TEMA: KRIGING PUNTUAL Y KRIGING EN BLOQUES

DOCENTE : Ing. WILDER CHUQUIRUNA CHAVEZ

 INTRODUCCION

LA GEOESTADÍSTICA OFRECE UN MÉTODO DE ESTIMACIÓN DE RESERVAS, USANDO EL

VARIOGRAMA, LLAMADO KRIGEADO, SE UTILIZA EN LA EVALUACIÓN DE YACIMIENTOS PARA
ESTIMAR EL VALOR DE UNA VARIABLE REGIONALIZADA, EN UN PUNTO O EN UN BLOQUE, A
PARTIR DEL USO DE FACTORES DE PONDERACIÓN
DEFINICIONES

Kriging.
• Es un método geoestadístico de
estimación de puntos. Utiliza un modelo
de variograma para la obtención de los
ponderadores que se darán a cada
punto de referencias usados en la
estimación.

El objetivo del Kriging es interpolar la ley a partir de muestras

que lo rodean, asignando pesos a cada muestra que reduzca al
mínimo la varianza de estimación, se interpreta la ley con la
máxima precisión posible.
Secuencias en un estudio Geoestadístico para estimar Reservas
 Clasificación de los diferentes tipos de Kriging.

Simple
Multigaussiano.
Puntual.
Según el soporte
Ordinario. de la medición de Paramétrico: Disyuntivo..
los datos
Lineales En bloques.
Lognormal..
Universal.

Simple
paramétrico y
Según la Residual no paramétrico.
forma del
estimador Ordinario

Disyuntivo
Universal
No
No lineales Indicador paramétrico:
Residual

Probabilístico Indicador

Probabilístico.
 Del número de De la posición de De la distancia
muestras y de la las muestras con entre muestras y
calidad de la data respecto al punto con el punto a
en cada punto a estimar. estimar.

De la continuidad
espacial de los
valores de las
muestras.
 KRIGEAGE PUNTUAL

kriageage simple que asume que las medias locales

son relativamente constantes y de valor muy
semejante a la media de la población que es conocida,
la media de la población es utilizada para cada
estimación local, en conjunto con los puntos vecinos
establecidos como necesarios para la estimación

En el Kriageage puntual las medias locales no son

necesariamente próximas de la media de la población,
usándose apenas los puntos vecinos para la estimación.
Es el método más ampliamente utilizado en los
problemas ambientales.
 KRIGEAGE PUNTUAL
Es un interpolador exacto en el sentido de que las
ecuaciones calculadas las utiliza para interpretar
los valores y habrá una coincidencia exacta entre
los valores interpolados y los puntos de datos
originales.

El mayor interés que presenta el krigeage puntual es que

permite obtener una serie de valores estimados a los
cuales, posteriormente, se les puede ajustar una serie de
líneas de isocontenidos, por ejemplo para las leyes o
potencias del nivel mineralizado.
KRIGEAGE PUNTUAL
En algunas ocasiones, en vez de estimar la ley
media de un bloque V, interesa estimar la ley
en un punto x0 (problema de interpolación).
Corresponde al caso particular en que el
volumen V tiende a cero. Se obtiene el sistema
siguiente:
KRIGEAGE PUNTUAL
 Ejemplo

El cuadrillado representa sondajes en los puntos X1, X2, X3, X4, con leyes de 3,2%;
2,5%; 4,0% y 1,5% respectivamente. Se desea conocer la ley en el punto X0, sabiendo
que el variograma asociado corresponde a un modelo esférico con las siguientes
características: Co = 2, C = 20 y a = 200 m.
 Solución

a. Modelo esférico se define como.

(C) = 20
(C0) = 2
(a) = 200m
 Solución

b) Definir los elementos de las matrices.

−1
[ λ] = 𝐾 ∗ [𝑀2]
 Solución

b) Definir los elementos de las matrices.

 Cálculo de los elementos de la matriz [M2]

 Solución

b) Definir los elementos de las matrices.

