Tema 4 - El Variograma Experimental

Facultad de Ingeniería Geológica El variograma Experimental Geoestadística
GLG - 935
T4. EL VARIOGRAMA EXPERIMENTAL

(Análisis estructural de datos)
4.1.- Introducción.-
El análisis estructural consiste en estimar y modelar una función que refleje la

correlación espacial de la variable regionalizada a partir de la adopción razonada de
la hipótesis más adecuada acerca de su variabilidad.
En dependencia de las características de estacionariedad del fenómeno se

modelará la función de covarianzas o la de semivarianzas.
Por su importancia y generalidad estudiaremos el proceso de estimación y

modelación de la función de semivarianzas o variograma.
El procedimiento para efectuar una estimación geoestadística de reservas puede

dividirse en tres etapas:
Primera etapa: Se refiere a la investigación y modelaje de la estructura física y

estadística del depósito mineral que se está estimando. (Análisis exploratorio de
datos).
Segunda etapa: Se realiza el análisis estructural, que se encarga de la

caracterización espacial de una propiedad o fenómeno, también conocido como el
Análisis estructural o Variografía.
Tercera etapa: Se refiere al proceso de estimación en si, el Krigeage, Método de

estimación espacial. A partir de información conocida, estimar el valor donde se
desconoce o se carece de muestreo.
Este tema en particular cubrirá la segunda etapa del procedimiento de estimación

geoestadística.
4.2.- El variograma.-
El variograma es una curva que representa el grado de continuidad de la

mineralización de un depósito. Experimentalmente, uno dibuja una distancia d en la
abscisa y en la ordenada el valor promedio del cuadrado de la diferencia entre las
leyes de muestras tomadas a una distancia d una de otra. (Fig. 75)El variograma,
conocido también como semivarianza, es la herramienta central de la
geoestadística. Dada una FA Z(x) que cumpla la Hipótesis Intrínseca entonces
existe la función del variograma y se define como sigue:
71 Docente: Ing. Isidro Calcina B.

GLG - 935
Z(x+h)
Z(x)
Fig. 75 Dos puntos a la distancia vectorial h
Teóricamente, sea Z(x) el valor que toma la variable regionalizada en “x” y sea
Z(x+h) el valor que toma la variable regionalizada en un punto a una distancia
vectorial h del punto anterior. El semivariograma (variograma de hoy en adelante)
para una distancia vectorial h viene dado por:
‫( ﻻ‬h) = E[{z(x) - z (x+h)}2] o
‫( ﻻ‬h) = promedio [{z(x) - z (x+h)}2]
Si el campo geométrico de la variable regionalizada es V y la variable regionalizada

esta definida en un soporte geométrico dado v (en general el soporte v será
pequeño) y su límite puede considerarse en punto) el variograma o ley de
dispersión, se define para un argumento vectorial h por la expresión:
1
‫(ﻻ‬h) = ∭𝑣 {𝑧(𝑥 ) − 𝑧(𝑥 + ℎ)}2 dv
2
En general el variograma es una función no decreciente de la distancia h ya que el

promedio cuanto más separadas estén las muestras unas de otras mas diferentes
serán sus leyes. El variograma ofrece una estimación precisa del tradicional
concepto de zona de influencia, el crecimiento mas o menos rápido del variograma
representa la deterioración mas o menos rápida de la influencia de una muestra
dadas sobre zonas cada vez mas remotas del depósito, las características

GLG - 935
cualitativas de una regionalización quedan muy bien expresadas a través del

variograma.
Esta herramienta, el variograma no representa la totalidad ni los detalles locales del
fenómeno de mineralización, pero si representa en forma sintética sus
características esenciales.
4.3 El variograma y sus características.-
a) Definición e hipótesis intrínseca:
Bajo la hipótesis estacionaria se tiene:
E[z(x)2] = [z(x+h)2] = K(o) ( siendo K una función)
De este modo se puede escribir que:
E[Z(x)2] + E[z(x+h)2] = 2K(o)

