Sei sulla pagina 1di 44

MI75D - LECCIN 2: LA ESTIMACIN

CON CAMBIO DE SOPORTE


MODELOS DE INCERTIDUMBRE LOCAL
Los modelos de incertidumbre buscan caracterizar los valores de una variable
regionalizada por distribuciones de probabilidad.
Se debe distinguir:
un marco global: describe la distribucin a priori de los valores de la
variable regionalizada, sin tomar en cuenta la existencia de datos cercanos
un marco local (a posteriori o condicional): describe el conocimiento o
la incertidumbre que tenemos sobre la variable
lejos de los datos: distribucin a posteriori = distribucin a priori
en un sitio con dato: no hay incertidumbre
en un sitio cercano a un dato: la distribucin a posteriori tiene menos
dispersin que la distribucin a priori
EJEMPLO: MODELO MULTIGAUSSIANO
En este modelo, la distribucin a priori de los datos (una vez transformados)
es una Gaussiana estandarizada, i.e. de media 0 y varianza 1. La distribucin
a posteriori en un sitio dado del espacio sigue siendo Gaussiana, de media
igual al kriging simple a partir de los datos Gaussianos y de varianza igual a
la varianza de kriging simple
modelo muy sencillo y matemticamente consistente
verificar que la hiptesis multigaussiana sea consistente con los datos (ej.:
nubes de correlacin diferida; variogramas de indicadores; madograma)
el modelo multigaussiano caracteriza la incertidumbre en cada sitio del
espacio por separado: cmo extenderlo para modelar la incertidumbre
conjunta de todos los sitios de un mismo bloque? (en vista de tomar en
cuenta un cambio de soporte)
CAMBIO DE SOPORTE (1)
Consideramos el valor regularizado de una variable regionalizada (ej: ley de
cobre) sobre un bloque v, la cual se define como:
}
=
v
v
Z
v
Z x
x
d
| |
1
donde |v| representa el volumen del bloque v
Nos interesa estimar una funcin de Z
v
, por ejemplo la probabilidad que supere
una ley de corte o la cantidad esperada de metal sobre esta ley de corte
(funciones de transferencia o de recuperacin)
debemos estimar la distribucin de probabilidad de Z
v
condicional a los
datos
CAMBIO DE SOPORTE (2)
La distribucin de una variable regionalizada depende del soporte en el cual
se mide: este efecto de soporte tiene que ser tomado en cuenta al momento de
estimar las funciones de recuperacin, puesto que los datos (testigos de
sondajes, pozos de tronadura) estn definidos en un soporte puntual
la media no depende del soporte
la varianza disminuye al aumentar el soporte
el histograma cambia de forma (se simetriza)
MODELO GAUSSIANO DISCRETO
PARA ESTIMACIN GLOBAL
HIPTESIS (1)
El espacio se considera como una reunin de bloques que no traslapan y
que son idnticos salvo por una traslacin.
La posicin de cada dato puntual se considera como aleatoria y uniforme
dentro del bloque al cual pertenece. Esta aleatorizacin pierde la informacin
sobre la posicin exacta de los datos dentro de los bloques, por lo cual el
modelo no debe usarse para bloques muy grandes.
En adelante, se denota con x las posiciones aleatorias en los bloques.
dominio
datos con posiciones
aleatorizadas dentro de
los bloques
bloques
HIPTESIS (2)
1) La variable puntual Z
x
se puede transformar en una variable Gaussiana Y
x
:
donde | es la funcin de transformacin puntual
2) La variable regularizada Z
v
tambin se puede transformar en una variable
Gaussiana Y
v
:
donde |
v
es la funcin de transformacin de bloques
) (
v v v
Y Z | =
) ( ,
d
x x
x Y Z | = e R
HIPTESIS (3)
3) Si x pertenece al bloque v, el par {Y
x
,Y
v
} es bigaussiano, con coeficiente
de correlacin r (coeficiente de cambio de soporte). Esto implica:
T r Y r Y v
v
2
1 , + = e
x
x
donde T es una variable aleatoria Gaussiana independiente de Y
v

