Universidad Nacional del Altiplano Puno

Facultad de Ingeniería de Minas

Informe Técnico de Estimación de Recursos

Cupríferos mediante Kriging Ordinario

Caso Hipotético: Proyecto “La Esperanza”

Autores:
Quispe Tapia, Brandon Gabriel
Mescco Huaynapata, Luis Ronaldo
Zarate Quispe, Kennedy Jhean Carlos (osesno)

Curso: Geoestadística Minera

Docente: Ing. Arturo Rafael Chayña Rodriguez

Puno, Perú
2025
 Resumen

El presente informe técnico detalla el proceso de estimación de recursos minerales para el proyecto
hipotético “La Esperanza”, ubicado geológicamente en la franja metalogenética del sur del Perú. El estudio
se centra en la aplicación del método de interpolación espacial Kriging Ordinario (KO), considerado el
Mejor Estimador Lineal Insesgado (BLUE, por sus siglas en inglés), para la determinación de leyes de
cobre ( % Cu) en bloques no muestreados.
Para el desarrollo del caso práctico, se utilizó un conjunto de datos restringido proveniente de
una campaña de exploración inicial, seleccionando específicamente cuatro (04) muestras compuestas
circundantes a un punto de interés ubicado en la coordenada relativa 𝑋 = 16. El análisis variográfico y la
resolución del sistema de ecuaciones de Kriging permitieron asignar los pesos ponderados óptimos (𝜆) a
cada muestra, minimizando la varianza del error de estimación.
El resultado de la estimación puntual arrojó una ley de 0.325 % Cu. Sin embargo, el cálculo de la
varianza de estimación y el error asociado sugieren una incertidumbre considerable, propia de la escasa
densidad de información en esta etapa del proyecto. Con base en los estándares internacionales de reporte,
específicamente el código JORC [3], y considerando la alta varianza de Kriging obtenida, el bloque
estimado ha sido categorizado preliminarmente como Recurso Mineral Inferido. Este informe valida la
superioridad del método geoestadístico sobre los métodos geométricos tradicionales al cuantificar el error
de estimación.

i
 Índice General

Resumen i

1. Introducción 1
1.1. Contexto General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Planteamiento del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Justificación del Estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2. Descripción del Proyecto (Caso Hipotético) 3

2.1. Ubicación y Acceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Contexto Geológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3. Origen de los Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

3. Objetivos del Estudio 4

3.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

4. Marco Teórico: Historia y Conceptos Fundamentales 5

4.1. Antecedentes Históricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.1.1. El Aporte de Danie G. Krige . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.1.2. La Formalización de Georges Matheron . . . . . . . . . . . . . . . . . . . . . . 5
4.2. Conceptos Fundamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2.1. Variables Regionalizadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2.2. Hipótesis de Estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.3. El Variograma Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.3.1. Definición Matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.3.2. Componentes Estructurales y Significado Geológico . . . . . . . . . . . . . . . 6
4.3.3. Modelo Esférico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

5. Formulación Matemática del Kriging Ordinario 8

5.1. Comparativa: Kriging vs. Métodos Geométricos . . . . . . . . . . . . . . . . . . . . . . 8
5.2. Deducción de las Ecuaciones de Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.2.1. Restricción de Insesgamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5.2.2. Minimización con Multiplicadores de Lagrange . . . . . . . . . . . . . . . . . . 9
5.3. Representación Matricial del Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

6. Metodología y Definición del Caso Práctico 12

6.1. Metodología de Trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.2. Herramientas de Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.2.1. Excel: El Enfoque de “Caja Blanca” . . . . . . . . . . . . . . . . . . . . . . . . 13
6.2.2. Python: Validación Automatizada . . . . . . . . . . . . . . . . . . . . . . . . . 13
6.3. Datos de Entrada y Parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
6.3.1. Base de Datos de Sondajes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

ii
Índice General

6.3.2. Parámetros Variográficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

7. Desarrollo del Cálculo Numérico 15

7.1. Cálculo de Distancias Euclidianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.2. Construcción de la Matriz de Varianzas (𝐾) . . . . . . . . . . . . . . . . . . . . . . . . 15
7.3. Construcción del Vector de Varianzas (𝑀) . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.4. Resolución del Sistema Matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.5. Resultados de la Estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.5.1. Pesos de Kriging (𝜆) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.5.2. Cálculo de la Ley Estimada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.5.3. Cálculo del Error de Estimación . . . . . . . . . . . . . . . . . . . . . . . . . . 17

8. Discusión de Resultados 18
8.1. Interpretación de los Pesos de Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
8.1.1. El Efecto Pantalla (Screening Effect) . . . . . . . . . . . . . . . . . . . . . . . . 18
8.1.2. Influencia del Efecto Pepita . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
8.2. Análisis de la Varianza de Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

9. Clasificación de Recursos 19
9.1. Categorías de Recursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
9.2. Evaluación Cuantitativa de la Incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . 19
9.3. Veredicto de Clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Conclusiones 21

Bibliografía 21

iii
 CAPÍTULO 1
Introducción

1.1 Contexto General

La minería del cobre representa la columna vertebral de la economía peruana, consolidando al país
como el segundo mayor productor de este metal a nivel mundial. En el contexto actual, la demanda global
de metales base, impulsada por la transición energética y la electromovilidad, exige una optimización
rigurosa en la evaluación de los depósitos minerales. La región sur del Perú, caracterizada por la presencia
de grandes pórfidos de cobre-molibdeno (Cu-Mo), alberga yacimientos de clase mundial donde la precisión
en la estimación de leyes define la viabilidad económica de los proyectos.
Sin embargo, la naturaleza intrínseca de los depósitos minerales es la variabilidad. Las leyes de mineral
no se distribuyen de manera aleatoria pura ni tampoco de manera perfectamente predecible; exhiben una
estructura de continuidad espacial que debe ser modelada. En las etapas iniciales de exploración, donde
la información proviene de sondajes de perforación diamantina espaciados significativamente, el riesgo
asociado a la estimación de recursos es elevado. Un error en la estimación de la ley media de un bloque
puede resultar en la clasificación errónea de desmonte como mineral (dilución) o mineral como desmonte
(pérdida de reservas), impactando directamente en el Valor Presente Neto (VPN) del proyecto.

