Download - 013-Kriging
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
08 - Kriging08 - Kriging
Estimadores lineales ponderadosEstimadores lineales ponderados Kriging SimpleKriging Simple Kriging OrdinarioKriging Ordinario Propiedades del KrigingPropiedades del Kriging Plan de KrigingPlan de Kriging ValidaciónValidación
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
La idea básica es estimar el valor de una variable La idea básica es estimar el valor de una variable regionalizada (por ejemplo, la ley de cobre total) en una (por ejemplo, la ley de cobre total) en una posición posición uu donde no conocemos el valor verdadero, donde no conocemos el valor verdadero, planteando:planteando:
donde Z*(donde Z*(uu) es el valor estimado para la posición ) es el valor estimado para la posición uu, {Z(, {Z(uuii), ), i=1...n} son los valores de los datos en las posiciones {i=1...n} son los valores de los datos en las posiciones {uuii, , i=1...n}, i=1...n}, aa es un coeficiente aditivo y { es un coeficiente aditivo y {ii, i=1...n} son , i=1...n} son ponderadores.ponderadores.
)()(1
*i
n
ii ZaZ uu
Estimadores lineales Estimadores lineales ponderadosponderados
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Estimadores lineales Estimadores lineales ponderadosponderados
¿Qué factores podrían ¿Qué factores podrían considerarse en la considerarse en la asignación de los asignación de los ponderadores?ponderadores?
cercaníacercanía a la posición que a la posición que está siendo estimadaestá siendo estimada
redundanciaredundancia entre los entre los valores de datosvalores de datos
continuidad o continuidad o variabilidad espacialvariabilidad espacial
anisotropíaanisotropía (dirección (dirección preferencial)preferencial)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Estimadores lineales Estimadores lineales ponderadosponderados
Estimador del Estimador del más cercano más cercano vecinovecino: atribuye toda la ponderación al dato más cercano al sitio a estimar (ii = 1 para el dato más cercano, ii = 0 para los otros datos, a = 0)
También llamado “estimador También llamado “estimador por polígonos de influencia”, por polígonos de influencia”, puesto que el sitio a estimar puesto que el sitio a estimar se encuentra en el polígono se encuentra en el polígono de influencia del dato que se de influencia del dato que se lleva toda la ponderaciónlleva toda la ponderación
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Estimadores lineales Estimadores lineales ponderadosponderados
Estimador del Estimador del inverso de la distanciainverso de la distancia: atribuye a cada data una ponderación proporcional al inverso de su distancia al sitio a estimar
Existen variantes, donde se eleva la distancia a una cierta potencia:Existen variantes, donde se eleva la distancia a una cierta potencia:
donde donde ddii es la distancia entre el dato nº es la distancia entre el dato nºii y la posición que se está y la posición que se está estimando, estimando, cc es una constante pequeña, y es una constante pequeña, y ww es un valor usualmente es un valor usualmente comprendido entre 1 y 3comprendido entre 1 y 3
n
i wi
wi
i
dc
dca
1
1
1
0
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Estimadores lineales Estimadores lineales ponderadosponderados
Inverso de la distancia Inverso del cuadrado de la distancia
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Los estimadores anteriores son sencillos de aplicar, pero Los estimadores anteriores son sencillos de aplicar, pero la asignación de la ponderación sólo depende del criterio la asignación de la ponderación sólo depende del criterio de cercanía.de cercanía.
La idea del método de La idea del método de krigingkriging es incorporar los otros es incorporar los otros criterios (redundancias entre datos, continuidad espacial, criterios (redundancias entre datos, continuidad espacial, anisotropía) mediante el uso del anisotropía) mediante el uso del variograma. variograma.
De este modo, se logra obtener estimaciones más De este modo, se logra obtener estimaciones más precisas precisas → → mejor planificación, mejor selección estéril / mineral, + mejor planificación, mejor selección estéril / mineral, + $$$$$$
Estimadores lineales Estimadores lineales ponderadosponderados
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Estimadores lineales Estimadores lineales ponderadosponderados
KrigingKriging es “una colección de técnicas generalizadas de es “una colección de técnicas generalizadas de regresión lineal para minimizar una varianza de estimación regresión lineal para minimizar una varianza de estimación definida de un modelo a priori de covarianza” (R. Olea, 1991).definida de un modelo a priori de covarianza” (R. Olea, 1991).
