Krigin Puntual y Bloques

UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERA
ESCUELA ACADMICO PROFESIONAL DE INGENIERA DE MINAS
KRIGING PUNTUAL Y KRIGING EN

BLOQUES
CURSO : Geoestadstica.
DOCENTE : Ing. Wilder Chuquiruna
INTEGRANTES :
CASTILLO MORENO, Keylor.
MOSQUEIRA VILLAR, Paola
MUJICA CABRERA, Juan
PERALTA RODAS, Pool.
TERAN TOLEDO, Fernando.
20 DE JULIO DE 2016
Escuela Acadmico Profesional de Ingeniera de Minas
NDICE
1 INTRODUCCIN......................................................................................................................3
2 OBJETIVOS ............................................................................................................................ 4
2.1 OBJETIVOS GENERALES: ..................................................................................................................... 4
2.2 OBJETIVOS ESPECFICOS: .................................................................................................................... 4
3 MARCO TERICO. ...................................................................................................................5
3.1 DEFINICIN KRIGING. ......................................................................................................................... 5
3.2 CLASIFICACIN DE LOS DIFERENTES TIPOS DE KRIGING. ............................................................................ 5
3.2.1 Segn la forma del estimador. ................................................................................................ 5
3.2.2 Segn el soporte de la medicin de los datos. .......................................................................... 6
3.2.3 Kriging paramtrico y no paramtrico. ..................................................................................... 6
3.3 OBJETIVO DEL KRIGING....................................................................................................................... 7
4 KRIGING PUNTUAL. ................................................................................................................7
5 EJERCICIO RESUELTO. ........................................................................................................... 9
6 KRIGING EN BLOQUES. ......................................................................................................... 13
6.1 MODELO DE CAPA.............................................................................................................................17
6.2 ECUACIONES DE KRIGING DE BLOQUES. ........................................................................................... 18
6.3 EFECTO DE LA DISTANCIA.................................................................................................................. 19
6.4 EFECTO PANTALLA Y ANISOTROPA. .............................................................................................. 20
6.5 EFECTO DE DECLUSTERIZACIN Y DISTANCIA. ...................................................................................... 20
6.6 CAMBIO EN EFECTO PEPITA. .......................................................................................................... 21
6.7 PROPIEDADES DEL KRIGING. .............................................................................................................. 21
6.8 DATOS A UTILIZAR EN LA ESTIMACIN............................................................................................. 23
6.9 VALIDACIN DEL KRIGING. ............................................................................................................ 23
7 EJERCICIO RESUELTO. .......................................................................................................... 24
8 CONCLUSIONES ................................................................................................................... 37
9 REFERENCIAS BIBLIOGRFICAS............................................................................................ 38
2
1 Introduccin
La geoestadstica ofrece un mtodo de estimacin de reservas, usando el variograma,
llamado krigeado, se utiliza en la evaluacin de yacimientos para estimar el valor de una
variable regionalizada, en un punto o en un bloque, a partir del uso de factores de
ponderacin.
Se considera al mtodo de kriging del tipo MELI (Mejor Estimador Lineal Insesgado)
o ELIO (Estimador Lineal Insesgado ptimo): es lineal porque sus estimaciones son
combinaciones lineales ponderadas de los datos existentes; y es insesgado porque procura
que la media de los errores sea nula; es el mejor porque los errores de estimacin tienen
una variancia mnima.
3
2 Objetivos
2.1 Objetivos Generales:
Definir e interpretar el Kriging puntual y en bloques.
2.2 Objetivos Especficos:
Definir la clasificacin de los diferentes tipos de kriging.
Desarrollar un ejercicio de Kriging puntual.
Desarrollar un ejercicio de kriging en bloques.
4
3 Marco Terico.
3.1 Definicin Kriging.
El krigeaje o krigeado es un mtodo geoestadstico de estimacin de puntos. Utiliza un

modelo de variograma para la obtencin de los ponderadores que se darn a cada punto
de referencias usados en la estimacin. Esta tcnica de interpolacin se basa en la premisa
de que la variacin espacial contina con el mismo patrn. Fue desarrollada inicialmente
por Danie G. Krige a partir del anlisis de regresin entre muestras y bloques de mena, las
cuales fijaron la base de la geoestadstica lineal.
3.2 Clasificacin de los diferentes tipos de Kriging.
El mtodo se caracteriza por ser el mejor estimador lineal, insesgado de la variable.
Mejor: porque los factores de ponderacin se determinan de tal forma, que la