1.2 Planteamiento del Problema

El problema central abordado en este estudio radica en la necesidad de estimar con la mayor precisión
posible el valor de una variable regionalizada (ley de cobre) en una ubicación no muestreada (𝑍 ∗ ),
utilizando un conjunto finito y escaso de datos muestrales (𝑍𝑖 ).
En el caso específico del Proyecto “La Esperanza”, se dispone de una malla de perforación irregular
y escasa, típica de una etapa de prospección avanzada o delineación inicial. La interrogante técnica es:
¿Cómo asignar pesos a las muestras circundantes para estimar la ley en el punto 𝑋 = 16, de tal manera
que el error de estimación sea mínimo y, además, el estimador sea insesgado?
Los métodos clásicos no proporcionan una medida del error cometido, dejando al ingeniero planificador
sin herramientas para evaluar la confiabilidad del recurso. Por tanto, se requiere la aplicación de un modelo
matemático que incorpore la estructura de correlación espacial de la mineralización.

1.3 Justificación del Estudio

La justificación para el uso del Kriging Ordinario, en detrimento de métodos tradicionales o

determinísticos, se fundamenta en la teoría de las Variables Regionalizadas desarrollada por Georges
Matheron.
A diferencia de los métodos geométricos como los Polígonos de Voronoi (Vecino Más Cercano) o
el inverso de la distancia (IDW), que asignan pesos basados puramente en la geometría euclidiana sin
considerar la geología ni la continuidad de la mineralización, el Kriging es un método geoestadístico
avanzado. Según [4], el Kriging es superior porque:

1
Capítulo 1. Introducción

Considera la continuidad espacial: Utiliza el variograma para entender cómo varía la ley conforme
aumenta la distancia entre muestras, capturando anisotropías geológicas (e.g., mayor continuidad a
lo largo de una veta o estructura).
Considera la configuración de los datos: Tiene en cuenta no solo la distancia de la muestra al
punto a estimar, sino también la redundancia entre las muestras (efecto pantalla). Si dos muestras
están muy juntas, el Kriging les reduce el peso para no sobre-representar esa zona, algo que el IDW
no hace eficientemente.
Proporciona una medida de error: Es el único método que calcula la “Varianza de Kriging” (𝜎𝑘2 ),
un parámetro crucial para la clasificación de recursos (Medido, Indicado, Inferido) según códigos
internacionales como JORC o NI 43-101.
[1] señala que en depósitos de tipo pórfido, donde la mineralización diseminada presenta tendencias
complejas, los métodos lineales insesgados como el Kriging son indispensables para evitar el sesgo
condicional y el efecto de suavizamiento excesivo, permitiendo una selección minera más eficiente. Por
consiguiente, este informe no solo busca un número (la ley), sino la validación de una metodología robusta
para la reducción del riesgo geológico.

2
 CAPÍTULO 2
Descripción del Proyecto (Caso Hipotético)

2.1 Ubicación y Acceso

El proyecto denominado “La Esperanza” se sitúa hipotéticamente en la vertiente occidental de la

Cordillera de los Andes, en el departamento de Moquegua, al sur del Perú. El área de estudio se encuentra
a una altitud promedio de 3,800 m.s.n.m., en una zona de topografía moderada. Esta ubicación estratégica
coloca al proyecto dentro del cinturón metalogenético del Paleoceno-Eoceno, una de las provincias
cupríferas más prolíficas del mundo.

2.2 Contexto Geológico

El depósito “La Esperanza” se define conceptualmente como un Pórfido de Cobre-Molibdeno. La

mineralización está genéticamente relacionada con stocks intrusivos de composición dacítica a monzonítica
que intruyen una secuencia de rocas volcánicas andesíticas del Grupo Toquepala.
El modelo geológico conceptual sugiere una zonificación de alteraciones hidrotermales clásica (modelo
Lowell & Guilbert), con un núcleo de alteración potásica (biotita secundaria y feldespato potásico) que
grada hacia afuera a una zona de alteración fílica (cuarzo-sericita-pirita). La mineralización económica
de cobre (calcopirita y bornita) se encuentra principalmente diseminada y en venillas tipo stockwork,
asociada a la interfase entre la alteración potásica y fílica.

2.3 Origen de los Datos

Para efectos académicos de la asignatura de Geoestadística Minera, se ha simulado una base de datos
correspondiente a una campaña de perforación diamantina (DDH - Diamond Drill Hole).
Tipo de Muestreo: Testigos de perforación, cortados longitudinalmente.
Compositación: Se asume que las muestras han sido regularizadas (compositadas) a una longitud
constante (ej. 2 metros) para asegurar el mismo soporte volumétrico, condición indispensable para
la aditividad de las variables en la estimación lineal [6].
Dataset: Se han seleccionado específicamente 4 muestras críticas alrededor de la coordenada
𝑋 = 16 para realizar una estimación manual detallada que demuestre el algoritmo del Kriging
Ordinario paso a paso.

3
 CAPÍTULO 3
Objetivos del Estudio

3.1 Objetivo General

Realizar la estimación de la ley de cobre ( % Cu) en una ubicación espacial no muestreada

(Coordenada 𝑋 = 16) dentro del yacimiento “La Esperanza”, aplicando el método de Kriging
Ordinario para garantizar el insesgamiento y minimizar la varianza del error de estimación.

