Kriging: Un

Método de
Interpolación
sobre Datos
Dispersos

Jorge
Zavaleta
Sánchez

Introducción

Preliminares
Kriging
Variograma Método de Interpolación
Método
Kriging Datos Dispersos
Implementación
en Matlab y
Ejemplos
 Historia

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos La estimación de mineral recobrable es muy importante
Jorge ya que la variabilidad local puede afectar la ganancia al
Zavaleta
Sánchez explotar una mina.
Introducción Los primeros pasos para resolver este problema fueron
Preliminares tomados en los años 50 en Sudáfrica con el trabajo del
Variograma
ingeniero minero Danie Krige y el estadista Herbert
Método
Kriging Sichel trabajando en las minas de oro de
Implementación Witwatersrand.
en Matlab y
Ejemplos
Georges Matheron adopto el trabajo pionero hecho en
Sudáfrica y formalizó la mayor parte de los conceptos
de la teoría que llamo geoestadística.
 Ejemplos

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares

Variograma

Método
Kriging

Implementación
en Matlab y
Ejemplos
 Ejemplos

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares

Variograma

Método
Kriging

Implementación
en Matlab y
Ejemplos
 Idea

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares

Variograma

Método
Kriging

Implementación
en Matlab y
Ejemplos
 Idea

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares

Variograma

Método
Kriging

Implementación
en Matlab y
Ejemplos
 Idea

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares

Variograma

Método
Kriging

Implementación
en Matlab y
Ejemplos
 Idea

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares

Variograma

Método
Kriging

Implementación
en Matlab y
Ejemplos
 Variable y Función Regionalizada

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos El valor observado en cada punto x 𝛼 de los datos es
considerado como una salida, z(xx 𝛼 ), de una variable
aleatoria, Z (xx 𝛼 ), para x 𝛼 ∈ 𝒟.
Introducción
Definimos a la variable regionalizada como,
Preliminares

Variograma
z(xx ) para todo x ∈ 𝒟.
Método
Kriging

Implementación La familia de todas estas variables aleatorias

en Matlab y
Ejemplos
{Z (xx ), x ∈ 𝒟}

es llamada una función aleatoria.

 Hipótesis Estacionarias

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
Queremos que los dos primeros momentos (la media y
la covarianza) sean constantes, lo cual, es llamado
estacionariedad débil o de segundo orden.

Introducción En otras palabras, el valor esperado de Z (xx ) debe ser

Preliminares
constante para todos los puntos x , esto es,
Variograma

Método
Kriging
E[Z (xx )] = m(xx ) = m
Implementación
en Matlab y
Ejemplos
y la función de covarianza entre cualquiera dos puntos
x y x + h depende solo del vector h y no del punto x ,

E[Z (xx )Z (xx + h )] − m2 = C(h

h)
 Hipótesis Intrínsecas

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos Se supone que los incrementos de la función son
débilmente estacionarios, es decir, la media y la
varianza de los incrementos Z (xx + h ) − Z (xx ) existen y
son independientes del punto x , esto es
Introducción

Preliminares
E[Z (xx + h ) − Z (xx )] = 0
Variograma

Método
Kriging Var [Z (xx + h ) − Z (xx )] = 2𝛾(h
h)
Implementación
en Matlab y La función 𝛾(hh ) es llamada el semi-variograma (o el
Ejemplos
variograma), la cual es la herramienta básica para la
interpretación estructural del fenómeno como también
para la estimación.
 Variograma Experimental

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
La disimilaridad promedio con respecto a una clase de
vectores ℋk es un valor de lo que es denominado el
variograma experimental
Introducción
nc
Preliminares 1 ∑
𝛾 ∗ (ℋk ) = (z(xx 𝛼 + h ) − z(xx 𝛼 ))2 con h ∈ ℋk
Variograma 2nc
Método
𝛼=1
Kriging

Implementación Tal clase ℋk agrupa vectores cuyas longitudes estén

en Matlab y
Ejemplos entre un intervalo especificado de longitudes y cuya
orientación es la misma hasta una tolerancia dada
sobre el ángulo.
 Variograma Teórico
Definición

