Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción A La Geoestadística (Artículo)
Introducción A La Geoestadística (Artículo)
INDICE
Introducción
El concepto de autocorrelación
Introducción al análisis variográfico geoestadístico
La varianza de estimación o extensión
Introducción al krigeage
El concepto de Anisotropía
Bibliografía.
INTRODUCCION
Ya se han cumplido más de cuatro décadas del nacimiento de la Geoestadística Matheroniana (MATHERON
1962a, 1963); por lo que estos métodos, basados en la Teoría de la Variables Regionalizadas, están lo
suficientemente difundidos en la actualidad. Es por este motivo que la mayor parte de paquetes importantes de
software que se aplican a la minería, presentan módulos de evaluación por krigeage, que es el método de
estimación geoestadístico (MATHERON 1962b; DAVID 1976; DELFINER & DELHOMME 1973) superior a
cualquier otro por sus características de no sesgo y mínimo error. Sin embargo en la actualidad todavía se
realizan evaluaciones con métodos tradicionales. Las principales razones son: la simplicidad y rápida aplicación
de estos últimos, en comparación con el mayor grado de dificultad que implica la evaluación por krigeage;
además de la necesidad de tener un mínimo conocimiento especializado para aplicar el método geoestadístico.
En algunos países, entre ellos Estados Unidos de Norteamérica, se entiende por Geoestadística a cualquier
aplicación de la estadística en Geología y ramas afines, como Minería y Petróleo; en este trabajo estamos
considerando como tal sólo a la Geoestadística Matheroniana, cuya principal herramienta es el Variograma.
Con el tiempo es posible que la estimación de reservas por métodos tradicionales se circunscriba sólo a una
necesidad académica, histórica o a ciertos casos donde se sepa de una regionalización completamente aleatoria,
cosa muy rara en la naturaleza. En una encuesta estadística realizada por CHAMPIGNY & ARMSTRONG
(1993), involucrando a las 19 empresas de oro mas representativas del mundo, antes de la última década del
presente siglo sólo el 11% de ellas no está utilizando la geoestadística para la estimación de reservas.
Aquellas personas que sólo aplican métodos estadísticos tradicionales (univariables y multivariables) en el
análisis de variables regionalizadas (geo-referenciadas en el tiempo o el espacio) tienen y van a tener una serie
de problemas, la mayor parte de los cuales a veces no pueden explicar. La principal restricción de los métodos
estadísticos tradicionales es la abstracción que hacen de la ubicación de las muestras en el tiempo o el espacio.
El presente trabajo ha sido preparado para que sirva de guía teórica del Curso que se va a dictar a varios
ingenieros de la Mina El Brocal S. A.
AUTOCORRELACION
Las denominadas variables regionalizadas son aquellas cuyos valores (realizaciones) están relacionados con
ubicaciones precisas en el tiempo o espacio (variables geo-referenciadas).
Es de esperar que dos valores contiguos Z(xi) y Z(xi+h), separados una distancia h, estén relacionados entre sí
(autocorrelación), es decir que sus valores sean dependientes el uno del otro; esto debido a que casi siempre
toda variable tiene un patrón de distribución (o estructura, como se le llama en geoestadística), ya que nada es
al azar en la naturaleza. También sabemos que debido a la complejidad de los procesos geológicos no habrá
patrones de distribución idénticos. Lo mismo ocurre con la mayor parte de variables involucradas en procesos
de beneficio de minerales (Mineralurgia).
La estadística clásica no puede reconocer dichas estructuras ya que sus parámetros y funciones no toman en
cuenta la ubicación de los datos. Por ejemplo, la altura media de los alumnos de un salón no se modificará así
éstos se cambien de asiento una y otra vez.
El variograma es una de las herramientas más poderosas que tiene la geoestadística. Vamos a definirla tomando
el caso de un depósito D, el cual consiste de una infinidad de puntos xi, cada uno de ellos con un valor
determinado de la variable Z(xi) que nos interesa estudiar (puede ser ley de Au, contenido de As, intensidad de
una alteración, peso específico, dureza, porosidad etc.). Estas entidades son denominadas variables
regionalizadas porque sus valores corresponden a ubicaciones precisas en el tiempo o espacio.
