KRIGING DE INDICADORERS

Resumen
En la actualidad, los modelos geológicos son generalmente construidos de modo determinístico,
imposibilitando la cuantificación de la incertidumbre asociada. Si bien en la minería se le da mayor
enfoque a variables continuas como las leyes minerales, un estudio previo de variables categóricas
provee subdivisiones con mayor homogeneidad geológica y estadística. Además se es capaz de
agregar información importante sobre procesos mineros posteriores. El kriging de indicadores
con proporciones localmente variables posee una limitante teórica que se pretende mejorar con
este estudio. Este método utiliza sólo un variograma global para cada indicador. Dada la influencia
que se tiene de las medias de los indicadores sobre su varianza, la meseta del variograma varía
con esta media, lo que no se está considerando. Se propone un método que sí considere estas
variaciones, utilizando una variable indicador transformada, más específicamente, a la variable
indicador se le resta su media variable para centrar en cero, y además se estandariza para eliminar
el efecto del cambio de varianza. El análisis se lleva a cabo a través de dos casos de estudio. El
primer estudio consta de la estimación por kriging de indicadores tradicional y con la mejora
propuesta, sobre una base de datos sintética con un indicador. A este caso también se le realiza
un análisis de sensibilidad para revisar los resultados. El segundo caso de estudio consta de la
simulación secuencial de indicadores sobre una base de datos real de una veta, contando con
información de un muestreo por canales. Se comparan ambas metodologías y se validan los
modelos a través de jack-knife. De las estimaciones resultantes del primer caso, se hace un
estudio de los errores promedio y varianza del kriging promedio. Los resultados para ambas
metodologías son similares, a excepción de la varianza del kriging, la cual para el método
propuesto presenta menores valores y una alta influencia de la media del indicador. Este resultado
se mantiene a pesar de disminuir los datos muestreados y cambiar el variograma de los datos
sintéticos. Las simulaciones del caso de estudio real, en ambas metodologías, resultaron similares.
De acuerdo a un análisis de errores cuadráticos, se simularon más bloques con menor error para
la metodología propuesta que en la tradicional. Mediante un jack-knife se validan los modelos y
se comparan sus porcentajes de aciertos. Ambas metodologías poseen porcentajes de aciertos
iguales, incluso con distintos modelos variográficos. En conclusión, si bien el método propuesto
muestra mejoras respecto al método tradicional, estas no son lo suficientemente significativas
como para declararlo mejor método. Ambas metodologías presentan resultados de alto
porcentaje de acierto, pero entre sí son muy similares. A pesar de esto, el nuevo método presenta
las ventajas de tener mayor respaldo teórico, menores tiempos de simulación y una mejor
cuantificación de los errores de estimación a través de la varianza del kriging.