UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD DE INGENIERÍA

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA

GEOLÓGICA

TEMA: KRIGIN FACTORIAL

CURSO: GEOESTADISTICA

DOCENTE: ING. WILDER CHUQUIRUNA CHAVEZ

ALUMNOS:

CICLO ACADÉMICO: VI

CAJAMARCA, OCTUBRE DE 2017

 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

KRIGING FACTORIAL

KRIGING

El kriging es un término que ha sido acuñado para designar al "mejor estimador

lineal insesgado" de un punto y al mejor promedio lineal móvil ponderado de un
bloque (DÍAZ VIERA, 2002).

Este nombre apareció alrededor de 1960 para nombrar una técnica creada en
Francia por Matheron a partir de los trabajos de D. G. Krige quién fue
probablemente el primero que hizo uso de la correlación espacial y del mejor
estimador lineal insesgado en el campo de la evaluación de yacimientos
minerales (DÍAZ VIERA, 2002).

El kriging es una técnica de estimación local que ofrece el mejor estimador lineal
insesgado de una característica desconocida que se estudia. La limitación a la
clase de estimadores lineales es bastante natural ya que esto significa que
solamente se requiere el conocimiento del momento de segundo orden de la
función aleatoria (la covarianza o el variograma) y que en general en la práctica
es posible inferir a partir de una realización de la misma (DÍAZ VIERA, 2002).

GEOESTADISTICA pág. 2
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

KRIGING FACTORIAL

Un método tradicionalmente relacionado con el de componentes principales es

el análisis factorial., por lo que se puede definir de manera análoga el Kriging
factorial que fue desarrollado por Matheron (1982). Este se basa en la

descomposición de la estructura de correlación espacial de las variables (Zx)

como una combinación lineal de varias subestructuras básicas, es decir:

La idea consiste en asumir que la propiedad observada Z(u) es la suma de

diversos factores aleatorios e independientes. Es decir,

Z u   Z1 u   Z2 u    Z K u 

Los factores no son directamente observables, sólo se cuenta con la observación

Z(u).

La descomposición anterior puede variar dependiendo de las condiciones

asumidas sobre la propiedad observada

Por ejemplo, si se conoce el valor promedio m de la propiedad entonces se

considera.

Z u   m  Z1 u   Z2 u    Z K u 

Y los factores como funciones aleatorias independientes de media cero.

La importancia de considerar a los factores como independientes es que se

puede demostrar que:

CZ h  C1 h  CK h

Y es esta relación la que permite obtener estimaciones de cada una de los

factores en la descomposición de la variable Z.

A continuación se estudiarán las ecuaciones para la obtención de dichas

estimaciones.

GEOESTADISTICA pág. 3
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

CASO 1

Se asume que Z es una función aleatoria estacionaria con media igual a cero
que se descompone como suma de K factores aleatorios de media cero e
independientes.

Z u   Z1 u   Z2 u    Z K u 

El estimador propuesto para el factor j es:

Z *j u     u  Z u  j  1, 2,  K


Como la variable y cada uno de los factores tienen media cero se obtiene
directamente que:

 
E Z *j u   EZ j u 

Respecto a la varianza del error, se tiene que:


var[ Z j u   Z *j u ]   2j  var[ Z *j u ]  2 cov Z j u , Z *j u  
  2j     CZ u  u    2  
 , 
 covZ
i
j (u ), Z i (u ) 

  2j     CZ u  u    2   C j u  u 
 , 

A partir de esta expresión se tiene que:

var[ Z j u   Z *j u ]
 2   CZ u  u   2 C j u  u    1,2,  N
 

GEOESTADISTICA pág. 4
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

Y al igualar a cero se obtiene el sistema de ecuaciones:

  C u  u   C u  u 
Z j   1,2,  N


 CZ 0 CZ u1  u2   CZ u1  u N   1   C j u1  u  

 C u  u   
 Z 2 1 CZ 0  CZ u2  u N   2   C j u2  u  

          
    
CZ u N  u1  CZ u N  u2   CZ 0  N  C j u N  u 

Observar que:

1) La matriz de kriging es siempre la misma y lo que cambia es el vector asociado

a la función de covarianza del factor j. Esto implica que es necesario invertir la
matriz sólo una vez para obtener la estimación de todos los factores.

2) Si alguno de los factores está asociado a un effecto nugget puro entonces este
no se puede estimar. Este procedimiento sólo cambia los valores de las variable
Z en los puntos observados.Para efectos prácticos es mejor no considerarlo en
la descomposición.

