GEOESTADÍSTICA

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN" - TACNA
Facultad de Ingeniera
Escuela Acadmico Profesional de Ingeniera de Minas
GEOESTADSTICA PARA LA
ENSEANZA UNIVERSITARIA
ING. JORGE SEGURA DVILA

TACNA - PER
2011-2012
Contenido
Presentacin
Captulo 1
Introduccin
1.1.
1.2.
1.3.
1.4.
1.5.
1.6.
Geoestadstica
Antecedentes Histricos
Sntesis Evolutiva
Definicin y Objetivos
Necesidad de la Geoestadstica
Aplicaciones de la Geoestadstica
1
1
2
3
3
4
Captulo 2
Anlisis Exploratorio de Datos
2.1.
2.2.
2.3.
2.4.
2.5.
Conocimiento del Problema

Conceptos Necesarios de Estadstica Bsica
Porqu un Anlisis Estadstico
Conjunto de Datos y Aplicaciones
Curvas Ley Tonelaje
6
6
16
17
24
Captulo 3
Geoestadstica y Teora de las Variables Regionalizadas
3.1.
3.2.
3.3.
3.4.
3.5.
3.6.
3.7.
3.8.
3.9.
3.10.
3.11.
Variables Regionalizadas
Notacion Condensada
Ejemplos de Variables Regionalizadas (V.R.)
Campo y Soporte
Variables Aditivas
Objetivos de la Teoria
El Modelo Matemtico de La Geoestadstica: las Funciones Aleatorias
Funcin de Distribucin y Momentos de una Funcin Aleatoria
Funciones Aleatorias Estacionarias
Relacion Entre el Semivariograma y la Covarianza
El Correlograma
29
29
29
33
35
36
37
39
40
41
42
Captulo 4
Anlisis Extructural de Datos
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
Variograma Experimental
Parmetros del Variograma
Comportamiento del Variograma para Distancias Pequeas
Comportamiento del Variograma para Grandes Distancias
Clculo del Variograma a Malla Regular
Clculo del Variograma para Mallas Irregulares
-I-
43
45
46
49
52
66
II
Mtodos Numricos Aplicados a Ingeniera
4.7. Mapa de Variograma

4.8. Anisotropas
4.9. Problemas ms Comunes Encontrados en el Clculo del Variograma
77
78
80
Captulo 5
Modelamiento de Variogramas
5.1.
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
Modelado de Variogramas
Parmetros del Variograma
Modelos Tericos de Variogramas
Modelamiento del Variograma Experimental
Casos de Estudio
Problemas en el Modelaje de Variogramas
Validacin del Modelo Terico
82
82
83
88
90
96
97
Captulo 6
Varianza de Estimacin
6.1.
6.2.
6.3.
6.4.
6.5.
Enunciado del Problema:

El Error de Estimacin
Anlisis de Parmetros
Clculo de La Varianza de Estimacin
Casos de Estudio
98
99
101
102
105
Captulo 7
Modelo de Kriging
7.1.
7.2.
7.3.
7.4.
7.5.
7.6.
Introduccin
Las Ecuaciones del Krigeado Ordinario para Bloques
Casos de Estudio del Krigeado Ordinario para Bloques
Krigeado Puntual
Propierdades del Kriging o Krigeado
Casos de Estudio Sobre Krigeado Puntual
112
114
116
123
124
129
Referencia Bibliogrfica
136
Anexo 1
Data Yacimiento de Carbn
137
__________
Presentacin
El presente texto universitario, desarrollado durante el uso de la licencia por ao sabtico 2011, tiene
por objetivo servir a los estudiantes de pre grado como libro de soporte para el aprendizaje de las tcnicas geoestadisticas aplicadas a la ingeniera de minas y ciencias ambientales. Asimismo puede ser
usado en todas las carreras que se imparten en la Universidad Nacional Jorge Basadre Grohmann de
Tacna y dems universidades a nivel mundial, como texto bsico para la enseanza de la geoestadistica.
La necesidad de acudir a herramientas estadsticas para el anlisis de datos en todas las reas del
conocimiento, han hecho que aparezcan con el correr de los aos nuevas metodologas que, no obstante se centran en fundamentos probabilsticos comunes, sin embargo son especficas para cada una
de las diversas disciplinas del saber.
Actualmente a nivel mundial la Geoestadistica, conocida tambin como estadstica espacial, ha logrado
un desarrollo slido en el campo cientfico, si bien es cierto que naci en el campo de la minera, hoy
en da se viene aplicando en todas las reas del conocimiento y dems ciencias de la tierra.
Es necesario hacer un merecido reconocimiento a los precursores de esta ciencia por sus valiosos
aportes al conocimiento cientfico, en los nombres de:
Danie Gerhardus Krige, nacido en el Estado Libre de Orange en Sudfrica, pionero en el campo de la
geoestadstica y fue profesor en la University of the Witwatersrand en Sudfrica.
Tom los trabajos de Sichel (1947; 1949) quien observ la naturaleza asimtrica de la distribucin del
contenido de oro en las minas surafricanas, la equipar a una distribucin de probabilidad lognormal y
desarroll las frmulas bsicas para esta distribucin. Ello permiti una primera estimacin de las reservas, pero bajo el supuesto de que las mediciones eran independientes, en clara contradiccin con la
experiencia de que existen zonas ms ricas que otras.
Una primera aproximacin a la solucin de este problema fue dada por D.G. Krige (1951) que propuso
una variante del mtodo de medias mviles, el cual puede considerarse como el equivalente al krigeado que, como se ver ms adelante, es uno de los mtodos de estimacin lineal en el espacio con mayores cualidades tericas.
Georges Matheron, (1962) desarroll la tcnica denominada kriging basada en la labor investigadora
previa de Krige. La formulacin rigurosa y la solucin al problema de prediccin vino de la mano de
Matheron, de la Escuela de Minas de Paris, quien es considerado como padre de la Geoestadistica.
Formul la Teora de las Variables Regionalizadas y defini a la geoestadistica como la aplicacin del
formalismo de las funciones aleatorias al reconocimiento y estimacin de fenmenos naturales.
Asimismo un sincero agradecimiento a los hombres de ciencia Andre Journel, Michael David, Margaret
Armstrong, Clayton Deutsch, Isobel Clark, Marco A, Sironvalle y dems profesionales, que con sus
aportes diarios robustecen la teora y aplicacin de la geoestadistica.
Organizacin del libro
A continuacin describiremos brevemente el contenido del libro:
- III -
IV
Mtodos Numricos Aplicados a Ingeniera
Introduccin: Geoestadstica, antecedentes histricos, sntesis evolutiva, definicin y objetivos,

necesidad de la geoestadstica, y aplicaciones de la geoestadstica.
1.-
2.- Anlisis Exploratorio de Datos: conocimiento del problema, conceptos necesarios de estadstica
bsica, porque un anlisis estadstico, conjunto de datos y aplicaciones, curvas ley tonelaje.
3.- Geoestadstica y Teora de las Variables Regionalizadas: Variables regionalizadas, notacion condensada, ejemplos de variables regionalizadas (v.r.), campo y soporte, variables aditivas, objetivos de
la teoria, el modelo matemtico de la geoestadstica: las funciones aleatorias, funcin de distribucin y
momentos de una funcin aleatoria, funciones aleatorias estacionarias, relacion entre el semivariograma y la covarianza, el correlograma.
4.- Anlisis Extructural de Datos: Variograma experimental, parmetros del variograma, comportamiento del variograma para distancias pequeas, comportamiento del variograma para grandes distancias,
clculo del variograma a malla regular, clculo del variograma para mallas irregulares, mapa de variograma, anisotropas, problemas ms comunes encontrados en el clculo del Variograma.
5.- Modelamiento de Variogramas: Modelado de variogramas, parmetros del variograma, modelos
tericos de variogramas, modelamiento del variograma experimental, casos de estudio, problemas en
el modelaje de variogramas, validacin del modelo terico.
6.- Varianza de Estimacin: enunciado del problema, el error de estimacin, anlisis de parmetros,
clculo de la varianza de estimacin, casos de estudio.
7.- Modelo de Kriging: Introduccin, las ecuaciones del krigeado ordinario para bloques, casos de estudio del krigeado ordinario para bloques, krigeado puntual, propierdades del kriging o krigeado, casos
de estudio sobre krigeado puntual.
Finalmente las Referencias Bibliogrficas y Anexo.
Msc. Jorge Segura Dvila
__________
CAPTULO 1
INTRODUCCIN
1.7. GEOESTADSTICA
La Geoestadstica abarca la mayor parte de las ciencias naturales exactas y su aplicacin hoy en
da es cada vez mayor, por tanto es nuestro inters dar a conocer en este texto, el uso de las herramientas de la Geoestadstica a fn de ayudar a los alumnos a interpretar y aplicar las teoras
geoestadsticas bsicas necesarias en las etapas de exploracin, explotacin y evaluacin de
yacimientos.
El punto de partida para la formalizacin del modelo geoestadstico de un fenmeno natural es el
anlisis variogrfico que sintetiza el comportamiento espacial del mismo y que constituye el corazn de la Geoestadstica.
1.8. ANTECEDENTES HISTRICOS
Los orgenes de la Geoestadstica estn en la minera, como antecedentes pueden citarse los
trabajos de Sichel (1947, 1949) y Krige (1951), cuyos estudios estn referidos al inmenso archivo de datos que representan las minas de oro sudafricanas.
El primero observ la naturaleza asimtrica de la distribucin del contenido de oro en las minas
sudafricanas, la equipar a una distribucin lognormal y desarroll las frmulas bsicas para esta
distribucin. Ello permita una primera estimacin de las reservas, pero supona implcitamente
que los datos eran independientes, en clara contradiccin con la experiencia de que existen zonas ms ricas que otras.
Una primera aproximacin a la solucin de este problema fue dada por Krige, que propuso una
variante del mtodo de medias mviles que puede considerarse equivalente al del krigeado simple que, como veremos, es uno de los mtodos bsicos de estimacin lineal.
Observaron que las distribuciones de las leyes son funcin de las dimensiones del soporte de las
muestras. Encontraron experimentalmente la relacin de Krige:
D2(v/G) = D2(v/V) + D2(V/G)
Que la Geoestadstica demostrar formalmente. A partir de estas consideraciones Krige y Sichel
definieron estimadores t insesgados de la ley media de un panel utilizando las caractersticas
media y varianza de los logaritmos de las leyes de las muestras.
Despus, estudiando las regresiones entre las leyes verdaderas de bloques ya explotados y medias mviles de las leyes de muestras disponibles a priori, Krige y Ueckermann (1963) definieron
nuevos estimadores ptimos no ligados a la hiptesis restrictiva de la lognormalidad.
Estos estimadores de Krige que dieron nombre a la tcnica del Krigeage, formalizada mas tarde
por Matheron, permiten resolver sin sesgos el problema difcil de la estimacin de reservas des-1-
GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA
pus de un anlisis exhaustivo de la base de datos.

En resumen la escuela sudafricana da inicio al origen de la Geoestadstica, al establecer y aclarar las nociones claves de:
Correlaciones espaciales.
Influencia de las dimensiones de las muestras o del panel sobre las distribuciones.
Sesgos de estimacin cuando se efectan selecciones sobre el mineral.
Sin embargo, para tener una visin de conjunto, es necesario esperar las primeras obras (1955,
1962) de George Matheron, un minero matemtico y probabilista quien utiliz el enorme conocimiento experimental de la escuela sudafricana y adaptando el lenguaje probabilstico a cada
realidad concreta, en el Centro de Morfologa Matemtica de la Escuela de Minas de Pars; logr
formalizar en un lenguaje riguroso las observaciones experimentales de sus antecesores, dando
lugar a la teora formal de la Geoestadstica.
En los aos sucesivos la teora se fue depurando, ampliando el campo de validez y reduciendo
las hiptesis necesarias, y se desarrollaron las tcnicas de aplicacin fundamentalmente por las
aportaciones de G. Matheron y su equipo de trabajo.
Desde la Minera, las tcnicas geoestadsticas se han exportado a otros muchos campos y, como
tcnica, la Geoestadstica ha logrado alcanzar su madurez. En la actualidad, las reas de trabajo
ms activas se encuentran por un lado, en el estudio de las implicaciones que sobre las distintas
ramas del conocimiento tienen las funciones aleatorias y el formalismo geoestadstico y, por otro
lado, en la bsqueda de formulaciones alternativas para la caracterizacin de la variabilidad espacial.
En este contexto cabe destacar la actividad del grupo de la Universidad de Stanford dirigido por
A. Journel.
1.9. SNTESIS EVOLUTIVA
En la actualidad los dominios de aplicacin de la Geoestadstica son amplios, sin hacer referencia directamente a la minera que es el campo que le dio origen, se pueden mencionar: el petrleo, en la caracterizacin de reservorios, en la simulacin condicional de variables petrofsicas,
en el uso de la ssmica en las estimaciones. En la pesca, en la estimacin de provisiones de peces, de variables condicionantes, profundidad, temperatura del agua. En la geofsica marina, en
los problemas de filtrar perturbaciones temporales que mezclan el magnetismo espacial, en las
caractersticas de su cartografa. La Salud: en la distribucin espacial de enfermedades, en la
exposicin de individuos a diversos ruidos. La ingeniera civil, en la construccin de obras de
grandes dimensiones, que exigen del conocimiento de la variabilidad espacial de propiedades del
terreno. Las finanzas, en la relacin entre el anlisis tcnico con el anlisis econmico. Los materiales, en la previsin de propiedades fsicas de los materiales. En la cartografa, la hidrogeologa, el medio ambiente, los campos forestales, el anlisis de imgenes, la eleccin de la red de
muestreo.
Muchos, son los ejemplos que se pueden presentar, todos coincide en que a partir del estudio de
la variabilidad de sus propiedades, se obtienen elementos para predecir sus caractersticas. El
desarrollo formal, lo podemos resumir, en lo siguiente:
1962 Teoria formal de la Geoestadstica.

1970 Explosin a nivel mundial de la Geoestadstica.
__________
1 Introduccin
1980 Maduracin, consolidacin.

1990 Aceptacin.
2000 Aplicaciones, en diversos campos de la ciencia.
2010 Fortalecimiento cientfico.
2012 Nuevas aplicaciones en todas las reas del conocimiento humano, en el campo de la
robtica y simulacin.
1.10. DEFINICIN Y OBJETIVOS

DEFINICIONES
G. Matheron, en su forma actual la defini como: La aplicacin del formalismo de las funciones aleatorias al reconocimiento y estimacin de fenmenos naturales. A la funcin aleatoria
(F.A) la podemos visualizar como un variable aleatoria (V.A) definida en todos los puntos del
espacio, o lo que es igual cada realizacin de la FA es una funcin espacial (variable regionalizada VR). Lo caracterstico de una FA es que cada realizacin se puede concebir como
suma de una componente estructurada y otra aparentemente errtica.
Una VA es una funcin numrica de los puntos de un espacio muestral X Rn (-,+).
La Geoestadstica es la aplicacin de la teora de las variables regionalizadas a los problemas de reconocimiento, de estimacin y de economa minera.
OBJETIVOS
Expresar las caractersticas estructurales Z(x) en una forma matemtica adecuada (modelo).
- Continuidad
- Anisotropa
Resolver de manera satisfactoria los problemas de estimacin

- Definir estimadores ptimos
- Encontrar intervalos de confianza, cuantificacin del error
1.11. NECESIDAD DE LA GEOESTADSTICA

Todos sabemos que en los yacimientos, las leyes siguen una determinada funcin de distribucin
y que no varan al azar, sin embargo, con mucha frecuencia ese hecho no se toma en cuenta al
momento de la cubicacin o estimacin de reservas. Los procesos de concentracin de materias
primas y elementos valiosos que conforman un yacimiento, son procesos naturales que se cien
a ciertos patrones y que por lo tanto no son productos del azar; por consiguiente no se puede estudiar un yacimiento por el mtodo estadstico simple o por los mtodos clsicos cuya primera
condicin a priori es suponer (errneamente por cierto) que los fenmenos geolgicos son completamente aleatorios que no se rigen por patrones determinados.
Supongamos que las leyes de una veta, tomadas a distancias diferentes de muestreo, a lo largo
de una galera presenta la siguiente distribucin.
TRAMO A
Ley Z(x)
Muestra
N
_________
1 2 3

1 2 3
5 6

5 6
2 1

10 11
TRAMO B
Ley Z(x)
Muestra
N
3 2 4

1 2 3
2 4 5

9 10 11
El estimador estadstico clsico encontrara para ambos tramos las mismas medias y varianzas, e
incluso hasta el mismo histograma; por lo tanto supondr que en ambos tramos la veta se puede
cubicar y trabajar en la misma forma. Esta simplificacin es errnea, ya que podemos ver que en el
tramo A existe un cierto patrn de distribucin de las leyes, con una zona central rica que se va empobreciendo hacia ambos lados; mientras que en el tramo B, se trata de una distribucin ms al
azar.
Lamentablemente en una mina con muchos niveles, muchos metros de galera y miles de muestras, analizadas quizs por varios metales, no ser tan fcil reconocer a simple vista, si existe o
no algn patrn de distribucin o estructura.
Necesitamos de una tcnica con elementos ms poderosos, y que (por el afn de simplificar el
problema) no comience justamente por ignorar lo que deseamos encontrar: Que funcin rige la
distribucin de las variables en un yacimiento; es decir, una relacin matemtica que nos informe
cmo varan las leyes, la potencia, el peso especfico y otros parmetros mensurables en el yacimiento. La mejor herramienta actual para estudiar la distribucin de tales variables es la GEOESTADISTICA; esta rama de la geomatemtica emplea para ello la denominada funcin Variograma, que es su herramienta bsica.
1.12. APLICACIONES DE LA GEOESTADSTICA
La Geoestadstica se aplica a diversos problemas de caracterizacin del fenmeno natural y a la
estimacin de las variables regionalizadas.
CAMPOS DE APLICACION
DOMINIO DE LA APLICACIN
Industria minera
Geologa
Industria Petrolera
Geoqumica
Oceanografa
Hidrogeologa
Meteorologa
Agronoma
Topografa
Medio Ambiente
Medicina
VARIABLES ESTUDIADAS
Acumulacin de Leyes y Potencia
Peso especfico, Porosidad, fallas y discontinuidades
Potencia de mantos, Porosidad y Sondajes
Investigacin de Elementos
Fondos Marinos y Poblacin de Peces
Conductividad Hidrulica, Coeficientes de Almacenamiento, Niveles Piezomtricos y Concentracin.
Presin, Velocidad del Aire, Lluvia y temperatura.
Densidad de Arboles y Plagas
Elevaciones
Variables de contaminacin en aire, agua y suelos.
Variables relacionadas a diversas patologas.
__________
1 Introduccin
APLICACIONES EN MINERIA
Control de calidad y control de datos.

Verificacin de datos.
Modelamiento geolgico: Es muy importante la relacin entre la Geologa y la Geoestadstica, las mismas que deben estar en comunicacin.
Evaluacin preliminar de recursos.
Optimizacin de programas de muestreo.
Modelamiento de depsitos.
Seleccin de mtodos de minado.
Estimacin de reservas de mineral.
Evaluacin de yacimientos.
Anlisis de riesgo.
Anlisis econmico.
Desde que G.Matheron (1962,,1965) registra la partida de nacimiento de la Geoestadstica, se

puede afirmar que esta tcnica llega al Per recin en el ao 1970, apartir del ao 1974 se han
estudiado varios yacimientos, a tal nivel que incluso en algunas publicaciones peridicas y textos
de Geoestadstica editados en otros pases (como Francia, Australia, Inglaterra, Canad, Chile,
etc.),se citan algunos casos peruanos; por ejemplo Journel & Huijbregts(1978) en su exelente libro Mining Geostatistics incluyen el estudio del yacimiento de Michiquillay como caso tpico de
estimacin de reservas en prfidos de cobre, emplearon para ello los resultados del estudio geoestadstico de Minero Per (Ex empresa estatal), por los aos 1975, 1976.
Mas adelante se incluye en el mismo libro, los resultados del estudio geoestadstico de la veta
argentfera de la mina Uchucchacua, como ejemplo tpico de evaluacin de reservas en yacimientos del tipo veta.
En la actualidad, el Per experimenta un desarrollo cada vez mayor de la aplicacin de la Tcnica Geoestadstica a los diversos problemas de la Industria Minera y el medio ambiente, debido al
boom minero que sigue atrayendo cada vez mas a los inversionistas extranjeros, dado el proceso
de desarrollo econmico con inclusin social que el gobierno lleva adelante.
_________
CAPTULO 2
ANLISIS EXPLORATORIO DE DATOS
2.6. CONOCIMIENTO DEL PROBLEMA
Antes de comenzar un estudio geoestadstico se deben discutir todos los elementos que aporten
conocimientos del problema a resolver, la estructura geolgica en que se desarrolla la mineralizacin o el fenmeno en estudio, organizacin y verificacin de la informacin disponible y finalmente realizar el anlisis exploratorio de los datos.
Una vez obtenido los datos, es necesario que se controlen integralmente a fin de verificar de una
parte su exactitud y de otra su representatividad. Es importante que se est familiarizado con los
datos, discutir todos los elementos necesarios a fin de conocer el problema a resolver (Armstrong
y Carignan, 1997). En la minera los resultados son muy sensibles al nivel de informacin usado
(Carrasco-Castelli y Jara-Salame, 1998; Lantujoul, 1994), cualquier modificacin involuntaria en
la etapa inicial se refleja sistemticamente durante todo el estudio (Armstrong y Roth, 1997;
Armstrong y Carignan, 1997).
El anlisis y el procesamiento de los datos mineros, estn basados en las herramientas que nos
ofrece la Geoestadstica, la misma que incorpora la localizacin de las muestras en el espacio.
El problema a resolver implica dos pasos fundamentales:
1ro. Caracterizar e interpretar el comportamiento de los datos referidos a las muestras existentes.
2do. Usar la interpretacin para predecir los valores probables respecto a situaciones desconocidas.
2.7. CONCEPTOS NECESARIOS DE ESTADSTICA BSICA
Con el objetivo de conocer la informacin disponible se puede hacer un anlisis de la estadstica
descriptiva (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977). A continuacin se
presenta un resumen de los conceptos necesarios de estadstica bsica.
A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la distribucin de
los datos es normal, lognormal, o si no se ajustan a una distribucin estadstica, lo cual implica
tener conocimiento de:
1.- Numero de casos: Es el nmero de valores muestreados del fenmeno en estudio, representados por n y los datos por xi, i = 1, . . . , n, que llamamos distribucin.
2.- Rango de la distribucin: Es la diferencia entre el valor mximo y el mnimo.
3.- Media: Es la media aritmtica de la distribucin, dado por la frmula:
1 n
Xi
Xm n
i 1
n = nmero de datos contenidos en la muestra.
Xi = valor de cada variable en el conjunto de datos (muestra).
-6-
2 Anlisis Exploratorio de Datos
4.- Moda: Es el valor ms frecuente de la distribucin.