varianza de estimacin es mnima .
Lineal: porque es una combinacin lineal de la informacin.
Insesgado: por que en promedio el error es nulo.
3.2.1 Segn la forma del estimador.
Lineales:
- Simple.
- Ordinario.
- Universal.
- Residual
5
No lineales:
- Disyuntivo
- Indicador
- Probabilstico
3.2.2 Segn el soporte de la medicin de los datos.
Puntual.
En bloques.
3.2.3 Kriging paramtrico y no paramtrico.
Paramtrico:
- Multigaussiano.
- Disyuntivo.
- Lognormal.
No paramtrico:
- Simple
- Ordinario
- Universal
- Residual
- Indicador
- Probabilstico.
6
3.3 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 mnimo la varianza de estimacin, se interpreta la ley
con la mxima precisin posible.
La precisin de la estimacin depende de varios factores:
Del nmero de muestras y de la calidad de la data en cada punto.
De la posicin 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 definicin de Kriging, es necesario dejar claro la definicin de la

varianza de estimacin. A continuacin se presenta la deduccin de las varianza de
estimacin simulando las ocurrencias de una funcin aleatoria con resultados de anlisis
qumicos al interior de un bloque.
Imagen N 1. Kriging
4 Kriging puntual.
El krigeage puntual o krigeage ordinario; a diferencia del kriageage simple que asume
que las medias locales son relativamente constantes y de valor muy semejante a la media
de la poblacin que es conocida, la media de la poblacin es utilizada para cada
7
estimacin local, en conjunto con los puntos vecinos establecidos como necesarios para
la estimacin. En el Kriageage puntual las medias locales no son necesariamente
prximas de la media de la poblacin, usndose apenas los puntos vecinos para la
estimacin. Es el mtodo ms ampliamente utilizado en los problemas ambientales.
Es un interpolador exacto en el sentido de que las ecuaciones calculadas las utiliza para
interpretar los valores y habr una coincidencia exacta entre los valores interpolados y
los puntos de datos originales.
El mayor inters 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 lneas
de isocontenidos, por ejemplo para las leyes o potencias del nivel mineralizado.
En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa estimar la
ley en un punto x0 (problema de interpolacin).
Corresponde al caso particular en que el volumen V tiende a cero. Se obtiene el sistema

siguiente:
8
Imagen N 2. Krigeado del punto x0. Se puede generar una grilla de valores interpolados al hacer variar x0. Esta
tcnica tiene aplicacin en la cartografa automtica y en la simulacin de leyes.
5 Ejercicio resuelto.
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 esfrico con las siguientes caractersticas:
Co = 2, C = 20 y a = 200 m.
Imagen N 3. Ejercicio Kriging puntual
9
Solucin
El problema se resuelve de la siguiente manera:
a) Modelo esfrico se define como.
Nos indica lo siguiente:

(C) = 20
(C0) = 2
(a) = 200m
b) Definir los elementos de las matrices.
Se trata de resolver el sistema de ecuaciones :
[ ] = []1 [2]
10
Clculo de los elementos de la matriz [M2]
Clculo de los elementos de [K ]
Se tiene que:
De la misma manera que en a) calculemos los trminos siguientes:
11
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
[]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
c) Calcular los valores de i.
[ ] = []1 [2]
1 -0.058 0.032 0.007 0.019 0.149 9.34

2 0.032 -0.050 0.014 0.004 0.239 17.02
3 = 0.007 0.014 -0.033 0.012 0.308 x 20.28
4 0.019 0.004 0.012 -0.036 0.305 12.17
0.149 0.239 0.308 0.305 -14.489 1
12
Al resolver se obtiene:
1 = 0.518
2 = 0.022
3 = 0.089
4 = 0.371
= 0.915
Se verifica que:
d) Calcular la ley.
La ley en Xo ser: 0,518*3.2 + 0,022*2.5 + 0,089*4.0 + 0,37*1.5 = 2,6%
6 Kriging en bloques.
El mtodo ms usado en la modelacin de recursos consiste en la discretizacin del espacio
3D en bloques o celdas tridimensionales. Cada celda contiene los atributos (litologa, tipo
de mineralizacin etc.) y las mediciones (leyes, propiedades fsico mecnicas) del dominio
geolgico en que se encuentra. Los atributos de los bloques se determinan sobre la base
de la interseccin con el modelo geolgico o su posicin respecto a una superficie
triangulada y las leyes a travs de la estimacin con tcnicas de interpolacin espacial.
13
Imagen N 4. Modelo de bloques.
Peso de las muestras (%) Ley estimada

