1

Elementos de geoestadstica
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. Introduccin Problema que dio origen a la Geoestadstica Geoestadstica, concepto Variables aleatorias regionalizadas Hiptesis de la Geoestadstica Conocimiento del problema El anlisis estructural Estimacin Geoestadstica Multivariada Geoestadstica no Lineal La Simulacin Geoestadstica Conclusiones Referencias Bibliogrficas.

1. Introduccin En el campo de las geociencias es comn encontrar variables distribuidas espacialmente. Para el estudio de estas variables son usados diversos procedimientos geoestadsticos de estimacin y/o simulacin. Esto es, a partir de un conjunto de muestras tomadas en localizaciones del dominio en que se manifiesta un fenmeno a estudiar y consideradas representativas de su realidad, que por lo general es siempre desconocida, estos procedimientos permiten la descripcin o caracterizacin de las variables con dos fines diferentes, primero, proporcionar valores estimados en localizaciones de inters y segundo, generar valores que en conjunto presenten iguales caractersticas de dispersin que los datos originales. La geologa y la minera es el campo tpico para la aplicacin de estos modelos, campo en el que surge y se desarrolla la Geoestadstica como ciencia aplicada. Se hace referencia en esta monografa a los conceptos fundamentales de la Geoestadstica. Para profundizar en el tema puede ser consultada la bibliografa citada. 2. Problema que dio origen a la Geoestadstica La bsqueda, exploracin y evaluacin de yacimientos minerales tiles es una de las actividades fundamentales que toda empresa minera debe desarrollar durante su vida til, destacndose entre otras tareas: el pronstico cientfico en la localizacin de los yacimientos minerales tiles, la elaboracin de mtodos eficaces para la exploracin y la evaluacin gelogo econmico de los yacimientos para su explotacin (Lepin y Ariosa, 1986; Armstrong y Carignan, 1997; Chica, 1987). Todo esto condicionado al agotamiento de los recursos producto de la explotacin y a las fluctuaciones de las cotizaciones del mercado. Los trabajos de bsqueda y exploracin se dividen en estadios que son resultado de la aplicacin de un principio importante del estudio del subsuelo, el Principio de Aproximaciones Sucesivas. Cada uno de los estadios culmina con la determinacin lo ms aproximada posible de los recursos minerales del yacimiento, actividad fundamental de las empresas gelogo - mineras conocida como clculo de recursos y reservas. El desarrollo de la minera ha trado unido el perfeccionamiento de los mtodos de bsqueda de los minerales tiles, y los de la determinacin de su cantidad y utilidad para la extraccin (Lepin y Ariosa, 1986), adems, el mundo minero se hace cada vez ms competitivo y las compaas necesitan evaluar su potencial econmico (Berckmans y Armstrong, 1997). Existen actualmente dos formas de realizar el clculo de reservas, los mtodos clsicos y los modernos. Como clsicos se pueden destacar, el de Bloques Geolgicos y el de Perfiles Paralelos (Daz, 2001), stos se caracterizan por el uso de valores medios o media ponderadas de los contenidos de la exploracin en bloques definidos convenientemente. Estos mtodos son eficientes cuando la informacin disponible presenta determinada regularidad, pero en la prctica, como se seala en Journel y Huijbregts (1978) y David (1977) la gran diversidad de formas en que se presentan los datos ha llevado a la utilizacin de tcnicas matemticas y estadsticas para resolver un nico problema, estimar valores desconocidos a partir de los conocidos, para la estimacin y caracterizacin de los

recursos y reservas. En los ltimos aos muchas investigaciones se han desarrollado con este fin (Gotway y Cressie, 1993), existiendo mayor inters en las estimaciones a nivel local que a nivel global (Rivoirard y Guiblin, 1997). Claro est, no existe un mtodo por muy sofisticado que sea, que permita obtener resultados exactos. Nuestro objetivo ser discutir, los mtodos ms eficientes que proporcionen la mayor informacin posible de los datos disponibles, es decir, los modernos, de los que se pueden citar entre los geomatemticos: El Inverso de la Distancia, Triangulacin, Splines, etc. An ms, buscando el mejor estimador que minimice la varianza del error de estimacin surge la Geoestadstica por los trabajos de G. Matheron en la Escuela Superior de Minas de Pars, basado en conceptos iniciales de trabajos de H.S. Sichel en 1947 y 1949, en la aplicacin de la distribucin lognormal en minas de oro, seguido por la famosa contribucin de D.G. Krige en la aplicacin del anlisis de regresin entre muestras y bloques de mena. Estos trabajos fijaron la base de la Geoestadstica Lineal, adems, de la introduccin de la teora de funciones aleatorias por B. Matern en el estudio de la variacin espacial de campos forestales. La Geoestadstica se consolid y desarrollo en los ltimos 30 aos como ciencia aplicada casi exclusivamente en el campo minero, la cual ha sido ampliamente usada (Arik, 1992; Rivoirard y Guiblin, 1997), existiendo como ciencia aplicada que da respuesta a necesidades prcticas y concretas. Se reconoce como una rama de la estadstica tradicional, que parte de la observacin de que la variabilidad o continuidad espacial de las variables distribuidas en el espacio tienen una estructura particular (Journel y Huijbregts, 1978; Curran y Atkinson, 1998), desarrollndose herramientas matemticas para el estudio de estas variables dependientes entre si, llamadas segn Matheron variables regionalizadas, quien elabor su teora como se presenta en Matheron (1970), Journel y Huijbregts (1978), David (1977) y de Fouquet (1996). En resumen, la aplicacin de la teora de los procesos estocsticos a los problemas de evaluacin de reservas de distintos tipos de materias primas minerales y en general a las ciencias naturales en el anlisis de datos distribuidos espacial y temporalmente (Christakos y Raghu, 1996) dio origen a lo que hoy se conoce como Geoestadstica. 3. Geoestadstica, concepto La Geoestadstica se define como la aplicacin de la Teora de Funciones Aleatorias al reconocimiento y estimacin de fenmenos naturales (Journel y Huijbregts, 1978), o simplemente, el estudio de las variables numricas distribuidas en el espacio (Chauvet, 1994), siendo una herramienta til en el estudio de estas variables (Zhang, 1992). Su punto de partida es asumir una intuicin topo-probabilista (Matheron, 1970). Los fenmenos distribuidos en el espacio, la mineralizacin en un yacimiento mineral por ejemplo, presenta un carcter mixto, un comportamiento catico o aleatorio a escala local, pero a la vez estructural a gran escala (figura 1).

Se puede entonces sugerir la idea de interpretar este fenmeno en trminos de Funcin Aleatoria (FA), es decir, a cada punto x del espacio se le asocia una Variable Aleatoria (VA) Z(x), para dos puntos diferentes x e y, se tendrn dos VAs Z(x) y Z(y) diferentes pero no independientes, y es precisamente su grado de correlacin el encargado de reflejar la continuidad de la mineralizacin, o de cualquier otro fenmeno en estudio, de modo que el xito de esta tcnica es la determinacin de la funcin de correlacin espacial de los datos (Zhang, 1992). Su estimador, El Krigeaje, tiene como objetivo encontrar la mejor estimacin posible a partir de la informacin disponible, y en efecto, el valor estimado obtenido Z*(x) de un valor real y desconocido Z(x), consiste en una combinacin lineal de pesos asociados a cada localizacin donde fue muestreado un valor Z(xi) (i = 1,n) del fenmeno estudiado, observando dos condiciones fundamentales: 1.- que el estimador sea insesgado. E[Z* - Z] = 0, y 2.- que la varianza Var[Z* - Z] sea mnima, consiguindose de este modo minimizar la varianza de error de estimacin. A diferencia de otros mtodos de interpolacin, como por ejemplo el inverso de la distancia, el krigeaje utiliza en la estimacin las caractersticas de variabilidad y correlacin espacial del fenmeno estudiado, por lo que su uso implica un anlisis previo de la informacin con el objetivo de definir o extraer de esta informacin inicial un modelo que represente su continuidad espacial. Una vez logrado, estamos en condiciones de obtener el mejor valor posible en cada localizacin o bloque a estimar a partir de los datos medidos, acompaada de la varianza de krigeaje como medida del error de la estimacin realizada (Armstrong y Carignan, 1997), lo que distingue al krigeaje de otros mtodos de interpolacin (Abasov et al., 1990; de Fouquet, 1996; Carr, 1995). 4. Variables aleatorias regionalizadas Continuando con el caso minero, la informacin inicial para realizar el clculo de reservas es el resultado del anlisis de los testigos de perforacin, o muestras de afloramiento, obtenido en los laboreos de exploracin, que como una variable aleatoria puede tomar cualquier valor dentro de un rango determinado. Esta es la caracterstica fundamental que distingue a este tipo de variable, adems de su valor, una posicin en el espacio, hecho ste al que Matheron denomin Variable Aleatoria Regionalizada (Matheron, 1970), la cual est presente en la mayor parte de los estudios geolgicos (Pawlowsky et al., 1995) y fenmenos naturales (de Fouquet, 1996). Al respecto en Journel y Huijbregts (1978) y David (1977) se dedica el captulo II y V respectivamente a la teora de la variable regionalizada. Captulos donde se presentan los conceptos fundamentales de la Geoestadstica, en la que particularmente Journel y Huijbregts (1978) plantea que la definicin de variable regionalizada como una variable distribuida en el espacio es puramente descriptiva y envuelve una interpretacin probabilstica, refirindose a que, desde el punto de vista matemtico una variable regionalizada es simplemente una funcin f(x) que toma valores en todos los puntos x de coordenadas (xi, yi, zi) en el espacio tridimensional. Sin embargo, es muy frecuente que estas funciones varen tan irregularmente en el espacio que impiden un estudio matemtico directo, y se hace necesario realizar un anlisis de variabilidad de la informacin disponible, sugiriendo un estudio profundo de la funcin variograma como veremos ms adelante. En trminos tericos es oportuno aclarar que una variable aleatoria (VA) es una variable que puede tomar ciertos valores de acuerdo a cierta distribucin de probabilidades. Un valor medido en cada punto xi es considerado como una realizacin z(xi) de una VA Z(xi) cuya media es m(xi). En los puntos x donde no existen valores medidos es desconocida la propiedad que se estudia, pero estn bien definidos y pueden asimismo considerarse variables aleatorias Z(x). Al conjunto de todas las mediciones z(x) en el rea de estudio de la variable regionalizada puede considerarse como una realizacin particular del conjunto de VAs (Z(x), x rea de estudio). A este conjunto de VAs se llama Funcin Aleatoria y se escribe Z(x) (Journel y Huijbregts, 1978; Armstrong y Carignan, 1997). De modo que al extender el concepto de funcin aleatoria al espacio de una o ms dimensiones, aparece la nocin aleatoria y estructural de una variable regionalizada: primero Z(x) como VA y segundo que las VAs Z(x) y Z(x+h) no son en general independientes, si no que estn relacionadas por la estructura espacial de la variable regionalizada original Z(x).

