Geoestadistica

Geoestadstica
Robinson VILLANUEVA NEZ

LIMA PER (noviembre 2008)
Remote Sensing, Natural

Resources and Environment
RESENAREN SAC
GEOESTADSTICA
Pg.
6
6
1. INTRODUCCIN
2. APLICACIONES DE LA GEOESTADSTICA
CAPITULO 1.
ETAPAS DE UN PROYECTO MINERO E IMPORTANCIA DE LA
GEOESTADSTICA EN MINERA
1.1. ETAPAS DE UN PROYECTO MINERO
7
1.1.1. Prospeccin
7
1.1.2. Factibilidad
7
1.1.3. Proyecto minero
8
1.1.4. Programa de explotacin
9
1.2. CAMPOS DE APLICACIN
9
1.3. IMPORTANCIA DE LAGEOESTADSTICA EN MINERA
9
CAPITULO 2.
TEORA DE LAS VARIABLES REGIONALIZADAS
2.1. DEFINICIN DE GEOESTADSTICA.
2.2. VARIABLES REGIONALIZADAS (V.R.)
2.2.1. Soporte y campo
CAPTULO 3
HIPTESIS DE TRABAJO Y VARIOGRAMA
3.1. HIPTESIS DE TRABAJO
3.1.1. Funcin aleatoria.
3. 2. EL VARIOGRAMA.
3.2.1. Propiedades de un variograma
3.2.1.1. Relacin con la covarianza.
3.2.1.2. Simetra.
3.2.1.3. Positividad.
3.2.1.4. Isotropa.
3.2.1.5. El variograma rinde cuenta de la regularidad de un fenmeno.
3.2.1.6. Incorporacin de parmetros estructurales
3. 3. CONTINUIDAD ESPACIAL.
3.3.1. Covariograma (C(h))
3.3.2. Correlograma ((h))
11
11
13
14
14
15
16
16
16
16
16
16
18
19
19
20
CAPITULO 4
EL SEMIVARIOGRAMA EXPERIMENTAL
2.1. DEFINICION.
2.2. CONSTRUCCIN DE UN VARIOGRAMA.
2.2.1. Soporte y regularizacin.
2.2.2. Construccin de un variograma
2.2.3. Representacin esquemtica de las iteraciones
22
22
22
23
24
2.3. ANLISIS ESTRUCTURAL.

2.3.1.Comportamiento del variograma en el origen
a) Ausencia de estructuras
b) Valores muy regulares y continuos
c) Continuidad media
27
27
27
27
28
Robinson Villanueva
resenaren_ger@speedy.com.pe
d) Presencia de microestructuras
2.3.2. Alcance.
2.3.3. Efecto de pepita (Co).
28
29
30
2.4. CLCULO DEL VARIOGRAMA A MALLA IRREGULAR EN DOS

DIMENSIONES
2.4.1.Mtodo de los sectores
2.4.2. Mtodo del Lpiz
2.4.3. Rotacin y direccin
31
32
34
34
CAPITULO 5
EL VARIOGRAMA TERICO
5.1.MODELOS DE VARIOGRAMAS
5.1.1.Variograma con efecto de pepita.
5.1.2. Variograma con meseta.
5.1.3. Variograma sin meseta.
5.1.4. Efectos que se manifiestan en los semivariogramas:
a) Semivariogramas con tendencia
b) Efecto de agujero (trou)
c) Efecto proporcional
d) Semivariogramas compuestos
42
49
5.2. ISOTROPA
50
5.3. ANISOTROPA
5.3.1. Modelizacin de variogramas anistropos
5.3.2. Ejemplo de ajuste de un variograma anistropo
51
52
53
36
36
37
38
39
39
40
5.4. RELACIONES VOLUMEN-VARIANZA

54
5.5. REAGRUPAMIENTO DE K VARIOGRAMAS EXPERIMENTALES
EN UN VARIOGRAMA EXPERIMENTAL PROMEDIO
56
CAPTULO 6
VARIANZA DE ESTIMACIN
6.1. EL ERROR DE ESTIMACIN Y SU DISTRIBUCIN
58
6.2. GENERALIZACIN DE LA ESTIMACIN DE LA LEY

6.2.1. Error de estimacin
6.2.2. Varianza de estimacin e intervalo de confianza.
59
59
60
6.3. CLCULO DE LA VARIANZA DE ESTIMACIN.

6.3.1. Expresin matemtica.
61
61
6.4. VARIANZA DE EXTENSIN.
62
6.5. FUNCIONES AUXILIARES.

6.5.1. Unidimensionales.
6. 5.2. Funciones auxiliares bidimensionales.
63
63
64
6.6. EFECTO DE PEPITA
65
Robinson Villanueva
6.7. CONFIGURACIONES TIPOS

6.7.1. Relacin importante
6.7.2. Reconocimiento de un tramo (galera, chimenea)
6.7.3. Ejemplo a dos dimensiones: reconocimiento de un panel.
65
65
65
67
CAPTULO 7
LA VARIANZA DE DISPERSIN
7.1. DISTRIBUCIN DE UNA VARIABLE REGIONALIZADA
72
7.2. INTERPRETACIN PROBABILSTICA
73
7.3. VARIANZA DE DISPERSIN.
73
7.4. SELECCIN DE RESERVAS.

7.4.1. Influencia del soporte
7.4.2. Influencia de la informacin
75
75
78
7.5. RELACIN DE ALISADO.
78
7.6. VARIANZA DE LOS VALORES PUNTUALES.
79
CAPTULO 8
VARIANZA DEL ERROR GEOMTRICO
8.1. ERROR GEOMTRICO
8.1.1. Estimacin de una superficie
8.1.2. Varianza del error geomtrico
8.1.3. Estimacin de un volumen
82
82
82
83
8.2. INFLUENCIA DEL ERROR GEOMTRICO EN LAS

ESTIMACIONES GLOBALES
.
8.3. ERROR DE BORDE
84
85
8.4. HIPTESIS DE INDEPENDENCIA INTERNA
85
8.5. ERROR DE ESTIMACIN DE UN PRODUCTO.
86
CAPTULO 9
EVALUACIN DE LAS RESERVAS. LA ESTIMACIN GLOBAL.
MTODOS CLSICOS
9.1. INTRODUCCIN
87
9.2. PRIMER RECONOCIMIENTO SISTEMTICO
87
9.3. MTODOS DE EVALUACIN

9.3.1.MTODOS CLSICOS GEOMTRICOS
9.3.1.1. MTODO DE LOS PERFILES, SECCIONES O
CORTES
88
88
Robinson Villanueva
89
9.3.1.2. MTODO DEL INVERSO DE LAS DISTANCIAS
93
CAPTULO 10
LA ESTIMACIN GLOBAL.
MTODOS GEOESTADSTICOS
10.1. LA ESTIMACIN GLOBAL, CONOCIDOS LA GEOMETRA Y
EL VOLUMEN DEL YACIMIENTO
97
10.1.A. PRINCIPIO DE INDEPENDENCIA DE ERRORES ELEMENTALES

10.1.A.1. COMPOSICIN DIRECTA DE ERRORES ELEMENTALES
10.1.A.2. COMPOSICIN DE ELEMENTOS O TRMINOS
10.1.B. PRINCIPIO ALEATORIO RELATIVO A LA INFORMACIN
99
100
105
107
CAPTULO 11
GEOESTADSTICA-EVALUACIN DE RESERVAS
EL KRIGEAJE (KRIGING O KRIGEAJE)
11.1. EL KRIGEAJE
109
11.2. ESTIMACIN LOCAL
110
11.3. ECUACIN DE KRIGEAJE
110
11.4. KRIGEAJE PUNTUAL.
115
11.5. KRIGEAJE DE BLOQUES
117
11.6. INFLUENCIA DE LA VARIANZA DE KRIGEAJE EN LA DEFINICIN DE

RESERVAS DEL YACIMIENTO
118
11.7. KRIGEAJE INDICADOR
120
11.8. COKRIGEAGE
121
BIBLIOGRAFA
170
BACOS
Robinson Villanueva
157-169
1. INTRODUCCIN
Uno de los objetivos que se persigue con este manual es mostrar las bondades de la
geoestadstica en las diferentes etapas de un proyecto minero, desde el reconocimiento
geolgico del terreno hasta la optimizacin de la cadencia de explotacin. Constataremos
como a travs del tiempo la practicidad, desarrollo y aplicaciones de la Geoestadstica en
las Ciencias de la Tierra, se ha incrementado en gran medida, por el desarrollo acelerado
del hardware y software informticos.
George Matheron y su equipo del Centro de Morfologa Matemtica al estar en contacto
con los problemas mineros desarrollaron el formulismo terico y los mtodos prcticos que
conforman actualmente la geoestadstica, estos mtodos al ser generales pueden aplicarse a
cualquier campo que trate con variables numricas y que midan fenmenos naturales:
geologa, petrleo, geofsica, industria forestal, geografa, cartografa, agricultura,
hidrogeologa, etc.
2. APLICACIONES DE LA GEOESTADSTICA
El anlisis e interpretacin de los semivariogramas y los mtodos geoestadsticos, pueden
ser tiles para:
evaluar el potencial econmico minero de un yacimiento;
determinar el tamao, la densidad y el esquema ptimo de muestreo;
definir el rea de influencia de la muestra y la morfologa del fenmeno estudiado;
caracterizar la naturaleza de la mineralizacin, es decir poner de manifiesto la
homogeneidad o heterogeneidad de la mineralizacin a travs de la variografa.
La aplicacin de la geoestadstica en minera y geologa permite entre otras cosas evitar el
uso de mtodos de ponderacin arbitrarios y de estimadores sesgados en el clculo de
reservas y recursos.
Si la base de datos inicial es correcta, a travs de la geoestadstica podemos determinar el
mejor estimador no sesgado posible, importante en yacimientos que trabajan con lmites
econmicos severos.
Robinson Villanueva
REMOTE SENSING, NATURAL

RESOURCES AND ENVIRONMENT
RESENAREN S.A.C.
CAPTULO 1
ETAPAS DE UN PROYECTO MINERO E IMPORTANCIA DE LA
GEOESTADSTICA EN MINERA
1.1. ETAPAS DE UN PROYECTO MINERO
En cuanto a estas etapas, no se conoce de una secuencia standard. Por ejemplo,
los problemas que se presentan en un gran prfido de cobre son diferentes a los de
una pequea mina subterrnea filoneana. La secuencia que a continuacin
describiremos corresponde a la de un proyecto minero de gran tonelaje y baja ley, que
en nuestros das es prctica cotidiana en las grandes compaas mineras.
1.1.1. Prospeccin (reconocimiento geolgico)
En esta etapa, a partir de ndices geolgicos: afloramientos, anomalas
geoqumicas o magnticas, minas abandonadas o prolongacin de un yacimiento
conocido y tomando como base trabajos de reconocimiento como: sondajes, trincheras,
galeras, re-muestreo, etc., se trata de delimitar una zona mineralizada. Es decir,
verificar la existencia de mineralizacin y comprender la naturaleza cualitativa del
fenmeno (grado y tipo de alteracin, mineraloga, tectnica, estructuras geolgicas,
superficie que abarca los sondajes positivos, profundidad de la zona mineralizada,
mercado y precios internacionales, interrelaciones sociales, etc.). Estos factores
cualitativos de ser favorables permitirn pasar a la etapa siguiente.
1.1.2. Factibilidad
El estudio de factibilidad, a travs de una campaa de sondajes a gran escala,
y de dimensiones de malla gruesa (gran malla) ms o menos regular, se espera localizar
de manera precisa la masa mineralizada y estimar el tonelaje total, la ley promedio y el
contenido metlico o cantidad de metal (Q). Es lo que en geoestadstica se denomina
estimacin global. Si los resultados y la coyuntura econmica son favorables, se decide
efectuar una segunda campaa de sondaje a malla ms cerrada, en caso contrario el
proyecto se detiene hasta que las condiciones econmicas sean favorables.
En esta etapa, se debe responder y dar solucin a las siguientes interrogantes:
a) Cmo estimar la superficie (o el volumen) mineralizado a travs de sondajes
positivos y negativos?
b) Cmo calcular la ley media tomando como base datos de distinta naturaleza (puntos,
DDH, canales) y distribuidos irregularmente.
c) Qu grado de confianza tienen los resultados?
Por experiencia, los mineros saben que la precisin en la estimacin de la ley
media, no es slo funcin del nmero de sondajes sino que tambin depende de la
disposicin de ellos mismos (regular o irregular) y de la variabilidad propia de la ley.
Clsicamente, la geologa caracteriza la calidad de estimacin a travs de una
clasificacin de reservas. Esta clasificacin se establece de acuerdo a ciertos criterios
cuantitativos: si las reservas son bien conocidas puede justificarse una inversin
importante de capital.
La siguiente etapa de cerrar la malla permitir clasificar las reservas de manera
ptima.
Robinson Villanueva
resenaren_ger@speedy.com..pe

RESENAREN S.A.C.
1.1.3. Proyecto minero

Considerado el yacimiento como explotable, se trata de definir las tcnicas de
explotacin: ampliacin de equipos, caracterizado por la cantidad de metal a extraer
(cadencia de explotacin), vida media de la mina, mtodo de explotacin, nivel de
seleccin, ley de corte, etc.
La cadencia de explotacin es posible, si se conoce a detalle, la reparticin de
las leyes en el yacimiento.
El objetivo de esta etapa es entonces realizar una estimacin local de tonelajes y
leyes y de establecer parmetros de reservas recuperables. Para ello se definen unidades
de volumen a explotar: estas unidades de explotacin, pueden ser, por ejemplo de un
bloc de 15x15x15 m en una cantera o un volumen de 200x200x200 m en una
explotacin subterrnea por Block Caving.
La malla fina de reconocimiento permite estimar cada una de estas unidades,
que son reagrupadas en grficos de explotacin correspondiente a condiciones
econmicas diferentes: los contenidos metlicos estimados en tonelajes totales y ley
promedio de estos perfiles, se muestran en curvas denominadas tonelaje-ley media
estimados que, constituyen parmetros de reservas explotables en condiciones
econmicas dadas.
En esta etapa se debe resolver los siguientes problemas:
a) Definir ptimamente el estimador local y precisin en los clculos.
b) Diferenciar recursos in situ de reservas explotables.
c) Previsin de la selectividad de tal o cual mtodo de explotacin
d) Disposicin ptima de sondajes en la estimacin de volmenes.
Si el contenido metlico Q, va a generar beneficios, se pasa a la fase siguiente:
clculo del proyecto minero propiamente dicho.
Para ello se debe definir:
- El mtodo de explotacin y
- la seleccin.
Si el yacimiento ha sido dividido en bloques, siendo z(v) la ley del bloque. El

bloque explotable ser aquel cuya ley sea superior a la ley de corte o ley del cut off z(c).
Uno de los objetivos primordiales de la geoestadstica es justamente el clculo
de reservas recuperables.
Robinson Villanueva

RESENAREN S.A.C.
Este clculo permite cumplir dos objetivos:

- usar la tcnica del Krigeaje; para estimar la ley de los bloques a partir de los
sondajes y;
- de otra parte, estimar las reservas, que se pueden visualizar a travs de las dos
curvas que a continuacin se indican:
Tz ( c )
Tmax
100%
m z (c )
0
z(c)
Porcentaje del tonelaje total recuperado
En funcin de la ley de corte z(c)
o cut-off
z(c)
Evolucin de la media de las
leyes en funcin de la ley de
corte.
1.1.4. Programa de explotacin.

Definidos el Mtodo de Explotacin y el Criterio de Seleccin, queda por
resolver la programacin de la explotacin de manera ptima, para ello deben respetarse
ciertas condiciones, como por ejemplo el tamao y el nmero de bloques a explotar, el
material a utilizarse, etc.
En esta etapa, debe tomarse en cuenta el tonelaje mnimo y mximo que se debe
suministrar a la planta por unidad de tiempo, de tal forma que el aprovisionamiento sea
el ms regular posible, tanto en calidad como en cantidad. Es necesario entonces que
exista armona entre la mina y la planta, que se podr conservar, ya sea, a travs de
stocks de mineral o por un racionamiento adecuado de material tratado por la planta.
La geoestadstica puede predecir la ley del producto y a la vez, realizar una
programacin de la explotacin lo ms ptima posible.
1.2. CAMPOS DE APLICACIN

Es sin duda que la minera es el campo de aplicacin ms importante de la
geoestadstica, sin embargo, la morfologa matemtica y el formalismo terico que la
sustentan permiten que pueda aplicarse a otros dominios, como son la gravimetra,
hidrocarburos, medio ambiente, medicina, ecologa, etc.
1.3. IMPORTANCIA DE LAGEOESTADSTICA EN MINERA
La Geoestadstica considera que cualquier punto de un yacimiento est
espacialmente relacionado con sus vecinos y cuanto menos alejados estn mayor ser la
correlacin entre ellos.
Robinson Villanueva

RESENAREN S.A.C.
La base terica de esta disciplina permite cuantificar y comprender los conceptos

siguientes:
rea de influencia (a = rango o range o porte)
Erraticidad del sector mineralizado en estudio (Co =efecto de pepita o nugget o
effet de ppite).
Zonas de alta, regular y baja mineralizacin (anisotropa).
Estimacin, inferencia o interpolacin de valores a sectores donde no se tiene
informacin, minimizando el error estimado.
Clculo del error de estimacin para cada punto o bloque estimado, esto permite
conocer los lmites de confiabilidad de la estimacin.
Optimizar el muestreo.
A pesar de todo, la Geoestadstica no resuelve todos los problemas en la estimacin
de recursos o reservas minerales, debe considerarse como una tcnica que bien
empleada puede dar muy buenos resultados. Es necesario enfatizar que cualquier
mtodo de estimacin que se use, el resultado siempre conlleva algn error y la
Geoestadstica no escapa a este criterio.
En minera se puede aplicar para:
predecir de leyes en mineral.
Decidir donde y cuanto muestrear (planificacin minera).
Determinar mezclas ptimas de mineral para su envo a la planta concentradora,
etc.
Robinson Villanueva
10

RESENAREN S.A.C.
CAPTULO 2
TEORA DE LAS VARIABLES REGIONALIZADAS
2.1. DEFINICIN DE GEOESTADSTICA.
La geoestadstica es una disciplina que se ha desarrollado y consolidado, con
una slida base terica y existe como repuesta a necesidades prcticas concretas,
aplicadas a casos de la vida real, como por ejemplo: estimacin de reservas de mineral.
La escuela matemtica francesa, consolid las bases tericas de esta disciplina
en lo que actualmente se conoce como la teora de las variables regionalizadas
(George Matheron, 1962). Esta concepcin terica tiene como objetivo primordial
diferenciar datos numricos, aparentemente del mismo tipo, pero cuya posicin
espacial, los hace diferentes para anlisis geolgicos.
Bajo esta ptica, podemos decir que la geoestadstica, es la aplicacin de la
teora de las variables regionalizadas (VR) al reconocimiento y estimacin de un
fenmeno natural.
2.2. VARIABLES REGIONALIZADAS.
La Geoestadstica con respecto a la Estadstica considera en su anlisis y
formulismo matemtico no slo el valor o magnitud en el punto donde se tom la
muestra, sino tambin la posicin de ese punto dentro del cuerpo mineralizado y su
relacin con las otras muestras. Para comprender mejor lo anterior, analicemos las dos
series de leyes en Cu, dados en porcentaje:
Serie A: 0,5 ; 1,5 ; 2,5 ; 3,5 ; 4,5 ; 6,0
Serie B: 1,5 ; 4,5 ; 6,0 ; 3,5 ; 2,5 ; 0,5
Las dos series presentan la misma media y varianza 3,08 y 4,04 respectivamente
(se trata de los mismos datos), sin embargo notamos una marcada diferencia espacial,
puesta de manifiesto en las diferencias sucesivas entre las muestras contiguas:
Serie A: 1,0; 1,0; 1,0; 1,0; 1,5
Serie B: 3,0; 1,5; 2,5; 1,0; 2,0
Estas diferencias pueden utilizarse para poner de manifiesto la existencia de una
relacin espacial en los valores de la variable, que los mtodos estadsticos no toman en
cuenta.
La Geoestadstica establece que la distribucin estadstica de la diferencia en
el valor de una variable (ley) entre pares de puntos (muestras) es similar en un
yacimiento y que depende de la distancia y orientacin entre las parejas de puntos.
Una regionalizacin se asume como el desplazamiento en el espacio (o en el
tiempo) de un cierto fenmeno, caracterizado por magnitudes.
Una variable puede considerarse regionalizada si est distribuida en el
espacio y si muestra algn grado de correlacin espacial.
En verdad, casi todas las variables que corresponden a las ciencias de la tierra peden
considerarse como VR. Una VR es una funcin Z(x), que representa el valor, segn su
ubicacin en el espacio, de una variable asociada a un fenmeno natural. Pero esta
funcin Z(x) no se comporta como las funciones matemticas clsicas, ya que es
Robinson Villanueva
11

RESENAREN S.A.C.
desordenada en su variacin espacial y no es posible expresarla como un polinomio

x3
z variable regionalizada
z(x)
x2
x1
Ejemplos de variables regionalizadas: Sea una mineralizacin cualquiera:
Superficie
p(x), z(x)
Podemos definir:
- La potencia de la mineralizacin p(x)
- La acumulacin a(x), es decir la cantidad de metal correspondiente a p(x).
- La ley z(x) = a(x)/p(x)
p(x),a(x), z(x) son variables regionalizadas.
Una VR se presenta bajo dos aspectos:
Uno aleatorio: gran irregularidad y variaciones imprevisibles en un punto.
Otro estructural: particular a cada regionalizacin.
.
En el grfico adjunto se ha representado la
V.R. ley en funcin de la profundidad.
Este grfico muestra de una parte un
aspecto aleatorio imprevisible e irregular,
y de otra parte una tendencia regular,
estructurada y previsible.
1%
2%
10
50
Profundidad
Uno de los objetivos de la geoestadstica es describir las estructuras mixtas de estas
variables regionalizadas.
Robinson Villanueva
12

RESENAREN S.A.C.
2.2.1. Campo y Soporte.

