MÉTODO DE KRIGING

DEFINICIONES
Kriging.
• 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.

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.
En la mayoría de los depósitos mineros, se deben seleccionar,
para la explotación, un cierto número de bloques, considerados
como rentables y se deben abandonar otros bloques
considerados no-explotables.
Daniel Krige demostró que, si esta selección se realizara
considerando exclusivamente las muestras interiores a cada
bloque, resultaría necesariamente (en promedio) una sobre-
estimación de los bloques seleccionados
Secuencias en un estudio Geoestadístico para estimar Reservas
 Clasificación de los diferentes tipos de Kriging.

Simple
Multigaussiano.
Puntual.
Según el soporte
Ordinario. de la medición Paramétrico: Disyuntivo..
de los datos
Lineales En bloques.
Lognormal..
Universal.

paramétrico y Simple
Según la Residual no paramétrico.
forma del
estimador Ordinario

Disyuntivo
Universal
No
No lineales Indicador paramétrico:
Residual

Probabilístic
o Indicador

Probabilístico.
 Del número de De la posición de las
muestras y de la muestras con
calidad de la data en respecto al punto a
cada punto estimar.

De la continuidad
De la distancia entre
espacial de los
muestras y con el
valores de las
punto a estimar.
muestras.
Para obtener las ecuaciones de krigeado hay que minimizar la expresión de σE^2

Igualar a cero las derivadas parciales de σE^2 respecto de λ1, λ2, . . . , λN. No asegura que la
suma de los λi sea 1. En este caso hay que utilizar el método de Lagrange
En el caso del yacimiento isótropo:

Bloque a krigear, en negro la

ley de la muestra, en azul el
número de la muestra
Ejemplo 2:

Se tiene el bloque siguiente :

Vemos que el krigeado ha considerado la anisotropía,
asignando mayor peso a los datos 2 y 3 que a 4 y 5.
 KRIGEAGE PUNTUAL

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, la media de la
población es utilizada para cada estimación local, en
conjunto con los puntos vecinos establecidos como
necesarios para la estimación

En el Kriageage puntual las medias locales no son

necesariamente próximas de la media de la población,
usándose apenas los puntos vecinos para la estimación. Es el
método más ampliamente utilizado en los problemas
ambientales.
 KRIGEAGE PUNTUAL
Es un interpolador exacto en el sentido de que las
ecuaciones calculadas las utiliza para interpretar los
valores y habrá una coincidencia exacta entre los
valores interpolados y los puntos de datos originales.

El mayor interés que presenta el krigeage puntual es que permite

obtener una serie de valores estimados a los cuales,
posteriormente, se les puede ajustar una serie de líneas de
isocontenidos, por ejemplo para las leyes o potencias del nivel
mineralizado.
KRIGEAGE PUNTUAL
En algunas ocasiones, en vez de estimar la ley
media de un bloque V, interesa estimar la ley en un
punto x0 (problema de interpolación).
Corresponde al caso particular en que el volumen V
tiende a cero. Se obtiene el sistema siguiente:
KRIGEAGE PUNTUAL
 Ejemplo

El cuadrillado representa sondajes en los puntos X1, X2, X3, X4, con leyes de 3,2%; 2,5%; 4,0% y
1,5% respectivamente. Se desea conocer la ley en el punto X0, sabiendo que el variograma
asociado corresponde a un modelo esférico con las siguientes características: Co = 2, C = 20 y a
= 200 m.
 Solución

a. Modelo esférico se define como.

(C) = 20
(C0) = 2
(a) = 200m
 Solución

b) Definir los elementos de las matrices.

−1
[ λ] = 𝐾 ∗ [𝑀2]
 Solución

b) Definir los elementos de las matrices.

➢ Cálculo de los elementos de la matriz [M2]

 Solución

b) Definir los elementos de las matrices.

➢ Cálculo de los elementos de [K ]]

 Solución

b) Definir los elementos de las matrices.

➢ Sacar la inversa de [K]

-0.058 0.032 0.007 0.019 0.149

0.032 -0.050 0.014 0.004 0.239
[𝐾]−1 0.007 0.014 -0.033 0.012 0.308
0.019 0.004 0.012 -0.036 0.305
0.149 0.239 0.308 0.305 -14.489
 Solución

c) Calcular los valores de λi.

[ λ] = 𝐾 −1 ∗ [𝑀2]

λ1 -0.058 0.032 0.007 0.019 0.149 9.34

λ2 0.032 -0.050 0.014 0.004 0.239 17.02
λ3 = 0.007 0.014 -0.033 0.012 0.308 x 20.28
λ4 0.019 0.004 0.012 -0.036 0.305 12.17
μ 0.149 0.239 0.308 0.305 -14.489 1

λ1 = 0.518
λ2 = 0.022
λ3 = 0.089
λ4 = 0.371
μ = 0.915
 Solución

d) Calcular la ley.