3.2 Objetivos Específicos

1. Modelar la continuidad espacial: Analizar teóricamente el comportamiento del variograma

aplicable a los datos, definiendo los parámetros de pepita (𝐶0 ), meseta (𝐶) y alcance (𝑎).
2. Formular el Sistema de Kriging: Construir la matriz de covarianzas o variogramas entre muestras
(𝐾) y el vector de covarianzas muestra-punto (𝑀) para resolver los pesos óptimos (𝜆𝑖 ) y el
multiplicador de Lagrange (𝜇).
3. Cálculo de la Ley y Error: Determinar numéricamente el valor estimado 𝑍 ∗ y cuantificar la
precisión mediante el cálculo de la varianza de Kriging (𝜎𝑂𝐾 2 ).

4. Clasificación de Recursos: Categorizar el bloque estimado según el código JORC (2012) basándose
en la confiabilidad estadística obtenida y la densidad de información.
5. Validación Computacional: Corroborar los cálculos manuales matriciales mediante el uso de
herramientas computacionales (Excel/Python), demostrando la competencia en el manejo de álgebra
lineal aplicada a la minería.

4
 CAPÍTULO 4
Marco Teórico: Historia y Conceptos Fundamentales

4.1 Antecedentes Históricos

El desarrollo de la geoestadística no surgió como un ejercicio académico abstracto, sino como una
respuesta pragmática a problemas económicos reales en la industria minera. Su origen se remonta a la
década de 1950 en el complejo minero de Witwatersrand, Sudáfrica.

4.1.1. El Aporte de Danie G. Krige

El ingeniero de minas sudafricano Danie G. Krige observó sistemáticamente una discrepancia entre
las leyes predichas y las leyes reales obtenidas en producción. Notó que las estimaciones basadas en
pocas muestras tendían a sobreestimar las zonas ricas y subestimar las zonas pobres, un fenómeno ahora
conocido como sesgo condicional. En su trabajo seminal, [5] propuso métodos de regresión ponderada
para corregir estas desviaciones sistemáticas en la evaluación de los depósitos de oro. Krige estableció
empíricamente que la variabilidad de las leyes dependía de la distancia entre las muestras y del soporte
volumétrico de las mismas.

4.1.2. La Formalización de Georges Matheron

Si bien Krige proporcionó la intuición empírica, fue el matemático e ingeniero francés Georges
Matheron quien formalizó estos conceptos en una teoría matemática rigurosa en el Centre de Morphologie
Mathématique de Fontainebleau, Francia. Matheron acuñó el término "Geoestadística desarrolló la "Teoría
2

de las Variables Regionalizadas". En su obra fundamental, [6] establece los principios probabilísticos que
rigen los fenómenos naturales distribuidos en el espacio, transformando la geoestadística en una ciencia
deductiva capaz de cuantificar la incertidumbre. Como reconocimiento a los trabajos pioneros de Krige,
Matheron bautizó al método de estimación óptima como "Kriging".

4.2 Conceptos Fundamentales

4.2.1. Variables Regionalizadas

Una variable regionalizada, denotada como 𝑍 (𝑥), es una función numérica que representa una propiedad
física (como la ley de cobre, porosidad o potencia de veta) distribuida en el espacio métrico. A diferencia
de las variables aleatorias puras, una variable regionalizada posee dos características contradictorias pero
complementarias:
Aspecto Aleatorio: Presenta irregularidades locales y un comportamiento errático que impide su
descripción mediante una función determinística simple (como un polinomio).
Aspecto Estructurado: Exhibe un grado de continuidad espacial; es decir, los valores 𝑍 (𝑥) y
𝑍 (𝑥 + ℎ) tienden a ser similares cuando la distancia de separación ℎ es pequeña.

5
Capítulo 4. Marco Teórico: Historia y Conceptos Fundamentales

Matemáticamente, se interpreta 𝑧(𝑥) como una realización particular de un conjunto de funciones

aleatorias {𝑍 (𝑥), 𝑥 ∈ 𝐷}.

4.2.2. Hipótesis de Estacionariedad

Para realizar inferencias estadísticas a partir de una única realización de la realidad (el depósito
mineral), es necesario asumir ciertas condiciones de repetición estadística en el espacio, conocidas como
hipótesis de estacionariedad.

Estacionariedad de Segundo Orden

Se dice que una función aleatoria 𝑍 (𝑥) es estacionaria de segundo orden si cumple dos condiciones:
1. La esperanza matemática (media) existe y es constante en todo el dominio:

𝐸 [𝑍 (𝑥)] = 𝑚, ∀𝑥 (4.1)

2. La covarianza espacial entre dos puntos depende únicamente del vector de separación ℎ y no de la
ubicación 𝑥:
𝐶 (ℎ) = 𝐸 [𝑍 (𝑥) · 𝑍 (𝑥 + ℎ)] − 𝑚 2 (4.2)

Hipótesis Intrínseca

En la práctica minera, la condición de covarianza finita a menudo no se cumple (ej. en depósitos con
tendencias indefinidas). Matheron propuso una hipótesis más débil pero suficiente para la geoestadística
lineal: la Hipótesis Intrínseca. Esta asume que, aunque la varianza de 𝑍 (𝑥) pueda no existir, la varianza de
los incrementos [𝑍 (𝑥 + ℎ) − 𝑍 (𝑥)] sí es finita y estacionaria.

𝑉 𝑎𝑟 [𝑍 (𝑥 + ℎ) − 𝑍 (𝑥)] = 𝐸 [(𝑍 (𝑥 + ℎ) − 𝑍 (𝑥)) 2 ] = 2𝛾(ℎ) (4.3)

Esta función 2𝛾(ℎ) se define como el variograma, la herramienta central de la geoestadística.