Los valores de la VR se definen en un campo. Este campo por ejemplo, puede
ser un yacimiento o una parte de l. Adems, una VR slo es fsicamente mesurable en
trminos de un soporte, por ejemplo, una ley en mineral puede medirse bajo un cierto
soporte el testigo.
V
zv =
1
z( x1 , x2 , x3 )dx1dx2 dx3
v V
Soporte (testigo)
En geologa, para definir, los lmites del campo es necesario utilizar un modelo
geolgico adecuado, por ejemplo, en la figura siguiente (fuente: curso: Estimacin de
Recursos Mineros, Marco Alfaro, mayo 2007), se pueden distinguir dos campos
disjuntos, los cuales se pueden tratar de manera independiente y corresponden a
unidades geolgicas diferentes: xidos y sulfuros.
Una seccin del prfido de cobre, Inca de Oro. En esta seccin se observa diferentes unidades geolgicas
(campos): xidos, mixtos, enriquecimiento secundario y sulfuros primarios.
En un mismo yacimiento G pueden haber varios campos o unidades geolgicas

G1, G2,..., Gk, en general disjuntos, cuya reunin es el yacimiento G.
El soporte es el volumen de la muestra que define la variable regionalizada. A
menudo el soporte es un cilindro llamado testigo.
En el estudio de una variable regionalizada no es conveniente mezclar soportes
de tamaos diferentes.
En resumen, otro de los objetivos de la geoestadstica es describir este tipo de
estructuras y estimar sus valores.
Robinson Villanueva
13

RESENAREN S.A.C.
CAPTULO 3
HIPTESIS DE TRABAJO Y VARIOGRAMA
3.1. HIPTESIS DE TRABAJO.
3.1.1. Funcin aleatoria.
Ley
z(x)
Las leyes slo son conocidas en ciertos

puntos y deseamos conocer estos valores
en todos los puntos x.
x
x
Un polinomio que pase por cada uno de

los puntos dados, resolvera el problema
pero existe una infinidad de polinomios
soluciones.
x
x
x
Se tendra que escoger el polinomio que d menor error y la seleccin podra ser
totalmente arbitraria.
Para resolver este problema
la
geoestadstica plantea una hiptesis de base:
* En primer lugar, z(x) variable
regionalizada, es una realizacin de una
funcin aleatoria denotada por Z(x).
* Una FA es una familia de funciones cada
una
con su propia probabilidad de
ocurrencia.
Ley z(x)
X
X
X
X
X
En un punto x0, z(x0) es una realizacin de una F.A. Z(x0)
Para definir una FA, se determinan los siguientes trminos:

- E (Z(x)) = m(x)
- Var Z(x) = 2(x)
- Cov (Z(x) Z(y)) = K (x,y)
En realidad, las caractersticas de la funcin aleatoria Z(x) no son estimables debido a
que el nmero de datos que se dispone es siempre insuficiente. Este hecho nos obliga a
particularizar Z(x). Diremos entonces que Z(x) es estacionaria, es decir que la ley de
Z(x) es la misma en todos los puntos x.
Robinson Villanueva
14

RESENAREN S.A.C.
Esta hiptesis se traduce, de la siguiente manera:

- E (Z(x)) = m
- Var Z(x) = 2
- Cov (Z(x) Z(y)) = K (y-x) = K (h), con h= y-x
Este concepto denominado concepto de estacionariedad es el punto de
partida de la Geoestadstica, y aunque no siempre se cumple, casi siempre se asume
como vlido. Desde una ptica pragmtica, estacionariedad implica trabajar con
muestras perfectamente ubicadas en un determinado sector y derivar estadsticas e
inferir parmetros de la funcin aleatoria (FA) de ellas. En otras palabras, si una FA es
estacionaria, entonces, por ejemplo, la media, la mediana, la varianza, etc., son
independientes de las coordenadas de la muestra, de la misma manera los parmetros
como la covarianza o el correlograma son independientes de la ubicacin de cada una
de las variables y dependientes de la distancia que los separa.
Es necesario usar criterios adecuados en la implantacin de esta hiptesis, por
ejemplo en el contorno de un yacimiento, las leyes tienden a disminuir, por tanto dicho
efecto, en este sector del yacimiento, no se cumple, pero se asume como vlido.
3. 2. EL VARIOGRAMA.
La Estadstica considera las muestras como aleatorias e independientes entre s, en
cambio la Geoestadstica asume cierta correlacin entre ellas y una forma de expresar
dicha correlacin es a travs de la funcin variograma o semivariograma.
David (1978) define el variograma como una funcin que mide el grado de correlacin
o dependencia entre dos pares de muestras separadas una distancia h, en cierta
direccin.
x
x+h
El variograma, como herramienta matemtica intenta capturar el nivel de continuidad de
una FA., es decir, define la correlacin espacial entre los valores muestreados.
La hiptesis estacionaria es muy rigurosa: los crecimientos de Z(x) son estacionarios, es
decir que:
Z(x+h) Z(x) es una funcin aleatoria estacionaria. En esto consiste la hiptesis
intrnseca.
Matemticamente, esta funcin aleatoria se define como:
Var (Z(x+h) Z(x)) = E (Z(x+h) Z(x))2 = 2 (h)
Siendo (h) la funcin variograma, donde:

Robinson Villanueva
15

RESENAREN S.A.C.
E (Z(x+h) Z(x)) = 0.
3.2.1. Propiedades del variograma.

3.2.1.1. Relacin con la covarianza.
Var ( (Z+h) Z(x))
(h)
= Var (Z+h) + Var Z(x) 2 Cov ( Z(x+h) , Z(x))

= 2 + 2 - 2K (h)
= 2 2 - 2K(h) = 2(h)
= 2 - K(h) = K(0) K(h)
3.2.1.2. Simetra.
Demostraremos que: (h) = (-h)
Haciendo:
x = x + h
2 (h) = Var ( Z (x + h ) Z (x) = Var ( z (x) Z (x- h) ) = 2 (-h)

En conclusin:
(h) = (-h)
3.2.1.3. Positividad.
(h) por definicin es una varianza, por lo tanto para todo h, (h) es positiva y no
nula.
3.2.1.4. Isotropa.
Siendo h un vector, entonces (h) es una funcin vectorial, es decir depende de la
longitud y de la direccin de dicho vector.
En el caso que (h) dependa slo de la longitud de h, estaremos frente a una isotropa.
3.2.1.5. El variograma rinde cuenta de la regularidad de un fenmeno.
Se presenta dos casos lmites:
i) Efecto de pepita:
(h)
-
(h) = K(0) para h 0

(h) = 0
para h = 0
En el caso de efecto de pepita:

K(h) = 0
para h 0
K(h) = K(0) para h = 0
K(0)
K(h)
Es decir que la covarianza es nula para h 0, esto quiere decir que existe independencia
entre los puntos, que el fenmeno es completamente irregular y que se trata de la
aleatoriedad pura. Este es el caso del efecto de pepita.
Robinson Villanueva
16

RESENAREN S.A.C.
ii) Fenmeno muy regular:

Este fenmeno muestra un comportamiento
parablico en el origen.
(h)
En estos casos, la validez de la hiptesis de

estacionariedad queda confirmada.
Sea Z(x) = ax + b +Y(x) una F.A.,
donde Y(x) es una F.A. estacionaria
h
si y (h) es el variograma de Y, entonces:
Var (Z(x+h) Z(x)) = E (Z ( x + h ) Z ( x ))
= E (a(x+h) + b + Y (x+h) (ax+ b + Y(x)))2

= E (ax+ah + b + Y (x+h) ax- b - Y(x))2
= E (ah +(Y (x+h) y(x)))2
2
= a h
+ 2ah E (Y ( x + h) Y ( x)) + E (Y ( x + h) Y ( x)) 2

144
42444
3
0
= a h + y (h )
2
z (h ) = a 2 h 2 + y (h )
La forma general de un variograma, que sigue la frmula anterior, es la que se muestra

en la figura, tendencia lineal en h = 0.
(h)
Robinson Villanueva
17

RESENAREN S.A.C.
3.2.1.6. Incorporacin de parmetros estructurales

Continuidad o falta de continuidad de la mineralizacin que se refleja en el
incremento de (h) para valores pequeos de h.
Zona de influencia conocida como alcance (a) y que representa la distancia en
la cual influye el valor de una muestra sobre sus vecinas
Medida de los cambios laterales en la mineralizacin, denominado anisotropa.
Correlacin, conocido como meseta (C), llamado tambin variabilidad y
expresa la variacin que existe entre las muestras separadas a cierta distancia en
un yacimiento.
La velocidad del incremento de (h) con el lag es una prueba de la velocidad a la
cual la influencia de una muestra disminuye con la distancia, dndonos una definicin
adecuada de la denominada zona de influencia. La distancia en la que (h) se hace
constante corresponde alpunto en el que la covarianza cov(h) entre muestras adyacentes
disminuye hasta el valor cero. Esta distancia define el lmite de la zona de influencia de
una muestra (vase el grfico siguiente).
Siguiendo la traza del variograma, nos encontramos con la la existencia de un
alcance a para un valor determinado de h.
(h)
K(b)
Meseta
K(0)
La traza de la covarianza en funcin de h, muestra que a partir de K(h) = 0 (covarianza

cero), no hay correlacin alguna entre las muestras tomadas a esas distancias (muestras
independientes).
El alcance determina la morfologa del fenmeno.
Robinson Villanueva
18

RESENAREN S.A.C.
3. 3. CONTINUIDAD ESPACIAL.
En Geoestadstica, continuidad espacial es el anlisis de los covariogramas,
variogramas y correlogramas.
A continuacin describiremos: el covariograma C(h) y el correlograma (h)que,
al igual que el variograma permiten describir la medida de la continuidad espacial entre
dos variables.
3.3.1. Covariograma (C(h))
1 N (h)
C ( h) =
( z ( xi ) *z ( xi + h) mh * m+h )
N ( h) i =1
Donde:
N(h) es el nmero de parejas (z(xi), z(xi+h) de datos a una distancia h.
m-h y m+h son los promedios de los valores izquierdos y derechos
respectivamente, de las parejas de datos a la distancia h, definidas por:
m h
1 N (h)
=
z ( xi )
N (h) i =1
m+ h
1 N (h)
=
z ( xi + h)
N (h) i =1
De lo anterior, podemos expresar que el covariograma no est interesado en una suma de

promedios sino ms bien en una suma de desviaciones cuadrticas. Esta herramienta es
entonces una herramienta estructural, equivalente al variograma y adems no requiere de
ninguna hiptesis de estacionariedad, por lo tanto, se resuelven los problemas de ocurrencia
(reproducible), de altos valores y de tratamiento de valores nulos (que son siempre una
fuente de trazas para los variogramas).
Entre una desventaja de utilizar el covariograma es que el muestreo debe sobrepasar el
campo.
La estimacin de un covariograma, presenta problemas de clculo, cuando el muestreo no
obedece a una malla regular. Se proponen dos soluciones prcticas (Bez et al., 1995):
1. La creacin de una grilla regular fina, en la cual cada nodo contar con
informacin del dato ms cercano a l. Los errores del covariograma calculado
son cercanos a los errores de discretizacin. El inconveniente del mtodo radica
en linealizar el covariograma y de atribuir toda gama de distancias a cada
resultado de densidades.
2. Una ponderacin apropiada para las superficies de influencia de cada muestra.
El covariograma experimental, obtenido por la primera solucin prctica es ms
regular que el variograma correspondiente (Figuras 2 y 3). Por tanto su modelizacin es
mucho ms cmodo. Sus alcances no se interpretan en trminos de correlaciones sino en
trminos geomtricos (stocks).
Robinson Villanueva
19

RESENAREN S.A.C.
Fuente : Deuxime Forum Halieumtrique, Nantes,1995. Session II :Analyse de linformation. Le

covariogramme :un outil structural. Nicolas Bez, Jacques Rivoirard, Jean-Charles Poulard.
3.3.2. Correlograma ((h))

El correlograma direccional se define como la correlacin entre los datos de una
poblacin, en los puntos de muestreo, separados por una distancia h. En otros trminos
es una medida de la dependencia espacial al igual que el covariograma y el variograma.
La diferencia con el correlograma omnidireccional es que en este caso, h es un
vector y no un escalar (h, significa vector).
Robinson Villanueva
20

RESENAREN S.A.C.
As, el conjunto de todos los vectores posibles de un lag se reparten generalmente en

clases:
Los vectores que terminan en la misma celda se agrupan en una clase y el valor del
correlograma se estima por separado para cada clase. El nmero de direcciones puede
ser diferente (4, 8, 16, etc.)
El correlograma se estima a travs de la siguiente ecuacin:
( h) =
C ( h)
h * +h
Donde:
2
h
1 N (h) 2
=
( z ( xi ) m2h )
N (h) i =1
Robinson Villanueva
2
+h
1 N (h) 2
=
( z ( xi + h) m+2h )
N (h) i =1
21

RESENAREN S.A.C.
CAPTULO 4
EL SEMIVARIOGRAMA EXPERIMENTAL
2.1. DEFINICIN
Siendo la V.R. z(x) una realizacin de una funcin aleatoria estacionaria Z(x), por
definicin de (h):
(h) =
1
Var (Z ( x + h) Z ( x) )
2
1
2
(h) = E (Z ( x + h) Z ( x) )
2
2.2. CONSTRUCCIN DE UN SEMIVARIOGRAMA.

2.2.1. Soporte y regularizacin.
2
1
E (Z ( x + h ) Z ( x )) .
2
Se dice que un variograma es puntual si (h) se define por puntos x.
Por definicin (h) =
En la prctica los datos fsicos no se miden por puntos sino por volmenes. Por
ejemplo, la ley de un sondaje se obtiene sobre la base de un testigo.
Es decir:
z (x ) = v z ( x + y)dy
v
v (h ) =
1
E [Z v ( x + h) Z ( x )]
2
v(h) es un variograma regularizado
Robinson Villanueva
22

RESENAREN S.A.C.
(h)
El variograma regularizado se
sita siempre por debajo del
variograma puntual, ya que en
l, se toma en cuenta el
promedio de los valores sobre
el volumen v.
puntual
regularizado
h
En la prctica no se trabaja con variogramas puntuales, emplendose los
variogramas regularizados, es evidente que el variograma depende del soporte,
por ejemplo, importancia del volumen v del testigo. No es conveniente mezclar
dos medidas iguales de soportes diferentes.
A partir de un variograma regularizado se puede construir el variograma puntual
correspondiente, proceso llamado deconvolucin.
2.2.2. Construccin de un semivariograma.
Datos a malla regular.

a = Longitud de la malla.= pasos de base = Lag
nj = N(h) = nmero de pares de datos o pareja de datos
- ( j.a) =
1
2n j
- ( j.a 2 ) =
nj
(z( xi + ja) z( xi))

1
2n j
( z( xi + ja)
2 z ( xi))
para 1 y 2 .
2
para 3 y 4 . .
Los datos de la grilla simulan valores de perforacin nos piden calcular los
semivariogramas en las cuatro direcciones x1, x2, x3 y x4
Robinson Villanueva
23

RESENAREN S.A.C.
2.2.3. Representacin esquemtica de las iteraciones:

La geoestadstica expresa la correlacin que existe entre las variables a travs del
variograma, que se obtiene calculando, para cada separacin entre las muestras (paso o
lag) en una direccin determinada, la diferencia al cuadrado de los valores de las
muestras (tabla adjunta). Para cada separacin h se calcula el valor de (h), de acuerdo
a la frmula:
(( z ( x + h) z ( x)) 2
( h) =
2 N ( h)
Donde: N(h) es el nmero de parejas, z(x+h) y z(x) es el valor de la VR en los puntos

x+h y x respectivamente, siguiendo la direccin del vector h, a una distancia h de x
(paso o lag). El lag o paso, son las distancias con las que se calculan las diferencias al
cuadrado entre las muestras.
El nmero mximo de lags, es decir, de distancia h para calcular el *(h), suele
establecerse en la mitad de la distancia muestreada, ya que longitudes mayores generan
pocas parejas, siendo este valor, desde el punto de vista estadstico, no representativo.
Los valores obtenidos de (hi) se representan en un diagrama con su correspondiente
valor de h, obtenindose de esta manera el semivariograma.
Robinson Villanueva
24

RESENAREN S.A.C.
El incremento de (hi) con relacin a la distancia o paso es un reflejo de la velocidad a

la cual la influencia de una muestra disminuye con la distancia, estableciendo de esta
manera la denominada zona de influencia. La distancia en que (h) se hace constante
corresponde al punto en que la covarianza entre las muestras adyacentes tiende a ser
cero. Esta distancia define el lmite de la zona de influencia de una muestra.
En la tabla adjunta, a manera de ejemplo, se ha calculado para la direccin x1 :
El nmero de parejas N(1) = 24, para h = 1
(1) =
197
= 4,1
2(24)
Z(xi) z(xi + h) (z(xi + h)-z(xi))2
35
35
33
33
34
31
35
37
41
35
35
35
37
35
37
37
37
39
39
37
40
34
36
42
35
33
33
34
31
35
37
41
41
35
35
33
35
37
35
37
39
39
41
40
42
36
41
33
0
4
0
1
9
16
4
16
0
0
0
4
4
4
4
0
4
0
4
9
4
4
25
81
197
De la misma manera se calculan los valores de (2) y (3), para los pasos 2 y 3.
En la pgina siguiente se han representado los clculos y los semivariogramas para las
cuatro direcciones requeridas por el problema anterior
Robinson Villanueva
25

RESENAREN S.A.C.
Semivariogramas direccionales obtenidos

Lag 1
Lag 2
Lag 3
n1
(1)
n2
(2)
n3
(3)
24
4,10
20
8,40
18
12,10
22
4,25
18
8,20
15
10,90
19
5,00
16
11,90
10
17,30
18
6,50
14
11,30
15,40
Direcciones
Semivariogramas obtenidos
20
18
16
14
1
2
3
4
(h)
12
10
8
6
4
2
0
0
Robinson Villanueva
26

RESENAREN S.A.C.
2.3. ANLISIS ESTRUCTURAL.

2.3.1. Comportamiento del semivariograma en el origen.
Al analizar el comportamiento de (h) cuando h tiende a cero, se presentan cuatro
casos:
a) Ausencia de estructura:
Se trata del efecto de pepita puro: Este modelo traduce la irregularidad total de un
fenmeno.Hay ausencia de estructura, cualquiera que fuera la escala las leyes de dos
muestras son independientes.
(h)
(h) = Co para h ? 0
Co
h
(h) = 0 para h=0
El grfico Ley en funcin de la distancia x sera:

Ley
x
b) Valores muy regulares y continuos:
Ley
(h)
0
d
x
h
El comportamiento de las leyes es tan homogneo que los valores de dos muestras
distantes entre si por d son practicamente las mismas, es decir que para h pequeo,
(h) tiende a ser cero. En estas condiciones el variograma (figura de la derecha)
muestra un comportamiento parablico en el origen, mostrando un fenmeno muy
regular y dando cuenta de la existencia de una deriva.
Robinson Villanueva
27

RESENAREN S.A.C.
c) Continuidad media:
En un diagrama de leyes (grfico de la izquierda), donde la diferencia de leyes para dos
muestras distantes de d es significativa: El variograma correspondiente, tiene un
comportamiento lineal en el origen, poniendo de manifiesto un fenmeno de cierta
regularidad, ms o menos estacionaria.
Ley
(h)
.
distancia
d) Presencia de micro estructuras:
Ley
En este caso, el variograma registra

_ las microvariaciones, tanto a la
todas
escala aproximada d como las
variaciones de escala c
distancia (x)
(h)
Si las micro estructuras son del orden de

decmetros y la estructura mayor est por
las decenas de metros, entonces el semiva_
riograma tendr la apariencia del grfico
adjunto. Existir un salto de la curva en el
origen, debido a la micro variabilidad, hasta
h = d para luego crecer moderadamente
siguiendo la variabilidad mayor.
Co
Robinson Villanueva
28

RESENAREN S.A.C.
Para h a se tiene que K (h) = 0 .
2.3.2. Alcance(a).
(h)
C
Esto implica que para h superiores al valor a no

existe dependencia entre los valores, y que el valor
en un punto no influye sobre el valor del otro, por
tanto la funcin (h) se vuelve constante ((h) = C.
meseta
La existencia de un alcance (a), permite limitar el

estudio a un panel de dimensiones caracterizado
por la distancia a.
h
a
El alcance, tambin nos indica las caractersticas geolgicas de formacin de un

yacimiento.
Por ejemplo:
En un yacimiento sedimentario, el alcance representa las dimensiones de las unidades
de sedimentacin y en consecuencia de las zonas mineralizadas.
En un yacimiento lenticular, representa la dimensin de los lentes.
En un yacimiento estratiforme, refleja la potencia promedio.
El alcance tambin nos indica la zona de influencia de una muestra, puesto que para
distancias mayores que a, los valores de las muestras son independientes.
Zona de
influencia sector de valores
Sector de valores
independientes
independientes
xo a
xo
xo + a
Con el siguiente ejemplo se pretende comprender una de las bondades del alcance:
En un yacimiento de carbn se han tomado 80 muestras a malla regular de 5m. Las
potencias de los 10 mantos de carbn, en metros, son: 31,6 ; 24,8 ; 5,1 ; 11,1 ; 4,6 ; 34,5
; 49,2 ; 14,7 ; 10,2 ; 10,2.Al determinar la continuidad espacial de la VR Z(x), definida
por::
1 (en blanco), si la muestra se encuentra en el manto carbonfero
Z(x)
0 (en negro), si la muestra se encuentra en los estratos estriles.
Se calcul: el promedio = 0,5 m; la varianza = 0,25 (%)2 y los valores de (h):

(5) = 0,12 ; (10) = 0,20 ; (15) = 0,24; (20) = 0,25; (25) = 0,25
Robinson Villanueva
29

RESENAREN S.A.C.
0.3
0.2
0.1
0
0
10
20
30
h(m)
Analizando el variograma experimental, se observa que el alcance es del orden de los

20m, distancia al cual la meseta C, es igual a 0,25 (%)2 coincidiendo con la varianza, de
las muestras.
En este caso el alcance, representa la potencia media de los mantos de carbn:
Potencia media = (31,6+24,8+5,1+11,1+4,6+34,5+49,2+14,7+10,2+10,2)/10 = 19,8m
2.3.3. Efecto de pepita (Co)
La discontinuidad aparente que se aprecia cerca del origen, se le conoce como
efecto de pepita, este efecto puede deberse a la presencia de micro estructuras, y
artificialmente se puede generar por errores en el muestreo (toma de muestras,
preparacin, manipulacin y anlisis de leyes) y tambin debido a las tasas de
recuperacin. Este nombre comn en el lenguaje geoestadstico tiene sus races
en los yacimientos aurferos de frica del Sur presencia de pepitas de oro-, que
al representar en un plano la ley versus la distancia se obtiene el grfico:
Ley (Au)
pepitas de oro
La discontinuidad en el variograma manifestado al comienzo estara representado por:
(h)
Co
h
Robinson Villanueva
30

RESENAREN S.A.C.
Un efecto de pepita debido a la presencia de micro estructuras, permitir estudiar en

detalle un fenmeno, estableciendo por ejemplo, en un plano de sondajes, una o
varias cruces de sondajes.
2.4. CALCULO DEL VARIOGRAMA A MALLA IRREGULAR EN DOS

DIMENSIONES
Leyes de alcalinos en un banco de la mina de hierro de Marquesado (Espaa).

Fuente:Curso, Estimacin de Recursos Mineros, Marco Antonio Alfaro Sironvalle
Robinson Villanueva
31

RESENAREN S.A.C.
Supongamos que queremos calcular (h1), siendo h1 el vector siguiente:
Un muestreo de puntos como el de la figura, conlleva a que los variogramas en las

direcciones N-S y E-W, no encuentren ninguna o pocas parejas debido a la irregularidad
del muestreo, este hecho es frecuente en fenmenos geolgicos-mineros.
En estas circunstancias es necesario hacer uso de aproximaciones para calcular (h).
2.4.1. Mtodo de los Sectores:
El principio consiste en que, dos muestras separadas por un vector h, fijado una
muestra P1, la segunda P2 cae en la zona amarilla (ver figura que representa el mtodo
de sectores): Para calcular el variograma en la direccin y mdulo h , para mallas
irregulares se debe determinar una tolerancia angular, y una tolerancia de distancia

.
La eleccin de y depende de la distribucin espacial de los datos y de la
prctica. Se recomienda, en algunos casos usar = 15 y = 0,5b, siendo b la distancia
mnima (denominada paso) entre dos muestras. Cada muestra que cae en la zona de
tolerancia se toma como distante en el vector h de la muestra inicial.
P2
Figura. Mtodo de sectores

Este mtodo presenta los inconvenientes siguientes:
Puede caer ms de un punto en la zona. En este caso se consideran las diferencias en el
clculo,
si el mdulo de h es grande, ampliarse el ngulo, la aproximacin tiende a ser grosera:
Robinson Villanueva
32

RESENAREN S.A.C.
El mtodo de sectores no es conveniente para mdulos de h grandes.
El mtodo de los sectores se puede generalizar al espacio de tridimensional:
Compsitos en el espacio tridimensional, con leyes de cobre en la mina Chuquicamata.
Aproximacin en el espacio de 3 dimensiones: Una especie de cono.
Algunos softwares definen otro tipo de mtodo para evitar este problema (mtodo del
lpiz):
Robinson Villanueva
33

RESENAREN S.A.C.
2.4.2. Mtodo del Lpiz:

En este caso hay que definir tres parmetros: , y d (d se denomina ancho de banda).
Hay que tener presente que es necesario conocer bien el variograma en la vecindad
cercana al origen h=0. En algunas situaciones no se justifica este mtodo.
Aproximacin para mdulos de h grandes.
Aproximacin en el espacio de 3 dimensiones: Mtodo del Lpiz
Es necesario entender que los anchos de banda son regiones que toman como
referencia a la lnea de la direccin del variograma en el cual se localizan los pares bajo
una tolerancia angular establecida.
2.4.3. Rotacin y direccin:
La rotacin de los ejes coordenados puede utilizarse en depsitos que tienen
cierta tendencia espacial. En los softwares se pueden calcular variogramas en diferentes
direcciones, los ngulos horizontal y vertical pueden comenzar con un valor definido
por el operador (por defecto el valor de entrada es cero), los incrementos tambin
pueden ser especificados aunque algunos softwares usan por defecto 22,5 como
incremento horizontal y 30 para la vertical. La siguiente figura ayuda a visualizar estos
conceptos.
Robinson Villanueva
34

RESENAREN S.A.C.
315
45
270
0
90
4
6
5
2
225
135
-30
-60
-90
3
180
Vista de planta (45 de incrementos)
Robinson Villanueva
-90
4
Vista de seccin (30 de incrementos)
35

RESENAREN S.A.C.
CAPTULO 5
EL VARIOGRAMA TERICO.
5.1. MODELOS DE VARIOGRAMAS
Sabemos que un variograma se define como:
2
1
(h) = E ( Z ( x + h) Z ( x))
2
Experimentalmente, para una malla regular, se tiene que:
(h) = ( j.a ) =
2
1
(
z
(
x
+
ja
)
z
(
x
))
2nj nj
A partir de un variograma experimental trataremos de encontrar una ecuacin (variograma

terico) que corresponda a esta expresin
Por qu determinar tal ecuacin?.
Porque, en las diversas aplicaciones geoestadsticas, por ejemplo, la estimacin de la
variable en un punto a travs del krigeaje necesita de la utilizacin del semivariograma que
contenga informacin en todos los puntos de anlisis y este dato lo puede proporcionar slo
el variograma terico, adems es evidente que el trabajo se tornar ms confiable, ptimo y
cmodo trabajar con una ecuacin que con datos brutos.
De la serie de variogramas tericos, se tiene que escoger aquel que se ajuste mejor a nuestro
variograma experimental, sobre todo en las proximidades del origen porque es la zona ms
confiable del variograma.
A continuacin describiremos los modelos tericos existentes:
5.1.1. Variograma con efecto de pepita.
(h)
*(h)=Co
Co
Es el caso de la aleatoriedad pura
El nombre de efecto de pepita, est de alguna manera relacionado con la aparicin, ms o

menos errtica, de pepitas de oro en algunos yacimientos aurferos. Las posibles causas de la
presencia de este efecto las detallaremos ms adelante.
El variograma muestra fluctuaciones aleatorias alrededor de una lnea horizontal.
Los modelos pueden agruparse en dos grandes categoras: los que alcanzan una meseta
(modelos de transicin) y los que no presentan meseta
Robinson Villanueva
36

RESENAREN S.A.C.
5.1.2.Variograma con meseta.