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos El variograma para una función aleatoria intrínseca se
define como:

h ) = 0.5 ⋅ Var[Z (xx + h ) − Z (xx )]

𝛾(h
Introducción

Preliminares

Variograma

Método
Kriging
Para variables estacionarias e intrínsecas, la media de
Implementación
Z (xx + h ) − Z (xx ) es cero, y por lo tanto 𝛾(hh ) es
en Matlab y
Ejemplos
solamente la diferencia media de cuadrados, esto es:
[ ]
h ) = 0.5 ⋅ E (Z (xx + h ) − Z (xx ))2 .
𝛾(h
 Variograma Teórico
Propiedades

Kriging: Un
Método de
Interpolación
El valor del variograma en el origen es cero por
sobre Datos
Dispersos
definición
0) = 0.
𝛾(0
Los valores del variograma son positivos
Introducción

Preliminares
h ) ≥ 0,
𝛾(h
Variograma

Método y el variograma es una función par

Kriging

Implementación
en Matlab y
h ) = 𝛾(h
𝛾(−h h)
Ejemplos

h ∣2 , i.e.
El variograma crece más lento que ∣h

h)
𝛾(h
lim = 0, (1)
∣h
h ∣→∞ h ∣2
∣h
 Variograma Teórico
Propiedades

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares

Variograma

Método
Kriging

Implementación 𝛾(h 0) − C(h

h ) = C(0 h ).
en Matlab y ( n n ∑
n
)
Ejemplos ∑ ∑
Var 𝜔𝛼 Z (x𝛼 ) = − 𝜔𝛼 𝜔𝛽 𝛾(x𝛼 − x𝛽 ) ≥ 0
𝛼=0 𝛼=0 𝛽=0
n
∑
si 𝜔𝛼 = 0.
𝛼=0
 Variograma Teórico
Características

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
El variograma presenta las siguientes características:

Siempre empieza en 0 (para h = 0 , Z (xx + h ) = Z (xx )).

Introducción
Este puede ser discontinuo justo después del origen.
Preliminares

Variograma
Generalmente se incrementa con h .
Método
Kriging
Se levanta hasta cierto nivel llamada “umbral” y
Implementación
en Matlab y entonces se aplana. Alternativamente este puede
Ejemplos
seguir creciendo.
 Variograma Teórico
Características

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares

Variograma

Método
Kriging

Implementación
en Matlab y
Ejemplos
 Variograma Teórico
Características: Rango y Zona de Influencia

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
La tasa de crecimiento del variograma con la distancia
indica cuan rápido la influencia de la muestra decae
con la distancia.
Introducción

Preliminares Depués de que el variograma ha alcanzado su valor

Variograma límite (su umbral) ya no hay más correlación entre las
Método
Kriging muestras.
Implementación
en Matlab y
Ejemplos
Esta distancia crítica, llamada el “rango”, da una
definición más precisa de la noción de “zona de
influencia”.
 Variograma Teórico
Características: Comportamiento cerca del origen

Kriging: Un
Método de
Interpolación
sobre Datos Es aún mas importante el estudio para valores
Dispersos
pequeños de h dado que esto esta relacionado a la
continuidad y la regularidad espacial de la variable.
Se consideran cuatro tipos diferentes de
Introducción
comportamiento cerca del origen y estos son:
Preliminares
1 Cuadrático. Esto indica que la variable regionalizada
Variograma
es continua y diferenciable.
Método
Kriging 2 Lineal. La variable regionalizada es entonces continua
Implementación pero no diferenciable.
en Matlab y
Ejemplos
3 Discontinua en el origen. Esto significa que la
variable es altamente irregular en distancias cortas.
4 Plana. Las variables regionalizadas Z (xx + h ) y Z (xx )
son no correlacionadas para todos los valores de h no
importando que tan cerca estén.
 Variograma Teórico
Características: Anisotropías

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
Cuando el variograma es calculado en direcciones
diferentes, este algunas veces se comporta diferente
en algunas de ellas (i.e. anisotrpía).
Introducción

Preliminares
Si esto no ocurre, el variograma depende solo de la
Variograma magnitud de la distancia entre los dos puntos y se dice
Método que es isótropo.
Kriging

Implementación Dos diferentes tipos de anisotropía pueden ser

en Matlab y
Ejemplos distinguidas:
1 Anisotropía Geométrica
2 Anisotropía Zonal
 Variograma Teórico
Modelos Admisibles

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
Los modelos admisibles de variogramas más comúnmente
usados son los siguientes:
Introducción Efecto Nugget.
Preliminares

Variograma Modelo Esférico.

