Clases16 20

IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg.
1
CLASE N16
Clculo de
2
E
(2 parte)
El efecto pepita y el error de estimacin:
Hasta ahora todo el anlisis lo hemos realizado suponiendo que no existe efecto
pepita (C
o
). Sin embargo el efecto pepita suele ser muy comn en la prctica.
El efecto pepita se presenta debido a la combinacin de 2 factores:
La presencia de errores de muestreo y de anlisis.
La presencia de microestructuras.
Supongamos que un semivariograma ha sido obtenido de un gran nmero de
muestras de tamao , y que este semivariograma es del tipo efecto pepita puro
C
o
. Supongamos ahora que el bloque W ha sido evaluado a partir de una muestra
y que nosotros queremos estimar el error correspondiente.
Si
= C
o
, entonces se puede demostrar que:
o
C K ) ; (
W
C K W W
o

) ; (
K W ) ; ( si est fuera de W
W
C K W
o

) ; (
si est dentro de W
Entonces utilizando la expresin para calcular el error:
) ; ( 2 ) ; ( ) ; ( W) en (
2
W W W
E
+
obtenemos:
,
_
+
W
C
o E

1 W) en (
2
si est fuera de W
,
_

W
C
o E

1 W) en (
2
si est dentro de W
Normalmente W >>, entonces:
o E
C W) en (
2

Como se aprecia, este error es independiente del tamao del bloque y de la posicin
de la muestra con respecto del bloque.
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 2
Supongamos ahora que el bloque W ser evaluado a partir de un set de muestras
S
compuesta de n muestras
i
(i = 1,2...,n). Supongamos que todas estas muestras son
mucho ms chicas que W y no son necesariamente del mismo tamao. Sea C
oi
el
efecto pepita de la muestra
i
. (Nota: Si
i
est valorada a partir un nmero de
muestras de tamao , entonces:
i
o oi
C C
). Luego:
K
i i
) ; (
'
con
i

i
o i i
C K ) ; ( i
K W
i
) ; ( i
K W W ) ; (
Usando las definiciones derivadas la clase pasada, obtenemos:

n
i
n
i
i i
n
i
o i
n
i
n
i
i i
i i
n
i
n
i
i i
S S
C
K
1 1 '
1
2
1 1 '
1 1 '
' '
) ' ( '
) ; (

K
W
W
n
i
i
n
i
i i
S

1
1
) ; (
) ; (

Reemplazando en: ) ; ( 2 ) ; ( ) ; ( W) en (
2
W W W
S S S S E
+
obtenemos que:
2
1
1
2
2
W) en (
,
_
n
i
i
n
i
oi i
S E
C

Si consideramos que el efecto pepita es inversamente proporcional al tamao de la
muestra analizada, es decir que:
i
o oi
C C
, luego reemplazando:
n
i
i
o
S E
C
1
2
en W) (

Finalmente, si suponemos que todas las muestras tienen el mismo tamao (por lo
tanto C
oi
= C
o
i), obtenemos:
n
C
o
S E
W) en (
2

Caso General:
Normalmente el semivariograma regularizado (
(h)) puede ser representado por la

siguiente expresin:
(h) =
o
(h) + C
o
Donde
o
(h) es la regularizacin del semivariograma puntual

o
(h) el que NO tiene
efecto pepita.
Entonces: Si el bloque W es evaluado a partir de un set
S
de n muestras, el error
de estimacin quedar definido como:
2
1
1
2
2
) ; ( 2 ) ; ( ) ; ( W) en (
,
_
+ +
n
i
i
n
i
oi i
S
o o
S S
o
S E
C
W W W

Ahora bien, si todas las muestras son del mismo tamao, la expresin anterior la
podemos escribir como:
n
C
W W W
o
S
o o
S S
o
S E
+ + ) ; ( 2 ) ; ( ) ; ( W) en (
2

Ejemplo:
Consideremos un cuerpo mineralizado caracterizado por un semivariograma
exponencial con C=20, C
o
=5 y a=10 m, tal como lo muestra la siguiente figura:
(h)
C+C
o
= 25
C
o
= 5
a = 10
h
Supongamos que queremos estimar el error de evaluar un bloque W (de 15 x 20 m)
usando 4 muestras ubicadas en las esquinas del bloque.
En este caso:
S
= {
1
,
2
,
3
,
4
}
Usando la figura 6.17:
C F W W
o
560 . 0 ) 15 ; 20 ( ) ; (
Usando la figura 6.16:
4
)) ; ( ) ; ( ) ; ( ) ; ( (
) ; (
4 3 2 1
W W W W
W
o o o o
S
o

+ + +
C H W
S
o
702 . 0 ) 15 ; 20 ( ) ; (
.... ) ; ( 2 ) ; ( 2 ) ; ( ) ; ( ) ; ( ) ; ( { ) ; (
3 1 2 1 4 4 3 3 2 2 1 1
+ + + + + +
o o o o o o
S S
o
16 / )} ; ( 2 ) ; ( 2 ) ; ( 2 ) ; ( 2 ...
4 3 4 2 3 2 4 1

o o o o
+ + + +
16
) 15 ( 4 ) 15 20 ( 4 ) 20 ( 4
) ; (
2 2

+ + +
S S
o
Utilizando la figura 6.14 y utilizando d/a =0.0, entonces:
16
] 777 . 0 4 918 . 0 4 864 . 0 4 [
) ; (
+ +
C
S S
o

C
S S
o
640 . 0 ) ; (
Finalmente:
n
C
W W W
o
S
o o
S S
o
S E
+ + ) ; ( 2 ) ; ( ) ; ( W) en (
2

33 . 5
4
5
) 702 . 0 2 640 . 0 560 . 0 ( W) en (
2
+ + C
S E

1

2
4

3
15
20
W
Kriging y la Estimacin de Reservas in situ
El objetivo de este captulo es estimar las reservas in situ de un cierto yacimiento,
de manera de poder elaborar el modelo de bloque sobre el cual podremos aplicar
tcnicas de optimizacin con objeto de maximizar el beneficio de su explotacin.
Inicialmente introduciremos la tcnica de kriging, la cual nos entrega los mejores
estimadores insesgados lineales que minimizan el error de la estimacin, con objeto
de estimar la ley media de un cierto bloque de geometra dada.
Posteriormente veremos el caso en que existe un grupo de variables correlacionadas
(por ejemplo en yacimientos de cobre, estn correlacionados la ley de cobre, la de
molibdeno, la de plata, la de oro y la de arsnico). En este caso utilizaremos la
metodologa de co-kriging.
La teora de kriging
Partamos analizando un ejemplo:
Supongamos que queremos evaluar un bloque W en un cuerpo mineralizado a
partir de 2 muestras
1
(ubicada en el centro) y
2
(ubicada en una esquina).
Es decir, nuestro set de muestras
S
es {
1
,
2
}.
Nosotros podemos estimar la ley media del bloque
W
como el valor promedio de
las 2 muestras:
2
2 1
x x
W
+