(h
Este variograma es muy
frecuente, a es el alcance y
para h superior al valor de
a, (h) = constante = C
a
h
Hablaremos de dos tipos de variogramas segn a, sea infinito finito.
Para a = , el modelo correspondiente es el Exponencial. Existen dos tipos:

a) Modelo de Formery
(h)
C
h
( h ) = c 1 e a
h
a/3
En este modelo la tangente en el origen, intercepta a la meseta a un valor de a/3
b)Modelo Gaussiano
(h)
C
h2
( h ) = c1 e a
h
a/ 3
En este modelo la tangente en el origen, intercepta a la meseta a un valor de a
Robinson Villanueva
37

RESENAREN S.A.C.
Para a finito, le corresponde el Modelo Esfrico o Modelo de Matheron.
La ecuacin de este modelo, se define como:
(h)
T
C
3
(h) = C ( 2 .
C
h
a
12
( ))
h
a
para
para
h<a
h a
0
2a
a
h
3
En este modelo, La interseccin de la tangente en el origen, h=0, con la meseta se sita a 2/3
del alcance.
Demostraremos la validez de esta relacin:

La ecuacin de la tangente T , en h = 0.
Derivando con respecto a h se obtiene:
3C
d (h)
=
dh h =0 2a
y=
3C
h
2a
Interseccin de T para y = c :
C=
3C
h
2a
h=
2
a
3
5.1.3.Variograma sin meseta.

(h)
>1
=1
(h ) = p h
<1
con 0 2
h
1
Robinson Villanueva
38

RESENAREN S.A.C.
Si = 1 al modelo se conoce como lineal, de ecuacin: (h ) = ph + k , donde p es la

pendiente, h el lag y k el intercepto. Este modelo, segn Annels, 1991 suele presentarse en
yacimientos de hierro.
Existe otro tipo de variograma: el modelo logartmico, de la forma:
*
(h) = C log h
h 1
El inconveniente de este modelo es el de no pasar por el origen. Este modelo se us al inicio de
la geoestadstica actualmente ha quedado descartado.
En el modelo de Wijsian al igual que en el lineal, *(h) se incrementa ms all del valor de la
varianza de los datos. Tiene por expresin:
con
h 3
+
L 2
donde: es el coeficiente de dispersin absoluta (medida de la variacin espacial)
L es el espesor equivalente. Este modelo se presenta slo en algunos yacimientos
hidrotermales, principalmente de estao (variable: espesor del cuerpo mineralizado).
* ( h ) = 3 ln
5.1.4. Efectos que se manifiestan en los semivariogramas

Algunos semivariogramas experimentales no se pueden ajustar exactamente a los modelos
comunes, sin embargo no hay razones para rechazar la posibilidad de buscar una
continuidad espacial, Annels y otros autores han puesto de manifiesto ciertas
particularidades y caractersticas en los modelos, a saber: semivariogramas con: tendencia,
efecto de agujero; efecto proporcional y semivariogramas compuestos
a) Semivariogramas con tendencia
Un semi variograma como el de la figura siguiente, muestra cambios en la tendencia de la
meseta, denominado ruptura, que se produce a una distancia mayor al alcance, por lo que no
tiene mayor incidencia en la estimacin local de los bloques definidos para el yacimiento,
puesto que las dimensiones del rea de bsqueda (alcance) son menores que la distancia
representada por el punto donde se produce la ruptura. Cuando un semivariograma presenta
esta tendencia, es decir, la ruptura se produce a distancias prximas al alcance, el concepto de
estacionariedad ya no se cumple, en tales casos es necesario utilizar el krigeaje universal
(Journel y Huijbregts, 1978), en vez del krigeaje ordinario que es aplicable a casos de
estacionaridad.
(h)
Comportamiento
parablico
2
Dimensiones mximas
de los bloques a evaluar
a
Robinson Villanueva
39

RESENAREN S.A.C.
b) Efecto de agujero (trou)

Un semivariograma presenta un efecto de hueco, si su crecimiento no es montono, este
efecto puede presentarse en esquemas con o sin meseta
1+
( r )
1
C( r )
r
0
El efecto de agujero es muy frecuente, pero no siempre es perceptible en el variograma

experimental.
senr
(r) = 1
r
El modelo correspondiente es:
senr
C (r) =
r
Si el semivariograma presenta un comportamiento parablico en el origen, con efecto de

hueco y alcance entonces se verifica que:
r2
( r ) = , cuando
0
r
6
Amplitud () del efecto de agujero: es el valor mnimo de la covarianza con
respecto a C(o)
Inf .C ( h )
=
Co
Si un semivariograma presenta un efecto de agujero de amplitud superior a 0,217 (amplitud
mxima de un efecto de agujero a tres dimensiones), podemos afirmar que:
este efecto no es significativo y que se debe a las fluctuaciones del semivariograma
experimental, o
Robinson Villanueva
40

RESENAREN S.A.C.
que este efecto es direccional, es decir que slo se manifiesta en determinadas

direcciones en el espacio R3 .
Si se presenta un fuerte efecto de agujero direccional, entonces debemos utilizar un
esquema de tipo positivo unidimensional, por ejemplo:
(r) = 1 cos r, con r R1 ( = 1 > 0,217)
El esquema anterior es peridico sin amortizacin. En la prctica es frecuente asociarlo

a otro esquema, por ejemplo multiplicarlo a un esquema exponencial, para obtener la
covarianza e-arcos(r) de tal forma que las oscilaciones cosenoidales son amortizadas.
Interpretacin:
Una componente pseudo peridica de la regionalizacin puede provocar un efecto de agujero
en un semivariograma experimental. As la sucesin estacionaria en un yacimiento de dos tipos
de mineralizacin claramente diferenciados, si esta sucesin no es istropa (en general no hay
razn para que lo sea), el efecto de agujero se observar slo en ciertas direcciones, con
respecto al grfico siguiente existe un fenmeno pseudo peridico de estratificaciones
horizontales, podemos decir que:
*El variograma vertical presentar un efecto de agujero de amplitud superior a 0,217,
pudindose interpretar los valores de h1 y h2 como los extremos de las dimensiones
promedios verticales entre la zona pobre-mineral de mena.
*Los variogramas horizontales sern distintos segn representen el estrato rico o estril.
Este efecto, se puede explicar a partir del siguiente ejemplo: Sea un yacimiento
sedimentario con unidades de sedimentacin que conducen a zonas mineralizadas
preferenciales, del tipo indicado en la figura (alternancia de reas de mena con reas
estriles, dando lugar a una pseudoperiodicidad, reflejada en las variaciones del
semivariograma alrededor de una aparente meseta):
Al trazar la curva de leyes en funcin de la distancia, en la direccin indicada,

obtendramos el esquema siguiente:
Ley z(x)
Ley
mena
estril
Distancia (x)
Robinson Villanueva
x
41

RESENAREN S.A.C.
El efecto de agujero se pone de manifiesto en la direccin vertical.

(h)
(h)
mena
estril
h
h2
0 h1
Direccin vertical (efecto de agujero)
Direccin horizontal
c )Efecto proporcional
En algunos casos, es frecuente observar que la variabilidad de los datos evoluciona con su
media aritmtica. Por ejemplo, consideremos n sondajes para reconocer la misma
mineralizacin con las siguientes caractersticas:
m*A
: promedio de los datos del sondaje A
2
D A(0/L) : varianza de dispersin definida en el sondaje A. Se supone que los n
sondajes tienen la misma longitud L.
*A(h) : variograma experimental calculado en el sondaje A.
Se dice que existe efecto proporcional si los distintos variogramas elementales *A(h) son
afines, o se corresponden, de tal manera que el mdulo depende del cociente de los promedios
experimentales. Vase la siguiente figura
La presencia de un efecto proporcional en los variogramas experimentales no implica
necesariamente la no estacionaridad de un fenmeno sub-yaciente.
*(h)
m*B m*A
afinidad
m*A
*A(h)
alcance
f(
m* A *
) B (h)
m* B
Implica que:
D2A(0/L) f (
Robinson Villanueva
para todo A, B = desde 1 hasta n

*
m A 2
) D B (0 / L )
m* B
42

RESENAREN S.A.C.
Observaciones:
i)
Un efecto proporcional se dice que es directo si el variograma crece con el
promedio experimental. Este efecto se espera cuando los datos presentan una
distribucin lognormal, por ejemplo las leyes en Cu, Au de pequeo soporte, la
mayora de los datos corresponden a leyes bajas.
Un efecto proporcional es inverso si el variograma decrece cuando el promedio
ii)
crece. Este fenmeno es menos frecuente que el anterior, es de esperarlo cuando los
datos presentan una distribucin lognormal inverso, por ejemplo leyes de
yacimiento: en Fe-hematita, en fosfatos triclcicos, y en general cuando las leyes de
mineralizacin presentan fuertes concentraciones. A mayores valores del promedio,
menor es la dispersin.
iii)
En la prctica el efecto proporcional observado es del tipo m2:
f(
m* A
m2 A
)
m* B
m2B
El variograma relativo
* A ( h)
m *2
independientes del promedio local.
iv)
y las distintas varianzas relativas son
Despus de corregir el efecto proporcional, se remite a un modelo de cuasi

estacionaridad local, es decir a un modelo de regionalizacin donde se puede
conocer, para cada punto x y por las distancias h limitadas a una vecindad V(x), los
dos primeros momentos:
la esperanza E(Z(x)) = m(x), estimada por m* sobre V(x)
el variograma E((Z(x+h)-Z(X))2) = 2(x,h), estimado por f(m*).2o(h),
v)
vi)
El efecto proporcional afecta solo a la varianza, no altera en nada las caractersticas

geomtricas (por ejemplo a las mesetas) de los variogramas, contrariamente a la
anisotropa geomtrica.
En estructuras superpuestas, el efecto proporcional puede jugar roles diferentes en
cada una de las estructuras constituyentes. As por ejemplo en la figura adyacente, el
efecto proporcional en m2 afecta slo al efecto de pepita Co.
*(h)
*B(h), m*B>m*A
Co(m*B)
*A(h), m*A
Co(m*A)
Robinson Villanueva
*A(h)
43

RESENAREN S.A.C.
vii)
Cuando en un plano se grafica los promedios al cuadrado versus las respectivas

varianza, es posible poner en evidencia el efecto proporcional. Este efecto sirve
para determinar las reas ricas, intermedias y estriles en un yacimiento y
determinar la variabilidad en cada uno de los sectores estudiados. El yacimiento de
plata de Uchucchacua presenta este efecto: ciertas labores de las zonas ricas e
intermedias manifiestan alta variabilidad, en cambio las zonas ms pobres en plata
tienen menor variabilidad y por tanto los costos de explotacin son menores.
Mina Uchucchacua_Veta Rosa
140
120
varianza
Zona
intermedia
Zona pobre
100
Zona rica
80
60
40
20
0
0
50
100
150
200
250
300
350
400
450
500
media*media
Ajuste del efecto proporcional (variable: Pot*Ag)

Ejemplo: yacimiento de uranio, tipo sedimentario (Nger)
(Fuente: Escuela de Minas de Paris )
Se dispuso de:
26 sondajes verticales, donde tramos constantes de l=20cm de longitud han sido analizados
qumicamente por U. En cada sondaje se han definido sectores mineralizados, de longitud
Li. Sobre esta longitud se ha calculado:
- la media experimental mi* de las leyes de U.
- La varianza de dispersin s2i* de las leyes, este valor experimental es un estimador de la
varianza de dispersin D2(l/Li) de un testigo l en el segmento vertical de longitud Li.
- El semivariograma experimental i*(h) en la direccin vertical.
Los semivariogramas experimentales mostrados en las Figuras Ej.1. y Ej.2. correspondiente a

los sondajes S4 y S14, S10, S16 respectivamente difieren unos de otros tanto en la forma como
en los niveles de varianza: S4 y S10 presentan un efecto de agujero bien marcado, el
crecimiento de S14 es muy fuerte en tanto que S16 se estabiliza rpidamente. Asimismo se
puede observar el efecto proporcional: la variabilidad aumenta cuando la media experimental
mi* aumenta.
La Figura Ej.3. muestra el semivariograma experimental promedio de los 26 semivariogramas
elementales (*k, k=1 a 26), obtenido por la frmula de reagrupamiento:
Robinson Villanueva
44

RESENAREN S.A.C.
* (h ) =
N'
k =1
( h ) *k ( h )
N'
k =1
(h)
Este semivariograma promedio corresponde a una longitud mineralizada promedio
Li = 13m , obtenida de 1600 muestras y de ley media m* = 2,2 %U.

L=
26
Este semivariograma promedio ya no presenta el efecto de agujero. l ha sido ajustado por dos
esquemas esfricos superpuestos, con efecto de pepita, bajo el modelo:
(h) = Co + C11(h) + C22(h), para todo h vertical ]0,4m], con Co = 3,5(%)2
1(h) y 2(h) son dos esquemas esfricos de parmetros :
alcances: a1 = 1m
a2 = 3m
mesetas: C1 = 3,7(%)2 C2 = 1,1(%)2
Los dos alcances corresponden aproximadamente al mximo y mnimo del efecto de agujero
observado en S4 y S10. Estos valores podran interpretarse como el espesor promedio vertical
de las fases ricas (a1 = 1m) y la nter distancia promedio vertical entre las dos fases ricas (a2 =
3m), obsrvese el perfil vertical de leyes del sondaje S4 (Figura Ej.4.)
Ajuste del efecto proporcional
El modelo esfrico superpuesto anterior es representativo slo para la estructura vertical
promedio del yacimiento, reconocido por los 26 sondajes (estos sondajes revelan una ley media
m* = 2,2 %U).
Para que este modelo pueda usarse a escala local en una zona de ley media m*i 2,2 %U,
conviene tener en cuenta el efecto proporcional revelado por los semivariogramas elementales
construidos sondaje por sondaje (cr. Figura Ej.2.).
Para estudiar este efecto se ha considerado las varianzas de dispersin experimentales si2* de
las leyes de cada longitud mineralizada Li. Para comparar significativamente las varianzas entre
ellas, se ha seleccionado los 12 sondajes de mayor longitud mineralizada (Li del 11 al 23,
referencia tabla de la Figura Ej.4.). Las varianzas experimentales si2* han sido evaluadas de un
gran nmero de muestras (5 por metro), de esta manera puede considerarse como un buen
estimador de la varianza a priori D2(1/ ) de leyes de testigo de longitud l.
La Figura Ej.5.,representa la nube de puntos (s*i,mi*) de la varianza experimental versus la
media experimental correspondiente. A la ley promedio global m*=2,2 %U se le hace
corresponder la varianza experimental promedio s*2=8,3(%)2, deducida por la ponderacin de
las 26 varianzas s*i elementales segn la frmula:
sk2 N k
1
1
, estimador de D 2 =
s2 = k

Nk
L
L
k
Siendo:
S2k la varianza de dispersin experimental de los Nk datos de testigos de longitud l
alineados en el sondaje nk de longitud Lk = Nkl.
Robinson Villanueva
45

RESENAREN S.A.C.
Esta nube se ajusta a la parbola:
s2 = 2,2m2 2,3, m [1,3 a 2 %]
Luego se tiene que adoptar un semivariograma vertical local, en una zona de ley media
constante m, siendo el modelo cuasi estacionario siguiente:
2,2m 2 2,3
[Co + C1 1 (h ) + C2 2 (h )] , para h [0,4m] y m h [1,3;3 %]
( h, m ) =
8,3
(los parmetros Co, C1, C2, a1, a2 del modelo, son los valores anteriores)
Ajuste del efecto de agujero
A ttulo de ejemplo escogeremos el semivariograma del sondaje S4 de la figura IV-9, que es el
que representa mejor el efecto de agujero. Este ajuste no es ms que un ejercicio de estilo,
puesto que en la prctica desaparecen la estructura media y por tanto debe considerarse slo
para clculos geoestadsticos.
En primer lugar estimamos la amplitud:
Inf .C ( h ) 6,8 4,8
=
= 0,417
C (o )
4,8
6,8 es el valor mximo en el semivariograma experimental, por tanto 6,8 s *i2 es el valor
absoluto mnimo de la covarianza correspondiente. La varianza experimental s*2=4,8(%)2 es un
estimador de la varianza a priori C(o).
Como este valor 0,417 > mximo = 0,217 (efecto de agujero a tridimensional), este efecto es
direccional y slo se manifiesta en la direccin vertical (se hizo mencin anteriormente). Es
evidente entonces que en este yacimiento sedimentario sub horizontal, las fases mineralizadas
ricas son aplanadas siguiendo la direccin horizontal.
Estando limitado el efecto a la direccin vertical, podemos entonces modelar, usando los
esquemas positivos unidireccionales y en particular el esquema cosinusoidal (1-cos h),
admitiendo que la amplitud es igual a la unidad.
La figura Ej.1. muestra este ajuste realizado por el modelo superpuesto siguiente:
(h) = Co + C11(h) + C22(h) , para todo h ]0,4m] en la direccin vertical, con:
1(h) = A[1-exp(-h /)*cos(h )]
A = 2,26(%)2 , = 10m,
2 (h) =
Bh
= 2,5
para todo h [0,a] h
B = 9(%)/m
con
Ba
para todo h a
a = 0,28m
El esquema 1(h) es construido segn
Robinson Villanueva
46

RESENAREN S.A.C.
i =1
i =1
( h ) = C (o ) C ( h ) = C Ci (o ) C Ci ( h ) , a partir de la covarianza exp(-h /)* cos(h ).

El esquema 2(h) es un esquema de transicin de alcance a, este esquema es positivo en el
espacio unidimensional. La meseta de este modelo es: A + Ba = 4,78(%)2 y la amplitud del
efecto de agujero:
6,45 4,78
=
= 0,349
4,78
Figura Ej.1.
Ajuste y
semivariograma
del sondaje S4
Figura Ej.2.
Semivariogramas
sondajes S14,
S10 y S18
Figura Ej.3.
Ajuste del
semivariograma
medio experimental
Robinson Villanueva
47

RESENAREN S.A.C.
Figura Ej.4.
Perfil de leyes
del sondaje S4
Ll
m*l2
11.6
1.9
26
13.2
1.3
s*l2
4.8
1.5
Figura Ej.5. Ajuste del efecto proporcional:
s2 = 2,2m2 2,3, m [1,3 a 2 %]
18
16
13.4
2.4
12.7
14
10
15
2.2
12
16
17.4
1.2
6.5
2
19
18.4
15.5
12
22
20.4
20.6
1.1
1.6
1.4
2.7
21
21.2
1.5
1.5
20
21.4
1.6
2.1
14
22
2.9
17.0
23
22.2
1.7
3.7
13.0
2.2
8.3
Promedio
Robinson Villanueva
10
Centro gravedad
4
2
0
0
0.5
1.5
2.5
3.5
48

RESENAREN S.A.C.
c) Semivariogramas compuestos
Es frecuente encontrar variogramas con configuraciones como el de la figura
adjunta, llamadas estructuras superpuestas.
(h)
+ C1 + C2 + C3
Co + C1 + C2
Co + C1
Co
0
a1
a2
a3
Una estructura de esta forma, puede explicarse de la siguiente manera:

*La existencia del efecto de pepita (Co) puede deberse:
1. A la taza de recuperacin,
2. a la presencia de micro estructuras o,
3. a errores de muestreo.
*El primer alcance (a1) explicara las caractersticas petrogrficas.
*El segundo alcance (a2) puede caracterizar la mineralizacin.
*El tercer valor (a3) nos indicara diferencias a nivel regional del yacimiento (orognesis).
(h) se escribir entonces de la siguiente manera:
( h) = C o + 1 ( h) + 2 ( h) + 3 ( h)
C1, a1
C2, a2
C3, a3
Concretamente, estamos frente a un efecto de pepita con dos estructuras superpuestas (modelos
de variogramas esfricos).
Este tipo de estructuras, tambin se presenta en zonas mineralizadas de mena dentro de una
matriz de mineralizacin dispersa, asimismo son comunes en yacimiento aluviales de oro,
donde el menor alcance rinde cuenta de los canales individuales y el mayor alcance se podra
interpretar como el espesor total de la zona de inters econmico.
Robinson Villanueva
49

RESENAREN S.A.C.
Problema:
La tangente para los dos primeros puntos corta al eje vertical en Co = 0,4(%)2
mientras que la interseccin con la
meseta principal, que se produce a
2,55(%)2, tiene lugar a una distancia
de lag de 13m,
Sin embargo, la curva principal alcanza la meseta a un rango de 50m.,por
tanto se puede asumir la presencia de
dos semivariogramas esfricos.
Calcule:
(h)
2,55
1,95
Co=0,4
Los parmetros de ambos variogramas y

La frmula del modelo compuesto.
0 9 13 20
Variable: ln (Ni) en %
40
60
5.2. ISOTROPA
Un fenmeno se dice istropo cuando la magnitud del vector h permanece constante

cualquiera sea la direccin () del vector, es decir, la variabilidad es simtrica. En este caso
es suficiente ajustar el variograma omnidireccional ( (omni., h ).
Ejemplo: Si analizamos los resultados de la tabla siguiente, observamos que el
comportamiento del semivariograma es similar para las cuatro direcciones consideradas, en
tal caso podemos afirmar que el fenmeno es istropo. Calcule el promedio ponderado de
los variogramas direccionales (i., h ), conocido como variograma omnidireccional :
n
N ( , h )
i
( omni , h ) =
i =1
n
i =1
h
1
2
3
= 90
N
4,25 22
8,20 18
10,90 15
Robinson Villanueva
h
1
2
3
= 0
4,10
8,40
12,10
N
24
20
18
2
2 2
3 2
= 45
6,50
11,30
15,40
N
h
18 2
14 2 2
8 3 2
= 135
N
5,00 19
11,90 16
17,30 10
50

RESENAREN S.A.C.
5.3 ANISOTROPA.
En minera, es raro encontrar un fenmeno istropo, en cambio son frecuentes
los fenmenos anistropos
Existen dos grandes tipos de anisotropa: geomtrica y zonal.