del bloque
W 1.6% 3.1% 2.8%
1 44.8 34.7 20.5 2.37
2 55.2 33.2 11.6 1.34
3 64.0 29.9 6.1 2.12
Coordenadas de las muestras.
1.6 = (10 ; 40)
2.8 = (90 ; 0)
3.1 = (-40 ; -35)
El primer modelo de bloque fue utilizado a comienzos de los aos 60 por la Kennecott
Koper Corporation en un depsito de prfido cuprfero. Se emple para describir la
distribucin espacial de las leyes y no la geometra de los dominios geolgicos.
Cada bloque debe contener toda la informacin disponible en las fases de desarrollo de
un proyecto: litologa-mineraloga, contenidos de metales, calidades en el caso del carbn
y rocas industriales, contenidos de contaminantes, parmetros geomecnicos, datos
hidrogeolgicos, etc.
14
Para definir el modelo de bloque es necesario establecer los siguientes parmetros:
Posicin del modelo: se especifica a partir de las coordenadas del centroide del
bloque llave (key block).
Extensin del modelo en las distintas direcciones X, Y, Z (debe ser lo

suficientemente grande para enmarcar la regin de inters)
Dimensiones de las celdas o bloques por la X, Y y Z.
Orientacin del modelo definido (ngulo de inclinacin y el azimut)
Conjunto de variables a almacenar en el modelo con sus correspondientes

formatos: ley de los distintos metales, peso volumtrico, litologa, tipo tecnolgico
de mena etc.
Con el objetivo de alcanzar una mayor resolucin del modelo de bloque en los lmites de
los cuerpos minerales se utilizan bloques (sub bloques) con dimensiones menores que los
originales. El modelo de bloques puede ser rotado y orientado de manera que se ajuste a la
estructura geolgica y respete los elementos de yacencia del yacimiento estudiado.
15
Imagen N 5. Parmetros que definen el modelo de bloque: Posicin del bloque llave (Xmorg, Ymorg, Zmorg),
dimensiones del bloque (dx, dy, dz), extensin del modelo (X (nx), Y (ny), Z (nz).
Un aspecto de primordial importancia en el modelo de bloque lo constituye la seleccin de

las dimensiones del bloque. Lo ideal en este caso es que el tamao del mismo coincida con
la unidad de seleccin minera que ser empleada durante la explotacin del yacimiento,
sin embargo en muchas ocasiones esto no es posible pues no se cuenta con la densidad
suficiente de informacin. Cabe destacar tambin que al disminuir el tamao del bloque se
aumenta el error de estimacin, es decir, su ley se determina con un alto grado de
incertidumbre. Ahora bien, al aumentar el tamao del bloque las leyes son emparejadas
artificialmente. Segn la teora geoestadstica por lo menos un tramo del pozo debe quedar
dentro de cada bloque, y que estos tramos estn uno del otro a una distancia menor que el
alcance del variograma, o sea, dentro de la distancia que se estima que una muestra tiene
influencia sobre la otra.
Este enfoque terico en muchos casos no es prctico desde el punto de vista tcnico
(demasiados sub-bloques para poder respetar los lmites del modelo geolgico y lograr una
16
buena precisin en el clculo del volumen, distintas redes de exploracin etc.) y

generalmente se prefiere examinar el yacimiento en unidades de seleccin ms pequeas.
Por esta razn se asume la siguiente regla ampliamente manejada en la literatura: el
tamao del bloque puede ser tan grande como el espaciamiento medio de la red y no debe
ser menor a o 1/3 del espaciamiento de esta (Houlding, 1994; Duke et. al., 1991).
La determinacin de las dimensiones ptimas del bloque depende principalmente de:
Variabilidad de las leyes.
Continuidad geolgica de la mineralizacin.
Tamao de las muestras y espaciamientos entre ellas.
Capacidades de los equipos mineros.
Taludes de diseo de la explotacin.
6.1 Modelo de capa.
Aunque el modelo de bloques es el ms empleado en la prctica este es ms apropiado