El error cometido por este procedimiento, lo podemos estimar como:
) ; ( 2 ) ; ( ) ; ( W) en (
2
W W W
S S S S E
+
Sin embargo nosotros ya sabemos que la muestra ubicada en el centro del bloque
(
1
) entrega ms informacin que la muestra ubicada en una esquina (
2
). Es ms
la clase pasada estimamos que el error de estimar W a partir de
1
era menor que a
partir de
2
. Entonces es claro que para estimar
W
las muestras
1
y
2
deberan
tener pesos distintos.
En trminos generales las propiedades de un buen estimador de
W
deberan ser:
Debera ser un estimador lineal del valor de las muestras x
i

n
i
i i W
x
1

donde
i
es el peso dado a x
i
.
El estimador debera ser insesgado, es decir, el valor esperado del estimador
debera ser
W
.
0 ] [
W W
E
Esta condicin se cumple si y solo si 0 . 1
1

n
i
i
El error cuadrtico medio de estimar

W
debera ser mnimo.
Mnimo E
W W
] ) [(
2

Los estimadores
i
que cumplan con las propiedades de: minimizar la varianza, ser
estimadores lineales e insesgados, se conocen como estimadores de kriging. El
error minimizado se conoce como error de kriging. Estos estimadores tambin se
conocen como estimadores BLUE (Best Linear Unbiased Estimator).
K
es el estimador de kriging, y
W) en (
2 2
S K K
es el error de kriging
CLASE N17
Kriging de un bloque cuadrado valorado por 2 muestras
1- Condicin de estimador insesgado:
Volvamos al ejemplo anterior:
Podemos escribir que:
K
=
1
x
1
+
2
x
2
Con la condicin que:
E[
K
-
W
] = 0
E[(
K
-
W
)
2
] = Mnimo
Si la hiptesis intrnseca de 2 orden se cumple, entonces:
E[x(z
o
) x(z
o
+h)] = 0, para cualquier valor de z
o
y h.
Entonces, si es el valor promedio de , entonces:
E[x
1
] = E[x
2
] = E[
W
] =
Luego:
E[
K
-
W
] = E[
1
x
1
+
2
x
2
-
W
]
E[
K
-
W
] =
1
E[x
1
] +
2
E[x
2
] - E[
W
]
E[
K
-
W
] = (
1
+
2
- 1)
Hemos demostrado que la condicin de insesgamiento se cumple si y solo si:
0 . 1
1

n
i
i
Notar que esta condicin es necesaria y suficiente slo si se cumple la hiptesis

intrnseca de 2 orden y los datos no presentan tendencias.
1
W
2- Clculo del error de kriging:
El error cometido al estimar
W
a partir de
K
es:
2
K
= E[(
K
-
W
)
2
] = E[([
1
x
1
+
2
x
2
-
W
)
2
]
Si suponemos que se cumple la condicin de insesgamiento:
2
K
= E[(
1
x
1
+
2
x
2
(
1
+
2
)
W
)
2
]
2
K
= E[(
1
(x
1
-
W
) +
2
(x
2
-
W
))
2
]
2
K
=
2
1
E[(x
1
-
W
)
2
] +
2
2
E[(x
2
-
W
)
2
] + 2
1
2
E[(x
1
-
W
)(x
2
-
W
)]
E[(x
1
-
W
)
2
] es el error de estimar W cuando
W
es estimado por x
1
. Este error est
dado por:
) ; ( 2 ) ; ( ) ; ( ] ) [(
1 1 1
2
1
W W W x E
W
+
de la misma manera:
) ; ( 2 ) ; ( ) ; ( ] ) [(
2 2 2
2
2
W W W x E
W
+
De la misma manera anterior, se puede demostrar que:
) ; ( ) ; ( ) ; ( ) ; ( )] ( ) [(
2 1 2 1 2 1
W W W W x x E
W W
+
Reemplazando obtenemos:
... ) ; ( ) ( 2 ) ; ( 2 ) ; ( ) ; (
1 2 1 1 2 1 2 1 2 2
2
2 1 1
2
1
2
+ + + W
K

) ; ( ) 2 ( ) ; ( ) ( 2 ...
2 1
2
2
2
1 2 2 1 2
W W W + + + +
Como
1
+
2
= 1, obtenemos:
) ; ( ) ; ( 2 ) ; ( 2 ) ; ( 2 ) ; ( ) ; (
2 2 1 1 2 1 2 1 2 2
2
2 1 1
2
1
2
W W W W
K
+ +
La ecuacin anterior escrita en funcin del covariograma, queda:
(recordar: (h) = C - (h))
) ; ( ) ; ( 2 ) ; ( 2 ) ; ( 2 ) ; ( ) ; (
2 2 1 1 2 1 2 1 2 2
2
2 1 1
2
1
2
W W W W
K
+ +
Donde:
) ; (
i i
: varianza de
i
en
) ; ( W W : varianza de W en
) ; (
j i
: covarianza entre
i
y
j
en
) ; ( W
i
: covarianza entre
i
y W en
3- Minimizacin del error de estimacin:
Deseamos minimizar el error de estimacin
2
K
sujeto a la restriccin de
insesgamiento
1
+
2
= 1.
Para realizar la minimizacin utilizamos el multiplicador de Lagrange () y nos
queda la siguiente funcin objetivo:
G(
1
;
2
; ) =
2
K
- (
1
+
2
- 1)
Las condiciones de la minimizacin son las siguientes:
0
) ; ; (
1
2 1
G
0
) ; ; (
2
2 1
G
0
) ; ; (
2 1
G
Resolviendo las ecuaciones obtenemos el sistema de ecuaciones de kriging:
) ; ( ) ; ( ) ; (
1 2 1 2 1 1 1
W + +
) ; ( ) ; ( ) ; (
2 2 2 2 2 1 1
W + +
1
2 1
+
Resolviendo el sistema anterior y reemplazando en el valor de
2
K
obtenemos:
+ + + ) ; ( ) ; ( ) ; (
2 2 1 1
2
W W W W
K
Lo anterior escrito en funcin del correlograma, nos queda:
) ; ( ) ; ( ) ; (
1 2 1 2 1 1 1
W +
) ; ( ) ; ( ) ; (
2 2 2 2 2 1 1
W +
1
2 1
+
y por lo tanto:
+ ) ; ( ) ; ( ) ; (
2 2 1 1
2
W W W W
K
Aplicacin:
Volviendo al caso de la estimacin de la ley media de un bloque cuadrado W en
base a la informacin entregada por dos sondajes: uno en el centro y el otro en una
esquina y suponiendo que el yacimiento se ajusta al siguiente semivariograma:
Utilizando los resultados calculados en clases anteriores:
0 ) ; ( ) ; (
2 2 1 1