(h)
Para las dos direcciones, se

tiene una misma meseta,
mientras que los alcances
son diferentes es la
anisotropa geomtrica
N-S
E-W
Las mesetas son diferentes

Es el caso de la anisotropa
zonal
Direccin vertical
Direccin horizontal
aH
aV
Este tipo de fenmeno suele ser evidente en yacimientos aluviales, donde el alcance en la
direccin vertical es mucho ms pequeo que a lo largo de la direccin principal del depsito,
conservando la variabilidad en ambos casos (misma meseta).
En este caso el variograma puede expresarse como la composicin de 2 variogramas: en

uno segn la direccin horizontal y el otro siguiendo la direccin vertical.
(h) = H (h1 ) + v (h2 )
Con h = h1 + h2
h2
h1
h
h1 direccin horizontal
h2 direccin vertical
Robinson Villanueva
51

RESENAREN S.A.C.
La anisotropa direccional (geomtrica o zonal) aparece cuando los semivariogramas son

diferentes en distintas direcciones, en otras palabras, existen direcciones privilegiadas en el
yacimiento. Para precisar la morfologa del fenmeno conviene calcular varios
semivariogramas en distintas direcciones (por ejemplo 8). Los alcances obtenidos se
representan en un diagrama polar: lneas radiales a partir de un punto central, de esta manera
obtenemos una mejor visualizacin de la forma y orientacin de la elipse.
5.3.1. Modelamiento de variogramas anistropos
Con los valores de los alcances obtenidos en los semivariogramas para distintas direcciones,
construimos el diagrama de rosas de alcances.
(h)
C
1
a2
a1
i : son direcciones en las cuales se ha construido el semivariograma.
El diagrama de rosas de los alcances, de los semivariogramas anteriores sera:
y
y
x
a1
a2
Esta anisotropa puede modelizarse mediante una transformacin lineal de coordenadas:

y
a2
ka2
a1
a1
Se hace coincidir los ejes de anisotropa con los ejes principales, para luego corregir los ejes de
la elipse por un factor k = a1/a2. En definitiva se ha corregido la disimetra del fenmeno,
reducindolo a un variograma istropo (crculo). Analticamente la transformacin se logra
haciendo:
(h) = (1, h ),
Robinson Villanueva
52

RESENAREN S.A.C.
h = (hx cos 1 + h y sen 1 ) 2 + k 2 (h y cos 1 hx sen 1 ) 2
5.3.2. Ejemplo de ajuste de un variograma anistropo:
Analicemos el caso de anisotropa cuyos ejes anistropos coinciden con los ejes principales y
en cuya primera aproximacin, los variogramas experimentales corresponden a modelos
lineales de la forma:
(h) = (1, h )
E-W: (h) = (0, h ) = 0,0015 h
(h) = (2, h )
N-S: (h) = (90, h ) = 0,0054 h
Con estos datos, calcule:

El factor de correccin (k) de los alcances y
El modelo resultante (h), tomando como
referencia j = 0
a2
a1
En el grfico adjunto:
(h)
Modelo 2
Modelo 1
Ambos modelos son vlidos hasta la distancia d, en consecuencia si el objetivo fuera estimar
las leyes de un bloque mineralizado de dimensiones inferiores a d es perfectamente vlido
utilizar cualquiera de los dos modelos.
Robinson Villanueva
53

RESENAREN S.A.C.
Ejemplo.- Para la disposicin de muestras del grfico, calcular los variogramas en las
direcciones Norte-Sur y Este-Oeste e indicar el tipo de anisotropa.
1,6
1,2
1,4
1,2
1,1
0,9
0,8
N
1,4
1,5
1,4
1,1
1,1
1,3
1,2
1,0
0,9
0,7
1,0
0,9
0,9
0,5
0,6
0,7
0,9
0,8
0,8
0,7
0,7
0,6
0,5
0,4
0,1
0,1
0,2
0,9
0,9
0,7
1,0
0,8
0,7
0,8
1,0
0,9
0,7
10m
0,2
0,4
10m
5.4. RELACIONES VOLUMEN-VARIANZA.
En el captulo 2 en soporte y regularizacin se establecen las diferencias entre variograma
puntual y regularizado y se manifest que en la prctica, los datos fsicos se miden por
volmenes y no por puntos, salvo que el tamao de la muestra sea muy pequeo en
relacin, por ejemplo, con el alcance. Sin embargo cuando las muestras proceden de
sondajes, las diferencias pueden ser notables, por lo que resulta imprescindible trabajar
con volmenes y hacer las correcciones pertinentes, es evidente que los resultados que se
obtendran cuando las leyes en tramos de, por ejemplo, 50 cm, seran diferentes si se
toman tramos de un metro, de 2 o de 3 metros. En cada caso, la diferencia entre los valores
de las leyes y las varianzas en cada tramo sern diferentes, es fcil deducir que los
semivariogramas que se obtendran tampoco sern similares. El objetivo es definir un
semivariograma puntual que no est influido por el soporte de la muestra, proceso llamado
regularizacin al aumentar el tamao del soporte, los resultados son cada vez mas
regulares (similares).
El mtodo a seguir para obtener el variograma puntual es el siguiente:

Se define el rango real del semivariograma puntual como: a = a* - l
Donde: a = alcance real del semivariograma puntual,
a* = alcance del semivariograma experimental,
l = longitud de la muestra en la direccin del semivariograma.
Los valores de C y Co para el semivariograma puntual se calculan a partir de las siguientes
ecuaciones y con ayuda del baco Grfico de regularizacin (Ver bacos).
(1) = Co + CX 1
() = C 0 + CX 2
Para h = 1 e , en el grfico de regularizacin, se leen los valores X1 y X2 , a partir de los
correspondientes valores de h/a y l/a , donde h es el lag y l la longitud de la muestra.
Ejemplo (Annels, 1991): En un yacimiento aluvial de diamantes, los canales de muestreo
eran de 20m de longitud por 1m de ancho. La VR para calcular las reservas fue el peso, en
Robinson Villanueva
54

RESENAREN S.A.C.
quilates, de los diamantes encontrados en cada muestra. Los valores de (h) obtenidos
fueron:
1 (20m) = 0,0147 ; 2(40m) = 0,0213 ; 3 (60m) = 0,0226
Definir los valores de (h) para calcular el semivariograma puntual.
Robinson Villanueva
55

RESENAREN S.A.C.
5.5. REAGRUPAMIENTO DE K VARIOGRAMAS EXPERIMENTALES EN UN

VARIOGRAMA EXPERIMENTAL PROMEDIO
Sean dos variogramas experimentales:
2 * A ( h ) =
[ z( x
+ h ) z ( x i )] 2
N A (h)
2 * B ( h ) =
[ z( x
+ h ) z ( x j )] 2
N B (h)
*(A) y *(B) pueden representar la correlacin espacial de dos zonas distintas A y B, uno
de ellos la relacin de muestras en sondajes y el otro en trincheras del mismo soporte, la
correlacin espacial definida en direcciones diferentes.
Si al observar las dos curvas experimentales, se decide que no existe una variacin significativa
entre ellas, entonces ambas pueden representarse en un variograma experimental promedio del
tipo 2*A+B(h). Este variograma se calcula tomando en cuenta los pares de datos distantes de h
que provienen tanto de A como de B, dando lugar a ponderar el nmero de parejas respectivos
de cada uno de los variogramas experimentales, es decir:
2 * A+ B ( h ) =
[ [ z ( x i + h ) z ( x i )] 2 + [ z ( x j + h ) z ( x j )] 2 ]
i
N A (h ) + N B (h)
Para k semi-variogramas elementales, se tiene:

k
* (h ) =
N'
( h ) *k ( h )
k =1
N'
(h)
k =1
El reagrupamiento de variogramas cruzados elementales, es similar a lo descrito anteriormente,

en este caso se efecta un promedio ponderado del nmero de pares de parejas.
Observaciones:
Los variogramas experimentales elementales son generalmente poco significativos en los
clculos, ya sea porque el nmero de parejas es pequeo, o porque se realizan en zonas de
dimensiones muy pequeas, en tales situaciones es conveniente reagruparlos en variogramas
promedios que son mucho ms significativos.
El principio fundamental es de reagrupar slo informaciones homogneas o consideradas
como tales:
i)
La definicin de la VR (naturaleza y soporte), de un variograma elemental al otro,

debe ser casi constante. Por ejemplo, no se debe reagrupar un variograma Cu en zona de
sulfuros con un variograma Cu en zona de xidos, si estas dos mineralizaciones no estn bien
definidas, es recomendable tratar las leyes como ley de Cu total.
Robinson Villanueva
56

RESENAREN S.A.C.
ii)
iii)
Las representatividades de los variogramas elementales deben ser casi constantes.

Por ejemplo, si se va a reagrupar un variograma que presente efecto de lisado
debido al reagrupamiento por clases de ngulos y distancias con un variograma
producto de una malla regular, el reagrupamiento debe hacerse con precaucin. Para
grandes distancias h, conviene diferenciar los variogramas deducidos de sondajes
largos con aquellos que son calculados en sondajes cortos, esto porque en los
ltimos la varianza de fluctuacin puede ser fuerte.
En el proceso de reagrupamiento, se tendr presente de no privilegiar a la zona
mejor reconocida _ preferentemente rica o regular en su variabilidad, darle mayor
peso a esta zona podra conducirnos a un variograma promedio que se manifieste
errneamente representativo del yacimiento.
La nocin de homogeneidad de una mineralizacin o de una estructura espacial es relativa y

est relacionada con la escala de observacin y con el propsito del estudio. As por ejemplo
para un pequeo yacimiento filoneano explotado selectivamente, se tendr que ser mucho ms
estricto al aplicar la regla de homogeneidad que para un gran prfido de cobre explotado en
bloques.
Informacin asociada a cada variograma promedio:
A cada variograma promedio se le asocia:

i)
ii)
iii)
iv)
v)
El nmero total de parejas es N(h) = Nk(h) que han servido para construirlo.
Las dimensiones y toda particularidad de la zona V donde se reparten estos datos.
Por ejemplo, un variograma promedio construido en zona de mineralizacin
primaria reconocido esencialmente de sondajes verticales y algunos sondajes de
pendiente inclinada a 45.
La media aritmtica slo de aquellos datos que han servido para construir el
variograma. En efecto, sobre esta misma zona pueden existir datos que no han sido
considerados en la construccin de los variograma elementales y en consecuencia no
pueden intervenir en el variograma promedio.
La varianza de dispersin experimental s2 definida en el conjunto de los N datos
utilizados, si estos N datos presentan una distribucin uniforme en la zona V de
dispersin. Esta varianza es un estimador de la varianza de dispersin terica
D2(v/V) de soporte v de datos en el campo V.
La varianza de dispersin experimental definida en una sub zona de V en la cual se
puede considerar la implantacin de datos como uniforme.
Robinson Villanueva
57

RESENAREN S.A.C.
CAPTULO 6
VARIANZA DE ESTIMACIN.
6.1. EL ERROR DE ESTIMACIN Y SU DISTRIBUCIN
Todo proceso de estimacin implica un error de estimacin, por el simple hecho que la
cantidad a estimar z, difiere en general de su estimador z*.
Si la ley de un bloque de mineralizacin (zV(xi)) se evala por la ley promedio de su
sondaje central (z(xi)), se comete un error r(xi) = zV(xi) - z(xi), cr figura II-12. La VR
z(x) as interpretada es una realizacin particular de la FA Z(x), el error r(xi) aparece
como una realizacin particular de una cierta FA R(xi) = ZV(xi) - Z(xi),en el punto xi
Vi
*xi
2E
*x
b
95% probabilidad
Ley del sondaje z(x)
Ley del boque zV(x)
Si esta configuracin de estimacin se repite en cada uno de los bloques V(xi) que
constituyen el yacimiento, si ste es de mineralizacin homognea, la FA Z(x) puede
considerarse estacionaria as como la funcin R(x), por tanto dos errores particulares
r(xi) y r(xj) podran considerarse como dos realizaciones diferentes de la misma FA
R(x). Esta estacionariedad permite entonces:
i)
ii)
Inferir la ley de distribucin de R(x) sobre una zona de control V(xk), de la

cual se dispone del histograma de los errores experimentales r(xk).
Calcular la esperanza estacionaria mE = E(R(x)) y la varianza estacionaria
2=Var(R(x)) de esta ley de errores.
El error efectivo r(xi) = zV(xi) - z(xi), cometido en el bloque particular V(xi) si bien es
desconocido, pero el conocimiento de la ley estacionaria del error R(x) permitir
precisar la calidad promedio de la estimacin realizada.. De esta manera se puede
definir el intervalo [a , b[ en la que se sita el 95% de los casos del error r(xi) cometido,
(ver figura anterior).
Robinson Villanueva
58

RESENAREN S.A.C.
6.2. GENERALIZACIN DE LA ESTIMACIN DE LA LEY

Sea un volumen V definido por pequeos volmenes vi; donde i vara de 1 a n. Los
vi pueden ser por ejemplo: testigos de un sondaje, canales de una galera, chips, etc.
Se conocen los valores zvi , deseamos estimar el valor de zV = z*V:
n
V = U vi
Sea V la unin de los vi
i =1
1
1 n
z v = v z ( x)dx = v
z ( x)dx
i =1 v i
v
V
0v
v
z = v z (v )
n
i =1
Seleccionaremos para z*V (estimacin de zV), el valor:

1 n
*
=
=
vi z (v i )
zv zv v
i =1
Esta estimacin no es nica, podemos definir otro tipo de estimacin, por ejemplo
(Krigeaje).
z v * = i z (v i )
Donde los
son los coeficientes teniendo en cuenta los volmenes y la posicin de
los distintos vi .
6.2.1. Error de estimacin.
Al estimar
por
*=
cometemos el error
e=z *z .
diremos que el error es una realizacin de la variable aleatoria

1
1
E ( z ( v ) z (V )) = E z ( x) dx
V
v v
Para caracterizar e
* zv
z ( x)dx
1
1
= E ( z ( x))dx E ( z ( x)dx
v
V
V
v
como: E(z(x)) = m
1
1
E ( z ( v ) z (V )) = mdx mdx
v v
V V
E ( z ( v ) z (V )) = 0
Robinson Villanueva
59

RESENAREN S.A.C.
En tales condiciones, la estimacin de zV es sin sesgo.

6.2.2. Varianza de estimacin e intervalo de confianza.
La varianza de estimacin E (v, V ) es por definicin:
2
Si conocemos
ejemplo).
2
E
2
E
( v, V ) =
Var ( z ( v ) z (V ))
Var ( z ( v ) z (V ))
(v, V ) podemos determinar un intervalo de confianza (a 5% por
2 E <
<
+ 2 E
Esto permite precisar la estimacin:
2
E
( v, V ) =
Var ( z ( v ) z (V ))
2
E ( z ( v ) z(V )) E ( z( v ) z (V ))
144244
3
=0
Donde:
( v, V )
E
= E ( z(v ) z(V ))
Observacin:
Sabemos que:
( h) =
2
1
E [z ( x + h) z ( x)]
2
Luego, (h) es una varianza de estimacin.

En minera, las leyes de distribucin de errores son generalmente simtricas. Ellas
presentan una moda ms pronunciada que la ley normal con la misma esperanza
matemtica y varianza , pero correlativamente manifiestan picos ms importantes que
la ley normal, cr figura pgina 53.Con relacin a la distribucin gausiana el intervalo
clsico [mE 2E] contiene aproximadamente el 95% de los errores observados, este
intervalo, por tanto, es un buen estndar para caracterizar la calidad de una estimacin
minera por geoestadstica.
Observaciones:
El intervalo de confianza estndar [mE 2E], nos conduce bajo la hiptesis de no
sesgo, al intervalo [z* 2E] para el valor real z a estimar. Segn los valores de E y de
su estimador z*, puede darse valores extremos aberrantes en este intervalo. Por ejemplo
sea z* = 0,5%Cu y E = 1%Cu, obtenemos un extremo negativo z*-2 E = -1,5%Cu
para la ley verdadera z en cobre..
Robinson Villanueva
60

RESENAREN S.A.C.
Una solucin prctica consiste en definir la desviacin tpica relativa de estimacin
, es decir la desviacin tpica con respecto a la ley media experimental
z*
1 N
zi * de los N estimadores z*i disponibles.
N i =1
Luego el intervalo de confianza a 95% del estimador z*i es:
z* =
zi zi * 2 E zi * , esta frmula no asegura la positividad del extremo inferior. En el
z*
caso que
> 0,50 correspondan a estimaciones con demasiado error es preferible
z*
abstenerse de calcular intervalos de confianza.
Curva de la ley experimental
de errores
Curva estndar gausuiana
Ambas curvas presentan la misma
media, pero modas distintas, el
mayor valor de la moda la tienen la
ley experimental de los errores
mE
mE 2E
6.3. CLCULO DE LA VARIANZA DE ESTIMACIN.

6.3.1. Expresin Matemtica.
E (v,V ) = E ( z(v ) z(V ))
= Var (
=
Donde:
(v)
z(V ))
Var z( v ) + Var z(V ) 2Cov( z( v ) , zV )
Cov ( z ( v ) , z (V )) =
1
dx K ( x y )dx = K (v,V )
vV v V
K (v,V) es el valor promedio de la covarianza cuando x describe todo el

volumen v e y el volumen V.
Robinson Villanueva
61

RESENAREN S.A.C.
( v , V ) = 2 ( v , V ) (V , V ) ( v , v )
Cov( z ( v ) , z (V )) = K (v, V )
( v , V ) = K ( v , v ) + K (V , V ) 2 K ( v , V )
( v , V ) = 2 ( v , V ) ( v , v ) (V , V )
Expresin que nos permite calcular la varianza de estimacin.
2
E
(v ,V )
6.4. VARIANZA DE EXTENSIN.

V
En el caso particular en que los vi sean
puntos i. El valor 2E(v,V) se denomina
varianza de extensin.
i
x
Conociendo los valores z(x1), ..., z(xi), ...,z(xn) y estimando zV por z*V =(1/n) z(xi), y si
v = {xi}, entonces:
( v, v ) =
1
n2
( x
n
(V ,V ) =
1
dx ( x y )dy
V 2 V V
( v, V ) =
1
nV
(x
n V
xj)
y )dy =
1
( xi y )
n n
Lo que vamos a tratar ms adelante es el error que se comete al extrapolar el valor de

un sondaje, por ejemplo: en el centro del bloque,al bloque en su conjunto. Hay varias
Robinson Villanueva
62

RESENAREN S.A.C.
maneras de realizar la extrapolacin: un punto flotando en una lnea a la lnea en su

totalidad; un punto centrado en un bloque al bloque; un punto flotando en un bloque al
bloque, cuatro sondeos en las esquinas del bloque, etc. (vase ejercicio de la pgina 60)
6.5. FUNCIONES AUXILIARES
Las varianzas de estimacin pueden calcularse, para diversas situaciones, a travs de las
funciones auxiliares, existiendo tres lineales (Y, F y X) y cuatro bidimensionales (Y, F,
X y Q).
6.5.1. Unidimensionales.
Una funcin auxiliar es un valor promedio (v,v) precalculado, correspondientes a las
geometras v y v particularmente simples y que se presentan frecuentemente en los
estudios y anlisis de casos.
Sea un segmento AB de longitud L.
L
A
a) La funcin (L) se define como el valor promedio de (x-y) cuando x

permanece en A y describe el segmento AB.
( L) =
1 L
( y )dy
L 0
y
x
En un modelo esfrico:
3 L 1 L 3
C ( 4 . a 8 a ) para
( L) =
3L
para
)
C (1
8a
()
La
L>a
b) La funcin F(L) se define como el valor promedio de (x-y) cuando x e y.

describen en forma independiente el segmento AB.
x
1
F ( L) = 2
L
dx ( x y )dy
0
y
En un modelo Esfrico:
3
L
1
L
C ( 2 a . 2 a a ) para
F ( L) =
3 L a2
C
+
para
(
1
)
4 a 5 L2
()
Robinson Villanueva
La
La
63

RESENAREN S.A.C.
6.5.2. Funciones auxiliares bidimensionales.

Sea el rectngulo ABCD de lados l y L.
A
B
l
L
C
D
a) La funcin (L,l) se define como el valor promedio de (x-y) cuando x
describe uno de los lados AD o BC, de longitud l e y el rectngulo ABCD.
A
B
x
y
l
(L,l)
L
C
D
b) La funcin F(L,l) se define como el valor promedio de (x-y) cuando x e y
describen independientemente el rectngulo ABCD.
A
B
x
y
l
F(L,l)
L
c) La funcin H(L, l) se define como el valor promedio de (x-y) cuando x

permanece en A e y describe el rectngulo ABCD. Se demuestra que H (L,l) es
el valor promedio de (x-y) cuando x describe AB (o CD) e y BC (o AD).
A
x
H(L, l)
y
C
Para el modelo esfrico a dos dimensiones, se puede calcular expresiones

exactas de las funciones auxiliares X (L,l ), F (L,l) y H (L,l), pero en la prctica
se prefiere utilizar los bacos expresados en L/a y l/a.
Robinson Villanueva
64

RESENAREN S.A.C.
6.6. EFECTO PEPITA.

Sea s el soporte en la construccin del variograma y Co el efecto de pepita de
dicho variograma.
Tenemos que:
( v, V ) =
E
Co s
v/s
En un variograma puntual s = 0, entonces v/s es infinito y

problema es tratado como en la estadstica clsica.
2
E
(v, V ) = 0, en tal caso el
6.7. CONFIGURACIONES TIPOS

V
v
6.7.1. Relacin importante .

Si
v =v1U v
v1
v2
Entonces:
v
v
v
v
(v,V ) = 1 (v1,V )+ 2 (v2 ,V ) )
V
V2
V =V1U V
v
v
(v,V ) = 1 (v,V1) + 2 (v ,V2 ) )
V
V
De igual forma, si:
V1
6.7.2. Reconocimiento de un tramo (galera, chimenea).

a) Calcularemos la varianza de extensin de un punto I relacionado con su
segmento de influencia AB.
L
A
B
I
Robinson Villanueva
65

RESENAREN S.A.C.
2
E
2
E
( I , L ) = 2 / L / 2) F ( L )
( I , L) = 2 ( I , L) ( I , I ) ( L, L)
(I , I ) = 0
( I , L) =
Se tiene que:
L
2
( )=
L/2
1 L/2
( ( y )dy + ( y )dy )
0
L 0
1 L/2
( y ) dy
0
L/2
Entonces:
(I, L) = (
L
)
2
(L,L)= F (L)
Por definicin de F, se obtiene que:
2
E
( I , L ) = 2 ( L / 2) F ( L )
b) Clculo de la varianza de extensin de un segmento AB por el promedio de dos

muestras ubicadas en A y B.
L
({A, B}, L) = 2 ( L) F ( L) 1 / 2 ( L)
2
({A, B}, L) = 2 ({A, B}, L) ({A, B}, {A, B}) ( L, L)

2
En efecto:
*
( L, L ) = F ( L )
* ({A, B}, {A, B}) = 1 / 2[ ( A, A) + ( B, A)] = 1 / 2 ( L)

L
({A, B}, L) =
2 ( y )dy = ( L)
*
2L 0
({A, B}, L) = 2 ( L) F ( L) 1 / 2 ( L)
2
Robinson Villanueva
66

RESENAREN S.A.C.
6.7.3 Ejemplo a dos dimensiones: reconocimiento de un panel.

Sea un panel S definido por su lnea media.
s
b
a
Se desea calcular
2
E
2
E
( L, S )
( L, S ) = 2 ( L, S ) ( L, L ) ( S , S )
( L, L) = F ( L)
( S , S ) = F ( a, b)
a
2
( L, S ) = 1 / 2 (a / 2, b) + 1 / 2 (a / 2, b) = ( , b)
( L, S1 )
( L, S 2 ) ,
S =S1 U S2
Luego:
2
E
a
( L, S ) = 2 ( , b ) F ( a , b ) F ( L )
2
Ejercicio: Un bloque de dimensiones de 100m x 150m va a ser evaluado, de acuerdo a los

parmetros obtenidos por el variograma, de caractersticas:
a) carcter istropo; b) Co = 0,15 ; C = 2,5 y d) a = 250m.
Determinar los errores que se cometen considerando:

1) Punto flotante en el bloque: un punto ubicado en cualquier posicin del bloque a
evaluar: 2 e = F ( x, y ) ; 2 E = Co + C ( 2 e )
2) Punto en el centro de un bloque: sondaje ubicado en el centro del bloque:
2 e = 2Q( x / 2, y / 2) F ( x, y )
2 E = Co + C ( 2 e )
3) Cuatro puntos en los vrtices: sondajes ubicados en las esquinas del bloque:
2 e = 2Q ( x, y ) F ( x, y ) 14 ( x ) + ( y ) + (( x 2 + y 2 ))
Robinson Villanueva
67

RESENAREN S.A.C.
2E =
Co
+ C ( 2 e ) .
4
Qu observa si se comparan los resultados?