2E[z(x) z(x+h)] = 2K(h)
E[{z(x) - z(x+h)}2] = 2K(o) – 2K(h)
El primer miembro de esta expresión representa una medida de la continuidad

de la función y como tal la función se tiene:
2‫(ﻻ‬h) = E[{z(x) - z(x + h)}2 = 2{k(o) - k(h)}
Es una función de tipo estructural que rinde cuenta de la continuidad de la

función en estudio. Esta función recibe el nombre de variograma y por revelar
las características intrínsecas de la variable misma recibe también el nombre de
ley intrínseca.
En la práctica sin embargo se utiliza el semivariograma:
‫(ﻻ‬h) = K(o) – k(h)

GLG - 935
k(o) N ‫(ﻻ‬h)
N k(h)
Distancia (h)
Fig. 76 El Semivariograma y correlograma
k(o)
K(h)
‫(ﻻ‬h)
Distancia (h)
Fig. 77 Variograma teórico
b) Hipótesis intrínseca.-
Existen fenómenos donde la estacionaridad no se cumple y que presentan una

capacidad de dispersión ilimitada (varianza infinita) ¿Qué significa esto?
Cuando se toman muestras de tamaño v dentro de un campo V, siempre es

posible calcular su dispersión σ2 (v/V), pero si el campo V crece, la varianza
también crece y no tiene límite.
En otros depósitos de oro de sud Africa, se encontró la siguiente relación

experimental:
σ2 (v/V) = α log (V/v)
En este caso la varianza a priori k(o) que debería ser el límite de σ2 (v/V) para
V infinito, es infinita vale decir no existe.

GLG - 935
De este modo cuando la varianza k(o) no existe, puede suceder que ya no

existe la variable sino que las discrepancias Z(x+h) – z(x) de la variable; tengan
una varianza finita.
Se dirá en este caso que la F. A z(x) verifica la hipótesis intrínseca para todo
vector h, la discrepancia [Z(x+h) – z(x) admite una esperanza y una varianza
independiente de x pero dependiente de h.
E[z(x+h) – z(x)] = m(h)
E[{z(x+h) z(x)}2] = 2 ‫(ﻻ‬h)
En la hipótesis estacionaria existe k(h) y se cumple:
E[z(x)] = E[z(x+h)] = m
En la hipótesis intrínseca no existe K(h), existe ‫(ﻻ‬h) y se cumple:
E[z(x+h) - Z(x)] = m(h)
Si existe la hipótesis estacionaria existe de por si la intrínseca, pero no es válido

plantear lo contrario.
c) Características de un variograma.-
Continuidad.-
La mayor o menor regularidad de la mineralización se presenta por el

comportamiento mas o menos regular del variograma ‫(ﻻ‬h), cerca al origen. Es
posible distinguir cuatro tipos: Tipo 1 (Fig. 78)
a) Tipo 1
‫(ﻻ‬h) Fig. 78 En este caso el

variograma tiene o presenta
una tendencia parabólica en
el origen, y representa una
variable regionalizada con
alta continuiad, Por ejemplo
la potencia de un depósito
tabular.
(h)

GLG - 935
b) Tipo 2
‫(ﻻ‬h)
El segundo tipo de continuidad,
llamado continuidad lineal es
caracterizada por una tangente
oblicua en el origen y representa una
variable que tiene una continuidad
promedio. Este tipo de continuidad es
más común para leyes de depósitos
metalíferos.
(h)
Fig. 79 Variogramas y su característica de continuidad espacial
c) Tipo 3
‫(ﻻ‬h)
Fig. 80: En este caso se revela una

discontinuidad en el origen y
representa una variable que no
presenta siquiera una continuidad
promedio pero sin un efecto de pepita.
(h)
‫(ﻻ‬h)
d) Tipo 4
Fig. 81: Este es un caso límite y

corresponde a la clásica noción de
variable aleatoria, representa un
comportamiento aleatorio puro.
(h)
GLG - 935
En el primero y último de continuidad aparece un rango de continuidades

intermedias, cuyo estudio es el objetivo de la geoestadística. A continuación se
presentan algunos variogramas experimentales que presentan diferentes tipos de
continuidad.
‫(ﻻ‬h)
Buena continuidad
Depósitos tabulares
Alcance como: (Fe, Pb/Zn)
A: Rango del
variograma.
10 20 30 40 50 60 70 h (m)
‫(ﻻ‬h)
Continuidad pobre
(Depósitos de tipo
porfirítico,
uranio…)
A
Co: Efecto de
Pepita.
Co
20 40 60 80 100 120 140 h (m)

