Informe Geoestadistica

UNIVERSIDAD NACIONAL DE CAJAMARCA
“Norte de la Universidad Peruana”
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE MINAS
GEOESTADÍSTICA
“Estimación de reserva”
Docente:
Aguilar Julca, Paul
Integrantes:
• Ocas Cortez, Aldo Yeferson
• Ruiz Alcalde, Mayfer Alí
• Sánchez Gonzales, Carlos Manuel
CAJAMARCA
Marzo - 2023
ÍNDICE
1. INTRODUCCIÓN .............................................................................................................. 7
2. RESUMEN ......................................................................................................................... 8
3. OBJETIVOS ....................................................................................................................... 9
4. TERMINOLOGÍA ............................................................................................................ 10
5. MARCO TEÓRICO.......................................................................................................... 12
5.1. Estimación de recursos/reservas ...................................................................... 12
5.2. Métodos tradicionales de estimación de recursos mineros .............................. 18
5.3. Crítica general de los métodos tradicionales de estimación de recursos ......... 29
5.4. Técnica del Krigeage de Matheron (kriging) .................................................. 34
5.5. Varianza de krigeage: ...................................................................................... 45
5.6. Método de Krigeage puntual: .......................................................................... 49
5.7. Método del Krigeage de bloques ..................................................................... 58
5.8. Método de Krigeage de indicadores ................................................................ 66
5.9. Valorización de bloques .................................................................................. 78
5.10. Presentación de estudios y reservas en diferentes tipos de yacimientos ......... 86
5.11. Estimación de Reservas de diferentes Minas: ................................................. 93
6. RESULTADOS DE LA INVESTIGACIÓN .................................................................... 99
7. EJEMPLO APLICATVO ............................................................................................... 100
7.1. Conociendo el programa Matlab ................................................................... 100
7.2. Estudio exploratorio de datos ........................................................................ 102
2
7.3. Análisis Variográfico ..................................................................................... 108
7.4. Validación de modelo variográfico ............................................................... 110
7.5. Construcción y Modelamiento del Kriging ................................................... 111
7.6. Clasificación de recursos y reservas del proyecto ......................................... 113
8. CONCLUSIONES .......................................................................................................... 121
9. RECOMENDACIONES ................................................................................................. 122
10. BIBLIOGRAFÍA ............................................................................................................ 123
11. ANEXOS ........................................................................................................................ 127
3
ÍNDICE DE FIGURAS
Figura 1: Zona 3D a estimar e información disponible ................................................................ 17

Figura 2: Estimación local con bloque unitario o unidad básica de cálculo ................................. 18
Figura 3 Polígonos resultantes de una distribución irregular de sondeos. .................................... 21
Figura 4 Sondeos en malla regular que simplifican al método de los polígonos. ......................... 21
Figura 5 Salar de Atacama ............................................................................................................ 23
Figura 6 Método de los polígonos. ............................................................................................... 24
Figura 7 Sondeos en malla regular que simplifican al método de los polígonos. ......................... 26
Figura 8 Método del inverso de la distancia. ................................................................................ 27
Figura 9 Búsqueda octogonal........................................................................................................ 28
Figura 10 Arriba, mina de hierro La Japonesa. Abajo, mina de hierro Boquerón Chañar. .......... 29
Figura 11 Anisotropías de las leyes de cobre en una planta del depósito RT. .............................. 30
Figura 12 Bloque a estimar e isoleyes anisotrópicas en una planta .............................................. 31
Figura 13: Proyección horizontal de todos los sondajes de la mina Chuquicamata. .................... 31
Figura 14 Malla inicial de reconocimiento de 400mx400m. ........................................................ 32
Figura 15: Pozos de tronadura en mina Lomas Bayas. ................................................................. 33
Figura 16 Información de largo plazo y de corto plazo. ............................................................... 34
Figura 17: Deriva determinística y componente residual. ............................................................ 38
Figura 18: Modelos de deriva alternativos para una tendencia creciente con la coordenada x. ... 40
Figura 19 Interpolación v/s Extrapolación. Kriging Ordinario (a) y Kriging Universal (b). ........ 41
Figura 20 Tabla datos del ejemplo. ............................................................................................... 43
Figura 21 Resultados del ejemplo para Krigeado ordinario y modelo esférico. ........................... 44
Figura 22 Resultados del ejemplo para Krigeado ordinario y modelo esférico. ........................... 44
Figura 23 Distintos tipos de modelamientos realizados el software minero Minesight ............... 79
Figura 24 Diseño de labores mineras a través del software Surpac. ............................................. 80
Figura 25 Diferentes modelos geológicos junto a diseños de explotación desarrollados mediante
el software Vulcan. (Maptek, Vulcan, 2014) ................................................................................ 81
Figura 26 modelo de bloques con varios atributos, tales como ley de oro (AU), plata (AG), o
tonelaje (TONN), entre otros ........................................................................................................ 82
Figura 27 Ruta de bloque .............................................................................................................. 83
Figura 28 Clasificación de recursos y reservas ............................................................................. 88
4
Figura 29 Clasificación de reservas minerales y recursos ............................................................ 89
Figura 30 Cálculo de reservas ....................................................................................................... 89
Figura 31 Esquema geológico de un yacimiento .......................................................................... 90
Figura 32 Dos diferentes yacimientos........................................................................................... 91
Figura 33 Tres tipos de contacto ................................................................................................... 92
Figura 34 Cuadro detalle ............................................................................................................... 96
Figura 38 Box plots de Cu y su litología. ................................................................................... 107
Figura 39 Box plots de Cu y su litología. ................................................................................... 108
Figura 40 Muestra de criterios de modelamiento. ...................................................................... 110
Figura 41 Muestra de criterios de modelamiento. ...................................................................... 111
Figura 42 Bloques con leyes de Cu............................................................................................. 113
Figura 43 Bloques con leyes de Cu............................................................................................. 114
Figura 44 Sensibilidad de la ley corte por variación de precios . ............................................... 119
5
ÍNDICE DE TABLAS
Tabla 1: Variables básicas en el modelo de bloques..................................................................... 85
Tabla 2. Ubicación de los Sondajes (Collar) .............................................................................. 102
Tabla 3. Formato de datos para Matlab ...................................................................................... 104
Tabla 4. Estadistica aplicando Declustering ............................................................................... 106
Tabla 5. Parámetros del variograma Cu y Au ............................................................................. 108
Tabla 6. Clasificación de recursos del proyecto en Matlab ........................................................ 115
Tabla 7. Parámetros de Costos .................................................................................................... 116
Tabla 8. Determinación de ley corte del Cu ............................................................................... 117
Tabla 9. Clasificación de reservas con la Leyes Promedio ......................................................... 118
Tabla 10. Variacion del precio del metal y ajuste de la ley corte ............................................... 119
Tabla 11. Resevas según varianza de los precios y ley de corte ................................................. 120
6
1. INTRODUCCIÓN
Este informe se enfoca en el tema de la estimación de reserva mineral, que es uno de los
aspectos más críticos en la exploración y producción de recursos minerales. La geoestadística es
una herramienta crucial en este campo, ya que proporciona una metodología rigurosa y
sistemática para la evaluación de la incertidumbre en la estimación de reserva.
En términos generales, la estimación de reservas se basa en la recopilación y análisis de
datos geológicos y de exploración, que permiten caracterizar la distribución espacial de los
minerales en el depósito. Esta caracterización se realiza mediante técnicas estadísticas y
matemáticas, que permiten modelar la distribución de los minerales en el depósito y estimar su
cantidad y calidad.
Los métodos o técnicas geoestadísticos tienen la capacidad de generar una predicción de
valores y asimismo proporcionan alguna medida de certeza o precisión de estas respecto a una
muestra determinada para poder realizar la estimación de una reserva minera. El uso de estos en
la estimación de reserva mineral ha sospechado significativamente en las últimas décadas, y se
ha convertido en una práctica estándar en la industria minera. Esto se debe en gran parte a la
creciente disponibilidad de datos geoespaciales, así como a los avances en la tecnología de la
información y la informática, que han permitido un análisis más detallado y preciso de los datos.
Algunos de los métodos geoestadísticos más usados son; la creación de polígonos, el
inverso de la distancia y técnica del Krigeage, siendo este último el más empleado dentro de la
industria minera, puesto que fue creado para el análisis de suelos, el cual nos permite predecir
diversos valores para un área geográfica a partir de datos recogidos aleatoriamente de una
manera precisa de una vecindad definida.
7
2. RESUMEN
La estimación de reserva mineral es un proceso crucial en la industria minera y la
geoestadística es una herramienta esencial para lograr una estimación precisa.
En el presente informe se analizará y evaluará los distintos métodos geoestadísticos
utilizados para la estimación de reservas; para abordar adecuadamente el tema, se dividirá el
informe en varias secciones. En primer lugar, se describirá brevemente el contexto y la
importancia de la estimación de reservas minerales. A continuación, se explicarán los principales
conceptos y técnicas utilizados en la geoestadística, incluyendo el método de los polígonos, el
cual se basa en dividir el depósito de mineral en polígonos y calcular el volumen de cada
polígono para determinar la cantidad de mineral presente. Asimismo, también se detallará el
método de la inversa de la distancia, el cual utiliza la distancia a los puntos de datos conocidos
para estimar la cantidad de mineral presente en un lugar determinado. Además, también se
abordará el método de Krigeage, el cual utiliza una combinación lineal de los datos conocidos
para predecir los valores desconocidos en un área específica.
Cada método tiene sus ventajas y desventajas y es importante considerar cuidadosamente
qué método utilizar en función de los datos disponibles y la precisión requerida. Luego, se
discutirán los desafíos y limitaciones asociados con estos métodos. Finalmente, se presentará un
ejemplo de la aplicación de la geoestadística en la estimación de reservas minerales.
8
3. OBJETIVOS
3.1. Objetivo general:
• Analizar y comparar los diferentes métodos de estimación de recursos minerales
utilizados en la industria minera, para identificar sus ventajas y limitaciones.
3.2. Objetivos específicos:
• Evaluar la precisión y exactitud de los diferentes métodos de estimación de recursos
minerales y su aplicabilidad en diferentes tipos de depósitos minerales.
• Identificar las mejores prácticas en la aplicación de los métodos de estimación de
recursos minerales, y proporcionar recomendaciones para mejorar la precisión de las
estimaciones en la industria minera.
9
4. TERMINOLOGÍA
a) Reservas: “Cantidad de un recurso natural que se encuentra en una ubicación específica y que
se puede recuperar económicamente con tecnología actual y condiciones de mercado” (Olea,
2016).
b) Variable de interés: “La variable que se desea estimar, por ejemplo, la cantidad de reservas
de un recurso en un yacimiento” (Gómez & Zamora, 2021).
c) Kriging: “Una técnica de interpolación geoestadística que utiliza información espacial para
generar una estimación puntual de una variable en un punto específico” (Liu & Li, 2021).
d) Varianza de estimación: “La medida de la incertidumbre asociada a una estimación” (Oliver
& Webster, 2014).
e) Análisis de incertidumbre: “Evaluación de la confiabilidad de una estimación mediante la
identificación y cuantificación de los factores que contribuyen a la incertidumbre” (Gómez &
Zamora, 2021).
f) Mapa de kriging: “Un mapa que muestra la distribución espacial de una variable estimada
mediante la técnica de kriging” (Liu & Li, 2021).
g) Simulación estocástica: “Método utilizado para generar múltiples escenarios posibles de la
variable de interés y evaluar la incertidumbre asociada a la estimación” (Gómez & Zamora,
2021).
h) Variograma: “Función matemática que describe cómo varía la covarianza o la correlación
espacial entre dos puntos en función de la distancia que los separa” (Gómez & Zamora, 2021).
i) Muestreo: “Selección de muestras de datos de una población con el fin de obtener
información sobre la población en su conjunto” (Olea, 2016).
10
j) Modelo geológico: “Una representación conceptual de la distribución espacial de las rocas y
las características geológicas relevantes en el yacimiento” (Olea, 2016).
k) Interpolación: “El proceso de estimar valores de una variable en ubicaciones donde no se
tienen datos directos, utilizando información de ubicaciones cercanas” (Gómez & Zamora,
2021).
l) Predicción: “La estimación de los valores de una variable de interés en una ubicación donde
no se tienen datos observados, utilizando un modelo estadístico” (Gómez & Zamora, 2021).
m) Validación cruzada: “Una técnica de validación que implica dividir los datos en conjuntos
de entrenamiento y prueba para evaluar el rendimiento del modelo” (Liu & Li, 2021).
n) Sesgo: “La diferencia entre el valor esperado de una estimación y el verdadero valor de la
variable de interés” (Krukop & Martinez, 2010).
o) Error de estimación: “La diferencia entre el valor estimado y el verdadero valor de la
variable de interés” (Krukop & Martinez, 2010).
p) Variabilidad espacial: “La variación en la distribución de la variable de interés a través del
espacio” (Gómez & Zamora, 2021).
q) Método de selección de variables: “Un proceso para seleccionar un subconjunto de variables
relevantes que se utilizarán en el modelo de estimación” (Gómez & Zamora, 2021).
r) Interferencia de datos: “La influencia de los datos en un sitio en los valores estimados en
sitios cercanos” (Krukop & Martinez, 2010).
11
5. MARCO TEÓRICO
5.1. Estimación de recursos/reservas
Un mineral o mena es una acumulación natural de cualquier elemento o compuesto en la
corteza terrestre que puede extraerse o procesarse utilizando los medios tecnológicos disponibles.
Los recursos minerales se dividen en recursos metálicos y no metálicos en función de si permite
n la extracción de tipos específicos de elementos. La ubicación, el volumen, la ley, las característ
icas geológicas y el grado de continuidad de la mineralización se estiman, conocen o interpretan
con base en datos geológicos, metalúrgicos y tecnológicos específicos (Diaz & Pérez, 2012).
5.1.1. Recurso mineral
Según la United States Geological Survey (USGS), un recurso mineral se define
como una concentración o depósito de material naturalmente formado en la Tierra que
puede ser extraído y procesado de manera rentable en la actualidad o en el futuro.
Los recursos minerales se clasifican en diferentes categorías según la certeza de
su existencia y la viabilidad económica de su extracción y procesamiento. Estas
categorías incluyen:
a) Recursos medidos: son aquellos que se han identificado con alta certeza y
precisión, y se han evaluado utilizando técnicas geológicas y geofísicas
detalladas.
b) Recursos indicados: son aquellos que se han identificado con certeza razonable y
se han evaluado utilizando técnicas geológicas y geofísicas limitadas.
c) Recursos inferidos: son aquellos que se han identificado en base a la evidencia
geológica, pero sin una evaluación detallada.
d) Recursos hipotéticos: son aquellos que se han identificado a partir de la
12
especulación geológica y que no se han evaluado en absoluto.
Es importante destacar que la clasificación de los recursos minerales no implica
necesariamente que sean explotables o que sean económicamente viables de extraer. La
evaluación de la viabilidad económica requiere de un análisis detallado de los costos de
extracción y procesamiento, los precios de mercado y otros factores relevantes.
5.1.2. Reserva mineral
Según la United States Geological Survey (USGS), una reserva mineral se define
como la porción de un recurso mineral que se ha identificado con certeza y se ha
demostrado que es económica y técnicamente viable de extraer en la actualidad.
Las reservas minerales se clasifican en diferentes categorías según el grado de
certeza y precisión de la información disponible sobre su tamaño, calidad y ubicación.
Estas categorías incluyen:
a) Reservas probadas: son aquellas cuya existencia y viabilidad económica se han
demostrado con un alto grado de certeza en base a la exploración y evaluación
detallada.
b) Reservas probables: son aquellas que se han identificado con una certeza
razonable, pero que aún requieren de más información y evaluación para
demostrar su viabilidad económica.
c) Reservas posibles: son aquellas que se han identificado en base a la evidencia
geológica y que podrían ser económicamente viables, pero que requieren de una
evaluación adicional para determinar su certeza.
Asimismo, es importante destacar que las reservas minerales son dinámicas y
están sujetas a cambios en función de la exploración y la tecnología de extracción y
13
procesamiento. Además, la explotación de las reservas minerales puede estar limitada por
factores como la disponibilidad de infraestructura, la regulación ambiental y la demanda
del mercado.
Para más detalle sobre recurso y reserva mineral revisar el (Anexo A)
Según Diaz y Pérez (2012), La estimación de recursos/ reservas de un yacimiento tiene
por objeto determinar la cantidad, calidad y posibilidad de explotación comercial del mineral que
lo compone, ya sea metalífero, no metalífero, industrial, ornamental o combustible. Planificar el
negocio, la explotación, el tratamiento del mineral, la restauración ambiental, son aspectos
imposibles de encarar sin un cálculo seguro de las reservas. La estimación se hace durante toda
la vida útil de una mina a través de un proceso de modelación del yacimiento que se ajuste lo
mejor posible a la realidad en estudio. El método de modelación ideal debe ser simple, rápido,
confiable, acorde al cuerpo mineralizado, capaz de proporcionar una verificación rápida en
cualquier etapa. En la actualidad, los métodos modernos que aplican programas de computación
ahorran tiempo y dinero, y si bien utilizan algoritmos de cálculo complejos, permiten
dimensionar el error de estimación.
Según Verly (2003), la mayoría de los recursos y reservas se calculan en toneladas
métricas, solo la de los metales preciosos (oro, plata y platino) se calculan en kilogramos u
onzas, los diamantes en quilates (Quilate de gemología: Es una unidad de masa usada,
fundamentalmente, para pesar gemas y perlas, actualmente representa un peso de 200 miligramos
(0,2 gramos) en el Sistema Métrico Decimal. Quilate de orfebrería: Designa la ley (pureza) de
los metales utilizados en las joyas. En este sentido, un quilate de un metal precioso representa la
veinticuatroava (1/24) parte de la masa total de la aleación que la compone (aproximadamente el
4,167%). Por ejemplo, si una joya hecha con oro es de 18 quilates, su aleación está hecha de
14
18/24 (ó 3/4) partes de oro y tiene una pureza del 75%; mientras que una pieza de 24 quilates
está hecha de 24/24 partes de oro y por lo tanto es de oro puro). Las reservas de gas natural,
arena, piedras para la construcción, aguas subterráneas, se estiman en metros cúbicos. Esta
cuantificación formal de las materias primas minerales estimada por procedimientos empíricos o
teóricos se denomina Inventario Mineral. Este a su vez se expresa en términos de recurso y
reservas.
“La estimación de recursos es el final de cada fase del trabajo de prospección y
exploración que continúa durante la extracción del depósito. Todo trabajo de prospección de
minerales primero ayuda a evaluar las materias primas minerales” (Ghorbani & Asghari, 2013).
Según Liu et al. (2021), La estimación de recursos/reservas se considera un proceso
continuo que comienza con la exploración y la recopilación de datos, seguida de la interpretación
geológica y la estimación de recursos. Luego, se toman en cuenta factores modificantes
(mineros, metalúrgicos, ambientales, legales, etc.) y se obtiene una estimación de reservas.
Durante la explotación, las estimaciones calculadas previamente se revisan con base en los
resultados de los estudios de coordinación y control de leyes.
El principal objetivo de este trabajo es estimar lo mejor posible la ley y el tonelaje de los
bloques de yacimiento y determinar posibles errores de estimación con cierto grado de certeza.
La relevancia de las evaluaciones depende de la calidad, cantidad y distribución espacial de las
muestras y el grado de continuidad de la mineralización. El tamaño de las reservas del
yacimiento, como uno de los principales factores que afectan su economía, tiene un impacto
importante en la vida útil del yacimiento, su producción anual y la decisión final de iniciar una
empresa minera (Ghorbani & Asghari, 2013).
15
Según algunos expertos en el área, "Los diferentes métodos de estimación de recursos
utilizados actualmente están determinados por los principios de interpretación y los métodos de
interpolación espacial utilizados. Por ello, desde los inicios de la minería hasta el día de hoy,
hemos desarrollado y utilizado métodos de cálculo clásicos basados en procedimientos manuales,
los principales parámetros se estiman en base a aritmética y promedios ponderados. Los métodos
basados en computadora, por otro lado, incluyen métodos ponderados por distancia bidireccional
y métodos geoestadísticos, así como métodos basados en procedimientos de interpolación
matemática determinados por la información espacial y estadística contenida en los 3 datos"
(Diaz & Perez, 2007).
Olea (2016) indica que “Con la disponibilidad de computadoras y software a precios
asequibles, actualmente existe una tendencia entre las empresas mineras y las organizaciones
gubernamentales a utilizar métodos computarizados a expensas de los métodos clásicos”.
Es evidente que la estimación de recursos es fundamental para el éxito de cualquier inver
sión minera. Por lo tanto, los cálculos de ley y tonelaje deben ser lo más confiables posiblecon ba
se en las muestras disponibles, la calidad del ensayo y la determinación del control geológico de
la mineralización.
Carrascal (2008) sugiere que a estimación de Recursos requiere un equipo
multidisciplinario:
• Geólogo de Recursos
• Ingeniero de Minas
• Metalurgista
• Geoestadístico
También hace énfasis sobre los siguientes puntos:
16
• Trabajo en equipo
• Opinión de expertos para temas específicos
• Técnicas válidas y apropiadas
• Datos de alta cualidad
• Que los resultados sean producidos en una forma usable
Según Rodríguez et al. (2015) La estimación de recursos mineros se puede dividir en dos
partes:
a)Estimación global: Interesa estimar la ley media y el tonelaje de todo el yacimiento (o de una
zona grande S dentro del depósito o yacimiento)
Figura 1: Zona 3D a estimar e información disponible