 Cálculo de los elementos de [K ]]

 Solución

b) Definir los elementos de las matrices.

 Sacar la inversa de [K]

-0.058 0.032 0.007 0.019 0.149

0.032 -0.050 0.014 0.004 0.239
[𝐾]−1 0.007 0.014 -0.033 0.012 0.308
0.019 0.004 0.012 -0.036 0.305
0.149 0.239 0.308 0.305 -14.489
 Solución

c) Calcular los valores de λi.

[ λ] = 𝐾 −1 ∗ [𝑀2]

λ1 -0.058 0.032 0.007 0.019 0.149 9.34

λ2 0.032 -0.050 0.014 0.004 0.239 17.02
λ3 = 0.007 0.014 -0.033 0.012 0.308 x 20.28
λ4 0.019 0.004 0.012 -0.036 0.305 12.17
μ 0.149 0.239 0.308 0.305 -14.489 1

λ1 = 0.518
λ2 = 0.022
λ3 = 0.089
λ4 = 0.371
μ = 0.915
 Solución

d) Calcular la ley.

La ley en Xo será: 0,518*3.2 + 0,022*2.5 + 0,089*4.0 + 0,37*1.5 = 2,6%

KRIGING EN BLOQUES.

Dos alternativas
El valor obtenido se lo asigna a un Bloque,
no a un punto.

Tener en cuenta que el valor medio de una

Discretizar el bloque en muchos
Función Aleatoria, en un bloque, es el valor puntos, estimar el valor de cada
medio de todas las variables aleatorias, punto y promediar las
dentro del bloque. estimaciones puntuales.

Evaluar directamente el valor del

El kriging también puede emplearse para bloque, sin recurrir a estimaciones
estimar el valor de la variable regionalizada puntuales.
sobre un soporte mayor que el soporte de
las muestras (“bloque”).
KRIGING EN BLOQUES.

Para determinar el valor de un bloque se lleva a cabo una

discretización del área en un conjunto de puntos ( ejemplo: 2x2;
3x3 ; 4x4)

Los valores que se obtienen con el krigeado, llevan los

correspondientes valores de la varianza de estimación, lo que
permite hacer un estudio de la bondad de estimación.
Estos valores pueden ser interpolados y confeccionar un mapa
de isovarianzas.

Annels (1991), propone establecer diferentes tipos de reservas

en base a los valores de varianza del krigeado.

Varianza Categoría
0-0,0075 Reservas probables
0,0075-0,0135 Reservas posibles
>0,0135- Reservas inferidas
KRIGING EN BLOQUES.
El kriging de bloques posee las siguientes propiedades:

• Suavizamiento
• Insesgo, pero posible sesgo condicional

• Aditividad

• EL RESULTADO SE PUEDE PROPORCIONAR POR BLOQUES O

BIEN POR ISOLÍNEAS A PARTIR DE LOS BLOQUES.

• PARA EL CÁLCULO DE RESERVA DE CADA BLOQUE, SE DEBERÁ

MULTIPLICAR SU SUPERFICIE X POTENCIA X DENSIDAD.

• LAS RESERVAS TOTALES SE PUEDEN DETERMINAR:

- ESTIMANDO EL TONELAJE Y EL ERROR DE ESTIMACIÓN.
- ESTIMANDO LA LEY MEDIA Y EL ERROR DE ESTIMACIÓN.
KRIGING EN BLOQUES.
Parámetros Posición del modelo: se especifica a partir de las
coordenadas del centroide del bloque llave (key block).
Peso de las muestras (%) Ley
W 1.6% 3.1% 2.8% estimada del
Extensión del modelo en las distintas direcciones X, Y, Z bloque
(debe ser lo suficientemente grande para enmarcar la 1 44.8 34.7 20.5 2.37
región de interés)
2 55.2 33.2 11.6 1.34

Dimensiones de las celdas o bloques por la X, Y y Z. 3 64.0 29.9 6.1 2.12

Coordenadas de las muestras.