4.1. Conceptos de variable aleatoria regionalizada En el estudio de las variables aleatorias regionalizadas es importante presentar conceptos que se sealan en Journel y Huijbregts (1978) y David (1977) y que son utilizados por la mayora de los autores donde se aplican los mtodos geoestadsticos como herramienta fundamental de trabajo. Estos conceptos son: Regin: se refiere al espacio en el cual existe y se estudia el fenmeno natural. Localizacin: Es el punto de una regin en la cual se define una variable aleatoria regionalizada. Soporte Geomtrico: Est determinado por el elemento fsico sobre el cual se realiza la determinacin de la variable aleatoria regionalizada, esto no es ms que la muestra unitaria, sobre la cual estudiaremos el atributo de inters. Momentos de primer orden: Si la funcin de distribucin de Z(x i) tiene una media definida, ser una funcin de la localizacin x i. m(xi) = E Z(xi) Momento de segundo orden: Si la varianza (Var) de Z(xi) existe, entonces se define como el momento de segundo orden y ser tambin una funcin de la localizacin xi. 2 Var Z(xi) = E [Z(xi) - m(xi)] Si la varianza de las variables Z(xi) y Z(xj) existe entonces la covarianza (Cov) de las stas tambin existe y es funcin de las localizaciones x i y xj. Cov[Z(xi), Z(xj)] = E [Z(xi) - m(xi)][Z(xj) - m(xj)] si xi = xj ; Cov[Z(xi), Z(xj)] = Var Z(xi) La funcin variograma o funcin estructural se define como la varianza de la diferencia Z(xi) - Z(xj). Var Z(xi) - Z(xj) = 2 (xi, xj la magnitud (xi, xj = Var Z(xi) - Z(xj) se denomina semivariograma. Tambin se puede definir el correlograma estandarizando, la covarianza para los valores x i - xj = h = 0 como: (h) = C(h)/C(0) -1 1 donde: C(h) es la covarianza a la distancia h, C(0) es la covarianza en el origen. Existen relaciones entre estas medidas de correlacin: (h = C(0) - C(h) con (0) = 0 (h) = 1 - (h)/C(0) 5. Hiptesis de la Geoestadstica Como la forma en que se presenta la informacin es muy diversa (Journel y Huijbregts, 1978), la geoestadstica se construye asumiendo condiciones de estacionaridad. Por lo que es necesario aceptar el cumplimiento de ciertas hiptesis sobre el carcter de la funcin aleatoria o procesos estocsticos estudiados, llamadas Hiptesis de la Geoestadstica. Estas son segn Journel y Huijbregts (1978) y David (1977): La Estacionaridad Estricta, La Estacionaridad de Segundo Orden, La Hiptesis Intrnseca y los Procesos Cuasiestacionarios. I- Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la funcin de distribucin de probabilidades de las variables aleatorias regionalizadas Z(x i) son iguales entre s, independiente de la localizacin xi, lo que requiere que los momentos de distinto orden para cada variable aleatoria regionalizada sean completamente independientes de la localizacin x i. Esta condicin como su nombre lo indica es demasiado restrictiva al estudiar la mayora de los fenmenos encontrados en la prctica. II- Estacionaridad de Segundo Orden. Esta condicin es ms frecuente en la prctica, la misma exige que: 1) E Z(xi) = m, existe y no depende de la localizacin xi. 2) La funcin covarianza, Cov Z(xi) - Z(xj) , exista y slo dependa de la longitud del vector h = xi - xj o sea. 2 C(h) = Cov Z(xi), Z(xj) = E Z(xi), Z(xi+h) - m

Esta hiptesis requiere la estacionaridad slo para la media y para la funcin de covarianza de la variable aleatoria regionalizada. La segunda condicin implica, estacionaridad de la varianza y del variograma. o 2 1 Var[Z(xi)] = E [Z(xi) - m] = C(0) x o 2 2 (h) = E [Z(xi)] - E Z(xi), Z(xi+h) x 2 como E[Z(xi), Z(xi+h)] = C(h) + m 2 2 y E[Z (xi)] = C(0) + m 2 2 (h) = C(0) + m - (C(h) + m ) (h) = C(0) - C(h). Como se observa en la ltima expresin (h) y C(h), son dos herramientas que permiten expresar la correlacin entre la variable aleatoria regionalizada Z(xi) y Z(xi+h), separadas por el vector h. III- Hiptesis Intrnseca. Una funcin aleatoria Z(x) se dice intrnseca cuando: a) Su esperanza matemtica existe y no depende de la localizacin x i. E Z(x) = m x b) Para todo vector h el incremento [Z(x+h) - Z(x)] tiene varianza finita y no depende de la localizacin xi: 2 Var Z(x+h) - Z(x) = E [Z(x+h) - Z(x)] = 2 (h) x Cuando se cumple esta condicin se dice que la funcin aleatoria Z(x) es homognea. Esta condicin se encuentra con bastante frecuencia en la naturaleza, pues existen muchos procesos que no tiene varianza finita y sin embargo, poseen una funcin variograma finita. La estacionaridad de segundo orden, siempre implica la condicin intrnseca (homogeneidad), sin embargo la relacin inversa no siempre se cumple. IV- Procesos Cuasiestacionarios. En la prctica la funcin estructural, covarianza o semivariograma, es slo usada por lmites h b. El lmite b representa la extensin de la regin en la que el fenmeno estudiado conserva cierta homogeneidad del comportamiento de Z(x i). En otros casos, b pudiera ser la magnitud de una zona homognea y dos variables Z(x) y Z(x+h) no pueden ser consideradas en la misma homogenizacin de la mineralizacin si |h| > b. En tales casos, podemos, y verdaderamente debemos, estar satisfecho con una funcin estructural C(x,x+h) o (x,x+h), lo que no es ms que estacionaridad local (para distancias h menores que el lmite b). Esta limitacin de la hiptesis de estacionaridad de segundo orden (o la hiptesis intrnseca si slo el variograma es asumido) a slo esas distancias |h| b corresponde a la hiptesis de cuasiestacionaridad. Est hiptesis es verdaderamente un compromiso de la escala de homogeneidad del fenmeno y la cantidad de datos disponibles. En la prctica segn Armstrong y Carignan (1997) y Chica (1987) son dos las hiptesis que ms se presentan: La Estacionaridad de Segundo Orden y la Hiptesis Intrnseca. Estas condiciones de estacionaridad se asumen en el desarrollo terico, en la prctica deben ser verificadas en los datos antes de comenzar un estudio geoestadstico, para lo que se puede realizar un anlisis estadstico de la informacin, de modo que se refleje de as el grado de confiabilidad en la aplicacin de estos mtodos. 6. Conocimiento del problema Antes de comenzar un estudio geoestadstico se deben discutir todos los elementos que aporten conocimientos del problema a resolver, la estructura geolgica en que se desarrolla la mineralizacin o el fenmeno en estudio, organizacin y verificacin de la informacin disponible y finalmente realizar el anlisis exploratorio de los datos. Una vez obtenido los datos, es necesario que se controlen integralmente a fin de verificar de una parte su exactitud y de otra su representatividad. Es importante que se est familiarizado con los datos, discutir todos los elementos necesarios a fin de conocer el problema a resolver (Armstrong y Carignan, 1997). En la minera los resultados son muy sensibles al nivel de informacin usado (Carrasco-Castelli y Jara-Salame, 1998; Lantujoul, 1994), cualquier modificacin involuntaria en la etapa inicial se refleja sistemticamente durante todo el estudio (Armstrong y Roth, 1997; Armstrong y Carignan, 1997).

6.1. Conceptos necesarios de estadstica bsica Con el objetivo de conocer la informacin disponible se puede hacer un anlisis de la estadstica descriptiva (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977). A continuacin se presenta un resumen de los conceptos necesarios de estadstica bsica. A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la distribucin de los datos es normal, lognormal, o si no se ajustan a una distribucin estadstica, lo cual implica tener conocimiento de: 1.- Numero de casos: Es el nmero de valores muestreados del fenmeno en estudio, representados por n y los datos por xi, i = 1, . . . , n, que llamamos distribucin. 2.- Rango de la distribucin: Es la diferencia entre el valor mximo y el mnimo. 3.- Media: Es la media aritmtica de la distribucin, dado por la frmula:

1 n

Xi
i 1

4.- Moda: Es el valor ms frecuente de la distribucin. 5.- Mediana: Es el valor para el cual la mitad de los datos son menores y la otra mitad estn por encima de este valor. Si ordenamos los datos en orden ascendente podemos calcular la mediana como. X(n+1)/2 si n es impar. M = (Xn/2 + Xn/2+1)/2 si n es par. La mediana es tambin llamada percentil 50, adems los datos no solo se dividen en dos grupos, sino que se pueden dividir en cuatro partes, cuartiles, donde Q1 = percentil 25, Q2 = Mediana y Q3 = percentil 75, si los datos se dividen en 10, tenemos los deciles. De forma general estas medidas se pueden calcular por: p(n+1)/100 sima observacin de los datos ordenados ascendentemente, donde p es el percentil que se desea calcular. 6.- Varianza: Describe la variabilidad de la distribucin. Es la medida de la desviacin o dispersin de la distribucin y se calcula por:
2

1 n 1i

Xi X m

La razn principal por la que se aboga por la divisin entre n-1 en la estimacin de la varianza, es 2 porque proporciona un mejor estimado; si dividimos por n-1 nos referimos a la varianza muestral S 2 como un estimador insesgado de la varianza poblacional . Esto significa que si un experimento fuera repetido muchas veces se podra esperar que el promedio de los valores as obtenidos para 2 2. 2 S igualara a Por otra parte si dividimos entre n los valores obtenidos para S seran como promedio demasiado pequeo. 7.- Desviacin estndar: Describe la tendencia o dispersin de la distribucin. Es la medida de desviacin alrededor de la media. Se calcula por: =
2

8.- Coeficiente de asimetra: Describe la simetra de la distribucin relativa a la distribucin normal. Se calcula por:
3

1 n

Xi
i 1

Xm

S3

En la distribucin normal la asimetra tiene valor cero, un valor negativo indica una cola a la izquierda y un valor positivo indica una cola a la derecha. 9.- Curtosis: Describe el grado de esbeltez de la distribucin, tomado por lo general en relacin a una distribucin normal, y se puede calcular por:
4

1 n

Xi
i 1

Xm

S4

La distribucin normal tiene curtosis igual a tres, y es llamada mesocrtica. A las distribuciones ms agudas, con colas relativamente anchas, se les llama leptocrticas, tienen valores de curtosis mayores que tres, y las distribuciones ms bien achatadas en el centro se llaman platicrticas, tienen valores menores que tres, en ocasiones se acostumbra a definir la curtosis como 4 - 3. 10.- Error estndar: Describe el grado de conocimiento de los datos y se puede calcular por: =
2

/n

La distribucin normal tiene un valor de error estndar menor que 1.25 y la distribucin lognormal o una distribucin con tendencia positiva, tiene valores de error estndar mayores que 1.25. 11.- Coeficiente de variacin: Es una medida de la variacin relativa de los datos y puede ser calculado por: CV = S/Xm y en porcentaje como: 100 CV = 100 (S/Xm) % Proporciona una comparacin entre la variacin de grandes valores y la variacin de pequeos valores. Las tcnicas de Geoestadstica Lineal que predomina en el campo de las geociencias producen los mejores resultados cuando el coeficiente de variacin es menor que uno, CV 1. Para CV 1 se recomiendan tcnicas de Geoestadstica no Lineal. 12.- Prueba Chi-Cuadrado: Permite determinar si la distribucin es normal, lognormal o alguna otra distribucin probabilstica, es su lugar puede ser usada la prueba Kolmogorov Smirnov como se refleja por muchos autores es ms robusta. 13.- Prueba t-Student: Permite determinar si en una distribucin bimodal las medias de las poblaciones son estadsticamente diferentes. B: Construccin de grficos estadsticos: Estos grficos permiten ilustrar y entender las distribuciones de los datos, identificar datos errados, valores extremos, los mismos incluyen: 1.- Mapa base, seccin cruzada y vista en perspectiva: Son usados para visualizar la relacin espacial en 2 y 3 dimensiones, permiten encontrar errores en la informacin. 2.- Histogramas: Son usados para ver las caractersticas descriptivas de la distribucin. Es un grfico de barras donde en las abscisas aparecen los lmites de las clases y en las ordenadas las frecuencias correspondientes a cada clase. 3.-Frecuencia acumulativa: Usado para identificar el tipo de distribucin muestral y ayuda a determinar si estn presentes poblaciones mixtas. Es un grfico de lmite de clase contra frecuencia acumulada. En el caso de grficos estadsticos es til usar los grficos de frecuencia absoluta, relativa, acumulativa y el diagrama de dispersin, como se presenta en muchos sistemas. Todos estos elementos permiten decidir sobre las condiciones de estacionaridad vistas anteriormente. Muchos autores slo toman como elementos fundamentales de estadstica bsica que: la media y la mediana tome valores prximos; el coeficiente de variacin sea inferior a 1; la distribucin de los datos est prxima a la curva normal y no existan valores extremos que afecten el desarrollo del anlisis estructural. 7. El anlisis estructural El anlisis estructural o estudio variogrfico segn (Armstrong y Carignan, 1997) est compuesto por: El clculo del semivariograma experimental. El ajuste a este de un modelo terico conocido. El clculo del semivariograma experimental es la herramienta geoestadstica ms importante en la determinacin de las caractersticas de variabilidad y correlacin espacial del fenmeno estudiado (Chica, 1987), es decir, tener conocimiento de como la variable cambia de una localizacin a otra (Lamorey y Jacobsom, 1995; Issaks & Co.,1999), representando el til ms importante de que dispone el geoestadstico para el anlisis del fenmeno mineralizado o de la variable de distribucin espacial en estudio (Sahin et al.,1998; Genton, 1998a). Este anlisis tiene como

