Geoestadistica Lineal

Geoestadstica Lineal
GEOESTADSTICA
IIN
NG
AE
GE
EN
EN
NM
NIIE
MIIN
ER
NA
RIIA
ASS
A
TIIC
CA
A
APPU
UN
NT
TE
ESS C
CU
UR
RSSO
OG
GE
EO
OE
ESST
TA
AD
DIISST
L
LIIN
NE
EA
AL
L..
PPA
AR
RT
TE
E 11
T
RIIA
A..
TE
EO
OR
CURSO DE GEOESTADISTICA
INGENIERIA EN MINAS
GEOESTADSTICA
REFERENCIAS BIBLIOGRAFICAS.
SERGE SEGURET
DAVID M.
ESTIMATION
XAVIER EMERY
CURSO : GEOSTADISTICA LINEAL
UNIVERSIDAD DE CHILE
MARCO ALFARO
DE ANTOFAGASATA
CURSO DE GEOESTADISTICA UNIVERSIDAD
MARCO ALFARO
REGIONALIZADAS
APLICACIN DE LA TEORIA DE VARIABLES
CLAUDIO
PACHECO
APLICACION
PRACTICA
GEOESTADISTICA A UN YACIMIENTO SIMULADO
MARIO ROSSI
BUSTILLO R./ LOPEZ J. MANUAL DE EVALUACIN

EXPLOTACIONES MINERAS
HOWARD L. HARTMAN SME MINING ENGINEERING HANDBOOK
JOSE DELGADO
APUNTE DE TRABAJO ENSMP

GEOSTATISTICAL ORE RESERVE
DE
LA
GEOESTADISTICA DE INDICADORES
Y DISEO DE
APUNTES DE TRABAJO U.A
INGENIERIA EN MINAS
GEOESTADSTICA
1.
INTRODUCCION
1.1
DEFINICION E HISTORIA.
La geoestadstica es una disciplina relativamente nueva que se ha desarrollado y

consolidado en los ltimos treinta aos como una ciencia predictiva, con una slida base
terica y un decidido nfasis en aplicaciones a casos de la vida real, como por ejemplo a la
estimacin de reservas de minerales.
La geoestadstica existe nicamente como respuesta a necesidades prcticas
concretas (y esta es la base de su xito). Con esta filosofa, la Geoestadstica naci por
inspiracin de un ingeniero de minas sudafricano, Daniel Krige, (Krige 1951; Krige,
1957), se desarroll por ms de quince aos casi exclusivamente en el campo minero, y se
mantiene an como una ciencia aplicada. En un esfuerzo por generar un modelo terico,
fue la escuela matemtica francesa la que consolid sus bases en lo que hoy se conoce
como la teora de las variables regionalizadas ( George Matheron, 1962). Esta concepcin
terica nace de la necesidad de diferenciar datos numricos, aparentemente del mismo
tipo, pero cuya posicin espacial, los hace distintos para anlisis geolgicos.
Esto ha originado una nueva definicin de la geoestadstica; la aplicacin de la
teora de las variables regionalizadas al reconocimiento y estimacin de un fenmeno
natural.
1.2.
CAMPO DE APLICACION
El campo de aplicacin ms importante de la geoestadstica es, sin duda, la

minera. Sin embargo, el formalismo terico que la sustenta es de un carcter ms general,
permitiendo que esta teora se aplique a muchos campos distintos al mbito minero, como
son la gravimetra, hidrogeologa, reconocimiento forestal, ecologa, etc.
Ejemplos importantes de aplicacin son:
En la prediccin de leyes de mena globales (de todo un depsito) o locales (por

ejemplo, predicciones de la ley de mena de la semana entrante o de un cierto sector
del yacimiento).
En la aplicacin de sus contenidos temticos durante las distintas fases de la

exploracin, particularmente
en la decisin de dnde y cunto muestrear
(planificacin minera).
En la determinacin de las mezclas ptimas de mineral para su envo a la planta.
INGENIERIA EN MINAS
GEOESTADSTICA
1.3
IMPORTANCIA DE LA GEOESTADISTICA EN LA MINERIA
La Geoestadstica considera que cualquier punto de un depsito est espacialmente

relacionado con sus vecinos y cuanto ms cerca mucho mayor es la correlacin. Basado en
esta hiptesis, la geoestadstica se convierte en una avanzada herramienta para la
estimacin de reservas, resolviendo en gran medida las dudas planteadas por otras
tcnicas. La base terica de la geoestadstica permite cuantificar los conceptos geolgicos
de:
Area de influencia ( rango)

Erraticidad del depsito en estudio ( efecto pepita)
Zonas de alta, regular y baja mineralizacin ( anisotropa)
Estimacin, inferencia o interpolacin de valores a zonas donde no se tiene
informacin, minimizando el error posible.
Error de estimacin para cada punto o bloque estimado, lo cual permite conocer los
lmites de confiabilidad de la estimacin.( Ninguna otra tcnica permite conocer estos
valores punto a punto).
Optimizacin del muestreo para reducir el error de estimacin, y por consiguiente
tener un gran ahorro econmico para futuras campaas de muestreo en el mismo
depsito.
Grfica de toda esta informacin, lo que representa una valiosa ayuda en la toma de
decisiones.
La Geoestadstica no resuelve todos los problemas en la estimacin de recursos

minerales, puede considerarse como una herramienta que bien usada puede dar muy
buenos resultados. Un punto que se debe enfatizar es que cualquiera sea el mtodo de
estimacin que se use, siempre el resultado conlleva algn error y la Geoestadstica no es
inmune a esta situacin.
No se debe olvidar que el objetivo principal de una estimacin de reservas
consiste en tratar de representar los resultados de los anlisis de los datos del muestreo a
todos los puntos del depsito que interesa, y por lo tanto, obtener el dato de ley y tonelaje
que ms se ajuste a la realidad.
La siguiente figura N 1 representa en forma esquemtica la funcin de la
Geoestadstica:
INGENIERIA EN MINAS
5
KRIGING
DISYUNTIVO
EXPECTACION
CONDICIONAL
KRIGING
ORDINARIO
KRIGING
INDICADOR
KRIGING
LOGNORMAL
NO LINEAL
LINEAL
ESTACIONARIO
LINEAL
GEOESTADISTICA
UNIVARIABLE
KRIGING
UNIVERSAL
NO ESTACIONARIO
NO LINEAL
COKRIGING
INDICADOR
COKRIGING
LINEAL
ESTACIONARIO
GEOESTADISTICA
MULTIVARIABLE
GEOESTADSTICA
INGENIERIA EN MINAS
GEOESTADSTICA
2.
VARIABLES REGIONALIZADAS
2.1
DEFINICION
La Geoestadstica establece que la distribucin estadstica de la diferencia en el

valor de una variable (ley) entre pares de puntos (muestras) es similar a lo largo del
yacimiento y que depende de la distancia y orientacin entre los pares de puntos. Este
concepto, denominado concepto de estacionariedad, es el punto de partida de la
Geoestadstica y, aunque no siempre se cumple, muy frecuentemente se asume. As pues,
si bien la Estadstica clsica considera slo la magnitud de los datos y no toma en cuenta
ningn aspecto relacionado con la posicin del dato, la Geoestadstica considera no slo el
valor del punto, sino tambin la posicin de ese punto dentro del cuerpo mineralizado y su
relacin con otras muestras. Desde un punto de vista prctico, estacionariedad implica la
decisin de trabajar con muestras localizadas en una determinada rea, en forma conjunta
y derivar estadsticas e inferir parmetros de la funcin aleatoria de ellas. Si una funcin
aleatoria es estacionaria, entonces los descriptores univariables (como por ejemplo la
media, o la mediana) son independientes de las coordenadas de la muestra. De la misma
manera, parmetros como la covarianza o el correlograma son independientes de la
ubicacin de cada una de las variables, y dependientes de su separacin.
Una regionalizacin es el desplazamiento en el espacio (o en el tiempo) de un
cierto fenmeno que puede caracterizarse por magnitudes.
Una variable puede considerarse "Regionalizada" si est distribuida en el espacio y
si tiene (o muestra) algn grado de correlacin espacial.
La ley de mena, espesor de una formacin y la cota (altitud) de la superficie de la
tierra, son ejemplos de variables regionalizadas. En realidad, casi todas las variables que
se encuentran en las ciencias de la tierra pueden ser consideradas como variables
regionalizadas. Una variable regionalizada es una funcin Z(x), que representa el valor,
segn su ubicacin en el espacio, de una variable asociada a un fenmeno natural. Pero
esta funcin Z(x) no se comporta como las funciones matemticas clsicas, debido que es
muy desordenada en su variacin espacial. (ver Fig. N 2)
FIGURA N 2 COMPORTAMIENTO IDEAL
z(x)
z(x)
Lo ideal
matemticamente
INGENIERIA EN MINAS
GEOESTADSTICA
Una variable regionalizada se presenta bajo dos aspectos

contradictorios:
Un aspecto aleatorio
a otro.
Un aspecto estructural
2.2
aparentemente
: gran irregularidad y variaciones imprevisibles de un punto

: particular a cada regionalizacin.
NOTACIN CONDENSADA.
Antes de estudiar ejemplos de variables regionalizadas se menciona que en

geoestadstica se utiliza la notacin condensada: un punto del espacio se representa por la
letra x; la ley en este punto se representa por Z(x). En consecuencia, se pueden anotar:
Z(x)
Z(x,y)
Z(x,y,z)
2.3
para una variable regionalizada en un problema unidimensional. (1-D)

para una variable regionalizada en un problema bidimensional. (2-D)
para una variable regionalizada en un problema tridimensional. (3-D)
CAMPO Y SOPORTE.
Se llama campo a la zona en la cual se estudia la variable regionalizada.

El soporte es el volumen de la muestra (que puede ser el volumen que se saca para medir
ley). Se usa para indicar el tamao, la forma y orientacin de la muestra, es decir el
volumen y la geometra de la muestra. (ver Fig. N 3)
El punto xes el centro de gravedad del soporte.
FIGURA N 3 SOPORTE
Testigo
cilndrico
INGENIERIA EN MINAS
GEOESTADSTICA
Se usar Z(x) para representar la ley del volumen de muestra localizado en el punto x.
Nota: en el estudio de una variable regionalizada no es conveniente mezclar soportes
diferentes.
2.4
OBJETIVOS DE LA TEORA.
La teora de las variables regionalizadas se propone dos objetivos principales:
A.
B.
A.
En el plano terico, expresar las caractersticas estructurales de una variable

regionalizada mediante una forma matemtica adecuada.
En el plano prctico, resolver el problema de la estimacin de una variable
regionalizada, a partir de un muestreo fragmentario.
Caractersticas Estructurales
Se entiende por caractersticas estructurales:
A.1. Continuidad de las leyes: Diferenciar y caracterizar la regularidad de un

yacimiento en casos tales como en la Fig. N 4
FIGURA N 4 CONTINUIDAD DE LAS LEYES
Z1(x)
Yacimiento 1
x
Z2(x)
Yacimiento 2
INGENIERIA EN MINAS
GEOESTADSTICA
A.2. Anisotropa: Detectar direcciones privilegiadas de la mineralizacin (ver Fig. N5)

FIGURA N 5 ANISOTROPIA
Anisotropa
Hay una direccin

privilegiada de la veta
B.
Problema de Estimacin
Se entiende por resolver el problema de estimacin, el determinar de manera

satisfactoria una estimacin de una variable regionalizada a partir de un conjunto de
muestras, asignando errores a las estimaciones (globales y locales).
(Ec. 1)
Los 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.
Para alcanzar estos objetivos es necesario introducir un modelo matemtico.
3.2.1. MODELO MATEMATICO

Para alcanzar los objetivos propuestos por la geoestadstica 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 estadstica clsica, se consideran los valores muestreados como realizaciones
independientes de una misma variable aleatoria, es decir, que se suponen independientes
unas de otras, y obedecen a la misma ley de probabilidad. Se busca entonces modelar la
distribucin de probabilidad de los valores y estimar sus parmetros. Sin embargo, cuando
INGENIERIA EN MINAS
GEOESTADSTICA
10
los datos estn ubicados en el espacio geogrfico, las hiptesis de la estadstica clsica son
raramente aceptables. Por lo tanto se debe definir el concepto de variable regionalizada,
que se trata simplemente de una funcin definida en todo punto del espacio geogrfico y
que representa numricamente el fenmeno regionalizado estudiado.
Una variable regionalizada posee las siguientes caractersticas, contradictorias en
apariencia:
1) localmente, es muy irregular, o errtica, y requiere un modelamiento probabilstico;
2) globalmente, presenta cierta estructura en el espacio (zonas de altos valores o ricas /
zonas pobres), lo que sugiere una cierta interpretacin funcional.
FIGURA N6: Aspectos local y global de una variable regionalizada