Ejemplo:
Sea un variograma esfrico de meseta 5(%)2 y alcance 50 m. Se desea estimar paneles
de 50m x 50 m a partir de un sondaje central.
2
Cul es el valor de E y el intervalo de confianza, con un error del 5%?
En
(h) z(h)
x
x
50
x
50
5(%) 2
50m
Use el CHART 7
Robinson Villanueva
68

RESENAREN S.A.C.
Robinson Villanueva
69

RESENAREN S.A.C.
Robinson Villanueva
70

RESENAREN S.A.C.
Robinson Villanueva
71
REMOTE SENSING NATURAL

RESENAREN S.A.C.
CAPTULO 7
LA VARIANZA DE DISPERSIN
7.1. Distribucin de una Variable Regionalizada
Sea un volumen V con centro en x, formado por la yuxtaposicin de N volmenes iguales vi
centrados en xi. V est definido entonces por la unin de pequeas unidades v (ver figura adjunta).
vi
s2(x)
V=vi = Nv
zV(x)
zc
Grilla de unidades v y distribucin de frecuencias

Sea z(y) la VR ley en el punto y. Se trata de caracterizar la dispersin de la leyes de unidades de
explotacin v en el interior del yacimiento.
La ley media de cada unidad vi centrada en xi es
z v ( xi ) =
1
z ( y )dy .
v v
i
Del mismo modo la ley media del yacimiento V centrado en x, es:
zV ( x i ) =
1
1
z ( y )dy =
VV
N
x
z
i =1
( xi )
A cada una de las N posiciones xi de la unidad v en el interior de V, le corresponde una desviacin

[zv(xi) zV(x)], la dispersin de las N leyes de unidades zv(xi) alrededor de su media zV(x) puede
caracterizarse por la desviacin cuadrtica media:
s 2 ( x) =
Robinson Villanueva
1
N
[z
i =1
( x i ) zV ( x ) ]
resenaren@speedy.com.pe
72

RESENAREN S.A.C.
Esta dispersin se representa trazando el histograma de los N valores zv(xi), es decir, la curva
experimental de las frecuencias de cada valor z (Figura 8.1.). Este histograma no es ms que una
clasificacin simple de los N valores zv(xi) disponibles sin ninguna interpretacin probabilstica.
Podemos calcular por ejemplo, la proporcin de unidades v superiores a una ley de corte zc,
podramos tambin decir que el histograma es asimtrico: existen ms leyes zv(xi) inferiores a la
media zV(x) con respecto a las superiores.
Si se dispusiera para cada zona del yacimiento V todas las leyes de unidades v que la constituyen,
entonces no habra necesidad de ninguna estimacin ni de formular una aproximacin
probabilstica.
En la prctica no se conoce las leyes verdaderas zv(xi) de unidades v, ni tampoco las leyes
verdaderas zV(x) del yacimiento V, en conclusin no se dispone del histograma de la pgina
anterior.
El problema radica entonces en estimar las dos principales caractersticas zV(x) y s2(x); es aqu
donde intervienen las herramientas geoestadsticas y la aproximacin probabilstica.
7.2. Interpretacin probabilstica

La VR ley puntual z(y) es una realizacin particular de la FA Z(y), an mas supondremos que esta
FA es estacionaria, esto implica en particular que la ley de distribucin de Z(y) no depende ms que
de los valores de y.
La ley media de cada unidad vi centrada en xi es una VA, denotada por:
1
z v ( xi ) = z ( y )dy
vv
xii
De la misma manera la media del yacimiento V con centro en x es una VA denotada por:
zV ( xi ) =
1
1
z ( y )dy =
VV
N
x
z (x )
i =1
Luego, la desviacin cuadrtica media s2(x) , aparece como una realizacin particular de la VA
S2(x) en x (corresponde al yacimiento V en x):
Varianza = S
[z
( x) =
( x i ) zV ( x ) ]
7.3. Varianza de dispersin:

Segn la hiptesis estacionaria de la FA puntual Z(y), la esperanza estacionaria de esta VA S2(x), es
por definicin, la varianza de dispersin de las unidades v en V, denotada por:
Robinson Villanueva
73

RESENAREN S.A.C.
1
v
D = E S 2 ( x) = E
V
N
i {z v ( xi ) zV ( x )}
Ejemplo: Consideremos un yacimiento V(xk) conformado por 4 unidades de leyes zv(xi).

La ley de distribucin es uniforme, cuya ley media es
Ley = zV ( x) =
Varianza =
[z
( xi )]
[z
( x) =
1+ 2 + 3 + 4 + 5 + 6
= 3 .5
6
( x i ) zV ( x ) ]
17.5
= 2.917
6
Sean tres zonas (V(xk) , k =1 a 3) de igual media zV = 3,5 y constituido por 3 series de 4 unidades,
segn las series:
Primera serie: zv(xi) = 6, 3, 2, 3
Ley = zV ( x ) =
Varianza = S
[z
( xi )]
[z
( x) =
6+3+ 2+3
= 3 .5
4
( x i ) zV ( x ) ]
9
= 2.25
4
Segunda serie zv(xi) = 6, 5, 1, 2

Ley = zV ( x) =
Varianza = S
[z
( xi )]
[z
( x) =
6 + 5 +1+ 2
= 3 .5
4
( x i ) zV ( x ) ]
17
= 4.25
4
Tercera serie
zv(xi) = 6, 2, 2, 4
Ley = zV ( x ) =
[z ( x )] = 6 + 2 + 2 + 4 = 3.5
Robinson Villanueva
74

RESENAREN S.A.C.
Varianza = S
[z
( x) =
( x i ) zV ( x ) ]
11
= 2.75
4
La varianza de dispersin D2(v/V), es:
1
v
D = E S 2 ( x) = E
V
N
i {z v ( xi ) zV ( x )} = N E i {z v ( xi ) zV ( x )} = 2,917
De esta manera se observa que las tres varianzas experimentales s2(x) = 2,25; 4,25 y 2,75 fluctan
alrededor de su esperanza terica D2(v/V) = 2,917.
7.4. Seleccin de reservas

Los recursos presentes en un yacimiento raramente son completamente explotables.
Normalmente se aplica una seleccin sobre estos recursos para definir las reservas que
deben extraerse.
Es evidente que el volumen y las caractersticas de estas reservas estn en funcin :
1. de los recursos iniciales in situ,
2. esencialmente, de los parmetros: criterios de las leyes de corte , soporte de la unidad de
seleccin (tamao o geometra) e informacin disponible al momento de la seleccin efectuada.
Para evitar errores en la estimacin se debe tomar en cuenta lo escrito anteriormente, e
indicar que las dos principales nociones geoestadsticas que condicionan el no sesgo en la
estimacin de reservas son:
la nocin de soporte, la seleccin del alcance en las unidades de produccin que a veces
son diferentes de las unidades de reconocimiento (ejemplo, soporte de testigos).
La nocin de informacin, la seleccin real de la explotacin dispone a menudo de una
informacin mucho ms fina que la que se dispone en el estudio de las reservas-este estudio
debe prevenir la fineza efectiva de la seleccin real futura. Ciertas propiedades del krigeaje
permiten tal previsin, esta es una ventaja del krigeaje con respecto a las otras tcnicas.
7.4.1. Influencia del soporte

Sea un yacimiento V, reconocido por sondajes de soporte c igual al volumen del material del
testigo analizado y v la unidad de explotacin sobre la cual se har la seleccin efectiva.
Las caractersticas del conjunto de los recursos in situ, puede observarse a travs de los
histogramas de dispersin.
En la siguiente figura se tiene el histograma de dispersin de las leyes zc(x) de los testigos de
soporte c. Se supone que este histograma representa la distribucin de todo el yacimiento V,
Robinson Villanueva
75

RESENAREN S.A.C.
es decir que en la prctica el reconocimiento de V por los testigos es insesgada, en otras

palabras ninguna zona particular de V ha sido reconocida de manera preferencial. Las
caractersticas de este histograma son:
a) una media experimental m* que por el momento la asimilaremos como la media real del
yacimiento: m* m.
b) Una varianza de dispersin experimental que es un estimador de la varianza de
dispersin terica D2(c/V) del soporte c en el yacimiento V.
c) La forma de distribucin asimtrica (que se puede ajustar a una lognormal, por ejemplo).
Si consideramos la ley zo en el eje de las abscisas, el rea sombreada representa la proporcin
observada de los sondajes de ley zc zo.
Supongamos ahora que se conoce las leyes reales zv(xi) de todas las unidades de explotacin de
soporte v, con estos datos podemos trazar el histograma de dispersin de leyes zv(xi) ver figura
adjunta, cuyas caractersticas son:
a) Una media m igual a la media de los sondajes.
b) Una varianza de dispersin terica D2(v/V) de soporte v en el yacimiento G, donde se
verifica que D2(v/V) < D2(c/V), con v > c.
c) El histograma es simtrico.
Frecuencias
D2(v/V)
bloques
Cuanto ms pequeo sea el soporte v, el valor de z(v)

es ms disperso.
La variacin del soporte puede dar lugar a grandes diferencias,
al compararlo, por ejemplo, con una ley de corte (ver figura
adjunta).
D2(c/V) testigos
z
zc
5% Cu
De la misma manera que los variogramas regularizados, sobre testigos c con respecto a los paneles
v son diferentes, de la misma manera los dos histogramas de dispersin y las reas achuradas
respectivas son diferentes, podemos decir entonces que existe una proporcin no desestimable de
testigos c de leyes de Cu zc zo.= 5%Cu, no existe ningn panel v de varias centenas de toneladas
de ley promedio de cobre superior a 5%. En el proceso de explotacin se seleccionan bloques
(paneles) v y no tramos de sondajes c, es por esto importante que al estimar reservas se tenga en
cuenta el soporte v de la unidad de seleccin, bajo pena de sesgo con consecuencias econmicas
probablemente graves, esta anotacin no es trivial, veamos un ejemplo: un yacimiento sedimentario
reconocido por sondajes verticales a travs de toda la superficie mineralizada, con potencia
Robinson Villanueva
76

RESENAREN S.A.C.
promedio mineralizada p, el soporte c de la informacin es un testigo de seccin y de longitud

promedio q.
Si
Si se utiliza el mtodo de polgonos
de influencia, aplicando a cada polgono
la ley promedio del sondaje central Si,

para una ley de corte zo los estimadores
as obtenidos, el tonelaje recuperado
estimado, corresponde al rea achurada
en la figura adjunta, con todos los riesgos
polgono de
de sesgo que se presentan.
Influencia
Otro ejemplo tpico es relativo a los procesos de estimacin ponderados por el inverso medio de las
distancias y en general a aquellos procesos que no toman en cuenta la geometra particular v del
bloque a estimar, si se aplica una seleccin sobre estos valores as estimados el resultado es
independiente del tamao v de la unidad de seleccin, y es bien conocido que no es lo mismo
explotar un yacimiento a martillo ( v es pequeo) que explotarlo en bloques (v es mucho mayor).
Se demuestra que:
D 2 (v / V ) = (V , V ) (v, v)
Por la relacin de aditividad de Krige, se tiene:
D 2 (v / V ) + D 2 ( c / v ) = D 2 ( c / V )
A dicha igualdad se denomina relacin de krigeage
Esta relacin la obtuvo krige experimentalmente estudiando un yacimiento de oro, en el frica,
posteriormente se confirm tericamente.
De lo anterior entonces conocemos el promedio E(zv) estimado por ejemplo por m* promedio de
leyes de los testigos c y la varianza D2(v/V) de la ley de dispersin de las leyes verdaderas zv, pero a
que tipo de ley corresponde, no se sabe esto no permite trazar el histograma de dispersin de los
zv
as como tampoco evaluar las distintas recuperaciones posibles demandadas (zonas
achuradas_figura anterior).
Para ciertos casos se postula la hiptesis de conservacin de leyes, se puede adoptar para zv la
distribucin del histograma experimental de datos zc., y ser suficiente entonces corregir la varianza
D2(c/V)
D2(v/V) para pasar del variograma experimental de los zc al histograma buscado zv. Esta
hiptesis ha sido verificada para ciertos yacimientos de Au y U y para soportes c y v diferentes, sin
embargo no debe tomarse como una ley general.
Es realmente necesario conocer el histograma de dispersin de las leyes reales zv(xi)?.
Robinson Villanueva
77

RESENAREN S.A.C.
7.4.2. INFLUENCIA DE LA INFORMACIN:

En la prctica no resulta necesario conocer el histograma de dispersin de las leyes verdaderas, ya
que de realizarse una seleccin se hace sobre los estimadores z*v(xi) y jams sobre los valores
reales y desconocidos zv(xi). Es decir se recupera efectivamente no los bloques de leyes verdaderas
sino los bloques de valores estimados.
Se entiende que, la informacin disponible y los procesos de estimacin deben ser tales que los
histogramas de los z*v (xi) sean los ms prximos posibles a los zv(xi), para ello se deber tomar en
cuenta la nocin de soporte y tamao v de la unidad de seleccin, requisitos que satisface
plenamente el krigeaje.
Frecuencia
D2(v*k/V)
Valores krigeados
D2(v/V)
Valores reales
m zo
Los dos histogramas verdadero y estimado tienen la misma media.
7.5. Relacin de Alisado

Se demuestra que s y slo s el estimador z* es un estimador de krigeaje, se cumple la relacin
siguiente llamada relacin de alisado
D2(v/V) = D2(v*k/V*) + 2 k - 2 m
Donde:
D2(v/V) = varianza de dispersin de las leyes reales zv(xi) de soporte v en el yacimiento V.
D2(v*k/V*) = varianza de dispersin de las leyes krigeadas z*v(xi) de soporte v en el yacimiento
estimado V*.
1
2 k = 2 ki = promedio de la varianza de krigeaje de cada uno de los N bloques vi, de soporte
N
v, que conforman el yacimiento V.
2 m = varianza de estimacin de la media, en general es pequea, por tanto:
D2(v/V) = D2(v*k/V*) + 2 k
Robinson Villanueva
78

RESENAREN S.A.C.
Notamos como la dispersin experimental disponible D2(v*k/V*) queda alisada respecto a la

dispersin verdadera D2( v/V) y ser tanto ms alisada cuando la estimacin de v por v* sea peor,
es decir cuando 2 k sea ms grande.
La experiencia en minera ha demostrado que cuando la desviacin tpica relativa
D 2 (v / V ) D 2 (
2
D (v / V )
v *k
)
V
D (v / V )
es inferior a 10%, no es necesario corregir la dispersin.
7.6. Varianza de los valores puntuales.

D2 (O/V) = Varianza de los valores puntuales.
1
D2(v/v) = E ( n ( z(vi ) z(v))
2
= ( v E(v( z( x) z(v)) dx) cuando v 0, n
O
D2 = (v, v )
V
D* (O/V) = s2es una estimacin de D2(O/V)

Una aplicacin prctica es la verificacin de los variogramas. El principio consiste en calcular
(v, v) de acuerdo al modulo del variograma adoptado y de compararlo con el valor de s2. Si la
diferencia es notable, habra que cambiar de modelo.
Ejemplo:
En la regionalizacin de la ley en petrleo, los sondajes tienen una longitud L=350 pies
D * (O / L) = s 2 = 17,3(%) 2
D(O / L) = (L, L ) = F0 (L ) + F1 (L )
C0
C1
Robinson Villanueva
79

RESENAREN S.A.C.
3 a 1 a 2
F1 ( L) = C1 1 +
4 L 5 L
C0
= 6(% ) ; F0 = 6
C1
= 13(% ) ; F1 = 12
= 36 pies
D (O / L) = 12 + 6 = 18
Como 18 es aproximadamente igual a 17,3 entonces podemos decir que el modelo es aceptable.
2
Ejemplo:
Consideremos un yacimiento V constituido de N = 5 bloques de igual dimensin v. En la Tabla 5.1.
se muestran las leyes medias {zv(yi), i = 1 a 5} de los 5 bloques, as como sus leyes estimadas
z*v(yi).
Este ejemplo se encuadra en el caso en que el yacimiento V est compuesto de un nmero exacto de
N bloques, por tanto podemos adoptar la frmula de la varianza de dispersin de v en V, siguiente:
1
v
D = E S 2 ( x) = E
V
N
donde
zV ( y i ) = z v ( y i ) =
1
N
zV* ( y i ) = z*v ( y i ) =
1
2
3
4
5
( yi ) =
*
v
( yi )
5+7+6+2+5
= 5;
5
1
= (4,7 + 7,3 + 5,9 + 2,3 + 4,8) = 5
5
z v ( yi ) z v ( y i ) zV ( y i ) z *v ( yi ) z *v ( y i ) zV* ( y i )
5
0
4,7
-0,3
7
2
7,3
2,3
6
1
5,9
0,9
2
-3
2,3
-2,7
5
0
4,8
-0,2
Robinson Villanueva
1
1 4 2
{
}
{
}
(
)
(
)
(
)
(
)
z
y
z
y
E
z
y
z
y
=
= 2,8
=
i v i V i 5 i v i V 5
i =1
z v ( y i ) - z *v ( yi )
+0,3
-0,3
0,1
-0,3
+0,2
( z v ( y i ) zV
( y i )) 2
0,09
0,09
0,01
0,09
0,04
80

RESENAREN S.A.C.
Con los datos de la tabla:

i)
la varianza experimental de los errores de estimacin:
2
Exp
ii)
(( z
=
( y i ) z * v ( y i )) 2
N
0.09 + 0.09 + 0.01 + 0.09 + 0.04

= 0.064
5
el promedio de los errores siendo nulo (no hay sesgo en la estimacin)
z* v ( y i ) = z v ( y i ) = 5
iii)
la varianza de dispersin experimental de los estimadores z *v ( yi ) , es:

1
s' =
N
2
i z *v (y i ) - z*v ( y i )
0.09 + 5.29 + .81 + 7.29 + .04 13 .52

=
= 2,704
5
5
Obsrvese que:
s2 =2,704 < s2 = 2,8 y que se verifica la relacin
s2 = 2,8 ~ s2 + *Exp2 = 2,704 + 0,064 = 2,768.
Este efecto de alisado del estimador z *v ( yi ) es caracterstico de un estimador de krigeaje.
Robinson Villanueva
81

RESENAREN S.A.C.
CAPTULO 8
VARIANZA DEL ERROR GEOMTRICO
8.1. ERROR GEOMTRICO
S
o
8.1.1. Estimacin de una superficie

Sea un yacimiento de forma desconocida,.
de manera sistemtica, en un sector se han
impuesto sondajes bajo cierta malla.
Los sondajes positivos estn representados
por una x (los que reportan mineral) y los
estriles por o (sondajes negativos). Si s es
el rea elemental y n el nmero de sondajes
positivos, la estimacin de la superficie mine_.
ralizada S, est dada por:
S* = n.s
8.1.2. Varianza del error geomtrico

Estimando la superficie mineralizada de la forma descrita anteriormente cometemos un
error geomtrico (S* - S). Demostraremos que esta estimacin es insesgada. La varianza
del error geomtrico se define como:
2E
S
1
= 2
n
n 21
1
( n 2 + 0,06
)
n2
6
n1 n2
donde: n = nmero de sondajes positivos; 2n1 = nmero de segmentos paralelos en la

direccin 1 en la traza del contorno del yacimiento; 2n2 = nmero de segmentos paralelos
en la direccin 2. Las direcciones 1 y 2 se seleccionan bajo la condicin que n1 n2.
Ejemplo:
0
Robinson Villanueva
82

RESENAREN S.A.C.
El plano de muestreo, de sondajes, pertenece a un yacimiento de cobre-niquel, donde:

X representa a los sondajes positivos. Las dimensiones de la malla es de 60*60 m2.
Calcular con un nivel de confianza del 95%, los lmites del rea mineralizada, as como la
varianza de extensin.
Solucin
n = 35 (nmero de sondajes positivos)
2n1 = 34 segn la direccin horizontal
2n2 = 20 segn la direccin vertical
2E
1
=
S 2 n2
E
S
1
1 1
n 21
17 2
( n 2 + 0,06
) = 2 ( *10 + 0,06 *
) = 27,75(%) 2
6
n2
10
35 6
= 5,3%
E = S*5,3 = 12,6h*5,3% = 66,78% = 0,6678h
El intervalo solicitado, con un error del 5%, es:

S = S* 2 E
= 12,6 2(0,6678) = 12,6 1,3

11 hs S 1 4 hs
8.1.3. Estimacin de un volumen
i) Sean:
El volumen elemental Vi es: Vi= Si.pi
V
S
P
La estimacin Vi* de Vi es igual a : Vi* = Si*. Pi*

El error cometido ser (Vi* - Vi)
El volumen del yacimiento V es: V = pi*Si estimado por V* = : pi*S*i , siendo pi el
espesor asociado a la seccin Si estimada por S*i con una varianza de estimacin
2 Si = E (Si Si *)2 .
Como las estimaciones elementales Si* son independientes entre ellos, la varianza de
estimacin del volumen V es:
Robinson Villanueva
83

RESENAREN S.A.C.
2V = E (Vi Vi *)2 = pi2 S2
Entonces la varianza relativa ser:
2V
V
1
V2
Vi 2
i
S2
2
i
ii) Sea el volumen V reconocido por n sondajes verticales positivos de longitudes

mineralizadas li. Los n sondajes siguen una malla horizontal regular de lados (a1 , a2),
a1
a2
li
S* = n*a1*a2
sondajes positivos
La superficie horizontal proyectada S del volumen mineralizado V se estima por
S* = n*a2*a1, de las n zonas de influencia positiva.
1 n
El espesor mineralizado vertical promedio se estima por L = li
n i =1
El estimador del volumen V es entonces: V* = L x S*.
La varianza relativa de estimacin de V por V* es:
2V
V
S* 1
L2 n 2
0,06 + 90 2
con
a2
1
a1
8.2. INFLUENCIA DEL ERROR GEOMTRICO EN LAS ESTIMACIONES

GLOBALES
Hasta este momento hemos analizado el error geomtrico ligado a la determinacin de los
lmites de la mineralizacin y al error de calidad ligada a la estimacin de una caracterstica
media (ley, por ejemplo). En la prctica estos dos errores afectan simultneamente a las
estimaciones globales realizadas.
La figura adjunta representa a un yacimiento sedimentario reconocido por sondajes
verticales, a partir de estos sondajes positivos se ha definido un contorno de superficie
estimada S*, siendo S la superficie mineralizada real desconocida.
Robinson Villanueva
84

RESENAREN S.A.C.
En la zona estimada S* de lmites conocidos, se estima sin sesgo:

1
p( x )dx , para p*S*.
la potencia mineralizada promedio p S* =
S * S*
1
a ( x )dx , para A*S*
S * S*
A
A *S *
= S * , para z *S * =
pS*
p *S *
el contenido metlico promedio AS* =
la ley media z S *
p(x)
a(x) = p(x)*z(x) = potencia*ley
S*
8.3. ERROR DE BORDE
La varianza de estimacin global del

Efecto de borde
volumen promedio VS se ve afectado
vi
por el trmino denominado de borde
2
E(dSV) relacionado con el impacto de
error de superficie.
V
Si vi es pequeo, se puede considerar
que todas las unidades v centradas en un punto estn completamente ubicadas en el interior
de V, esto implica anular el efecto de borde de los bloques vi prximos al lmite
mineralizado.
2
2
O
El trmino de borde est dado por: E (d SV ) = V2 .Da2 ( )
V
V
Siendo:
V2
la varianza relativa de estimacin de volumen.