Fuente: “Estimación de Recursos Mineros por Marco Antonio Alfaro Sironvalle (2007)”
b)Estimación local: Interesa estimar la ley media de unidades o bloques dentro de S, con el fin
de localizar las zonas ricas y pobres dentro de esta zona S.
17
Figura 2: Estimación local con bloque unitario o unidad básica de cálculo
5.2. Métodos tradicionales de estimación de recursos mineros
Existen diferentes métodos tradicionales para la estimación de recursos mineros entre los
principales se tiene:
• La media aritmética: La técnica se basa en la suposición de que la ley del
mineral se distribuye de manera uniforme en todo el depósito y que todas las muestras
son igualmente representativas del depósito en su conjunto. La media aritmética de las
leyes de las muestras se utiliza para estimar la ley media del depósito, y se multiplica por
el volumen del depósito para obtener una estimación de la cantidad de mineral presente.
Esta técnica es adecuada para depósitos simples y homogéneos, pero puede dar lugar a
una sobreestimación o subestimación significativa de los recursos si no se tienen en
cuenta las variaciones de la ley del mineral dentro del depósito (Moreno & Ortiz, 2017).
• Método de los bloques de explotación: Según Gómez y Zamora (2021) “Este
método es también una variante del método de la media aritmética y se desarrolló
esencialmente para los yacimientos filonianos, los cuales son divididos en bloques por los
18
laboreos de preparación para la explotación” (p. 142).
• Método de los polígonos: Es un método de estimación de recursos mineros que
utiliza polígonos regulares construidos alrededor de las muestras. La estimación se realiza
mediante la suma ponderada de las leyes de las muestras dentro de cada polígono
dividida por el área del polígono. La suposición subyacente es que la ley del mineral
dentro de cada polígono es uniforme y que las muestras dentro de cada polígono son
representativas de esa ley (Chavez & Sam Martin, 2014).
• Método de los Triángulos: El método de los triángulos es un método de
estimación de recursos mineros que se basa en la construcción de triángulos a partir de
las muestras. Se utiliza un sistema de coordenadas en el que las muestras son los nodos, y
los triángulos se construyen uniendo los nodos más cercanos. La ley media del mineral se
estima mediante la interpolación lineal de las leyes de las muestras a lo largo de las
aristas de los triángulos. La cantidad de mineral presente se estima multiplicando la ley
media del mineral por el área del triángulo. Este método es útil para depósitos con una
distribución irregular de las muestras, pero puede dar lugar a una sobreestimación o
subestimación significativa de los recursos si la ley del mineral varía significativamente
dentro de los triángulos (Chavez & Sam Martin, 2014).
• Modelación por secciones: El método de modelación por secciones es un método
de estimación de recursos mineros que se basa en la construcción de secciones
transversales del depósito. Las secciones se construyen a partir de las muestras y se
interpolan las leyes del mineral entre ellas utilizando métodos de interpolación
determinística o geoestadísticos. La cantidad de mineral presente se estima mediante la
integración de las leyes interpoladas a lo largo de la sección. Este método es adecuado
19
para depósitos con una geometría compleja y una variabilidad espacial significativa de la
ley del mineral, pero puede ser computacionalmente intensivo y puede requerir la
construcción de múltiples secciones para capturar la variabilidad del depósito (Moreno &
Ortiz, 2017).
• Método de la distancia ponderada o de la Inversa de la Distancia: El método
de la inversa de la distancia es un método de estimación de recursos mineros que se basa
en la idea de que la ley del mineral en un punto desconocido se puede estimar mediante
una interpolación ponderada de las leyes de las muestras conocidas, en función de la
distancia entre el punto desconocido y las muestras. La ley media del mineral se estima
como una media ponderada de las leyes de las muestras, donde los pesos están dados por
la inversa de la distancia entre el punto desconocido y las muestras. Este método es
simple y rápido de aplicar, pero puede dar lugar a una estimación sesgada si las muestras
no están distribuidas de manera uniforme o si la ley del mineral varía significativamente
en el espacio (Uribe & Ruiz, 2019).
Sin embargo, en el presente informe de todos los métodos tradicionales para la
estimación de recursos mineros se tratará más a detalle el método de los polígonos y el método
del inverso de la distancia.
5.2.1. Modelación por polígonos. Método de los polígonos
Este método se basa en el hecho de que cada muestra tiene un área de influencia
en el interior del cual, teóricamente el depósito permanece con las mismas características
observadas en la muestra, lo que equivale a considerar que las modificaciones de valores
entre dos muestras consecutivas se hace de manera uniforme, o sea siguiendo el Criterio
del vecino más Próximo (Fuentes, 2014).
20
5.2.1.1. Polígonos resultantes de una distribución irregular de sondeos.
Esta modelación se basa en generar polígonos de influencia alrededor de cada
sondeo o muestra. Cada polígono de influencia queda definido por las mediatrices
trazadas sobre los segmentos que unen los sondeos o datos próximos. Tanto el espesor
como la ley del mineral se consideran constantes dentro de cada polígono e iguales a la
potencia y ley media del sondeo correspondiente. A cada sondeo corresponde un
polígono del modelo. (Valenzuela & Sánchez, 2014)
Figura 3 Polígonos resultantes de una distribución irregular de sondeos.

Fuente: “Apuntes: Modelación, Estimación de reserva (s.f)”
Cuando trabajamos en el espacio tridimensional consideramos el volumen de un
prisma de base poligonal y de altura igual a la longitud de sondeo o potencia de la
mineralización. A todo el volumen del prisma se asigna la ley del sondeo.
Figura 4 Sondeos en malla regular que simplifican al método de los polígonos.

21
La hipótesis del método de los polígonos es que en ocasiones son poco realistas.
La principal desventaja de este enfoque es que el peso relativo de los datos aislados es
elevado, correspondiendo normalmente a una gran área de influencia, especialmente en
grillas irregulares y amplias. El contorno exterior de la mineralización se puede
digitalizar si se conoce, o se puede definir de forma conservadora de otras formas
mediante la segmentación de los centros de datos periféricos. Este tipo de modelo es
adecuado para depósitos en forma de placa con un contacto claro de mineral residual, sin
fallas estructurales importantes y mineralización uniforme (Fuentes, 2014).
Según Alfaro (2007) en este proceso, el cálculo del tonelaje de mineral y de metal
de un bloque se efectúa con las expresiones siguientes:
𝑇 = 𝑆 .𝑃 .𝜌
𝑄 = 𝑇 .𝑧
Donde:
T: es el tonelaje del bloque
S: es la superficie del área de influencia
P: es la potencia del yacimiento
ρ: es el peso específico del mineral
Q: es la cantidad de metal del bloque
z: es la ley del mineral
Consecuentemente, el tonelaje total del depósito y la cantidad total de metal en el
depósito o sector en estudio será la sumatoria de los valores encontrados en cada bloque.
Fórmula general:
22
∑𝑛𝑖=1 𝑍𝑖 × 𝑆𝑖
𝑍𝑆 =
∑𝑛𝑖=1 𝑆𝑖
Donde:
𝑍𝑖 es la ley de cada sondeo
𝑆𝑖 el área de cada polígono
En el caso tridimensional las áreas se reemplazan por los volúmenes de los
prismas. En la figura I.5 muestra la dificultad de aplicar el método de los polígonos. En el
espacio de 3 dimensiones el método (poliedros) es aún más complicado:
Figura 5 Salar de Atacama

a)Ventajas del método de los polígonos: Fácil implementación, considera el
agrupamiento de los datos (Albornoz & Redón, 2015).
b)Desventajas del método de los polígonos: Crea discontinuidades entre polígonos.
Requiere una gran cantidad de datos. No hay relación entre el volumen de las muestras y
el volumen de los polígonos, hay mucha disparidad entre ellos (Albornoz, 2015).
23
Ejemplo recuperado de Estimación de Recursos Mineros por Marco Antonio Alfaro
Sironvalle (2007): Se tiene que calcular el área de los 7 polígonos
Figura 6 Método de los polígonos.

Usando la fórmula general
∑𝑛𝑖=1 𝑍𝑖 × 𝑆𝑖
𝑍𝑆 =
∑𝑛𝑖=1 𝑆𝑖
1
𝑍𝑆 = 𝑆 ∑𝑛𝑖=1 𝑍𝑖 × 𝑆𝑖 (𝑆 = S1 + 𝑆2 + ⋯ + 𝑆𝑁 )
Se obtiene, que:
𝑍𝑆 = 1.36
Comentarios:
• Complicado, requiere compás, regla, planímetro.
• El peso del dato Zi es Si / S.
• Funciona mejor con agrupaciones de datos que la media aritmética.
• Difícil de implementar en tres dimensiones.
• En general no es adecuado en estimaciones locales porque asigna la
misma ley a todos los bloques que están dentro de un mismo polígono.
Produce problemas con datos anómalos (Alfaro, 2007).
24
5.2.2. Método del inverso de la distancia
El método de la distancia ponderada se ha convertido en uno de los más usados.
Este se basa en la hipótesis de que el peso de un dato aislado responde a una función
inversa de la distancia, que está relacionada con el control específico de la
mineralización. Se basa en la Ley de Variación Gradual (Carrascal, 2008).
Según Diaz et al. (2018), el método de la inversa de la distancia es una técnica
simple pero efectiva para estimar valores en lugares donde no se tienen datos. Este
método se utiliza a menudo en la modelización ambiental, en la elaboración de mapas de
contaminación del aire y del agua, y en la planificación de la gestión de recursos
naturales.
El objetivo de los métodos de la distancia ponderada consiste en asignar un valor
a un bloque o a un punto mediante la combinación lineal de los valores de los puntos más
próximos. Es intuitivo suponer que la influencia potencial de un valor sobre un punto
decrece cuando el valor se aleja de dicho punto, el atributo estimado cambiará como una
función inversa de la distancia. En otras palabras, se dará mayor peso a los valores más
próximos y menor peso a los más alejados del punto de estimación (Carrascal, 2008).
Por otro lado, según Ospina & Gómez (2016), el método de la inversa de la
distancia puede ser afectado por la falta de variabilidad espacial en los datos, y puede
producir resultados poco precisos en áreas donde la densidad de puntos de medición es
baja o donde la variabilidad espacial es alta. Por lo tanto, se recomienda que se utilice
este método con precaución y que se complemente con otras técnicas de interpolación
espacial cuando sea necesario
25
Las muestras Zi que entran en la estimación, deben estar dentro de un ámbito de
influencia con centro en el punto donde se asignará el valor estimado y con un radio R
que se definirá previamente. El radio R dependerá de la experiencia del explorador,
según: el tipo de mineralización, la dispersión de las leyes encontradas, el
comportamiento estructural del cuerpo mineralizado. (Apuntes: Modelación, Estimación
de reserva, s.f).
Figura 7 Sondeos en malla regular que simplifican al método de los polígonos.

La fórmula general de estimación es
1
∑𝑛𝑖=1 𝑍𝑖 ( )2
𝑑𝑖
𝑍𝑚 =
1
∑𝑛𝑖=1( )2
𝑑𝑖
Donde:
• Zi es la variable en cada punto (ley, potencia, etc.)
• Zm es el valor medio de la variable ponderada
• di es la distancia entre cada sondeo y el epicentro del bloque
26
Si observamos la fórmula, a medida que aumenta el exponente se da más peso a
las muestras más próximas al punto de estimación. Generalmente, y así se expresa en la
fórmula, el valor del exponente se hace igual a 2.
a)Ventajas: Fácil implementación, simplicidad, otorga a cada muestra un peso según la
distancia al punto de estimación (Ospina & Gómez, 2016).
b)Desventajas: Los pesos de cada muestra son determinados por un criterio geométrico.
No considera el agrupamiento de los datos (Ospina & Gómez, 2016).
Ejemplo recuperado de Estimación de Recursos Mineros por Marco Antonio
Alfaro Sironvalle (2007): Hay que calcular las distancias entre los datos y el centro del
bloque
Figura 8 Método del inverso de la distancia.

Usando la formula general
1
∑𝑛𝑖=1 𝑍𝑖 ( )2
𝑑𝑖
𝑍𝑚 = (𝛼 > 0)
1
∑𝑛𝑖=1( )2
𝑑𝑖
Se obtiene que
𝑍1 = 1.78 (𝑖𝑛𝑣𝑒𝑟𝑠𝑜 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎)
𝑍2 = 2.06 (𝑖𝑛𝑣𝑒𝑟𝑠𝑜 𝑑𝑒𝑙 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎)
Comentarios:
27
• Simple, fácil de calcular.
• Se adapta mejor en estimaciones locales que globales.
• No funciona bien con agrupaciones de datos.
• Atribuye demasiado peso a las muestras cercanas al centro de gravedad.
En particular no está definido si di = 0 (muestra en el centroide de S)
• No toma en cuenta la forma ni el tamaño de S (en el ejemplo S' tiene la
misma ley que S porque su centroide coincide con el de S).
Según Velazco & Reyes (2018) por lo general, para evitar el problema de las
agrupaciones de datos, se utiliza una búsqueda octogonal: Dentro de cada octante (a
veces cuadrante) sólo se considera la muestra más cercana al centroide, tal como muestra
la figura siguiente:
Figura 9 Búsqueda octogonal.

En este ejemplo solo las muestras 1, 2, 3 intervienen en la estimación del bloque S.
28
5.3. Crítica general de los métodos tradicionales de estimación de recursos
Según Alfaro (2007) de la información presentada anteriormente podemos hacer los
siguientes comentarios sobre los métodos expuestos:
• Son empíricos
• Demasiado geométricos.
• No consideran la estructura del fenómeno mineralizado.
La estructura del fenómeno mineralizado se puede entender a través de lo siguiente:
a) Por la continuidad de las leyes: Existen casos desfavorables en los cuales las leyes son
erráticas y otros más favorables en los cuales las leyes son regulares.
Ejemplos de variabilidad de las leyes según el sondaje (Alfaro, 2007).
Figura 10 Arriba, mina de hierro La Japonesa. Abajo, mina de hierro Boquerón Chañar.
29
En el caso de la mina de hierro “La Japonesa”, se observa una variación gradual de las
leyes al variar la distancia Mientras que, en la mina de hierro “Boquerón Chañar”, se observa una
variación irregular de las leyes al variar la distancia (Alfaro, 2007).
b) La posible presencia de anisotropías: es decir direcciones en las cuales la variación de leyes
es privilegiada (Alfaro, 2007).
Figura 11 Anisotropías de las leyes de cobre en una planta del depósito RT.
Ejemplo: En el caso de la figura I.8, las leyes Z1 = 1.25 y Z2 = 1.75 son simétricas con
respecto al bloque (se observan cuatro isoleyes):
30
Figura 12 Bloque a estimar e isoleyes anisotrópicas en una planta
Figura 13: Proyección horizontal de todos los sondajes de la mina Chuquicamata.

Los polígonos y el inverso de la distancia asignan la misma ley al bloque S
𝑍1 + 𝑍2
𝑍𝑆 =
2
1.25 + 1.75
𝑍𝑆 =
2
𝑍𝑆 = 1.5
Sin embargo, observamos que la ley media de S es inferior a 1.5%
31
• Los métodos tradicionales de estimación no proporcionan el error asociado a la
estimación; entregan un único valor, por ejemplo 𝑍𝑆 = 1.22%𝐶𝑢 .
• Sea 𝑍𝑆 la ley verdadera desconocida de S. Sería interesante poder escribir una ecuación
del tipo:
𝑍𝑆 = 𝑍𝑠 ± 𝑒𝑟𝑟𝑜𝑟
La universidad Nacional de Colombia en estimación de recursos minerales: método de
polígonos (2018) menciona que la magnitud del error nos cuantificaría la calidad de la
estimación y nos indicaría la necesidad eventual de hacer más sondajes.
También menciona que, a menudo, estos métodos sufren de un fenómeno conocido
como sesgo de condicional, que se manifiesta en la práctica como una sobreestimación de las
puntuaciones altas y una subestimación de las puntuaciones bajas. Describiremos este fenómeno
con un ejemplo extremo de un caso real: un depósito de "todo o nada": ya sea un mineral con una
ley de 1.0 o un desecho con una ley de 0.0. Los minerales se muestran en gris en la imagen a
continuación (los valores corresponden a la proporción de minerales en cada bloque, el rojo es un
agujero positivo, el grado es 1.0, el blanco es un agujero negativo y el grado es 0.0):
Figura 14 Malla inicial de reconocimiento de 400mx400m.
32
Debido a que la sonda cae en el centro del bloque, no se puede utilizar la inversa de la
distancia. El método del agujero central se puede usar para el método del polígono para evaluar
la regla del bloque 15. En este caso, el porcentaje de mineralización real para el bloque puede
calcularse a partir de la grilla de 25m x 25m (correspondiente al límite superior de cada bloque)
realizada posteriormente (Minería y Geología. 2020).
Se observamos que la media de las notas verdaderas es 0,55 y la media de las notas
calculadas es 24/42 = 0,57. Se dice que no hay prejuicio global. Sin embargo, existe un sesgo
condicional: para puntajes altos, el puntaje esperado siempre es más alto que el puntaje real, y
para puntajes bajos, el puntaje esperado siempre es más bajo que el puntaje real. Cuando se
utilizan leyes de corte en las estimaciones, las leyes de la mina siempre son más altas que las
leyes del molino (Minería y Geología. 2020).
El sesgo condicional se puede verificar en las minas de cabecera comparando la ley
estimada del bloque (modelo a largo plazo) con el promedio de los pozos de tronadura de los
bloques (datos a corto plazo). En algunas minas, este proceso de comparación se llama prueba de
grado (Alfaro,2007).
Figura 15: Pozos de tronadura en mina Lomas Bayas.
33
La figura 16 muestra la información de largo plazo y de corto plazo en la mina Los Bronces.
Se observa la presencia de datos agrupados en las zonas de alta ley.
Figura 16 Información de largo plazo y de corto plazo.