14
30
12
25
10
20
z(x)
zona
pobre
z(x)
8
15
10
20
local
40
zona
rica
0
200
global
400
Los modelos geoestadsticos consideran el valor z(x) de la variable regionalizada en un

punto x del campo D como una realizacin de una variable aleatoria Z(x). Las variables
aleatorias Z(x) as definidas no son independientes. Por el contrario, estn correlacionadas,
y son precisamente sus correlaciones las que reflejarn la estructura del fenmeno
regionalizado, y en especial su grado de continuidad y regularidad espacial. As en
INGENIERIA EN MINAS
10
GEOESTADSTICA
11
geoestadstica probabilstica, se interpreta la variable regionalizada como una

realizacin de una funcin aleatoria.
Llamamos funciones aleatorias a un grupo de variables aleatorias distribuidas en el
espacio, cada una identificada por su correspondiente coordenada espacial, y cuya
dependencia entre s est gobernada por un mecanismo probabilistico. Es decir, una
funcin aleatoria es una funcin Z(x) que asigna a cada punto x del espacio un valor que
depende del azar. Al hacer un experimento sobre una funcin aleatoria se obtiene un a
funcin ordinaria z(x) llamada 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 un acierta funcin aleatoria. Lo anterior
equivale a decir que las leyes de nuestro yacimiento se generaron a partir de un proceso o
experimento muy complejo.
Este enfoque permite tomar en cuenta los aspectos errticos y estructurados de la
variable regionalizada:
1) localmente, en el punto x, Z(x) es una variable aleatoria (de donde proviene el aspecto
errtico);
2) para todo conjunto de puntos x1, x2, xk, las variables aleatorias Z(x1), Z(x2), Z(xk)
no son, en general, independientes, sino que estn ligadas por unas correlaciones que
cuantifican la semejanza entre los valores que toman (de donde proviene el aspecto
estructurado).
En geoestadstica lineal, se usan slo los dos primeros momentos (Los momentos
de una funcin aleatoria son parmetros descriptivos de su ley espacial, bastantes simples,
como para ser, a menudo, fciles de calcular.) de la funcin aleatoria. Entregan una
descripcin elemental de la ley espacial, y son suficientes para resolver la mayor parte de
los problemas encontrados en la prctica.
3.2.2. CONTINUIDAD ESPACIAL.
En geoestadstica se entiende por medida de la continuidad espacial al anlisis de
covariogramas, variogramas y correlogramas.
Se presentan a continuacin algunas funciones bsicas utilizadas para describir la
medida de la continuidad espacial entre dos variables:
INGENIERIA EN MINAS
11
GEOESTADSTICA
12
3.2.1. Covariograma
(Ec. 2)
Donde N(h) es el nmero de parejas (z(xi), z(xi + h)) de datos a una distancia h dada. m-h
es la media de los valores izquierdos (si existen) de las parejas de datos a distancia h,
definida por:
(Ec.3)
Anlogamente,
(Ec. 4)
Define la media de los valores derechos (si existen) de las parejas de datos a distancia h.
3.2.2. Correlograma
(Ec. 5)
donde C(h) es la covarianza, s-h y s+h son las varianzas correspondientes a cada lado de
los pares a distancia h.
INGENIERIA EN MINAS
12
GEOESTADSTICA
13
(Ec. 6)
(Ec. 7)
3.2.3. Variograma
Es una representacin grfica de la interdependencia direccional de las leyes de las
muestras.
(Ec. 8)
3.3.
RELACIONES ENTRE LAS

CONTINUIDAD ESPACIAL
FUNCIONES
DE
MEDIDA
DE
LA
Las relaciones entre las funciones con que se caracteriza a la continuidad espacial
se cumple si los datos son considerados como estacionarios. El carcter estacionario
implica la homogeneidad de Z(x) en el espacio y significa que el fenmeno representado
Z(x) se repite indefinidamente en el espacio.
Una funcin aleatoria es estacionaria de segundo orden si la variable aleatoria z(x0)
admite una esperanza matemtica independiente del punto de apoyo x0:
m = E { Z (x)}
(Ec. 9)
INGENIERIA EN MINAS
13
GEOESTADSTICA
14
y si para todo vector h la covarianza est dada por:

C(h) = E { Z(x0) Z(x0+h) }
(Ec. 10)
existe y es independiente de x0. La covarianza da una visin elemental del acoplamiento

que existe entre Z(x1) y Z(x2). Es una forma bilineal, donde la varianza es la forma
cuadrtica asociada. Pero esta hiptesis supone la existencia de una varianza a priori finita
C(o), es decir
C(0) = E { [Z(x)]2 }
(Ec.11)
que es la varianza de la variable aleatoria Z(x0).

Es as como los autores de Africa del Sur (D.G. Krige..) a partir del enorme
archivo de datos del Yacimiento de Oro de Rand, calcularon la varianza de estas muestras
en paneles ms y ms grandes, finalmente en todo el conjunto del Yacimiento de Rand se
pudo concluir con certeza que no existe en este caso una varianza a priori finita.
Luego se debi reemplazar la hiptesis estacionaria de segundo orden por una
hiptesis ms dbil, pero de significacin anloga:
Hiptesis Intrnseca:
An en el caso en que la varianza a priori C(o) no existe (es infinita) puede suceder
que los incrementos: Z (x0+h) - Z(x0) tengan una varianza finita. Diremos entonces que
la funcin aleatoria Z(x) verifica la hiptesis intrnseca si, para todo vector h, el
incremento Z (x0+h) - Z(x0) verifica las hiptesis:
Hiptesis Intrnseca
E [ Z(x+h) - Z(x) ] = m (h)
(Ec. 12)
INGENIERIA EN MINAS
14
GEOESTADSTICA
15
Luego la funcin g (h) :
(Ec. 13)
Se llama semivariograma o funcin intrnseca. Una funcin aleatoria que verifica
la hiptesis intrnseca constituye lo que se llama esquema intrnseco, caracterizado por su
semivariograma.
Si Z(x) verifica la hiptesis estacionaria de segundo orden, el variograma y
covariograma estarn relacionados:
E [ z(x+h) - z(x) ]
= E [ z(x+h)] - E[ z(x) ] = 0
E {[ z(x+h) - z(x) ]2} = E { [ z(x+h)]2 + [ z(x) ]2 - 2[ z(x+h) z(x)] }

= E{ [z(x+h) ]2 } + E{ [ z(x) ]2 } - 2E [ z(x+h) z(x)]
2 (h) = 2C(0) - 2C(h), luego se tiene
(h) = [2 - C(h)]
(Ec. 14)
La relacin entre el semivariograma y el covariograma cuando las condiciones de

estacionaridad de segundo orden se cumplen est dada por:
(h) =
2 - C(h)
(Ec. 15)
donde s2 es la varianza de los datos, C(h) es el covariograma.

La relacin entre el semivariograma y el correlograma queda dada por:
INGENIERIA EN MINAS
15
GEOESTADSTICA
16
(h) = 2 [ 1- (h)]
(Ec. 16)
FIGURA N 3.8
Co
(h)
(h)
Co
h
FIGURA N 3.9
(h)
2
(h)
En general se cumple:
=/ 0
2
(0) =1 =/ 0
C(h)= (h)
2
(0) = 0
h
INGENIERIA EN MINAS
16
GEOESTADSTICA
17
4.
VARIOGRAMA
4.1
DEFINICION
Puesto que la Estadstica clsica considera las muestras como aleatorias y

completamente independientes entre s, mientras que la Geoestadstica asume una
correlacin entre ellas, una forma de expresar dicha correlacin es a travs de una funcin
denominada variograma o semivariograma
El Variograma es considerado un elemento esencial en el anlisis espacial de datos.
Bsicamente, el Variograma es una herramienta matemtica que intenta capturar el nivel
de continuidad de una funcin aleatoria. David (1978) define el Variograma como una
funcin que mide el grado de similitud (correlacin) o dependencia entre dos pares de
muestras separadas a una distancia h, en una direccin establecida. (ver Fig. N10)
FIGURA N 10 VARIOGRAMA
x+ h
Esta funcin define, por tanto, la correlacin espacial entre los valores
muestreados. El variograma o semivariograma se obtiene calculando, para cada distancia
de separacin entre las muestras (lag) en una determinada direccin, la diferencia al
cuadrado de los valores de dichas muestras. La definicin terica de la funcin
semivariograma g (h) es:
(h) = (1/2) E [ z(x+h) - z(x)]
(Ec. 17)
INGENIERIA EN MINAS
17
GEOESTADSTICA
18
Y en la prctica se usa el algoritmo siguiente:
(h) = (1/2)
Promedio
(diferencias) de leyes
en datos que estn a
la distancia h
}
(Ec. 18)
Propiedades del Variograma:
El variograma es simtrico:
Se anula en el origen:
Es positivo o nulo:
(h)
(h).
(0) 0.
(h) 0.
La gran ventaja del variograma es que incorpora parmetros estructurales tales como:
Continuidad o falta de continuidad de la mineralizacin se refleja en la razn del

incremento del g (h) para valores pequeos de h.
Zona de influencia conocido como alcance y que representa la distancia en la cual
influye el valor de una muestra sobre las muestras vecinas.
Anisotropa es una medida de los cambios laterales en la mineralizacin.
Correlacion es conocido como meseta y representada en el grfico por la altura
mxima que alcanza. Tambin es la variacin que existe entre las muestras separadas a
cierta distancia dentro de un depsito mineral.
La velocidad del incremento de g(h) con el lag es un reflejo de la velocidad a la cual la

influencia de una muestra disminuye con la distancia, y nos da una definicin adecuada de
la denominada zona de influencia. La distancia en la que g(h) se hace constante
corresponde al punto en el que la covarianza cov(h) entre muestras adyacentes disminuye
hasta cero. Esta distancia define el lmite de la zona de influencia de una muestra.
INGENIERIA EN MINAS
18
GEOESTADSTICA
19
4.2.
CONSTRUCCION DE UN VARIOGRAMA
Antes de construir el variograma asociado a una variable regionalizada es

conveniente efectuar un anlisis de los datos. Entre otras cosas hay que examinar:
Soporte de la variable: est bien definido?

Mtodo de muestreo.
Implantacin y orientacin de sondeos.
Tcnicas de anlisis: existen errores de cuarteo, de anlisis?
Crtica general del reconocimiento. es sistemtico, existen sesgos?
Homogeneidad: no mezclar zonas heterogneas.
La siguiente figura N 11 muestra el papel del variograma como herramienta en el

anlisis espacial de datos.
En la prctica, la construccin de un Variograma se puede lograr en una, dos o tres
dimensiones (en otras palabras, en una lnea, una superficie o un volumen).
INGENIERIA EN MINAS
19
MESETA
ESTRUCTURAS
RANGO
20
a1
SOPORTE
RANGOS
a2
MUESTRAS
VARIOGRAMA
PUNTO
VARIOGRAMA
RELATIVO
VARIOGRAMA
CRUZADO
VARIOGRAMA
RESIDUAL
VARIOGRAMA
INDICADOR
VARIOGRAMA
SIMPLE
TIPOS
REGULAR
EFECTO
PEPITA
a1
VARIOGRAMA
CRUZADO
VARIABLE 2
VARIABLE 1
VER.
HOR.
ALEATORIO
ESTRATIFICADO
MULTIVARIABLE
GEOESTADISTICO
ANALISIS
UNIVARIABLE
GEOESTADISTICO
ANALISIS
CORREGIONALIZACION
ELIPTICO
ANISOTROPIAS
CONTINUOS
CONTINUIDAD CERCA
DEL ORIGEN
a2
ZONA DE INFLUENCIA
GEOESTADSTICA
20
INGENIERIA EN MINAS
GEOESTADSTICA
21
4.2.1.1.
COMPORTAMIENTO
PEQUEAS
DEL
VARIOGRAMA
PARA
DISTANCIAS
Se estudiar el comportamiento de la funcin g(h), para distancias pequeas.

Se analizar cuatro casos en la siguiente figura N 12
FIGURA N 12 VARIOGRAMAS PARA DISTANCIAS PEQUEAS

Caso 1:
Leyes muy regulares y continuas. Z(x) es una funcin muy regular, su
interpretacin en un variograma es en forma parablica en el origen.
(h)
Ley
x x+h
Caso 2:
Leyes un poco irregulares. En este caso la interpretacin a travs un
variograma genera un comportamiento lineal en el origen.
(h)
Ley
INGENIERIA EN MINAS
21
GEOESTADSTICA
22
Caso 3:
Leyes con microvariaciones. Su interpretacin a travs de un variograma
genera un efecto pepita, es decir existe una discontinuidad aparente.
II
(h)
Ley
Co
Caso 4:
Leyes con Irregularidad total. (sin ninguna relacin)
Ley
II
(h)
INGENIERIA EN MINAS
22
GEOESTADSTICA
23
4.2.1.2.
COMPORTAMIENTO
GRANDES
DEL
VARIOGRAMA
PARA
DISTANCIAS
Se estudiar el comportamiento de la funcin g(h), para distancias grandes. Se

analizar tres casos en la Fig. N 13
FIGURA N 13 VARIOGRAMAS PARA DISTANCIAS GRANDES

Caso 1:
Leyes con crecimiento (decrecimiento) progresivo.
(h)
Ley
Caso 2:
Leyes con pseudo-periodicidades . En el caso que exista periodicidad no se
observa una tendencia clara del variograma a escala de observacin que se tenga.
Normalmente entre lo que podra llamarse un ciclo, se observa la formacin de una
dispersin que frecuentemente se conoce como efecto hoyo.
(h)
Ley
h
0
INGENIERIA EN MINAS
23
GEOESTADSTICA
24
Caso 3:
Fenmeno estacionario (sin pseudo periodicidades y tendencias).
(h)
Ley
4.2.2. CONSTRUCCION DE UN VARIOGRAMA PARA UNA MALLA REGULAR

BIDIMENSIONAL.
Se usar una malla regular (ver fig. N 14) para una mejor visin grfica.
FIGURA N 14 MALLA REGULAR BIDIMENSIONAL.
Se sabe que el semivariograma depende de h que ahora toma un carcter

vectorial en dos dimensiones. (ver fig. N 15)
INGENIERIA EN MINAS
24
GEOESTADSTICA
25
FIGURA N 15 DIAGRAMA VECTORIAL

En este caso h es un vector
h = (hx, hy)
h = (h,)
coordenadas cartesianas
coordenadas polares
hy
hx
La prctica demuestra que para estudiar la estructura basta con calcular el variograma g
(h) en cuatro direcciones. Por ejemplo: q = 0, q = 45, q = 90, y q = 135.
4.2.3 CONSTRUCCION DE UN VARIOGRAMA PARA UNA MALLA IRREGULAR
BIDIMENSIONAL.
En la figura N 16 puede verse la localizacin irregular de los datos.
FIGURA N 16 MALLA IRREGULAR BIDIMENSIONAL.
INGENIERIA EN MINAS
25
GEOESTADSTICA
26
Para calcular el variograma a una distancia h=(hx, hy) lo ms probable es que no se

encuentre ningn o muy pocos pares de datos que estn exactamente a esa distancia. El
mtodo de los sectores puede solucionar este problema.
Mtodo de los sectores.
Este mtodo se basa en la aproximacin siguiente, determinada por los elementos

de la ilustracin que se muestra en la figura N 17: Dos puntos se considerarn a la
distancia h si una vez fijado el primero, el segundo cae en la zona achurada de la figura.
FIGURA N 17
FIGURA DE BUSQUEDA
h1 = h2 = h
B
A
INGENIERIA EN MINAS
26
GEOESTADSTICA
27
En ella se ha procedido como sigue:

1.
Se fija un punto A en uno de los datos de la malla irregular, respecto del cual se va
identificar la distancia h.
2.
Con vrtice en A, se definen los parmetros de construccin de la figura de

bsqueda (sector achurado) en donde se identifica:
Un ancho de Banda (mximum bandwidth)
Un ngulo de tolerancia ( q )
Una tolerancia en distancia (e).
3.
Una vez establecido el sector achurado o lag, se determina la pareja asociada a AB,
donde B es un dato del lag a la distancia h de A.
4.
Al pasar por cada uno de los datos se realiza el procedimiento anterior para
determinar el nmero de parejas asociados a distintas distancias h (identificados
por los lag en la fig. N 3.18).
FIGURA N 3.18 FIGURA DE BUSQUEDA A DISTINTOS LAG
Maximun
bandwidth
lag
Tolerancia
lag 4
lag 3
lag de
espaciamiento
lag 2
lag 1
lag 0
Direccin
Tolerancia
Angular
X
Nota: Estas figuras de bsquedas se realizan en las direcciones principales de estudio.

