METODOS GEOESTADÍSTIC0S

Andrés López Cayupi

Ingeniero Ejecución en Minas
andres.lopez25@inacapmail.cl
TEORÍA DE LAS VARIABLES
REGIONALIZADAS.
VARIABLE REGIONALIZADA
Una variable medida en el espacio de forma que presente una
estructura de correlación, se dice que es una variable
regionalizada.

De manera más formal se puede definir como un proceso

estocástico con dominio contenido en un espacio geométrico “D”
dimensional que puede asociarse a una variable medida en un
punto x del plano. En términos prácticos Z(x) puede verse como
una medición de una variable aleatoria.

En el caso de que las mediciones sean hechas en una superficie,

entonces Z(x) puede interpretarse como la variable aleatoria
asociada a ese punto del plano (x,y) representa las coordenadas,
planas o geográficas, y Z la variable en cada una de ellas.
Donde en el caso más general x es un punto en el espacio
tridimensional, es decir x = (x1,x2, x3)
Una variable regionalizada es una función que representa la variación en el espacio de una cierta
magnitud asociada a un fenómeno natural.
Por ejemplo:
 ¿Qué entendemos por estructura del fenómeno regionalizado?

 La continuidad de las leyes: Existen casos desfavorables en los cuales las leyes son erráticas y otros más
desfavorables en los cuales las leyes son regulares.

En el siguiente ejemplo se compara un sondaje

de dos minas de fierro diferente pero ambos
con la misma ley media. ¿Cuál es más
homogénea?
 MOMENTOS DE UNA VARIABLE REGIONALIZADA
En términos mineros se define la geoestadística como la aplicación de la teoría de las variables regionalizadas a la
estimación de los recursos mineros. Una variable regionalizada es una función que representa la variación en el espacio de
una cierta magnitud asociada a un fenómeno natural. Sea x un punto del espacio, se designa la variable regionalizada por
la notación z(x).

En estadística la esperanza matemática (también llamada valor esperado o media) de

𝐸(𝑍(𝑋𝑖)) = Χ(𝑋𝑖)
una variable aleatoria que formaliza la idea de valor medio de un fenómeno aleatorio.

La varianza de una variable aleatoria es una medida de dispersión, definida como la

𝑉(𝑍(𝑥𝑖)) = 𝐸[𝑍(𝑥𝑖) − Χ(𝑥𝑖)] = 𝜎
2 2
esperanza del cuadrado de la desviación de dicha variable respecto a su media.

La covarianza es la esperanza matemática que existe entre el producto de la

𝐶(𝑍(𝑥), 𝑍(y)) = 𝐸[𝑍(𝑥) − Χ(𝑥)][𝑍(y) − Χ(y)]
varianza de dos variables aleatorias reales de distribución conjunta x e y.

𝟏
Donde, γ(h) es la semivarianza para todas las muestras localizadas en el espacio
𝛾(h)=𝟐 𝐸[𝑍(𝑥) − 𝑍(𝑥+h)] 2
separado por el intervalo de distancia h. Z(x) es el valor de la muestra en una
localización x. Z(x+h) es el valor de la muestra a la distancia de intervalo h desde x.
a) NOTACIÓN CONDENSADA.

Antes de estudiar ejemplos de variables regionalizadas, mencionemos que en geoestadística se utiliza la notación
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:

Se observa que existen problemas de notación: se

acostumbra a designar una variable regionalizada con la
letra z, lo cual coincide con la notación utilizada para la
cota o elevación.
B) EJEMPLOS DE VARIABLES REGIONALIZADAS
PRIMER CASO DE VARIABLES REGIONALIZADAS.

En el espacio de una dimensión, sea Z(x) = Ley de Cu a lo largo de una galería:

Las leyes de las canaletas se pueden graficar, de

acuerdo a las distancias en que se realizan versus el
porcentaje de cobre determinado:
En la dimensión tiempo (una dimensión t), el precio de un metal p(t).

“Precio del cobre (promedio mensual 1987-2005) en centavos de dólar / libra”.

SEGUNDO CASO DE VARIABLES REGIONALIZADAS.

En el espacio de dos dimensiones, sea Z(x1, x2) = Z(x) = Potencia mineralizada en un yacimiento de nitratos:

En el espacio de 3 dimensiones, sea Z(X1, X2, x3) = Z(x) = Ley del Cu en el punto X dentro de un depósito masivo.

En un depósito de este tipo se puede comprobar que

la ley de cobre se comporta de manera diferente en
la zona de óxidos y en la zona de sulfuros. Esto nos
conduce a considerar para la ley de cobre, dos
variables regionalizadas diferentes.
TERCER CASO DE VARIABLES REGIONALIZADAS.

En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = Densidad de la roca en un punto x dentro de un depósito minero:

La densidad in situ, medida en [t/m3] es

una variable importante para cubicar los
recursos de un depósito minero.
c) 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 límites) para esto es necesario utilizar un modelo geológico adecuado.

¿QUÉ ES UN SOPORTE?

El soporte es el volumen sobre el

cual se mide o se considera la
variable en estudio (testigo,
compósito, pozo de tronadura,
unidad selectiva de explotación o
“bloque”)

¿POR QUÉ ES IMPORTANTE EL CAMBIO DE SOPORTE?