Es de esperar que dos valores contiguos Z(xi) y Z(xi+h), separados una distancia h, estén relacionados entre sí
(autocorrelación), es decir que sus valores sean dependientes el uno del otro; esto debido a que casi siempre
toda variable tiene un patrón de distribución (o estructura, como se le llama en geoestadística), ya que nada es
al azar en la naturaleza. También sabemos que debido a la complejidad de los procesos geológicos no habrán
patrones de distribución idénticos.
El variograma puede ser estimado a partir de datos experimentales (por ejemplo las leyes provenientes de una
campaña de muestreo) empleando la fórmula general :
n-h
∑ Z (x i + h) - Z(x i) 2
i=1 (1)
2 γ (h) =
= (n-h)
Todos los paquetes de “software” aplicados a minería utilizan esta fórmula para el cálculo de los variogramas
experimentales; las respectivas facilidades gráficas nos mostrarán variogramas con apariencia similar a la que
se a idealizado en la fig. 3, que nos servirá para explicar los principales parámetros de la función variograma.
Dentro de la distancia a (alcance), la variable es totalmente estructurada, es decir depende, o está controlada,
por la función γ (h). Mas allá de a la variable es aleatoria, o sea independiente de la función variograma: la
curva se transforma en una meseta (C+Co) cuyo valor teóricamente debe coincidir con la varianza estadística de
todos los datos involucrados en el cálculo del variograma, lo cual no siempre es el caso.
= 2 γ ( V, v ) - γ ( v 2 ) - γ ( V2 )
2
σE (2)
donde :
γ (V, v) : designa el valor medio de γ(h) = γ (MM’) cuando los dos puntos de apoyo M y M’
del vector h describen independientemente uno del otro, los dos volúmenes o conjuntos V y v.
γ (V2) : designa el valor medio de γ(h) cuando los dos puntos de apoyo M y M’ del vector h
describen, independientemente uno del otro, el volumen V.
γ ( v2) : designa el valor medio de γ (h) cuando los dos puntos de apoyo M y M’ del vector h
describen, independientemente uno del otro, el volumen v.
Por lo general, en configuraciones sencillas a veces es suficiente con emplear ábacos para estimar esta varianza
de dispersión y con ese conocimiento tomar decisiones a priori, tan trascendentales que pueden comprometer
los resultados de una campaña de exploración o la decisión de abandonar un proyecto rentable.
Por ejemplo en el ábaco de la fig. 5 se comparan dos configuraciones por tramos, una con las muestras en los
extremos y la otra con la muestra en el centro del tramo. Resulta obvio que el error involucrado al estimar
(extender) la ley de un tramo desde la ley centrada es mayor que el error que resulta al asignar la ley a partir de
puntos de muestreo en los extremos del tramo; esto es válido para distancias de muestreo mayores que los del
alcance del variograma respectivo.
Para casos algo mas complicados debemos utilizar la fórmula (2), que sólo se basa en el variograma y en las
características geométricas de los paneles, mas no en los valores que puedan tener los taladros. Lo cual nos
permite estimar el error a priori: ¡antes de perforar el primer metro!
INTRODUCCION AL KRIGEAGE
La forma más simple y más errónea de calcular valores desconocidos a partir de valores conocidos es el
promedio aritmético simple. Es erróneo porque no se tiene consideración alguna de la posición relativa de los
valores conocidos con respecto al punto, panel o bloque a estimar. Se dio un gran paso histórico cuando se
consideró necesario ponderar los valores de las muestras que participan en la asignación de un promedio a un
punto, bloque o panel; estos métodos se clasifican como métodos de distancias ponderadas.