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

Xi = valor de cada variable en el conjunto de datos (muestra).
Xm = media o valor promedio del conjunto de datos.
La razn principal por la que se aboga por la divisin entre n-1 en la estimacin de la varianza, es
porque proporciona un mejor estimado; si dividimos por n-1 nos referimos a la varianza muestral
S2 como un estimador insesgado de la varianza poblacional 2. Esto significa que si un experimento fuera repetido muchas veces se podra esperar que el promedio de los valores as obtenidos para S2 igualara a 2. Por otra parte si dividimos entre n los valores obtenidos para S2 seran
como promedio demasiado pequeo, sin embargo cuando tenemos muestras mayores a 100 datos, los resultados de la varianza muestral y poblacional tienden a ser iguales.
7.- Desviacin estndar: Describe la tendencia o dispersin de la distribucin. Es la medida de
desviacin alrededor de la media. Se calcula por:
= 2
8.- Coeficiente de asimetra: Describe la simetra de la distribucin relativa a la distribucin
normal. Se calcula por:
1 n
Xi X m 3 S 3
n i 1
n = nmero de datos contenidos en la muestra

Xi = valor de cada variable en el conjunto de datos (muestra)
S3 = momento de tercer orden.
En la distribucin normal la asimetra tiene valor cero, un valor negativo indica una cola a la izquierda y un valor positivo indica una cola a la derecha.
_________
9.- Curtosis: Describe el grado de esbeltez de la distribucin, tomado por lo general en relacin
a una distribucin normal, y se puede calcular por:
1 n
4
4 Xi Xm S 4
n i 1
n = nmero de datos contenidos en la muestra

Xi = valor de cada variable en el conjunto de datos (muestra)
S4 = momento de cuarto orden.
La distribucin normal tiene curtosis igual a tres, y es llamada mesocrtica. A las distribuciones
ms agudas, con colas relativamente anchas, se les llama leptocrticas, tienen valores de curtosis
mayores que tres, y las distribuciones ms bien achatadas en el centro se llaman platicrticas, tienen valores menores que tres, en ocasiones se acostumbra a definir la curtosis como 4 - 3.
10.- Error estndar: Describe el grado de conocimiento de los datos y se puede calcular por:
=
2 /n
La distribucin normal tiene un valor de error estndar menor que 1.25 y la distribucin lognormal
o una distribucin con tendencia positiva, tiene valores de error estndar mayores que 1.25.
11.- Coeficiente de variacin: Es una medida de la variacin relativa de los datos y puede ser
calculado por:
CV = S/Xm
y en porcentaje como: 100 CV = 100 (S/Xm) %
CV = coeficiente de variacin
S = desviacin estndar
Xm = media
Proporciona una comparacin entre la variacin de grandes valores y la variacin de pequeos
valores. Las tcnicas de Geoestadstica Lineal que predomina en el campo de las geociencias
producen los mejores resultados cuando el coeficiente de variacin es menor que uno, CV 1.
Para CV 1 se recomiendan tcnicas de Geoestadstica no Lineal.
12.- Prueba Chi-Cuadrado: Permite determinar si la distribucin es normal, lognormal o alguna
otra distribucin probabilstica, es su lugar puede ser usada la prueba Kolmogorov Smirnov como se refleja por muchos autores es ms robusta.
13.- Prueba t-Student: Permite determinar si en una distribucin bimodal las medias de las poblaciones son estadsticamente diferentes.
B: Construccin de grficos estadsticos: Estos grficos permiten ilustrar y entender las distribuciones de los datos, identificar datos errados, valores extremos, los mismos incluyen:
1.- Mapa base, seccin cruzada y vista en perspectiva: Son usados para visualizar la relacin
espacial en 2 y 3 dimensiones, permiten encontrar errores en la informacin.
2.- Histogramas: Son usados para ver las caractersticas descriptivas de la distribucin. Es un
grfico de barras donde en las abscisas aparecen los lmites de las clases y en las ordenadas las frecuencias correspondientes a cada clase.
__________
3.- Frecuencia acumulativa: Usado para identificar el tipo de distribucin muestral y ayuda a determinar si estn presentes poblaciones mixtas. Es un grfico de lmite de clase contra frecuencia acumulada.
En el caso de grficos estadsticos es til usar los grficos de frecuencia absoluta, relativa, acumulativa y el diagrama de dispersin, como se presenta en muchos sistemas.
Todos estos elementos permiten decidir sobre las condiciones de estacionaridad vistas anteriormente. Muchos autores slo toman como elementos fundamentales de estadstica bsica que: la
media y la mediana tome valores prximos; el coeficiente de variacin sea inferior a 1; la distribucin de los datos est prxima a la curva normal y no existan valores extremos que afecten el
desarrollo del anlisis estructural.
4.- Distribucin Normal:
La distribucin normal o gaussiana es el modelo ms importante y de mayor uso de todas las
distribuciones continuas de probabilidad. Un gran nmero de estudios indican que la distribucin
normal proporciona una adecuada representacin de las distribuciones de una gran cantidad de
variables fsicas.
DEFINICION: Se dice que una V.A. X se encuentra normalmente distribuida si su funcin de
densidad de probabilidad esta dada por:
f ( x; , )
1
2 *
1 x

para
- < x <
- < <
>0
El parmetro no influye en la forma de la curva f(x), su variacin conduce a un desplazamiento

de la curva a lo largo del eje x.
_________
10
La variacin del parmetro , altera la forma de la curva f(x).
RESUMEN DE MEDIDAS
E ( x) xf ( x)dx
E (x)
1
xi
n
1
2
x i
n
E( x ) 2 2
x
2
Limites de confianza para n>25

Central 68% x ; x
Central 95% x 1.96 ; x 1.96
Central 99.7% x 3 ; x 3
DISTRIBUCION DE LA MEDIA
Media = x
Varianza =
n2
2
n
Limites de confianza para n>25

;x
x
n
n
Central 68%

; x 1.96
x 1.96
n
n
Central 95%
__________
11

;x 3
x 3
n
n
Central 99.7%
Limites de confianza para n<25
Lmite central (1-2p)

; x TP
x TP
n
n
5.- Funcin de Distribucin Acumulativa:

La probabilidad de que una V.A. normalmente distribuida X sea menor igual a un valor especfico
x, esta dada por la funcin de distribucin acumulativa F(x)
1 t 2
P( X x) F x; ,
Exp 2 dt
2
Esta integral no puede evaluarse en forma cerrada, sin embargo se puede tabular F(x;,) como
una funcin de y , lo que necesitara una tabla para cada par de valores. Como existe un nmero infinito de valores de y , esta tarea es virtualmente imposible.
6.- Distribucin Normal Standard:
Ecuacin de transformacin
z
Donde y son la media y la desviacin estndar de X respectivamente. De acuerdo con lo anterior Z es una V.A. estandarizada con media 0 y desviacin estndar 1, lo que nos conduce a la Ley
Normal Reducida (LNR)
P X x PZ z
_________
12
Funcin de densidad de probabilidad (PDF)
f ( x)
z2
Exp
2
2
1
Funcin de distribucin acumulativa

Si: P( X x) P( Z z ) Fx ( x; , ) Fz ( z;0,1)
Donde Fz (z;0,1 ) es la funcin de distribucin acumulativa de la funcin de probabilidad normal estandarizada, la misma que se encuentra tabulada en forma extensa.
PZ z Fz z;0,1
t2

Exp
2
2
1
dt
Para cualquier valor especfico de z, el correspondiente valor en la tabla es la probabilidad de que

la V.A. normal estandarizada Z sea menor o igual a z.
__________
INTERVALOS DE CONFIANZA
_________
13
14
7.- Modelo Log Normal:

Se dice que una variable aleatoria X sigue un Ley Lognormal, si su logaritmo (neperiano, base e)
sigue una Ley Normal. Su funcin de densidad de probabilidad viene expresada de la siguiente
manera:
1 ln x e

1
2 e
...x 0
f ( x) * 2 * x e
0.....x 0
f ( x)
1 ln x e

2 e
d ln x
Considerando la constante de aditividad , tendramos:

f ( x)
1 ln( x )

1
*
e 2
2 * x
.... x
PARMETROS
Si los datos se asemejan a una distribucin lognormal, la poblacin se puede definir como una poblacin lognormal de dos parmetros, siendo estos parmetros la media y la varianza de la poblacin logartmica. Entonces el valor verdadero de la ley media se puede obtener con la frmula:
2
e e
2
2 2 e e 1
2
__________
15
donde:
= valor estimado de la Ley Media.
e = Media de la distribucin de los logaritmos de las leyes.
e = Desviacin estndar de la distribucin de los logaritmos de las leyes.
2 = Varianza estimada de las leyes.

Puede ocurrir que, al representar los datos logartmicos en un diagrama de probabilidad, no se
ajusten exactamente a una recta, mostrando una cierta curvatura en el ajuste, lo que es indicativo
de la presencia de una poblacin lognormal de tres parmetros. Este tercer parmetro, denominado constante aditiva , se calcula como:
x50 x75 * x 25
x 25 x 75 2 * x50
Siendo los xi los valores de los percentiles correspondientes a cada caso.

Este valor se aade a la poblacin original de datos (sin transformar logaritmicamente) y, a continuacin, se realiza la transformacin logartmica, obtenindose una nueva poblacin ln(xi+) que,
representada en el papel probabilstico, s genera ya una lnea recta.
Para calcular, en este caso, el valor de la ley Media, se aplica el procedimiento descrito para la poblacin de dos parmetros, sustrayndose el valor de la constante aditiva del resultado final. Las
frmulas quedaran:
2
e e
2
2 ( ) 2 e e 1
2
TRANSFORMACIN
Si z Lnx
Obtendramos la siguiente funcin de probabilidad Normal
f ( x)
1
2 *
1 z

8.- Modelo estandarizado:

S,
t
Lnx Ln 1
x
Ln
De donde obtenemos:
_________
16
Lnx Ln t
dx
dt
en trminos de diferenciales: x
reemplazando esta expresin en la ley normal

1
f ( x)dx
1 ln x ln

dx
x
Obtenemos el siguiente modelo estandarizado.

F (t )
1 2
t
2
dt
En esta funcin de distribucin acumulada, t se constituye como una variable aleatoria normal reducida de valor medio = 0 y varianza igual a 1; cuyos valores se encuentran en tablas.
LIMITES DE CONFIANZA
Para datos originales, los mismos que la distribucin normal.
2.8. PORQUE UN ANLISIS ESTADSTICO
Al inicio hablamos de diferentes problemas y la necesidad de predecir las variables donde no tenemos informacin de muestreo. Esto implica buscar una aproximacin estadstica. Efectivamente dentro del marco conceptual del trabajo par un anlisis estadstico.
Nosotros podemos enfocar el problema de la siguiente manera:
-
Detalles a considerarse dentro del caso de estudio.

Caracterizacin e interpretacin del comportamiento de las muestras de los datos
alrededor de la vecindad espacial.
Combinar las variables asumidas, la interpretacin y la teora estadstica para producir el "Mejor" estimador para el valor desconocido.
Usar la base terica para proveer medidas de incertidumbre o confianza en la "Mejor" estimacin.
La base terica de la Geoestadstica incorpora a la teora de la estadstica clsica y obtiene los

mismos resultados cuando la variable asume un comportamiento aleatorio.
__________
17
El rea de influencia donde los datos muestran una correlacin espacial, estn dados por una
distancia a, entonces habr una relacin estructural entre las muestras, un grado de dependencia
entre ellas, que es estudiada por la Geoestadistica. En cambio cuando no hay ninguna relacin entre las muestras del conjunto de datos, se dice que hay una independencia entre sus valores y se
puede observar un comportamiento aleatorio entre las mismas, la Geoestadistica en estas zonas
de independencia de valores, encontrara los mismos resultados que la estadstica clsica.
2.9. CONJUNTO DE DATOS Y APLICACIONES
1.- CASO DE ESTUDIO CON DATOS DE UNA MINA DE CARBN.
Conjunto de datos simulados sobre un estrato real de carbn en el Africa el Sur. Los taladros perforados sobre el estrato de carbn son medidos para encontrar la siguiente informacin: espesor
(mts), contenido de energa o valor calorfico del carbn (expresado en Megajoules por Ton.), contenido de ceniza (%) y contenido de sulfuros (%).
Las tres coordenadas expresadas en metros son medidas desde arriba (collar) del estrato del carbn donde es intersectado por el taladro.
SOFTWARE: Para los ejemplos del TEXTO puede utilizarse el software Geostokos (Ecosse) diseado especialmente para la enseanza y que corre bajo la plataforma de windows 98/2000 y NT.
Este programa puede bajarse desde internet:
Otras herramientas alternativas, usadas en el presente texto, son los siguientes software: Geoeas,
Variowin, Surfer, Excel, Etc. Asimismo existen en Internet una diversidad de programas y demos de
libre disposicin, a los cuales puede acudir el alumno.
COAL PROJET DATA
MUESTRA ESTE NORTE ELEVACION POTENCIA
(ID)
(mts) (mts.)
(mts)
(mts)
01
02
...
...
96
VALOR CALORIFICO
(MJ)
CENIZA SULFUROS
(%)
(%)
9500
9650
12600
12600
605,90
605,10
1,84
1,73
22,26
21,36
19,29
19,97
0,83
0,78
11000
14100
606,90
1,69
25,57
14,63
1,03
Los datos completos, son presentados en anexos del presente texto.

La variable a ser estudiada ser el valor calorfico, expresado en (MJ). Daremos un procedimiento
para disear la tabla de frecuencias que nos conducir a construir grficos y mediante un anlisis
cualitativo ver si estos datos siguen un modelo normal o log normal, que sern confirmados por
anlisis estadsticos cuantitativos.
Procedimiento para el diseo de la tabla de frecuencias: Despus de haberse recopilado la informacin de campo y organizado en una base de datos, se elige la variable a ser analizada y se
procede a construir una Distribucin de Frecuencias, para facilitar el anlisis y la interpretacin correspondiente. La estructura de la tabla es la siguiente:
INTERVALO
[L1,L2)
[L2,L3)
[Lk-1,Lk]
_________
Xi
fi
hi
Fi
Hi
hi*100
Hi*100
18
Procedimiento de clculo
1. Determinar el rango (R) de variacin de los datos.
R = Xmax - Xmin (diferencia entre el dato mximo y mnimo).
2. Determinar el nmero de intervalos (K) en forma directa, seleccionando un nmero entre 5
y 30 intervalos, o calcularlo mediante la frmula de Sturges, cuyo resultado debe ser redondeado al entero inmediato superior.
K = 1 + 3.3log(n)
n >= 10
3. Determinar la amplitud o ancho del intervalo (W)

W=R/K
4. Determinar los lmites de los intervalos
L1 = [Xmin , Xmin + W)
L2 = [Xmin + W, Xmin + 2W)
L3 = [Xmin + 2W, Xmin +3W)
Lk = [Xmin + (k-1)W, Xmin + KW]

Presentacin de datos
Los datos pueden ser presentados mediante los siguientes grficos:
Histograma de frecuencias.
Polgono de frecuencias.
Histograma acumulado.
Grficos de variabilidad.
Grafico de probabilidad.
Otros.
Clculos previos para la construccin de la tabla de frecuencias, usando los datos de la mina de
carbn.
VARIABLE
n
min
max
Rango
k
w
VALOR
96
19,92
30,46
10,54
8
1,32
Distribucin de frecuencias
INTERVALOS
Li
Ls
19,920 21,240
21,240 22,560
22,560 23,880
23,880 25,200
25,200 26,520
26,520 27,840
27,840 29,160
29,160 30,480
Xi
fi
20,580
21,900
23,220
24,540
25,860
27,180
28,500
29,820
9
13
15
21
15
11
8
4
hi
0,094
0,135
0,156
0,219
0,156
0,115
0,083
0,042
Fi
9,000
22,000
37,000
58,000
73,000
84,000
92,000
96,000
Hi
0,094
0,229
0,385
0,604
0,760
0,875
0,958
1,000
hi*100
9,375
13,542
15,625
21,875
15,625
11,458
8,333
4,167
Hi*100
9,375
22,917
38,542
60,417
76,042
87,500
95,833
100,000
__________
19
Construccin del histograma Xi VS fi :

HISTORAMA
25
20
15
10
5
0
20,580 21,900 23,220 24,540 25,860 27,180 28,500 29,820
Cualitativamente observamos que los datos siguen un modelo Normal, con una tendencia
hacia la zona central, que aproximadamente equidistan de los extremos.
HISTOGRAMA ACUMULADO
120,000
100,000
80,000
60,000
40,000
20,000
29
,8
20
28
,5
00
27
,1
80
25
,8
60
24
,5
40
23
,2
20
21
,9
00
20
,5
80
0,000
Grfico acumulado Xi VS Fi , con crecimiento ascendente.

Variabilidad
35,00
30,00
25,00
20,00
15,00
10,00
5,00
95
00
96
50
95
00
10
70
0
10
40
0
10
25
0
10
25
0
98
00
10
10
0
98
00
96
50
98
00
0,00
Grfico mostrando las variaciones del valor calorfico, a lo largo de la coordenada Este.
_________
20
MEDIDAS ESTADISTICAS CUANTITATIVAS, CALCULADO CON EL PROGRAMA GEOEAS.
Grafico de probabilidad, basado en la recta de Henry, para demostrar la normalidad del conjunto de
datos, obsrvense las medidas estadsticas, cuyos valores confirman que los datos siguen una Distribucin Normal, con parmetros, media igual a 24.624 MJ y varianza de 6.043 o desviacin estndar de 2.458 MJ.
El valor de la media y la mediana, tienden al valor de 24.6 MJ. lo que quiere decir que el valor es
bastante representativo, con un coeficiente de asimetra (Skewness) de 0.228, que confirma el
sesgo mnimo de la data.
2.- CASO DE ESTUDIO CON DATOS DE UNA MINA DE ORO
Las muestras tomadas en un yacimiento de oro, configuran los siguientes datos expresados en
gr/ton.
0,1
0,2
0,5
1,0
1,2
2,1
2,5
3,0
5,1
10
Calcular las medidas estadsticas, analizar la variabilidad de los datos y la tendencia hacia un
modelo Normal o Log Normal.
Estructura de datos para un clculo manual
ID
Xi
1
2
3
4
5
6
7
8
9
10
0,1
0,2
0,5
1
1,2
2,1
2,5
3
5,1
10
(Xi - Media)^2 (Xi - Media)^3 (Xi - Media)^4
6,101
5,617
4,285
2,465
1,877
0,221
0,005
0,185
6,401
55,205
-15,069
37,220981
-13,312
31,549566
-8,870
18,360368
-3,870
6,075732
-2,571
3,522754
-0,104
0,048797
0,000
0,000024
0,080
0,034188
16,194
40,971521
410,172 3047,580984
Hi*100
10
20
30
40
50
60
70
80
90
100
__________
21
Aplicando las formulas estadsticas, tenemos los siguientes resultados:

Medida
Valor
media
mediana
Var
desv std
CV (%)
Q1
Q3
IQR
moment3
moment4
sk
E
2,570
1,650
8,236
2,870
111,668
0,350
2,750
2,400
38,265
318,536
1,619
1,696
histograma
6
5
fi
4
3
2
1
0
1
5
Xi
Asociado al conjunto de datos de la mina de oro, observando el histograma y las medidas

estadsticas, notamos que hay valores OUTLIERS, fuera de la vecindad del conjunto y
uno de esos valores es el dato cuyo valor tiene 10 gr/ton, lo que hace que la distribucin
tenga un sesgo pronunciado con tendencia al modelo Log Normal y el valor de la media
no es representativo ya que tiene una tendencia hacia los valores altos, mostrndose una
gran diferencia entre el valor de la media y la mediana (0.92 gr/ton).
Esto implica que no podemos seguir con nuestro anlisis, ya que primero tenemos que
homogenizar nuestra data para no arrastrar errores, que podran repercutir ms adelante
cuando uno haga estimaciones y modelamientos, los mismos que devendran en no confiables.
Vamos a eliminar el valor alto de 10 gr/ton de la data y veamos ahora cual es el comportamiento el modelo y sus medidas estadsticas.
Medida
Media
Mediana
Var
desv std
CV (%)
Q1
Q3
IQR
Moment3
Moment4
Sk
E
_________
Valor
1,744
1,200
2,336
1,528
87,611
0,275
2,400
2,125
3,290
16,156
0,921
-0,039
22
histograma
6
5
fi
4
3
2
1
0
1
5
Xi
El modelo Log Normal est ms definido y ahora la diferencia entre la media y la mediana
es menor (0.54 grs/ton).
Los alumnos ahora comprendern porque es necesario hacer el anlisis estadstico, previo
a un anlisis espacial o geoestadistico, el objetivo es no incurrir en mayores errores.
3.- CASO DE UN YACIMIENTO DE ORO CON 30 DATOS.
Leyes en grs/ton.
ID
1
2
3
4
5
6
7
8
9
10
Xi
ID
11
12
13
14
15
16
17
18
19
20
0,1
5,5
0,5
1,0
1,2
2,1
2,5
3,0
5,1
10,0
Xi
0,6
1,4
6,8
5,1
8,4
4,2
0,3
1,5
1,8
2,2
ID
21
22
23
24
25
26
27
28
29
30
Xi
0,4
0,5
1,5
2,3
3,2
2,9
4,3
3,8
7,2
4,9
Histograma deducido en base a una tabla de frecuencias.

