GEOESTADISTICA

“Krigeage”

Escuela de Ingeniería de Minas

Desarrollo y Preparación de Minas Bajo Tierra

Presentado a: Ing. Diego Salamanca

Presentado por:
Miguel Zua
Alejandro Díaz
André Felipe
Yeison Delgado
Santiago Lasprilla
Nicolás Plata: COD: 201721766

Universidad Pedagogía y Tecnológica de Colombia

Facultad Sogamoso
 2019

GEOESTADÍSTICA

“Krigeage”

HISTORIA DE LA GEOESTADÍSTICA

Con el objetivo de obtener una mayor precisión en la estimación de las reservas minerales, surge
la Geoestadística. Su punto de partida corresponde al encontrar en la naturaleza información
aleatoria desde un punto de vista local, sin embargo, en esta misma naturaleza se encuentra a
nivel global una función matemática que describe el comportamiento de la aleatoriedad en cada
lugar.

En la naturaleza encontramos muchas variables que mantienen una característica en base a la

génesis de su ocurrencia, por ejemplo, la presencia de un elemento químico o metal como el oro, al
analizar su presencia debajo de la superficie, podemos determinar la orientación del flujo
mineralizaste, también determinar qué tan aleatoria es su presencia en los centros del depósito o
en los bordes, y así otras interpretaciones que van de la mano con la interpretación geológica.

En la actualidad, los métodos Geoestadísticos han sido extendidos a los más diversos campos de
la Ciencias de la Tierra. El desarrollo de la informática moderna ha propiciado condiciones para su
divulgación y su aplicación a un grupo cada vez mayor de problemas, pueden encontrarse en el
mercado informático programas profesionales que ofrecen opciones para la aplicación de estas
técnicas.

Principales personajes que aportaron a la Geoestadística

George Matheron es el principal y más importante personaje, se considera el fundador de la

geoestadistica junto con su cofundador Jean Serna. Se graduó en la Escuela Politécnica y después
de la Escuela de Minas de París, donde perfeccionó sus estudios de matemáticas, física y teoría
probabilística. Hizo aportes muy importantes a la geoestadística como ser el Creador del “Centro
de Geoestadística y Morfología Matemática” en la Escuela de Minas de París en Fontainebleau.
También hizo aportes importantes en latino américa al Fomentar y patrocinar la formación del
Centro de Geoestadística de la Universidad de Chile.

Otro personaje importante de la geoestadistica fue David Lowell primero se recibió como ingeniero
en minas y luego se doctoró como geólogo en Stanford, para dedicar la mayor parte de su
trayectoria a la geología y exploración de yacimientos. Eso sí, en los 90 incursionó en el negocio de
venta de propiedades mineras.
Cuando ya había ganado bastante dinero como consultor, volvió a comprar el rancho donde había
sido criado en Arizona y creó su propia empresa: Lowell Mineral Exploration. Ya en 1975 piloteaba
su propio avión observando desde el aire las anomalías de color en la tierra, frecuentes sobre los
grandes yacimientos de cobre.

Su gran descubrimiento en 1995 de la mina de oro Pierina en Perú esta mina logra ser una de las
más rentables del mundo también puede agradecérselo a sus "horas de vuelo". En 1969 realizó un
programa de reconocimiento aéreo en ese país y luego hizo lo mismo en los 80 y 90, en donde
decidió cuáles zonas había que explorar.

También ha contribuido a cientos de proyectos: entre ellos, el depósito de cobre Kalamazoo, en

Arizona el cual fue su primer gran descubrimiento en 1965, y otros yacimientos en Canadá y
Filipinas.
Alfredo Marín Suárez, Personaje importante latino americano. Minero notable que es el primer
graduado de doctor en Geoestadística de toda América y el primer geólogo del mundo en obtener
ese alto nivel académico en esta materia crucial para una real estimación de los recursos y las
reservas de los yacimientos mineros.