Intuitivamente sentimos que esto no es correcto, que de alguna manera, las muestras más cercanas deben influir
mas que las lejanas; y que por lo tanto, debe haber una distancia mas allá de la cual, dicha influencia debe ser
despreciable. Esto último da origen a la denominada “área de influencia”, que se suele aplicar en todos los
métodos IPD. En el caso de una configuración bidimensional, dicha área de influencia es un círculo; mientras
que en el caso de una tridimensional es una esfera. Hay dos problemas que resultan como consecuencia
inmediata de esto; por un lado el uso de una figura isométrica, implica que estamos idealizando al considerar
una regionalización isótropa; por otro lado el radio de dicha área de influencia es seleccionado en forma
completamente arbitraria. Salta a la vista de que manera podemos mejorar la calidad de los métodos IPD
aplicando un área de influencia a partir del análisis variográfico realizado en varias direcciones,
convenientemente seleccionadas.
En la fig. 7 se muestra paso a paso la estimación del valor de P usando el método del Inverso del Cuadrado de
la Distancia ICD; nótese que se ha aplicado un radio de influencia (R=70); el cual arbitrariamente ha dejado
fuera de cálculo al valor del punto A. Si hubiéramos escogido R=90, el punto A se incluiría en los cálculos;
mientras que con R=60; sólo entrarían los puntos B y C. Los resultados obviamente dependerán de esta
selección; lamentablemente el método por si mismo no cuenta con la posibilidad de resolver este problema.
Algunos variogramas
experimentales como el de FIG. 7 ESTIMACION POR EL METODO DEL INVERSO DEL CUADRADO DE LA
la fig. 3A, presentan DISTANCIA:
bajadas súbitas de su
meseta, en este caso a la
altura de h = 40. Esto es lo
A
que se denomina efecto 6 R = 70 RADIO DE INFLUENCIA
hoyo y corresponde a
subregionalizaciones
alternadas, como la
alternancia de zonas ricas y
B
4 d (1/d) (1/d)2 λi Ley
pobres. En la mina de
P PA 90 fuera de R 6
Otro aspecto importante es el denominado “drift” o tendencia que presentan ciertos variogramas después de
alcanzar la meseta. Tal es el caso del variograma de la fig. 3C, en el cual se nota una subida constante de los
puntos del variograma, a partir de h = 160.
A continuación vamos a presentar, de manera muy simplificada, el método de krigeage. Para una explicación
mas amplia referirse a: DAVID (1976, 1977), JOURNEL & HUIJBREGTS (1978: 303-343) y GUIBAL &
TULCANAZA (1974: 16-32).
Básicamente el método de krigeage nos da la posibilidad de asignar un ponderador exacto λ i a cada valor Zi
que participa en la estimación de un valor desconocido P* (punto, panel o bloque). De manera similar a los
métodos IPD, el valor estimado de P se calcula de ecuaciones lineales de la forma :
P* = ∑ λ i Z i (3)
Cada valor del ponderador λi se calcula de un sistema de ecuaciones denominado sistema de Matheron; la
forma general de presentar este sistema de ecuaciones es como sigue:
n
∑ λi γ ij = λpi - µ
j =1
n (4)
∑ λ j =1
j =1
Donde :
i, j : 1, 2, 3 .... , n.
γ ij : es el valor promedio del variograma γ(h) = γ (MN) cuando M recorre
la muestra n = i y N recorre independientemente la muestra j.
λpi : es el valor medio del variograma γ(h) = γ (MN) cuando M se mueve
sobre el panel P y N se mueve independientemente sobre la muestra i.
µ : es el parámetro de Lagrange.
Lo que se obtiene es un sistema con (n+1) ecuaciones y (n+1) incógnitas (los n ponderadores λi y el parámetro
de Lagrange µ), que se resuelven para encontrar el valor de cada ponderador λi , éstos son luego reemplazados
en la ecuación ( 3 ) para finalmente encontrar el valor estimado P* de la variable en estudio.
Tal sistema de Matheron tiene a su vez la propiedad de otorgar una varianza de estimación mínima, cuya
expresión matemática general es :
n (5)
σ 2 = ∑ λi γpj + µ - γ pp
k j =1
la cual representa la medida de la precisión de la estimación, y que no depende de los valores reales de la
información utilizada.