536 . 0 ) ; (
1
W
882 . 0 ) ; (
2
W
683 . 0 ) ; ( W W
0 . 1 ) 2 5 . 1 ( ) ; (
2 1

(h)
1.0
0.5
1 2
h
Reemplazando en el sistema de kriging, obtenemos el siguiente sistema de
ecuaciones:
1
+ = 0.882
2
+ = 0.536
1
+
2
= 1.0
La solucin del sistema anterior es:
1
= 0.673 (aprox. 2/3)
2
= 0.327 (aprox. 1/3)
= 0.209
El error de kriging se puede estimar como:
2
K
= -0.683 + 0.6730.536 + 0.3270.882 + 0.209
2
K
= 0.175
Comparando:

1

2

2
K
Error con 67%
confianza
K
Error con 95%
confianza 2
K
Error con 99.5%
confianza 3
K
1 0 1.081 t 1.040 t 2.080 t 3.120
0 1 0.389 t 0.624 t 1.248 t 1.872
2
1
2
1
0.235 t 0.485 t 0.970 t 1.455
3
2
3
1
0.175 t 0.418 t 0.836 t 1.254
Las ecuaciones de kriging para un caso general:
Supongamos que queremos evaluar un bloque W a partir de un set de sondajes
S
compuesto por n muestras
i
con valores x
i
.
Las muestras pueden tener distintos tamaos, orientaciones y posiciones.
Derivemos las ecuaciones de kriging para este caso:
] ) [( W) en (
2 2
W K S K
E

+
n
i
n
j
n
i
i i j i j i S K
W W W
1 1 1
2
) ; ( 2 ) ; ( ) ; ( W) en (
Para minimizar el error escribimos la ecuacin:
G(
1
;
2
;....;
n
; ) =
2
K
- ( 0 . 1
1

n
i
i
)
Y tenemos que resolver el siguiente sistema de ecuaciones:
0
i
G
Para i = 1,2,...,n
0
G
El sistema de n+1 ecuaciones (donde n es el nmero de muestras) puede ser escrita
como:
) ; ( ) ; (
1
W
i
n
j
j i j
+
Para i = 1,2,...,n
0 . 1
1

n
j
j
El sistema de ecuaciones anteriores se conoce como el sistema de ecuaciones

general de kriging para el caso de la media desconocida.
Reordenando las ecuaciones anteriores, obtenemos la siguiente expresin para la
estimacin del error de kriging:
+ +

n
i
i i S K
W W W
1
2
) ; ( ) ; ( W) en (
Esta expresin nos entrega una expresin general para el error de kriging en el caso
que desconozcamos la media. La misma ecuacin anterior puede ser escrita en
forma matricial de la siguiente manera:
) ; (
1 1
) ; (
2 1

...........
) ; (
1 n

1
) ; (
1 2
) ; (
2 2

...........
) ; (
2 n

1
A =
.
.
.
.
.
.
.
.
.
.
.
.
) ; (
1

n
) ; (
2

n ...........
) ; (
n n

1
1 1 ........... 1 0
1
) ; (
1
W
2
) ; (
2
W
B =
.
.
.
C =
.
.
.
n
) ; ( W
n

1
A: es una matriz simtrica y es funcin solamente de las muestras
i
.
B: Es un vector de columna con los coeficientes
i
.
C: Es un vector columna y es funcin de las muestras
i
y del bloque W.
El sistema de ecuaciones de kriging puede ser escrito como:
AB = C
Con solucin:
B = A
-1
C
El error de kriging:
C B' ) ; ( W) en (
2
+ W W
S K

Kriging Puntual
En algunas ocasiones, en vez de estimar la ley media de un bloque W, interesa
estimar la ley en un punto z
o
(problema de interpolacin).
Como vimos antes, el sistema de n+1 ecuaciones de kriging para un caso general
est dado por:
) ; ( ) ; (
1
W
i
n
j
j i j
+
Para i = 1,2,...,n
0 . 1
1

n
j
j
con un error estimado como:

+ +

n
i
i i S K
W W W
1
2
) ; ( ) ; ( W) en (
Para el caso del kriging puntual podemos considerar que el volumen W tiende a
cero, luego el sistema y el error de kriging quedan expresados como:
) ; ( ) ; (
1
o i
n
j
j i j
z +
Para i = 1,2,...,n
0 . 1
1

n
j
j
n
i
i i K
W
1
2
) ; (
CLASE N18
Kriging y el efecto pepita
Hasta ahora todo el anlisis de kriging lo hemos realizado suponiendo que no existe
efecto pepita (C
o
).
Supongamos que un semivariograma ha sido obtenido a partir de un gran nmero
de muestras de tamao , y que este semivariograma es del tipo efecto pepita
puro C
o
. Supongamos ahora que queremos evaluar la ley media del bloque W a
partir de un set de muestras
S
compuesta de n muestras
i
(i = 1,2...,n).
Supongamos que todas estas muestras no son necesariamente del mismo tamao.
Sea C
oi
el efecto pepita de la muestra
i
. (Nota: Si
i
est valorada a partir un
nmero de muestras de tamao , entonces:
i
o oi
C C
).
Anteriormente habamos derivado que:
K
j i
) ; (
para
i

j
oi i i
C K ) ; ( i
Adems, si el bloque W es suficientemente grande con respecto a las muestras de
tamao
i
:
K W
i
) ; ( i
K W W ) ; (
El error de kriging est dado por:

+
n
i
n
j
n
i
i i j i j i S K
W W W
1 1 1
2
) ; ( 2 ) ; ( ) ; ( W) en (
Sustituyendo:

n
i
oi S K
C
i
1
2 2
W) en (
Este error es mnimo cuando los
i
cumplen con la condicin de minimizacin:
0 1
1 1
2
1
]
1
,
_

n
i
i
n
i
oi i
i
C
i
0 1
1 1
2
1
]
1
,
_

n
i
i
n
i
oi i
C

El sistema de ecuaciones de kriging nos queda:
i
C
oi
- = 0 i
1
1

n
i
i
Resolviendo lo anterior nos queda:
n
i oi
C
1
1
1
oi
i
C
i
De donde:
W) en (
2
S K
El peso que le da kriging a la muestra "i" es inversamente proporcional al efecto
pepita de la muestra.
Si se cumple que
i
o oi
C C
, el peso ptimo
i
es proporcional al tamao de la
muestra
i
.
Si todas las muestras tienen el mismo tamao "", entonces C
oi
=C
o
y por lo
tanto todas las muestras tendrn el mismo peso
i
= 1/n.
Caso General:
Normalmente el semivariograma regularizado (
(h)) puede ser representado por la

siguiente expresin:
(h) =
o
(h) + C
o
Donde
o
(h) es la regularizacin del semivariograma puntual

o
(h) el que no tiene
efecto pepita.
Entonces el error a minimizar es:

+ +
n
i
n
j
n
i
i
o
i
n
i
oi i j i
o
j i
o
K
W C W W
1 1 1 1
2 2
) ; ( 2 ) ; ( ) ; (
El sistema de ecuaciones de kriging queda expresado como:
) ; ( ) ; (
1
W C
i
o
oi i
n
j
j i
o
j
+
Para i = 1,2,...,n
0 . 1
1

n
j
j
Notar que el trmino i-simo en la diagonal de la matriz A disminuye

proporcionalmente con C
oi
para i=1,2,...,n.
El error de kriging queda expresado como:
+ +

n
i
i
o
i
o
K
W W W
1
2
) ; ( ) ; (
El error de kriging expresado en funcin del correlograma:
+

n
i
i
o
i
o
K
W W W
1
2
) ; ( ) ; (
Notar que:
Cuando el efecto pepita crece, el peso de kriging, tiende a aproximarse a la
situacin del efecto pepita puro.
En particular, si todas las muestras tienen el mismo efecto pepita, es decir,
C
oi
=C
o
, los pesos de kriging tienden a hacerse iguales tendiendo a:
i
= 1/n.
Ejemplo:
Supongamos que queremos estimar la ley media de un bloque de tamao 3 x 3 a
partir de una muestra ubicada en el centro de bloque (
1
) y una ubicada en la
esquina (
2
). Supongamos que las muestras son puntuales. El semivariograma del
yacimiento se presenta en la siguiente figura:
Estimadores de kriging:
k
=
1
1
+
2
2
El sistema de ecuaciones de kriging queda expresado como:
) ; ( ) ; (
1 2 1 2 1
W C
o o
o
+ +
) ; ( ) ; (
2 2 2 1 1
W C
o
o
o
+
1
2 1
+
] ) ; ( [ 2
) ; ( ) ; ( ) ; (
2 1
2 1 2 1
1
o
o
o
o o o
C
C W W
+
+ +
] ) ; ( [ 2
) ; ( ) ; ( ) ; (
2 1
1 2 2 1
2
o
o
o
o o o
C
C W W
+
+ +
Sabemos que para la situacin de un bloque cuadrado con una muestra puntual en
el centro y otra en la esquina:
) ; (
1
W
o
= 0.536
) ; (
2
W
o
= 0.882
) ; (
2 1

o
= 1.0
(h)
C = 1.0
1 2
h
C
o
) 1 ( 2
346 , 1
1
o
o
C
C
+
+

) 1 ( 2
654 , 0
2
o
o
C
C
+
+

Grficamente obtenemos que:
0,300
0,350
0,400
0,450
0,500
0,550
0,600
0,650
0,700
0,00 0,50 1,00 1,50 2,00 2,50 3,00
Co
lambda-1
lambda-2
Ecuaciones de kriging para el caso en que se conozca la media del yacimiento:
Consideremos el caso en el cual el valor promedio del dominio es conocido.
puede ser un cuerpo mineralizado o una seccin del mismo. Para ser capaces de
definir una media , es necesario definir un dominio finito, con lmites especficos.
Por lo tanto, si se cumple la hiptesis intrnseca y no hay tendencias en los datos de
, entonces el semivariograma existe.
El estimador de kriging lo podemos expresar como:

+
,
_

n
i
i i
n
i
i K
x
1 1
1
Notar que el estimador
K
es siempre insesgado para cualquier set de valores
i
. El
error de estimacin en funcin del correlograma queda:

+
n
i
n
j
n
i
i i j i j i S K
W W W
1 1 1
2
) ; ( 2 ) ; ( ) ; ( W) en (
Este error es mnimo si:
0 ) (
2
K
i
para i=1,2,...,n
Entonces el sistema de ecuaciones de kriging para el caso de la media conocida
queda como:
) ; ( ) ; (
1
W
i
n
j
j i j

Para i = 1,2,...,n
Reordenando las ecuaciones anteriores, obtenemos la siguiente expresin para la
estimacin del error de kriging:

n
i
i i S K
W W W
1
2
) ; ( ) ; ( en W) (
Esta expresin nos entrega una expresin general para el error de kriging en el caso
que conozcamos la media. La misma ecuacin anterior puede ser escrita en forma
matricial de la siguiente manera:
) ; (
1 1
) ; (
2 1

...........
) ; (
1 n

) ; (
1 2
) ; (
2 2

...........
) ; (
2 n

A =
.
.
.
.
.
.
.
.
.
) ; (
1

n
) ; (
2

n ...........
) ; (
n n

1
) ; (
1
W
2
) ; (
2
W
B =
.
.
.
C =
.
.
.
n
) ; ( W
n

A: es la matriz de autocovarianza de muestra a muestra.
B: Es el vector de columna con los coeficientes
i
.
C: Es el vector de covarianza de cada muestra
i
con el bloque W.
La ecuacin general del sistema anterior es:
B = A
-1
C
El error de kriging:
C B' ) ; ( W) en (
2
W W
S K