para depsitos de forma isomtrica. Para yacimientos relativamente planos como pueden
ser los yacimientos estratiformes y tabulares, es preferible estimar las reservas en 2D, para
lo cual se proyecta el cuerpo en un plano, se contornea y delimitan los dominios geolgicos,
se superpone una matriz de bloque 2d y finalmente se estima en cada bloque las variables
de inters empleando el mtodo de inverso de la distancia o kriging. Un procedimiento
similar a este es el mtodo de isolinea, con la diferencia de que en este caso se emplea un
mtodo ms sofisticado para la interpolacin espacial de las variables de inters.
Otra variante para este tipo de yacimiento es continuar trabajando en 3D y emplear un
modelo de capa o de lmina, el cual es muy similar al modelo de bloque pero la Z de los
bloques es variable y depende de la altura ente el piso y el techo del cuerpo.
17
Se emplea en yacimientos donde su extensin horizontal es mucho mayor que su

dimensin transversal (espesor) y donde la variacin de la ley en esa dimensin es
despreciable o no se puede determinar (Filones, vetas, yacimientos laterticos y aluviales).
Al igual que en el caso anterior hay que definir la posicin del modelo, su extensin,
dimensines de las celdas (X,Y) y las variables a almacenar. La altura de la celda se define
por la diferencia de las cotas (Z) de las superficies trianguladas que definen el la unidad
geolgica.
6.2 Ecuaciones de kriging de bloques.
El valor promedio dentro del bloque es estimado por:
() = ()
=1
Del sistema de ecuaciones para el kriging ordinario se tiene:
Consecuentemente el vector del lado derecho de la igualdad en el sistema de arriba debe

modificarse para incluir las covarianzas respecto al bloque. La covarianza de un punto al
bloque corresponde a la covarianza promedio entre el punto muestreado i y todos los
puntos dentro del bloque (en la prctica un enmallado regular de puntos dentro del bloque
es usado como se muestra en la figura de la pgina anterior). El sistema de ecuaciones del
kriging en bloques est dado por:
18
donde el vector de covarianzas al lado derecho de la igualdad en el sistema anterior es

contiene las covarianzas entre las variables Z(x1) , Z (x2 ),., Z(xn) y el bloque A donde se
quiere hacer la estimacin.
La varianza del error de prediccin del kriging en bloques est dada por:
Igual a la covarianza entre

pares de puntos dentro del bloque.
Isaaks y Srivastava (1989) muestran a travs de ejemplos que el kriging en bloques coincide
con el promedio de predicciones hechas por kriging ordinario sobre cada uno de los puntos
del enmallado dentro del bloque. As mismo indican que en la prctica es suficiente con un
enmallado cuadrado (6x6) para obtener estimaciones estables en los bloques.
6.3 Efecto de la Distancia.
Caso base y efecto del aumento en la distancia sobre los ponderadores.
(h) 0,2 0,8 Sph(100)
19
Caso base Efecto de distancia
2K = 0,1888 2K = 0,2162
0,25 0,265
50 0,25 0,25 50 0,303 0,303
0,25
0,129
50 50
Imagen N 6. Efecto de la distancia
6.4 Efecto Pantalla y Anisotropa.
Efecto pantalla y de la anisotropa (Anis. Geom. 4 x 1) sobre los ponderadores
(h) 0,2 0,8 Sph(100)
Efecto pantalla Efecto de la anisotropa
2K = 0,1668 2K = 0,2248
0,247 0,074
50 0,233 0,233 50
50 0,426 0,426
0,174
0,080 0,074
0,033
50 50
Imagen N 7. Efecto de pantalla y anisotropia
6.5 Efecto de Declusterizacin y Distancia.
Efecto de declusterizacin y distancia sobre los ponderadores.
(h) 0,2 0,8 Sph(100)
20
Efecto de declusterizacin Efecto de decl. + distancia
2K = 0,1668 2K = 0,2107
0,215 0,3437
0,111 0,016
50 0,242 0,106 50 0,2674 0,013
0,111 0,016
0,215
0,3437
50 50 100 150
Imagen N 8. Efecto de Declusterizacin y Distancia.
6.6 Cambio en efecto pepita.
Efecto sobre los ponderadores de un cambio en el efecto pepita.
Caso base Cambio en el efecto pepita