condicionantes: la distribucin estadstica, la existencia de valores aberrantes o anmalos, la presencia de zonas homogneas o posibles zonaciones en la distribucin de las leyes. Puede ser calculado inicialmente el semivariograma medio, global u omnidireccional (ver El Semivariograma Experimental), proporcionando una idea inicial de la variabilidad espacial de los datos, siendo el ms idneo para representar u obtener una estructura clara y definida. Posteriormente deben ser calculados los semivariogramas en diferentes direcciones, puede ser calculado en 4 direcciones separadas 45 con tolerancia angular de 22.5, comenzando por 0 (figura 2a) hasta encontrar la direccin de mxima o mnima variabilidad (figura 2b), pueden ser calculados tambin, ms especficamente, en 8 direcciones separadas por 22.5. Una forma rpida y prctica de visualizar la existencia de anisotropa es mediante el clculo del Mapa de Variogramas (Frykman y Rogon, 1993; Homand-Etienne et al.,1995; Isaaks & Co.,1999), el cual adems permitir obtener la direccin inicial aproximada para el clculo de los semivariogramas direccionales, permitiendo un anlisis adecuado de anisotropa. Posteriormente, dependiendo de la continuidad espacial, es suficiente slo calcular dos semivariogramas separados 90.

Ahora, el semivariograma experimental obtenido no es utilizado en el proceso de estimacin, debe ser ajustado a ste uno a varios modelos tericos, obtenindose un modelo o funcin analtica que caracteriza la continuidad espacial de la variable estudiada. Los modelos de variograma terico utilizado en el proceso de estimacin o simulacin deben satisfacer ciertas condiciones, es decir tienen que ser definido positivo o de tipo positivo (Deutsch, 1994; Myers, 1992; Cressie y Grondona, 1992) de lo contrario puede existir el riesgo de encontrar varianzas negativas que no tienen sentido (Armstrong y Carignan, 1997). En general el ajuste a modelos tericos para la determinacin de los parmetros del semivariograma se realiza de forma visual. En ocasiones se efectan ajustes polinomiales por el mtodo de los mnimos cuadrados u otras variantes, que aunque se encuentra el mejor ajuste, no siempre se verifica la condicin de que el variograma obtenido sea siempre de tipo positivo, siendo insatisfactorio (Genton, 1998b), por lo que se recomienda el uso de modelos autorizados. Finalmente debe obtenerse uno o varios modelos de variogramas con los correspondientes valores de meseta y alcance. El modelo de variograma seleccionado debe representar fielmente los aspectos que se suponen importantes del variograma experimental (Wackernagel, 1995), que sern usados posteriormente en el proceso de estimacin o simulacin. 7.1. El semivariograma experimental El variograma se define como la media aritmtica de todos los cuadrados de las diferencias entre pares de valores experimentales separados una distancia h (Journel y Huijbregts, 1978), o lo que es lo mismo, la varianza de los incrementos de la variable regionalizada en las localizaciones separadas una distancia h. Var{Z(x+h)-Z(x)} = 2 (h) La funcin (h) se denomina semivariograma, la cual puede ser obtenido por la expresin.

( h)

Np ( h ) 1 Z ( xi ) Z ( xi 2 Np (h) i 1

h)

donde: Np(h)

es el nmero de pares a la distancia h. h es el incremento. Z(xi) son los valores experimentales. xi localizaciones donde son medidos los valores z(x i). Esta expresin de (h) representa el til ms importante en todo estudio geoestadstico (Armstrong y Carignan, 1997; Weerts, y Bierkens, 1993; Chica, 1987). Su clculo no consiste en una simple evaluacin de su expresin, segn se plantea en (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977; Xie y Myers, 1995a; Pannatier, 1993) esta operacin est relacionada con los elementos siguientes: La direccin en la que ser calculado el semivariograma, uno o dos ngulos que definen una direccin en el espacio y/o con tolerancias angulares d y/o d . El semivariograma calculado usando tolerancia angular de 90 se denomina semivariograma medio, global u omnidireccional como ya se indic. El incremento o paso en el clculo del semivariograma h y su tolerancia lineal dh, se recomienda que el valor de dh sea la mitad del incremento inicial. Una distancia, que representa la distancia mxima a que pueden estar alejados los segundos puntos del par con respecto a la lnea que define la direccin de clculo, conocido como ancho de banda. La distancia Lmax hasta la cual ser calculado del semivariograma. Se recomienda que sta sea la mitad de la distancia entre las muestras ms alejadas (Armstrong y Carignan, 1997; Krajewski y Gibbs, 1993), aunque dependiendo de la geometra del fenmeno regionalizado en algunos casos puede ser calculado hasta una distancia superior. Definido los elementos anteriores, se evala la expresin del semivariograma para todos los pares de localizaciones separadas a la distancia h que cumplan las siguientes condiciones:

1.- La distancia entre las localizaciones xi y xi+h sea mayor que h-dh y menor que h+dh, o lo que es lo mismo, el segundo punto del par est incluido en el espacio definido por h-dh y h+dh encontrndose el primer punto del par en el origen o (figura 3), este origen se mueve entre las muestras a analizar.

10

2.- El ngulo formado entre la lnea que une los dos puntos del par y la direccin 0 debe estar incluido entre -d y +d (figura 4). 3.- La distancia entre el segundo punto del par y la lnea que define la direccin de clculo del semivariograma no debe superar el ancho de banda (Deutsch y Journel, 1998) (figura 5). Finalmente se representan grficamente los valores de (h) en funcin de h.

El grfico de (h) tiene las siguientes caractersticas segn (Armstrong y Carignan, 1997; Krajewski y Gibbs, 1993; Curran y Atkinson, 1998) (figura 6). Pasa por el origen (para h=0, (h)=0) Es en general una funcin creciente de h.

11

En la mayor parte de los casos (h) crece hasta cierto lmite llamado meseta, en otros casos puede crecer indefinidamente. El comportamiento en el origen puede tener diferentes formas, las cuales son segn Journel y Huijbregts (1978), Armstrong y Carignan (1997), Chica (1987) (figura 7): Parablico: Caracteriza a una variable muy regular, siendo continua y diferenciable. Lineal: Caracteriza a una variable continua, pero no diferenciable, es decir menos regular. Discontinuidad en el origen: Efecto de pepita, es el caso en que (h) no tiende a cero cuando h tiene a cero. Representa a una variable muy irregular. Discontinuo puro: Llamado tambin ruido blanco, representa el caso de mayor discontinuidad, siendo el caso limite de ausencia de estructura, donde los valores de dos puntos cualesquiera no tienen correlacin alguna. 7.1.1. Construccin del semivariograma experimental en 2D A continuacin se presentan ocho pasos para la construccin del semivariograma experimental para datos distribuidos en dos dimensiones, resultado del anlisis realizado en la bibliografa

consultada. Sea Z(x) una funcin aleatoria con N variables aleatorias regionalizadas Z(x i) donde x = x, y es la localizacin y Z(xi) es el valor medido correspondiente. Dados una direccin a travs de un ngulo en la cual se desea calcular el semivariograma, d una tolerancia angular, dh una tolerancia lineal y el ancho de banda. Se proponen los siguientes pasos: 1.- Calcular la cantidad de pares de datos posibles por: Np = N(N-1)/2 2.- Para cada par, calcular la distancia entre las localizaciones correspondientes por:

di

X1

X2

Y1

Y2

i = 1, . . . , Np

almacenando para cada i: - P1: Nmero del primer punto del par, - P2: Nmero del segundo punto del par, - d: Valor de la distancia entre los dos puntos del par. - Angulo que fija la direccin de la recta que pasa por los dos puntos del par. 3.- Ordenar ascendentemente el grupo de datos anteriores por la distancia. 4.- Calcular la amplitud mxima del semivariograma Lmax como Lmax = Dmax/2, donde Dmax es la distancia a que estn separadas las localizaciones ms lejanas. Esto es la mxima distancia calculada en el paso (2), o lo que es lo mismo, el ltimo valor despus del ordenamiento del paso anterior. 5.- Fijar una distancia h inicial conocida como paso o incremento del semivariograma, se recomienda la distancia promedio entre las muestras contiguas. Para los mltiplos de esta distancia ser calculada (h), por la expresin del semivariograma. Esto indica la cantidad de puntos a procesar en el semivariograma, el cual se puede obtener como L max / h 6.- Calcular la expresin del semivariograma para todos los pares almacenados en el paso (2) que cumplan las condiciones siguientes:

12

a) La distancia d sea mayor que h-dh y menor que h+dh, es decir, h-dh d h+dh. Si esta condicin se cumple examinar la condicin b, de lo contrario continuar con la distancia siguiente. o b) El ngulo formado entre las lneas que parten del primer punto del par en la direccin 0 y la que pasa por los dos puntos del par en la direccin positiva, es decir, en contra de las manecillas del reloj, sea mayor que -d y menor que +d , es decir, -d +d . Si esta condicin se cumple examinar la condicin c, de lo contrario continuar con la distancia siguiente c) La distancia entre el segundo punto del par y la lnea que pasa por el primer punto en la direccin no supere el ancho de banda. Observaciones: * Note que como los datos almacenados en el paso (2) estn ordenados ascendentemente por la distancia, este paso se interrumpe cuando la distancia siguiente sea mayor que h+dh, y aqu precisamente, comienza la prxima iteracin. * Al interrumpir este paso calcular el semivariograma con los pares que cumplieron las condiciones a, b y c, as obtenemos un valor de (h) correspondiente al incremento h actual. 7.- Incrementar la distancia h en su propio valor, es decir, h ser el prximo mltiplo del h inicial. Si el nuevo valor de h no supera el valor de L. Regresar al paso (6) de lo contrario continuar el siguiente paso. 8.- Al finalizar el paso (7) debemos tener para cada valor transitado por h un valor calculado de (h), los cuales sern representados en un grfico X-Y donde en la abscisa representan los valores de h y en la ordenada los de (h). Obteniendo as el semivariograma experimental o emprico para una direccin, incremento y tolerancias definidas. 7.1.2. Construccin del semivariograma en tres dimensiones 3D Para la construccin del semivariograma 3D es necesario incorporar a la direccin del clculo un nuevo ngulo que permita fijar unido al ngulo una direccin en el espacio tridimensional. El o o ngulo debe variar entre -90 y 90 , teniendo en cuenta que los valores extremos coinciden con la direccin vertical y son independientes de la direccin del ngulo La construccin del semivariograma 3D es similar al 2D con cambios en dos de sus pasos presentados anteriormente: 1.- En el paso 2: el clculo de la distancia se sustituye por:

di

X1

X2

Y1

Y2

Z1

Z2

Almacenar para cada i adems: Otro ngulo que fija junto al ngulo la direccin de la recta que pasa por los dos puntos del par en tres dimensiones. 2.- En el paso 6 punto b, la direccin que contiene a los dos puntos del par debe estar incluida en el ngulo slido formado por la direccin del clculo del semivariograma y la tolerancia d , con centro en el primer punto del par. En el caso del clculo del semivariograma en tres dimensiones, an cuando tericamente pueden ser calculados, en la prctica nos encontramos una direccin que juega un rol diferente a la del resto (Armstrong y Carignan, 1997). En el caso minero las variaciones a travs de los estratos es diferente a su comportamiento a lo largo de un estrato, esto unido a la forma en que se realiza la exploracin, varios pozos distanciados decenas de metros y cada uno contiene un conjunto de muestras mineralizadas con una longitud del orden de 1 m. Es recomendable entonces analizar est direccin por separado y desarrollar un anlisis de variabilidad espacial en la direccin vertical, es decir, perpendicular a la estructura geolgica y otro anlisis en la direccin horizontal, a lo largo de la estructura geolgica, utilizando en este caso compsitos de la zona de inters, realizando adems, un anlisis de anisotropa. Elementos que permitirn describir la variabilidad en tres dimensiones. 7.1.3. Problemas ms comunes encontrados en el clculo de semivariograma De lo expresado hasta aqu, adems de lo planteado en muchos textos de geoestadstica, se puede obtener la impresin de que es fcil el clculo del semivariograma experimental (Armstrong y Carignan, 1997). La fuente de problemas que se pueden presentar en la realizacin del un

