GEOESTADISTICA

REPASO, PREGUNTAS, EJERCICIOS.

1. La herramienta básica y fundamental de la geoestadística es:

A. Variables regionalizadas
B. Kriging
C. Variograma
D. Covarianza

2. La geoestadística es:
A. Rama de la geologia que estudia la estimación y predicción de recursos naturales y mineros a
través de cálculos y leyes matemáticos.
B. Ciencia que aplica la teoría de variables regionalizadas para la estimación y predicción de recursos
naturales.
C. El campo geomatemático aplicado a la estimación y predicción de los fenómenos naturales y
geológicos.
D. Ciencia minera y aplicada que estudia el modelamiento matemático y descriptivo de la
distribución de datos en el espacio tridimensional.

3. Una variable regionalizada es:

A. Una función matemática que indica un punto y sus características.
B. Son todos los datos distribuidos en una dimensión que representan leyes o pesos.
C. Una función aleatoria en el espacio de cierta magnitud asociada a un fenómeno natural.
D. Son valores vectoriales ya conocidas que no tienen una ubicación precisa.

4. En un proyecto minero se ha hecho perforaciones diamantinas en donde las leyes obtenidas tienen alta
aleatoriedad y muy baja correlación espacial donde la grafica nos da efecto pepita puro. Se concluye que:
A. El proyecto es óptimo.
B. En el proyecto debe hacerse más perforaciones diamantinas.
C. El proyecto es medianamente optimo y sería mejor remuestrear.
D. El proyecto simplemente no va.

5. En un proyecto minero se han realizado 400 perforaciones diamantinas para oro, en donde las muestras
analizadas en un variograma nos dan una gráfica de baja aleatoriedad y correlación espacial alto.
Entonces:
A. Es imposible realizar el proyecto.
B. El proyecto no va, porque no hay geoestadística
C. El proyecto es óptimo porque son muchos taladros.
D. El proyecto es óptimo, porque hay correlación espacial alto.

6. Durante el análisis del grafico del variograma el punto donde la correlación de datos muestrales se hace
cero es:
A. Meseta o sill
B. Efecto pepita o nugget effect
C. Rango
D. Distancia h+x

7. Se ha analizado en un variograma las leyes de las muestras en distintas direcciones, en donde la

correlación entre muestras se mantiene. Esta característica se llama:
A. Anisotropía

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 1

 B. Isotropía
C. Varianza
D. Efecto pepita puro.

8. Se dice que un yacimiento presenta ANISOTROPIA, cuando en un variograma:

A. En distintas direcciones presenta la misma correlación entre datos.
B. El alcance y la meseta es infinito entre muestras calculados.
C. La correlación espacial en distintas direcciones varía entre muestras.
D. Donde en 45, 0, 90, 135 y 270 grados presentan comportamiento similar.

9. Las leyes del cobre de un yacimiento minero se analizan con variograma en 4 direcciones distintas, dando
como resultado la misma meseta y alcances diferentes, pero en la dirección de 45 grados el alcance es
mayor que el resto, esto implica:
A. Menor continuidad espacial en la dirección de 45 grados.
B. Mayor correlación espacial en la dirección de 45 grados.
C. Menor correlación espacial en la dirección de 45 grados.
D. Mayor continuidad espacial en la dirección de 45 grados.

10. Son ejemplos de una variable regionalizada:

A. Longitud de un testigo, peso de una muestra, numero de perforaciones diamantinas, etc.
B. Precio del oro, ley del cobre, potencia de un depósito sedimentario, etc.
C. Un yacimiento minero, las coordenadas UTM de cada muestra, densidad de cada muestra, etc.
D. Ley de oro, peso específico de los testigos, número de parejas calculadas del variograma, etc.

11. El……………., no debe representar más del 50% de la meseta si se desea explicar bien la realidad estructural
de las leyes de un yacimiento.
A. Alcance
B. Semivariograma
C. Efecto pepita
D. Vector h.