GENERALIDADES
.
El prefijo “geo” alude a las ciencias de la tierra, que ha sido históricamente la disciplina donde la
geoestadística se ha desarrollado. Los campos de aplicación actuales alcanzan los dominios más
variados, como la evaluación de recursos naturales (mineros, forestales, gas, petróleo, etc.),
ciencias del suelo y medio-ambientales, topografía, oceanografía, geofísica, agricultura y análisis
de imágenes, por nombrar algunos. El término “estadística” se refiere al uso de herramientas
estadísticas y probabilísticas. Con respecto a la estadística clásica, la geoestadística busca tomar
en cuenta las dependencias entre las observaciones disponibles, considerando que ellas están
ubicadas en el espacio.

La geoestadística busca estudiar una o varias variables regionalizadas conocidas vía una toma de
muestra. Previo al uso de métodos geoestadísticos propiamente tal, conviene realizar un estudio
exploratorio de los datos disponibles, el cual tiene tres objetivos:

Analizar (mediante herramientas estadísticas simples) la cantidad, la calidad y la ubicación de los

datos disponibles.

Definir la(s) zona(s) de estudio. Una división del campo en varias sub-zonas puede ser relevante si
uno observa cambios abruptos en la distribución espacial de valores, o si la geología del fenómeno
lo indica.

Anticipar dificultades o problemas que puedan surgir en la fase de estimación local (por ejemplo,
presencia de valores atípicos que se destacan de aquellos de los datos vecinos).

PREDICCIÓN O ESTIMACIÓN

La “predicción” o “estimación” constituye un objetivo importante de la geoestadística.

Consiste en evaluar, de la manera más precisa posible, un valor que no ha sido medido, a partir de
los datos disponibles. Una característica de los métodos geoestadísticos será, no sólo construir
estimadores, sino también proporcionar una medida de la precisión de la estimación por medio de
herramientas probabilísticas (por ejemplo, varianzas o intervalos de confianza...). Distinguiremos
dos tipos de estimaciones: las estimaciones globales y las estimaciones locales.

La Estimación global

Busca caracterizar el campo D completo por un valor único (por ejemplo, la media de la variable
regionalizada en estudio) o por una distribución estadística (histograma). Es poco común que una
estimación global sea suficiente; frecuentemente, se requiere completarla con estimaciones
locales. Por ejemplo en un estudio de contaminación de suelo, no basta con evaluar la
concentración promedio en toda la zona de un elemento contaminante, sino que es necesario
distinguir los sectores fuertemente contaminados de aquellos que no lo están.

Estimaciones locales
Se interesan por los diferentes sectores de la zona de estudio. En general, se busca evaluar el
valor en un sitio que no ha sido muestreado o el valor promedio de un “bloque” cuyo soporte es
mayor que el soporte de los datos. En este problema, debe considerarse la continuidad espacial de
la variable regionalizada, las distancias entre el sector a estimar y los sitios con datos, así como la
configuración espacial de los mismos sitios con datos puesto que datos agrupados suelen tener
valores parecidos, constituyéndose en información redundante.

DESPLIEGUE DE DATOS (MAPAS)

El despliegue de los datos permite visualizar su ubicación en el espacio. Cuando se trabaja en el

espacio tridimensional, el despliegue puede hacerse con proyecciones (plantas y secciones) o
vistas en perspectiva. Los mapas de datos pueden incluir información sobre los valores medidos y
así dar una idea preliminar de la distribución y continuidad espacial de la variable en estudio, por
ejemplo, utilizando símbolos de forma o tamaño variable o escalas de colores / de grises (Figura
1).

Figura 1 Mapa de datos de contaminación de suelo. La escala de grises se

refiere a la concentración de cobalto expresada en ppm.

El mapa de los datos (Figura 1) da una primera idea de la distribución de los valores en la zona de
estudio. Así se puede distinguir sectores con valores altos (datos señalados con colores oscuros) y
sectores menos contaminados (datos señalados con colores claros).

DISTRIBUCIÓN ESTADÍSTICA DE VALORES

Además de visualizar mapas de los datos, interesa conocer la distribución estadística de sus
valores. Para ello, existen varias herramientas, siendo la más conocida el histograma.
 Figura 2 Histograma de las concentraciones de cobalto (en ppm).

