GEOESTADÍSTICA

Profesor: Roberto Díaz

Mine-Class, cursos online para
profesionales de la minería.
Aprende y capacitate con contenido exclusivo desarrollado
por expertos de la industria. Interactúa en tiempo real con
nuestras clases en vivo.

2
ROBERTO DÍAZ

Ingeniero Civil de Minas, Ingeniero Civil Industrial y Psicólogo

con 27 años de experiencia en minería tanto en Chile como
en Sudáfrica, desarrollando por 14 años cargos de gerente en
varias áreas de la minería. Amplia experiencia en modelamiento
y estimación de reservas, gestión y planificación minera y de
negocios, preparación y evaluación de proyectos de capital y
exploración Brownfield.

• Ingeniero Civil de Minas,

• Ingeniero Civil Industrial
• Psicólogo
• 27 años de experiencia en minería

3
ÍNDICE
BIENVENIDOS AL CURSO 5
ANTECEDENTES GENERALES 5
OBJETIVOS GENERALES 5
OBJETIVOS ESPECÍFICOS 5
TEMÁTICAS 5
METODOLOGÍA DE TRABAJO 5
RESULTADOS ESPERADOS 6
REQUISITOS DE APROBACIÓN 6
EVALUACIONES 6
REQUISITOS DE APROBACIÓN 6
PROGRAMA DEL CURSO 7
UNIDAD I: MODELO GEOLÓGICO 8
UNIDAD II: MODELO DE BLOQUES 14
UNIDAD III: COMPOSITACIÓN DE SONDAJES 15
UNIDAD IV: ANÁLISIS EXPLORATORIO DE DATA 18
UNIDAD I: VARIOGRAFÍA EXPERIMENTAL 23
UNIDAD II: VARIOGRAFÍA ESTRUCTURAL 37
UNIDAD III: VARIOGRAFÍA DE INDICADORES 43
UNIDAD IV: ANÁLISIS DE ANISOTROPÍAS 45
4
BIENVENIDOS AL CURSO

Antecedentes Generales • Análisis variográfico experimental (diferentes tipos de

variogramas)
El curso considera revisar los procesos de estimación de • Análisis variográfico estructural
leyes, modelamiento geológico, análisis estadístico de la data, • Análisis de Anisotropías
variografía experimental y estructural, estimación mediante • Modelos de estimación (kriging ordinario, kriging simple,
Kriging ordinario, Kriging simple, Kriging de indicadores y kriging de indicadores)
simulación condicional y no-condicional de leyes. • Análisis de trends (contactos)
• Validación del modelo de leyes de bloques
Objetivos Generales • Modelos de Simulación de leyes

Entregar los conocimientos básicos para llevar a cabo proceso Temáticas

de estimación de leyes puntuales, cambio de soporte y
estimación de leyes de bloques; asi mismo, entregar las bases • Modelo Geológico
de los procesos de simulación condicional gaussiana y de • Modelo de bloques
indicadores. • Variografía
• Estimación de leyes
Objetivos Específicos • Kriging Ordinario, Simple
• Simulación Condicional (Gaussiana y de Indicadores).
Específicamente, durante el curso desarrollaremos los siguientes
puntos claves que permiten fortalecer el conocimiento de la Metodología de Trabajo
Geoestadística.
La metodología de trabajo del curso estará basada en la
• ¿Como transformar un modelo geológico en un modelo lectura del material de estudio previo a cada clase con el
de bloques?. profesor. Adicionalmente, durante las clases se repasarán
• Análisis estadístico de la Data los conceptos claves de cada modulo mediante la exposición
5
de casos prácticos y relato de experiencias reales. Al final de
cada módulo el alumno deberá desarrollar un trabajo para
evaluar su conocimiento adquirido.

Resultados Esperados

Al final del curso se espera que el alumno haya adquirido los

conocimientos básicos de la Geostadística, análisis de data,
Variografía, estimación y simulación de leyes.

Requisitos de Aprobación

Evaluaciones

Este curso tendrá varias evaluaciones que se realizará en

modalidad online al final del curso (Quiz) y al final de cada
módulo, el alumno deberá desarrollar un trabajo en donde
practicará lo aprendido en el curso. El alumno tendrá una
semana para entregar el trabajo.

Requisitos de Aprobación

Este curso tiene una calificación mínima de un 60% para la

obtención del certificado de aprobación.

