Geo Estadistica Minera

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN" - TACNA
Facultad de Ingeniera
Escuela Acadmico Profesional de Ingeniera de Minas
GEOESTADSTICA PARA LA
ENSEANZA UNIVERSITARIA
ING. JORGE SEGURA DVILA
TACNA - PER
2011-2012
Contenido
Presentacin
Captulo 1
Introduccin
1.1. Geoestadstica 1
1.2. Antecedentes Histricos 1
1.3. Sntesis Evolutiva 2
1.4. Definicin y Objetivos 3
1.5. Necesidad de la Geoestadstica 3
1.6. Aplicaciones de la Geoestadstica 4
Captulo 2
Anlisis Exploratorio de Datos
2.1. Conocimiento del Problema 6

2.2. Conceptos Necesarios de Estadstica Bsica 6
2.3. Porqu un Anlisis Estadstico 16
2.4. Conjunto de Datos y Aplicaciones 17
2.5. Curvas Ley Tonelaje 24
Captulo 3
Geoestadstica y Teora de las Variables Regionalizadas
3.1. Variables Regionalizadas 29

3.2. Notacion Condensada 29
3.3. Ejemplos de Variables Regionalizadas (V.R.) 29
3.4. Campo y Soporte 33
3.5. Variables Aditivas 35
3.6. Objetivos de la Teoria 36
3.7. El Modelo Matemtico de La Geoestadstica: las Funciones Aleatorias 37
3.8. Funcin de Distribucin y Momentos de una Funcin Aleatoria 39
3.9. Funciones Aleatorias Estacionarias 40
3.10. Relacion Entre el Semivariograma y la Covarianza 41
3.11. El Correlograma 42
Captulo 4
Anlisis Extructural de Datos
4.1. Variograma Experimental 43

4.2. Parmetros del Variograma 45
4.3. Comportamiento del Variograma para Distancias Pequeas 46
4.4. Comportamiento del Variograma para Grandes Distancias 49
4.5. Clculo del Variograma a Malla Regular 52
4.6. Clculo del Variograma para Mallas Irregulares 66
-I-
II Mtodos Numricos Aplicados a Ingeniera
4.7. Mapa de Variograma 77

4.8. Anisotropas 78
4.9. Problemas ms Comunes Encontrados en el Clculo del Variograma 80
Captulo 5
Modelamiento de Variogramas
5.1. Modelado de Variogramas 82

5.2. Parmetros del Variograma 82
5.3. Modelos Tericos de Variogramas 83
5.4. Modelamiento del Variograma Experimental 88
5.5. Casos de Estudio 90
5.6. Problemas en el Modelaje de Variogramas 96
5.7. Validacin del Modelo Terico 97
Captulo 6
Varianza de Estimacin
6.1. Enunciado del Problema: 98

6.2. El Error de Estimacin 99
6.3. Anlisis de Parmetros 101
6.4. Clculo de La Varianza de Estimacin 102
6.5. Casos de Estudio 105
Captulo 7
Modelo de Kriging
7.1. Introduccin 112

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

necesidad de la geoestadstica, y aplicaciones de la geoestadstica.
2.- Anlisis Exploratorio de Datos: conocimiento del problema, conceptos necesarios de estadstica
bsica, porque un anlisis estadstico, conjunto de datos y aplicaciones, curvas ley tonelaje.
3.- Geoestadstica y Teora de las Variables Regionalizadas: Variables regionalizadas, notacion con-
densada, ejemplos de variables regionalizadas (v.r.), campo y soporte, variables aditivas, objetivos de
la teoria, el modelo matemtico de la geoestadstica: las funciones aleatorias, funcin de distribucin y
momentos de una funcin aleatoria, funciones aleatorias estacionarias, relacion entre el semivario-
grama y la covarianza, el correlograma.
4.- Anlisis Extructural de Datos: Variograma experimental, parmetros del variograma, comportamien-
to del variograma para distancias pequeas, comportamiento del variograma para grandes distancias,
clculo del variograma a malla regular, clculo del variograma para mallas irregulares, mapa de vario-
grama, anisotropas, problemas ms comunes encontrados en el clculo del Variograma.
5.- Modelamiento de Variogramas: Modelado de variogramas, parmetros del variograma, modelos
tericos de variogramas, modelamiento del variograma experimental, casos de estudio, problemas en
el modelaje de variogramas, validacin del modelo terico.
6.- Varianza de Estimacin: enunciado del problema, el error de estimacin, anlisis de parmetros,
clculo de la varianza de estimacin, casos de estudio.
7.- Modelo de Kriging: Introduccin, las ecuaciones del krigeado ordinario para bloques, casos de es-
tudio del krigeado ordinario para bloques, krigeado puntual, propierdades del kriging o krigeado, casos
de estudio sobre krigeado puntual.
Finalmente las Referencias Bibliogrficas y Anexo.
Msc. Jorge Segura Dvila
__________
CAPTULO 1
INTRODUCCIN
1.7. GEOESTADSTICA
La Geoestadstica abarca la mayor parte de las ciencias naturales exactas y su aplicacin hoy en
da es cada vez mayor, por tanto es nuestro inters dar a conocer en este texto, el uso de las he-
rramientas de la Geoestadstica a fn de ayudar a los alumnos a interpretar y aplicar las teoras
geoestadsticas bsicas necesarias en las etapas de exploracin, explotacin y evaluacin de
yacimientos.
El punto de partida para la formalizacin del modelo geoestadstico de un fenmeno natural es el

anlisis variogrfico que sintetiza el comportamiento espacial del mismo y que constituye el cora-
zn de la Geoestadstica.
1.8. ANTECEDENTES HISTRICOS
Los orgenes de la Geoestadstica estn en la minera, como antecedentes pueden citarse los
trabajos de Sichel (1947, 1949) y Krige (1951), cuyos estudios estn referidos al inmenso archi-
vo de datos que representan las minas de oro sudafricanas.
El primero observ la naturaleza asimtrica de la distribucin del contenido de oro en las minas
sudafricanas, la equipar a una distribucin lognormal y desarroll las frmulas bsicas para esta
distribucin. Ello permita una primera estimacin de las reservas, pero supona implcitamente
que los datos eran independientes, en clara contradiccin con la experiencia de que existen zo-
nas ms ricas que otras.
Una primera aproximacin a la solucin de este problema fue dada por Krige, que propuso una
variante del mtodo de medias mviles que puede considerarse equivalente al del krigeado sim-
ple que, como veremos, es uno de los mtodos bsicos de estimacin lineal.
Observaron que las distribuciones de las leyes son funcin de las dimensiones del soporte de las
muestras. Encontraron experimentalmente la relacin de Krige:
D2(v/G) = D2(v/V) + D2(V/G)
Que la Geoestadstica demostrar formalmente. A partir de estas consideraciones Krige y Sichel

definieron estimadores t insesgados de la ley media de un panel utilizando las caractersticas
media y varianza de los logaritmos de las leyes de las muestras.
Despus, estudiando las regresiones entre las leyes verdaderas de bloques ya explotados y me-
dias mviles de las leyes de muestras disponibles a priori, Krige y Ueckermann (1963) definieron
nuevos estimadores ptimos no ligados a la hiptesis restrictiva de la lognormalidad.
Estos estimadores de Krige que dieron nombre a la tcnica del Krigeage, formalizada mas tarde
por Matheron, permiten resolver sin sesgos el problema difcil de la estimacin de reservas des-
-1-
2 GEOESTADSTICA PARA LA ENSEANZA UNIVERSITARIA
pus de un anlisis exhaustivo de la base de datos.
En resumen la escuela sudafricana da inicio al origen de la Geoestadstica, al establecer y acla-

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

1970 Explosin a nivel mundial de la Geoestadstica.
__________
1 Introduccin 3
1980 Maduracin, consolidacin.

1990 Aceptacin.
2000 Aplicaciones, en diversos campos de la ciencia.
2010 Fortalecimiento cientfico.
2012 Nuevas aplicaciones en todas las reas del conocimiento humano, en el campo de la
robtica y simulacin.
1.10. DEFINICIN Y OBJETIVOS
DEFINICIONES
G. Matheron, en su forma actual la defini como: La aplicacin del formalismo de las funcio-
nes aleatorias al reconocimiento y estimacin de fenmenos naturales. A la funcin aleatoria
(F.A) la podemos visualizar como un variable aleatoria (V.A) definida en todos los puntos del
espacio, o lo que es igual cada realizacin de la FA es una funcin espacial (variable regio-
nalizada VR). Lo caracterstico de una FA es que cada realizacin se puede concebir como
suma de una componente estructurada y otra aparentemente errtica.
Una VA es una funcin numrica de los puntos de un espacio muestral X Rn (-,+).
La Geoestadstica es la aplicacin de la teora de las variables regionalizadas a los proble-
mas de reconocimiento, de estimacin y de economa minera.
OBJETIVOS
Expresar las caractersticas estructurales Z(x) en una forma matemtica adecuada (modelo).
- Continuidad
- Anisotropa
Resolver de manera satisfactoria los problemas de estimacin

- Definir estimadores ptimos
- Encontrar intervalos de confianza, cuantificacin del error
1.11. NECESIDAD DE LA GEOESTADSTICA
Todos sabemos que en los yacimientos, las leyes siguen una determinada funcin de distribucin
y que no varan al azar, sin embargo, con mucha frecuencia ese hecho no se toma en cuenta al
momento de la cubicacin o estimacin de reservas. Los procesos de concentracin de materias
primas y elementos valiosos que conforman un yacimiento, son procesos naturales que se cien
a ciertos patrones y que por lo tanto no son productos del azar; por consiguiente no se puede es-
tudiar un yacimiento por el mtodo estadstico simple o por los mtodos clsicos cuya primera
condicin a priori es suponer (errneamente por cierto) que los fenmenos geolgicos son com-
pletamente aleatorios que no se rigen por patrones determinados.
Supongamos que las leyes de una veta, tomadas a distancias diferentes de muestreo, a lo largo
de una galera presenta la siguiente distribucin.
TRAMO A
Ley Z(x) 1 2 3 4 5 6 5 4 3 2 1
Muestra
N 1 2 3 4 5 6 7 8 9 10 11
_________
TRAMO B
Ley Z(x) 3 2 4 6 1 5 1 3 2 4 5
Muestra
N 1 2 3 4 5 6 7 8 9 10 11
El estimador estadstico clsico encontrara para ambos tramos las mismas medias y varianzas, e
incluso hasta el mismo histograma; por lo tanto supondr que en ambos tramos la veta se puede
cubicar y trabajar en la misma forma. Esta simplificacin es errnea, ya que podemos ver que en el
tramo A existe un cierto patrn de distribucin de las leyes, con una zona central rica que se va em-
pobreciendo hacia ambos lados; mientras que en el tramo B, se trata de una distribucin ms al
azar.
Lamentablemente en una mina con muchos niveles, muchos metros de galera y miles de mues-
tras, analizadas quizs por varios metales, no ser tan fcil reconocer a simple vista, si existe o
no algn patrn de distribucin o estructura.
Necesitamos de una tcnica con elementos ms poderosos, y que (por el afn de simplificar el
problema) no comience justamente por ignorar lo que deseamos encontrar: Que funcin rige la
distribucin de las variables en un yacimiento; es decir, una relacin matemtica que nos informe
cmo varan las leyes, la potencia, el peso especfico y otros parmetros mensurables en el ya-
cimiento. La mejor herramienta actual para estudiar la distribucin de tales variables es la GEO-
ESTADISTICA; esta rama de la geomatemtica emplea para ello la denominada funcin Vario-
grama, que es su herramienta bsica.
1.12. APLICACIONES DE LA GEOESTADSTICA
La Geoestadstica se aplica a diversos problemas de caracterizacin del fenmeno natural y a la

estimacin de las variables regionalizadas.
CAMPOS DE APLICACION
VARIABLES ESTUDIADAS
DOMINIO DE LA APLICACIN
Industria minera Acumulacin de Leyes y Potencia
Geologa Peso especfico, Porosidad, fallas y discontinui-
dades
Industria Petrolera Potencia de mantos, Porosidad y Sondajes
Geoqumica Investigacin de Elementos
Oceanografa Fondos Marinos y Poblacin de Peces
Hidrogeologa Conductividad Hidrulica, Coeficientes de Alma-
cenamiento, Niveles Piezomtricos y Concentra-
cin.
Meteorologa Presin, Velocidad del Aire, Lluvia y temperatura.
Agronoma Densidad de Arboles y Plagas
Topografa Elevaciones
Medio Ambiente Variables de contaminacin en aire, agua y sue-
los.
Medicina Variables relacionadas a diversas patologas.
__________
1 Introduccin 5
APLICACIONES EN MINERIA
Control de calidad y control de datos.

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

puede afirmar que esta tcnica llega al Per recin en el ao 1970, apartir del ao 1974 se han
estudiado varios yacimientos, a tal nivel que incluso en algunas publicaciones peridicas y textos
de Geoestadstica editados en otros pases (como Francia, Australia, Inglaterra, Canad, Chile,
etc.),se citan algunos casos peruanos; por ejemplo Journel & Huijbregts(1978) en su exelente li-
bro Mining Geostatistics incluyen el estudio del yacimiento de Michiquillay como caso tpico de
estimacin de reservas en prfidos de cobre, emplearon para ello los resultados del estudio geo-
estadstico de Minero Per (Ex empresa estatal), por los aos 1975, 1976.
Mas adelante se incluye en el mismo libro, los resultados del estudio geoestadstico de la veta
argentfera de la mina Uchucchacua, como ejemplo tpico de evaluacin de reservas en yaci-
mientos del tipo veta.
En la actualidad, el Per experimenta un desarrollo cada vez mayor de la aplicacin de la Tcni-

ca Geoestadstica a los diversos problemas de la Industria Minera y el medio ambiente, debido al
boom minero que sigue atrayendo cada vez mas a los inversionistas extranjeros, dado el proceso
de desarrollo econmico con inclusin social que el gobierno lleva adelante.
_________
CAPTULO 2
ANLISIS EXPLORATORIO DE DATOS
2.6. CONOCIMIENTO DEL PROBLEMA
Antes de comenzar un estudio geoestadstico se deben discutir todos los elementos que aporten
conocimientos del problema a resolver, la estructura geolgica en que se desarrolla la minerali-
zacin o el fenmeno en estudio, organizacin y verificacin de la informacin disponible y final-
mente realizar el anlisis exploratorio de los datos.
Una vez obtenido los datos, es necesario que se controlen integralmente a fin de verificar de una
parte su exactitud y de otra su representatividad. Es importante que se est familiarizado con los
datos, discutir todos los elementos necesarios a fin de conocer el problema a resolver (Armstrong
y Carignan, 1997). En la minera los resultados son muy sensibles al nivel de informacin usado
(Carrasco-Castelli y Jara-Salame, 1998; Lantujoul, 1994), cualquier modificacin involuntaria en
la etapa inicial se refleja sistemticamente durante todo el estudio (Armstrong y Roth, 1997;
Armstrong y Carignan, 1997).
El anlisis y el procesamiento de los datos mineros, estn basados en las herramientas que nos
ofrece la Geoestadstica, la misma que incorpora la localizacin de las muestras en el espacio.
El problema a resolver implica dos pasos fundamentales:
1ro. Caracterizar e interpretar el comportamiento de los datos referidos a las muestras existen-
tes.
2do. Usar la interpretacin para predecir los valores probables respecto a situaciones descono-
cidas.
2.7. CONCEPTOS NECESARIOS DE ESTADSTICA BSICA
Con el objetivo de conocer la informacin disponible se puede hacer un anlisis de la estadstica

descriptiva (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977). A continuacin se
presenta un resumen de los conceptos necesarios de estadstica bsica.
A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la distribucin de

los datos es normal, lognormal, o si no se ajustan a una distribucin estadstica, lo cual implica
tener conocimiento de:
1.- Numero de casos: Es el nmero de valores muestreados del fenmeno en estudio, represen-
tados por n y los datos por xi, i = 1, . . . , n, que llamamos distribucin.
2.- Rango de la distribucin: Es la diferencia entre el valor mximo y el mnimo.
3.- Media: Es la media aritmtica de la distribucin, dado por la frmula:
1 n
Xm n
i 1
Xi
n = nmero de datos contenidos en la muestra.

Xi = valor de cada variable en el conjunto de datos (muestra).
-6-
2 Anlisis Exploratorio de Datos 7
4.- Moda: Es el valor ms frecuente de la distribucin.