La ley en Xo será: 0,518*3.2 + 0,022*2.5 + 0,089*4.0 + 0,37*1.5 = 2,6%

Kriging en bloques.

Dos alternativas
El valor obtenido se lo asigna a un Bloque, no a
un punto.

Tener en cuenta que el valor medio de una Discretizar el bloque en muchos

Función Aleatoria, en un bloque, es el valor puntos, estimar el valor de cada
medio de todas las variables aleatorias, dentro
punto y promediar las estimaciones
del bloque.
puntuales.

Evaluar directamente el valor del

El kriging también puede emplearse para bloque, sin recurrir a estimaciones
estimar el valor de la variable regionalizada puntuales.
sobre un soporte mayor que el soporte de las
muestras (“bloque”).
KRIGING EN BLOQUES.

Para determinar el valor de un bloque se lleva a cabo una discretización

del área en un conjunto de puntos ( ejemplo: 2x2; 3x3 ; 4x4)

Los valores que se obtienen con el krigeado, llevan los

correspondientes valores de la varianza de estimación, lo que permite
hacer un estudio de la bondad de estimación.
Estos valores pueden ser interpolados y confeccionar un mapa de
isovarianzas.

Annels (1991), propone establecer diferentes tipos de reservas en base

a los valores de varianza del krigeado.

Varianza Categoría
0-0,0075 Reservas probables
0,0075-0,0135 Reservas posibles
>0,0135- Reservas inferidas
Kriging en bloques.
El kriging de bloques posee las siguientes propiedades:

• Suavizamiento
• Insesgo, pero posible sesgo condicional

• Aditividad

• EL RESULTADO SE PUEDE PROPORCIONAR POR BLOQUES O BIEN POR

ISOLÍNEAS A PARTIR DE LOS BLOQUES.

• PARA EL CÁLCULO DE RESERVA DE CADA BLOQUE, SE DEBERÁ MULTIPLICAR

SU SUPERFICIE X POTENCIA X DENSIDAD.

• LAS RESERVAS TOTALES SE PUEDEN DETERMINAR:

- ESTIMANDO EL TONELAJE Y EL ERROR DE ESTIMACIÓN.
- ESTIMANDO LA LEY MEDIA Y EL ERROR DE ESTIMACIÓN.
Kriging en bloques.
Parámetros Posición del modelo: se especifica a partir de las coordenadas
del centroide del bloque llave (key block).
Peso de las muestras (%) Ley estimada
W 1.6% 3.1% 2.8% del bloque
Extensión del modelo en las distintas direcciones X, Y, Z (debe 1 44.8 34.7 20.5 2.37
ser lo suficientemente grande para enmarcar la región de 2 55.2 33.2 11.6 1.34
interés) 3 64.0 29.9 6.1 2.12

Dimensiones de las celdas o bloques por la X, Y y Z.

Coordenadas de las muestras.

Orientación del modelo definido (ángulo de inclinación y el

1.6 = (10 ; 40)
azimut)

2.8 = (90 ; 0)
Conjunto de variables a almacenar en el modelo con sus
correspondientes formatos: ley de los distintos metales, peso
volumétrico, litología, tipo tecnológico de mena etc. 3.1 = (-40 ; -35)
KRIGING EN BLOQUES.

Para alcanzar una mayor resolución del modelo de bloque en

los límites de los cuerpos minerales se utilizan sub bloques.

Cabe destacar también que al disminuir el tamaño del bloque

se aumenta el error de estimación, es decir, su ley se
determina con un alto grado de incertidumbre

Parámetros que definen el modelo de bloque: Posición del bloque llave

(Xmorg, Ymorg, Zmorg), dimensiones del bloque (dx, dy, dz), extensión
del modelo (X (nx), Y (ny), Z (nz).
Kriging en bloques.
La determinación de las dimensiones óptimas del bloque
depende principalmente de:

Tamaño de las
Continuidad Capacidades de Taludes de
Variabilidad de muestras y
geológica de la los equipos diseño de la
las leyes. espaciamientos
mineralización. mineros. explotación.
entre ellas.
Ejercicio de Kriging en Bloques
1. Mediante el método del Kriging en bloques, se
tienen las ecuaciones que debemos resolver:

Entonces, dividimos en 4 volúmenes;

Resolvemos para V:

Los términos 4v y 1/V son iguales por lo tanto se eliminan;