6
PROGRAMA DEL CURSO

A continuación se presenta el programa del curso que describe

que módulos y unidades serán revisados en cada uno de las
clases en vivo:

Modelo Geológico/Modelo de Bloques

Modelamiento y Análisis
de Data
Análisis Variográfico
Modelos de Estimación
de Leyes
Modelos de Simulación
Compositación de Sondajes
Análisis exploratorio de la data
Variografía Experimental
Variografía Estructural
Variografía de Indicadores
Análisis de Anisotropías
Cambio de Soporte
Kriging (Ordinario y Simple)
Kriging Puntual y de Bloques
Validación del Modelo de Leyes
Bases de la simulación Condiciconal
Simulación Gaussiana y de Indicadores
Uso de simulaciones en Minería

7
MÓDULO I: MODELAMIENTO
Y ANÁLISIS DE DATA
Equipos de perforación de sondajes
Unidad I: Modelo Geológico
El conocimiento de la geología del yacimiento es un elemento
clave, básico y estratégico que permitirá llevar a cabo una buena
estimación de recursos y posteriormente la determinación
de las reservas.

Para ello es necesario el realizar campañas de sondajes que

son e tres categorías: Greenfield, Brownfield e Infill.

Greenfield: Es aquella exploración que se realiza en aquellos

lugares en donde no hay presencia de actividad minera. Esta
es la primera etapa de las campañas de exploración.

Brownfield: Es la que se hace en distritos mineros ya conocidos

en que se puede estar en búsqueda de nuevos yacimientos
o ampliación de los existentes. Las ampliaciones puedes ser
en extensión o profundización.
Infill: Es la que se realiza para mejorar el nivel de incertidumbre
del conocimiento geológico y se realiza en una malla de
menores distancias entre sondajes. Se conoce también como
exploración de relleno.

Existen dos tipos de perforación de sondajes: Diamantina y

Aire Reverso.
La perforación de los sondajes se realiza con máquinas
especialmente diseñadas con ese objetivo.
8
 Cabezas cortadas de testigos
Perforación con Diamantina:

La perforación diamantina es aquella perforación que se

hace utilizando una broca diamantada para perforar la roca
obteniendo un testigo de la misma, el cual es extraído, registrado
y colocado en cajas porta-testigos para debida protección y
almacenamiento dentro del almacén de testigos (Coreshak).

Para la perforación se usa brocas diamantadas pues el diamante

es el material existente con mayor dureza y conductividad
térmica sobre el planeta, lo cual le permite actuar como
herramienta de corte con gran efectividad para cortar la roca
que se requiere y extraer convenientemente las muestras o
testigos del yacimiento mineralizado.
Testigos (core samples)
9
Perforación con aire reverso:

La perforación con aire reverso es fundamentalmente

diferente de la de diamantina. La principal diferencia es que
la perforación de aire reverso crea pequeñas astillas de roca
(Detritus) en lugar de un testigo solido.

El aire reverso es mucho más rápido que la perforación

diamantina, y también mucho menos costosa.
La perforación con aire reverso requiere de un equipo mucho
más grande, incluyendo un compresor de aire de alta capacidad,
usualmente montado en un camión. El aire es el medio por
el cual el Detritus se moverá hasta la superficie.

Triconos utilizados para moler la roca y generar Detritus. La

profundidad se logra mediante la interacción de pull-down y
sistema de rotación.

10
 • Collar : Contiene el ID del sondaje, las coordenadas Norte,
Este, Elevacion del collar del sondaje; es decir, desde donde
comenzó a perforar en la superficie y el largo total del sondaje.

• Survey : Ccontiene los largos de la muestra, las dimensiones

From y To a lo largo del sondaje, el Azimut y el Dip.

• Assays : Contiene las leyes de la muestra y otros atributos

como alteración, geología, etc.
Ejemplo de Detritus dejado por la perforación de aire reverso.
Existen diferentes protocolos de muestreo de este tipo de
material; de tal forma, de asegurar la validez de los resultados
que se obtienen.

La información de los sondajes se ingresan a una base datos

que consiste en tres archivos: Collar, Survey y Assays.

11
Modelamiento Geológico Tridimensional (Maptek, sf): Existen varios softwares en el mercado que permiten esta
visualización:
Consiste en la representación bidimensional o tridimensional
de un volumen de rocas.
Este puede representar la litología,
mineralización, alteración u otro tipo de característica geológica
del macizo rocoso.
Es una parte fundamental en el procedimiento de estimación
de reservas de un depósito.

¿Porqué hacerlo?