HIPTESIS (4)
HIPTESIS (5)
El modelo Gaussiano discreto se construye de modo de satisfacer la relacin
de Cartier, que estipula que el valor esperado de un dato tomado al azar
dentro de un bloque cuyo valor es conocido, es igual al valor del bloque:
v v
Z Z Z v = e ) | ( E ,
x
x
RELACIN ENTRE LAS FUNCIONES DE
TRANSFORMACIN PUNTUAL Y DE BLOQUES (1)
En base a lo anterior, la relacin de Cartier se escribe
}
+ | = | = | t t t r Y r Y Y Y
v v v v
d ) g( ) 1 ( ) | ) ( ( E ) (
2
x
Esta frmula relaciona las funciones de transformacin puntual y de bloques,
o sea, las distribuciones univariables de las variables originales en ambos
soportes.
RELACIN ENTRE LAS FUNCIONES DE
TRANSFORMACIN PUNTUAL Y DE BLOQUES (2)
Tambin demuestra que el coeficiente de correlacin r debe ser positivo, para
que ambas funciones de transformacin sean crecientes.
En la prctica, se usa una familia de polinomios conocidos como polinomios
de Hermite
p
p
p
d
) ( g d
) ( g ! p
1
) ( , , p
y
y
y
y H y = e e R N
) 15 10 (
30 2
1
) ( ) 1 (
2
1
) (
) 3 6 (
6 2
1
) ( ) (
) 3 (
6
1
) ( 1 ) (
3 5
5
2
2
2 4
4 1
3
3 0
y y y y H y y H
y y y H y y H
y y y H y H
+ = =
+ = =
= =
En particular, se tiene:
RELACIN ENTRE LAS FUNCIONES DE
TRANSFORMACIN PUNTUAL Y DE BLOQUES (3)
Los polinomios de Hermite son ortonormales para las distribuciones Gaussiana
y bigaussiana:
RELACIN ENTRE LAS FUNCIONES DE
TRANSFORMACIN PUNTUAL Y DE BLOQUES (4)
si Y es una variable Gaussiana estandarizada
si {Y,Y} es un par bigaussiano de coeficiente de correlacin r

= =
=
=
e
q p si 0 } ) ( ), ( { cov
1 } ) ( var{
0 } ) ( { E
, p
q p
p
p
*
Y H Y H
Y H
Y H
N
contrario caso n e 0
q p si
} ) ( ), ( { cov , p
p
q p
*
=
=
'
e
r
Y H Y H N
Se desarrolla la funcin de transformacin puntual en polinomios de Hermite
Se demuestra que la funcin de transformacin de bloques se escribe:

+
=
| = |
0 p
p p
) ( ) ( y H y

+
=
| = |
0 p
p
p
p
) ( ) ( y H r y
v
Falta especificar el coeficiente de cambio de soporte (r) para determinar por
completo la distribucin de los bloques.
RELACIN ENTRE LAS FUNCIONES DE
TRANSFORMACIN PUNTUAL Y DE BLOQUES (5)
Ejemplo: distribucin lognormal
La funcin de transformacin puntual es una exponencial:
Se demuestra que la funcin de transformacin de los bloques tambin es una
exponencial, de misma media aritmtica y menor varianza logartmica:
En este caso, el modelo Gaussiano discreto coincide con la correccin
lognormal, que postula la conservacin de la lognormalidad al cambiar el
soporte.
)
2
exp( ) ( ,
2
o
o = | e y m y y
Z
R
)
2
exp( ) ( ,
2 2
o
o = | e
r
y r m y y
Z v
R
RELACIN ENTRE LAS FUNCIONES DE
TRANSFORMACIN PUNTUAL Y DE BLOQUES (6)
CLCULO DEL COEFICIENTE
DE CAMBIO DE SOPORTE (1)
La varianza de los bloques se puede calcular de dos maneras:

+
=
| =
1 p
p 2 2
p
) var( r Z
v
por medio del desarrollo de la funcin de transformacin en polinomios de
Hermite
por medio del modelo variogrfico de la variable original:
) , ( ) ( ) var( v v Z
v
=
Determinacin grfica del coeficiente de cambio de soporte
CLCULO DEL COEFICIENTE
DE CAMBIO DE SOPORTE (2)
APLICACIN A LOS DATOS DE ANDINA (1)
paso 1: modelar la funcin de transformacin en polinomios de Hermite
modelo con 40 polinomios
paso 2: modelar el variograma de las leyes de cobre
APLICACIN A LOS DATOS DE ANDINA (2)
paso 3: asegurar la coherencia entre la funcin de transformacin y el modelo
de variograma
varianza puntual:
meseta del variograma: () = 0.46
35 . 0 ) var(
1 p
2
p
= | =

