones lineales de
las variables secundarias
+
+ + +
199
Cokriging
Al igual que antes, las condiciones de
optimalidad son:
1) Estimador
insesgado
( ) ( ) u Z E u Z E
cok
= )) ( (
*
2
)
( ) ( )] var[
*
u Z u Z
cok
mnima
La primera condicin se obtiene automticamente al utilizar
que:
( ) ( ) 0 = m u Z E
o
( ) ( ) 0
1 1
1
= m x S E
o
Con lo cual,
( ) ( ) u Z E m u Z E
cok
= = )) ( (
*
200
Cokriging
La condicin de varianza mnima se obtiene derivando
respecto a los parmetros o y | e igualando a cero cada una
de las derivadas obtenidas.
N
cok
j
u Z u Z
j
, , 2 , 1
*
0
)] ( ) ( var[
= =
c
c
1
, , 2 , 1
*
0
)] ( ) ( var[
N
cok
j
u Z u Z
j
= =
c
c
|
Para calcular explcitamente la expresin de la varianza hay
que proceder con cautela debido a que aparecen nuevos
trminos a considerar.
)) ( ), ( cov( 2 )] ( var[ )] ( var[ )] ( ) ( var[
* * *
u Z u Z u Z u Z u Z u Z
cok cok cok
+ =
1
T
2
T
3
T
201
Cokriging
2
1
)] ( var[ o = = u Z T
)] ( var[
*
2
u Z T
cok
=
) ( 2 ) ( ) (
j i ZS j i i S j i i Z j i
x u C x x C u u C
j j
+ + =

| | |
) ) ) ( ( ), ) ( ( cov( 2 )) ) ( ( var( )) ) ( ( var(
j j j i i j j j i i
m x S m u Z m x S m u Z + + =

| |
Covarianza de la
variable principal
Covarianza de la
variable secundaria
Covarianza cruzada entre la
variable primaria y la
variable secundaria

+ = = ) ( 2 ) ( 2 )) ( ), ( cov( 2
*
3 j ZS j i Z i cok
x u C u u C u Z u Z T |
202
Cokriging
Al calcular las derivadas respectivas se obtiene que
( ) ( ) ( ) N
i Z
N
j
j i ZS j
N
j
j i Z j
i
cok
i u u C x u C u u C
u Z u Z
, , 2 , 1
1 1
*
2 2 2
)] ( ) ( var[
= + =
c
c

= =
|
( ) ( )
1
, , 2 , 1
1 1
*
) ( 2 2 2
)] ( ) ( var[
N
i ZS
N
j
j i ZS j
N
j
j i S j
i
cok
i x u C x u C x x C
u Z u Z
= + =
c
c

= =
|
|
Ahora la expresin detallada del sistema de ecuaciones es
203
Cokriging
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( )
( )
( )
( )
( )
( )
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
1 1
1 1 1 1 1
1
1
1
1
1
2
1
2
1
2
1
2
1
2 1 2 1
2 1 2 2 2 2 1 2
1 2 1 1 2 1 1 1
2 1 2 1
2 2 2 1 2 2 1 2
1 2 1 1 1 1 2 1
0 |
|
0 |
0 |
|
| 0
|
| 0
| 0
N S
S
S
N Z
Z
Z
N
N
S N S N S N N SZ N SZ N SZ
N S S S N SZ SZ SZ
N S S S N SZ SZ SZ
N N ZS N ZS N ZS Z N Z N Z
N ZS ZS ZS N Z Z Z
N ZS ZS ZS N Z Z Z
x u C
x u C
x u C
u u C
u u C
u u C
C x x C x x C u x C u x C u x C
x x C C x x C u x C u x C u x C
x x C x x C C u x C u x C u x C
x u C x u C x u C C u u C u u C
x u C x u C x u C u u C C u u C
x u C x u C x u C u u C u u C C

|
|
|
=
(
Su
Zu
S SZ
ZS Z
C
C
C C
C C
|

204
Cokriging
Ahora se procede nuevamente como en el kriging ordinario
pero con K+1 parmetros de Lagrange. Cuando se tiene tan
solo una variable secundaria, el sistema de ecuaciones del
cokriging ordinario es
(
(
(
(
=
(
(
(
(
(
(
(
(
0
1
0 0 1 0
0 0 0 1
1 0
0 1
2
1
Su
Zu
S SZ
ZS Z
C
C
C C
C C