V2
O
Da2 ( ) , la varianza de dispersin de los volmenes del contenido metlico a(x)
V
8.4. HIPTESIS DE INDEPENDENCIA INTERNA
Esta hiptesis de independencia interna no siempre es verificable (fenmeno de

decrecimiento de los valores en el borde del yacimiento).
2
2
2
T=
E + B
Estimacin
Robinson Villanueva
Bordura
85

RESENAREN S.A.C.
= S (S , S ) ;
2
(S,S) = varianza de las leyes puntuales s2
s
2
8.5. ERROR DE ESTIMACIN DE UN PRODUCTO
Sean: Z el producto de X e Y y
Z* la estimacin de Z e igual al producto de X* (estimacin de X) e Y* (estimacin
de Y).
Es decir:
Z = X Y; Z* = X*Y*
Z* - Z = X*Y* - XY
(1)
Se tiene:
(X* - X) = x con E ( x) = 0
(Y* - X) = y con E ( y) = 0
Desarrollando (1) se obtiene :
Z* - Z = ( X+x)(Y+y) X Y
Z* - Z = Xy +Y x + xy
trmino de 2do. orden
Z* - Z = Xy + Yx
La esperanza matemtica de Z* - Z vale :
E ( Z*-Z) =E(Xy) +E(Y x) + E(xy) = E(xy)
La estimacin de Z ser insesgada si existe independencia interna, es decir: E(xy) = 0
Var Z* - Z) = E(Z* - z)2 (E(Z* - Z))2
= X
=0
2
y
+Y
2
x
+ 2X Y E (x y)
= 0 (independencia interna)
Var ( Z * Z ) = X 2 Y 2 (
Robinson Villanueva
1
1
2
+ 2
2 x
X
Y
2
y
86

RESENAREN S.A.C.
CAPTULO 9
EVALUACIN DE LAS RESERVAS
LA ESTIMACIN GLOBAL
MTODOS CLSICOS.
9.1. INTRODUCCIN
Al evaluar un yacimiento se habla de dos tipos de reservas:
a)
b)
Reservas geolgicas o in-situ: constituidas por todo el material presente bajo

ciertas condiciones, por ejemplo ley de corte, etc.
Reservas mineras: es el material que va a ser extrado despus del diseo y
definicin del mtodo de explotacin.
Como es lgico ambas reservas no coinciden, ya que factores como la dilucin, mtodo de
explotacin, recuperacin, etc hacen que las reservas mineras se alejen de las geolgicas.
El siguiente esquema muestra las diferencias conceptuales de ambas reservas.
Sondajes, Muestreo
Modelo geolgico
Reservas geolgicas
o
In-situ
Estudio econmico
Diseo minero
Reservas
mineras
Recuperacin
Dilucin
Planificacin Cadencia
de la explotacin
Produccin
Costes / Beneficio
9.2. PRIMER RECONOCIMIENTO SISTEMTICO.

En esta etapa los sondajes se realizan siguiendo una malla ms o menos regular sin
considerar zonas privilegiadas.
Se trata de estimar: la ley promedio (m*),el volumen (V*) y el contenido metlico del
yacimiento (Q* = m*V*).
Robinson Villanueva
87

RESENAREN S.A.C.
En algunos casos, la informacin que se dispone puede provenir de soportes diferentes

(por ejemplo canales y sondajes, en una misma campaa), en tal caso se ponderar la
informacin disponible.
Mas all de la estimacin, ser necesario igualmente, determinar la precisin de esta
estimacin.
Estos resultados (estimacin y precisin) permitirn decidir por: esperar una coyuntura
econmica favorable; o realizar un segundo reconocimiento sistemtico que nos
conducir al estudio de factibilidad.
9.3. MTODOS DE EVALUACIN.

Existen dos grupos de mtodos para estimar las reservas de un yacimiento: los mtodos
clsicos o geomtricos y los geoestadsticos.
La evaluacin por mtodos geoestadsticos, tratado en el Captulo 8, requiere, que
el equipo de trabajo tenga una adecuada informacin terica de Geoestadstica;
se cuente con el hardware y software adecuados;
se disponga de la mayor cantidad de informacin posible (ensayes de sondajes,
litologa, geologa detallada, etc.).
9.3.1. MTODOS CLSICOS O GEOMTRICOS:

Cuando se evala un yacimiento lo que se realiza es un proceso de cubicacin, es decir, se
construyen una o varias figuras geomtricas en las que se va a estimar que cantidad de
mineralizacin existe en el interior de ellas. Bajo este concepto se sigue de manera general los
siguientes pasos:
Clculo del espesor mineralizado: e(m).

Clculo de la superficie mineralizada: S(m2).
Clculo del volumen V(m3) = S(m2)*e(m).
Clculo de la densidad media aparente del mineral: (t/m3).
Clculo de las reservas de mineral: Q = V(m3)* (t/m3).
Clculo de las reservas en metal de cada uno de los minerales de valor econmico:
o Tcomponente = Q(t)*gley media del componente(tanto por uno).
Clculo de los concentrados.

Clculo de las reservas totales:
Qtotal = Q1 + Q2 + ... + Qn
Ttotal = T1 + T2 + ... + Tn
Entre las tcnicas de estimacin clsicas se tiene:

a) Perfiles, cortes o secciones, b)Polgonos, c)Tringulos, d)Matrices de bloques,
e)Contornos, f)Inverso de la distancia.
Robinson Villanueva
88

RESENAREN S.A.C.
9.3.1.1. MTODO DE LOS PERFILES, SECCIONES O CORTES

Los resultados de una prospeccin semi-sistemtica conducen a delimitar un yacimiento en el
que se debe precisar los contornos y calcular el tonelaje de mineral respectivo.
Ejemplo1: Cubicar el mineral de la seccin mostrada
i) Determinacin de la ley media ponderada en una seccin
La Figura 6.1, indica tres sondeos con tramos de muestreo y leyes expresadas en porcentaje,
de la seccin AB
20m
S1
12,00
40m
40m
1,00
S2
10,03
17,25
A
2,00
1,00
31,20
3,00
S3
3,10
2,00
15,03
4,00
1,00
3,00
5,00
7,43
3,00
12,05
5,00
5,50
6,00
2,00
4,00
0,27
12,00
17,80
2,40
6,00
10,05
28,30
7,09
7,00
20m
0,05
4,00
11,29
0,20
5,00
5,10
6,00
Figura 6.1 Perfil hipottico (lnea AB)

Observaciones
Antes de proceder con los clculos se tuvo que analizar los datos de cada sondeo, los
resultados fueron:
a)
En S1, se limit el rea hasta los 5m, ya que los 2m siguientes presentan leyes
(2,4% y 0,27%) inferiores a la ley de corte establecida en 5%.
b)
En S2, se observa que el tramo comprendido de 1 a 2m de profundidad, tiene una
ley inferior a 5% (3,1%), pero este valor se encuadra en tramos mtricos cuyas
leyes son superiores a 5% (de 0 a 1m: 10,03%; de 2 a 3m: 28,3%; etc.). Es
evidente que al explotar este bloque, se retirar todo el estrato mineralizado hasta
los 5,5m que an cubre todos los gastos; una capa de 1m de espesor con una ley
inferior a la de corte no altera en demasa la ley promedio de la seccin que es del
orden de los 13,99%.
c)
En S3, el tramo comprendido entre 5 y 6m presenta una ley de 5,1% >Lc=5%,
como esta capa est separada por niveles superiores de 2 metros de espesor con
leyes inferiores a la ley de corte (de 3 a 4m: 0,05%; de 4 a 5m: 0,2%), sera
antieconmico extraer este estrato, por tanto cubicaremos en este sondaje hasta
los 3m.
Robinson Villanueva
89

RESENAREN S.A.C.
ii) Clculo de las leyes medias ponderadas de los sondajes y de la seccin

Sondajes
Longitud
Ley tramo Contenido
mineralizada mineralizado metlico

d
l*d = z
d*z
S1
S2
S3
Seccin
1+2+3
1.0
1.0
1.0
1.0
1.0
5.0
12.00
17.25
31.20
15.03
7.09
1.0
1.0
1.0
1.0
1.0
0.5
5.5
10.03
3.10
28.30
17.80
12.05
11.29
1.0
1.0
1.0
3.0
10.05
12.00
7.43
13.5
Leyes promedios
Sondajes %
( d * z )
d
12.00
17.25
31.20
15.03
7.09
82.57
16.51
10.03
3.10
28.30
17.80
12.05
5.65
76.93
13.99
10.05
12.00
7.43
29.48
9.83
188.98
Seccin %
( d * z )
d
Z = 14.00
Tabla 7,1.
iii) Determinacin de la densidad en una seccin
La densidad est en funcin de l*d = ley del tramo.
La densidad de una arenisca estril es de 1,5, y de una arenisca mineralizada empricamente
es del orden de
Densidad () = 1,5 + 0,0115Z
Siendo Z la ley media de la seccin considerada. En nuestro ejemplo:
= 1,5 + 0,0115*14 = 1,66 ton/m3
iv) Determinacin de la superficie mineralizada en cada seccin
La superficie mineralizada de una seccin comprende:
La suma de la superficie de los trapecios que tienen como base las longitudes mineralizadas
entre dos sondajes vecinos y de altura la distancia entre esos sondajes.
En los sondajes extremos (a la izquierda S1 y a la derecha S3) la suma del rea de los
tringulos, cuya base es la longitud mineralizada en los sondajes (S1 o S3) y de altura la
mitad del intervalo entre los sondajes de la seccin (40/2 = 20m, en el ejemplo seleccionado).
Robinson Villanueva
90

RESENAREN S.A.C.
Es decir, la superficie mineralizada sera:

5 * 20 (5 + 5,5)40 (5,5 + 3)40 3 * 20
+
+
+
= 460m 2
2
2
2
2
v) Determinacin del volumen del yacimiento

La zona de influencia de cada seccin mineralizada en la cual la superficie y la ley promedio
han sido calculadas, es considerada como las semi-distancias entre la seccin considerada y
cada uno de los perfiles que la encuadran sean estos mineralizados o no. Si la seccin
mineralizada est en el extremo del eje, la zona de influencia se extrapolar a una longitud
igual a la mitad de la distancia que la separa de la seccin precedente.
En el ejemplo de la figura 6,1., el volumen del mineral deducido a partir de la seccin
mineralizada AB con una superficie mineralizada de 460m2, ser:
V = 460(125+160) = 131 100 m3
C
320m
250m
160m
D
125m S1
S2
Superficie mineralizada
S3
E
B
F
Figura 6,2. determinacin del volumen del yacmiento
vi) Determinacin del tonelaje
Estos tonelajes son de tres tipos y los calcularemos en el orden siguiente:
1. El tonelaje en mineral, obtenido al multiplicar el volumen por la densidad
En nuestro ejemplo, el tonelaje en mineral de todo el cuerpo, ser:
Ton = V* = 131 100m3*1,66ton/m3 = 217 626 ton
Robinson Villanueva
91

RESENAREN S.A.C.
2. El tonelaje en concentrado se obtiene multiplicando el tonelaje por la ley media de la

seccin (Ton*Z), se expresa en porcentaje.
Ton = 217626 *
14
= 30467.64t
100
3. El tonelaje en metal, de cada uno de los minerales con valor econmico,

encontrados en el yacimiento (plata, plomo, zinc, cobre, etc.).
En nuestro ejemplo, para la lnea de seccin AB se han obtenido los siguientes resultados:
Porcentaje plata en el conjunto del concentrado:
Porcentaje zinc en el conjunto del concentrado:
Porcentaje cobre en el conjunto del concentrado:
80.00%
9.00%
3.25%
Tonelaje:
Plata 30467.64*0,80 = 24 374t
Zinc 30467.64*0,09 = 2 742t
Cobre 30467.64*0,0325 = 990t
Observaciones relacionadas con la ley media: La ley media de un bloque S se determina
por el promedio de las muestras ubicadas en su interior, es decir:
n
z
z *S =
i =1
S
2
Reemplazando los valores en la frmula:

z*S = 16/7 = 2,29, los ponderadores son
todos iguales a 1 = ..,. = 7 = 1/7.
3
1
2
Con respecto a la expresin anterior, podemos decir que:
2
i) Es una combinacin lineal de las n muestras, de la forma: z *S = (i , z ( xi )) , cuya suma

i =1
de los ponderadores es la unidad,

ii) es un mtodo fcil de emplear,
iii) en datos agrupados, los resultados no son representativos. En el ejemplo notamos, al N-W
una agrupacin de leyes favorables (media = 2,8), que con respecto a la ley media del bloque
2,29; esta zona rica estara sobreestimada,
Robinson Villanueva
92

RESENAREN S.A.C.
iv) En estimaciones locales, los bloques carentes de muestras no podran ser estimadas.
9.3.1.2. EL MTODO DEL INVERSO DE LAS DISTANCIAS.Este mtodo se basa en el hecho que, la influencia de los valores en un punto, decrecen a
medida que se alejan de ste, de tal manera que la ley vara en funcin inversa de su distancia.
En este mtodo el estimador del bloque z*S es una combinacin lineal ponderada de las
muestras zi. Los ponderadores i, se determinan por las distancias de las muestras di, al centro
de gravedad del bloque sg. A menor distancia del centro de gravedad mayor ser el peso
asignado a la muestra y viceversa.
n
zi
d
i =1
n
d
i =1
El valor del ndice de ponderacin es clave en el proceso de cubicacin, pero al mismo

tiempo es arbitraria ya que no se conocen mtodos que permitan conocer el valor adecuado
(este valor puede calcularse en funcin de la direccin y del tipo de yacimiento, y debe
calcularse basndose en el anlisis del mismo), puede usarse valores comprendidos entre 1 y
5. Si el valor de es muy alto, por ejemplo 5, segn Barmes, 1980, el mtodo se asemeja al
del polgono y si se escoge un valor muy bajo por decir 0,5 hace que el suavizado sea
excesivo, dando mayor importancia a muestras que se encuentran muy alejadas del punto a
estimar.
En la figura:
Si = 8 el mtodo se asemeja al de polgonos.
Si = 1, este se transforma en un mtodo lineal
de interpolacin ( a mayor exponente, mayor
peso tendr la muestra ms cercana).
Si = 5 el valor se parece al obtenido por la
Regla de puntos ms cercanos.
El utilizado con mayor frecuencia es = 2, este
valor, hace que se le aada mayor peso a las
muestras ms cercanas, denominado inverso
cuadrado de la distancia.
Ley
Z
=
=5
=2
= 1.5
=1
Consideraciones para aplicar el mtodo:
a)
b)
Los compsitos deben adaptarse en funcin al ancho de la estructura, a la altura de

los bancos, a las unidades geolgicas y otros parmetros geolgicos-econmicosfinancieros.
Reducir el error de sobre peso a lo largo de una lnea, a causa de la existencia de
dos o ms compsitos que se encuentren en el interior de una abertura angular
menor igual a los 20, para ello, slo se considera el compsito ms cercano al
bloque que se est evaluando.
Robinson Villanueva
93

RESENAREN S.A.C.
c)
d)
El radio de influencia se aconseja que no sea mayor de los 100m porque a mayor
distancia la diferencia entre sus valores ser mayor. Su variacin depende del
nmero y distribucin de los compsitos.
El tamao de los bloques debe adaptarse en lo posible a los mtodos de
extraccin, se aconseja utilizar mallas cuadradas. Es necesario tener en cuenta que
los bloques pequeos son ms flexibles de combinar para formar bloques mayores
y que el tamao ideal debe ser adaptado a cada caso en particular.
Observaciones al mtodo:
a) Es una combinacin lineal de las muestras: z*S =
ponderadores
se definen como: i =
( .z( x )) ,
i
cuyos
1
n
di
i =1
1
di
b) Se adapta con facilidad para las estimaciones locales y globales.

c) No considera la agrupacin de las muestras, similar a la tcnica de la media
aritmtica.
d) Las muestras cercanas al centro de gravedad tienen mayor peso.
e) No toma en cuenta la forma ni el tamao del yacimiento, puesto que el centro de
gravedad es comn para distintos bloques.
Nota importante:
Todas las tcnicas de estimacin descritas anteriormente, tienen una gran desventaja, el de
sobrestimar las zonas ricas y subestimar las zonas pobres de un yacimiento. A este
fenmeno se le conoce como sesgo condicional, para entender este fenmeno, analicemos el
siguiente ejemplo: en la siguiente figura cada punto representa un sondaje que se encuentra
ubicado en el centro del bloque, el rea achurada representa las zonas ricas. Para el caso de la
estimacin de leyes en los bloques denotaremos por: 1 presencia de mineral y 0 el estril.
1,0
0,0
Robinson Villanueva
94

RESENAREN S.A.C.
0,4
1,0
0,85
0,9
0,0
1,0
1,0
1,0
0,75
0,92
0,2
1,0
1,0
0,0
0,3
0,4
0,2
0,94
0,0
0,0
0,0
1,0
0,95
0,91
1,0
1,0
Ley real
Ley estimada
Los promedios de las leyes reales y estimadas son de 0,67 y 0,69 respectivamente, es decir no
hay sesgo global a dicha escala, sin embargo existe un sesgo condicional en la estimacin de
los bloques, manifestada en el hecho de que las leyes estimadas en los bloques de leyes
positivas (zona achurada) tienen una ley siempre superior a la real, en cambio para las de
leyes bajas las leyes estimadas son inferiores a las reales. De aplicarse un cut-off sobre las
estimaciones ocurrira que la ley de mina sera sistemticamente superior a la ley de planta.
Ejemplo:
Calcular la ley del bloque B, de la figura adjunta, por el mtodo del inverso de la distancia,
tomando como datos referenciales las leyes zi y distancias di, para ndices de ponderacin 2,
1 y 3.
0,5%
0,7%
0,8%
0,4%
65m
1,0%
30m
B
65m
0,6%
80m
50m
1,0%
0,7%
0,6%
Robinson Villanueva
95

RESENAREN S.A.C.
Para = 2
n
zi
z*S
1
0.7 0.6 0.5 0.8
+ 2 + 2 + 2 + 2
2
50
65
65
30 = 0.74% = 0,74%
= n i = 80
1
1
1
1
1
1
+ 2 + 2 + 2 + 2
80
50
65
65
30
i =1 d i
i =1
Para = 1
n
zi
z*S
1 0.7 0.6 0.5 0.8

+
+
+
+
= n i = 80 50 65 65 30 = 0.73%
1
1
1
1
1
1
+
+
+
+
80 50 65 65 30
i =1 d i
i =1
Para = 3
n
zi
z*S
1
0.7 0.6 0.5 0.8
+ 3+ 3+ 3+ 3
3
50
65
65
30 = 0.76%
= n i = 80
1
1
1
1
1
1
+ 3+ 3+ 3+ 3
80
50
65
65
30
i =1 d i
i =1
Robinson Villanueva
96

RESOURCES AND NVIRONMENT
RESENAREN S.A.C.
CAPTULO 10
ESTIMACIN GLOBAL
Despus que el anlisis estructural haya caracterizado las distintas regionalizaciones
espaciales del fenmeno materia de estudio, se procede a la estimacin.
Generalmente la estimacin global de un yacimiento precede a su estimacin local: en
efecto, durante la etapa preliminar exploratoria no siempre se dispone de informacin
sistematizada y afinada que permita realizar estimaciones locales diferenciadas.
En una estimacin global se corrigen dos tipos de errores:
Uno de tipo geomtrico, relacionado con el desconocimiento de los lmites exactos de la
mineralizacin del yacimiento. Este tipo de error presenta cierto grado de complejidad
para definirlo y, afecta a la estimacin geomtrica del yacimiento, es decir a la
estimacin de volmenes y tonelajes de mineral as como a las estimaciones de cantidad
de metal.
El otro error es de tipo cualitativo, que tiene que ver con la estimacin de leyes y otras
caractersticas del mineral. Este error afecta por ejemplo, a la estimacin de las leyes
medias, es decir a la cantidad de metal disponible. En la seccin 8.1. nos limitaremos a
estudiar el error cualitativo, suponiendo entonces que la geometra y el volumen de la
zona son conocidos, y en la seccin 8.2. trataremos de cuantificar el error geomtrico y
su influencia en las estimaciones globales de cantidades de metal y de leyes medias.
10.1. ESTIMACIN GLOBAL, CONOCIDOS LA GEOMETRA Y EL
VOLUMEN DEL YACIMIENTO
Consideremos una zona de geometra y volumen V conocidos, se trata de estimar la
1
caracterstica media zV = z ( x )dx en esta zona, por ejemplo la ley media zV, siendo
VV
z(x) el valor de la ley en un punto.
Lmite de estacionariedad
Se supone que la regionalizacin de z(x) en V es estacionaria y caracterizada por (h),
en la prctica es suficiente la cuasi estacionariedad local, es decir, (h) representa el
promedio en V de los distintos variogramas locales estacionarios.
Por ejemplo, si los variogramas locales presentan efecto proporcional, se tomar como
variograma promedio el esquema correspondiente a la ley media m* estimada en V.
En cambio, si un yacimiento G est constituido de distintas zonas V de mineralizacin
heterognea, conviene, en este caso tratarlas individualmente.
Robinson Villanueva
97

RESENAREN S.A.C.
Definicin del estimador global

Un estimador global, no es ms que una combinacin lineal de estimadores parciales.
Si la informacin disponible es suficiente, estos estimadores parciales son

verdaderos estimadores parciales significativos. Por ejemplo, en el caso de los
valores krigeados z*i de unidades de explotacin vi, se demuestra que el
estimador global krigeado z*es un ponderador de los volmenes relativos de los
valores krigeados locales:
1
vi z *i con V = vi
V
En general, los distintos valores krigeados z* no son independientes y el clculo de la
varianza de estimacinde z po z* hace intervenir a la covarianza de tipo:
z* =
E{(zi-z*i)(zj-z*j)}.
En la prctica la estimacin local se realiza en las primeras fases de reconocimiento,
cuando la informacin no permite realizar estimaciones locales significativas. Entonces,
podemos entender que las estimaciones parciales representan etapas intermedias entre la
estimacin global y la correspondiente estimacin local del yacimiento.
B
Por ejemplo, si un yacimiento es

reconocido
por
sondajes
verticales, en primer lugar se
estima cada seccin respecto a
los sondajes verticales contenidos
en ella y posteriormente se
reagrupan estos estimadores
parciales de las secciones y se
pondera con su longitud de
influencia.
A
En la prctica para calcular la varianza de
estimacin global, se utilizan los principios
de aproximacin correspondiente a cada una
de las etapas intermedias que conducen al estimador global.
Clculo de la varianza de estimacin global
Varianza de estimacin de una ley media zV en un volumen V, con respecto a la

ley media zv de unidades de explotacin v:
E2 = E{( zV z v ) 2 } = 2 (V , v ) (v, v ) (V ,V )
Varianza de estimacin de zV por una combinacin lineal cualquiera

z* = iz(xi) de informaciones disponibles Si:
Robinson Villanueva
98

RESENAREN S.A.C.
E2 = E{( zV z*) 2 } = 2 (V , S i ) i j ( S i , S j ) (V , V )
i
Se supone que la estimacin es sin sesgo, es decir:

i = 1
y que E{zV z*} = 0
Krigeaje global
Es vlido pensar que en la estimacin global, es posible efectuar un krigeaje para
determinar los distintos ponderadores i a fin de que 2E sea mnima. En la prctica tal
krigeaje es raramente posible, fundamentalmente, por dos razones:
i)
La hiptesis estacionaria es raramente verificable en todo el yacimiento y

slo se disponible de un esquema estructural (h) nico y vlido para todas
las distancias.
ii)
El clculo de los valores medios , integrales sxtuples en el espacio

tridimensional es rpidamente inextricable cuando se hace intervenir todas
las informaciones Si y Sj disponibles. En todo el yacimiento.
Estas objeciones hacen que para la estimacin local se limite a las vecindades
restringidas del krigeaje.
En la prctica, una configuracin experimental de la informacin puede provenir de
datos distribuidos de forma regular parcialmente o de manera aleatoria. Para el clculo
de la varianza de estimacin global podemos usar simultneamente los dos principios de
aproximacin que detallamos enseguida.
10.1.A. PRINCIPIO DE INDEPENDENCIA DE ERRORES ELEMENTALES
Este principio trata de reducir el error global [zV z*i] en una suma de errores
elementales considerados independientes, calculando simplemente las varianzas
Si:
[ zV z*] = i [ zi zi *]
i =1
Por tanto la varianza de estimacin global est dada por:
E2 = E{( zV z*) 2 } = i2 E{[ zi zi *]2 } + i j E{[ zi zi *]{[ z j z j *]}

i j
Si los errores [zi z*i], [zi-z*j] con i j,se consideran independientes, la expresin
quedara como:
E2 = E{( zV z*) 2 } = i2 E{[ zi zi *]2 } = i2 E2i
i
Robinson Villanueva
99

RESENAREN S.A.C.
Las configuraciones de las estimaciones elementales zi por z*i seran seleccionadas de

tal manera que se pueda calcular la E2 con ayuda de la frmula general o an mejor
con los bacos o con las funciones auxiliares.
Se diferencian dos composiciones de errores elementales segn estos provengan de una
misma configuracin de estimacin (1-composicin directa) o de configuraciones
distintas (2-composicin de trminos).
10.1.A.1. COMPOSICIN DIRECTA DE ERRORES ELEMENTALES