1. Incrementar el conocimiento de la morfología del depósito

y representarlo lo más cercano a la realidad posible
2. Relacionar las unidades en diferentes tipos de modelos
(litología, alteración, etc.)
3. Definir volúmenes de roca en los que la variable a estimar
tenga un comportamiento homogéneo.
Con esta información, el geólogo realiza interpretaciones de
la continuidad espacial de la geología en secciones y plantas
como se muestra a continuación:

Con la utilización de los archivos de sondajes (Collar, Survey

y Assays) se genera una vusalización tridimensional de la
posición de los sondajes para ser revisados y poder comenzar
con la etapa de modelamiento geológico.

12
Con el uso de varias secciones y plantas (interpretación
bidimensional), se realiza un modelamiento tridimensional.
Hay varios softwares que utilizan los wireframes creados por
una serie de triángulos anidados que van formando el cuerpo
mineralizado tridimensional o en 3D.
13
Si las secciones están muy separadas, se generan zonas muy
triangulares como se observa en la figura 7 y se deben crear
más secciones para lograr un cuerpo mas suavizado que
represente mejor la forma tridimensional del cuerpo mineral;
sin embargo, hace muy poco tiempo está en el mercado
el software Leapfrog que mediente modelos matemáticos
permite una mejor interpretación de los cuerpos minerales.
Actualmente, muchos softwares están siguiendo esta modalidad
de modelamiento implicito
Unidad II: Modelo de bloques
Esta unidad será tratado en mayor detalle en los siguientes
módulos; sin embargo, el objetivo de los ingenieros de mina
es tener un modelo de bloques con leyes estimadas que le
permitan diseñar las faenas mineras, tanto de Cielo Abierto
como Subterránea.

Una vez determinada la unidad de selectividad (tamaño del

bloque), se procede a generar bloques dentro de los sólidos
identificados por geología. Los limites de los sólidos servirán
como los limites de los bloques; de esta forma se evitará Modelo de bloques con leyes estimadas
tener bloques mineralizados por fuera del modelo geológico.
El modelo de bloques considera, normalmente, códigos (Flags)
que indican si el bloque se encuentra fuera o dentro del sólido
o las proporciones del bloque que intersecta con el sólido.

Modelo geológico tridimensional

14
Unidad III: Compositación de Sondajes
Generalmente los intervalos de muestreo en los pozos de
exploración no coinciden con los intervalos de trabajo en la
fase de estimación de recursos.

Los intervalos de muestreo son siempre menores pues se

busca revelar la variabilidad espacial de las variables que se
estudian. El cálculo de los compósitos o regularización del
sondaje, no es más que un procedimiento mediante el cual las
muestras de los análisis se combinan en intervalos regulares
(igual longitud), que no coincidan con el tamaño inicial de las
muestras.

La ley del nuevo intervalo se calcula usando la media ponderada

por la longitud de los testigos que contribuyen a cada compósito
y la masa volumétrica en caso de ser variable. El objetivo de
la regularización es obtener muestras representativas de Muestras de diferentes longitudes
una unidad litológica o de mineralización particular las cuales
pueden ser usadas, a través de una función de extensión,
para estimar la ley de un volumen mucho mayor de la misma
unidad.

15
Entre las principales razones y beneficios de la compositación:

• El análisis geoestadístico exige muestra de igual longitud

(similar soporte).
• Las compositación reduce la cantidad de datos y por
consiguiente el tiempo de cálculo o procedimiento.
• Se producen datos homogéneos y de más fácil interpretación.
• Se reduce las variaciones erráticas (alto efecto pepita)
producto de muestras con valores extremadamente altos.

Existen varias formas de compositar y estas son las siguientes:

Compósito de Banco (bench composite):

Las muestras se regularizan a intervalos que coinciden con la

altura de los bancos o una fracción de esta. Se emplea para
modelar los recursos de yacimientos grandes, diseminados
de baja ley que se explotan con minería a cielo abierto.

16
Compósito de Pozo (downhole composite):

Las muestras se combinan a intervalos regulares comenzando

desde la boca del pozo

Compósito Geológico (geological composite):

Las muestras se combinan a intervalos regulares pero respetando

los contactos geológicos entre las distintas unidades. Este
método se emplea para prevenir la dilución del compósito
en el contacto estéril mineral y donde se logra mayor control
sobre el proceso de regularización.

Para escoger la longitud de regularización se emplea las

siguientes reglas empíricas:

• El tamaño del compósito se selecciona entre la longitud

media de las muestras.
Sondaje regularizado o compositado
• No se deben regularizar muestras grandes en intervalos
más pequeños pues se introduce una falsa idea de continuidad
espacial.