Utilizando el esquema esférico de Matheron, para la función
H y las coordenadas (0.6; 0.6), se obtiene aproximadamente
el valor 0,630. Luego:
Entonces calculamos la ley según la ecuación III) ; La varianza, según la ecuación IV) ;
Kriging Simple

Z = *
 * z
i =1, n
i i

• El kriging minimiza esta varianza de estimación para obtener los

ponderadores. Derivando e igualando a cero, se obtiene el sistema
de kriging simple:
 C ( x1 − x1 )  C ( x1 − x n )   1   C ( x1 − x 0 ) 
     
      =  
 C (x − x )  C (x − x )      C (x − x ) 
 n 1 n n   n  n 0 
n n
Z (x 0 ) =
*
   Z ( x  ) + ( 1 −   )  m
• Y por lo tanto: =1 =1
n
 KS
2
( x 0 ) = C ( 0 ) −   C ( x  − x 0 )
 =1
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 (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:
2 (h)= [ E{ Y2(u) + [ E{ Y2(u + h)}] - 2 [ E{ Y(u) • Y(u + h)]
C(0) = meseta
= Var{Y(u)} + Var{Y(u + h)} - 2 C(h})
(h)
= 2 [ C(0) - C(h) ]
• Así, C(h) = C(0) - (h) C(h)
Geology – Modeling / 1 july 2009
Kriging Simple
• Hay tres ecuaciones para determinar los tres
ponderadores:
 1  C(1,1) +  2  C(1,2) +  3  C(1,3) = C(0,1)
 1  C( 2,1) +  2  C( 2,2) +  3  C( 2,3) = C(0,2)
 1  C( 3,1) +  2  C( 3,2) +  3  C( 3,3) = C(0,3)  2,3
 1,2  1,3

 0,1  0,2
 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) - (h)

Geology – Modeling / 1 july 2009
Geology – Modeling / 1 july 2009
Kriging Ordinario
• En la mayoría de los casos la media es desconocida
• Kriging Ordinario: estimador lineal que no considera la media conocida
n
Z * (u0 ) =    Z (u )
 =1

• Requiere imponer la condición de insesgo:

n
E [ Z * (u0 ) − Z (u0 )] =   E [ Z (u )] − E [ Z (u0 )]
    n


 =1
m m
 =1
n
(   −1 )
 =1
=m
 =1

• Los ponderadores se encuentran planteando:

n n n
min Var Z * (u0 ) − Z (u0 ) =       C (u − u  ) + C (0) − 2   C (u − u  )
 =1  =1  =1
n
s.a. 


=1
=1
Kriging Ordinario
• Kriging ordinario (media desconocida)
• En este caso se minimiza la varianza sujeto a que la suma de los ponderadores
sea igual a 1.
• El sistema de kriging ordinario queda:
 C (x1 − x1 )  C (x1 − 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

  0  −    
 1 1    1 
n
Z * ( x 0 ) =    Z ( x )
y  =1
n
 KO
2
( x 0 ) =  2 −   C ( x  − x 0 ) + 
 =1
Kriging Ordinario
• O en términos de variograma:
  (x1 − x1 )   (x1 − x n ) 1  1    ( x 1 − x 0 ) 
     
         
  (x − x )   (x − x ) 1    =   (x − x ) 
 n 1 n n
  n  n 0

  0    
 1 1    1 
n
Z * ( x 0 ) =    Z ( x )
y  =1

n
 KO
2
( x 0 ) =    ( x  − x 0 ) + 
 =1
Geology – Modeling / 1 july 2009
Efecto suavizante de Kriging
• Kriging es localmente preciso y suave:
• Apropiado para visualizar derivas
• Inapropiado para evaluación de procesos donde los valores extremos son
importantes
• La “varianza” de los valores estimados de kriging es muy baja:
Var{Y*(u)}=2-2SK

• 2 es la varianza completa
• 2SK(u) es cero en la posición de los datos
no hay suavizamiento.
• 2SK(u) es la varianza 2 lejos de la posición de los datos
suavizamiento total
• Las variaciones espaciales de 2SK(u) dependen del variograma y el
espaciamiento de los datos
• La varianza perdida es la varianza de kriging 2SK(u)
Efecto suavizante de Kriging
• La idea de la simulación es corregir la varianza y obtener el variograma correcto
Ys (u ) = Y * (u ) + R(u )

donde R(u) corrige la varianza perdida.

• La simulación reproduce el histograma, respeta la variabilidad espacial
(variograma), apropiada para evaluación de procesos
• Permite una determinación de la incertidumbre con realizaciones alternativas
• El efecto suavizante de kriging puede cuantificarse
Geology – Modeling / 1 july 2009
Local Anisotropy Kriging - LAK

Geology – Modeling / 1 july 2009