3) El número de factores se puede obtener a partir del número de estructuras

presentes en la función de covarianza o variograma de la variable Z

4) La descomposición de la variable Z en factores debe tener sentido físico y no

ser producto solamente de las estructuras observadas en el variograma.

0.
Z
10.
X (Kilometer)
20. 30. 40. Z
>=12.9686
12.1258
11.2829
10.44
40. 40. 9.59716 4.5
8.75429
7.91142 4
7.06856
6.22569
5.38282 3.5
Y (Kilometer)

4.53995
Y (Kilometer)

30. 30. 3.69708

2.85422 3
2.01135
1.16848 2.5
0.325613
-0.517255
-1.36012 2
20. 20. -2.20299
-3.04586
-3.88873 1.5
-4.73159
-5.57446 1
-6.41733
10. 10. -7.2602
-8.10307 0.5
-8.94593
-9.7888
-10.6317 0
-11.4745
-12.3174 0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9
0. 0. -13.1603
0. 10. 20. 30. 40. <-14.0031

X (Kilometer) N/A

GEOESTADISTICA pág. 5
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

CASO 2

Se asume que Z es una función aleatoria estacionaria con media igual a m que
se descompone como suma de K factores aleatorios de media cero e
independientes.

Z u   m  Z1 u   Z2 u    Z K u 

El estimador propuesto para el factor j es:

Z *j u     u  Z u  j  1, 2,  K


Ahora se tiene que

 
E Z *j u   m       E Z i u 
  i

Y por lo tanto, para que el estimador sea insesgado se debe imponer la condición



  1

GEOESTADISTICA pág. 6
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

Ahora se procede como en el caso de kriging ordinario y se obtiene el sistema

de ecuaciones.

 C u  u      C u  u  
N


1
Z j   1,2,  , N

  u   1
1

CASO 3

Se asume que Z es una función aleatoria con una función de tendencia m(u)
conocida que se descompone como suma de K factores aleatorios de media cero
e independientes.

Z u   mu   Z1 u   Z2 u   Z K u 

El estimador propuesto para el factor j es:

Z *j u     u  Z u  j  1, 2,  K


Ahora se tiene que


E Z *j u     mu      EZ u 
   i 
  i

Y por lo tanto, para que el estimador sea insesgado se debe imponer la condición

  mu   0


Ahora se procede como en el caso de kriging universal y se obtiene el sistema

de ecuaciones

GEOESTADISTICA pág. 7
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

 C u  u     mu    C u  u  
N


 1
Z j   1,2,  , N

  mu   0
 1

CASO 4

Se asume que Z es una función aleatoria con una función de tendencia m(u)
desconocida que se descompone como suma de K factores aleatorios
independientes.

Z u   Z1 u   Z2 u    Z K u 

El problema que se tiene ahora es saber cuál es la contribución de cada uno de

los factores a la tendencia de la función Z ya que

EZ u    EZ1 u   EZ2 u    EZ K u 

El problema puede ser resuelto asumiendo dos condiciones que a priori resultan
arbitrarias.

• Se asume que solo uno de los factores está asociado a la función de

tendencia que se observa en la variable Z mientras que los otros tienen
media cero. Asi, se tendría por ejemplo:

E Z j u  0 j  1,2,  K  1

EZ K u   mu 

Y al igual que en el caso de kriging universal hay que imponer la condición

siguiente para asegurar que el estimador es insesgado:

  f u 
l  0 si j  K


  f u 
l  f l u  si j  K


GEOESTADISTICA pág. 8
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

Ahora se procede como en el caso de kriging universal y se obtiene el sistema

de ecuaciones

 C u  u      f u    C u  u  
N


 1
Z
l
l l j   1,2,  , N

 f u   
N

 l jK f l u 
1

Donde:

 1 si i  j
i j  
 0 si no (Función Delta Kronecker)

FILTERING

Hasta ahora se ha visto como estimar cada uno de los factores presentes en la
descomposición de Z.

Otra aplicación posible es obtener una estimación de la variable original Z pero

filtrando uno o varios factores.