2 2
K = 0,0827 K = 0,1206
0,208 0,1044
50 50
0,042 0,1456
50 50
(h) = 0,2 + 0,8 Sph(100) (h) = 0,7 + 0,3 Sph(100)
Imagen N 9. Cambio en efecto pepita
6.7 Propiedades del Kriging.
Interpolacin exacta: la estimacin en un sitio con dato es igual al valor del dato y la
varianza de kriging en este sitio vale 0
Aditividad: la estimacin de la ley de un bloque es igual al promedio de las

estimaciones de leyes puntuales en este bloque
21
Suavizamiento: la dispersin de los valores estimados es menor que la

dispersin 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 evaluacin de
procesos donde los valores extremos son importantes ( simulaciones)
Insesgo y precisin: por construccin
Sesgo condicional: el error promedio puede no tener esperanza nula cuando se

considera slo los sitios donde la ley estimada es alta (o baja). En general, el sesgo
condicional es pequeo si se usa suficientes datos (>15)
Imagen N 10. Sesgo condicional.
Al tener sesgo condicional, se incurre en una mala apreciacin del negocio. La ley media
del material mandado a planta (material cuya estimacin supera una ley de corte) es
inferior a la ley media estimada de este material, mientras que la ley media del material
mandado a botadero es superior a la ley media estimada de este material.
22
Imagen N 11. Suavisamiento
6.8 Datos a utilizar en la estimacin.
Vecindad nica: se usa todos los datos
Vecindad mvil: se usa slo los datos cercanos al sitio (bloque) a estimar
- En general, se toma una vecindad en forma de elipse (2D) o elipsoide (3D),

orientado segn la anisotropa observada en el variograma
- Se suele dividir la vecindad en sectores angulares (cuadrantes en 2D octantes

en 3D) y buscar datos en cada sector
- Los radios del elipse (elipsoide) no necesariamente corresponden a los alcances

del variograma, sino que se definen de manera de poder encontrar suficientes
datos para hacer la estimacin.
6.9 Validacin del kriging.
Para validar los parmetros del kriging (modelo de variograma, vecindad elegida), se puede
usar los siguientes mtodos:
Validacin cruzada: se estima sucesivamente cada dato considerando solamente

los datos restantes
23
Jack-knife: se divide la muestra inicial en dos partes (por ejemplo, cuando hay dos
campaas de sondajes), y se estima una parte a partir de la otra
Luego, se hace un estudio estadstico de los errores cometidos para saber si el kriging fue
satisfactorio (buena precisin, poco sesgo condicional)
Criterios de validacin:
Medias de los errores y de los errores estandarizados: deben ser cercanas a cero
estimador sin sesgo
Varianza de los errores: debe ser la ms baja posible estimador preciso
Varianza de los errores estandarizados: debe ser cercana a 1 el variograma

cuantifica adecuadamente la incertidumbre
Nube de dispersin entre valores reales y estimados: la regresin debe acercarse a

la diagonal insesgo condicional
7 Ejercicio resuelto.
1. Mediante el mtodo del Kriging Ordinario, se tienen las ecuaciones que debemos
resolver:
Entonces, dividimos en 4 volmenes;
24
Resolvemos para V:
Los trminos 4v y 1/V son iguales por lo tanto se eliminan;
Utilizando el esquema esfrico de Matheron, para la funcin H y las coordenadas (0.6;

0.6), se obtiene aproximadamente el valor 0,630. Luego:
25
26
Entonces calculamos la ley segn la ecuacin III) ;
La varianza, segn la ecuacin IV) ;
27
2. Considere una regionalizacin de dos dimensiones que se caracteriza por una funcin
aleatoria de punto () que, como una primera aproximacin, se supone que es intrnseca
con un semivariograma isotrpico estacionario: () = (||).Por ejemplo, Z (u, v) puede
ser el grosor vertical de una veta sedimentaria.
El valor medio Zv se calcula sobre un panel cuadrado =

de tamao de la
configuracin no simtrica de los cuatro datos de apoyo cada uno, situados en 1,
(muestra central) y 3 , 4 , 5 (muestras perifricas) mostradas en la siguiente figura.
28
Por razones de simetra y un semivariograma isotrpico (||) los dos datos 4 5