INGENIERIA EN MINAS
27
GEOESTADSTICA
28
Este mtodo tiene problemas, ya que pueden caer ms de un dato en la zona achurada; en
este caso se considera la media de los datos.
4.2.4 ANLISIS DE LAS CARACTERSTICAS DEL VARIOGRAMA.
El Variograma es un grfico en dos dimensiones donde el eje horizontal representa
la distancia entre pares de muestras y el eje vertical representa el variograma de los datos
analizados en una direccin dada, como se observa en la figura N 19:
FIGURA N 19 ELEMENTOS DEL VARIOGRAMA
(h)
MESETA = CO
CO
El rango o alcance es la distancia h a la cual el variograma alcanza la meseta.

El efecto pepita es identificado por Co , valor determinado por la proyeccin de la
trayectoria del variograma, hasta cortar el eje vertical. Si Co > 0 entonces, existe una
concentracin de microvariaciones y/o a errores en la manipulacin, preparacin o
anlisis qumico de la muestra.
El efecto pepita incrementa la varianza total del variograma.
El alcance a proporciona una medida de la zona de relacin entre muestras (ver Fig.
N 20) a distancia h a (correlacionadas), donde:
Una distancia mayor al rango o alcance indica que las muestras se

consideran independientes.
Una distancia menor al rango o alcance indica muestras correlacionadas
entre s.
INGENIERIA EN MINAS
28
GEOESTADSTICA
29
FIGURA N 20
DIAGRAMA DE RELACION ENTRE MUESTRAS
Datos
Independencia
Relacin
x0
x0-a
a
4.3
Independencia
x0+a
a
AJUSTE DEL VARIOGRAMA
Como se ver posteriormente, la estimacin de la variable en un punto a travs del

Krigeage necesita de la utilizacin del semivariograma, pero no en la forma del
semivariograma experimental, pues ste posee numerosas zonas donde no existen valores
concretos (nicamente existen valores definidos en aquellos lugares donde se ha realizado
el muestreo). Por tanto, puede resultar necesario definir el valor de la variable en puntos
donde el semivariograma experimental no ofrece informacin suficiente. Para ello, es
necesario construir un modelo que s nos permita obtener dicha informacin. Ahora bien,
la pregunta que surge es: qu modelos pueden utilizarse?. A continuacin se va a intentar
resolver esta pregunta de la forma ms sencilla posible.
La informacin ms interesante que debera considerarse a la hora de intentar
resolver el problema de la estimacin de una variable es la descripcin de cmo se ha
producido el fenmeno. En determinadas situaciones, los procesos fsicos o qumicos que
generan el conjunto de datos pueden ser conocidos con suficiente detalle como para
avanzar una descripcin completa del perfil a partir de unos nicos valores. En dichas
situaciones, aplicar modelos determinsticos sera lo ms apropiado. Sin embargo,
desgraciadamente son pocos los procesos naturales cuyas pautas de comportamiento son
tan bien conocidas como para poder utilizar este tipo de modelos. La mayor parte de estos
procesos son, en realidad, el resultado final de una combinacin de variables cuyas
complejas interacciones impiden describir el fenmeno cuantitativamente.
En las Ciencias de la Tierra es necesario admitir la existencia de incertidumbre en el
comportamiento del fenmeno entre los puntos muestreados, por lo que es imprescindible
acudir a los modelos de funciones aleatorias, que permiten resolver esta problemtica
planteada. Por esta razn, los estudios de estimacin geoestadstica se basan en modelos
probabilsticos que reconocen estas incertidumbres. En los modelos probabilsticos, el
conjunto de datos se muestra como el resultado de la actuacin de procesos aleatorios.
INGENIERIA EN MINAS
29
GEOESTADSTICA
30
Una variable aleatoria es aquella cuyos valores se generan aleatoriamente de

acuerdo con un mecanismo probabilstico. El ejemplo clsico de este tipo de variables
aleatorias sera el resultado de tirar un dado, cuyas realizaciones se reparten
aleatoriamente entre las seis posibilidades existentes en el dado. De igual forma, se puede
definir una funcin aleatoria como un conjunto de variables aleatorias que tienen alguna
localizacin espacial y cuya dependencia, una de otra, viene determinada por algn
mecanismo probabilstico. Este tipo de funciones aleatorias son las que utiliza la
Geoestadstica.
Aunque el ajuste de un modelo a un semivariograma experimental es la forma ms
comn de aproximacin al esquema de continuidad espacial, no es la nica ni
necesariamente la mejor. Existen numerosas situaciones en las que la seleccin del
modelo adecuado se debe basar principalmente en aproximaciones cualitativas. La
experiencia con conjuntos de datos semejantes puede constituir una gua ms ptima que
el simple esquema mostrado por unas pocas y solitarias muestras. Ms an, la posible
existencia de un semivariograma aparentemente sin posibilidad de modelizacin no debe
obviar este proceso, pues, muchas veces, problemas como un nmero insuficiente de
muestras, errores en el muestreo, valores errticos, etc., pueden enmascarar el esquema
real de continuidad espacial. En resumen, la seleccin del modelo a aplicar es un
cuidadoso proceso en el que se deben considerar todos los aspectos involucrados.
Tal como se ha indicado, existe un grupo de modelos que constituyen la base ms
frecuente a la hora de optar por el modelo ms adecuado al semivariograma experimental,
todos ellos cumpliendo la condicin matemtica anteriormente citada. Aunque este
cumplimiento pueda parecer, en principio, una restriccin, no lo es tanto, pues la
combinacin de los diferentes modelos genera otros que tambin cumplen dicha
condicin, por lo que el abanico final es lo suficientemente amplio como para satisfacer
las necesidades requeridas. En otras palabras, cualquier modelo, o combinacin de
modelos, de los que a continuacin se van a citar, permite ajustar todos los
semivariogramas que puedan aparecer en el estudio de las variables de carcter minero.
El ajuste del variograma terico debe representar fielmente los aspectos que
considera importantes el variograma experimental (ver Fig. 21). Es el variograma terico
el que ser utilizado en los clculos posteriores.
Se distinguen dos tipos de variogramas:
Variograma Experimental :
Variograma Terico
:
Calculado a partir de los datos.

Ecuacin que se ajusta al variograma experimental
INGENIERIA EN MINAS
30
GEOESTADSTICA
31
FIGURA N 21
GRAFICA DE AJUSTE DEL VARIOGRAMA
(h )
Variograma experimental
Variograma terico
h
El variograma terico debe respetar al variograma experimental, sobre todo en los
primeros puntos, ya que son los ms confiables.
Para tener un buen ajuste es necesario considerar una cierta vecindad restringida de
manera de no considerar demasiadas muestras para estimar la ley del bloque.
Los modelos a considerar se pueden agrupar en dos grandes categoras: (a) los que
alcanzan una meseta (modelos de transicin) y (b) los que no alcanzan una meseta.
En el primer grupo se incluyen aquellos modelos en los que la curva asciende de
forma continuada hasta alcanzar un nivel, denominado meseta. La distancia a la que
alcanzan la meseta se denomina alcance o rango. Entre estos modelos, los ms
caractersticos son el exponencal y el esfrico o Matheron. En el segundo grupo estn
los que van incrementndose a medida que la distancia aumenta, sin llegar a alcanzar una
meseta. Los ms representativos son el lineal y el de Wijsian. A continuacin se van a
describir todos ellos, centrndose, especialmente, en el denominado esfrico o Matheron,
que es el que presenta un mayor nmero de aplicaciones en minera.
Previamente hay que hacer constar que, tericamente, el valor del semivariograma
para una distancia cero debera ser cero. Sin embargo, muchas veces esto no sucede,
generando lo que se denomina efecto pepita (Co) (el nombre hace mencin a la aparicin,
mas o menos errtica, de pepitas de oro en algunos yacimientos aurferos). Sus causas
pueden ser muy variadas: errores de muestreo, fluctuaciones de la variable a una escala
menor que la de observacin, etc. Dado que su presencia es bastante comn, hay que
INGENIERIA EN MINAS
31
GEOESTADSTICA
32
acostumbrarse a trabajar con ella, lo que no necesariamente significa un menoscabo en la

utilidad y exactitud de la tcnica de estimacin.
1) Modelo exponencial
Este modelo va ascendiendo lentamente hasta alcanzar la meseta a un valor
constante. Existen dos posibles esquemas: Formery y Gaussiano. El primero tiene la
expresin:
g(h) = C [1 - exp(-[h/a])] + Co
Done C es el valor comprendido entre el efecto pepita (Co) y la meseta, h la
distancia y a representa el alcance o rango. En este esquema la tangente en el origen
intercepta la meseta a un valor de a/3. Por su parte, el esquema Gaussiano posee la
siguiente expresin:
g(h) = C [1 - exp(-[h2/a2])] + Co
en este caso, la tangente en el origen intercepta la meseta a un valor de a/3.
2) Modelo esfrico o Matheron

El modelo esfrico o Matheron es el que mejor se suele ajustar cuando se trata de
variables mineras ( ley o espesor). El modelo esfrico presenta una curva del
semivariograma que aumenta rpidamente para bajos valores del lag para,
posteriormente, ascender ms lentamente hasta alcanzar una zona plana a valores del lag
altos. Una tangente a la curva, dibujada a partir de los dos o tres primeros puntos, define
un par de valores en el eje X (g(h)) que se denominan Co y C. Esta tangente, a su vez,
intersecta la prolongacin de la zona plana a 2a/3, siendo a el punto, en el eje Y (lags),
donde el semivariograma alcanza la zona plana. La distancia entre la curva y la zona
plana para lags inferiores a "a" representa la covarianza entre las muestras. Ms all de
a, la covarianza es cero y, por tanto, no hay relacin entre las muestras tomadas a esas
distancias.
g(h) = Co + C [1.5(h/a) - 0,5(h/a)3] para h < a
g(h) = Co + C para h > a
Donde Co es el efecto pepita, Co +C es el valor de la meseta, a es el alcance o
rango y h es el valor del correspondiente lag. Co +C viene a representar el equivalente
INGENIERIA EN MINAS
32
GEOESTADSTICA
33
geoestadstico de la varianza del conjunto de datos. Si el semivariograma muestra

fluctuaciones aleatorias alrededor de una lnea horizontal, entonces se tiene lo que se
denomina efecto pepita puro, siendo mejor, en este caso, llevar a cabo la evaluacin del
yacimiento por cualquiera de los mtodos clsicos comentados anteriormente. No
obstante, la presencia del efecto pepita puro no implica necesariamente una ausencia de
continuidad en la estructura del semivariograma sino que puede ser debido, por ejemplo, a
una red de muestreo con distancias muy grandes entre muestras.
3) Modelo lineal
Este modelo se presenta cuando, al representar V*(h) frente a los lags, se obtiene una lnea
recta. El modelo presenta la ecuacin:
g(h) = p.h + k
donde p es la pendiente de la recta, h el lag y k la interseccin en el eje X (g(h))
Este modelo suele estar presente en algunos yacimientos de hierro (Annels, 1991).
4) Modelo de Wijsan
En este modelo, al igual que en el anterior, g(h) se incrementa ms all del valor de
la varianza de los datos. En una primera observacin, parece ser semejante al modelo
lineal, pero si se representan los valores de g(h) frente al logaritmo de h, entonces se
obtiene una lnea recta. Tiene la expresin:
g(h) = 3 [Ln(h/L) +3/2]
Donde es el coeficiente de dispersin absoluta, una medida de la variacin
espacial, y L se define como el espesor equivalente. Ambos coeficientes pueden
determinarse calculando los valores de g(h) para dos lags, con lo que se obtiene dos
ecuaciones con dos incognitas. Este tipo de modelo tiene una aplicacin ms restringida
an que el lineal, estando presente nicamente en algunos yacimientos hidrotermales,
principalmente de estao, y utilizando como variable el espesor del cuerpo mineralizado.
Algunas particularidades respecto a los modelos de variogramas
Existen situaciones en las que, si bien no es posible el ajuste inmediato de un tipo concreto
de modelo, no hay razones para rechazar la posibilidad de buscar una continuidad
espacial. Entre las muchas posibilidades existentes, Anneis (1991) pone de manifiesto
algunas muy caractersticas, como son:
INGENIERIA EN MINAS
33
GEOESTADSTICA
34
a)
b)
c)
d)
e)
Semivariogramas con tendencias.

