Evaluación de Recursos
Estimación
Mohammad Maleki
Primer semestre 2022
Objective
❑Estimar el valor desconocido de una variable regionalizada en un
sitio dado del espacio, utilizando para ello los datos disponibles
alrededor de este sitio.
Configuración geométrica de los datos
Distancias entre los datos y el sitio a estimar
Técnicas geoestadísticas: Correlación espacial de la variable
Kriging
❑El Kriging es el mejor estimador lineal insesgado
✓ Lineal porque es una combinación lineal ponderada de los datos
𝒏
𝒁∗ = 𝝀𝒊 𝒁(𝑿𝒊 )
𝒊=𝒒
✓ Insesgado porque el error de estimación tendrá una media igual a 0
𝑬 𝒁∗ (𝑿𝟎 ) − 𝒁(𝑿𝟎 ) = 𝟎
✓ Mejor/optimo porque la varianza del erro es muy pequeño
𝑽𝒂𝒓 𝒁∗ (𝑿𝟎 ) − 𝒁(𝑿𝟎 )
Kriging
❑ Kriging Simple
❑ Kriging Ordinario
❑ Krigign con deriva
➢ Universal Kriging
❑ Krigign No lineal
➢ Kriging de indicadores
➢ Kriging disyuntivo
➢ Kriging multi-Gaussiano
❑ Kriging Multivariable
➢ Co-Kriging
Kriging simple
❑Simple Kriging: Media conocida
𝑍 ∗ 𝑋 = 𝛼 + 𝜆𝑖 𝑍(𝑋𝑖 )
𝑖=1
❑Como construir el ‘’mejor estimador lineal insesgado’’?
❑Como determinamos coeficiente y los ponderadas ?
❑Como se obtiene el Sistema de kriging ?
Kriging simple
❑Primer restricción
➢El error cometido debe tener una esperanza nula (Insesgo)
𝐸 𝑍 ∗ (𝑋) − 𝑍(𝑋) = 𝛼 + 𝜆𝑖 . 𝐸 𝑍 𝑋𝑖 −𝐸 𝑍 𝑋 =0
𝑛 𝑖=1
= 𝛼 + 𝜆𝑖 . 𝑚 − 𝑚 = 0
𝑖=1
𝛼 = 1 − 𝜆𝑖 . 𝑚
𝑖=1
Kriging simple
𝑍 ∗ 𝑋 = 𝛼 + 𝜆𝑖 𝑍(𝑋𝑖 )
𝑖=1
𝑛 𝑛
𝑍 ∗ 𝑋 = 1 − 𝜆𝑖 . 𝑚 + 𝜆𝑖 𝑍(𝑋𝑖 )
𝑖=1 𝑖=1
Peso de Media Peso de los datos
Compensar la falta de información cuando los datos son escasos o alejados
Kriging simple
❑Segundo restricción
𝑉𝑎𝑟 𝑍 ∗ (𝑋) − 𝑍(𝑋) Mínima
𝑉𝑎𝑟 𝑍 ∗ 𝑋 − 2 𝑐𝑜𝑣 𝑍 ∗ 𝑋 , 𝑍 𝑋 + 𝑉𝑎𝑟{𝑍 𝑋 }
𝑛 𝑛 𝑛
𝜆𝑖 𝜆𝑗 𝑐𝑜𝑣 𝑍 𝑋𝑖 , 𝑍 𝑋𝑗 − 2 𝜆𝑖 𝑐𝑜𝑣{𝑍 𝑋 , 𝑍 𝑋𝑖 } + 𝐶(0)
𝑖=1 𝑗=1 𝑛 𝑛 𝑖=1
𝑛
𝜆𝑖 𝜆𝑗 𝐶(𝑋𝑖 − 𝑋𝑗 ) − 2 𝜆𝑖 𝐶(𝑋 − 𝑋𝑖 ) + 𝐶(0)
𝑖=1 𝑗=1 𝑖=1
Kriging simple
❑Tomando derivadas parciales con respecto a los ponderadores
𝑛
𝜕[ ]
= 2 𝜆𝑗 𝐶(𝑋𝑖 − 𝑋𝑗 ) − 2𝐶 𝑋 − 𝑋𝑖 = 0
𝜕𝜆𝑖
𝑗=1
𝜆𝑗 𝐶 𝑋𝑖 − 𝑋𝑗 = 𝐶 𝑋 − 𝑋𝑖
𝑗=1
Kriging simple
𝛼 = {1 − 𝜆𝑖 } . 𝑚
𝑖=1
𝑛
𝜆𝑗 𝐶 𝑋𝑖 − 𝑋𝑗 = 𝐶 𝑋 − 𝑋𝑖
𝑗=1
Mide las correlaciones Mide la influencia de los datos
entre datos sobre el valor a estimar
Kriging simple
❑Varianza de Kriging Simple
➢Varianza de error de Kriging
𝑛
2
𝜎𝐾𝑆 𝑋0 = 𝜎 2 − 𝜆𝑖 𝐶(𝑋𝑖 − 𝑋0 )
𝑖=1
➢Se calcula sin conocer valores de los datos
Kriging simple
❑Practicamos!