Z u   Z1u   Z2 u    Z K u 

Z f (u)
Zf (u) se obtiene al filtrar la componente Z1 (u). Por consiguiente, una estimación
de Z filtrando el valor de Z1 se obtiene al estimar Zf (u)

Asumiendo que todas las variables tienen media cero, el estimador

Z *f (u )    Z u 


es insesgado. Además, la varianza del error es

 
var[ Z f u   Z *f u ]  var[ Z f u ]  var[ Z *f u ]  2 cov Z f u , Z *f u 

K
var[ Z f u ]   2j
j 2

GEOESTADISTICA pág. 9
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

Por la independencia de los factores

var[ Z *f u ]   i  j CZ ui  u j 
i, j

   
cov Z f u , Z *f    cov Z f u , Z u     CZ f u  u 
 

Por la independencia de los factores.

Debido a la independencia entre los factores, la función de covarianza de la

variable filtrada se conoce, ya que:

CZ f h  CZ2 h  CZ3 h   CZ K h

Aplicación del Kriging Factorial

El Kriging Factorial permite separar un vector de n funciones aleatorias en

componentes, cada una representando una escala de variación diferente (o
longitud de onda) del fenómeno que se estudia. Por ejemplo, en las mediciones
magnéticas o gravimétricas uno desea distinguir las longitudes de onda largas
asociadas con las fuentes profundas de las cortas que reflejan fuentes
superficiales. En éste sentido se puede considerar un método de filtrado.

Esta separación o filtrado se realiza tradicionalmente usando análisis espectral

en dos o más dimensiones, pero usando el Kriging Factorial es posible e incluso
ventajoso obtener la determinación espacial de las componentes que se deseen
directamente. Ya que los métodos espectrales tienen ciertas limitaciones como
son:

a) requieren de una malla rectangular completa, que si no se posee, se

requiere entonces interpolar o aún peor extrapolar (se usa en ocasiones
para esto el Kriging) lo cual altera las características espectrales.
b) opaca la resolución de las anomalías locales sobre todas las frecuencias.
El Kriging Factorial se ha aplicado con éxito en prospección geoquímica
(Sandjivy, 1984), prospección geofísica Galli et al., 1984, Chiles y Guillén,
1984, exploración petrolera (Jaquect, 1989), etc.

GEOESTADISTICA pág. 10
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

Esquema General para el Análisis de Corregionalización

Dado un vector Z (x) de n funciones aleatorias se procede de la siguiente manera:

GEOESTADISTICA pág. 11
EJEMPLOS

1) APLICACIÓN DE KRIGING FACTORIAL EN EXPLORACIÓN

GEOQUÍMICA DE ZONAS CUBIERTAS MUESTREADAS CON
COLECTORES PASIVOS.

Áreas de estudio y muestreo

Los prospectos seleccionados se ubican en las regiones XV, II y III y, por

confidencialidad, serán nombrados como

Zona 1, 2 y 3. Las mallas de muestreo cubren áreas de 75 km 2, 100 km2 y 120km2,

respectivamente. Los colectores pasivos fueron instalados en mallas regulares
de 400×500m y enterrados a 40 cm de profundidad durante 3 a 4 meses,
obteniendo un total de 314, 417 y 575 muestras válidas en cada zona. Se definen
dos conjuntos de datos según el tratamiento analítico realizado sobre el material
del colector (carbón activado y caolín). Los análisis químicos se realizaron por
ICP-MS para un paquete de 72 elementos en Laboratorio ACME (Toronto,
Canadá), después de una lixiviación ácida del carbón, realizada en Laboratorios
AAA (Chile). El análisis de 162 especies de compuestos de hidrocarburo se
realiza en el Laboratorio Activation Lab (Canadá), a través de cromatografía de
gases y espectrometría de masa (GC-MS), practicada directamente por
desabsorción sobre la muestra de caolín, en estado de muestra sólida.

Marco geológico

Zona 1: La geología se compone principalmente de ignimbritas, rocas volcánicas

efusivas y secuencias sedimentarias, con menor presencia de cuerpos intrusivos
y depósitos recientes. El muestreo se realiza sobre una ignimbrita que
corresponde a una toba riolítica de alto sílice y potasio (García et al., 2004).

Zona 2: La zona está cubierta mayormente por depósitos semiconsolidados a

no consolidados. Los afloramientos de rocas circundantes al muestreo
corresponden a andesitas y riolítas, intercaladas con arenas rojas continentales,
intruidos por diques y filones de composición andesítica a dacítica (Naranjo y
Puig, 1984). Hacia el SW del área muestreada (figuras 1d-1f) existe un depósito
de Fe-Cu-
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

(Au), hospedado en rocas volcánicas, 400 m bajo la superficie actual, pero sobre
el nivel freático presente.