12. Es un modelo que presenta comportamiento cuadrático en el origen y tiene meseta:

A. Gaussiano
B. Esférico
C. Logarítmico
D. Exponencial

13. Uno de los requisitos para seleccionar el modelo de semivariograma teórico es:

A. El semivariograma teórico no debe concordar con el variograma experimental.

B. La estimación en norte-sur debe coincidir con este-oeste.
C. El efecto pepita debe ser cero tanto en variograma experimental y teórico.
D. La variograma se debe estimarse por lo menos en 3 direcciones diferentes

14. Se ha realizado 100 perforaciones diamantinas en una concesión minera, donde se ha seleccionado,
testigos cada 1 metro para analizar las leyes del cobre. De esta información el campo y soporte es:
A. Concesión minera – 100 taladros perforados
B. Testigos de 1 metro – ley del cobre.
C. Testigos de 1 metro – 100 taladros perforados
D. Concesión minera – testigos de 1 metro.

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 2

 15. El objetivo principal del KRIGING es:
A. Obtener valores en lugares no muestreados con máxima varianza.
B. Predecir variables aleatorios no observadas con base a valores conocidos.
C. Predecir el promedio del bloque haciendo sumatoria de valores divididos por la cantidad de pares.
D. Obtener valores en lugares no muestreadas, conociendo el peso de cada muestra.

16. El KRIGING SIMPLE, se caracteriza porque:

A. El efecto pepita y la meseta se conoce.
B. La covarianza y el rango se desconoce.
C. La media y la covarianza se conoce.
D. La varianza del error y meseta se conocen.

17. El único estimador o técnica que permite conocer el error de estimación minimizando en lo posible es:
A. Método de triangulación.
B. Método del kriging
C. Método del inverso a la distancia.
D. Métodos de polígonos.

18. De la siguiente grafica se concluye que:

A. En la dirección de 0˚ es isótropo.
B. En la dirección de 45˚ corresponde a la mejor correlacion espacial de los datos.
C. En la dirección de 135˚ es de mayor continuidad y correlacion de los datos.
D. En la dirección de 90˚ corresponde completamente aleatoria en la distribución de los datos.

GEOESTADISTICA.
Es una ciencia que aplica la teoría de variables regionalizadas para la estimación y predicción de recursos
naturales, en caso en minería estima todos los recursos mineros.

HERRAMIENTA BASICA Y FUNDAMENTAL DE LA GEOESTADITICA: VARIOGRAMA O SEMIVARIOGRAMA.

VARIOGRAMA O SEMIVARIOGRAMA: Es la herramienta básica y fundamental de cuantificación de la
geoestadística.

Es una medida de variabilidad de datos espaciales.

Incrementa cuando las muestras se vuelven mas disimilares (distintos)
ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 3
 N
2
∑ [ ( Z ( x )−Z ( x +h¿ ]
i=1
y ( h )=
2 N (h)

VARIABLES REGIONALIZADAS.
Una variable regionalizada es una función que representa la variación en el espacio de una cierta magnitud (es
decir número) asociada a un fenómeno natural.

Se llama función aleatoria o proceso aleatorio a una función Z(x). Por lo tanto llamaremos variable regionalizada a
una realización de una función aleatoria.

VARIABLES ALEATORIAS.
Una variable aleatoria es una función que le asigna a cada resultado del espacio muestral un numero
real.
Puede ser discreta y continua.
 DISCRETA: toma valores de un conjunto numerable finito: 1, 2, 3, 4, … 1000
 CONTINUA: toma valores de un conjunto infinito no numerable:
1, 1.0002, 1.0003, 1.006, 1.0008, 1.342, 1.344, … , 2

ASPECTOS DE LAS VARIABLES REGIONALIZADOS.

• Un aspecto aleatorio (alta irregularidad, y variaciones imprevisibles de un punto a otro)
• Un aspecto estructurado (la V.R. debe sin embargo reflejar a su manera las características estructurales de un
fenómeno regionalizado)

CARACTERISTICAS CUALITATIVAS DE LAS VARIABLES REGIONALIZADAS

1. LOCALIZACION:
Una variable regionalizada no toma sus valores en cualquier lugar, sino más bien, en una región bien determinada
del espacio, que se llama campo geométrico: El campo es en general una formación geológica, por ejemplo el
espacio mineralizado del yacimiento mismo.
2. CONTINUIDAD:
Una segunda característica esencial es el grado de mayor o menor continuidad de la regionalización en el espacio.
En ciertos casos, por ejemplo, para variables que poseen una significación puramente geométrica, como la
potencia de una formación geológica, se observará la continuidad estricta de los matemáticos, que se define con e
y d. Lo más corriente, es observar una continuidad más floja, llamada continuidad en media. En este caso, cuando
el punto M tiende hacia M, solamente el valor medio de [f(M) – f(M0)]2 tiende a cero.