Fig. 82 Variogramas experimentales
4.4.- Zona o área de influencia.-
La zona de influencia es la zona más allá del cual la influencia de una muestra
desaparece. Es normal caracterizar tal zona de influencia en una dirección dada por
la distancia a la cual el variograma eventualmente alcanza una meseta. Fig. 83

GLG - 935
‫(ﻻ‬h) En la Fig. 83 se
Meseta tiene un rango de
influencia, (a partir
de ahora
simplemente rango
o alcance) de 200
metros en un
Rango o alcance depósito de Fe.
50 100 150 200 250 300 350 h (m)
‫(ﻻ‬h)
Nótese que en muchos
casos cuanto más
separadas están las
muestras, éstas son
más diferentes. Esto
ocurre frecuentemente
en depósitos
hidrotermales. La
figura que se muestra a
la izq. (depósito Cu-Ni)
400 600 800 log.(h)
Cuando el rango existe se dice que el variograma es de tipo transición.
4.5.- Fenómenos de transición.-
El traspaso de cierto tipo de valores (estéril o mineralización mineralización tipo?)

es también reflejado por el variograma.
Supóngase el estudio de un manto mineralizado (Fig. 84), Nótese que el variograma

en la distancia A2, refleja un cambio de pendiente (en h= L), la transición estéril
mineral.
Ejemplo:

GLG - 935
‫(ﻻ‬h)
Dirección A1
L
(h)
Dirección A1 ‫(ﻻ‬h) Cambio de pendiente
Dirección A2
Dirección A2
a (h)
Fig. 84 Fenómenos de transición
4.6.- Anisotropias.- Las anisotropías son fácilmente detectadas calculando el

variograma en diferentes direcciones. Fig. 85.
‫(ﻻ‬h)
4
3
σ2 2
1
200 400 600 800 1000 h(pies)

Fig. 85 Cálculo del variograma en diferentes direcciones
En la figura 85 se pueden apreciar cuatro variogramas calculados de acuerdo a

cuatro direcciones diferentes en un depósito de molibdeno porfirítico.
Estos variogramas pueden considerarse como idénticos, vale decir que la

continuidad de la mineralización es la misma en todas las direcciones; vale decir
que el depósito es isotrópico.

GLG - 935
‫(ﻻ‬h)
R. o alcance vertical
Rango o alcance horizontal
(h) pies
Fig. 86 Variograma con alcance vertical y horizontal diferentes.
Una situación mas frecuente es la que se muestra en la Figura 30. El rango o

alcance en dirección vertical y horizontal difiere notablemente, esto se puede
interpretar diciendo que una distancia vertical dada es equivalente a la misma
distancia horizontal multiplicada por un factor K de anisotropía (mayor a 1 en este
caso). Por ejemplo si el factor de anisotropía es 3, entonces 10 pies verticales son
equivalentes a 30 pies horizontales en lo que se refiere a variaciones en ley.
Normalmente se pueden distinguir dos tipos de anisotropías: La anisotropía

geométrica (en variogramas difieren solo en el alcance manteniendo igual meseta)
y la anisotropía zonal (mesetas y alcances diferentes); en este último caso, la
continuidad presenta variaciones importantes de acuerdo a la dirección; este tipo de
anisotropías es característico de depósitos estratificados.
Se ha visto que el variograma modela todas las características geológicas de un

depósito, consideradas importantes para la estimación de valores. Por tanto,
cualquier proceso de estimación basado en el variograma será geológicamente
confiable.
4.7.- Estimación del variograma.-
Sea h un vector con módulo r = (h) y dirección. Si hay N pares de datos separados
por el vector h; luego el variograma experimental en la dirección α1 para la distancia
h se expresa como:
1 ′
‫( * ﻻ‬r,α) = 2𝑁′ ∑𝑁
𝑖=1[ 𝑍 (𝑋𝑖 + ℎ) − 𝑍 (𝑋1)]
2