reciben el mismo peso, y por lo tanto se pueden agrupar para formar el conjunto 2 =
{4 5 } de apoyo 2. Por otra parte, los datos S1 y S3 deben ser tratados por separado.
El estimador lineal considerado de este modo contiene tres pesos, es decir,
= ( )
=1
Con
1
(2 ) = [(4 )+(5 )]
2
El sistema de kriging se escribe como:
Valor medio sobre el soporte de datos,
(Las dimensiones del soporte son neglectable con respecto a la longitud ),
29
Donde H (L, l) denota una funcin auxiliar, que da la media del semi-variograma () si un
extremo del vector se fija en una esquina de un rectangular de tamao Lxl y el otro
extremo se mueve uniformemente por el rea de la rectangular. Esta funcin se puede dar
analticamente para variogramas simples, los valores ms complicados pueden ser ledos
desde diagramas grficos.
Donde (, ) es una funcin auxiliar similar H; que representa la media de () si los dos
extremos de se mueven uniformemente a travs del rea del rectangular de tamao
() .
Para proceder ms lejos, un modelo lineal con efecto de pepita se considera:
El efecto pepita 0 (0) 0 () se caracteriza en la regularizacin sobre el soporte de datos

por una constante de pepita = . La constante de pepita en la regularizacin de
apoyo es despreciable con respecto a la de apoyo :
30
Para el modelo estndar simple y lineal:
Las funciones auxiliares H y F pueden calcularse analticamente. Tenemos:
Nuestros casos especiales son:
Los valores de la media variogramas ahora son:
Donde denota el tamao de , este trmino es nfimamente pequeo.
31
Se consideran tres casos:
i. El efecto pepita puro con = 1, = 0

ii. El efecto pepita parcial con = 0.5, = 0.959
iii. La ausencia del efecto pepita, con = 0, = 1.918
Los valores anteriores de los parmetros , y se han elegido con el fin de

garantizar, en tres casos, una variacin de dispersin constante de datos de soporte
en el panel V:
Para estos casos especiales realizamos los siguientes clculos.
i. Efecto pepita puro:
32
El sistema Krige sigue:
Despus de la eliminacin de (0) nos queda
Lo que da
La varianza del krigeado es:
Podemos ver que en este caso de efecto de pepita puro, los pesos son
proporcionales al tamao del soporte. La ubicacin no es importante.
ii. Efecto pepita parcial:
33
El sistema Krige sigue como:
Eliminamos la constante (0)y el resultado del sistema nos da
Se destaca que 1 obtiene el peso ms grande y que 2 es mayor que 23 . La varianza es

2 = .29.
iii. Sin efecto pepita:
La eliminacin de (0) da un sistema Krige
34
1.918 2 + 1.9183 + = 0.7338
1.918 1 + 1.918 2 + 2.712 3 + = 2.001
1.918 1 + 2.712 2 + = 2.001
1 + 2 + 3 = 1
Con la solucin:
Podemos ver que el centro de la muestra, incluso se pone un peso ms alto.
En la siguiente tabla de resumen tambin vemos los resultados de otros mtodos de

estimacin. Uno se llama POLY (polgono de influencia), que utiliza pesos positivos slo
para las muestras que se encuentran en la regin a ser estimado. Por lo tanto 1 = 1 y 2 =
3 = 0. Los mtodos del inverso a la distancia e inverso a la distancia al cuadrado mtodos
(ID e ID2) dan el mismo peso a los tres datos perifricos 3 = 2 /2. El valor central
1 obtiene un mayor peso por ID2 (1 = .727) que por ID (1 = .484) . La distancia
media desde 1 al panel ha sido tomado como una cuarta parte de la diagonal, es decir,
24.
En el caso estacionario, estos mtodos estndar aseguran la insesgamiento de la

estimacin, ya que satisfacen la nica condicin insesgada = 1, pero no lo hacen, por
s mismos, proporcionan la estimacin de varianzas 2 .
35
Para este propsito, es necesario caracterizar en alguna forma la variabilidad espacial del
fenmeno en estudio. El mtodo geoestadstico es utilizar la funcin estructural () con
la que se puede calcular la varianza de estimacin de cualquier estimador lineal insesgado.
Efecto pepita Kriging Polgono ID ID2
Puro .484 .727
.344 .182
.172 .091
.323 .553
Parcial .484 .727
.344 .182
.172 .091
.296 .339
Ausente .484 .727
.344 .182
.172 .091
.27 .225
36
8 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
poblacin que es conocida.
El mtodo ms usado en la modelacin de recursos consiste en la discretizacin del

espacio 3D en bloques, cada celda contiene los atributos (litologa, tipo de
mineralizacin etc.) y las mediciones (leyes, propiedades fsico mecnicas) del
dominio geolgico en que se encuentra.
Se desarrollaron dos ejercicios de Kriging puntual y kriging de bloques.
37
9 Referencias bibliogrficas
Proyecto de Evaluacin de Yacimientos - Clase N 6
Estimacin por Kriging Ordinario y Validacin del Modelo Estimado
GEOESTADSTICA APLICADA - UNIVERSIDAD NACIONAL AUTNOMA
DE MXICO.
UNIVERSIDAD NACIONAL AUTNOMA DE MXICO - UNIVERSIDAD NACIONAL