𝑈1
𝜸 𝒉 = 𝟏 × 𝑺𝒑𝒉 (𝟓𝟎)
20𝑚
𝑈2 10𝑚 𝑈0 10𝑚 𝑈3
Kriging simple
❑Practicamos!
➢ Construir matriz de Kriging
➢ Calcular varianza de kriging
➢ (𝝀𝟏 = 𝟎. 𝟓𝟐, 𝝀𝟐 = −𝟎. 𝟎𝟑, 𝝀𝟑 = 𝟎. 𝟏𝟑)
➢ Calcular valor estimada en punto 𝒁𝟎
𝜸 𝒉 = 𝟏 × 𝑺𝒑𝒉 (𝟔)
Kriging Ordinario
❑Ordinary Kriging: Media desconocida
➢ Valor de la media como desconocido permite generalizar el estimador a situaciones donde esta media
no es constante en el campo
➢ la media puede variar de una región a otra del espacio, siempre que sea aproximadamente constante
en cada vecindad de kriging
Estimador más “robusto”
Kriging Ordinario
❑Primer restricción 𝑛
𝐸 𝑍 ∗ (𝑋) − 𝑍(𝑋) = 𝛼 + 𝜆𝑖 . 𝐸 𝑍 𝑋𝑖 −𝐸 𝑍 𝑋 =0
𝑛 𝑖=1
= 𝛼 + 𝜆𝑖 . 𝑚 − 𝑚 = 0
𝑖=1
➢ Siendo m desconocida, la única alternativa es plantear:
𝛼 = 0 𝑦 𝜆𝑖 = 1
𝑖=1
Kriging Ordinario
❑Segundo restricción
𝑛 𝑛 𝑛
𝜆𝑖 𝜆𝑗 𝐶(𝑋𝑖 − 𝑋𝑗 ) − 2 𝜆𝑖 𝐶(𝑋 − 𝑋𝑖 ) + 𝐶(0)
𝑖=1 𝑗=1 𝑖=1
➢ Minimizan la varianza del error sujeto a :
𝑛
𝜆𝑖 = 1
𝑖=1
➢ Solución: Introducir un multiplicador de Lagrange
𝑛 𝑛 𝑛 𝑛
𝜆𝑖 𝜆𝑗 𝐶(𝑋𝑖 − 𝑋𝑗 ) − 2 𝜆𝑖 𝐶 𝑋 − 𝑋𝑖 + 𝐶 0 + 2𝜇( 𝜆𝑖 − 1)
𝑖=1 𝑗=1 𝑖=1 𝑖=1
=0
Kriging Ordinario
❑ Tomando derivadas parciales con respecto a los ponderadores y con respecto al multiplicador de Lagrange
𝑛
𝜕[ ]
= 2 𝜆𝑖 𝐶(𝑋𝑖 − 𝑋𝑗 ) − 2𝐶 𝑋 − 𝑋𝑖 + 2𝜇 = 0
𝜕𝜆𝑖
𝑗=1
𝑛
𝜕[ ]
= 2 𝜆𝑖 − 1 = 0
𝜕𝜇
𝑗=1
➢ Sistema de kriging ordinario
𝑛
𝜆𝑗 𝐶 𝑋𝑖 − 𝑋𝑗 + 𝜇 = 𝐶 𝑋 − 𝑋𝑖
𝑗=1
𝜆𝑖 = 1
𝑖=1
Kriging Ordinario
Kriging Ordinario
❑Varianza de Kriging Ordinario
➢Varianza de error de Kriging
𝑛
2
𝜎𝐾𝑂 𝑋0 = 𝜎 2 − 𝜆𝑖 𝐶 𝑋𝑖 − 𝑋0 − 𝜇
𝑖=1
𝑛
2
𝜎𝐾𝑂 𝑋0 = 𝜆𝑖 𝛾 𝑋𝑖 − 𝑋0 − 𝜇
𝑖=1
➢Se calcula sin conocer valores de los datos
Kriging Ordinario
❑Practicamos !