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

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

normal. Se calcula por:
1 n
3 Xi X m 3 S 3
n i 1
n = nmero de datos contenidos en la muestra

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

Xi = valor de cada variable en el conjunto de datos (muestra)
S4 = momento de cuarto orden.
La distribucin normal tiene curtosis igual a tres, y es llamada mesocrtica. A las distribuciones
ms agudas, con colas relativamente anchas, se les llama leptocrticas, tienen valores de curtosis
mayores que tres, y las distribuciones ms bien achatadas en el centro se llaman platicrticas, tie-
nen valores menores que tres, en ocasiones se acostumbra a definir la curtosis como 4 - 3.
10.- Error estndar: Describe el grado de conocimiento de los datos y se puede calcular por:
= 2 /n
La distribucin normal tiene un valor de error estndar menor que 1.25 y la distribucin lognormal
o una distribucin con tendencia positiva, tiene valores de error estndar mayores que 1.25.
11.- Coeficiente de variacin: Es una medida de la variacin relativa de los datos y puede ser
calculado por:
CV = S/Xm
y en porcentaje como: 100 CV = 100 (S/Xm) %
CV = coeficiente de variacin
S = desviacin estndar
Xm = media
Proporciona una comparacin entre la variacin de grandes valores y la variacin de pequeos

valores. Las tcnicas de Geoestadstica Lineal que predomina en el campo de las geociencias
producen los mejores resultados cuando el coeficiente de variacin es menor que uno, CV 1.
Para CV 1 se recomiendan tcnicas de Geoestadstica no Lineal.
12.- Prueba Chi-Cuadrado: Permite determinar si la distribucin es normal, lognormal o alguna
otra distribucin probabilstica, es su lugar puede ser usada la prueba Kolmogorov Smir-
nov como se refleja por muchos autores es ms robusta.
13.- Prueba t-Student: Permite determinar si en una distribucin bimodal las medias de las po-
blaciones son estadsticamente diferentes.
B: Construccin de grficos estadsticos: Estos grficos permiten ilustrar y entender las distri-
buciones de los datos, identificar datos errados, valores extremos, los mismos incluyen:
1.- Mapa base, seccin cruzada y vista en perspectiva: Son usados para visualizar la relacin
espacial en 2 y 3 dimensiones, permiten encontrar errores en la informacin.
2.- Histogramas: Son usados para ver las caractersticas descriptivas de la distribucin. Es un
grfico de barras donde en las abscisas aparecen los lmites de las clases y en las ordena-
das las frecuencias correspondientes a cada clase.
__________
3.- Frecuencia acumulativa: Usado para identificar el tipo de distribucin muestral y ayuda a de-
terminar si estn presentes poblaciones mixtas. Es un grfico de lmite de clase contra fre-
cuencia acumulada.
En el caso de grficos estadsticos es til usar los grficos de frecuencia absoluta, relativa, acu-
mulativa y el diagrama de dispersin, como se presenta en muchos sistemas.
Todos estos elementos permiten decidir sobre las condiciones de estacionaridad vistas anterior-
mente. Muchos autores slo toman como elementos fundamentales de estadstica bsica que: la
media y la mediana tome valores prximos; el coeficiente de variacin sea inferior a 1; la distribu-
cin de los datos est prxima a la curva normal y no existan valores extremos que afecten el
desarrollo del anlisis estructural.
4.- Distribucin Normal:
La distribucin normal o gaussiana es el modelo ms importante y de mayor uso de todas las

distribuciones continuas de probabilidad. Un gran nmero de estudios indican que la distribucin
normal proporciona una adecuada representacin de las distribuciones de una gran cantidad de
variables fsicas.
DEFINICION: Se dice que una V.A. X se encuentra normalmente distribuida si su funcin de

densidad de probabilidad esta dada por:
2
1 x
1
f ( x; , ) e 2
2 * para - < x < - < < >0
El parmetro no influye en la forma de la curva f(x), su variacin conduce a un desplazamiento

de la curva a lo largo del eje x.
_________
La variacin del parmetro , altera la forma de la curva f(x).
RESUMEN DE MEDIDAS

E ( x) xf ( x)dx

1
E (x)

n
xi
1 x 2
x i
2 2 i
E( x ) 2 2 n n

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

x ;x
Central 68% n n

x 1.96 ; x 1.96
Central 95% n n
__________

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

x TP ; x TP
n n
5.- Funcin de Distribucin Acumulativa:
La probabilidad de que una V.A. normalmente distribuida X sea menor igual a un valor especfico
x, esta dada por la funcin de distribucin acumulativa F(x)
1 t 2
P( X x) F x; ,
1
Exp 2 dt
x
Esta integral no puede evaluarse en forma cerrada, sin embargo se puede tabular F(x;,) como
una funcin de y , lo que necesitara una tabla para cada par de valores. Como existe un nme-
ro infinito de valores de y , esta tarea es virtualmente imposible.
6.- Distribucin Normal Standard:
Ecuacin de transformacin
x
z

Donde y son la media y la desviacin estndar de X respectivamente. De acuerdo con lo ante-

rior Z es una V.A. estandarizada con media 0 y desviacin estndar 1, lo que nos conduce a la Ley
Normal Reducida (LNR)
P X x PZ z
_________
Funcin de densidad de probabilidad (PDF)
1 z2
f ( x) Exp
2 2
Funcin de distribucin acumulativa
Si: P( X x) P( Z z ) Fx ( x; , ) Fz ( z;0,1)
Donde Fz (z;0,1 ) es la funcin de distribucin acumulativa de la funcin de probabilidad normal es-

tandarizada, la misma que se encuentra tabulada en forma extensa.
t2
PZ z Fz z;0,1
1 z

2
Exp
2
dt

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

la V.A. normal estandarizada Z sea menor o igual a z.
__________
INTERVALOS DE CONFIANZA
_________
7.- Modelo Log Normal:
Se dice que una variable aleatoria X sigue un Ley Lognormal, si su logaritmo (neperiano, base e)
sigue una Ley Normal. Su funcin de densidad de probabilidad viene expresada de la siguiente
manera:

2
1 ln x e

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

0.....x 0

2
1 ln x e

1
e
2 e
f ( x)
d ln x
2
Considerando la constante de aditividad , tendramos:

2
1 ln( x )
1 1
f ( x) * e 2
.... x
2 * x
PARMETROS
Si los datos se asemejan a una distribucin lognormal, la poblacin se puede definir como una po-
blacin lognormal de dos parmetros, siendo estos parmetros la media y la varianza de la pobla-
cin logartmica. Entonces el valor verdadero de la ley media se puede obtener con la frmula:

e e
2
e 2 2 e e 1
2

__________
donde:
= valor estimado de la Ley Media.

e = Media de la distribucin de los logaritmos de las leyes.
e = Desviacin estndar de la distribucin de los logaritmos de las leyes.
2 = Varianza estimada de las leyes.
Puede ocurrir que, al representar los datos logartmicos en un diagrama de probabilidad, no se

ajusten exactamente a una recta, mostrando una cierta curvatura en el ajuste, lo que es indicativo
de la presencia de una poblacin lognormal de tres parmetros. Este tercer parmetro, denomina-
do constante aditiva , se calcula como:
x50 x75 * x 25

x 25 x 75 2 * x50
Siendo los xi los valores de los percentiles correspondientes a cada caso.
Este valor se aade a la poblacin original de datos (sin transformar logaritmicamente) y, a conti-
nuacin, se realiza la transformacin logartmica, obtenindose una nueva poblacin ln(xi+) que,
representada en el papel probabilstico, s genera ya una lnea recta.
Para calcular, en este caso, el valor de la ley Media, se aplica el procedimiento descrito para la po-
blacin de dos parmetros, sustrayndose el valor de la constante aditiva del resultado final. Las
frmulas quedaran:
2
e e
2

e

2 ( ) 2 e e 1
2

TRANSFORMACIN
Si z Lnx
Obtendramos la siguiente funcin de probabilidad Normal

2
1 z
1
2
f ( x) e
2 *
8.- Modelo estandarizado:
S,
Lnx Ln 1 x
t Ln

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

2
1 ln x ln
1 dx

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

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

mismos resultados cuando la variable asume un comportamiento aleatorio.
__________
El rea de influencia donde los datos muestran una correlacin espacial, estn dados por una
distancia a, entonces habr una relacin estructural entre las muestras, un grado de dependencia
entre ellas, que es estudiada por la Geoestadistica. En cambio cuando no hay ninguna relacin en-
tre las muestras del conjunto de datos, se dice que hay una independencia entre sus valores y se
puede observar un comportamiento aleatorio entre las mismas, la Geoestadistica en estas zonas
de independencia de valores, encontrara los mismos resultados que la estadstica clsica.
2.9. CONJUNTO DE DATOS Y APLICACIONES
1.- CASO DE ESTUDIO CON DATOS DE UNA MINA DE CARBN.
Conjunto de datos simulados sobre un estrato real de carbn en el Africa el Sur. Los taladros perfo-
rados sobre el estrato de carbn son medidos para encontrar la siguiente informacin: espesor
(mts), contenido de energa o valor calorfico del carbn (expresado en Megajoules por Ton.), con-
tenido de ceniza (%) y contenido de sulfuros (%).
Las tres coordenadas expresadas en metros son medidas desde arriba (collar) del estrato del car-
bn donde es intersectado por el taladro.
SOFTWARE: Para los ejemplos del TEXTO puede utilizarse el software Geostokos (Ecosse) dise-
ado especialmente para la enseanza y que corre bajo la plataforma de windows 98/2000 y NT.
Este programa puede bajarse desde internet:
Otras herramientas alternativas, usadas en el presente texto, son los siguientes software: Geoeas,
Variowin, Surfer, Excel, Etc. Asimismo existen en Internet una diversidad de programas y demos de
libre disposicin, a los cuales puede acudir el alumno.
COAL PROJET DATA

MUESTRA ESTE NORTE ELEVACION POTENCIA VALOR CA- CENIZA SULFUROS
(ID) (mts) (mts.) (mts) (mts) LORIFICO (%) (%)
(MJ)
01 9500 12600 605,90 1,84 22,26 19,29 0,83
02 9650 12600 605,10 1,73 21,36 19,97 0,78
...
...
96 11000 14100 606,90 1,69 25,57 14,63 1,03
Los datos completos, son presentados en anexos del presente texto.
La variable a ser estudiada ser el valor calorfico, expresado en (MJ). Daremos un procedimiento
para disear la tabla de frecuencias que nos conducir a construir grficos y mediante un anlisis
cualitativo ver si estos datos siguen un modelo normal o log normal, que sern confirmados por
anlisis estadsticos cuantitativos.
Procedimiento para el diseo de la tabla de frecuencias: Despus de haberse recopilado la in-

formacin de campo y organizado en una base de datos, se elige la variable a ser analizada y se
procede a construir una Distribucin de Frecuencias, para facilitar el anlisis y la interpretacin co-
rrespondiente. La estructura de la tabla es la siguiente:
INTERVALO Xi fi hi Fi Hi hi*100 Hi*100

[L1,L2)
[L2,L3)

[Lk-1,Lk]
_________
Procedimiento de clculo
1. Determinar el rango (R) de variacin de los datos.

R = Xmax - Xmin (diferencia entre el dato mximo y mnimo).
2. Determinar el nmero de intervalos (K) en forma directa, seleccionando un nmero entre 5
y 30 intervalos, o calcularlo mediante la frmula de Sturges, cuyo resultado debe ser re-
dondeado al entero inmediato superior.
K = 1 + 3.3log(n) n >= 10
3. Determinar la amplitud o ancho del intervalo (W)
W=R/K
4. Determinar los lmites de los intervalos
L1 = [Xmin , Xmin + W)
L2 = [Xmin + W, Xmin + 2W)
L3 = [Xmin + 2W, Xmin +3W)

Lk = [Xmin + (k-1)W, Xmin + KW]
Presentacin de datos
Los datos pueden ser presentados mediante los siguientes grficos:
Histograma de frecuencias.
Polgono de frecuencias.
Histograma acumulado.
Grficos de variabilidad.
Grafico de probabilidad.
Otros.
Clculos previos para la construccin de la tabla de frecuencias, usando los datos de la mina de
carbn.
VARIABLE VALOR
n 96
min 19,92
max 30,46
Rango 10,54
k 8
w 1,32
Distribucin de fre-
cuencias
INTERVALOS
Xi fi hi Fi Hi hi*100 Hi*100
Li Ls
19,920 21,240 20,580 9 0,094 9,000 0,094 9,375 9,375
21,240 22,560 21,900 13 0,135 22,000 0,229 13,542 22,917
22,560 23,880 23,220 15 0,156 37,000 0,385 15,625 38,542
23,880 25,200 24,540 21 0,219 58,000 0,604 21,875 60,417
25,200 26,520 25,860 15 0,156 73,000 0,760 15,625 76,042
26,520 27,840 27,180 11 0,115 84,000 0,875 11,458 87,500
27,840 29,160 28,500 8 0,083 92,000 0,958 8,333 95,833
29,160 30,480 29,820 4 0,042 96,000 1,000 4,167 100,000
__________
Construccin del histograma Xi VS fi :
HISTORAMA
25
20
15
10
0
20,580 21,900 23,220 24,540 25,860 27,180 28,500 29,820
Cualitativamente observamos que los datos siguen un modelo Normal, con una tendencia
hacia la zona central, que aproximadamente equidistan de los extremos.
HISTOGRAMA ACUMULADO
120,000
100,000
80,000
60,000
40,000
20,000
0,000
80
00
20
40
60
80
00
20
,5
,9
,2
,5
,8
,1
,5
,8
20
21
23
24
25
27
28
29
Grfico acumulado Xi VS Fi , con crecimiento ascendente.
Variabilidad
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
0
0
00
50
00
00
00
50
00
70
40
25
25
10
95
96
95
98
98
96
98
10
10
10
10
10
Grfico mostrando las variaciones del valor calorfico, a lo largo de la coordenada Este.
_________
MEDIDAS ESTADISTICAS CUANTITATIVAS, CALCULADO CON EL PRO-
GRAMA GEOEAS.
Grafico de probabilidad, basado en la recta de Henry, para demostrar la normalidad del conjunto de
datos, obsrvense las medidas estadsticas, cuyos valores confirman que los datos siguen una Dis-
tribucin Normal, con parmetros, media igual a 24.624 MJ y varianza de 6.043 o desviacin es-
tndar de 2.458 MJ.
El valor de la media y la mediana, tienden al valor de 24.6 MJ. lo que quiere decir que el valor es
bastante representativo, con un coeficiente de asimetra (Skewness) de 0.228, que confirma el
sesgo mnimo de la data.
2.- CASO DE ESTUDIO CON DATOS DE UNA MINA DE ORO
Las muestras tomadas en un yacimiento de oro, configuran los siguientes datos expresados en
gr/ton.
0,1 0,2 0,5 1,0 1,2 2,1 2,5 3,0 5,1 10
Calcular las medidas estadsticas, analizar la variabilidad de los datos y la tendencia hacia un
modelo Normal o Log Normal.
Estructura de datos para un clculo manual
ID Xi (Xi - Media)^2 (Xi - Media)^3 (Xi - Media)^4 Hi*100

1 0,1 6,101 -15,069 37,220981 10
2 0,2 5,617 -13,312 31,549566 20
3 0,5 4,285 -8,870 18,360368 30
4 1 2,465 -3,870 6,075732 40
5 1,2 1,877 -2,571 3,522754 50
6 2,1 0,221 -0,104 0,048797 60
7 2,5 0,005 0,000 0,000024 70
8 3 0,185 0,080 0,034188 80
9 5,1 6,401 16,194 40,971521 90
10 10 55,205 410,172 3047,580984 100
__________
Aplicando las formulas estadsticas, tenemos los siguientes resultados:
Medida Valor
media 2,570
mediana 1,650
Var 8,236
desv std 2,870
CV (%) 111,668
Q1 0,350
Q3 2,750
IQR 2,400
moment3 38,265
moment4 318,536
sk 1,619
E 1,696
histograma
6
5
4
3
fi
1
0
1 3 Xi
5 7 9
Asociado al conjunto de datos de la mina de oro, observando el histograma y las medidas

estadsticas, notamos que hay valores OUTLIERS, fuera de la vecindad del conjunto y
uno de esos valores es el dato cuyo valor tiene 10 gr/ton, lo que hace que la distribucin
tenga un sesgo pronunciado con tendencia al modelo Log Normal y el valor de la media
no es representativo ya que tiene una tendencia hacia los valores altos, mostrndose una
gran diferencia entre el valor de la media y la mediana (0.92 gr/ton).
Esto implica que no podemos seguir con nuestro anlisis, ya que primero tenemos que
homogenizar nuestra data para no arrastrar errores, que podran repercutir ms adelante
cuando uno haga estimaciones y modelamientos, los mismos que devendran en no con-
fiables.
Vamos a eliminar el valor alto de 10 gr/ton de la data y veamos ahora cual es el compor-
tamiento el modelo y sus medidas estadsticas.
Medida Valor
Media 1,744
Mediana 1,200
Var 2,336
desv std 1,528
CV (%) 87,611
Q1 0,275
Q3 2,400
IQR 2,125
Moment3 3,290
Moment4 16,156
Sk 0,921
E -0,039
_________
histograma
6
5
4
3
fi
1
0
1 3 5
Xi 7 9
El modelo Log Normal est ms definido y ahora la diferencia entre la media y la mediana
es menor (0.54 grs/ton).
Los alumnos ahora comprendern porque es necesario hacer el anlisis estadstico, previo
a un anlisis espacial o geoestadistico, el objetivo es no incurrir en mayores errores.
3.- CASO DE UN YACIMIENTO DE ORO CON 30 DATOS.
Leyes en grs/ton.
ID Xi ID Xi ID Xi
1 0,1 11 0,6 21 0,4
2 5,5 12 1,4 22 0,5
3 0,5 13 6,8 23 1,5
4 1,0 14 5,1 24 2,3
5 1,2 15 8,4 25 3,2
6 2,1 16 4,2 26 2,9
7 2,5 17 0,3 27 4,3
8 3,0 18 1,5 28 3,8
9 5,1 19 1,8 29 7,2
10 10,0 20 2,2 30 4,9
Histograma deducido en base a una tabla de frecuencias.
Yacimiento de Oro
14
12
10
8
fi
6
4
2
0
1,0 2,7 4,4 6,1 7,8 9,5
xi
Observamos claramente que los datos tienden a un modelo Log Normal.
Veamos como resultan las medidas estadsticas, calculadas con el Programa Geoeas.
__________
El grfico de probabilidad, nos muestran que estos datos no siguen una Distribucin Normal, ya
que no se alinean a una recta, sobre todo en los primeros datos. La asimetra o sesgo es evidente
por los valores mostrados del coeficiente Skewness de 1.019, que indica el sesgo existente en el
conjunto de datos, demostrando la aproximacin a un modelo Log Normal.
Haciendo la transformacin logartmica de los datos con Yi = Ln (Xi), obtenemos una distribucin
normal, con los siguientes resultados:
Estos valores logartmicos, se aproximan a una distribucin normal, obsrvese la similitud

de los valores de la media y la mediana, con un coeficiente de asimetra Skewness, mni-
mo de -0.031.
Estimacin de los parmetros del modelo Log Normal, en unidades el conjunto de datos.
Reemplazando los valores logartmicos en las formulas, obtenemos:

2
e e
2
e
_________
0.541
0.995
e 2
3.54
3.54

2 2 e e 1
2

2 (3.54) 2 e 0.541 1
2 8.99
3
Entonces decimos, que la data del yacimiento de oro, sigue un Modelo Log Normal con
parmetros, media igual a 3.54 grs/ton y con una varianza de 8.99 o una desviacin estn-
dar de 3 grs/ton.
2.10. CURVAS LEY TONELAJE
Las aplicaciones de las Curvas Ley Tonelaje nos permiten analizar el comportamiento de un con-
junto de datos de un determinado yacimiento minero, en cuanto a sus recursos econmicamente
explotables de acuerdo a una Ley mnima o Cutt Off. Con lo que se puede presentar varias alter-
nativas, en funcin a sus reservas. Segn el modelo que siga cada yacimiento, tendr un procedi-
miento especifico.
1.- Curvas Ley Tonelaje cuando el yacimiento sigue un Modelo Normal
Proporcin de mineral sobre una ley de corte
P 1 F z
xc
z

t2
Fz z;0,1
1 z

2
Exp
2
dt

(tabla Distribucin Normal Standar)
Ley promedio recuperable

xc x * ( z)
P
1 z2
( z) exp
2 2
2.- Curvas Ley Tonelaje cuando el yacimiento sigue un Modelo Log Normal
Clculo de parmetros logartmicos
Paso Previo, cuando los parmetros estn expresados en unidades logartmicas.
Cuando los datos estadsticos estn referidos al clculo original de las muestras xi , enton-
__________
ces es necesario calcular previamente los parmetros logartmicos para despus proceder
con el mtodo normal.
S 2
S Ln 2 1
2
e
xe Ln x 0.5 s e2
x
donde:
s e2 = Varianza de los logartmicos.

s 2 = Varianza muestral original.
x 2 = Media muestral original.
xe = Media de los logartmicos.
Clculo de la proporcin del tonelaje minable (P)
Evaluacin de Z
LnX c X e 1 x e
Z Z Ln c
e 2
o
e
Z=t
1 2
1 t
e
t
F (t ) 2
dt (tabla)
2
P 1 F t
Ley promedio recuperable ( X lc )

Q
X lc *x
P
Q 1 F z se
F z s e valor calculado o de tabla
Tambin se puede usar la siguiente frmula.