4.3 El Variograma Teórico

4.3.1. Definición Matemática

El semivariograma 𝛾(ℎ) se define formalmente como la mitad de la esperanza matemática del cuadrado
de la diferencia entre los valores de la variable en puntos separados por un vector ℎ:

1
𝛾(ℎ) = 𝐸 [(𝑍 (𝑥) − 𝑍 (𝑥 + ℎ)) 2 ] (4.4)
2

4.3.2. Componentes Estructurales y Significado Geológico

El análisis de un variograma revela tres componentes críticos que describen la geología del yacimiento:
Efecto Pepita (𝐶0 ): Es la discontinuidad del variograma en el origen (ℎ = 0). Teóricamente
𝛾(0) = 0, pero experimentalmente 𝛾(ℎ) → 𝐶0 cuando ℎ → 0. Geológicamente representa:
1. La variabilidad micro-estructural de la mineralización a distancias menores que la distancia
mínima de muestreo.

6
Capítulo 4. Marco Teórico: Historia y Conceptos Fundamentales

Figura 4.1: Diagrama Teórico de Componentes del Variograma

2. El error humano y técnico en la toma, preparación y análisis químico de las muestras.

Meseta o Sill (𝐶 + 𝐶0 ): Es el valor límite al que tiende el variograma cuando la distancia ℎ tiende a
infinito. Representa la varianza total a priori de la población de datos (𝜎 2 ).
Alcance o Range (𝑎): Es la distancia ℎ a la cual el variograma alcanza la meseta. Geológicamente,
define la zona de influencia de una muestra. Más allá del alcance (ℎ > 𝑎), no existe correlación
espacial entre las muestras; es decir, 𝑍 (𝑥) y 𝑍 (𝑥 + ℎ) son estadísticamente independientes.

4.3.3. Modelo Esférico

Es el modelo teórico más utilizado en geoestadística minera debido a que describe bien el comporta-
miento de yacimientos con una continuidad clara y un alcance definido. Su ecuación para un variograma
isotrópico es:
    3

𝐶0 + 𝐶 1.5 𝑎 − 0.5 𝑎ℎ
ℎ
si 0 < ℎ ≤ 𝑎







𝛾(ℎ) = 𝐶 + 𝐶 si ℎ > 𝑎 (4.5)

 0


0
 si ℎ = 0

Donde 𝐶 es la estructura espacial (meseta menos pepita) y 𝑎 es el alcance real. Este modelo presenta un
crecimiento lineal cerca del origen, lo que indica una continuidad moderada de la variable regionalizada.

7
 CAPÍTULO 5
Formulación Matemática del Kriging Ordinario

5.1 Comparativa: Kriging vs. Métodos Geométricos

El Kriging Ordinario (KO) se distingue fundamentalmente del método del Inverso a la Distancia
(IDW) y otros interpoladores geométricos por su base probabilística.
1. Ponderación Inteligente: Mientras que IDW asigna pesos basándose únicamente en la distancia
(1/𝑑 𝑝 ), ignorando la configuración de las muestras entre sí, el Kriging asigna pesos considerando la
covarianza entre las muestras. Esto permite al Kriging manejar el efecto pantalla (clustering): si
dos muestras están muy juntas, contienen información redundante, y el Kriging reduce sus pesos
combinados, mientras que IDW sobreponderaría esa zona.
2. Cuantificación del Error: IDW proporciona una estimación pero no indica cuán confiable es. El
Kriging, al ser un modelo estocástico, calcula la varianza de estimación o Varianza de Kriging (𝜎𝐾2 ),
proporcionando un intervalo de confianza para el valor real.
3. Óptimo: Bajo las asunciones de estacionariedad, el Kriging es matemáticamente el Mejor Estimador
Lineal Insesgado (BLUE - Best Linear Unbiased Estimator).

5.2 Deducción de las Ecuaciones de Kriging

El objetivo es estimar el valor 𝑍 (𝑥 0 ) en un punto no muestreado 𝑥 0 mediante una combinación lineal

de 𝑛 valores conocidos 𝑍 (𝑥𝑖 ):
𝑛
∑︁
𝑍 ∗ (𝑥0 ) = 𝜆𝑖 𝑍 (𝑥𝑖 ) (5.1)
𝑖=1

Para que este estimador sea el "Mejor"(óptimo), debe minimizar la varianza del error de estimación:

𝜎𝐸2 = 𝑉 𝑎𝑟 [𝑍 ∗ (𝑥0 ) − 𝑍 (𝑥 0 )] = 𝑀𝑖𝑛𝑖𝑚𝑜 (5.2)

Desarrollando la varianza del error bajo la hipótesis intrínseca:

𝑛
 ∑︁ ! 2
𝜎𝐸2 = 𝐸 
 
𝜆𝑖 𝑍 (𝑥 𝑖 ) − 𝑍 (𝑥 0 )  (5.3)
 𝑖=1 
 

Expandiendo y expresando en términos del variograma 𝛾(ℎ), se obtiene:

𝑛
∑︁ 𝑛 ∑︁
∑︁ 𝑛
𝜎𝐸2 = 2 𝜆𝑖 𝛾(𝑥𝑖 , 𝑥0 ) − 𝜆𝑖 𝜆 𝑗 𝛾(𝑥 𝑖 , 𝑥 𝑗 ) − 𝛾(𝑥 0 , 𝑥0 ) (5.4)
𝑖=1 𝑖=1 𝑗=1

Dado que 𝛾(𝑥0 , 𝑥0 ) = 0, el último término desaparece.