Yacimiento de Oro
14
12
10
fi
8
6
4
2
0
1,0
2,7
4,4
xi
6,1
7,8
9,5
Observamos claramente que los datos tienden a un modelo Log Normal.

Veamos como resultan las medidas estadsticas, calculadas con el Programa Geoeas.
__________
23
El grfico de probabilidad, nos muestran que estos datos no siguen una Distribucin Normal, ya
que no se alinean a una recta, sobre todo en los primeros datos. La asimetra o sesgo es evidente
por los valores mostrados del coeficiente Skewness de 1.019, que indica el sesgo existente en el
conjunto de datos, demostrando la aproximacin a un modelo Log Normal.
Haciendo la transformacin logartmica de los datos con Yi = Ln (Xi), obtenemos una distribucin
normal, con los siguientes resultados:
Estos valores logartmicos, se aproximan a una distribucin normal, obsrvese la similitud

de los valores de la media y la mediana, con un coeficiente de asimetra Skewness, mnimo de -0.031.
Estimacin de los parmetros del modelo Log Normal, en unidades el conjunto de datos.
Reemplazando los valores logartmicos en las formulas, obtenemos:
_________
2
e e
2
24
0.541
0.995
2
e
3.54
3.54
2 2 e e 1
2 (3.54) 2 e 0.541 1
2 8.99
3
2
Entonces decimos, que la data del yacimiento de oro, sigue un Modelo Log Normal con
parmetros, media igual a 3.54 grs/ton y con una varianza de 8.99 o una desviacin estndar de 3 grs/ton.
2.10.
CURVAS LEY TONELAJE
Las aplicaciones de las Curvas Ley Tonelaje nos permiten analizar el comportamiento de un conjunto de datos de un determinado yacimiento minero, en cuanto a sus recursos econmicamente
explotables de acuerdo a una Ley mnima o Cutt Off. Con lo que se puede presentar varias alternativas, en funcin a sus reservas. Segn el modelo que siga cada yacimiento, tendr un procedimiento especifico.
1.- Curvas Ley Tonelaje cuando el yacimiento sigue un Modelo Normal
Proporcin de mineral sobre una ley de corte
P 1 F z
z
xc
Fz z;0,1
t2

Exp
2
2
1
dt
(tabla Distribucin Normal Standar)
Ley promedio recuperable
xc x
( z)
* ( z)
P
z2
exp
2
2
1
2.- Curvas Ley Tonelaje cuando el yacimiento sigue un Modelo Log Normal
Clculo de parmetros logartmicos
Paso Previo, cuando los parmetros estn expresados en unidades logartmicas.
Cuando los datos estadsticos estn referidos al clculo original de las muestras xi , enton__________
25
ces es necesario calcular previamente los parmetros logartmicos para despus proceder
con el mtodo normal.
S 2
S Ln 2 1
x
xe Ln x 0.5 s e2
2
e
donde:
s e2 = Varianza de los logartmicos.
s 2 = Varianza muestral original.
x 2 = Media muestral original.
xe = Media de los logartmicos.
Clculo de la proporcin del tonelaje minable (P)

Evaluacin de Z
Z
LnX c X e
e
dt
(tabla)
x e
1
Ln c
e 2
Z=t
F (t )
1
2
1 2
t
2
P 1 F t
Ley promedio recuperable ( X lc )
X lc
Q
*x
P
Q 1 F z se
F z s e valor calculado o de tabla
Tambin se puede usar la siguiente frmula.
1
x e

F Ln c
e 2

xc
1
xc e

F Ln
2
e
F(z) = Tabla
3.- Aplicaciones de las Curvas Ley Tonelaje.
1. Caso de estudio de un depsito de hierro: Tenemos un depsito de hierro, el cual se
conoce que las muestras siguen una distribucin normal con un ley promedio del 48% y
_________
26
una desviacin estndar del 5%. Asimismo el modelo de bloques del yacimiento nos da
una desviacin estndar del 4.45%.
Analizar las incidencias de las dos distribuciones en el clculo de la Ley/Tonelaje.
Representaremos los modelos en funcin a sus parmetros y utilizando las formulas del
modelo normal y clculos efectuados en el programa Excel, para reproducir las funciones
de densidad de probabilidad.
Distribucin Normal
0,09
0,08
0,07
0,06
f(x)
0,05
Muestras
Bloques
0,04
0,03
0,02
0,01
0
-30 -20 -0,01

-10 0
10
20
30
40
50
60
70
80
90
Modelo normal para muestras y bloques.

Calculo del Tonelaje y Ley para varias leyes de corte, usando el programa Excel y las formulas expuestas anteriormente, para el Modelo Normal.
L.C.
40
42
44
46
48
50
52
54
56
MUESTRAS
P(%)
L.MEDIA
94,52
48,59
88,49
49,10
78,81
49,84
65,54
50,81
50
51,99
34,46
53,34
21,19
54,84
11,51
56,44
5,48
58,12
BLOQUES
P(%)
L.MEDIA
96,39
48,37
91,12
48,79
81,56
49,45
67,34
50,38
50
51,55
32,66
52,91
18,44
54,43
8,88
56,06
3,61
57,77
Cada Ley de Corte, representa una alternativa de explotacin con una proporcin de tonelaje econmicamente explotable con su respectiva Ley, para cada modelo de muestras y
bloques. Generalmente un yacimiento se explota en base al modelo de bloques, en este
caso, por ejemplo si las condiciones de la tecnologa y el mercado determinan utilizar una
Ley de Corte de 44 %, entonces tendramos el 81.56 % de mineral econmicamente explotable con una ley promedio de 49.45 %.
Con estos datos, representamos las curvas Ley Tonelaje.
__________
27
Ley de Corte/Tonelaje
1,2
1
0,8
P
Muestras
0,6
Bloques
0,4
0,2
0
35
40
45 L.C 50
55
60
Curvas Ley de Corte/Tonelaje, para el modelo de muestras y bloques del depsito de hierro.
Ley de Corte/Ley Media
Ley Media
60
55
Muestras
Bloques
50
45
35
40
45
LC
50
55
60
Curvas Ley de Corte/Ley media, para el modelo de muestras y bloques del depsito de hierro.
2. Caso de estudio de un yacimiento de Pb y Zn.
Tomemos el caso de un yacimiento de Pb, Zn, donde el porcentaje de metal combinado es
la variable econmica. Se conoce que las muestras estn distribuidas lognormalmente con
un valor promedio del 12% y una desviacin estndar del 8%.
La unidad de minado seleccionada es un bloque de 10x10x5 mts., cuya desviacin estndar es igual a 5.56% de metal combinado.
Analizar las incidencias del clculo de la Ley/tonelaje.
Representaremos los modelos en funcin a sus parmetros y utilizando las formulas del
modelo lognormal y clculos efectuados en el programa Excel, para reproducir las funciones de densidad de probabilidad.
_________
28

FUNCION DE PROBABILIDAD LOGNORMAL
0,12
0,1
f(x)
0,08
muestras
0,06
bloques
0,04
0,02
0
0
10
20
30
40
50
Funcin de probabilidad para el Modelo Log Normal para muestras y bloques.

Calculo del Tonelaje y Ley para varias leyes de corte, usando el programa Excel y las formulas expuestas anteriormente, para el modelo Log Normal.
L.C.
4
5
6
7
8
9
10
11
MUESTRAS
P(%)
L.MEDIA
93,29
12,637
87,12
13,213
79,76
13,924
71,92
14,734
64,12
15,616
56,69
16,550
49,83
17,523
43,62
18,525
P(%)
98,11
94,17
87,60
78,95
69,19
59,23
49,77
41,20
BLOQUES
L.MEDIA
12,159
12,459
12,941
13,579
14,338
15,188
16,105
17,072
Cada Ley de Corte, representa una alternativa de explotacin con una proporcin de tonelaje econmicamente explotable con su respectiva Ley, para cada modelo de muestras y
bloques. Generalmente un yacimiento se explota en base al modelo de bloques, en este
caso, por ejemplo si las condiciones de la tecnologa y el mercado determinan utilizar una
Ley de Corte del 7 %, entonces tendramos el 78.95 % de mineral econmicamente explotable con una ley promedio de 13.579 %.
__________
CAPTULO 3
GEOESTADSTICA Y TEORA DE LAS VARIABLES REGIONALIZADAS
3.1. VARIABLES REGIONALIZADAS
En trminos mineros se define la geoestadstica como la aplicacin de la teora de las variables regionalizadas a la estimacin de los recursos mineros.
Una variable regionalizada es una funcin que representa la variacin en el espacio de una cierta
magnitud asociada a un fenmeno natural, abreviada generalmente como V.R.
Sea x un punto del espacio. Se designa la variable regionalizada por la notacin z(x).
3.2. NOTACION CONDENSADA
Antes de estudiar ejemplos de variables regionalizadas, mencionemos que en geoestadstica se
utiliza la notacin condensada: Un punto del espacio se representa por la letra x. Por ejemplo la
ley en el punto x se representa por z(x). Por consiguiente, z(x) puede significar:
z(x)
z(x1, x2)
si el problema es bidimensional (2-D)
z(x1, x2, x3)
si el problema es tridimensional (3-D)
si el problema es unidimensional (1-D)
Se observa que existen problemas de notacin: Se acostumbra a designar una variable regionalizada con la letra z, lo cual coincide con la notacin utilizada para la cota o elevacin.
3.3. EJEMPLOS DE VARIABLES REGIONALIZADAS (V.R.)
Ejemplo 1: En el espacio de una dimensin, sea z(x) = Ley de Cu a lo largo de una galera:
Figura 3.1: Canaletas en una galera.
- 29 -
30
Figura 3.2: Galera reconocida entre los puntos A y A
Las leyes muestreadas en las canaletas se pueden graficar:
Figura 3.3: Leyes muestreadas en las canaletas entre A y A.

Ejemplo 2: En la dimensin tiempo (una dimensin t), el precio de un metal p(t).
Fig. 3.4: Precio del cobre (promedio mensual (1987-2005) en centavos de dlar / libra.
__________
Ejemplo 3:
31
En el espacio de dos dimensiones, sea z(x1, x2) = z(x) = potencia minera-
lizada en un yacimiento de nitratos:
Figura 3.5: Depsito de nitratos-yodo: La zona mineralizada, de color rojo en la figura, se llama
caliche.
Ejemplo 4: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = Ley de Cu en el punto x
dentro de un depsito masivo:
Figura 3.6: Caso tpico de depsito de xidos-sulfuros. La capa superior corresponde a grava.
_________
32
Figura 3.7. Planta en mina. Leyes de bloques de 25mx25mx15m. Zona de xidos.

En un depsito de este tipo se puede comprobar que la ley de cobre se comporta de manera diferente en la zona de xidos y en la zona de sulfuros. Esto nos conduce a considerar para la ley de
cobre, dos variables regionalizadas diferentes.
Ejemplo 5: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = densidad de la roca en
un punto x dentro de un depsito minero:
Figura 3.8: Densidades superficiales en ton/m3 en un yacimiento de cobre.

__________
33
La densidad in situ, medida en toneladas / m3 es una variable importante para cubicar los recursos
de un depsito minero.
Los ejemplos anteriores nos muestran que una variable regionalizada es simplemente una funcin
z(x) del punto x.
Sin embargo, esta funcin no se comporta como las funciones que se estu-
dian en Matemticas: En general z(x) es muy desordenada en su variacin espacial y no se podr

expresar, en particular, z(x) como un polinomio (ver figuras 3.1 al 3.8).
3.4. CAMPO Y SOPORTE
Se llama campo a la zona en la cual se estudia la variable regionalizada. Para definir bien el campo (por ejemplo los lmites) es necesario utilizar un modelo geolgico adecuado, por ejemplo, en la
figura 3.6 se podran distinguir dos campos disjuntos, los cuales se pueden tratar de manera independiente y corresponden a unidades geolgicas: Unidad xidos y unidad sulfuros.
Entonces en un mismo depsito minero D pueden haber varios campos o unidades D1, D2, ..., Dk,
en general disjuntos, cuya reunin es el conjunto D.
Figura 3.9: Unidades D1, D2, D3, D4 en una seccin del depsito de cobre porfdico de Inca de Oro. Las
unidades corresponden a una interpretacin geolgica a partir de los sondajes.
En algunas situaciones, cada campo debera tener un tratamiento geoestadstico diferente: Para estimar una zona V contenida en una cierta unidad, slo se utilizan datos de la misma unidad: Se dice que se tienen fronteras duras.
Las
fronteras
duras
entre
las
unidades
Dr y Ds se justifican
cuando
existe independencia entre las leyes de Dr y Ds (es decir existe una discontinuidad geolgica). La independencia debe ser comprobada mediante un anlisis de las leyes en las fronteras de
las unidades Dr y Ds.
El soporte es el volumen de la muestra que define la variable regionalizada. A menudo el soporte es
_________
34
un cilindro (figura 3.10) llamado testigo:
Figura 3.10: Un testigo. Tiene un cierto largo l y un cierto dimetro d.
z(x) ser entonces la ley del volumen de muestra localizado en el punto x., en el ejemplo 5
el soporte es un cilindro vertical de 15 metros de largo.
En general, en el estudio de una variable regionalizada no es conveniente mezclar soportes de tamaos diferentes.
En el caso en que los testigos que constituyen el sondaje son de tamao irregular, es necesario hacer una operacin la cual consiste en regularizar o compositar el sondaje, es decir disponer de datos
(compsitos) de longitud constante (figura 3.11).
Figura 3.11: Regularizacin de un sondaje a un largo constante b. Esta operacin produce errores
La figura 3.12 muestra una seccin transversal en un depsito de xidos de cobre. Las lneas representan los sondajes de exploracin. El punto rojo se denomina collar del sondaje. El collar est caracterizado por las coordenadas x0, y0, z0 y por dos ngulos:
(, ) Azimuth e inclinacin.
__________
35
Figura 3.12: Seccin en el depsito de cobre. Se observan las unidades grava ( estril), lixiviado, xidos y
sulfuros. Un compsito est caracterizado por sus coordenadas x, y, z, las leyes de cobre total,
de cobre soluble, un cdigo que indica la unidad, adems del nombre del sondaje que contiene
al compsito.
Cada compsito est caracterizado por sus coordenadas x, y, z, sus leyes, un cdigo que indica el
dominio o unidad geolgica y la identificacin del sondaje, eventualmente otra informacin. Se tiene
as la base de datos de sondajes del depsito, la cual, en formato de texto, puede ser incorporada
en cualquier paquete computacional.
Para tratar las desviaciones de los sondajes, se divide el sondaje en tramos rectilneos
L1, L2, , Lr.
Figura 3.13: Azimuth (se mide en grados desde el norte) e inclinacin (se mide en grados desde la horizontal) de un sondaje.
3.5. VARIABLES ADITIVAS

En general, en la estimacin de recursos mineros conviene utilizar variables aditivas. Una variable
regionalizada es aditiva cuando se cumple la condicin siguiente: Se conoce la variable z en dos
soportes V1 y V2, con valores medios respectivos z1 y z2, entonces el valor medio de la variable z
en el soporte homogeneizado V1 U V2 es igual al promedio ponderado de z1 y z2, en particular si
_________
36
V1 = V2, entonces el valor medio de la variable es (z1 + z2) / 2.

Por ejemplo, la variable ndice de trabajo WI(x) (parmetro de conminucin que expresa la
resistencia de la roca a ser molida, en Kwh/ton) no es aditivo. Sin embargo es muy importante disponer de un modelo del WI en una mina.
Otros casos de variables no aditivas son, la recuperacin metalrgica, y, en una mina de xidos de
cobre, la razn (llamada solubilidad) (ley de CuS) / (ley de CuT).
En el caso de una veta (figura 3.14) el sondaje S determina una potencia aparente p (y una potencia real p0) y una ley z. La ley z no es aditiva. En este caso hay que estudiar dos variables aditivas: La potencia p0 y la acumulacin en un punto x, definida como el producto de la ley por la potencia.
Figura 3.14: Veta y variables aditivas.

3.6. OBJETIVOS DE LA TEORIA
La teora de las variables regionalizadas se propone dos objetivos principales:
Expresar las caractersticas estructurales de una variable regionalizada mediante una forma
matemtica adecuada.
Resolver, de manera satisfactoria, el problema de la estimacin de una variable regionalizada a
partir de un conjunto de muestras, asignando errores a las estimaciones.
Estos dos objetivos estn relacionados: El error de estimacin depende de las caractersticas estructurales (continuidad, anisotropas) y se tendr un error mayor si la variable regionalizada es ms irregular y discontinua en su variacin espacial.
Ejemplo: La figura 3.15 siguiente representa el caso de una variable regionalizada z(x)
= ley de cobre definida en un soporte cuadrado de lado axa: La ley de corte es w = 0.5.
Se definen otros soportes (tamao del bloque): (a)x(2a), (2a)x(a), (2a)x(2a), (3a)x(3a) y
(6a)x(6a).
T es el tonelaje sobre la ley de corte medido en nmero de bloques de tamao axa. m es la ley
media de los bloques cuya ley es superior a la ley de corte.
B es el beneficio convencional, definido por:
B=T(mc)
__________
37
La importancia econmica de la anisotropa y del soporte es evidente.
Figura 3.15: Importancia econmica del soporte y la anisotropa. A medida que aumenta el soporte, se diluyen las leyes. Observar que la ley de corte es mayor que la ley media. Repetir los clculos para una ley de corte de 0.40
3.7. EL MODELO MATEMTICO DE LA GEOESTADSTICA: LAS FUNCIONES ALEATORIAS
Para alcanzar los objetivos propuestos es necesario disponer de un modelo matemtico. La geoestadstica utiliza una cierta interpretacin probabilstica de la variable regionalizada, mediante el
modelo de las funciones aleatorias.
En teora de probabilidad una serie de k variables aleatorias dependientes Z1, Z2, ..., Zk definen un
_________
38
vector aleatorio Z = (Z1, Z2, ..., Zk) con k componentes. Anlogamente, cuando el valor de una funcin Z(x) es una variable aleatoria, al variar x en el espacio Rn de n dimensiones, Z(x) define una
familia de variables aleatorias. A cada punto x0 del espacio le corresponde una variable aleatoria
Z(x0). La funcin aleatoria (F.A) Z(x) puede tambin interpretarse como una funcin del punto x, cuyo valor en x0 no es un nmero sino una variable aleatoria. Ntese que en general las variables
aleatorias correspondientes a dos puntos Z(x1) y Z(x2) no tienen porqu ser independientes.
Un experimento sobre la F.A. Z(x) proporciona una funcin ordinaria z(x) llamada trayectoria o realizacin de la F.A. Z(x); estas realizaciones son a menudo muy irregulares, como puede apreciarse
en la figura 3.16.
Figura 3.16: Realizacin de la funcin aleatoria Z(x)

La hiptesis constitutiva de la geoestadstica consiste en afirmar que la variable regionalizada en
estudio es la realizacin de una cierta funcin aleatoria. Lo anterior equivale a decir que las leyes
de nuestro yacimiento se generaron a partir de un proceso o experimento muy complejo.
Figura 3.17: Funcin aleatoria y variable regionalizada. Los colores indican rangos de la variable.
La Geoestadstica considera una variable regionalizada a z(x) en estudio, como una realizacin
particular de una cierta funcin aleatoria Z(x). Una variable distribuida en el espacio de forma que
presenta una estructura espacial de correlacin se dice que esta regionalizada. As, una variable
regionalizada (V.R.) es una funcin que representa el desplazamiento en el espacio de una cierta
magnitud asociada a un fenmeno natural. En adelante no haremos distincin entre la funcin alea__________
39
toria Z(x) y su realizacin z(x).

Es muy frecuente observar en una V.R. dos aspectos complementarios y aparentemente contradictorios:
Un aspecto aleatorio asociado con las variaciones errticas e impredecibles de la variable, y.