El Kriging es el El Kriging es el mejor estimador lineal insesgadomejor estimador lineal insesgado ( (Best Linear Best Linear Unbiased EstimatorUnbiased Estimator, BLUE) , BLUE)
““lineal” porque es una combinación lineal ponderada de los datoslineal” porque es una combinación lineal ponderada de los datos
““insesgado” porque el error de estimación tendrá una media insesgado” porque el error de estimación tendrá una media igual a 0igual a 0
““mejor” en el sentido del error de varianza mínima para un mejor” en el sentido del error de varianza mínima para un modelo dado de covarianza / variogramamodelo dado de covarianza / variograma
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Estimadores lineales Estimadores lineales ponderadosponderados
Existen varios tipos de kriging:Existen varios tipos de kriging:
Kriging simpleKriging simple: media m conocida: media m conocida Kriging ordinarioKriging ordinario: media m desconocida: media m desconocida Kriging con derivaKriging con deriva: media desconocida que depende de cada posición m(: media desconocida que depende de cada posición m(uu))
Kriging universalKriging universal - intrínseco: la deriva es un polinomio de las coordenadas - intrínseco: la deriva es un polinomio de las coordenadas Kriging trigonométricoKriging trigonométrico: la deriva es una función periódica: la deriva es una función periódica Kriging con deriva externaKriging con deriva externa: la deriva es proporcional a una variable secundaria: la deriva es proporcional a una variable secundaria
Kriging no linealKriging no lineal: aplica kriging a una transformada de la variable: aplica kriging a una transformada de la variable Kriging lognormalKriging lognormal: cuando el logaritmo de los datos tiene una distribución normal: cuando el logaritmo de los datos tiene una distribución normal Kriging de indicadoresKriging de indicadores: aplica kriging a datos binarios (indicadores) que codifican : aplica kriging a datos binarios (indicadores) que codifican
probabilidades de pertenecer a un tipo de roca o de sobrepasar una ley de corteprobabilidades de pertenecer a un tipo de roca o de sobrepasar una ley de corte Kriging disyuntivoKriging disyuntivo: aplica kriging a factores que descomponen la variable a estimar: aplica kriging a factores que descomponen la variable a estimar Kriging multi-GaussianoKriging multi-Gaussiano: aplica kriging a la transformada Gaussiana de los datos: aplica kriging a la transformada Gaussiana de los datos
Kriging multivariable = cokrigingKriging multivariable = cokriging Etc.Etc.
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging SimpleKriging Simple
HipótesisHipótesis
1) Se conoce el valor promedio m de la variable regionalizada
2) 2) También se conoce el variograma (h), el cual presenta una meseta:
() = 2
existe una funcion de covarianza, dada por C(h) = 2 – (h)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging SimpleKriging Simple
Queremos construir el “mejor estimador lineal insesgado” Queremos construir el “mejor estimador lineal insesgado” para estimar el valor en un sitio para estimar el valor en un sitio uu::
Para determinar el coeficiente Para determinar el coeficiente aa y los ponderadores { y los ponderadores {ii, , i=1...n}, se examina las condiciones de insesgo y de i=1...n}, se examina las condiciones de insesgo y de varianza mínima.varianza mínima.
)()(1
*i
n
ii ZaZ uu
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging SimpleKriging Simple
Condición de insesgoCondición de insesgo
El valor esperado del error de estimación es:
Para que este valor esperado sea nulo, se debe plantear
mma
ZEZEaZZE
n
ii
i
n
ii
1
1
* )}({)}({)}()({ uuuu
man
ii
}1{1
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging SimpleKriging Simple
Condición de varianza mínimaCondición de varianza mínima
La varianza del error de estimación se expresa en función de la covarianza
a2-2ab+b2)}(var{ * uZ )}(),(cov{2 * uu ZZ )}(var{ uZ
)}(),(cov{1 1
jij
n
i
n
ji ZZ uu
)(1 1
jij
n
i
n
ji C uu
)}()(var{ * uu ZZ
=
=
=
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging SimpleKriging Simple Los ponderadores óptimos (que minimizan la varianza del Los ponderadores óptimos (que minimizan la varianza del
error) pueden determinarse tomando derivadas parciales con error) pueden determinarse tomando derivadas parciales con respecto a los ponderadoresrespecto a los ponderadores
e igualándola a cero:e igualándola a cero:
Este sistema de n ecuaciones con n ponderadores Este sistema de n ecuaciones con n ponderadores desconocidos es el sistema de desconocidos es el sistema de kriging simplekriging simple (KS) (KS)
n
jijij
i
niCC1
,...1,)(2)(2][
uuuu
n
jijij niCC
1
,...1,)()( uuuu
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging SimpleKriging Simple En notación matricial:En notación matricial:
)(
)(
)()(
)()( 11
1
111
uu
uu
uuuu
uuuu
nnnnn
n
C
C
CC
CC
mide las correlaciones (redundancias) entre
datos
mide las correlaciones entre
datos y valor a estimar
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging SimpleKriging Simple El estimador se escribe:El estimador se escribe:
La media aparece con un ponderador que es el complemento La media aparece con un ponderador que es el complemento de la ponderación acumulada de los datos. Mientras más lejos de la ponderación acumulada de los datos. Mientras más lejos el sitio el sitio uu de los datos, menores serán sus ponderadores y de los datos, menores serán sus ponderadores y mayor será la ponderación de la media. De cierto modo, mayor será la ponderación de la media. De cierto modo, la la media “compensa” la falta de información aportada por media “compensa” la falta de información aportada por los datoslos datos
mZZn
iii
n
ii
}1{)()(11
* uu
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging SimpleKriging Simple
Varianza del errorVarianza del error
Asimismo, es posible determinar el valor de la varianza del Asimismo, es posible determinar el valor de la varianza del error (que se minimizó). Esta varianza lleva el nombre de error (que se minimizó). Esta varianza lleva el nombre de ““varianza de krigingvarianza de kriging”, aunque se refiere a la varianza del ”, aunque se refiere a la varianza del errorerror de kriging: de kriging:
Puede calcularse sin conocer los valores de los datos. Puede calcularse sin conocer los valores de los datos.
Se demuestra que esta varianza siempre es menor o igual a Se demuestra que esta varianza siempre es menor o igual a 22..
)()(1
22 uuu
i
n
iiKS C
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging Simple: ejemploKriging Simple: ejemplo Hay tres ecuaciones para Hay tres ecuaciones para
determinar los tres ponderadores:determinar los tres ponderadores:
En notación matricialEn notación matricial
Recordar que C(h) = C(0) - Recordar que C(h) = C(0) - (h)(h)
)3,0(C)3,3(C)2,3(C)1,3(C
)2,0(C)3,2(C)2,2(C)1,2(C
)1,0(C)3,1(C)2,1(C)1,1(C
321
321
321
)3,0(C
)2,0(C
)1,0(C
)3,3(C)2,3(C)1,3(C
)3,2(C)2,2(C)1,2(C
)3,1(C)2,1(C)1,1(C
3
2
1
1,2
2,3
0,3
0,20,1
1,3
2,3
0,3
1,3
2,3
0,3
1,2 1,3
2,3
0,30,1
1,2 1,3
2,3
0,3
0,20,1
1,2 1,3
2,3
0,30,1
1,2
2,3
0,1
1,2
0,2
2,3
0,1
1,2 1,3
0,2
2,3
0,1
1,2
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging Simple: ejemploKriging Simple: ejemplo Kriging simple con un efecto pepita cero y un Kriging simple con un efecto pepita cero y un
variograma esférico isótropo con tres alcances variograma esférico isótropo con tres alcances diferentesdiferentes
λ 1 λ 2 λ 3alcance = 10 0.781 0.012 0.065
5 0.648 -0.027 0.0011 0.000 0.000 0.000
Cambio del alcance
Distancia
alcance = 1 alcance = 5
alcance = 10
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging Simple: ejemploKriging Simple: ejemplo Kriging simple con un variograma esférico isótropo con Kriging simple con un variograma esférico isótropo con
alcance 10 y tres diferentes efectos pepitaalcance 10 y tres diferentes efectos pepita
1 2 3
pepita = 0% 0.781 0.012 0.06525% 0.468 0.203 0.06475% 0.172 0.130 0.053
100% 0.000 0.000 0.000
Distancia
100%75%
pepita = 25%
Cambio del efecto pepita
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging Simple: ejemploKriging Simple: ejemplo Kriging simple con un variograma esférico con un efecto Kriging simple con un variograma esférico con un efecto
pepita del 25%, un alcance principal de 10 y alcances pepita del 25%, un alcance principal de 10 y alcances menores diferentesmenores diferentes
1 2 3
anisotropía 1:1 0.468 0.203 0.0642:1 0.395 0.087 0.1415:1 0.152 -0.055 0.232
20:1 0.000 0.000 0.239
Cambio de anisotropía
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging OrdinarioKriging Ordinario
HipótesisHipótesis
1) No se conoce el valor promedio m de la variable regionalizada. Esto permite generalizar el kriging a situaciones donde esta media no es constante en el espacio: la media puede variar de una región a otra, siempre que sea aproximadamente constante en cada vecindad de kriging.