17
Unidad IV: Análisis Exploratorio El examen previo de los datos es un paso necesario, que lleva
de Data tiempo, y que habitualmente se descuida por parte de los
analistas de datos.
El análisis exploratorio de datos es un conjunto de técnicas
estadísticas cuya finalidad es conseguir un entendimiento
básico de los datos y de las relaciones existentes entre las
variables analizadas. El análisis tiene los siguientes objetivos:

Para conseguir este objetivo el estudio exploratorio proporciona
métodos sistemáticos sencillos para organizar y preparar
los datos, detectar fallos en el diseño y recogida de los
mismos, tratamiento y evaluación de datos ausentes (missing),
identificación de casos atípicos (outliers) y comprobación de
los supuestos subyacentes en la mayor parte de las técnicas
multivariantes (normalidad, linealidad, etc.).
Antes de proceder con la estimación de recursos, se debe y
siempre que sea posible realizar un análisis estadístico de los
datos disponibles o los generados a partir de cálculos de los
compósitos con el objetivo de caracterizar el comportamiento
estadístico de las distintas variables en el depósito y en las
unidades geológicas (dominios) que la integran.
• Analizar (mediante herramientas estadísticas simples) la
cantidad, la calidad y la ubicación de los datos disponibles.
• Definir la(s) zona(s) de estudio. Una división del campo en
varias sub-zonas puede ser relevante si uno observa cambios
abruptos en la distribución espacial de valores, o si la geología
del fenómeno lo indica.
• Anticipar dificultades o problemas que puedan surgir en la
fase de estimación local (por ejemplo, presencia de valores
atípicos que se destacan de aquellos de los datos vecinos).

18
Data analysis
Análisis Estadístico:

Histogramas:

El histograma representa gráficamente las frecuencias de

ocurrencia en función del valor. Consiste en dividir el rango
de los valores en intervalos (generalmente, con el mismo
ancho) y visualizar la proporción de datos que caben dentro
de cada intervalo.

El histograma es una herramienta útil para detectar valores

atípicos (“outliers”).

La visualización del histograma de los datos también es un

primer medio de verificar su homogeneidad.

Histogramas

19
Medidas de Posición:

Media: Promedio aritmético de los valores.

Cuantiles y percentiles: Valores que dividen la población en

partes de igual número de datos. Por ejemplo, la mediana
divide la población en dos partes, los cuartiles en cuatro partes
(la mediana coincide con el segundo cuartil), los quintiles en
cinco partes y los deciles en diez partes. Contrariamente a la
media, los cuantiles son parámetros robustos, es decir, poco
sensibles a la presencia de algunos valores muy altos o muy
bajos.

Mínimo y máximo: Establecen el rango en el cual se distribuyen

los valores.

Medidas de dispersión:

Varianza: Promedio aritmético de la desviación cuadrática entre

cada valor y la Media. Esta medida cuantifica la dispersión
del histograma y se expresa en el cuadrado de la unidad de
la variable en estudio.

20
 Correlación Lineal:

En probabilidad y estadística, la correlación indica la fuerza

Desviación Estándar: raíz cuadrada de la varianza; se expresa
y la dirección de una relación lineal y proporcionalidad entre
en la misma unidad que la variable en estudio.
dos variables o 2 leyes de mineral.
Coeficiente de variación: Razón entre la desviación estándar
Se considera que dos variables cuantitativas están correlacionadas
y la media; es adimensional.
cuando los valores de una de ellas varían sistemáticamente con
respecto a los valores homónimos de la otra: si tenemos dos
Rango Intercuartil: Ancho del intervalo entre el primer y el
variables (A y B) existe correlación si al aumentar los valores
tercer cuartil, que contiene la mitad de los datos.
de A lo hacen también los de B y viceversa. La correlación
entre dos variables no implica, por sí misma, ninguna relación
de causalidad.

Correlaciones
21
Probability Plot:

Una gráfica de probabilidad es una gráfica que puede utilizar

para evaluar el ajuste de una distribución a sus datos, estimar
percentiles y comparar diferentes distribuciones de muestras.

Una gráfica de probabilidad hace lo siguiente: Crea una función

de distribución acumulada (cdf) estimada a partir de su
muestra al graficar el valor de cada una de las observaciones
en comparación con su probabilidad acumulada estimada. Las
escalas se transforman de manera que la distribución ajustada
forme una línea recta. Un buen ajuste de distribución es uno
en que las observaciones están cerca de la línea ajustada.