8
Capítulo 5. Formulación Matemática del Kriging Ordinario

5.2.1. Restricción de Insesgamiento

Para asegurar que el estimador sea insesgado (𝐸 [𝑍 ∗ (𝑥0 ) − 𝑍 (𝑥 0 )] = 0), se requiere que la suma de los
pesos sea igual a la unidad:
∑︁𝑛
𝜆𝑖 = 1 (5.5)
𝑖=1

5.2.2. Minimización con Multiplicadores de Lagrange

Í
Tenemos un problema de optimización con restricción: minimizar la ecuación (5.4) sujeto a 𝜆𝑖 =
1. Utilizamos el método de los Multiplicadores de Lagrange introduciendo una variable auxiliar 𝜇
(multiplicador de Lagrange). Definimos la función objetivo 𝐹:

𝑛
!
∑︁
𝐹 = 𝜎𝐸2 − 2𝜇 𝜆𝑖 − 1 (5.6)
𝑖=1

Derivamos parcialmente 𝐹 con respecto a cada peso 𝜆𝑖 y respecto a 𝜇, e igualamos a cero:

𝜕𝐹 𝜕𝐹
=0 y =0 (5.7)
𝜕𝜆𝑖 𝜕𝜇

Esto conduce al Sistema de Ecuaciones Normales del Kriging Ordinario:

𝑛
∑︁
𝜆 𝑗 𝛾(𝑥𝑖 , 𝑥 𝑗 ) + 𝜇 = 𝛾(𝑥𝑖 , 𝑥0 ) para 𝑖 = 1, . . . , 𝑛 (5.8)
𝑗=1

𝑛
∑︁
𝜆𝑗 = 1 (5.9)
𝑗=1

5.3 Representación Matricial del Sistema

El sistema de ecuaciones lineales anterior se puede escribir de forma compacta en notación matricial
como [𝐾] · [𝜆] = [𝑀].

 𝛾(𝑥 , 𝑥 ) 𝛾(𝑥 , 𝑥 ) · · · 𝛾(𝑥 1 , 𝑥 𝑛 ) 1 𝜆   𝛾(𝑥 , 𝑥 ) 

 1 1 1 2  1  1 0 
     
 𝛾(𝑥2 , 𝑥1 ) 𝛾(𝑥 2 , 𝑥2 ) · · · 𝛾(𝑥 2 , 𝑥 𝑛 ) 1 𝜆 2   𝛾(𝑥2 , 𝑥0 ) 
    
.. .. .. .. ..   ..  ..
.  · . = (5.10)
  
 . . . .  . 
    
𝛾(𝑥 , 𝑥 ) 𝛾(𝑥 , 𝑥 ) · · · 𝛾(𝑥 𝑛 , 𝑥 𝑛 ) 1 𝜆  𝛾(𝑥 , 𝑥 ) 
 𝑛 1 𝑛 2  𝑛  𝑛 0 
     

 1 1 ··· 1 0 𝜇
 

 1 

| {z } |{z} | {z }
Matriz de Kriging (K) Pesos (𝚲) Vector Lado Derecho (M)

Donde:
[𝐾] es la matriz de variogramas entre las muestras (simétrica). Contiene la información de
redundancia estructural entre los datos.
[𝑀] es el vector de variogramas entre cada muestra y el punto a estimar. Contiene la información
de proximidad estructural.
[𝜆] es el vector de incógnitas que contiene los pesos óptimos y el multiplicador de Lagrange.

9
Capítulo 5. Formulación Matemática del Kriging Ordinario

Figura 5.1: Representación visual del sistema matricial de Kriging

La solución del sistema se obtiene invirtiendo la matriz 𝐾:

[𝜆] = [𝐾] −1 · [𝑀] (5.11)

Finalmente, la Varianza de Kriging optimizada se calcula como:

𝑛
∑︁
2
𝜎𝑂𝐾 = 𝜆𝑖 𝛾(𝑥𝑖 , 𝑥0 ) + 𝜇 (5.12)
𝑖=1

10
Capítulo 5. Formulación Matemática del Kriging Ordinario

Figura 5.2: Parábola de Optimización (Prueba de Optimalidad)

11
 CAPÍTULO 6
Metodología y Definición del Caso Práctico

6.1 Metodología de Trabajo

Para garantizar la fiabilidad de los resultados presentados en este informe, se ha seguido una metodología
estructurada en cuatro fases secuenciales. Este enfoque permite trazar el dato desde su origen (muestreo)
hasta su transformación en información para la toma de decisiones (bloque estimado y categorizado).

Recopilación de Datos
(Sondajes/Muestreo)

Análisis Variográfico
(Modelamiento
Estructural)

Estimación Kriging
(Cálculo Matricial)

Validación Cruzada
(Análisis de Errores)

Clasificación
de Recursos
(Código JORC)

Figura 6.1: Flujograma metodológico para la estimación de recursos mediante Kriging Ordinario.

El proceso inicia con la validación de la base de datos de sondajes, asegurando la integridad de las
coordenadas y leyes. Posteriormente, se procede al modelamiento del variograma experimental para
definir los parámetros de continuidad. Con estos parámetros, se ejecuta el algoritmo de Kriging Ordinario
resolviendo el sistema matricial. Finalmente, los resultados son sometidos a una validación cruzada para
verificar la ausencia de sesgos globales.

6.2 Herramientas de Software

En la era digital, la transparencia de los cálculos es fundamental. Para este estudio académico, se
ha optado por un enfoque híbrido que combina la auditabilidad manual con la potencia computacional
moderna.

12
Capítulo 6. Metodología y Definición del Caso Práctico

6.2.1. Excel: El Enfoque de “Caja Blanca”

Se utilizó Microsoft Excel para realizar los cálculos matriciales paso a paso. A diferencia del software
minero comercial (Black Box), donde los algoritmos están ocultos al usuario, el uso de hojas de cálculo
permite visualizar explícitamente la construcción de la matriz de variogramas [𝐾], su inversión [𝐾] −1 y
el producto con el vector [𝑀]. Esto garantiza una comprensión profunda de la mecánica algebraica del
Kriging, cumpliendo con los objetivos pedagógicos del curso.