El histograma representa gráficamente las frecuencias de ocurrencia en función del valor. Consiste
en dividir el rango de los valores en intervalos (generalmente, con el mismo ancho) y visualizar la
proporción de datos que caben dentro de cada intervalo (Figura 2).

El histograma es una herramienta útil para detectar valores atípicos (“outliers”). Ahora, cabe
destacar que un dato atípico no es forzosamente falso y nunca debe ser eliminado sin razón (por
ejemplo, un error de trascripción, una falla en el protocolo de medición o un valor ausente
codificado como -99). Podría reflejar el comportamiento verdadero de la variable regionalizada y
eliminarlo impediría prever la ocurrencia de tales valores en las zonas no muestreadas.

La visualización del histograma de los datos también es un primer medio de verificar su

homogeneidad. Eventualmente, una división del campo en varias sub-zonas será necesaria. Así,
por ejemplo, un histograma multimodal puede conducir a la identificación, entre los datos, de varias
“poblaciones” susceptibles de estar geográficamente separadas. A veces, tal separación está
impuesta por consideraciones físicas, que impiden mezclar todos los datos: presencia de un
obstáculo natural (falla, río...), partición de una zona mineralizada según la caracterización
mineralógica o el tipo de roca, etc. En tales casos, un problema que puede plantearse es la
delimitación de las sub-zonas “homogéneas”, pues es poco frecuente que sus fronteras puedan ser
identificadas con exactitud.

Estadísticas Elementales

Junto con el histograma, es conveniente calcular algunas estadísticas básicas sobre la distribución
de valores. Entre ellas, podemos distinguir:

Medidas de Posición

Media: promedio aritmético de los valores.

Cuantiles o percentiles: valores que dividen la población en partes de igual número de datos. Por
ejemplo, la mediana divide la población en dos partes, los cuartiles en cuatro partes (la mediana
coincide con el segundo cuartil), los quintiles en cinco partes y los deciles en diez partes.
Contrariamente a la media, los cuantiles son parámetros robustos, es decir, poco sensibles a la
presencia de algunos valores muy altos o muy bajos.

Mínimo y Máximo: establecen el rango en el cual se distribuyen los valores.

Medidas de Dispersión

Varianza: promedio aritmético de la desviación cuadrática entre cada valor y la media. Esta medida
cuantifica la dispersión del histograma y se expresa en el cuadrado de la unidad de la variable en
estudio.
Desviación estándar: raíz cuadrada de la varianza; se expresa en la misma unidad que la variable
en estudio.

Coeficiente de variación (para variables positivas): razón entre la desviación estándar y la media;
es adimensional.

Rango intercuartil: ancho del intervalo entre el primer y el tercer cuartil, que contiene la mitad de los
datos.

Métodos tradicionales

El problema se formula de la siguiente manera: estimar el valor z(x0) (desconocido) de la variable

regionalizada estudiada en un sitio x0 a partir de los valores conocidos en sitios con datos. Para
ello, se buscará asignar un ponderador a cada dato.

Figura 3 ¿Cómo estimar el valor en el sitio “?” a partir de los

valores en los sitios con datos A.B, C, D, E, F, ?

Interpolación por el más cercano vecino

Este estimador atribuye toda la ponderación al dato más cercano al sitio a estimar. En el caso
mostrado en la Figura 1, se trata del dato ubicado en C. El estimador apantalla a todos los datos
salvo el más cercano, luego omite gran parte de la información y probablemente carece de
precisión.
 Figura 4 Ponderación obtenida con la interpolación por el
más cercano vecino.

Inverso de la distancia

Este segundo estimador asigna a cada dato una ponderación inversamente proporcional a (una
potencia de) su distancia al sitio a estimar.

Figura 5 Ponderación obtenida con la interpolación por inverso de la distancia (izquierda) e inverso del cuadrado de la
distancia (derecha)

Si la potencia es baja (cercana a cero), la distancia elevada a esta potencia es cercana a 1, por lo
que el estimador asigna la misma ponderación a todos los datos (media aritmética de los datos).
Al contrario, si la potencia es muy alta, el inverso de la distancia más pequeña se vuelve
preponderante sobre todos los otros términos, y el estimador se convierte en el del más cercano
vecino.