Un aspecto general estructurado que refleja en cierta forma las caractersticas globales de variacin del fenmeno regionalizado.
La interpretacin probabilstica de una V.R. como realizacin de una F.A. Z(x) tiene sentido operativo slo si es posible inferir, al menos en parte, la funcin de distribucin o ley de probabilidad de
Z(x). En general, no es posible la inferencia estadstica a partir de una sola realizacin, de la misma
manera que no es posible reconstituir la funcin de distribucin de una variable aleatoria a partir de
una sola observacin. Para hacer posible la inferencia estadstica, se hace imprescindible introducir
hiptesis adicionales acerca de Z(x) para poder reducir el nmero de "parmetros" de los que depende la funcin de distribucin. Estas hiptesis tienen que ver con la homogeneidad espacial de la
funcin aleatoria. Por ejemplo, suponer que la funcin aleatoria es estacionaria puede pensarse
como equivalente a que la funcin aleatoria se "repite" en el espacio y esta "repeticin" proporciona
la informacin equivalente a muchas realizaciones de la misma F.A., permitiendo de esta forma la
posibilidad de la inferencia estadstica.
Observaciones:
a) No se puede afirmar que una variable regionalizada es una funcin aleatoria.
Esto tendra el mismo sentido que decir el nmero 6 es una variable aleatoria.
El enunciado correcto de la hiptesis probabilstica de la geoestadstica es: z(x)
es la realizacin de una funcin aleatoria Z(x).
b) Para que esta hiptesis probabilstica tenga un sentido real, es necesario poder reconstituir, al
menos en parte, la ley de probabilidad de la funcin aleatoria, lo cual supone que la inferencia estadstica (es decir el clculo de parmetros que caracterizan la funcin aleatoria) es posible. Es
necesario introducir una hiptesis suplementaria a la funcin aleatoria Z(x). Esta hiptesis es conocida como hiptesis de estacionaridad y expresa que la variacin espacial de las realizaciones
de Z(x) deben ser homogneas. Esta hiptesis se puede debilitar al suponer que las diferencias
Z(x) Z(y) son estacionarias localmente (lo cual se conoce como hiptesis intrnseca).
La estacionaridad es una propiedad del modelo (funcin aleatoria) y quedar ms clara cuando se
estudie el clculo de variogramas.
3.8. FUNCIN DE DISTRIBUCIN Y MOMENTOS DE UNA FUNCIN ALEATORIA
Considrese una funcin aleatoria Z(x) definida en Rn . Para cualesquiera k puntos x1, x2, ..., xk, el
vector aleatorio [Z(x1), Z(x2), ..., Z(xk)] se caracteriza por su funcin de distribucin k-variable.
Fx1 , x2 ,..., xk ( Z 1 , Z 2 ,..., Z k ) Pr obZ ( x1 ) Z 1 , Z ( x 2 ) Z 2 ,..., Z ( x k ) Z k
(3.1)
El conjunto de todas estas distribuciones para todo valor de k y para cualquier seleccin de puntos
en Rn constituye la "ley espacial de probabilidad" de la funcin aleatoria Z(x).
_________
40
El momento de primer orden es la esperanza matemtica definida como:
E Z ( x) m( x)
(3.2)
Aunque la funcin m(x) se conoce con los nombres de deriva y tendencia, algunos autores prefieren la utilizacin del trmino deriva.
Los tres momentos de segundo orden a ser considerados son:
a) La varianza o momento de segundo orden de Z(x) respecto a m(x).
2 Var Z ( x) E Z ( x) m( x)
(3.3)
b) La covarianza de dos variables aleatorias Z(xi) y Z(xj), se define como:
C ( xi , x j ) EZ ( xi ) m( xi ) Z ( x j ) m( x j )
(3.4)
Es en general una funcin de xi y xj. Esta funcin se llama a veces funcin de autocovarianza.
c) El semivariograma, llamado muchas veces indistintamente como el variograma. En adelante cualquiera de estos nombres que se use, har referencia a la siguiente definicin:
( xi , x j )
1
2
E Z ( xi ) Z ( x j )
2
(3.5)
Ntese que tanto la varianza como el semivariograma son siempre positivos, mientras que la covarianza puede adoptar valores negativos.
3.9. FUNCIONES ALEATORIAS ESTACIONARIAS
Se dice que una funcin aleatoria es estrictamente estacionaria s su funcin de distribucin (4.1)
es invariante respecto a cualquier traslacin del vector h, o lo que es lo mismo, la funcin de distribucin del vector aleatorio [Z(x1), Z(x2),..., Z(xk)] es idntica a la del vector [Z(x1+h), Z(x2+h),...,
Z(xk+h)] para cualquier h. Sin embargo, puesto que la Geoestadstica lineal se basa en los dos primeros momentos de la funcin aleatoria, es suficiente suponer que estos dos momentos existen y
limitar la hiptesis de estacionariedad a los dos primeros momentos. Se dice que una funcin aleatoria Z(x) es estacionaria de orden 2 o de segundo orden, s:
a)
E[Z(x)] existe y no depende de x, es decir:
E Z ( x) m
b)
para todo x
(3.6)
Para toda parejas de variables aleatorias {Z(x+h), Z(x)}su covarianza existe y slo depende del vector de separacin h, es decir:
C ( x h, x) E Z ( x h) Z ( x) m 2 C (h)
(3.7)
La estacionariedad de la covarianza implica que la varianza Var[Z(x)] existe, es finita y no depende de

x, es decir, Var[Z(x)] = C(0).
__________
c)
41
Bajo esta misma hiptesis, el semivariograma tambin es estacionario y se cumple que:
( x h, x) (h)
1
2
E Z ( x h) Z ( x)
2
(3.8)
Dado que h es un vector y una funcin escalar, en general puede depender tanto de la magnitud h h como de la orientacin u = h/h. Es decir (h) puede ser anisotrpica. Sin embargo, en
la mayora de los casos el nmero de datos no es suficiente para estimar esta anisotropa y se suele hacer la hipstesis de suponer que es independiente de la orientacin de h y tomarlo como
isotrpico.
3.10. RELACIN ENTRE EL SEMIVARIOGRAMA Y LA COVARIANZA
Cuando la funcin aleatoria es estacionaria, la relacin entre el semivariograma y la covarianza es
inmediata, ya que de acuerdo con la ecuacin (4.8) se cumple:
( h)
1
2
E Z ( x h) m Z ( x) m
2
1
2
2
E Z ( x h) m E Z ( x) m 2 E ( Z ( x h) m)( Z ( x) m)
2
Var ( Z ) E( Z ( x h) m)( Z ( x) m)
(3.9)
y puesto que de (3.7) se deduce que:
C (h) EZ ( x h) mZ ( x) m
(3.10)
se obtiene finalmente que:
(h) Var ( Z ) C (h)
(3.11)
Es decir, bajo la hiptesis de estacionariedad el semivariograma resulta ser igual a la varianza menos la covarianza, por lo que la equivalencia es total (vase la figura 4.2) sin embargo cuando la
media vara "lentamente" de forma que en la escala local se puede suponer constante (aunque
desconocida), el semivariograma es independiente del valor local de dicha media, mientras que la
autocovarianza requiere su estimacin. Esto introduce un sesgo en el clculo de la funcin de autocovarianza. En este sentido, (h) es un estadstico ms conveniente que C(h), para aquellas funciones cuya media varia lentamente.
Figura 4.2: Relacin entre el semivariograma y la funcin de covarianza
_________
42
3.11. EL CORRELOGRAMA
Una tercera funcin que tambin caracteriza la estructura de correlacin es el correlograma (h)
definido como el cociente entre la covarianza C(h) y la varianza:
( h)
C ( h)
( h)
1
C (0)
C (0)
(3.12)
__________
CAPTULO 4
ANLISIS EXTRUCTURAL DE DATOS
4.4. VARIOGRAMA EXPERIMENTAL
La mayora de los fenmenos naturales poseen una continuidad espacial, los datos contiguos
muestran mayor similitud que si estos estuvieran alejados. Al observar la disposicin de los datos, se nota que existe un cierto orden, una cierta continuidad. As un valor alto tender a situarse cerca del valor alto. El variograma resume las principales caractersticas del comportamiento
espacial de la variable en estudio y es parte fundamental en el proceso del anlisis estructural,
su interpretacin como el momento de segundo orden, da lugar al estimador *(h) conocido como
el variograma experimental.
El variograma experimental se estima en base a los datos y a la estructura del fenmeno. La variabilidad entre dos puntos del espacio, x y x+h, distantes del vector h (figura 4.1), esta caracterizada por la funcin variograma, que se constituye en la herramienta fundamental de la Geoestadistica, tericamente est definida por:
(h) E Z ( x h) Z ( x)
(4.1)
Figura 4.1: Dos puntos a la distancia vectorial h.
En la prctica el variograma experimental se obtiene mediante la siguiente expresin:
* ( h)
1 N (h)
Z ( xi h) Z ( xi )2
2 N (h) i 1
(4.2)
Donde Z(xi) son los valores experimentales en los puntos xi, en los que se dispone de datos tanto
en xi como en xi +h; N(h) es el nmero de pares de puntos separados por una distancia h. Por
ejemplo si h = (20,10), entonces cada par de muestras comparadas deben separarse por 20 metros
en la direccin Oeste - Este y 10 metros en la direccin Sur - Norte ( ver figura 4.2).
Figura 4.2 Pares de muestras a una distancia h

- 43 -
44
Dicho de otro modo, el variograma experimental es el promedio de las diferencias al cuadrado de

los datos distantes del vector h, dividido entre 2; es decir:
(diferencias ) 2 de.valores.en
1
(h) Pr omedio
2
datos.que.estan.a.la.distancia.h
*
(4.3)
Este algoritmo es el que hay que adaptar en cada situacin prctica (mallas regulares e irregulares
en el espacio de n dimensiones, n = 1, 2, 3). De las expresiones citadas, se deducen fcilmente las
siguientes propiedades:
( 0) 0
( h) 0
( h) ( h )
(4.4)
La ltima relacin traduce el hecho que (z1-z2)2 = (z2-z1)2, siendo z1 y z2 los datos de las muestras 1
y 2 distantes del vector h, que estn formando pares.
Figura 4.3: La funcin gama de h es par.
En la prctica, y especialmente cuando se trabaja en dos o tres dimensiones, las distancias entre
los puntos de cada pareja son distintos y puede no haber dos parejas de puntos situados a la misma distancia. Por lo tanto lo que se hace es definir una serie de intervalos de clase y asignar al
clculo del variograma experimental todas las parejas cuyas distancias del vector h estn contenidas en el intervalo. El nmero de direcciones puede ser diferente 4, 8, 16, etc. (ver figura 4.4)
Figura 4.4: Definicin de intervalos para el clculo de *(h)

__________
4 Anlisis Estructural de Datos
45
La eleccin de los parmetros que define cada intervalo no est exenta de dificultad y suele requerir algunas iteraciones y una cierta dosis de prctica. As lo ms comn es repetir el clculo con varias amplitudes y elegir aquella que permita una buena definicin del variograma, de forma que los
h no estn tan separados que no se pueda discernir el variograma, ni tan juntos que el nmero de
parejas sea pequeo y las oscilaciones del variograma experimental resulten excesivas.
4.5. PARMETROS DEL VARIOGRAMA
Tpicamente el variograma tiene la siguiente forma:
Figura 4.5: Parmetros del variograma

Normalmente el variograma es una funcin montona no decreciente, ya que al aumentar h tambin aumenta, al menos en sentido cuadrtico, la diferencia entre Z(x+h) y Z(x) (vase la figura
4.5). Si Z es estacionaria, (h) alcanza un valor lmite constante llamado meseta que coincide con
la varianza de Z. La distancia a la que se alcanza este valor se denomina rango o alcance y marca
la zona de influencia en torno a un punto, ms all de la cual la autocorrelacin es nula. Aunque
(0) = 0, con frecuencia el variograma es discontinuo en el origen, con un salto finito que se llama
pepita, o efecto pepita (del ingls "nugget").
INTERPRETACION DEL EFECTO PEPITA (NUGGET EFFECT)
Histricamente, el origen de este efecto est en la aparicin, ms o menos errtica, de pepitas de
oro en las muestras de un mineral. En este caso, puede encontrarse una pepita en alguna muestra
sin que ello implique que se van a encontrar en las dems. Otra fuente de discontinuidad en el origen, son los errores de muestreo. Los siguientes ejemplos muestran algunas formas que puede
adoptar el variograma en el origen.
Figura 4.6: Comportamiento en el origen

_________
46
El primer caso presenta un comportamiento puramente aleatorio sin ninguna correlacin espacial,
donde la irregularidad de los datos es total. En este caso se dice que el variograma presenta un
efecto pepita puro.
El segundo ejemplo es indicativo de un comportamiento francamente irregular, tal vez discontinuo,
en el que parte de la estructura espacial se concentra a distancias inferiores a las observadas.
El tercer ejemplo nos muestra un variograma nulo en el origen, pero pendiente no nula, que es indicativo de una alta correlacin espacial de los datos.
4.6. COMPORTAMIENTO DEL VARIOGRAMA PARA DISTANCIAS PEQUEAS
Estudiaremos el comportamiento de la funcin (h) para | h | pequeo, para lo cual estudiaremos
cuatro casos hipotticos.
Caso 1: Leyes muy regulares y continuas
Figura 4.7: Leyes muy regulares (la variable es derivable).

Para una distancia b pequea, las dos leyes de la figura son casi iguales, lo que implica que para
| h | pequeo, (h) es prximo a cero; luego el grfico de (h) en una vecindad del origen ser
como en la figura:
Figura 4.8: Variograma parablico en el origen.

Se dice que (h) tiene un comportamiento parablico en el origen.
__________
47
Caso 2: Continuidad y regularidad promedio
Figura 4.9: Leyes con continuidad promedio. La variable es continua pero no es derivable.
En este caso, para una distancia pequea, la diferencia de leyes es significativa; luego el grfico de
(h) en una vecindad del origen ser:
Figura 4.10: Variograma lineal en el origen.

Se dice que (h) tiene un comportamiento lineal en el origen.
Caso 3: Existencia de micro variaciones:
Figura 4.11: Presencia de una estructura a menor escala. La variable es ms discontinua.

Si la equidistancia entre datos b es menor que la escala de variacin d de las micro- estructuras, el
variograma en una vecindad del origen ser:
_________
48
Figura 4.12: Efecto de pepita en el origen.

Existe un crecimiento rpido hasta | h | = d (debido a la micro regionalizacin) y luego un crecimiento ms moderado (debido a la variacin a gran escala): se dice que existe efecto de pepita. Co se
llama constante de pepita.
En la prctica la equidistancia o paso b es mayor que d y se tendr un grfico del tipo:
Figura 4.13: Extrapolacin al origen del variograma experimental.

Es decir existe una discontinuidad aparente en el origen.
El nombre efecto de pepita proviene del estudio de los depsitos de oro. Consideremos por ejemplo un testigo en un depsito de oro:
Figura 4.14: Efecto de pepita en un testigo de una mina de oro.

En general, el efecto de pepita se produce debido a microvariaciones y/o a errores en el muestreo,
la manipulacin, preparacin o anlisis qumico.
__________
49
Caso 4: Caso lmite en el cual la irregularidad de las leyes es total:
Figura 4.15. Irregularidad mxima. La variable es catica.

Por muy pequea que sea la distancia b, las leyes de dos puntos a esta distancia son prcticamente independientes. El grfico de (h) ser:
Figura 4.16: Efecto de pepita puro: El variograma no depende de la distancia h.

Se dice que (h) presenta un efecto de pepita puro:
(0) = 0, (h) = C
si h 0.
4.4. COMPORTAMIENTO DEL VARIOGRAMA PARA GRANDES DISTANCIAS

Estudiaremos ahora el comportamiento de la funcin (h) para | h | grande, para lo cual analizaremos tres casos hipotticos:
Caso 1: Leyes con crecimiento (decrecimiento) progresivo:
Figura 4.17: Leyes con tendencia o deriva.

_________
50
Se dice que existe una deriva o tendencia. Al hacer el clculo se observar que (h) siempre crece:
Figura 4.18: Variograma con crecimiento sistemtico.
Caso 2: Leyes con pseudo-periodicidades:

El fenmeno tiende a repetirse de manera estacionaria (es decir, vara de manera homognea y sin
deriva):
Figura 4.19: Fenmeno estacionario con periodicidades.

Si se calcula la funcin (h), se observar la presencia de mximos y mnimos:
Figura 4.20: Variograma con efecto de hoyo.

__________
51
Se dice que el variograma presenta efecto de hoyo o de agujero. En la figura, d = 9 unidades proporciona una medida del pseudo-perodo ; es una medida de la intensidad del efecto (si el fenmeno es
perfectamente peridico, entonces = 0).
Caso 3: Fenmeno estacionario sin pseudo-periodicidades (o fenmeno de transicin):
El fenmeno es homogneo en su variacin espacial, con cambios bruscos.
Figura 4.21: Fenmeno estacionario sin periodicidades.

Este caso debera corresponder al anterior, en el cual la magnitud crece. Si se calcula la funcin (h),
se tiene:
Figura 4.22: Variograma de un fenmeno estacionario sin periodicidades, con alcance y meseta.
Se observa que a partir de una cierta distancia, del orden a = 6 unidades, la funcin (h) permanece
aproximadamente constante:
(6) = (7) = (8) = . . .
= constante = C
Esto quiere decir que da lo mismo que la distancia que separa los puntos sea 6, 7, 8 o ms unidades;
en otras palabras, dos puntos cuya distancia sea superior a a = 6 unidades son prcticamente independientes en ley.
La magnitud a se llama alcance y la constante C se llama meseta.
_________
52
Figura 4.23: Variograma con alcance a y meseta C.

El alcance proporciona una medida de la zona de influencia de una muestra porque dos muestras cuya
distancia es mayor que el alcance son prcticamente independientes:
Figura 4.24: Zona de influencia de una muestra localizada en el punto x0.

4.10. CLCULO DEL VARIOGRAMA A MALLA REGULAR
VARIOGRAMA A 1 DIMENSION (R1)
Aplicaremos el algoritmo del variograma experimental, para diferentes ejemplos, donde explicaremos el procedimiento de clculo numrico, formando los pares a partir de la malla mnima.
Ejemplo N 1:
En la figura 4.25, se muestran los datos de leyes muestreados a lo largo de una galera, empleando una malla regular de 2 metros.
Por ejemplo para el caso de clculo del variograma en una direccin se tiene en el siguiente
ejemplo, Fig. 1, leyes distanciadas cada dos metros. En la Fig. 2 se describe el clculo de cada
punto del variograma para distancias h=2m, h=4m, h=6m, etc.
Fig. 4.25: Datos de leyes muestreados en una galera, cada 2 metros.

Aplicamos el algoritmo del variograma experimental.
* ( h)
1 N (h)
Z ( xi h) Z ( xi )2
2 N (h) i 1
__________
53
Cada punto del variograma, se ira calculando, formando pares para distancias de h = 2 metros,
h= 4 metros, h=6 metros y as sucesivamente tomando mltiplos de la malla empleada (2 m.).
En la figura 4.25, se muestran los pares formados para h=2 metros y h=4 metros, de la misma
forma se formarn los pares para los dems valores de h. Para elegir el valor mximo de h, la
prctica ha demostrado que los pares muestran una correlacin aceptable hasta la mitad de la
dimensin del campo, es decir en este ejemplo el h mximo seria 8 metros, sin embargo estamos calculando hasta h=10 m.
Fig. 4.26: Clculo del variograma experimental

Puntos del Variograma experimental
h (m.) N(h) *(h)
2
0.038
0.087
0.039
0.003
10
0.039
Fig. 4.27: Puntos del variograma experimental.

_________
54
El variograma experimental muestra posibles cambios estructurales en la galera en los puntos de

quiebre, sin embargo el ejemplo muestra pocos datos y este comportamiento puede ser tambin a
la falta de datos, ntese que el numero de pares con los cuales se ha calculado los puntos, van decreciendo a partir de los 8 pares.
Ejemplo N 2: La siguiente data corresponde a un yacimiento de oro, las muestras siguen una malla regular de 6 metros. Calcular el variograma experimental.
N de Datos
g/t Au
N de Datos
g/t Au
0,357
14
0,429
0,253
15
0,428
0,53
16
0,357
0,456
17
0,582
0,661
18
0,533
0,638
19
0,277
0,617
20
0,397
0,387
21
0,423
0,391
22
0,22
10
0,315
23
0,237
11
0,466
24
0,338
12
0,517
25
0,277
13
0,339
CALCULO DEL VARIOGRAMA EXPERIMENTAL

Calculo de las distancias para el vector h, h(min)= 6 metros, se toma el valor de la malla entre las
muestras.
CLCULOS
H(min)
6 m.
H(max)
72 m.
C Clculo del primer punto del variograma para h=6 m. *(6).
Fig. 4.28: Pares formados a una distancia de h=6 m.