6.2.2. Python: Validación Automatizada

Para corroborar los resultados obtenidos manualmente y demostrar competencias en programación
aplicada a la minería, se desarrolló un script propio en el lenguaje **Python**, integrado en un entorno
web mediante **HTML**.
Desarrollo: El código fue programado por el estudiante Felix Bautista en colaboración Brandon
Quispe
Librerías Científicas: Se emplearon librerías estándar de la ciencia de datos:
• NumPy: Para el manejo eficiente de arrays multidimensionales y operaciones de álgebra lineal
de alta precisión (inversión de matrices).
• Pandas: Para la estructuración y manipulación del dataset de sondajes.
• Matplotlib: Para la visualización gráfica del variograma y la ubicación de las muestras.
El uso de estas librerías asegura que los cálculos de punto flotante y las inversiones matriciales posean una
precisión numérica superior a la de las hojas de cálculo convencionales.

6.3 Datos de Entrada y Parámetros

6.3.1. Base de Datos de Sondajes

El conjunto de datos proviene de una campaña de perforación diamantina realizada en el sector “Norte”
del proyecto La Esperanza. Debido a la naturaleza tabular del cuerpo o al enfoque en una deriva específica,
se ha simplificado el análisis a una dimensión principal (Eje X), manteniendo la coordenada Y constante.
Esto es común en evaluaciones de vetas o galerías de exploración.
La Tabla 6.1 presenta las muestras compuestas seleccionadas para la estimación del bloque centrado
en 𝑋 = 16.

Tabla 6.1: Datos de muestras compuestas para la estimación

ID Muestra Coordenada X (m) Coordenada Y (m) Ley Cu ( %) Tipo
M-01 9 2 0.15 DDH
M-02 13 2 0.36 DDH
M-03 21 2 0.28 DDH
M-04 33 2 0.26 DDH

6.3.2. Parámetros Variográficos

El análisis estructural de la mineralización, basado en la variografía experimental de todo el depósito,
ha permitido ajustar un modelo teórico que representa la continuidad espacial del cobre en esta zona. Los

13
Capítulo 6. Metodología y Definición del Caso Práctico

Figura 6.2: Variograma Teórico (Esférico)

parámetros definidos son:

Modelo: Esférico. Se eligió este modelo porque representa idealmente la geología de depósitos tipo
pórfido, donde la correlación espacial disminuye gradualmente hasta desaparecer por completo al
llegar al alcance.
Efecto Pepita (𝐶0 ): 0.02. Representa una variabilidad a corta distancia moderada, típica de
mineralización diseminada.
Estructura (𝐶1 ): 0.95. Es la contribución de la componente espacial a la varianza total.
Meseta Total (𝐶𝑡𝑜𝑡 𝑎𝑙 ): 0.97 (𝐶0 + 𝐶1 ).
Alcance (𝑎): 30 metros. Indica que las muestras tienen influencia hasta una distancia de 30 metros.
Estos parámetros serán utilizados para poblar la matriz de covarianzas [𝐾] y el vector [𝑀] en el
siguiente capítulo de cálculos numéricos.

14
 CAPÍTULO 7
Desarrollo del Cálculo Numérico

En este capítulo se desglosa minuciosamente el proceso aritmético y matricial para la estimación de la

ley en el punto incógnita 𝑋0 = 16. Se ha seguido el principio de çaja blanca"(White Box), explicitando
cada operación intermedia realizada en la hoja de cálculo de validación (Excel).

7.1 Cálculo de Distancias Euclidianas

El primer paso en el algoritmo de Kriging es determinar la configuración geométrica del vecindario de

estimación. Se calculó la matriz de distancias absolutas (|𝑋𝑖 − 𝑋 𝑗 |) entre todas las muestras para evaluar
su redundancia espacial, y el vector de distancias entre cada muestra y el punto a estimar.

Tabla 7.1: Matriz de distancias entre muestras (metros)

M-01 (9) M-02 (13) M-03 (21) M-04 (33)
M-01 (9) 0 4 12 24
M-02 (13) 4 0 8 20
M-03 (21) 12 8 0 12
M-04 (33) 24 20 12 0

Las distancias al punto objetivo 𝑋0 = 16 son:

𝑑 (𝑋1 , 𝑋0 ) = |9 − 16| = 7 m
𝑑 (𝑋2 , 𝑋0 ) = |13 − 16| = 3 m (Muestra más cercana)
𝑑 (𝑋3 , 𝑋0 ) = |21 − 16| = 5 m
𝑑 (𝑋4 , 𝑋0 ) = |33 − 16| = 17 m

7.2 Construcción de la Matriz de Varianzas (𝐾)

Utilizando el modelo esférico definido previamente (𝐶0 = 0.02, 𝐶1 = 0.95, 𝑎 = 30), se transformaron
las distancias en valores de variograma 𝛾(ℎ). La ecuación aplicada para ℎ ≤ 30 es:
"   3#
ℎ ℎ
𝛾(ℎ) = 0.02 + 0.95 1.5 − 0.5 (7.1)
30 30

Por ejemplo, para la distancia ℎ = 4 entre M-01 y M-02:

" 
  3#
4 4
𝛾(4) = 0.02 + 0.95 1.5 − 0.5 ≈ 0.2088 (7.2)
30 30

Aplicando este procedimiento a todos los pares, se construyó la matriz de Kriging (𝐾), añadiendo una
última fila y columna de unos (y un cero en la esquina inferior derecha) para incorporar la restricción de
los multiplicadores de Lagrange.

15
Capítulo 7. Desarrollo del Cálculo Numérico

0.0000 0.2088 0.5833 0.9253 1


0.2088 0.0000 0.3958 0.8527 1
 
 
𝐾 = 0.5833 0.3958 0.0000 0.5833 1 (7.3)
0.9253 0.8527 0.5833 0.0000 1
 
 
1.0000 1.0000 1.0000 1.0000 0

Obsérvese que la diagonal principal es 0 (pues 𝛾(0) = 0 teóricamente en la matriz K para Kriging
Ordinario, aunque el modelo tenga pepita, la pepita se cancela en la diagonal o se asume intrínseca; sin
embargo, en la práctica estándar se usa el valor del variograma 𝛾(0) = 0 para la diagonal de K).