GLG - 935
A un que esta expresión es única, los métodos utilizados en la construcción de

variogramas dependan de la configuración espacial de los datos disponibles. Se
pueden distinguir varios casos de acuerdo, si los datos están regularmente
espaciados o no a lo largo de éstos alineamientos.
4.7.1.- Variogramas unidimensionales.-
4.7.1.1.- Datos alineados y regularmente espaciados.-
Esta categoría cubre la mayoría de las configuraciones que resultan del

reconocimiento sistemático de un depósito. Las configuraciones mas típicas son: la
representada por un testigo de perforación (core) de diamantina rectilíneo que ha
sido cortado a longitudes constantes L (Fig. 87); igualmente se puede mencionar la
representada por muestras de canaleta de aproximadamente la misma longitud y
espaciadas a intervalos regulares a lo largo de las galerías horizontales o
chimeneas verticales.
a) a Muestras de canaletas
Z(X1) Galería b)
Z(x1) Z(x2)
a
L Z(X2)
Fig. 87 a) Datos alineados y regularmente – b) Muestras canaletas regularmente a lo largo de un

taladro. espaciadas a lo largo de una galería.
Si se denomina Xi a los puntos donde se toman las muestras y Z(Xi) es la ley de la

muestra ubicada en Xi y tomando en cuenta que las muestras se encuentran
espaciadas a una distancia “a” se podrá calcular el variograma experimental para
múltiplos de “a” utilizando la siguiente ecuación:
1 1
‫( * ﻻ‬k,a) = ∑𝑛−𝑘
𝑖=1 [ 𝑍 (𝑋𝑖 + 𝑘 ) − 𝑍 (𝑋𝑖 )]
2
2 (𝑛−𝑘)

GLG - 935
Donde k indica el respectivo múltiplo y n es el número de muestras disponibles en

una línea.
Ejemplo: a continuación se muestra un testigo (core) de una perforación en un

depósito de Zn. El Core ha sido muestreado cada 5 metros. Calcular el variograma
experimental a lo largo del core. Tabla 1
‫(ﻻ‬ka) = ‫( *ﻻ‬1.5) = ‫( *ﻻ‬5) = ½ 1/(12-1) ∑11

𝑖=1[ 𝑍 (𝑋𝑖 + 𝑘 ) − 𝑍 (𝑋𝑖 )]
2
(Tabla 1)
a = 5m ( k =1)
% Zn Z(Xi +k) - Z(Xi) [Z(Xi+1) - Z(Xi)] 2
5m 0.20
0.06 0.0036
5m 0.14
0.01 0.0001
0.13
0.11 0.0121
0.24
0.02 0.0004
0.22
0.13 0.0169
0.35
0.01 0.0001
0.34
0.05 0.0025
0.39
0.27 0.0729
0.66
0.04 0.0016
0.62
0.14 0.0196
0.48
0.02 0.0004
0.5
Σ 0.1302

GLG - 935
Tabla 2 a = 10m ( k =2)
% Zn Z(Xi +k) - Z(Xi) [Z(Xi+k) - Z(Xi)]2
0.20
10 0.07 0.0049
0.14
0.1 0.0100
0.13
0.09 0.0081
0.24
0.11 0.0121
0.22
0.12 0.0144
0.35
0.04 0.0016
0.34
0.32 0.1024
0.39
0.23 0.0529
0.66
0.18 0.0324
0.62
0.12 0.0144
0.48
0.12 Σ 0.2532
0.50
12
‫(ﻻ‬ka) = ‫( *ﻻ‬2x5) = ‫( *ﻻ‬10) = ½ 1/(12-2) ∑10