__________
55
Aplicamos la siguiente formula del variograma experimental, obteniendo los siguientes resultados:
* ( h)
1 N (h)
Z ( xi h) Z ( xi )2
2 N (h) i 1
N pares
Z(x)
Z(x+h)
[Z(x+h)-Z(x)]^2
0,357
0,253
0,010816
0,253
0,53
0,076729
0,53
0,456
0,005476
0,456
0,661
0,042025
0,661
0,638
0,000529
0,638
0,617
0,000441
0,617
0,387
0,0529
0,387
0,391
0,000016
0,391
0,315
0,005776
10
0,315
0,466
0,022801
11
0,466
0,517
0,002601
12
0,517
0,339
0,031684
13
0,339
0,429
0,0081
14
0,429
0,428
0,000001
15
0,428
0,357
0,005041
16
0,357
0,582
0,050625
17
0,582
0,533
0,002401
18
0,533
0,277
0,065536
19
0,277
0,397
0,0144
20
0,397
0,423
0,000676
21
0,423
0,22
0,041209
22
0,22
0,237
0,000289
23
0,237
0,338
0,010201
24
0,338
0,277
0,003721
SUMATORIA
_________
0,453994
56
Clculo del segundo punto del variograma para h=12 m. *(12).
N pares
1
Z(x)
Z(x+h)
0,357
0,53
[Z(x+h)Z(x)]^2
0,029929
0,253
0,456
0,041209
0,53
0,661
0,017161
0,456
0,638
0,033124
0,661
0,617
0,001936
0,638
0,387
0,063001
0,617
0,391
0,051076
0,387
0,315
0,005184
0,391
0,466
0,005625
10
0,315
0,517
0,040804
11
0,466
0,339
0,016129
12
0,517
0,429
0,007744
13
0,339
0,428
0,007921
14
0,429
0,357
0,005184
15
0,428
0,582
0,023716
16
0,357
0,533
0,030976
17
0,582
0,277
0,093025
18
0,533
0,397
0,018496
19
0,277
0,423
0,021316
20
0,397
0,22
0,031329
21
0,423
0,237
0,034596
22
0,22
0,338
0,013924
23
0,237
0,277
0,0016
SUMATORIA
0,595005
__________
57
Los dems puntos del variograma se calculan con la misma metodologa, formando los pares para
cada distancia de h.
Clculo del penltimo punto del variograma para h=66 m. *(66).
N pares
1
Z(x)
Z(x+h)
0,357
0,517
[Z(x+h)Z(x)]^2
0,026
0,253
0,339
0,007
0,53
0,429
0,01
0,456
0,428
8.00E-04
0,661
0,357
0,092
0,638
0,582
0,003
0,617
0,533
0,007
0,387
0,277
0,012
0,391
0,397
4.00E-05
10
0,315
0,423
0,012
11
0,466
0,22
0,061
12
0,517
0,237
0,078
13
0,339
0,338
1.00E-06
14
0,429
0,277
0,023
SUMATORIA
_________
0,332
58
Clculo del ltimo punto del variograma para h=72 m. *(72).
N pares
1
Z(x)
Z(x+h)
0,357
0,339
[Z(x+h)Z(x)]^2
0,000324
0,253
0,429
0,030976
0,53
0,428
0,010404
0,456
0,357
0,009801
0,661
0,582
0,006241
0,638
0,533
0,011025
0,617
0,277
0,1156
0,387
0,397
0,0001
0,391
0,423
0,001024
10
0,315
0,22
0,009025
11
0,466
0,237
0,052441
12
0,517
0,338
0,032041
13
0,339
0,277
0,003844
SUMATORIA
0,282846
__________
59
Resumen de puntos calculados del variograma

[Z(x+h)-
Npares
24
0,454
0,009
12
23
0,595
0,013
18
22
0,6
0,014
24
21
0,757
0,018
30
40
0,731
0,009
36
39
0,454
0,006
42
18
0,534
0,015
48
17
0,512
0,015
54
16
0,365
0,011
60
15
0,426
0,014
66
14
0,332
0,012
72
13
0,283
0,011
Z(x)]^2
Y*(h)
Fig. 4.32: Variograma experimental para la data del yacimiento de oro.
VARIOGRAMA EN 2 DIMENSIONES (R2)

Para una data en dos dimensiones, tenemos cuatro direcciones de clculo para el variograma
experimental, tal como podemos apreciar en la siguiente figura:
_________
60
Fig. 4.33: Direcciones de clculo para el variograma.

Ejemplo N 1: Con los datos de las leyes de cobre de una mina a cielo abierto, que se presentan
en la figura 4.34, calcular el variograma experimental.
Fig. 4.34: Leyes de cobre en un banco de una mina a cielo abierto, espaciados a una malla de 10
metros.
Para el clculo del variograma experimental *(h), en este caso h es un vector (con coordenadas
cartesianas o polares):
Figura 4.35: componentes del vector h.

En este dibujo no es el azimuth sino el ngulo de coordenadas polares.
__________
61
Clculo del variograma en la direccin =90o del vector h.

Es decir, la direccin NS. El vector h slo puede ser:
Figura 4.36: Vectores orientados segn direccin NS, con distancias mltiplos de 10 m.
Calculemos (h1) = NS(10). Al aplicar el algoritmo hay que considerar las (diferencias)2 posibles:
(zi - zj)2 cuando ambos datos zi y zj estn definidos. La siguiente figura muestra las diferencias que
hay que calcular:
Figura 4.37: Parejas posibles para calcular *(10 m.), en la direccin NS (hay 36 vectores).
Luego:
De manera anloga se obtiene:

(h2) = 0.0987
(con 27 pares)
(h3) = 0.1888
(con 21 pares)
_________
62
Clculo del variograma en la direccin =0o del vector h.

Es decir la direccin EW. El vector h slo puede ser:
Figura 4.38: Vectores orientados segn direccin EW.

Las diferencias que hay que calcular son:
Figura 4.39: Parejas posibles para calcular (10 m) en la direccin EW (hay 36 vectores).
Se obtiene entonces:
(h1)= 0.0146
(h2)= 0.0330
(h3)= 0.041
(con 36 pares)
(con 33 pares)
(con 27 pares)
La practica demuestra que para estudiar las estructuras, basta con calcular (h), en dos direcciones
adicionales: = 45o y = 135o, tal como se muestran en las siguientes figuras. El desarrollo numrico se deja par que el alumno proceda a resolverlo y graficar los respectivos variogramas.
Figura 4.40: Clculo de gama de h en la direccin de 45. La distancia entre parejas es ahora
14.41 metros.
__________
63
Figura 4.41: Clculo de gama de h en la direccin de 135. La distancia entre parejas contiguas (el
paso) es 14.41 metros.
En estas direcciones hay que tener presente que el mdulo de h es un mltiplo de 102.
Resumen de puntos calculados
Direccin N-S (=90o) Direccin E-W (=0o)
h(m.)
Nh)
*(h)
h(m.)
Nh)
*(h)
10
36
0.0535
10
36
0.0146
20
27
0.0987
20
33
0.0330
30
21
0.1888
30
27
0.041
Variograma Experimental en las dos direcciones calculadas
Figura 4.42: Variograma anistropo. La variacin de las leyes es ms regular en la direccin EW

que en la NS.
Se observa una clara anisotropa que nos indica que el fenmeno es ms regular en la direccin EW que en la N-S. (Esto se puede comprobar al mirar como varan las leyes en esas direcciones:
ver la figura 4.34)
_________
64
Ejemplo N 2: Los datos que se proporcionan a continuacin provienen de un banco en una mina
de fierro:
Figura 4. 43: Datos de leyes de fierro.

Al aplicar el algoritmo general se obtienen los grficos siguientes, correspondientes a los variogramas experimentales:
Figura 4.44: Variograma N-S
Figura 4.45: Variograma E-W

__________
65
Figura 4.46: Variograma direccin 45 (paso = 14.41 metros)
Figura 4.47: Variograma direccin 135 (paso = 14.41 metros)
Observamos que (h) es casi el mismo segn las direcciones: podemos concluir que el fenmeno
es istropo.
En este caso se justifica calcular el variograma promedio, llamado variograma omnidireccional, el
cual se puede obtener, en este caso, mediante un promedio ponderado de los valores del variograma (ponderacin por el nmero de parejas N'): Su clculo se justifica en el caso istropo.
_________
66
Grfico del Variograma Omnidireccional:
Figura 4.48: Variograma Omnidireccional.

4.11. CLCULO DEL VARIOGRAMA PARA MALLAS IRREGULARES
Clculo a malla irregular en una dimensin R1:
Los datos que generalmente se representan en R1, son los muestreos correspondientes a sondajes, galeras, chimeneas y otros, siendo los ms comunes en la direccin horizontal o vertical.
Cuando estamos frente a un muestreo irregular de los datos, se toman los siguientes criterios para
la conformacin de los intervalos o clases de la variable distancia del vector h.
Para cada lag h se define una tolerancia h y se utilizan nicamente los puntos que se encuentran
a una distancia mayor o igual a (h - h) y menor que (h + h). Tal como se muestra en la figura
4.49:
Figura 4.49: Formacin de los intervalos de distancia.

El valor de h se escoge como el 50% del valor del lag h. De esta forma los intervalos o clases
de distancias no se superponen y no hay valores de la variable fuera de una clase de distancia,
como puede observarse en la figura 4.50.
__________
67
Figura 4.50: Intervalos o clases de distancia, con h = 50%.

De esta manera se procede a calcular todas las distancias entre muestras y a seleccionar todas
aquellas que caen en dichos intervalos, cuantificando el nmero de pares y aplicando el algoritmo
de clculo del variograma experimental.
Ejemplo N 1: Se tiene un yacimiento de plata con las siguientes leyes y distancias de muestreo, a
lo largo de una galera. Calcular el variograma experimental.
Figura 4.51: Muestreo irregular a lo largo de una galera.

Tabla de Datos
N
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Distancias
(Eje X m.)
0
3
5
5
4
6
2
2
4
3
2
6
2
5
6
Valores de h
h total
h min
h mx.
_________
55 m.
2 m.
6 m.
Ley Ag
5.8
3.4
5.1
6.8
9.9
7.6
6.4
6.8
6.7
7.5
8.9
7.4
6.3
6.2
8.8
68
Determinacin de los intervalos para cada valor de h, considerando un h = 50%.

h
Intervalo
[i
j]
4
8
12
16
20
24
28
32
36
2
4
6
8
10
12
14
16
18
6
12
18
24
30
36
42
48
54
__________
69
Resumen de datos para el clculo el variograma experimental, en el intervalo 2,6.
N(h) =
17
*=(Z(x+h)-Z(x))2 =
*[2,6] =
46.45
1.366
h(Promedio)=
4.118
De igual modo procedemos para el clculo del variograma experimental, en el intervalo 4,12.
N(h) =
30
*=(Z(x+h)-Z(x))2 =
118.2
*[2,6] =
1.97
h(Promedio)=
7.767
Con el mismo procedimiento se contina calculando los variogramas experimentales par los intervalos
6,18, hasta el 18,54. Los resultados se presentan en el siguiente cuadro.
_________
70
Resumen de resultados del variograma experimental

*(h)
h(promedio)
4
8
12
16
20
24
28
32
Intervalo
[i
j]
2
6
4
12
6
18
8
24
10
30
12
36
14
42
16
48
1.366
1.97
2.444
2.357
2.362
2.642
2.824
2.623
4.118
7.767
11.7
15.37
18.75
22.55
25.41
27.71
36
18
2.811
29.62
54
Figura 4.52: Variograma con malla irregular a lo largo de una galera.

Calculo a malla irregular en dos dimensiones R2:
En estos casos tenemos dos variables principales a definir, la tolerancia en distancia y el incremento
angular del vector h, para definir el intervalo o sector a ser utilizado.
Para cada direccin del vector h, se define una tolerancia angular y una tolerancia en distancia
h. la eleccin de y h, depende de la distribucin espacial de los datos y de la prctica, en algunos casos la practica recomienda utilizar = 22.5o y h = 0.5(h), donde el valor de h, empieza tomando la distancia mnima, llamada paso, para el clculo de *(h).
Figura 4.53: mtodo de los sectores para el clculo de *(h).

__________
71
Las muestras que caen en el sector, estarn aproximadamente a la distancia h de la muestra de origen
del vector, formando los pares correspondientes.
Conforme crece el vector h, el ngulo se abre, el sector se hace grande y la aproximacin tiende a ser
grosera. Algunos software computacionales definen otro tipo de zona para evitar este problema (mtodo del lpiz), considerando una distancia d, llamada ancho de banda.
Figura 4.54. Aproximacin para h grande.
En estos casos, se definen los parmetros , h y d. para formar los sectores en funcin a las distancias que va tomando el vector h.
Figura 4.55. Formacin de sectores de acuerdo a la distancia de h.

_________
72
Aplicado al clculo del variograma experimental para una data de un yacimiento, los sectores que se
van formando para cada valor del vector h, se desplazan a lo largo de la direccin elegida para el
clculo de *(h).
Figura 4.56. Desplazamiento de los sectores diseados, para cada distancia de h y en la direccin de
clculo de *(h).
El mtodo de los sectores, se puede generalizar al espacio de tres dimensiones.
Figura 4.57. Aproximacin en el espacio de tres dimensiones: especie de cono.
Figura 4.58. Compsitos en el espacio de tres dimensiones, con leyes de cobre en una mina a tajo
abierto.
__________
73
Ejemplo1: En el siguiente mapa se muestran las leyes de alcalinos en un banco de una mina de hierro.
Calcular el variograma experimental.
Figura 4.59. Mapa de datos con leyes de alcalinos de un banco de una mina de hierro.
Utilizamos el programa Variowin para el clculo del variograma experimental, en diferentes direcciones.
Parmetros de clculo:
Direccin de calculo oo (E-W)
Distancia mnima para el vector h= 10 m.
Tolerancia en distancia 5 m.
Tolerancia angular = 22.5o
Algoritmo de clculo:
_________
74
Figura 4.60. Variograma experimental en la direccin E-W.
Parmetros de clculo en la direccin de 90o

Figura 4.61. Variograma experimental en la direccin N-S.
__________

Figura 4.62. Variograma experimental en la direccin N-E.

_________
75
76
Figura 4.63. Variograma experimental en la direccin N-W.
Los variogramas experimentales de las leyes de alcalinos del yacimiento de hierro, tienen una caracterizacin isotrpica, por lo que podemos calcular el variograma omnidireccional.
Variograma Omnidireccional en la direccin E-W.
Tolerancia angular = 90o
Figura 4.64. Variograma Omnidireccional en la direccin E-W.

__________
77
La nube variogrfica
Dada una cierta direccin, la nube variogrfica consiste en graficar, para una direccin dada, el valor de
todas las diferencias:
en funcin de la distancia entre los puntos xi y xj .
En la figura 4.65 se ha representado la nube variogrfica correspondiente a leyes de alcalinos en una

mina de hierro, en la direccin de azimuth 45, con tolerancia angular de 22.5.
Esta herramienta permite detectar la influencia de algunos datos anmalos en el clculo del variograma. Estos datos podran ser filtrados en la variografa.
Figura 4.65: Nube variogrfica. El dato anmalo 1.51 es el responsable de las diferencias que estn en
la elipse de la derecha.
4.12.
MAPA DE VARIOGRAMA
Es una herramienta que permite determinar las direcciones de anisotropa de la variable en estudio,
para lo cual se define la malla (2n +1)*(2n +1), el valor del lag h y asignar a cada bloque el valor de
*(h).
_________
78
Figura 4.66: Diseo de la malla para el mapa.
Figura 4.67: Mapa de variograma mostrando el caso de anisotropa.

4.13.
ANISOTROPAS
Generalmente cuando el variograma experimental es calculado en distintas direcciones presenta

distintos comportamientos con la variacin de la distancia.
Anisotropa Geomtrica.
Anisotropa Zonal.
Anisotropa Hbrida.
__________
79
Anisotropa Geomtrica
Es aquella en la que el variograma en distintas direcciones presenta el mismo sill pero rangos
distintos
Mayor continuidad espacial en la direccin de mayor rango.
Menor continuidad espacial en la direccin de menor rango
Figura 4.68: Variogramas, mostrando la anisotropa geomtrica.
Anisotropa Zonal
Es aquella en la que el variograma en distintas direcciones presenta el mismo rango
pero diferente sill .
Presencia de diferentes estructuras
Figura 4.69: Variogramas, mostrando la anisotropa zonal.
_________
80
Anisotropa Hibrida
Es aquella en la que el variograma en distintas direcciones presenta rangos diferentes y distintos sill.
Presencia de diferentes estructuras

Caracterstico de variogramas horizontales y verticales
Figura 4.69: Variogramas, mostrando la anisotropa hibrida.
4.14.
PROBLEMAS MS COMUNES ENCONTRADOS EN EL CLCULO DEL VARIOGRAMA

De lo expresado hasta aqu, adems de lo planteado en muchos textos de geoestadstica, se
puede obtener la impresin de que es fcil el clculo del variograma experimental. La fuente de
problemas que se pueden presentar en la realizacin del un anlisis estructural es muy variada,
lo que est en correspondencia con la variedad de casos que se resentan en la naturaleza. Algunos de los problemas ms comunes discutidos son:
El valor idneo del incremento h: Una inadecuada seleccin de h puede proporcionar un variograma errtico, aunque no se puede dar un criterio exacto o aproximado sobre cual el mejor valor
de h, es recomendable recalcular *(h) para distintos valores de h, hasta encontrar una forma
suavizada del mismo.
Distribuciones con valores extremos: La existencia de valores extremos, altos o bajos, en una
distribucin, puede conducir a la obtencin de un variograma fuertemente errtico. En este caso
la solucin puede ser simple, eliminar los datos extremos, porque pueden ser ocasionados por
errores, en otros casos pueden encontrarse en zonas geogrficamente distintas y pueden ser tratados de manera separada.
Una herramienta til para la deteccin de valores extremos y encontrar el incremento adecuado
puede ser, calculado la "Nube de Variogramas", el cual consiste en representar los valores de
[Z(xi+h)-Z(xi)]2/2 contra h, para cada par posible de la informacin inicial.
La existencia de poblaciones mixtas: Existen datos que pueden mostrar diferentes poblaciones, los cuales pueden estar estadsticamente diferenciados. En muchos casos las poblaciones
__________
81
estn geogrficamente diferenciadas, donde se recomienda tratar las zonas por separado. En
otros casos las poblaciones se presenten mezcladas geogrficamente, en este caso una solucin
puede ser un cambio de escala, con lo que se logra reducir la diferencia de los valores extremos.
Se presentan otras razones por los que los variogramas son errticos, las cuales son:
1.- No hay suficientes muestras.
2.- Las muestras no son representativas del fenmeno.
3.- Las clasificaciones de las muestras no son vlidas.
4.- El rea estudiada es no homognea.
5.- Pequeos o largos conjuntos de datos son necesarios.
6.- Pequeas o largas distancia deben ser calculadas.
7.- Ms o menos distancias deben ser calculadas.
8.- Pequeas tolerancias son necesarias.
9.- Las muestras pueden tener localizaciones incorrectas.
10.- Los valores muestreados pueden ser errneos.
El problema fundamental en la obtencin de un variograma correcto es, la eleccin adecuada de
los intervalos de distancias para los cuales ser calculado el variograma, de modo que en stos
la cantidad de pares encontrados sea suficiente desde el punto de vista estadstico.
_________
CAPTULO 5
MODELAMIENTO DE VARIOGRAMAS
5.1. MODELADO DE VARIOGRAMAS
El modelado de variogramas incluye dos etapas fundamentales, una vez construido el variograma experimental o emprico es necesario ajustar a este un modelo terico, con el objetivo de determinar los parmetros descriptivos del variograma que posteriormente sern usados en la estimacin.
5.2. PARMETROS DEL VARIOGRAMA
Los parmetros del variograma caracterizan tres elementos importantes en la variabilidad de un
atributo que son: la discontinuidad en el origen (existencia de efecto de pepita), el valor mximo
de variabilidad (meseta), y el rea de influencia de la correlacin (alcance), (figura 5.1). Como se
presentan y se describen a continuacin.
Figura 5.1: Parmetros del variograma.

El Efecto Pepita (Nugget): El variograma por definicin es nulo en el origen, pero en la prctica
las funciones obtenidas pueden presentar discontinuidad en el origen, a esta discontinuidad se le
llama efecto de pepita, en ingles (Nugget effect). Puede ser obtenido trazando una lnea recta
entre los primeros puntos del variograma emprico y extender sta hasta que se intercepte con el
eje Y. Si esta interseccin ocurre por debajo de cero, el valor asumido por este efecto es cero,
pues valores negativos de g (0) no tienen significado y no es comn. El efecto pepita se representa como Co.
La Meseta (Sill): Es el valor de (h) para el cual con el aumento de h su valor permanece constante, se representa como (CT = C + Co) y se denomina meseta. Puede obtenerse trazando una
lnea paralela a la abscisa y que se ajuste a los puntos de mayor valor del variograma y su valor
se lee en la interseccin de esta lnea con la ordenada.
El Alcance (Range): La distancia h para la cual las variables Z(x) y Z(x+h) son independientes,
se denomina alcance y se representa por (a), es decir, las distancias para la cual los valores de
la variable dejan de estar correlacionados, o lo que es lo mismo, la distancia para la cual el variograma alcanza su meseta.
- 82 -
83
El alcance siempre tiene valor positivo y puede ser obtenido a partir de la interseccin de las lneas descritas en los puntos anteriores, ese punto ledo en la abscisa es una fraccin del propio
alcance, fraccin que se detallara posteriormente en la explicacin de los modelos tericos.
5.3. MODELOS TERICOS DE VARIOGRAMAS
Los modelos tericos de variogramas admisible o autorizados ms utilizados en la prctica se
presentan, atendiendo a las dos caractersticas ms importantes en el modelado de variogramas
que son:
1.- Su comportamiento en el origen, el cual puede ser linear, parablico y con Efecto de Pepita y
2.- La presencia o ausencia de meseta. Estos modelos son:
Efecto Pepita Puro:
Corresponde a un fenmeno puramente aleatorio (ruido blanco), sin correlacin entre las muestras, cualquiera sea la distancia que las separe, (figura 5.2), donde S representa el valor de la
meseta.
h
s
si h 0
si h 0
Figura 5.2: Modelo Efecto Pepita Puro.

