1

Contenido
Alcance
Variables regionalizadas
Covarianza
El semivariograma
Definición
Cálculo del variograma
Interpretación del variograma
Modelos de variograma
Mapas variográficos
Limitaciones del variograma

El Kriging 2
 Alcance de los métodos geoestadísticos

Los métodos geoestadísticos:

• permiten estimar las reservas teniendo en cuenta las características estructurales del depósito.
• asignan errores de estimación.

¿Qué factores de ponderación son los mejor para elegir? ¿A partir de qué distancia se pueden
incluir muestras? ¿Quá confiable es la estimación cuando se utilizan muestras lejanas?
Por otra parte, la idea de ponderar muestras por alguna medida de su similitud con lo que se
desea estimar es atractiva.
La geoestadística asume que las muestras en un yacimiento están correlacionadas. Datos más
cercanos tienen más posibilidades de ser similares que dos alejados
 Alcance de los métodos geoestadísticos

Los estudios geoestadísticos conllevan tres pasos:

• Análisis Exploratorio de los datos
Inicialmente, se estudian los datos puros sin tener en cuenta su distribución
geográfica en el espacio. Se verifica la normalidad de los datos y se aplica la
transformada de los datos si fuera necesario.

• Análisis Estructural
Se estudia la continuidad espacial, es indispensable conocer la distribución
geográfica de las variables para realizar esta etapa del estudio. Se calculan los
variogramas que expliquen la variabilidad espacial y se ajustan a un variograma
teórico.

• Kriging
Estima la variable en los puntos no muestrales, considerando la estructura de
correlación espacial seleccionada e integrando la información obtenida de forma
directa en los puntos muestrales. 4
 Alcance de los métodos geoestadísticos

La geoestadística es una colección de técnicas numéricas para la caracterización de atributos

espaciales utilizando principalmente dos herramientas:
• Modelos probabilísticos
• Técnicas de reconocimiento de patrones.
Los modelos probabilísticos se utilizan como una forma de manejar la incertidumbre en los
resultados en zonas alejadas de los puntos de muestreo.

Los métodos geoestadísticos nos ?

permiten realizar las extrapolaciones de
manera óptima
5
 Variables regionalizadas
Se basa en el empleo de variables regionalizadas. Una variable regionalizada es una
función que representa la variación en el espacio de una cierta magnitud asociada a un
fenómeno natural. Ej en un depósito pueden ser variables regionalizadas la potencia, la
ley o la densidad.

Sea x un punto del espacio, se designa la variable regionalizada por la notación z(x), por
ejemplo la ley en el punto x se representa por z(x)

Z(x)

6
 Variables regionalizadas

Una variable aleatoria es una cantidad que puede tomar cualquiera de los valores dentro
de un conjunto dado de frecuencias relativas especificadas.
Una variable regionalizada es simplemente una función z(x) del punto x. Sin embargo,
esta función no se comporta como las funciones que se estudian en Matemáticas: En
general z(x) es muy desordenada en su variación espacial y no se podrá expresar como un
polinomio

Leyes de As, mina Los Pelambres,

Chile. Variable muy irregular,
concentrada en vetas. (Alfaro,
2007)

7
 Variables regionalizadas
Supongamos que tenemos un conjunto de datos de leyes repartidas en un espacio XY, y
asignamos a cada muestra un símbolo con un tamaño proporcional a su valor:

Representación de las muestras del conjunto 1.

Tamaño de los puntos proporcional al valor de Representación 3D de la distribución.
cada una.

media = 0.93; desviación estándar = 1.20 8

 Variables regionalizadas
Los mismos valores con una ordenación diferente:

Representación de las muestras del conjunto 2.

Tamaño de los puntos proporcional al valor de Representación 3D de la distribución.
cada una.

media = 0.93; desviación estándar = 1.20

9
 Variables regionalizadas

Ejemplo

Perfil de muestreo 1 Perfil de muestreo 2

Muestras cada 5 m. Muestras cada 5 m.