𝑖=1[ 𝑍 (𝑋𝑖 + 𝑘 ) − 𝑍 (𝑋𝑖 )]
2
= 1/20 (0.2532) = 0.0126

GLG - 935
Tabla 3
a = 15m ( k =3)
2
% Zn Z(Xi +k) - Z(Xi) [Z(Xi+k) - Z(Xi)]
0.20
15 0.14 0.0016
0.04
0.13 0.0064
0.08
0.24 0.0484
0.22
0.22 0.0100
0.10
0.35 0.0289
0.17
0.34 0.0961
0.31
0.39 0.0784
0.28
0.66 0.0081
0.09
0.62 0.0256
0.16
0.48
Σ 0.3035
0.50
12
‫(ﻻ‬ka) = ‫( *ﻻ‬3x.5) = ‫( *ﻻ‬15) = ½ 1/(12-3) ∑9𝑖=1[ 𝑍 (𝑋𝑖 + 𝑘 ) − 𝑍 (𝑋𝑖 )]2
= 1/18 (0.3034) = 0.0168
= 0.0168
De la misma manera se van calculando valores de ‫( * ﻻ‬ka) para: Ka=20, 25, 30, 35,
etc.

GLG - 935
A continuación se muestra un resumen de los valores calculados: Tabla 4
H ‫( * ﻻ‬h) Número de Pares

5 0.0059 11
10 0.0126 10
15 0.0168 9
20 0.0251 8
25 0.0333 7
30 0.0498 6
35 0.0682 5
Variograma obtenido
0.08
(h)‫ﻻ‬
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
0 5 10 15 20 25 30 35 40
h
Fig. 88 Variograma experimental obtenido
4.7.1.2.- Datos alineados pero irregularmente espaciados.-
Este es un caso más difícil para construir el variograma experimental en la dirección

del alineamiento, se agrupan los datos en clases de distancia, el valor del
variograma calculado es asignado a la distancia promedio de separación de los
pares considerados en cada clase de distancia.
A continuación se explica el proceso descrito a través de un ejemplo.
Ejemplo: Considere la situación donde se tienen muestras de canaletas

irregularmente espaciadas a lo largo de una galería.

GLG - 935
Galería con muestras espaciadas irregularmente
% Zn Ubic. en la gal. (m)

Inicialmente se calcula el variograma para
distancias individuales, de la siguiente manera:
8.44 15
(8.44 – 6.21)2 para h= (18.6 – 15.0)
6.21 18.6 4.9729 para h= 3.6
4.01 19.7 (8.44 – 4.01)2 para h= (19.7 – 15.0)

19.6249 para h= 4.7
3.23 22.3 (8.44 – 3.23)2 para h= (22.3 – 15.0)
27.1441 para h= 7.3
7.06 30.6
4.48 40.2 (6.21 – 4.01)2 para h= (19.7 – 18.6)

4.8400 para h= 1.1
8.73 45.3
(4.48 – 8.73)2 para h= (45.3 – 40.2)

18.0625 para h= 5.1
Para h= … etc.
A continuación se presenta el resumen de los valores obtenidos:
h [Z(Xi +k) - Z(Xi)]2 h [Z(Xi +k) - Z(Xi)]2 h [Z(Xi +k) - Z(Xi)]2

3.6 4.97 12.0 0.72 8.30 14.67
4.7 19.62 21.6 2.99 17.90 1.56
7.3 27.15 26.7 6.35 23.00 30.25
15.6 1.9
25.2 15.68 2.6 0.61 9.60 6.66
30.3 0.08 10.9 9.3 14.70 2.79
20.5 0.22
25.6 22.28 5.10 18.06
1.1 4.84
3.7 8.88

GLG - 935
A continuación se deben agrupar éstos valores en clases de distancia. El tamaño

de clase se elige en función a la separación promedio entre las muestras. Para el
ejemplo se piensa que una longitud de clase de distancia igual a 5 m es satisfactoria.
Tabla 5
Clase de distancia 1/2N Σ (Z(Xi+k) - Z(Xi)) Distancia prom. N° de pares
0 5 3.89 3.14 5
5 10 8.31 7.58 4
10 15 2.13 12.53 3
15 20 0.86 16.75 2
20 25 5.57 21.7 3
25 30 7.38 25.83 3
30 35 0.04 30.3 1
El valor del variograma para la primera clase de distancia (0 – 5) se obtiene

sumando los valores [Z(Xi+k) – Z(Xi)]2 correspondientes a valores de h
comprendidos entre 0 y 5 y dividiendo esta suma por dos veces el número de pares;
vale decir:
Para (0 – 5)
4.97+ 19.62 + 4.84 + 8.88 + 0.61