CLASE N19
Algunas consideraciones importantes respecto de kriging.
Se considerar para el Caso Base un semivariograma del tipo:
(h) = 0,2 + 0,8 Esfrico(100)
Es decir, un semivariograma esfrico con alcance de 100 mts y C
o
= 0.2 y C = 0.8
50
50
2
K
= 0,1888
Caso Base
50
50
2
K
= 0,2162
Efecto de distancia
0,25
0,25 0,25
0,25
0,265
0,303 0,303
0,129
50
50
2
K
= 0,1668
Efecto pantalla
0,247
0,233 0,233
0,174
0,033
0,080
50
50
2
K
= 0,1668
Efecto de declusterizacin
50
50
2
K
= 0,2107
Efecto de decl. + distancia
0,215
0,112 0,242
0,215
0,3437
0,2674
0,3437
0,108
0,108
150
0,017
0,014
0,014
50
50
2
K
= 0,2248
Efecto de la anisotropa
0,074
0,426 0,426
0,074
Alcance menor =
25 mts
Alcance mayor
= 100 mts
50
2
K
= 0,0827
Caso Base
50
50
2
K
= 0,1206
Cambio en el Efecto Pepita
0,208
0,042
0,1456
0,1044
(h) = 0,2 + 0,8 Esfrico(100) (h) = 0,7 + 0,3 Esfrico(100)
Una visin esotrica del Kriging ordinario y del Kriging con media conocida o
Kriging Simple:
Veamos un ejemplo de aplicacin de kriging ordinario y de kriging simple:
1
+
2
= 1
2
E
Kriging Ordinario:
2
OK
Kriging Simple
(con conocido):
2
SK
15 m
15 m
0

2
1
(h) = 0,3 + 1,75 Exp(30)
1
= 0.50 gpt
2
= 16.0 gpt
= 1.40 gpt
1.0
1.0
Kriging simple:
0
=
1
0.50 +
2
16.0 + (1-
1
-
2
)1.40
El error de kriging queda definido por:

n
i
i i S KS
W W W
1
2
) ; ( ) ; ( en W) (
) ; ( ) ; ( ) ; ( en W) (
2 2 1 1
2
o o o o S KS

El sistema de ecuaciones para kriging simple es:
) ; ( ) ; (
1
W
i
n
j
j i j

Para i = 1,2,...,n
) ; ( ) ; ( ) ; (
0 1 2 1 2 1 1 1
+
) ; ( ) ; ( ) ; (
0 2 2 2 2 1 2 1
+
Del modelo obtenemos:
05 . 2 ) ; ( ) ; ( ) ; (
0 0 2 2 1 1

06 . 1 ) ; ( ) ; (
1 2 2 1

86 . 0 ) ; (
1 0

06 . 1 ) ; (
2 0

La solucin para este sistema es:
1
= 0.208
2
= 0.410
(1-
1
-
2
) = 0.382
Luego:
0
= 0.2080.50 + 0.41016.0 + 0.3821.40 = 7.22 gpt
y el error asociado es de:
2 2
) ( 437 . 1 en W) ( gpt
S KS

Kriging ordinario:
0
=
1
0.50 +
2
16.0
con,
1
+
2
= 1
El error del kriging ordinario queda definido por:
+ +

n
i
i
o
i
o
KO
W W W
1
2
) ; ( ) ; (
+

n
i
i
o
i
o
KO
W W W
1
2
) ; ( ) ; (
+ ) ; ( ) ; ( ) ; (
2 2 1 1
2
o o o o KO
El sistema de ecuaciones para kriging ordinario es:
) ; ( ) ; (
1
W
i
n
j
j i j

Para i = 1,2,...,n
1
1

n
j
j
) ; ( ) ; ( ) ; (
0 1 2 1 2 1 1 1
+
) ; ( ) ; ( ) ; (
0 2 2 2 2 1 2 1
+
1
2 1
+
Del modelo obtenemos:
05 . 2 ) ; ( ) ; ( ) ; (
0 0 2 2 1 1

06 . 1 ) ; ( ) ; (
1 2 2 1

86 . 0 ) ; (
1 0

06 . 1 ) ; (
2 0

La solucin para este sistema es:
1
= 0.399
2
= 0.601
= 0.595
Luego:
0
= 0.3990.50 + 0.60116.0 = 9.82 gpt
y el error asociado es de:
2 2
) ( 66 . 1 en W) ( gpt
S KO

Se puede observar que el kriging simple es ms robusto que el kriging ordinario,
debido al efecto suavizante de la media.
5 consideraciones importantes con respecto del kriging:
1- La existencia de una solucin nica: El sistema de ecuaciones de kriging
tiene una solucin nica si y solo si la matriz del semivariograma A (o de
covariograma) es estrictamente definida y positiva.
2- Kriging es un interpolador exacto. Es decir, si el soporte W a ser estimado
coincide con el soporte
de la informacin disponible, entonces kriging

entrega que:
- El estimador z
k
coincide con el valor de z
.
- La varianza de la estimacin es cero (
2
K
=0).
Se dice que la interpolacin de kriging "pasa por los puntos experimentales".
3- El sistema de ecuaciones de kriging y la varianza de kriging dependen solo
del modelo estructural (h) y de la geometra relativa entre los sondajes y de
W, pero no depende del valor particular de los datos x
.
4- La matriz de kriging (A) depende slo de la geometra relativa entre los
sondajes y no depende de W.
5- El sistema de kriging y la varianza de kriging toman en consideracin cuatro
hechos intuitivos y esenciales:
- La geometra del bloque a ser estimado (W), queda expresada, a
travs de ) ; ( W W , en el error de kriging (
2
K
).
- La distancia entre W y los sondajes
queda expresada a travs de