Método
Kriging Modelo Exponencial.
Implementación
en Matlab y Funciones Potencia.
Ejemplos
Modelo Gaussiano.
 Método Kriging

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
Kriging es un método de estimación que da la mejor
estimación lineal insesgada de los valores de los
puntos, esto es, elegir el promedio ponderado de los
Introducción valores de las muestras la cual tenga la mínima
Preliminares varianza.
Variograma

Método
Kriging Hay diferentes variaciones del método kriging, entre
Implementación ellas están:
en Matlab y
Ejemplos Kriging Simple (SK).
Kriging Ordinario (OK).
Kriging Universal (UK).
 Método Kriging

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
La precisión de los métodos depende de varios factores.

1 El número de muestras y la calidad de los datos en

Introducción cada punto.
Preliminares

Variograma 2 La posición de las muestras en el deposito.

Método
Kriging 3 La distancia entre las muestras y el punto a ser
Implementación
en Matlab y
estimado.
Ejemplos
4 La continuidad espacial bajo consideración.
 Kriging Ordinario (OK)

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos Deseamos estimar un valor z(xx 0 ) en x 0 , usando los
valores de los datos z(xx 𝛼 ), de n puntos muestrales
vecinos x 𝛼 y combinándolos linealmente con pesos 𝜔𝛼 ,
Introducción
i.e.
∑n
Preliminares
Z ∗ (xx 0 ) = 𝜔𝛼 Z (xx 𝛼 ).
Variograma
𝛼=1
Método
Kriging

Implementación Los pesos son elegidos de tal manera que el estimador

en Matlab y
Ejemplos sea:
1 Insesgado: E [Z ∗ (xx 0 ) − Z (xx 0 )] = 0
2 Varianza mínima: Var [Z ∗ (xx 0 ) − Z (xx 0 )] sea un mínimo.
 Kriging Ordinario (OK)

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos La propiedad 1) (estimador insesgado), es garantizada con
n
∑
la suma unitaria de los pesos, esto es, 𝜔𝛼 = 1
𝛼=1
Introducción
n n
[ ]
Preliminares ∑ ∑
∗
Variograma E [Z (xx 0 ) − Z (xx 0 )] = E 𝜔𝛼 Z (xx 𝛼 ) − Z (xx 0 ) ⋅ 𝜔𝛼
Método 𝛼=1 𝛼=1
Kriging
n
∑
Implementación
en Matlab y = 𝜔𝛼 E [Z (xx 𝛼 ) − Z (xx 0 )] = 0
Ejemplos
𝛼=1

dado que las esperanzas de los incrementos es cero.

 Kriging Ordinario (OK)

Kriging: Un
Método de
Interpolación
sobre Datos
La varianza de la estimación 𝜎E2 = Var[Z ∗ (xx 0 ) − Z (xx 0 )]
Dispersos es la varianza de la combinación lineal
n
∑ n
∑
Z ∗ (xx 0 ) − Z (xx 0 ) = 𝜔𝛼 Z (xx 𝛼 ) − 1 ⋅ Z (xx 0 ) = 𝜔𝛼 Z (xx 𝛼 )
Introducción
𝛼=1 𝛼=0

Preliminares ∑n
con un peso 𝜔0 igual a -1 y 𝛼=0 𝜔𝛼 = 0.
Variograma

Método
Kriging
La varianza de la estimación
Implementación
en Matlab y 𝜎E2 = E[(Z ∗ (xx 0 ) − Z (xx 0 ))2 ]
Ejemplos n n ∑
n
∑ ∑
= 2 𝜔𝛼 𝛾(xx 𝛼 − x 0 ) − 𝜔𝛼 𝜔𝛽 𝛾(xx 𝛼 − x 𝛽 )
𝛼=1 𝛼=1 𝛽=1
−𝛾(xx 0 − x 0 )
 Kriging Ordinario (OK)