Es importante ya que en la minería se extraen bloques minerales de gran tamaño y no del tamaño de las muestras
puntuales, además la variabilidad espacial de muestras es diferente, dependiendo del tamaño del soporte.
Z(x) será entonces la ley del volumen de muestra localizado en el punto x.

En general, en el estudio de una variable regionalizada no es conveniente mezclar

soportes de tamaños diferentes.

En el caso en que los testigos que constituyen el sondaje son de tamaño irregular, es
necesario hacer una operación la cual consiste en regularizar o compositar el sondaje,
es decir disponer de datos (compósitos) de longitud constante.

Regulación de un testigo a un largo

constante b. Esta operación provoca
que el error tienda a 0.
CAMBIO DE SOPORTE O REGULARIZACIÓN
La variable regularizada sobre el bloque V, denotada como Z(V), se define como el promedio de los valores puntuales
en V: En donde |V| representa el volumen del bloque V. Se requiere que la variable sea aditiva.

Tanto la distribución estadística de los valores (histograma) como su correlación en el espacio (variograma) dependen
del soporte considerado. Este efecto de soporte tiene importantes consecuencias en la evaluación de yacimientos, pues
los datos disponibles (sondajes, pozos de tronadura) no tienen el mismo soporte que las unidades a estimar.
 CAMBIO EN EL VARIOGRAMA
El paso de un soporte pequeño a un soporte mayor es una operación reguladora, que implica “suavizamiento” de
los mapas.

• Mientras mayor sea el tamaño de los compósitos:

La teoría predice que la amplitud del efecto pepita

es inversamente proporcional al volumen del dato.

Por ejemplo, al pasar de compósitos de 1m de largo

a compósitos de 2 m de largo, el efecto pepita
debería disminuir a la mitad. La proporción del
efecto pepita (en relación a la meseta total) debería
disminuir también.
A continuación se muestra una sección transversal en un depósito de óxidos de cobre. Las líneas representan los sondajes
de exploración.

Cada compósito está caracterizado por sus coordenadas x, y, z, sus leyes, un código que indica el dominio o unidad
geológica y la identificación del sondaje, eventualmente otra información.

Se tiene así la base de datos de sondajes del depósito, la cual, en formato de texto, puede ser incorporada a cualquier
paquete computacional.
d) OBJETIVOS DE LA TEORÍA
La teoría de las variables regionalizadas se propone dos objetivos principales:
VARIOGRAMA
VARIOGRAMA
El Variograma se define como la media aritmética de todos los cuadrados de las diferencias entre pares de valores
experimentados separados una distancia (h) o lo que es lo mismo la varianza de los incrementos de la variable
regionalizada en (h).
El cálculo del variograma experimental es la herramienta Geoestadística más importante en la determinación de
las características de variables y correlación espacial del fenómeno estudiado
Por lo tanto podemos decir que el variograma es una función que constituye la herramienta fundamental de la
Geoestadística. Sean x y x + h dos puntos en el espacio:
RESUMEN:

La semivarianza es:
 Por lo tanto la definición teórica de la función variograma γ (h) es la esperanza matemática siguiente:

Donde, γ(h) es la semivarianza para todas las muestras localizadas en el

espacio separado por el intervalo de distancia h. N (h), es el número
total de pares de muestras separados por un intervalo de distancia h.
Z(x) es el valor de la muestra en una localización x. Z(x+h) es el valor
de la muestra a la distancia de intervalo h desde x.

Las propiedades de (h), que se deducen fácilmente son:

(0)=0

(h)≥0
La última relación proviene del hecho que si dos
(-h)= (h) leyes z1 y z2 están a la distancia h, entonces (z1
- z2)2 = (z2 - z1)2
CALCULOS DE VARIOGRAMAS
a) PARA LINEA MUESTREADA REGULAR

Sean N datos z1, z2, . . . , zN y sea b la equidistancia entre ellos:

i.- Sea h = b. Según el algoritmo de cálculo se tiene:

ii.- Sea h = 2b:

iii.- Sea h = 3b:

iv.- Sea en general h = kb (k = 0, 1, 2, . . . , N-1):

Posteriormente los valores γ (0), γ (b), γ (2b), γ (3b), ... se llevan a un gráfico:

• La distancia b se llama paso del variograma.

• Para interpretar el gráfico del variograma distinguiremos el comportamiento para las distancias |h|
pequeñas y las distancias |h| grandes.
CONCEPTOS GENERALES
EFECTO PEPITA (Co): Representa una discontinuidad puntual del semivariograma en el origen. Puede ser debido a errores de
medición en la variable o a la escala de la misma. En algunas ocasiones puede ser indicativo de que parte de la estructura espacial
se concentra a distancias inferiores a las observadas.

MESETA (Co + C1): Es la cota superior del semivariograma. También

puede definirse como el límite del semivariograma cuando la distancia h
tiende a infinito.

La meseta se denota o por (C0 + C1) cuando el Efecto Pepita es

diferente de cero. Si se interpreta el Efecto Pepita como un error en las
mediciones, esto explica porque se sugiere que en un modelo que
explique bien la realidad, el Efecto Pepita no debe representar más del
50% de la meseta.