Semivariogramas con efecto agujero.
Semivariogramas compuestos.
Semivariogramas con estructuras anidadas.
Anisotropia.
a) SEMIVAROGRAMAS CON TENDENCIAS

Una asuncin que se hace en la Geoestadstica es que no existen tendencias dentro del
yacimiento que puedan causar una ruptura en el concepto de estacionariedad. La ruptura
(o cambio en la tendencia de la meseta), se produce en una distancia claramente superior
al alcance, por lo que no tiene una mayor incidencia en la estimacin local de los bloques
definidos para el yacimiento, pues las dimensiones del rea de bsqueda (alcance) son
menores que la distancia representada por el punto donde se produce la ruptura. Cuando
este tipo de comportamientos dominan el semivariograma, es decir, la ruptura se produce a
distancias prximas al alcance, con lo que se rompe el concepto de estacionariedad, es
necesario utilizar una tcnica que se denomina Krigeage universal (Journel y Huijbregts,
1978), en lugar del Krigeage ordinario que se aplica en las situaciones de estacionariedad.
b) SEMIVARIOGRAMAS CON EFECTO AGUJERO O EFECTO HOYO
Este efecto puede reconocerse cuando alternan reas con alta ley y reas con baja ley. El
resultado es una pseudoperiodicidad reflejada en una oscilacin del semivariograma
alrededor de una aparente-meseta.
c)
SEMVARIOGRAMAS COMPUESTOS
Cuando la prolongacin de la lnea que une los dos o tres primeros puntos del
semivariograma corta la meseta a una distancia mucho menor que la correspondiente al
alcance general del semivariograma, es muy probable que la situacin corresponda a una
mezcla de dos semivariogramas esfricos.
El modelo compuesto tendra, pues, la siguiente forma:
g(h) = Co + C1 [3h/2a1 - (h/ a1)3/2] + C2 [3h/2 a2 - (h/a2)3/2]
As es posible calcular el valor de g(h) para cualquier distancia, teniendo en cuenta
las tres partes que definen el semivariograma.
INGENIERIA EN MINAS
34
GEOESTADSTICA
35
Este tipo de estructuras pueden ser causadas, por ejemplo, por la presencia de
zonas mineralizadas ms ricas dentro de una matriz de mineralizacin dispersa. Tambin
son comunes en yacimientos aluviales de oro, reflejando el alcance ms corto los canales
individuales y el ms largo la anchura total de la zona de inters econmico.
e) ESTRUCTURAS ANIDADAS
En aplicaciones reales es comn encontrar que los variogramas experimentales se
pueden modelar con ms de una estructura terica. Por ejemplo, el variograma tpico no
parte de cero, sino que muestra una discontinuidad en el origen (efecto pepita). Por ello, la
primera estructura del modelo considerar un valor en el origen, Co . Adems, el
variograma suele mostrar distintos tipos de correlacin espacial a distintas distancias.
Una estructura de rango largo puede estar sobreimpuesta con una estructura de
rango corto. El uso de modelos anidados provee suficiente flexibilidad para tomar en
cuenta ambas estructuras. Es de tener en cuenta que la sobre-sofisticacin de por s
generalmente no produce beneficios. Cada una de las estructuras modeladas debe ser
explicada por la geologa del depsito o los fenmenos fsicos involucrados. Por ejemplo,
cierto mineral puede presentar regionalizaciones de distinto rango, correspondiente a
distintas etapas en la mineralizacin. Tal caso podra ser modelado con tal vez el mismo
tipo de funcin (esfrica, por ejemplo), de distintos rangos.
d) MODELAMIENTO DE LA ANISOTROPA
El comportamiento de los variogramas experimentales en distintas
direcciones puede ser la clave para entender y caracterizar la variable regionalizada. Hay
dos modelos bsicos de anisotropa:
Anisotropa Geomtrica.
Anisotropa Zonal
1. ANISOTROPA GEOMETRICA
Si los variogramas en las direcciones principales presentan un mismo valor
de meseta, pero alcances distintos para diferentes direcciones como lo muestra la figura
N 22, hablamos entonces de Anisotropa Geomtrica:
INGENIERIA EN MINAS
35
GEOESTADSTICA
36
FIGURA N 22
ANISOTROPA GEOMETRICA
(h)
c
d ir
d ir
a2
a1
Estos tipos de variograma se pueden reducir a un variograma istropo mediante

una transformacin lineal de las coordenadas.
Luego la elipse de anisotropa geomtrica (rosa de alcances) queda grficamente en la Fig.
23 como:
FIGURA N 23
ELIPSE DE ANISOTROPA GEOMETRICA
x
a2
a1
Donde los alcances a1 y a2 corresponden a los valores de las longitudes de los semiejes de
la elipse.En el caso istropo los alcances son iguales y, por tanto, la figura se convierte en
un circulo.
Sea el factor de anisotropa k=( a1/a2) > 1, donde k es la razn del alcance mayor
al menor.
INGENIERIA EN MINAS
36
GEOESTADSTICA
37
Las frmulas de transformacin de coordenadas nos muestran que:
(Ec. 20)
Donde es el ngulo formado entre el eje x y el eje x de la elipse. g1 es el
variograma de la direccin 1.
2. ANISOTROPA ZONAL
Se habla de Anisotropa Zonal cuando los variogramas de la zona en estudio
presentan distinto valor de meseta y distinto alcance para diferentes direcciones, como lo
muestra la Fig. N 24
FIGURA N 24
ANISOTROPA ZONAL
(h )
dir 1
c1
(h1 )
dir 2
c2
o
(h2 )
a2
a1
INGENIERIA EN MINAS
37
GEOESTADSTICA
38
5. VALIDACION CRUZADA
5.1.
DEFINICION
Es una tcnica simple, cuyo objetivo consiste en determinar el modelo del

variograma obtenido con los datos muestrales que mejor los representa. Se trata de elegir
el mejor entre dos o ms modelos alternativos disponibles y as usar con mayor
certidumbre dicho modelo en un krigeage.
La idea es estimar Zv, en cada ubicacin donde exista una muestra en un bloque o
zona V (ver Fig. N 25). Ignorando el valor de la muestra existente en ese punto, se estima
Zv a partir de las muestras colindantes dentro de la zona de inters, utilizando el modelo
del variograma y el krigeage. Una vez estimada esa muestra, la siguiente se estima
restituyendo el valor original anterior. Se repite el proceso tantas veces como muestras
hayan. Al final se conoce en cada punto de la zona de inters, un valor observado y un
valor estimado, pudindose establecer, a continuacin, una relacin entre ambos tipos de
valores, lo que da una medida de los errores cometidos. Como el Krigeage utiliza el
semivariograma, variando los valores de ste se podr buscar la opcin que genere una
menor diferencia entre los valores estimados y los reales. Este proceso iterativo permitir
definir qu parmetros del semivariograma (los citados efecto pepita, meseta y alcance)
son los ms adecuados para la ptima modelizacin. La mejor situacin sera que todos los
puntos estuviesen situados en la bisectriz del cuadrante, lo que indicara que el valor real
(Z) y el estimado (Z) son semejantes. Todo lo que se separe de dicha bisectriz indica
error en la estimacin.
Algunos especialistas han cuestionado la validez y utilidad del mtodo, principalmente
porque no es suficientemente sensitivo como para detectar ventajas menores de un modelo
de variograma comparado con otro. (clark, 1986, Davis, 1987, Isaaks and Srivastava,
1989). Adems, el anlisis se realiza utilizando las muestras, lo que no permite obtener
una conclusin definitiva acerca de toda el rea A. En particular, si las muestras no son
representativas del rea, re-estimar con buena precisin estas muestras no implica que el
modelo de variograma permita una buena estimacin del resto del depsito.
Sin embargo, la tcnica es til como una indicacin general de las bondades (o los
posibles problemas) asociados con el modelo de variograma escogido. Adems, los datos
estadsticos recogidos permiten entender mejor los resultados del estudio geoestadstico, y
por ello se debe poner a la validacin cruzada como una tcnica ms del anlisis
exploratorio de los datos. Tambin permite detectar los problemas mas serios durante el
proceso de estimacin, como son problemas computacionales, errores groseros, etc. En
general, la validacin cruzada es un ejercicio que debe ser tomado como un ensayo
general, antes de llevar a cabo la estimacin total del rea.
INGENIERIA EN MINAS
38
GEOESTADSTICA
39
FIGURA N 25 BLOQUE O ZONA V
z(xi)
V
5.2.
CLCULOS DE LOS ESTADISTICOS
Para determinar la calidad del modelo de variograma empleado y del plan de

krigeage empleado, es necesario calcular algunos estadsticos:
A = (1/N) i
B = (1/N) ( i / Zv)
C = (1/N) [ ( Zv - Zv) / ]2
(Ec. 21)
Donde:
Zv
es el valor observado
Zv
es el valor estimado
i = Zv - Zv = error de estimacin
varianza del error
2
Si el modelo de variograma est correcto, se deberan cumplir las relaciones siguientes:

A 0
B 0
C 1
Con los datos obtenidos por medio de esta tcnica se construye una grfica como la que se
muestra en la fig. N 26; se prueba si existe una buena relacin entre los datos observados
y los estimados. (Coeficiente de correlacin).
INGENIERIA EN MINAS
39
GEOESTADSTICA
40
FIGURA N 26 DATOS OBSERVADOS v/s DATOS ESTIMADOS
zv
zv
Los datos estadsticos recogidos permiten entender mejor los resultados del estudio
geoestadstico y por ello se debe poner a la validacin cruzada como una tcnica ms del
anlisis exploratorio de los datos.
5.3.
VENTAJAS Y DESVENTAJAS DE LA VALIDACION CRUZADA
5.3.1 VENTAJAS
Es til como indicacin general de las bondades( o los posibles problemas)

asociados con el modelo de variograma escogido.
Permite detectar los problemas ms serios durante el proceso de estimacin,

como problemas computacionales, errores groseros.
5.3.2. DESVENTAJAS
No es suficientemente sensitivo como para detectar ventajas menores de un

modelo de variograma comparado con otro.
El anlisis se realiza al utilizar las muestras, lo que no permite obtener una

conclusin definitiva acerca de toda el rea.
INGENIERIA EN MINAS
40
GEOESTADSTICA
41
Al tener una malla aleatoria estratificada( o malla regular). Al remover un punto,

siempre queda mal estimado, no se puede discriminar entre 2 modelos.
Si las muestras no son representativas del rea, re-estimar con buena precisin
estas muestras no implica que el modelo de variograma permita una buena
estimacin del resto del depsito.
En cualquier caso, constituye el mtodo ms comn y utilizado para testificar la

bondad del ajuste del semivariograma.
5.4. CONSIDERACIONES SOBRE EL REA DE BSQUEDA
Cuando se describi el mtodo de estimacin del inverso de la distancia, se hizo
mencin a las caractersticas que deba presentar el rea de bsqueda, es decir, cmo se
defina la zona de captura de los puntos que entraban a formar parte de la estimacin. En
el Krigeage, es necesario volver a incidir en este tema, si cabe con mayor profundidad.
Para guiar la discusin, se puede centrar el problema en las siguientes cuestiones:
a) Forma del rea de bsqueda
b) Nmero de muestras a capturar
c) Relevancia de las muestras
5.4.1
FORMA DEL REA DE BSQUEDA
La morfologa del rea de bsqueda suele ser, normalmente, una elipse centrada en el
punto que va a ser estimado. Su orientacin viene dictada por la anisotropa del esquema
de continuidad espacial, con el eje mayor de la elipse en la direccin de mxima
continuidad. Si no existe dicha anisotropa, la elipse se convierte en un crculo y la
cuestin de la orientacin deja de ser, obviamente, relevante. Todo lo mencionado es para
dos dimensiones, por lo que si la estimacin se produjese en tres dimensiones, habra que
cambiar, evidentemente, la elipse por un elipsoide o el crculo por una esfera.
5.4.2
NMERO DE MUESTRAS A CAPTURAR
El siguiente paso seria definir el tamao de la elipse, es decir, cuntos puntos de

estimacin deben incluirse en ella. La respuesta ms simple establecera que tendra que
incluir algunas muestras, viniendo este aspecto condicionado por la morfologa de la malla
de muestreo. En la prctica se intenta conseguir que la elipse incluya, al menos, de 6 a 12
puntos de estimacin. En mallas irregulares de muestreo, la longitud de la elipse debe ser
INGENIERIA EN MINAS
41
GEOESTADSTICA
42
ligeramente mayor que la distancia media de muestreo, viniendo sta definida, de forma
muy general, por:
DMM = (St/n)1/2
donde:
DMM = Distancia media de muestreo.
St
= Area total cubierta por las muestras.
n
= Nmero demuestras.
La cuestin todava no ha sido resuelta del todo, pues quedan algunos
aspectos que comentar. En primer lugar, cuantas ms muestras se incluyan, mayor ser el
nmero de operaciones que debe llevar a cabo el sistema de ecuaciones y mayor ser el
suavizado en la estimacin. En segundo lugar, si se incluyen muestras cada vez ms y
ms lejanas la estacionariedad puede no ser asumida, con lo que la estimacin queda en
entredicho. El primer aspecto queda minimizado. En cuanto al segundo, genera que
conceptos bsicos como el carcter de mejor estimador insesgado del Krigeage no se
cumplan, por lo que es necesario intentar llegar a un compromiso en cuanto al tamao de
la elipse. Es regla comn utilizar, como semi-eje de la elipse, un valor prximo al alcance
del semivariograma en la direccin considerada. De esta forma se asegura el
mantenimiento de la estacionariedad y se cumple la correcta estimacin. No obstante, el
ampliar este valor no excesivamente, cuando el nmero de muestras es insuficiente,
mejora el proceso de estimacin (Isaaks y Srivastava, 1989).
5.4.3 RELEVANCIA DE LAS MUESTRAS
Esta cuestin incide en dos aspectos. Por una parte, la posible presencia de agrupamientos
de muestras, que queda resuelta. Por el diseo del propio sistema de ecuaciones de
Krigeage, que toma en cuenta y pondera este fenmeno. Por otro lado, el segundo aspecto
hace mencin a la importancia de las diferentes muestras para su inclusin en la
estimacin, por ejemplo en cuanto a su pertenencia a la misma poblacin que el punto a
estimar. Esta cuestin es casi imposible de asegurar, y menos de verificar, por lo que la
decisin debe venir acompaada de una informacin de tipo cualitativo. En otras
palabras, el estudio geolgico completo de toda la informacin presente es el mejor
camino para definir qu muestras son relevantes y qu muestras no lo son, pudiendo ser
estas ltimas apartadas del proceso de estimacin. Este problema, en yacimientos de baja
complejidad geolgica puede no ser tal, incrementndose segn aumenta la dificultad de la
interpretacin geolgica.
INGENIERIA EN MINAS
42
GEOESTADSTICA
43
6.
ERROR DE ESTIMACION
El error de estimacin es entendido como la diferencia entre el valor real y

