Estimacin de Reservas

R. Oyarzun

Introduccin
A lo largo de estos captulos hemos estudiado el porqu y cmo se prospectan los
yacimientos minerales. En ste entraremos a analizar lo que ocurre una vez que hemos
encontrado un depsito mineral. Aqu estudiaremos los aspectos ms bsicos de una de las
labores ms complejas y de mayor riesgo econmico en las que puede verse implicado un
gelogo: la estimacin de reservas (cubicacin).

Las muestras a partir de las cuales se estiman las reservas de un yacimiento representan una
fraccin mnima de ste. Por ejemplo, en la evaluacin del pequeo prfido cuprfero de
Copper Flat (Nuevo Mexico, USA), se recuperaron a partir de una malla densa de sondeos,
unas 200 TM (toneladas mtricas) de testigos. De esas toneladas se utiliz una fraccin
solamente para anlisis qumicos, y con este material se definieron:

60 x106 TM de mineral.
150 x 106 TM de estril.

Comprendamos de esta manera el grado de dificultad que se encuentra implcito en este

tipo de trabajos. Si el gelogo se pasa (sobreestima), la compaa puede empezar unos
trabajos mineros que no sern rentables. Si se queda corto (subestima), la compaa puede
tomar la decisin de abandonar un prospecto que era rentable. En estas operaciones pueden
haber cientos, si no miles de millones de Euros en juego.

Existen reglas claras para "afinar la puntera" ? desgraciadamente no, y solo podramos
mencionar dos herramientas indiscutibles:

Entender la geologa del prospecto, ya que sin una compresin adecuada de sta,
puede dar lo mismo el grado de refinamiento matemtico que se emplee, que las
probabilidades de cometer un grave error sern altas. Recuerde: las reservas las
estima un gelogo, no un ordenador ni un paquete de software. Somos gelogos, no
"aprietabotones". Por ejemplo, antes de aprender a utilizar el sistema Navstar
(navegacin va satelital), un oficial de la marina tiene que aprender a utilizar el
sextante para determinar la posicin de su barco.
Entender el modelo de yacimiento que estamos aplicando, siendo lo
suficientemente flexibles como para modificar nuestra perspectiva si los datos no se
ajustan al modelo. Recuerde Olympic Dam (captulo anterior).
Analicemos el siguiente ejemplo. En negro observar las intersecciones entre los
sondeos y la masa mineral. Arriba tenemos la interpretacin de la morfologa de los
cuerpos por parte del gelogo, y abajo la forma real de stos. La diferencia en tonelaje
es evidente, con el caso superior correspondiendo a una sobreestimacin. Se podra
evitar sto ? s, por ejemplo, con un buen control de la geologa en superficie. Note que
las dos situaciones se corresponden a su vez, a marcos geolgicos notablemente
diferentes. Importante: 1) sin sondeos no se puede evaluar un prospecto; 2) sin un
control geolgico riguroso, no se debe empezar a sondear.

Cabe destacar que los depsitos minerales eran evaluados, y sus reservas estimadas, mucho
antes de que aparecieran los ordenadores y los mtodos geoestadsticos. Se medan reas, se
estimaban volmenes y tonelajes, y las leyes se promediaban utilizando papel y lpices,
regla de clculo o calculadoras mecnicas. Esos resultados no eran peores (y en algunos
casos eran considerablemente mejores) que algunas estimaciones modernas por
geoestadstica con pobre control geolgico.

Antes de continuar, necesitamos definir de la manera ms precisa posible tres trminos

relacionados con la estimacin de reservas. Se trata de los contactos de tipo geolgico,
mineralgico, y econmico. Para evaluar un recurso tenemos que pensar en trminos de
estos tres conceptos:

Contacto geolgico: los lmites litolgicos y/o estructurales de una determinada

unidad.
Contacto mineralgico: definido por la extensin de la masa mineral (recurso
"geolgico"); puede o no coincidir con los contactos geolgico (puede ir ms all de
una determinada litologa) y econmico (a partir de un punto las leyes pueden ser
subeconmicas).
Contacto econmico: los lmites del material a partir del cual se pueden obtener
ganancias (cut off grade).

Contactos de tipo geolgico, mineralgico, y econmico.

La estimacin de reservas es mucho ms que una mera proyeccin espacial (3D) de las
leyes (por ejemplo, % Cu, g/t Au, etc). Para determinar el verdadero valor de un yacimiento
necesitaremos adems determinar y proyectar los siguientes parmetros:

Peso especfico de la roca mineralizada.