Probability plot

22
MÓDULO II: ANÁLISIS
VARIOGRÁFICO
Unidad I: Variografía Experimental
Una variable medida en el espacio de forma que presente
una estructura de correlación, se dice que es una variable
regionalizada. De manera más formal se puede definir como
un proceso estocástico con dominio contenido en un espacio
euclidiano D- dimensional que puede asociarse a una variable
medida en un punto x del plano. En términos prácticos Z(x)
puede verse como una medición de una variable aleatoria.
Un proceso estocástico es una colección de variables aleatorias
indexadas; esto es, para cada x en el conjunto de índices D, Z(x)
es una variable aleatoria. En el caso de que las mediciones sean
hechas en una superficie, entonces Z(x) puede interpretarse
como la variable aleatoria asociada a ese punto del plano
(x representa las coordenadas, planas o geográficas, y Z la
variable en cada una de ellas). Estas variables aleatorias pueden
representar la magnitud de una variable ambiental medida
en un conjunto de coordenadas de la región de estudio.
Una variable regionalizada es una función que representa la
variación en el espacio de una cierta magnitud asociada a un
fenómeno natural.
Por ejemplo:
• La ley de un mineral, la potencia de una veta, la acumulación,
23
la densidad de la roca o la recuperación metalúrgica, describen
un fenómeno de mineralización;
• La porosidad y la permeabilidad de la roca en un reservorio
de petróleo o en un acuífero;
• La concentración de un elemento contaminante en la
atmósfera o en el suelo;
• La altitud topográfica en un punto del espacio geográfico;
• La conductividad eléctrica, el pH y la concentración en
nutrientes medidas sobre 
una muestra de suelo;
• El número de árboles y su diámetro promedio en áreas de
observación de un 
bosque. 

Del punto de vista conceptual, una variable regionalizada es una
función determinística. 
Dado que un fenómeno regionalizado
nunca posee una extensión infinita, se estudiará la variable
regionalizada sólo dentro de un dominio limitado “D” llamado
campo de la variable. Este campo puede representar una zona
natural, fuera de la cual la variable no está definida. Puede
tratarse también de un dominio particular, donde la variable
interesa, por ejemplo, los sitios donde no se anula o donde
es mayor que un límite de detección.
Momentos de una Variable Regionalizada
Se nombra como variable regionalizada Z(x) a la variable
distribuida en el espacio de manera tal que presenta una
estructura espacial de correlación.
Una definición más rigurosa matemáticamente equivalente
consistiría en decir que una variable regionalizada es una
variable aleatoria z definida en un punto del espacio x.
Donde en el caso más general x es un punto en el espacio
tridimensional, es decir x = ( x1 , x2 , x3 ) .
24
Variograma y Semivariograma.
El Variograma se define como la media aritmética de todos
los cuadrados de las diferencias entre pares de valores
experimentados separados una distancia (h) o lo que es lo
mismo la varianza de los incrementos de la variable regionalizada
en las localizaciones separadas una distancia de (h).
El cálculo del variograma experimental es la herramienta
Geoestadística más importante en la determinación de las
características de variables y correlación espacial del fenómeno
estudiado.
 Vector h

El semivariograma, conocido también como variograma, es la Donde N(h) es el número de pares Z(xi) y Z(xi+h) son valores
herramienta central de la Geoestadística. Dada una variable separados a una distancia (h).
regionalizada Z (x) que cumpla la Hipótesis

El semivariograma es una función que relaciona la semivarianza

con el vector h conocido como “lag”, el cual denota la separación
en distancia y dirección de cualquier par de valores Z(x) y Z(x+h).

25
Ejemplo de Variograma Lineal:
5.00
4.50
Consideremos los siguientes datos especiados cada 100m:
4.00
3.50
5–3–6–4–2–1–1–2–4–3-2
3.00

γ(h)
El variograma experimental se puede calcular para distancia 2.50
múltiplos de 100m, esto es: 2.00
1.50
y(100m)= 1/2x10 (22 + 32 + 22 + 22 + 12 + 02 + 12 + 22 + 12 + 1.00
12) = 1.45 0.50
0.00
0 200 400 600 800 1000 1200
y(200m)= 1/2x9 (12 + 12 + 42 + 32 + 12 + 12 + 32 + 12 + 22) =
2.39 Lag (h)

y(300m)= 1/2x8 (12 + 12 + 52 + 32 + 02 + 32 + 22 + 12) = 3.06 Variograma lineal

y(1000m) = 1/2x1 (32)= 4.5

26
Variografía de Malla Irregular: En este caso, se propone la siguiente metodología de búsqueda
de muestras a considerar:
En la siguiente figura se puede observar un muestreo en una
malla irregular y la pregunta es ¿Cómo se calcula el variograma
en este caso?