) ; ( W
i
en la matriz C del sistema de kriging.
- La geometra de la configuracin de los datos queda expresada a
travs de ) ; (
j i
en la matriz A del sistema de kriging.
- La variabilidad del sistema geolgico modelado queda representada
a travs del semivariograma.
Kriging Aleatorio
En la mayora de las situaciones prcticas, las muestras disponibles para evaluar un
bloque no estn ubicadas sobre una malla regular. El tamao de las muestras y su
orientacin no son constantes. El nmero de muestras por bloque y su disposicin
relativa cambian de bloque en bloque. En este caso la estimacin de un bloque por
medio de los mtodos tradicional tomara demasiado tiempo. Una solucin prctica
a este problema consiste es agrupar las muestra en bloques W
i
(i=1,2,..,n) en las
inmediaciones del bloque a evaluar (W) y luego estimar
W
como un promedio
ponderado de las medias (x
i
) de las muestras contenidas en el bloque W
i
.
Para calcular los estimadores de kriging de
W
debemos ser capaces de calcular la
varianza de x
i
, la covarianza entre x
i
y x
j
y la covarianza entre x
i
y
W
. El objetivo
del kriging aleatorio es mostrar como se puede hacer la estimacin anterior cuando
se ignora la posicin de las muestras en el bloque W
i
. En este caso supondremos
que las muestras estn aleatoriamente distribuidas en W
i
.
Clculo de y
Usaremos la siguiente notacin:
W: bloque a ser evaluado.
n: nmero de bloques usados para evaluar W.
W
i
: i-simo bloque usado para evaluar W (i=1,2,...,n).
: Tamao de una muestra unitaria (se supone que todas las muestras tienen
el mismo tamao)
q
i
: nmero de muestras de tamao en el bloque W
i
.
x
ij
: valor de la muestra j-sima de tamao en el bloque W
i
(j=1,2,..,q
i
)
x
i
: valor promedio de x
ij
en el bloque W
i

i
q
j
ij
i
i
x
q
x
1
1
ij
: soporte de x
ij
.
i
: soporte de x
i
(
i
es la unin de todos los
ij
)
W
: Valor del bloque W (desconocido)
K
: Estimador de kriging de
W
.

n
i
i i K
x
1

El estimador de kriging est en funcin de:
) ; (
i i
para i=1,2,...,n
) ; (
j i
para i=1,2,...,n; j=1,2,...,n
) ; ( W
i
para i=1,2,...,n
Si no conocemos la posicin de las q
i
muestras de tamao en W
i
, entonces no
podremos calcular el valor de los
. Sin embargo, podemos calcular el valor

esperado de
cuando las q
i
muestras toman todas las posibles posiciones aleatorias
en W
i
. Dicho valor esperado es el que se utilizar en el sistema de ecuaciones de
kriging.
De la definicin de
, el valor esperado de ) ; ( W
i
cuando la muestra
ij
est
aleatoriamente distribuida en W
i
es:
[ ] ) ; ( ) ; ( W W W E
i i
para i = 1,2,...,n
El valor esperado de ) ; (
j i
cuando la muestra
ik
est aleatoriamente distribuida
en Wi y
jk
est aleatoriamente en W
j
, para ij, es:
[ ] ) ; ( ) ; (
j i j i
W W E para ij
Adems:
1
]
1
+

+

i i
q
j k
q
j
ik ij
qi
j
ij ij
i
i i
q
1
1
1 1
2
) ; ( 2 ) ; (
1
) ; ( (Ecuacin 1)
Dado que todas las muestras tienen el mismo tamao, tenemos que:
) ; ( ) ; (
ij ij
para todo i, j.
El valor esperado de ) ; (
ik ij
para j k cuando
ij
y
ik
toman todas las posibles
posiciones en W
i
es:
[ ]
i
i i i
ik ij
W
W W W
E
) ; ( ) ; (
) ; ( para j k
El uso del kriging aleatorio se justifica slo si el tamao del bloque W
i
es mucho
ms grande que el tamao de la muestra . Entonces la ecuacin anterior puede ser
escrita como:
[ ] ) ; ( ) ; (
i i ik ij
W W E para j k
En la ecuacin 1 hay q
i
trminos de la forma ) ; (
ij ij
y
2
) 1 (
i i
q q
trminos de la
forma ) ; (
ik ij
. Entonces el valor esperado de ) ; (
i i
queda como:
) ; (
1
) ; (
1
)] ; ( [
i i
i
i
i
i i
W W
q
q
q
E
+ (Ecuacin 2)
Ejemplo:
Supongamos que queremos estimar el valor de un bloque cuadrado W de 30x30
metros. La siguiente informacin est disponible:
Informacin:
- El valor promedio x
1
de las tres muestras (
1
) de tamao ubicadas
aleatoriamente a lo largo de la cara W
1
del bloque.
- El valor promedio x
2
de las seis muestras (
2
) de tamao ubicadas
aleatoriamente en el bloque W
2
de tamao 30 x 30 metros.
- El valor promedio del cuerpo mineralizado.
Adems el semivariograma nos entrega la siguiente informacin:
- Un efecto pepita C
o
=2.
- Un modelo esfrico con C=4 y a=20 m.
El tamao de las muestras es muy pequeo comparado con el tamao del bloque y
del rango del semivariograma. El trmino ) ; ( puede ser considerado
despreciable.
[ ] ) ; ( ) ; (
1 1
W W W E = (30;30) = 4 0.882 = 3.528
[ ] ) ; ( ) ; (
1 2 1
W W E = 3.528
Usando la ecuacin 2 y dadas las 3 muestras en W
1
y considerando ) ; ( =0
) ; (
3
2
)] ; ( [
1 1 1 1
W W E
Adems: ) ; (
1 1
W W = F(30) = 356 . 2
30
20
5
1
30
20
4
3
1 4
2
1
1
]
1
,
_
+
Por lo tanto:
571 . 1 356 . 2
3
2
)] ; ( [
1 1
E
Usando la ecuacin 2 y dadas las 6 muestras en W
2
y considerando ) ; ( =0
) ; (
6
5
)] ; ( [
2 2 2 2
W W E
Adems: ) ; (
2 2
W W = F(30) = 40.810 =3.240
Por lo tanto:
700 . 2 240 . 3
6
5
)] ; ( [
2 2
E
El clculo de [ ] ) ; (
2
W E es ms un poco ms complejo, una aproximacin a su
clculo es la siguiente:
Consideremos 6 reas uniformemente espaciadas de largo 30 m en W
2
, digamos L
j
(j=1,2,...,6) como se muestra en la siguiente figura:
Primero calcularemos ) ; ( W L
j
para cada rea, y luego sacaremos un promedio
ponderado con respecto a la distancia de influencia correspondiente a cada rea, es
decir, 3 metros para el rea 1, 6 metros para el rea 2 y as sucesivamente.
Si d
j
es el distancia entre el rea L
j
y el rea L
1
de W, entonces:
30
) 30 ; ( ) 30 ; 30 ( ) 30 (
) ; (
j j j j
j
d d d d
W L