1 x e
F Ln c
e 2
xc
1 xc e
F Ln
e 2
F(z) = Tabla
3.- Aplicaciones de las Curvas Ley Tonelaje.
1. Caso de estudio de un depsito de hierro: Tenemos un depsito de hierro, el cual se

conoce que las muestras siguen una distribucin normal con un ley promedio del 48% y
_________
una desviacin estndar del 5%. Asimismo el modelo de bloques del yacimiento nos da
una desviacin estndar del 4.45%.
Analizar las incidencias de las dos distribuciones en el clculo de la Ley/Tonelaje.
Representaremos los modelos en funcin a sus parmetros y utilizando las formulas del
modelo normal y clculos efectuados en el programa Excel, para reproducir las funciones
de densidad de probabilidad.
Distribucin Normal
0,09
0,08
0,07
0,06
0,05
f(x)
0,04 Muestras
Bloques
0,03
0,02
0,01
0
-30 -20 -0,01
-10 0 10 20 30 40 50 60 70 80 90
x
Modelo normal para muestras y bloques.
Calculo del Tonelaje y Ley para varias leyes de corte, usando el programa Excel y las for-
mulas expuestas anteriormente, para el Modelo Normal.
MUESTRAS BLOQUES
L.C.
P(%) L.MEDIA P(%) L.MEDIA
40 94,52 48,59 96,39 48,37
42 88,49 49,10 91,12 48,79
44 78,81 49,84 81,56 49,45
46 65,54 50,81 67,34 50,38
48 50 51,99 50 51,55
50 34,46 53,34 32,66 52,91
52 21,19 54,84 18,44 54,43
54 11,51 56,44 8,88 56,06
56 5,48 58,12 3,61 57,77
Cada Ley de Corte, representa una alternativa de explotacin con una proporcin de tone-
laje econmicamente explotable con su respectiva Ley, para cada modelo de muestras y
bloques. Generalmente un yacimiento se explota en base al modelo de bloques, en este
caso, por ejemplo si las condiciones de la tecnologa y el mercado determinan utilizar una
Ley de Corte de 44 %, entonces tendramos el 81.56 % de mineral econmicamente explo-
table con una ley promedio de 49.45 %.
Con estos datos, representamos las curvas Ley Tonelaje.
__________
Ley de Corte/Tonelaje
1,2
1
0,8
Muestras
P 0,6
Bloques
0,4
0,2
0
35 40 45 L.C 50 55 60
Curvas Ley de Corte/Tonelaje, para el modelo de muestras y bloques del depsito de hie-
rro.
Ley de Corte/Ley Media

60
Ley Media
55
Muestras
Bloques
50
45
35 40 45 LC 50 55 60
Curvas Ley de Corte/Ley media, para el modelo de muestras y bloques del depsito de hie-
rro.
2. Caso de estudio de un yacimiento de Pb y Zn.
Tomemos el caso de un yacimiento de Pb, Zn, donde el porcentaje de metal combinado es

la variable econmica. Se conoce que las muestras estn distribuidas lognormalmente con
un valor promedio del 12% y una desviacin estndar del 8%.
La unidad de minado seleccionada es un bloque de 10x10x5 mts., cuya desviacin estn-

dar es igual a 5.56% de metal combinado.
Analizar las incidencias del clculo de la Ley/tonelaje.
Representaremos los modelos en funcin a sus parmetros y utilizando las formulas del
modelo lognormal y clculos efectuados en el programa Excel, para reproducir las funcio-
nes de densidad de probabilidad.
_________
FUNCION DE PROBABILIDAD LOGNORMAL

0,12
0,1
0,08
muestras
f(x)
0,06
bloques
0,04
0,02
0
0 10 20 30 40 50
X
Funcin de probabilidad para el Modelo Log Normal para muestras y bloques.
Calculo del Tonelaje y Ley para varias leyes de corte, usando el programa Excel y las for-
mulas expuestas anteriormente, para el modelo Log Normal.
MUESTRAS BLOQUES
L.C.
P(%) L.MEDIA P(%) L.MEDIA
4 93,29 12,637 98,11 12,159
5 87,12 13,213 94,17 12,459
6 79,76 13,924 87,60 12,941
7 71,92 14,734 78,95 13,579
8 64,12 15,616 69,19 14,338
9 56,69 16,550 59,23 15,188
10 49,83 17,523 49,77 16,105
11 43,62 18,525 41,20 17,072
Cada Ley de Corte, representa una alternativa de explotacin con una proporcin de tone-
laje econmicamente explotable con su respectiva Ley, para cada modelo de muestras y
bloques. Generalmente un yacimiento se explota en base al modelo de bloques, en este
caso, por ejemplo si las condiciones de la tecnologa y el mercado determinan utilizar una
Ley de Corte del 7 %, entonces tendramos el 78.95 % de mineral econmicamente explo-
table con una ley promedio de 13.579 %.
__________
CAPTULO 3
GEOESTADSTICA Y TEORA DE LAS VARIABLES REGIONALIZADAS
3.1. VARIABLES REGIONALIZADAS
En trminos mineros se define la geoestadstica como la aplicacin de la teora de las variables re-
gionalizadas a la estimacin de los recursos mineros.
Una variable regionalizada es una funcin que representa la variacin en el espacio de una cierta
magnitud asociada a un fenmeno natural, abreviada generalmente como V.R.
Sea x un punto del espacio. Se designa la variable regionalizada por la notacin z(x).
3.2. NOTACION CONDENSADA
Antes de estudiar ejemplos de variables regionalizadas, mencionemos que en geoestadstica se

utiliza la notacin condensada: Un punto del espacio se representa por la letra x. Por ejemplo la
ley en el punto x se representa por z(x). Por consiguiente, z(x) puede significar:
z(x) si el problema es unidimensional (1-D)
z(x1, x2) si el problema es bidimensional (2-D)
z(x1, x2, x3) si el problema es tridimensional (3-D)
Se observa que existen problemas de notacin: Se acostumbra a designar una variable regionali-
zada con la letra z, lo cual coincide con la notacin utilizada para la cota o elevacin.
3.3. EJEMPLOS DE VARIABLES REGIONALIZADAS (V.R.)
Ejemplo 1: En el espacio de una dimensin, sea z(x) = Ley de Cu a lo largo de una galera:
Figura 3.1: Canaletas en una galera.
- 29 -
Figura 3.2: Galera reconocida entre los puntos A y A
Las leyes muestreadas en las canaletas se pueden graficar:
Figura 3.3: Leyes muestreadas en las canaletas entre A y A.
Ejemplo 2: En la dimensin tiempo (una dimensin t), el precio de un metal p(t).
Fig. 3.4: Precio del cobre (promedio mensual (1987-2005) en centavos de dlar / libra.
__________
3 Geoestadstica y Teora de las Variables Regionalizadas 31
Ejemplo 3: En el espacio de dos dimensiones, sea z(x1, x2) = z(x) = potencia minera-
lizada en un yacimiento de nitratos:
Figura 3.5: Depsito de nitratos-yodo: La zona mineralizada, de color rojo en la figura, se llama
caliche.
Ejemplo 4: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = Ley de Cu en el punto x
dentro de un depsito masivo:
Figura 3.6: Caso tpico de depsito de xidos-sulfuros. La capa superior corresponde a grava.
_________
Figura 3.7. Planta en mina. Leyes de bloques de 25mx25mx15m. Zona de xidos.
En un depsito de este tipo se puede comprobar que la ley de cobre se comporta de manera dife-
rente en la zona de xidos y en la zona de sulfuros. Esto nos conduce a considerar para la ley de
cobre, dos variables regionalizadas diferentes.
Ejemplo 5: En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = densidad de la roca en
un punto x dentro de un depsito minero:
Figura 3.8: Densidades superficiales en ton/m3 en un yacimiento de cobre.
__________
La densidad in situ, medida en toneladas / m3 es una variable importante para cubicar los recursos
de un depsito minero.
Los ejemplos anteriores nos muestran que una variable regionalizada es simplemente una funcin
z(x) del punto x. Sin embargo, esta funcin no se comporta como las funciones que se estu-
dian en Matemticas: En general z(x) es muy desordenada en su variacin espacial y no se podr
expresar, en particular, z(x) como un polinomio (ver figuras 3.1 al 3.8).
3.4. CAMPO Y SOPORTE
Se llama campo a la zona en la cual se estudia la variable regionalizada. Para definir bien el cam-
po (por ejemplo los lmites) es necesario utilizar un modelo geolgico adecuado, por ejemplo, en la
figura 3.6 se podran distinguir dos campos disjuntos, los cuales se pueden tratar de manera inde-
pendiente y corresponden a unidades geolgicas: Unidad xidos y unidad sulfuros.
Entonces en un mismo depsito minero D pueden haber varios campos o unidades D1, D2, ..., Dk,
en general disjuntos, cuya reunin es el conjunto D.
Figura 3.9: Unidades D1, D2, D3, D4 en una seccin del depsito de cobre porfdico de Inca de Oro. Las
unidades corresponden a una interpretacin geolgica a partir de los sondajes.
En algunas situaciones, cada campo debera tener un tratamiento geoestadstico diferente: Pa-
ra estimar una zona V contenida en una cierta unidad, slo se utilizan datos de la misma uni-
dad: Se dice que se tienen fronteras duras.
Las fronteras duras entre las unidades Dr y Ds se justifican cuando

existe independencia entre las leyes de Dr y Ds (es decir existe una discontinuidad geolgi-
ca). La independencia debe ser comprobada mediante un anlisis de las leyes en las fronteras de
las unidades Dr y Ds.
El soporte es el volumen de la muestra que define la variable regionalizada. A menudo el soporte es

_________
un cilindro (figura 3.10) llamado testigo:
Figura 3.10: Un testigo. Tiene un cierto largo l y un cierto dimetro d.
z(x) ser entonces la ley del volumen de muestra localizado en el punto x., en el ejemplo 5
el soporte es un cilindro vertical de 15 metros de largo.
En general, en el estudio de una variable regionalizada no es conveniente mezclar soportes de ta-

maos diferentes.
En el caso en que los testigos que constituyen el sondaje son de tamao irregular, es necesario ha-
cer una operacin la cual consiste en regularizar o compositar el sondaje, es decir disponer de datos
(compsitos) de longitud constante (figura 3.11).
Figura 3.11: Regularizacin de un sondaje a un largo constante b. Esta operacin produce errores
La figura 3.12 muestra una seccin transversal en un depsito de xidos de cobre. Las lneas repre-
sentan los sondajes de exploracin. El punto rojo se denomina collar del sondaje. El collar est ca-
racterizado por las coordenadas x0, y0, z0 y por dos ngulos:
(, ) Azimuth e inclinacin.
__________
Figura 3.12: Seccin en el depsito de cobre. Se observan las unidades grava ( estril), lixiviado, xidos y
sulfuros. Un compsito est caracterizado por sus coordenadas x, y, z, las leyes de cobre total,
de cobre soluble, un cdigo que indica la unidad, adems del nombre del sondaje que contiene
al compsito.
Cada compsito est caracterizado por sus coordenadas x, y, z, sus leyes, un cdigo que indica el
dominio o unidad geolgica y la identificacin del sondaje, eventualmente otra informacin. Se tiene
as la base de datos de sondajes del depsito, la cual, en formato de texto, puede ser incorporada
en cualquier paquete computacional.
Para tratar las desviaciones de los sondajes, se divide el sondaje en tramos rectilneos
L1, L2, , Lr.
Figura 3.13: Azimuth (se mide en grados desde el norte) e inclinacin (se mide en grados desde la ho-
rizontal) de un sondaje.
3.5. VARIABLES ADITIVAS
En general, en la estimacin de recursos mineros conviene utilizar variables aditivas. Una variable
regionalizada es aditiva cuando se cumple la condicin siguiente: Se conoce la variable z en dos
soportes V1 y V2, con valores medios respectivos z1 y z2, entonces el valor medio de la variable z
en el soporte homogeneizado V1 U V2 es igual al promedio ponderado de z1 y z2, en particular si
_________
V1 = V2, entonces el valor medio de la variable es (z1 + z2) / 2.
Por ejemplo, la variable ndice de trabajo WI(x) (parmetro de conminucin que expresa la
resistencia de la roca a ser molida, en Kwh/ton) no es aditivo. Sin embargo es muy importante dis-
poner de un modelo del WI en una mina.
Otros casos de variables no aditivas son, la recuperacin metalrgica, y, en una mina de xidos de
cobre, la razn (llamada solubilidad) (ley de CuS) / (ley de CuT).
En el caso de una veta (figura 3.14) el sondaje S determina una potencia aparente p (y una poten-
cia real p0) y una ley z. La ley z no es aditiva. En este caso hay que estudiar dos variables aditi-
vas: La potencia p0 y la acumulacin en un punto x, definida como el producto de la ley por la po-
tencia.
Figura 3.14: Veta y variables aditivas.
3.6. OBJETIVOS DE LA TEORIA
La teora de las variables regionalizadas se propone dos objetivos principales:
Expresar las caractersticas estructurales de una variable regionalizada mediante una forma
matemtica adecuada.
Resolver, de manera satisfactoria, el problema de la estimacin de una variable regionalizada a

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

estudio es la realizacin de una cierta funcin aleatoria. Lo anterior equivale a decir que las leyes
de nuestro yacimiento se generaron a partir de un proceso o experimento muy complejo.
Figura 3.17: Funcin aleatoria y variable regionalizada. Los colores indican rangos de la variable.
La Geoestadstica considera una variable regionalizada a z(x) en estudio, como una realizacin
particular de una cierta funcin aleatoria Z(x). Una variable distribuida en el espacio de forma que
presenta una estructura espacial de correlacin se dice que esta regionalizada. As, una variable
regionalizada (V.R.) es una funcin que representa el desplazamiento en el espacio de una cierta
magnitud asociada a un fenmeno natural. En adelante no haremos distincin entre la funcin alea-
__________
toria Z(x) y su realizacin z(x).
Es muy frecuente observar en una V.R. dos aspectos complementarios y aparentemente contradic-
torios:
Un aspecto aleatorio asociado con las variaciones errticas e impredecibles de la variable, y.

Un aspecto general estructurado que refleja en cierta forma las caractersticas globales de va-
riacin del fenmeno regionalizado.
La interpretacin probabilstica de una V.R. como realizacin de una F.A. Z(x) tiene sentido operati-
vo slo si es posible inferir, al menos en parte, la funcin de distribucin o ley de probabilidad de
Z(x). En general, no es posible la inferencia estadstica a partir de una sola realizacin, de la misma
manera que no es posible reconstituir la funcin de distribucin de una variable aleatoria a partir de
una sola observacin. Para hacer posible la inferencia estadstica, se hace imprescindible introducir
hiptesis adicionales acerca de Z(x) para poder reducir el nmero de "parmetros" de los que de-
pende la funcin de distribucin. Estas hiptesis tienen que ver con la homogeneidad espacial de la
funcin aleatoria. Por ejemplo, suponer que la funcin aleatoria es estacionaria puede pensarse
como equivalente a que la funcin aleatoria se "repite" en el espacio y esta "repeticin" proporciona
la informacin equivalente a muchas realizaciones de la misma F.A., permitiendo de esta forma la
posibilidad de la inferencia estadstica.
Observaciones:
a) No se puede afirmar que una variable regionalizada es una funcin aleatoria.
Esto tendra el mismo sentido que decir el nmero 6 es una variable aleatoria.
El enunciado correcto de la hiptesis probabilstica de la geoestadstica es: z(x)
es la realizacin de una funcin aleatoria Z(x).
b) Para que esta hiptesis probabilstica tenga un sentido real, es necesario poder reconstituir, al
menos en parte, la ley de probabilidad de la funcin aleatoria, lo cual supone que la inferencia es-
tadstica (es decir el clculo de parmetros que caracterizan la funcin aleatoria) es posible. Es
necesario introducir una hiptesis suplementaria a la funcin aleatoria Z(x). Esta hiptesis es co-
nocida como hiptesis de estacionaridad y expresa que la variacin espacial de las realizaciones
de Z(x) deben ser homogneas. Esta hiptesis se puede debilitar al suponer que las diferencias
Z(x) Z(y) son estacionarias localmente (lo cual se conoce como hiptesis intrnseca).
La estacionaridad es una propiedad del modelo (funcin aleatoria) y quedar ms clara cuando se
estudie el clculo de variogramas.
3.8. FUNCIN DE DISTRIBUCIN Y MOMENTOS DE UNA FUNCIN ALEATORIA
Considrese una funcin aleatoria Z(x) definida en Rn . Para cualesquiera k puntos x1, x2, ..., xk, el
vector aleatorio [Z(x1), Z(x2), ..., Z(xk)] se caracteriza por su funcin de distribucin k-variable.
Fx1 , x2 ,..., xk ( Z 1 , Z 2 ,..., Z k ) Pr obZ ( x1 ) Z 1 , Z ( x 2 ) Z 2 ,..., Z ( x k ) Z k

(3.1)
El conjunto de todas estas distribuciones para todo valor de k y para cualquier seleccin de puntos
en Rn constituye la "ley espacial de probabilidad" de la funcin aleatoria Z(x).
_________
El momento de primer orden es la esperanza matemtica definida como:
E Z ( x) m( x) (3.2)
Aunque la funcin m(x) se conoce con los nombres de deriva y tendencia, algunos autores prefie-
ren la utilizacin del trmino deriva.
Los tres momentos de segundo orden a ser considerados son:
a) La varianza o momento de segundo orden de Z(x) respecto a m(x).