Pasos para la selección de muestras:

• Se define el azimut del vector de búsqueda.

• Definición de tolerancia angular ΔΘ (Angulo que considera
incluir datos válidos para el cálculo).
• Selección de la distancia del Lag o Paso
• Definición de tolerancia en el Lag(h) o Paso (Δh o Δp). Esta
se utiliza para incluir muestras que se encuentran a distancias
mayores/menores, con respecto al Lag definido.
• Ancho de banda horizontal: banda dentro la cual se consideran
válidos los datos para el cálculo del variograma; se mide en
forma perpendicular al azimut definido.
27
¿Qué hacer cuando la data se encuentra distribuida en tres
dimensiones X, Y, Z?

En este caso, la búsqueda de datos se hace mediante una

especie de cono o con el método del lápiz (similar a lo explicado
anteriormente, pero en 3D).

Cono en el espacio Método del lápiz

28
Reglas prácticas para el cálculo del variograma experimental:
Para el cómputo del semivariograma es necesario tener
en cuenta algunas reglas prácticas que permiten elevar la
eficiencia y la calidad de la estimación, independientemente
del tipo de estimador que se utilice.
Estas reglas son las siguientes:

• En la estimación del semivariograma los pares de las
observaciones se agrupan según la distancia dentro de un
intervalo h = h con una tolerancia ± ∆h 2 y dentro de una
dirección θ con una tolerancia ±∆θ /2. El semivariograma así
estimado es considerado suavizado o regularizado.
• El semivariograma muestral debe ser considerado solamente
para pequeñas distancias por lo que generalmente, se estima
para valores de h menores que la mitad de la distancia máxima
( h < dmax 2 ).
• La elección del número de intervalos es arbitraria. No obstante
se considera que un número máximo de 25 intervalos es
suficiente para cualquier propósito, y un mínimo de 10 debe
ser usado para determinar con precisión el rango y la meseta
del semivariograma.
• El largo de los intervalos debe ser elegido de forma tal que el
número de pares en cada intervalo sea lo suficientemente grande
29
para que el estimado del semivariograma sea relativamente
estable. Se considera que entre 30 y 50 pares satisfacen este
requerimiento.
• Los valores estimados para cada intervalo se deben graficar
contra la distancia promedio de todos los pares que se
encuentran dentro de dicho intervalo.
Debido a que γ(h) es esencialmente una media muestral, tiene
todas las desventajas comúnmente asociadas a este tipo de
estimador como es la no robustez.
En la práctica a menudo el empleo de este estimador produce
variogramas experimentales erráticos, lo cuál se debe a
desviaciones del caso ideal para la aplicación del mismo.
Desviaciones en el muestreo.
Las observaciones {Z (xi ), i =1,...,n }de la función aleatoria Z
(x) no están distribuidas espacialmente en forma aleatoria.
Consecuentemente se produce un sesgo en el muestreo es
decir en la elección de las localizaciones de las observaciones,
tendientes a estar agrupadas en áreas de altos o bajos valores.
Estas desviaciones pueden ser detectadas mediante un gráfico
del número de muestras n contra el valor medio m para
vecindades móviles de un tamaño determinado.

Existencia de valores atípicos (Outliers).

Normalmente las observaciones son correctas, pero a veces

suelen aparecer observaciones discordantes que pueden
ser debidas a errores humanos y/o mal funcionamiento de
los instrumentos de medición. Si es posible constatar que
un valor de estos es erróneo, lo mejor es eliminarlo, aunque
esto no siempre es factible. De ahí que la eliminación de
estas observaciones puedan causar una subestimación del
potencial de un área.

Otras formas para estimar la variabilidad espacial de las

muestras.