3. ANISOTROPIA.
En tercer lugar, una regionalización puede ser anisótropa. puede existir, por ejemplo, una dirección privilegiada, a
lo largo de la cual los valores se modifican lentamente, mientras que éstos varían mucho más rápido en la
dirección perpendicular. Este tipo de fenómenos conocidos con el nombre de corridas, de zonaciones, etc… está,

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 4

en general asociado a la existencia de ciertas estructuras geológicas, mayormente se da en minerales tipo
sedimentarios.

 Anisotropía geométrico:
En el variograma en distintas direcciones presenta el mismo sill o meseta y rangos o alcances distintas.
Mayor continuidad espacial en la dirección de mayor alcance
Menor continuidad espacial en la dirección de menor alcance.
 Anisotropía zonal:
En el variograma en distintas direcciones presenta el mismo alcance pero mesetas distintos.
Indica la presencia de diferentes estructuras.
 Anisotropía hibrido:
En el variograma en distintas direcciones presenta meseta y rango distintos
Presencia de diferentes estructuras.
Característico de elipsoides con triple rotación.

4. FENOMENO DE TRANSICION:
Otros tipos de estructuras se pueden manifestar, ligados a la aparición en el campo geométrico de la
variable, de una red de discontinuidades: se habla entonces, de una manera general, de fenómenos de
transición. Como ejemplos simples, se pueden citar, para las formaciones sedimentarias, las
estratificaciones y las repeticiones lenticulares de los estratos. Puede suceder que la variable la cual es
constante o casi constante al interior de los estratos, tenga cambios bruscos al pasar de un estrato a
otro. A estas discontinuidades verticales, materializadas en el espacio por las uniones estratigráficas, a
menudo se adicionan discontinuidades horizontales, debidas al término lenticular y a la repetición de los
estratos individuales. Esta red compleja de discontinuidades realiza una partición del espacio
mineralizado en compartimientos casi independientes entre sí (correspondientes, por ejemplo, a
antiguos micro-cuencas, donde las condiciones de depositación han evolucionado de manera más o
menos autónoma).
Se puede observar que el efecto de pepita de origen granulométrico está también ligado a un fenómeno
de transición. La red de discontinuidad es en este caso lo que separa, en el espacio, los diferentes granos
de estéril y de mineral. La naturaleza del fenómeno es la misma, pero la escala es bastante diferente. El
efecto de pepita aparece como una forma de fenómeno de transición ligado a la presencia de micro-
estructuras discontinuas en el campo de la regionalización

OBJETIVOS DE LAS VARIABLES REGIONALIZADOS.

 En el plano teórico, expresar estas características estructurales en una forma matemática adecuada
 En el plano práctico, resolver el problema de la estimación de una V.R. a partir de un muestreo fragmentario.
Estos dos objetivos están relacionados: para un mismo conjunto de muestras, el error de estimación depende
de las características estructurales; este error, por ejemplo, es más grande cuando la V.R. es más irregular y
más discontinua en su variación espacial.

CAMPO Y SOPORTE DE UNA VARIABLE REGIONALIZADO

CAMPO:
El campo o dominio D es la región del espacio en el que la variable es definida y susceptible a asumir determinado
valor (por ejemplo, el yacimiento, una zona alterada, un acuífero, etc.).
Consideremos por ejemplo una concesión minera, explorada mediante una campaña de sondeos por diamantina
según una cierta malla, cuyos testigos se analizan por tramos de un metro. Para este caso, el campo o dominio es
todo el volumen contenido entre los límites de la concesión, los trozos cilíndricos de testigo de un metro de
longitud son, cada uno, el soporte, y la ley de cada testigo la variable regionalizada

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 5

SOPORTE:
El soporte es el volumen de la muestra que define la variable regionalizada. A menudo el soporte es un cilindro
llamado testigo.
Un testigo. Tiene un cierto largo l y un cierto diámetro d. z(x) será entonces la ley del volumen de muestra
localizado en el punto x. En general, en el estudio de una variable regionalizada no es conveniente mezclar
soportes de tamaños diferentes. En el caso en que los testigos que constituyen el sondaje son de tamaño irregular,
es necesario hacer una operación la cual consiste en regularizar o compositar el sondaje, es decir disponer de
datos (compósitos) de longitud constante

MEDIDAS DE TENDENCIA CENTRAL.