2 Var Z ( x) E Z ( x) m( x)
2
(3.3)
b) La covarianza de dos variables aleatorias Z(xi) y Z(xj), se define como:

C ( xi , x j ) EZ ( xi ) m( xi ) Z ( x j ) m( x j ) (3.4)
Es en general una funcin de xi y xj. Esta funcin se llama a veces funcin de autocovarianza.
c) El semivariograma, llamado muchas veces indistintamente como el variograma. En ade-
lante cualquiera de estos nombres que se use, har referencia a la siguiente definicin:
( xi , x j )
1

E Z ( xi ) Z ( x j )
2

2 (3.5)
Ntese que tanto la varianza como el semivariograma son siempre positivos, mientras que la cova-
rianza puede adoptar valores negativos.
3.9. FUNCIONES ALEATORIAS ESTACIONARIAS
Se dice que una funcin aleatoria es estrictamente estacionaria s su funcin de distribucin (4.1)
es invariante respecto a cualquier traslacin del vector h, o lo que es lo mismo, la funcin de distri-
bucin del vector aleatorio [Z(x1), Z(x2),..., Z(xk)] es idntica a la del vector [Z(x1+h), Z(x2+h),...,
Z(xk+h)] para cualquier h. Sin embargo, puesto que la Geoestadstica lineal se basa en los dos pri-
meros momentos de la funcin aleatoria, es suficiente suponer que estos dos momentos existen y
limitar la hiptesis de estacionariedad a los dos primeros momentos. Se dice que una funcin alea-
toria Z(x) es estacionaria de orden 2 o de segundo orden, s:
a) E[Z(x)] existe y no depende de x, es decir:
E Z ( x) m para todo x (3.6)
b) Para toda parejas de variables aleatorias {Z(x+h), Z(x)}su covarianza existe y slo depen-
de del vector de separacin h, es decir:
C ( x h, x) E Z ( x h) Z ( x) m 2 C (h) (3.7)
La estacionariedad de la covarianza implica que la varianza Var[Z(x)] existe, es finita y no depende de

x, es decir, Var[Z(x)] = C(0).
__________
c) Bajo esta misma hiptesis, el semivariograma tambin es estacionario y se cumple que:
( x h, x) (h)
1
2

E Z ( x h) Z ( x)
2
(3.8)
Dado que h es un vector y una funcin escalar, en general puede depender tanto de la mag-
nitud h h como de la orientacin u = h/h. Es decir (h) puede ser anisotrpica. Sin embargo, en
la mayora de los casos el nmero de datos no es suficiente para estimar esta anisotropa y se sue-
le hacer la hipstesis de suponer que es independiente de la orientacin de h y tomarlo como
isotrpico.
3.10. RELACIN ENTRE EL SEMIVARIOGRAMA Y LA COVARIANZA
Cuando la funcin aleatoria es estacionaria, la relacin entre el semivariograma y la covarianza es

inmediata, ya que de acuerdo con la ecuacin (4.8) se cumple:
( h)
1
2

E Z ( x h) m Z ( x) m
2

1
2

E Z ( x h) m E Z ( x) m 2 E ( Z ( x h) m)( Z ( x) m)
2 2

Var ( Z ) E( Z ( x h) m)( Z ( x) m) (3.9)
y puesto que de (3.7) se deduce que:
C (h) EZ ( x h) mZ ( x) m (3.10)
se obtiene finalmente que:
(h) Var ( Z ) C (h) (3.11)
Es decir, bajo la hiptesis de estacionariedad el semivariograma resulta ser igual a la varianza me-
nos la covarianza, por lo que la equivalencia es total (vase la figura 4.2) sin embargo cuando la
media vara "lentamente" de forma que en la escala local se puede suponer constante (aunque
desconocida), el semivariograma es independiente del valor local de dicha media, mientras que la
autocovarianza requiere su estimacin. Esto introduce un sesgo en el clculo de la funcin de au-
tocovarianza. En este sentido, (h) es un estadstico ms conveniente que C(h), para aquellas fun-
ciones cuya media varia lentamente.
Figura 4.2: Relacin entre el semivariograma y la funcin de covarianza
_________
3.11. EL CORRELOGRAMA
Una tercera funcin que tambin caracteriza la estructura de correlacin es el correlograma (h)
definido como el cociente entre la covarianza C(h) y la varianza:
C ( h) ( h)
( h) 1
C (0) C (0) (3.12)
__________
CAPTULO 4
ANLISIS EXTRUCTURAL DE DATOS
4.4. VARIOGRAMA EXPERIMENTAL
La mayora de los fenmenos naturales poseen una continuidad espacial, los datos contiguos
muestran mayor similitud que si estos estuvieran alejados. Al observar la disposicin de los da-
tos, se nota que existe un cierto orden, una cierta continuidad. As un valor alto tender a situar-
se cerca del valor alto. El variograma resume las principales caractersticas del comportamiento
espacial de la variable en estudio y es parte fundamental en el proceso del anlisis estructural,
su interpretacin como el momento de segundo orden, da lugar al estimador *(h) conocido como
el variograma experimental.
El variograma experimental se estima en base a los datos y a la estructura del fenmeno. La va-
riabilidad entre dos puntos del espacio, x y x+h, distantes del vector h (figura 4.1), esta caracteri-
zada por la funcin variograma, que se constituye en la herramienta fundamental de la Geoesta-
distica, tericamente est definida por:

(h) E Z ( x h) Z ( x)
2
(4.1)
Figura 4.1: Dos puntos a la distancia vectorial h.
En la prctica el variograma experimental se obtiene mediante la siguiente expresin:

1 N (h)
* ( h) Z ( xi h) Z ( xi )2
2 N (h) i 1 (4.2)
Donde Z(xi) son los valores experimentales en los puntos xi, en los que se dispone de datos tanto
en xi como en xi +h; N(h) es el nmero de pares de puntos separados por una distancia h. Por
ejemplo si h = (20,10), entonces cada par de muestras comparadas deben separarse por 20 metros
en la direccin Oeste - Este y 10 metros en la direccin Sur - Norte ( ver figura 4.2).
Figura 4.2 Pares de muestras a una distancia h
- 43 -
Dicho de otro modo, el variograma experimental es el promedio de las diferencias al cuadrado de
los datos distantes del vector h, dividido entre 2; es decir:
1 (diferencias ) 2 de.valores.en
(h) Pr omedio
*

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

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

Normalmente el variograma es una funcin montona no decreciente, ya que al aumentar h tam-
bin aumenta, al menos en sentido cuadrtico, la diferencia entre Z(x+h) y Z(x) (vase la figura
4.5). Si Z es estacionaria, (h) alcanza un valor lmite constante llamado meseta que coincide con
la varianza de Z. La distancia a la que se alcanza este valor se denomina rango o alcance y marca
la zona de influencia en torno a un punto, ms all de la cual la autocorrelacin es nula. Aunque
(0) = 0, con frecuencia el variograma es discontinuo en el origen, con un salto finito que se llama
pepita, o efecto pepita (del ingls "nugget").
INTERPRETACION DEL EFECTO PEPITA (NUGGET EFFECT)
Histricamente, el origen de este efecto est en la aparicin, ms o menos errtica, de pepitas de
oro en las muestras de un mineral. En este caso, puede encontrarse una pepita en alguna muestra
sin que ello implique que se van a encontrar en las dems. Otra fuente de discontinuidad en el ori-
gen, son los errores de muestreo. Los siguientes ejemplos muestran algunas formas que puede
adoptar el variograma en el origen.
Figura 4.6: Comportamiento en el origen
_________
El primer caso presenta un comportamiento puramente aleatorio sin ninguna correlacin espacial,
donde la irregularidad de los datos es total. En este caso se dice que el variograma presenta un
efecto pepita puro.
El segundo ejemplo es indicativo de un comportamiento francamente irregular, tal vez discontinuo,
en el que parte de la estructura espacial se concentra a distancias inferiores a las observadas.
El tercer ejemplo nos muestra un variograma nulo en el origen, pero pendiente no nula, que es in-
dicativo de una alta correlacin espacial de los datos.
4.6. COMPORTAMIENTO DEL VARIOGRAMA PARA DISTANCIAS PEQUEAS
Estudiaremos el comportamiento de la funcin (h) para | h | pequeo, para lo cual estudiaremos
cuatro casos hipotticos.
Caso 1: Leyes muy regulares y continuas
Figura 4.7: Leyes muy regulares (la variable es derivable).

Para una distancia b pequea, las dos leyes de la figura son casi iguales, lo que implica que para
| h | pequeo, (h) es prximo a cero; luego el grfico de (h) en una vecindad del origen ser
como en la figura:
Figura 4.8: Variograma parablico en el origen.
Se dice que (h) tiene un comportamiento parablico en el origen.
__________
Caso 2: Continuidad y regularidad promedio
Figura 4.9: Leyes con continuidad promedio. La variable es continua pero no es derivable.
En este caso, para una distancia pequea, la diferencia de leyes es significativa; luego el grfico de
(h) en una vecindad del origen ser:
Figura 4.10: Variograma lineal en el origen.
Se dice que (h) tiene un comportamiento lineal en el origen.

Caso 3: Existencia de micro variaciones:
Figura 4.11: Presencia de una estructura a menor escala. La variable es ms discontinua.
Si la equidistancia entre datos b es menor que la escala de variacin d de las micro- estructuras, el
variograma en una vecindad del origen ser:
_________
Figura 4.12: Efecto de pepita en el origen.

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

El nombre efecto de pepita proviene del estudio de los depsitos de oro. Consideremos por ejem-
plo un testigo en un depsito de oro:
Figura 4.14: Efecto de pepita en un testigo de una mina de oro.
En general, el efecto de pepita se produce debido a microvariaciones y/o a errores en el muestreo,

la manipulacin, preparacin o anlisis qumico.
__________
Caso 4: Caso lmite en el cual la irregularidad de las leyes es total:
Figura 4.15. Irregularidad mxima. La variable es catica.
Por muy pequea que sea la distancia b, las leyes de dos puntos a esta distancia son prcticamen-
te independientes. El grfico de (h) ser:
Figura 4.16: Efecto de pepita puro: El variograma no depende de la distancia h.
Se dice que (h) presenta un efecto de pepita puro:

(0) = 0, (h) = C si h 0.
4.4. COMPORTAMIENTO DEL VARIOGRAMA PARA GRANDES DISTANCIAS
Estudiaremos ahora el comportamiento de la funcin (h) para | h | grande, para lo cual analizare-
mos tres casos hipotticos:
Caso 1: Leyes con crecimiento (decrecimiento) progresivo:
Figura 4.17: Leyes con tendencia o deriva.
_________
Se dice que existe una deriva o tendencia. Al hacer el clculo se observar que (h) siempre cre-
ce:
Figura 4.18: Variograma con crecimiento sistemtico.
Caso 2: Leyes con pseudo-periodicidades:
El fenmeno tiende a repetirse de manera estacionaria (es decir, vara de manera homognea y sin
deriva):
Figura 4.19: Fenmeno estacionario con periodicidades.
Si se calcula la funcin (h), se observar la presencia de mximos y mnimos:
Figura 4.20: Variograma con efecto de hoyo.
__________
Se dice que el variograma presenta efecto de hoyo o de agujero. En la figura, d = 9 unidades propor-
ciona una medida del pseudo-perodo ; es una medida de la intensidad del efecto (si el fenmeno es
perfectamente peridico, entonces = 0).
Caso 3: Fenmeno estacionario sin pseudo-periodicidades (o fenmeno de transicin):
El fenmeno es homogneo en su variacin espacial, con cambios bruscos.
Figura 4.21: Fenmeno estacionario sin periodicidades.
Este caso debera corresponder al anterior, en el cual la magnitud crece. Si se calcula la funcin (h),
se tiene:
Figura 4.22: Variograma de un fenmeno estacionario sin periodicidades, con alcance y meseta.
Se observa que a partir de una cierta distancia, del orden a = 6 unidades, la funcin (h) permanece
aproximadamente constante:
(6) = (7) = (8) = . . . = constante = C
Esto quiere decir que da lo mismo que la distancia que separa los puntos sea 6, 7, 8 o ms unidades;
en otras palabras, dos puntos cuya distancia sea superior a a = 6 unidades son prcticamente inde-
pendientes en ley.
La magnitud a se llama alcance y la constante C se llama meseta.
_________
Figura 4.23: Variograma con alcance a y meseta C.
El alcance proporciona una medida de la zona de influencia de una muestra porque dos muestras cuya
distancia es mayor que el alcance son prcticamente independientes:
Figura 4.24: Zona de influencia de una muestra localizada en el punto x0.
4.10. CLCULO DEL VARIOGRAMA A MALLA REGULAR
VARIOGRAMA A 1 DIMENSION (R1)
Aplicaremos el algoritmo del variograma experimental, para diferentes ejemplos, donde explica-
remos el procedimiento de clculo numrico, formando los pares a partir de la malla mnima.
Ejemplo N 1:
En la figura 4.25, se muestran los datos de leyes muestreados a lo largo de una galera, em-
pleando una malla regular de 2 metros.
Por ejemplo para el caso de clculo del variograma en una direccin se tiene en el siguiente
ejemplo, Fig. 1, leyes distanciadas cada dos metros. En la Fig. 2 se describe el clculo de cada
punto del variograma para distancias h=2m, h=4m, h=6m, etc.
Fig. 4.25: Datos de leyes muestreados en una galera, cada 2 metros.
Aplicamos el algoritmo del variograma experimental.
1 N (h)
* ( h) Z ( xi h) Z ( xi )2
2 N (h) i 1
__________
Cada punto del variograma, se ira calculando, formando pares para distancias de h = 2 metros,
h= 4 metros, h=6 metros y as sucesivamente tomando mltiplos de la malla empleada (2 m.).
En la figura 4.25, se muestran los pares formados para h=2 metros y h=4 metros, de la misma
forma se formarn los pares para los dems valores de h. Para elegir el valor mximo de h, la
prctica ha demostrado que los pares muestran una correlacin aceptable hasta la mitad de la
dimensin del campo, es decir en este ejemplo el h mximo seria 8 metros, sin embargo esta-
mos calculando hasta h=10 m.
Fig. 4.26: Clculo del variograma experimental
Puntos del Variograma experimental
h (m.) N(h) *(h)
2 8 0.038
4 7 0.087
6 6 0.039
8 5 0.003
10 4 0.039
Fig. 4.27: Puntos del variograma experimental.

_________
El variograma experimental muestra posibles cambios estructurales en la galera en los puntos de
quiebre, sin embargo el ejemplo muestra pocos datos y este comportamiento puede ser tambin a
la falta de datos, ntese que el numero de pares con los cuales se ha calculado los puntos, van de-
creciendo a partir de los 8 pares.
Ejemplo N 2: La siguiente data corresponde a un yacimiento de oro, las muestras siguen una ma-
lla regular de 6 metros. Calcular el variograma experimental.
N de Datos g/t Au N de Datos g/t Au
1 0,357 14 0,429
2 0,253 15 0,428
3 0,53 16 0,357
4 0,456 17 0,582
5 0,661 18 0,533
6 0,638 19 0,277
7 0,617 20 0,397
8 0,387 21 0,423
9 0,391 22 0,22
10 0,315 23 0,237
11 0,466 24 0,338
12 0,517 25 0,277
13 0,339
CALCULO DEL VARIOGRAMA EXPERIMENTAL
Calculo de las distancias para el vector h, h(min)= 6 metros, se toma el valor de la malla entre las
muestras.
CLCULOS
H(min) 6 m.
H(max) 72 m.
C Clculo del primer punto del variograma para h=6 m. *(6).
Fig. 4.28: Pares formados a una distancia de h=6 m.
__________
Aplicamos la siguiente formula del variograma experimental, obteniendo los siguientes resultados:
1 N (h)
* ( h) Z ( xi h) Z ( xi )2
2 N (h) i 1
N pares Z(x) Z(x+h) [Z(x+h)-Z(x)]^2

1 0,357 0,253 0,010816
2 0,253 0,53 0,076729
3 0,53 0,456 0,005476
4 0,456 0,661 0,042025
5 0,661 0,638 0,000529
6 0,638 0,617 0,000441
7 0,617 0,387 0,0529
8 0,387 0,391 0,000016
9 0,391 0,315 0,005776
10 0,315 0,466 0,022801
11 0,466 0,517 0,002601
12 0,517 0,339 0,031684
13 0,339 0,429 0,0081
14 0,429 0,428 0,000001
15 0,428 0,357 0,005041
16 0,357 0,582 0,050625
17 0,582 0,533 0,002401
18 0,533 0,277 0,065536
19 0,277 0,397 0,0144
20 0,397 0,423 0,000676
21 0,423 0,22 0,041209
22 0,22 0,237 0,000289
23 0,237 0,338 0,010201
24 0,338 0,277 0,003721
SUMATORIA 0,453994
_________
Clculo del segundo punto del variograma para h=12 m. *(12).
N pa- [Z(x+h)-
Z(x) Z(x+h)
res Z(x)]^2
1 0,357 0,53 0,029929
2 0,253 0,456 0,041209
3 0,53 0,661 0,017161
4 0,456 0,638 0,033124
5 0,661 0,617 0,001936
6 0,638 0,387 0,063001
7 0,617 0,391 0,051076
8 0,387 0,315 0,005184
9 0,391 0,466 0,005625
10 0,315 0,517 0,040804
11 0,466 0,339 0,016129
12 0,517 0,429 0,007744
13 0,339 0,428 0,007921
14 0,429 0,357 0,005184
15 0,428 0,582 0,023716
16 0,357 0,533 0,030976
17 0,582 0,277 0,093025
18 0,533 0,397 0,018496
19 0,277 0,423 0,021316
20 0,397 0,22 0,031329
21 0,423 0,237 0,034596
22 0,22 0,338 0,013924
23 0,237 0,277 0,0016
SUMATORIA 0,595005
__________
Los dems puntos del variograma se calculan con la misma metodologa, formando los pares para
cada distancia de h.
Clculo del penltimo punto del variograma para h=66 m. *(66).
N pa- [Z(x+h)-
Z(x) Z(x+h)
res Z(x)]^2
1 0,357 0,517 0,026
2 0,253 0,339 0,007
3 0,53 0,429 0,01
4 0,456 0,428 8.00E-04
5 0,661 0,357 0,092
6 0,638 0,582 0,003
7 0,617 0,533 0,007
8 0,387 0,277 0,012
9 0,391 0,397 4.00E-05
10 0,315 0,423 0,012
11 0,466 0,22 0,061
12 0,517 0,237 0,078
13 0,339 0,338 1.00E-06
14 0,429 0,277 0,023
SUMATORIA 0,332
_________
Clculo del ltimo punto del variograma para h=72 m. *(72).
N pa- [Z(x+h)-
Z(x) Z(x+h)
res Z(x)]^2
1 0,357 0,339 0,000324
2 0,253 0,429 0,030976
3 0,53 0,428 0,010404
4 0,456 0,357 0,009801
5 0,661 0,582 0,006241
6 0,638 0,533 0,011025
7 0,617 0,277 0,1156
8 0,387 0,397 0,0001
9 0,391 0,423 0,001024
10 0,315 0,22 0,009025
11 0,466 0,237 0,052441
12 0,517 0,338 0,032041
13 0,339 0,277 0,003844
SUMATORIA 0,282846
__________
Resumen de puntos calculados del variograma

[Z(x+h)-
h Npares Y*(h)
Z(x)]^2
6 24 0,454 0,009
12 23 0,595 0,013
18 22 0,6 0,014
24 21 0,757 0,018
30 40 0,731 0,009
36 39 0,454 0,006
42 18 0,534 0,015
48 17 0,512 0,015
54 16 0,365 0,011
60 15 0,426 0,014
66 14 0,332 0,012
72 13 0,283 0,011
Fig. 4.32: Variograma experimental para la data del yacimiento de oro.
VARIOGRAMA EN 2 DIMENSIONES (R2)
Para una data en dos dimensiones, tenemos cuatro direcciones de clculo para el variograma
experimental, tal como podemos apreciar en la siguiente figura:
_________
Fig. 4.33: Direcciones de clculo para el variograma.
Ejemplo N 1: Con los datos de las leyes de cobre de una mina a cielo abierto, que se presentan
en la figura 4.34, calcular el variograma experimental.
Fig. 4.34: Leyes de cobre en un banco de una mina a cielo abierto, espaciados a una malla de 10
metros.
Para el clculo del variograma experimental *(h), en este caso h es un vector (con coordenadas
cartesianas o polares):
Figura 4.35: componentes del vector h.
En este dibujo no es el azimuth sino el ngulo de coordenadas polares.
__________
Clculo del variograma en la direccin =90o del vector h.
Es decir, la direccin NS. El vector h slo puede ser:
Figura 4.36: Vectores orientados segn direccin NS, con distancias mltiplos de 10 m.
Calculemos (h1) = NS(10). Al aplicar el algoritmo hay que considerar las (diferencias)2 posibles:
(zi - zj)2 cuando ambos datos zi y zj estn definidos. La siguiente figura muestra las diferencias que
hay que calcular:
Figura 4.37: Parejas posibles para calcular *(10 m.), en la direccin NS (hay 36 vectores).
Luego:
De manera anloga se obtiene:
(h2) = 0.0987 (con 27 pares)
(h3) = 0.1888 (con 21 pares)
_________
Clculo del variograma en la direccin =0o del vector h.
Es decir la direccin EW. El vector h slo puede ser:
Figura 4.38: Vectores orientados segn direccin EW.