Orientación del modelo definido (ángulo de inclinación y el

azimut)
1.6 = (10 ; 40)

2.8 = (90 ; 0)
Conjunto de variables a almacenar en el modelo con sus
correspondientes formatos: ley de los distintos metales,
peso volumétrico, litología, tipo tecnológico de mena etc. 3.1 = (-40 ; -35)
KRIGING EN BLOQUES.

Para alcanzar una mayor resolución del modelo de bloque en

los límites de los cuerpos minerales se utilizan sub bloques.

Cabe destacar también que al disminuir el tamaño del bloque

se aumenta el error de estimación, es decir, su ley se
determina con un alto grado de incertidumbre

Parámetros que definen el modelo de bloque: Posición del bloque llave

(Xmorg, Ymorg, Zmorg), dimensiones del bloque (dx, dy, dz), extensión
del modelo (X (nx), Y (ny), Z (nz).
KRIGING EN BLOQUES.
La determinación de las dimensiones óptimas del bloque
depende principalmente de:

Tamaño de las
Continuidad Capacidades de Taludes de
Variabilidad de muestras y
geológica de la los equipos diseño de la
las leyes. espaciamientos
mineralización. mineros. explotación.
entre ellas.
 Kriging de las leyes de cobre a partir
de las muestras de exploración

Kriging ordinario de bloques de soporte 25m  25m  12m

ECUACIONES DE KRIGING DE
BLOQUES.
El valor promedio dentro del bloque es • EL KRIGING (SIMPLE, ORDINARIO…) PUEDE SER EXTENDIDO A LA
ESTIMACIÓN DIRECTA DEL VALOR PROMEDIO EN UN BLOQUE:
estimado por:
1
V V
𝑛 Z(V)  Z(u)du
𝑍 𝑉𝑘 = ʎ𝑖𝑍 𝑥𝑖
𝑖=1

• EL SISTEMA DE KRIGING SÓLO DIFIERE DEL SISTEMA DE KRIGING PUNTUAL

EN EL MIEMBRO DE LA DERECHA: HAY QUE REEMPLAZAR LA COVARIANZA
PUNTO-PUNTO C(UI – U) POR LA COVARIANZA PUNTO-BLOQUE:

1 1 N
C (u i , V) 
V V C (ui ,u)du  N 
k 1
C (u i , x k )

DONDE {XK, K = 1… N} SON PUNTOS QUE DISCRETIZAN EL BLOQUE V.

OBSERVACIÓN SOBRE EL SISTEMA DE
KRIGING
• LOS PONDERADORES Y LA VARIANZA DE KRIGING TOMAN EN CUENTA:
• ASPECTOS GEOMÉTRICOS: DISTANCIAS ENTRE EL SITIO A ESTIMAR Y LOS
DATOS; DISTANCIAS (REDUNDANCIAS) ENTRE LOS DATOS MISMOS
• ASPECTOS VARIOGRÁFICOS: CONTINUIDAD ESPACIAL, ANISOTROPÍA,
MEDIANTE LA COVARIANZA O EL VARIOGRAMA

• NO TOMAN EN CUENTA
• INFORMACIÓN LOCAL: VALORES DE LOS DATOS (→ EN PARTICULAR, SON
INDIFERENTES A LA PRESENCIA DE UN EFECTO PROPORCIONAL)

• A CONTINUACIÓN, SE PRESENTA UN ESTUDIO DE LA SENSIBILIDAD DE LOS

RESULTADOS A CAMBIOS EN LA CONFIGURACIÓN GEOMÉTRICA DE LOS
DATOS Y DEL MODELO VARIOGRÁFICO.
EFECTO DE DISTANCIA
• CASO BASE Y EFECTO DEL AUMENTO EN LA DISTANCIA SOBRE LOS PONDERADORES

 (h)  0,2  0,8  Sph(100)