Con la determinación de medidas de tendencia central, es posible analizar qué tan simétrica es la distribución de
los datos. Teniendo en cuenta que una distribución completamente simétrica es una distribución normal.

1. MEDIA ARITMETICA.
Sensible a valores extremos. Se calcula mediante la expresión:

∑ Z(x)
a=1
m=
n

2. MODA.
No sensible a valores extremos. Es el dato de mayor frecuencia absoluta .

3. MEDIANA
No sensible a valores extremos. Es el dato central cuando los datos se ordenan de menor a mayor. El 50% de los
demás datos son menores que ella y el 50% de los demás datos son mayores a ella.

MEDIDAS DE TENDENCIA A DISPERSION.

Permiten determinar qué tan alejados están los datos con relación a las medidas de tendencia central, las más
comunes son la varianza, la desviación estándar, el coeficiente de variación, coeficiente de sesgo skewness y
coeficiente de curtosis; definidos a continuación:

VARIANZA: Es sensible a valores extremos. Se define como el nivel de dispersión de los datos en torno a una
medida de tendencia central, en general se calcula en torno a la media así:

DESVIACIÓN ESTÁNDAR: Es sensible a valores extremos. Es una normalización de la varianza mediante la

trasformación raíz cuadrada. Una varianza y una desviación estándar altas indican un alto nivel de dispersión de
los datos en torno a la media y viceversa. Se calcula de la siguiente manera.

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 6

 COEFICIENTE DE VARIACIÓN: Es sensible a valores extremos. Expresa la dispersión porcentual en términos
relativos. Se calcula mediante la siguiente expresión:

Es un indicador de las dificultades asociadas con la presencia de valores extremos en elconjunto de datos
mediante los siguientes criterios: CV < 100%, no hay problemas con los valores extremos. 100% < = CV <= 200%,
hay dificultades tolerables con los valores extremos. CV > 200 %, hay grandes dificultades con los valores
extremos.

COEFICIENTE DE SESGO (SKEWNESS): Es sensible a valores extremos. Mide la asimetría horizontal de una
distribución de datos, es el tercer momento en torno a la media. Se calcula mediante las siguientes expresiones:

Los criterios de análisis para el valor del coeficiente de sesgo son:

CS = 0, corresponde con una distribución simétrica.
CS > 0, corresponde con un sesgo positivo (la función de densidad muestra una larga cola por la derecha).
CS < 0, corresponde con un sesgo negativo

COEFICIENTE DE CURTOSIS (KURTOSIS): Es sensible a valores extremos, Mide la asimetría vertical de una
distribución de datos. Es el cuarto momento en torno a la media. Se calcula mediante las siguientes expresiones:

El CC mide la forma del pico de la distribución de densidad y su evaluación se hace con base en los siguientes
criterios:
CC = 0, indica que la distribución es Normal.
CC > 0, indica que la distribución es más puntiaguda que una Normal.
CC < 0, indica que la distribución es menos puntiaguda que una Normal.

MEDIDAS DE LOCALIZACION.
Permiten determinar la concentración de los datos a partir del histograma acumulativo, las principales son los
cuantiles y se clasifican en 3:

DECILES (Di):
Son 9 valores de la variable que dividen el conjunto de datos en 10 partes iguales.
Los deciles determinan los valores en 10%, 20%, 30%,…, 90% de los datos. Además el D5 coincide con la mediana
Me.