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

que en la NS.
Se observa una clara anisotropa que nos indica que el fenmeno es ms regular en la direccin E-
W que en la N-S. (Esto se puede comprobar al mirar como varan las leyes en esas direcciones:
ver la figura 4.34)
_________
Ejemplo N 2: Los datos que se proporcionan a continuacin provienen de un banco en una mina
de fierro:
Figura 4. 43: Datos de leyes de fierro.
Al aplicar el algoritmo general se obtienen los grficos siguientes, correspondientes a los variogra-
mas experimentales:
Figura 4.44: Variograma N-S
Figura 4.45: Variograma E-W
__________
Figura 4.46: Variograma direccin 45 (paso = 14.41 metros)
Figura 4.47: Variograma direccin 135 (paso = 14.41 metros)
Observamos que (h) es casi el mismo segn las direcciones: podemos concluir que el fenmeno
es istropo.
En este caso se justifica calcular el variograma promedio, llamado variograma omnidireccional, el

cual se puede obtener, en este caso, mediante un promedio ponderado de los valores del vario-
grama (ponderacin por el nmero de parejas N'): Su clculo se justifica en el caso istropo.
_________
Grfico del Variograma Omnidireccional:
Figura 4.48: Variograma Omnidireccional.
4.11. CLCULO DEL VARIOGRAMA PARA MALLAS IRREGULARES
Clculo a malla irregular en una dimensin R1:
Los datos que generalmente se representan en R1, son los muestreos correspondientes a sonda-
jes, galeras, chimeneas y otros, siendo los ms comunes en la direccin horizontal o vertical.
Cuando estamos frente a un muestreo irregular de los datos, se toman los siguientes criterios para
la conformacin de los intervalos o clases de la variable distancia del vector h.
Para cada lag h se define una tolerancia h y se utilizan nicamente los puntos que se encuentran
a una distancia mayor o igual a (h - h) y menor que (h + h). Tal como se muestra en la figura
4.49:
Figura 4.49: Formacin de los intervalos de distancia.
El valor de h se escoge como el 50% del valor del lag h. De esta forma los intervalos o clases
de distancias no se superponen y no hay valores de la variable fuera de una clase de distancia,
como puede observarse en la figura 4.50.
__________
Figura 4.50: Intervalos o clases de distancia, con h = 50%.
De esta manera se procede a calcular todas las distancias entre muestras y a seleccionar todas
aquellas que caen en dichos intervalos, cuantificando el nmero de pares y aplicando el algoritmo
de clculo del variograma experimental.
Ejemplo N 1: Se tiene un yacimiento de plata con las siguientes leyes y distancias de muestreo, a
lo largo de una galera. Calcular el variograma experimental.
Figura 4.51: Muestreo irregular a lo largo de una galera.
Tabla de Datos
N Distancias Ley Ag
Muestra (Eje X m.)
1 0 5.8
2 3 3.4
3 5 5.1
4 5 6.8
5 4 9.9
6 6 7.6
7 2 6.4
8 2 6.8
9 4 6.7
10 3 7.5
11 2 8.9
12 6 7.4
13 2 6.3
14 5 6.2
15 6 8.8
Valores de h
h total 55 m.
h min 2 m.
h mx. 6 m.
_________
Determinacin de los intervalos para cada valor de h, considerando un h = 50%.
Intervalo
h
[i j]
4 2 6
8 4 12
12 6 18
16 8 24
20 10 30
24 12 36
28 14 42
32 16 48
36 18 54
__________
Resumen de datos para el clculo el variograma experimental, en el intervalo 2,6.
N(h) = 17
*=(Z(x+h)-Z(x))2 = 46.45
*[2,6] = 1.366
h(Promedio)= 4.118
De igual modo procedemos para el clculo del variograma experimental, en el intervalo 4,12.
N(h) = 30
*=(Z(x+h)-Z(x))2 = 118.2
*[2,6] = 1.97
h(Promedio)= 7.767
Con el mismo procedimiento se contina calculando los variogramas experimentales par los intervalos
6,18, hasta el 18,54. Los resultados se presentan en el siguiente cuadro.
_________
Resumen de resultados del variograma experimental
Intervalo
h *(h) h(promedio)
[i j]
4 2 6 1.366 4.118
8 4 12 1.97 7.767
12 6 18 2.444 11.7
16 8 24 2.357 15.37
20 10 30 2.362 18.75
24 12 36 2.642 22.55
28 14 42 2.824 25.41
32 16 48 2.623 27.71
36 18 54 2.811 29.62
Figura 4.52: Variograma con malla irregular a lo largo de una galera.
Calculo a malla irregular en dos dimensiones R2:
En estos casos tenemos dos variables principales a definir, la tolerancia en distancia y el incremento
angular del vector h, para definir el intervalo o sector a ser utilizado.
Para cada direccin del vector h, se define una tolerancia angular y una tolerancia en distancia
h. la eleccin de y h, depende de la distribucin espacial de los datos y de la prctica, en algu-
nos casos la practica recomienda utilizar = 22.5o y h = 0.5(h), donde el valor de h, empieza to-
mando la distancia mnima, llamada paso, para el clculo de *(h).
Figura 4.53: mtodo de los sectores para el clculo de *(h).
__________
Las muestras que caen en el sector, estarn aproximadamente a la distancia h de la muestra de origen
del vector, formando los pares correspondientes.
Conforme crece el vector h, el ngulo se abre, el sector se hace grande y la aproximacin tiende a ser
grosera. Algunos software computacionales definen otro tipo de zona para evitar este problema (mto-
do del lpiz), considerando una distancia d, llamada ancho de banda.
Figura 4.54. Aproximacin para h grande.
En estos casos, se definen los parmetros , h y d. para formar los sectores en funcin a las dis-
tancias que va tomando el vector h.
Figura 4.55. Formacin de sectores de acuerdo a la distancia de h.
_________
Aplicado al clculo del variograma experimental para una data de un yacimiento, los sectores que se
van formando para cada valor del vector h, se desplazan a lo largo de la direccin elegida para el
clculo de *(h).
Figura 4.56. Desplazamiento de los sectores diseados, para cada distancia de h y en la direccin de
clculo de *(h).
El mtodo de los sectores, se puede generalizar al espacio de tres dimensiones.
Figura 4.57. Aproximacin en el espacio de tres dimensiones: especie de cono.
Figura 4.58. Compsitos en el espacio de tres dimensiones, con leyes de cobre en una mina a tajo
abierto.
__________
Ejemplo1: En el siguiente mapa se muestran las leyes de alcalinos en un banco de una mina de hierro.
Calcular el variograma experimental.
Figura 4.59. Mapa de datos con leyes de alcalinos de un banco de una mina de hierro.
Utilizamos el programa Variowin para el clculo del variograma experimental, en diferentes direccio-
nes.
Parmetros de clculo:
Direccin de calculo oo (E-W)
Distancia mnima para el vector h= 10 m.
Tolerancia en distancia 5 m.
Tolerancia angular = 22.5o
Algoritmo de clculo:
_________
Figura 4.60. Variograma experimental en la direccin E-W.
Parmetros de clculo en la direccin de 90o
Figura 4.61. Variograma experimental en la direccin N-S.
__________
Figura 4.62. Variograma experimental en la direccin N-E.
_________
Figura 4.63. Variograma experimental en la direccin N-W.
Los variogramas experimentales de las leyes de alcalinos del yacimiento de hierro, tienen una caracte-
rizacin isotrpica, por lo que podemos calcular el variograma omnidireccional.
Variograma Omnidireccional en la direccin E-W.
Tolerancia angular = 90o
Figura 4.64. Variograma Omnidireccional en la direccin E-W.
__________
La nube variogrfica
Dada una cierta direccin, la nube variogrfica consiste en graficar, para una direccin dada, el valor de
todas las diferencias:
en funcin de la distancia entre los puntos xi y xj .
En la figura 4.65 se ha representado la nube variogrfica correspondiente a leyes de alcalinos en una

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

distintos comportamientos con la variacin de la distancia.
Anisotropa Geomtrica.
Anisotropa Zonal.
Anisotropa Hbrida.
__________
Anisotropa Geomtrica
Es aquella en la que el variograma en distintas direcciones presenta el mismo sill pero rangos
distintos
Mayor continuidad espacial en la direccin de mayor rango.
Menor continuidad espacial en la direccin de menor rango
Figura 4.68: Variogramas, mostrando la anisotropa geomtrica.
Anisotropa Zonal
Es aquella en la que el variograma en distintas direcciones presenta el mismo rango
pero diferente sill .
Presencia de diferentes estructuras
Figura 4.69: Variogramas, mostrando la anisotropa zonal.
_________
Anisotropa Hibrida
Es aquella en la que el variograma en distintas direcciones presenta rangos diferentes y dis-
tintos sill.
Presencia de diferentes estructuras
Caracterstico de variogramas horizontales y verticales
Figura 4.69: Variogramas, mostrando la anisotropa hibrida.
4.14. PROBLEMAS MS COMUNES ENCONTRADOS EN EL CLCULO DEL VARIOGRAMA
De lo expresado hasta aqu, adems de lo planteado en muchos textos de geoestadstica, se

puede obtener la impresin de que es fcil el clculo del variograma experimental. La fuente de
problemas que se pueden presentar en la realizacin del un anlisis estructural es muy variada,
lo que est en correspondencia con la variedad de casos que se resentan en la naturaleza. Algu-
nos de los problemas ms comunes discutidos son:
El valor idneo del incremento h: Una inadecuada seleccin de h puede proporcionar un vario-
grama errtico, aunque no se puede dar un criterio exacto o aproximado sobre cual el mejor valor
de h, es recomendable recalcular *(h) para distintos valores de h, hasta encontrar una forma
suavizada del mismo.
Distribuciones con valores extremos: La existencia de valores extremos, altos o bajos, en una
distribucin, puede conducir a la obtencin de un variograma fuertemente errtico. En este caso
la solucin puede ser simple, eliminar los datos extremos, porque pueden ser ocasionados por
errores, en otros casos pueden encontrarse en zonas geogrficamente distintas y pueden ser tra-
tados de manera separada.
Una herramienta til para la deteccin de valores extremos y encontrar el incremento adecuado
puede ser, calculado la "Nube de Variogramas", el cual consiste en representar los valores de
[Z(xi+h)-Z(xi)]2/2 contra h, para cada par posible de la informacin inicial.
La existencia de poblaciones mixtas: Existen datos que pueden mostrar diferentes poblacio-
nes, los cuales pueden estar estadsticamente diferenciados. En muchos casos las poblaciones
__________
estn geogrficamente diferenciadas, donde se recomienda tratar las zonas por separado. En
otros casos las poblaciones se presenten mezcladas geogrficamente, en este caso una solucin
puede ser un cambio de escala, con lo que se logra reducir la diferencia de los valores extremos.
Se presentan otras razones por los que los variogramas son errticos, las cuales son:
1.- No hay suficientes muestras.
2.- Las muestras no son representativas del fenmeno.
3.- Las clasificaciones de las muestras no son vlidas.
4.- El rea estudiada es no homognea.
5.- Pequeos o largos conjuntos de datos son necesarios.
6.- Pequeas o largas distancia deben ser calculadas.
7.- Ms o menos distancias deben ser calculadas.
8.- Pequeas tolerancias son necesarias.
9.- Las muestras pueden tener localizaciones incorrectas.
10.- Los valores muestreados pueden ser errneos.
El problema fundamental en la obtencin de un variograma correcto es, la eleccin adecuada de

los intervalos de distancias para los cuales ser calculado el variograma, de modo que en stos
la cantidad de pares encontrados sea suficiente desde el punto de vista estadstico.
_________
CAPTULO 5
MODELAMIENTO DE VARIOGRAMAS
5.1. MODELADO DE VARIOGRAMAS
El modelado de variogramas incluye dos etapas fundamentales, una vez construido el variogra-
ma experimental o emprico es necesario ajustar a este un modelo terico, con el objetivo de de-
terminar los parmetros descriptivos del variograma que posteriormente sern usados en la esti-
macin.
5.2. PARMETROS DEL VARIOGRAMA
Los parmetros del variograma caracterizan tres elementos importantes en la variabilidad de un

atributo que son: la discontinuidad en el origen (existencia de efecto de pepita), el valor mximo
de variabilidad (meseta), y el rea de influencia de la correlacin (alcance), (figura 5.1). Como se
presentan y se describen a continuacin.
Figura 5.1: Parmetros del variograma.
El Efecto Pepita (Nugget): El variograma por definicin es nulo en el origen, pero en la prctica
las funciones obtenidas pueden presentar discontinuidad en el origen, a esta discontinuidad se le
llama efecto de pepita, en ingles (Nugget effect). Puede ser obtenido trazando una lnea recta
entre los primeros puntos del variograma emprico y extender sta hasta que se intercepte con el
eje Y. Si esta interseccin ocurre por debajo de cero, el valor asumido por este efecto es cero,
pues valores negativos de g (0) no tienen significado y no es comn. El efecto pepita se repre-
senta como Co.
La Meseta (Sill): Es el valor de (h) para el cual con el aumento de h su valor permanece cons-
tante, se representa como (CT = C + Co) y se denomina meseta. Puede obtenerse trazando una
lnea paralela a la abscisa y que se ajuste a los puntos de mayor valor del variograma y su valor
se lee en la interseccin de esta lnea con la ordenada.
El Alcance (Range): La distancia h para la cual las variables Z(x) y Z(x+h) son independientes,
se denomina alcance y se representa por (a), es decir, las distancias para la cual los valores de
la variable dejan de estar correlacionados, o lo que es lo mismo, la distancia para la cual el vario-
grama alcanza su meseta.
- 82 -
5 Modelamiento de Variogramas 83
El alcance siempre tiene valor positivo y puede ser obtenido a partir de la interseccin de las l-
neas descritas en los puntos anteriores, ese punto ledo en la abscisa es una fraccin del propio
alcance, fraccin que se detallara posteriormente en la explicacin de los modelos tericos.
5.3. MODELOS TERICOS DE VARIOGRAMAS
Los modelos tericos de variogramas admisible o autorizados ms utilizados en la prctica se

presentan, atendiendo a las dos caractersticas ms importantes en el modelado de variogramas
que son:
1.- Su comportamiento en el origen, el cual puede ser linear, parablico y con Efecto de Pepita y
2.- La presencia o ausencia de meseta. Estos modelos son:
Efecto Pepita Puro:
Corresponde a un fenmeno puramente aleatorio (ruido blanco), sin correlacin entre las mues-
tras, cualquiera sea la distancia que las separe, (figura 5.2), donde S representa el valor de la
meseta.
0 si h 0
h

s si h 0

Figura 5.2: Modelo Efecto Pepita Puro.
Modelo Esfrico:
Este modelo es probablemente el ms utilizado, es una expresin polinomial simple, en su forma

representada en la figura 5.3, se puede observar un crecimiento casi lineal y despus a cierta dis-
tancia finita del origen se alcanza una estabilizacin, la meseta. La tangente en el origen encuen-
tra a la meseta en el punto de abscisa (2/3)a, donde a representa el valor del alcance.
_________
Figura 5.3: Modelo Esfrico.
Modelo Cuadrtico:
Figura 5.4: Modelo Cuadrtico.
Modelo Exponencial:
Este modelo a diferencia del esfrico crece inicialmente ms rpido y despus se estabiliza de
forma asinttica (figura 5.5). Como la meseta no se alcanza a una distancia finita, se usa con fi-
nes prcticos el "alcance efectivo" o "alcance prctico" a, valor que se obtiene en el punto de
abscisa para el cual el modelo obtiene el 95% de la meseta, con un valor a=3a, donde a es el
parmetro de escala. La tangente en el origen encuentra a la meseta en el punto a=(1/3)a.
|h| > 0
__________
Figura 5.5: Modelo Exponencial.
Modelo Gaussiano:
Este es un modelo extremadamente continuo (figura 5.6), inicialmente presenta un comporta-

miento parablico en el origen, despus al igual que en el modelo Exponencial se alcanza la me-
seta de forma asinttica. El alcance prctico tiene un valor de a=1.73a, que es el valor de la abs-
cisa donde se alcanza el 95% de la meseta.
|h| > 0
Figura 5.6: Modelo Gaussiano.
Modelo con Funcin Potencia:
Este es un modelo sin meseta, su forma se representa en la figura 5.7, para valores de a corres-
pondientes a 0.5, 1.0 y 1.5.
(h) = |h| con ]0, 2[
_________
Figura 5.7: Modelo con Funcin Potencia.
Para el valor de =1 en el modelo anterior se obtiene el modelo Lineal, al cual no tiene ni meseta
ni alcance. Ahora por efectos prcticos, sin embargo, muchos programas informticos denotan la
pendiente del modelo lineal con la relacin S/a (figura 5.8).
(h) = (S/a) |h|
Figura 5.8: Modelo Lineal.
Modelo Cbico:
Con rango o alcance a, meseta igual a S, comportamiento cuadrtico en el origen y representa

fenmenos bastante continuos.
__________
Figura 5.9: Modelo Cbico.
Modelo Seno Cardinal:
La meseta alcanza asintticamente, rango aparente igual a a, rango experimental igual a 3a,
comportamiento cuadrtico en el origen. Se utiliza para representar fenmenos continuos con
periodicidades.
Figura 5.10: Modelo Seno Cardinal.
Se han presentado los modelos ms usados en la prctica, aunque se debe sealar, existen
otros modelos que son ampliamente descritos en el manual de referencias del sistema geoesta-
dstico Isatis.
Estos modelos pueden ser ajustados individualmente, aunque es posible encontrar en la prctica
aplicaciones donde a los variogramas experimentales se les debe ajustar ms de un modelo te-
rico, es decir, a travs de superposicin, nombrndose estructuras imbricadas.
_________
La seleccin del modelo y los parmetros apropiados a las caractersticas del variograma empri-
co, para ser usados en la interpolacin geoestadstica que veremos posteriormente es el punto
ms importante en el proceso planteando, adems, esta seleccin es fundamental en el caso
particular de la minera donde se presentan yacimientos: con irregularidad en la densidad de ba-
rrenos; sin una adecuada perforacin; con alta asimetra en la distribucin o que carecen de un
modelado geolgico propio. Al respecto se refieren muchos autores sobre el efecto negativo que
puede tener en la estimacin el uso del krigeaje sin un estudio de estructura espacial y la selec-
cin adecuada del modelo de variograma y sus parmetros.
5.4. MODELAMIENTO DEL VARIOGRAMA EXPERIMENTAL
El objetivo de ajustar un modelo terico es disponer de una ecuacin, la cual se utilizar en los
clculos posteriores. En general, los paquetes computacionales trabajan exclusivamente con el
modelo terico.
Distinguiremos dos variogramas.
El variograma experimental, calculado a partir de los datos.
El variograma terico, que corresponde a una ecuacin que se ajusta al variograma expe-
rimental:
Figura 5.11: Variograma Experimental y Terico.
Es evidente que el variograma terico debe respetar al variograma experimental, sobre todo en
los primeros puntos, que son ms confiables.
El ajuste de variogramas constituye un punto crucial en un estudio geoestadstico porque todos