RANGO O ALCANCE (A): En términos prácticos corresponde a la

distancia a partir de la cual dos observaciones son independientes. El
rango se interpreta como la zona de influencia. Dos muestras que están
a una distancia menor del alcance, “están correlacionadas”
 EFECTO PEPITA O NUGGET EFFECT

Puede ocurrir que para distancias cercanas a cero

el valor del variograma no se aproxima a cero.

En general el efecto pepita se produce debido a

microvariaciones y/o errores en el muestreo, la
manipulación, preparación o análisis químico.
 EJERCICIO PUNTOS EQUIDISTANTES
Consideremos las siguientes leyes espaciadas cada 100 metros exactamente. Calcular el Variograma
experimental para estos datos usando γ(100) , γ(200), γ(300), γ(400), γ(500). Grafi que la distancia en
relación con γ(h)

100 metros

5 3 6 4 2 1 1 2 4 3 2
1
γ 100 = 2𝑥10 22 + 32 + 22 +22 +12 +02 +12 + +22 +12 +12 = 1.45

γ 200 ?
γ 300 ?
γ 400 ?
γ 500 ?
 Variograma
4.0
3.5
3.0
distancia γ(h)

γ(h)
2.5
100 1.45
200 2.39 2.0
300 3.06
1.5
400 3.64
500 3.17 1.0
0.5
0.0
0 100 200 300 400 500 600

Distancia
b) PARA LINEA MUESTREADA IRREGULAR.

En el caso bidimensional, la situación es la siguiente:

En la siguiente figura se puede observar un muestreo en una

malla irregular y la pregunta es ¿Cómo se calcula el
variograma en este caso? .
Cálculo del Variograma para mallas irregulares
CÁLCULO DEL VARIOGRAMA PARA UNA MALLA REGULAR BIDIMENSIONAL

Supongamos la situación de la figura que se muestra a continuación (correspondiente a leyes de cobre):

En este caso h es un vector (con
coordenadas cartesianas o polares):

a) Fijemos la dirección θ del vector h; que sea por ejemplo θ = 90º, es decir, la dirección NS. El vector h sólo puede
ser:
Calculemos 𝛾(ℎ1) = 𝛾𝑁𝑆(10).

Al aplicar el algoritmo hay que considerar las diferencias (𝑧𝑖 − 𝑧𝑗)2 cuando ambos datos 𝑧𝑖 𝑦 𝑧𝑗 están definidos. La
figura muestra las diferencias que hay que calcular:
Luego:

𝛾(ℎ1) = [(1.6 − 1.4)2 + (1.4 − 0.9)2 + 0.9 − 0.7)2 + (0.7 − 0.8)2

+ (0.8 – 1.0)2 + (0.9 − 1.0)2 − (1.0 − 0.7)2 + (0.7 − 0.9)2
+ (1.2 – 1.5)2 + (1.5 − 0.9)2 + (0.8 − 0.7)2 + (1.4 − 1.4)2
+ (1.4 – 0.7)2 + (0.7 − 0.7)2 + (0.7 − 0.7)2 + (1.2 − 1.1)2
+ (1.1 – 1.0)2 + (1.0 − 0.9)2 + (0.9 − 0.6)2 + (0.6 − 0.2)2
+ (1.1 – 1.1)2 + (1.1 − 0.9)2 + (0.9 − 0.8)2 + (0.8 − 0.5)2
+ (0.9 – 1.3)2 + (1.3 − 0.9)2 + (0.9 − 0.8)2 + (0.8 − 0.4)2
+ (0.4 – 0.1)2 + (0.8 − 1.2)2 + (1.2 − 0.5)2 + (0.5 − 0.7)2
+ (0.7 – 0.1)2 + (0.1 − 0.2)2 + (1.0 − 0.6)2
+ (0.0 – 0.4)2] / (2 ∗ 36) = 0.0535 (36 𝑝𝑎𝑟𝑒𝑗𝑎𝑠)

De manera análoga se obtiene:

𝛾(ℎ2) = 0.0987 (27 𝑝𝑎𝑟𝑒𝑗𝑎𝑠)

𝛾(ℎ3) = 0.1888 (21 𝑝𝑎𝑟𝑒𝑗𝑎𝑠)
b) Sea ahora la dirección θ = 0º, es decir la dirección EW. El vector h sólo puede ser:

Se obtiene entonces:

𝛾(ℎ1) = 0.0146 (36 𝑝𝑎𝑟𝑒𝑗𝑎𝑠)

Las diferencias que hay que calcular son: 𝛾(ℎ2) = 0.0330 (33 𝑝𝑎𝑟𝑒𝑗𝑎𝑠)
𝛾(ℎ3) = 0.0431 (27 𝑝𝑎𝑟𝑒𝑗𝑎𝑠)
c) La práctica demuestra que para estudiar las estructuras basta con calcular γ(h) en dos direcciones adicionales: θ= 45º y
θ= 135º

En estas direcciones hay que tener

presente que el módulo de h es un
múltiplo de 10√2. ¿Por qué?

