Fundamentos, aplicaciones y relevancia del Krigeado en Geoestadística dentro del

ámbito minero

Miguel Angel Zuñiga Cortez

El Krigeado, término también conocido como Kriging, fue desarrollado por Danie

Krige en la década de 1950 en Sudáfrica en base a la necesidad de optimizar las

estimaciones de la concentración de minerales en yacimientos netamente de oro en

Sudáfrica, ya que los métodos utilizados de forma convencional y tradicional de

interpolación tendían considerablemente a fallar muy seguido porque no tomaban en

cuenta adecuadamente la correlación espacial entre los datos. El señor Danie Krige,

gran ingeniero de minas, adapto un método que se encargaba de realizar ponderados de

los valores analizados en función de su proximidad y relación espacial, lo que resulto

más eficiente y permitió realizar estimaciones con mayor precisión. Pero la metodología

de este método fue perfeccionada por algunos matemáticos como el señor Matheron, G.

(1963), y su libro Principles of Geostatistics. Economic Geology, 58(8), 1246-1266.

El krigeado se puede explicar como aquella técnica avanzada que nos permite

interpolar y realizar la estimación de ciertos valores en aquellos puntos no muestreados

tomando como base el vínculo espacial de aquellos datos de los que sí tenemos

información, reduciendo de esta manera el error de estimación. Está asociado al uso de

un variograma, la cual es una herramienta clave que mide cómo cambian los valores de

una variable geológica; como la concentración de un mineral a medida que aumenta la

distancia entre los puntos de muestreo. El krigeado es usado continuamente en el campo

de la minería para determinar la estimación de recursos minerales y también puede ser

usado en varias áreas geológicas debido a su gran capacidad para modelar la

variabilidad espacial. En ese contexto el krigeado nos permite realizar cierto tipo de

aproximada predicción sobre el valor de una determinada variable en zonas o áreas no

medidas utilizando las mediciones ya obtenidas según el autor Krige, D.G. (1951).

Una de las aplicaciones más frecuentes del Kriging en la minería es la estimación

de reservas. Los datos obtenidos a partir de perforaciones en un yacimiento se utilizan

para crear un modelo tridimensional del depósito mineral. Este modelo permite predecir

las concentraciones de mineral en áreas del yacimiento que no han sido muestreadas

directamente, lo cual es fundamental para evaluar la viabilidad económica de la

explotación. Además, el Kriging ofrece una medida de la incertidumbre asociada a cada

estimación, lo que resulta esencial para la toma de decisiones. Los ingenieros pueden

usar esta información para optimizar la planificación de las operaciones mineras,

reduciendo riesgos y maximizando la recuperación de mineral.

Como ya mencionamos anteriormente el krigeado se utiliza para la estimación que

minimice el fallo de predicción al utilizar la correlación espacial entre los datos,

basándonos en estos datos y realizando una comparación con los diferentes métodos de

interpolación como el inverso de las distancias o las medias móviles nuestro método nos

brinda un modelo explícito de la variabilidad espacial a través del variograma. El

modelo básico del Kriging es el siguiente: Z(s)=μ+ϵ(s), donde Z(s) es el valor de la

variable en el punto de ubicación s, μ es la media constante de la variable, y ϵ(s) es el

error aleatorio, que tiene una estructura espacial que se modela a través del variograma.

Este variograma permite definir cómo se relacionan los valores de la variable a

diferentes distancias, proporcionando una estimación óptima que minimiza el error

cuadrático medio de la predicción.