el valor estimado de un punto o bloque.
Error de
Estimacin
Valor estimado
(conocido)
Valor real
(desconocido)
(Ec. 22)
Por otra parte, la estimacin Zv de un bloque se efecta en trminos de los
valores observados Z(xi) de puntos colindantes mediante la expresin:
z v = i z (xi)
i = pesos o ponderaciones
i=1
(Ec. 23)
En que los ai verifican la condicin de insesgado:
1 + 2 + 3 +.............+ N = 1
Las ponderaciones i sern ms altos para valores
al bloque y sern ms bajos en puntos ms lejanos.
(Ec. 24)
z (xi) en puntos xi ms cercanos
En la ecuacin 22, como Zv es desconocido, entonces es desconocido, la cual se

renuncia en conocerlo en signo y magnitud. Sin embargo, se puede caracterizar
probabilsticamente el error , al utilizar un modelo matemtico.
Se asume entonces que el error , es una magnitud aleatoria, es decir, una variable
aleatoria. Esta magnitud aleatoria tiene una cierta ley de probabilidad caracterizada por
una esperanza matemtica m, y una varianza 2. Luego la ley de probabilidad del error es
la ley normal o de Gauss (ver fig. N 27)
INGENIERIA EN MINAS
43
GEOESTADSTICA
44
FIGURA N 27 LEY NORMAL O DE GAUSS
Las siguientes reas de la Ley de Gauss:
68%
6.1.
95%
99.7%
CALCULO DE LA VARIANZA DE ESTIMACION
La varianza de estimacin se refiere a la varianza del error entendido como la

diferencia entre el valor real y el valor estimado de un punto o bloque, se supone que los
errores tienen esperanza nula.
(Ec. 25)
INGENIERIA EN MINAS
44
GEOESTADSTICA
45
En la prctica se utiliza un riesgo de equivocacin del 5%. En otras

palabras si los errores tienen distribucin normal de esperanza cero y varianza 2
-2 2
con 95% de confianza, o bien
Zv = Zv +/- 2
En todo caso la expresin terica del valor zv desconocido est dada por:
Zv = (1/v) z(x) dx
(Ec.26)
Al reemplazar en la ecuacin 25 queda
2 = [ z (x ) - (1/v) z(x) dx]2

i
i
i=1
v
(Ec. 27)
Al resolver el binomio se obtiene:
=
2
2 i
i=1
(1/v) (xi,x) dx - (1/v ) (x,y) dx dy - i j ( xi,xj)

vv
i=1 j=1
2
(Ec. 28)
que es la expresin fundamental del clculo de 2. Donde:
N
xi
v
(h)
i
es el nmero de datos
son las coordenadas de los datos
es la geometra y el tamao del bloque o zona v
es el variograma
es el peso o ponderacin que se asigna a la participacin de Z(xi) en el
clculo de Zv
x( y) es un punto variable dentro del bloque
Nota: Para el clculo de la expresin fundamental, se supone que se conoce el modelo del
variograma.
INGENIERIA EN MINAS
45
GEOESTADSTICA
46
Significados de los trminos en la expresin de 2 :

a.
El trmino (xi,xj): Representa el valor de (h), siendo h el vector que une los
puntos xi, xj
xj
xi
b.
El trmino (1/v) (xi,x) dx :
Representa el valor medio terico de la
funcin
(h), ( h el vector que une los puntos xi, xj ) siendo x un punto cualquiera
variable dentro de la zona v.
xi
En la prctica la integral anterior se calcula por discretizacin de v en k puntos:
x
xi
INGENIERIA EN MINAS
46
GEOESTADSTICA
47
entonces, la aproximacin es:

(1/v) (xi,x) dx (1/k) (hj).
(Ec. 29)
Se recomienda un nmero mnimo de puntos dentro de v, de manera de obtener

una precisin aceptable:
Si v es bidimensional:
k 36 puntos.
Si v es tridimensional:
k 64 puntos.
c.
El trmino (1/v2) (x,y) dxdy: Representa el valor medio de la funcin (h),
( h el vector que une los puntos x con y) entre puntos variando dentro de v.
x
v
Tambin se calcula por discretizacin de v en k puntos:
hij
y
x
v
Entonces, la aproximacin es:
(1/v2) (x,y)dxdy (1/k)2 (hij)
(Ec. 30)
Observacin: Para obtener el 2, los ponderadores i son obtenidos dependiendo del

lugar de ubicacin de las muestras que participan en la estimacin.
Existe otra ponderacin de los datos que nos proporcione un error menor?
Para poder lograr los pesos adecuados, de manera de minimizar la varianza del error 2
es necesario de introducir el mtodo del krigeage.
INGENIERIA EN MINAS
47
GEOESTADSTICA
48
KRIGEAGE
7.1.
DEFINICION
El Krigeage es una herramienta geoestadstica cuyo objetivo es encontrar los

pesos de los ponderadores ai de manera que minimicen la varianza de estimacin de
acuerdo a la geometra del depsito y al carcter de la mineralizacin.
El krigeage es una tcnica utilizada en la evaluacin de yacimientos para estimar el
valor de una variable regionalizada en un punto (o en un bloque, como se ver
posteriormente), a partir de unos factores de ponderacin que trabajan de forma semejante
a como lo hacen en el inverso de la distancia. Ese valor se caracteriza por ser el mejor
estimador lineal nsesgado de la variable. El mejor, porque los factores de ponderacin se
determinan de forma tal, que la varianza de la estimacin es mnima; lineal, porque es una
combinacin lineal de la informacin; e insesgado porque, en promedio, el error es nulo,
es decir, no hay sesgo en los errores (considerando como error la diferencia entre el valor
real y el estimado). Por todo ello, junto con la informacin asociada que ofrece en
relacin al error que se comete en la estimacin, el Krigeage se puede considerar, en
general, como un mtodo ptimo de estimacin, estando su utilizacin ampliamente
desarrollada en todo tipo de yacimientos, especialmente en aquellos que poseen un alto
valor (oro y diamantes). Dado que el alto nmero de clculos matemticos que necesita el
Krigeage ya est resuelto con el uso de la informtica, quizs el nico problema que
presenta es la mayor complejidad conceptual frente a los mtodos clsicos. De lo
contrario, probablemente se habra convertido en el nico mtodo de estimacin viable
para la mayor parte de los yacimientos a escala mundial.
Entonces, desde un punto de vista prctico, el Krigeage tiene la importancia de
evitar errores sistemticos, bien sea sobrestimado o subestimado el valor calculado. En
trminos generales, el Krigeage asignar bajos pesos a las muestras ms lejanas, y altos a
las ms cercanas, pero esta regla intuitiva falla a veces en situaciones tal como:
Transferencia de la influencia o el Efecto de pantalla Las muestras ms cercanas

al bloque tienden a anular la influencia de las muestras ms lejanas. La consecuencia
prctica de esta propiedad es que algunas muestras tendrn ponderaciones negativas del
Krigeage.
INGENIERIA EN MINAS
48
GEOESTADSTICA
49
7.2.
PROPIEDADES DEL KRIGEAGE
Hay muchas propiedades buenas asociadas con el estimador Krigeage, adems de

dos obvias como el insesgamiento y la varianza mnima de estimacin. Algunas de stas
son las siguientes:
El Krigeage calcula la varianza de Krigeage para cada punto o bloque.
Es un interpolador exacto. En otras palabras, el Krigeage estimar todos los puntos

de datos conocidos exactamente, es decir no hay error.
El Krigeage tiene un efecto desagrupador ( Desclustering effect) de datos durante

la estimacin. Esto es muy til cuando los datos usados para estimar la ley estn
muy agrupados e irregulares.
El Krigeage tiene un efecto selectivo, lo que permite seleccionar las muestras ms

cercanas.
7.3.
ECUACIONES DEL KRIGEAGE
Para obtener las ecuaciones del krigeage hay que minimizar la expresin de 2 .
2 =
2 i (1/v) v (xi,x) dx - (1/v2) vv (x,y) dx dy i=1
i j ( xi,xj)
i=1 j=1
(Ec. 31)
pero los i, deben verificar la condicin de insesgamiento:
i = 1
El mtodo clsico para minimizar la expresin 2 (igualar a cero las derivadas
parciales de 2 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.
En el caso del Krigeage hay que considerar la expresin:
A = 2 - 2(1 + 2 + 3 + .. +n -1)
INGENIERIA EN MINAS
49
GEOESTADSTICA
50
Por lo general, el parmetro m carece de significacin fsica. Al realizar N+1,

derivaciones sostiene el sistema de ecuaciones siguiente:
1(x1, x1) + 2(x1, x2) + ............+ (x1, xN) + = (1/v) v(x1, x)dx
1(x2, x1) + 2(x2, x2) + ............+ (x2, xN) + = (1/v) v(x2, x)dx
1(xN, x1) + 2(xN, x2) + ............+ (xN, xN) + = (1/v) v(xN, x)dx
1
+..............+
que es un sistema lineal de N + 1 ecuaciones con N + 1 incgnitas ( a1, a2, ......., aN, m),
lo cual siempre tendr soluciones.
Se demuestra que la expresin de se2 se simplifica, obtenindose:
2 = (1/v) (x ,x) dx + - (1/v) (x,y) dx dy

v
i
v v
i
i=1
(Ec. 32)
7.3.1. KRIGEAGE PUNTUAL
En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa estimar
la ley en un punto X0.
Como se ha comentado anteriormente, el krigeage opera a travs de la utilizacin de
unos factores de ponderacin. Estos factores de ponderacin, para obtener el valor de la
variable, se calculan a partir de un sistema de ecuaciones, denominadas ecuaciones de
krigeage, en las que las incgnitas para resolver el sistema se obtienen a partir del
semivariograma modelizado.
INGENIERIA EN MINAS
50
GEOESTADSTICA
51
Ecuaciones a considerar:
1(x1, x1) + 2(x1, x2) + ............+ (x1, xN) + = (x1, x0)

1(x2, x1) + 2(x2, x2) + ............+ (x2, xN) + = (x2, x0)
1(xN, x1) + 2(xN, x2) + ............+ (xN, xN) + = (xN, x0)

1
+..............+
Se demuestra que la expresin de 2 se simplifica, obtenindose:
2 = (x ,x ) +
i
0
i
i=1
(Ec. 33)
El krigeage puntual tiene la propiedad de ser un interpolador exacto (ver Fig. N
28) en el sentido de que si se desea estimar la ley en un punto conocido, el krigeage
proporciona la ley del dato, con una varianza 2 = 0. Se dice que el krigeage puntual pasa
por los puntos ( esta propiedad no la tienen los otros interpoladores):
FIGURA N 28
INTERPOLADOR EXACTO
Interpolador de Krigeage
Interpolador de minmos cuadrados
x1
x2
INGENIERIA EN MINAS
51
GEOESTADSTICA
52
7.3.2. KRIGEAGE DE BLOQUES

Otro tipo de krigeage ms frecuentemente utilizado en la evaluacin de
yacimientos es el krigeage de bloques, que opera de forma similar a como lo hace el
puntual, pero con la diferencia de que el valor obtenido se le asigna a un bloque y no a un
punto. Dentro del modelo de funcin aleatoria descrito anteriormente, el valor medio de
una funcin aleatoria en una zona determinada (bloque) es, simplemente, la media
aritmtica de todas las variables puntuales aleatorias incluidas dentro de esa zona. Esta
capacidad del Krigeage de llevarse a cabo sobre un rea y no slo sobre un punto, es una
caracterstica propia y nica de este mtodo de estimacin, no compartida por otros
mtodos. Aunque la forma de operar puede trasladarse a mtodos como el inverso de la
distancia, los resultados no son muy consistentes (Isaaks y Srivastava, 1989).
Para determinar el valor del bloque, se lleva a cabo una discretizacin del rea en
un conjunto de puntos (2x2, 3x3, etc.), obtenindose, a continuacin, la media entre los
diferentes valores. Un ejemplo de la importancia de los computadores en el desarrollo de
la geoestadstica es que, para calcular, por ejemplo, el valor de un slo bloque con una
discretizacin de 10 x l0, sera necesario resolver cien sistemas de ecuaciones, cada una de
ellos con, por ejemplo, 11 ecuaciones (suponiendo una estimacin a partir de diez
valores). Y esto slo para un bloque, siendo frecuente, normalmente, dividir el yacimiento
en centenares de bloques. Todo ello llevara a la resolucin de decenas o centenares de
miles de ecuaciones, hecho absolutamente inviable si no fuese por la ayuda de la
informtica.
Por ltimo, hay que hacer constar que los valores que se obtienen con el Krigeage
(tanto puntual como de bloques) llevan aparejados los correspondientes valores de la
varianza de la estimacin (varianza del krgeage), lo que permite hacer un estudio de la
bondad de la estimacin.
Estos valores de la varianza del krigeage pueden,
posteriormente, ser interpelados y obtener mapas en la que se puede analizar qu zonas
presentan una mayor exactitud en la estimacin, cuales poseen una mayor probabilidad de
error, etc., lo que suele ser muy necesario a la hora de establecer los planes de produccin
minera.
Cuando se aplica el krigeage sobre un bloque V debera considerar todos los datos
disponibles ( krigeage completo). Sin embargo, esta situacin implica clculos muy
largos. Por esta razn se recomienda restringir la vecindad de estimacin que puede ser
una esfera o crculo, o bien un elipsoide o elipse (3D y 2D).
La prctica recomienda que una vecindad contenga un promedio del orden de 8
muestras, los resultados que se obtienen sern muy buenos. (ver Fig. N 29)
INGENIERIA EN MINAS
52
GEOESTADSTICA
53
FIGURA N 29
VECINDAD DE ESTIMACION
7.3.4. KRIGEAGE INDICADOR