Potencia de la roca mineralizada.
Tipo de mena (mineraloga).
Estimacin del grado de recuperacin metalrgica.
Contenido en humedad.
Competencia de la roca RQD.

A partir de este punto, nos concentraremos en los aspectos estadsticos bsicos de la

proyeccin de datos de leyes.
 Metodologa clsica
En esencia, una estimacin de reservas consiste en definir un volumen, al cual se le aplica
una ley y una densidad (peso especfico):

T = A x P x PE

Donde:

T: es el tonelaje del sector del depsito bajo evaluacin.

A: el rea; visualizacin 2D del sector del depsito bajo evaluacin; normalmente una
seccin vertical en cuerpos mineralizados irregulares.

P: la potencia; distancia horizontal aplicada a dicha seccin.

PE: el peso especfico de la roca mineralizada.

Si al resultado le aplicamos una ley concreta (e.g., 2.3 % Cu), entonces tendremos
toneladas con una ley especfica (e.g., 2500 toneladas a 2.3 %Cu).

En el caso de la determinacin de la ley media de un sondeo tendremos:

Si d son los tramos del sondeo (medidos en metros) y l las leyes de dichos tramos, entonces
la ley media del sondeo ser:

Leymedia = l i x di / di

En el caso de la determinacin de la ley media de una seccin de un depsito tendremos:

Leymedia = l DDHi x Ai / Ai

Esta metodologa es particularmente til en la estimacin del tonelaje de cuerpos

mineralizados irregulares.
Ejemplo de una seccin. Primero calcularemos las leyes medias de los sondeos (DDH).
A continuacin aplicaremos esa ley al rea que resulta de aplicar la distancia media
entre los sondeos (reas definidas por las lneas de segmento). Calcularemos las reas
mediante planimetra, y determinaremos la ley final de la seccin como:
Leyseccin = l DDHi x Ai / Ai.

Y para obtener un volumen al que aplicarle las leyes y pesos especficos, as tendremos:

Una vez determinadas las leyes de cada seccin, lo que debemos hacer es calcular los
volmenes. En el ejemplo que muestra la figura, el volumen de roca mineralizada ser
igual a: (A1 + A2) x 0.5D, siendo D la distancia entre las secciones A1 y A2.
Otro sistema es el denominado mtodo de los polgonos. Este mtodo ha sido utilizado por
la industria minera durante dcadas. Es un mtodo simple, las matemticas son fciles, y las
estimaciones pueden ser realizadas de manera rpida. Se emplea principalmente en cuerpos
tabulares (e.g., filones). Lo sondeos se dirigen normalmente a 90 con respecto a la masa
tabular bajo evaluacin. Para la construccin de los polgonos se pueden emplear dos
procedimientos:

Bisectores perpendiculares.
Bisectores angulares.

Mtodos de los bisectores perpendiculares y bisectores angulares. Los pequeos

crculos representan las posiciones de los sondeos, el crculo negro, indica el sondeo
central. En el primer caso (a), el polgono ser construido trazando perpendiculares a
las lneas de segmento (bisectores perpendiculares), que unen los sondeos perifricos
con el sondeo central. Dicha perpendicular pasar por el punto medio de las lneas de
unin. En el segundo caso (b) el polgono se construye intersectando las bisectrices de
los ngulos que se forman al unir los distintos puntos (bisectores angulares). A cada
polgono se le asignar una potencia (espesor de la masa mineralizada econmica: Th)
y una ley (G). La ley se determinar de la siguiente manera (a): LeyABCDE = Ley1 x 0.5
+ Ley2 x 0.1 + Ley3 x 0.1 + Ley4 x 0.1 + Ley5 x 0.1 + Ley6 x 0.1, donde 1 es el sondeo
central, y 2-6 los perifricos.

Ejemplo real de aplicacin del mtodo de los polgonos (cuerpo mineralizado

estratoligado aurfero de Hemlo, Canad). El depsito tiene una orientacin E-W,
buzando 65N. El cuerpo ha sido proyectado en una seccin vertical. Note los distintos
fondos, en blanco (polgonos), reservas probadas; en puntos reservas probables; en
blanco (bordeando los zonas de puntos), reservas indicadas (posibles).