DEMUESTRELO POR UN 7
Gráfico de 𝛾(ℎ):

Se observa una clara anisotropía que nos indica que el fenómeno es más regular en la dirección EW que en la NS.
(Esto se puede comprobar al mirar como varían las leyes en esas direcciones mostradas anteriormente).
Cálculo del Variograma para una malla regular bidimensional
Cálculo del Variograma para una malla regular bidimensional
Cálculo del Variograma para una malla regular bidimensional
Cálculo del Variograma para una malla regular bidimensional
En la siguiente imagen consideremos el pixel como variable regionalizada.

Observemos el Variograma en la dirección Norte-Sur y Oeste-Este.

¿A dirección corresponde cada Variograma?

 EJEMPLO PRACTICO

Considere el siguiente ejemplo de muestras de leyes de Zinc

tomadas en intervalos de 1 m en una galería. Las muestras con X
no se consideran en la estimación:

Las siguientes son las ecuaciones usadas en la estimación de los semivariogramas, covariogramas y
correlogramas:

43
EJEMPLO DE CALCULO DE SEMIVARIOGRAMA, COVARIOGRAMA Y CORRELOGRAMA .

1.- Promedio de las primeras muestras en los pares

 1 n( h)
x1  
n(h) i 1
x( zi )

2.- Promedio de las segundas muestras en los pares

 1 n( h)
x2  
n(h) i 1
x( zi  h)

3.- Varianza de las primeras muestras en los pares

1 n(h) 
s1 
2
 i 1
n(h)  1 i 1
( x ( z )  x ) 2

CURSO : EVALUACIÓN DE YACIMIENTOS 44

EJEMPLO DE CALCULO DE SEMIVARIOGRAMA, COVARIOGRAMA Y CORRELOGRAM A .
4.-Varianza de las segundas muestras en los pares

1 n( h) 
s2 
2
 i
n(h)  1 i 1
( x ( z  h)  x 2 )) 2

5.- Covariograma: Covarianza entre los primeros y segundos muestras separados a una
distancia h

1 n( h)  
Sh  
n(h)  1 i 1
( x( zi )  x i ) * ( x( z i  h)  x 2 ))

6.- Correlograma: Coeficiente de correlación entre las primeras y segundas muestras.

S ( h)
r ( h) 
2 2
S1 S 2
45
7.- Semivariograma: Para muestras separadas a una distancia h
1 n(h)
 (h)  
2n(h) i 1
( x ( z i )  x ( z i  h)) 2

Calculemos 𝛾(ℎ1) = (0)

Variograma
18
16
14
12
10
8
6
4
2
0
0 0.5 1 1.5 2 2.5 3 3.5
 COMPORTAMIENTO DEL VARIOGRAMA PARA DISTANCIAS PEQUEÑAS
Estudiaremos el comportamiento de la función γ (h) para | h |pequeño, para lo cual analizaremos cuatro casos
hipotéticos:

Caso 1: Leyes muy regulares y continuas.

Para una distancia b pequeña, las dos leyes

de la figura son casi iguales, lo que implica
que para |h| pequeño, γ(h) es próximo a
cero; luego el gráfico de γ(h) en una
vecindad del origen será como en la figura:

Se dice que γ(h) tiene un comportamiento parabólico en el origen.

Caso 2: Continuidad y regularidad promedio

En este caso, para una distancia pequeña, la

diferencia de leyes es significativa; luego el gráfico
de γ(h) en una vecindad del origen será:

Se dice que γ(h) tiene un comportamiento lineal en el origen.

Caso 3: Existencia de micro variaciones:

Si la equidistancia entre datos b es menor que la escala de

variación d de las microestructuras, el variograma en una
vecindad del origen será:
Explicación:

Existe un crecimiento rápido hasta |h| = d (debido a la

micro regionalización) y luego un crecimiento más
moderado (debido a la variación a gran escala): se
dice que existe efecto de pepita.

Es decir existe una discontinuidad aparente en el origen.

En la práctica la equidistancia o paso b es

mayor que d y se tendrá un gráfico del tipo:
 DATO: El nombre efecto de pepita proviene del estudio de los depósitos de oro.

Consideremos por ejemplo un testigo en un depósito de oro:

En general, el efecto de pepita se produce debido a

microvariaciones y/o a errores en el muestreo, la
manipulación, preparación o análisis químico.
 Caso 4: Caso límite en el cual la irregularidad de las leyes es total:

Por muy pequeña que sea la distancia

Se dice que γ(h) presenta un efecto de pepita puro:
b, las leyes de dos puntos a esta
distancia son prácticamente
γ(0) = 0, γ(h) = C si h ≠ 0.
independientes. El gráfico de γ(h) será:

Este caso se presenta si en un campo S, se ponen pepitas al azar

 COMPORTAMIENTO DEL VARIOGRAMA PARA GRANDES DISTANCIAS.
Estudiaremos ahora el comportamiento de la función γ(h) para |h| grande, para lo cual analizaremos tres casos hipotéticos:

Caso 1: Leyes con crecimiento (decrecimiento) progresivo:

Se dice que existe una deriva o tendencia. Al

hacer el cálculo se observará que γ(h) siempre
crece:
Caso 2: Leyes con pseudo-periodicidades:

El fenómeno tiende a repetirse de manera estacionaria (es decir, varía de manera homogénea y sin deriva):

Si se calcula la función γ(h) se observará la

presencia de máximos y mínimos:
En la figura, d = 9 unidades. Proporciona una medida del
pseudo-período.