10
Variables regionalizadas

20

15

10

n
5

0
0,00 0,50 1,00
ley (ppm)

Perfil 1 Perfil 2
nº Valores 50 50
Máximo 1,44 1,43
Mínimo 0,17 0,17
Media 0,8004 0,8002
Desv. Estándar 0,26994 0,26997
Error medio 0,03817 0,03818
Varianza 0,07286 0,07288
11
 Variables regionalizadas

En los perfiles se observa que los valores son diferentes en ambos perfiles,
pero la estadística falla a la hora de detectar una diferencia de tipo espacial. 12
 Variables regionalizadas
Perfil 1

Distancia 1

Inicio final
0,74 0,82
0,82 0,92
0,92 0,95
0,95 1,06
1,06 1,09
1,09 1,11
1,11 0,98
0,98 0,87
… …

13
 Variables regionalizadas
Inicio final
Perfil 1 0,74 0,82
0,82 0,92
0,92 0,95
0,95 1,06
1,06 1,09
1,09 1,11
1,11 0,98
0,98 0,87
0,87 0,77
0,77 0,81
0,81 0,84
0,84 0,92
0,92 1,04

Media, µ 0,805 0,800

Desviación standard, σ 0,271 0,269
14
 Variables regionalizadas
Perfil 1

1,6
Corr inicio-final=0,8953
R² = 0,8074

1,4

1,2

1
Final

0,8

0,6

0,4

0,2

0
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6
Inicio

15
 Variables regionalizadas
Perfil 1
Distancia 2

Inicio final
0,74 0,92
0,82 0,95
0,92 1,06
0,95 1,09
1,06 1,11
1,09 0,98
0,98 0,77
… …

16
 Variables regionalizadas
Perfil 1 Inicio final
0,74 0,92
0,82 0,95
0,92 1,06
0,95 1,09
1,06 1,11
1,09 0,98
1,11 0,87
0,98 0,77
Dist 1
0,87 0,81 Corr inicio-final=0,8953
0,77 0,84 Dist 2
0,81 0,92 Corr inicio-final=0,8195
0,84 1,04
0,92 0,9

Media, µ 0,807 0,800

17
Desviación standard, σ 0,273 0,271
 Variables regionalizadas

Perfil 1

0,00 0,50 1,00

dist 0 dist 1 dist 2 dist 3 dist 4 dist 5

18
 Variables regionalizadas
Correlación

1,0 0,8953
0,8195
0,7419 0,6453
0,5511

0 1 2 3 4 5
Distancia

Representación del coeficiente de correlación respecto a la distancia de separación.

Correlograma
19
 Variables regionalizadas
Perfil 2
1,4
R² = 0,0019

1,2

Corr inicio-final=0,1338
1

0,8
Final

0,6

0,4

0,2

0
0 0,2 0,4 0,6 0,8 1 1,2 1,4
Inicio

0,00 0,50 1,00

dist 0 dist 1 dist 2 dist 3 dist 4 dist205

 Variables regionalizadas
Correlación
1,0 -0,1
0,1
-0,1 -0,1
0,0

0 1 2 3 4 5
Distancia

Representación del coeficiente de correlación respecto a la distancia de separación.

• El correlograma claramente distingue los perfiles 1 y 2.

• Estima la correlación entre dos puntos en el espacio y es función de la
distancia de separación entre ellos
• También puede ser función de la dirección.
21
 Variables regionalizadas

¿cómo poder relacionar los valores con sus posiciones en el espacio?

¿cómo relacionar dichos valores entre sí ?

La estadística clásica no resulta útil para tratar casos de este tipo, ya que no se trata de
datos abstractos sino que tienen una distribución en el espacio.
Esto se obtiene mediante estimadores de la continuidad espacial, que son una una
función matemática que permite analizar el comportamiento espacial de una variable
sobre un área definida, teniendo en cuenta la direccionalidad (anisotropía) de los valores
Las más co nocidas son:
El correlograma
La función covarianza
El semi-variograma

22
 Covarianza
La covarianza 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.

Para una muestra de n datos bivariantes (h1, l1),..., (hn, ln)

h, l= medias

Lo que es lo mismo que

23
 El semi-variograma
Definición

Y
(X,X)
X-Y

(X,Y)
?