Caso base Efecto de distancia

 
2 2
K = 0,1888 K = 0,2162

0,25 0,265

50 0,25 0,25 50 0,303 0,303

0,25
0,129

50 50
CAMBIO EN EFECTO PEPITA
• EFECTO SOBRE LOS PONDERADORES DE UN CAMBIO EN EL EFECTO PEPITA

Caso base Cambio en el efecto pepita

 
2 2
K = 0,0827 K = 0,1206

0,208 0,1044
50 50

0,042 0,1456

50 50
(h) = 0,2 + 0,8 Sph(100) (h) = 0,7 + 0,3 Sph(100)
PROPIEDADES DEL KRIGING
• INTERPOLACIÓN EXACTA: LA ESTIMACIÓN EN UN SITIO CON DATO ES IGUAL AL VALOR DEL DATO Y
LA VARIANZA DE KRIGING EN ESTE SITIO VALE 0

• ADITIVIDAD: LA ESTIMACIÓN DE LA LEY DE UN BLOQUE ES IGUAL AL PROMEDIO DE LAS

ESTIMACIONES DE LEYES PUNTUALES EN ESTE BLOQUE

• SUAVIZAMIENTO: LA DISPERSIÓN DE LOS VALORES ESTIMADOS ES MENOR QUE LA

DISPERSIÓN DE LOS VALORES VERDADEROS, SOBRE TODO EN LAS ZONAS DONDE HAY POCOS
DATOS. EN CONSECUENCIA, SE TIENDE A SUBESTIMAR LAS ZONAS DE ALTAS LEYES Y
SOBREESTIMAR LAS ZONAS DE BAJAS LEYES. EL KRIGING ES INAPROPIADO PARA EVALUACIÓN DE
PROCESOS DONDE LOS VALORES EXTREMOS SON IMPORTANTES (→ SIMULACIONES)

• INSESGO Y PRECISIÓN: POR CONSTRUCCIÓN

• SESGO CONDICIONAL: EL ERROR PROMEDIO PUEDE NO TENER ESPERANZA NULA CUANDO SE

CONSIDERA SÓLO LOS SITIOS DONDE LA LEY ESTIMADA ES ALTA (O BAJA). EN GENERAL, EL SESGO
CONDICIONAL ES PEQUEÑO SI SE USA SUFICIENTES DATOS (>15)
PROPIEDADES DEL KRIGING
ILUSTRACIÓN DEL SESGO CONDICIONAL

• AL TENER SESGO CONDICIONAL, SE INCURRE EN UNA MALA APRECIACIÓN DEL

NEGOCIO. LA LEY MEDIA DEL MATERIAL MANDADO A PLANTA (MATERIAL CUYA
ESTIMACIÓN SUPERA UNA LEY DE CORTE) ES INFERIOR A LA LEY MEDIA ESTIMADA
DE ESTE MATERIAL, MIENTRAS QUE LA LEY MEDIA DEL MATERIAL MANDADO A
BOTADERO ES SUPERIOR A LA LEY MEDIA ESTIMADA DE ESTE MATERIAL.
PROPIEDADES DEL KRIGING

ILUSTRACIÓN DEL SUAVIZAMIENTO

PLAN DE KRIGING
DATOS A UTILIZAR EN LA ESTIMACIÓN

• VECINDAD ÚNICA: SE USA TODOS LOS DATOS

• VECINDAD MÓVIL: SE USA SÓLO LOS DATOS CERCANOS AL SITIO (BLOQUE)

A ESTIMAR
• EN GENERAL, SE TOMA UNA VECINDAD EN FORMA DE ELIPSE (2D) O
ELIPSOIDE (3D), ORIENTADO SEGÚN LA ANISOTROPÍA OBSERVADA EN EL
VARIOGRAMA