Tramo a malla regular
Sea una galera de longitud L dividida en n segmentos iguales de longitud l.
li
n
l
i =1
= nl = L
xi
Cada segmento li es reconocido por su punto central xi, los valores de z(xi) son
conocidos, se trata de estimar z(L) por z*(L) y conocer la precisin de esta estimacin.
1
1
z
(
x
)
dx
.....
z
(
x
)
dx
=
+
+
z
(
x
)
dx
L L
L l1
ln
1
1
1
= z ( x)dx = z (li ) = z (li )
L i li
L i
n i
z ( L) =
z ( L) =
1
z (li )
n i
Para estimar z(L) consideramos que:

z * ( L) =
1
z * (li )
n i
con z*(li) = z(xi)
z * ( L) =
1
z ( xi )
n i
1
z * ( xi )
n i
1
El error e = z*(L) z(L) = ( z ( xi ) z (l i )) ,
n i
Precisin z * ( L) =
Robinson Villanueva
100

RESENAREN S.A.C.
1
( z ( xi ) z (li ))
n i
es una realizacin de la V.A.:
con: E(
1
1
( z ( xi ) z (l i )) )= ( E ( z ( xi ) z (li ))) = 0
n i
n i
=m
=m
Lo anterior nos dice que la estimacin es sin sesgo:
1
* Var( ( z ( xi ) z (l i )) ) =
n i
1
2
= 2 (Var ( z ( xi ) z (li ))) + 2 Cov ( z ( xi ) z (l i ), z ( x j ) z (l j ))
n i
n i> j
El principio de independencia de los errores nos conduce a decir que:
Cov((z(xi)-z(li) , (z(xj)-z(lj))) = 0,
es decir que el error sobre el tramo i es independiente del error sobre el tramo j, para
todo i, j.
1
1 2
2
E ({x i }, L) = n 2 Var ( z ( xi ) z (li ) = n E ( x, l )
= 2E=(xi , li)
2
E
({x i }, L ) =
1 2
( x, l )
n E
Siendo 2E=(xi , li) la varianza de extensin de la estimacin de un segmento de longitud

l con respecto a su punto medio.
Observacin: Hay dos formas de configurar el reconocimiento de un tramo:
Dispositivo abierto
Dispositivo cerrado
Si n > 4
2E(abierto) ~ 2E(cerrado)
Tramo a malla irregukar

*
li
*
xi
z * ( L) =
Robinson Villanueva
1
l i * z ( xi )
L i
101

RESENAREN S.A.C.
Varianza de extensin
l
2
2
E ({x i }, L) = ( Li ) 2 E xi , li )
2
E
2
1
({x i }, L) = ( ) 2 l 2 ( xi , l i )
i
E
L
Ejemplo: Frente a los dos casos, de estimacin de tramos:

1)
40
*
2)
40
*
30
*
30
*
40
*
60
*
seleccionaremos un variograma esfrico de alcance 50m y meseta 5(%)2

Calcular la varianza de extensin y los lmite de confianza con un nivel de probabilidad
del 95%.
Caso general
z*(vi) = z(vi)
Donde:
Z*(V)=
vi
( V ) z (v )
i
2
E
v
({v i }, V ) = ( i ) 2 2 E (vi ,Vi )
V
i
Ejemplo: Si en el ejemplo anterior caso 2 el variograma esfrico presenta un efecto

de pepita de 1(%)2, una meseta de 5(%)2 y un alcance de 50m, calcular la varianza de
extensin y el intervalo de confianza de leyes con un error del 5%.
Leyes
Robinson Villanueva
30
*
10%
30
*
12%
60
*
8%
102

RESENAREN S.A.C.
A dos dimensiones:
S
X
Sea la estimacin de la ley media en una superficie S

constituida de N superficies elementales si, reconocidos
por un sondaje en el centro.
La varianza de estimacin elemental 2 si es calculada por
la frmula general o por los bacos.
La varianza de estimacin global ser:
si
E2 =
Lk
sk
A tres dimensiones:
St
ek
1
S2
si2 s2i =
s2
Sea la estimacin de la ley media sobre una

superficie S constituida por la reunin de n
rectngulos sk = Lk*ek, donde cada uno de los
rectngulos es reconocido por la galera Lk.
La varianza de estimacin elemental 2 sk es
calculada por la frmula general o por los bacos.
E2 =
1
S2
s
2
k
2
sk
Sea la estimacin de la ley media en un volumen V

formado por n paraleleppedos de volumen vt = st*ht, cada
uno de ellos reconocido por una seccin mediana St.
La varianza de estimacin elemental 2 vt es calculada por
la frmula general o por los bacos.
E2 =
1
V2
v
2
t
2
vt
Robinson Villanueva
103

RESENAREN S.A.C.
TABLA DE RECAPITULACIN
Estimacin
Varianza de estimacin
Tramo a malla regular
z * ( L) =
li
1
z ( xi )
n i
2
E
({x i }, L ) =
1 2
( x, l )
n E
xi
L = nl
Tramo a malla irregular
1
z * (L) =
L
z( xi )
l
2
({x i }, L ) = i E ( x i , l i )
i
L

li
xi
z * (S ) =
Malla regular
1
z ( xi )
n i
2
E
({x i }, S ) =
1 2
( x, s )
n E
bidimensional
l
X
SX
S = ns
= 2H(L/2 , l/2) F(L , l)
Conjunto de paneles
z * (S ) =
i
Sj
S
z( L j )
2
E
({L j }, S ) = (
Sj
S
) 2 E (L j , S j )
2
rectangulares reconocidos
2E(Lj , Sj) se obtiene del baco 8

por sus trazas medianas
Lj
Sj
Robinson Villanueva
104

RESENAREN S.A.C.
10.1.A.2. COMPOSICIN DE ELEMENTOS O TRMINOS

Sea un yacimiento reconocido por tres niveles horizontales, en donde cada nivel es
reconocido por galeras y estas reconocidas a su vez por canales de muestreo.
Nivel 1
L
Nivel 2
Nivel 3
La estimacin global de la ley media del cuerpo puede componerse de 3 etapas,

correspondiente a tres trminos de estimacin:
i)
Estimacin de las galeras por el conjunto de los canales de muestreo

disponibles. A esta estimacin le corresponde una primera varianza de
estimacin denominada trmino de lnea Tl.
Estimacin de los niveles por el conjunto de las galeras. A esta estimacin
le corresponde una segunda varianza de estimacin denominada trmino de
nivel o de seccin TS.
Estimacin de los tajos por el conjunto de los niveles supuestos
perfectamente conocidos. A esta estimacin le corresponde una tercera
varianza de estimacin denominada trmino de tajo TV.
ii)
iii)
La varianza de estimacin global del cuerpo estar dada por:
2E = Tl + TS + TVTrmino de lnea:
Lk
l
Lk = l* nk
Asumiendo que una galera puede corresponder a una

lnea Lk reconocida por ejemplo por nk canales de
muestreo a intervalos regulares l, la varianza de
estimacin de esta lnea Lk viene expresada por:
L2 =
K
Robinson Villanueva
1 2
l
nk
105

RESENAREN S.A.C.
El reconocimiento de todas las galeras (longitud total L = nLk) por el conjunto de los
n = nk canales de muestreo de longitud elemental regular igual a l. La varianza de
estimacin del trmino de lnea est dado por:
TL = L2 =
1 2
l
n
Trmino de seccin:
El conjunto de los tres niveles que ha

permitido reconocer el cuerpo, puede ser
asimilado por la reunin de n rectngulos
sk = Lk *ek , asimismo cada rea ha sido
reconocida por una galera mediana Lk
supuesto perfectamente conocida.
ek
Lk
El reconocimiento de todas las secciones (superficie total S = nsk) por el conjunto de

todas las galeras est caracterizado entonces por la a varianza de estimacin del
trmino de seccin:
1 n
2
TS = S2 = 2 sk2 sk
S k =1
Siendo 2sk la varianza de estimacin del rectngulo sk por su mediana Lk supuesto
perfectamente conocida.
Trmino de tajo:
El error de estimacin de los tres tajos del cuerpo se evala por sus niveles o secciones
medianas supuesto perfectamente conocidas.
Cada tajo vt es reconocido por su seccin mediana .
El trmino de tajo est dado por:
TV = V2 =
1
V2
v
k =1
2
t
2
vt
Siendo 2vt la varianza de estimacin del paraleleppedo vt por su seccin mediana Sk

supuesto perfectamente conocida.
Robinson Villanueva
106

RESENAREN S.A.C.
10.1.B. PRINCIPIO ALEATORIO RELATIVO A LA INFORMACIN
Este principio considera la aleatoriedad relativa a la informacin en el interior de un

sector.
Por ejemplo en el espacio bidimensional si se dispone de una malla no regular pero con
densidad uniforme de informacin, es posible definir una grilla denominada
aleatoriedad estratificada, tal que cada cuadrcula de la grilla contiene en promedio un
dato.
X
X
Sea Z(x) la informacin puntual en la

cuadrcula s (x s). La varianza de
estimacin de la ley media zS en s por z(x)
es:
E{[zS-z(x)]2}.
X
X
X
X
X
X
X
X
En efecto x describe toda la cuadrcula s con densidad de probabilidad uniforme dx/s.

La varianza de estimacin media correspondiente al aspecto aleatorio de x en s, se
escribe como:
1
s2 = E{[z S - z(x)]2 }dx = D 2 (o/s).
sS
Esta expresin no es otra cosa que la varianza de dispersin, de los datos puntuales z(x)
en la superficie de malla s.
Si aplicamos el principio de independencia de los errores elementales, la varianza de
estimacin de la ley media de un sector S formado por la reunin de N mallas obtenidas
por composicin directa:
S2 = E{[ z S z *S ]2 } =
Con
S = N*s
z *S =
1
N
1 2
D (o / s )
N
z( x )
i =1
Este principio de implantacin aleatoria estratificada se aplica de manera anloga a toda

configuracin de informacin a 1,2 o 3 dimensiones irregulares, pero de densidad
constante.
Para el caso de aleatoriedad pura es aconsejable no utilizar este principio.
Robinson Villanueva
107

RESENAREN S.A.C.
A continuacin, daremos algunos ejemplos de distintas formas de ubicacin de

muestreo en el reconocimiento de reas mineralizadas:
Ubicacin preferencial
x
x
x
Los sondajes se ubican en las zonas mejor

mineralizadas
x
x
x
x
Malla regular:
SX
2
E
1
(2 (o, s ) ( s, s ))
n
Aleatoriedad estratificada:
Los sondajes son ubicados al azar en el interior de cada malla
1
2
x
x
E = n ( (s, s)
x
x
x
x
x
x
x x
x
x
x x x
x
x
x
Aleatoriedad pura:
2
E
1
( ( s, s )
n
x x
x
2
E
aleatoriedad
pura
Robinson Villanueva
>>
2
E
aleatoriedad
estratificada
>
x
x
x
x
2
E
malla
regular
108

RESENAREN S.A.C.
CAPTULO 11
GEOESTADSTICA _EVALUACIN DE LAS RESERVAS
EL KRIGEAJE (KRIGING O KRIGEAGE).
11.1. EL KRIGEAJE
La Geoestadstica, a travs del semivariograma, usa el Krigeaje (en ingls kriging y en
francs krigeage) para estimar las reservas de un yacimiento, en la evaluacin estima el
valor de una VR en un punto o en un bloque, a partir de ponderadores semejantes al
mtodo de inverso de la distancia. Este valor es el mejor estimador lineal insesgado de
la variable, no sesgado porque la varianza de estimacin es mnima, el error entre lo
estimado con lo real es nulo (considerando como error la diferencia entre lo estimado
con lo real) y lineal porque es una combinacin lineal de la informacin disponible.
Las tcnicas anteriores difieren del Krigeaje, pues en este mtodo se utiliza toda la
informacin disponible, no solo la correspondiente a cada bloque, sino tambin la de los
bloques vecinos.
Sin embargo, el Krigeaje no es
vlido cuando la malla es
relativamente pequea (segunda
campaa de reconocimiento
sistemtico).
X1
Xi
X0
X4
La utilizacin del Krigeaje en la

estimacin
global
aportar
informaciones complementarias
importantes.
X2
X3
Por lo anterior, podemos decir que el krigeaje se convierte en el mtodo ptimo de

estimacin, su uso est ampliamente desarrollado en todo tipo de yacimientos,
especialmente en aquellos de alta valor y erraticidad (p.e. oro, diamante), como los
clculos matemticos son resueltos por la aplicacin de softwares especializados, el
nico problema para lo operadores radica en la complejidad conceptual frente a los
mtodos clsicos, resuelto este problema, el mtodo se convierte en el nico seguro y
confiable en la estimacin de reservas.
Robinson Villanueva
109

RESENAREN S.A.C.
11.2. ESTIMACIN LOCAL

Objetivo
En los captulos anteriores se ha estimado el volumen (V) y la ley de este yacimiento,
proceso llamado estimacin global.
En este captulo consideraremos un volumen elemental v de V y estimaremos su ley
z*(v).
La estimacin local presenta al menos dos aspectos importantes:
El primero, es el de explotar en lo posible solo aquellos bloques cuya ley sea superior al
cut-off (ley de corte zc).
l segundo aspecto importante, reside en la programacin de la explotacin, se trata de
enviar a la planta, mineral cuya ley sea la ms constante posible. En tal caso se debe
simular el perodo de explotacin.
El objetivo de la estimacin local es de diferenciar zonas ricas de las pobres, esta
estimacin es mucho ms sensible a los riegos de sesgo que la estimacin global.
Problema de sesgo
z(v)
Primera
Sean bloques v definidos por

sondajes x
bisectriz
v
Xx
x xx
x xx x
x x
xx x
x x
Xx x x x
x Recta de
x mnimos cuadrados
xx
z(x)
Si se escoge para z(v) el valor de z(x) correspondiente, se est cometiendo un error de
prediccin que corresponde a la diferencia entre la recta de mnimos cuadrados y la
primera bisectriz esto puede dar lugar a subestimar los valores bajos y a sobreestimar
los valores altos, por tanto es necesario trabajar con la recta de mnimos cuadrados.
11.3. ECUACIN DE KRIGEAJE.

.Clculo
Sea V el volumen elemental a estimar y vi los diferentes volmenes conocidos.
Estimaremos z(v) por:
z*(v) = 1z(v1) + .... +iz(vi) +.......+nz(vn)
vi
Al krigeage le corresponde calcular los valores de i.

Robinson Villanueva
110

RESENAREN S.A.C.
a) La estimacin debe ser sin sesgo, entonces:

E(Z*(V) Z(V)) = 0
n
E ( i Z (v i ) Z (v ) = 0
i =1
i =1
E ( Z (vi )) E ( Z (v)) = 0
=m
=m
m( i 1) = 0
i =1
i =1
=1
b) El error debe ser mnimo

Var ( Z (vi ) Z (v )) = E ( Z (vi ) Z (v )) 2 = mnimo
El problema consiste en optimizar los parmetros ( i = 1)

Aplicando el formulismo de Lagrange, se demuestra que el problema puede
presentarse bajo la forma de un sistema de ecuaciones lineales, llamado
Sistema de Krigeage.
1 (vi v1 ) + K + i (v1vi ) + K n (v1v n ) + = (v1v)

M
1 (v j v1 ) + K + i (v j vi ) + K n (v j v n ) + = (v j v)
1 (v n v1 ) + K + i (v n vi ) + K n (v n v n ) + = (v n v)
+
i +
+ n
=1
1
El sistema consiste de n+1 ecuaciones con n+1 incgnitas.

La escritura matricial correspondiente es:
[K ][ ] = [M 2 ]
Robinson Villanueva
111

RESENAREN S.A.C.
Notas relacionadas con los trminos de la ecuacin matricial

a) [K ] depende de los valores de vi (conocidos) y no de V (por estimar), esto permite
sacar la inversa de la matriz [K ] una sola vez. Esta matriz hace intervenir las distancias
estadsticas entre las muestras de valores conocidos (estimados) y que forman parte de
la estimacin, contribuyendo de esta manera analizar informacin relativa a la
existencia de agrupamientos (clustering) entre las muestras, es una forma de evitar
posibles clculos redundantes entre ellos y que no depende exclusivamente del valor de
las muestras sino tambin de la continuidad espacial.
La matriz [M 2 ] a travs de (h) expresa la relacin existente entre las muestras
conocidas x1, x2, x3. x4 y la muestra a estimar x0. Sera una expresin similar a la que se
utiliza en el mtodo de estimacin del inverso de la distancia, con la diferencia que en el
krigeaje se consideran distancias estadsticas y no las geomtricas.
b) El sistema de krigeage hace intervenir al variograma, a la geometra del estimante y
la geometra relativa del estimante con respecto al estimado.
Segn lo anterior, podemos decir que el krigeaje toma en cuenta, dos factores en su
estimacin: la distancia y el agrupamiento.
Interpolacin exacta
El Krigeage tiene la propiedad de ser una interpolador exacto es decir:
z*(V) =z(vi)
Composicin de krigeaje
Si
v = v 1 + v2
v. Z*K(v) = v1. Z*K(v1) + v2.Z*(v2)
Observaciones importantes al krigeaje

A) En principio, el krigeaje asigna los mayores pesos a las muestras cercanas al bloque
a estimar, sin embargo existen casos en que este principio no se cumple, por ejemplo en
el siguiente caso deseamos estimar el bloque P a partir de las 8 muestras Si :
S3
S7
P
S4
S1
S5
S2
S8
S6
Bajo las condiciones de isotropa del yacimiento, los ponderadores se relacionaran de

la siguiente manera:
Robinson Villanueva
112

RESENAREN S.A.C.
1 i
para todo i = 2,3,4, ... , 8 (el peso de la muestra interna es mayor con respecto
a las otras muestras)
2 , 3 i
para todo i = 4, 5, ... , 8
Las simetras evidentes son: 2 = 3 ; 7 = 8

6 0, en este caso se dice que la muestra 5 ejerce efecto de
pantalla (ecran) a la muestra 6 (S5 disminuye la influencia de S6; 6 < 5).
4 5 + 6 + 7 + 8. (fenmeno de transferencia de influencia:
4 > 5 ha transferido una parte de su influencia sobre las muestras S7, S8 y S6)
Una ptima distribucin de pesos debe tambin considerar la distribucin geomtrica de
las muestras, de esta manera el peso de 4 es equivalente a la suma de pesos de las
muestras opuestas: 5, 6, 7 y 8.
B) Es frecuente encontrarse con ponderadores cercanos al valor 0 o negativos, en la
prctica no se pierde precisin al omitirlos.
El valor de los ponderadores depender de las caractersticas del yacimiento, resumidas
en el variograma, veamos algunos comentarios de influencia de la morfologa del
semivariograma en la estimacin de reservas por krigeaje. Comentaremos cinco
aspectos: la influencia de la escala (valor de la meseta), de la forma, el efecto de pepita,
el alcance y la anisotropa.
i) a influencia de la escala: Dos semivariogramas
(h)
semejantes pero con mesetas diferentes generan
dos valores iguales en su estimacin, pero
diferentes en los valores de las varianzas del
krigeaje.
h
ii)
(h)
La influencia de la forma: Sean los

modelos gausiano y exponencial que
alcanzan la misma meseta. El exponencial
genera factores de ponderacin mayores en
los puntos cercanos mientras que, los ms
alejados tienen ponderaciones menores
incluso pueden ser negativas. Esto se debe a
que dicho variograma es indicativo de un
fenmeno muy continuo.
Los factores de ponderacin negativos indican la presencia de un efecto de pantalla,

una muestra ejerce este efecto en la estimacin cuando otra muestra se sita entre ella y
el punto a estimar. Este efecto tiene sus ventajas y desventajas: una de sus ventajas es
que en la asignacin de valores, a un punto, no asignar valores mayores ni menores
que los mximos o mnimos existentes. Como desventaja del efecto de pantalla es que
existe la posibilidad de existencia de una estimacin negativa, cuando a una muestra
Robinson Villanueva
113

RESENAREN S.A.C.
con un alto valor se le asigna un factor de ponderacin negativo. Por esta razn y puesto
que todas las variables que involucran estimar las reservas de un yacimiento no pueden
nunca presentar valores negativos, se tiende y suele a no ajustar modelos que presenten
comportamientos parablicos en el origen, incluso cuando las variables tengan un
comportamiento espacial extremadamente continuo.
iii) El efecto de pepita. Dados dos semivariogramas semejantes uno de ellos con
presencia de efecto de pepita, la estimacin para un mismo punto utilizando ambos
variogramas, refleja una menor variacin en los factores de ponderacin cuando el
semivariograma utilizado es el que presenta el efecto de pepita y la varianza del krigeaje
es mayor. Cuanto ms se incremente dicho efecto la estimacin tiende a semejarse a una
simple ponderacin de las muestras. La situacin extrema se presenta en el efecto de
pepita puro, en tales casos no es recomendable usar el krigeaje.
iv) El alcance. En un semivariograma, la variacin del alcance tiene una relativa
pequea influencia en el clculo de los factores de ponderacin, afectando en el
resultando final de la estimacin, en mayor medida a la varianza de krigeaje. El efecto
es considerablemente menor cuando el alcance aumenta, pues en trminos de distancia
estadstica las muestras aparecen ms cercanas. En cambio, si el alcance es muy
pequeo, todas las muestras se encuentran a igual distancia estadstica , por lo que el
efecto es similar al producido por el efecto de pepita puro: la estimacin se convierte en
una simple ponderacin de los datos existentes.
iv) La presencia de anisotropa. La principal incidencia que tiene este fenmeno en el
proceso de estimacin es el mayor peso que se le da a las muestras incluidas en la
direccin de mxima continuidad (eje mayor de la elipse terica), frente a un menor
peso a las situadas en la direccin de mnima continuidad (eje menor de la elipse). Este
hecho es relevante, incluso en el caso que las muestras localizadas en el eje menor de la
elipse, estn ms cercanas, geomtricamente, que las otras. Por eso se recomienda
calcular los variogramas en distintas direcciones, con el objetivo de encontrar la
presencia de direcciones anistropas.
C) Es necesario analizar las caractersticas que debe presentar el rea de bsqueda, es
decir definir la zona de captura de los puntos que entrarn a formar parte de la
estimacin y discutiremos el tema en los siguientes aspectos:
C.1.)Forma del rea de bsqueda .La forma del rea de bsqueda, suele ser
normalmente una elipse centrada en el punto que va a ser estimado. Su orientacin lo
dicta la anisotropa del esquema de continuidad espacial, con el eje mayor de la elipse
en la direccin de mxima continuidad. Si no existen direcciones privilegiadas, la elipse
se convierte en un crculo, en tal caso la direccin deja se ser relevante. Lo mencionado
anteriormente es para dos dimensiones en caso del espacio tridimensional la elipse se
convierte en elipsoide y el crculo en esfera.
C.2.)Nmero de muestras a capturar. Est relacionado con el tamao de la
elipse, es decir el nmero de puntos de estimacin que se deben incluir en ella. En la
prctica debe intentarse que la elipse contenga al menos de 6 a 12 puntos de estimacin.
Robinson Villanueva
114

RESENAREN S.A.C.
En mallas irregulares de muestreo, la longitud de la elipse debe ser ligeramente superior

que la distancia media de muestreo (DMM), definida por:
1
S 2
DMM = t .
n
donde: DDM = distancia media de muestreo; St = Area total cubierta por las muestras
y n = nmero de muestras.
Es necesario comentar que cuantas ms muestras se incluyan mayor ser el nmero de
operaciones a ejecutar (problema resuelto por la informtica y por los ordenadores
actuales) y mayor ser el suavizado de la estimacin, esto hara que el concepto de
mejor estimador no sesgado del krigeaje no se cumpla, por lo que es necesario analizar,
con cuidado, el tamao de la elipse. Es regla comn, utilizar como semieje de la elipse
un valor prximo al alcance del semivariograma en la direccin considerada, de tal
manera que se asegura la hiptesis de estacionariedad y se cumpla la correcta
estimacin
C.3.)Caractersticas de las muestras. Este hecho se analiza en dos aspectos: por
un lado la posible presencia de agrupamientos de muestras, resuelto por la morfologa
matemtica propia de la geoestadstica, que lo toma en cuenta y pondera este fenmeno.
Por otro lado, el segundo aspecto menciona la importancia de las diferentes muestras
para su inclusin en la estimacin, por ejemplo la pertenencia o no a un determinado
grupo. Esta situacin es difcil de caracterizar y menos de verificar, por lo que la
decisin debe venir de una informacin cualitativa. Es decir, el estudio geolgico
completo, detallado y ptimo de toda la informacin presente, es uno de los mejores
parmetros para definir que muestras son relevantes y cuales no la son, pudiendo ser
estas ltimas apartadas del proceso de estimacin.
11.4. KRIGEAJE PUNTUAL
La particularidad del krigeaje puntual es de ser un interpolador exacto, es decir que si
estimamos la ley en un punto coincidente con la muestra, el krigeaje nos restituir la
ley de la muestra con una varianza del error de krigeaje igual a cero.
Ejemplo:
El cuadrillado representa sondajes en los puntos x1, x2, x3, x4, con leyes de 3,2%;
2,5%; 4,0% y 1,5% respectivamente. Se desea conocer la ley en el punto x0,
sabiendo que el variograma asociado corresponde a un modelo esfrico con las
siguientes caractersticas: C0 = 2(%)2 Cl = 20(%)2 y a = 200 m.
(h)
x2
50m
x1
x0
x4
50 m
x3
C0 + C1
C0
Robinson Villanueva
115