Entonces,

24
 El semi-variograma
Considérese la distancia 1 del perfil 1 del ejemplo anterior

Calculamos la media de la distancia al cuadrado

de cada punto de la línea x=y

El variograma se define como la media de los cuadrados de las diferencias entre pares
de muestras separados por una distancia h:

Donde:
h = distancia entre los pares.
n = número de pares. 25
Z(xi) = la localización y valor de la muestra.
 El semi-variograma
Definición

Y
(X,X)
X-Y

(X,Y)
?

Entonces,

26
 El semi-variograma
Perfil 1

0,00 0,50 1,00

dist 0 dist 1 dist 2 dist 3 dist 4 dist 5

Perfil 2

27
 El semi-variograma

→
x x+h

Z(x) Z(x+h)

La definición de la función variograma γ (h) es la esperanza (=media) del cuadrado

de la desviación de una variable:

Varianza (σ2)

promedio

28
 El semi-variograma
Cálculo del variograma
a) Para muestreo en una línea

Si γ=b:

Si γ=2b:

En general, si γ=kb:
29
 El semi-variograma
Cálculo del variograma
a) Para muestreo en una línea

h=1; Gh= 1/2x8 [(1-2)2+(2-3)2+(3-4)2+(4-5)2+(5-4)2+(4-3)2+(3-2)2+(2-1)2]= 0,5

h=2; Gh= 1/2x7 [(1-3)2+(2-4)2+(3-5)2+(4-4)2+(5-3)2+(4-2)2+(3-1)2]= 1,71

h=3; Gh= 1/2x6 [(1-4)2+(2-5)2+(3-4)2+(4-3)2+(5-2)2+(4-1)2]= 3,17

h=4; Gh= 1/2x5 [(1-5)2+(2-4)2+(3-3)2+(4-2)2+(5-1)2]= 4

30
 El semi-variograma
Cálculo del variograma
a) Para muestreo en una línea

Los valores si γ (kb) se representan gráficamente, obteniédose el variograma:

g (h) Meseta

Covarianza
Alcance:
Distancia a la
cual el
variograma se
estabiliza
Alcance

Ejemplo clásico de un variograma experimental. La varianza crece sistemáticamente hasta “3b”,

(rango o alcance) distancia a partir de la cual las muestras empiezan a ser independientes unas de
otras. La meseta (o sill) muestra la zona de la curva donde los valores ya no se correlacionan Y
coincide con la varianza estadística de las muestras). 31
 El semi-variograma
Cálculo del variograma
a) Para muestreo en una malla regular
Ej. Imaginemos una malla cuadrada donde se han tomado una serie de muestras con
determinados valores, y supongamos que la distancia entre muestras es de 10m.

El primer punto de nuestra función γ (h) vendrá dado por γ(10), esto es, la media de los cuadrados
de las diferencias entre todos los pares de muestras separados por una distancia de 100 m:
32
γ (h) = 1/2n Σ [Z(xi+h) - Z(xi)]2
 El semi-variograma
Cálculo del variograma
a) Para muestreo en una malla regular
γ (h) = 1/2n Σ [Z(xi) - Z(xi + h)]2

36 pares

γ(10)= [(1.6-1.4)2+(1.4-0.9)2+(0.9-0.7)2+(0.8-0.7)2+(1.0-0.8)2+ 1.0-0.9)2…..

…+(0.4-0.0)2]/(2*36) = 0.0535

33
 El semi-variograma
Cálculo del variograma
a) Para muestreo en una malla regular
γ (h) = 1/2n Σ [Z(xi) - Z(xi + h)]2

27 pares

4 2 2 3 4 3 4 4 1

γ (20) )= [(1.6-0.9)2+(1.4-0.7)2+(0.9-0.8)2+(1.0-0.7)2+…..…+(0.6-0.0)2]/(2*27) = 0.0987

γ (30) )= [(1.6-0.7)2+(1.4-0.8)2+(0.9-1.0)2+…..…+(0.5-0.2)2]/(2*21) = 0.1888

γ (40) )= [(1.6-0.8)2+(1.2-0.8)2+(1.5-0.7)2+…..…+(1.0-0.4)2]/(2*13) = 0.25077

34
γ (50) )= [(1.6-1.0)2+……………………….…..…+(0.8-0.0)2]/(2*5) = 0.261
 El semi-variograma
Cálculo del variograma
a) Para muestreo en una malla regular
γ (h) = 1/2n Σ [Z(xi) - Z(xi + h)]2