Hasta aqu los aspectos ms bsicos de la estimacin de reservas. Para continuar

necesitamos incorporar tres conceptos claves para entender la estimacin dereservas en su
perspectiva econmica real:

La dilucin de leyes.
El coeficiente de extraccin.
La recuperacin de metal.
Resulta prcticamente imposible extraer solo el material econmico en una mina, de tal
manera que durante el proceso de la voladura de roca, quedar siempre incluido material
estril (lo cual lleva a la dilucin de leyes). Las causas son las siguientes:

Sobrevoladura: material que est fuera de los lmites econmicos del cuerpo
mineralizado queda incluido en el material extrado.
Dilucin interna: material subeconmico que se encuentra incluido dentro del
cuerpo econmico y que no puede ser segregado.
Dilucin de reemplazo o contacto: si el contacto estril/mineral es muy irregular
(y esto suele bastante normal), el resultado ser que un volumen equivalente de
material estril substituir al material econmico. Aunque la voladura de roca es un
arte que en ocasiones roza la perfeccin, tampoco se le pueden pedir milagros.

Ejemplo de dilucin de reemplazo. La lnea continua marca el contacto econmico-

mineralgico, la de segmento, lo que por ingeniera se puede obtener (contacto
promedio). Observe como en el material que se va a arrancar, entran zonas de
mineralizacin subeconmica o estril (waste), y como a su vez, zonas de mineral
econmico (ore) queda afuera.

Las minas operan con valores establecidos de dilucin, que deben ser aplicados a las
determinaciones de tonelaje realizadas por los gelogos (dilogo ingeniero de minas
gelogo).

A esto hay que sumarle el concepto de mineral extrable. Es prcticamente imposible

extraer el 100 % del material econmico de una mina. En el caso de una mina subterrnea
es fcil de entender esta situacin, pero tengamos en cuenta, que en cierta medida lo mismo
se aplica a las minas a cielo abierto. Si queremos que la mina no colapse, obviamente no se
podr extraer de ella todo el material que queremos.
Por ejemplo, a lo mejor solo el 80% del material ser susceptible de ser extrado si se desea
mantener lmites adecuados de seguridad. As, y siguiendo este ejemplo,para una reserva
"geolgica" de 10.000 TM de mineral al 2.3 % Cu, con un factor de extraccin del 80
%, y una dilucin del 10 % tendremos:

10.000 x 0.8 = 8.000 TM al 2.3 % Cu

Si aplicamos a esta cifra una dilucin del 10 % tendremos:

8.000 x 1.1 = 8.800 TM

y la ley diluida ser de:

Leyfinal = (8.000 x 2.3 %)/8.800 = 2.09 % Cu

Con lo cual tendremos al final de nuestras cuentas: 8.800 TM al 2.09 % Cu. Recuerde,
bajo un punto de vista exclusivamente geolgico, las reservas eran inicialmente de 10.000
TM al 2.3 % Cu.

Esto en lo que se refiere a la parte "minera" del problema. Pero a sto tenemos que
agregarle la problemtica de la recuperacin metalrgica del metal en cuestin. Sigamos
con el mismo ejemplo.

Una tonelada de material de mina al 2.09 % Cu contiene 20.9 kilos de cobre. Si este
material da unos 65 kilos de concentrado al 30 % Cu, entonces tendremos:

65 kg x 0.30 = 19.5 kg

y la recuperacin metalrgica ser entonces de:

19.5/20.9 = 0.93 (93 %)

Como podemos apreciar, los valores que obtenemos de la estimacin de reservas

constituyen solo una primera aproximacin al tema ms importante a considerar, esto es, la
viabilidad econmica de recurso mineral. Por eso, el que un recurso sea o no explotable
va mucho ms all de una estimacin de cuantas toneladas y con qu leyes.

Adems, si recordamos lo estudiado en captulos anteriores, tambin debemos considerar

aspectos tan variados como son el panorama de la economa mundial(ciclo de
crecimiento, ciclo recesivo ?), el tecnolgico (requerirn las nuevas tecnologas el metal o
mineral en cuestin ?), el ambiental (ser permitido extraer y procesar el recurso en un
determinado sitio ?), y por qu no, el poltico (que sistema de gobierno impera en una
regin, peligro de golpes de Estado, guerrillas? ).Todos estos aspectos estn adems
relacionados entre s de una manera u otra.
 Mtodos geoestadsticos: una introduccin al tema
Supongamos que tenemos un conjunto de datos (1: fichero Excel) de leyes repartidas en un
espacio XY, y asignamos a cada muestra un smbolo con un tamao proporcional a su
valor:

A la izquierda representacin de las muestras del conjunto 1, el tamao de los puntos

es proporcional al valor de cada una; a la derecha una representacin 3D de la
distribucin.