• SE SUELE DIVIDIR LA VECINDAD EN SECTORES ANGULARES (CUADRANTES EN

2D Ú OCTANTES EN 3D) Y BUSCAR DATOS EN CADA SECTOR
• LOS RADIOS DEL ELIPSE (ELIPSOIDE) NO NECESARIAMENTE CORRESPONDEN A
LOS ALCANCES DEL VARIOGRAMA, SINO QUE SE DEFINEN DE MANERA DE
PODER ENCONTRAR SUFICIENTES DATOS PARA HACER LA ESTIMACIÓN
PLAN DE KRIGING
EJEMPLO DE VECINDAD MÓVIL
VALIDACIÓN DEL KRIGING
PARA VALIDAR LOS PARÁMETROS DEL KRIGING (MODELO DE VARIOGRAMA,
VECINDAD ELEGIDA), SE PUEDE USAR LOS SIGUIENTES MÉTODOS:

• VALIDACIÓN CRUZADA: SE ESTIMA SUCESIVAMENTE CADA DATO

CONSIDERANDO SOLAMENTE LOS DATOS RESTANTES

• JACK-KNIFE: SE DIVIDE LA MUESTRA INICIAL EN DOS PARTES (POR

EJEMPLO, CUANDO HAY DOS CAMPAÑAS DE SONDAJES), Y SE ESTIMA
UNA PARTE A PARTIR DE LA OTRA

LUEGO, SE HACE UN ESTUDIO ESTADÍSTICO DE LOS ERRORES COMETIDOS

PARA SABER SI EL KRIGING FUE “SATISFACTORIO” (BUENA PRECISIÓN,
POCO SESGO CONDICIONAL…)
VALIDACIÓN DEL KRIGING

CRITERIOS DE VALIDACIÓN:

• MEDIAS DE LOS ERRORES Y DE LOS ERRORES ESTANDARIZADOS: DEBEN

SER CERCANAS A CERO  ESTIMADOR SIN SESGO

• VARIANZA DE LOS ERRORES: DEBE SER LA MÁS BAJA POSIBLE 

ESTIMADOR PRECISO

• VARIANZA DE LOS ERRORES ESTANDARIZADOS: DEBE SER CERCANA A 1

 EL VARIOGRAMA CUANTIFICA ADECUADAMENTE LA INCERTIDUMBRE

• NUBE DE DISPERSIÓN ENTRE VALORES REALES Y ESTIMADOS: LA

REGRESIÓN DEBE ACERCARSE A LA DIAGONAL  INSESGO CONDICIONAL
VALIDACIÓN DEL KRIGING

EJEMPLO: JACK-KNIFE ENTRE DOS CAMPAÑAS DE SONDAJE DE

EXPLORACIÓN, USANDO KRIGING ORDINARIO. SE BUSCA PONER A
PRUEBA DISTINTAS VECINDADES DE KRIGING.

• PLAN 1: ESTIMAR CON LOS 2 DATOS MÁS CERCANOS

• PLAN 2: ESTIMAR CON LOS 24 DATOS MÁS CERCANOS (3 POR

OCTANTE)

• PLAN 3: ESTIMAR CON LOS 48 DATOS MÁS CERCANOS (6 POR

OCTANTE)
VALIDACIÓN DEL KRIGING
HISTOGRAMAS DE LOS ERRORES COMETIDOS

LAS MEDIAS DE LOS ERRORES SON CASI NULAS  INSESGO

LA MAYOR PRECISIÓN SE ALCANZA EN LOS PLANES 2 Y 3
VALIDACIÓN DEL KRIGING
NUBES DE CORRELACIÓN ENTRE LEYES REALES Y ESTIMADAS

EL SESGO CONDICIONAL Y LA DISPERSIÓN DE LA NUBE SON MÍNIMOS EN LOS

PLANES 2 Y 3
EJERCICIO DE KRIGING EN BLOQUES
1. Mediante el método del Kriging en bloques, se
tienen las ecuaciones que debemos resolver:

Entonces, dividimos en 4 volúmenes;

Resolvemos para V:

Los términos 4v y 1/V son iguales por lo tanto se eliminan;