En la Fig. 9 se muestra h
cómo los ponderadores γ (h) VARIOGRAMA NO INTERVIENEN LOS PUNTOS
LINEAL
adquieren valores diferentes 0 0.50 0.50 0 LEJANOS
Estamos empleando una función variograma de la forma: γ (h) = hω en la cual le asignamos a ω diferentes
valores (columna de la izquierda de la figura en cuestión).
10 Vemos que el único caso en que pueden tener
validez los métodos empíricos clásicos, es en el
caso A; donde el variograma nos informa que
en tal distribución existe plena independencia
entre las leyes, es decir una distribución al azar
(efecto de pepita puro). Los ponderadores en
este caso tiene el mismo peso o valor λi = 0.25.
Sólo en algunos yacimientos aluviales de oro se
encuentra este tipo de distribuciones; quizás
debido a la relativa violencia con que se
deposita el material aluvional, de tal forma que
la naturaleza no tiene tiempo para imponer un
patrón de distribución, por lo que las partículas
de oro se encuentran diseminadas prácticamente
al azar.
Para ω = 1, el variograma es lineal; por lo tanto el peso se concentra casi totalmente en los puntos mas cercanos
(λ2 = λ3 = 0.5); de tal forma que los puntos mas lejanos prácticamente no intervienen en la estimación (λ1 = λ4 =
0). Variogramas de este tipo son frecuentes en vetas hidrotermales, meso- a hipotermales.
Para ω = 3/2, el variograma corresponde a una distribución de gran regularidad, es decir con una continuidad
extrema de la mineralización, a tal punto que las muestras mas lejanas al segmento estimado tendrán pesos
negativos (λ1 = λ4 = - 0.03). Este tipo de variogramas se encuentran en yacimientos estratiformes o de origen
sedimentario. También en le caso de mantos de carbón; o cuando se evalúa la potencia de cuerpos tabulares o el
peso específico en zonas de litología homogénea.
EL CONCEPTO DE ANISOTROPIA
Raras veces las distribuciones resultan isótropas (Fig. 11), lo cual quiere decir que los variogramas en todas
sus direcciones son similares. Esto es inusual, ya que casi siempre los procesos geológicos son “direccionales”,
es decir, por lo general tienen una dirección o componente preferencial, concepto relacionado principalmente al
flujo o flujos de mineralización.
Para aclarar esto vamos a referirnos a la fig. 10 (simplificada a partir de CANCHAYA & BERNUY 1983), en
la cual se muestra varios tramos de muestreo a lo largo de galerías y chimeneas sobre una veta. Como los flujos
mineralizantes generalmente son sub-verticales, el patrón de distribución a lo largo de las chimeneas será
diferente al de las galerías; lo cual quedará expresado en los respectivos variogramas y principalmente en el
alcance a. Para el caso se ha obtenido ah = 10 y av = 20.
Por lo tanto tenemos una distribución anisótropa y
FIG. 11 consecuentemente debemos definir una elipse de
influencia, tomando como ejes los valores de ah y av.
REGIONALIZACION ISOTROPA
Cualquier variable está estructurada dentro del alcance
a de su respectivo variograma, mas allá de él, su
comportamiento, por ser al azar, será impredecible. Por
lo tanto para cubicar reservas probadas se configura
paneles con dimensiones menores o iguales que 2a, tal
como se ha procedido en la Fig. 10. Si quisiéramos
cubicar más reservas probadas, deberíamos diseñar
subniveles cada 40 metros (dos veces el alcance en av );
mientras que la separación ideal entre chimeneas deberá
ser 20 metros (dos veces el alcance en ah ). Estos
conceptos se pueden aplicar también para dimensionar
el reconocimiento con taladros diamantinos desde las
labores subterráneas.