Modelo Esfrico:
Este modelo es probablemente el ms utilizado, es una expresin polinomial simple, en su forma
representada en la figura 5.3, se puede observar un crecimiento casi lineal y despus a cierta distancia finita del origen se alcanza una estabilizacin, la meseta. La tangente en el origen encuentra a la meseta en el punto de abscisa (2/3)a, donde a representa el valor del alcance.
_________
84
Figura 5.3: Modelo Esfrico.

Modelo Cuadrtico:
Figura 5.4: Modelo Cuadrtico.

Modelo Exponencial:
Este modelo a diferencia del esfrico crece inicialmente ms rpido y despus se estabiliza de
forma asinttica (figura 5.5). Como la meseta no se alcanza a una distancia finita, se usa con fines prcticos el "alcance efectivo" o "alcance prctico" a, valor que se obtiene en el punto de
abscisa para el cual el modelo obtiene el 95% de la meseta, con un valor a=3a, donde a es el
parmetro de escala. La tangente en el origen encuentra a la meseta en el punto a=(1/3)a.
|h| > 0
__________
85
Figura 5.5: Modelo Exponencial.
Modelo Gaussiano:
Este es un modelo extremadamente continuo (figura 5.6), inicialmente presenta un comportamiento parablico en el origen, despus al igual que en el modelo Exponencial se alcanza la meseta de forma asinttica. El alcance prctico tiene un valor de a=1.73a, que es el valor de la abscisa donde se alcanza el 95% de la meseta.
|h| > 0
Figura 5.6: Modelo Gaussiano.
Modelo con Funcin Potencia:

Este es un modelo sin meseta, su forma se representa en la figura 5.7, para valores de a correspondientes a 0.5, 1.0 y 1.5.
(h)
_________
= |h| con ]0, 2[
86
Figura 5.7: Modelo con Funcin Potencia.
Para el valor de =1 en el modelo anterior se obtiene el modelo Lineal, al cual no tiene ni meseta
ni alcance. Ahora por efectos prcticos, sin embargo, muchos programas informticos denotan la
pendiente del modelo lineal con la relacin S/a (figura 5.8).
(h) = (S/a) |h|
Figura 5.8: Modelo Lineal.

Modelo Cbico:
Con rango o alcance a, meseta igual a S, comportamiento cuadrtico en el origen y representa
fenmenos bastante continuos.
__________
87
Figura 5.9: Modelo Cbico.

Modelo Seno Cardinal:
La meseta alcanza asintticamente, rango aparente igual a a, rango experimental igual a 3a,
comportamiento cuadrtico en el origen. Se utiliza para representar fenmenos continuos con
periodicidades.
Figura 5.10: Modelo Seno Cardinal.
Se han presentado los modelos ms usados en la prctica, aunque se debe sealar, existen
otros modelos que son ampliamente descritos en el manual de referencias del sistema geoestadstico Isatis.
Estos modelos pueden ser ajustados individualmente, aunque es posible encontrar en la prctica
aplicaciones donde a los variogramas experimentales se les debe ajustar ms de un modelo terico, es decir, a travs de superposicin, nombrndose estructuras imbricadas.
_________
88
La seleccin del modelo y los parmetros apropiados a las caractersticas del variograma emprico, para ser usados en la interpolacin geoestadstica que veremos posteriormente es el punto
ms importante en el proceso planteando, adems, esta seleccin es fundamental en el caso
particular de la minera donde se presentan yacimientos: con irregularidad en la densidad de barrenos; sin una adecuada perforacin; con alta asimetra en la distribucin o que carecen de un
modelado geolgico propio. Al respecto se refieren muchos autores sobre el efecto negativo que
puede tener en la estimacin el uso del krigeaje sin un estudio de estructura espacial y la seleccin adecuada del modelo de variograma y sus parmetros.
5.4. MODELAMIENTO DEL VARIOGRAMA EXPERIMENTAL

El objetivo de ajustar un modelo terico es disponer de una ecuacin, la cual se utilizar en los
clculos posteriores. En general, los paquetes computacionales trabajan exclusivamente con el
modelo terico.
Distinguiremos dos variogramas.
El variograma experimental, calculado a partir de los datos.
El variograma terico, que corresponde a una ecuacin que se ajusta al variograma experimental:
Figura 5.11: Variograma Experimental y Terico.

Es evidente que el variograma terico debe respetar al variograma experimental, sobre todo en
los primeros puntos, que son ms confiables.
El ajuste de variogramas constituye un punto crucial en un estudio geoestadstico porque todos
los clculos posteriores se harn utilizando exclusivamente el modelo terico.
Para tener un buen ajuste, hay que considerar que uno de los objetivos finales es la estimacin
de leyes de bloques (modelo de bloques), dentro de una cierta vecindad restringida de manera
de no considerar demasiadas muestras para estimar la ley de cada bloque, cuyo modelo es fundamental para la planificacin minera.
__________
89
Figura 5.12: Modelo de bloques.

En el siguiente modelo tridimensional de bloques, existen tres unidades geolgicas (a bloque
completo).
Figura 5.13: Modelo tridimensional de bloques.

Si la vecindad de bsqueda es circular o esfrica, slo se utilizar la funcin (h) hasta una distancia mxima de IhI= 2R; luego conviene ajustar (h) hasta IhI = 2R. Para estimar el bloque de
la siguiente figura, solo se utilizan los compsitos que estn dentro del crculo de radio R.
Figura 5.14: Vecindad de estimacin.

En el caso de la figura siguiente, si se usa una vecindad restringida, ambos modelos darn los
mismos resultados; pero el modelo 2 es ms simple y ms fcil de ajustar:
_________
90
Figura 5.15: Modelos de variograma.

Ajuste automtico
El ajuste de modelos de variogramas se puede realizar tambin de forma automtica. Esta ha sido presentada por varios autores, en la que se sugieren una forma particular de aplicar el mtodo
de los mnimos cuadrados y as obtener el modelo y sus parmetros, teniendo en cuenta que el
modelo obtenido sea definido positivo, como ya se ha indicado. Existen varios mtodos para estimar los parmetros del variograma entre visuales y automticos.
Ahora, el ajuste realizado de forma automtica no tiene porque reportar mejores resultados en el
proceso de estimacin, recomendndose validar el modelo seleccionado de acuerdo al estimador
a utilizar. Un criterio decisivo, independiente de la forma utilizada en la eleccin del modelo terico y sus parmetros, es si lugar a dudas, emplear el mtodo de la validacin cruzada con el estimador a utilizar en el proceso de estimacin.
5.5. CASOS DE ESTUDIO
Ejemplo N 1: Data de 75 000 taladros de voladura.
Figura 5.16: Variograma experimental ajustado al Modelo Esfrico.
__________
91
Ejemplo N 2: Data de sondajes de una mina de cobre explotado por el mtodo de block caving,
donde se ha calculado el variograma experimental en la direccin N-S.
Figura 5.17: Variograma experimental ajustado al Modelo Exponencial.
Ejemplo N 3: Retomando el caso del ejemplo N 1 del captulo anterior, cuyo variograma experimental omnidireccional, calculado en la direccin E-W, se presenta en la figura N 4.64. Se pide
modelar este variograma.
Luego de haber utilizado el mtodo de prueba error prueba y el programa Variowin. Donde se
han efectuado varias corridas con diferentes modelos y parmetros, elegimos el modelo exponencial, por representar el mejor ajuste al variograma experimental.
Figura 5.18: Variograma Omnidireccional ajustado al Modelo Exponencial.
Parmetros
_________
78.096
c1
80
Co
0.001047
92
AJUSTE EN EL ESPACIO DE DOS Y TRES DIMENSIONES

En la practica se dispone de un conjunto d variogramas 1(h), 2(h),., k(h) correspondientes a
las direcciones 1, 2,.., k.
Figura 5.19: Direcciones de clculo de los Variogramas.

Anlisis de anisotropa
Conviene aqu realizar un anlisis sobre el comportamiento de la variabilidad del atributo en estudio. Se conoce que el variograma describe las caractersticas de continuidad espacial de la variable regionalizada en una direccin, pero este comportamiento puede variar segn la direccin
que se analice. Se exige por este motivo un anlisis del comportamiento de la continuidad en distintas direcciones, el Anlisis de Anisotropa.
Cuando el variograma calculado en diferentes direcciones (norte-sur, este-oeste, y en direcciones
intermedias de 45 o de 22.5, con tolerancia de 22.5o), muestra similar comportamiento, se dice
que el fenmeno es Isotrpico, cuando muestran diferentes comportamientos es Anisotrpico.
Los tipos de anisotropas ms comunes son la Geomtrica y la Zonal.
Caso Isotrpico
Es el cao ms simple y se cumple que:
Se utiliza entonces como modelo general el variograma ajustado al variograma omnidireccional:
En esta notacin:
__________
93
En el caso estudiado de la figura 4.64, el modelo isotrpico ajustado es:
Con otra notacin, puede ser:
Caso Anisotrpico
En este caso los variogramas direccionales, son en general diferentes:
En la prctica se distinguen dos tipos de comportamiento anisotrpicos del variograma.

Anisotropa Geomtrica:
Se produce cuando los diversos variogramas pueden reducirse a un variograma istropo mediante una transformacin lineal de las coordenadas. El caso ms comn en la prctica es cuando los
variogramas presentan un mismo valor de meseta pero diferentes alcances:
Figura 5.20: Elipse de anisotropa geomtrica (Rosa de alcances)

En la figura se ha representado una anisotropa geomtrica (en el caso istropo lo anterior sera
un crculo).
Sea k = a1/a2 > 1 la razn entre el alcance mayor y menor. Las frmulas de transformacin de
coordenadas nos muestran que:
_________
94
es el ngulo formado entre el eje x y el eje x' de la elipse. 1 es el variograma de la direccin 1. k = a1/a2.
En el caso de un variograma lineal con diferentes pendientes:
(h) =( ) | h |
se procede de manera anloga, utilizando la elipse de pendientes o de inversos de pendientes.
En el caso del ejemplo de la figura 4.34 del capitulo anterior, se puede suponer en primera aproximacin, que el eje de la elipse coincide con los ejes de las coordenadas:
Aplicando la frmula anterior, con = 0,
Anisotropa Zonal:
En este caso la anisotropa no puede ser reducida por una transformacin lineal simple de las
coordenadas.
Figura 5.21: Anisotropa Zonal.
Se define entonces el modelo de anisotropa zonal como un modelo anidado (o imbricado), es

decir:
(h) = 1(h1) + 2 (h2 ) +...
__________
95
En que cada constituyente puede representar su propia anisotropa.

Por ejemplo, en un yacimiento sedimentario el variograma vertical puede ser muy diferente al variograma horizontal:
Figura 5.22: Ejemplo de Anisotropa Zonal.

Se puede utilizar en este caso un modelo del tipo:
En que:
Y hz corresponde a la direccin vertical.

Efecto proporcional
Cuando en el clculo del variograma se detecta que existe una relacin lineal entre el valor medio de las muestras usadas en el clculo de cada (h) y la desviacin estndar correspondiente, se dice que existe un efecto proporcional (heterosedasticidad). Este efecto
se puede detectar ploteando los valores de Xm contra s , es decir, que el coeficiente de
variacin (s /Xm) sea aproximadamente constante, ocurre cuando los datos presentan
una distribucin lognormal. (figura 5.23).
Figura 5.23: Efecto proporcional.
_________
96
La solucin a este problema consiste en dividir cada valor del variograma local por el cuadrado
de la media local, y obtener lo que se conoce como variograma relativo.
F(h) = (h)/Xm2(h)
Puede ser calculado usando los pasos anteriormente presentados para el clculo de los variogramas tradicionales.
Existen otras medidas de la continuidad espacial descritas en Journel y Huijbregts (1978) y Pannatier (1993), las cuales permiten un anlisis estructural detallado con diferentes objetivos.
5.6. PROBLEMAS EN EL MODELAJE DE VARIOGRAMAS
Los problemas ms comunes al modelar variogramas que complican este proceso. Se analizan
los siguientes casos.
1.- La anisotropa geomtrica est presente: Indica que los variogramas direccionales tienen la
misma meseta pero diferentes alcances, sta puede ser corregida a travs de una transformacin
linear de coordenadas que permita reducir una elipse a un crculo.
2.- La anisotropa zonal est presente: indica que tanto las mesetas como los alcances son diferentes para los variogramas direccionales, puede ser corregido separando el variograma en sus
componentes isotrpicos horizontal y anisotrpico vertical.
3.- La tendencia de los datos est presente: indica que los valores medidos aumentan o disminuyen dramticamente en la zona estudiada con el aumento de la distancia. Esto puede ser
resuelto aplicando polinomios a la ecuacin del variograma, es decir un anlisis de tendencia.
4.- El efecto proporcional est presente: Indica que la desviacin estndar local es proporcional al cuadrado de la media local y que los datos presentan una distribucin lognormal, puede ser
resuelto dividiendo cada valor del variograma local por el cuadrado de la media local, es decir
usando variogramas relativos.
5.- Existencia de estructuras anidadas: indica que diferentes procesos operan a diferentes escalas, como por ejemplo alguno o todos los siguientes: A muy pequeas distancias la variabilidad
puede estar presente debido a cambios de una composicin mineral a otra. A pequeas distancias la variabilidad puede estar presente debido a errores. A grandes distancia la variabilidad
puede estar presente debido a casos transitorios de desgaste mineral. El cual puede ser resuelto
aplicando varios modelos simultneamente.
6.- Existencia de efecto hueco: indica que muy pocos pares estn disponible para la comparacin a una distancia especfica. Y puede ser resuelto recuperando ms casos para la distancia
definida.
7.- La periodicidad est presente: indica que el comportamiento del variograma repite por s
mismo periodicidades, por ejemplo: El valor de la meseta puede aumentar o disminuir sistemticamente, o un caso en que los valores son tomados alternativamente a travs de diferentes estratos, como piedras areniscas, esquistos, etc. Esto puede ser resuelto si es un problema real y
__________
97
no un antifaz del anlisis, la periodicidad puede ser tambin un fenmeno real mostrado por zonal ricas y pobres repetidas a espacios similares.
5.7. VALIDACIN DEL MODELO TERICO
Como el ajuste de los modelos tericos al variograma experimental, se realiza de forma visual o
interactiva, variando los valores Co (efecto de pepita), C + Co (meseta) y a (alcance), hasta coincidir con los parmetros que mejor se ajustan, es conveniente validar el modelo seleccionado y
los parmetros meseta y alcance escogidos.
El mtodo de validacin cruzada ha sido ampliamente utilizado para evaluar el grado de bondad
de un modelo de variograma y reconocido como un mtodo ptimo de estimacin de sus parmetros. La operacin de validar un variograma terico ajustado a uno experimental siempre toma
mucho tiempo, ste se considera como el ltimo de los pasos importantes del anlisis de variabilidad, debido a que una vez obtenido este resultado ser utilizado en la estimacin por krigeaje
en cualquiera de sus variantes.
Validacin cruzada
Sea Z(x) una funcin aleatoria estacionaria con variograma (h), su funcin de covarianza C(h)
viene dada por C(h) = s 2 - (h) donde s 2 es la varianza de Z(x). Sea Zx1, Zx2,...,Zxn los valores
de Z(x) en n puntos medidos. La validacin cruzada consiste en suprimir el i-simo valor medido
Z(xi) y estimarlo a partir del resto de los datos. El valor estimado Z*(xi) se calcula por krigeaje,
procedimiento explicado ms adelante.
Si se repite este proceso para los N puntos, se pueden calcular n errores de validacin:
E(xi) = Z*(xi)- Z(xi) i = 1, 2, . . . , N.
As se van probando diferentes valores de los parmetros del variograma hasta que los errores
de validacin cumplen los siguientes criterios estadsticos:
1. El error medio, dado por T1 = (1/n) i=1,n [Z(xi) - Z*(xi)], debe ser aproximadamente igual a
cero.
2. El error medio cuadrado, dado por T2 = (1/n) i=1,n [Z(xi) - Z*(xi)]2, debe ser pequeo.
3. La medida, T3 = (1/n) i=1,n { [Z(xi) - Z*(xi)]/s } 2, debe ser igual a uno.
4. La medida, T4 = Corr{ [Z(xi) - Z*(xi)]/s , Z*(xi)} , debe ser cero.
5. La medida, T5 = Corr{ Z(xi), Z*(xi)} , debe ser uno.
Otros autores slo plantean que las medidas fundamentales son la indicada por T1 y T3.
_________
CAPTULO 6
VARIANZA DE ESTIMACIN
6.1. ENUNCIADO DEL PROBLEMA:
Sea un bloque o zona V y un conjunto de datos z(x1), z(x2), . . . , z(xN), en que:
xi
coordenada del dato z(xi)
z(xi)
ley en el punto xi
Figura 6.1: Volumen a estimar. Localizacin de las muestras.
N = N de datos
No se conoce la ley media de V: zV
En la prctica, se estima la ley media desconocida por una frmula lineal del tipo:
zV 1 z(x1 ) 2 z(x2 ) ... N z(xN )

En que los i verifican la condicin de insesgado:
1 2 ... N 1
Los pesos i dependen del mtodo de estimacin utilizado:
- 98 -
99
MEDIA ARITMTICA
N
Si
i POLGONOS
S
1
d ik
i N
1
k
i 1 d i
INVERSO DISTANCIA
Se supone, entonces, que los i son conocidos.

6.2. EL ERROR DE ESTIMACIN
Expresada como:
zV zV
en
que zV es la ley estimada (conocida) y zv es la ley real (desconocida).
Mencionemos que es equivalente definir el error como:
Zv - zV
Debido a que zv es desconocido, entonces
es desconocido.
Renunciamos entonces a co-
nocer el error en signo y magnitud. Sin embargo, se puede caracterizar probabilsticamente el error
, al utilizar el modelo matemtico.
Asumimos entonces que es una magnitud aleatoria, es decir una variable aleatoria. Esta magnitud es decir, una magnitud aleatoria tiene una cierta ley de probabilidad caracterizada por
una esperanza matemtica mE y una varianza E2 Respecto de la ley de probabilidad del error,
asumimos que:
La ley de probabilidad del error es la ley normal o de Gauss . En Geoestadstica esta aproximacin es razonable, pero se pueden utilizar otras aproximaciones tales como la desigualdad de
Chebichev
_________
100
Figura 6.2: Densidad de probabilidad de la ley normal o de Gauss.
Conviene recordar las siguientes reas de la ley de Gauss:
Figura 6.3: Ley normal. es la desviacin estndar.
Figura 6.4: Ley normal, regla de los dos sigma. Es el caso ms utilizado en la prctica.
__________
101
Figura 6.5: Ley normal, regla de los tres sigma.
En otras palabras, utilizando probabilidades:

P(m - m + )
0.68
P(m - 2 m + 2)
0.95
P(m - 3 m + 3)
0.997
6.3. ANLISIS DE PARMETROS

Estudio de mE:
En trminos tericos:
mE = E()
Este valor es nulo porque los errores se compensan (siempre que el mtodo de estimacin verifique la condicin de insesgado = 1).
Luego:
mE 0
2
Estudio de E
En trminos tericos
2E = E[( mE )2 ] = E [2 ]
2E = E [2 ]
La Geoestadstica demuestra que se puede calcular numricamente el valor de
_________
2E
102
Luego, el problema est resuelto. Segn las propiedades de la Ley de Gauss, podemos
afirmar que:
P(m - m + ) = 0.68
(i)
P(m - 2 m + 2) = 0.95
(ii)
P(m - 3 m + 3) = 0.997
(iii)
En la prctica se utiliza frecuentemente la ecuacin (ii); es decir, se admite un riesgo de equivocacin del 5%. En otras palabras:
-2 m + 2 con 95% de confianza

o bien, se puede afirmar, con 95% de confianza que la ley verdadera es igual a la ley estimada dos sigma (regla de las dos sigmas):
zV zV 2 E
(con 95% de confianza)
Si usted no cree en esta aproximacin gaussiana utilice la desigualdad de Chebychev, la cual

establece que, cualquiera que sea la variable aleatoria :
Existe una desigualdad an mejor, llamada desigualdad de Gauss, la cual establece, en nuestras
condiciones que (ver Cramer, 1955):
En resumen el problema radica en el clculo n umrico de 2 E o de la desviacin estndar.
6.4. CLCULO DE LA VARIANZA DE ESTIMACIN

2 :
Clculo de
E
Sabemos que:
2E = E [2 ]= E [(zV ZV)2]
Por otra parte:
__________
103
(La ley real desconocida se calcula, en el caso de ser posible, por el promedio de las leyes
de todos los puntos x dentro de V). La integral anterior puede ser simple, doble o triple. Luego
el error es la diferencia entre una sumatoria y una integral:
Al desarrollar
te:
2 y tomar luego la esperanza matemtica, se demuestra la frmula siguien-
Esta frmula fundamental para el clculo de la varianza, tambin puede escribirse en trminos
del variograma, de la siguiente manera:
2E = 2(v,V) - (V,V) - (v,v)
Por ejemplo, si se calculan con esta frmula las varianzas del error para los tres casos de la figura 6.6, se tendrn las desigualdades:
Figura 6.6: Varianza del error en tres casos.
En la expresin de 2E (en notacin condensada)
(p, q) significa el valor numrico de (h)
(modelo o ecuacin), siendo h el vector que une los puntos p y q:
Figura 6.7: Vector que une los puntos

p y q.
_________
104
Antes de explicar cmo se calculan los trminos en forma numrica, observamos que
depende de:
N
xi
V
(h)
2E
es decir, el nmero de datos.

es decir, las coordenadas de los datos.
es decir, la geometra y el tamao del bloque o zona V.
es decir, de la regularidad o irregularidad de las leyes.
es decir, del mtodo de estimacin.
Significado de los trminos en la expresin de 2E :