Se tienen que realizar los mismos cálculos en dirección E-W

γ(h1) = 0.0146 (36 pares)

γ(h2) = 0.0330 (33 pares)
γ(h3) = 0.0431 (27 pares)

También a 45º

35
Igual se debería hacer a 135º
 El semi-variograma
Cálculo del variograma

Estos puntos aparecerán en el variograma experimental de la siguiente manera:

Este variograma indica que la distribución de las leyes presenta una anisotropía,
siendo más regulares en la dirección EW que en la NS.
36
 El semi-variograma
Cálculo del variograma

g (h)
Con el alcance se puede determinar el
distanciamiento óptimo del muestreo. De tal modo
que su influencia tenga el solapamiento adecuado.
Alcance

Gran solapamiento
Alta covarianza

Solapamiento reducido
Menor covarianza

Sin solapamiento
Covarianza cero
37
 El semi-variograma
Interpretación del variograma

?
 El semi-variograma
Interpretación del variograma
Mediante el variograma determinaremos que
muestras pueden tener una influencia “real” en la
estimación de la ley (o cualquier otra variable que
estemos considerando), ya que el alcance nos indica
hasta que distancia existe una relación entre las
muestras. Ej., si el alcance determinado por la
modelización del variograma fuera de a = 100 m, la
muestra 5 tendría que ser descartada

H≤200m
5 2
1
Un variograma γ(h) es significativo
100m hasta una distancia igual a la mitad
4 de la dimensión del campo en la
dirección de h. 39
 El semi-variograma
Interpretación del variograma
Relación con la función de covarianza:

Para funciones aleatorias estacionarias se tiene que el variograma y la covarianza se

relacionan de la siguiente manera
g h   C 0   C h 

Variograma
(C0)
g(h) 1
g (h)  E[(Z (x  h)  Z (x))2 ]
Variograma

2
Variograma
1 1
 E[(Z (x  h))2 ]  E[ Z (x  h) Z (x)]  E[(Z (x))2 ]
Covarianza 2 2
1
    
1
 C (0)   2  C (h)   2  C (0)   2
2 2

Covarianza  C (0)  C (h)

C(h)
Distancia

40
 Modelos de semi-variograma

Parabólico
g (h)
Esférico Parabólico Exponencial

Gaussiana Lineal

41
 Modelos de semi-variograma

Esférico
γ Representa variables continuas pero no
diferenciables. Representa la no superposición de
dos esferas de influencia. La fórmula es cúbica ya
C que representa volúmenes, y se basa en dos
parámetros: el rango de influencia (radio de la
esfera) y la meseta que el gráfico alcanza en el
a rango. La fórmula y la forma de este modelo se
muestran a continuación.
h (distancia entre muestras)
γ(h) = C[1.5(h/a)-0.5(h/a)3]
C+C0 γ γ(h) = C
C
Además de esto, puede haber un intercepto
positivo γ en el eje, el efecto pepita.
a

C0
γ(h) =C0+ C[1.5(h/a)-0.5(h/a)3]

h (distancia entre muestras) γ(h) = C0+C

 Modelos de semi-variograma

Parabólico
Representa variables sumamente continuas e infinitamente
diferenciables. Así, la propiedad no puede cambiar
rápidamente de un punto a otro.

Representa variables continuas pero no diferenciables.

Representa la decadencia exponencial de "influencia"
Exponencial
entre dos muestras. Se basa en dos parámetros
principales: el rango de influencia (un parámetro de
escala) y el umbral (meseta) al que tiende el gráfico a
grandes distancias. También existe un posible "efecto
de pepita".
γ(h) = C[1- e-3(h/a)]

43
 Modelos de semi-variograma

Tiene un comportamiento parabólico en el origen y

Gaussiana
luego la meseta se alcanza asintóticamente

γ(h) = C[1- e-3(h/a)2]

Representa fenómenos continuos infinitamente

diferenciables (sumamente continuos)