13

anlisis estructural es muy variada, lo que est en correspondencia con la variedad de casos que se presentan en la naturaleza. Algunos de los problemas ms comunes discutidos en Armstrong y Carignan (1997) son: El valor idneo del incremento h: Una inadecuada seleccin de h puede proporcionar un semivariograma errtico, aunque no se puede dar un criterio exacto o aproximado sobre cual el mejor valor de h, es recomendable recalcular (h) para distintos valores de h, hasta encontrar una forma suavizada del mismo. Distribuciones con valores extremos: La existencia de valores extremos, altos o bajos, en una distribucin, puede conducir a la obtencin de un variograma fuertemente errtico. En este caso la solucin puede ser simple, eliminar los datos extremos, porque pueden ser ocasionados por errores, en otros casos pueden encontrarse en zonas geogrficamente distintas y pueden ser tratados de manera separada. Una herramienta til para la deteccin de valores extremos y encontrar el incremento adecuado puede ser, calculado la Nube de Variogramas (Armstrong y Carignan, 1997), el cual consiste en 2 representar los valores de [Z(xi+h)-Z(xi)] /2 contra h, para cada par posible de la informacin inicial. La existencia de poblaciones mixtas: Existen datos que pueden mostrar diferentes poblaciones, los cuales pueden estar estadsticamente diferenciados. En muchos casos las poblaciones estn geogrficamente diferenciadas, donde se recomienda tratar las zonas por separado. En otros casos las poblaciones se presenten mezcladas geogrficamente, en este caso una solucin puede ser un cambio de escala, con lo que se logra reducir la diferencia de los valores extremos. En Krajewski y Gibbs (1993) se presentan otras razones por los que los semivariogramas son errticos, las cuales son: 1.- No hay suficientes muestras, 2.- Las muestras no son representativas del fenmeno, 3.- Las clasificaciones de las muestras no son vlidas, 4.- El rea estudiada es no homognea, 5.- Pequeos o largos conjuntos de datos son necesarios, 6.- Pequeas o largas distancia deben ser calculadas, 7.- Ms o menos distancias deben ser calculadas, 8.- Pequeas tolerancias son necesarias, 9.- Las muestras pueden tener localizaciones incorrectas, 10.- Los valores muestreados pueden ser errneos. El problema fundamental en la obtencin de un semivariograma correcto es, la eleccin adecuada de los intervalos de distancias para los cuales ser calculado el semivariograma, de modo que en stos la cantidad de pares encontrados sea suficiente desde el punto de vista estadstico. 7.2. Modelado de semivariogramas El modelado de semivariogramas incluye dos etapas fundamentales (Xie y Myers, 1995a), una vez construido el semivariograma experimental o emprico es necesario ajustar a este un modelo terico, con el objetivo de determinar los parmetros descriptivos del semivariograma que posteriormente sern usados en la estimacin (ASCE Task, 1990; Journel y Huijbregts, 1978; David, 1977; Lamorey y Jacobsom, 1995; Pannatier, 1993; Arik, 1990; Dubrule, 1994). 7.2.1. Parmetros del semivariograma Los parmetros del semivariograma caracterizan tres elementos importantes en la variabilidad de un atributo que son: la discontinuidad en el origen (existencia de efecto de pepita), el valor mximo de variabilidad (meseta), y el rea de influencia de la correlacin (alcance), (figura 8). como se presentan en Krajewski y Gibbs (1993), Journel y Huijbregts (1978), David (1977), Echaabi (1995), Lamorey y Jacobsom (1995), Wallace y Hawkims (1994), Pannatier (1993), Arik (1990), Pitard (1994), y se describen a continuacin.

14

El Efecto Pepita (Nugget): El semivariograma por definicin es nulo en el origen, pero en la prctica las funciones obtenidas pueden presentar discontinuidad en el origen, a esta discontinuidad se le llama efecto de pepita, en ingles (Nugget effect). Puede ser obtenido trazando una lnea recta entre los primeros puntos del semivariograma emprico y extender sta hasta que se intercepte con el eje Y. Si esta interseccin ocurre por debajo de cero, el valor asumido por este efecto es cero, pues valores negativos de (0) no tienen significado y no es comn. El efecto pepita se representa como Co. La Meseta (Sill): Es el valor de (h) para el cual con el aumento de h su valor permanece constante, se representa como (CT = C + Co) y se denomina meseta. Puede obtenerse trazando una lnea paralela a la abscisa y que se ajuste a los puntos de mayor valor del semivariograma y su valor se lee en la interseccin de esta lnea con la ordenada. El Alcance (Range): La distancia h para la cual las variables Z(x) y Z(x+h) son independientes, se denomina alcance y se representa por (a), es decir, las distancias para la cual los valores de la variable dejan de estar correlacionados, o lo que es lo mismo, la distancia para la cual el semivariograma alcanza su meseta. El alcance siempre tiene valor positivo y puede ser obtenido a partir de la interseccin de las lneas descritas en los puntos anteriores, ese punto ledo en la abscisa es una fraccin del propio alcance, fraccin que se detallara posteriormente en la explicacin de los modelos tericos 7.2.2. Modelos tericos de semivariogramas Los modelos tericos de semivariogramas admisible o autorizados ms utilizados en la prctica se presentan en Journel y Huijbregts (1978) en los que coinciden Krajewski y Gibbs (1993), Deutsch y Journel (1998), Bacchi y Kottegoda (1995), Wackernagel (1995), Armstrong y Carignan (1997), Myers (1991c), Kiyono y Suzuki (1996). Atendiendo a las dos caractersticas ms importantes en el modelado de semivariogramas que son segn Journel y Huijbregts (1978): 1.- Su comportamiento en el origen, el cual puede ser linear, parablico y con Efecto de Pepita y 2.- La presencia o ausencia de meseta. Estos modelos son: Efecto de Pepita: Corresponde a un fenmeno puramente aleatorio (ruido blanco), sin correlacin entre las muestras, cualquiera sea la distancia que las separe, (figura 9), donde C representa el valor de la meseta. (h) =0 h=0 =C |h|>0

15

Modelo Esfrico: Este modelo es probablemente el ms utilizado, es una expresin polinomial simple, en su forma representada en la figura 10, se puede observar un crecimiento casi lineal y despus a cierta distancia finita del origen se alcanza una estabilizacin, la meseta. La tangente en el origen encuentra a la meseta en el punto de abscisa (2/3)a, donde a representa el valor del alcance. 3 (h) = C [ (3/2)(h/a) - (h/a) ] h a C h > a Modelo Exponencial: Este modelo a diferencia del esfrico crece inicialmente ms rpido y despus se estabiliza de forma asinttica (figura 11). Como la meseta no se alcanza a una distancia finita, se usa con fines prcticos el alcance efectivo o alcance prctico a, valor que se obtiene en el punto de abscisa para el cual el modelo obtiene el 95% de la meseta, con un valor a=3a, donde a es el parmetro de escala. La tangente en el origen encuentra a la meseta en el punto a=(1/3)a. (h) = C [1 - Exp(-|h|/a)] |h| > 0 Modelo Gaussiano: Este es un modelo extremadamente continuo (figura 12), inicialmente presenta un comportamiento parablico en el origen, despus al igual que en el modelo Exponencial se alcanza la meseta de forma asinttica. El alcance prctico tiene un valor de a=1.73a, que es el valor de la abscisa donde se alcanza el 95% de la meseta.

( h ) = C [ 1 - Exp(-|h| /a )]
2 2

|h| > 0

16

Modelo con funcin potencia: Este es un modelo sin meseta, su forma se representa en la figura 13, para valores de correspondientes a 0.5, 1.0 y 1.5. (h) = |h| con ]0, 2[

Para el valor de =1 en el modelo anterior se obtiene el modelo Lineal, al cual no tiene ni meseta ni alcance. Ahora por efectos prcticos, sin embargo, muchos programas informticos denotan la pendiente del modelo lineal con la relacin C/a (figura 14). (h) = (C/a) |h| Se han presentado los modelos ms usados en la prctica, aunque se debe sealar, existen otros modelos que son ampliamente descritos en el manual de referencias del sistema geoestadstico Isatis. Estos modelos pueden ser ajustados individualmente, aunque es posible encontrar en la prctica aplicaciones donde a los semivariogramas experimentales se les debe ajustar ms de un modelo terico, es decir, a travs de superposicin, nombrndose estructuras imbricadas (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977). La seleccin del modelo y los parmetros apropiados a las caractersticas del semivariograma emprico, para ser usados en la interpolacin geoestadstica que veremos posteriormente es el punto ms importante en el proceso planteando (Arik, 1990), adems, esta seleccin es fundamental en el caso particular de la minera donde se presentan yacimientos: con irregularidad en la densidad de barrenos; sin una adecuada perforacin; con alta asimetra en la distribucin o que carecen de un modelado geolgico propio. Al respecto se refieren muchos autores sobre el efecto negativo que puede tener en la estimacin el uso del krigeaje sin un estudio de estructura espacial y la seleccin adecuada del modelo de semivariograma y sus parmetros. 7.2.3. Validacin del modelo terico Como el ajuste de los modelos tericos al semivariograma experimental, se realiza de forma visual o interactiva, variando los valores Co (efecto de pepita), C + Co (meseta) y a (alcance), hasta coincidir con los parmetros que mejor se ajustan, es conveniente validar el modelo seleccionado y los parmetros meseta y alcance escogidos. Al respecto se discute la validacin cruzada en Journel y Huijbregts (1978), Armstrong y Carignan (1997), Bacchi y Kottegoda (1995), Myers (1991b), Deutsch y Journel (1998), Xie y Myers (1995b), Kiyono y Suzuki (1996), Host (1995), Lajaunie (1997), Madani (1998), Carr (1994). El mtodo de validacin cruzada ha sido ampliamente utilizado para evaluar el grado de bondad de un modelo de semivariograma y reconocido como un mtodo ptimo de estimacin de sus parmetros. La operacin de validar un semivariograma terico ajustado a uno experimental siempre toma mucho tiempo, ste se considera como el ltimo de los pasos importantes del