205
Cokriging
OBSERVACIONES
1) Con slo 2 variables se requieren 4 funciones de
covarianza. En general, con N variables secundarias se
requieren 2
N+1
funciones de covarianza.
3) Las variables secundarias deben poseer un nmero
mucho mayor de observaciones que la variable principal.
2) Debe existir una correlacin lineal entre las variable
principal y las variables secundarias
206
Cokriging
4) Imposible estimar las covarianzas cruzadas con datos NO coincidentes
Variable secundaria (impedancia acstica)
Variable principal (porosidad)
207
Cokriging
5) Resultados satisfactorios se obtienen con datos parcialmente coincidentes
Variable secundaria (impedancia acstica)
Variable principal (porosidad)
Variable principal y variable secundaria
208
Cokriging
6) Con datos totalmente coincidentes
Conveniente para estimar de manera consistente
el tope y la base de un yacimiento
Tope
Base
No se obtiene una mejora sustancial sobre los mtodos
de kriging cuando la variable secundaria es la
informacin ssmica.
209
Cokriging
Cuando las variables estn intrnsicamente relacionadas,
es decir cuando ocurre que los modelos de variograma o
covarianza de todas las variables son proporcionales a un
un mismo modelo de variograma o covarianza, entonces
el kriging y el cokriging con datos totalmente coincidentes
son iguales.
!
210
CASO 4

Se asume que Z es una funcin aleatoria con una funcin de
tendencia m(u) desconocida que se descompone como suma
de K factores aleatorios independientes.
( ) ( ) ( ) ( ) u Z u Z u Z u Z
K
+ + + =
2 1
El problema que se tiene ahora es saber cul es la
contribucin de cada uno de los factores a la tendencia de
la funcin Z ya que
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) u Z E u Z E u Z E u Z E
K
+ + + =
2 1
El problema puede ser resuelto asumiendo dos condiciones
que a priori resultan arbitrarias.
Kriging Factorial
211
Kriging Factorial
Se asume que solo uno de los factores est asociado a la
funcin de tendencia que se observa en la variable Z
mientras que los otros tienen media cero. Asi, se tendra por
ejemplo:
( ) ( ) 1 , 2 , 1 0 = = K j u Z E
j

( ) ( ) ( ) u m u Z E
K
=
Anlogamente al caso de kriging universal, se asume que
la funcin de tendencia es de la forma:
( ) ( ) 1
0
0
=

=
f u f a u m
L
j
j j
212
Kriging Factorial
De esta forma,
( ) ( ) ( ) ( )
=
o
o o
u Z E u Z E
K j
*
( )

=
o
o o
l
l l
u f a
Y al igual que en el caso de kriging universal hay que
imponer la condicin siguiente para asegurar que el
estimador es insesgado:
( ) K j si u f
l
= =
0
o
o o
( ) ( ) K j si u f u f
l l
= =
o
o o

213
Kriging Factorial
Ahora se procede como en el caso de kriging universal y se
obtiene el sistema de ecuaciones
( ) ( ) ( ) N
j
l
l l
N
Z
u u C u f u u C , , 2 , 1
1
= = +

=
|
| |
o
| o o
Donde
=
=
no si
j i si
j i
0
1
o
(Funcin Delta de Kronecker)
214
Kriging Factorial
FILTERING