Lineal No tiene meseta ni rango. Se utiliza para modelar

fenómenos que presentan capacidad infinita de
dispersión.
γ(h) = [A(h)+B]

En todos ellos la variabilidad de la propiedad dependerá de la pendiente de la recta en el

origen, a mayor pendiente, mayor variabilidad
44
 Interpretación del semi-variograma
Fluctuaciones

g (h)

Alcance

Las fluctuaciones aumentan cuando aumenta la distancia de separación

El variograma experimental no es confiable / interpretable para distancias muy grandes con
respecto al diámetro del dominio muestreado.
45
 Interpretación del semi-variograma
Efecto pepita
El comportamiento cerca del origen indica qué tan semejantes son dos datos muy cercanos,
o sea, refleja la continuidad o regularidad de la variable en a pequeña escala

g (h)
Efecto pepita

Alcance

h
Cuando la curva no empieza en el origen del sistema XY (varianza 0), es debido al
denominado efecto pepita, debido a fluctuaciones aleatorias de la variable o a errores en el
muestreo.
46
 Interpretación del semi-variograma
Variaciones cíclicas

g (h)

Alcance

Existen datos que pueden mostrar diferentes poblaciones. En muchos casos las poblaciones están
geográficamente diferenciadas, donde se deben tratar las zonas por separado. En otros, las poblaciones
se presenten mezcladas geográficamente, en este caso una solución puede ser un cambio de escala, con
lo que se logra reducir la diferencia de los valores extremos. 47
 Interpretación del semi-variograma

Existencia de poblaciones mixtas

g (h)

Alcance

h
Puede estar vinculada a la periodicidad geológica
Puede deberse a información limitada / mala elección de parámetros de cálculo
Hay que comprobar si se produce el efecto pepita y hacer una estimación razonable
del alcance 48
 Interpretación del semi-variograma

Ausencia de sill o meseta

Puede deberse:
g (h)
- a la escala de trabajo
(distancias de cálculo <
rango).

- a la presencia de tendencias
→ considerar una deriva
explícita en el modelo de
función aleatoria?
Puede interpretarse como
función aleatoria de varianza h
infinita

49
 Interpretación del semi-variograma

Anisotropía zonal

3,5

g (h) 3

2,5

2
Variograma

1,5

h
0,5

0
0 0,94 1,99 3,04 4,09 5,14 6,19 7,24 8,29 9,34 10,4 11,4

Distancia

Es aquella en la que el variograma presenta el mismo

rango pero diferente sill en distintas direcciones

Se debe a la existencia de zonaciones o ciclos

50
 Interpretación del semi-variograma
Anisotropía geométrica

g (h)
2,5

2
Variograma

1,5 N-S
E-O
1

0,5
h
0
0,0 0,9 2,0 3,0 4,1 5,1 6,2 7,2 8,3 9,3 10,4 11,4

Distancia

Es aquella en la que el variograma en distintas direcciones presenta el mismo sill pero rangos distintos.

La dirección de mayor rango significa mayor continuidad espacial.

51
 Interpretación del semi-variograma
Mapas variográficos

Consiste en calcular y visualizar el

variograma experimental en todas
las direcciones del espacio, bajo la
forma de un mapa de color.

De este modo, se puede distinguir

si existe anisotropía y sus
características espaciales , y así,
calcular el variograma a lo largo
de las direcciones principales de
anisotropía.

https://www.u-cursos.cl/ingenieria/2007/1/MI54A/1/material.../127358

52
 Interpretación del semi-variograma
Limitaciones del variograma

7 7
10 10

Es extremadamente 11 11
12
12
sensible a valores 13 25
14
extremos
14
12 12
13 13
10 2
11 11
9 9
8 8

γ (4)=6.62
γ (4) )=63.5

60
8
50

Variograma
Variograma

6 40
30
4
20
2 10

0 0

1 2 3 4 5 6 1 2 3 4 5 6

Distancia Distancia
53
Variables regionalizadas

54
 El semi-variograma
Definición

Y
Valores (X,X)
esperados
X-Y

(X,Y)
?
Por tant
?d= (X-Y)

X
Valores reales

Entonces,

55
 Por tant Por tant
?d= (X-Y) ?d2= (X-Y)2
2

Valor de d promedio

56