Utilizando el esquema esférico de Matheron, para la función
H y las coordenadas (0.6; 0.6), se obtiene aproximadamente
el valor 0,630. Luego:
Entonces calculamos la ley según la ecuación III) ; La varianza, según la ecuación IV) ;
EJERCICIO DE KRIGING EN BLOQUES

Considere una regionalización de dos dimensiones

que se caracteriza por una función aleatoria de
punto 𝑍(𝑥) que, como una primera aproximación, se
supone que es intrínseca con un semivariograma
isotrópico estacionario: 𝛾 ℎ = 𝛾( ℎ ).Por ejemplo, Z
(u, v) puede ser el grosor vertical de una veta
sedimentaria.

El valor medio Zv se calcula sobre un panel

cuadrado 𝑉 = 𝐴𝐵𝐶𝐷 de tamaño 𝑙𝑥𝑙 de la
configuración no simétrica de los cuatro datos de
apoyo 𝑣 cada uno, situados en 𝑆1 , (muestra
central) y 𝑆3 , 𝑂4 , 𝑂5 (muestras periféricas)
mostradas en la siguiente figura.
EJERCICIO DE KRIGING EN BLOQUES

El sistema de kriging se escribe como:

Por razones de simetría y un
semivariograma isotrópico 𝛾( ℎ ) los dos
datos 𝑂4 𝑦 𝑂5 reciben el mismo peso, y por
lo tanto se pueden agrupar para formar el
conjunto 𝑆2 = 𝑂4 ∪ 𝑂5 de apoyo 2𝑣. Por
otra parte, los datos S1 y S3 deben ser
tratados por separado.

Y
El estimador lineal considerado de este
modo contiene tres pesos, es decir,
3

𝑍𝑣 = 𝜆𝑖 𝑍(𝑆𝑖 )
𝑖=1
Valor medio sobre el soporte de datos,
Con
1
𝑍 𝑆2 = 𝑍(𝑂4 )+𝑍(𝑂5 )
2
EJERCICIO DE KRIGING EN BLOQUES

Donde H (L, l) denota una función auxiliar,

que da la media del semi-variograma
𝛾(ℎ) si un extremo del vector ℎ se fija en
una esquina de un rectangular de tamaño
(Las dimensiones del soporte 𝑣 son Lxl y el otro extremo se mueve
neglectable con respecto a la longitud 𝑙), uniformemente por el área de la
rectangular. Esta función se puede dar
analíticamente para variogramas simples,
los valores más complicados pueden ser
leídos desde diagramas gráficos.
Donde 𝐹(𝐿, 𝑙) es una función auxiliar
similar H; que representa la media de
𝛾(ℎ) si los dos extremos de ℎ se
mueven uniformemente a través del
área del rectangular de tamaño
𝛾 ℎ ℎ 𝐿 𝑥 𝑙.
Para proceder más lejos, un modelo
lineal con efecto de pepita se
considera:
El efecto pepita 𝐶0 0 − 𝐶0 (𝑟) se
caracteriza en la regularización sobre el
soporte de datos 𝑣 por una constante
de pepita 𝐶𝑜𝑣 = 𝐴 𝑣. La constante de
pepita en la regularización de apoyo
𝑉 es despreciable con respecto a la de
apoyo 𝑣 :
Para el modelo estándar simple y lineal:

Las funciones auxiliares H y F pueden calcularse analíticamente. Tenemos:

Nuestros casos especiales son:

Los valores de la media variogramas ahora son:

Donde ɛ denota el “tamaño” de 𝑣, este término es ínfimamente pequeño.