5.4. Técnica del Krigeage de Matheron (kriging)
Kriging es una técnica de inferencia espacial que nos permite utilizar la información
proporcionada por las muestras para estimar valores de variables en ubicaciones no muestreadas.
El método está configurado para proporcionar el mejor estimador lineal insesgado con la
varianza más pequeña (García et al., 2015).
Según el Instituto de Ingenieros de Minas dl Perú (2020) actualmente, en la industria
minera, la determinación de la calidad se realiza mediante kriging geoestadístico. Estos métodos
estiman la variable a evaluar como la realización de una función aleatoria caracterizada por su
valor esperado y variograma.
34
Dado que el muestreo del yacimiento es parcial y solo indica lo que sucedió en los puntos
de datos, es necesario estimar los valores de ley en los puntos no muestreados. La crítica implica
estimar la clasificación de un sitio o bloque en función de una combinación lineal ponderada de
datos ubicados cerca de ese sitio o bloque.
La definición de esta vecindad (radio de búsqueda, orientación, número de datos a
buscar) toma en cuenta la malla de muestreo y la continuidad espacial de la variable
regionalizada, lo que se realiza en la etapa del estudio exploratorio y variográfico.
La estimación es una combinación lineal ponderada de los datos de modo que el
problema del kriging se reduce al cálculo de los valores de peso, de modo que es posible obtener
una estimación insesgada con la mejor precisión, es decir, con un error promedio. Varianza cero
y mínima (García et al., 2015).
Existen diferentes tipos de kriging, entre ellos se tiene:
5.4.1. Kriging Simple (KS)
Según Alfonso y Ortiz (2002) se conoce la media 𝑚 de la variable y el
variograma 𝛾(ℎ), el cual presenta una meseta 𝜎 2. El estimador en un sitio 𝑥 del espacio
se escribe como:
𝑛
∗ (𝑥)
𝑍 = 𝑎 + ∑ 𝜆𝑖 𝑍(𝑥𝑖 )
𝑖=1
Donde {𝑥𝑖 ∶ 𝑖 = 1, … , 𝑛} son sitios con datos ubicados en la vecindad de 𝑥.
Para determinar el coeficiente 𝑎 y los ponderadores 𝜆𝑖 𝑐𝑜𝑛 𝑖 = 1, . . , 𝑛, se
examinan las condiciones de insesgo y de varianza mínima, obteniéndose:

𝑛
𝑎 = {1 − ∑ 𝜆𝑖 }𝑚
𝑖=1
35
𝑛
∑ 𝜆𝑖 𝐶(𝑥𝑖 − 𝑥𝑗 ) = 𝐶(𝑥 − 𝑥𝑖 )𝑖 = 1, . . , 𝑛
𝑖=1
Donde 𝐶(ℎ) = 𝜎 2 − 𝛾(ℎ) es la función de covarianza asociada al variograma
𝛾(ℎ). Este sistema de n ecuaciones con n ponderadores desconocidos es el Sistema de
Kriging Simple.
En kriging simple, la media es el complemento de los pesos acumulados de los
datos. Se puede encontrar que cuanto más lejos está la ubicación de los datos, menor es el
peso y mayor el peso promedio. Por lo tanto, se puede ver que con kriging simple, la
media compensa la información que falta en los datos (Alfonzo & Ortiz, 2002)
La varianza del error o “varianza de kriging” puede calcularse sin conocer los
valores de los datos y está dada por:

𝑛
2 2
(𝑥) = 𝜎 − ∑ 𝜆𝑖 𝐶(𝑥𝑖 − 𝑥)
𝜎𝐾𝑆
𝑖=1
Esta varianza es siempre menor o igual a 𝜎 2 .
5.4.2. Kriging Ordinario (KO)
Según Chica-Olmo et al. (2007) en esta variante de kriging, se desconocen las
medias de las variables. Tratar la media como una incógnita permite al estimador
generalizar a los casos en los que esta media no es espacialmente constante: la media
puede variar entre regiones siempre que sea aproximadamente constante en cada
vecindad de kriging. También se conoce un variograma, que puede tener o no una
plataforma. El sistema de kriging ordinario se obtiene verificando las condiciones de
varianza mínima e imparcial:

𝑛
∑ 𝜆𝑗 𝐶(𝑥𝑖 − 𝑥𝑗 ) + 𝜇 = 𝐶(𝑥 − 𝑥𝑖 ) 𝑖 = 1, . . , 𝑛
𝑗=1
36
𝑛
∑ 𝜆𝑖 = 1
𝑖=1
Donde 𝜇 corresponde a un multiplicador de Lagrange. Además, en el estimador
del kriging ordinario 𝑎 = 0. Se puede re-escribir este sistema, reemplazando la función de
covarianza 𝐶 por el opuesto del variograma (−𝛾), sistema que queda válido aun cuando el
variograma no tiene meseta y, por ende, la varianza no está definida. (Diaz.,2018)
La varianza del error o “varianza de kriging” puede calcularse sin conocer los
valores de los datos y está dada por:

𝑛
2
𝜎𝐾𝑂 (𝑥) = ∑ 𝜆𝑖 𝛾(𝑥𝑖 − 𝑥) − 𝜇
𝑖=1
Esta varianza puede ser mayor a 𝜎 2 .
5.4.3. Kriging Universal (KU)
Este tipo de kriging se basa en la suposición de que la función aleatoria 𝑍(𝑥) ya
no es estacionaria y su valor esperado cambia en el espacio, lo que refleja una tendencia
sistemática en la distribución espacial del valor (Salcedo, 2015).
Según García (2015) la función aleatoria no estacionaria es modelada como la
suma de dos componentes: una deriva determinista que varía suavemente 𝑚(𝑥) y una
componente residual estocástica que varía erráticamente 𝑅(𝑥). Así se tiene que:
37
Figura 17: Deriva determinística y componente residual.
Fuente: “Uso de kriging universal en la simulación condicional de leyes por Ortiz, Yarmuch y Cáceres
(2015)”
𝑍(𝑥) = 𝑚(𝑥) + 𝑅(𝑥)
𝐷𝑜𝑛𝑑𝑒 𝐸[𝑍(𝑥)] = 𝑚(𝑥) 𝑦 𝐸[𝑅(𝑥)] = 0
La componente de deriva se modela como una suma ponderada de funciones
conocidas 𝑓𝑙(𝑢) y coeficientes desconocidos 𝑎𝑙 𝑐𝑜𝑛 𝑙 = 0, … , 𝐿:

𝐿
𝑚(𝑥) = ∑ 𝑎𝑙 𝑓𝑙 (𝑥)
𝑙=0
Donde, por convención 𝑓0 (𝑥) = 1, para todo 𝑥, mientras que las otras
componentes son monomios de las coordenadas, entregando un modelo de deriva
polinomial (Salcedo, 2015).
En el caso de kriging ordinario se tiene que 𝐿 = 0 : el componente de deriva se
reduce a un solo término 𝐸[𝑍(𝑥)] = 𝑎0, constante pero desconocido (Garcia, 2015).
En el caso de kriging universal se tiene que 𝐿 > 0 : el componente de deriva es
una función real de 𝑥 y toma valores diferentes como 𝑥 varía (Garcia, 2015).
38
Según Garcia (2015) el componente estocástico residual es estacionario con
media cero y su variabilidad espacial se caracteriza por el modelo de covarianza:
𝐶𝑅 (ℎ) = 𝐸[𝑅(𝑥)𝑅(𝑥 + ℎ)] = 𝐶𝑜𝑣[𝑍(𝑥), 𝑍(𝑥 + ℎ)]
En presencia de n datos 𝑍(𝑥𝑖 ) 𝑐𝑜𝑛 𝑖 = 1, … , 𝑛 , el estimador de kriging
universal es una combinación lineal de estos datos:

𝑛
∗
𝑍 (𝑥) = ∑ 𝜆𝑖 𝑍(𝑥𝑖 )
𝑖=1
Los ponderadores 𝜆𝑖 vienen dados por un sistema de ecuaciones, llamado Sistema
de Kriging Universal:
𝑛 𝐿
∑ 𝜆𝑗 𝐶𝑅 (𝑥𝑖 − 𝑥𝑗 ) + ∑ 𝜇𝑙 𝑓𝑙 (𝑥𝑖 ) = 𝐶𝑅 (𝑥 − 𝑥𝑖 ) 𝑖 = 1, … , 𝑛
𝑗=1 𝑙=0
∑ 𝜆𝑖 𝑓𝑙 (𝑥) = 𝑓𝑙 (𝑥) 𝑙 = 1, … , 𝐿
𝑖=1
Donde los 𝜇𝑙 son 𝐿 + 1 parámetros de Lagrange.
5.4.4. Kriging Ordinario v/s Kriging Universal
Según Cáceres (2015) en el kriging convencional, se supone que el valor medio
es constante en cada ventana de búsqueda. En Universal Kriging, el componente de
deriva es una expresión analítica que tiene diferentes valores en el espacio.
39
Figura 18: Modelos de deriva alternativos para una tendencia creciente con la coordenada x.
(2015)”
Para la interpolación dentro de la envolvente de datos, el kriging normal y
universal generalmente produce estimaciones similares en presencia de grandes
cantidades de datos. Por lo tanto, a menudo es conveniente usar kriging normal en lugar
de kriging universal para la interpolación (Stein, 1999).

∗ ∗
𝑍𝐾𝑂 ~ 𝑍𝐾𝑈
En situaciones de extrapolación modelar la tendencia por kriging universal es
crítico. En tales situaciones 𝐶𝑅 (𝑥 − 𝑥𝑖) = 0, para todo 𝑖 = 1, … , 𝑛. Así lejos de los datos
se tiene que:
𝐿
𝑍 ∗ (𝑥) = 𝑚∗ (𝑥) = ∑ 𝑎𝑙∗ 𝑓𝑙 (𝑥)

𝑙=0
La elección de las funciones 𝑓𝑙(x) determina por completo el valor de la
estimación más allá del rango de datos, donde no existen precisamente datos para validar
esa elección. La extrapolación es una tarea “peligrosa”. La siguiente figura muestra como
en situaciones de interpolación el kriging ordinario (a) y kriging universal (b) producen
40
estimaciones similares. En situaciones de extrapolación el kriging universal es crítico
(Cáceres, 2015).
Figura 19 Interpolación v/s Extrapolación. Kriging Ordinario (a) y Kriging Universal (b).
(2015)”
5.4.5. Propiedades del Kriging
Las propiedades principales del kriging Ortiz, J. M., & García, A. (2014).
Predicción espacial de variables geológicas mediante la técnica de kriging universal.
Boletín Geológico y Minero, 125(1), 59-70, son:
• Interpolación exacta: La estimación en un sitio con dato es igual al valor del dato y
la varianza de kriging en este sitio es 0.
• Insesgo: El error de estimación tiene esperanza nula (por construcción).
• Precisión: El error de estimación tiene una varianza mínima (por construcción).
• Aditividad: La estimación de la ley de un bloque es igual al promedio de las
estimaciones de las leyes puntuales de este bloque.
• Sin embargo, el kriging presenta ciertas limitaciones importantes:
41
• Suavizamiento: Los valores calculados por kriging muestran menor dispersión que
los valores reales. Este enfoque da como resultado la subestimación de valores altos y
la sobreestimación de valores bajos. Esto significa que este enfoque se limita a
estimar la variabilidad actual y los valores extremos, creando complicaciones donde
los valores alejados de la media son importantes, como el análisis de valores límite.
• Efecto Proporcional: La varianza kriging contiene información de continuidad
geométrica y espacial, pero no información local, es decir, no depende del valor de
los datos. Un efecto común que ocurre en los sedimentos es que se observa una mayor
variación en áreas de alta calidad. Por lo tanto, la varianza de kriging no captura este
efecto ni mide todas las fuentes de incertidumbre.
Estas limitaciones significan que kriging no es una buena herramienta para
estimar funciones de umbral, como el tonelaje, para identificar variedades límite. Para
superar estas deficiencias, se deben utilizar métodos más sofisticados, como la
simulación.
Ejemplo recuperado de González, J., Moratalla, A., & Herrera, M. (2016).
Aplicación del método de kriging ordinario para la estimación del recurso
geotérmico en el municipio de Cieza (Murcia). RIGA: Revista de Ingeniería
Geomática y del Agua, 7(1), 71-81:
La siguiente tabla muestra el porcentaje en tanto por ciento en contenido en
fosforo de una finca correspondiente a un muestreo que se ha realizado:
42
Figura 20 Tabla datos del ejemplo.
Fuente: Fuente: “Modelling in Science Education and Learning. Volume 7, 2014”
Se desea calcular aproximadamente el contenido en fosforo en los puntos de
coordenadas (0.3, 0.4), (1, 0.8) y (1.5, 1.5). Se supone que ha habido un estudio previo
del semivariograma correspondiente y se ha determinado los siguientes valores: efecto
pepita 0.0001, meseta 0.005, alcances 0.6, valores de vecindad de búsqueda 2 y que es un
fenómeno isotrópico. La siguiente figura muestra el resultado obtenido con el laboratorio
virtual Krig usando el Krigeado ordinario y modelo esférico. El usuario fácilmente puede
volver a ejecutar el programa con otros datos iniciales y/u otro método de Krigeado y
observar cual es la influencia que tienen estos cambios en la aproximación obtenida. Por
ejemplo, para el Krigeado Simple y modelo gaussiano se obtiene la figura:
43
Figura 21 Resultados del ejemplo para Krigeado ordinario y modelo esférico.
Fuente: “González, J., Moratalla, A., & Herrera, M. (2016). Aplicación del método de kriging ordinario
para la estimación del recurso geotérmico en el municipio de Cieza (Murcia). RIGA: Revista de
Ingeniería Geomática y del Agua, 7(1), 71-81”
Figura 22 Resultados del ejemplo para Krigeado ordinario y modelo esférico.

Fuente: “González, J., Moratalla, A., & Herrera, M. (2016). Aplicación del método de kriging ordinario
para la estimación del recurso geotérmico en el municipio de Cieza (Murcia). RIGA: Revista de
Ingeniería Geomática y del Agua, 7(1), 71-81”
44
Teniendo en cuenta todo lo expuesto anteriormente en el presente informe,
podemos deducir que, el sistema de krigeage, también conocido como Kriging, es un
método estadístico que se utiliza para la interpolación espacial de datos. Esta técnica se
basa en la idea de que los valores medidos en puntos cercanos en el espacio tienen una
mayor similitud que los valores medidos en puntos más alejados.
El objetivo del krigeage es estimar el valor de una variable en una ubicación
específica a partir de los valores medidos en ubicaciones cercanas. Para hacer esto, el
krigeage utiliza una combinación ponderada de los valores medidos en puntos cercanos
para estimar el valor desconocido en la ubicación objetivo (Martinez & Alboreda, 2017).
El krigeage se basa en la suposición de que los datos son aleatorios y tienen una
estructura espacial autocorrelacionada, es decir, que la relación entre los datos se puede
describir por una función de covarianza que depende de la distancia entre los puntos. Esta
estructura se utiliza para crear un modelo matemático que puede ser utilizado para
estimar los valores desconocidos (Martinez & Alboreda, 2017).
Según Ortiz & García (2014) existen diferentes tipos de krigeage, que se diferencian por
la forma en que se establecen los pesos de la combinación ponderada. El krigeage ordinario es el
tipo más común y se utiliza cuando los datos tienen una distribución normal y no hay tendencia
espacial. El krigeage simple se utiliza cuando los datos no tienen una distribución normal, y el
krigeage universal se utiliza cuando hay tendencia espacial en los datos.
5.5. Varianza de krigeage:
Según González (2016), la varianza de krigeage es una medida de la precisión o
incertidumbre en una estimación espacial realizada mediante la técnica de krigeage, la cual es un
45
método de interpolación espacial utilizado para estimar valores desconocidos de una variable en
ubicaciones no muestreadas a partir de los valores medidos en ubicaciones conocidas.
Asimismo, la varianza de krigeage se calcula como la varianza del error de predicción en
cada punto de estimación. Esta varianza indica cuánto se espera que la estimación varíe de su
valor real en función de la distribución espacial de la variable y la distancia entre los puntos de
estimación y los puntos de muestreo conocidos (Pardo, 2014).
En general, cuanto mayor sea la varianza de krigeage en un punto de estimación, mayor
será la incertidumbre en la estimación en ese punto. La varianza de krigeage también puede ser
útil para identificar áreas donde se necesitan más datos de muestreo para reducir la incertidumbre
en la estimación espacial (Pardo, 2014).
Es importante tener en cuenta que la varianza de krigeage es solo una medida de la
incertidumbre en la estimación y no garantiza la precisión de esta. Otros factores como la calidad
de los datos de muestreo y la elección de los parámetros del modelo de krigeage también pueden
afectar la precisión de la estimación (Gonzales, 2016).
Ejemplo recuperado de la revista del Centro de Investigación en Geografía y
Geomática. Método Kriging de inferencia espacial (s.f):
Teniendo en cuenta que en la aplicación del método Kriging supone que contamos con N
valores observados z(x1),…,z(xN) a nuestra disposición. Se desea estimar el promedio de una
región determinda “ZV”. Además, dicha cantidad esta denominada mediante la siguiente
expresión:
1
𝑍𝑉 = ∫ 𝑍(𝑥)𝑑𝑥
𝑉 𝑉
En donde V puede ser desde todo un depósito o un simple punto.
Para estimar Zv, consideramos un promedio ponderado de los datos:
46
𝑍𝑉∗ = ∑ 𝜆𝑖 𝑍(𝑥𝑖 )
Donde 𝜆𝑖 son los pesos asignados
El símbolo “*” se usa para denotar una estimación. El problema consta en obtener los
pesos de la mejor forma. Por ello, se utiliza el modelo geoestadístico, considerando la variable
regionalizada (Porras, s.f.).
Anteriormente se mencionó que el método Kriging obtiene la mejor estimación no
sesgada de una variable, esto se expresa matemáticamente como:
𝐸[𝑍𝑉∗ − 𝑍𝑉 ] = 0
Es decir, el promedio (valor esperado E[ ]) de la población de diferencias entre los
valores estimados y los valores reales de la variable debe ser cero.
Por otro lado, una segunda condición establece que la varianza del estimador debe ser
mínima, esto es:
𝑉𝑎𝑟[𝑍𝑉∗ − 𝑍𝑉∗ ] 𝑒𝑠 𝑢𝑛 𝑚í𝑛𝑖𝑚𝑜
La media del error de estimación E [Zv* - Zv] se puede expresar de la forma
𝐸[∑ 𝜆𝑖 𝑍(𝑥𝑖 ) − 𝑍𝑉 ] = ∑ 𝜆𝑖 𝑚 − 𝑚 = 𝑚[∑ 𝜆𝑖 − 1]
En donde Zv* = Σλi Z(xi) es una combinación lineal de los valores observados z(xi) y las
λi corresponden a los pesos asignados a cada observación.
Para que no exista sesgo, el valor esperado del error debe ser 0, así que en la expresión de
la media del error de estimación o m = 0 o los pesos λi deben sumar 1. En el primer caso la media
es conocida, hecho que conduce al método Kriging simple (KS). Si m es desconocido y las λi
suman 1, entonces la solución se obtiene por el método Kriging ordinario (KO) (Porras, s.f.).
47
Como se mencionó anteriormente, se debe cumplir la condición de que la varianza del
error [Zv* - Zv] sea mínima. Esta varianza mínima se conoce como varianza de Kriging y se
expresa como
𝜎𝑘2 = ∑ 𝜆𝑖 𝑦̅(𝑥𝑖 , 𝑉) − 𝑦̅(𝑉, 𝑉) + 𝜇
La derivación de la expresión anterior se da mediante procedimientos de álgebra lineal,
introduciendo los multiplicadores de Lagrange (μ). Para conocer a detalle los pasos para obtener
la varianza de Kriging.
Las ecuaciones obtenidas para el caso del Kriging ordinario son:

𝑛
∑ 𝜆𝑗 𝛾(𝑥𝑖 , 𝑥𝑗 ) + 𝜇 = 𝛾̅ (𝑥𝑖 , 𝑉)𝑖 = 1,2, … , 𝑁

𝑗=1
∑ 𝜆𝑗 = 1
𝑗=1
En donde λj será el peso asignado a cada observación j en la combinación lineal del
estimador. γ(xi, xj) es el valor de la función del modelo teórico del variograma obtenido en el
análisis estructural, mismo que depende de la distancia de separación entre xi y xj. γ (xi, V) es el
valor de la función del variograma evaluado para la distancia de separación entre la observación
xi y el punto o volumen a interpolar V. El sistema anterior se puede expresar de manera
equivalente en términos matriciales como
48
En donde la primera matriz la podemos denominar A, misma que se multiplica con un
vector de pesos λ, dando como resultado una matriz a la que llamamos B, es decir, tenemos un
sistema de la forma A λ = B.
Como se ha visto, el valor interpolado para un punto es una combinación lineal,
𝑍𝑉∗ = ∑ 𝜆𝑖 𝑍(𝑥𝑖 ) 𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 𝜆𝑖 𝑠𝑜𝑛 𝑙𝑜𝑠 𝑝𝑒𝑠𝑜𝑠 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑜𝑠
de manera que hay que despejar los pesos λ del sistema A λ = B.
𝐴−1 𝐴 𝜆 = 𝐴−1 𝐵
Es decir
𝜆 = 𝐴−1 𝐵
En donde A-1 es la matriz inversa de A, es decir,
𝐴𝐴−1 = 𝐼
En donde I es la matriz identidad.
En la práctica referida a este tema se ejemplifica la aplicación de este procedimiento
(Porras, s.f).
Para observar con más detalle otro ejemplo revisar el (Anexo B).
5.6. Método de Krigeage puntual:
Según Jurnel & Huijbregts (1978), el método de Kriging puntual es una técnica de
interpolación espacial que permite estimar el valor de una variable en un punto no muestreado a
partir de una serie de observaciones conocidas en puntos cercanos. Este método se basa en la
hipótesis de estacionariedad de segundo orden, que establece que la covarianza entre dos puntos
depende únicamente de la distancia entre ellos. La fórmula del kriging puntual se puede expresar
de la siguiente manera:
Z*(u) = ∑(i=1) ^n λiZ(ui)
49
Donde:
• Z*(u) es el valor estimado de la variable en el punto de interés u.
• Z(ui) es el valor de la variable en la ubicación i.
• λi son los pesos asignados a los valores observados en las ubicaciones i.
• n es el número de ubicaciones observadas que se utilizan para estimar el valor en
el punto de interés u.
Los pesos λi se calculan utilizando la siguiente fórmula:
∑(i=1) ^n λi = 1
Y minimizando la varianza de la diferencia entre los valores estimados y observados:
γ (0) - ∑(i=1) ^n λiγ(ui-u)
Donde γ (0) es la varianza de la variable en el punto de interés y γ(ui-u) es la covarianza
entre la ubicación i y el punto de interés u.
La solución de estos sistemas de ecuaciones para determinar los pesos λi y la estimación
Z*(u) depende de la elección del modelo de covarianza, el cual se basa en la teoría de
variograma.
5.6.1. Conceptos básicos del Krigeage puntual
Según Chica-Olmo et al. (2007), el método de Kriging puntual es una técnica de
interpolación espacial que se utiliza ampliamente en la minería, la geología, la agricultura
y otras áreas donde se requiere una evaluación precisa de la distribución espacial de una
variable. Esta técnica se basa en el concepto de autocorrelación espacial, que es la
relación que existe entre los valores de una variable en diferentes puntos del espacio.
50
La autocorrelación espacial se puede medir utilizando la semivarianza, que es la
variación entre dos puntos a medida que aumenta la distancia entre ellos. La semivarianza
se puede calcular mediante la siguiente fórmula:
γ(h) = 1/2N(h) ∑[Z(x) - Z(x+h)]^2
Donde:
• γ(h) es la semivarianza para una distancia h determinada
• N(h) es el número de pares de puntos separados por una distancia h
• Z(x) es el valor de la variable en el punto x, y Z(x+h) es el valor de la variable en
el punto x desplazado por una distancia h.
A partir de la semivarianza, se puede obtener el modelo de covarianza, que es una
función matemática que describe la relación entre los valores de una variable en
diferentes puntos del espacio. El modelo de covarianza se utiliza para estimar los valores
desconocidos de la variable en un punto determinado a partir de los valores conocidos en
puntos cercanos. La función de covarianza más utilizada es la función exponencial, que
se define como:
C(h) = exp(-h/α)
Donde:
• C(h) es el valor de la covarianza para una distancia h determinada
• α es un parámetro que se ajusta para que la función de covarianza se ajuste a los
datos.
En el Krigeage puntual, se utiliza una ponderación de los valores conocidos de la
variable para estimar el valor desconocido en un punto determinado. La ponderación se
realiza en función de la distancia y del modelo de covarianza utilizado. La estimación
51
final se obtiene a partir de la suma ponderada de los valores conocidos de la variable
(Matheron, 1971).
Además de la función exponencial, se pueden utilizar otros modelos de
covarianza como el modelo gaussiano y el modelo lineal. Cada modelo tiene sus propias
características y se utiliza en función de las propiedades de la variable y del tipo de
interpolación que se desea realizar (Matheron, 1971).
5.6.2. Implementación del Krigeage puntual
Según Oliver & Webster (2014) , la implementación del método de Kriging
puntual implica la selección de un modelo de covarianza adecuado para describir la
estructura espacial de la variable de interés y la estimación de los parámetros del modelo
a partir de los datos disponibles. Luego, se utiliza la información de los datos para
interpolar la variable en los puntos de interés mediante una combinación ponderada de
los valores observados en los puntos cercanos.
Según Perez (2014) la implementación del Krigeage puntual consta de varios
pasos que se deben seguir cuidadosamente para obtener una estimación precisa y
confiable de los valores desconocidos de una variable en un punto determinado. A
continuación, se describen los pasos más importantes de la implementación del Krigeage
puntual:
• Selección de los datos: Lo primero que se debe hacer es seleccionar los datos de
la variable a interpolar. Estos datos pueden ser datos geológicos, geofísicos o
geotécnicos, y se deben elegir cuidadosamente para asegurarse de que sean
representativos de la variabilidad espacial de la variable. Es importante contar con
52
una cantidad suficiente de datos para obtener una buena estimación (Fuentes.,
2014).
• Análisis de la autocorrelación espacial: El siguiente paso es analizar la
autocorrelación espacial de la variable. Esto se puede hacer mediante el cálculo de
la semivarianza en diferentes distancias entre los datos. La semivarianza se puede
graficar en función de la distancia para obtener el llamado semivariograma, que es
una herramienta fundamental para el Krigeage puntual. El semivariograma
muestra cómo la variación de la variable cambia a medida que aumenta la
distancia entre los puntos. A partir del semivariograma, se pueden ajustar
diferentes modelos de covarianza para representar la autocorrelación espacial
(Matheron, 1971).
• Selección del modelo de covarianza: Una vez obtenido el semivariograma, se
debe seleccionar el modelo de covarianza que mejor se ajuste a los datos. Esto se
hace mediante la comparación de diferentes modelos de covarianza en términos
de su capacidad para reproducir la variabilidad espacial de la variable. Los
modelos más comunes son el modelo exponencial, el modelo gaussiano y el
modelo lineal (Matheron, 1971).
• Estimación de los parámetros del modelo de covarianza: Una vez seleccionado
el modelo de covarianza, se deben estimar los parámetros del modelo. Estos
parámetros incluyen el rango, que es la distancia a la cual la covarianza se reduce
a cero, y la amplitud, que es la varianza de la variable. Los parámetros se pueden
estimar mediante métodos de ajuste como la mínima distancia ponderada o el
método de máxima verosimilitud (Oliver & Webster, 2014).
53
• Ponderación de los datos: Una vez obtenido el modelo de covarianza y sus
parámetros, se debe ponderar los datos conocidos en función de la distancia y del
modelo de covarianza. La ponderación se realiza mediante el cálculo de los pesos
de cada dato en función de su distancia al punto de estimación y del modelo de
covarianza. Los datos más cercanos al punto de estimación tienen un peso mayor
que los datos más alejados (Oliver & Webster, 2014).
• Estimación del valor desconocido: Finalmente, se debe estimar el valor
desconocido en el punto de interés a partir de la ponderación de los datos
conocidos. La estimación se realiza mediante la suma ponderada de los valores
conocidos, donde el peso de cada valor es determinado por el modelo de
covarianza y la distancia al punto de estimación (Oliver & Webster, 2014).
5.6.3. Aplicaciones del Krigeage puntual
Según Perez (2014) el Krigeage puntual es una técnica de interpolación espacial
ampliamente utilizada en el campo de la geoestadística debido a su capacidad para
producir estimaciones precisas y confiables de valores desconocidos en un punto
determinado. A continuación, se describen algunas de las aplicaciones más comunes del
Krigeage puntual y se cita información relevante:
• Minería: El Krigeage puntual se utiliza comúnmente en la minería para estimar la
ley de los depósitos de minerales en áreas donde no se tienen datos directos.
Según un estudio publicado en la revista Minerals, "El Krigeage puntual se puede
utilizar para interpolar la distribución espacial de los depósitos minerales con
datos de muestreo escasos y muy espaciados en el espacio" (Matheron, 1971).
54
• Agricultura: El Krigeage puntual se utiliza en la agricultura para la estimación de
las propiedades del suelo, como la textura, la salinidad, la acidez, entre otras.
Según un estudio publicado en la revista Geoderma, "El Krigeage puntual fue
capaz de proporcionar mapas precisos de la variabilidad espacial de las
propiedades del suelo, lo que permite una mejor gestión y uso del suelo agrícola"
(Oliver & Webster, 2014).
• Hidrología: El Krigeage puntual se utiliza en hidrología para estimar la
concentración de contaminantes en los cuerpos de agua, la cantidad de agua
subterránea, entre otras variables importantes. Según un estudio publicado en la
revista Journal of Hydrology, "El Krigeage puntual se utiliza comúnmente para la
estimación de la concentración de contaminantes en los cuerpos de agua, ya que
permite la integración de datos de monitoreo y modelización numérica" (Chica-
Olmo, 2007)
• Medio ambiente: El Krigeage puntual se utiliza en el monitoreo ambiental para
estimar la concentración de contaminantes en el aire y en el suelo. Según un
estudio publicado en la revista Environmental Pollution, "El Krigeage puntual se
utiliza en la estimación de la concentración de contaminantes en el aire, lo que
permite la identificación de fuentes de contaminación y la implementación de
medidas de control" (Oliver & Webster, 2014).
• Geología: El Krigeage puntual se utiliza en geología para estimar la distribución
de las propiedades geológicas, como la permeabilidad, la porosidad, la densidad,
entre otras. Según Oliver & Webster (2014)."El Krigeage puntual es una
herramienta valiosa en la evaluación de reservorios de hidrocarburos, ya que
55
permite la estimación precisa de la distribución de las propiedades geológicas
clave”
5.6.4. Limitaciones y mejoras del Krigeage puntual
El Krigeage puntual es una técnica de interpolación espacial ampliamente
utilizada en la geoestadística. Sin embargo, como cualquier método, también tiene sus
limitaciones y áreas en las que se puede mejorar. A continuación, se describen algunas de
las limitaciones y mejoras del Krigeage puntual y se cita información relevante:
• Dependencia espacial: El Krigeage puntual se basa en la hipótesis de que los
valores espaciales están correlacionados. Si no hay correlación espacial, el
Krigeage puntual no es adecuado. Según Chica-Olmo (2007) "El Krigeage
puntual es un método de interpolación espacial adecuado solo cuando existe una
correlación espacial significativa"
• Variabilidad en la muestra: El Krigeage puntual puede verse afectado por la
variabilidad en la muestra, especialmente cuando los datos de muestra son
escasos. Según Chica-Olmo (2007), "El Krigeage puntual puede producir
resultados no realistas si la muestra es demasiado pequeña o si la variabilidad en
la muestra es demasiado grande".
• Mejora de la precisión: Se han propuesto varias mejoras para aumentar la
precisión del Krigeage puntual. Por ejemplo, el Krigeage puntual ordinario puede
mejorarse mediante la inclusión de información adicional, como covariables, en el
modelo de interpolación. El uso de covariables en el modelo de Krigeage puntual
puede mejorar significativamente la precisión de la interpolación (Oliver &
Webster, 2014).
56
• Interpolación no lineal: Se han propuesto también enfoques no lineales para la
interpolación espacial, que superan las limitaciones del Krigeage puntual. Los
métodos de interpolación no lineales pueden ser más adecuados en situaciones en
las que la relación entre los valores espaciales y la distancia no es lineal (Oliver &
Webster, 2014).
• Uso de técnicas de aprendizaje automático: En los últimos años, se ha visto un
aumento en el uso de técnicas de aprendizaje automático para la interpolación
espacial. Según un estudio de Egizcue (2014) “Los métodos de aprendizaje
automático pueden mejorar significativamente la precisión de la interpolación
espacial en comparación con el Krigeage puntual".
En conclusión, el Krigeage puntual es una técnica de interpolación espacial que se basa
en la hipótesis de que los valores espaciales están correlacionados. Se utiliza ampliamente en la
geoestadística para estimar valores desconocidos en ubicaciones no muestreadas. El Krigeage
puntual tiene muchas aplicaciones en diversos campos, como la hidrología, la minería, la
geología, la agricultura y la ambiental. También es una herramienta valiosa para la toma de
decisiones y la gestión de recursos naturales (Matheron, 1971).
Sin embargo, el Krigeage puntual también tiene sus limitaciones, como la dependencia
espacial y la variabilidad en la muestra. Además, se han propuesto varias mejoras, como la
inclusión de covariables y el uso de técnicas de aprendizaje automático, para aumentar la
precisión de la interpolación espacial.
Según Chica-Olmo et al. (2007), en general, el Krigeage puntual sigue siendo una
técnica de interpolación espacial valiosa y ampliamente utilizada en la geoestadística. Es
57
importante tener en cuenta sus limitaciones y explorar nuevas técnicas para mejorar su precisión
y eficacia en diferentes aplicaciones.
5.7. Método del Krigeage de bloques
Según Journel y Huijbregts (1978), el método de Krigeage de bloques es una técnica
estadística utilizada en la minería, la exploración geológica y la evaluación de yacimientos
minerales para estimar el valor de una variable en un área determinada a partir de datos discretos
de esas variables en puntos conocidos. El método se basa en la suposición de que la variable
tiene una estructura de conexión espacial y se divide el área de interés en bloques regulares para
estimar el valor de la variable para cada bloque en función de los valores de la variable en los
puntos conocidos y de la distancia entre los bloques y los puntos.
El Krigeage de bloques es una técnica de interpolación espacial que utiliza bloques o
celdas para agrupar los datos de muestreo en lugar de valores puntuales individuales. La
idea detrás del Krigeage de bloques es que los valores desconocidos en una ubicación
determinada pueden ser estimados a partir de los valores observados en bloques cercanos
y su relación espacial. La fórmula del kriging de bloques se puede expresar de la
siguiente manera:
Z*(u) = ∑(i=1) ^n λiZ(ui)
Donde:
• Z*(u) es la estimación de la ley o contenido del bloque de interés u.
• Z(ui) es la ley o contenido de la muestra ubicada en el punto i.
• λi son los pesos asignados a las muestras ubicadas en los alrededores del bloque
de interés u.
58
• n es el número de muestras que se utilizan para estimar la ley o contenido del
bloque de interés u.
∑(i=1) ^n λi = 1
Y minimizando la varianza de la diferencia entre las estimaciones y las observaciones:
γ (0) - ∑(i=1) ^n λiγ(ui-u)
Donde γ (0) es la varianza del bloque de interés y γ(ui-u) es la covarianza entre la
muestra ubicada en el punto i y el bloque de interés u.
5.7.1. Conceptos básicos
De acuerdo con Baafi & Mensah (2016), el método de Krigeage de bloques se
utiliza ampliamente en la industria minera para estimar la ley de los metales en un
yacimiento, la cantidad de mineral en una zona determinada y la planificación minera.
Además, también se ha aplicado en la exploración geológica para estimar la densidad de
minerales y en la agricultura para evaluar la calidad del suelo. Aunque el método tiene la
ventaja de permitir la estimación del valor de una variable en un área grande y continúa a
partir de datos limitados y dispersos, también tiene limitaciones debido a la suposición de
una estructura de conexión espacial clara y la necesidad de que la variable Siga una
distribución normal.
El Krigeage de bloques se basa en los mismos conceptos básicos que el Krigeage
puntual, pero utiliza bloques o celdas para agrupar los datos de muestreo en lugar de
valores puntuales individuales. Los conceptos básicos del Krigeage de bloques son los
siguientes:
59
• Variograma: El variograma es una medida de la variabilidad espacial de los
datos de muestreo. Se utiliza para modelar la relación espacial entre los datos de
muestreo y para estimar la correlación espacial entre los bloques. El variograma
se calcula como la media de las diferencias cuadradas entre los valores en dos
ubicaciones separadas por una distancia h (Chica-Olmo, 2007).
• Función de correlación espacial: La función de correlación espacial describe
cómo la correlación entre los valores de dos ubicaciones varía con la distancia
entre ellas. Esta función se utiliza para modelar la relación espacial entre los
bloques (Baafi & Mensah, 2016).
• Ponderación: En el Krigeage de bloques, se asigna un peso a cada bloque en
función de su distancia y de la correlación espacial entre los bloques. Los bloques
más cercanos y correlacionados tienen un mayor peso en la estimación del valor
desconocido en una ubicación determinada (Diggle & Rebeiro, 2007).
• Interpolación: Una vez que se han asignado los pesos a los bloques cercanos, se
utiliza una interpolación ponderada para estimar el valor desconocido en la
ubicación objetivo (Baafi & Mensah, 2016).
• Validación cruzada: La validación cruzada es una técnica utilizada para evaluar
la precisión de las estimaciones obtenidas mediante el Krigeage de bloques.
Consiste en utilizar un subconjunto de los datos de muestreo para estimar los
valores en las ubicaciones restantes y compararlos con los valores reales (Diggle
& Rebeiro, 2007).
El Krigeage de bloques es un método de interpolación espacial muy útil cuando
los datos de muestreo están agrupados en bloques o celdas en lugar de valores puntuales
60
individuales. Permite estimar valores desconocidos en ubicaciones no muestreadas a
partir de los valores observados en bloques cercanos y su relación espacial. Sin embargo,
es importante tener en cuenta sus limitaciones y considerar cuidadosamente si es el
método más apropiado para la situación específica (Baafi & Mensah, 2016).
Observar el (Anexo C) para obtener más información sobre el tema.
5.7.2. Implementación del Krigeage de bloques
De acuerdo con Oliver & Webster (2014) la implementación del Krigeage de
bloques sigue un proceso similar al del Krigeage puntual, pero en lugar de trabajar con
valores puntuales, se trabaja con bloques o celdas que contienen múltiples valores de
muestreo. A continuación, se detallan los pasos generales para la implementación del
Krigeage de bloques:
• Selección de la variable de estudio y obtención de los datos de muestreo: Al
igual que en el Krigeage puntual, es importante seleccionar la variable de estudio
adecuada y recopilar datos de muestreo de calidad (Journel, 1998).
• División del área de estudio en bloques: La división del área de estudio en
bloques o celdas es un paso fundamental en el Krigeage de bloques. La forma y el
tamaño de los bloques deben ser seleccionados cuidadosamente para garantizar
una buena representación de la variabilidad espacial de los datos de muestreo
(Fuentes & Rodriguez, 2014).
• Cálculo del variograma: El cálculo del variograma es esencial para el Krigeage
de bloques, ya que se utiliza para modelar la correlación espacial entre los
bloques. El variograma se puede calcular para cada bloque individual o para
61
grupos de bloques, dependiendo de la configuración de los datos de muestreo
(Journel, 1998).
• Ajuste del modelo de variograma: Una vez que se ha calculado el variograma,
se utiliza para ajustar un modelo de variograma adecuado. El modelo de
variograma describe cómo la correlación espacial entre los bloques varía con la
distancia y se utiliza para estimar la correlación espacial entre los bloques no
muestreados (Fuentes & Rodriguez, 2014).
• Interpolación de los valores desconocidos: Una vez que se ha ajustado el
modelo de variograma, se utilizan los datos de muestreo para estimar los valores
desconocidos en las ubicaciones no muestreadas mediante interpolación
ponderada. El peso asignado a cada bloque depende de su distancia y de su
correlación espacial con el bloque objetivo. (Journel, 1998).
• Validación cruzada: Al igual que en el Krigeage puntual, se utiliza la validación
cruzada para evaluar la precisión de las estimaciones obtenidas mediante el
Krigeage de bloques (Fuentes & Rodriguez, 2014).
Es importante destacar que la implementación del Krigeage de bloques puede ser
más compleja que la del Krigeage puntual debido a la necesidad de dividir el área de
estudio en bloques y calcular el variograma para cada bloque o grupo de bloques. Sin
embargo, los resultados obtenidos pueden ser más precisos y útiles para situaciones en las
que los datos de muestreo están agrupados en bloques o celdas en lugar de valores
puntuales individuales (Diggle & Ribeiro, 2007).
62
5.7.3. Aplicaciones del Krigeage de bloques
Según Baafi & Mensah (2016), el krigeage de bloques se ha utilizado en la
interpolación de datos de contaminación atmosférica, especialmente en la estimación de
la distribución espacial de gases como el dióxido de nitrógeno (NO2) y el ozono (O3).
Asimismo, otros estudios, como el de Bakalian et al. (2019), han utilizado el krigeage de
bloques en la estimación de la calidad del agua en lagos y ríos. Por otro lado, el krigeage
de bloques también se ha utilizado en la estimación de la densidad de población en áreas
urbanas, como se describe en el estudio de Oliver & Webster (2014). Además, según la
revisión realizada por Chica-Olmo et al. (2007), el krigeage de bloques es ampliamente
utilizado en la estimación de reservas minerales, especialmente en la industria del
petróleo y el gas, así como en la modelización de la distribución de los recursos hídricos
subterráneos.
• En la estimación de la calidad del agua, el krigeage de bloques se ha utilizado
para la interpolación de datos de nitratos en acuíferos y para la estimación de la
concentración de metales pesados en aguas subterráneas (Fuentes & Rodriguez,
2014).
• En la predicción de la distribución de especies vegetales, el krigeage de bloques
se ha utilizado para la modelización de la distribución del pino rojo en una región
de España (Diggle & Ribeiro, 2007).
• En la estimación de la contaminación del suelo, el krigeage de bloques se ha
utilizado para la interpolación de datos de metales pesados en suelos de áreas
mineras (Fuentes & Rodriguez, 2014).
63
• En la evaluación de la calidad del aire en áreas urbanas, el krigeage de bloques se
ha utilizado para la interpolación de datos de partículas finas (PM2.5) y para la
estimación de la concentración de dióxido de nitrógeno (NO2) en la ciudad de
São Paulo, Brasil (Fuentes & Rodriguez, 2014).
• En la evaluación de la calidad del suelo para la agricultura, el krigeage de bloques
se ha utilizado para la interpolación de datos de pH y nutrientes del suelo en una
región de China (Diggle & Ribeiro, 2007).
• En la estimación de la distribución de la radiación solar, el krigeage de bloques se
ha utilizado para la interpolación de datos de radiación solar en la región de
Chaco, Argentina (Baafi & Mensah, 2016).
5.7.4. Limitaciones y mejoras
A pesar de las numerosas ventajas que presenta el Krigeage de Bloques, también
existen ciertas limitaciones que es importante considerar. En primer lugar, se asume que
la variable analizada tiene una estructura de dependencia espacial estacionaria, lo cual
puede no ser cierto en todos los casos y puede resultar en estimaciones incorrectas.
Además, esta técnica es sensible a la elección del modelo de semivariograma, por lo que
se requiere de un análisis previo para encontrar el modelo que mejor se ajuste a los datos.
Otra limitación del Krigeage de Bloques es que puede resultar
computacionalmente costoso si se trabaja con grandes conjuntos de datos. La estimación
de la varianza de los errores de predicción para cada bloque requiere un cálculo matricial,
el cual puede resultar muy pesado para grandes volúmenes de datos. En estos casos, es
necesario utilizar técnicas de reducción de la dimensionalidad o de selección de variables