En la figura 12 estamos mostrando otro ejemplo ilustrativo. Se trata de una sección, perpendicular al rumbo, de
un manto tufáceo potente que contiene mineralización del tipo diseminada, la cual aumenta paulatinamente del
techo al piso. Este patrón de distribución queda claramente expresado en los variogramas direccionales, que se
obtuvieron a partir de muestras de este manto, los cuales están graficados en la mitad inferior de la fig. 12. Tal
como era de esperar, los tres variogramas son diferentes, presentando no sólo diferentes mesetas (anisotropía
zonal) sino además anisotropía geométrica (diferentes alcances).
La dirección E-W corresponde a un variograma casi de efecto de pepita puro y con la mas alta varianza;
podríamos percibir esta irregularidad de la mineralización imaginando que recorremos el manto, con un
analizador químico portátil, a lo largo de cualquier línea horizontal paralela a la dirección E-W indicada.
S. Canchaya/Dic. 2005
BIBLIOGRAFIA
Aquí se está consignando no sólo la bibliografía citada en el presente trabajo, sino además, bibliografía
adicional seleccionada con la intención de dar a loa participantes la posibilidad de profundizar los temas que
más le interesan.
ALFARO, M. & MIGUEZ, F. (1976) Optimal interpolation using transitive methods.- In: GUARASCIO, M. et al.
(eds.): Advanced Geostatistis in mining industry; D. Reidel Publ. Co., Holland: 91-99.
ALVAREZ, A. & MARBEAU, J. P. & OVIEDO, L. & VERA, F. (1979) Estudio comparativo por geoestadística de
las vetas más representativas de Casapalca y San Cristóbal. - Bol. Soc.geo. Perú, 62: 107-123.
ARGUELLES, V. & ALVAREZ, A.(1976) Estudio geológico y geoestadístico de la veta P, Mina Casapalca-
Centromin Perú.- An. XIII Conv. Ing. Minas, Arequipa; I-13, 11p.
BERNUY, O. (1979) Estudio comparativo de evaluación de reservas por diferentes métodos.- Bol. Soc. geol.
Perú, 62: 83-105.
BERNUY, O (1980b) Observaciones geoestadísticas del yacimiento de Antamina.- Bol. Soc. geol. Perú, 67: 1-
19.
BERNUY, O & JOURNEL, A. (1977) Simulation d’une reconnaissance séquentielle.- Revue de l’Industrie
Minérales, Oct.: 472-478.
BERNUY, O & CASTILLA, F. & GUIBAL, D. (1976) Estudio geoestadístico del Banco 3500-Michiquillay.- Bol.
Soc. geol. Perú, 53-54: 7-28.
BROOKER, P. I. (1975a) Optimal block estimation by kriging.- Proc. Aus. Ind. Min. Metall., 253: 15-19.
BROOKER, P. I. (1975b) Avoiding unnecessary drilling. Proc. Aust. Inst. Min. Metall., 253: 21-23.
BROOKER, P. I. (1978) Geostatistical Calculations Using True and Estimated Values from a Simulated
Deposit.- Proc. Australasian Inst. Min. Metall. 268: 63-69.
CANCHAYA, S. (1980) Estudio geológico económico de la Mina Bella Unión, Hualgayoc.- Inf. priv. Bella Unión.
Minas S.A., 74p.
CANCHAYA, S. (1983) Los métodos computarizados en geología.- Bol. Soc. geol. Perú, 72: 11-28
CANCHAYA, S. (1984a) El método geoestadístico: una presentación comparativa con los métodos
tradicionales de estimación de reservas.- Minería.
CANCHAYA, S. (1984b) Geología económica de la mina Bella Unión, Cajamarca.- Tesis Ing. Univ. Nac. Ing.
(en prep.).
CANCHAYA, S. & BERNUY, P. (1983) Estudio geoestadístico de las vetas ‘A’;y ‘Z’ de la Mina Bella Unión-
Hualgayoc.- Bol. Soc. geol. Perú, 72: 29-47.
CANDIOTTI, H. (1979) Geology and Quantitative Data Analysis of Quellaveco Porphyry Copper Deposit.-
Master-These, Univ. Leicester, England, 18p.