los clculos posteriores se harn utilizando exclusivamente el modelo terico.
Para tener un buen ajuste, hay que considerar que uno de los objetivos finales es la estimacin
de leyes de bloques (modelo de bloques), dentro de una cierta vecindad restringida de manera
de no considerar demasiadas muestras para estimar la ley de cada bloque, cuyo modelo es fun-
damental para la planificacin minera.
__________
Figura 5.12: Modelo de bloques.
En el siguiente modelo tridimensional de bloques, existen tres unidades geolgicas (a bloque

completo).
Figura 5.13: Modelo tridimensional de bloques.
Si la vecindad de bsqueda es circular o esfrica, slo se utilizar la funcin (h) hasta una dis-
tancia mxima de IhI= 2R; luego conviene ajustar (h) hasta IhI = 2R. Para estimar el bloque de
la siguiente figura, solo se utilizan los compsitos que estn dentro del crculo de radio R.
Figura 5.14: Vecindad de estimacin.
En el caso de la figura siguiente, si se usa una vecindad restringida, ambos modelos darn los
mismos resultados; pero el modelo 2 es ms simple y ms fcil de ajustar:
_________
Figura 5.15: Modelos de variograma.
Ajuste automtico
El ajuste de modelos de variogramas se puede realizar tambin de forma automtica. Esta ha si-
do presentada por varios autores, en la que se sugieren una forma particular de aplicar el mtodo
de los mnimos cuadrados y as obtener el modelo y sus parmetros, teniendo en cuenta que el
modelo obtenido sea definido positivo, como ya se ha indicado. Existen varios mtodos para es-
timar los parmetros del variograma entre visuales y automticos.
Ahora, el ajuste realizado de forma automtica no tiene porque reportar mejores resultados en el
proceso de estimacin, recomendndose validar el modelo seleccionado de acuerdo al estimador
a utilizar. Un criterio decisivo, independiente de la forma utilizada en la eleccin del modelo teri-
co y sus parmetros, es si lugar a dudas, emplear el mtodo de la validacin cruzada con el es-
timador a utilizar en el proceso de estimacin.
5.5. CASOS DE ESTUDIO
Ejemplo N 1: Data de 75 000 taladros de voladura.
Figura 5.16: Variograma experimental ajustado al Modelo Esfrico.
__________
Ejemplo N 2: Data de sondajes de una mina de cobre explotado por el mtodo de block caving,
donde se ha calculado el variograma experimental en la direccin N-S.
Figura 5.17: Variograma experimental ajustado al Modelo Exponencial.
Ejemplo N 3: Retomando el caso del ejemplo N 1 del captulo anterior, cuyo variograma expe-
rimental omnidireccional, calculado en la direccin E-W, se presenta en la figura N 4.64. Se pide
modelar este variograma.
Luego de haber utilizado el mtodo de prueba error prueba y el programa Variowin. Donde se
han efectuado varias corridas con diferentes modelos y parmetros, elegimos el modelo expo-
nencial, por representar el mejor ajuste al variograma experimental.
Figura 5.18: Variograma Omnidireccional ajustado al Modelo Exponencial.
Parmetros
a = 78.096
c1 = 80
Co = 0.001047
_________
AJUSTE EN EL ESPACIO DE DOS Y TRES DIMENSIONES
En la practica se dispone de un conjunto d variogramas 1(h), 2(h),., k(h) correspondientes a

las direcciones 1, 2,.., k.
Figura 5.19: Direcciones de clculo de los Variogramas.
Anlisis de anisotropa
Conviene aqu realizar un anlisis sobre el comportamiento de la variabilidad del atributo en es-
tudio. Se conoce que el variograma describe las caractersticas de continuidad espacial de la va-
riable regionalizada en una direccin, pero este comportamiento puede variar segn la direccin
que se analice. Se exige por este motivo un anlisis del comportamiento de la continuidad en dis-
tintas direcciones, el Anlisis de Anisotropa.
Cuando el variograma calculado en diferentes direcciones (norte-sur, este-oeste, y en direcciones

intermedias de 45 o de 22.5, con tolerancia de 22.5o), muestra similar comportamiento, se dice
que el fenmeno es Isotrpico, cuando muestran diferentes comportamientos es Anisotrpico.
Los tipos de anisotropas ms comunes son la Geomtrica y la Zonal.
Caso Isotrpico
Es el cao ms simple y se cumple que:
Se utiliza entonces como modelo general el variograma ajustado al variograma omnidireccional:
En esta notacin:
__________
En el caso estudiado de la figura 4.64, el modelo isotrpico ajustado es:
Con otra notacin, puede ser:
Caso Anisotrpico
En este caso los variogramas direccionales, son en general diferentes:
En la prctica se distinguen dos tipos de comportamiento anisotrpicos del variograma.
Anisotropa Geomtrica:
Se produce cuando los diversos variogramas pueden reducirse a un variograma istropo median-
te una transformacin lineal de las coordenadas. El caso ms comn en la prctica es cuando los
variogramas presentan un mismo valor de meseta pero diferentes alcances:
Figura 5.20: Elipse de anisotropa geomtrica (Rosa de alcances)
En la figura se ha representado una anisotropa geomtrica (en el caso istropo lo anterior sera
un crculo).
Sea k = a1/a2 > 1 la razn entre el alcance mayor y menor. Las frmulas de transformacin de
coordenadas nos muestran que:
_________
es el ngulo formado entre el eje x y el eje x' de la elipse. 1 es el variograma de la di-
reccin 1. k = a1/a2.
En el caso de un variograma lineal con diferentes pendientes:
(h) =( ) | h |
se procede de manera anloga, utilizando la elipse de pendientes o de inversos de pen-

dientes.
En el caso del ejemplo de la figura 4.34 del capitulo anterior, se puede suponer en pri-
mera aproximacin, que el eje de la elipse coincide con los ejes de las coordenadas:
Aplicando la frmula anterior, con = 0,
Anisotropa Zonal:
En este caso la anisotropa no puede ser reducida por una transformacin lineal simple de las
coordenadas.
Figura 5.21: Anisotropa Zonal.
Se define entonces el modelo de anisotropa zonal como un modelo anidado (o imbricado), es

decir:
(h) = 1(h1) + 2 (h2 ) +...
__________
En que cada constituyente puede representar su propia anisotropa.
Por ejemplo, en un yacimiento sedimentario el variograma vertical puede ser muy diferente al va-
riograma horizontal:
Figura 5.22: Ejemplo de Anisotropa Zonal.
Se puede utilizar en este caso un modelo del tipo:
En que:
Y hz corresponde a la direccin vertical.
Efecto proporcional
Cuando en el clculo del variograma se detecta que existe una relacin lineal entre el va-
lor medio de las muestras usadas en el clculo de cada (h) y la desviacin estndar co-
rrespondiente, se dice que existe un efecto proporcional (heterosedasticidad). Este efecto
se puede detectar ploteando los valores de Xm contra s , es decir, que el coeficiente de
variacin (s /Xm) sea aproximadamente constante, ocurre cuando los datos presentan
una distribucin lognormal. (figura 5.23).
Figura 5.23: Efecto proporcional.
_________
La solucin a este problema consiste en dividir cada valor del variograma local por el cuadrado
de la media local, y obtener lo que se conoce como variograma relativo.
F(h) = (h)/Xm2(h)
Puede ser calculado usando los pasos anteriormente presentados para el clculo de los vario-
gramas tradicionales.
Existen otras medidas de la continuidad espacial descritas en Journel y Huijbregts (1978) y Pan-
natier (1993), las cuales permiten un anlisis estructural detallado con diferentes objetivos.
5.6. PROBLEMAS EN EL MODELAJE DE VARIOGRAMAS
Los problemas ms comunes al modelar variogramas que complican este proceso. Se analizan
los siguientes casos.
1.- La anisotropa geomtrica est presente: Indica que los variogramas direccionales tienen la
misma meseta pero diferentes alcances, sta puede ser corregida a travs de una transformacin
linear de coordenadas que permita reducir una elipse a un crculo.
2.- La anisotropa zonal est presente: indica que tanto las mesetas como los alcances son di-
ferentes para los variogramas direccionales, puede ser corregido separando el variograma en sus
componentes isotrpicos horizontal y anisotrpico vertical.
3.- La tendencia de los datos est presente: indica que los valores medidos aumentan o dis-
minuyen dramticamente en la zona estudiada con el aumento de la distancia. Esto puede ser
resuelto aplicando polinomios a la ecuacin del variograma, es decir un anlisis de tendencia.
4.- El efecto proporcional est presente: Indica que la desviacin estndar local es proporcio-
nal al cuadrado de la media local y que los datos presentan una distribucin lognormal, puede ser
resuelto dividiendo cada valor del variograma local por el cuadrado de la media local, es decir
usando variogramas relativos.
5.- Existencia de estructuras anidadas: indica que diferentes procesos operan a diferentes es-
calas, como por ejemplo alguno o todos los siguientes: A muy pequeas distancias la variabilidad
puede estar presente debido a cambios de una composicin mineral a otra. A pequeas distan-
cias la variabilidad puede estar presente debido a errores. A grandes distancia la variabilidad
puede estar presente debido a casos transitorios de desgaste mineral. El cual puede ser resuelto
aplicando varios modelos simultneamente.
6.- Existencia de efecto hueco: indica que muy pocos pares estn disponible para la compara-
cin a una distancia especfica. Y puede ser resuelto recuperando ms casos para la distancia
definida.
7.- La periodicidad est presente: indica que el comportamiento del variograma repite por s
mismo periodicidades, por ejemplo: El valor de la meseta puede aumentar o disminuir sistemti-
camente, o un caso en que los valores son tomados alternativamente a travs de diferentes es-
tratos, como piedras areniscas, esquistos, etc. Esto puede ser resuelto si es un problema real y
__________
no un antifaz del anlisis, la periodicidad puede ser tambin un fenmeno real mostrado por zo-
nal ricas y pobres repetidas a espacios similares.
5.7. VALIDACIN DEL MODELO TERICO
Como el ajuste de los modelos tericos al variograma experimental, se realiza de forma visual o
interactiva, variando los valores Co (efecto de pepita), C + Co (meseta) y a (alcance), hasta coin-
cidir con los parmetros que mejor se ajustan, es conveniente validar el modelo seleccionado y
los parmetros meseta y alcance escogidos.
El mtodo de validacin cruzada ha sido ampliamente utilizado para evaluar el grado de bondad
de un modelo de variograma y reconocido como un mtodo ptimo de estimacin de sus parme-
tros. La operacin de validar un variograma terico ajustado a uno experimental siempre toma
mucho tiempo, ste se considera como el ltimo de los pasos importantes del anlisis de variabi-
lidad, debido a que una vez obtenido este resultado ser utilizado en la estimacin por krigeaje
en cualquiera de sus variantes.
Validacin cruzada
Sea Z(x) una funcin aleatoria estacionaria con variograma (h), su funcin de covarianza C(h)
viene dada por C(h) = s 2 - (h) donde s 2 es la varianza de Z(x). Sea Zx1, Zx2,...,Zxn los valores
de Z(x) en n puntos medidos. La validacin cruzada consiste en suprimir el i-simo valor medido
Z(xi) y estimarlo a partir del resto de los datos. El valor estimado Z*(xi) se calcula por krigeaje,
procedimiento explicado ms adelante.
Si se repite este proceso para los N puntos, se pueden calcular n errores de validacin:
E(xi) = Z*(xi)- Z(xi) i = 1, 2, . . . , N.
As se van probando diferentes valores de los parmetros del variograma hasta que los errores
de validacin cumplen los siguientes criterios estadsticos:
1. El error medio, dado por T1 = (1/n) i=1,n [Z(xi) - Z*(xi)], debe ser aproximadamente igual a
cero.
2. El error medio cuadrado, dado por T2 = (1/n) i=1,n [Z(xi) - Z*(xi)]2, debe ser pequeo.
3. La medida, T3 = (1/n) i=1,n { [Z(xi) - Z*(xi)]/s } 2, debe ser igual a uno.
4. La medida, T4 = Corr{ [Z(xi) - Z*(xi)]/s , Z*(xi)} , debe ser cero.
5. La medida, T5 = Corr{ Z(xi), Z*(xi)} , debe ser uno.
Otros autores slo plantean que las medidas fundamentales son la indicada por T1 y T3.
_________
CAPTULO 6
VARIANZA DE ESTIMACIN
6.1. ENUNCIADO DEL PROBLEMA:
Sea un bloque o zona V y un conjunto de datos z(x1), z(x2), . . . , z(xN), en que:
xi = coordenada del dato z(xi)
z(xi) = ley en el punto xi
Figura 6.1: Volumen a estimar. Localizacin de las muestras.
N = N de datos
No se conoce la ley media de V: zV
En la prctica, se estima la ley media desconocida por una frmula lineal del tipo:
zV 1 z(x1 ) 2 z(x2 ) ... N z(xN )

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

i 1 d i
k
Se supone, entonces, que los i son conocidos.
6.2. EL ERROR DE ESTIMACIN
Expresada como:
zV zV
en que zV es la ley estimada (conocida) y zv es la ley real (desconocida).
Mencionemos que es equivalente definir el error como:
Zv - zV
Debido a que zv es desconocido, entonces es desconocido. Renunciamos entonces a co-
nocer el error en signo y magnitud. Sin embargo, se puede caracterizar probabilsti-
camente el error , al utilizar el modelo matemtico.

Asumimos entonces que es una magnitud aleatoria, es decir una variable aleatoria. Esta mag-
nitud es decir, una magnitud aleatoria tiene una cierta ley de probabilidad caracterizada por
una esperanza matemtica mE y una varianza E2 Respecto de la ley de probabilidad del error,
asumimos que:
La ley de probabilidad del error es la ley normal o de Gauss . En Geoestadstica esta aproxi-
macin es razonable, pero se pueden utilizar otras aproximaciones tales como la desigualdad de
Chebichev
_________
Figura 6.2: Densidad de probabilidad de la ley normal o de Gauss.
Conviene recordar las siguientes reas de la ley de Gauss:
Figura 6.3: Ley normal. es la desviacin estndar.
Figura 6.4: Ley normal, regla de los dos sigma. Es el caso ms utilizado en la prctica.
__________
Figura 6.5: Ley normal, regla de los tres sigma.
En otras palabras, utilizando probabilidades:
P(m - m + ) = 0.68
P(m - 2 m + 2) = 0.95
P(m - 3 m + 3) = 0.997
6.3. ANLISIS DE PARMETROS
Estudio de mE:
En trminos tericos:
mE = E()
Este valor es nulo porque los errores se compensan (siempre que el mtodo de estima-
cin verifique la condicin de insesgado = 1).
Luego:
mE 0
2
Estudio de E
En trminos tericos
2E = E[( mE )2 ] = E [2 ]
2E = E [2 ]
La Geoestadstica demuestra que se puede calcular numricamente el valor de
2E
_________
Luego, el problema est resuelto. Segn las propiedades de la Ley de Gauss, podemos
afirmar que:
P(m - m + ) = 0.68 (i)
P(m - 2 m + 2) = 0.95 (ii)
P(m - 3 m + 3) = 0.997 (iii)
En la prctica se utiliza frecuentemente la ecuacin (ii); es decir, se admite un riesgo de equivo-
cacin del 5%. En otras palabras:
-2 m + 2 con 95% de confianza
o bien, se puede afirmar, con 95% de confianza que la ley verdadera es igual a la ley estima-
da dos sigma (regla de las dos sigmas):
zV zV 2 E (con 95% de confianza)
Si usted no cree en esta aproximacin gaussiana utilice la desigualdad de Chebychev, la cual
establece que, cualquiera que sea la variable aleatoria :
Existe una desigualdad an mejor, llamada desigualdad de Gauss, la cual establece, en nuestras
condiciones que (ver Cramer, 1955):
En resumen el problema radica en el clculo n umrico de 2 E o de la desviacin estndar.
E =
6.4. CLCULO DE LA VARIANZA DE ESTIMACIN

2 :
Clculo de E
Sabemos que:
2E = E [2 ]= E [(zV ZV)2]
Por otra parte:
__________
(La ley real desconocida se calcula, en el caso de ser posible, por el promedio de las leyes
de todos los puntos x dentro de V). La integral anterior puede ser simple, doble o triple. Luego
el error es la diferencia entre una sumatoria y una integral:
Al desarrollar 2 y tomar luego la esperanza matemtica, se demuestra la frmula siguien-

te:
Esta frmula fundamental para el clculo de la varianza, tambin puede escribirse en trminos
del variograma, de la siguiente manera:
2E = 2(v,V) - (V,V) - (v,v)
Por ejemplo, si se calculan con esta frmula las varianzas del error para los tres casos de la fi-
gura 6.6, se tendrn las desigualdades:
Figura 6.6: Varianza del error en tres casos.

En la expresin de 2E (en notacin condensada) (p, q) significa el valor numrico de (h)
(modelo o ecuacin), siendo h el vector que une los puntos p y q:
Figura 6.7: Vector que une los puntos

p y q.
_________
Antes de explicar cmo se calculan los trminos en forma numrica, observamos que 2E
depende de:
N es decir, el nmero de datos.
xi es decir, las coordenadas de los datos.
V es decir, la geometra y el tamao del bloque o zona V.
(h) es decir, de la regularidad o irregularidad de las leyes.
i es decir, del mtodo de estimacin.
Significado de los trminos en la expresin de 2E :
En la expresin anterior xi representa las coordenadas de los datos; x ( y) representa un pun-

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

Entonces, la aproximacin es:
Esta aproximacin es mejor cuando el nmero k de puntos dentro de V es ms grande. La prc-

tica recomienda un nmero mnimo de puntos dentro de V de manera de obtener una
precisin aceptable
i) Si V es bidimensional: k 36 ptos.
ii) Si V es tridimensional: k 64 ptos.
Se puede tomar un valor de k superior a los recomendados, pero los procesos compu-
tacionales sern ms lentos.
iii) Trmino :
Representa el valor medio de la funcin (h) (h es el vector que une x con y) siendo x e y
dos puntos variables dentro de V:
Figura 6.10: El punto x y el punto y describen independientemente l conjunto V.