para hacer más eficiente el proceso de cálculo (Diggle & Ribeiro, 2007).
64
En cuanto a las mejoras, se han desarrollado diversas técnicas para abordar estas
limitaciones y mejorar la precisión y eficiencia del Krigeage de Bloques. Una de ellas es
el uso de técnicas de interpolación basadas en árboles de decisión, que permiten modelar
la relación no lineal entre las variables y pueden manejar grandes conjuntos de datos con
mayor eficiencia. También se han propuesto modelos de semivariograma más flexibles y
adaptables a diferentes estructuras espaciales, como los modelos basados en funciones de
base radial o en procesos de Markov (Diggle & Ribeiro, 2007).
Otra de estas mejoras es la incorporación de técnicas de selección de variables y
reducción de dimensionalidad para abordar la alta dimensionalidad de los datos de
entrada y mejorar la eficiencia computacional del método. Por ejemplo, Baffi & Mensah
(2016) propusieron un método de krigeage de bloques mejorado que utiliza análisis de
componentes principales y selección de variables para reducir la dimensionalidad de los
datos de entrada y mejorar la precisión de la estimación.
Otra mejora común del krigeage de bloques es la incorporación de técnicas de
modelado de la variograma no estacionario para abordar la variabilidad espacial no
homogénea. Por ejemplo, Baffi & Mensah (2016) propusieron un método de krigeage de
bloques no estacionario que utiliza funciones de base radial para modelar la variograma
no estacionario y mejorar la precisión de la estimación.
Según Journel, A. G., & Huijbregts, C. J. (1978) se han desarrollado técnicas de
estimación de la varianza de los errores de predicción basadas en el uso de simulaciones
estocásticas o bootstrap, lo cual puede resultar más eficiente que los métodos matriciales
tradicionales. También se han propuesto técnicas de interpolación basadas en el uso de
redes neuronales artificiales, que pueden modelar relaciones no lineales y no
65
estacionarias entre las variables, y pueden ser especialmente útiles en situaciones en las
que se tienen datos faltantes o valores extremos.
En conclusión, el Krigeage de bloques es una herramienta valiosa en el campo de la
geoestadística para la estimación de valores en áreas donde no se tienen datos. A través de la
partición de los datos en bloques y la estimación de los parámetros de covarianza entre bloques,
es posible realizar una interpolación precisa de los valores desconocidos (Fuentes & Rodriguez,
2014).
Sin embargo, el Krigeage de bloques también tiene sus limitaciones, como la suposición
de homogeneidad dentro de cada bloque y la dificultad para manejar datos con alta variabilidad
espacial. A pesar de esto, se han propuesto mejoras al método, como la incorporación de
información auxiliar y la modelación de la no-estacionariedad.
En general, el Krigeage de bloques es una técnica útil para la estimación de valores
desconocidos en áreas geográficas y ha demostrado ser aplicable en diversas áreas, como la
minería, la agricultura y la contaminación del agua. Sin embargo, se debe tener en cuenta sus
limitaciones y considerar otras técnicas complementarias en caso de que estas limitaciones no
puedan ser superadas (Diggle & Ribeiro, 2007).
5.8. Método de Krigeage de indicadores
Según Perez-Gutierrez (2014) el Krigeage de Indicadores es una técnica de interpolación
espacial que se utiliza para estimar la probabilidad de ocurrencia de un evento en un área
determinada. Esta técnica es muy útil en la exploración de depósitos minerales, y se utiliza
ampliamente en la industria minera para evaluar la calidad de los recursos minerales.
Según Hengl & Heuvelink (2013), el Krigeage de Indicadores es una técnica que permite
estimar la probabilidad de ocurrencia de un evento o la presencia de una característica en un área
66
determinada, a partir de la información disponible en las muestras tomadas en diferentes lugares
del área. La técnica se basa en la relación espacial entre los indicadores, que son variables
binarias que indican si la característica de interés está presente o no en cada uno de los puntos de
muestreo.
El Krigeage de Indicadores se ha utilizado en la exploración de depósitos minerales, ya
que permite evaluar la presencia o ausencia de recursos minerales en áreas que no han sido
muestreadas. Además, esta técnica también se ha utilizado en otras áreas, como la hidrogeología,
la geología ambiental y la evaluación de la calidad del suelo (Journel, 1998).
Como se mencionó el Krigeage de Indicadores es una técnica de interpolación espacial
que se basa en la idea de que la ocurrencia o ausencia de una característica en un punto de
muestreo puede estar correlacionada con la ocurrencia o ausencia de la misma característica en
los puntos cercanos. Esta técnica se basa en la teoría de probabilidad y estadística, y utiliza una
función de correlación espacial para modelar la dependencia espacial entre los indicadores.
En la exploración de depósitos minerales, el Krigeage de Indicadores se utiliza para
estimar la presencia o ausencia de un recurso mineral en una determinada área. Por ejemplo, si se
han tomado muestras de suelo en diferentes puntos de una zona minera, el Krigeage de
Indicadores se puede utilizar para estimar la probabilidad de que se encuentre un depósito
mineral en un punto específico que no ha sido muestreado. Esta técnica es muy útil en la
exploración de depósitos minerales, ya que permite reducir los costos de exploración y aumentar
la eficiencia de la exploración (Journel, 1998). La fórmula del kriging de indicadores se puede
expresar de la siguiente manera:
P(u) = ∑(i=1) ^n λiI(ui)
Donde:
67
• P(u) es la probabilidad de que el bloque de interés u contenga el mineral de
interés.
• I(ui) es el indicador de la presencia o ausencia del mineral de interés en la muestra
ubicada en el punto i.
• λi son los pesos asignados a las muestras ubicadas en los alrededores del bloque
de interés u.
• n es el número de muestras que se utilizan para estimar la probabilidad de
presencia del mineral de interés en el bloque de interés u.
∑(i=1) ^n λi = 1
Y minimizando la varianza de la diferencia entre las estimaciones y las observaciones:
γ (0) - ∑(i=1) ^n λiγ(ui-u)
Donde γ (0) es la varianza de la probabilidad de presencia del mineral de interés en el
bloque de interés y γ(ui-u) es la covarianza entre la presencia o ausencia del mineral de interés en
la muestra ubicada en el punto i y la presencia o ausencia del mineral de interés en el bloque de
interés u.
Además de la exploración de depósitos minerales, el Krigeage de Indicadores también se
ha utilizado en otras áreas, como la hidrogeología, la geología ambiental y la evaluación de la
calidad del suelo. En la hidrogeología, por ejemplo, se puede utilizar el Krigeage de Indicadores
para estimar la probabilidad de que se encuentre agua subterránea en un área determinada. En la
geología ambiental, se puede utilizar para estimar la presencia o ausencia de contaminantes en un
área determinada. En la evaluación de la calidad del suelo, se puede utilizar para estimar la
68
probabilidad de que un suelo tenga una determinada propiedad, como el contenido de nutrientes
o la acidez (Chica-olmo, 2007).
Para más información revisar el (Anexo D)
5.8.1. Conceptos básicos
El krigeage de indicadores es una técnica de estimación geoestadística que se
utiliza para determinar el valor esperado de una variable en un punto dado en función de
los valores conocidos de otros indicadores en las proximidades de ese punto. Se basa en
el principio de que la información obtenida de los indicadores se correlaciona
espacialmente, lo que permite la extrapolación y la interpolación de los datos (Journel,
1998).
El krigeage de indicadores implica la estimación de la probabilidad de que la
variable de interés se encuentre por encima o por debajo de un cierto valor umbral en una
ubicación dada, en función de la información disponible en las ubicaciones vecinas. El
método asume que la variable de interés sigue una distribución normal y que la
correlación espacial se puede modelar mediante una función de covarianza (Webster &
Oliver, 2014).
Para llevar a cabo el krigeage de indicadores, es necesario recopilar datos sobre
los indicadores cercanos al punto de interés. La variograma experimental se utiliza para
estimar la varianza espacial de los indicadores, lo que a su vez permite estimar la función
de covarianza. La interpolación se realiza utilizando un sistema de ecuaciones lineales
basado en la función de covarianza y los valores de los indicadores cercanos (Journel,
1998).
69
Según Hengl & Heuvelink (2013), la principal ventaja del krigeage de indicadores
es su capacidad para manejar la incertidumbre en los datos y proporcionar estimaciones
precisas y confiables de la variable de interés en cualquier punto de interés. Además, se
puede utilizar para producir mapas de riesgo y para la toma de decisiones en la
exploración minera, la planificación del uso del suelo y la gestión ambiental. A
continuación, se describen los conceptos básicos del Krigeage de Indicadores:
• Indicador: un indicador es una variable binaria que toma el valor de 1 si
una determinada propiedad geológica está presente en un punto de muestreo y
0 en caso contrario. Los indicadores se utilizan para representar la presencia o
ausencia de una determinada característica en una ubicación determinada
(Journel, 1998).
• Función de covarianza: la función de covarianza mide la relación entre
los valores de una variable en diferentes ubicaciones en el espacio. La función
de covarianza se utiliza para modelar la estructura de correlación espacial
entre los valores de una variable. El Krigeage de Indicadores utiliza la función
de covarianza para estimar los valores de la variable en los lugares no
muestreados (Chica-olmo, 2007).
• Modelo de continuidad espacial: el Krigeage de Indicadores se basa en
el modelo de continuidad espacial, que asume que la distribución espacial de
la variable sigue una estructura de correlación espacial. El modelo de
continuidad espacial utiliza la información de los indicadores para estimar la
probabilidad de que una determinada propiedad geológica esté presente en un
punto no muestreado (Journel, 1998).
70
• Pesos de Krigeage: los pesos de Krigeage se utilizan para combinar las
mediciones de los puntos de muestreo cercanos y estimar los valores de la
variable en los lugares no muestreados. Los pesos de Krigeage se calculan en
función de la estructura de correlación espacial y la distancia entre los puntos
de muestreo y el lugar a estimar (Chica-olmo, 2007).
• Validación cruzada: la validación cruzada se utiliza para evaluar la
precisión del modelo de Krigeage de Indicadores. La validación cruzada
implica la eliminación de una muestra de los datos, la estimación de los
valores de la variable en los lugares no muestreados utilizando el modelo
Krigeage de Indicadores y la comparación de los valores estimados con los
valores reales de la variable en los lugares de muestreo eliminados (Journel,
1998).
5.8.2. Implementación
Según Hengl & Heuvelink (2013), la implementación del krigeage de
indicadores sigue los mismos principios del krigeage puntual, pero se realiza en un
contexto en el que la variable de interés no es continua, sino que toma valores discretos.
Por lo tanto, en lugar de modelar la función de variograma para la variable continua, se
modela la función de probabilidad condicional para la variable discreta. El objetivo es
estimar la probabilidad de que la variable tome un valor específico en un punto no
muestreado, dadas las observaciones en los puntos vecinos.
El proceso de implementación del krigeage de indicadores comienza con la
definición de una variable indicadora, que es una variable binaria que toma el valor 1 si la
variable de interés está por encima de un cierto umbral y 0 si está por debajo. Se define
71
un conjunto de indicadores para representar diferentes niveles de la variable de interés, y
se construye un modelo de probabilidad condicional que describe la probabilidad de que
la variable tome uno de los valores discretos definidos por los indicadores en un punto no
muestreado, dado el valor de los indicadores en los puntos vecinos (Chica-olmo, 2007).
La estimación de la probabilidad condicional se realiza mediante el ajuste de un
modelo de regresión logística a los indicadores. Este modelo se utiliza para calcular las
probabilidades de que la variable tome cada uno de los valores discretos definidos por los
indicadores en un punto no muestreado, dado el valor de los indicadores en los puntos
vecinos. Estas probabilidades se utilizan para calcular una combinación lineal ponderada
de los valores de los indicadores en los puntos vecinos, lo que da como resultado una
estimación de la variable de interés en el punto no muestreado.
El krigeage de indicadores tiene una amplia gama de aplicaciones en la minería, la
exploración de recursos naturales, la gestión de contaminación y en la predicción de
enfermedades. En la minería, por ejemplo, se utiliza para estimar la distribución de
minerales de interés en un yacimiento a partir de los datos de exploración existentes. En
la gestión de la contaminación, se utiliza para estimar la concentración de contaminantes
en el suelo o en el agua en un área determinada a partir de los datos de muestreo
disponibles. En la predicción de enfermedades, se utiliza para estimar la probabilidad de
que una persona contraiga una enfermedad en función de su exposición a diferentes
factores de riesgo (Chica-olmo, 2007).
Según Hengl & Heuvelink (2013), es importante destacar que el krigeage de
indicadores también presenta algunas limitaciones y desafíos en su implementación. Por
ejemplo, requiere la definición de umbrales arbitrarios para la variable de interés, lo que
72
puede ser subjetivo y limitar su capacidad de generalización a diferentes contextos.
Además, la definición de los indicadores puede ser compleja y requiere un conocimiento
experto del problema en cuestión. Por otro lado, se han propuesto varias mejoras y
extensiones al krigeage de indicadores para abordar estas limitaciones y desafíos, como el
uso de métodos de aprendizaje automático y la incorporación de información auxiliar en
el modelo de probabilidad condicional. Algunas otras cosas para considerar son:
• Selección de variables: es importante seleccionar las variables que mejor
representen la estructura espacial de los datos. Esto se puede hacer a través de
la exploración de datos y el análisis de correlación espacial (Hengl et al.,
2013).
• Estacionariedad: el Krigeage de Indicadores asume que los datos son
estacionarios, es decir, que la distribución de los valores es la misma en todo
el espacio. Por lo tanto, es importante verificar si la estacionariedad se cumple
antes de aplicar el método (Chica-Olmo, 2007).
• Modelado de la estructura espacial: el Krigeage de Indicadores requiere
la definición de un modelo de la estructura espacial, que puede ser un modelo
matemático o un modelo empírico. Es importante elegir un modelo que se
ajuste bien a los datos y que capture adecuadamente la estructura espacial de
los mismos (Hengl et al., 2013).
• Validación cruzada: es importante realizar una validación cruzada para
evaluar la precisión del modelo. La validación cruzada implica dividir los
datos en conjuntos de entrenamiento y prueba, ajustar el modelo con los datos
73
de entrenamiento y evaluar la precisión del modelo con los datos de prueba
(Perez-Gutierrez, 2014).
• Interpolación: el Krigeage de Indicadores se utiliza para la interpolación
espacial de datos faltantes. Sin embargo, es importante tener en cuenta que la
calidad de la interpolación depende de la calidad de los datos disponibles y de
la elección del modelo de estructura espacial (Hengl et al., 2013).
• Interpretación de los resultados: es importante interpretar los resultados
del Krigeage de Indicadores teniendo en cuenta las limitaciones y las
incertidumbres del método. Es importante reconocer que el Krigeage de
Indicadores es solo una de las muchas herramientas disponibles para el
análisis espacial y que los resultados deben ser interpretados en el contexto de
los objetivos del estudio y las características de los datos (Perez-Gutierrez,
2014).
5.8.3. Aplicaciones
El krigeage de indicadores se ha utilizado en diversas aplicaciones en
geoestadística. Una de las aplicaciones más comunes es en la estimación de reservas
minerales en yacimientos. Según Perez-Gutierrez (2014), el krigeage de indicadores se
utiliza para la estimación de volúmenes de diferentes materiales en yacimientos
minerales. El método se aplica a los datos de muestreo de perforaciones y los resultados
de la prueba para estimar la cantidad de mineral en diferentes secciones de la mina.
Además, el krigeage de indicadores también se ha utilizado en la estimación de la
calidad del agua subterránea. Según Hengl & Heuvelink (2013), el método se utiliza para
estimar la distribución espacial de la contaminación en acuíferos subterráneos. El método
74
utiliza indicadores para modelar la presencia o ausencia de contaminantes en diferentes
ubicaciones dentro del acuífero.
Otra aplicación del krigeage de indicadores es en la evaluación de la calidad del
suelo. Según Perez-Gutierrez (2014), el método se utiliza para evaluar la concentración
de metales pesados en el suelo en áreas contaminadas. Los indicadores se utilizan para
modelar la presencia o ausencia de metales pesados en diferentes ubicaciones dentro del
área de estudio, y se utilizan para predecir la concentración de metales pesados en lugares
donde no hay datos de muestreo.
Además, el krigeage de indicadores también se ha utilizado en la predicción de la
distribución de la vegetación en áreas naturales. Según Perez-Gutierrez (2014), el método
se utiliza para modelar la presencia o ausencia de diferentes tipos de vegetación en
diferentes ubicaciones dentro del área de estudio. Los indicadores se utilizan para
predecir la distribución de la vegetación en lugares donde no hay datos de muestreo.
(Hengl, 2013).
En general, el krigeage de indicadores se ha utilizado en una amplia variedad de
aplicaciones en geoestadística donde es importante modelar la presencia o ausencia de un
fenómeno en diferentes ubicaciones dentro de un área de estudio.
Una de las principales limitaciones del krigeage de indicadores es la necesidad de
definir correctamente la distribución conjunta de las variables indicadoras y la variable de
interés. Si se comete un error en la especificación de la distribución conjunta, puede
haber una gran cantidad de incertidumbre en la estimación y predicción de la variable de
interés. Además, si la relación entre las variables indicadoras y la variable de interés no
75
es fuerte, es posible que el krigeage de indicadores no sea la mejor técnica para utilizar.
(Webster & Oliver, 2014).
En términos de mejoras, una de las principales áreas de investigación en el
krigeage de indicadores es la incorporación de técnicas de aprendizaje automático para
mejorar la precisión de las predicciones. Por ejemplo, se ha propuesto el uso de redes
neuronales y algoritmos de aprendizaje profundo para mejorar la precisión de la
interpolación y la predicción de variables espaciales. También se ha propuesto la
combinación de múltiples técnicas de interpolación y modelado para mejorar la precisión
de las predicciones (Hengl, 2013).
Por último, también se ha investigado el uso de técnicas de krigeage de
indicadores en diferentes campos, como la hidrología, la agricultura y la minería. En la
hidrología, se ha utilizado el krigeage de indicadores para modelar la distribución
espacial de la humedad del suelo, lo que puede ayudar en la gestión de recursos hídricos.
En la agricultura, se ha utilizado el krigeage de indicadores para modelar la distribución
espacial de la fertilidad del suelo, lo que puede ayudar en la toma de decisiones sobre la
aplicación de fertilizantes. En la minería, se ha utilizado el krigeage de indicadores para
modelar la distribución espacial de los depósitos minerales, lo que puede ayudar en la
exploración y extracción de recursos minerales (Webster & Oliver, 2014).
5.8.4. Limitaciones y mejoras
Según Hengl & Heuvelink (2013), una de las principales limitaciones del
krigeage de indicadores es la necesidad de definir correctamente la distribución conjunta
de las variables indicadoras y la variable de interés. Si se comete un error en la
especificación de la distribución conjunta, puede haber una gran cantidad de
76
incertidumbre en la estimación y predicción de la variable de interés. Además, si la
relación entre las variables indicadoras y la variable de interés no es fuerte, es posible que
el krigeage de indicadores no sea la mejor técnica para utilizar.
En términos de mejoras, una de las principales áreas de investigación en el
krigeage de indicadores es la incorporación de técnicas de aprendizaje automático para
mejorar la precisión de las predicciones. Por ejemplo, se ha propuesto el uso de redes
neuronales y algoritmos de aprendizaje profundo para mejorar la precisión de la
interpolación y la predicción de variables espaciales. También se ha propuesto la
combinación de múltiples técnicas de interpolación y modelado para mejorar la precisión
de las predicciones (Hengl, 2013).
Por último, también se ha investigado el uso de técnicas de krigeage de
indicadores en diferentes campos, como la hidrología, la agricultura y la minería. En la
hidrología, se ha utilizado el krigeage de indicadores para modelar la distribución
espacial de la humedad del suelo, lo que puede ayudar en la gestión de recursos hídricos.
En la agricultura, se ha utilizado el krigeage de indicadores para modelar la distribución
espacial de la fertilidad del suelo, lo que puede ayudar en la toma de decisiones sobre la
aplicación de fertilizantes. En la minería, se ha utilizado el krigeage de indicadores para
modelar la distribución espacial de los depósitos minerales, lo que puede ayudar en la
exploración y extracción de recursos minerales (Webster & Oliver, 2001).
En conclusión, el krigeage de indicadores es una técnica valiosa en geoestadística
que permite estimar valores desconocidos en un área basándose en la correlación entre las
variables medidas y las variables auxiliares. Aunque puede ser sensible a la presencia de
valores atípicos y a la elección del modelo de variograma, el krigeage de indicadores ha
77
demostrado ser efectivo en una variedad de aplicaciones, incluyendo la evaluación de la
calidad del aire, la estimación de reservas de petróleo y la modelización de la distribución
de minerales (Webster & Oliver, 2014).
Además, existen varias mejoras y extensiones del krigeage de indicadores que abordan
algunas de sus limitaciones, como el uso de técnicas de simulación múltiple y la incorporación
de información espacial adicional. En general, el krigeage de indicadores sigue siendo una
herramienta valiosa en el análisis de datos espaciales y la toma de decisiones en una variedad de
campos.
5.9. Valorización de bloques
Previo a la extracción de un yacimiento minero, es necesario realizar un proceso de
planificación que permita estimar los recursos operacionales como personas, equipos,
instalaciones y otros que permitan su extracción, de manera de generar el mayor valor posible.
5.9.1. Softwares usados para el modelamiento geológico
Las aplicaciones de la informática a la evaluación de recursos/ reservas minerales
son muchas y muy variadas. A modo general se distinguen dos grupos de programas: los
que tienen aplicaciones mineras y los que son específicamente mineros.
El primer grupo lo constituyen programas que no han sido desarrollados con la
minería como objetivo básico, sin embargo, suelen tener módulos o aplicaciones
referentes a las actividades mineras. Sus costes son muy variados desde gratis (programas
de dominio público) hasta cientos de miles de dólares.
El segundo grupo está formado por programas especialmente desarrollados para
actividades mineras en sentido amplio, tales como la exploración, evaluación, diseño de
explotaciones, planeamiento, etc. Las soluciones que ofrecen estos softwares son
78
integrales y sus costos varían según el programa, pero estos siempre son medidos en
cientos de miles de dólares (Hengl & Heuvelink, 2013).
Actualmente son utilizadas varias herramientas informáticas para el planeamiento
minero estratégico, ya sea para modelar u optimizar los recursos, desplegando datos e
imágenes en tres dimensiones (3D) de la realidad del depósito. Los principales softwares
mineros utilizados son: MineSight, Gemcom Surpac, y Maptek Vulcan. (Giovani Franco
S., 2011)
5.9.1.1. Minesight
Es un software que proporciona todas las herramientas interactivas
necesarias para determinar con confianza las reservas explotables, diseños de
cortes sencillos y amplias opciones de diseño de Drill Holes que permiten la
manipulación de la superficie total, herramientas para el patrón al finalizar cada
periodo, pit final definido, programación de las fases, construcciones mineras de
superficie, etc. Este software entrega a los usuarios herramientas completas para la
explotación a cielo abierto y subterráneo (Giovani Franco S., 2011).
Figura 23 Distintos tipos de modelamientos realizados el software minero Minesight

