FACULTAD DE INGENIERIA INDUSTRIAL Y
MECANICA CARRERA PROFESIONAL DE INGENIERIA
DE MINAS
MÉTODO GEOESTADÍSTICO KRIGING
Curso - Sección:
Curso Integrador I - 8607
Profesor:
Ing. Javier Antonio Morales Valdivia
Alumno(s) - Código:
Erick Jeyson Dueñas Quispe - 1626562
Luis Alberto Jara Segovia - 1634250
Christhopher Esteban Rodríguez Chacnama - 1635016
Arequipa, 09 de octubre de 2018
El Krigeado
1. Definición
Es un método de estimación lineal insesgado para bloques o sectores “V”, la cual se
apoya en una base de datos previamente reunida de una serie de muestreo
geoquímicos. Estas muestras son extraídas de ámbitos próximos como pertenecientes
a “V” siendo este el volumen a estimar.
Con la optimización de los pesos provenientes del muestreo geoquímico se busca
aproximarse al valor equivalente más preciso de “V”, extrayendo el mas alto provecho
de la base de datos disponible.
La naturaleza irregular y compleja de los yacimientos minerales provoca que el kriging
no pueda otorgar una valoración exacta, sino más bien evitar un índice de error alto de
forma sistemática.
Estéril
Mineral
En la figura (a) el material delimitado es estéril con 0u de ley, mientras que en el caso
(b) se encuadro mineral con 1u de ley. Como puede apreciarse para ambas situaciones
se requieren datos externos a la zona seleccionada para reducir el índice de error en
ambos yacimientos. Ahora bien, si el descarte de bloques estériles se efectuara
mediante un muestreo concentrado en el centro de los bloques exigirá una
sobreestimación de estos.
Esto se debe por la distribución de las leyes dentro del histograma por bloques real,
donde las leyes mas ricas y pobres están relativamente ausentes mientras que las leyes
intermedias predominan lo cual contrasta con el histograma por muestreo donde su
distribución pseudouniforme contribuye a un descarte premeditado de los paneles
menos ricos.
La eficaz ponderación de los datos en el krigeado se debe a:
Distancias muy próximas al centro de los bloques.
Acopio de los Valores redundantes.
Prioriza los valores más próximos si se trata de un variograma regular.
Distribuye la ponderación entre los valores si ocurre un “Efecto Pepita”.
Por último, reporta la precisión de su tasación.
2. Efecto Pepita
Se define como el resultado no nulo de la extrapolación del semivariograma a una
distancia cero, puesto que el variograma en su origen es cero. Se puede aislar con el
trazado de una recta a través del eje de las ordenadas con ello los valores negativos
son equivalentes a cero.
3. Variograma o Semivariograma
Es un instrumento que faculta al usuario distinguir las relaciones entre las distancias
segmentadas y los valores dispersos sobre la curva. Es así, que su utilidad radica en la
de otorgar un valor de ponderación aplicable a las muestras recolectadas.
4. Formulación del Krigeado
Este consta de tres restricciones:
Restricción de Linealidad: se registra el estimador como una combinación lineal
ponderada de los datos.
Restricción de Insesgo: para este modelo de probabilidades, se tiene que asegurar
que la esperanza de error sea cero. Para ello el estimador no debe inferiorizar o
sobrestimar el valor incognito real.
Restricción de Optimalidad: se aspira reducir la varianza del error cometido que
dimensiona la amplitud potencial del mencionado error, incrementando la precisión.
5. Selección de Datos
Se diferencian dos grupos de datos: todos los recolectados sin distinción (Vecindad
Única) o el conjunto libre de redundancias (Vecindad Móvil). El termino “vecindad”
hace referencia al espacio centrada en le yacimiento a estimar de donde provienen los
datos. No obstante, la “vecindad” extiende ineficientemente el tiempo destinado cálculos
sin proporcionar mayor precisión haciendo mas recomendable la vecindad móvil. Antes
de comenzar se declaran el tamaño y morfología de esta vecindad.
Forma de la Vecindad Móvil: se habitúa escoger una vecindad de morfología
elíptica o un elipsoide que concuerda con la anisotropía geometría.
Anisotropía: es la oscilación (variación) pronunciada de nuestros datos en todas
las direcciones probables de nuestro variograma. Para subsanar (corregir) este
fenómeno se emplea semivariogramas en función de las direcciones de la curva.
División en Sectores Angulares: para normalizar la distribución de los datos
entorno al área objetivo se sugiere fraccionar el bloque en cuadrantes angulares y
extraer los datos muestrales después.
Tamaño de la Vecindad Móvil: sus parámetros fundamentales vienen a ser la
densidad de muestreo y magnitud (alcance) del variograma. entre los factores que
influyen su tamaño podemos distinguir aquellos que:
Incrementar el Tamaño (sesgo, condicional, precisión)
Decrecer el Tamaño (irrelevancia de los datos distantes, tiempo destinado para
cálculos, estructura espacial modificada).
Validación Cruzada: para culminar se cuenta con el ensayo de varios esquemas
proyección y seleccionar aquel cuyo sesgo condicional y precisión sean más
satisfactorios.