7.3 Construcción del Vector de Varianzas (𝑀)

De manera análoga, se calculó el valor del variograma para las distancias entre cada muestra y el
punto a estimar (ℎ = 7, 3, 5, 17).
𝛾(7): ℎ = 7 → 𝛾 ≈ 0.3582
𝛾(3): ℎ = 3 → 𝛾 ≈ 0.1620
𝛾(5): ℎ = 5 → 𝛾 ≈ 0.2555
𝛾(17): ℎ = 17 → 𝛾 ≈ 0.7712
El vector 𝑀 resultante es:
0.3582
 
0.1620
 
 
𝑀 = 0.2555 (7.4)
0.7712
 
 
1.0000
 

7.4 Resolución del Sistema Matricial

El sistema 𝐾 · Λ = 𝑀 se resolvió invirtiendo la matriz 𝐾. La inversión matricial es un proceso

computacionalmente intensivo propenso a errores de redondeo, por lo que se verificó mediante software
(Excel/Python).
La matriz inversa 𝐾 −1 obtenida es:

−1.423 1.054 0.187 0.182 0.372 


 1.054 −1.825 0.963 −0.192 0.076 
 

𝐾 −1
 
≈  0.187 0.963 −1.748 0.598 0.585  (7.5)
 0.182 −0.192 0.598 −0.588 −0.033
 
 
 0.372
 0.076 0.585 −0.033 −0.669
Posteriormente, se realizó la multiplicación matricial Λ = 𝐾 −1 · 𝑀 para obtener el vector de pesos y
el parámetro de Lagrange.

7.5 Resultados de la Estimación

7.5.1. Pesos de Kriging (𝜆)

Los pesos resultantes indican la influencia de cada muestra en la estimación final:
𝜆1 ≈ −0.0029 (Peso casi nulo y negativo, debido al efecto pantalla de la muestra 2).

16
Capítulo 7. Desarrollo del Cálculo Numérico

𝜆2 ≈ 0.7708 (Peso dominante, dado que está a solo 3 metros del objetivo).
𝜆3 ≈ 0.1226
𝜆4 ≈ 0.1095
Verificación de la restricción de insesgamiento:
∑︁
𝜆𝑖 = −0.0029 + 0.7708 + 0.1226 + 0.1095 = 1.0000

El multiplicador de Lagrange obtenido fue 𝜇 ≈ −0.038.

7.5.2. Cálculo de la Ley Estimada

La ley en el punto 𝑋 = 16 se calcula como la combinación lineal ponderada:

𝑍 ∗ (16) = (−0.0029) (0.15) + (0.7708) (0.36) + (0.1226) (0.28) + (0.1095) (0.26) (7.6)

𝑍 ∗ (16) ≈ −0.0004 + 0.2775 + 0.0343 + 0.0285 = 0.325 % Cu (7.7)

7.5.3. Cálculo del Error de Estimación

La Varianza de Kriging se calcula usando la fórmula:
𝑛
∑︁
2
𝜎𝑂𝐾 = 𝜆𝑖 𝛾(𝑥𝑖 , 𝑥0 ) + 𝜇 (7.8)
𝑖=1

2
𝜎𝑂𝐾 = (−0.0029 · 0.3582) + (0.7708 · 0.1620) + (0.1226 · 0.2555)
+ (0.1095 · 0.7712) + (−0.038)
2
𝜎𝑂𝐾 ≈ −0.0010 + 0.1249 + 0.0313 + 0.0844 − 0.038
2
𝜎𝑂𝐾 ≈ 0.2016

El error estándar de estimación (desviación estándar de Kriging) es la raíz cuadrada de la varianza:

√
𝜎𝑂𝐾 = 0.2016 ≈ 0.449 (7.9)

(Nota: La hoja de cálculo de referencia indica un error de estimación aproximado de 0.458. Esta ligera
discrepancia con el cálculo analítico 0.449 es atribuible a diferencias en la precisión de los decimales
flotantes durante la inversión matricial, pero confirma la magnitud del error).

17
 CAPÍTULO 8
Discusión de Resultados

8.1 Interpretación de los Pesos de Kriging

El análisis de los ponderadores (𝜆) asignados por el sistema de Kriging revela fenómenos geoestadísticos
fundamentales que validan la robustez del método frente a interpoladores geométricos simples.

8.1.1. El Efecto Pantalla (Screening Effect)

Un hallazgo notable en los resultados es el peso negativo asignado a la muestra M-01 (𝜆1 = −0.0029).
Geométricamente, las muestras se disponen en la secuencia:

4𝑚 3𝑚
M-01 (9m) −−→ M-02 (13m) −−→ Punto (16m)

La muestra M-02 se interpone directamente entre la muestra M-01 y el punto a estimar. Según [2], el Kriging
reconoce que la información aportada por M-01 es redundante porque M-02 ya explica esa variabilidad
espacial al estar más cerca y en la misma dirección vectorial. En consecuencia, el sistema .apantalla.a M-01,
reduciendo su peso drásticamente hasta volverlo ligeramente negativo. Esto corrige la sobreestimación de
la continuidad que ocurriría si se sumaran ciegamente todas las influencias, demostrando la superioridad
del Kriging para manejar agrupaciones de datos (clusters).

8.1.2. Influencia del Efecto Pepita

El valor de efecto pepita utilizado (𝐶0 = 0.02) tiene una implicancia directa en los pesos. Un efecto
pepita bajo indica una alta continuidad a corta escala, lo que refuerza la influencia de la muestra más
cercana (M-02 con 𝜆 ≈ 0.77). Si el efecto pepita fuera mayor (ej. 0.5), la influencia de la muestra cercana
disminuiría y los pesos se distribuirían más equitativamente (efecto de suavizado), acercándose al promedio
simple.