Fuente: “Giovani Franco S., 2011”
79
5.9.1.2. Gemcom Surpac
Este software de planeamiento minero y geología es considerado el más
popular del mundo, utilizado en proyectos de exploración y operaciones a cielo
abierto y subterráneo en más de 110 países. Surpac ofrece una eficiencia y
precisión debido a la facilidad de uso, gráficos tridimensionales y automatización
del flujo de trabajo alineado a los procesos y flujos de datos de empresas
específicas. (Gemcom Surpac, 2011)
Figura 24 Diseño de labores mineras a través del software Surpac.

Fuente: Gemcom Surpac, 2011
5.9.1.3. Maptek Vulcan
Vulcan permite a los usuarios validar y transformar los datos obtenidos en
las fases de exploración y explotación en modelos dinámicos tridimensionales,
diseños de minas precisos y planes operativos. Diversos paquetes están
disponibles para cada escenario específico, con diferentes módulos para todas las
etapas del ciclo de vida de la mina, de esta forma constituye una solución total
para las empresas mineras mundiales. (Gemcom Surpac, 2011)
80
Figura 25 Diferentes modelos geológicos junto a diseños de explotación desarrollados
mediante el software Vulcan. (Maptek, Vulcan, 2014)
5.9.2. Modelo del Yacimiento
El yacimiento o depósito es modelado mediante un arreglo tridimensional de
bloques, conocido como modelo de bloques.
El modelo de bloques, que es elaborado por los geólogos utilizando sus
conocimientos y sofisticadas herramientas de estadística espacial, contiene información
valiosa que permitirá tomar decisiones si extraer o no el depósito y de qué manera.
Algunos elementos clave de información que puede contener un modelo de
bloques son los siguientes:
• Coordenadas. Las coordenadas de un bloque se representan un trío de números o
vector (x, y, z) que indica su posición en el espacio. Normalmente se refiere al
centroide del bloque.
• Tonelaje. Indica la cantidad total de material que contiene un bloque. Un bloque
puede contener, por ejemplo, 7500 toneladas. Considerando que un gran camión
81
minero puede transportar en torno a 300 toneladas ¡Eso significa que para mover
un bloque desde la mina hasta su punto de destino pueden requerir 25 viajes!
• Ley del mineral. Este atributo nos indica la concentración de el o los materiales
de interés dentro del bloque. Por ejemplo, en el caso del cobre, la ley se representa
por un porcentaje. Así, si un bloque tiene una ley del 1% y pesa 7500 toneladas
contiene 75 toneladas de cobre.
Figura 26 modelo de bloques con varios atributos, tales como ley de oro (AU), plata
(AG), o tonelaje (TONN), entre otros
5.9.3. Valorización o valor de bloque
Una vez ya construido el modelo de bloque y en cada uno de estos alojada la ley
equivalente, vamos a pasar a conocer la ruta que tiene cada uno de estos bloques en su
vida, en la mina se extrae el bloque a través de las operaciones unitarias convencionales,
perforación, tronadura, carguío y transporte, en caso de que el bloque tenga una
concentración por debajo de la ley de corte pasa al botadero y en caso contrario si sus
concentraciones es mayor a la ley de corte va a tratamiento, el bloque tiene un costo tanto
sea de estéril o sea de mineral, un costo mina, al pasar por la planta se aplica
82
una recuperación metalúrgica donde el bloque disminuye su masa y así cuando el bloque
pasa a la fundición y sale de ahí la masa del bloque se ve disminuida dependiendo de
las dos recuperaciones, de tener un material fino el cual vamos a comercializar, el bloque
en su proceso tiene dos recuperación, el costo asociado a la planta tanto el costo asociado
como la fundición y el costo asociado a la mina van a jugar un rol importante para
determinar si está el bloque tiene o no un beneficio eso también va a depender del
valor que tenga el producto en el comodity en este caso, lo importante en este ciclo
es conocer cuál es el costo asociado al bloque de estéril y cuál es el costo asociado al
bloque de mineral en sus tres etapas mina, planta y fundición, interesa valorizar el bloque
partiendo de la premisa como decíamos de que si el bloque es mineral o es estéril, los
bloques que generan beneficios son únicamente los bloques de mineral
Figura 27 Ruta de bloque

Fuente: (Nube minera, 2019)
Tm: Ton de mineral Te: Ton de estéril
Rp: Recuperación de planta Rf: Recuperación de material Fino
Cm: Costo mineral (US$/Ton mx) Ce: Costo Estéril (US$/Ton estéril)
Cp: Costo de Proceso P cu: Valor x 220.4=US$/Ton
Cf-r: Costo de Fundición-Refinería Tf: Ton de material Fino
Rf: Recuperación de material Fino Tp: Ton de Proceso
83
5.9.4. INGRESOS GENERADOS POR BLOQUE
𝑰𝑩: 𝑻𝒎 × 𝑳𝒎 × 𝑹𝒕 × 𝑷
Donde:
✓ Tm: Tonelaje Mineral
✓ Lm: Ley Mineral
✓ Rt: Recuperación Total
✓ P: Precio del producto
Con esta fórmula calculamos el ingreso de un bloque, por lo que el precio del
producto tiene que estar con relación a la masa del bloque.
5.9.4.1. Dimensiones de los bloques y sub-bloques.
Se ha considerado la división del depósito en bloques de 30x30x30 m. y
sub-bloques de 6x6x6m. Para determinar el valor de cada bloque se han de
considerar los resultados del variograma ajustado al modelo teórico, de modo que
las muestras que se utilicen en la estimación estén dentro de una vecindad
restringida. Esta zona restringida suele ser menor o igual al alcance.
Otros parámetros que influyen en la elección del tamaño de los bloques
son el número de sondeos y su distribución, el número de 62 muestras, la
estructura geológica y variabilidad del yacimiento y la geometría de la
explotación.
Si la densidad de sondeos es elevada, el tamaño de bloques podría ser
menor. La altura de los bloques debe ser igual o mayor a la distancia entre cada
hilera de sondeos.
84
El tamaño de los bloques debe ser inversamente proporcional a la
variabilidad del depósito, es decir que si el yacimiento es poco variable es poco
conveniente tener bloques de pequeñas dimensiones ya que una gran cantidad de
ellos representarán la misma calidad.
La dimensión de los bloques debe adaptarse en lo posible a las variables
utilizadas dentro del sistema de explotación, entre estos se tiene a la altura, ancho
y largo del banco de voladura, dirección de los frentes, etc.
5.9.4.2. Variables para considerar
Al realizar un modelo de bloques es posible agregar un número de
variables a fin de utilizarlas posteriormente en la estimación de leyes. Las
variables pueden ser geológicas, litológicas, de recuperación, geos metalúrgicas,
etc. Para la estimación de leyes en cada bloque se necesita agregar las variables
mostradas en la Tabla 1.
Tabla 1: Variables básicas en el modelo de bloques.

Variable Tipo de datos Descripción
Volumen Numérica (Cálculo) Volumen de roca
Ley Numérica (Cálculo) Ley de cobre a estimar
Densidad Numérica (Valor Fijo) Densidad de la roca
Aire Numérica (Valor entero) Bloques ubicados sobre la
superficie topográfica
Tonelaje Numérico (Cálculo) Masa de los bloques
ubicados bajo la superficie
topográfica
Fuente: (Tuner-Saad, 2011)
85
5.10. Presentación de estudios y reservas en diferentes tipos de yacimientos
La estimación de recursos/reservas de un yacimiento tiene por objeto determinar la
cantidad, calidad y posibilidad de explotación comercial del mineral que lo compone, ya sea
metalífero, no metalífero, industrial, ornamental o combustible. Planificar el negocio, la
explotación, el tratamiento del mineral, la restauración ambiental, son aspectos imposibles de
encarar sin un cálculo seguro de las reservas. La estimación se hace durante toda la vida útil de
una mina a través de un proceso de modelación del yacimiento que se ajuste lo mejor posible a la
realidad en estudio. El método de modelación ideal debe ser simple, rápido, confiable, acorde al
cuerpo mineralizado, capaz de proporcionar una verificación rápida en cualquier etapa. En la
actualidad, los métodos modernos que aplican programas de computación ahorran tiempo y
dinero, y si bien utilizan algoritmos de cálculo complejos, permiten dimensionar el error de
estimación.
La mayoría de los recursos y reservas se calculan en toneladas métricas, solo la de los
metales preciosos (oro, plata y platino) se calculan en kilogramos u onzas, los diamantes en
quilates (Quilate de gemología: Es una unidad de masa usada, fundamentalmente, para pesar
gemas y perlas, actualmente representa un peso de 200 miligramos (0,2 gramos) en el Sistema
Métrico Decimal.
La estimación de recursos/reservas se considera un proceso continuo que se inicia con la
exploración y recopilación de la información, seguida de la interpretación geológica y la
estimación de recursos. Posteriormente se consideran los factores modificadores (mineros,
metalúrgicos, ambientales, legales etc.) y se arriba a la estimación de reservas. Durante las
operaciones de la mina los estimados previamente calculados son modificados por los resultados
del control de ley y los estudios de reconciliación.
86
La cantidad de reservas de un yacimiento, como uno de los factores principales que
determinan su viabilidad económica, posee una gran influencia en la vida útil del yacimiento, su
producción anual y la decisión final de construir la empresa minera.
5.10.1. Tipos de reservas
a) Reservas Medidas (Probada): cantidad que es compilada dimensionando
afloramientos, a través de trincheras, labores o sondajes diamantinos. La ley y/o
calidad es calculada de los resultados de un muestreo detallado. Los lugares para la
verificación, muestreo y medida deben estar cercanamente espaciados, las
características geológicas están bien definidas, el tamaño, forma, profundidad y
contenido mineral de los recursos estarán bien establecidos.
b) Reservas Indicadas (Probables): cantidad, ley y/o calidad está calculada de una
información similar a la usada para las reservas medidas, pero, los sitios de
verificación, muestreo y medida están más distantes o están espaciadas
irregularmente. El grado de confiabilidad es menor que en el de reservas medidas, es
bastante alto asumir la continuidad entre dos puntos de observación.
c) Reservas Inferidas (Posibles):la estimación está basada sobre una continuidad
asumida (proyectada) a partir de las reservas medida e indicada, para lo cual existe
evidencia geológica. Las Reservas Inferidas pueden o no pueden estar demostradas
con muestras o mediciones.
d) Reservas Demostradas: reservas medidas + reservas indicadas
En otros términos, la diferencia fundamental entre los recursos y las reservas es la
economía. Es importante notar que los recursos ocurren en la naturaleza, en cambio las
reservas son creadas por el esfuerzo humano
87
Figura 28 Clasificación de recursos y reservas
Fuente: Fuente: (Tuner-Saad, 2011)
Un diagrama sumamente útil para clasificar los recursos minerales es desarrollado
por Mc Kelvey (1972). Esta representación gráfica ahora es ampliamente conocida como
el diagrama Mc Kelvey.
88
Figura 29 Clasificación de reservas minerales y recursos
Fuente: (MC Kelvey, 1972)
Para realizar un buen cálculo de reservas debemos de considerar lo siguiente:
Figura 30 Cálculo de reservas

Fuente: (MC Kelvey, 1972)
5.10.2. Modelación del yacimiento
Para poder estimar reservas debemos generar un Modelo del Yacimiento que lo
represente de la mejor manera posible. La modelación de un yacimiento consta de dos
etapas: una primera, que consiste en la definición de la morfología (geometría, forma) de
las mineralizaciones y de los contenidos de cada una de ellas, y una segunda en la que se
evalúa, con criterios técnico-económicos, la cantidad de reservas recuperables y su valor
actual y futuro con vistas a estudiar la rentabilidad de su extracción y comercialización.
89
En la primera etapa se crea el modelo geológico del yacimiento, y en la segunda
el modelo económico del mismo. Ambos modelos son numéricos. Este proceso se refleja
en el esquema siguiente:
Figura 31 Esquema geológico de un yacimiento

Fuente: (Giovani Franco S., 2011)
Las muestras a partir de las cuales se efectúa la modelación y estiman las reservas
de un yacimiento, representan una fracción mínima de éste. Por ejemplo, en un pequeño
pórfido de cobre, de una malla densa de sondeos se recuperaron una 200 tonelada de
testigos, con esta información se estimaron 60 millones de toneladas de mineral y 150
millones de toneladas de estéril, esto da la pauta de la tremenda diferencia que hay entre
lo que contamos como información y lo que estimamos. Por lo tanto, es de fundamental
importancia el correcto manejo de la información, caso contrario podemos caer en los
errores de sobreestimación o subestimación del mineral y el estéril.
Hay dos herramientas valiosas que debemos tener en cuenta:
→ Conocer la geología del prospecto para cometer el menor error posible en
la modelación.
90
→ Entender el modelo de yacimiento que estamos diseñando y hacerlo lo
más flexible posible para adecuar las modificaciones que sean necesarias
implementar en el camino.
Figura 32 Dos diferentes yacimientos

Fuente: (Giovani Franco S., 2011)
En esta imagen se muestran dos interpretaciones diferentes de un mismo
yacimiento. Con negro intenso negro intenso se marca la intersección entre los sondeos y
la masa mineral, en las dos figuras esa intersección es la misma. Arriba tenemos la
interpretación morfológica de los cuerpos realizada por un profesional, abajo la forma
real de los mismos. La diferencia de volúmenes es evidente, por lo tanto, se ha caído en
una sobreestimación del yacimiento. Esto se puede evitar con un buen control de la
geología en superficie puesto que las dos situaciones corresponden a marcos geológicos
diferentes.
Es necesario definir tres términos relacionados con la estimación de reservas:
91
→ Contacto geológico: son los límites litológicos y/o estructurales de una
unidad.
→ Contacto mineralógico: definido por la extensión de masa mineral
(recurso); que puede o no coincidir con los contactos geológico (puede ir
más allá de una determinada litología) y económico.
→ Contacto económico: límites del material a partir del cual se puede obtener
o no ganancias. (ley de corte o cut off)
Figura 33 Tres tipos de contacto

Fuente: Fuente: (Giovani Franco S., 2011)
En esta figura se pueden observar los tres tipos de contactos, geológico,
mineralógico y económico. La estimación de reservas es mucho más que una mera
proyección espacial de las leyes.
Para determinar el verdadero valor de un yacimiento es necesario determinar y
proyectar los siguientes parámetros:
→ Potencia de la roca mineralizada
→ Peso específico de la roca mineralizada
→ Mineralogía de la mena
92
→ Competencia de la roca – RQD –
→ Grado de recuperación metalúrgica
5.10.2.1. Proceso de modelación
En el proceso de modelación para el cálculo de reservas, el cuerpo
mineralizado es delineado y luego subdividido en figuras simples (sectores o
bloques). De este modo el cuerpo auxiliar es reemplazado por una o varias figuras
simples cuyos volúmenes pueden ser calculados por fórmulas geométrica
conocidas. Las reservas del cuerpo se calculan determinando áreas y volúmenes en
cada bloque, determinando leyes medias y toneladas de metal o elemento valioso.
5.11. Estimación de Reservas de diferentes Minas:
5.11.1. Minera Cerro Verde (2021)
Entre la información más destacada dentro de la reciente edición del Boletín
Estadístico Minero, podemos mencionar, por ejemplo, que la Minera Cerro Verde se ha
posicionado como la número 1 en lo que respecta a la producción de cobre en el Perú
(Editor Tiempo Minero J.V, 2022).
Puntos importantes sobre la reserva de la minería Cero Verde:
→ La Sociedad explota sus reservas a través del minado a tajo abierto, y

procesa o beneficia las mismas mediante la tecnología de lixiviación (Alta
ley y baja ley - ROM) y de concentración (flotación) de minerales, en las
concentradoras C1 y C2.
→ Estimados y supuestos: La estimación de las reservas de mineral

recuperables implica numerosas incertidumbres con respecto a la geología
final del yacimiento, incluyendo cantidades, leyes y grados de
93
recuperación. La estimación de la cantidad y ley de las reservas de
minerales requiere que la Compañía determine el tamaño, la forma y la
profundidad del yacimiento, analizando la información geológica. Además
de la información geológica se requieren supuestos para determinar la
viabilidad económica del minado de las reservas de mineral incluyendo
estimaciones futuras, de la cotización de los metales y la demanda,
requerimientos futuros de capital y costos de producción y estimación de
las tasas de tipo de cambio. Los cambios en la reserva de mineral o en las
estimaciones de recursos de mineral tienen un impacto en el valor de los
activos de propiedad, planta y equipo relacionados, la provisión para
remediación y cierre de mina, reconocimiento de los activos por impuestos
a las ganancias diferidos, y la depreciación y amortización de activos.
→ Método de unidades de producción: Las estimaciones de las reservas de

mineral son utilizadas al momento de determinar la depreciación y
amortización de activos específicos de la mina. Esto resulta en cargos por
depreciación y/o amortización proporcional a la disminución de la vida
útil restante de la producción de la mina. Cada vida útil de una partida de
propiedades, planta y equipo, la cual es evaluada anualmente, es
impactada por sus limitaciones físicas y las nuevas evaluaciones de las
reservas de mineral económicamente viables. Estos cálculos requieren el
uso de estimados y supuestos, los cuales incluyen el importe de reservas
de mineral recuperables estimadas que puedan ser recuperables.
94
5.11.2. Minera cerro corona (2019)
Los recursos y reservas minerales de nuestra operación en Cerro Corona están
estimados bajo la Ley de Corte Económica de Retorno Neto de Fundición (NSR), con
costos, tonelajes y leyes que se basan en el modelo de bloques de recursos. Además,
dicha ley incluye otros materiales estimados, que se requiera explotar para extraer todo el
recurso explotable.
Las declaraciones sobre reservas minerales incluyen solo los recursos minerales
medidos e indicados, modificados para producir reservas minerales y contenidos en el
plan de vida de la mina. De igual manera, los recursos y reservas minerales son evaluados
durante el año con auditorías internas por parte del equipo técnico de la organización.
Todas las reservas minerales se cotizan en términos de leyes y tonelajes de
producción directamente de la mina, conforme se entregan a la planta de procesamiento
metalúrgico. Además, de forma permanente, se realizan estudios técnicos especializados
para identificar los recursos y reservas que permitan asegurar las operaciones de Cerro
Corona a largo plazo y, con ello, monitorear las proyecciones de crecimiento y niveles de
producción estimados.
Reservas de mineral (no auditado) Al 31 de diciembre de los años 2017, 2018 y
2019, las reservas aprobadas de Cerro Corona ascendieron a:
95
Figura 34 Cuadro detalle
5.11.3. Mineria Chinalco (2020)
Incremento adicional de la capacidad de producción del mineral hasta una tasa de
170 000 tpd, después de obtener la certificación ambiental y la construcción del Proyecto.
Para ello se modificará el plan de minado del tajo Toromocho y la vida útil de la mina a
aproximadamente 25 años de acuerdo al último estudio de reservas.
De acuerdo a lo aprobado en el EIA-2010, las reservas de la UM Toromocho son
explotadas mediante el método de tajo abierto y una secuencia de fases sucesivas de
desarrollo del tajo de acuerdo al plan de minado aprobado, basándose en ampliaciones del
tajo que incorporan espacios apropiados para la maniobrabilidad de la maquinaria pesada,
geometrías de trabajo y caminos de acceso con las características necesarias para cada
fase; el tajo Toromocho está ubicado referencialmente en las coordenadas UTM 8 716
931,81 N; 375 818,94 E. Las dimensiones estimadas del tajo final son: este-oeste 2,30
96
km, norte-sur 2,40 km y el nivel más bajo de explotación se encontrará a una elevación
aproximada de 4170 msnm.