Zona 3: El área está principalmente cubierta por depósitos semiconsolidados a

no consolidados. Las rocas aflorantes se componen de secuencias volcánicas
(andesíticas a riolíticas) y volcanoclásticas y por cuerpos intrusivos de
composición intermedia a básica. En el prospecto se presentan dos zonas de
mineralización sondeada de tipo pórfido cuprífero, ubicadas en la vertiente sur
del área muestreada (figuras 1g-1j). El agua subterránea está en contacto directo
con la mineralización (Soto, 2010).

Geoestadística – Kriging factorial

El Kriging factorial (KF) es un método geoestadístico que combina el ACP con el

modelamiento y la estimación espacial. Esto permite estudiar e interpretar datos
multivariables, considerando la información espacial y estructural que contienen.
El KF se realiza mediante tres pasos:

 Análisis variográfico multivariable, a través de un modelo lineal de

corregionalización.
 Descomposición de las variables en factores espacialmente no
correlacionados que sintetizan la información.
 Estimación de los factores por co-kriging. A partir de los datos originales
se realizan los variogramas en dos direcciones principales: N90º
(dirección E-W), con el fin de modelar y aislar el sesgo analítico
reconocido, y N0º (dirección N-S). En base a los variogramas
experimentales, se ajustan modelos anidados, considerando estructuras
esféricas de distintos alcances (corto alcance, alcance local y alcance
regional), además de un efecto pepita que corresponde a ruido y/o errores
de medición.

Estas estructuras corresponden a los modelos teóricos que se han elegido para
modelar los variogramas experimentales simples y cruzados de las
diferentesvariables. A partir de cada una de las estructuras modeladas se
descomponen tres factores, cuyo porcentaje de varianza explicada se observa
en la Tabla 1:

GEOESTADISTICA pág. 13
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

Tabla 1. Porcentaje de varianza para los factores obtenidos mediante KF, para
cada estructura de los tres prospectos.

La estimación mediante co-kriging se realiza en una grilla de 100×100 m,

obteniendo mapas de distribución (Figura

1) para los factores y estructuras descritas en la Tabla 1. La estructura de corto

alcance refleja, para las tres zonas y en todos los factores asociados, el sesgo
analítico (ej. Figura

1a), el cual está filtrado de mejor manera en las estructuras de alcance local (ejs.
figuras 1b, 1d, 1e, 1g y 1h).

Para la Zona 1 (figuras 1a-1c), se muestran los primeros factores para las tres
estructuras. En la estructura local (figura 1b) es posible delimitar dos anomalías
de contraste puntuales en el centro-sur y sureste del área. La estructura regional
(figura 1c) refleja una anomalía aparente al sur del área, reconocida también en
los datos originales.

En la Zona 2 (figuras 1d-1f), se observan dos anomalías de contraste en los

factores 1 y 2 de la estructura local. La anomalía del factor 1, al parecer está
influenciada por un valor outlier de carácter multivariable, que no fue identificado
anteriormente. La anomalía del factor 2 se ubica hacia el norte de la zona de
mineralización conocida.

GEOESTADISTICA pág. 14
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

La relevancia de ella dependerá de los elementos que caractericen a este factor

y de la geología del área.

La Zona 3 (figuras 1g-1j) muestra, en los factores 1 y 2 de la estructura local

(Figuras 1g-1h), dos anomalías de contraste puntuales al sureste y al sur de una
de las zonas de mineralización conocida. El origen geoquímico de estas
anomalías debe analizarse con los elementos representativos de estos factores,
entre otros parámetros.

GEOESTADISTICA pág. 15
 UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA

CONCLUSIONES

A través de un análisis variográfico y de la utilización de KF es posible separar

componentes asociadas a errores de medición y a escalas espaciales diferentes
(local y regional).

Se determina que la influencia del sesgo analítico ha sido aislada de las

estructuras de alcance local, permitiendo delimitar algunas anomalías de
contraste positivas, que noeran diferenciables en los datos originales tratados
con estadística uni- y multivariable.

En las estructuras de alcance regional se mantiene de manera más evidente el

sesgo analítico. No obstante, podrán utilizarse en la interpretación y
diferenciación de anomalías de contraste positivas, de anomalías aparentes.

La interpretación conjunta con los elementos químicos que representan a los

factores y estructuras obtenidas mediante el KF, entregará una visión
geoquímica de la naturaleza de las anomalías de contraste obtenidas

GEOESTADISTICA pág. 16