17

anlisis de variabilidad, debido a que una vez obtenido este resultado ser utilizado en la estimacin por krigeaje en cualquiera de sus variantes. 7.2.3.1. Validacin cruzada Sea Z(x) una funcin aleatoria estacionaria con semivariograma (h), su funcin de covarianza 2 2 C(h) viene dada por C(h) = - (h) donde es la varianza de Z(x). Sea Zx1, Zx2,...,Zxn los valores de Z(x) en n puntos medidos. La validacin cruzada consiste en suprimir el i-simo valor * medido Z(xi) y estimarlo a partir del resto de los datos. El valor estimado Z (xi) se calcula por krigeaje, procedimiento explicado ms adelante. Si se repite este proceso para los N puntos, se pueden calcular n errores de validacin: * E(xi) = Z (xi)- Z(xi) i = 1, 2, . . . , N. As se van probando diferentes valores de los parmetros del semivariograma hasta que los errores de validacin cumplen los siguientes criterios estadsticos: (Journel y Huijbregts, 1978; David, 1977; Armstrong y Carignan, 1997). * 1. El error medio, dado por T 1 = (1/n) i=1,n [Z(xi) - Z (xi)], debe ser aproximadamente igual a cero. * 2 2. El error medio cuadrado, dado por T 2 = (1/n) i=1,n [Z(xi) - Z (xi)] , debe ser pequeo. * 2 3. La medida, T3 = (1/n) i=1,n [Z(xi) - Z (xi)]/ , debe ser igual a uno. * * 4. La medida, T4 = Corr [Z(xi) - Z (xi)]/ , Z (xi) , debe ser cero. * 5. La medida, T5 = Corr Z(xi), Z (xi) , debe ser uno. Otros autores slo plantean que las medidas fundamentales son la indicada por T1 y T3, (Lamorey y Jacobsom, 1995; Bacchi y Kottegoda, 1995). 7.2.4. Ajuste automtico El ajuste de modelos de semivariogramas se puede realizar tambin de forma automtica. Esta ha sido presentada por varios autores, en la que se sugieren una forma particular de aplicar el mtodo de los mnimos cuadrados y as obtener el modelo y sus parmetros, teniendo en cuenta que el modelo obtenido sea definido positivo, como ya se ha indicado. La efectividad de estos se describe y argumenta en Gotway (1991) y Zhang (1995). Una comparacin generalizadora se presenta en Zimmerman y Zimmerman (1991) donde se comparan varios mtodos para estimar los parmetros del semivariograma entre visuales y automticos. Ahora, el ajuste realizado de forma automtica no tiene porque reportar mejores resultados en el proceso de estimacin, recomendndose en Journel y Huijbregts (1978) y Lantujoul (1997) y otros validar el modelo seleccionado de acuerdo al estimador a utilizar. Un criterio decisivo, independiente de la forma utilizada en la eleccin del modelo terico y sus parmetros, es si lugar a dudas, emplear el mtodo de la validacin cruzada con el estimador a utilizar en el proceso de estimacin, discutido anteriormente. 7.3. Anlisis de anisotropa Conviene aqu realizar un anlisis sobre el comportamiento de la variabilidad del atributo en estudio. Se conoce que el semivariograma describe las caractersticas de continuidad espacial de la variable regionalizada en una direccin, pero este comportamiento pueden variar segn la direccin que se analice, como se discute en Journel y Huijbregts (1978), David (1977), Zimmerman (1993), Krajewski y Gibbs (1993). Se exige por este motivo un anlisis del comportamiento de la continuidad en distintas direcciones, el Anlisis de Anisotropa. Cuando el semivariograma calculado en diferentes direcciones (norte-sur, este-oeste, y en o direcciones intermedias de 45 o de 22.5, con tolerancia de 22.5 ), muestra similar comportamiento, se dice que el fenmeno es Isotrpico, cuando muestran diferentes comportamientos es Anisotrpico (Krajewski y Gibbs, 1993). Los tipos de anisotropas ms comunes son la Geomtrica y la Zonal. (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; Armstrong y Carignan, 1997) Anisotropa Geomtrica: Est presente cuando los semivariogramas en diferentes direcciones tiene la misma meseta pero distintos alcance (figura 15).

18

Anisotropa Zonal: Est presente cuando los semivariogramas en diferentes direcciones tiene diferentes mesetas y alcances (figura 16). Al respecto en (Zimmerman, 1993), se hace un estudio profundo de los tipos de anisotropa,

proponiendo una nueva terminologa. En estos casos conviene realizar transformaciones de coordenadas con el objetivo de obtener modelos Isotrpicos (Journel y Huijbregts, 1978; Chica, 1987; Armstrong y Carignan, 1997). 7.3.1. Efecto proporcional

Cuando en el clculo del semivariograma se detecta que existe una relacin linear entre el valor medio de las muestras usadas en el clculo de cada (h) y la desviacin estndar correspondiente, se dice que existe un efecto proporcional (heterosedasticidad). Este efecto se puede detectar ploteando los valores de Xm contra , es decir, que el coeficiente de variacin ( /Xm) sea aproximadamente constante, ocurre cuando los datos presentan una distribucin lognormal (Journel y Huijbregts, 1978) (figura 17). La solucin a este problema propuesta por David (1977) consiste en dividir cada valor del semivariograma local por el cuadrado de la media local, y obtener lo que se conoce como semivariograma relativo (David, 1977). F(h) = (h)/Xm (h)
2

F (h)

1 N ( h ) Z (x i ) Z (x i h) 2 N (h) i 1 Z (x ) Z (x h) 2 i i

Puede ser calculado usando los pasos anteriormente presentados para el clculo de los semivariogramas tradicionales. Existen otras medidas de la continuidad espacial descritas en Journel y Huijbregts (1978) y Pannatier (1993), las cuales permiten un anlisis estructural detallado con diferentes objetivos. 7.3.2. Problemas en el modelaje de semivariogramas Los problemas ms comunes al modelar semivariogramas que complican este proceso se presentan en Krajewski y Gibbs (1993). Se analizan los siguientes casos. 1.- La anisotropa geomtrica est presente: Indica que los semivariogramas direccionales tienen la misma meseta pero diferentes alcances, sta puede ser corregida a travs de una transformacin linear de coordenadas que permita reducir una elipse a un circulo.

19

2.- La anisotropa zonal est presente: indica que tanto las mesetas como los alcances son diferentes para los semivariogramas direccionales, puede ser corregido separando el semivariograma en sus componentes isotrpicos horizontal y anisotrpico vertical. 3.- La tendencia de los datos est presente: indica que los valores medidos aumentan o disminuyen dramticamente en la zona estudiada con el aumento de la distancia. Esto puede ser resuelto aplicando polinomios a la ecuacin del semivariograma, es decir un anlisis de tendencia. 4.- El efecto proporcional est presente: Indica que la desviacin estndar local es proporcional al cuadrado de la media local y que los datos presentan una distribucin lognormal, puede ser resuelto dividiendo cada valor del semivariograma local por el cuadrado de la media local, es decir usando semivariogramas relativos. 5.- Existencia de estructuras anidadas: indica que diferentes procesos operan a diferentes escalas, como por ejemplo alguno o todos los siguientes: A muy pequeas distancias la variabilidad puede estar presente debido a cambios de una composicin mineral a otra. A pequeas distancias la variabilidad puede estar presente debido a errores. A grandes distancia la variabilidad puede estar presente debido a casos transitorios de desgaste mineral. El cual puede ser resuelto aplicando varios modelos simultneamente. 6.- Existencia de efecto hueco: indica que muy pocos pares estn disponible para la comparacin a una distancia especfica. Y puede ser resuelto recuperando ms casos para la distancia definida. 7.- La periodicidad est presente: indica que el comportamiento del semivariograma repite por s mismo periodicidades, por ejemplo: El valor de la meseta puede aumentar o disminuir sistemticamente, o un caso en que los valores son tomados alternativamente a travs de diferentes estratos, como piedras areniscas, esquistos, etc. Esto puede ser resuelto si es un problema real y no un antifaz del anlisis, la periodicidad puede ser tambin un fenmeno real mostrado por zonal ricas y pobres repetidas a espacios similares. 8. Estimacin Todo lo expresado hasta aqu tiene un nico objetivo, conocer la informacin disponible para realizar estimaciones (Journel y Huijbregts, 1978; David, 1977; Armstrong y Carignan, 1997), es decir, estimar valores desconocidos a partir, no slo de los conocidos, sino tambin de su estructura de continuidad espacial. A diferencia de otra gran variedad de mtodos de interpolacin que no utilizan estas caractersticas y que se emplean actualmente con diferentes fines. Sin pretender hacer una comparacin profunda de las caractersticas y ventajas de stos mtodos, veamos algunos ejemplos. 8.1. Triangulacin Este mtodo consiste en ajustar un plano que pase por las tres muestras ms cercanas y adyacentes a la localizacin que se desea estimar. La ecuacin del plano es: Z=ax+by+c Cada muestra tiene coordenadas (x, y) y z representa el valor muestreado. Con el objetivo de obtener la ecuacin del plano que pase por las tres muestras se construye el siguiente sistema de ecuaciones lineales: a x1 + b y1 + c = z1 a x2 + b y2 + c = z2 a x3 + b y3 + c = z3 y as obtenemos los coeficientes a, b y c, entonces el valor de z en cualquier localizacin dentro del tringulo correspondiente se puede obtener sustituyendo sus coordenadas en la ecuacin de Z. 8.2. Inverso de la distancia * Este mtodo se basa en una combinacin lineal dada por: Z (x) = i Z(xi) En la que i son los pesos proporcionales al inverso de la distancia euclidiana entre las localizaciones muestreadas y la que se desea estimar, stos pesos son calculados por: 1/doj i = (1/doi)/ donde: doi es la distancia entre la localizacin a estimar y la localizacin de la muestra i. Generalizando obtenemos: * Z (x) = [ i+1,n 1/doi Z(xi)] / i=1,n1/doj

20

Se pueden obtener distintos estimadores si escribimos la ecuacin anterior como: * Z (x) = [ i=1,n (1/doi) Z(xi)] / i=1,n(1/doj) Note que si = 1 se obtiene la ecuacin anterior. Estas dos tcnicas de estimacin utilizan directamente los valores muestreados en el proceso de estimacin y refieren pesos de acuerdo a las distancias entre los datos, sin tener en cuenta la continuidad espacial de la informacin disponible. Veamos ahora el krigeaje, interpolador de la geoestadstica, que s utiliza los resultados que discutidos del anlisis estructural. Inicialmente, Matheron denomin a esta tcnica Krigeage (en francs) que en ingles se convierte en Kriging y en espaol se escribe Krigeaje. Este trmino que tiene su origen en el apellido de D.G. Krige, reconociendo de esta forma su aporte. El krigeaje es una tcnica de estimacin que proporciona el mejor estimador lineal imparcial (BLUE, en ingles, Best Linear Unbiased Estimator), (Schaug et al.,1993; Christensen et al.,1993; Abasov et al., 1990), y que adems proporciona una error de estimacin conocido como varianza de krigeaje que depende del modelo de variograma obtenido y de las localizaciones de los datos originales (Armstrong y Carignan, 1997; Journel y Huijbregts, 1978; David, 1977; Abasov et al., 1990). Esto brinda la posibilidad de hacer anlisis sobre la calidad de las estimaciones (Weerts y Bierkens, 1993; Haas, 1992). 8.3. Planteamiento del problema del krigeaje Como resultado de los trabajos de bsqueda y exploracin de yacimientos minerales, se obtiene informacin del anlisis qumico de los testigos de perforacin y/o rocas de afloramiento. Cualquiera sea la forma en que se organice esta informacin, debe ser regularizada, de modo que se obtengan los valores de la caracterstica estudiada (contenido mineral en el caso minero), acompaadas de las coordenadas de las localizaciones correspondientes. En trminos mineros, el problema de krigeaje consiste en encontrar la mejor estimacin lineal posible del contenido mineral de un panel, teniendo en cuenta la informacin disponible, mediciones que han sido obtenidas tanto en el interior como externamente al panel que se desea estimar. El krigeaje consiste en efectuar una ponderacin, es decir, atribuir un peso a cada valor observado, los pesos son calculados de manera que minimice la varianza de estimacin resultante, teniendo en cuenta las caractersticas geomtricas del problema (Matheron, 1970). Al minimizar la varianza de estimacin se garantiza el uso ptimo de la informacin disponible (Zhang, 1996). 8.3.1. Ecuaciones del krigeaje Se dispone de los valores muestreados Z(xi), i=1,,n, y deseamos estimar un valor de la caracterstica observada en el panel Z(v) por una combinacin lineal de Z(xi). Z*(v) = i Z(xi) donde Z*(v) es el valor estimado y i son los peso de krigeaje, de modo que los i sean obtenidos de tal forma que proporcione un estimador: insesgado E[Z*(v) - Z(v)] = 0 y de varianza mnima Var[Z*(v) - Z(v)] La geoestadstica exige como primera etapa y fundamental el conocimiento del comportamiento estructural de la informacin, es decir, se debe contar adems, con el modelo de semivariograma terico que refleje fielmente las caractersticas de variabilidad y correlacin espacial de la informacin disponible, discutido anteriormente. En el caso minero, particularmente, por la forma en que se presenta la informacin, de estar condicionada en una direccin por diversos parmetros (Rivoirard y Guiblin, 1997), se debe obtener modelos de variogramas verticales y horizontales, el primero, que caracteriza la correlacin espacial en esta direccin, es decir a travs de los estratos, y el segundo en los estratos, obtenindose un modelo conjunto para la estimacin de bloques (Pan y Arik, 1993; Armstrong y Carignan, 1997). Los bloques a estimar son definidos con dimensiones convenientes a la unidad de seleccin minera, teniendo en cuenta el espaciamiento entre muestras y el alcance estructural, es decir, la distancia hasta la cual las muestras se encuentran correlacionadas espacialmente. Las ecuaciones del krigeaje se obtienen entonces de acuerdo las hiptesis de la geoestadstica que deben ser asumidas y verificadas como ya se indic. Teniendo en cuenta las hiptesis de la geoestadstica se pueden obtener las ecuaciones del krigeaje para los siguientes casos: funcin aleatoria estacionaria de esperanza nula o conocida, mtodo conocido como Krigeaje Simple, para una funcin aleatoria estacionaria de esperanza