Esta integral tambin se calcula por discretizacin de V en k puntos. Entonces, la aproximacin
es:
El clculo numrico de 2E es entonces posible. Se puede utilizar un programa compu-

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

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

= iz(xi) (en estricto rigor s depende porque estas leyes se utilizaron en el clculo de
(h) ). Por consiguiente, se puede calcular la varianza del error en el caso de agregar uno
o ms sondajes adicionales. Se puede entonces cuantificar la ganancia de precisin que
aportara un reconocimiento suplementario.
2. Nos podramos plantear el problema inverso: Suponer que en el estimador ZV = iz(xi)

los pesos i son desconocidos y definir un criterio para calcularlos.
Intuitivamente vemos que el criterio debera ser: "encontrar los pesos i de manera
2
de minimizar E. Esta es la idea del mtodo del krigeado.
Ejemplo N 2: el anlisis variogrfico para un yacimiento, nos da el siguiente resultado.
EW
NS
NW
NE
DATOS
X Y LEY
80 40 10g/t
50 70 5g/t
50 40 B?
Calcular la varianza de estimacin para el bloque de 10x10 mts, cuyo centro de gravedad est
en el punto (50,40). Considerar slo la muestra w1, el estudiante deber resolver el clculo de
la varianza de estimacin con todas las muestras implantadas en el bloque B.
Representacin grfica del bloque
Figura 6.12: Bloque para la estimacin de la varianza.
E2 = 2 (V,B) BB - VV
V = W1
B=B
_________
CLCULO DEL TRMINO (V,B) = (W1,B)
Discretizacin del bloque b (k =9), en bloques de 10 x 10 metros.
Figura 6.13: Discretizacin de B en 9 Bloques.
CLCULO DE LA MATRIZ DE DISTANCIAS (POR PITGORAS)
W1 - B 1 2 3 4 5 6 7 8 9
W1 25,4951 29,1548 35,3553 15,8114 21,2132 29,1548 7,07107 15,8114 25,4951
MATRIZ DE VARIOGRAMAS
Reemplazando distancia (h) de acuerdo al modelo:
NE
W1 - B 1 2 3 4 5 6 7 8 9 (W1,B)
W1 0,50956 0,53915 0,58563 0,42274 0,47276 0,53915 0,33246 0,42274 0,50956 0,48153
CLCULO DEL TRMINO (V,B) = (B,B)
Figura 6.14: Distancias dentro de B.
__________
MATRIZ DE DISTANCIAS DEL BLOQUE ((B,B))

B 1 2 3 4 5 6 7 8 9
1 0 10 20 10 14,142 22,361 20 22,361 28,284
2 0 10 14,142 10 14,142 22,361 20 22,361
3 0 22,361 14,142 10 28,284 22,361 20
4 0 10 20 10 14,142 22,361
5 0 10 14,142 10 14,142
6 0 22,361 14,142 10
7 0 10 20
8 0 10
9 0
(de acuerdo a los modelos)
1 2 3 4 5 6 7 8 9
1 0 0,3484 0,4906 0,1946 0,347 0,4178 0,2793 0,4178 0,4631
2 0 0,3484 0,4064 0,1946 0,347 0,4829 0,2793 0,4178
3 0 0,4829 0,4064 0,1946 0,5323 0,4829 0,2793
4 0 0,3484 0,4906 0,1946 0,347 0,4178
5 0 0,3484 0,4064 0,1946 0,347
6 0 0,4829 0,4064 0,1946
7 0 0,3484 0,4906
8 0 0,3484
9 0
SUMATORIA = 13.198
(B,B) = (13.198 *2)/81 = 0.3254.
CALCULO DE (v,v) = (W1,W1)
W1
W1 0
(W1,W1) = 0 , debido a que la distancia del vector h = 0
Reemplazando los datos calculados en la formula fundamental para el clculo de la varianza de estima-
cin, tenemos:
E2 = 2 (V,B) BB - VV
_________
E2 = 2*(0.4815) 0.3254 0
E2 = 0.6376
Ejemplo N 2: Se tiene un bloque de 100 X 100 pies, implantado en un yacimiento que sigue un mode-
lo esfrico con un efecto pepita de 1, meseta igual 1 y alcance de 100 pies. Calcular la varianza de
estimacin en base a la siguiente configuracin geomtrica.
Figura 6.15: Geometra del problema implantado en un modelo de bloques.
Modelo Esfrico
Varianza de estimacin:
Discretizacin en cuatro bloques de 50 X 50 pies
Figura 6.16: Discretizacin del bloque.
Clculo del trmino =?
MATRIZ DE DISTANCIAS
W1 W2 W3 W4
W1 0 100 100 141.42
W2 100 0 141.421 100
W3 100 141.42 0 100
W4 141.42 100 100 0
__________
MATRIZ DE DISTANCIAS DE VARIOGRAMAS

W1 W2 W3 W4 (v,v)
W1 0 2 2 2 1.500
W2 2 0 2 2 1.500
W3 2 2 0 2 1.500
W4 2 2 2 0 1.500
Prom: 1.500
Clculo del trmino =?
1 2 3 4
W1 35.36 79.06 79.06 106.07
W2 79.06 35.36 106.07 79.06
W3 79.06 106.07 35.36 79.06
W4 106.07 79.06 79.06 35.36
1 2 3 4 (v,B)
W1 1.02 1.88 1.88 2.00 1.693
W2 1.88 1.02 2.00 1.88 1.693
W3 1.88 2.00 1.02 1.88 1.693
W4 2.00 1.88 1.88 1.02 1.693
Prom: 1.693
Clculo de =?
1 2 3 4
1 0.00 50.00 50.00 70.71
2 50.00 0.00 70.71 50.00
3 50.00 70.71 0.00 50.00
4 70.71 50.00 50.00 0.00
1 2 3 4 (B,B)
1 0.00 1.38 1.38 1.77 1.129
2 1.38 0.00 1.77 1.38 1.129
3 1.38 1.77 0.00 1.38 1.129
4 1.77 1.38 1.38 0.00 1.129
Prom: 1.129
CLCULO DE LA VARIANZA DE ESTIMACION
_________
CAPTULO 7
MODELO DE KRIGING
7.1. INTRODUCCIN
En trminos mineros, la tcnica del kriging o krigeado consiste en encontrar la mejor estimacin
lineal insesgada de un bloque o zona V considerando la informacin disponible; es decir, las
muestras interiores y exteriores a V.
Figura 7.1: Volumen a estimar.
El krigeado atribuye un peso i a la muestra z(xi). Estos pesos i se calculan de manera de mi-
nimizar la varianza del error cometido.
Inters del Krigeado
El inters del krigeado proviene de su misma definicin: al minimizar E2 estamos seguros de

obtener la estimacin ms precisa posible de V o equivalentemente, de sacar el mejor provecho
posible de la informacin disponible.
El nombre krigeado proviene de los trabajos de Daniel Krige en las minas de oro sudafricanas de
Rand, en los aos 50. La teora fue formalizada una dcada ms tarde por el geomatemtico
francs Georges Matheron.
El inters prctico ms importante del krigeado, proviene, no del hecho que asegura la mejor
precisin posible, sino ms bien porque permite evitar un error sistemtico. En la mayora de los
depsitos mineros, se deben seleccionar, para la explotacin, un cierto nmero de bloques, con-
siderados como rentables y se deben abandonar otros bloques considerados no-explotables.
Daniel Krige demostr que, si esta seleccin se realizara considerando exclusivamente las
muestras interiores a cada bloque, resultara necesariamente (en promedio) una sobre-
estimacin de los bloques seleccionados. La razn de este problema es que el histograma de las
leyes reales de los bloques tiene menos leyes extremas, ricas o pobres, luego tiene ms leyes
intermedias que el histograma calculado con las muestras interiores, y, si se calcula el efecto de
- 112 -
6 Modelo de Kriging 113
una seleccin sobre este ltimo histograma, los paneles eliminados sern en realidad menos po-
bres que lo que se haba previsto, y los paneles conservados menos ricos.
Figura 7.2: Histograma de bloques y de muestras.
De acuerdo a lo expresado anteriormente, el krigeado define el estimador lineal:
Con la condicin de isesgado (llamado tambin condicin de universalidad):
Los pesos i se calculan de manera de minimizar la varianza E2 del error = ZK ZV, en que ZV es la
ley media desconocida de V.
Como es natural, el krigeado atribuye pesos altos a las muestras cercanas a V y pesos dbiles a las
alejadas. Sin embargo, esta regla intuitiva puede fallar en ciertas situaciones en las cuales se habla de
efecto de pantalla o de transferencia de influencia.
Estudiaremos estos conceptos con un ejemplo: La figura siguiente muestra un bloque que debe ser
estimado a partir de 8 muestras S1, S2,..S8.
Figura 7.3: Transferencia de influencia y efecto de pantalla.
El krigeado encontrar en este caso, suponiendo isotropa espacial:
_________
1 i (i = 2, 3, .., 8)
La muestra S1 es la de mayor peso.
2 , 3 i (i = 4, 5, , 8)
Las muestras S2 y S3 tienen mayor peso que las muestras S4, S5, ., S8.
6 0
Se dice que la muestra S5 hace pantalla a la muestra S6.
4 5 + 6 + 7 + 8
Se dice que hay una transferencia de influencia; es decir, la influencia de la muestra S4 se repar-
te entre las muestras S5, S6, S7 y S8. Se puede afirmar que el krigeado desagrupa la informa-
cin.
La menor o mayor intensidad de los efectos anteriores depende, evidentemente, del variograma
(efecto de pepita, meseta, alcance).
Por ejemplo, si se tiene un variograma lineal istropo, (h)=|h| , se tienen los pesos siguientes
para estimar el bloque B:
Figura 7.4: Variograma lineal y pesos del krigeado. Se tienen 3 muestras. Se produce un desagrupa-
miento
7.2. LAS ECUACIONES DEL KRIGEADO ORDINARIO PARA BLOQUES
Para obtener las ecuaciones de krigeado hay que minimizar la expresin de E2
pero los i deben verificar la condicin:
__________
El mtodo clsico para minimizar la expresin de E2 (igualar a cero las derivadas parciales de E2
Respecto de 1, 2,.., N) no asegura que la suma de los i sea 1. En este caso hay que utilizar el
mtodo de lagrange, el cual explicaremos con un ejemplo matemtico.
Ejemplo: Minimizar la funcin A = x2 + y2 si x + y = 1
El mtodo de Lagrange define la funcin A siguiente:
A = x2 + y2 - 2( x + y 1)
es una incgnita auxiliar llamada parmetro de Lagrange. Observamos que A es una funcin de tres
variables: x, y, . Por otra parte, si se verifica la condicin x +y = 1, entonces A = A.
El mtodo de Lagrange consiste en igualar a cero las derivadas parciales de A.
Es fcil de ver que la solucin de este sistema es
x = 0.5
y = 0.5
= 0.5
Luego el mnimo de A o de A es:
A = (0.5)2 + (0.5)2 = 0.5
Por lo general el parmetro carece de significacin fsica.
En el caso del krigeado hay que considerar la expresin:
Se demuestra que al realizar N + 1 derivaciones, se obtiene el sistema de ecuaciones siguiente:
_________
que es un sistema lineal de N+1 ecuaciones con N+1 incgnitas (1, 2, . . . , N, )
Se demuestra que el sistema siempre tiene solucin (se supone que el modelo de (h) es autorizado),
salvo el caso en el cual existen dos (o ms) muestras diferentes con las mismas coordenadas: Este
caso no debera presentarse en la prctica pero a veces ocurre, lo cual hace necesario una revisin
previa de la base de datos.
EXPRESION MATRICIAL
0 12 13 ... 1n 1 1 1

21 0 23 ... 2 n 1 2 2
. . . . . . .

. . . . . . . .
. . . . . . .
n2 n3 ... 0 1 n n
n1
1 0 1
1 1 ... 1
El mtodo que hemos presentado se conoce como krigeado ordinario y se puede aplicar siempre que
la variable regionalizada no presente una deriva en la vecindad de estimacin.
Varianza del error

Se demuestra que la expresin de E2 se simplifica, obtenindose:
7.3. CASOS DE ESTUDIO DEL KRIGEADO ORDINARIO PARA BLOQUES
Ejemplo 1: En el caso del yacimiento istropo de la siguiente figura, estudiado anteriormente,

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

tiene el bloque siguiente:
Figura 7.6: Configuracin geomtrica del bloque con leyes de cobre.
Al usar un programa computacional, se obtiene los ponderadores siguientes:
_________
Vemos que el krigeado ha considerado la anisotropa, asignando mayor peso a los datos 2 y 3 que a 4
y 5.
Ejemplo N 3: Estimar la ley de cobre total para el bloque mostrado en la figura del yacimiento. Elegir
un plan de krigeado en base al modelo cuadrtico que tiene un efecto pepita de 0.4; meseta de 3.8 y un
alcance de 60 metros. Cada bloque tiene una dimensin de 10x10 metros. Asimismo calcular su error
de estimacin. (sugerencia, puede tomar un radio de influencia de 10m).
YACIMIENTO DE COBRE
0.5 2.5
0.8 1.6
1.9 3.2
2.3 1.8
1.2 1.8
B
1.9 2.4
1.5 3.6
1.3
1.3 2.4
2.1 1.6
Figura 7.7: Configuracin geomtrica del yacimiento.
SOLUCIN:
Seleccin de muestras de acuerdo al radio de influencia de 10 metros.
Radio de 10 m.
X2
X1
X5 X3
X4
Figura 7.8: Muestras de acuerdo al radio de influencia.
__________
Parmetros Modelo Cuadrtico
C0= 0.4 h h2
S 2 para 0 h a
C= 3.8 (h) a a 2
S= 4.2 S
para h a
a= 60
Aplicacin de matrices para el clculo de los ponderadores i.
Clculo de la LEY
Clculo de la varianza
Calculo de intervalo de confianza.
Clculo de las distancias entre muestras
Figura 7.9: Muestras para el clculo de distancias.
_________
Matriz de distancias entre muestras
x1 x2 x3 x4 x5
x1 0 10 14.142 15.811 10
x2 10 0 10 15.811 14.142
x3 14.142 10 0 7.171 10
x4 15.811 15.811 7.171 0 7.171
x5 10 14.142 10 7.171 0
Clculo de variogramas entre muestras, usando el modelo cuadrtico.
Matriz de variogramas entre muestras
x1 x2 x3 x4 x5
x1 0 1.283 1.747 1.922 1.283
x2 1.283 0 1.283 1.922 1.747
x3 1.747 1.283 0 0.932 1.283
x4 1.922 1.922 0.932 0 0.932
x5 1.283 1.747 1.283 0.932 0
Clculo de distancias entre las muestras con los puntos discretizados del bloque.
Figura 7.10: Discretizacin del bloque en 4 puntos.
0 1' 2' 3' 4' PROM
X1 0.48 1.034 1.354 1.034 0.976
X2 1.034 0.48 1.034 1.354 0.976
X3 1.354 1.034 0.48 1.304 0.976
X4 1.595 1.595 1.034 1.034 1.315
X5 1.034 1.354 1.034 0.48 0.976
__________
MATRIZDE DISTANCIAS
0 1' 2' 3' 4'

x1 3.536 7.906 10.606 7.906
x2 7.906 3.536 7.906 10.606
x3 10.606 7.906 3.536 7.906
x4 12.748 12.748 7.906 7.906
x5 7.906 10.606 7.906 3.536
Calculo de variogramas entre muestras y los puntos discretizados del bloque, usando el modelo
cuadrtico.
Reemplazando los datos calculados en la matriz de kriging.
0 1.283 1.747 1.922 1.283 1 1 0.976
1.283 0 1.283 1.922 1.747 1 2 0.976
1.747 1.283 0 0.932 1.283 1 3 0.976
1.922 1.922 0.932 0 0.932 1 4 1.315
1.283 1.747 1.283 0.932 0 1 5 0.976
1 1 1 1 1 0 M 1
Resultados
1
0,250
2
0,250
3
0,246
4
0,008
5
0,246
M
-0,105
CLCULO DE LA LEY DEL BLOQUE
_________
CLCULO DEL ERROR DE ESTIMACIN DE LA LEY DEL BLOQUE
Previo a este paso necesitamos discretizar el bloque de la siguiente manera para calcular
Figura 7.11: Discretizacin del bloque para el clculo del error de estimacin de la ley.
Matriz de distancias entre los puntos del bloque
1' 2' 3' 4'

1' 0 5 7.071 5
2' 0 5 7.071
3' 0 5
4' 0
Matriz de variogramas
1' 2' 3' 4'
1' 0 0.671 0.932 0.671
2' 0 0.671 0.932
3' 0 0.671
4' 0
Clculo de
__________
Clculo de intervalo de confianza.
7.4. KRIGEADO PUNTUAL
En algunas ocasiones, en vez de estimar la ley media de un bloque V, interesa estimar la ley en
un punto x0 (problema de interpolacin).
Corresponde al caso particular en que el volumen V tiende a cero. Se obtiene el sistema si-
guiente:
Este sistema de ecuaciones lo representamos tambin como un esquema matricial, de la siguiente

manera:
0 12 13 ... 1n 1 1 1

21 0 23 ... 2 n 1 2 2
. . . . . . .