‫( * ﻻ‬0-5) = ---------------------------------------------- = 3.89
2x5
Este valor se asignará a un valor de h que es igual al promedio de las separaciones

de los pares utilizados en esta clase de distancia.
3.6 + 4.7 + 1.1 + 3.7 + 2.6 15.7

h = ---------------------------------------------- = ------- = 3.14
5 5
Para (5 – 10)
27.15+ 14.67 + 6.66 + 18.06 66.54

‫( * ﻻ‬5-10) = --------------------------------------- = -------- = 8.32
2x4 8
Este valor se asignará a un valor de h que es igual al promedio de las separaciones

de los pares utilizados en esta clase de distancia.
7.30 + 8.30 + 9.60 + 5.10 30.3

h = ---------------------------------------- = ------- = 7.58
4 4
GLG - 935
El proceso se repite, para todas las clases de distancia. Los resultados se muestran
en la tabla superior (Tabla 5).
4.7.2.- Variogramas bidimensionales.-
4.7.2.1 Malla regular.-
El cálculo es exactamente igual que el caso de datos alineados y separados en

forma regular. La diferencia radica en que ahora se puede aprovechar la
disponibilidad de datos en dos dimensiones para calcular variogramas en diferentes
direcciones.
Ejemplo: Considere los datos que se muestran en la siguiente figura de malla

regular:
44 O 40 42 40 39 37 36 O
42 O 43 42 39 39 41 40 38
30 m
37 37 37 35 38 37 37 33 34
35 38 O 35 37 36 35 35 O
36 35 36 35 34 33 32 29 28
38 37 35 O 30 O 29 30 32
30 m.
‫(ﻻ‬30) = [(40-42)2+(42-40)2+(40-39)2+(39-37)2+(37-36)2+(43-42)2+(42-39)2+(39-39)2+
(39-41)2+(41-40)2+(40-38)2+(37-37)2+(37-37)2+(37-35)2+(35-38)2+(38-37)2+
(37-37)2+(37-33)2+(33-34)2+(35-38)2+(35-37)2+(37-36)2+(36-35)2+(35-35)2+
(36-35)2+(35-36)2+(36-35)2+(35-34)2+(34-33)2+(33-32)2+(32-29)+(29-28)2+
(38-37)2+(37-35)2+(29-30)2+(30-32)2]= 105/(2*36) = 1.43

GLG - 935
44 0 40 42 40 39 37 36 0
42 0 43 42 39 39 41 40 38
37 37 37 35 38 37 37 33 34
35 38 0 35 37 36 35 35 0
36 35 36 35 34 33 32 29 28
38 37 35 0 30 0 29 30 32
‫( *ﻻ‬60) = [(44-40)2+(40-40)2+(40-37)2+(42-39)2+(39-36)2+(42-43)2+(43-39)2+(39-
41)2+(41-38)2+(42-39)2+(39-40)2+(37-37)2+(37-38)2+(38-37)2+(37-34)2+(37-
35)2+(35-37)2+(37-33)2+(37-35)2+(38-35)2+(35-36)2+(36-35)2+(36-36)2+(36-
34)2+(34-32)2+(32-28)2 +(35-35)2+(35-33)2+(33-29)2+(38-35)2 +(35-30)2 +(30-29)2
+(29-32)2 ] = 224 / (2*33) = 3.39 (%)2
‫( * ﻻ‬60) = 3.39 (%)2
La pregunta que surge ahora es, donde se termina el cálculo?. Se puede

obviamente continuar hasta una distancia de separación entre muestras igual a 240
m. Para ésta distancia se tendrían 7 pares. En la práctica muy rara vez se va mas
allá de la mitad de la extensión muestreada, en este caso dígase, 120 m.
La tabla 6 que a continuación muestra los variogramas experimentales calculados

en las direcciones E – W y N – S. La figura muestra un gráfico de ambos
variogramas.
Tabla 6
Dirección distancia entre Variograma Número de

muestras experimental pares
Este - Oeste 30 1.46 36
60 3.30 33
90 4.31 27
120 6.70 23
Norte - Sud 30 5.35 36
60 9.87 27
90 18.88 21