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 7

 i (N −1)
Di=1+ (para datos no agrupados)
10
kn
Dk= ( para hallar la posicion del decil)
10

N, n : número de datos

PERCENTILES (Pi):
Es una medida de posición que divide la muestra de datos en 100 partes iguales o grupos iguales. Ordena los datos
de menor a mayor por lo que funciona bien en datos cuantoitativos.

i( N −1)
Pi=1+
100

CUARTILES Qi: Los cuartiles toman un porcentaje de la función acumulada de 25%, de tal manera que Q1 es aquel
dato que puede o no pertenecer al conjunto de datos a partir del cual el 25% de los datos son menores que él y el
75% de los datos son mayores que él; Q2 es aquel dato que puede o no pertenecer al conjunto de datos a partir
del cual el 50% de los datos son menores que él y el 50% de los datos son mayores que él, corresponde con el
valor de la mediana; Q3
es aquel dato que puede o no pertenecer al conjunto de datos a partir del cual el 75% de los datos son menores
que él y el 25% de los datos son mayores que él. Q0 es el valor mínimo y Q4 es el valor máximo.

i( N −1) k ( n+1 )
Qi=1+ (Para datos no agrupados) Qk= (Para numero de datos impares)
4 4

Ejemplo.
Sea: 3, 5, 6, 11, 14, 18, 18, 20, 24, 25, 27, 27, 28, 31, 33, 24, 36, 44, 45, 47, 48, 48, 50, 50, 52
Calcular Q3, D4 Y P17
Calculando Q3:

3(25−1)
Q 3=1+ =19
4
El dato numero 19 corresponde a 45 = Q3

Calculando D4:
4 (25−1)
D 4=1+ =10.6 se encuentra entre 25−27 entonces :
10

Q 4=25+ ( 27−25 ) ( 0.6 ) =26.2 ENTONCES D 4=26.2

Calculando P17:

17(25−1)
P 17=1+ =5.08 se encuentra entre 14 y 18 entonces :
100

P 17=14 + ( 18−14 ) ( 0.08 )=14.32 ENRTONCES P 17=14.32

PARAMETROS DEL VARIOGRAMA.

Los parámetros del semivariograma caracterizan tres elementos importantes en la variabilidad de un atributo que
son: la discontinuidad en el origen (Efecto Pepita), el valor máximo de variabilidad (Meseta), y el área de influencia
de la correlación (Alcance).
ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 8
 1. EL EFECTO PEPITA: (NUGGET)

El semivariograma por definición es nulo en el origen, pero en la práctica las funciones obtenidas pueden
presentar discontinuidad en el origen, a esta discontinuidad se le llama efecto pepita, en inglés (Nugget effect) y
puede ser obtenido trazando una línea recta entre los primeros puntos del semivariograma empírico y extender
este hasta que se intercepte con el eje Y. Si esta intercepción ocurre por debajo de cero, el valor asumido por este
efecto es cero, pues valores negativos de γ(0) no tiene significado y no es común. El Efecto Pepita se representa
como Co.

El efecto nugget es el valor del variograma a una distancia ligeramente mayor a la distancia de muestreo.

2. LA MESETA: (SILL)

Es el valor de γ(h) para el cual con el aumento de h su valor permanece constante, se representa como ( CT = C + C)
y se denomina meseta. Puede obtenerse trazando una línea paralela a la abscisa y que se ajuste a los puntos de
mayor valor del semivariograma, y su valor se puede leer en la intercepción de esta línea con la ordenada. La
pepita no debe representar más del 50% de la meseta para su análisis real de la estructura.

El sill es la varianza implica cero correlación.

3. 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 la variable no está más correlacionada, o lo que es lo mismo, la distancia
para la cual el semivariograma alcanza su meseta. El alcance siempre tiene valor positivo.

El rango es la distancia donde la correlación se hace cero.

CARACTERISTICAS EN EL MODELADO DE VARIOGRAMAS.

Dos características importantes en el modelado de variogramas son:

 Su comportamiento en el origen, el cual puede ser lineal, parabólico y con efecto pepita.
 La presencia o ausencia de meseta.

CLASIFICACION DE MODELOS SEGÚN Krajewsky,1993], [Journel,1978], [David,1977] en:

A. MODELOS CON MESETA.

Con comportamiento lineal en el origen
a) Esférico.
b) Exponencial.
c) Efecto pepita Puro.

Con comportamiento parabólico en el origen

d) Gaussiano.
e) cubico.