RESENAREN S.A.C.
El problema se resuelve de la siguiente manera:

a) Definir los elementos de las matrices.
1
b) Sacar la inversa de K ([K ] ).
c) Calcular los valores de i.
[ ] = [K ]1 [M 2 ]
1
2
3 =
4
11
12
13
14
01
21
22
23
24
02
31
41
32
42
33
43
34
44
1
1
04
1
0
03
0
a) Clculo de los elementos de la matriz [M 2 ]
( h)
3 h 1 h 3
= C0 + C1
h<a
2 a 2 a
3 50 1 50 3

01 = 2 + 20
= 9,34
2
200
2
200
3 502 + 1002 1 502 + 1002
02 = 2 + 20
2
200
2
200
= 17,02
3 150 1 150 3

= 20,28
z< 03 = 2 + 20
2 200 2 200
3 50 2 1 50 2 3
= 12,17

04 = 2 + 20
2 200 2 200
[M2 ] =
Robinson Villanueva
9.34
17,02
20,28
12,17
1
116

RESENAREN S.A.C.
b) Clculo de los elementos de [K]
Se tiene que:
11 = 22 = 33 = 4 = 0
De la misma manera que en a) calculemos los trminos siguientes:
3 50 2 1 50 2 3
= 12,17
12 = 21 = 2 + 20

2
200
2
200
14 = 41 = 17,02
13 = 31 = 20,78
34 = 43 = 22
23 = 32 = 19,68
42 = 24 = 21,72
[K]
0
12,17
20,78
17,02
1
12,17
0
19,68
21,72
1
Al resolver el sistema:
20,78
19,68
0
22
1
17,02
21,72
22
0
1
1
1
1
1
0
[] =[K]1 [M2 ]
Se obtiene: 1 = 0,518; 2 = 0,022; 3 = 0,089; 4 = 0,37

Se verifica que: i =1
La ley en xo ser: 3,2*0,518 + 2,5*0,022 + 4,0*0,089 + 1,5*0,37 = 2,6%
11.5. KRIGEAJE DE BLOQUES
En este tipo de krigeaje el valor estimado se le asigna a un bloque y no a un punto. Esta

capacidad que tiene el krigeaje de efectuar la estimacin sobre una volumen y no sobre
un punto, es una de sus caractersticas propias; si bien es cierto la manera de operar
puede trasladarse a otros mtodos como el inverso de la distancia, los resultados no son
consistentes (Isaaks y Sirastava, 1989).
Robinson Villanueva
117

RESENAREN S.A.C.
Para determinar el valor del bloque se lleva a cabo una discretizacin del rea en un
conjunto de puntos (2*2, 3*3, ...), obtenindose posteriormente la media entre los
distintos valores, el clculo tedioso de las operaciones ha sido ampliamente resuelto por
el hardware y softwares actuales. A manera de visualizar el mtodo (media aritmtica
de los puntos discretizados extrapolada al rea establecida) adoptemos el grfico de
Isaaks y Sirastava, 1989, en este esquema, en la parte superior (a), se indica un bloque
a estimar (achurado) discretizado en cuatro puntos. El resultado de la estimacin del
bloque es 337.
En el resto del esquema, de b) a e) se muestran los resultados de las estimaciones
puntuales, cuyos valores son: 336, 361, 313 y 339, cuyo valor medio es 337,25, valor
muy similar al obtenido por el krigeaje de bloques (337).
*
*
*
337
*
a)
336
b)
361
c)
313
d)
339
e)
Estudio comparativo entre el krigeaje de un bloque y los krigeajes puntuales.
Es importante precisar que los valores que se obtienen con el krigeaje llevan consigo los
correspondientes valores de la varianza de estimacin (varianza de krigeaje), esto
permite estudiar la bondad de la estimacin. La varianza de krigeaje es la que determina
la calidad del mtodo, ya que ningn otro obtiene este parmetro y que es til cuando se
trata de categorizar las reservas del yacimiento.
11.6. INFLUENCIA DE LA VARIANZA DE KRIGEAJE EN LA DEFINICIN

DE RESERVAS DEL YACIMIENTO.
El clasificar reservas, es un tema de importancia econmica y la forma de abordar y dar

solucin a este problema est en funcin si la clasificacin se realiza para una mina
pequea, para una gran empresa minera o para el gobierno, ya que cada uno de ellos
tiene distintos objetivos y por tanto existen diferentes soluciones.
Robinson Villanueva
118

RESENAREN S.A.C.
La Estadstica al considerar a las muestras como independientes entre s, hace que el

clculo de los errores de estimacin traiga consigo una sobrevaloracin de ellos.
La Geoestadstica, al calcular las varianzas de estimacin toma en cuenta la correlacin
que existe entre los datos geolgicos (leyes, potencia, litologa, etc) y permiten adems
distinguir las componentes aleatorias de las espaciales as como calcular los errores de
la estimacin.
Los semivariogramas, reflejan la variabilidad de las mineralizaciones, la variacin total
(Co+C1) se divide en una parte aleatoria, representada por el efecto de pepita y otra
espacial C1, asimismo permite definir los dominios de influencia o alcances a de las
variables y que por debajo de este valor tienen una correlacin mesurable.
El ao 1977, Royle, fue el primer geoestadstico que le dio una aplicacin prctica a la
varianza de estimacin para la clasificacin de reservas; afirma que la clasificacin debe
basarse tanto en el valor de la varianza de krigeaje como en el valor propio estimado,
estableciendo que para cada bloque estimado, se puede obtener la probabilidad de que el
valor real de dicho bloque est por encima de una determinada ley mnima de
explotacin. Para tal efecto se calcula el valor D por la frmula:
D=
(VKB LME )
Donde:
D = Desviacin;
VKB = Valor krigeado del bloque;
LME = Ley mnima de explotacin
k = Desviacin estndar del krigeaje
Por ejemplo, si la ley mnima de explotacin para un yacimiento de oro es de 4 g Au/t,
la ley krigeada del bloque es 4,12 g Au/t y su varianza de krigeaje es 0,03 (g Au/t)2,
entonces, la desviacin es:
(VKB LME ) ( 4,12 4,00)
0,12
D=
=
=
= 0,693
0,1732
k
0,03
En la tabla de distribucin normal, la probabilidad de que la desviacin D sea mayor
que la LME ser de 0,75586 = 75,86%. De esta manera establecidas todas las
probabilidades para los distintos bloques krigeados, se estableceran rangos definidos
para las reservas probadas, probables, posibles, etc. (vase el mtodo de Annels).
Otro mtodo es el propuesto por Annels (1991). Si se construye la curva de
frecuencias, de las varianzas de krigeaje, de los bloques estimados, de distinguirse
poblaciones distintas se puede categorizar a los valores de la varianza. A ttulo de
ejemplo vase la tabla y grficos siguientes:
Robinson Villanueva
119

RESENAREN S.A.C.
Frec.
Varianza
krigeaje
0 0,0075
0,0075
0,0135
> 0,0135
0,0075
Categora
Probables (1)
Posibles (2)
Demostradas/inferidas (3)
3
0,0135
Varianza
Lamentablemente se ha avanzado poco en estos ltimos aos, especialmente en la

minera peruana, entre una de las razones, la ms fuerte probablemente es que, los
gelogos y mineros no han asimilado el potencial de la varianza de estimacin.
11.7. KRIGEAJE INDICADOR

Este mtodo no paramtrico, es una variante de la Geoestadstica para evaluar
yacimientos y su uso se est difundiendo cada da como mtodo de evaluacin y anlisis
de reservas, en explotaciones de alto contenido metlico (p.e. el oro, etc.). El mtodo
convierte los valores de las variables a parmetros dicotmicos (0 y 1), dependiendo de
su relacin con la ley de corte:
1, si z(x) > zc
l(x,z)
{
0, si z(x) < zc
Cuando las leyes han sido transformadas, se puede construir un semivariograma y

ajustarlo a uno de los modelos conocidos, si fuera el caso de un esfrico, la relacin
sera:
3
h
h
+
I
I
[
1
,
5
0
,
5
], h > a
( h, z ) = 0
a
a
I + I , h < a
0
Io e I son equivalentes a Co y C en un semivariograma normal. Modelizado el

semivariograma de indicadores se puede realizar un krigeaje de bloques, que recibe el
nombre de krigeaje indicador. El valor de cada bloque sera el porcentaje recuperable de
mineralizacin que tiene ese bloque para una determinada ley de corte. Las estrategias
de explotacin podran basarse en estos resultados comparndolos con el krigeaje de
bloques normal u otro tipo de evaluacin.
Para ilustrar el mtodo veamos un ejemplo:
Sean dos bloques mineralizados evaluados por sondajes en sus cuatro vrtices. La ley
media de los cuatro vrtices y el espesor constante son los valores que se les asigna.
Supongamos adems que se presentan las dos situaciones siguientes:
Robinson Villanueva
120

RESENAREN S.A.C.
Bloque A: 4,5%; 5,2%; 6,5% y 7,4% ley media = 5,9%

Bloque B: 3,5%; 2,2%; 3,5% y 14,4% ley media = 5,9%
Si la ley mnima de corte es de 4%, es evidente que ambos bloques son explotables, a
pesar que la explotabilidad del segundo bloque dependa mayoritariamente del valor
14,4%, est entendido entonces que la ley media no pone en evidencia la relacin
espacial entre los valores calculados.
Si a los valores superiores a la ley de corte (4%) que constituyen el mineral se le asigna
el valor 1 y a los inferiores, el valor de 0. En tales circunstancias todos los sondajes del
boque A, entran en la categora de mineralizacin y al bloque se le podra asignar un
indicador medio de 1. en cambio, para el bloque B, slo un sondaje tiene ley superior a
4%, por lo que este bloque recibira un indicador de 1/4 = 0,25. En este caso aunque la
ley media sugiere que todo el bloque es mineral, el indicador medio nos afirma que
slo el 25% del bloque puede considerarse como mineral.
11.8. EL COKRIGEAJE
Hasta el momento, nos hemos interesado en el anlisis, tratamiento y variografa

de una sola variable regionalizada a la vez, por ejemplo, la ley z(x) en un punto x.
Sin embargo, todo el formalismo matemtico se puede generalizar al estudio
simultneo de dos variables regionalizadas diferentes. Bajo estas circunstancias es
til usar la informacin de una de las variables para calcular la otra, a este proceso
se le denomina cokrigeaje.
Por ejemplo si las leyes en plata y zinc en un yacimiento polimetlico se
encuentran correlacionadas, podemos decir que:
Cada una de estas variables tiene su propia funcin aleatoria:
-
la ley en Ag, yAg(x), en el punto x

la ley en Zn, yZn(x), en el mismo punto x.
Cada una de estas dos variables posee su propio variograma:
{[
2 Ag (h) = E Y Ag ( x) Y Ag ( x + h)
] },
2
para la plata
2 Zn (h) = E [YZn ( x) YZn( x + h)] , para el zinc

2
Como la plata y el zinc estn correlacionadas, podemos entonces definir y

estimar el variograma cruzado Ag-Zn:
Robinson Villanueva
121

RESENAREN S.A.C.
2 AgZn ( h) = E {Y Ag ( x ) Y Ag ( x + h) [YZn ( x) YZn ( x + h)]}
que caracteriza la correlacin espacial cruzada

variables.
entre los incrementos de ambas
Ejemplo: Calcular el estimador de la variable X en el punto de coordenadas (0,0).

Obsrvese que de las tres muestras vecinas, una de ellas no ha sido analizada por la
variable X y todas han sido analizadas por la variable V.
X1 = 741
V1 = 414
(-3;6)
X0 = ?
(0;0)
V3 = 56
(3;-3)
X2 = 504
V2 = 386
(-8;-5)
El estimador del cokrigeage es una combinacin lineal de variables primarias y
secundarias, para la variable x del ejemplo ser:
x*0 = a1x1 + a2x2 + b1v1 + b2v2 + b3v3
donde x*0 es el estimador de la variable X en el punto (0;0); xi y vj son los valores de
las variables X y V respectivamente; ai y bj son los pesos de cokrigeage que deben
estimarse.
En general para n valores x y m valores v, el estimador de cokrigeage se puede escribe
de la siguiente manera:
n
i =1
i =1
x *0 = a i xi + b j v j
Este estimador como es insesgado, se verifica que:
Robinson Villanueva
122

RESENAREN S.A.C.
E x * 0 x0 = 0
n
m
n
m
E ai xi + b j v j x0 = n x ai + mb b j v j n x =0
i =1
j =1
i =1
j =1
Donde E(xi) = mx y E(vj) = mv.
n
Finalmente podemos decir que:
ai = 1
i =1
=0
j =1
Es decir, la sumatoria de pesos de la variable principal debe ser 1 y la correspondiente a

las variables auxiliares deben sumar cero.
Bajo las condiciones de no sesgo, el sistema de cokrigeage sera:
n
i =1
i =1
i =1
i =1
ai Cov( xi ; x j ) + bi Cov(vi ; x j ) + a =Cov( xo ; x j ) para todo j = 1,2, ... , n

ai Cov( xi ; v j ) + bi Cov(vi ; v j ) + b =Cov( xo ; v j ) para todo j = 1,2, ... , n
n
ai = 1 ;
i =1
=0
j =1
Se trata de un sistema lineal de n + m + 2 ecuaciones que nos permitir obtener los n

ponderadores a, los m ponderadores b y los parmetros de Lagrange a y b
La varianza del cokrigeage ( 2 ck ) se define como:
n
i =1
i =1
2 ck = Cov( xo , xo ) + a ai Cov( xi , xo ) b j Cov(v j , xo )

Observaciones:
i)
ii)
iii)
Tanto el sistema como la varianza de cokrigeage, slo son vlidos para una
estimacin puntual, de restringido uso en minera donde se requieren
estimaciones de bloques.
En el clculo el cokrigeage requiere de las covarianzas simples y cruzadas
entre las variables. experimentalmente el variograma cruzado se define
(ui u j )(vi v j )
como:
UV (h) =
2 N ( h)
Si se tiene informacin de la variable principal y de las secundarias en todas
las muestras y si los variogramas simples y cruzados son proporcionales a un
Robinson Villanueva
123

RESENAREN S.A.C.
mismo modelo, entonces el cokrigeage dar los mismos resultados que el

krigeaje.
Retomemos el ejemplo anterior de las muestras X y V: supongamos que los
variogramas experimentales fueron ajustados a los modelos:
V(h) = 22 000 + 40 000Sph(25) + 45 000Sph(50) anisotropa x = 0,83 ; y = 0,33
X(h) = 440 000 + 70 000Sph(25) + 95 000Sph(50) anisotropa x = 0,83 ; y = 0,33
VX(h) = 47 000 + 50 000Sph(25) + 40 000Sph(50) anisotropa x = 0,83 ; y = 0,33
Se observa que los variogramas simples y el cruzado obedecen a un mismo modelo: una
estructura peptica seguida de dos modelos esfricos (Sph) de 25 y 50 m de alcance,
respectivamente. En la siguiente tabla se han resumido los valores de las covarianzas
simples y cruzada:
Pare Distancia
Distancia
s
Geomtrica estructural
X1X1
0
0
X1X2
12,1
9,1
X3X2
0
0
0
0
1V1
V1V2
12,1
9,1
V1V3
10,8
5,0
V2V2
0
0
V2V3
11,2
11,2
V3V3
0
0
U1V1
0
0
U1V2
12,1
9,1
U1V3
10,8
5,0
U2V1
12,1
9,1
U2V2
0
0
U2V3
11,2
11,2
U0U1
6,7
2,6
U0U2
9,4
9,0
U0V1
6,7
2,6
U0V2
9,4
9,0
U0V3
4,2
2,5
Robinson Villanueva
CovX(h)
CovV(h) CovXV(h)
605 000
99 155
605 000
107 000
49 623
57 158
107 000
45 164
107 000
137 000
49 715
57 615
49 715
137 000
45 554
134 229
102 334
70 210
52 697
75 887
124

RESENAREN S.A.C.
Las covarianzas son reemplazadas en el sistema de cokrigeage que en forma matricial se

expresa como:
605000 99155 137000
99155 605000
137000
49715
57615
a1
134229
49715 137000
45554
a2
102334
57158
b1
49715 107000
49623
70210
=
49715 137000
49623 107000
57615 45554
57158
1
0
45164
b2
52697
45164 107000
b3
75887
-1
0
1
-2
1
0
Desarrollando el sistema se obtiene:
El peso de los coeficientes: a1 = 0,512 ; b1 = 0,216 ; a2 = 0,488 ; b2 = - 0,397 ; b3

= 0,666 ; 1 = 205,963 ; 2 = 13,823.
El estimador: u*0 = 398ppm
La varianza de cokrigeage: 2ck = 681,549 ppm2
X1
Ejercicio_1: La figura muestra la ubicacin

de cuatro muestras de un yacimiento de
zinc, cuyas leyes son: z1=8,2% ; z2 = 9,6%
z3 = 13,1% y z4 = 6,4%. El modelo de
variograma ajustado es el de Matheron
con: Co = 17 (%)2, a = 250m y C = 66(%)2
X2
Xo
X3
Calcular usando el krigeaje, el valor de la
ley en el punto Xo.. Cada cuadrado tiene X4
un rea de 250m2.
Ejercicio_2:Estimar por krigeaje la ley de hierro en el punto xo, a partir de las muestras
que se indican en la figura, el modelo de variograma es lineal istropo de la forma:
Robinson Villanueva
125

RESENAREN S.A.C.
(h) = 0,417h.
60
50
(35) x4
40
xo
30
x1 (41)
20
10
(35) x2
20
30
(34) x3
40
50
Rptas.: valores de i = 0,26; 0,05; 0,34; 0,35 = -0,81

Ley en xo = 36,22 % Fe.
Robinson Villanueva
126
BIBLIOGRAFA
* HUIJBREGTS Ch. Et MATHERON G.
Universal Kriging-an optimal approach to trend surface anlisis (1970)
In Decision-Makingg in the mineral industry pp. 159-169.
Canadian Institute of Mining and Metalurgy, Special volume, n 12-Montral.
* JOURNEL A.
Geostatistics for Conditional Simulation of orebodies (1973).
Note CMM n342-Ed.ENSMP Paris.
In Economic Geology.Vol.69,n5,August 1974,pp.673-687
* J.J. ROYER
GEOSTATISTIQUES 3me anne
Cours dars A. Journel (Thse 1977)
* B. DE JEKHOWSKY (1977)
Elments de statistique lusage des gologues
* Robinson VILLANUEVA (1992)

tude gostatistique du filon Rosa de la mine Uchucchacua, Lima Prou
* JUAN M. ESTEFANA (1975)
Aplicaciones de la Teora de la Variable Regionalizada
Escuela Tcnica Superior de Ingenieros de Minas Madrid
* B. de JEKHOWSKY (1977)
Elments de statistique lusage des gologues
* C. CHAMBON (1992)
GEOSTATISTIQUE
Centre detudes suprieures des techniques minires
* ENRIQUE ORCHE (1999)
Manual de Evaluacin de yacimientos minerales. Madrid 1999.
* MANUEL BUSTILLO REVUELTA & C. LOPEZ JIMENO (1997)
Manual de Evaluacin y diseo de explotaciones mineras. Madrid 1997.
Robinson Villanueva
127

RESENAREN S.A.C.
BACOS
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva

RESENAREN S.A.C.
Robinson Villanueva
10

RESENAREN S.A.C.
Robinson Villanueva
11

RESENAREN S.A.C.
Robinson Villanueva
12

RESENAREN S.A.C.
Robinson Villanueva
13

Geoestadistica

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Geoestadistica

Uploaded by

Copyright:

Available Formats

Geoestadstica

Robinson VILLANUEVA NEZ

Remote Sensing, Natural

2.3. ANLISIS ESTRUCTURAL.

2.4. CLCULO DEL VARIOGRAMA A MALLA IRREGULAR EN DOS

5.4. RELACIONES VOLUMEN-VARIANZA

6.2. GENERALIZACIN DE LA ESTIMACIN DE LA LEY

6.3. CLCULO DE LA VARIANZA DE ESTIMACIN.

6.4. VARIANZA DE EXTENSIN.

6.5. FUNCIONES AUXILIARES.

6.6. EFECTO DE PEPITA

6.7. CONFIGURACIONES TIPOS

7.2. INTERPRETACIN PROBABILSTICA

7.3. VARIANZA DE DISPERSIN.

7.4. SELECCIN DE RESERVAS.

7.5. RELACIN DE ALISADO.

7.6. VARIANZA DE LOS VALORES PUNTUALES.

8.2. INFLUENCIA DEL ERROR GEOMTRICO EN LAS

8.4. HIPTESIS DE INDEPENDENCIA INTERNA

8.5. ERROR DE ESTIMACIN DE UN PRODUCTO.

9.3. MTODOS DE EVALUACIN

9.3.1.2. MTODO DEL INVERSO DE LAS DISTANCIAS

10.1.A. PRINCIPIO DE INDEPENDENCIA DE ERRORES ELEMENTALES

11.2. ESTIMACIN LOCAL

11.3. ECUACIN DE KRIGEAJE

11.4. KRIGEAJE PUNTUAL.

11.5. KRIGEAJE DE BLOQUES

11.6. INFLUENCIA DE LA VARIANZA DE KRIGEAJE EN LA DEFINICIN DE

REMOTE SENSING, NATURAL

REMOTE SENSING, NATURAL

1.1.3. Proyecto minero

Si el yacimiento ha sido dividido en bloques, siendo z(v) la ley del bloque. El

REMOTE SENSING, NATURAL

Este clculo permite cumplir dos objetivos:

1.1.4. Programa de explotacin.

1.2. CAMPOS DE APLICACIN

REMOTE SENSING, NATURAL

La base terica de esta disciplina permite cuantificar y comprender los conceptos

REMOTE SENSING, NATURAL

REMOTE SENSING, NATURAL

desordenada en su variacin espacial y no es posible expresarla como un polinomio

REMOTE SENSING, NATURAL

2.2.1. Campo y Soporte.

En un mismo yacimiento G pueden haber varios campos o unidades geolgicas

REMOTE SENSING, NATURAL

Las leyes slo son conocidas en ciertos

Un polinomio que pase por cada uno de

En un punto x0, z(x0) es una realizacin de una F.A. Z(x0)

Para definir una FA, se determinan los siguientes trminos:

REMOTE SENSING, NATURAL

Esta hiptesis se traduce, de la siguiente manera:

Var (Z(x+h) Z(x)) = E (Z(x+h) Z(x))2 = 2 (h)

Siendo (h) la funcin variograma, donde:

REMOTE SENSING, NATURAL

3.2.1. Propiedades del variograma.

= Var (Z+h) + Var Z(x) 2 Cov ( Z(x+h) , Z(x))

2 (h) = Var ( Z (x + h ) Z (x) = Var ( z (x) Z (x- h) ) = 2 (-h)

(h) = K(0) para h 0

En el caso de efecto de pepita:

REMOTE SENSING, NATURAL

ii) Fenmeno muy regular:

En estos casos, la validez de la hiptesis de

= E (a(x+h) + b + Y (x+h) (ax+ b + Y(x)))2

+ 2ah E (Y ( x + h) Y ( x)) + E (Y ( x + h) Y ( x)) 2