Kriging

• El krigeaje o krigeado es un método geoestadístico de estimación de puntos.

Utiliza un modelo de variograma para la obtención de los ponderadores que se
darán a cada punto de referencias usados en la estimación. Esta técnica
de interpolación se basa en la premisa de que la variación espacial continúa
con el mismo patrón.
 Objetivos

Objetivo General

• Comparar diferentes modelos de kriging (simple, ordinario y universal) en la simulación

condicional de leyes.

Objetivos Específicos

• Comparar la calidad de las simulaciones, en términos de implementación, capacidad de

reproducir las estadísticas del modelo .
• Implementar y probar la eficiencia de simulaciones con kriging ordinario y universal, con
los métodos actualmente utilizados basados en kriging simple.
• Examinar el efecto que tiene en los resultados el tipo de algoritmo de simulación utilizado
y tipo de condicionamiento.
 Según la forma del estimador.

 Lineales:

- Simple.

- Ordinario.

- Universal.
 Kriging paramétrico y no paramétrico.

 Paramétrico:

- Multigaussiano.

- Disyuntivo.

- Lognormal.
 No paramétrico:

- Simple

- Ordinario

• Universal : Este kriging se sustenta en la hipótesis que la función aleatoria 𝑍(𝑥) ya no es estacionaria y su
valor esperado varía en el espacio (deriva), reflejando una tendencia sistemática en la distribución
espacial de los valores

- Residual

- Indicador

- Probabilístico.
 Kriging - simple

• El caso más simple se denomina kriging simple y

la hipótesis básica es la estacionaria junto con el
hecho de que se asume que la media de la
función aleatoria es conocida.

REQUISITOS:
- Conocer los valores esperados de la función
aleatoria.
- Conocer la función de covarianzas de la
función aleatoria .
 Objetivo del Kriging.

El objetivo del Kriging es interpolar la ley a partir de muestras que lo rodean, asignando pesos a cada muestra que
reduzca al mínimo la varianza de estimación, se interpreta la ley con la máxima precisión posible.

La precisión de la estimación depende de varios factores:

 Del número de muestras y de la calidad de la data en cada punto.

 De la posición de las muestras con respecto al punto a estimar.

 De la distancia entre muestras y con el punto a estimar.

 De la continuidad espacial de los valores de las muestras.

Para poder llegar a la definición de Kriging, es necesario dejar claro la definición de la varianza de estimación. A
continuación se presenta la deducción de las varianza de estimación simulando las ocurrencias de una función
aleatoria con resultados de análisis químicos al interior de un bloque.
 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)
 El estimador Kriging se considera óptimo

1. El interpolador de la geoestadística, que sí utiliza los resultados

discutidos del análisis estructural.

2. Es insesgado, es decir, el valor esperado del error es cero.

3. Garantiza la mínima varianza de la estimación, es decir, reduce al mínimo

la varianza del error de la estimación.

4. Minimiza la varianza de la estimación, reduce al mínimo la

varianza del error.

5. Estimador en puntos donde no se dispone de observaciones

(nodos de una retícula regular)
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…)

 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
Conclusiones

 El krigeage puntual a diferencia del kriageage simple que asume que las medias locales son
relativamente constantes y de valor muy semejante a la media de la población que es conocida.

 El método más usado en la modelación de recursos consiste en la discretización del espacio 3D

en bloques, cada celda contiene los atributos (litología, tipo de mineralización etc.) y las
mediciones (leyes, propiedades físico mecánicas) del dominio geológico en que se encuentra.

Se desarrollaron dos ejercicios de Kriging puntual y kriging de bloques.