B. MODELOS SIN MESETA.

f) Modelo con exponente.
g) Logarítmico.

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 9

 h) El efecto de agujero.

MODELO EFECTO PEPITA PURO.

Son aquellos que no presentan zona estructurada y corresponden a fenómenos totalmente aleatorios. La meseta
es igual a varianza

γ (h)= {10 si h=¿ 0

si h≠ 0 }
En estos casos se puede utilizar cualquier otro método de estimación.

MODELO ESFÉRICO (de Matheron), es el modelo que más usualmente describe la forma ideal del variograma.
Cuando inicialmente es lineal y luego decae hasta hacerse horizontal.
El rango=a y sill=s
El comportamiento lineal en el origen con pendiente igual a 1.5s/a.
Representa fenómenos continuos pero no diferenciables.
Es uno de los modelos de variograma más utilizados.

Su expresión matemática es:

Y (h)=Co+C ¿  h  a (alcance)

Y(h) = meseta = δ 2  h  a (alcance)

MODELO EXPONENCIAL: Comparado con el modelo esférico, el exponencial nunca alcanza completamente el
valor límite de la meseta, la curva es asintótica a ella.
Rango aparente igual a a.
Rango experimental igual a 3ª.
Comportamiento lineal en el origen, pendiente igual a 3s/a
Representa fenómenos continuos pero no diferenciables.

Tiene la siguiente expresión:

−h
Y (h)=δ 2 (1−e a )

MODELO GAUSSIANO:
Cuando la curva inicia como una cuadrática y decae hasta hacerse horizontal, el sill=s, que alcanza
asintóticamente.
Rango aparente a a.
Rango experimentgal igual a 3ª.
Comportamiento cuadrático en el origen y pendiente igual a 3s/a.
Representa fenómenos continuos infinitamente diferenciables.

2
Y (h)=δ ¿

MODELO CUBICO:
Similar al gaussiano pero alcanza la horizontal a menor distancia. Tiene comportamiento cuadrático en el origen.
Representa fenómenos bastante continuos.

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 10

 { }
2 3 5 7
h h h h
γ ( h )=s 7 2
−8.75 3 +3.5 5 −0.75 7 si h ≤a
a a a a

γ ( h )=s sih> a

RECOMENDACIONES PARA SELECCIONAR EL MODELO DE SEMIVARIOGRAMA TEORICO

 Se puede comenzar con un ajuste a sentimiento de manera iterativa.
 Debe estimarse el semivariograma al menos en 3 direcciones diferentes.
 El semivariograma teórico debe concordar con los puntos del semivariograma experimental.
 Se evalua su comportamiento tanto en el origen como en grandes distancias para seleccionar

COMPORTAMIENTO DE UN VARIOGRAMA A DISTANCIAS CORTAS

 Permite estudiar cuan rápido puede cambiar la variable en estudio a pequeñas distancias.
 Puede ocurrir que para distancias cercanas a cero el valor del variograma no sea igual a cero.
 Puede ser causado porque la variable es muy irregular a distancias cortas y difieren mucho.
 Esto originaria que para escalas cercanas a cero, exista una fuerte diferencia entre los valores
comparados.
 Para distancias cortas el variograma tiene un comportamiento lineal.
 La variabilidad de la propiedad dependerá de la pendiente de la recta en el origen.
 A mayor pendiente mayor variabilidad.
 A menor pendiente menor variabilidad.
 También para distancias cortas el variograma tiene comportamiento cuadrático.
 Representa variables sumamente continuas e infinitamente diferenciables.
 Variación mas suave a distancias cortas y variación más fuerte a distancias grandes.
 Indica presencia de estructuras actuando a diferentes escalas.

COMPORTAMIENTO DE UN VARIOGRAMA A DISTANCIAS GRANDES

 Si las leyes tienen un crecimiento y decrecimiento progresivo el variograma tenderá a crecer con la
distancia.
 Si las leyes tienen un efecto seudo-periodico no se observa una tendencia clara del variograma a gran
escala. Se puede llamarse un ciclo.
 También existe comportamiento ideal del variograma.