Δ es una medida de la intensidad del efecto (si el fenómeno es

perfectamente periódico, entonces Δ = 0).

Se dice que el variograma presenta efecto de agujero.

Caso 3: Fenómeno estacionario sin pseudo-periodicidades (o fenómeno de transición):

El fenómeno es homogéneo en su variación espacial, con cambios bruscos.

Este caso debería corresponder al anterior, en el cual la

magnitud Δ crece. Si se calcula la función γ(h), se tiene:
Se observa que a partir de una cierta distancia, del orden a = 6 unidades, la función γ(h) permanece aproximadamente
constante: γ(6) = γ(7) = γ(8) = . . . = constante = C

Dos puntos cuya distancia sea superior a a = 6 unidades son prácticamente independientes en ley.

La magnitud a se llama alcance y la constante C se llama

meseta.

El alcance proporciona una medida de la zona de

influencia de una muestra porque dos muestras cuya
distancia es mayor que el alcance son prácticamente
independientes:
 AJUSTE DE UN VARIOGRAMA A UN MODELO TEÓRICO

El objetivo de ajustar un modelo teórico es disponer de una ecuación, la cual se utilizará en los cálculos posteriores. En
general, los paquetes computacionales trabajan exclusivamente con el modelo teórico.

Distinguiremos dos variogramas.

i) El variograma experimental, calculado a partir de los datos.

ii) el variograma teórico, que corresponde a una ecuación que se ajusta al
variograma experimental:
Es evidente que el variograma teórico debe respetar al variograma
experimental, sobre todo en los primeros puntos, que son más
confiables.

El ajuste de variogramas constituye un punto crucial en un estudio

geoestadístico porque todos los cálculos posteriores se harán
utilizando exclusivamente el modelo teórico.

Para tener un buen ajuste, hay que considerar que uno de los
objetivos finales es la estimación 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:
 Modelo tridimensional de bloques. Existen tres
unidades geológicas (a bloque completo)

Vecindad de estimación. Para estimar el bloque de

la figura solo se utilizan los compósitos que están
dentro del círculo de radio R.
Si la vecindad de búsqueda es circular o esférica, sólo se utilizará
la función γ(h) hasta una distancia máxima de |h| = 2R.

En el caso de la figura siguiente, si se usa una vecindad restringida,

ambos modelos darán los mismos resultados; pero el modelo 2 es
más simple y más fácil de ajustar.
 LOS MODELOS DE VARIOGRAMA
En la Geoestadística también existen modelos de variograma, los cuales deben cumplir con las propiedades siguientes:

Sin embargo, la teoría demuestra que estas condiciones no son suficientes: En efecto, se puede probar que 𝛾(ℎ)
pertenece a una familia Ω de funciones (llamadas funciones de tipo negativo condicional) y la elección del modelo
debe quedar restringida a esta familia Ω.

Elegir un modelo en la familia garantiza la coherencia de los cálculos (no se obtienen, por ejemplo, varianzas
negativas). Por consiguiente, sólo hay que utilizar los modelos que describiremos a continuación (o bien
combinaciones de ellos, las cuales consisten en sumar dos o más modelos).
Modelo esférico: Es uno de los modelos más importantes. A menudo, el variograma de las leyes de cobre en un
depósito de cobre porfídico corresponde a este modelo.

Su ecuación es:

Variograma en la dirección NS calculado con

pozos de tronadura en la mina Lomas Bayas
(cobre porfídico) :A la izquierda la base de
datos en una planta (75000 pozos de
tronadura), a la derecha el variograma
esférico (en azul) y el experimental (puntos
rojos).

El alcance es del orden de 100 metros.

Modelo cuadrático: es muy similar al esférico pero es más simple. Lo que hace que su aplicación sea menor que el
modelo anterior.

Su formula es:

Modelo sinusoidal: Sirve para representar el efecto de hoyo; su ecuación es:

Modelo exponencial: Crece más lentamente que el esférico o cuadrático y tiene por ecuación:

La meseta es C; el alcance en teoría es infinito pero en la

práctica:

si h>3ω, entonces γ(h) ≅ C: el alcance práctico es 3ω.

Este modelo se presenta a veces en leyes que están asociadas a

fallas. El alcance práctico es aproximadamente iguala 3ω.
Variograma vertical para el cobre, material quebrado remanente de la explotación por
block-caving en mina Salvador. En azul el modelo exponencial, en rojo, los puntos
experimentales.
Modelo Gaussiano: Tiene un comportamiento parabólico en el origen, su ecuación es:

Modelo cúbico: Tiene un comportamiento parabólico en el origen pero su alcance es finito e igual a a; su ecuación
es:
Modelo Potencia: Este depende de C y el exponente ϴ. Su ecuación es:

En que ω > 0, 0 < α < 2. Un gráfico sería:

Esta familia de variogramas no presenta meseta. Un caso particular importante es cuando α = 1: γ(h)
es una recta, se llama variograma lineal.
Modelo efecto popita: Este modelo representa a un fenómeno completamente aleatorio, en el cual no hay
correlación espacial. No importa cuán cerca se encuentren los valores de las variables, siempre serán no
correlacionados.
LOS MODELOS DE VARIOGRAMAS MAS USADOS

La figura siguiente muestra los gráficos de estos últimos modelos:

c
Esférico
Exponencial

Gaussiana
 AJUSTE EN EL ESPACIO DE DOS O TRES DIMENSIONES

Un Variograma es isótropo si es idéntico en todas las direcciones del espacio. En caso contrario, existe anisotropía,
la cual indica que la variable regionalizada posee direcciones preferenciales en cuanto a su continuidad.
Sin embargo, en la práctica se dispone de un conjunto de variogramas 𝛾1(ℎ), 𝛾2(ℎ), . . . 𝛾𝑘(ℎ) correspondientes a
las direcciones 𝛼1, 𝛼2, . . . , 𝛼𝑘.

Direcciones en las cuales se ha calculado el variograma.

a) Caso isótropo: Es el caso más simple.

Se cumple que:

𝛾1(ℎ) ≅ 𝑦2(ℎ) ≅ 𝑦3(ℎ) … … . . ≅ 𝑦𝑘(ℎ)

Se utiliza entonces como modelo general el variograma ajustado al variograma omnidireccional:

γ(h) = γomni(|h|)

En esta notación:
Ejemplo: En este caso, el modelo isótropo ajustado es:

b) Caso anisótropo: En este caso los variogramas direccionales son en general diferentes:
En la práctica se distinguen dos tipos de comportamiento anisótropos del variograma:

Anisotropía Geométrica: existe cuando en las direcciones analizadas hay una misma meseta y diferentes
alcances.
Anisotropía zonal: Existe cuando hay un cambio de meseta dependiendo de la dirección.
Se define entonces el modelo de anisotropía zonal como un
modelo anidado (o imbricado), es decir:

En que γ1 y γ2 son modelos esféricos, de alcances respectivos de 10m y

de 40m y de mesetas respectivas de 0.5 y 0.5. Se dice que se tienen
dos estructuras:
CASO PRACTICO TIPO PRUEBA
Dados los siguientes 2 grupos de datos que corresponden a los variogramas N-S y E-W de una Mina

Distancia Valor Semivariograma N-S Valor Semivariograma E-W

0 0 0
10 14,837 14,482
20 20,803 17,970
30 24,422 19,725
40 26,617 19,899
50 27,948 19,963
60 28,755 19,986
70 29,245 19,995
80 29,542 19,998
90 29,722 19,998

a) Desarrolle gráficamente y determine mediante las fórmulas de los variogramas teóricos (Exponencial) a
qué modelo corresponden, cual es la ecuación de cada uno de ellos.

b) Determinar si existe anisotropía o no, de qué tipo, explique. (Realizar grafico de variograma)

c) Determine Meseta, Alcance y Efecto Pepita si poseen.

d) Escriba la ecuación del variograma omnidireccional, calcule utilizando éste los valores para
10,20,30,40,50,60 [m].
INTERPRETAR LOS VARIOGRAMAS
Variogramas en cortes pulidos de minerales. La variable regionalizada z(x) (indicador) se define como:

En los gráficos, el variograma EW es de color rojo y el NS de color azul. En este caso de dos estados (negro y
blanco), si se considera que z(x) es la realización de una función aleatoria Z(x), entonces se dice que Z(x) es un
conjunto aleatorio.

APROXIMADAMENTE ISOTROPICO
ANISOTROPICO CON PERODICIDADES

APROXIMADAMENTE ISOTROPICO
CON EFECTO PEPITA.
En la siguiente imagen consideremos el pixel como variable regionalizada.

Observemos el Variograma en la dirección Norte-Sur y Oeste-Este.

¿A dirección corresponde cada Variograma?

VARIANZA DE ERROR DE ESTIMACIÓN
ERROR DE ESTIMACIÓN

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

 N= Nº de datos
No se conoce la ley media de V : Zv
En la práctica , se estima la Ley media desconocida por una fórmula lineal del tipo:

Insesgado: Variación nula por ser su esperanza igual

En que los i verifican la condición de insesgado:
al parámetro que se desea estimar.

1   2  ......   n  1

Los pesos αi dependen del método de estimación utilizado:

Se asume que los αi son conocidos.

 El error de estimación es:

  zˆv  zv

Debido a que Zv es desconocido,

entonces ε es desconocido.

Renunciamos entonces a conocer el error en

signo y magnitud. Sin embargo, se puede
caracterizar probabilísticamente el error ε, al
utilizar el modelo matemático.

Asumimos entonces que ε es una variable

aleatoria, la cual tiene una cierta ley de
probabilidad caracterizada por una esperanza
matemática mE y una varianza σE2. La ley de
probabilidad del error es la ley normal o de
Gauss.