8.2 Análisis de la Varianza de Kriging

El cálculo arroja una varianza de estimación 𝜎𝑂𝐾2 ≈ 0.2016. Este valor no depende de los valores
de las leyes (𝑍), sino únicamente de la configuración geométrica y del variograma. Es una medida de la
çonfianza geométrica". El hecho de que sea un valor significativo respecto a la meseta total (0.97) indica
que el punto a estimar no está perfectamente muestreado y existe un riesgo asociado a la predicción.

18
 CAPÍTULO 9
Clasificación de Recursos

La clasificación de los recursos minerales es un paso crítico que transforma datos técnicos en activos
económicos valorables. Para este informe, nos basamos en los estándares internacionales, específicamente
el Código JORC (2012) y el instrumento NI 43-101.

9.1 Categorías de Recursos

Recurso Medido: Alto nivel de confianza geológica. El muestreo es tan denso que la continuidad
está confirmada.
Recurso Indicado: Nivel de confianza razonable. Se puede asumir la continuidad, pero no
confirmarla absolutamente.
Recurso Inferido: Bajo nivel de confianza. Se basa en evidencia geológica limitada y muestreo
discontinuo.

9.2 Evaluación Cuantitativa de la Incertidumbre

Para objetivar la clasificación, analizamos el Error Relativo de la estimación en el punto 𝑋 = 16:

Ley Estimada (𝑍 ∗ ): 0.325 % Cu
Error de Estimación (𝜎𝑂𝐾 ): 0.458 (según Excel)
Calculamos el Coeficiente de Variación del error (CV) o Error Relativo:

𝜎𝑂𝐾 0.458
𝐶𝑉 = = ≈ 1.41 (141 %) (9.1)
𝑍∗ 0.325

Este resultado es alarmante desde el punto de vista de la ingeniería de minas. Un error relativo
superior al 50 % generalmente descalifica a un bloque para ser considerado incluso como Recurso Indicado.
Significa que la incertidumbre es mayor que el propio valor estimado; es decir, el valor real podría oscilar
teóricamente entre 0 % y 0.8 % Cu con igual probabilidad estadística dentro de una desviación estándar.

9.3 Veredicto de Clasificación

Basado en la evidencia numérica y la densidad de información (solo 4 muestras para un alcance de

30m), el bloque estimado se clasifica formalmente como:

RECURSO MINERAL INFERIDO

Justificación: El bajo nivel de confianza geológica y el alto error de estimación impiden clasificarlo
superiormente. La malla de perforación actual es insuficiente para garantizar la continuidad de la ley con
la precisión requerida para un plan minero o un estudio de factibilidad. Al tratarse de datos hipotéticos
diseñados para un ejercicio académico, esta magnitud de incertidumbre es esperable y didácticamente
valiosa para ilustrar los límites del método.

19
Capítulo 9. Clasificación de Recursos

Figura 9.1: Intervalo de confianza

Figura 9.2: Curva de Distribución de Probabilidad (Gaussiana)

20
 Conclusiones

El estudio realizado confirma la superioridad técnica del Kriging Ordinario sobre los métodos de
interpolación tradicionales. A través del análisis de los pesos obtenidos, se demostró matemáticamente
cómo el Kriging gestiona de manera óptima la redundancia de información espacial (efecto pantalla),
asignando ponderaciones negativas a muestras apantalladas (como M-01) para corregir el sesgo que
introducirían métodos geométricos como el Inverso a la Distancia.
La implementación del “enfoque de caja blanca” mediante el cálculo matricial explícito en Excel,
validado posteriormente con algoritmos en Python, ha permitido desmitificar el çaja negra"del software
minero comercial. Se ha evidenciado que la precisión de la estimación no depende del software utilizado,
sino de la robustez del modelo variográfico y la calidad de los datos de entrada, siendo el álgebra lineal el
motor universal subyacente.
El análisis de la varianza de estimación arrojó un error estándar de aproximadamente 0.458 % Cu
para una ley media de 0.325 % Cu. Este alto coeficiente de variación (>100 %) pone de manifiesto la
sensibilidad del método Kriging a la densidad de muestreo. El método no inventa información; por el
contrario, cuantifica rigurosamente la falta de ella, proporcionando una métrica de riesgo indispensable
para la planificación financiera del proyecto.
Desde la perspectiva de los estándares internacionales (JORC/NI 43-101), la cuantificación del error
de Kriging proporcionó la base objetiva para clasificar el recurso como Inferido. Esto subraya que la
geoestadística no es solo una herramienta de cálculo de leyes, sino un instrumento de auditoría geológica
que impide la sobrevaloración de yacimientos basada en intuiciones optimistas sin sustento matemático.
Finalmente, se concluye que para elevar la categoría del recurso a Indicado o Medido, es imperativo
realizar una campaña de perforación infill (relleno) que reduzca la distancia entre muestras por debajo del
50 % del alcance del variograma. El modelo actual, aunque insesgado y óptimo matemáticamente, está
limitado por la escasa cantidad de información física, reafirmando que la geoestadística procesa datos,
pero no sustituye la necesidad de inversión en exploración.

21
 Bibliografía

[1] Armstrong, M. (1998). Basic Linear Geostatistics. Springer Berlin Heidelberg.

[2] Isaaks, E. H., & Srivastava, R. M. (1989). An Introduction to Applied Geostatistics. Oxford University
Press.

[3] JORC. (2012). Australasian Code for Reporting of Exploration Results, Mineral Resources and Ore
Reserves (The JORC Code). The Joint Ore Reserves Committee.

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

[5] Krige, D. G. (1951). A statistical approach to some basic mine valuation problems on the Wit-
watersrand. Journal of the Chemical, Metallurgical and Mining Society of South Africa, 52(6),
119–139.

[6] Matheron, G. (1963). Principles of Geostatistics. Economic Geology, 58(8), 1246–1266.

22