Hasta ahora se ha visto como estimar cada uno de los
factores presentes en la descomposicin de Z.
Otra aplicacin posible es obtener una estimacin de la
variable original Z pero filtrando uno o varios factores.
( ) ( ) ( ) ( ) u Z u Z u Z u Z
K
+ + + =
2 1
) (u Z
f
Z
f
(u) se obtiene al filtrar la componente Z
1
(u). Por
consiguiente, una estimacin de Z filtrando el valor de Z
1
se
obtiene al estimar Z
f
(u)
215
Kriging Factorial
Asumiendo que todas las variables tienen media cero, el
estimador
( )
=
o
o o
u Z u Z
f
) (
*
es insesgado. Adems, la varianza del error es
( ) ( ) ( ) ( ) ( ) ( ) ( ) u Z u Z u Z u Z u Z u Z
f f f f f f
* * *
, cov 2 ] var[ ] var[ ] var[ + =
( )

=
=
K
j
j f
u Z
2
2
] var[ o
Por la independencia de los factores
( ) ( )
j i Z j
j i
i f
u u C u Z =

,
*
] var[
( ) ( ) ( ) ( ) ( ) ( )

= =
o
o o
o
o o
u u C u Z u Z Z u Z
f
Z
f
f
f
, cov , cov
*
Por la independencia de los
factores
216
( ) ( )
( ) ( ) N u u C u u C
u Z u Z
f
Z Z
f f
, 2 , 1 2 2
] var[
*
= =
c

|
o
| o o
|
Y al igualar a cero se obtiene el sistema de ecuaciones:
( ) ( ) N u u C u u C
f
Z Z
, 2 , 1 = =
|
|
o
| o o
En consecuencia,
Kriging Factorial
217
( ) ( )
( ) ( ) N u u C u u C
u Z u Z
f
Z Z
f f
, 2 , 1 2 2
] var[
*
= =
c

|
o
| o o
|
Y al igualar a cero se obtiene el sistema de ecuaciones:
( ) ( ) N u u C u u C
f
Z Z
, 2 , 1 = =
|
|
o
| o o
En consecuencia,
Kriging Factorial
218
Kriging Factorial
Debido a la independencia entre los factores, la funcin de
covarianza de la variable filtrada se conoce, ya que
( ) ( ) ( ) ( ) h C h C h C h C
K f
Z Z Z Z
+ + + =
3 2
La Simulacin de Leyes
La simulacin condicional de leyes es en la
actualidad una herramienta importante en las
aplicaciones prcticas de la geoestadstica.

Por definicin, llamaremos simulacin de una funcin
aleatoria a la obtencin numrica de una o varias
realizaciones. La simulacin condicional consiste en
construir una realizacin que posee el mismo
histograma, la misma ley media, el mismo
variograma que los datos disponibles, adems de
estar condicionada por estos datos experimentales
z(x
1
), z (x
2
), ..., z(x
n
) (donde existen datos, simulacin
y realidad coinciden).

Mtodos de Simulacin
Existen numerosos procedimientos probabilsticos
para generar realizaciones de funciones aleatorias
que tiene un variograma . En resumen, estos
mtodos consisten en:
a) Aplicacin de la teora del anlisis armnico.
b) Mtodo de las medias mviles.
c) Mtodo de las lneas rotantes.

El mtodo a) Aplicacin de las Teoras del anlisis
armnico, es demasiado laborioso y presenta
problemas de convergencia.
) (h
El Mtodo de las Medias Mviles
Este mtodo consiste en lo siguiente:
Se sortean al azar, realizaciones t
i
de una variable aleatoria T
i

y se afectan estos valores en los vrtices de una malla regular
(1-D, 2-D 3-D). Sea f una cierta funcin. La simulacin es
entonces:

(esta suma puede ser simple, doble o triple). Para cada
funcin f se tiene un variograma diferente. Un caso
interesante es cuando f tiene la expresin siguiente:

1 si x pertenece a una esfera de dimetro a
f(x) =
0 en caso contrario

Se obtiene en este caso el variograma esfrico con alcance a.
k
t kb f
Y
i
i + =
) (
Luego, para simular el variograma esfrico en el
espacio de 3 dimensiones, se pasea una esfera de
dimetro a por el interior de un paraleleppedo que
est lleno de valores aleatorios independientes
t(i,j,k) y se afecta al centro de la esfera, la suma de
los valores que estn en el interior.