El Krigeage indicador es una de las innumerables variaciones que la
Geoestadstica presenta para la evaluacin de yacimientos, utilizndose, cada vez ms, en
el anlisis de las reservas, especialmente en explotaciones de alto valor (oro). Es un
mtodo no paramtrico en el que los valores obtenidos son convertidos a 0 y 1,
dependiendo de su relacin con una determinada ley de corte. Permite estimar la
proporcin de un bloque bajo estudio que tiene un determinado porcentaje de probabilidad
de encontrarse por encima de la citada ley de corte. La mejor forma de observar su
funcionamiento es con un ejemplo.
Se tiene un bloque mineralizado que ha sido evaluado por sondeos situados en sus
cuatro esquinas. El valor asignado al bloque ser, si el espesor es constante, la media
aritmtica de las cuatro esquinas. Pueden existir dos situaciones como las siguientes:
Bloque A: 6%, 5%, 6% y 6% - ley media = 5,75%
Bloque B: 1%, 2%, 1% y 19% - ley media = 5,75%
Si la ley mnima de corte es, por ejemplo, del 5%, est claro que ambos bloques son
explotables, independientemente de que la asignacin de explotabilidad del bloque B sea
casi totalmente dependiente de un nico valor (19%), lo que no se refleja directamente en
el resultado.
Considrese ahora que la mineralizacin y el estril son materiales con ley superior e
inferior, respectivamente, a una determinada ley mnima de corte (5%), por lo que se les
asigna un valor 1 al primer caso y cero al segundo. Entonces se tendra que, para el
bloque A, todos los sondeos entraran en la categora de mineralizacin y se le podra
asignar, al bloque, un indicador medio de 1. Por el contrario, para el bloque B, slo un
INGENIERIA EN MINAS
53
GEOESTADSTICA
54
sondeo entrara en la categora de mineralizacin, por lo que recibira un indicador medio

de 0,25. En este caso (bloque B), aunque la ley media sugiere que todo el bloque es
mineralizacin, el indicador medio nos afirma que tan slo el 25% del bloque se puede
considerar como mineralizacin. Este efecto debe ser tomado en cuenta en todos aquellos
estudios que generen clculos de reservas, pues su no consideracin puede producir, como
en el caso del ejemplo, una sobreestimacin de los tonelajes de la mineralizacin.
La expresin matemtica para una variable de este tipo sera I(x,z), correspondiente a
una ley z(x) de una muestra en un punto x y con una ley de corte z. De tal forma que:
1, si Z(X) > z
I(X,Z) =
0, si Z(X) < z
Una vez que las leyes, o cualquier otra variable a estudiar, han sido transformadas de
esta manera, se puede intentar construir un semivariograma experimental y ajustarle un
modelo matemtico de los existentes. Para el caso de] modelo esfrico, la ecuacin sera:
(h,z) = I0 + I [1.5(h/a) - 0,5(h/a)3]
(h,z) = I0 + I
para h < a
para h > a
Donde I0 e I son equivalentes a C0 y C, en un semivariograma normal. Una vez que el

semivariograma de indicadores est modelizado, se puede llevar a cabo un krgeage de
bloques, que recibira el nombre de ktigeage indicador. El valor que saliese para cada
bloque vendra a representar el porcentaje recuperable de mineralizacin que tiene ese
bloque para una determinada ley de corte. Los resultados pueden ser comparados con
los valores obtenidos en un Krigeage de bloques normal, con otros Krigeages
indicadores para otras leyes de corte, etc., con el fin de obtener estrategias de
explotacin.
7.8. EL COKRIGEAGE
El Co-Krigeage constituye, al igual que el Krigeage indicador, otra de las
aplicaciones del Krigeage a la estimacin de variables. Hasta el momento, el krigeaje
utilizaba, como parmetros para realizar la estimacin, los valores de una variable. Sin
embargo, suele ser frecuente, en minera, conocer no slo una variable sino varias de
ellas, que, usualmente, estn relacionadas entre s (pAg y Pb/Zn). Por tanto, resulta
interesante utilizar la informacin suministrada por una de las variables para calcular la
otra, siempre y cuando, obviamente, exista una relacin entre ambas. Este proceso se
denomina, en Geoestadstica, Co-Krigeage.
INGENIERIA EN MINAS
54
GEOESTADSTICA
55
El Co-Krigeage pues, se define como un mtodo de estimacin que minimiza la

varianza de la estimacin utilizando la correlacin entre varias variables, estando los
estimados obtenidos tanto a partir de las variables secundarias como de la principal. La
utilidad de la variable secundaria muchas veces se ve incrementada por el hecho de que
la variable principal pueda encontrarse submuestreada en algunas zonas del yacimiento.
El valor estimado de una variable por Co-Krigeage viene definido por la siguiente
expresin:
Uo = ai ui + bjvj
donde:
U0
= Valor del estimado en el punto 0
ui
= Los datos de la variable principal en n puntos
vj
= Los datos de la variable secundaria en m puntos
ai y bj = Los factores de ponderacin a determinar para resolver los sistemas de
ecuaciones.
Como se puede observar, el aspecto de la expresin es muy similar a la que
correspondera para el Krigeage. De hecho, el desarrollo del sistema de ecuaciones del
correaje es idntico al correspondiente para el Krigeage. Por tanto, prcticamente todo lo
expuesto para un mtodo (ktigeaje) es vlido para el otro (co-krgeage), en relacin a los
modelos de funciones aleatorias, clculo del semivariograma, reas de bsqueda, etc.
Unicamente merece la pena comentar que existen ciertas situaciones en las que
este mtodo no mejora los resultados que se obtendran utilizando simplemente el
krgeage. Cuando los modelos de semivariogramas son muy similares entre s, y las
variables principal y secundaria estn igualmente maestreadas en todos los puntos, los
resultados con un mtodo y otro son, prcticamente, semejantes.
INGENIERIA EN MINAS
55
GEOESTADSTICA
56
IIN
NG
AE
GE
EN
EN
NM
NIIE
MIIN
ER
NA
RIIA
ASS
A
TIIC
CA
A
APPU
UN
NT
TE
ESS C
CU
UR
RSSO
OG
GE
EO
OE
ESST
TA
AD
DIISST
L
LIIN
NE
EA
AL
L ..
PPA
AR
RT
TE
E 22
E
RC
CIIC
RE
ESS
CIIO
OSS --T
TA
AL
LL
LE
ER
EJJE
ER
INGENIERIA EN MINAS
56
GEOESTADSTICA
57
IIN
NG
AE
GE
EN
EN
NM
NIIE
MIIN
ER
NA
RIIA
ASS
A
TIIC
CA
A
APPU
UN
NT
TE
ESS C
CU
UR
RSSO
OG
GE
EO
OE
ESST
TA
AD
DIISST
L
LIIN
NE
EA
AL
L ..
G
GU
UIIA
AD
DE
ET
TR
RA
AB
BA
AJJO
O 11
C
CO
ON
NC
CE
EPPT
TO
OSS G
GE
EN
NE
ER
RA
AL
LE
ESS
INGENIERIA EN MINAS
57
GEOESTADSTICA
58
TEMA 1
Esperanza Varianza, covarianza, histograma efecto de soporte, efecto de informacin
1.1.-La varianza de una V.A . Z de densidad de probabilidad f(x) esta definida por
V[Z]=E [(Z-)]
Con
=E[Z] = z f(z)dz
Demuestre
V[Z]=E [Z]= {E[Z]}
1.2.- Z Es una variable aleatoria, es una constante
Demuestre E [ Z ] = E [ Z]
Demostrar V [ Z ] = E [ Z]
1.3.-L a covarianza centrada entre dos variables aleatorias Z1 y Z2 esta definida por
Cov(Z1,Z2) = E [ (Z1-1) (Z2-2)]
Con
1 = E[Z1] y
2= E[Z2]
Demuestre Cov (Z1,Z2) = E [ Z1 Z2 ] E[Z1] E[Z2]

Demuestre Cov (Z2,Z1) = Cov (Z1,Z2)
Demostrar Cov (Z1,Z, = V(Z1)
1.4.-Z1 y Z2 son dos variables aleatorias de covarianza centrada Cov ( Z1, Z2)
Demuestre V[ Z1 + Z2 ] = V[Z1] + V[Z2]+ 2Cov(Z1,Z2)
1.5.- Sean n variables aleatorias Z1 , Z2 , ..Zn y sean n coeficientes 1, 2.. n
Sabemos
Z*= i Zi
INGENIERIA EN MINAS
58
GEOESTADSTICA
59
Demuestre
V[Z*]= Z*= i j Cov( Zi , Zj)
i j
Recuerde
Z* = i j Zi Zj
i j
Demuestre
V[ Z*] = i V[Zi] + i j Cov ( Zi , Zj)

i
i =1 j<>1
V[ Z*] = i V[Zi] +2 i j Cov ( Zi , Zj)
i
i=1 j=i+1
Demuestre
1.6.-Aplicacin: Influencia del muestreo sobre los clculos de medias , varianza y

histogramas
Se desea hacer un estudio sobre un sitio que en el pasado tuvo residuos mineros, el
principal contaminante que queda en el terreno es un leve porcentaje de cido remanente
Se ha decidido hace una primera campaa de muestreado en cuadros de 10 x 10 metros
A.- Campaa 1
90
80
70
60
50
40
30
20
10
0
39
33 43 33
32
26
28
35
29
0 10 20 30 40 50 60 70 80 90
Calcule la media la varianza y realice un histograma de 9 clases (0,5) , (5,10).(40,45)
INGENIERIA EN MINAS
59
GEOESTADSTICA
60
B.-Campaa 2
La media deducida de la primera campaa es superior a 22 g / que es lo que la ley autoriza
como mximo , por eso se ha procedido a tomar mas muestras ,obteniendose las siguientes
leyes
39
90
33 43 33
80
32
70
9
12
60
50
40
17
30 12
20
19
10 15
0
0 10 20 30 40 50 60
9
26
28
35
29
23
0
70 80 90
Calcule la media la varianza y realice un histograma de 9 clases (0,5) , (5,10).(40,45)

comente y compare con la primera campaa
INGENIERIA EN MINAS
60
GEOESTADSTICA
61
C.- Campaa 3
Teniendo en cuenta la importancia de la dispersin de las leyes ,se ha decidido efectuar un
muestreo sistemtico ,cada cuatro parcelas ,dando el siguiente resultado:
90
80
70
60
50
40
30
20
10
0
21
43
20
12
25
12
20
26
30
11
19
19
17
23
15
15
23
14
25
2
23
0
12
0 10 20 30 40 50 60 70 80 90
Realice los mismos clculos anteriores
INGENIERIA EN MINAS
61
GEOESTADSTICA
62
D.-Mas tarde con un muestreo en todo el sector se tendra , lo siguiente :

90
80
70
60
50
40
30
20
10
0
22
30
24
30
23
18
12
11
15
20
0
20
21
23
9
16
30
45
23
13
25
10
15
33
13
7
14
21
21
27
10
21
20
39
43
32
25
11
11
17
15
19
2
30
20
33
29
24
23
23
14
11
28
24
40
22
20
24
12
19
19
18
15
25
23
50
10
14
24
26
14
8
15
26
24
21
60
4
9
11
20
16
19
19
23
8
0
70
12
4
6
16
12
35
29
15
14
19
80
7
12
16
26
28
17
19
14
6
12
90
INGENIERIA EN MINAS
62
GEOESTADSTICA
63
Si usted observa este grafico y los anteriores cual es su comentario , Comente y discuta
con sus compaeros
1.7.- Efecto de soporte de las muestras sobre la varianza y histograma

Siempre en nuestro sitio ,,las nuevas parcelas se denominaran V y seran constituida de 4
pequeas parcelas v ,ellas miden 20 x 20 (con todos los datos) , si calculamos los valores
de 1.6 se tendr los siguientes valores
INGENIERIA EN MINAS
63
GEOESTADSTICA
64
Calcule la media , la desviacin estandar de estos datos y trace un histograma

experimental y compare
INGENIERIA EN MINAS
64
GEOESTADSTICA
65
1.8.-Efecto Informacin
Si usted debe tomar la decisin sobre el terreno a partir de la campaa 3 ,tenemos el
iguietne plano
90
80
70
60
50
40
30
20
10
0
21
43
20
12
25
12
20
26
30
11
19
19
17
23
15
15
23
14
25
2
23
0
12
0 10 20 30 40 50 60 70 80 90
Recuerde que un sector es considerado habitable si el congtenido de acido es menos a 22

grs / ton
Conteste
a.- Parcelas estimadas contaminadas y en la realidad estn contaminadas
b.- Parcelas estimadas no contaminadas y en la realidad estn no contaminadas
c.- Parcelas estimadas contaminadas y en la realidad estn no contaminadas
d.- Parcelas estimadas no contaminadas y en la realidad estn contaminadas
INGENIERIA EN MINAS
65
GEOESTADSTICA
66
Realice una nube de correlacin
INGENIERIA EN MINAS
66
GEOESTADSTICA
67
IIN
NG
AE
GE
EN
EN
NM
NIIE
MIIN
ER
NA
RIIA
ASS
A
TIIC
CA
A
APPU
UN
NT
TE
ESS C
CU
UR
RSSO
OG
GE
EO
OE
ESST
TA
AD
DIISST
L
LIIN
NE
EA
AL
L..
G
GU
UIIA
AD
DE
ET
TR
RA
AB
BA
AJJO
O 22
V
VA
AR
RIIO
OG
GR
RA
AFFIIA
A
INGENIERIA EN MINAS
67
GEOESTADSTICA
68
Tema 2: Covarianzas y variograma terico y experimental

2.1.-Z(x) es una funcin aleatoria estacionaria de esperanza m , de covarianza C(h)
C(h) = Cov ( Z ( x + h ) , Z ( h ) )
= E[(Z(x+h)m)(Z(x)m)]
Demuestre C(0)>=0
Demuestre C(-h)=C(h)
Demuestre /C(h)/<=C(0)
2.2.-Z( x ) es una funcin aleatoria intrinsica de variograma g (h)
g (h) = ( )* E [ Z ( x + h ) Z ( x ) ]2
= E [( Z ( x + h ) m ) ( Z ( x ) - m) ]
Demuestre g (h) = (1/2) V [ Z ( x + h ) Z ( x ) ]
Demuestre g (h) >= 0
Demuestre g (0) = 0
Demuestre g (-h) = g (h)
2.3.-Z(x) es una funcin aleatoria estacionaria, de covarianza C(h)
Demuestre g ( h ) = C ( 0 ) C ( h )
2.4.-Z(x) es una funcin aleatoria estacionaria 1 , 2 , n de coeficientes constante , u1
u2 u3.un , las ubicaciones en el espacio .
Si
Z* = i Z(ui)
Recuerde que
V(Z*)= i j Cov(Z(ui), Z(uj))
Demuestre que si i = 0
INGENIERIA EN MINAS
68
GEOESTADSTICA
69
Entonces
V(Z*)= - i j g (Z(ui), Z(uj))
2.5.- Z(x) es una funcin estacionaria de covarianza C(h) y de variograma g (h)

esfrico :
3
3 h 1 h
)
( h) = C * ( * *
2 a 2 a3
= c
si h
si h>=a
Si tenemos Z*= Z(u 1 ) +Z (u 2 ) con pesos u 1 y u 2 distante a 100 mts.
Puede escribir V(Z*) directamente con la ayuda de g(h) ?