Se consideran tres casos:

El efecto pepita puro con 𝐶𝑜𝑣 = 1, 𝑤𝑙 = 0
El efecto pepita parcial con 𝐶𝑜𝑣 = 0.5, 𝑤𝑙 = 0.959
La ausencia del efecto pepita, con 𝐶𝑜𝑣 = 0, 𝑤𝑙 = 1.918
Los valores anteriores de los parámetros 𝐶𝑜𝑣 , y 𝑤𝑙 se han elegido con el fin de garantizar, en
tres casos, una variación de dispersión constante de datos de soporte 𝑣 en el panel V:

Para estos casos especiales realizamos los siguientes cálculos.

i. Efecto pepita puro:

El sistema Krige sigue:

Después de la eliminación de nos queda

Lo que da

La varianza del krigeado es:

Ii. Efecto pepita parcial:

El sistema Krige sigue como:

Eliminamos la constante 𝐶𝑜 (0)y el resultado del sistema

noSe destaca que 𝑆1 obtiene el peso más grande y que 𝜆2
es mayor que 2𝑥𝜆3 . La varianza es 𝜎𝑘2 = .29.
s da,
 Sin efecto pepita:

La eliminación de Co(0) da un sistema Krige

Con la solución:

1.918 𝜆2 + 1.918𝜆3 + µ = 0.7338

1.918 𝜆1 + 1.918 𝜆2 + 2.712 𝜆3 + µ = 2.001
1.918 𝜆1 + 2.712 𝜆2 + µ = 2.001
𝜆1 + 𝜆2 + 𝜆3 = 1
Con la solución:

Podemos ver que el centro de la muestra, incluso se pone un peso más alto.
En la siguiente tabla de resumen también vemos los resultados de otros métodos de estimación. Uno
se llama POLY (polígono de influencia), que utiliza pesos positivos sólo para las muestras que se
encuentran en la región a ser estimado. Por lo tanto 𝜆1 = 1 y 𝜆2 = 𝜆3 = 0. Los métodos del inverso a
la distancia e inverso a la distancia al cuadrado métodos (ID e ID2) dan el mismo peso a los tres datos
periféricos 𝜆3 = 𝜆2 /2. El valor central 𝑆1 obtiene un mayor peso por ID2 (𝜆1 = .727) que por
ID (𝜆1 = .484) . La distancia media desde 𝑆1 al panel ha sido tomado como una cuarta parte de la
diagonal, es decir, 𝑙 2 4.
En el caso estacionario, estos métodos estándar aseguran la insesgamiento de la estimación, ya que
satisfacen la única condición insesgada 𝜆𝑖 = 1, pero no lo hacen, por sí mismos, proporcionan la
estimación de varianzas 𝜎𝐸2 .
Para este propósito, es necesario caracterizar en alguna forma la variabilidad espacial del fenómeno
en estudio. El método geoestadístico es utilizar la función estructural 𝛾(ℎ) con la que se puede
calcular la varianza de estimación de cualquier estimador lineal insesgado.
Efecto pepita Kriging Polígono ID ID2
Puro .484 .727
.344 .182
.172 .091
.323 .553
Parcial .484 .727
.344 .182
.172 .091
.296 .339
Ausente .484 .727
.344 .182
.172 .091
.27 .225
CONCLUSIONES

• EL KRIGEAGE PUNTUAL A DIFERENCIA DEL KRIAGEAGE SIMPLE QUE ASUME QUE LAS
MEDIAS LOCALES SON RELATIVAMENTE CONSTANTES Y DE VALOR MUY SEMEJANTE A LA
MEDIA DE LA POBLACIÓN QUE ES CONOCIDA.

• EL MÉTODO MÁS USADO EN LA MODELACIÓN DE RECURSOS CONSISTE EN LA

DISCRETIZACIÓN DEL ESPACIO 3D EN BLOQUES, CADA CELDA CONTIENE LOS ATRIBUTOS
(LITOLOGÍA, TIPO DE MINERALIZACIÓN ETC.) Y LAS MEDICIONES (LEYES, PROPIEDADES
FÍSICO MECÁNICAS) DEL DOMINIO GEOLÓGICO EN QUE SE ENCUENTRA.

• SE DESARROLLARON DOS EJERCICIOS DE KRIGING PUNTUAL Y KRIGING DE BLOQUES.