Para este conjunto de datos la media es 0.93 y la desviacin estndar igual a 1.20 (valores
redondeados). A continuacin realizaremos lo siguiente, consideraremos un nuevo conjunto
de datos (2: fichero Excel), equivalente al anterior en cuanto a nmero de muestras y
posicin de los puntos de muestreo, pero donde los valores de las muestras han cambiado
de posicin:
A la izquierda representacin de las muestras del conjunto 2, el tamao de los puntos
es proporcional al valor de cada una; a la derecha una representacin 3D de la
distribucin.

Si realizamos los clculos estadsticos correspondientes, descubriremos que la media

nuevamente es 0.93 y la desviacin estndar igual a 1.20. En otras palabras, los conjuntos 1
y 2 son estadsticamente equivalentes. Sin embargo, resulta evidente, bajo cualquier
punto de vista, que la distribucin espacial XY de los valores es substancialmente diferente
en cada caso: en el primero existe una cierta dispersin de los valores, mientras que en el
segundo, estos se agrupan de acuerdo a dostrends de direccin NW bien definidos. De
alguna manera podramos intuir que en el primer caso la distribucin de los valores es ms
bien aleatoria mientras que en el segundo distinguimos una marcada anisotropa.

Resulta claro que la estadstica clsica no resulta una herramienta til para tratar casos de
esta naturaleza, los cuales por otra parte, son comunes en geologa, ya que no trabajamos
con datos abstractos, sino que estos tienen una distribucin en el espacio. Es decir, para
cada muestra, con coordenadas XY, existe al menos un valor Z. Este ltimo puede
corresponder a una concentracin de cobre y/o zinc en un punto XiYi, o bien a un valor de
emisin de gases de mercurio, o cualquier otro ejemplo que se nos venga a la mente.

La pregunta es entonces como poder relacionar los valores con sus posiciones en el
espacio ? y ms importante aun como relacionar dichos valores entre s ? Este es el
requisito bsico para poder interpolar datos y obtener una informacin grfica sobre las
tendencias mostradas por las variables (kriging).

Esto se obtiene mediante la herramienta ms bsica de la geoestadstica, el variograma, una

funcin matemtica que nos permite estudiar las diferencias entre muestras y la
direccionalidad (anisotropa) de los valores.

Realicemos la siguiente abstraccin mental, si la distancia h entre dos muestras es igual a 0,

la diferencia entre los valores de estas ser nula (y la varianza = 0). Si ambas muestras
estn muy cerca, existir una diferencia, pero esta, expresada como la varianza, ser muy
pequea. Sin embargo, a medida que las muestras estn ms alejadas, llegar un momento
en el cual deje de haber una relacin entre las muestras. Como podemos determinar esto
? mediante la construccin matemtica de un variograma experimental y su ulterior
modelizacin.

En trminos muy simples podemos definir el variograma como la media de los cuadrados
de las diferencias entre pares de muestras separados por una distancia h:

(h) = 1/2n [Z(xi) - Z(xi + h)]2

Donde:

h = distancia entre los pares.

n = nmero de pares.
Z(xi) = la localizacin y valor de la muestra.
Ejemplo clsico de un variograma experimental ajustado al llamado modelo
esfrico. La varianza crece sistemticamente hasta a (rango o alcance) distancia a
partir de la cual las muestras empiezan a ser independientes unas de otras. El
sill muestra la zona de la curva donde los valores ya no se correlacionan.

A diferencia del caso anterior, donde la curva empieza en el origen del sistema XY
(varianza 0), aqu observamos el denominado efecto pepita (Nugget), el que se debe a
fluctuaciones aleatorias de la variable o a errores en el muestreo.

Pero como se construye un variograma experimental ? de donde salen los puntos en un

grfico de esta naturaleza ?
Isobel Clark en su obra ya clsica Practical Geostatistics (1979) nos propone el siguiente
ejemplo. Imaginemos una malla cuadrada donde se han tomado una serie de muestras con
determinados valores, y digamos que la distancia entre muestras es de 100.