En Geoestadística esta aproximación es

razonable.
Se puede afirmar, con 95% de confianza que la ley verdadera es igual a la ley estimada ± dos sigma
(regla de las dos sigmas):

Se sabe que:

Obtenemos por otra parte:

zˆv    j z ( x j ) La ley real desconocida se calcula, en el caso de ser

posible, por el promedio de las leyes de todos los puntos x
zv  (1 / v)  z ( x)dx dentro de V.

 n 
2

 E  E   i z xi    z x dx  
2 1
La varianza del error de estimación es :
 i 1 V v  
  n  
2

 E  E   i z xi    z x dx  

2 1
La varianza del error de estimación es :
 i 1 V v  

 E2 v / V   2 (v,V )   (V ,V )   (v, v) 
N N=efecto pepita
Al desarrollar la expresión obtenemos:
n n=número de muestras

Antes de explicar cómo se calculan los términos en forma numérica, observamos que el error de estimación depende de:

 N : Número de datos

 Xi : Coordenadas de los datos

 V : La geometría y el tamaño del bloque

 (h) : la regularidad o irregularidad de los datos

 (j) El Método de estimación

 SIGNIFICADO DE LOS TÉRMINOS 2E
 E2 v / V   2 (v,V )   (V ,V )   (v, v) 
N
n

i) (v,v) muestra a muestra : Representa el valor de (h) siendo

h el vector que une los puntos Xi y Xj.

ii) (v,V) Muestra a Volumen: Representa el valor medio de la

función (h) de una muestra al volumen en la practica el volumen
se discretiza en puntos.
 La integral anterior se calcula por discretización
de V en k puntos. Entonces, la aproximación es:

La práctica recomienda un número mínimo de i) Si V es unidimensional: k ≥ 10 ptos.

puntos dentro de V de manera de obtener una ii) Si V es bidimensional : k ≥ 36 ptos.
precisión aceptable: ii) Si V es tridimensional: k ≥ 64 ptos.

iii) (V,V) Volumen a Volumen : representa el valor medio de la

función (h) del vector entre dos puntos al interior de un volumen.

87
 CASO EJEMPLO
En un bloque de 100 x 50 [m] debe calcularse la varianza de estimación utilizando 5 muestras ubicadas en el bloque.
Suponiendo que la variable regionalizada es representada por un modelo de variograma esférico, con una Meseta
C= 83, un alcance de a=150 [m] y un efecto pepita Co= 0.

 Determine la varianza de estimación discretizando el bloque en 4 partes.

DESARROLLO CASO
 3 h 1  h 3 
Suponiendo la variable regionalizada con un modelo de  ( h)  C *      ha
variograma esférico isotrópico, con una Meseta C= 83, un  2 a 2  a  
alcance de a=150 [m] y un efecto pepita Co= 5.
C ha

VARIOGRAFÍA


3 h 1 h  
3

 (h)  5  78sph(150) h  150  (h)  5  78 *      h  150

 2 150 2  150  
83 h  150
83 h  150
 Solución
 (v, V )  32,556
 (v, v)  32,697
 (V , V )  26,193

 E2 v / V   2 (v,V )   (V ,V )   (v, v) 
N
n
 E2 v / V   2 * 32,556  26,193  32,697 
0
5
 E2 v / V   6,221
EL KRIGEADO
KRIGING

En términos mineros, el Kriging consiste en encontrar la mejor

estimación lineal insesgada de un bloque o zona V,
considerando la información disponible; es decir, las muestras
interiores y exteriores a V.

El Kriging atribuye un peso i a las muestras Z(xi). Estos pesos se calculan de manera de minimizar la varianza
del error cometido.
El interés de Kriging proviene de su misma definición:
Al minimizar E2 estamos seguros de obtener la estimación más precisa posible de V o equivalentemente, de
sacar el mejor provecho posible de la información disponible.
De acuerdo a lo anterior, el Kriging define el estimador con la condición de insesgado:

zˆk  1 * z( x1 )  2 * z( x2 )  ....  n * z( xn )
1  2  .....  n  1

Se basa en un modelo probabilístico. La idea es ver el

error como una variable aleatoria e imponerle ciertas
condiciones:

Su esperanza es nula.
Su varianza es pequeña.

93
El interés práctico más importante del krigeado, proviene,
no del hecho que asegura la mejor precisión posible, sino
más bien porque permite evitar un error sistemático.
En la mayoría de los depósitos mineros, se deben El color amarillo representa mineral (con ley 1) y el
seleccionar, para la explotación, un cierto número de blanco estéril (con ley 0). Los círculos representan los
bloques, considerados como rentables y se deben datos.
abandonar otros bloques considerados no-explotables
Se observa que, en general, es necesario utilizar datos
externos al bloque.
Si esta selección se realizara considerando exclusivamente las
muestras interiores a cada bloque, resultaría necesariamente (en
promedio) una sobre-estimación de los bloques seleccionados.

La razón de este problema es que el histograma de las leyes

reales de los bloques tiene menos leyes extremas, ricas o
pobres, luego tiene más leyes intermedias que el histograma
calculado con las muestras interiores.

Los paneles eliminados serán en realidad menos pobres que lo

que se había previsto, y los paneles conservados menos ricos.
MÉTODO DE LAGRANGE
El método clásico para minimizar la expresión de σE2 (igualar a cero las derivadas parciales de σE2 respecto de λ1, λ2, .
. . , λN) no asegura que la suma de los λi sea 1. En este caso hay que utilizar el método de Lagrange, el cual
explicaremos con un ejemplo matemático:

Minimizar la función A = x2 + y2 si x + y = 1.