CAUSAS DEL EFECTO PEPITA

 Puede ser causado por una baja precisión de los resultados del laboratorio.
 Debido a que el mineral se encuentra en particulas de diverso tamaños.
 Cuando la mineralización es discontinua a escalas menores presentan tramos mineralizados y tramos
esteriles.

COVARIANZA: C(h)
Es un valor que indica el grado de variación conjunta de dos variables aleatorias respecto a sus medias. Es el dato
básico para determinar si existe una dependencia entre ambas variables y además es el dato necesario para
estimar otros parámetros básicos, como el coeficiente de correlación lineal o la recta de regresión.
La covarianza es una medida de correlación que mide la similitud.

C ( h )=E ( Y ( u )∗Y ( u+h ) )−m

2

En h=0 entonces C(0)=Q2 VARIANZA

C(h)=0 entonces los Y(u) no están linealmente correlacionados.
ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 11
Además:
y(h)=C(0)-C(h) Y C(h)=C(0)-y(h)

𝐶(ℎ) = δv 2 − 𝛾(ℎ) = 𝛾(∞) − 𝛾(ℎ) .

donde:
y(h): semivariograma
C(0): varianza o sill
C(h): covariograma.
2
δv : varianza
(∞): variograma en el infinito

ANALISIS ESPACIAL DE LOS DATOS

ESTACIONARIEDAD:
La variable regionalizada es estacionaria si una función de distribución conjunta es invariante respecto a cualquier
traslación del vector h.

ISOTROPIA:
Se habla de isotropía cuando la estructura de correlación espacial no solo depende de la distancia entre los sitios,
sino de su orientación es decir igual correlacion en todas las direcciones. Caso contrario el fenómeno se considera
anisotropico. Tiene el mismo alcance en todas las direcciones.

ANISOTROPIA:
Se habla de la anisotropía cuando solo hay correlación en una dirección que en el resto. El alcance es distinto en
cada dirección. El mayor alcance indica mayor correlacion y continuidad de datos espaciales, dado que solo eso
sucede en una sola dirección.

METODOS DE ESTIMACION
Se dividen en dos estimaciones locales y globales.

METODO DE PROMEDIO ARITMETICO O BLOQUES ANALOGOS

METODO POR BLOQUES GEOLOGICOS.

METODO DEL INVERSO A LA DISTANCIA.

METODO DE POLIGONOS

METODO DE LAS ISOLINEAS

METODO DE LOS PERFILES

METODO DE TRIANGULACION

METODO EL VALOR MAS CERCANO

METODOS GEOESTADISTICOS:
 KRIGING ORDINARIO
ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 12
  KRIGING SIMPLE
 KRIGING UNIVERSAL

KRIGING
Es un método de estimación que selecciona el promedio ponderado de los valores de las muestras la cual tenga la
mínima varianza.
Uno de los objetivos principales del análisis estadístico de datos espaciales en dominio continuo es la predicción
en lugares no muestreados.
El predictor kriging siempre es insesgado, no tiene ninguna restricción, y la media es constante y conocida pero
también hay casos donde la media es desconocida en el caso de kriging ordinario.
Permite también conocer el error de estimación, posibilidad que los otros métodos de interpolación no permiten.

n
Z=∑ a i∗Xi
i=1

∑ a i=1
i=1

Dónde:
X1, X2, X3,…, Xn son leyes de las muestras y ai son pesos de cada muestra.
Además la sumatoria de ai debe cumplirse igual a 1.

Estimador insesgado:
Un estimador es insesgado cuando la esperanza matemática de este es igual al parámetro que se desea estimar.
Por lo tanto, la diferencia entre el parámetro a estimar y la esperanza de nuestro estimador puntual tendría que
ser cero.
E(Ᵹ)=0

KRIGING SIMPLE-Kriging lineal con valores esperados conocidos: Kriging Simple.

El kriging simple asume el conocimiento tanto de la media como de la covarianza del proceso. Por su puesto, es
poco práctico ya que en general estos dos parámetros son desconocidos y es preciso estimarlos a partir de los
datos de la muestra.
n
Z=∑ λ i∗Xi
i=1

La incógnita siempre va ser los ponderadores lamda λ que se calculan con las matrices.
Los Xn son leyes de las muestras conocidas.