En la expresin anterior xi representa las coordenadas de los datos; x ( y) representa un punto variable dentro del bloque (o zona) V. En el clculo de la frmula fundamental se supone que
se conoce el modelo de variograma.
i) Trmino
(xi, xj):
Representa el valor de
(h) siendo h el vector que une los pun-
tos xi y xj:
Figura 6.8: Vector que une el dato en xi con el dato en xj
ii)
:
Trmino:
Representa el valor medio de la funcin (h) (h es el vector que une xi con x), siendo x un
punto variable dentro de V:
Figura 6.9: El punto xi es fijo, el otro punto es variable dentro de V.
__________
105
En la prctica la integral anterior se calcula por discretizacin de V en k puntos

Entonces, la aproximacin es:
Esta aproximacin es mejor cuando el nmero k de puntos dentro de V es ms grande. La prctica recomienda un nmero mnimo de puntos dentro de V de manera de obtener una
precisin aceptable
i)
Si V es bidimensional:
k 36 ptos.
ii)
Si V es tridimensional:
k 64 ptos.
Se puede tomar un valor de k superior a los recomendados, pero los procesos computacionales sern ms lentos.
iii)
Trmino :
Representa el valor medio de la funcin
(h)
(h es el vector que une x con y) siendo x e y
dos puntos variables dentro de V:
Figura 6.10: El punto x y el punto y describen independientemente l conjunto V.
Esta integral tambin se calcula por discretizacin de V en k puntos. Entonces, la aproximacin

es:
El clculo numrico de 2E es entonces posible. Se puede utilizar un programa computacional para calcular 2E o bien 2 E
6.5. CASOS DE ESTUDIO
Ejemplo N 1: En el yacimiento istropo de la figura 4.64 , se tiene que:
_________
106
(hx,hy) = 0.417 raz
cuadrada(hx2,
h2y)
Individualizamos el bloque siguiente:
Figura 6.11: Bloque con N=2 muestras.
a) Si se estima zV por zV = 0.5 Z(x1) + 0.5 Z(x2) = 38, un clculo computacional

proporciona: 2 E = 3.02
Luego:
zV = 38 3.02 (con 95% de confianza)
b) Si se estima zV por zV = 1 z(x1) = 35, se obtiene: 2 E = 2.84
Luego:
zV = 35 2.84
En este caso se utiliz un solo dato (contra 2 del caso anterior) y sin embargo se obtuvo un error menor. La razn de esta aparente paradoja es que en el caso a) se utiliz
mal la informacin de los sondajes, atribuyndoles a ambos el mismo peso 0.5. Es evidente que el dato z(x1) debe tener mayor peso que el dato z(x2).
c) Si se estima zV por zV = 0.75 z(x1) + 0.25z(x2) = 36.5, se obtiene 2 E = 2.38.
Luego:
zV = 36.5 2.38
Como este error (con confianza del 95%) es menor que los dos anteriores, se elimina la paradoja. Este ejemplo nos lleva a la conclusin que no basta con tener datos sino que hay que
utilizarlos bien (es decir, ponderarlos en forma adecuada). Sin embargo, nos queda una
inquietud (que responderemos en el captulo siguiente): Existe otra ponderacin de los
datos que nos proporcione un error menor?
Observaciones:
1 La frmula para el clculo de la varianza de estimacin o varianza del error
2
E
__________
107
2E = 2(v,V) - (V,V) - (v,v)

No depende de las leyes z(x1), z(x2), . . . , z(xN) utilizadas en el estimador ZV
= iz(xi) (en estricto rigor s depende porque estas leyes se utilizaron en el clculo de
(h) ). Por consiguiente, se puede calcular la varianza del error en el caso de agregar uno
o ms sondajes adicionales. Se puede entonces cuantificar la ganancia de precisin que
aportara un reconocimiento suplementario.
2. Nos podramos plantear el problema inverso: Suponer que en el estimador ZV = iz(xi)
los pesos
son desconocidos y definir un criterio para calcularlos.
Intuitivamente vemos que el criterio debera ser: "encontrar los pesos

2
de minimizar E. Esta es la idea del mtodo del krigeado.
de manera
Ejemplo N 2: el anlisis variogrfico para un yacimiento, nos da el siguiente resultado.

EW
NS
NW
NE
DATOS
X
LEY
80
40
10g/t
50
70
5g/t
50
40
B?
Calcular la varianza de estimacin para el bloque de 10x10 mts, cuyo centro de gravedad est
en el punto (50,40). Considerar slo la muestra w1, el estudiante deber resolver el clculo de
la varianza de estimacin con todas las muestras implantadas en el bloque B.
Representacin grfica del bloque
Figura 6.12: Bloque para la estimacin de la varianza.

E2 = 2 (V,B) BB - VV
V = W1
B=B
_________
108
CLCULO DEL TRMINO (V,B) = (W1,B)

Discretizacin del bloque b (k =9), en bloques de 10 x 10 metros.
Figura 6.13: Discretizacin de B en 9 Bloques.

CLCULO DE LA MATRIZ DE DISTANCIAS (POR PITGORAS)
W1 - B
W1
1
25,4951
2
29,1548
3
35,3553
4
15,8114
5
21,2132
6
29,1548
7
7,07107
8
15,8114
9
25,4951
MATRIZ DE VARIOGRAMAS
Reemplazando distancia (h) de acuerdo al modelo:
NE
W1 - B
W1
(W1,B)
0,50956 0,53915 0,58563 0,42274 0,47276 0,53915 0,33246 0,42274 0,50956 0,48153
CLCULO DEL TRMINO (V,B) = (B,B)
Figura 6.14: Distancias dentro de B.

__________
109
MATRIZ DE DISTANCIAS DEL BLOQUE ((B,B))

B
10
20
10
14,142
22,361
20
22,361
28,284
10
14,142
10
14,142
22,361
20
22,361
22,361
14,142
10
28,284
22,361
20
10
20
10
14,142
22,361
10
14,142
10
14,142
22,361
14,142
10
10
20
10
2
3
4
5
6
7
8
9
(de acuerdo a los modelos)
1
1
0,3484 0,4906 0,1946
2
3
0,347
0,4178 0,2793 0,4178 0,4631
0,3484 0,4064 0,1946

0
0,347
0,4829 0,2793 0,4178
0,4829 0,4064 0,1946 0,5323 0,4829 0,2793

0
0,3484 0,4906 0,1946

0
0,347
0,4178
0,3484 0,4064 0,1946
0,347
0,4829 0,4064 0,1946

0
0,3484 0,4906
0
0,3484
0
SUMATORIA = 13.198
(B,B) = (13.198 *2)/81 = 0.3254.
CALCULO DE (v,v) = (W1,W1)
W1
W1
(W1,W1) = 0 , debido a que la distancia del vector h = 0

Reemplazando los datos calculados en la formula fundamental para el clculo de la varianza de estimacin, tenemos:
E2 = 2 (V,B) BB - VV
_________
110
E2 = 2*(0.4815) 0.3254 0
E2 = 0.6376
Ejemplo N 2: Se tiene un bloque de 100 X 100 pies, implantado en un yacimiento que sigue un modelo esfrico con un efecto pepita de 1, meseta igual 1 y alcance de 100 pies. Calcular la varianza de
estimacin en base a la siguiente configuracin geomtrica.
Figura 6.15: Geometra del problema implantado en un modelo de bloques.

Modelo Esfrico
Varianza de estimacin:
Discretizacin en cuatro bloques de 50 X 50 pies
Figura 6.16: Discretizacin del bloque.

Clculo del trmino
W1
W2
W3
W4
=?
W1
MATRIZ DE DISTANCIAS
W2
W3
W4
0
100
100
141.42
100
0
141.42
100
141.42
100
100
0
100
141.421
0
100
__________
111
MATRIZ DE DISTANCIAS DE VARIOGRAMAS

W1
0
2
2
2
W1
W2
W3
W4
Clculo del trmino
W2
2
0
2
2
W3
2
2
0
2
W4
2
2
2
0
Prom:
(v,v)
1.500
1.500
1.500
1.500
1.500
=?
1
35.36
79.06
79.06
106.07
W1
W2
W3
W4
2
79.06
35.36
106.07
79.06
3
79.06
106.07
35.36
79.06
4
106.07
79.06
79.06
35.36
1
W1
W2
W3
W4
Clculo de
1.02
1.88
1.88
2.00
1.88
1.02
2.00
1.88
1.88
2.00
1.02
1.88
(v,B)
4
2.00
1.88
1.88
1.02
Prom:
1.693
1.693
1.693
1.693
1.693
=?
1
2
3
4
1
0.00
50.00
50.00
70.71
2
50.00
0.00
70.71
50.00
3
50.00
70.71
0.00
50.00
4
70.71
50.00
50.00
0.00
1
2
3
4
1
0.00
1.38
1.38
1.77
2
1.38
0.00
1.77
1.38
CLCULO DE LA VARIANZA DE ESTIMACION
_________
3
1.38
1.77
0.00
1.38
4
1.77
1.38
1.38
0.00
Prom:
(B,B)
1.129
1.129
1.129
1.129
1.129
CAPTULO 7
MODELO DE KRIGING
7.1. INTRODUCCIN
En trminos mineros, la tcnica del kriging o krigeado consiste en encontrar la mejor estimacin
lineal insesgada de un bloque o zona V considerando la informacin disponible; es decir, las
muestras interiores y exteriores a V.
Figura 7.1: Volumen a estimar.

El krigeado atribuye un peso i a la muestra z(xi). Estos pesos i se calculan de manera de minimizar la varianza del error cometido.
Inters del Krigeado
El inters del krigeado proviene de su misma definicin: al minimizar E2 estamos seguros de
obtener la estimacin ms precisa posible de V o equivalentemente, de sacar el mejor provecho
posible de la informacin disponible.
El nombre krigeado proviene de los trabajos de Daniel Krige en las minas de oro sudafricanas de
Rand, en los aos 50. La teora fue formalizada una dcada ms tarde por el geomatemtico
francs Georges Matheron.
El inters prctico ms importante del krigeado, proviene, no del hecho que asegura la mejor
precisin posible, sino ms bien porque permite evitar un error sistemtico. En la mayora de los
depsitos mineros, se deben seleccionar, para la explotacin, un cierto nmero de bloques, considerados como rentables y se deben abandonar otros bloques considerados no-explotables.
Daniel Krige demostr que, si esta seleccin se realizara considerando exclusivamente las
muestras interiores a cada bloque, resultara necesariamente (en promedio) una sobreestimacin de los bloques seleccionados. La razn de este problema es que el histograma de las
leyes reales de los bloques tiene menos leyes extremas, ricas o pobres, luego tiene ms leyes
intermedias que el histograma calculado con las muestras interiores, y, si se calcula el efecto de
- 112 -
Modelo de Kriging
113
una seleccin sobre este ltimo histograma, los paneles eliminados sern en realidad menos pobres que lo que se haba previsto, y los paneles conservados menos ricos.
Figura 7.2: Histograma de bloques y de muestras.
De acuerdo a lo expresado anteriormente, el krigeado define el estimador lineal:
Con la condicin de isesgado (llamado tambin condicin de universalidad):
Los pesos i se calculan de manera de minimizar la varianza E2 del error = ZK ZV, en que ZV es la
ley media desconocida de V.
Como es natural, el krigeado atribuye pesos altos a las muestras cercanas a V y pesos dbiles a las
alejadas. Sin embargo, esta regla intuitiva puede fallar en ciertas situaciones en las cuales se habla de
efecto de pantalla o de transferencia de influencia.
Estudiaremos estos conceptos con un ejemplo: La figura siguiente muestra un bloque que debe ser
estimado a partir de 8 muestras S1, S2,..S8.
Figura 7.3: Transferencia de influencia y efecto de pantalla.
El krigeado encontrar en este caso, suponiendo isotropa espacial:
_________
114
1 i
(i = 2, 3, .., 8)
La muestra S1 es la de mayor peso.

2 , 3 i
(i = 4, 5, , 8)
Las muestras S2 y S3 tienen mayor peso que las muestras S4, S5, ., S8.
6 0
Se dice que la muestra S5 hace pantalla a la muestra S6.
4 5 + 6 + 7 + 8
Se dice que hay una transferencia de influencia; es decir, la influencia de la muestra S4 se reparte entre las muestras S5, S6, S7 y S8. Se puede afirmar que el krigeado desagrupa la informacin.
La menor o mayor intensidad de los efectos anteriores depende, evidentemente, del variograma
(efecto de pepita, meseta, alcance).
Por ejemplo, si se tiene un variograma lineal istropo, (h)=|h| , se tienen los pesos siguientes
para estimar el bloque B:
Figura 7.4: Variograma lineal y pesos del krigeado. Se tienen 3 muestras. Se produce un desagrupamiento
7.2. LAS ECUACIONES DEL KRIGEADO ORDINARIO PARA BLOQUES

Para obtener las ecuaciones de krigeado hay que minimizar la expresin de E2
pero los i deben verificar la condicin:
__________
Modelo de Kriging
115
El mtodo clsico para minimizar la expresin de E2 (igualar a cero las derivadas parciales de E2
Respecto de 1, 2,.., N) no asegura que la suma de los i sea 1. En este caso hay que utilizar el
mtodo de lagrange, el cual explicaremos con un ejemplo matemtico.
Ejemplo: Minimizar la funcin A = x2 + y2 si x + y = 1
El mtodo de Lagrange define la funcin A siguiente:
A = x2 + y2 - 2( x + y 1)
es una incgnita auxiliar llamada parmetro de Lagrange. Observamos que A es una funcin de tres
variables: x, y, . Por otra parte, si se verifica la condicin x +y = 1, entonces A = A.
El mtodo de Lagrange consiste en igualar a cero las derivadas parciales de A.
Es fcil de ver que la solucin de este sistema es

x = 0.5
y = 0.5
= 0.5
Luego el mnimo de A o de A es:
A = (0.5)2 + (0.5)2 = 0.5
Por lo general el parmetro carece de significacin fsica.
En el caso del krigeado hay que considerar la expresin:
Se demuestra que al realizar N + 1 derivaciones, se obtiene el sistema de ecuaciones siguiente:
_________
116
que es un sistema lineal de N+1 ecuaciones con N+1 incgnitas (1, 2, . . . , N, )

Se demuestra que el sistema siempre tiene solucin (se supone que el modelo de (h) es autorizado),
salvo el caso en el cual existen dos (o ms) muestras diferentes con las mismas coordenadas: Este
caso no debera presentarse en la prctica pero a veces ocurre, lo cual hace necesario una revisin
previa de la base de datos.
EXPRESION MATRICIAL
0 12
21 0
.
.
.
.
.
.
n2
n1
1
1
13
23
.
.
.
n3
1
... 1n
... 2 n
.
.
.
... 0
... 1
1 1 1

1 2 2
. . .

. . . .
. . .
1 n n

0 1
El mtodo que hemos presentado se conoce como krigeado ordinario y se puede aplicar siempre que
la variable regionalizada no presente una deriva en la vecindad de estimacin.
Varianza del error
Se demuestra que la expresin de E2 se simplifica, obtenindose:
7.3. CASOS DE ESTUDIO DEL KRIGEADO ORDINARIO PARA BLOQUES

Ejemplo 1: En el caso del yacimiento istropo de la siguiente figura, estudiado anteriormente,
tenemos:
Figura: 7.5: Configuracin geomtrica del bloque a krigear.
Modelo
__________
Modelo de Kriging
117
Se obtiene, con la ayuda de un programa computacional:
Ejemplo N 2: En el caso del yacimiento anisotropico estudiado anteriormente en la figura 4.64, se

tiene el bloque siguiente:
Figura 7.6: Configuracin geomtrica del bloque con leyes de cobre.
Al usar un programa computacional, se obtiene los ponderadores siguientes:
_________
118
Vemos que el krigeado ha considerado la anisotropa, asignando mayor peso a los datos 2 y 3 que a 4
y 5.
Ejemplo N 3: Estimar la ley de cobre total para el bloque mostrado en la figura del yacimiento. Elegir
un plan de krigeado en base al modelo cuadrtico que tiene un efecto pepita de 0.4; meseta de 3.8 y un
alcance de 60 metros. Cada bloque tiene una dimensin de 10x10 metros. Asimismo calcular su error
de estimacin. (sugerencia, puede tomar un radio de influencia de 10m).
YACIMIENTO DE COBRE
0.5
0.8
2.5
1.6
3.2
1.9
2.3
1.2
1.8
1.8
B
2.4
1.9
1.5
3.6
1.3
1.3
2.4
2.1
1.6
Figura 7.7: Configuracin geomtrica del yacimiento.

SOLUCIN:
Seleccin de muestras de acuerdo al radio de influencia de 10 metros.
Radio de 10 m.
X2
X1
X5
X3
X4
Figura 7.8: Muestras de acuerdo al radio de influencia.
__________
Modelo de Kriging
119
Parmetros
C0=
C=
S=
a=
Modelo Cuadrtico
0.4
3.8
4.2
60
h h2
S 2
(h) a a 2
S
Aplicacin de matrices para el clculo de los ponderadores i.
Clculo de la LEY
Clculo de la varianza
Calculo de intervalo de confianza.
Clculo de las distancias entre muestras
Figura 7.9: Muestras para el clculo de distancias.

_________
para 0 h a
para h a
120
Matriz de distancias entre muestras

x1
x2
x3
x4
x5
0
10
14.142 15.811
10
10
0
10
15.811 14.142
14.142
10
0
7.171
10
15.811 15.811 7.171
0
7.171
10
14.142
10
7.171
0
x1
x2
x3
x4
x5
Clculo de variogramas entre muestras, usando el modelo cuadrtico.

Matriz de variogramas entre muestras
x1
x2
x3
x4
x5
x1
0
1.283
1.747
1.922
1.283
x2
1.283
0
1.283
1.922
1.747
x3
1.747
1.283
0
0.932
1.283
x4
1.922
1.922
0.932
0
0.932
x5
1.283
1.747
1.283
0.932
0
Clculo de distancias entre las muestras con los puntos discretizados del bloque.
Figura 7.10: Discretizacin del bloque en 4 puntos.
0
1'
2'
3'
4'
PROM
X1 0.48 1.034 1.354 1.034 0.976
X2 1.034 0.48 1.034 1.354 0.976
X3 1.354 1.034 0.48 1.304 0.976
X4 1.595 1.595 1.034 1.034 1.315
X5 1.034 1.354 1.034 0.48 0.976
__________
Modelo de Kriging
121
MATRIZDE DISTANCIAS
0
1'
2'
3'
4'
x1
3.536
7.906
10.606
7.906
x2
7.906
3.536
7.906
10.606
x3 10.606
7.906
3.536
7.906
x4 12.748 12.748
7.906
7.906
x5
7.906
3.536
7.906
10.606
Calculo de variogramas entre muestras y los puntos discretizados del bloque, usando el modelo
cuadrtico.
Reemplazando los datos calculados en la matriz de kriging.
0
1.283
1.747
1.922
1.283
0.976
1.283
1.283
1.922
1.747
0.976
1.747
1.283
0.932
1.283
0.976
1.922
1.922
0.932
0.932
1.315
1.283
1.747
1.283
0.932
0.976
Resultados
1
2
3
4
5
M
CLCULO DE LA LEY DEL BLOQUE
_________
0,250
0,250
0,246
0,008
0,246
-0,105
122
CLCULO DEL ERROR DE ESTIMACIN DE LA LEY DEL BLOQUE
Previo a este paso necesitamos discretizar el bloque de la siguiente manera para calcular
Figura 7.11: Discretizacin del bloque para el clculo del error de estimacin de la ley.
Matriz de distancias entre los puntos del bloque

1'
1'
2'
2'
0
3'
4'
7.071
7.071
3'
4'
Matriz de variogramas
1'
2'
3'
4'
1'
2'
3'
4'
0 0.671 0.932 0.671
0 0.671 0.932
0 0.671
0
Clculo de
__________
Modelo de Kriging
123
Clculo de intervalo de confianza.
7.4. KRIGEADO PUNTUAL

En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa estimar la ley en
un punto x0 (problema de interpolacin).
Corresponde al caso particular en que el volumen V tiende a cero. Se obtiene el sistema siguiente:
Este sistema de ecuaciones lo representamos tambin como un esquema matricial, de la siguiente

manera:
0 12
21 0
.
.
.
.
.
.
n2
n1
1
1
_________
13
23
.
.
.
n3
1
... 1n
... 2 n
.
.
.
... 0
... 1
1 1 1

1 2 2
. . .

. . . .
. . .
1 n n

0 1
124
Donde la matriz independiente 1, 2,.., n. son los variogramas promedio entre el punto a ser
estimado y las muestras ubicadas dentro de la vecindad seleccionada.
La expresin para el clculo de la varianza de estimacin es:
Figura 7.12: Krigeado del punto X0.

Se puede generar una grilla de valores interpolados al hacer variar x0. Esta tcnica tiene aplicacin en
la cartografa automtica y en la simulacin de leyes.
El krigeado puntual tiene la propiedad de ser un interpolador exacto en el sentido de que si se desea
estimar la ley en un punto conocido (por ejemplo el punto A de la figura 7.12), el krigeado proporciona
la ley del dato con una varianza E2 = 0. Se dice que el krigeado puntual pasa por los puntos.
Figura 7.13: Krigeado puntual en R1 versus interpolador de mnimos cuadrados.

Esta propiedad no lo tienen otros interpoladores tales como los mnimos cuadrados.
7.5. PROPIEDADES DEL KRIGING O KRIGEADO
Las propiedades ms importantes del mtodo del krigeado son:
__________
Modelo de Kriging
125
a). Propiedad de simetra.