CASTILLA, F. & GUIBAL, D. & BERNUY, O. (1975) Estudio estructural geoestadístico del yacimiento
Michiquillay.- Bol. Soc. geol. Perú, 46: 35-52.
CHAMPIGNY, N. & ARMSTRONG, M. (1993) Geostatistics for the Estimation of Gold Deposits.- Mineralium
Depos. 28, 279-282
CLARK, I. (1984) Practical Geostatistics.- Elsevier; 129 p.
CUEVA, E.(1976) Modelo geoestadístico de evaluación de reservas para yacimientos reconocidos con malla
regular.- An. XIII Conv. Ing. Minas, Arequipa; I-14, 7p.
DAVID, M. (1972) Grade-Tonnage Curve: Use and Misuse in Ore Reserve Estimation.- Trans. Inst. Min. Metall.,
81: A129-132.
DAVID, M. (1976) The Practice of Kriging.- In: GUARASCIO, M. et al. (eds.): Advanced Geostatistics in the
Mining Industry; D. Reidel Publ. Co., Holland: 31-48.
DAVID, M. & DOWD, L. & KOROKOV, S. (1974) Forecasting Departure from Planning in Open Pit Design and
Grade Control.- Proc. 12th. APCOM Symp., Colorado School of Mines: F131-F149.
DAVIS, J. C. (1973) Statistics and Data Analysis in Geology.- John Wiley & Sons (New York); 550p
DELFINER, P. & DELHOMME, J. P. (1973) Optimum Interpolation by Kriging.- Cent. Morph. Math.,
Fontainebleau, Report, N343, August 1973.
DELFINER, P. & DELHOMME, J. P. (1975) Optimum Interpolation by Kriging.- In: DAVIS, J. C. et al. (Ed.)
Display and Analysis of Spatial Data; NATO Advanced Study Institute; Wiley : 96-114
DOWD, P. (1971) Applications of Geostatistics.- Internal Report, Zinc Corporation, N.B.H.C., Broken Hill,
Australia (citado por JOURNEL & HUIJBREGTS 1978: 256-261).
DOWD, P. (1975) Mine planning and ore reserve estimation with the aid of a digigraphic console display.-
C.I.M. Bull., Feb. 1975: 39-43.
FRANCOIS-BONGARCON, D. & MARECHAL, A. (1976) A new method for open-pit design and
parameterization of the final pit contour.- Proceedings of the 14th International APCOM Symposium,
Pennsylvania State University, Oct. 1976: 573-583.
GUIBAL, D. (1976) Elementos de geoestadística aplicada, apuntes del Seminario, Cerro Verde-Junio 1976;
Lima (Reporte interno-Minero Perú), 190p
GUIBAL, D. & TULCANAZA, E. (1974) Fundamentos de geoestadística aplicada.- Apuntes del 1er. Seminario
peruano de geoestadística, Minero Perú - U.N.I., Lima, Sec.- Oct. 1974; 47p.
GY, P. (1999) Sampling for Analytical Purposes.- John Wiley & Sons; 153 p.
HOWARTH, R. J. & LEAKE, B. E. (1980) The role of data processing in the geological sciences.- Sci. Prog.
Oxf., 66: 295-329.
HUIJBREGTS, Ch. (1976) Selection and grade tonnage relationships.- In: GUARASCIO. M. et al. (eds.):
Advanced Geostatistics in mining industry; Reidel, Holland; 113-135.
HUIJBREGTS, Ch. & MATHERON, G. (1970) Universal kriging an optimal approach to trend surface analysis.-
In Decision-making in the Mineral Industry Cand. Inst. Min. Metall. Special vol. 12: 159-169.
JOURNEL, A. (1969) Krigeage Universel et Cartographies automatique.- Paris, Ed.: Service hydrographique de
la Marine.
JOURNEL, A. (1969) Presentación general de la Geoestadística (Minería) - An. XI Conv. Ings Minas, Secc.
Geología: 10-22p.