+
=
x
Z
se estandariza el variograma en torno a una meseta de 0.35
APLICACIN A LOS DATOS DE ANDINA (3)
paso 4: calcular la varianza de bloques gracias al variograma corregido
varianza de bloques:
24 . 0 ) , ( ) ( ) var( = = v v Z
v
paso 5: deducir el valor del coeficiente de cambio de soporte
r = 0.86
APLICACIN A LOS DATOS DE ANDINA (4)
Se puede determinar la distribucin de probabilidad de las leyes de bloques,
luego las curvas tonelaje-ley y calcular parmetros tales como el tonelaje, la ley
media o la cantidad de metal sobre una ley de corte.
APLICACIN A LOS DATOS DE ANDINA (5)


ley de corte = 0.5% Cu

tonelaje

ley media

puntual 74.8%

1.06 %Cu

bloque

81.3%

1.01 %Cu



APLICACIN A LOS DATOS DE ANDINA (6)
Ventajas del modelo Gaussiano discreto
modelo matemticamente coherente (respeta la conservacin de la media, la
disminucin de la varianza y la relacin de Cartier)
modelo sencillo
compatible con el teorema del lmite central
las hiptesis en las cuales se basa son poco restrictivas
PROS Y CONTRAS DEL MODELO
Inconvenientes
el modelo carece de flexibilidad
REFERENCIAS
Rivoirard J (1994) Introduction to disjunctive kriging and non-linear
geostatistics. Clarendon Press, Oxford, 181 p
Demange C, Lajaunie C, Lantujoul C, Rivoirard J (1987) Global
recoverable reserves: testing various change of support models on uranium
data. In: Armstrong M, Matheron G (eds) Geostatistical Case Studies. Reidel,
Dordrecht, p 135-147
Chils JP, Delfiner P (1999) Geostatistics: modeling spatial uncertainty.
Wiley, New York, 695 p
Marchal A Gaussian anamorphosis models. Unpublished note, 22 p
MODELO GAUSSIANO DISCRETO
PARA ESTIMACIN LOCAL
HIPTESIS
Se hace la hiptesis ms fuerte de que todo conjunto de valores de {Y
x
, x e R
d
}
e Y
v
tiene una distribucin multigaussiana
PARMETROS DEL MODELO (1)
El modelo local se caracteriza por
la funcin de transformacin puntual |
el coeficiente de cambio de soporte r
las covarianzas simples y cruzadas de las variables Gaussianas:

= ' e '
= ' e '
= e
'
'
} , { cov ) , ( , ,
} , { cov ) , ( , ,
} , { cov ) , ( , ,
d
d
d
v v
v
'
Y Y v v v v
Y Y v v
Y Y ' '
R
R
R
x
x x
x x
x x x x
PARMETROS DEL MODELO (2)
Debido a la aleatorizacin de los datos dentro de los bloques, se establece las
siguientes relaciones:
) , ( ) , ( ,
contrario caso en 1
if ) , (
) , ( , ,
2
v v r v v
' v v r
' v ' v
'
=
'
e
=
'

=
'
e e
x x
x x
x x x x
Con respecto al modelo global, slo falta especificar una de las covarianzas de
las variables Gaussianas, por ejemplo la covarianza de la Gaussiana de los
bloques (v,v) o, equivalentemente, su variograma.
En la prctica, se trabaja de la siguiente manera:
anlisis variogrfico de los datos originales (Z
x
)
regularizacin y obtencin del variograma de Z
v

paso al espacio Gaussiano, obtencin del variograma de Y
v
(calculado de
manera discreta a lo largo de algunas direcciones del espacio). La frmula
que relaciona los variogramas de Z
v
e

Y
v
se obtiene al desarrollar Z
v
en
polinomios de Hermite

modelamiento de este ltimo variograma, como si fuera un variograma
experimental

PARMETROS DEL MODELO (3)
ESPERANZA CONDICIONAL (1)
Dado un conjunto de datos puntuales en los sitios {x
o
, o = 1 n}, la distribucin
condicional de Y
v
es Gaussiana, con media igual a su kriging simple (Y
v
KS
) a
partir de los datos y varianza la varianza de kriging simple (o
v
KS
)
2

La distribucin a posteriori de Y
v
es:
|
|
.
|

\
|
o

= s = e
KS
KS
G ) datos | ( Prob ) datos | ( F ,
v
v
v v
Y y
y Y y y R
La esperanza condicional de una funcin (Y
v
) se define como:
}
o + = = t t t Y Y Y
v v v v
d ) ( g ) ( } datos | ) ( { E ] ) ( [
KS KS EC
ESPERANZA CONDICIONAL (2)
El sistema de kriging simple es el siguiente:

= o
=

= o
o
o
= o
o
o
) , ( 1 ) (
n
1
KS 2 KS
n
1
KS KS
v
Y Y
v
v
x
x
) , ( ) , ( n, 1...
n
1
KS
v
o
= |
| o
|
= = o

x x x
con
ESPERANZA CONDICIONAL (3)
Tambin se obtiene la varianza de estimacin:

+
=
o =
1 p
p 2 KS 2
p
EC
} ] ) ( 1 [ 1 { } ] ) ( [ ) ( { var
v v v
Y Y

+
=
|
|
.
|

\
|
o
o =
0 p
2 KS
KS
p
2 / p 2 KS
p
EC
) ( 1
] ) ( 1 [ ] ) ( [
v
v
v v
Y
H Y
La esperanza condicional se puede expresar bajo la forma de una serie,
utilizando al desarrollo de la funcin en polinomios de Hermite:
EJEMPLO: KRIGING LOGNORMAL (1)
Supongamos que la funcin a estimar sea una exponencial (estimacin de
una variable lognormal):
)
2
exp( ) (
2 2
o
o = | =
r
Y r m Y Z
v Z v v
|
|
.
|

\
| o o
o =
2
] 1 ) ( [
exp ) (
2 KS 2 2
KS EC v
v Z v
r
Y r m Z
En este caso, la esperanza condicional se simplifica en:
Tal estimador ha sido llamado kriging lognormal simple. No se trata de
un kriging clsico (combinacin lineal de los datos), sino que de una funcin
ms compleja de los datos.
EJEMPLO: KRIGING LOGNORMAL (2)
Una generalizacin consiste en utilizar un kriging ordinario en lugar de uno
simple, lo cual da ms robustez al estimador frente a cambios en el valor de
la media local:
donde es la varianza del kriging ordinario de ln(Z
v
)
es el multiplicador de Lagrange introducido en el sistema de kriging
}
) (
{ ) (
2
) ln( exp
2 KO
KLO KO
+ + =
o
v
v v
Z Z
2 KO
) (
v
o
Este estimador no tiene sesgo cualquiera sea la media (desconocida) m
Z
. Sin
embargo, es sensible a la hiptesis de lognormalidad.
APLICACIN: DATOS DE ANDINA (1)
Primera etapa: anlisis variogrfico
variograma de los datos iniciales (Z
x
: leyes de cobre) normalizado
en torno a la varianza calculada por la funcin de transformacin
Las direcciones principales de anisotropa son la vertical y el plano horizontal
APLICACIN: DATOS DE ANDINA (2)
variograma de los datos regularizados (Z
v
: leyes de cobre)
en los bloques de 10m 10m 12m
} }
'
= '
v v
v
v v y x y x d d ) (
| |
1
) , (
2
APLICACIN: DATOS DE ANDINA (3)
variograma de los datos transformados (Y
v
: Gaussiana de bloques)

+
=
' | = '
1 p
p p 2 2
p
] ) , ( [ ) , ( C v v r v v
covarianza de los
datos regularizados
covarianza de la
Gaussiana de bloques
coeficientes de Hermite de la
funcin de transformacin |
APLICACIN: DATOS DE ANDINA (4)
variograma modelado de los datos transformados
(Y
v
: Gaussiana de bloques)
) , m 70 exp( 49 . 0 ) m 95 ( gau 19 . 0 ) m 100 ( esf 32 . 0 ) , ( + + =
'
v v
Segunda etapa: estimacin de la cantidad de metal sobre una ley de corte de
0.5% Cu, con unidades de seleccin de tamao 10m 10m 12m:
contrario caso en 0
Cu % 5 . 0 si
%) 5 . 0 (
>
=
v v
v
Z Z
Q
APLICACIN: DATOS DE ANDINA (5)
PROS Y CONTRAS DEL MODELO
GAUSSIANO DISCRETO LOCAL
2) Existen varias extensiones:
simulacin de los valores de bloques
otros mtodos de estimacin: kriging disyuntivo, condicionamiento uniforme
se adapta al modelamiento del efecto de informacin
1) Modelo fcil de aplicar, consistente, que requiere pocos tiempos de clculo
3) No se debe utilizar cuando la variable transformada Y
x
tiene una distribucin
espacial muy distinta a la distribucin multigaussiana
4) Tampoco funciona muy bien cuando el cambio de soporte es muy importante
o cuando la variable original tiene un efecto cero (i.e. histograma con una
alta proporcin de valores nulos)
REFERENCIAS
Rivoirard J (1994) Introduction to disjunctive kriging and non-linear
geostatistics. Clarendon Press, Oxford, 181 p
Chils JP, Delfiner P (1999) Geostatistics: modeling spatial uncertainty.
Wiley, New York, 696 p
Guibal D, Remacre AZ (1984) Local estimation of the recoverable reserves:
comparing various methods with the reality on a porphyry copper deposit. In:
Verly G, David M, Journel AG, Marchal A (eds) Geostatistics for Natural
Resources Characterization. Reidel, Dordrecht, p 435-448
Marchal A (1976) The practice of transfer functions: numerical methods and
their application. In: Guarascio M, David M, Huijbregts CJ (eds) Advanced
Geostatistics in the Mining Industry. Reidel, Dordrecht, p 253-276