El método de Lagrange define la función A'

Si se verifica la condición x + y = 1, entonces A' = A.
siguiente:

El método de Lagrange consiste en igualar a cero x = 0.5

las derivadas parciales de A': y = 0.5
μ = 0.5
Se demuestra que al realizar N + 1 derivaciones se obtiene el sistema de ecuaciones siguiente:
KRIGING ORDINARIO

 
 2
k   2
yy  1  y1  2  y 2  
n 
 2 k   2 yy   i  yi  
i 1
n
Z   i Z i
*

i 1

= Multiplicador de Lagrange
EJEMPLO 1
En el caso del yacimiento isótropo de la figura, estudiado anteriormente:

Bloque a krigear, en negro la ley de la

muestra, en azul el número de la muestra.

λ1 = 0.77
λ2 = 0.23
⇒ ZV = 0.77 x 35 + 0.23 x 41 = 36.38
2 σE = 2.37
⇒ ZV = 36.38 ± 2.37 (con 95% de confianza)
CASO PRACTICO
En un yacimiento isótropo calcule la ley con un 95 % de confianza. Se sabe que el bloque posee dimensiones
de 3 x 3 [m] y el variograma representado se ve a continuación.
Discretice el bloque en 4 partes.
Variograma

Ley
1 3 mt
*
x2 X1=0,5

* X2=0,7
x1 3 mt
 Formulas y ecuaciones

 k   (V ,V )  1 ( x1 ,V )  2 ( x2 ,V )  
2

n
Z *   i Z i  2
i 1
 
 ( x1 ,V )
distancia semi vario
d1 0.75 0.75 1.061 0.530
d2 0.75 2.25 2.372 1

  d3 2.25 0.75 2.372 1
 ( x1 ,V )  0,883 3 mt d4 2.25 2.25 3.182 1
  suma 3.530
* semi(x 1,V) 0.883
x1 3 mt
distancia semi vario
 d1 0.75 0.75 1.061 0.530
 ( x2 , V ) d2 0.75 0.75 1.061 0.530
d3 0.75 0.75 1.061 0.530
d4 0.75 0.75 1.061 0.530

 
 ( x2 ,V )  0,530 * 3 mt
suma 2.121
x2 semi(x 2,V) 0.530
 

 (V ,V )

distancia semi vario

d1 1.5 0 1.500 0.750
  d2 1.5 0 1.500 0.750
d3 0 0 0.000 0
3 mt d4 1.5 1.5 2.121 1
 
suma 2.500
3 mt semi(1,V) 0.625

 (V ,V ) 
1
 (1,V )   (2,V )   (3,V )   (4,V )
4
 (1,V )   (2,V )   (3,V )   (4,V )
1
 (V ,V )  (4 * 0,625)
4
 (V ,V )  0,625
 
1 ( x1 , x1 )  2 ( x1 , x2 )     ( x1 ,V )

1 ( x2 , x1 )  2 ( x2 , x2 )     ( x2 ,V )

1  2 1 INCOGNITAS:

  0,207
1  0,324
1 * 0  2 *1    0,883 2  0,676
1 *1  2 * 0    0,530

1  2 1
RESUMEN DE RESULTADOS
 k   (V ,V )  1 ( x1 ,V )  2 ( x2 ,V )  
2

 k  0,625  0,324 * 0,883  0,676 * 0,530  0,207

2

 k  0.226
2

 k  0.476
Z *V  1 * x1  2 x2
Z *V  0.324 * 0.5  0.676 * 0.7
ZV*
 0.635
ZV*
 0.635  2 * 0.476  0.635  0.952
ZV*
 0.635  0.952
EJEMPLO PRACTICO
Se desea estimar la ley real de los bloques Y, Z, se sabe que sus dimensiones son de 20 x 20 [m]. La variable
regionalizada es estacionaria con un modelo de variograma isotrópico exponencial, con una meseta de 2,0, un
alcance de 60 [m] y un efecto pepita de 0,5. Discretice los bloques Y,Z en 4 partes.

La distancia de las muestras x1 y x2 es de 75 [m] y están en el centro de cada bloque. La leyes de las muestras son
las siguientes:

x1=300 (g/t)
x2= 500 (g/t)

a) Calcules mediante Kriging ordinario la ley y el error de kriging para el bloque Y y Z.

b) Calcules mediante Kriging ordinario la ley y el error de kriging para el bloque Y y Z, considerando un
efecto pepita de 1,5. Concluya
 SOLUCIÓN
VARIOGRAFIA
a)  h 
 ( h)  0,5  1,5EXP(60) h  60  ( h)  0,5  1,51  EXP  h  60
2,0 h  60  60 
2,0 h  60

b)  h 
 ( h)  1,5  0,5EXP(60) h  60  ( h)  1,5  0,51  EXP  h  60
2,0 h  60  60 
2,0 h  60
PARA BLOQUE Y

1 * 0,5  2 * 2    0,667
1 * 2  2 * 0,5    2

1  2 1
GRACIAS
Andrés López Cayupi
Ingeniero Ejecución en Minas
andres.lopez25@inacapmail.cl