➢ Ecuaciones de Kriging
➢ Varianza de kriging
➢ (𝝀𝟏 = 𝟎. 𝟔𝟔𝟔, 𝝀𝟐 = 𝟎. 𝟑𝟑𝟑, 𝝁 = 𝟎)
➢ (𝝀𝟏 = 𝟏, 𝝀𝟐 = 𝟎, 𝝁 = −𝟏)
𝑈2 = −2 𝑈=0 𝑈1 = 1
𝑈=0 𝑈1 = 1 𝑈2 = 2
𝜸 𝒉 =𝒉
Kriging de bloque
❑Opciones ?
➢Discretización
➢Estimar directamente 𝒁(𝒗)
✓ Ganancia en tiempos de cálculo
?
Kriging de bloque
❑Estimar directamente 𝒁(𝒗) : Sólo difiere del sistema de kriging
puntual en el miembro de la derecha
➢ Hay que reemplazar la covarianza punto-punto por la covarianza punto-bloque
𝑪 𝑿𝒊 − 𝑿𝟎 ഥ 𝑿𝒊 − 𝑽
𝑪
ഥ 𝑿𝒊 − 𝑽 ?
➢ Como calculamos 𝑪
Observaciones
❑Los ponderadores y la varianza de kriging toman en cuenta:
➢ Información geométrica
➢Continuidad espacial
Mismo varianza de Error!!
❑No toman en cuenta
➢Información Local
✓ Adivinar la varianza de estimación sin saber valores de datos
Propiedades de kriging
❑Interpolación exacta
❑Insesgo
❑Preciso
❑Aditividad
❑Suavizamiento
Propiedades de kriging
❑Suavizamiento
➢la dispersión de los valores estimados es menor que la dispersión de los
valores verdaderos
✓Sobre estimar valores bajas
✓Subestimar valores altas
Propiedades de kriging
❑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)
Propiedades de kriging
Vecindad
❑Vecindad única
➢Utilizar todos los datos disponibles
➢Aumentar los tiempos de cálculo sin mejorar la precisión de la estimación
❑Vecindad móvil
➢Sólo una parte de ellos
Vecindad
❑Como definimos la vecindad?
➢Forma?
➢Tamaño?
Vecindad
❑Mejorar la repartición de los datos en torno al sitio a estimar
Validación cruzada
❑Objetivo de validación!
➢Validar el modelo teórico de variograma
➢Comparar la calidad de varios modelos posibles
➢Validar los parámetros del kriging (Vecindad...)
❑Opciones mas común
➢Validación Cruzada
Validación
❑Validación Cruzada
➢Estimar sucesivamente por kriging cada dato, considerando solamente los
datos restantes
➢Calcular el error de estimación
𝐸𝑟𝑟𝑜 = 𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜
Validación cruzada
❑Objetivo de validación!
➢Validar el modelo teórico de variograma
➢Comparar la calidad de varios modelos posibles
➢Validar los parámetros del kriging (Vecindad...)
❑Opciones mas común
➢Validación Cruzada
Validación
Validación
❑Jack nife
➢No considera una reposición de los datos
➢Se divide los datos en dos sub-conjuntos y se estima los datos del primer sub-
conjunto a partir de los datos del segundo sub-conjunto.
Referencia
❑Emery. X, 2018. Apuntes docente curso MI640, Departamento Ingeniería de Minas, Universidad
de Chile
❑Emery, X., Séguret, S.A., 2020. Geostatistics for the Mining Industry – Applications to Porphyry
Copper Deposits. CRC Press, Boca Raton.
[Link]
❑Chilès J.P. and Delfiner P., 2012. Geostatistics: Modeling Spatial Uncertainty, Wiley, New York,
699 p
[Link]
❑Goovaerts P., 1997. Geostatistics for Natural Resources Evaluation, Oxford University Press, New
York, 480 p