Debido a que las distribuciones de las leyes de mineral no

siguen una distribución normal; sino que presentan sesgos
y presencia de Outliers como en las siguientes figuras:

30
 Contour Plot of CuT
C4
< 0.2
109000 0.2 – 0.4
0.4 – 0.6
0.6 – 0.8
108500 0.8 – 1.0
1.0 – 1.2
> 1.2
108000
Northing

107500

107000

106500

15000 15500 16000 16500 17000 17500

Easting

Contorneo de leyes de Cut

31
Histograma de leyes de Cut

32
En estos casos, cuando se calcula el variograma experimental,
en los pares seleccionados se encuentran bajas leyes y altas
leyes, cuya diferencia elevada al cuadrado, genera un diferencial
muy grande y posteriormente generan “ruido” cuando se
analiza la variabilidad espacial de las muestras.
Presencia de “ruido” en el semivariograma
33
Lo primero que se debe hacer es investigar la posibilidad de
separar en diferentes dominios o regiones, y de esa forma
lograr separar muestras de diferentes poblaciones regionales.
Una vez que se ha hecho esto, se debe proceder a realizar un
análisis exploratorio de la data de las regiones.
Sin embargo, la probabilidad de que siga existiendo la presencia
de sesgos en la distribución y la presencia de Outliers, es
que se estudiaron otras formas de cálculo de la variabilidad
espacial de las leyes con nuevos modelos matemáticos; entre
ellos tenemos:
El primero es el correlograma ρ, covarianza C; siendo m+(h)
las leyes de las “colas” del vector utilizado y m-(h), las leyes
de la cabeza del par que se utiliza para realizar el cálculo del
semivariograma.

34
 Covarianza:

Otro modelo es el “Pairwise Relative

Ejemplo del análisis de la variabilidad espacial, de la misma

data con el Correlograma:

35
Variogram” en donde se le da menos peso a la presencia de
Outliers.

Pairwise relative variogram

36
Unidad II: Variografía Estructural
Ya se ha revisado las diferentes formas de calcular el variograma
experimental de la variabilidad espacial de las leyes; sin
embargo, para poder utilizar esta variabilidad, se deben ajustar
modelos matemáticos que asegurarán que las matrices de
kriging tengan solución.
Para ello, se requieren las siguientes definiciones:
Efecto Pepita o Nugget Effect (N):
Se denota por C(0) y representa una discontinuidad puntual del
semivariograma en el origen. Puede ser debido a errores de
medición en la variable o a la escala de la misma. En algunas
ocasiones puede ser indicativo de que parte de la estructura
espacial se concentra a distancias inferiores a las observadas.
En caso de sondajes, es muy común calcular el Efecto Pepita
con el variograma a lo largo del sondaje.
Los semivariogramas que tienen meseta finita cumplen con
la hipótesis de estacionalidad fuerte; mientras que cuando
ocurre lo contrario, el semivariograma define un fenómeno
natural que cumple sólo con la hipótesis intrínseca. La meseta
se denota por C1 o por (C0 + C1) cuando el Efecto Pepita es
diferente de cero. Si se interpreta el Efecto Pepita como un
error en las mediciones, esto explica porque se sugiere que
en un modelo que explique bien la realidad, el Efecto Pepita
no debe representar mas del 50% de la meseta. Si el ruido
espacial en las mediciones explica en mayor proporción la
variabilidad que la correlación del fenómeno, las predicciones
que se obtengan pueden ser muy imprecisas.

Meseta o Sill (S):

Es la cota superior del semivariograma. También puede

definirse como el limite del semivariograma cuando la
distancia h tiende a infinito. La meseta puede ser o no finita.
37
 Modelo de ajustes de estructuras

Rango o alcance (a): Modelos Estructurales:

En términos prácticos corresponde a la distancia a partir Efecto Pepita Puro:

de la cual dos observaciones son independientes. El rango
se interpreta como la zona de influencia. Existen algunos Este modelo considera ausencia total de correlación espacial.
modelos de semivariograma en los que no existe una distancia
finita para la cual dos observaciones sean independientes;
por ello se llama rango efectivo a la distancia para la cual
el semivariograma alcanza el 95% de la meseta. Entre más
pequeño sea el rango, más cerca se está del modelo de
independencia espacial.

38
Esférico:

Forma de variograma comúnmente encontrada. El alcance

corresponde al parámetro a, la meseta al parámetro C.

39
Exponencial

40
Gaussiano:

Potencia:
Este modelo se asocia a fractales (movimientos Brownianos
fraccionarios). Está definido por una potencia 0<q<2 y una
pendiente positiva C.