KRIGING ORDINARIO-Kriging lineal con valor esperado estacionario pero desconocido: Kriging Ordinario
Es el mas generalizado y utilizado. Asume que el promedio constante de los valores es desconocido. Esta
presunción es razonable de utilizar a menos que existan bases científicas que indiquen lo contrario. El kriging es
óptimo cuando la variable aleatoria sigue una distribución normal.
n
Z=∑ λ i∗Xi
i=1

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 13

 ( )| | ( )
C (U 1−U 1) ⋯ C(U 1−Un) 1
λ1 C(U 1−Uo)
⋮ ⋱ ⋮
⋮ = ⋮
1
C(Un−U 1) C (Un−Un) λn C (Un−Uo)
⋯ 0
1 −m 1
1

La incógnita siempre va ser los ponderadores lamda λ que se calculan con las matrices.
Los Xn son leyes de las muestras conocidas y m es desconocida.

Para que la estimación sea óptima se precisa que la  i = 1.

KRIGING UNIVERSAL.
Asume la existencia de una tendencia al interior los datos (por ejemplo la dirección del viento) que puede ser
modelada mediante una función determinística, la polinomial. El kriging universal Solo debe ser usado cuando se
conocen las tendencias contenidas al interior de los datos y estas pueden ser científicamente justificadas.

PREDICTOR COKRIGING.
El método de predicción espacial Cokriging estima el valor de una variable en una locación en donde no se tiene
información de ella, con base en los datos conocidos y en los datos de algunas variables auxiliares que estén
correlacionadas espacialmente con ella. Para el caso de considerar una sola variable auxiliar, el predictor Cokriging
tiene la siguiente forma:

n m p
Z 1=∑ λi∗Zi 1+∑ λj∗Zj2+ ∑ λk∗Zk 3
i j k

Un ejemplo seria que en una distribución espacial se encuentra tres minerales: Au, Cu y Pb donde en un punto se
desea saber la ley de cobre, de oro o de plomo, donde se hace una mezcla o cruzado de datos de cada mineral.

Es una generalización del kriging, donde existen dos o más procesos espaciales de interés. Además se debe hacer
análisis multivariada de datos.

EJERCICIOS
Calcular la ley en el punto (z) mediante kriging simple y ordinario. La media es (m=2.2).

P2 P1 Pz

0.5m 1.5m

Ley en p1=2%Cu
Ley en p2=3%Cu

Variograma
γ ( 0 )=¿ 0
γ ( 0.5 )=¿ 0.3
γ ( 1 )=¿0.6
γ ( 1.5 )=¿ 0.9
γ ( 2 )=¿1.2
𝛾(∞) = 2
ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 14
Paso 1: ordenar la distancia entre puntos.

H P1 P2 Pz
P1 0 0.5 1.5
P2 0.5 0 2

Paso 2: encontrar las funciones del variograma a partir de la distancia.

𝛾(h) P1 P2 Pz
P1 0 0.3 0.9
P2 0.3 0 1.2

Paso 3: encontrar la covariograma C(h)= 𝛾(∞)-𝛾(h)

C(h) P1 P2 Pz
P1 2 1.7 1.1
P2 1.7 2 0.8

Paso 4: presentación de la matriz

¿

[ 1.72 1.72 ]|λλ 12|( 1.1

0.8)

Paso 4: solución del sistema de ecuaciones.

2 λ 1+1.7 λ 2=1.1
1.7 λ 1+2 λ 2=0.8

λ 1=0.75 λ 2=−0.24

Paso 5: interpolar con kriging simple Ż(x).

n
Ż ( x )=∑ λi∗Z ( x ) +¿ m
i=1

Ż ( x )=λ 1∗Z ( x 1 ) + λ 2∗Z ( x 2 ) + ( 1− ( λ 1∗λ 2 ) )∗m

Ż ( x )=( 0.75∗2 ) + (−0.24∗3 ) + ( 1−( 0.75−0.24 ) )∗2.2=1.86 %

Interpretación:
En el caso el punto 1 o la muestra 1 es la que influye mas y le da mayor peso para el resultado del punto a estimar.

Falta hallar por método kriging ordinario.

ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 15
ELABORADO POR: RAUL QUISPE CONDE - GEOESTADISTICA 16