2) Sólo 2) Sólo se conoce el variograma (h) o la función de covarianza C(h)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging OrdinarioKriging Ordinario
Condición de insesgoCondición de insesgo
El valor esperado del error de estimación es:
Siendo m desconocida, para que este valor esperado sea nulo se debe plantear
mma
ZEZEaZZE
n
ii
i
n
ii
1
1
* )}({)}({)}()({ uuuu
101
n
iia
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging OrdinarioKriging Ordinario
Condición de varianza mínimaCondición de varianza mínima
La varianza del error de estimación se expresa en función de la covarianza
)}(var{ * uZ )}(),(cov{2 * uu ZZ )}(var{ uZ
)}(),(cov{1 1
jij
n
i
n
ji ZZ uu
)(1 1
jij
n
i
n
ji C uu
)}()(var{ * uu ZZ
=
=
=
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging OrdinarioKriging Ordinario Los ponderadores óptimos (que minimizan la varianza Los ponderadores óptimos (que minimizan la varianza
del error del error sujeto a que la suma de los ponderadores sea sujeto a que la suma de los ponderadores sea igual a 1igual a 1) pueden determinarse introduciendo un ) pueden determinarse introduciendo un multiplicador de Lagrangemultiplicador de Lagrange
y anulando las derivadas parciales con respecto a los y anulando las derivadas parciales con respecto a los ponderadores y con respecto al multiplicador de ponderadores y con respecto al multiplicador de LagrangeLagrange
0
111 1
* 12)()(2)()}()(var{
n
ii
n
iii
n
i
n
jjiji CCCZZ 0uuuuuu
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging OrdinarioKriging Ordinario Las derivadas parciales son:Las derivadas parciales son:
Se desemboca en el sistema de Se desemboca en el sistema de kriging ordinariokriging ordinario (KO) (KO)
12][
,...1,2)(2)(2][
1
1
n
ii
n
jijij
i
niCC uuuu
n
ii
n
jijij niCC
1
1
1
,...1,)()( uuuu
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging OrdinarioKriging Ordinario En notación matricial:En notación matricial:
1
)(
)(
011
1)()(
1)()( 11
1
111
uu
uu
uuuu
uuuu
nnnnn
n
C
C
CC
CC
mide las correlaciones (redundancias) entre
datos
mide las correlaciones entre
datos y valor a estimar
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging OrdinarioKriging Ordinario Se puede escribir también en términos de variogramaSe puede escribir también en términos de variograma
No es preciso que el variograma tenga una meseta para que No es preciso que el variograma tenga una meseta para que exista este sistema. Por ende, se puede utilizar aun cuando el exista este sistema. Por ende, se puede utilizar aun cuando el variograma crece infinitamente y no existe ni varianza ni variograma crece infinitamente y no existe ni varianza ni covarianzacovarianza
1
)(
)(
011
1)()(
1)()( 11
1
111
uu
uu
uuuu
uuuu
nnnnn
n
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging OrdinarioKriging Ordinario
Varianza del errorVarianza del error
La varianza del error ( “varianza de kriging”) vale:La varianza del error ( “varianza de kriging”) vale:
Puede calcularse sin conocer los valores de los datos. Puede calcularse sin conocer los valores de los datos.
En ocasiones, esta varianza puede ser mayor que En ocasiones, esta varianza puede ser mayor que 22..
)(
)()(
1
1
22
uu
uuu
i
n
ii
i
n
iiKO C
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Kriging de bloquesKriging de bloques El kriging (simple, ordinario…) puede ser extendido a la
estimación directa del valor promedio en un bloque:
El sistema de kriging sólo difiere del sistema de kriging puntual en el miembro de la derecha: hay que reemplazar la covarianza punto-punto C(ui – u) por la covarianza punto-bloque:
donde {xk, k = 1… N} son puntos que discretizan el bloque V.
V
d)(ZV
1)V(Z uu
N
kkiV ii C
NdC
VC
1
),(1
),(1
)V,( xuuuuu
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Observación sobre el sistema Observación sobre el sistema de krigingde kriging
Los ponderadores y la varianza de kriging toman en Los ponderadores y la varianza de kriging toman en cuenta:cuenta: aspectos geométricos: distancias entre el sitio a estimar y
los datos; distancias (redundancias) entre los datos mismos aspectos variográficos: continuidad espacial, anisotropía,
mediante la covarianza o el variograma
No toman en cuentaNo toman en cuenta información local: valores de los datos (→ en particular,
son indiferentes a la presencia de un efecto proporcional)
A continuación, se presenta un estudio de la sensibilidad A continuación, se presenta un estudio de la sensibilidad de los resultados a cambios en la configuración de los resultados a cambios en la configuración geométrica de los datos y del modelo variográfico.geométrica de los datos y del modelo variográfico.