GLG - 935
Variograma experimental
20
( h) ‫ﻻ‬
18
Norte - Sur
16
14
12
10
8
6
4 Este - Oeste
2
0
0 20 40 60 80 100 120 140
(h)
Fig. 89 Variograma experimental en dos direcciones: N-S y E – W.
Parece existir una diferencia distinta en la estructura en las dos direcciones. El

variograma Norte – Sur crece mas rápidamente que el variograma Este – Oeste
sugiriendo una mayor continuidad en la diriección Este – Oeste.
4.7.2.2 Cálculo a malla irregular en dos dimensiones.-
Probablemente el caso mas frecuente. En la mayoría de los casos las muestras muy
rara vez se encuentran alineadas y regularmente espaciadas. Para posibilitar la
estimación del variograma a lo largo de una determinada dirección, permite una
tolerancia angular, llamada “ventana” a ambos lados de la dirección seleccionada.
Se toman en cuenta todas las muestras que se encuentren dentro de la tolerancia

angular. Como además los datos no están regularmente espaciadas se debe recurrir
a la “clase de distancia” definida anteriormente con la finalidad de agrupar los
datos.
En estos casos tenemos dos variables principales a definir, la tolerancia en distancia

y el incremento angular del vector h, para definir el intervalo o sector a ser utilizado.
Para cada dirección Ɵ del vector h, se define una tolerancia angular ΔƟ y una
tolerancia en distancia h. la elección de ΔƟ y Δh, depende de la distribución espacial
de los datos y de la práctica, en algunos casos la practica recomienda utilizar ΔƟ =
22.5o y Δh = 0.5(h), donde el valor de h, empieza tomando la distancia mínima,

GLG - 935
llamada paso, para el cálculo de ‫(*ﻻ‬h). (Fig. 90)
Fig. 90 Método de los sectores para el cálculo de ‫(*ﻻ‬h).
Donde:
✓ Paso p (Lag): Distancia a la que se calculan los puntos del variograma

experimental.
✓ Número de pasos np: Depende del tamaño del dominio

✓ Tolerancia del paso Dp: tolerancia en la separación, de manera que los
puntos puedan encontrarse a una distancia mayor o menor al paso.
✓ Azimut q: Dirección en la que se calcula el variograma medida en un plano

horizontal respecto al norte, en el sentido de los punteros del reloj.
✓ Tolerancia angular en el azimut Dq: Ángulo dentro del que se considera

válido un punto, para el cálculo de la diferencia.
✓ Ancho de banda en el azimut DhH: Banda dentro de la cual se consideran

válidos los datos para el cálculo del variograma, y se mide perpendicular a la
dirección del azimut. Ejemplo de cálculo Figura 91:

GLG - 935
Fig. 91 Tolerancia angular a ambos lados de la dirección del variograma “ventana”
La figura 91 muestra lo que se pretende resumir el proceso de cálculo del

variograma en el caso de tener datos ubicados sobre una malla irregular.
Normalmente se calculan variogramas en varias direcciones, de tal manera que se

pueden establecer claramente las direcciones de mayor y menor continuidad.
La siguiente Figura 36 muestra la estimación de variogramas en diferentes

direcciones.
Nótese sobre cada dirección se ha dibujado el alcance o rango del variograma

experimental. Este gráfico refleja muy claramente la continuidad de la mineralización
en distintas direcciones.
Otra manera de presentar el mismo análisis se muestra en la figura 92 de la

siguiente página.

GLG - 935
Fig. 92. Variograma en varias direcciones indicando continuidad de la mineralización
4.7.2.3 Mapa del variograma.-
El gráfico constituye una representación global del variograma en dos direcciones.

Las curvas representan isovalores del variograma (Fig. 93).
Es una herramienta que permite determinar las direcciones de anisotropía de la

variable en estudio, para lo cual se define la malla (2n +1)*(2n +1), el valor del lag
h y asignar a cada bloque el valor de ‫( ﻻ‬h).