PROPIEDADES DE LA GEOESTADISTICA “KRIGING”

Entre todos los métodos anteriores, existe uno que sea mejor que los otros. El término “mejor”
podría ser tomado en el sentido de que la desviación cuadrática promedio entre los valores
estimados y los valores verdaderos sea la más pequeña posible. En la práctica, ningún método es
siempre mejor que otro, de modo que la elección de uno u otro método no es trivial.

Para saber a qué método recurrir, uno puede implementar la técnica de jack-knife. Consiste en
dividir el conjunto de datos en dos sub-conjuntos. Luego, los datos del primer sub-conjunto son
utilizados para interpolar los valores del segundo sub-conjunto. El análisis de los errores cometidos
permite entonces decidir cuál es el método de interpolación que tiene el mejor desempeño. Una
variante del método de jack-knife consiste en considerar un segundo sub-conjunto reducido a un
solo dato, siendo todos los otros datos parte del primer sub-conjunto, y repitiendo la interpolación
para cada dato a la vez. Esta variante lleva el nombre de validación cruzada. Su puesta en marcha
y los criterios que merecen atención para juzgar el desempeño de un método serán detallados más
adelante.

Todos los métodos presentados con anterioridad toman en cuenta la información de naturaleza
geométrica al momento de realizar la interpolación, principalmente las distancias que existen entre
los sitios con datos y el sitio a estimar. Sin embargo, ignoran otra fuente de información, que es la
continuidad espacial de la variable en estudio, resumida a través del modelo de variograma. El
kriging que presentaremos a continuación busca mejorar la interpolación de los datos al tomar en
cuenta:

1) sus distancias al sitio a estimar.

2) las redundancias entre los datos debidas a posibles agrupamientos.
3) la continuidad espacial de la variable regionalizada (variograma):

a. privilegiar los datos cercanos si el variograma es muy regular en el origen.

b. repartir la ponderación entre los datos si existe un importante efecto pepita.
c. en caso de anisotropía, privilegiar los datos ubicados en las direcciones de mayor continuidad
con respecto al sitio a estimar.

Asimismo, el kriging permitirá cuantificar la precisión de la estimación mediante una varianza que
mide la dispersión del error potencial cometido en la estimación.

Kriging de media desconocida (Kriging ordinario)

Se supone ahora que la variable regionalizada es la realización de una función aleatoria Z

estacionaria.

Determinación del estimador

Las etapas del Kriging dan:

- Linealidad: se asegura esta restricción al tomar como estimador en X0

- Insesgo: La igualdad sobre la suma de los ponderadores asegura que, en el caso en que
todos los datos son iguales a una misma constante, el valor estimado restituirá esta constante

- Optimalidad: Se necesita minimizar esta expresión bajo la condición de insesgo, que

impone que la suma de las incógnitas es igual a 1
Este Kriging se denomina “Kriging ordinario”, debido a que sus etapas y/o restricciones imponen
una relación entre los datos que no amplifican el proceso, siendo el variograma equivalente a la
covarianza por ejemplo.
Varianza de Kriging

La varianza en este tipo de Kriging ocurre en el error que se produce en el sitio X0.
Esto debido que el sitio X0 al ser el lugar de inicio tiene una función aleatoria Z con una varianza a
priori.

Otros tipos de Kriging

1. Kriging con derivadas: Este Kriging ya no trabaja de forma igual a los anteriores debido a
que la función aleatoria no es estacionaria, varia en el espacio, reflejando una distribución espacial
de valores. Existen tres variantes.

- Kriging Universal, que supone que la derivada es un polinomio de las coordenadas.

- Kriging trigonométrica, donde la derivada es combinación de funciones senos y cosenos.
- Kriging con derivada externa, que supone que la derivada es proporcional a una variable
externa.

2. Kriging de bloques: Este Kriging necesita de un soporte de datos (bloque) mucho más
grande, así el proceso de estimación es más corto y la estimación directa del valor promedio es
concisa.