Kriging: Un Minimizando la estimación de la varianza con (∑la OK

restricción
Método de
sobre los pesos (Var[Z ∗ (xx 0 ) − Z (xx 0 )] − 2𝜇OK
)
Interpolación 𝜔𝛼 − 1 ),
sobre Datos
Dispersos obtenemos el sistema de kriging ordinario (OK)
⎧ n
∑
𝜔𝛽OK 𝛾(xx 𝛼 − x 𝛽 ) + 𝜇OK = 𝛾(xx 𝛼 − x 0 ) para 𝛼 = 1, . . . , n




⎨
𝛽=1
Introducción n
∑
𝜔𝛽OK = 1.


Preliminares 

⎩
Variograma 𝛽=1
Método
Kriging
Se puede expresar el sistema anterior en forma matricial
Implementación
en Matlab y como,
Ejemplos
⎛ ⎞ ⎛ OK ⎞ ⎛ ⎞
𝛾(xx 1 − x 1 ) ⋅ ⋅ ⋅ 𝛾(xx 1 − x n ) 1 𝜔1 𝛾(xx 1 − x 0 )
⎜ .. .. .. .. ⎟ ⎜ .. ⎟ ⎜ .. ⎟
⎜
⎜ . . . .⎟⎟⎜ . ⎟ = ⎜
⎜ ⎟ ⎜ . ⎟
⎟
⎝𝛾(xx n − x 1 ) ⋅ ⋅ ⋅ OK
𝛾(xx n − x n ) 1⎠ ⎝𝜔n ⎠ ⎝𝛾(xx n − x 0 )⎠
1 ⋅⋅⋅ 1 0 𝜇OK 1
 Kriging Ordinario (OK)

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos La varianza de la estimación del kriging ordinario es,
n
∑
2
𝜎OK = 𝜇OK − 𝛾(xx 0 − x 0 ) + 𝜔𝛼OK 𝛾(xx 𝛼 − x 0 ).
Introducción
𝛼=1
Preliminares

Variograma El estimador kriging ordinario es un interpolador exacto

Método
Kriging
en el sentido que si x 0 es idéntico con una locación de
Implementación
los datos entonces el valor estimado es idéntico con el
en Matlab y
Ejemplos
valor del dato en ese punto

Z ∗ (xx 0 ) = Z (xx 𝛼 ), si x 0 = x 𝛼 .
 Implementación

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
Hasta el momento se ha hecho lo siguiente:

Construcción del variograma experimental para datos

Introducción
en 1D y 2D.
Preliminares

Variograma
Ajuste de los modelos admisibles a el variograma
Método
Kriging experimental.
Implementación
en Matlab y Implementación de kriging ordinario para utilizarlo
Ejemplos
como interpolador de datos dispersos en 1D y 2D.
 Ejemplos

Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Introducción

Preliminares Implementación en SGems

Variograma

Método
Kriging

Implementación
en Matlab y
Ejemplos
 Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
Armstrong M.
Jorge
Zavaleta Basic Linear Geostatistics.
Sánchez
Springer, 1998.
Apéndice
Bibliografía Isaaks E. H.; Srivastava R. M.
An Introduction to Applied Geostatistics.
Oxford University Press, New York, 1989.
Wackernagel H.
Multivariate Geostatistics: An Introduction with
Applications.
Springer, Berlin, 2003.
 Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos
Lophaven S. N.; Nielsen H. B.; Sondergaard J.
Jorge
Zavaleta Aspects of Matlab Toolbox DACE.
Sánchez
Report IMM-REP-2002-13, Informatics and
Apéndice
Bibliografía
Mathematical Modelling, Technical University of
Denmark, 2002.
Lophaven S. N.; Nielsen H. B.; Sondergaard J.
DACE - A Matlab Kriging Toolbox, Version 2.0.
Report IMM-REP-2002-12, Informatics and
Mathematical Modelling, Technical University of
Denmark, 2002.
 Kriging: Un
Método de
Interpolación
sobre Datos
Dispersos

Apéndice
Bibliografía
Kriging
Método de Interpolación
Datos Dispersos