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Efecto de DistanciaEfecto de Distancia Caso base y efecto del aumento en la distancia sobre Caso base y efecto del aumento en la distancia sobre
los ponderadores (los ponderadores ( ) )
Caso base Efecto de distancia
50
50
0,25
0,25
0,250,25
2K = 0,1888
50
50
0,265
0,129
0,3030,303
2K = 0,2162
)100(8,02,0)( Sphh
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Efecto Pantalla y Efecto Pantalla y AnisotropíaAnisotropía
Efecto pantalla y de la anisotropía (Anis. Geom. 4 x 1) Efecto pantalla y de la anisotropía (Anis. Geom. 4 x 1) sobre los ponderadores (sobre los ponderadores ( ) ))100(8,02,0)( Sphh
Efecto pantalla
50
50
0,247
0,174
0,2330,233
2K = 0,1668
50
0,033
0,080
Efecto de la anisotropía
50
50
0,074
0,074
0,4260,426
2K = 0,2248
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Efecto de Declusterización y Efecto de Declusterización y DistanciaDistancia
Efecto de declusterización y distancia sobre los Efecto de declusterización y distancia sobre los ponderadores ponderadores (( ) )
)100(8,02,0)( Sphh
Efecto de declusterización Efecto de decl. + distancia
50
50
0,215
0,215
0,1060,242
2K = 0,1668
50
50
0,3437
0,3437
0,0130,2674
2K = 0,2107
0,111
0,111
100 150
0,016
0,016
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Cambio en efecto pepitaCambio en efecto pepita Efecto sobre los ponderadores de un cambio en el Efecto sobre los ponderadores de un cambio en el
efecto pepitaefecto pepita
(h) = 0,2 + 0,8 Sph(100) (h) = 0,7 + 0,3 Sph(100)
Caso base Cambio en el efecto pepita
50
50
0,208
0,042
2K = 0,0827
50
50
2K = 0,1206
0,1044
0,1456
50
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Propiedades del KrigingPropiedades 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 ladispersión 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 inapropiado para evaluación de procesos donde los valores extremos son importantes para evaluación de procesos donde los valores extremos son importantes ((→ simulaciones)→ 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)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Propiedades del KrigingPropiedades del KrigingIlustración del sesgo condicional
Al tener sesgo condicional, se incurre en una mala apreciación del negocio. La ley media del material mandado a planta (material cuya estimación 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.
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Propiedades del KrigingPropiedades del Kriging
Ilustración del suavizamiento
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Plan de KrigingPlan de Kriging¿Cuáles son los datos a utilizar en la estimación?
Vecindad única: se usa todos los datos
Vecindad móvil: se usa sólo los datos cercanos al sitio (bloque) a estimar En general, se toma una vecindad en forma de elipse (2D) o
elipsoide (3D), orientado según la anisotropía observada en el variograma
Se suele dividir la vecindad en sectores angulares (cuadrantes en 2D ú 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 estimación
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Plan de KrigingPlan de Kriging
Ejemplo de vecindad móvil
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Validación del krigingValidación 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 Luego, se hace un estudio estadístico de los errores cometidos para saber si el kriging fue “satisfactorio” cometidos para saber si el kriging fue “satisfactorio” (buena precisión, poco sesgo condicional…)(buena precisión, poco sesgo condicional…)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Validación del krigingValidación del krigingCriterios 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
varianza de los errores estandarizados: debe ser cercana a 1 el variograma cuantifica adecuadamente la incertidumbre
nube de dispersión entre valores reales y estimados: la regresión debe acercarse a la diagonal insesgo condicional
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Validación del krigingValidación del kriging
Ejemplo: jack-knife entre dos campañas de sondaje de exploración, usando kriging ordinario. Se busca poner a prueba distintas vecindades de kriging.
Plan 1: estimar con los 2 datos más cercanos
Plan 2: estimar con los 24 datos más cercanos (3 por octante)
Plan 3: estimar con los 48 datos más cercanos (6 por octante)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Validación del krigingValidación del kriging
Histogramas de los errores cometidos
Las medias de los errores son casi nulas insesgoLa mayor precisión se alcanza en los planes 2 y 3
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILEMI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Validación del krigingValidación del kriging
Nubes de correlación entre leyes reales y estimadas
El sesgo condicional y la dispersión de la nube son mínimos en los planes 2 y 3