3. Co-Kriging: Se trata de la versión multivariable del Kriging, donde se busca estimar el valor
de una variable tomando en cuenta los datos de esta variable y de otras variables correlacionadas.

4. Kriging no lineal: Estos métodos consisten en aplicar Kriging a una transformada (no lineal)
de la variable Z, luego en volver a esta variable.

Otros métodos de Kriging no lineal buscan caracterizar el valor desconocido Z(x) no por un valor
estimado, sino que por una distribución de probabilidad. Entre otros métodos, citemos:

- El Kriging de indicadores: basado en una codificación de la variable Z en un conjunto de

variables binarias o indicadores, según si Z sobrepasa o no determinados umbrales.
- El Kriging disyuntivo (co-kriging de indicadores)
- El Kriging multi-Gaussiano: basado en una transformación de la variable original Z en una
variable de distribución Gaussiana

Observaciones sobre el Kriging

Los ponderados y la varianza de Kriging toman en la cuenta:

- Las distancias entre el sitio a estimar y los sitios con datos

- La configuración geométrica de los sitios con datos y la posible redundancia
- La continuidad espacial de la variable, descrita por la función covarianza o por variograma.

En general, el ponderador asignado a un sitio con dato es mayor cuando este sitio es más cercano
al sitio a estimar. Pero varias situaciones pueden perturbar esta constatación “intuitiva”:

- Existencia de un fuerte efecto pepita en el modelo vario gráfico, que tiende a dar el mismo
ponderador a todos los sitios con datos (como hay ausencia de continuidad espacial, un dato
próximo aporta tanta información como uno lejano).

- Presencia de una anisotropía: existe una dirección del espacio donde la variable Tiene
menos continuidad espacial, es decir, donde la correlación es menor. Así, un dato cercano en esta
dirección puede aportar “menos información” que un dato más alejado en otra, y tener de esta
forma un ponderador de Kriging menor.

- Redundancias entre datos: cuando varios datos están agrupados y cercanos unos a otros,
se vuelven redundantes. Su ponderador acumulado es prácticamente el mismo que el ponderador
que recibiría un solo dato en lugar del grupo. Dicho en otras palabras, el Kriging corrige los efectos
debidos a las irregularidades de la malla de muestreo y no sobre-pondera los datos agrupados en
perjuicio de los datos aislados (contrariamente a estimadores clásicos como el inverso de la
distancia).
- Efecto pantalla: puede ocurrir que un sitio con dato haga pantalla a otro respecto al sitio a
estimar. El sitio “cubierto”, aunque cercano al sitio a estimar, puede tener un ponderador bajo,
incluso nulo (efecto pantalla total). La estimación ignora el valor observado en el sitio cubierto.
Cuando este efecto es indeseable, se puede atenuar, introduciendo en el modelo un efecto pepita.
Otra solución consiste en agrupar los dos sitios y asignarles el mismo ponderador, con el costo de
una perdida de precisión.

- Efecto de relevo: la presencia de un sitio con dato cercano al sitio a estimar permite a un
sitio con dato “lejano”, o sea, ubicado a una distancia superior al alcance del variograma, tener un
ponderador no despreciable en la estimación, mientras que en ausencia del sitio cercano, su
ponderador habría sido nulo (Kriging simple) o muy bajo (Kriging ordinario).

- La ventaja de este proceder es que puede entregar estimaciones que salen de los límites
dados por los datos. Por el contrario, las técnicas de interpolación por combinaciones lineales
ponderadas que imponen pesos comprendidos entre 0 y 1 entregan estimaciones que siempre que
están entre el mínimo y el máximo valor absoluto.

- La matriz del primer miembro del sistema de Kriging depende solamente de la posición
relativa de los sitios con datos.

- Si los sitios con datos son distintos, se demuestra que el sistema de Kriging es regular, es
decir, entrega una solución única. Por ende, cuando el sistema de Kriging es singular, se está en
presencia de datos duplicados (repetidos en la base de datos): la matriz del primer miembro del
sistema de Kriging posee dos filas idénticas y no es invertible.