Entregue una expresin para V(Z*)
Calcule V(Z*)con una meseta C=3 y un alcance a=250 mts.
Calcule V(Z*)con una meseta C=3 y un alcance a=25 mts.
Explique la diferencia
2.6.-si se tiene
INGENIERIA EN MINAS
69
GEOESTADSTICA
70
Podemos escribir V(Z*) directamente con la ayuda de los de g(h) ?

Calcule V(Z*) cuando la covarianza es exponencial
C (h) = 2.5 * exp(
h
200
El variograma esferico es:

(h) = 2 * (3 *
h
200
3
h
1
*
)
2 2003
si h
200
g (h)= 4
si h >= 200
Cual es la meseta y el alcance estos variograma
Calcule la V(Z*)
2.7.- A provisto de la distancia h y de ciertas confusiones posibles ,tenemos
Dos medidas z(u1) y z(u2) en un espacio a una dimensin ,cual es la distancia h de

separacin? .
Dos medidas z(u1) y z(u2) en un espacio a dos dimensiones u1=(x1,y1) y u2=(x2,y2)

,cual es la distancia de separacin?
Dos medidas z(u1) y z(u2) en un espacio a tres dimensiones u1=(x1,y1,z1) y

u2=(x2,y2,z2) ,cual es la distancia de separacin?
INGENIERIA EN MINAS
70
GEOESTADSTICA
71
2.8.- Z(x) es una variable aleatoria conocida en 48 nodos de hungarilla regular de paso 1
metro .En cada nodo xi asociamos un peso i representado sobre la figura (pesos igual a
+1 y -1 )
Si
48
Z*=i Z(xi)
i=1
INGENIERIA EN MINAS
71
GEOESTADSTICA
72
y cometemos el error de considerar ,a 2 dimensiones ,el variograma siguiente
(h) = h
si
h 2
( h) = h
si
h 2
denominandose lineal por pedazo ,que no es admisible que a 1 D
Sobre el grafico siguiente trace el variograma y el covariograma
2.9 Variograma esferico recordemos la formula :

3
2
( h) = C * ( *
h
a
3
1 h
*
)
2 a3
= C
si h
si h
>=a
Usando el grafico de la pgina siguiente, trace un variograma con meseta 2 y

alcance 100 metros.
Calcule la derivada g (h)del variograma g (h)
Demuestre que la tangente de g (h) para h=0 corta la recta de la ecuacin y=C en
h=(2/3)*a.
INGENIERIA EN MINAS
72
GEOESTADSTICA
73
Demuestre que el comportamiento de g (h) en el origen es idntico al

comportamiento del variograna lineal
3 C
h)
2 a
( h) = ( *
Siempre en el mismo grafico trace un variograma que sea la suma de dos

variogranas esfricos de alcance a1=50 ,a2=100 m ;la meseta C1=C2=1 (para h> =0)
2.10 Variograma exponencial recordemos la formula

(h) = C * (1 exp(
))
Siempre sobre el mismo grafico trace el variograma C=2 y a = 30 m ,compare con

los anteriores variogramas
Por definicin el alcance practico de un veriograma es la distancia donde g (h) es

el 95 % de su meseta C .Calcule el alcance practico de un variograma exponencial.
Calcule la derivada de g(h) , del variograma g (h)
Demuestre que la tangente de g (h) para h=0 corta la recta de la ecuacion y=C em
h=a
2.11.-Variograma gaussiano recordando la formula

(h) = C * (1 exp(
a2
))
Siempre sobre el mismo grafico trace el variograma C=2 y a = 50 m ,compare con

los anteriores variogramas
Desarrolle limite de la funcin exp(x) para x proximo a 0 es
exp( x) = 1 + x +
x2
xn
+ .... +
+ ....
2!
n!
INGENIERIA EN MINAS
73
GEOESTADSTICA
74
Calcule el desarrollo limite del variograma para h prximo a 0 ,deduciendo que el

variograma gausiano posee un comportamiento parablico en el origen .
INGENIERIA EN MINAS
74
GEOESTADSTICA
75
2.12 .-Variograma experimental a 1 dimensin .Dos series de leyes z1(p) y z2(p) .Los
datos son a un metro y p representa la cota de la ley calculada a partir del collerin del
sondaje .
Para los dos sondajes ,las leyes utilizadas son las mismas .Que puede usted deducir
,concerniente a las medias y a las varianzas de leyes en cada sondaje (sin calcular)
Para ambos sondajes las leyes son las mismas ,pero su disposicin es diferente
.Utilizando el grafico siguiente calcule el variograma experimental de leyes a los
largo de cada sondaje ,haciendo variar p , limtese a h<5 m.
INGENIERIA EN MINAS
75
GEOESTADSTICA
76
2.13.-Variograma experimental a dos dimensiones Volvamos sobre nuestro viejo sector

minero
Calcule los variograma horizontales y verticales Yy reportelo sobre el grafico siguiente
INGENIERIA EN MINAS
76
GEOESTADSTICA
77
Compare este variograma con el de grafico inferior, comente
INGENIERIA EN MINAS
77
GEOESTADSTICA
78
IIN
NG
AE
GE
EN
EN
NM
NIIE
MIIN
ER
NA
RIIA
ASS
A
TIIC
CA
A
APPU
UN
NT
TE
ESS C
CU
UR
RSSO
OG
GE
EO
OE
ESST
TA
AD
DIISST
L
LIIN
NE
EA
AL
L ..
G
GU
UIIA
AD
DE
ET
TR
RA
AB
BA
AJJO
O 33
V
VA
AR
RIIA
AN
NZ
ZA
ASS
INGENIERIA EN MINAS
78
GEOESTADSTICA
79
Tema 3
Clculo de varianza de dispersin
Dispersin de un punto en un volumen

Una funcin aleatoria Intrnseca Z(x), de variograma (h) donde se conocen las
realizaciones z(x) sobre un volumen V esta dado por
mV =
1
V
z (u )du
f 1
La varianza de los valores z(x) en el interior del volumen V esta dada por
1
S 2 (O ) =
V
V
( z (u ) mV )2 du
f 2
Si ahora considerramos todas las realizaciones posibles z(x) de la Funcin aleatoria Z(x),
la varianza de la Funciona aleatoria Z(x) en un volumen V esta definida por
2 (OV ) = E ( S 2 (OV ) =
1
V
( z (u ) mV )2 du
f 3
2(0/V) es llamada varianza de dispersin de Z(x) en V

2 (OV ) =
1
V2

du
(u v)dv = (V , V )
f 4
Para poner en marcha estas formulas , uno de los primeros problemas es que solo se
conoce un numero limitado de N muestras z(xn)
Para ello recurriremos a las siguientes formulas
1
mV * =
N
z ( xn )
f 1
n=1
INGENIERIA EN MINAS
79
GEOESTADSTICA
80
Donde N es el numero de muestras contenidas en el volumen V

1
S 2 (O )* =
V
N 1
( z ( xn ) m*V )2
f 2
n=1
Figura 1
Otro problema tpico es cuando se conoce realizaciones de la funcin aleatoria , pero en
diferentes volmenes K de igual tamao VK , figura 2
INGENIERIA EN MINAS
80
GEOESTADSTICA
81
Figura 2
Vamos a aceptar de aproximar las formulas 3 por la siguiente
1
2 (OV ) = E ( S 2 (OV ) =
K
S 2 (O / Vk )*
f 3
k =1
Con K: Numero de bloques Vk en el yacimiento G, y calculamos S2(O/VK )* de los

volmenes Vk disponibles , con los promedios.
Sobre el yacimiento G cubierto por los volmenes VK obteniendo tambin una
aproximacin de la dispersin de un punto sobre un volumen V .Esta Aproximacin ser
mejor si los volmenes Vk son numerosos y en cada volumen Vk ,los puntos son
numerosos .Si conocemos (h) los clculos son mucho mas simples dado a que se resumen
a la aplicacin de la formula 4 , y para ellos se puede recurrir a los bacos ., estos
entregaran los valores de (V,V) promedio .
Aplicacin
3.1.-Se tiene un sitio con contaminacin de acido en el suelo, se desea reconvertir este
lugar en sitio urbano, los resultados de las muestran estn en la figura 3
Consideraremos que estas medidas son puntuales Su valor medio es de 18.8 con una
desviacin estndar de 8.48.
INGENIERIA EN MINAS
81
GEOESTADSTICA
82
Valor m*G ? ( Sin calculo)

Valor de 2(0/G)* ? (Sin calculo )
3.2.-Considere 4 sectores Vk que miden 40 x 40 no utilice los datos de la parte rayadas
Calcule 2(0/V)* procediendo en orden ( meta los resultados en la figura , le ayudara)

Para cada celda Vk calcule mVk* y S2(0/V*k) (Formula (1) y (2))
Calcule 2(0/V)* (Formula (3))
3.3.-Considerando las 25 pequeas parcelas vk midiendo cada una 20 m x 20 m los valores
de m*vk y S2(0/V*k) para cada celda los valores calculados son
INGENIERIA EN MINAS
82
GEOESTADSTICA
83
Calcule 2(0/v)*
Si usted compara 2(0/G)* y 2(0/v)* cual es su conclusin ?
Porque no se puede compara 2(0/V)* con 2(0/G)* y 2(0/v)* ?
3.4.- Utilizacin de los bacos

Un variograma experimental de medidas z(xn) a sido ajustado a un modelo esfrico de
alcance en el eje X 18 metros y en el eje Y 30 metros .
INGENIERIA EN MINAS
83
GEOESTADSTICA
84
La meseta utilizada es diferente de la varianza de los datos ,eso se puede deber a no tener
suficientes puntos o que no es necesariamente estacionaria .Este ajuste es lejos perfecto ,
pero servir por el instante.
Hasta ahora nos habamos conformado con calcular las varianzas de dispersin
experimentales 2(0/V)* , 2(0/G)* y 2(0/v)* utilizando las formulas de aproximacin
1, 2, 3 ,pero es posible calcularlas directamente con la formula
2(0/V) = (V/V)
Para hacer los clculos es necesario utilizar los bacos de la funcin F( L,l ) .Esta funcin
da directamente el valor medio de un variograma de meseta 1 y alcance a cuando los
puntos x y x describen independientemente el rectngulo V =L x l
INGENIERIA EN MINAS
84
GEOESTADSTICA
85
En este caso las cosas son un poco mas complicadas porque (h) no es isotropico, es
necesario calcular L/a1 y l/a2 para poder leer el baco, posteriormente se multiplica este
valor por la meseta.
Para las celdas V sucesivamente iguales a G, V v calcule por este mtodo 2(0/V) ,
2(0/G) y 2(0/v), ,Usted puede utilizar la tabla siguiente
Compare estos resultados, cuales son sus conclusiones?
Si considera ahora una meseta de 72, los resultados mejoran? , Cuales son sus
Conclusiones?
INGENIERIA EN MINAS
85
GEOESTADSTICA
86
3.5.- Nuevo ajuste del variograma ,

Se ha decidido, cambiar el ajuste del variograma, por un varigrama experimental
adoptando un modelo anidado, compuesto de dos estructuras
(h) =1(h)+ 2 (h)
1(h) = Efecto pepita de valor C0 = 8
2(h) =Esfrico anisotropico de C1=67 a1=18 a2= 30
INGENIERIA EN MINAS
86
GEOESTADSTICA
87
Cuale seria la expresin g(V,V)?

Rehaga lso calculos con este nuevo modelo
Compare los modelos precedentes (Modelo esfrico anisotropico de alcance 75),

Finalmente que modelo eligiria usted ?
INGENIERIA EN MINAS
87
GEOESTADSTICA
88
LA RELACION DE KRIGE
Si tenemos que v subconjunto de V la varianza de dispersin Zv (x) cuando x describe a V
en una expresin
2 (v,V) = (V,V) (v,v)
Esta formula es valida sin importar el volumen v en V de un punto hasta el yacimiento G
,la sola regla a respetar sera
x v V G
2 (v/G) = (G,G) (v,v)

En esta expresin se puede hacer aparecer (V,V)
2 (v/G) = (G,G) (V,V) + (V,V) (v,v)
Esto nos entrega la formula de M. Krige .
2 (v/G) = 2 (V/G) + 2 (v/V)
3.7 Verifique la formula de M.Krige para 2 (0/G)
INGENIERIA EN MINAS
88
GEOESTADSTICA
89
VARIANZA DE ESTIMACION LOCAL

Z(x) es una funcin aleatoria intrnseca de variograma g (h) y V un volumen .Cuando
reemplazamos
1
V
Zv ( x) =
Z (u )du
V ( x)
Por un estimador ZV(x) cometiendo un error aleatorio (ZV(x) ZV(x)*) , por lo tanto ser
una medida importante de la varianza , que llamaremos varianza de estimacin
2 = V [ZV ( x) ZV ( x)*]
Si el estimador ZV(x) es no sesgado .es decir que su error (ZV(x) ZV(x)*) es de esperanza
nula ,entonces
E 2 = E[(ZV ( x) ZV ( x)*)2 ]
Este estimador puede ser

Z v ( x) =
1
v
Z (u )du
v( x )
La media de Z(x) sobre otro volumen v que no es necesariamente incluido en V

E 2 (v' ,V ) = 2 * (v,V ) (v.v) (V ,V )
INGENIERIA EN MINAS
89
GEOESTADSTICA
90
Podemos utilizar muchos ejemplares de volmenes v(xk) promediando las cantidades

Zv(xk) que estan asociados ,entonces
Estos volmenes pueden ser reducidos a puntos con media de cantidades Z(xk) , tenemos:
Estas varianza del error que son las varianzas de estimacion .se calculan con las ayudas de
los abacos como para las varianzas de dispersin ,sabiendo que :
Aplicacin Varianzas de estimacion local

Para los calculos emplearemos un modelo (h) esferico isotropico de meseta C y de
alcance 9 metros
3.8.-Estimemos Z(x) por Z*(x) =Z(x+h)
Entrege la formula teorica de la varianza de estimacin 2E(x, x+h)?
Valor de 2E(x, x+h) para h= 10 ?
Valor de 2E(x, x+h) para h= 3 y C=1?
INGENIERIA EN MINAS
90
GEOESTADSTICA
91
3.9.-V es un rectangulo de 10 x 10 estime ZV(x) por ZV(x)*= Z(x0) ,estando x0 en el centro

de V .
Entregue la formula terica para la varianza de estimacin 2E(0, V)?