21

desconocida, y una funcin aleatoria intrnseca, mtodo conocido para los dos ltimos casos como Krigeaje Ordinario. A continuacin se presenta el sistema krigeaje para estos casos: 8.3.1.1. Krigeaje Simple Estimador: Z*(v) = i Z(xi) + m(1i). Sistema: i C(xi, xj) = C(xj, v) j = 1,,n 2 Varianza de krigeaje: = C(v,v) i C(xi, v) 8.3.1.2. Krigeaje Ordinario En trminos de la covarianza Estimador: Z*(v) = i Z(xi) Sistema: i C(xi, xj) - = C(xj, v) i=1 2 Varianza de krigeaje: = C(v,v) i C(xi, v) + En trminos del semivariograma Estimador: Z*(v) = i Z(xi) Sistema: i (xi, xj) + = (xj, v) i=1 2 Varianza de krigeaje: = i (xi, v) - (v,v) +

i,j = 1,,n

j = 1,,n

En todos los casos el sistema puede ser escrito matricialmente de la forma: K = C Al sistema krigeaje es necesario hacer algunas observaciones segn Journel y Huijbregts (1978): 1.- El sistema krigeaje tiene solucin nica si y solo s la matriz de K es definida estrictamente positiva, es decir: 0 i=1,n j=1,n i j C(xi, xj) o en trminos de variograma: - i=1,n j=1,n i j (xi, xj) 0 y no existen datos con las mismas coordenadas. 2.- El krigeaje, el cual es un estimador imparcial, es tambin un interpolador exacto, es decir, para iguales soportes de observacin v ( =1,,n) y de estimacin V, Los valores real Z y estimado Z* 2 son iguales, adems de que la varianza de krigeaje k es cero. 3.- Las expresiones del sistema krigeaje y de la varianza de krigeaje son completamente generales, es decir, son aplicables cualquiera sean los soportes de observacin y estimacin y el modelo estructural empleado. 4.- El sistema krigeaje y la varianza de krigeaje dependen slo: del modelo estructural C(h) o (h) obtenido y de la geometra del soporte de observacin. Esta caracterstica da la posibilidad de que la varianza de krigeaje sea usada cuidadosa y convenientemente para el estudio de redes y la clasificacin de recursos. En el proceso de krigeaje, la matriz que se obtiene tiene dimensiones de hasta (N+1) x (N+1), cuando existen muchos datos en el rea de influencia definido por los alcances esta matriz es grande, lo que implica tiempo para la solucin del sistema, sin embargo (Myers, 1991c), excepto para las localizaciones vecinas de la localizacin a estimar, los pesos son ceros o prximos a cero, conocido como el efecto pantalla del krigeaje. En la prctica, se establece una vecindad de bsqueda para evitar el trabajo con grandes sistemas, el cual es recomendado en la totalidad de la literatura bsica de geoestadstica. Todos los sistemas que implementan la estimacin por krigeaje, permiten la definicin de una vecindad de bsqueda, la cual debe ser obtenida con reducciones proporcionales en cada unos de los alcances, o la estimacin por cuadrantes u octantes, limitando el nmero de muestras a usar en el proceso de krigeaje. De modo que los pesos asignados a las muestras ms lejanas a la localizacin a estimar y dentro de la vecindad de bsqueda no sean negativos, nulos o prximos a cero. En ocasiones por esta razn se realizan compensaciones por el sistema de krigeaje que pueden arrojar pesos negativos y por consiguiente valores negativos en la estimacin.

22

8.4. El caso no estacionario, Krigeaje Universal (KU) Uno de los problemas encontrados al modelar semivariogramas segn Krajewski y Gibbs (1993) y ASCE Task (1990) es la existencia de tendencia en los datos, es decir, que los valores medidos aumentan o diminuyen en alguna direccin en el rea de estudio. Este es el caso de un fenmeno no estacionario, lo que hace imposible la aplicacin del krigeaje presentado hasta aqu. Con el objetivo de solucionar este problema Matheron propuso dos aproximaciones, primero el Krigeaje Universal (KU) (Matheron, 1970), que consiste en extraer de la variable original Z(x) la parte no estacionaria por medio de una componente determinstica m(x) que representa la deriva, hasta encontrar la parte estacionaria del fenmeno, obtenindose un componente estocstico R(x) relacionados por la siguiente expresin: Z(x) = m(x) + R(x). Para el componente determinstico se sugiere utilizar una funcin polinomial de las coordenadas para modelar la tendencia, es decir:
K

m( x )
l 0
l

al f l ( x)

donde al son coeficientes y f es la funcin que describe la tendencia. As pueden obtenerse derivas simples, lineales, cuadrticas, etc., (Jones y Vecchia, 1993; Maisonneuve, 1998). Para una deriva simple el KU se reduce al Krigeaje Ordinario (Christensen, 1993; Renard, 1998). Obtenindose finalmente el sistema Krigeaje Universal.
N K

(x , x )
1 N l 0

al f l ( x ) f l ( xo )
K

( x , xo )

f l (x )
1

Con varianza de estimacin.

N 2 KU 1

(x , x )
l 0

al f l ( xo )

Una variante de krigeaje que tiene en cuenta esta situacin, fue desarrollada por Goldberger, A, S. en 1962 y descrita por Matheron en 1969, para tratamiento de datos dbilmente estacionarios y con tendencia. La aplicacin de KU puede resultar difcil por la indeterminacin de la tendencia y del semivariograma (Carr, 1990; Armstrong y Carignan, 1997; Renard, 1998). Una aproximacin ms general es el estudio del modelo de Funciones Aleatorias Intrnsecas de orden K, la cual consiste en construir incrementos de orden creciente hasta alcanzar un orden K para el cual dichos incrementos son estacionarios (Christensen, 1990).

23

9. Geoestadstica Multivariada Los conceptos presentados hasta aqu, extendidos a ms de una variable, se denominan Geoestadstica Multivariada (Wackernagel, 1995). Es posible encontrar casos de variables de inters que estn insuficientemente muestreadas, pero que se conoce su correlacin con otras variables en la zona de inters. Utilizando esta correlacin es posible estimar una variable de inters a partir de la informacin de la propia variable adems de las correlacionadas con ellas (Journel y Huijbregts, 1978; David, 1977; Myers, 1991a; Wackernagel, 1995; Myers, 1991d; ASCE Task, 1990; Christakos y Bogaert, 1996; Almeida y Jounel, 1994; Carr y Mao, 1993). Esto es, el Co-Krigeaje, una extensin o generalizacin del krigeaje cuando ms de una de las variables disponibles guardan relacin entre s. En este caso, se requiere conocimiento no slo del modelo de semivariograma de cada una de las variables, sino adems, del semivariograma cruzado entre las variables (Zhang et al.,1992; Myers, 1991a; D'Agostino y Zelenka, 1992; Pawlowsky et al.,1994; Myers, 1992; ASCE Task, 1990; Myers, 1991a; Carr y Myers, 1990; Wackernagel, 1994). Existen variantes de Co-Krigeaje ms generales para la integracin de datos (Almeida y Jounel, 1994) En este proceso, se pueden distinguir las siguientes situaciones (Wackernagel, 1995 y 1998): Isotopa: Se produce cuando todas las variables poseen valores medidos en todas las localizaciones. En este caso no es de inters aplicar el procedimiento multivariado, porque el CoKrigeaje en este caso puede resultar equivalente al krigeaje, se dice variables autokrigeables. Heterotopa total: Cuando las variables poseen valores medidos en localizaciones diferentes. En este caso no es de inters tampoco aplicar procedimiento multivariado, adems, de que no es posible obtener el semivariograma cruzado experimental. Heterotopa parcial: Esta situacin se produce cuando algunas (la mayor parte) de las localizaciones muestreadas poseen valores medidos de todas las variables, un caso importante es cuando las muestras de la variable de inters estn incluidas como un subconjunto de las dems variables. En este caso pueden ser calculados los semivariogramas cruzados y resulta ventajoso utilizar el procedimiento Co-Krigeaje. 9.1. Semivariogramas cruzados El semivariograma cruzado se obtiene por la ecuacin:
AB ( h)

1 N (h) Z (x ) 2 N ( h) i 1 A i

Z A ( xi

h) Z B ( xi )

Z B ( xi

h)

donde ZA y ZB son variables correlacionadas, ZA la variable de inters y ZB la variable auxiliar o secundaria. Los criterios para el clculo del semivariograma cruzado son anlogos al caso univariado, mientras el semivariograma directo toma slo valores positivos, el cruzado puede tomar valores negativos, lo que indica correlacin inversa entre las variables. Un aspecto importante en el modelado de los semivariogramas cruzados es que deben satisfacer la desigualdad de Cauchy Schwarz (Wackernagel, 1995):
AB

(h)

(h)

(h)

Una forma de modelar los semivariogramas cruzados consiste en ajustar independientemente los semivariogramas de las variables ZA, ZB y el de la suma ZA + ZB, los cuales estn relacionados por la siguiente expresin.
AB

( h)

A B

( h)

( h)

( h)

En Issaks y Srivastava (1989) se presentan elementos para el clculo y ajuste de los semivariogramas en el caso multivariado, adems del Modelo Lineal de Corregionalizacin como procedimiento para modelar semivariogramas directos y cruzados. 9.2. Co-Krigeaje. El sistema Co-Krigeaje Simple se presenta a continuacin.
N nj j j 1 1

Cij ( x

x )

Ciio ( x

x )

for i

1,... N ;

1,..., ni

24

La varianza es:
N 2 CK j 1 1 ni i iio

(x

xo )

ioio

( xo

xo )

El sistema Co-Krigeaje Ordinario es:

N nj j ij j 1 ni i iio 1 1

(x

x )

iio

(x

x )

for i for i

1,... N ; 1,..., N

1,..., ni

donde:

1 si i
iio

io io
xo ) ( xo xo )

0 si i
ni i iio

y la varianza es:
N 2 CK j 1 1

(x

io

ioio

9.3. Krigeaje con Deriva Externa Este procedimiento es un simple y eficiente algoritmo para incorporar una segunda variable Y(x) en la estimacin de una primaria Z(x) (Deutsch y Journel, 1998). Consiste en una extensin del Krigeaje con Modelo de Tendencia o Krigeaje Universal que integra condiciones de universalidad suplementarias relativas a una o varias variables externas Yi(x) i = 1, ..., N medidas de forma exhaustiva en todo el dominio donde se desea estimar la variable de inters (Wackernagel, 1993). Si la variable Y(x) que llamaremos secundaria tiene un comportamiento lineal con la variable de inters Z(x) que llamaremos primaria, es decir, si se cumple la relacin: E{Z ( x)} a bY ( x) u otra relacin polinomial con sentido fsico, es posible incorporar sta en el sistema de krigeaje, integrado dos fuentes de informacin con diferente grado de conocimiento. Obtenindose el siguiente sistema:
Z C11 Z C 21 Z C12

C1ZN

Y1

1 2

Z C10 Z C20

Z C 22 C 2ZN

1 Y2 1 YN 0 0

=
N 1 2

Z CN 0 1 Y0

C 1

Z N1

1 Y2

C 1

Z NN

0 0 o en notacin matricial C w B
N

Y1

YN

El estimador es: Z 0
i 1

i Zi

y la varianza de estimacin: C00 w B donde: T como superndice denota matriz transpuesta,

Z Cij : covarianza de la variable primaria entre las localizaciones i y j.