a

Si se desea simular en 2-D un variograma esfrico,
hay que tomar un plano particular de la simulacin
precedente. En este caso existe un mtodo ms
eficiente conocido como las monedas aleatorias, el
cual consiste en implantar en el plano crculos
cuyos centros y dimetros son aleatorio y asignar a
cada implantacin un nmero (aleatorio o no),
sumando la contribucin de las implantaciones.
t
t
-R
R
0
z
2Rx
R
El Mtodo de las Lneas Rotantes
Sean K rectas Di en el espacio. Cada recta se caracteriza por
un vector unitario ei. Se genera, en cada recta Di, una
realizacin yi(x) de una funcin aleatoria de una dimensin
(mediante el mtodo de las medias mviles).
Sea x un punto en el espacio. La simulacin es:
Y(x) = (1 / \K) Y
i
(x e
i
)
Se puede demostrar que para simular el variograma esfrico
hay que utilizar la funcin f(x) , ver ecuacin siguiente:
F(x) = x si xe(-b,b); f(x) = 0 en caso contrario.
Para simular el variograma exponencial, hay que utilizar la
funcin f(x) siguiente:
F(x) = (1-ax) exp(-ax) si x>0; f(x) = 0 en caso contrario.
La Simulacin Condicional
Falta por analizar cmo se obtiene que el valor simulado en un punto
xi coincida con el dato localizado en este punto
(x1, x2,...,xn).
Se puede demostrar que la ecuacin siguiente resuelve el problema.
z
1
(x) = ^z
k1
(x) + z
s
(x) - ^z
k2
(x)
En que :
z
1
(x) es la simulacin condicional
^z
k1
(x) es el krigeage en el punto x, utilizando los datos
disponibles en los puntos x1, x2,, ..., xn
z
s
(x) es la simulacin no condicional (resultado del
mtodo de medias mviles, lineas rotantes,
monedas aleatorias)
^z
k2
(x) es el krigeage en el punto x, utilizando los valores
simulados z
s
(x) en los puntos x1, x2, ..., xn
Como el krigeage es un interpolador exacto, se ve que la simulacin
condicional coincide con los datos en los puntos x1, x2, ..., xn
La Anamorfosis Gaussiana
En la prctica, los valores reales presentan diferentes tipos de
histograma (lognormal). Sin embargo, los mtodos de
simulacin (medias mviles, lneas rotantes) generan
realizaciones cuyo histograma es normal.
El objetivo de la anamorfosis gaussiana es la reproduccin
del histograma experimental de los datos.
La solucin consiste en trabajar, desde el inicio, no con la
variable regionalizada z(x) en estudio, sino ms bien con otra
variable regionalizada y(x), transformacin biunvoca .
En el caso particular en que z(x) es lognormal, la
transformacin o anamorfosis es muy simple:
y(x) = ln (z(x) )
z(x) = exp (y (x) )


Clase 6 Geoestadística

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Clase 6 Geoestadística

Transféré par

Droits d'auteur :

Formats disponibles

KRIGING

En trminos mineros, el Kriging consiste en encontrar la

162 Curso : Evaluacin de Yacimientos

Curso : Evaluacin de Yacimientos

Para su estimacin se utiliza el variograma

Curso : Evaluacin de Yacimientos

Para su estimacin se utiliza el variograma

Curso : Evaluacin de Yacimientos

Curso : Evaluacin de Yacimientos

Sin embargo, una prctica comn es asumir que la funcin de covarianza es

Curso : Evaluacin de Yacimientos

Curso : Evaluacin de Yacimientos

Curso : Evaluacin de Yacimientos

Curso : Evaluacin de Yacimientos

Curso : Evaluacin de Yacimientos

4) Envolvente del variograma cruzado

Curso : Evaluacin de Yacimientos

Curso : Evaluacin de Yacimientos

Curso : Evaluacin de Yacimientos

Vous aimerez peut-être aussi