5.11.4. Mineria Brocal (2019)

97
98
6. RESULTADOS DE LA INVESTIGACIÓN
• Se identificaron las características de cada método de estimación, así como también las
condiciones que se debe emplear en los mismos.
• A diferencia del kriging puntual, en el kriging por bloques, el área de muestreo puede ser
una esfera o elipse según sea el medio donde se encuentre.
• El Kriging de indicadores nos permite estimar valores de una variable en un lugar no
muestreado utilizando la información proporcional de la muestra, en conclusión, este
método nos da mejor estimador lineal sesgado con una varianza mínima.
• El valor de bloques nos permite hacer una planificación de la minería a través de las
características del terreno, proporcionándonos así una modelación discreta del yacimiento
y el valor que este adquiere.
99
7. EJEMPLO APLICATVO
El siguiente ejemplo aplicativo fue recuperado de la tesis "Gestión para la predicción de
recursos y reservas de un yacimiento minero, utilizando programaciones en Matlab" para obtener
Magíster en Regulación, Gestión y Economía Minera, elaborado por Emerson Klim Mariscal
Sucno en el año 2022.
7.1. Conociendo el programa Matlab
7.1.1. Modo de uso del Matlab
Como lo explica la Universidad de (Chile (2021, pp. 3-4) citado en Mariscal,
2022), cada rutina (por ejemplo,gamv.exe) funciona una vez que se complete el archivo de
parámetros con formato ASCII (por ejemplo, gamv.par). Luego, se puede ejecutar la
rutina, y especificar el nombre del archivo de parámetros cuando se le solicita; ¿Which
parameter file do you want to use? gamv.par
Si no se especifica archivo de parámetros alguno, por defecto se creará un archivo
con el nombre gamv.par (en caso de que este último no exista), o se usaráel archivo por
defecto gamv.par (en caso de que este último exista).
7.1.2. Formato de archivo de entrada
Si el archivo está en Excel, solo tienen que grabarlo con extensión .DAT,ejemplo;
“Muestas.Dat” e inmediatamente tu archivo está guardado en extensión DAT y el archivo
se abre con Bloc de notas.
7.1.3. Lista de rutinas principales
Los programas son los siguientes:
→ Cokrige
→ Creategrid
100
→ Declus
→ Distribution
→ Gamv
→ Hscatt
→ Locmap
→ Pixelplt
→ Scatplt
→ Vargfit
7.1.4. Desventanjas del uso del Matlab
El modelo de bloques solo se puede visualizar en 2D como archivo JPG
Para poder realizar diseños mineros, se debe importar la información del Excel en
donde están las coordenadas, leyes y tonelajes, etc. Para que el programa comercial
reconozca y recién pueda diseñarse la mina.
La información no debe superar las 1’000,000 de datos. Las empresas de pequeña
escala están dentro del rango, entonces los consultores para esa escala, institutos,
universidades pueden realizar normalmenteun trabajo geoestadístico sin problemas.
Cuando la cantidad de información supera su límite, los resultados calculados
tienen un error encima de 5% llegando hasta un 10%.
Para determinan unas reservas económicas, el programa no considerantodos los
factores modificadores (Código de Jorc), tales como los permisos, licencias sociales y
ambientales. El programa solo realiza cálculos cuantitativos, indicando la reserva del
yacimiento minero.
101
La solución de conflictos sociales y ambientales es trabajo liderado porel estado
involucrando a las comunidades y empresa.
7.2. Estudio exploratorio de datos
Para observar la vista en 3D del Proyecto revisar el (Anexo E).
7.2.1. Base de datos del proyecto
El tamaño de la malla de sondajes del proyecto tiene una relación directa en
función de la complejidad del yacimiento. Bloques rodeados de suficientes muestras
tienen la confiabilidad de ser definidos como medidos o indicados, sin embargo, si se
encuentran lejos de los sondajes, su clasificaciónsolo puede ser de inferidos. También hay
que considerar que las mallas no siempre son regulares como el presente estudio. El
problema de este enfoque es que las dimensiones de las mallas umbrales no
necesariamente deberían ser del mismo tamaño en todas las zonas del yacimiento y en
algunos casos se utilizan por igual. Por ejemplo, los recursos en zonas complejas pueden
clasificarse como medidos o indicados utilizando el mismo criterio o tamaño demalla que
una zona de menor complejidad. Esto no es adecuado ya que una zona compleja puede
requerir una mayor cantidad de información para ser representada correctamente, y de
esta forma asegurar los mismos niveles de confiabilidad.
El nombre que se les asigne a cada sondaje no debe cumplir un patrónindicado,
más al contrario algo que se preste para un mejor reconocimiento en campo.
La base de datos inicial es de 31 sondajes diamantinos, estos taladrosrecogen toda
la información que se requiere en sus testigos para poder analizarlos mediante
experiencia de los profesionales y resultados de laboratorios, como ejemplo se tiene la
información que contiene “Collar” en cualquier proyecto minero:
Tabla 2. Ubicación de los Sondajes (Collar)
102
BHID YCOLLAR XCOLLAR ZCOLLAR
LVD99-01 17,473.12 21,959.74 3,689.56
LVD99-02 17,474.38 21,994.75 3,678.75
LVD99-06 17,350.21 22,014.57 3,669.27
LVD99-07A 17,524.16 22,177.07 3,627.52
LVD99-08 17,723.51 22,081.13 3,588.17
LVD99-09 17,599.28 22,119.32 3,605.22
LVD99-12 17,524.94 22,129.03 3,618.79
LVD99-14 17,673.41 22,097.60 3,595.42
LVD99-16 17,704.10 22,076.32 3,588.38
LVD99-22 17,727.66 22,030.01 3,578.18
LVD99-23 17,474.79 22,087.56 3,626.17
LVD99-25 17,444.87 22,082.62 3,635.23
LVD99-26 17,593.03 22,020.81 3,645.41
LVD99-27 17,523.63 22,026.45 3,649.57
V97-08 17,588.01 22,062.78 3,600.80
V97-09 17,644.24 22,041.51 3,594.25
V97-10 17,618.09 22,058.42 3,597.47
V97-13 17,547.12 21,922.26 3,621.76
V97-16 17,614.10 22,118.71 3,604.89
V97-17 17,516.16 22,072.45 3,616.07
V97-18 17,645.06 22,104.71 3,601.24
V97-19 17,676.00 22,100.00 3,597.00
V97-22 17,783.59 22,062.23 3,581.34
V97-26 17,446.74 21,958.45 3,703.35
V97-27 17,376.58 21,912.22 3,710.85
V97-29 17,412.49 21,931.89 3,714.78
VRC97-02 17,551.18 21,992.96 3,660.59
VRC97-03 17,551.62 21,984.65 3,660.61
VRC97-08 17,547.03 21,915.77 3,621.86
VRC97-11 17,452.27 21,984.41 3,683.24
VRC97-14 17,783.59 22,065.23 3,581.34
Fuente (Mgister en Regulacion, Gestion y Economis Minera, PUCP-Mariscal, 2022)
Para poder trabajar en Matlab, este no reconoce coordenadas con números
grandes, por lo que se resta en Este 21,830 m, en Norte se resta 17,345 m y en cota se
resta 3,381 m.
103
Se logra calcular las coordenadas de cada compósito y cada compósitoestán entre
1 y 1.5 m, llegando a tener 2,890 datos en formato “.DAT” que es muy fácil de abrir en
hojas Excel o Bloc de notas para poder editarlas, tal comose muestra en la tabla N° 3.
Tabla 3. Formato de datos para Matlab

Ley de cobre Ley de Tipo de
X Y Z
(%) oro (gr/t) roca
127.33 128.12 306.54 0.129 0.013 1
125.91 128.12 305.35 0.115 0.039 1
124.38 128.12 304.06 0.281 0.273 1
122.85 128.12 302.77 2.021 0.65 1

121.31 128.12 301.49 1.963 0.117 1
119.78 128.12 300.20 2.897 0.026 1
118.25 128.12 298.92 2.264 0.039 1
116.72 128.12 297.63 2.047 0.091 1
115.19 128.12 296.35 2.008 0.026 1
113.65 128.12 295.06 2.341 0.013 1
112.12 128.12 293.78 2.665 0.013 1
110.59 128.12 292.49 2.222 0.026 1
109.06 128.12 291.20 2.323 0.104 1
107.52 128.12 289.92 2.594 0.117 1
105.99 128.12 288.63 2.727 0.312 1
104.46 128.12 287.35 2.553 0.078 1
102.93 128.12 286.06 2.566 0.091 1
101.40 128.12 284.78 2.082 0.104 1
99.86 128.12 283.49 2.024 0.013 1
98.33 128.12 282.21 1.967 0.234 1
96.80 128.12 280.92 2.484 0.052 1
95.27 128.12 279.63 2.369 0.117 1
93.74 128.12 278.35 2.277 0.221 1
92.20 128.12 277.06 2.852 1.573 1
90.67 128.12 275.78 1.99 0.091 1
89.14 128.12 274.49 1.967 0.052 1
87.61 128.12 273.21 2.737 0.052 1
86.08 128.12 271.92 2.634 0.065 1
84.54 128.12 270.64 2.116 0.052 1
83.01 128.12 269.35 2.484 0.052 1
81.48 128.12 268.06 2.875 0.065 1
104
79.95 128.12 266.78 2.381 0.312 1
7.2.2. Ubicación de datos
7.2.2.1. Uso del programa Locmap
Según la Universidad de (Chile (2021, p. 16) citado en Mariscal, 2022), la
rutina genera mapas dedatos ubicados en forma irregular en el espacio: vistas en
planta y secciones(2D) y/o vistas 3D. Puede ser aplicado tanto a variables
continuas como categóricas.
Esta rutina genera ar chivos de salida con extensión. pgn, con los mapas de
las variables.
Revisar el (Anexo F), para observar la figura programa generador de
planos 2D y 3D
Del caso de estudio los sondajes exploratorios están contenidos en un
paralelepípedo de aproximadamente. 325m (N) x 440m (E) x 335m (Cota).
Para observar la vista de sondajes revisar el (Anexo G)
7.2.3. Análisis estadístico
7.2.3.1. Uso del programa Declus
Según la Universidad de (Chile (2021, p. 9) citado en Mariscal, 2022),
“esta rutina calcula ponderadores para desagrupar a datos ubicados irregularmente
en el espacio. El ponderador asignado a un dato es inversamente proporcional ala
cantidad de datos ubicados en una celda rectangular centrada en el datoobjetivo”.
Para ver el detalle del programa ver en (Anexo H).
105
7.2.3.2. Uso del programa Distribution
Según la Universidad de (Chile (2021, p. 10) citado en Mariscal, 2022),
“esta rutina permite calcularestadísticas y herramientas gráficas de la distribución
de una o más variables”. Para ver el detalle ver en (Anexo H).
En el caso de estudio en la Zona Mineral 1 (Granitoide) tiene las leyes más
bajas de Cu y en la zona de mineral Otras Brechas se tienen la ley más alta de Cu.
Se aplica el desagrupamiento (declustering) al ser la malla de muestreo irregular
en el espacio.
Tabla 4. Estadistica aplicando Declustering

DECLUSTERED UNIVARIATE
STATISTICS
Statistics for Cu:

Global Granitoide BrechaTurmalina OtrasBrechas
Number of data: 2890 1373 975 542
Mean value: 1.428 1.234 1.499 1.637
Variance: 0.598 0.608 0.443 0.737
Minimum: 0.115 0.115 0.541 0.235
Lower quartile: 0.794 0.644 0.923 0.878
Median: 1.188 0.896 1.286 1.409
Upper quartile: 2.070 1.991 2.054 2.208
Maximum: 5.980 5.241 3.373 5.980
Statistics for Au:
Global Granitoid BrechaTurmalina
OtrasBrechas
Number of data: 2890 1373 975 542
Mean value: 0.538 0.482 0.648 0.442
Variance: 3.280 1.030 1.687 9.946
Minimum: 0.000 0.000 0.000 0.000
Lower quartile: 0.026 0.052 0.099 0.009
Median: 0.130 0.156 0.273 0.013
Upper quartile: 0.455 0.468 0.637 0.026
Maximum: 45.240 14.079 24.687 45.240
106
7.2.4. Histogramas
En la figura 5.5 se observa que las leyes de cobre más altas están en rocas Otras
brechas y en Brechas turmalinas, mientas que en otras Granitoidelas leyes son más bajas.
Para ver el detalle de los histogramas revisar el (Anexo I), donde se muestra que
las leyes de oro más altas están en rocas Granitoide y en brechas turmalinas, en las demás
las leyes de oro son más bajas.
7.2.5. Diagrama de cajas
En la figura 39 se visualiza los cuartiles de las leyes y su mediana, las mejores
leyes se encuentran en Otras Brechas con una ley de 1.64% de Cu y la ley más baja está
en rocas Granitoide con una ley media de 1.23%, y como global tememos una ley de
1.43% de ley de Cu, las cajas nos ayudan a visualizar su representatividad de leyes según
el tipo de roca.
Figura 38 Box plots de Cu y su litología.

En la figura 40 se visualiza los cuartiles de las leyes y mediana, las mejores leyes
de oro se encuentran en brecha turmalina con una ley de 0.45 g/t de Au y la ley más baja
de Au está en rocas Otras brechas con una ley media de 0.05 g/t, y como global tememos
107
una ley de 0.2 g/t de Au, las cajas nos ayudan a visualizar su representatividad de leyes
según el tipo de roca.
Figura 39 Box plots de Cu y su litología.

7.3. Análisis Variográfico
7.3.1. Uso del programa Gamv
Según la Universidad de (Chile (2021, p. 14) citado en Mariscal, 2022), “esta
rutina permite calcular covarianzas o variogramas experimentales, directos y cruzados, de
las variables que se indiquen como entrada”. Para ver el detalle ver en (Anexo H).
7.3.2. Variograma experimental de los variables (Cu y Au)
Tabla 5. Parámetros del variograma Cu y Au

Start of
Parameters:
declus.out % file with data
123 % columns for coordinates
4 5 % columns for data values
7 % column for declustering weights (0=not used)
Cu Au % variable names
-1.0 1.0e21 % trimming limits and top-cut values for data
4 % number of directions
0.0 90.0 60.0 40.0 5.0 32 2.5 % direction 1: azm,atol,dip,dtol,lag,nlag,lagtol
108
10000000000 % compute variogram types 1, 2, ..., 11? (1=yes, 0=no)
3 % 0=no display, 1=display direct and cross variograms in a single
figure, 2=display in multiple figures; 3=display only direct variograms
0 6 % display numbers of pairs? (1=yes, 0=no), font size for display
gamv % basename for output files
Los variogramas correspondientes a 4 direcciones en el plano horizontal y 4 en el
eje vertical, según parámetros definidos en la tabla N° 5.
Los variogramas muestran alcance y mesetas similares (éstas últimas similares a
Varianza de Cu= 0,45). Se induce que el yacimiento puede tener comportamiento
Isotrópico.
Entre más pequeño es el valor del variograma más relación hay entre los datos
que se separan por la distancia analizada. El variograma es la herramientapotente y
necesaria debido a que a partir de ello se va a realizar la estimación porKriging, que es la
técnica de interpolación de datos que vamos a usar y actualmente es la más usada en las
técnicas de estimación de recursos de minerales.
Para ver el detalle del variograma experimental de Cu y Au, revisar el (Anexo J).
7.3.3. Uso del programa Vargift
Según la Universidad de (Chile (2021, p. 20) citado en Mariscal, 2022), Permite
el ajuste de un modelo lineal de coregionalización a partir de un conjunto de variogramas
o covarianzas experimentales. Su funcionamiento está basado en un ajuste automático
que calcula las mesetas con el objetivo de minimizar la suma de los errores cuadráticos
entre los variogramas o covarianzas experimentales y el modelo de ajuste. Para ver el
detalle del funcionamiento del programa ver en (Anexo H)
109
Para realizar el ajuste del variograma se considera un modelo gaussiano, con los
parámetros que se muestran en la figura 42.
Figura 40 Muestra de criterios de modelamiento.

Para ver el detalle de los variogramas ajustados, revisar el (Anexo K).
7.4. Validación de modelo variográfico
7.4.1. Principales consideraciones
Para la validación cruzada por Cokriging se toman bloques de 10 x 10 x 5 m3 con
una vecindad de búsqueda de 150 m considerando el dominio de las direcciones Norte y
Este, sin rotación por isotropía y se suman 10 puntos por octante.
7.4.2. Análisis de errores estadísticos
→ Media de Errores y Errores Std de Cu y Au muy buena <=0,003
→ Varianza de los Errores Cu buena <=0,11. Modelo razonablemente preciso.
→ Varianza de los Errores Au buena <=1.8. Modelo razonablemente preciso.
110
→ Varianza de Errores Std de Cu relativamente bueno = 0.9 y de Au = 1.5.
Variograma Preciso, Insesgado y cuantifica adecuadamente la incertidumbre.
Revisar (Anexo, L).
7.4.3. Histograma de errores estadísticos
El error estándar es la desviación estándar de la distribución muestral de leyesde
cobre, y estas deben ser más cercanos a cero.
Figura 41 Muestra de criterios de modelamiento.

7.5. Construcción y Modelamiento del Kriging
Según la Universidad de (Chile (2021, p. 8) citado en Mariscal, 2022), “esta rutina genera
un archivo con las coordenadas de los nodos de una grilla regular 3D”.
7.5.1. Uso del Programa Cokrige
Según la Universidad de (Chile (2021, p. 7) citado en Mariscal, 2022), “esta
rutina realiza kriging o cokriging para la predicción de variables regionalizadas en sitios
o bloques de interés”.
111
7.5.1.1. Criterios de Dimensionamiento de Grilla
Definimos Bloques de 10m x 10m x 5m. Se toma esas dimensiones
considerando el tamaño de equipos que se va a utilizar, para una minería a tajo
abierto con cargadores frontales como equipos de carguío.
Se define en bloques de 36 en Este, 46 en Norte y 66 en altura, en
elevación por las dimensiones del paralelepípedo que contiene los sondajes
diamantinos de exploración.
7.5.1.2. Construcción de Grilla
Discretizamos cada Bloque en 384 compósitos en configuración 8 x 8 x 5;
en el plano horizontal tendremos un compósito app. Cada 5m y la vertical uno
cada 2.5m.
De la vecindad de búsqueda se define un elipsoide de 100m x 100m x
150m poco menos de la mitad de dominio en direcciones Norte y Este, sin
rotación por isotropía y se toman 10 puntos por octante.
En el anexo M se observa dos archivos; Grid.DAT & Grid.OUT, al lado
izquierdo se tiene los bloques creados, según las dimensiones dadas en base a las
coordenadas X,Y,Z y al lado derecho la predicción de las leyes de las dos
variables 71
(Cobre y oro) con su varianza de cada bloque por Kriging, los valores
negativos es la usencia de leyes en ese bloque se cuenta con un total de 109,296
bloques.
Para observar los resultados dell Kriging, revisar el (Anexo M)
112
7.6. Clasificación de recursos y reservas del proyecto
7.6.1. Recursos del proyecto
Cada bloque obtenido tiene como resultados 4 variables según lacoordenada
ingresada:
→ 𝑋𝐵: Predicción de ley de cobre (%
→ 𝑌2: Predicción de ley de Au (𝑔𝑟/𝑇𝑀:).

𝐵
→ Varianza del cobre (de cada bloque).
→ Varianza del oro (de cada bloque).
Con el uso del programa Locmap, podemos representar los bloques consu ley (Cu y
Au), tal como se ve en la figura 44 y 45.
Figura 42 Bloques con leyes de Cu.