 El krigeado atribuye un peso λi a la muestra z (xi). Estos pesos λi se calculan de

manera de minimizar la varianza del error cometido. El interés del krigeado proviene de

su misma definición: al minimizar σE2 estamos seguros de obtener la estimación más

precisa posible de V o equivalentemente, de sacar el mejor provecho posible de la

información disponible. El interés práctico más importante del krigeado, proviene, no

del hecho que asegura la mejor precisión posible, sino más bien porque permite evitar

un error sistemático. En la mayoría de los depósitos mineros, se deben seleccionar, para

la explotación, un cierto número de bloques, considerados como rentables y se deben

abandonar otros bloques considerados no-explotables. Daniel Krige demostró que, si

esta selección se realizara considerando exclusivamente las muestras interiores a cada

bloque, resultaría necesariamente (en promedio) una sobre-estimación de los bloques

seleccionados. La razón de este problema es que el histograma de las leyes reales de los

bloques tiene menos leyes extremas, ricas o pobres, luego tiene más leyes intermedias

que el histograma calculado con las muestras interiores, y, si se calcula el efecto de una

selección sobre este último histograma, los paneles eliminados serán en realidad menos

pobres que lo que se había previsto, y los paneles conservados menos ricos.

De acuerdo a lo expresado anteriormente, el krigeado define el estimador lineal:

Zκ = λ₁z(x₁) + λ₂z(x2) + ... + λnZ(Xn) con la condición de insesgado (llamada también

condición de universalidad): λ₁+ λ₂+…+λn = 1. Los pesos λi se calculan de manera de

minimizar la varianza σE2 del error ε = ZK - ZV, en que ZV es la ley media

desconocida de V. Como es natural, el krigeado atribuye pesos altos a las muestras

cercanas a V y pesos débiles a las alejadas. Sin embargo, esta regla intuitiva puede fallar

en ciertas situaciones en las cuales se habla de efecto de pantalla o de transferencia de

influencia.
 Las propiedades más importantes del método de krigeado son: Propiedad de

simetría Si γ(h) es isótropo, entonces datos que son simétricos respecto de V y con

respecto a los otros datos tienen pesos iguales. Esta propiedad era útil cuando se

resolvían los sistemas de krigeado “a mano”; según Marco A. Alfaro (2007),

Estimación de recursos mineros.

Existen varios tipos de krigeado, cada uno con características específicas que se

adaptan a diferentes tipos de datos y objetivos. Aquí explicaremos los principales tipos

de krigeado utilizados en minería: Como primer tipo encontramos al Kriging Ordinario,

que es el método de krigeado más común y se basa en la suposición de que el valor

esperado de la variable a estimar es constante a lo largo del área de estudio. Se utiliza

una función de variograma para modelar la variabilidad espacial de los datos. Su

principal ventaja es que es simple y ampliamente aplicable, además de que no requiere

suposiciones complejas sobre el modelo de tendencia. Como segundo tipo encontramos

el Kriging Universal, este método se utiliza cuando se espera que la variable a estimar

tenga una tendencia espacial que cambia de manera sistemática. Combina el kriging

ordinario con un modelo de tendencia global, permitiendo ajustar la estimación según la

tendencia de los datos. Como ventaja posee que es adecuado para datos que muestran

una tendencia clara y significativa y desventaja que requiere un modelo de tendencia

que debe ser adecuado para los datos, lo que puede complicar el proceso. Como tercer

tipo tenemos el Kriging de Mínimos Cuadrados, en este tipo de kriging, se utilizan los

mínimos cuadrados para ajustar un modelo de tendencia a los datos. Se combina con el

kriging ordinario para mejorar la estimación espacial en presencia de una tendencia,

como ventaja mejora la precisión de las estimaciones en áreas donde se observa una

tendencia espacial y como desventaja requiere el ajuste de un modelo de tendencia y

puede ser más complejo que el kriging ordinario. (Isaaks & Srivastava, 1989).
 El krigeado se utiliza en minería para, estimación de recursos (calcular la cantidad y

distribución de minerales en un depósito), planificación de minas (optimizar el diseño y

la planificación de las operaciones mineras), evaluación de riesgos (estimar la

variabilidad y la incertidumbre en los recursos minerales). Cada tipo de krigeado ofrece

ventajas específicas y debe seleccionarse en función de la naturaleza de los datos y los

objetivos del análisis. La elección del método adecuado es crucial para obtener

estimaciones precisas y útiles en el contexto de la minería.