Utilizando los bacos calcule 2E(x, x+h) cuando C=1
Cual es resultado dado por el calculo directo en el baco
3.10.-El mismo rectangulo estime ZV(x) * = (1/4)*(Z(xk) ,la media de las medidas
situadas en las extremidades .
Entregue la formula terica de la varianza de estimacin 2E({xk}, V)?

Utilizando los bacos calcule 2E({xk}, V) cuando C=1
Cual es el resultado directo
Comparando con el anterior , que configuracin elegira usted
INGENIERIA EN MINAS
91
GEOESTADSTICA
92
VARIANZA DE ESTIMACION GLOBAL

Sea Z(x) una funcion aleatoria conocida sobre un dominio
N
G = U Vi
i =1
La media global sera

ZG =
1
G
Z (u )du
Ser estimada por

1
ZG* =
G
*
Vi * Zv *
i
i =1
Con Z Vi , estimacion local de la media sobre Vi .Deseando cuantificar la varianza del

error cometido
T2 = V [Z * ZG ]
var ianza estimacion global
Si desarrollamos esta expresin se obtiene:
INGENIERIA EN MINAS
92
GEOESTADSTICA
93
Calculo de 2G varianza del error de calidad, si trabajamos en 2D y presentando tres casos,

se tienen
Composicin Directa
Todos los Vi son idnticos ,los z(xi) estn en una malla regular ,y para calcular 2G lo
haremos aproximadamente Z*Vi=Z(xi)
2
G
1 2
(0, V )
N E
Con 2 E (0,V) es la varianza promedio sobre V y N es el numero de Vi y de xi .

Aleatorio estratificado
Idenm al anterior , pero con cada xi implantado al hazard en Vi
2
G
1 2
(0 / V )
N
Con 2 (0,V) varianza de dispersin de un punto en un bloque V
INGENIERIA EN MINAS
93
GEOESTADSTICA
94
Composicin linea - panel
G es una reunion de un conjunto de N paneles rectangulares Vi reconocidas por trazos

medios Li ,Haremos una aproximacin Z*Vi=Z(Li)
2
i =1
Panel
2 (L , V )
Vi2 * E
i i
N
Vi2
i =1
Con E(Li,i)=Varianza de estimacin de la media sobre Vi por la media sobre Li ,y N el

numero de Vi .
Cada lnea Li es reconocida por una sucesin de Z(xi) espaciadas a distancia constante l
.Hacemos una aproximacin que Z*li=Z(Li) ,donde
2
Linea
1 2
(0, l )
M E
Con 2E(0,l)=varianza de estimacion de segmento l por un ppunto y M el numero total de

muestra Z(x) en G
La varianza de estimacion global esta compuesta de dos terminos
2
2 2
G
panel+ linea
Calculo del error geomtrico
Si consideramos
N
G=
Vi
i =1
INGENIERIA EN MINAS
94
GEOESTADSTICA
95
Donde los Vi son todos identicos , no se conoce la geometra del dominio G mas que por
aproximacin de los datos asociados a Vi que indicarian una mineralizacion .Si contamos
su cantidad esta es N , lo que entregaria una area aproximada de A* =N*V
La varianza del error cometido sera
2A
A2
N2
1 N2
(
+ 0.061* 1 )
N2
N2 6
Con N numero total repuntos estimados como mineralizados

N
N
N1 = Sup( Vertical , Horizonal )
2
2
N
N
N21 = Inf ( Vertical , Horizonal )
2
2
NVer=numero de segmentos verticales sobre los bordes estimados

NHor=numero de segmentos horizontales sobre los bordes estimados
2 =
B
2A
E2(0 / G)
2
A
Con 2E(0/G)= Varianza de dispersin de los puntos en el dominio .
INGENIERIA EN MINAS
95
GEOESTADSTICA
96
Aplicacin VARIANZA DE ESTIMACION GLOBAL
3.11.-Optimizacin del reconocimiento

Con el propsito de optimizar el reconocimiento de un panel , evaluando 4 tipos de
disposiciones de toma de muestra .Elvariograma de las muestras es la suma de un efecto
pepita de meseta 1 y de un modelo esferico de meseta 4 .su alcance es igual a= 25 m. y
a=50 m. .Las dimensiones del panel es de 90 x 120 m2 .
Se establecera que las muestras y sondajes corresponde a un mismo soporte.
Para los dos valores de a ,calcule las varianza de estimacin global del panel
segn los cuatro casos ,posteriormente sintetice los resultados en la tabla siguiente
,compare ,concluya ?
INGENIERIA EN MINAS
96
GEOESTADSTICA
97
3.12 Error geomtrico

Una superficie G reconocida por las muestras puntuales .Las muestras con mineralizacin
son indicadas como 1 , y las otras como 0 .La malla de reconocimiento es de 10 x 10 m.
Calcule A* ,el rea resltate de estas medidas

Calcule (2A/ A2 )
Traduzca esto en un intervalo de confianza sobre la hiptesis que a distribucin de
los errores (A A*) es gaussiana .
INGENIERIA EN MINAS
97
GEOESTADSTICA
98
IIN
NG
AE
GE
EN
EN
NM
NIIE
MIIN
ER
NA
RIIA
ASS
A
TIIC
CA
A
APPU
UN
NT
TE
ESS C
CU
UR
RSSO
OG
GE
EO
OE
ESST
TA
AD
DIISST
L
LIIN
NE
EA
AL
L ..
G
GU
UIIA
AD
DE
ET
TR
RA
AB
BA
AJJO
O 44
K
RIIG
GE
EA
KR
AG
GE
E
INGENIERIA EN MINAS
98
GEOESTADSTICA
99
KRIGEAGE ORDINARIO PUNTUAL

4.1.-Sean dos puntos de leyes M1 Y M2 y un punto P0 .Z(u) es estacionaria de orden 2 de
variograma g(h) ,estime Z(P) por krigeage ordinario (K.O.) utilizando M1 y M2.
Construir las ecuaciones de Krigeage

Resolver el sistema de ecuaciones de krigeage cuando g(h) es pepita de meseta C .
Resolver formalmente el sistema de Krigeage cuando g(h) no es pepita
Que advierte cuando la meseta es multiplicada por 2
Si g(h) no es pepita ,pero su alcance practico a=a1 o a2=a3 y isotropico de alcance C
INGENIERIA EN MINAS
99
GEOESTADSTICA
100
Resuelva formalmente el sistema para los tres casos

Compare los ponderadores de M1 y M2 en los casos 2 y 3
4.2.- N puntos de medidas y un punto P0
Escriba el sistema a resolver cuando g(h) es pepita de meseta C.

Que pasa cuando la meseta es multiplicada por 2 .
KRIGEAGE ORDINARIO DE UN BLOQUE

4.3.-Sistema general
Si estimamos el valor medio de Z(u) por un Krigeage Ordinario utilizando los valores de
Z de los puntos Mi
INGENIERIA EN MINAS
100
GEOESTADSTICA
101
Construir las ecuaciones del K.O

Si ocupamos estas ecuaciones a aquellas del K.O puntual ,Qu cambia?.
4.4.-Aplicacin a una configuracin particular de puntos

Un bloque achurado de 200 x 200 m2 es krigado utilizando 5 muestras dispuestas sobre
una malla regular separada 200 m .Z(x) es estacionaria de variograma isotropico g(h) .
Escriba formalmente el sistema de ecuaciones del Krigeage .sobre forma de

ecuaciones, y sobre la forma matricial.
Intente simplificar las ecuaciones del sistema.
El variograma de Z(x) es esfrico de meseta C y de alcance 250 m.
INGENIERIA EN MINAS
101
GEOESTADSTICA
102
Simplifique el sistema para poder resolverlo formalmente
La meseta C=2
Con la ayuda de los bacos ,encuentre la solucin ,escriba ,el estimador dando la
varianza del krigeage.
INGENIERIA EN MINAS
102
GEOESTADSTICA
103
IIN
NG
AE
GE
EN
EN
NM
NIIE
MIIN
ER
NA
RIIA
ASS
A
TIIC
CA
A
APPU
UN
NT
TE
ESS C
CU
UR
RSSO
OG
GE
EO
OE
ESST
TA
AD
DIISST
L
LIIN
NE
EA
AL
L..
PPA
AR
RT
TE
E 33
A
AB
BA
AC
CO
OSS..
INGENIERIA EN MINAS
GEOESTADSTICA
104
INGENIERIA EN MINAS
GEOESTADSTICA
105
INGENIERIA EN MINAS
GEOESTADSTICA
106
INGENIERIA EN MINAS
GEOESTADSTICA
107
INGENIERIA EN MINAS
GEOESTADSTICA
108
INGENIERIA EN MINAS
GEOESTADSTICA
109
INGENIERIA EN MINAS
GEOESTADSTICA
110
INGENIERIA EN MINAS

Geoestadistica Lineal

Cargado por

Copyright:

Formatos disponibles

Geoestadistica Lineal

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Geoestadistica Lineal

Cargado por

Copyright:

Formatos disponibles

Geoestadstica Lineal

CURSO DE GEOESTADISTICA UNIVERSIDAD

APLICACIN DE LA TEORIA DE VARIABLES

BUSTILLO R./ LOPEZ J. MANUAL DE EVALUACIN

HOWARD L. HARTMAN SME MINING ENGINEERING HANDBOOK

APUNTE DE TRABAJO ENSMP

APUNTES DE TRABAJO U.A

La geoestadstica es una disciplina relativamente nueva que se ha desarrollado y

El campo de aplicacin ms importante de la geoestadstica es, sin duda, la

En la prediccin de leyes de mena globales (de todo un depsito) o locales (por

En la aplicacin de sus contenidos temticos durante las distintas fases de la

En la determinacin de las mezclas ptimas de mineral para su envo a la planta.

IMPORTANCIA DE LA GEOESTADISTICA EN LA MINERIA

La Geoestadstica considera que cualquier punto de un depsito est espacialmente

Area de influencia ( rango)

La Geoestadstica no resuelve todos los problemas en la estimacin de recursos

La Geoestadstica establece que la distribucin estadstica de la diferencia en el

Una variable regionalizada se presenta bajo dos aspectos

: gran irregularidad y variaciones imprevisibles de un punto

Antes de estudiar ejemplos de variables regionalizadas se menciona que en

para una variable regionalizada en un problema unidimensional. (1-D)

Se llama campo a la zona en la cual se estudia la variable regionalizada.

En el plano terico, expresar las caractersticas estructurales de una variable

A.1. Continuidad de las leyes: Diferenciar y caracterizar la regularidad de un

A.2. Anisotropa: Detectar direcciones privilegiadas de la mineralizacin (ver Fig. N5)

Hay una direccin

Se entiende por resolver el problema de estimacin, el determinar de manera

3.2.1. MODELO MATEMATICO

FIGURA N6: Aspectos local y global de una variable regionalizada

Los modelos geoestadsticos consideran el valor z(x) de la variable regionalizada en un

geoestadstica probabilstica, se interpreta la variable regionalizada como una

RELACIONES ENTRE LAS

y si para todo vector h la covarianza est dada por:

existe y es independiente de x0. La covarianza da una visin elemental del acoplamiento

que es la varianza de la variable aleatoria Z(x0).

E [ Z(x+h) - Z(x) ] = m (h)

Luego la funcin g (h) :

E {[ z(x+h) - z(x) ]2} = E { [ z(x+h)]2 + [ z(x) ]2 - 2[ z(x+h) z(x)] }

La relacin entre el semivariograma y el covariograma cuando las condiciones de

donde s2 es la varianza de los datos, C(h) es el covariograma.

Puesto que la Estadstica clsica considera las muestras como aleatorias y

(h) = (1/2) E [ z(x+h) - z(x)]

Y en la prctica se usa el algoritmo siguiente:

Propiedades del Variograma:

Continuidad o falta de continuidad de la mineralizacin se refleja en la razn del

La velocidad del incremento de g(h) con el lag es un reflejo de la velocidad a la cual la

Antes de construir el variograma asociado a una variable regionalizada es

Soporte de la variable: est bien definido?

La siguiente figura N 11 muestra el papel del variograma como herramienta en el

Se estudiar el comportamiento de la funcin g(h), para distancias pequeas.

FIGURA N 12 VARIOGRAMAS PARA DISTANCIAS PEQUEAS

Leyes con Irregularidad total. (sin ninguna relacin)

Se estudiar el comportamiento de la funcin g(h), para distancias grandes. Se

FIGURA N 13 VARIOGRAMAS PARA DISTANCIAS GRANDES

Leyes con crecimiento (decrecimiento) progresivo.

Fenmeno estacionario (sin pseudo periodicidades y tendencias).

4.2.2. CONSTRUCCION DE UN VARIOGRAMA PARA UNA MALLA REGULAR

Se sabe que el semivariograma depende de h que ahora toma un carcter

FIGURA N 15 DIAGRAMA VECTORIAL