El primer punto de nuestra funcin (h) vendr dado por (100), esto es, la media de los
cuadrados de las diferencias entre todos los pares de muestras separados por una distancia
de 100 m:
De esta manera obtenemos el primer punto para la construccin del variograma
experimental, donde en el eje Y ( (h)) tendremos un valor de 1.46 y en el X (h) otro de
100. Para conseguir el segundo punto (200) haremos lo siguiente (y as sucesivamente):
Estos puntos aparecern en el variograma experimental de la siguiente manera:

Y as continuaramos con (300), (400), (500), etc. Podramos continuar de esta manera
hasta 800, la mxima distancia muestreada, pero en general, se suele ir (particularmente si
los clculos son a mano), hasta la mitad de la distancia, esto es, 400.
En este caso estamos realizando un variograma experimental E-W, pero como ya hemos
discutido previamente, la distribucin de los valores en el espacio puede variar segn la
direccin en que nos movamos (anisotropa). De ah que sea importante realizar estas
operaciones en al menos tres direcciones en un plano XY: N-S, E-W, y NW-SE, para
comprobar el grado de anisotropa del sistema.

El uso de paquetes informticos modernos permite realizar estas operaciones con mucha
facilidad en ordenadores tipo PC (entorno Windows), y un nmero de ellos, entrega
por default el denominado variograma omnidireccional, esto es, un promedio de los
distintos posibles variogramas que se pueden realizar para diferentes direcciones.

Aunque algunos programas como Surfer8 determinan adems el grado y direccin de la

anisotropa, conviene no obstante cerciorase geolgicamente de la validez del variograma
omnidireccional, esto es, determinar si la anisotropa (o ausencia de esta) detectada tiene o
no sentido. En otras palabras, un programa ser tan bueno o tan malo como quien lo utilice.
Cabe destacar no obstante, que programas como Surfer8 permiten adems realizar
variogramas experimentales en direcciones concretas fijadas por el operador.

De cualquier manera, todo esto es algo ms que pasar los datos (XYZ) a un archivo Excel
y pedirle al programa que nos proyecte los datos de la funcin (h). Una vez que aparezcan
los datos en el grfico (variograma experimental), deberemos seleccionar el modelo que
mejor se ajuste a nuestros datos.

Ya hemos visto al comienzo la representacin del denominado modelo esfrico (con efecto
pepita: nugget). Aunque este suele ajustarse bastante bien a muchos casos en minera o
geoqumica, conviene que conozcamos otros modelos:

Otros modelos de variograma.

Esta fase del trabajo es muy importante, ya que el trabajo de kriging depende totaomente
de: 1) del modelo a utilizar; y 2) del grado y direccionalidad de la anisotropa. En otras
palabras, el kriging ser tan bueno o tan malo como el ajuste previo que hayamos realizado
en el variograma.

Pero qu es kriging exactamente ? al comienzo de esta seccin lo definimos como un

mtodo de interpolacin, aunque como veremos, el kriging aplicado a la estimacin de
leyes y reservas (o a tendencias geoqumicas en trabajos ambientales), es mucho ms que
esto.
Consideremos el siguiente problema, tenemos varios puntos de muestreo, con sus
respectivos valores, y deseamos estimar el valor del punto A:

Se nos ofrecen mltiples posibilidades, empezando por decidir que el punto 1 tendr ms
influencia que, digamos, el punto 5. Sin embargo cunta ms influencia debera tener ?
Aqu entramos en el problema de la ponderacin y los mtodos matemticos clsicos de
interpolacin (inversos de la distancia, inversos de los cuadrados de la distancia, etc). Si
recordamos el caso de la estimacin de leyes mediante el mtodo de los polgonos, dijimos
que un procedimiento comn era asignar el 50 % del valor final al punto central y otro 50
% a los puntos situados en la periferia. En el ejemplo de abajo esto sera 50 % al sondeo del
centro y 50 % a los cinco restantes (10 % a cada uno).