AUTNOMA DE MXICO
http://geoestadistica.com/objetivo_kriging.htm.
38

Krigin Puntual y Bloques

Cargado por

Copyright:

Formatos disponibles

Krigin Puntual y Bloques

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Krigin Puntual y Bloques

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE CAJAMARCA

KRIGING PUNTUAL Y KRIGING EN

DOCENTE : Ing. Wilder Chuquiruna

2.1 OBJETIVOS GENERALES: ..................................................................................................................... 4

2.2 OBJETIVOS ESPECFICOS: .................................................................................................................... 4

3 MARCO TERICO. ...................................................................................................................5

3.1 DEFINICIN KRIGING. ......................................................................................................................... 5

3.2 CLASIFICACIN DE LOS DIFERENTES TIPOS DE KRIGING. ............................................................................ 5

3.2.1 Segn la forma del estimador. ................................................................................................ 5

3.2.2 Segn el soporte de la medicin de los datos. .......................................................................... 6

3.2.3 Kriging paramtrico y no paramtrico. ..................................................................................... 6

3.3 OBJETIVO DEL KRIGING....................................................................................................................... 7

4 KRIGING PUNTUAL. ................................................................................................................7

5 EJERCICIO RESUELTO. ........................................................................................................... 9

6 KRIGING EN BLOQUES. ......................................................................................................... 13

6.1 MODELO DE CAPA.............................................................................................................................17

6.2 ECUACIONES DE KRIGING DE BLOQUES. ........................................................................................... 18

6.3 EFECTO DE LA DISTANCIA.................................................................................................................. 19

6.4 EFECTO PANTALLA Y ANISOTROPA. .............................................................................................. 20

6.5 EFECTO DE DECLUSTERIZACIN Y DISTANCIA. ...................................................................................... 20

6.6 CAMBIO EN EFECTO PEPITA. .......................................................................................................... 21

6.7 PROPIEDADES DEL KRIGING. .............................................................................................................. 21

6.8 DATOS A UTILIZAR EN LA ESTIMACIN............................................................................................. 23

6.9 VALIDACIN DEL KRIGING. ............................................................................................................ 23

7 EJERCICIO RESUELTO. .......................................................................................................... 24

2.1 Objetivos Generales:

Definir e interpretar el Kriging puntual y en bloques.

2.2 Objetivos Especficos:

Definir la clasificacin de los diferentes tipos de kriging.

Desarrollar un ejercicio de Kriging puntual.

Desarrollar un ejercicio de kriging en bloques.

3.1 Definicin Kriging.

El krigeaje o krigeado es un mtodo geoestadstico de estimacin de puntos. Utiliza un

3.2 Clasificacin de los diferentes tipos de Kriging.

El mtodo se caracteriza por ser el mejor estimador lineal, insesgado de la variable.

Mejor: porque los factores de ponderacin se determinan de tal forma, que la

Lineal: porque es una combinacin lineal de la informacin.

Insesgado: por que en promedio el error es nulo.

3.2.1 Segn la forma del estimador.

3.2.2 Segn el soporte de la medicin de los datos.

3.2.3 Kriging paramtrico y no paramtrico.

3.3 Objetivo del Kriging.

La precisin de la estimacin depende de varios factores:

Del nmero de muestras y de la calidad de la data en cada punto.

De la posicin 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 definicin de Kriging, es necesario dejar claro la definicin de la

Corresponde al caso particular en que el volumen V tiende a cero. Se obtiene el sistema

Imagen N 3. Ejercicio Kriging puntual

a) Modelo esfrico se define como.

Nos indica lo siguiente:

Clculo de los elementos de la matriz [M2]

Clculo de los elementos de [K ]

De la misma manera que en a) calculemos los trminos siguientes:

Sacar la inversa de [K]

-0.058 0.032 0.007 0.019 0.149

c) Calcular los valores de i.

1 -0.058 0.032 0.007 0.019 0.149 9.34

La ley en Xo ser: 0,5183.2 + 0,0222.5 + 0,0894.0 + 0,371.5 = 2,6%