JOURNEL, A. G. (1973) Grades fluctuations at various scales of a mine output.- Centre de Morphologie
Mathématique, Fontainebleau, Report N348.
JOURNEL, A. (1974a) Geostatistics for conditional simulation of ore bodies.- Econ. Geol., 69: 673-687.
JOURNEL, A. (1974b) Simulations Conditionnelles.- Théorie et Pratiqué.- These Docteur - Ingenieur, Univ.
Nancy, 110p.
JOURNEL, A. (1974c) Presentación general de la geoestadística (Minería).- El Ingeniero Geólogo N° 16: 37-49;
Lima. También en An. XI Conv. Ings. Minas.
JOURNEL, A. G. (1976) Ore grade distributions and conditional simulations-two geostatistical approaches.- In:
GUARASCIO, M. et al. (eds.): Advanced Geostatistics in Mining industry; D. Reidel Publ. Co., Holland: 195-202.
JOURNEL, A. G. & HUIJBREGTS, Ch. J.(1978) Mining Geostatistics - Academic press, London 600p.
KRIGE, D. G. (1961) Developments in the valuation of gold mining properties from borehole results.- 7th.
Commonwealth Min. Metall. Congress., Johannesburg, April; 20p.
KRIGE, D. G. (1966) Two dimensional weighted moving average trend surfaces for ore valuation.- Proc. Symp.
on math . statist. and computer applications in ore valuation, J. Johannesburg: 13-38.
KRUMBEIN, W. C. (1972) The computer in geological perspective.- In: MERRIAM (de.) Computer applications
in the earth sciences: 251-272.
MARECHAL, A. (1976) Selecting mineable blocks: experimental results observed on a simulated orebody.- In;
GUARASCIO, M. et al. (eds.): Advanced Geostatistic in the mining industry; D. Reidel Publ. Co., Holland :137-
161.
MATHERON, G. (1965) Les variables régionalisés et leur estimation.- Masson et Cie, - Paris, 212p.
MATHERON, G. (1967) Kriging, or polynomial interpolation procedures?.- Trans. Canad. Inst. Min. metall.,
70:240-244.
MATHERON, G. (1969) Le krigeage universel.- Cah. Cent. Morph. Math., Fasc. 1, C.G. Fontainebleau, 82p
MATHERON, G. (1971) The theory of regionalized variables and its applications.-Les Cahiers du Centre de
Morphologie Mathématique, Fasc. 5, CG, Fontainebleau.
MPANDE, M.M. (1981) Spatial variation in Zambian Copperbelt orebodies.- Ph.D. Thesis.
MPANDE, M.M. (1982) Geostatistical system of classifying sulphide deposits.- Applied earth science, I.M.M.
Transactions, Sect. B, 91 : 845-846.
NEIRA, C.(1977) Presentacion de los principales métodos de diseño óptimo de pits, I Parte.- Inf. Int. Dpto.
Geoestadística - Minero Perú, 32p.
OLEA,R.(1972) Application of regionalized variable theory to automatic contouring.-Spec. Rep. amer. Petroleum
Inst., Res. Proj. N°131, 191p.
RENDU,J.M. (1976) Bayesian decision theory applied to mineral exploration and mine valuation.- In:
GUARASCIO et al. (eds.) : Advanced Geostatistics in Mining Industry; Reidel, Holland : 435-445.
RENDU, J.M. (1981) An introduction to Geostatistical Methods of Mineral Evaluation.- South afric. Inst. Min.
Metall.; 84 p
SERRA, J. (1967) Un critère nouveau de découverte de structures : le variogramme.- Sciences Terre, 12: 277-
299.
SWITZER,P. & PARKER, H.M.(1976) The problem of ore versus waste discrimination for individual blocks :the
lognormal model.- In : GUARASCIO et al. (eds.) : Advanced Geoestatics in Mining Industry; Reidel, Holland :
203-218.
TULCANAZA, E. (1976) Una aplicación geoestadística en la Mina Casapalca.- Minas, edic. Centenario;
CEIGMM-UNI:36-43.