Como en todas las cosas de la vida si funciona no lo cambies (o en ingls: never change a
winning game), pero y qu pasa si nuestra estimacin de leyes no est siendo la mejor
posible o es claramente mala ? Ahora es cuando deberamos recurrir a los mtodos
geoestadsticos, y en particular al variograma, nuestra herramienta bsica.
Existen dos razones principales para hacer esto: 1) el variograma de nos da una medida del
alcance (range) de las muestra, esto es, nos dice hasta adonde en el espacio los valores de
estas son significativos; y 2) nos da una idea de la variabilidad de los valores en el
espacio, esto es, si el sistema es fuertemente anisotrpico, las muestras pueden tener una
mejor correlacin en una direccin que en otra. En otras palabras, el alcance ser
dependiente de la direccin. Si nuestro caso corresponde a un prfido cuprfero, el
comportamiento (dado el tipo geomtrico de mineralizacin) ser ms bien isotrpico, pero
si el ejemplo corresponde a un filn, intuitivamente podemos pensar que la anisotropa en
el sistema ser mayor. Por ejemplo, esperaremos una mayor continuidad a lo largo de la
direccin del filn que de su buzamiento. Por otra parte, la cada de las leyes ser bastante
abrupta cuando salgamos de la estructura mineralizada.

Volvamos al ejemplo de arriba introduciendo las distancias entre los puntos:

Cmo determinamos entonces la ley en el punto A ?

Ahora es cuando todo empieza a tener ms sentido: necesitamos el variograma para

determinar que muestras pueden tener una influencia real en la estimacin de la ley (o
cualquier otra variable que estemos considerando), ya que el alcance (Rango a) nos da
una idea de hasta que distancia existe una relacin entre las muestras. Por ejemplo, si el
alcance determinado por la modelizacin del variograma fuera de a = 100 m, la muestra 5
tendra que ser descartada (est a unos 134 m de distancia del punto A).

A efectos prcticos, todos los clculos son realizados hoy en da por programas
especializados, algunos de los cuales pueden ser muy caros (miles de euros). Opciones
relativamente econmicas son programas como Surfer8 o EcoSSe, que como
contrapartida no permiten el diseo y estudio de bloques (donde realizar la
estimacin: block kriging en el sentido minero del trmino), aunque se puede realizar una
buena modelizacin de variogramas experimentales y desarrollarkriging puntual. De esta
manera se pueden obtener mapas donde la interpolacin de valores en el espacio XY est
controlada por la funcin (h). Volvamos a uno de los ejemplos del principio (datos 2)
trabajando con Surfer8:
 Representacin de los datos del conjunto 2. Esta vez hemos puesto sobre cada punto,
el valor real Z (fichero Excel).

Con estos valores y sus respectivas posiciones en el espacio XY desarrollamos el

variograma experimental, y a partir de este, buscamos el modelo que mejor se ajuste a la
distribucin.
Sin modelizar no tenemos ningn efecto de anisotropa (ver circulo perfecto a la
derecha). La primera funcin que decide el programa en este caso es una de tipo
lineal, la que no se ajusta adecuadamente a la distribucin de puntos.
Pero dado que observamos que existe una tendencia de los puntos hacia el origen del
sistema, con un desarrollo de sill hacia la derecha, modelizamos a un variograma
esfrico (el ejemplo no es perfecto, pero ), y ah empezamos detectar la fuerte
anisotropa del sistema (ver elipse y su orientacin: direccionalidad de los datos).

En este caso, vemos que los datos muestran una tendencia hacia el origen (X = 0; Y = 0),
por lo cual descartamos la presencia del efecto pepita (nugget). Dado que los datos crecen
hasta un determinado punto (alcance = 11.6) y a partir de ah no existe un claro incremento,
podemos modelizar el variograma al tipo esfrico, y determinar la anisotropa del sistema.
Con el modelo, el grado de anisotropa (anisotropy ratio = 2), y la direccin de la misma
(32.51 N57.49), podemos pasar a los clculos de kriging puntual introduciendo estos
datos en el programa:
En la ventana de kriging, seleccionamos opciones avanzadas (izquierda), y una vez en
estas, seleccionamos desde pantalla el variograma modelizado.

El resultado final que se obtiene es un mapa de interpolacin donde nuestros valores Z, se

ajustan a los parmetros introducidos:
Mapa obtenido para el conjunto de datos 2, con los siguientes parmetros: modelo de
variograma: esfrico; anisotropy ratio: 2; direccin N57.49 (32.51).

Lo importante es que ahora podemos estimar el valor de Z en cualquiera de los nodos de la

red:
 Archivo GRD donde podemos estimar el valor de Z en cualquiera de los nodos
generados por el programa. Por ejemplo, el punto rojo arriba a la izquierda tiene un
valor estimado de 0.139.