Figura 6 Comparación de las estimaciones obtenidas por kriging ordinario y por método del inverso de
la distancia.
En la
figura 6
se
muestra
la

comparación de la estimación obtenidas por Kriging ordinario y por el método del inverso de la
distancia.
PROPIEDADES DEL KRIGING

Interpolación exacta

El Kriging es un interpolador exacto, es decir, la estimación en un sitio con dato vuelve a dar el
valor de este dato, mientras que la varianza de Kriging en ese sitio es nula.

Propiedad de suavizamiento

El mapa de los valores estimados por Kriging es más suave que el mapa de los valores reales, es
decir, que presenta menos fluctuaciones. La búsqueda de una estimación precisa se acompaña
inevitablemente de este efecto de suavizamiento, pues no se puede inventar los detalles que no
aparecen en los datos observados.

Figura 7 Ilustración de la propiedad de suavizamiento

Dentro de esta grafica se hace una pequeña revisión de cómo se da el comportamiento del Kriging
con respecto a la variable real, en este caso el Kriging muestra la relación de los datos como se
dispone la variable y que comportamiento debe seguir.

VALIDACION CRUZADA
Se puede verificar entre los datos y los parámetros adoptados (modelo de variograma, vencida de
Kriging), utilizando la llamada técnica de la validación cruzada. El principio es estimar
sucesivamente, mediante Kriging, cada dato, considerando solo los datos restantes.

1) Las medias de los errores y de los errores estandarizados miden el sesgo del estimador, y
deben ser cercanas a cero. De hecho, este criterio resulta secundario con respecto al
modelamiento del variograma y la elección de la vecindad de Kriging pues los valores obtenidos
por Kriging son insesgados por construcción. Así, en la práctica, la media de los errores tenderá
hacia cero.

2) La varianza de los errores, que mide la precisión del estimador, debe ser mínima.

3) La varianza de los errores estandarizados debe ser cercana a 1:

-Este criterio indica que el modelo de variograma cuantifica adecuadamente la amplitud de los
errores cometidos, es decir, que el variograma elegido no es demasiado optimista ni tampoco
pesimista.

4) El coeficiente de correlación entre los valores estimados y los valores de los datos debe ser lo
más cercano posible a 1.

5) El número de datos mal estimados debe ser el menor posible. Para fijar las ideas, este número
se considera satisfactorio si representa menos del 5% del total de los datos.

Cada una de estas restricciones se encarga que la validación del Kriging sea correcta y entregue
datos exactos, de esta manera la relación de los datos se hacen más cercanos, su dispersión no es
significativa y los resultados son totalmente acertados.

CONCLUSIONES

Kriging es una metodología geoestadistica de correlación de información en la cual se determina la

mayor probabilidad de encontrar el valor deseado. Donde hay un menor procentaje de error en la
estimción de dicha probabiliad. Mayormente usado para el analisis de muestreo de campo, con la
posibilidad de representar dicha información graficamente, tambien modelar dicha información en
2D y 3D mediante programas especializados en analisis geoestadisticos. Uno de los metodos más
utiles para el cálculo y busqueda de yacimientos minerales a gran escala.
REFERENCIAS

http://geoestadistica.com/geoestadistica_conceptos.htm
http://www.geoestadistica.org/matheron.html
https://es.wikipedia.org/wiki/Henri_Poincar%C3%A9#Contribuciones
http://www.geoestadistica.org/comunidad.html
https://en.wikipedia.org/wiki/Georges_Matheron
http://www.geoestadistica.org/drmarin.html
http://mineriaonline.com.pe/pageflipx/487/index.html?page=14
https://es.wikipedia.org/wiki/Krigeaje
https://acolita.com/geoestadistica-interpolacion-con-kriging/
https://documat.unirioja.es/descarga/articulo/2981942.pdf
https://www.academia.edu/23486534/Geoestadistica_Aplicada
https://www.u-
cursos.cl/usuario/f697544fb48474f4153ef2aafbe4c963/mi_blog/r/Geoestadistica.pdf
https://www.ucm.es/data/cont/docs/112-2013-10-15-
presentacion_krigeado_130215_paraImprimir.pdf
https://www.geosysint.com/papers/AIESMIN-2008/AIESMIN%202008.pdf