113
Figura 43 Bloques con leyes de Cu.
Los archivos Grid.DAT & Grid.OUT abrimos en una hoja de cálculo Excel y
clasificamos los recursos de en base a la desviación estándar de cada bloque 𝑌𝐵 = √𝑌𝐵2
𝑌
Desviación estándar de bloque 𝑋𝐵 × 100% Coeficiente de variación krigeado
𝐵
Si 𝑌𝐵 ≤ 𝑎𝑙 25% 𝑑𝑒 𝑋𝐵 → 𝑀𝑒𝑑𝑖𝑑𝑜
Si 𝑌𝐵 > 𝑎𝑙 25% 𝑦 ≤ 45% 𝑑𝑒 𝑋𝐵 → 𝐼𝑛𝑑𝑖𝑐𝑎𝑑𝑜
Si 𝑌𝐵 > 𝑎𝑙 45% 𝑑𝑒 𝑋𝐵 → 𝐼𝑛𝑓𝑒𝑟𝑖𝑑𝑜
Con ese criterio es como se calcula los recursos según su clasificación, tal como
vemos en la tabla 6, como resultado del peso específico se tiene un promedio de
2.75 𝑡/𝑚3 y cada bloque según las grillas es de 10m x 10m x 5m tal como está
considerado en el kriging.
114
Tabla 6. Clasificación de recursos del proyecto en Matlab
Clasificación de Tonelaje Ley Cu Tonelaje Ley Au
recursos (Cu) (%) (Au) (gr/TM)
Medido 20,635,258 0.598 560,203 1.891
Indicado 49,205,338 0.578 713,488 1.128
Inferido 39,633,743 0.404 2,857,360 0.593
Total general 109,474,338 0.519 4,131,050 0.864

Nota: Teniendo la ley de corte equivalente se filtra los bloques que
superan esa ley. También se puede ver este resultado por cotas en
Anexos
Según el análisis de los resultados, el contenido de oro está dentro de cada bloque
de cobre tal como se detalla en la tabla 7, para no duplicar el tonelaje a romper para
cálculos de costos de operaciones.
Los resultados de la clasificación podemos visualizarlo en 3D, como se ve en la
figura 5.18, la cual nos indica que el número 1 (color azul marino) es un recurso Medido,
el número 2 (color azul) es un recurso indicado, el número 3 (color verde limón) nos
indica que es un recurso Inferido, el número 4 (color rojo) es un bloque estéril o
desmonte y el número 5 (color granate) nos indica que no hay información de muestras y
el programa lo considera como una zona inexplorada. Más detalle de las secciones se
puede visualizar en los Anexos N y O, los resultados que se obtiene del Matlab son muy
fáciles de abrir con el Bloc de notas o Excel, corregir las coordenadas (sumar las que se
restaron al principio para que el Matlab lo reconozca) y guardarlos con formato “.csv” y
este puede ser reconocido con cualquier otro programa.
Revisar el (Anexo P), para más detalles.
115
7.6.2. Reservas del proyecto
Para poder definir las reservas considerando solo la ley de corte, requerimos
calcular la ley de corte, en la tabla 1 se tenía los parámetros que necesitábamos definir, en
la tabla 7 podemos ver el detalle. Para determinar la ley de corte contamos con la
siguiente fórmula:
(𝑐𝑎𝑡𝑒𝑔𝑜𝑟í𝑎 𝐼 + 𝑐𝑎𝑡𝑒𝑔𝑜𝑟í𝑎 𝐼𝐼) × 100

𝐿𝑒𝑦 𝑑𝑒 𝑐𝑜𝑟𝑡𝑒 (%) =
𝑅𝑀
2,204.64 × 100 × (𝑃𝑟𝑒𝑐𝑖𝑜 𝑚𝑒𝑡𝑎𝑙 − 𝑐𝑎𝑡𝑒𝑔𝑜𝑟í𝑎 𝐼𝐼𝐼)
Tabla 7. Parámetros de Costos
Parámetros Valor Unidad
Costo de mina 6.29 USD/t

Costo de planta 11.36 USD/t
Costo de venta de Cu 0.42 USD/lb
Precio Cu 4.00 USD/lb
Recuperación de Cu 87.8 %
Costo de venta de Au 15.6 USD/onza troy
Precio de Au 1,500.0 USD/onza troy

Recuperación de Au 55 %
Nota: Elaboración propia

Para determinar la ley de corte equivalente en Cu podemos ver el detalle en la
tabla 8.
116
Tabla 8. Determinación de ley corte del Cu
Consideraciones De Costos Opex
Categoría I
1) Costo directo mina:
Costo de perforación 0.22 US$/Ton Mat.
Costo de voladura 0.35 US$/Ton Mat.
Costo de carguío 0.98 US$/Ton Mat.
Costo de transporte 1.56 US$/Ton Mat.
Costo de servicios 0.8 US$/Ton Mat.
0.88 US$/Ton Mat.
Costo de administración mina
Prevención de riesgos, recursos humanos,
administración, servicios médicos, etc.
Total costo directo Mina 4.79 US$/Ton Mat.
2) Depreciación de los equipos mineros 1.50 US$/Ton Mat.
Total categoría I 6.29 US$/Ton Mat.
Categoría II
1) Costo de tratamiento del mineral
Costo de procesamiento de mineral 8.80 US$/Ton Mat.
2) Costo Gerencia General

Costo administración Central 2.56 US$/Ton Mat.
Total Categoría II 11.36 US$/Ton Mat.
Categoría III
1) Costo de transporte, puerto, créditos, seguros, tratamiento por fusión y/o refino, etc.
Total Categoría III 0.42 US$/lb Cu
Recuperación metalúrgica: 87.8 %

Precio del metal: 4.00 US$/lb Cu
Ley de corte crítica (%) = 0.255%
117
La ley de corte también lo podemos expresar en ley de Au, utilizando la misma
fórmula nos da un resultado de; Ley de corte en Au (gr/TM) = 0.672
Considerando esos parámetros obtenemos las reservas en la tabla 9.
Tabla 9. Clasificación de reservas con la Leyes Promedio

Ley
Clasificación de Tonelaje Ley Cu Tonelaje
Au
reservas (Cu) (%) (Au)
(gr/TM)
Probadas 15’859,003 0.669 434,801 1.925
Probables 38’570,373 0.641 706,008 1.126
Total general 54’429,376 0.649 1’140,809 1.431

Nota: Teniendo la ley de corte equivalente se filtra los bloques que superan
esa ley.
7.6.2.1. Análisis de sensibilidad de precios vs reservas del proyecto
Se realiza un análisis de sensibilidad en las cantidades de reservas con la
variabilidad del precio de los metales, vamos a considerar variaciones de 5%. Para
los precios de la tabla 7, vamos a considerar el mismo modelo de costos y
condiciones metalúrgicas del proyecto, teniendo en consideración esos valores
obtenemos leyes de corte equivalentes en Cu y Au, estos resultados podemos
apreciar en la tabla 12, cabe precisar que la variación se dio para distintos precios
del metal de cobre y oro, para que de esta manera el inversor o inversionistas del
proyecto tengan un mejor panorama de su proyecto en estudio.
118
Tabla 10. Variacion del precio del metal y ajuste de la ley corte
Ley de
Precio Precio Oro Ley de corte
corte
Variación Cobre (US$/Oz equivalente
equivalente
(US$/lb) troy ) Cu (%)
Au (gr/TM)
-50% 2.00 750.0 0.577% 1.359
-45% 2.20 825.0 0.512% 1.233
-40% 2.40 900.0 0.461% 1.129
-35% 2.60 975.0 0.418% 1.040
-30% 2.80 1,050.0 0.383% 0.965
-25% 3.00 1,125.0 0.353% 0.900
-20% 3.20 1,200.0 0.328% 0.843
-15% 3.40 1,275.0 0.306% 0.793
-10% 3.60 1,350.0 0.287% 0.748
-5% 3.80 1,425.0 0.270% 0.708
0% 4.00 1,500.0 0.255% 0.672
5% 4.20 1,575.0 0.241% 0.640
10% 4.40 1,650.0 0.229% 0.611
15% 4.60 1,725.0 0.218% 0.584
20% 4.80 1,800.0 0.208% 0.559
25% 5.00 1,875.0 0.199% 0.537
Figura 44 Sensibilidad de la ley corte por variación de precios .

119
A medida que la variación del precio del metal aumenta la ley de corte
disminuye y si el precio del metal disminuye la ley de corte se eleva para poder
cubrir los costos que involucra extraer una tonelada de mineral.
Considerando las posibles variaciones de los precios de los metales
obtenemos las siguientes reservas probadas y probables
Tabla 11. Resevas según varianza de los precios y ley de corte
Leyes
Reservas Probadas Reservas Probables
Var. equivalentes
del Ley de Ley de
precio Ley Ley
corte corte Tonelaje Ley Cu Tonelaje Tonelaje Ley Cu Tonelaje
(%) Au Au
Cu Au (Cu) (%) (Au) (Cu) (%) (Au)
(gr/TM) (gr/TM)
(%) (gr/TM)
-50% 0.577% 1.359 13,344,403 0.898% 320,562 1.996 28,871,343 0.679% 542,633 1.371
-45% 0.512% 1.233 13,627,714 0.871% 343,109 1.990 29,992,119 0.675% 558,062 1.348
-40% 0.461% 1.129 13,942,319 0.845% 372,287 1.981 31,110,741 0.671% 576,397 1.320
-35% 0.418% 1.040 14,252,453 0.819% 396,426 1.975 32,153,494 0.666% 593,097 1.295
-30% 0.383% 0.965 14,529,059 0.797% 334,130 1.966 33,198,834 0.661% 616,151 1.261
-25% 0.353% 0.900 14,814,047 0.771% 350,252 1.964 34,146,537 0.657% 635,030 1.232
-20% 0.328% 0.843 15,059,919 0.749% 364,938 1.954 35,344,906 0.653% 653,728 1.204
-15% 0.306% 0.793 15,370,053 0.719% 385,211 1.944 36,576,683 0.650% 668,794 1.182
-10% 0.287% 0.748 15,618,719 0.700% 401,812 1.938 37,600,470 0.645% 688,000 1.153
-5% 0.270% 0.708 15,798,119 0.670% 418,253 1.935 38,494,936 0.642% 704,011 1.129
0% 0.255% 0.672 15,859,003 0.669% 434,801 1.925 38,570,373 0.641% 706,008 1.126
5% 0.241% 0.640 16,689,258 0.654% 451,322 1.917 40,290,386 0.631% 707,410 1.125
10% 0.229% 0.611 17,463,541 0.640% 467,844 1.913 42,175,786 0.615% 708,964 1.124
15% 0.218% 0.584 18,202,375 0.626% 484,365 1.906 43,631,183 0.604% 710,302 1.123
20% 0.208% 0.559 19,015,839 0.611% 500,886 1.900 45,152,733 0.587% 711,447 1.122
25% 0.199% 0.537 19,590,488 0.599% 560,001 1.890 46,839,670 0.581% 712,883 1.121
120
8. CONCLUSIONES
• No hay un método único y universalmente aceptado para la estimación de recursos
minerales. Cada método tiene sus ventajas y limitaciones, y se deben evaluar en función
de las características del depósito mineral y del propósito de la estimación.
• La evaluación de la precisión y exactitud de los métodos de estimación de recursos
minerales es un proceso crítico en la industria minera. A través de la revisión de estudios
de casos y el análisis de datos, es posible evaluar la eficacia de los métodos de estimación
utilizados y determinar si se están logrando resultados precisos y exactos. La elección del
método adecuado y la correcta interpretación de los datos son fundamentales para obtener
resultados precisos y exactos.
• En cuanto a las mejores prácticas en la aplicación de los métodos de estimación de
recursos minerales, se concluye que la evaluación de los resultados debe incluir una
evaluación detallada de los sesgos y errores, la definición clara de las categorías de
recursos y reservas, y la comunicación clara y efectiva de los resultados a los interesados
y a las autoridades regulatorias.
121
9. RECOMENDACIONES
• Respecto a la calidad de los datos de entrada, es importante asegurarse de que sean
precisos, completos y representativos del depósito mineral.
• En cuanto a la selección de los parámetros de los métodos, es crucial tener en cuenta la
incertidumbre asociada con cada uno de ellos y cómo afectan a la precisión de las
estimaciones. También se debe tener en cuenta que algunos métodos pueden ser más
adecuados para ciertos tipos de depósitos minerales que otros.
• En relación a la experiencia y habilidades del geólogo, es importante que los profesionales
involucrados en la estimación de recursos minerales tengan una formación sólida en
geología, matemáticas y estadística, y estén actualizados en cuanto a los últimos avances
en técnicas de estimación de recursos minerales. También es importante que trabajen en
equipo y compartan información y conocimientos.
122
10. BIBLIOGRAFÍA
Albornoz, G., & Rendón, J. (2015). Estimación de reservas mineras mediante el método de
los polígonos en una mina de hierro. Revista de Investigación Minero, 20, 23-28.
Alfaro, P. (2007). Estimación de recursos mineros.
Alfonso, L. & Ortiz, J. (2002). Krigeado Simple. Universidad Nacional de Colombia.
AusIMIM (2022). The JORC code. Australasian Code for Reporting of Exploration Results,
Mineral Resources and Ore Reserve. Recuperado de
https://www.jorc.org/docs/JORC_Code_2012_Spanish_translation_March_2018.pdf
Baafi, E., & Mensah, R. S. (2016). Kriging de bloques, 16(2), 137-150.
Cáceres. A (2015). Uso de kriging universal en la simulación condicional de leyes. (Tesis de
Magíster). Universidad de Chile.
Carrascal, E. J. (2008). Geoestadística: modelos espaciales y simulación estocástica.
Chávez, A., & San Martín, R. (2014). Evaluación de la calidad de los recursos minerales
estimados con el método de bloques en una mina de oro
Chica-Olmo, M., Sánchez-Flores, E., & Montero, J. (2007). Introducción al uso del método
de kriging. Revista de Teledetección, (28), 63-76.
Díaz, E., & Pérez, M. (2012). Geoestadística aplicada a la minería. Universidad de Huelva.
Díaz, R., Rojas, L., & Morales, D. (2018). Evaluación de la estimación de recursos
minerales por el método de bloques en una mina de cobre.
Diggle, P. J., & Ribeiro Jr, P. J. (2007). Model-based geostatistics (Vol. 123).
Editor Tiempo Minero. (2022). Minera Cerro Verde
Fuentes, M., & Rodríguez, A. (2014). Métodos no paramétricos para datos georreferenciados
(pp. 239-272). Universidad Nacional de Colombia.
123
García, A., Gómez, J., & García, O. (2015). Métodos de estimación de recursos minerales:
aplicación práctica. Revista Lasallista de Investigación, 12(1), 94-103.
Gemcom Surpac. 2011. Disponible en http://www.gemcomsoftware.com/products/surpac
Ghorbani, M. A., Asghari, O., & Soltani, A. (2013). The use of geostatistics in mineral
resource estimation. Arabian Journal of Geosciences, 6(11), 4295-4311.
Giovanni, S. (2011). Modelo de bloques para un yacimiento de sulfuros masivos utilizando
el software MINESIGHT.
Gómez-Hernández, J., & Zamora, A. (2021). A geostatistical approach to estimate ore
reserves using drillhole data. Journal of Geochemical Exploration, 222, 106040.
González, J., Moratalla, A., & Herrera, M. (2016). Aplicación del método de kriging
ordinario para la estimación del recurso geotérmico en el municipio de Cieza
(Murcia). RIGA: Revista de Ingeniería Geomática y del Agua, 7(1), 71-81.
Hengl, T., & Heuvelink, G. B. (2013). A generic framework for spatial prediction of soil
variables based on regression-kriging. Geoderma, 171-172, 21-30.
Journel, A. G., & Huijbregts, C. J. (1978). Mining geostatistics. Academic Press.
Kruskop, S., Sánchez, P., & Martínez, M. (2010). Geoestadística para la modelización de la
distribución espacial de la calidad de aguas. Universidad Nacional del Litoral.
Liu L., Li Y., Li J., Li X., & Li G. (2021). Application of geostatistical simulation and
empirical Bayes method in orebody modeling and reserve estimation. Journal of
Geochemical Exploration, 221, 106013.
Marco Antonio Alfaro S. (2007). Estimación de Recursos Mineros
Mariscal E. (2022). Gestión para la predicción de recursos y reservas de un yacimiento
minero, utilizando programaciones en Matlab Trabajo de investigación para obtener
124
el grado académico de Magíster en Regulación, Gestión y Economía Minera. PUCP.
Recuperado de http://hdl.handle.net/20.500.12404/23095
Martínez, J. J., & Arboleda, F. L. (2017). Análisis comparativo del método de kriging
ordinario y kriging universal para la estimación de reservas de carbón. Revista
Facultad de Ingeniería, (83), 38-50.
Matheron, G. (1971). The theory of regionalized variables. École des Mines de France.
McKelvey, R. K. (1972). Comment: Opposed to Black Secretariat. American Psychologist,
27(5), 507. https://doi.org/10.1037/h0020475
Minería y Geología. (2020). Métodos de estimación de recursos minerales.
Moreno, E., & Ortiz, J. (2017). Evaluación de la estimación de recursos minerales por el
método de bloques en una mina de oro.
Nuve Minera. (2019). Valorización de bloques.
Olea, R. A. (2016). Modelos geoestadísticos para la estimación de recursos minerales.
Publicaciones de la Universidad de Huelva.
Oliver, M. A., & Webster, R. (2014). Métodos geoestadísticos. En Modelos espaciales (pp.
1-37). Ediciones Pirámide.
Ortiz, J. M., & García, A. (2014). Predicción espacial de variables geológicas mediante la
técnica de kriging universal. Boletín Geológico y Minero, 125(1), 59-70.
Ospina, D., & Gómez, H. (2016). Estimación de reservas minerales por el método de la
inversa de la distancia en una mina de plata en Colombia. Ingeniería y Ciencia,
12(23), 29-44.
Pardo-Igúzquiza, E. (2014). Análisis estadístico de datos geológicos con R. Centro Nacional
de Información Geológica.
125
Pérez-Gutiérrez, R. (2014). Métodos de interpolación y análisis de la precisión de datos
espaciales (pp. 47-89). Universidad Nacional de Colombia.
Porras. M. (s/f.). Diplomado en análisis de información geoespacial. Método de Kriging
inferencia espacial. Revista CONACYT Centro de Investigación Geográfica y
Geomatica.
Rodríguez-Galiano, V., Chica-Olmo, M., Abarca-Hernández, F., & Atkinson, P. M. (2015).
Integración de técnicas geoestadísticas.
Salcedo, H. S., Sánchez, J. P., & Delgado, H. (2015). Estimación a través del método de
kriging universal. Ingeniería y universidad, 19(1), 129-144.
Turner-Saad, G., 2011. A joint cut and fill mining and mineral processing methodology for
the strategic mine planning process. Proceedings second international seminar on
mine planning.
United States Geological Survey. (s.f.). Recursos minerales.
Universidad Nacional de Colombia. (2018). Estimación de recursos minerales
Valenzuela, G., & Sánchez, M. (2014). Evaluación de la precisión de la estimación de
recursos minerales por el método de los polígonos en una mina de cobre. Revista de
Minería y Geología, 28(2), 67-73.
Velasco, A., & Reyes, L. (2018). Estimación de recursos minerales utilizando el método de
la inversa de la distancia en una mina de cobre en Perú. Revista de Investigación
Académica, 25, 1-12.
Verly, G. (2003). Geostatistical simulation: Models and algorithms. Springer.
126
11. ANEXOS
Link del drive
https://docs.google.com/document/d/1D93G0Lxe81oyMImGAczDs6HoSQMil9ft/edit?us
p=sharing&ouid=117963100904593748811&rtpof=true&sd=true
127

Informe Geoestadistica

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Informe Geoestadistica

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE CAJAMARCA

“Norte de la Universidad Peruana”

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE MINAS

Aguilar Julca, Paul

• Ocas Cortez, Aldo Yeferson

• Ruiz Alcalde, Mayfer Alí

• Sánchez Gonzales, Carlos Manuel

5.1. Estimación de recursos/reservas ...................................................................... 12

5.2. Métodos tradicionales de estimación de recursos mineros .............................. 18

5.3. Crítica general de los métodos tradicionales de estimación de recursos ......... 29

5.4. Técnica del Krigeage de Matheron (kriging) .................................................. 34

5.5. Varianza de krigeage: ...................................................................................... 45

5.6. Método de Krigeage puntual: .......................................................................... 49

5.7. Método del Krigeage de bloques ..................................................................... 58

5.8. Método de Krigeage de indicadores ................................................................ 66

5.9. Valorización de bloques .................................................................................. 78

5.10. Presentación de estudios y reservas en diferentes tipos de yacimientos ......... 86

5.11. Estimación de Reservas de diferentes Minas: ................................................. 93

6. RESULTADOS DE LA INVESTIGACIÓN .................................................................... 99

7. EJEMPLO APLICATVO ............................................................................................... 100

7.1. Conociendo el programa Matlab ................................................................... 100

7.2. Estudio exploratorio de datos ........................................................................ 102

7.4. Validación de modelo variográfico ............................................................... 110

7.5. Construcción y Modelamiento del Kriging ................................................... 111

7.6. Clasificación de recursos y reservas del proyecto ......................................... 113

8. CONCLUSIONES .......................................................................................................... 121

9. RECOMENDACIONES ................................................................................................. 122

10. BIBLIOGRAFÍA ............................................................................................................ 123

11. ANEXOS ........................................................................................................................ 127

Figura 1: Zona 3D a estimar e información disponible ................................................................ 17

Tabla 1: Variables básicas en el modelo de bloques..................................................................... 85

Tabla 2. Ubicación de los Sondajes (Collar) .............................................................................. 102

Tabla 3. Formato de datos para Matlab ...................................................................................... 104

Tabla 4. Estadistica aplicando Declustering ............................................................................... 106

Tabla 5. Parámetros del variograma Cu y Au ............................................................................. 108

Tabla 6. Clasificación de recursos del proyecto en Matlab ........................................................ 115

Tabla 7. Parámetros de Costos .................................................................................................... 116

Tabla 8. Determinación de ley corte del Cu ............................................................................... 117

Tabla 9. Clasificación de reservas con la Leyes Promedio ......................................................... 118

aspectos más críticos en la exploración y producción de recursos minerales. La geoestadística es

sistemática para la evaluación de la incertidumbre en la estimación de reserva.

En términos generales, la estimación de reservas se basa en la recopilación y análisis de

datos geológicos y de exploración, que permiten caracterizar la distribución espacial de los

minerales en el depósito. Esta caracterización se realiza mediante técnicas estadísticas y

matemáticas, que permiten modelar la distribución de los minerales en el depósito y estimar su

Los métodos o técnicas geoestadísticos tienen la capacidad de generar una predicción de

la estimación de reserva mineral ha sospechado significativamente en las últimas décadas, y se

creciente disponibilidad de datos geoespaciales, así como a los avances en la tecnología de la

Algunos de los métodos geoestadísticos más usados son; la creación de polígonos, el

manera precisa de una vecindad definida.

La estimación de reserva mineral es un proceso crucial en la industria minera y la

geoestadística es una herramienta esencial para lograr una estimación precisa.

En el presente informe se analizará y evaluará los distintos métodos geoestadísticos

utilizados para la estimación de reservas; para abordar adecuadamente el tema, se dividirá el

informe en varias secciones. En primer lugar, se describirá brevemente el contexto y la

importancia de la estimación de reservas minerales. A continuación, se explicarán los principales

conceptos y técnicas utilizados en la geoestadística, incluyendo el método de los polígonos, el

cual se basa en dividir el depósito de mineral en polígonos y calcular el volumen de cada

polígono para determinar la cantidad de mineral presente. Asimismo, también se detallará el

para estimar la cantidad de mineral presente en un lugar determinado. Además, también se

para predecir los valores desconocidos en un área específica.

Cada método tiene sus ventajas y desventajas y es importante considerar cuidadosamente