+ +
Calculando obtenemos:
) ; ( ) ; (
1 1
W W W L = 3.528
) ; (
2
W L = 3.796
) ; (
3
W L = 3.920
) ; (
4
W L = 3.989
) ; ( ) ; (
6 5
W L W L = 4.00
Por lo tanto:
894 . 3
30
4 3 4 6 989 . 3 6 920 . 3 6 796 . 3 6 528 . 3 3
) ; (
2

+ + + + +
W W
La estimacin de W:
k
=
1
x
1
+
2
x
2
+ (1 -
1
+
2
)
Con un error:
) ; ( ) ; ( 2 ) ; ( 2 ) ; ( 2 )
6
) ; ( ( )
3
) ; ( (
2 2 1 1 2 1 2 1 2 2
2
2 1 1
2
1
2
W W W W
C C
o o
k
+ + + + +
Este error es minimizado cuando
1
y
2
satisfacen el siguiente sistema de
ecuaciones:
) ; ( ) ; (
3
) ; (
1 2 1 2 1 1 1
W
C
o
+
,
_
+
; ( ) ; ) ;
2 2 2 2 2 1 1
W
C
+
,
_
+ +
Recordar que:
)] ; ( [( )] ; ( [(
1 1 1 1
E C E = 2.429
)] ; ( [( )] ; ( [(
2 1 2 1
E C E = 0.472
)] ; ( [( )] ; ( [(
2 2 2 2
E C E = 1.30
)] ; ( [( )] ; ( [(
1 1
W E C W E = 0.472
)] ; ( [( )] ; ( [(
2 2
W E C W E = 0.106
El sistema de ecuaciones queda entonces:
472 . 0 472 . 0
3
2
429 . 2
2 1
+
,
_
+
106 . 0
6
2
30 . 1 472 . 0
2 1
+
,
_
+ +
La solucin es:
1
= 0.15
2
= 0.02
(1 -
1
+
2
) = 0.83
CLASE N20
Plan de Kriging:
Definir el tamao de los bloques: Depende del tamao de la malla de sondajes.
Receta: El tamao de los bloques debe ser aprox. de la malla de sondajes.
Ejemplo: Mallas de 100 x 100 bloques de 25 x 25
Altura de los bloques: Deben ser del tamao de los bancos.
Poblaciones Geolgicas y tipos de lmites: Es necesario considerar
separadamente las unidades geolgicas presentes y definir que tipo de lmites
vamos a usar: lmites soft o lmites hard
Cuantas datos utilizar: Es necesario definir cuantos datos vamos a utilizar para
desarrollar la estimacin de los bloques. Las siguientes combinaciones son
normalmente utilizadas
Mnimo Mximo
2 8
4 16
8 32
Formas de bsqueda de los datos: Radio de bsqueda. Bsqueda por elipsoide.
Lmites por Octantes.
Validacin cruzada:
Este mtodo permite validar el plan de kriging escogido. El mtodo consiste es
retirar una muestra real del yacimiento y estimar su valor mediante el plan de
kriging utilizado. El mtodo se repite con todas las muestras del yacimiento.
Posteriormente se compara el error cometido.
El resultado de la validacin cruzada son los siguientes valores:
X Y Z Real Kriging

2
K
Error Error-St
x y z R K
2
K
R K
K
K R
El error estandarizado no lo entrega el programa, por lo que es necesario calcular

con excel.
Kriging
Real
L
C
L
C
C
4
C
1
C
3
C
2
L
C
= Ley de Corte
C
1
= Mineral a Planta
C
2
= Mineral a Botadero
C
3
=Estril a Botadero
C
4
=Estril a Planta
Cokriging
En algunos casos la variable de estudio no ha sido suficientemente muestreada para
realizar una estimacin con una precisin aceptable.
La precisin de la estimacin puede entonces ser mejorada si consideramos la
correlacin espacial entre esta variable y otras, que eventualmente podran estar
mejor muestreadas.
Por ejemplo, la ley de plata de un bloque puede ser estimada a partir de las leyes de
plomo y zinc, adems de la informacin de la plata.
Desde un punto de vista terico, el co-kriging no es diferente al kriging, su
dificultad esencial proviene de la notacin, ahora utilizaremos un nuevo ndice "p"
para diferenciar entre las distintas variables (plata, plomo, zinc, etc.).
En el kriging convencional tenamos la variable x(z) y definamos:
E(x(z)) =
(h) = E[(x(z+h) - x(z))
2
]

n
i
i i K
x
1

Para el caso del co-kriging ahora definiremos las variables:
x
p
(z) con p=1, 2,...,P
Donde P es el nmero de variables espacialmente correlacionadas y que son de
utilidad para el anlisis.
E(x
p
(z)) =
p
Definiremos el semivariograma cruzado como:
pp'
(h) = E{[x
p'
(z+h) - x
p'
(z)][x
p
(z+h) - x
p
(z)]}
Si suponemos que cada set de muestras de las P variables consideradas, est
compuesta por n
p
sondajes disponible, luego:

+ + +
P
n
i
Pi Pi
n
i
i pi
n
i
i i Kpo
x x x
1 1
2 2
1
1 1
...
2 1


P
p
n
i
pi pi Kpo
p
x
1 1

El error de la estimacin anterior puede obtenerse de:
E[
po
-
Kpo
] = E[
po
] - E[
Kpo
]
E[
po
-
Kpo
] =

po p
n
i
pi pi
n
i
poi poi po
p po
x E x E E
1 1
] [ ] [ ] [
E[
po
-
Kpo
] =

,
_

po p
n
i
pi p
n
i
poi po
p po
1 1
1
La condicin de insesgamiento se cumple cuando: E[
po
-
Kpo
] = 0.
Esta condicin se traduce en las siguientes restricciones:
1
1

po
n
i
poi
0
1

p
n
i
pi
p p
o
Notar que la condicin que 1
1

po
n
i
poi
no podra cumplirse si n
po
= 0. En otras
palabras, cokriging requiere de al menos un valor experimental de la variable x
po
.
La minimizacin de la varianza: ] ) [(
2 2
Kpo po Ko
E bajo las P condiciones de
insesgamiento, genera un sistema de P n
p
p
+
ecuaciones lineales llamado "sistema

de cokriging".
Recordemos que nuestras variables desconocidas son los
p
p
n ponderadores
pi
y
los P parmetros de Lagrange (
p
).
El sistema de co-kriging queda expresado como sigue:

+
P
p
j p p p p
n
i
j i p p i p
o o
p
W
1 ' 1
' '
) ; ( ) ; (
'
j = 1,...,n
p
p = 1,...,P
1
1

po
n
i
poi
0
1

p
n
i
pi
p p
o
La varianza minimizada o la varianza de cokriging queda determinada por:

+ +
P
p
n
i
i po p p pi p p p p p K
p
o o o o o o
W W W
1 1
2
) ; ( ) ; (
Esta misma varianza expresada en funcin del correlograma queda como:

+
P
p
n
i
i po pop pi p p p p p K
p
o o o o o
W W W
1 1
2
) ; ( ) ; (
Si la estimacin la realizaremos con 2 set de datos x
1
(z) y x
2
(z), el error queda
determinado por:

+
2 1
1
2
1
1 1
2
) ; ( ) ; ( ) ; (
n
j
j o j
n
i
i o i o o K
W W W W
Ejemplo: Cokriging sobre un bloque cuadrado:
Supongamos que tenemos dos set de datos x
1
(z) y x
2
(z) de un cierto yacimiento
caracterizado por una matriz de semivariograma cruzado isotrpica del tipo [
pp'
(h)]
con p, p' = 1, 2
Sea
W1
la media de x
1
(z) en un cierto bloque W de dimensiones l x l.
La informacin disponible para realizar la evaluacin es la siguiente:
x
1
(z): x
1
(S
o
): un sondaje ubicado en el centro del bloque.
x
2
(z): x
2
(S
o
): un sondaje ubicado en el centro del bloque.
x
2
(A), x
2
(B), x
2
(C) y x
2
(D),: 4 sondajes ubicados en las esquinas
Este caso corresponde al caso en que la variable x
1
est submuestreada con respecto
a la variable x
2
.
W1
ser estimada utilizando 2 metodologas:
a- utilizando co-kriging (
CKW1
), es decir, utilizando la informacin de ambos
set de datos: x
1
(z) y x
2
(z).
b- utilizando kriging (
KW1
), es decir, utilizando solo la informacin de x
1
(z).
Kriging:
Kriging estima la ley media del bloque W utilizando slo el valor del sondaje
central x
1
(S
o
), es decir,
KW1
= x
1
(S
o
).
La varianza de la estimacin queda dada por:
)] ( [ ] [
1 1 1 1
2
o W KW W K
S x E E
) ; ( ) ; ( ) ; ( 2
11 11 11
2
o o o K
S S W W W S
) ; ( )
2
;
2
( 2
11 11
2
l l F
l l
H
K

A
S
o
W
B
C
D
Co-kriging:
Por razones de simetra (isotropa del semivariograma y equidistancia de las
muestras) podemos agrupar las cuatro muestras de la esquinas en una muestra nica
S
R
.
4
) ( ) ( ) ( ) (
) (
2 2 2 2
2
D x C x B x A x
S x
R
+ + +
El estimador de cokriging entonces ser del tipo:
CKW1
=
1
x
1
(S
o
) +
2
x
2
(S
o
) +
3
x
2
(S
R
)
Para cumplir con la condicin de estimador insesgado, los ponderadores de
cokriging deben cumplir que:
1
= 1
2
+
3
= 0
Luego si
3
= , entonces:
CKW1
= x
1
(S
o
) - x
2
(S
o
) +x
2
(S
R
)
El sistema de ecuaciones de cokriging queda expresado como:
) ; ( ) ; ( ) ; ( ) ; (
11 1 12 12 11
W S S S S S S S
o R o o o o o
+ +
) ; ( ) ; ( ) ; ( ) ; (
12 2 22 22 12
W S S S S S S S
o R o o o o o
+ +
) ; ( ) ; ( ) ; ( ) ; (
12 2 22 22 12
W S S S S S S S
R R R o R o R
+ +
) ; ( ) ; ( ) ; ( ) ; (
11 1 12 12 11
2
W W W S W S W S
R o o CK
+ +
Donde:
0 ) 0 ( ) ; (
' '

pp o o pp
S S
)
2
2
( ) ; ( ) ; (
' ' '
l A S S S
pp o pp R o pp

4
) 2 ( ) ( 2
) ; ( ) ; (
' '
' '
l l
A S S S
pp pp
R pp R R pp

+

)
2
;
2
( ) ; (
' '
l l
H W S
pp o pp

) ; ( ) ; ( ) ; (
' ' '
l l H W A W S
pp pp R pp

) ; ( ) ; (
' '
l l F W W
pp pp

Resolviendo el sistema de ecuaciones obtenemos que:
D
N
S S S S
W S W S S S
R R R o
R o R o
) ; ( ) ; ( 2
) ; ( ) ; ( ) ; (
22 22
12 12 12

Se puede observar que se cumple que:

N
K CK

2 2
La diferencia entre los errores cometidos por la aplicacin de kriging o cokriging
queda definido por:
D
N
N
CK K
2
2 2

Se puede demostrar que es siempre positivo, debido a que D es siempre mayor o
igual a cero, pues representa el error de estimacin de x
2
(S
o
) por x
2
(S
R
).
De lo anterior se deduce que el error cometido al utilizar cokriging es siempre
menor que el error cometido al utilizar kriging, en el caso en que se pueda utilizar
una segunda serie de datos.

Clases16 20

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Clases16 20

Enviado por

Direitos autorais:

Formatos disponíveis

IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg.

(h)) puede ser representado por la

(h) es la regularizacin del semivariograma puntual

El error cuadrtico medio de estimar

Notar que esta condicin es necesaria y suficiente slo si se cumple la hiptesis

El sistema de ecuaciones anteriores se conoce como el sistema de ecuaciones

con un error estimado como:

IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 2

Resolviendo lo anterior nos queda:

(h)) puede ser representado por la

(h) es la regularizacin del semivariograma puntual

Notar que el trmino i-simo en la diagonal de la matriz A disminuye

de la informacin disponible, entonces kriging

queda expresada a travs de

. Sin embargo, podemos calcular el valor

El error estandarizado no lo entrega el programa, por lo que es necesario calcular

ecuaciones lineales llamado "sistema

El estimador de cokriging entonces ser del tipo:

Se puede observar que se cumple que:

Você também pode gostar