41
 Seno Cardinal:

Alcance práctico = 20.4 a, semi-período = 4.5 a, meseta = C

Modelos Anidados:

Para obtener modelos más complejos, se puede sumar varios

variogramas elementales. En este caso, se habla de “Variogramas
Anidados”. Permite modelar cambios de pendiente en el
variograma

42
Unidad III: Variografía de Indicadores Ejemplo, si se desea saber cual es la probabilidad de encontrar
El variograma de indicadores es muy simple y sirve para incluir valor sobre una ley de corte de 0.6 % CuT, entonces:
información adicional “soft” de la región; por ejemplo, se puede
utilizar para determinar la “probabilidad” de ocurrencia de un I = 0, si la muestra tiene un valor de CuT menor a 0.6%
tipo de roca, la probabilidad de limites de mineralización, puede I = 1, si la muestra tiene un valor de CuT sobre 0.6%.
servir para calcular los ponderadores cuando las poblaciones
no pueden separarse en forma física, etc.

En el caso de leyes de mineral, se puede definir una ley de

corte; por ejemplo, si se han tomado muestras y se desea
estimar la probabilidad de que en los lugares que no se tomó
muestra, exista la posibilidad de obtener leyes sobre la ley
de corte definida.

Para ello se debe definir una nueva variable “I” que dependerá
de la ley de corte.

I = 0, si la muestra tiene un valor bajo la ley de corte

I = 1, si la muestra tiene un valor sobre la ley de corte

Con esta nueva variable que sólo contiene valores 0 (cero) y

1 (unos), se procede a analizar la variabilidad espacial de la
variable I, mediante el variograma de los indicadores.

43
Variograma de indicadores ajustado con dos estructuras
esféricas animas

44
Unidad IV: Análisis de Anisotropías
Variograma Según el Comportamiento Direccional
Un variograma y(h) es isotrópico si es idéntico en todas las
direcciones del espacio, es decir, si no depende de la orientación
del vector h, sino sólo de su módulo (h). En caso contrario,
hay anisotropía; tal propiedad caracteriza un fenómeno que
se extiende de preferencia en ciertas direcciones.
En la práctica, las anisotropías se pueden identificar al comparar
los variogramas experimentales calculados a lo largo de varias
direcciones del espacio, por ejemplo, en el caso bidimensional,
45
a lo largo de las direcciones orientadas 0º, 45º, 90º y 135º con
respecto al eje de las abscisas. los variogramas experimentales
en las diferentes direcciones se superponen. el caso contrario,
se está en presencia de una anisotropía. Se distingue varios
tipos de anisotropía, en especial, la anisotropía geométrica y
la anisotropía zonal.
En la práctica, las anisotropías se pueden identificar al comparar
los variogramas experimentales calculados a lo largo de varias
direcciones del espacio, por ejemplo, en el caso bidimensional,
a lo largo de las direcciones orientadas 0º, 45º, 90º y 135º con
respecto al eje de las abscisas. los variogramas experimentales
en las diferentes direcciones se superponen. el caso contrario,
se está en presencia de una anisotropía. Se distingue varios
tipos de anisotropía, en especial, la anisotropía geométrica y
la anisotropía zonal.
Anisotropía Geométrica

Se produce cuando los diversos variogramas

pueden reducirse a un variograma isotrópico
mediante una transformación lineal de
las coordenadas. El caso más común en
la práctica es cuando los variogramas
presentan un mismo valor de meseta pero
diferentes alcances:

46
 Anisotropía Regional o Zonal:

Es aquella en la que el variograma

en distintas direcciones presenta
el mismo rango pero diferente sill
(Meseta).

Mapa de Variograma:

Los valores del variograma experimental en función de la

separación (distancia y orientación).

Ejemplo de anistropia zonal

47
 Ejemplo

48
Ejemplo de Anisotropía en 3D:

49
En color rojo está el variograma calculado en la dirección Este, • Luego se agrega una segunda estructura para llegar a la
en azul la dirección Norte y en negro, la dirección vertical. segunda meseta, dejando infinito el alcance en la dirección
Este.
• Efecto Pepita = 0.1 (Debe ser el mismo en todas las direcciones). • γ(h) = 0.1 + Exp (200m, 120m, 50 m) + 0.3 Exp ( ¥, 120m, 50m)
• Luego se agrega una estructura (exponencial) que llega a
la primera meseta, con alcances propios en cada dirección.
• γ(h) = 0.1 + Exp (200m, 120m, 50 m)

Modelo ajustado con dos estructuras anidadas

Ajuste con una estructura

50
• Finalmente se agrega una tercera estructura para llegar a la
meseta total, dejando infinitos los alcances en las direcciones
Este y Norte.
• γ(h) = 0.1 + Exp (200m, 120m, 50 m) + 0.3 Exp ( ¥, 120m, 50m)
+ 0.2 Exp ( ¥, ¥, 50m)

Modelo ajustado con tres estructuras anidadas

51