. . . . . . . .
. . . . . . .
n2 n3 ... 0 1 n n
n1
1 0 1
1 1 ... 1
_________
Donde la matriz independiente 1, 2,.., n. son los variogramas promedio entre el punto a ser
estimado y las muestras ubicadas dentro de la vecindad seleccionada.
La expresin para el clculo de la varianza de estimacin es:
Figura 7.12: Krigeado del punto X0.
Se puede generar una grilla de valores interpolados al hacer variar x0. Esta tcnica tiene aplicacin en
la cartografa automtica y en la simulacin de leyes.
El krigeado puntual tiene la propiedad de ser un interpolador exacto en el sentido de que si se desea
estimar la ley en un punto conocido (por ejemplo el punto A de la figura 7.12), el krigeado proporciona
la ley del dato con una varianza E2 = 0. Se dice que el krigeado puntual pasa por los puntos.
Figura 7.13: Krigeado puntual en R1 versus interpolador de mnimos cuadrados.
Esta propiedad no lo tienen otros interpoladores tales como los mnimos cuadrados.
7.5. PROPIEDADES DEL KRIGING O KRIGEADO
Las propiedades ms importantes del mtodo del krigeado son:
__________
a). Propiedad de simetra.
Si (h) es istropo, entonces datos que son simtricos respecto de V y con respecto a los otros datos
tienen pesos iguales.
Figura 7.14: Propiedad de simetra del krigeado.
Del ejemplo de la figura 7.14, tenemos:
Esta propiedad era til cuando se resolvan los sistemas de krigeado manualmente.
b). Composicin de kriogeados.
Sean dos volmenes disjuntos V1 y V2; sean Z1 y Z2 los estimadores de krigeado respectivos:
Figura 7.15: Composicin de krigeados.
Entonces el krigeado Z de V1 V2 es:
Es decir una ponderacin por volmenes o por tonelajes. Esta relacin no es vlida para las varian-
zas; si se desea conocer la varianza es necesario krigear el bloque V1 V2 o bien utilizar una apro-
ximacin.
_________
c). Vecindad de estimacin.
Figura 7.16: Vecindad de estimacin.
Para el krigeado no importa la agrupacin de datos al lado izquierdo del bloque (el krigeado desagrupa la infor-
macin. Cul radio tomar?.
En estricto rigor, el krigeado de un bloque V debera realizarse considerando todos los datos disponi-
bles (krigeado completo). Sin embargo, esta situacin implica clculos muy largos; por otra parte, las
muestras alejadas tendran un peso casi nulo. Por esta razn la prctica recomienda restringirse a una
vecindad de estimacin que puedes ser una esfera o circulo, o bien un elipsoide o elipse (3D y 2D).
Como recomendacin prctica, el radio de bsqueda en una cierta direccin no debe ser inferior al
alcance en esa direccin.
La prctica ha demostrado que, en el espacio de dos dimensiones, con una vecindad que contenga un
promedio del orden de 8 muestras, los resultados son buenos. En el espacio de tres dimensiones la
situacin es ms compleja y debe ser analizada en cada caso particular.
Figura 7.17: Espacio 3D, bsqueda de parmetros.
En el espacio 3D hay que elegir los parmetros de bsqueda de manera de que se produzca
interpolacin entre los sondajes. En el grfico anterior se observa que quedarn bloques mejor esti-
mados que otros y habr que categorizarlos en medidos, indicados e inferidos.
__________
d). Estrategia de bsqueda.
Esta estrategia establece los parmetros que hay que utilizar para la bsqueda de compsitos a uti-
lizar en la estimacin del bloque. Dependiendo del software utilizado, estos parmetros son:
Radios de bsqueda (Rx, Ry, Rz). En primera aproximacin se pueden utilizar los alcances del
variograma en las direcciones (x, y, z), en una vecindad con forma de elipsoide.
Figura 7.18: Elipsoide de bsqueda.
En algunas situaciones este elipsoide puede estar inclinado, el centroide es el centro de gravead del
bloque.
Minimo K de muestras para krigear. Sirve para controlar el caso en que solo una muestra cae
en la vecindad. Si, por ejemplo, se pone K = 2, solo se krigearan los bloques que tengan dos o
mas datos en la vecindad.
Maximo r de muestras para krigear. Si se pone, por ejemplo r = 32, entonces cuando en la ve-
cindad de un cierto bloque existan mas de 32 compsitos, solo se utilizarn en la estimacin
los 32 compsitos ms cercanos al centro del bloque. Este parmetro se usa para mayor velo-
cidad de los clculos.
Mximo I de muestras por octante. Si se pone, por ejemplo I = 2, en cada octante se utilizarn
las dos muestras ms cercanas al centro del bloque.
Figura 7.19: Octantes para la aplicacin del krigeage.
_________
Qu pasa si existen sondajes aproximadamente horizontales en el caso de la izquierda?. Algunos
paquetes computacionales utilizan el hemisferio superior e inferior, en el caso de la derecha.
El objetivo de este parmetro es desagrupar (pero, dadas las propiedades del krigeado. Se justifica su
uso?.
Mximo s de compsitos por sondaje. Si se pone, por ejemplo s = 2, en cada sondaje se utiliza-
r un mximo de 2 compsitos, los ms cercanos al centro del bloque. El objetivo de este pa-
rmetro es forzar la interpolacin entre sondajes.
Los parmetros I y s deben ser utilizados con precausion. Para no introducir artefactos, es recomenda-
ble que estos valores sean altos, lo que hace que su uso no sea interesante. (ver figuras 20, 21 y 22).
Figura 7.20: Sondaje inclinado con parmetro I=1.
Al usar los octantes con I = 1, se utilizan exclusivamente los compsitos 1 y 5. Luego hay que usar un I
mayor.
Figura 7.21: Sondajes inclinados con parmetro s=1.
Al usar un mximo de s = 1 de compsitos por sondaje, slo se usan los compsitos 8 y 3 (casi a la
misma cota que el bloque), sin tomar en cuenta la variacin en la vertical. Luego hay que usar un s
mayor.
La figura 7.22 ilustra un perfil de una mina estimado por octantes (mximo 2 compsitos) y el mismo
perfil estimado con un mximo de 32 compsitos en la vecindad (sin octantes y sin mximo de comp-
sitos por sondaje).
__________
Figura 7.22: Perfil de una mina estimado por octantes.
A la izquierda se presenta la estimacin por octantes y mximo por sondaje (se produce el efecto pan
queque). A la derecha no existen restricciones. Todos los sondajes (no dibujados) son verticales. Los
compsitos tienen un largo igual a la altura del banco.
7.6. CASOS DE ESTUDIO SOBRE KRIGEADO PUNTUAL
Ejemplo N 1: Los siguientes valores representan una configuracin respecto a una pequea sec-
cin de un yacimiento, que sigue un modelo exponencial, cuyos parmetros son a=10m y S =
10m. Estimar la Ley en el Punto X0(65E, 137N) y calcular el error de estimacin.
DATA
N Muestra COORD. ESTE (metros) COORD. NORTE (metros) LEY PPM
1 61 139 477
2 63 140 696
3 64 129 227
4 68 128 646
5 71 140 606
6 73 141 791
7 75 128 783
MODELO EXPONENCIAL
h
h s1 exp
a
Parmetros:
a= 10
S= 10
Configuracin geomtrica para el clculo de distancias entre la muestra X1, con respecto a las
dems muestras.
_________
Figura 7.23: Esquema para el clculo de distancias de X1 a las dems muestras.
Figura 7.24: Clculo de distancia de X1 a la muestra X2.
Con este procedimiento calculamos todas las distancias entre las muestras, obteniendo los siguientes
resultados:
Matriz de Distancias
X1 X2 X3 X4 X5 X6 X7
X1 0 2.235 10.440 13.038 10.05 12.166 17.804
X2 2.235 0 11.045 13 8 10.04987562 16.971
X3 10.440 11.045 0 4.123 13.038 15 11.045
X4 13.038 13 4.123 0 12.369 13.9288 7
X5 10.046 8 13.038 12.369 0 2.2367 13.601
X6 12.166 10.05 15 13.928 2.236 0 13.153
X7 17.804 16.971 11.045 7 13.601 13.1534 0
En base a las distancias del cuadro anterior, calculamos los variogramas entre la muestras del yaci-
miento. Figura 7.23. Usando el modelo exponencial con los parmetros dados.
h
h s1 exp
a
__________
Matriz de Variogramas
X1 X2 X3 X4 X5 X6 X7
X1 0 2,00 6,48 7,29 6,34 7,038 8,31
X2 2,01 0 6,69 7,27 5,52 6,34 8,17
X3 6,48 6,694 0 3,38 7,29 7,77 6,69
X4 7,29 7,27 3,38 0 7,21 7,52 5,03
X5 6,34 5,52 7,29 7,1 0 2,00 7,43
X6 7,038 6,34 7,77 7,52 2,0 0 7,32
X7 8,31 8,17 6,69 5,03 7,43 7,32 0
Clculo de distancias entre el punto a estimar X0 y las dems muestras implantadas en el yacimiento.
Figura 7.25: Esquema para el clculo de la distancia de X0 a las dems muestras.
Matriz de Distancias
X0
X1 4.472
X2 3.61
X3 8.062
X4 9.487
X5 6.708
X6 8.944
X7 13.454
Clculo de variogramas, usando el modelo exponencial con sus respectivos parmetros y reemplazan-
do las distancias del vector h.
_________
Matriz de Variogramas
X0
X1 3,60583988
X2 3,03021002
X3 5,53448257
X4 6,12755886
X5 4,88700625
X6 5,91147163
X7 7,39564487
Reemplazando todos los datos en la matriz de krigeado puntual, tenemos:
0 2,0 6,48 7,29 6,34 7,04 8,314 1 1 3,606

2,0 0 6,69 7,27 5,51 6,34 8,17 1 2 3,030
6,48 6,69 0 3,38 7,29 7,77 6,69 1 3 5,534
7,29 7,27 3,38 0 7,4 7,52 5,034 1 4 6,128
6,34 5,51 7,29 7,1 0 2, 3 7,434 1 5 4,887
7,04 6,34 7,77 7,52 2, 0 7,32 1 6 5,911
8,31 8,17 6,69 5,03 7,43 7,32 0 1 7 7,396
1 1 1 1 1 1 1 0 1
Resolviendo la matriz, tenemos los siguientes resultados:
Ponderadores de Kriging
1 0,17477219
2 0,39202394
3 0,14133432
4 0,07281127
5 0,21743227
6 -0,01975261
7 0,02137862
-0,04189247
Clculo de la Ley en el punto X0.
__________
Ejemplo N 2: En un yacimiento de plomo, se tiene un conjunto de 4 muestras, cuyas leyes son:

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

Esquema matricial a utilizar para el clculo de los ponderadores de Kriging.
1 1
1 2
1 3
1 4
1 1 1 1 0 1
Matriz de distancias entre muestras

X1 X2 X3 X4
X1 0 111,803 111,803 111,803
X2 111,803 0 70,711 158,114
X3 111,803 70.711 0 100
X4 111,803 158.114 100 0
_________
Clculo de los variogramas usando el modelo esfrico
X1 X2 X3 X4
X1 0 51,966 51,966 51,966
X2 51,966 0 34,275 68,242
X3 51,966 34.275 0 47,144
X4 51,966 68.242 47.144 0
Clculo de distancias entre el punto a estimar X0, con respecto a las dems muestras.
Matriz de distancias
1 2 3 4
X0 50 100 70,711 70,711
Clculo de los variogramas, usando el modelo esfrico para cada distancia del vector h.
1 2 3 4
X0 24,568 47,144 34,275 34,275
Reemplazando los variogramas calculados, en la matriz de Krigeado, tenemos:
Resolviendo la matriz, tenemos los siguientes resultados:
1 = 0.464
2 = 0.03
3 = 0.243
4 = 0.264
= -3.289
Ley estimada
__________
Error de estimacin
5.19 %
_________
REFERENCIA BIBLIOGRFICA
- 136 -
Anexo 1
Data Yacimiento de Carbn
Coal Project data
sulfuros
Coord. X Coord. Y Elevacin Potencia Valor Calorfico (MJ) Ceniza (%) (%)
9500 12600 605.90 1.84 22.26 19.29 0.83
9650 12600 605.10 1.73 21.36 19.97 0.78
9950 12600 601.50 1.65 22.34 19.09 1.03
10100 12600 601.50 2.22 22.19 21.96 1.11
10250 12600 601.30 2.54 22.43 18.55 1.03
10550 12600 602.60 2.65 24.07 17.63 1.24
10850 12600 603.20 2.84 22.11 18.65 0.86
9500 12750 604.70 2.18 20.90 20.59 0.99
9650 12750 604.50 2.08 21.70 20.49 0.89
9800 12750 604.50 1.47 20.83 20.74 1.07
10100 12750 601.70 2.17 23.19 18.65 1.12
10400 12750 601.10 3.10 24.34 17.53 1.29
10550 12750 601.60 3.11 25.55 14.60 1.15
10700 12750 599.50 3.29 25.23 16.47 0.93
10850 12750 600.10 3.26 23.48 19.29 0.99
11000 12750 599.20 2.95 24.23 16.11 1.02
9500 12900 606.10 1.94 21.84 20.66 1.10
9650 12900 605.40 2.29 20.58 21.23 0.98
9800 12900 604.00 1.71 21.35 21.81 0.97
9950 12900 602.50 2.13 24.02 17.68 0.83
10100 12900 601.40 2.35 23.53 18.24 0.93
10250 12900 599.70 3.07 23.36 16.96 1.00
10400 12900 599.70 2.80 24.53 16.73 0.71
10550 12900 600.80 3.10 24.67 17.53 0.93
10700 12900 598.90 3.26 25.19 15.84 1.12
11000 12900 598.70 2.90 24.43 16.86 0.95
9500 13050 605.80 2.23 21.36 20.40 1.15
9650 13050 605.80 1.94 20.78 21.08 0.75
9800 13050 604.10 1.94 21.73 20.48 0.95
9950 13050 602.70 2.42 23.28 17.51 1.11
10100 13050 599.00 2.71 24.56 17.18 1.14
10250 13050 599.40 2.71 25.50 16.14 1.21
10400 13050 598.40 2.99 24.89 16.50 1.14
10550 13050 597.90 2.85 23.19 18.57 0.78
10700 13050 598.10 2.83 24.48 17.75 1.14
10850 13050 598.00 3.08 25.19 18.10 1.21
9500 13200 606.60 2.11 23.43 19.91 1.04
9650 13200 606.30 1.74 22.68 20.16 0.77
9800 13200 603.90 2.18 24.04 17.24 1.00
10100 13200 600.20 2.82 24.57 15.80 0.91
10250 13200 599.20 2.75 26.29 14.85 1.09
10400 13200 597.00 2.74 26.85 14.00 1.01
10550 13200 598.90 2.87 25.64 15.46 0.97
10700 13200 601.30 2.63 26.03 14.58 1.04
10850 13200 600.00 2.31 26.62 16.65 1.04
11000 13200 600.30 2.46 25.80 13.04 1.07
9800 13350 603.60 2.11 24.91 17.71 1.21
9950 13350 602.30 2.37 24.94 16.14 0.84
- 137 -
10250 13350 600.40 2.55 27.31 14.82 1.30
10400 13350 599.80 3.01 28.72 11.60 1.22
10550 13350 600.90 2.76 26.55 14.97 0.97
10700 13350 601.30 2.14 28.22 12.06 1.40
10850 13350 600.60 1.85 27.05 12.69 1.17
11000 13350 600.40 1.97 25.97 16.19 0.96
9500 13500 608.20 2.34 21.47 19.89 0.82
9650 13500 606.80 2.42 23.07 19.02 1.09
9800 13500 604.50 2.20 23.76 18.41 1.00
9950 13500 603.10 2.30 26.80 14.28 1.16
10250 13500 601.50 2.45 28.98 12.51 1.27
10400 13500 602.90 2.43 29.55 11.38 1.28
10550 13500 603.00 2.68 29.56 12.03 1.11
10850 13500 603.00 1.58 28.38 13.05 1.25
9500 13650 608.80 2.13 20.97 21.93 0.87
9650 13650 608.10 2.17 23.41 17.99 0.88
10100 13650 606.10 2.00 25.61 16.79 1.10
10250 13650 605.40 2.17 29.30 12.59 1.40
10400 13650 605.30 1.95 30.46 11.92 1.37
10550 13650 604.80 2.12 28.27 10.91 0.99
10700 13650 605.90 1.53 28.41 12.12 1.21
11000 13650 603.70 2.01 27.15 13.79 1.25
9500 13800 611.00 1.96 21.13 20.92 1.06
9650 13800 610.10 2.26 22.67 18.73 0.85
9800 13800 608.30 2.03 21.86 18.78 0.98
10100 13800 606.90 2.14 25.62 13.93 1.05
10250 13800 607.00 2.09 26.60 15.24 1.26
10400 13800 607.10 2.14 28.98 12.42 1.10
10550 13800 606.70 2.16 28.75 11.67 1.13
10700 13800 607.60 1.98 27.17 13.65 1.24
11000 13800 606.80 2.11 26.59 15.62 1.03
9500 13950 614.30 2.17 19.92 23.02 0.93
9650 13950 614.20 1.71 21.19 22.15 1.09
9950 13950 607.90 1.89 23.54 17.34 0.86
10250 13950 608.30 2.11 24.82 18.99 1.35
10400 13950 608.20 2.21 26.11 14.20 0.84
10700 13950 608.40 2.04 25.39 17.49 1.22
10850 13950 607.80 1.73 26.62 13.05 1.05
11000 13950 605.30 1.66 25.75 16.10 1.34
9500 14100 615.50 1.83 20.45 21.53 0.77
9800 14100 612.20 1.54 22.80 19.73 0.96
9950 14100 611.60 1.30 23.85 17.36 1.02
10100 14100 609.20 1.89 24.58 18.17 0.87
10250 14100 610.00 2.13 24.25 17.23 0.92
10400 14100 609.80 2.36 24.71 16.50 1.09
10700 14100 608.60 1.94 24.29 18.16 1.09
10850 14100 606.80 1.75 25.24 16.37 1.11
11000 14100 606.90 1.69 25.57 14.63 1.03
__________
Anexo 1 Data Yacimiento de Carbn 139
CALCULOS PREVIOS
VARIABLE VALOR
n 96
min 19.92
max 30.46
Rango 10.54
k 8
w 1.32
DISTRIBUCION DE FRECUENCIAS
INTERVALOS
Xi fi hi Fi Hi hi*100 Hi*100
Li Ls
19.920 21.240 20.580 9 0.094 9.000 0.094 9.375 9.375
21.240 22.560 21.900 13 0.135 22.000 0.229 13.542 22.917
22.560 23.880 23.220 15 0.156 37.000 0.385 15.625 38.542
23.880 25.200 24.540 21 0.219 58.000 0.604 21.875 60.417
25.200 26.520 25.860 15 0.156 73.000 0.760 15.625 76.042
26.520 27.840 27.180 11 0.115 84.000 0.875 11.458 87.500
27.840 29.160 28.500 8 0.083 92.000 0.958 8.333 95.833
29.160 30.480 29.820 4 0.042 96.000 1.000 4.167 100.000
Presentacin
_________
__________

Geo Estadistica Minera

Cargado por

Información del documento

Título 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

Geo Estadistica Minera

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN" - TACNA

ING. JORGE SEGURA DVILA

2.1. Conocimiento del Problema 6

3.1. Variables Regionalizadas 29

4.1. Variograma Experimental 43

4.7. Mapa de Variograma 77

5.1. Modelado de Variogramas 82

6.1. Enunciado del Problema: 98

7.1. Introduccin 112

Referencia Bibliogrfica 136

Organizacin del libro

A continuacin describiremos brevemente el contenido del libro:

1.- Introduccin: Geoestadstica, antecedentes histricos, sntesis evolutiva, definicin y objetivos,

Msc. Jorge Segura Dvila

El punto de partida para la formalizacin del modelo geoestadstico de un fenmeno natural es el

1.8. ANTECEDENTES HISTRICOS

D2(v/G) = D2(v/V) + D2(V/G)

Que la Geoestadstica demostrar formalmente. A partir de estas consideraciones Krige y Sichel

En resumen la escuela sudafricana da inicio al origen de la Geoestadstica, al establecer y acla-

1.9. SNTESIS EVOLUTIVA

1962 Teoria formal de la Geoestadstica.

1980 Maduracin, consolidacin.

1.10. DEFINICIN Y OBJETIVOS

Resolver de manera satisfactoria los problemas de estimacin

1.11. NECESIDAD DE LA GEOESTADSTICA

1.12. APLICACIONES DE LA GEOESTADSTICA

La Geoestadstica se aplica a diversos problemas de caracterizacin del fenmeno natural y a la

Control de calidad y control de datos.

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

En la actualidad, el Per experimenta un desarrollo cada vez mayor de la aplicacin de la Tcni-

El problema a resolver implica dos pasos fundamentales:

2.7. CONCEPTOS NECESARIOS DE ESTADSTICA BSICA

Con el objetivo de conocer la informacin disponible se puede hacer un anlisis de la estadstica

A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la distribucin de

n = nmero de datos contenidos en la muestra.

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

Si ordenamos los datos en orden ascendente podemos calcular la mediana como.

n = nmero de datos contenidos en la muestra.

8.- Coeficiente de asimetra: Describe la simetra de la distribucin relativa a la distribucin

n = nmero de datos contenidos en la muestra

n = nmero de datos contenidos en la muestra

y en porcentaje como: 100 CV = 100 (S/Xm) %

Proporciona una comparacin entre la variacin de grandes valores y la variacin de pequeos

4.- Distribucin Normal:

La distribucin normal o gaussiana es el modelo ms importante y de mayor uso de todas las

DEFINICION: Se dice que una V.A. X se encuentra normalmente distribuida si su funcin de

2 * para - < x < - < < >0

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

Limites de confianza para n>25

Central 95% x 1.96 ; x 1.96

Limites de confianza para n>25

Limites de confianza para n<25

Lmite central (1-2p)

5.- Funcin de Distribucin Acumulativa:

Donde y son la media y la desviacin estndar de X respectivamente. De acuerdo con lo ante-

Funcin de distribucin acumulativa

Donde Fz (z;0,1 ) es la funcin de distribucin acumulativa de la funcin de probabilidad normal es-

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

Considerando la constante de aditividad , tendramos:

= valor estimado de la Ley Media.

Puede ocurrir que, al representar los datos logartmicos en un diagrama de probabilidad, no se

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

Obtendramos la siguiente funcin de probabilidad Normal

INTERVALO Xi fi hi Fi Hi hi100 Hi100