9.4. Co-Krigeaje con Variable Colocalizada (Collocated CoKriging) Otro modelo que incorpora una o varias variable externa para al estimacin de una primaria consiste en una forma reducida de sistema de Co-Krigeaje (Deutsch y Journel, 1998), que incluye a

25

la variable de inters y la variable secundaria conocida en todo el dominio donde ser estimada la variable primaria. El sistema de Collocated Cokriging es
Z C11 Z C21 Z C12 Z C22 Z C1 N Z C2 N ZY C10 ZY C20

1 1 1 1 0

1 2

Z C10 Z C 20

Z CN1 ZY C01

ZY C02

Z C NN
ZY C0 N

ZY CN 0 Y C00

=
N

Z CN 0
ZY C00

w
1

1 1 o en notacin matricial: C w B
N

El estimador es: Z 0
i 1

i Zi

w Y0
2 Z

mY

mZ
T

la varianza de estimacin es: C00 w B Donde: Y0 es el valor colocado de la variable secundaria en la localizacin a estimar x 0 .
i (i = 1,...,N): pesos asignados a los datos experimentales de la variable primaria.

w : peso asignado a la variable secundaria. mY : esperanza matemtica de la variable secundaria. mZ : esperanza matemtica de la variable primaria.
Y Cij : covarianza de la variable secundaria entre las localizaciones i y j.

ZY Cij : covarianza cruzada entre la variable primaria y secundaria en las localizaciones iyj. Yi Y ( xi ) y lo mismo para la variable primaria.
2 : multiplicadores de Lagrange. ZY Los valores Cij pueden aproximarse por la expresin 1 y

ZY Z Cij = B Cij , donde:

ZY

B=

Y Z Cij Cij

ZY

Z Y 0 , Cij , Cij son las varianzas de las variables Z y Y,

0 es el coeficiente

de correlacin entre las variables Z y Y. 10. Geoestadstica no Lineal En ocasiones nos encontramos situaciones con caractersticas que las tcnicas lineales no permiten modelar, datos con alta asimetra por ejemplo. En estos casos se pueden realizar transformacin a los datos, y obtener configuraciones de estos que si pueden ser explicados por el krigeaje, para lo que se han adoptado variantes como el Krigeaje Lognormal, Krigeaje de Indicadores, El Krigeaje Disyuntivo (Carr y Mao, 1993), El Krigeaje de Probabilidades (Carr, 1994; Carr y Mao, 1993), etc. La idea de estos procedimientos es realizar transformaciones en los datos originales hasta encontrar homogeneidad en la informacin, utilizar la tcnica Krigeaje descritas hasta aqu y posteriormente realizar la transformacin inversa. Un estudio ms detallado en este sentido puede ser encontrado en Chica (1987), Deutsch y Journel (1998), Rivoirard (1991), entre otros. 11. La Simulacin Geoestadstica La estimacin en Geoestadstica por el Krigeaje, como todo proceso de interpolacin, ofrece una imagen suave o lisa de la realidad, existiendo aplicaciones en la que interesa algo ms que simplemente obtener valores aproximados a una realidad desconocida, es decir, resultara til una

26

representacin que pueda sustituir la realidad. Con tal intencin se propone, la Simulacin Geoestadstica, a travs de la cual se obtienen realizaciones con igual comportamiento espacial que la informacin observada en las localizaciones muestreadas. La cual puede ser til para obtener una representacin de una de las posibles realizaciones de la realidad de un yacimiento (Lantujoul, 1998; Rivoirard, 1998). Esto da la posibilidad de sustituir un yacimiento real por uno simulado y realizar estudio de simulacin de explotacin, estudio de redes, etc, Un estudio ms detallado puede ser encontrado en Lantuejoul (1995), Deutsch y Journel (1998), Cuador et al. (2000), Cuador y Quintero (2001), entre otros. 12. Conclusiones Hasta aqu hemos expuesto los elementos fundamentales de la geoestadstica, ciencia aplicada que surge como solucin a problemas concretos en la estimacin de reservas minerales y que toma auge en otros campos de las Ciencias de la Tierra. Es importante destacar que la estimacin a travs del krigeaje, se hace buscando y utilizando las caractersticas de continuidad espacial del fenmeno estudiado, caractersticas que constituyen la contribucin fundamental de la geoestadstica a travs de las diferentes variantes de interpolacin que propone. Adems de las referencias bibliogrficas utilizadas, quedaran por citar las magnificas contribuciones de otros autores. Referencias Bibliogrficas. Abasov, M.T., Djafarov, I.S. y Askerov, G.I., 1990, Computer Based System for Exploration, Optimization, and Reserve Estimation at the Bakhar Field, South Apsheron, Azerbaijan, SSR, Computers & Geosciences, Vol. 16, No. 2, pp. 245-249 Almeida, A.S. y Jounel, A.G., 1994, Joint Simulation of Multiple Variables with a Markov-Type. Coregionalization Model, Mathematical Geology, Vol. 26, No. 5, pp. 565-588. Annels, A.E., 1991, Mineral Deposit Evaluation, Practical Approach, Chapman & Hall, 431 p. Arik, A., 1990, Effects of Search Parameters on Kriged Reserve Estimates, International Journal of Mining and Geological Engineering, Vol. 8, No.12, pp. 305-318. Armstrong, M., 1994, Bon Sens et Gostatistique, Bulletin de Liaison des Anciens Stagiaires du Centre dEtudes Superioures des Matieres Premieres CESMAT, No.40 Novembre 1994, 8 p. Armstrong, M. y Roth, C., 1997, Notas del curso Geoestadstica Lineal, en el CFSG Ciclo de Formacin Especializada en Geoestadstica, Curso: 1997-98, Centro de Geoestadstica de la Escuela Nacional Superior de Minas de Paris, Fontainebleau, Francia. Armstrong, M. y Carignan, J., 1997, Gostatistique Linaire, Application au Domaine Minier., cole de Mines de Paris, 112 p., Gostatistique Linaire, Application au Domaine Minier., cole de Mines de Paris, 112 p. ASCE Task, 1990, Committed on Geostatistics Techniques in Geohydrology of the Ground Water Hydrology Committee ofthe ASCE Hydraulics Division, , Review of Geostatistics in Geohydrology II: Aplicatioms, Journal of Hydraulic Engineering, Vol.116, No. 5, pp. 633-658. Bacchi, B. y Kottegoda, N.T., 1995, Identification and Calibration of Spatial Correlation Patterns of Rainfall, Journal of Hydrology 165, Elsevier Science B.V., pp. 311-348. Carr, J.R., 1990, UVKRIG: A Frotram-77 Program for Universal Kriging, Computers & Geosciences, Vol.16, No.2, pp. 211-236. Carr, J.R., 1994, Order Relation Correction Experiments for Probability Kriging, Mathematical Geology, Vol. 26, No. 5, pp. 605-621. Carr, J.R., 1995, Numerical Analysis for the Geological Sciences, Prentice Hall Inc, 592p. Carr, J.R. y Mao, N., 1993, A General Form of Probability Kriging for Estimation of the Indicator and Uniform Transforms, Mathematical Geology, Vol. 25, No. 4, pp. 425-437. Carr, J.R. y Myers, D.E., 1990, Efficiency of Different Equation Solvers in CoKriging, Computers & Geosciences, Vol. 16, No. 5, pp. 705-716. Carrasco-Castelli, P. y Jara-Salame, E., 1998, Information Impact in Mining Decisions Case Study Radomiro Tomic, Journees de Geostatistique, Centre de Gostatistique, Ecole des Mines de Pars, Fontainebleau, France, 25 et 26 Mai 1998, 14 p. Chauvet, P., 1994, Aide-Memoire de Gostatistique Miniere, cole des Mines de Paris, 210 p.

27

Chica-Olmo, M., 1987, Anlisis Geoestadstico en el Estudio de la Explotacin de Recursos Minerales, Tesis Doctoral, Universidad de Granada, Espaa, 387 p. Christakos, G., y Raghu, V.R., 1996, Dynamic Stochastic Estimation of Physical Variables, Mathematical Geology, Vol. 28, No. 3, pp. 34-365. Christensen, R., 1990, The Equivalence of Prediction from Universal Kriging and Intrinsic Random Function Kriging, Mathematical Geology, Vol. 22, No. 6, pp. 655-664. Christensen, R., 1993, Quadratic Covariance Estimation and Equivalence of Predictions, Mathematical Geology, Vol. 25, No. 5, pp. 541-558. Cressie, N. y Grondona, M.O., 1992, A Comparison of Variogram Estimation with Covariogram Estimation, The Art of Statistical Sciences, Chapter 15, pp. 191-208. Cuador-Gil, J. Q. y Quintero, A., 1999, Anlisis estructural: punto de partida de todo estudio geoestadstico. Revista Minera y Geologa, Vol. XVI, No. 3, pp. 16-22. Cuador-Gil, J.Q., Quintero, A., y Estvez, E., 2000, La simulacin condicional en Geoestadstica. Revista Minera y Geologa, Vol. XVII, No.1, pp. 47-50. Cuador-Gil, J. Q. y Quintero, A., 2001, Simulacin condicional de variables regionalizadas y su aplicacin al comportamiento de la porosidad efectiva en un yacimiento fracturado poroso, Boletn de la Sociedad Geolgica Mexicana, Tomo LIV, pp. 19-27. Curran, P.J. y Atkinson, P.M., 1998, Geoestatistics and Remote Sensing, Progress in Physical Geography, 22, 1, pp. 61-78. D'Agostino, V. y Zelenka, A., 1992, Supplementing Solar Radiation Network Data by Co-kriging with Satellite Images, International Journal of Climatology, Vol. 12, pp.749-761. David, M., 1977, Geostatistical Ore Reserve Estimation, Elsevier, Amsterdam, 364 p. de Fouquet, C, 1996, Quelques Rappels Sur les Mthodes Gostatistiques, Centre de Gostatistique, Ecole des Mines de Pars, Fontainebleau, France, 4 p. Deutsch, C.V., 1994, Kriging With String of Data, Mathematical Geology, Vol. 26, No.5, pp. 623638. Deutsch, C.V. y Journel, A.G., 1998, GSLIB: Geostatistical Software Library and Users Guide, Second Edition, Oxford University Press, 369 p. Dubrule, O., 1994, Estimating or Choosing A Geostatistical Model, R. Dimitrakopolous (de.), Geostatistics for the Next Century, pp. 3-14. Echaabi, J., Trochu, F. y Gauvim, R., 1995, A General Strength Theory for Composite Materials Based on Dual Kriging Interpolation, Journal of Reinforced Plastics and Composites, Vol.14, pp.211-232. Estvez Cruz, E. y Cuador-Gil, J.Q., 2002, Yacimiento Oro Castellanos: evaluacin y comparacin de tcnicas de estimacin espacial, Revista Minera y Geologa, Vol. XVIII, Nos. 14. Frykman, P. y Rogon, T.A., 1993, Anisotropy in Pore Networks Analysed with 2-D Autocorrelation (Variomaps), Computers & Geosciences, Vol. 19, No. 7, pp. 887-930. Genton, M.G., 1998a, Highly Robust Variograms Estimation, Mathematical Geology, Vol. 30, No. 2. Genton, M.G., 1998b, Variograms Fitting by Generalized Least Squares Using an Explicit Formula for the Covariance Structure, Mathematica Geology, Vol. 30., No. 4. pp. 323-345. Gotway, C.A., 1991, Fitting Semivariogram Models by Weigmted Least Squares, Short Note, Computers & Geosciences, Vol. 17, No. 1, pp.171-172. Haas, T.C., 1992, Redesigning Continental-Scale Monitoring Networks, Atmospheric Environment, Vol. 26A, No. 18, pp. 3323-3333. Homand-Etienne, F., Belen, T., Sabbadini, S., Shtuka, A. y Royer, J.J., 1995, Analysis of the evolution of Rock Joints Morphology with 2-D autocorrelation (Variomaps), Application of Statistics and Probability, Lemaire, Favre and Mbarki (eds.), Balkema Rotterdam, pp. 12291236. Host, G., Omre, H. y Switzer, P., 1995, Spatial Interpolation Error for Monitoring Data, Journal of the American Statistical Association, Vol. 90, No. 431, pp. 853-861. Isaaks, E. H. y Srivastava, R.M., 1989, Applied Geostatistics, New York Oxford, Oxford University Press, 561 p. Isaaks & Co., 1999, SAGE2001, A Spatial and Geostatistical Environment for Variography, San