Entre las principales ventajas del Kriging se destaca su habilidad para ofrecer

estimaciones altamente precisas, ya que tiene en cuenta la estructura espacial de los

datos al realizar sus cálculos. Este método no solo proporciona estimaciones detalladas,

sino que también genera mapas de incertidumbre que permiten visualizar la fiabilidad

de las estimaciones en distintas áreas. Este aspecto es crucial para la toma de decisiones

informadas, ya que los mapas de incertidumbre revelan las zonas donde las

estimaciones son más confiables y aquellas donde hay mayor grado de incertidumbre.

Además, el Kriging es un método notablemente versátil, capaz de adaptarse a una

amplia gama de escenarios mediante el uso de diversas variantes. Esta flexibilidad le

permite ajustarse a diferentes tipos de datos y aplicaciones, lo cual es una ventaja

significativa en contextos variados. No obstante, el Kriging también presenta ciertas

limitaciones. Una de las más críticas es su dependencia de un modelo de variograma

bien ajustado. La precisión de las estimaciones generadas por Kriging está

estrechamente ligada a la calidad del variograma utilizado; si este no se ajusta

adecuadamente a los datos, las estimaciones pueden resultar inexactas y, por ende, poco

confiables. Además, el Kriging puede requerir una cantidad significativa de recursos

computacionales, especialmente cuando se trata de conjuntos de datos tridimensionales

extensos. Este costo computacional elevado puede representar una limitación

considerable, especialmente en proyectos de gran escala, donde el procesamiento de

grandes volúmenes de datos puede convertirse en un desafío logístico y económico.

El Kriging ha transformado la toma de decisiones en minería al ofrecer

estimaciones más precisas y detalladas sobre la distribución de recursos minerales. Al

integrar el conocimiento geológico con métodos avanzados de interpolación espacial,

los profesionales de la minería pueden identificar con mayor exactitud las zonas con alta

concentración de minerales, lo que permite una mejor planificación en la perforación y

extracción. Además, la habilidad del Kriging para crear mapas de incertidumbre resulta

especialmente valiosa para la gestión de riesgos. Las áreas con un alto grado de

incertidumbre pueden ser objeto de perforaciones adicionales antes de tomar decisiones

sobre su explotación, lo que disminuye la probabilidad de hacer elecciones costosas

basadas en estimaciones erróneas.

Como conclusión podemos recalcar y entender que el Krigeado ha logrado

demostrar que es una herramienta muy importante e indispensable para la geoestadística

aplicada en el ámbito de la minería, se pudo comprender que la capacidad de este

método para estimar variables en puntos no muestrados es alta y efectiva, aunque no es

precisamente lo que se busca si no minimizar los errores de estimación y si bien el

Kriging tiene ciertas limitaciones, como su dependencia de un buen modelo de

variograma, sus ventajas superan con creces estos desafíos, lo que garantiza su

relevancia en las próximas décadas para la estimación de recursos minerales y la

optimización de operaciones mineras.

 Referencias Bibliográficas

1. Krige, D.G. (1951). A Statistical Approach to Some Basic Mine Valuation

Problems on the Witwatersrand. Journal of the Chemical, Metallurgical & Mining

Society of South Africa, 52(6), 119-139.

2. Matheron, G. (1963). Principles of Geostatistics. Economic Geology, 58(8),

1246-1266.

3. Chilès, J.P., & Delfiner, P. (2012). Geostatistics: Modeling Spatial Uncertainty.

John Wiley & Sons.

4. Journel, A.G., & Huijbregts, C.J. (1978). Mining Geostatistics. Academic Press.

5. Deutsch, C.V., & Journel, A.G. (1992). Geostatistical Software Library and User’s

Guide. Oxford University Press.

6. Isaaks, E. H., & Srivastava, R. M. (1989). An introduction to applied geostatistics.

Oxford University Press.