Si (h) es istropo, entonces datos que son simtricos respecto de V y con respecto a los otros datos
tienen pesos iguales.
Figura 7.14: Propiedad de simetra del krigeado.

Del ejemplo de la figura 7.14, tenemos:
Esta propiedad era til cuando se resolvan los sistemas de krigeado manualmente.
b). Composicin de kriogeados.
Sean dos volmenes disjuntos V1 y V2; sean Z1 y Z2 los estimadores de krigeado respectivos:
Figura 7.15: Composicin de krigeados.
Entonces el krigeado Z de V1 V2 es:
Es decir una ponderacin por volmenes o por tonelajes. Esta relacin no es vlida para las varianzas; si se desea conocer la varianza es necesario krigear el bloque V1 V2 o bien utilizar una aproximacin.
_________
126
c). Vecindad de estimacin.
Figura 7.16: Vecindad de estimacin.

Para el krigeado no importa la agrupacin de datos al lado izquierdo del bloque (el krigeado desagrupa la informacin. Cul radio tomar?.
En estricto rigor, el krigeado de un bloque V debera realizarse considerando todos los datos disponibles (krigeado completo). Sin embargo, esta situacin implica clculos muy largos; por otra parte, las
muestras alejadas tendran un peso casi nulo. Por esta razn la prctica recomienda restringirse a una
vecindad de estimacin que puedes ser una esfera o circulo, o bien un elipsoide o elipse (3D y 2D).
Como recomendacin prctica, el radio de bsqueda en una cierta direccin no debe ser inferior al
alcance en esa direccin.
La prctica ha demostrado que, en el espacio de dos dimensiones, con una vecindad que contenga un
promedio del orden de 8 muestras, los resultados son buenos. En el espacio de tres dimensiones la
situacin es ms compleja y debe ser analizada en cada caso particular.
Figura 7.17: Espacio 3D, bsqueda de parmetros.

En el espacio 3D hay que elegir los parmetros de bsqueda de manera de que se produzca
interpolacin entre los sondajes. En el grfico anterior se observa que quedarn bloques mejor estimados que otros y habr que categorizarlos en medidos, indicados e inferidos.
__________
Modelo de Kriging
127
d). Estrategia de bsqueda.

Esta estrategia establece los parmetros que hay que utilizar para la bsqueda de compsitos a utilizar en la estimacin del bloque. Dependiendo del software utilizado, estos parmetros son:
Radios de bsqueda (Rx, Ry, Rz). En primera aproximacin se pueden utilizar los alcances del
variograma en las direcciones (x, y, z), en una vecindad con forma de elipsoide.
Figura 7.18: Elipsoide de bsqueda.
En algunas situaciones este elipsoide puede estar inclinado, el centroide es el centro de gravead del
bloque.
Minimo K de muestras para krigear. Sirve para controlar el caso en que solo una muestra cae
en la vecindad. Si, por ejemplo, se pone K = 2, solo se krigearan los bloques que tengan dos o
mas datos en la vecindad.
Maximo r de muestras para krigear. Si se pone, por ejemplo r = 32, entonces cuando en la vecindad de un cierto bloque existan mas de 32 compsitos, solo se utilizarn en la estimacin
los 32 compsitos ms cercanos al centro del bloque. Este parmetro se usa para mayor velocidad de los clculos.
Mximo I de muestras por octante. Si se pone, por ejemplo I = 2, en cada octante se utilizarn
las dos muestras ms cercanas al centro del bloque.
Figura 7.19: Octantes para la aplicacin del krigeage.
_________
128
Qu pasa si existen sondajes aproximadamente horizontales en el caso de la izquierda?. Algunos

paquetes computacionales utilizan el hemisferio superior e inferior, en el caso de la derecha.
El objetivo de este parmetro es desagrupar (pero, dadas las propiedades del krigeado. Se justifica su
uso?.
Mximo s de compsitos por sondaje. Si se pone, por ejemplo s = 2, en cada sondaje se utilizar un mximo de 2 compsitos, los ms cercanos al centro del bloque. El objetivo de este parmetro es forzar la interpolacin entre sondajes.
Los parmetros I y s deben ser utilizados con precausion. Para no introducir artefactos, es recomendable que estos valores sean altos, lo que hace que su uso no sea interesante. (ver figuras 20, 21 y 22).
Figura 7.20: Sondaje inclinado con parmetro I=1.

Al usar los octantes con I = 1, se utilizan exclusivamente los compsitos 1 y 5. Luego hay que usar un I
mayor.
Figura 7.21: Sondajes inclinados con parmetro s=1.

Al usar un mximo de s = 1 de compsitos por sondaje, slo se usan los compsitos 8 y 3 (casi a la
misma cota que el bloque), sin tomar en cuenta la variacin en la vertical. Luego hay que usar un s
mayor.
La figura 7.22 ilustra un perfil de una mina estimado por octantes (mximo 2 compsitos) y el mismo
perfil estimado con un mximo de 32 compsitos en la vecindad (sin octantes y sin mximo de compsitos por sondaje).
__________
Modelo de Kriging
129
Figura 7.22: Perfil de una mina estimado por octantes.

A la izquierda se presenta la estimacin por octantes y mximo por sondaje (se produce el efecto pan
queque). A la derecha no existen restricciones. Todos los sondajes (no dibujados) son verticales. Los
compsitos tienen un largo igual a la altura del banco.
7.6. CASOS DE ESTUDIO SOBRE KRIGEADO PUNTUAL
Ejemplo N 1: Los siguientes valores representan una configuracin respecto a una pequea seccin de un yacimiento, que sigue un modelo exponencial, cuyos parmetros son a=10m y S =
10m. Estimar la Ley en el Punto X0(65E, 137N) y calcular el error de estimacin.
DATA
N Muestra
1
2
3
4
5
6
7
COORD. ESTE (metros)

61
63
64
68
71
73
75
COORD. NORTE (metros)

139
140
129
128
140
141
128
LEY PPM
477
696
227
646
606
791
783
MODELO EXPONENCIAL
h
h s1 exp
a
Parmetros:
a=
S=
10
10
Configuracin geomtrica para el clculo de distancias entre la muestra X1, con respecto a las
dems muestras.
_________
130
Figura 7.23: Esquema para el clculo de distancias de X1 a las dems muestras.
Figura 7.24: Clculo de distancia de X1 a la muestra X2.
Con este procedimiento calculamos todas las distancias entre las muestras, obteniendo los siguientes
resultados:
Matriz de Distancias
X1
X1
X2
X3
X4
X5
X6
X7
0
2.235
10.440
13.038
10.046
12.166
17.804
X2
2.235
0
11.045
13
8
10.05
16.971
X3
10.440
11.045
0
4.123
13.038
15
11.045
X4
13.038
13
4.123
0
12.369
13.928
7
X5
X6
10.05
12.166
8 10.04987562
13.038
15
12.369
13.9288
0
2.2367
2.236
0
13.601
13.1534
X7
17.804
16.971
11.045
7
13.601
13.153
0
En base a las distancias del cuadro anterior, calculamos los variogramas entre la muestras del yacimiento. Figura 7.23. Usando el modelo exponencial con los parmetros dados.
h
h s1 exp
a
__________
Modelo de Kriging
131
X1
X1
X2
X3
X4
X5
X6
X7
0
2,01
6,48
7,29
6,34
7,038
8,31
Matriz de Variogramas
X2
X3
X4
2,00 6,48 7,29
0 6,69 7,27
6,694
0 3,38
7,27 3,38
0
5,52 7,29
7,1
6,34 7,77 7,52
8,17 6,69 5,03
X5
X6
X7
6,34 7,038 8,31
5,52 6,34 8,17
7,29 7,77 6,69
7,21 7,52 5,03
0 2,00 7,43
2,0
0 7,32
7,43 7,32
0
Clculo de distancias entre el punto a estimar X0 y las dems muestras implantadas en el yacimiento.
Figura 7.25: Esquema para el clculo de la distancia de X0 a las dems muestras.
Matriz de Distancias
X0
X1
4.472
X2
3.61
X3
8.062
X4
9.487
X5
6.708
X6
8.944
X7
13.454
Clculo de variogramas, usando el modelo exponencial con sus respectivos parmetros y reemplazando las distancias del vector h.
_________
132
Matriz de Variogramas
X0
X1
3,60583988
X2
3,03021002
X3
5,53448257
X4
6,12755886
X5
4,88700625
X6
5,91147163
X7
7,39564487
Reemplazando todos los datos en la matriz de krigeado puntual, tenemos:
2,0
6,48
7,29
6,34
7,04
8,314
3,606
2,0
6,69
7,27
5,51
6,34
8,17
3,030
6,48
6,69
3,38
7,29
7,77
6,69
5,534
7,29
7,27
3,38
7,4
7,52
5,034
6,128
6,34
5,51
7,29
7,1
2, 3
7,434
4,887
7,04
6,34
7,77
7,52
2,
7,32
5,911
8,31
8,17
6,69
5,03
7,43
7,32
7,396
Resolviendo la matriz, tenemos los siguientes resultados:

Ponderadores de Kriging
0,17477219
1
0,39202394
2
0,14133432
3
0,07281127
4
0,21743227
5
-0,01975261
6
0,02137862
7
-0,04189247
Clculo de la Ley en el punto X0.
__________
Modelo de Kriging
133
Ejemplo N 2: En un yacimiento de plomo, se tiene un conjunto de 4 muestras, cuyas leyes son:

x1=8.2%, x2=9.6%, x3=13.15% y x4=6.3%. Estimar la Ley en el punto X0, sabiendo que la data sigue un
modelo esfrico con un alcance de 250 metros, efecto pepita de 17 y un valor de meseta igual a 66.
Figura 7.26: Esquema geomtrico del problema, con bloques de 100 x 100 m.
Modelo esfrico
3 h 1 h3
S
(h) 2 a 2 a 3
S
para 0 h a
para h a
Esquema matricial a utilizar para el clculo de los ponderadores de Kriging.
1
1
1
1
0
1
2
3
4
Matriz de distancias entre muestras

X1
X2
X3
X4
_________
X1
0
111,803
111,803
111,803
X2
111,803
0
70.711
158.114
X3
111,803
70,711
0
100
X4
111,803
158,114
100
0
134
Clculo de los variogramas usando el modelo esfrico

X1
X2
X3
X4
X1
0
51,966
51,966
51,966
X2
51,966
0
34.275
68.242
X3
51,966
34,275
0
47.144
X4
51,966
68,242
47,144
0
Clculo de distancias entre el punto a estimar X0, con respecto a las dems muestras.
X0
Matriz de distancias
1
2
3
50
100
70,711
4
70,711
Clculo de los variogramas, usando el modelo esfrico para cada distancia del vector h.
X0
1
2
3
24,568
47,144
34,275
4
34,275
Reemplazando los variogramas calculados, en la matriz de Krigeado, tenemos:
Resolviendo la matriz, tenemos los siguientes resultados:

1 = 0.464
2 = 0.03
3 = 0.243
4 = 0.264
= -3.289
Ley estimada
__________
Modelo de Kriging
Error de estimacin
5.19 %
_________
135
REFERENCIA BIBLIOGRFICA
- 136 -
Anexo 1
Data Yacimiento de Carbn
Coal Project data
Coord. X Coord. Y Elevacin Potencia Valor Calorfico (MJ)

Ceniza (%)
9500
12600
605.90
1.84
22.26
19.29
9650
12600
605.10
1.73
21.36
19.97
9950
12600
601.50
1.65
22.34
19.09
10100
12600
601.50
2.22
22.19
21.96
10250
12600
601.30
2.54
22.43
18.55
10550
12600
602.60
2.65
24.07
17.63
10850
12600
603.20
2.84
22.11
18.65
9500
12750
604.70
2.18
20.90
20.59
9650
12750
604.50
2.08
21.70
20.49
9800
12750
604.50
1.47
20.83
20.74
10100
12750
601.70
2.17
23.19
18.65
10400
12750
601.10
3.10
24.34
17.53
10550
12750
601.60
3.11
25.55
14.60
10700
12750
599.50
3.29
25.23
16.47
10850
12750
600.10
3.26
23.48
19.29
11000
12750
599.20
2.95
24.23
16.11
9500
12900
606.10
1.94
21.84
20.66
9650
12900
605.40
2.29
20.58
21.23
9800
12900
604.00
1.71
21.35
21.81
9950
12900
602.50
2.13
24.02
17.68
10100
12900
601.40
2.35
23.53
18.24
10250
12900
599.70
3.07
23.36
16.96
10400
12900
599.70
2.80
24.53
16.73
10550
12900
600.80
3.10
24.67
17.53
10700
12900
598.90
3.26
25.19
15.84
11000
12900
598.70
2.90
24.43
16.86
9500
13050
605.80
2.23
21.36
20.40
9650
13050
605.80
1.94
20.78
21.08
9800
13050
604.10
1.94
21.73
20.48
9950
13050
602.70
2.42
23.28
17.51
10100
13050
599.00
2.71
24.56
17.18
10250
13050
599.40
2.71
25.50
16.14
10400
13050
598.40
2.99
24.89
16.50
10550
13050
597.90
2.85
23.19
18.57
10700
13050
598.10
2.83
24.48
17.75
10850
13050
598.00
3.08
25.19
18.10
9500
13200
606.60
2.11
23.43
19.91
9650
13200
606.30
1.74
22.68
20.16
9800
13200
603.90
2.18
24.04
17.24
10100
13200
600.20
2.82
24.57
15.80
10250
13200
599.20
2.75
26.29
14.85
10400
13200
597.00
2.74
26.85
14.00
10550
13200
598.90
2.87
25.64
15.46
10700
13200
601.30
2.63
26.03
14.58
10850
13200
600.00
2.31
26.62
16.65
11000
13200
600.30
2.46
25.80
13.04
9800
13350
603.60
2.11
24.91
17.71
9950
13350
602.30
2.37
24.94
16.14
- 137 -
sulfuros
(%)
0.83
0.78
1.03
1.11
1.03
1.24
0.86
0.99
0.89
1.07
1.12
1.29
1.15
0.93
0.99
1.02
1.10
0.98
0.97
0.83
0.93
1.00
0.71
0.93
1.12
0.95
1.15
0.75
0.95
1.11
1.14
1.21
1.14
0.78
1.14
1.21
1.04
0.77
1.00
0.91
1.09
1.01
0.97
1.04
1.04
1.07
1.21
0.84
138
10250
10400
10550
10700
10850
11000
9500
9650
9800
9950
10250
10400
10550
10850
9500
9650
10100
10250
10400
10550
10700
11000
9500
9650
9800
10100
10250
10400
10550
10700
11000
9500
9650
9950
10250
10400
10700
10850
11000
9500
9800
9950
10100
10250
10400
10700
10850
11000

13350
13350
13350
13350
13350
13350
13500
13500
13500
13500
13500
13500
13500
13500
13650
13650
13650
13650
13650
13650
13650
13650
13800
13800
13800
13800
13800
13800
13800
13800
13800
13950
13950
13950
13950
13950
13950
13950
13950
14100
14100
14100
14100
14100
14100
14100
14100
14100
600.40
599.80
600.90
601.30
600.60
600.40
608.20
606.80
604.50
603.10
601.50
602.90
603.00
603.00
608.80
608.10
606.10
605.40
605.30
604.80
605.90
603.70
611.00
610.10
608.30
606.90
607.00
607.10
606.70
607.60
606.80
614.30
614.20
607.90
608.30
608.20
608.40
607.80
605.30
615.50
612.20
611.60
609.20
610.00
609.80
608.60
606.80
606.90
2.55
3.01
2.76
2.14
1.85
1.97
2.34
2.42
2.20
2.30
2.45
2.43
2.68
1.58
2.13
2.17
2.00
2.17
1.95
2.12
1.53
2.01
1.96
2.26
2.03
2.14
2.09
2.14
2.16
1.98
2.11
2.17
1.71
1.89
2.11
2.21
2.04
1.73
1.66
1.83
1.54
1.30
1.89
2.13
2.36
1.94
1.75
1.69
27.31
28.72
26.55
28.22
27.05
25.97
21.47
23.07
23.76
26.80
28.98
29.55
29.56
28.38
20.97
23.41
25.61
29.30
30.46
28.27
28.41
27.15
21.13
22.67
21.86
25.62
26.60
28.98
28.75
27.17
26.59
19.92
21.19
23.54
24.82
26.11
25.39
26.62
25.75
20.45
22.80
23.85
24.58
24.25
24.71
24.29
25.24
25.57
14.82
11.60
14.97
12.06
12.69
16.19
19.89
19.02
18.41
14.28
12.51
11.38
12.03
13.05
21.93
17.99
16.79
12.59
11.92
10.91
12.12
13.79
20.92
18.73
18.78
13.93
15.24
12.42
11.67
13.65
15.62
23.02
22.15
17.34
18.99
14.20
17.49
13.05
16.10
21.53
19.73
17.36
18.17
17.23
16.50
18.16
16.37
14.63
1.30
1.22
0.97
1.40
1.17
0.96
0.82
1.09
1.00
1.16
1.27
1.28
1.11
1.25
0.87
0.88
1.10
1.40
1.37
0.99
1.21
1.25
1.06
0.85
0.98
1.05
1.26
1.10
1.13
1.24
1.03
0.93
1.09
0.86
1.35
0.84
1.22
1.05
1.34
0.77
0.96
1.02
0.87
0.92
1.09
1.09
1.11
1.03
__________
Anexo 1 Data Yacimiento de Carbn
139
CALCULOS PREVIOS
VARIABLE VALOR
n
96
min
19.92
max
30.46
Rango
10.54
k
8
w
1.32
DISTRIBUCION DE FRECUENCIAS
INTERVALOS
Li
Ls
19.920
21.240
22.560
23.880
25.200
26.520
27.840
29.160
Presentacin
_________
21.240
22.560
23.880
25.200
26.520
27.840
29.160
30.480
Xi
fi
20.580
21.900
23.220
24.540
25.860
27.180
28.500
29.820
9
13
15
21
15
11
8
4
hi
0.094
0.135
0.156
0.219
0.156
0.115
0.083
0.042
Fi
9.000
22.000
37.000
58.000
73.000
84.000
92.000
96.000
Hi
0.094
0.229
0.385
0.604
0.760
0.875
0.958
1.000
hi*100
9.375
13.542
15.625
21.875
15.625
11.458
8.333
4.167
Hi*100
9.375
22.917
38.542
60.417
76.042
87.500
95.833
100.000
140
__________

GEOESTADÍSTICA

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

GEOESTADÍSTICA

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN" - TACNA

ING. JORGE SEGURA DVILA

Conocimiento del Problema

Mtodos Numricos Aplicados a Ingeniera

4.7. Mapa de Variograma

Enunciado del Problema:

Mtodos Numricos Aplicados a Ingeniera

Introduccin: Geoestadstica, antecedentes histricos, sntesis evolutiva, definicin y objetivos,

Msc. Jorge Segura Dvila

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

pus de un anlisis exhaustivo de la base de datos.

1962 Teoria formal de la Geoestadstica.

1980 Maduracin, consolidacin.

1.10. DEFINICIN Y OBJETIVOS

Resolver de manera satisfactoria los problemas de estimacin

1.11. NECESIDAD DE LA GEOESTADSTICA

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

Control de calidad y control de datos.

Desde que G.Matheron (1962,,1965) registra la partida de nacimiento de la Geoestadstica, se

2 Anlisis Exploratorio de Datos

4.- Moda: Es el valor ms frecuente de la distribucin.

n = nmero de datos contenidos en la muestra.

n = nmero de datos contenidos en la muestra

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

n = nmero de datos contenidos en la muestra

2 Anlisis Exploratorio de Datos

El parmetro no influye en la forma de la curva f(x), su variacin conduce a un desplazamiento

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

La variacin del parmetro , altera la forma de la curva f(x).

Limites de confianza para n>25

Limites de confianza para n>25

2 Anlisis Exploratorio de Datos

5.- Funcin de Distribucin Acumulativa:

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

Funcin de densidad de probabilidad (PDF)

Funcin de distribucin acumulativa

Para cualquier valor especfico de z, el correspondiente valor en la tabla es la probabilidad de que

2 Anlisis Exploratorio de Datos

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

7.- Modelo Log Normal:

Considerando la constante de aditividad , tendramos:

2 Anlisis Exploratorio de Datos

2 = Varianza estimada de las leyes.

Siendo los xi los valores de los percentiles correspondientes a cada caso.

8.- Modelo estandarizado:

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

reemplazando esta expresin en la ley normal

Obtenemos el siguiente modelo estandarizado.

Detalles a considerarse dentro del caso de estudio.

La base terica de la Geoestadstica incorpora a la teora de la estadstica clsica y obtiene los

2 Anlisis Exploratorio de Datos

Los datos completos, son presentados en anexos del presente texto.

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

3. Determinar la amplitud o ancho del intervalo (W)

Lk = [Xmin + (k-1)W, Xmin + KW]

2 Anlisis Exploratorio de Datos

Construccin del histograma Xi VS fi :

Grfico acumulado Xi VS Fi , con crecimiento ascendente.

GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA

MEDIDAS ESTADISTICAS CUANTITATIVAS, CALCULADO CON EL PROGRAMA GEOEAS.

(Xi - Media)^2 (Xi - Media)^3 (Xi - Media)^4

2 Anlisis Exploratorio de Datos

Aplicando las formulas estadsticas, tenemos los siguientes resultados:

Asociado al conjunto de datos de la mina de oro, observando el histograma y las medidas