28

Mateo, California, http://www.isaaks.com, 67 p. Jones, R.H. y Vecchia, A.V., 1993, Fitting Continuous ARMA Models to Unequally Spaced Spatial Data, Journal of The American Statistical Association, Vol. 88, No. 423, pp. 947-954. Journel, A. G. y Huijbregts, C. J., 1978, Mining Geostatistics, Academic Press, New York, 600 p. Kiyono, J. y Suzuki, M., 1996, Conditional Simulation of Stochastic Waves by Using Kalman Filter and Kriging Techniques, Eleventh World Conference on Earthquake Engineering, Acapulco, Mexico, June 23-28, 8 p. Krajewski, S. A. y Gibbs, B.L., 1993, A Variaogram Primer, Gibbs Associates, 93 p. Lajaunie, C., 1997, Iterative Cross Validation, Centre de Gostatistique, Ecole des Mines de Pars, France, 8 p. Lamorey, G. y Jacobsom, E., 1995, Estimation of Semivariogram Parameters and Evaluation of the Effects of Data Sparsity, Mathematical Geology, Vol.27, No.3, pp. 327-358. Lantujoul, Ch., 1994, Cours de Selectivit, Centre de Geostatistiqu, Ecole des Mines de Pars, 72 p. Lantuejoul, Ch., 1995, Conditional Simulation, Centre de Geostatistiqu, Ecole des Mines de Pars, 141 p. Lantujoul, Ch., 1997, Iterative Algorithms for Conditional Simulation, E.Y.Baafi and N.A. Schofields (eds) Geostatistics Wollongong96, Volume 1, pp. 27-40. Lantujoul, Ch., 1998, Notas del curso Simulacin, en el CFSG Ciclo de Formacin Especializada en Geoestadstica, Curso 1997-98, Centro de Geoestadstica de la Escuela Superior de Minas de Paris, Fontainebleau, Francia. Lepin, O. V. y Ariosa, J. D., 1986, Bsqueda, Exploracin y Evaluacin Gelogo Econmica de Yacimientos Minerales Slidos, Editorial Pueblo y Educacin, Ciudad de La Habana, Primera Parte, 348 p, Segunda Parte, 191 p. Madani, H., 1998, Geostatistical Ore Reserves Estimation of Mehdiarad Barite Mine, Iran, Journees de Geostatistique, Centre de Gostatistique, Ecole des Mines de Pars, Fontainebleau, France, 25 et 26 Mai 1998, 7 p. Maisonneuve, F., 1998, Essai de Gostatistique Lineaire, Centre de Gostatistique, Ecole del Mines de Pars, 21 p. Matheron, G., 1970, La Thorie des Variables Regionalises et ses Applications Les Cahiers du Centre de Morphologie Mathematique de Fontainebleau, Fascicule 5, Ecole de Mines de Paris, 212 p. Matheron, G. y Kleingeld, W.J., 1987, The Evolution of Geostatistics, APCOM 87. Proceedings of the Twentieth International Symposium on the Application of Computers and Mathematics in the Mineral Industries, Volume 3. Goestatistics. Johannesburg, SAIMM, pp. 9-12. Myers, D. E., 1991a, Pseudo-Cross Variograms, Positive-Definiteness, and Cokriging, Mathematical Geology, Vol. 23, No.6, pp. 805-816. Myers, D.E., 1991b, On Variogram Estimation, The Frontiers of Statistical Scientific Theory Industrial Applications (Volume II of the Proceedings of ICOSCO-I, The First International Conference on Statistical Computing). Myers, D.E., 1991c, Interpolation and Estimation with Spatially Located Data, Chemometrics and Intelligent Laboratory Systems, 11, Elsevier Science Publishers B.V., pp. 209-228. Myers, D.E., 1991d, Multidimensional Multivariable Smoothing, Spatial Statistics Imaging, pp. 275285. Myers, D.E., 1992, Kriging, Cokriging, Radial Basic Functions and The Role of Positive Definiteness, Computers Mathematical Application, Vol. 24, No.12, pp.139-148. Pan, G. y Arik, A., 1993, Restricted Kriging for Mixture of Grade Models, Mathematical Geology, Vol. 25, No. 6, pp. 713-736. Pannatier, Y., 1993, Ms-Windows Program for exploratory variography and variogram modelling in 2D, International Workshop on Statistics of Spatial Processes-Theory and Applications, Bari, Italy 27-30 September 1993. Pawlowsky, V., Olea, R.A. y Davis, J.C., 1994, Additive Logratio Estimation of Regionalized Compositional Data: and Application to Calculation of Oil Reserves, Geostatistics for the Next Century, pp. 371-382.

29

Pawlowsky, V., Olea, R.A. y Davis, J.C., 1995, Estimation of Regionalized Composition: A Comparison of Three Methods, Mathematical Geology, Vol.27, No. 1, pp.105-127. Peric, M., 1981, Exploration of Burundi Nickeliferous Lateritic by Electrical Methods, Geophysical Prospecting, 29, pp. 274-287. Pitard, F. F., 1994, Exploration of the Nugget Effect, R. Dimitrakopolous (de.) Geostatistics for the Next Century, pp.124-136. Quintero Silverio, A., Cuador Gil, J. Q. y Estvez Cruz, E., 2000, Simulacin no Condicional, Mtodo de las Bandas Rotantes en 3D. Revista Minera y Geologa, Vol. XVII, No. 1, pp. 51-54. Quintero Silverio, A. y Cuador Gil, J. Q., 2000, Anlisis Estructural de la Porosidad Efectiva en el Horizonte Tobas Fina del Yacimiento Pina, Ciego de Avila. Revista Minera y Geologa. Vol. XVII, Nos. 3-4, pp. 19-22. Renard, D., 1998, Notas del curso Geoestadstica No Estacionaria, en el CFSG Ciclo de Formacin Especializada en Geoestadstica, Curso: 1997-98, Centro de Geoestadstica de la Escuela Superior de Minas de Paris, Fontainebleau, Francia. Rivoirard, J. 1991, Introduction au Krigeage Disjonctif et a la Geostatistique non Lineaire, Centre de Gostatistique, Ecole des Minea de Paris, 99 p. Rivoirard, J. y Guiblin, P., 1997, Global Estimation Variance in Presence of Conditioning Parameters, E.Y.Baafi and N.A. Schofields (eds) Geostatistics Wollongong96, Volume 1, pp. 246-257. Rivoirard, J., 1998, Notas del curso Simulacin, en el CFSG Ciclo de Formacin Especializada en Geoestadstica, Cursos: 1995-96 y 1997-98, Centro de Geoestadstica de la Escuela Superior de Minas de Paris, Fontainebleau, Francia. Roth, C., 1998, Notas del curso Goeestadstica No Lineal, en el CFSG Ciclo de Formacin Especializada en Geoestadstica, Curso 1997-98, Centro de Geoestadstica de la Escuela Superior de Minas de Paris, Fontainebleau, Francia. Sahin, A. y Hassan, H.M., 1998, Enhancement of Permeability Variograms Using Outcrop Data, The Arabian Journal for Sciences and Engineering, Vol. 23, No. 1C, pp. 137-144. Schaug, J., Iversen, T. y Pedersem, U., 1993, Comparison of Measurements and Model Results for Airborne Sulphur and Nitrogen Components with Kriging, Atmospheric Environment, Vol.27A, No. 6, pp. 831-844. Wackernagel, H., 1994, Cokriging versus Kriging in Regionalized Multivariate Data Analysis, Geoderma, 62, pp. 83-92. Wackernagel, H., 1995, Multivariate Geostatistic, an Introduction with applications, Berlin: Springer, 256 p. Wackernagel, H., 1998, Notas del curso Goeestadstica Multivariada, en el CFSG Ciclo de Formacin Especializada en Geoestadstica, Curso 1997-98, Centro de Geoestadstica de la Escuela Superior de Minas de Paris, Fontainebleau, Francia. Wallace, M.K. y Hawkims, D.M., 1994, Applications of Geostatistics in Plant Nematology, Supplement to Journal of Nematology 26 (45), pp. 626-634. Walpole, R.E. y Myers, R. H., 1996, Probabilidad y Estadstica, Cuarta edicin, Ed. Mc Graw Hill, Mxico, 218 p. Webster, A. L., 1996, Estadstica aplicada a la Empresa y a la Economa. IRWIN, segunda edicin. Madrid.. Weerts, H.J.T. y Bierkens, M.F.P., 1993, Geostatistical Analysis of Over Bank Deposits of Anatomising and Meandering Fluvial Systems; Rhine-Meuse Delta, The Netherlands, Sedimentary Geology, 85, Elsevier Sciences Publishers B.V., pp. 221-232. Xie, T. y Myers, D.E., 1995a, Fitting Matrix-Valued Variogram Models by Simultaneous Diagonalization (Part I: Theory), Mathematical Geology, Vol. 27, No. 7, pp. 867-875. Xie, T. y Myers, D.E., 1995b, Fitting Matrix-Valued Variogram Models by Simultaneous Diagonalization (Part II: Application), Mathematical Geology, Vol. 27, No. 7, pp. 877-888. Zhang, R., Myers, D. E. y Warrick, A. W., 1992, Estimation of the Spatial Distribution of Soil Chemical Using Pseudo Cross-Variograms, Soil Science Society of America Journal, Vol. 56, No. 5, pp.1444-1452. Zhang, X.F., Van Eijkeren, J.C.H. y Heemink, A.W., 1995, On the Weighted Least Squares

30

Method for Fitting a Semivariogram Model, Short Note, Computers & Geosciences, Vol. 21, No. 4, pp. 605,608. Zimmerman, D.L., 1993, Another Look at Anisotropy in Geostatistics, Mathematical Geology, Vol. 25, No. 4, pp. 453-470. Zimmerman, D.L. y Zimmerman, M.B., 1991, A Comparison of Spatial Semivariograms Estimators and Corresponding Ordinary Kriging Predictors, Technometrics, Vol.33, No.1, pp. 77-91.