GLG - 935
Ejemplos de representación.
Los mapas variográficos obtenidos para cada elemento en las direcciones Este,
Norte y Cota, representados por U, V y W respectivamente, utiliza los siguientes
parámetros para su construcción de acuerdo a los distintos planos formados por
las direcciones especificadas:
Mapa variográfico de Cu V – U ( N – E)
Fig. 93 Variograma en dos direcciones con curvas isovalóricas del variograma

GLG - 935
4.7.3.- Variogramas tridimensionales.-
Es un caso que se presenta en depósitos masivos reconocidos por perforaciones.

El método de análisis depende principalmente de la ubicación de los taladros.
Si los taladros son verticales el cálculo del variograma se descompone en dos fases
horizontal (p.e por bancos) que seria un cálculo a dos dimensiones y vertical (a lo
largo de los taladros) que sería un cálculo en una dimensión. Estos métodos han
sido explicados anteriormente.
Si los taladros no son verticales, el cálculo es a tres dimensiones, para efectuar éste
cálculo inicialmente se debe definir la dirección del variograma. Ésta dirección
queda definida generalmente por la dirección de buzamiento y el buzamiento de la
línea a lo largo de la cual se desea el variograma. Igualmente se deben considerar
tolerancias angulares (ventanas) tanto para la dirección de buzamiento como para
el buzamiento. Otro parámetro que se debe definir es la “clase de distancia”.
Es obvio que el cálculo manual de un variograma a dos o tres dimendiones es

impracticable se debe necesariamente recurrir a un calculador automático
(software). Al final del tema se presenta un programa para este fin.
4.8.- Modelos de Variograma.-
Sea Z(x) una función aleatoria intrínseca con variograma ‫( ﻻ‬h), las dos
características principales de un variograma estacionario son:
a) Su comportamiento en el origen. Este comportamiento como ya se vio

anteriormente puede ser de tres tipos (parabólico, lineal y puramente
aleatorio)
b) La presencia o ausencia de una meseta en el crecimiento de ‫( ﻻ‬h), vale decir:
‫( ﻻ‬h) = constante; cuando (h) > a ( a= rango o alcance).
De esta manera los modelos teóricos utilizados actualmente pueden clasificarse

como sigue:
Modelos con meseta:
- Comportamiento lineal en el origen.
a) Modelo esférico
b) Modelo exponencial
- Comportamiento parabólico en el origen

GLG - 935
c) Modelo Gaussiano
Modelos sin meseta:
a) Modelos lineales en | h |, con Ɵ ε )0,2(
b) Modelo logarítmico
Efecto Pepita:
4.8.1.- Modelos con meseta:
Se ha dicho anteriormente del valor de la meseta de una estructura de transición

es la varianza “a priori” de la función aleatoria Z(x) que es estacionaria de
segundo orden y tiene una covarianza C(h) = C (0) - ‫( ﻻ‬h).
Comportamiento lineal en el origen:
Es el tipo de comportamiento mas frecuente que se encuentra en la práctica

(variograma de leyes o acumulaciones) y se presenta muy a menudo
acompañado por un efecto de pepita:
a) Modelo esférico.-
Donde:
 3 | h | 1  | h | 3 
C −    si | h |  a o para h ≤ a
 (h) =  2 a 2  a   C = Meseta
C en caso contrario para h > a a = alcance
Fig. 94 Variograma Modelo esférico

GLG - 935
Nótese que el modelo esférico efectivamente alcanza su meseta para una distancia
finita h=a rango o alcance.
b) Modelo exponencial.- Donde:
C = Meseta
a = Rango o
+ Co
alcance
El modelo exponencial está caracterizado por dos parámetros C y a, donde C es la

asíntota de la curva exponencial y puede interpretarse como la meseta, y “a” es la
distancia a la que la tangente en el origen logra un valor igual a C.
Para el modelo exponencial, se puede utilizar el rango práctico a’ con:
a’ = 3ª para el cual ‫( ﻻ‬a’) = 1 – e -3 = 0.95 ≈ 1.0
La diferencia entre los modelos esférico y exponencial es la distancia (abcisa) a la

cual sus tangentes en el origen interceptan la meseta (ver figura 95)
h = 2/3 a ( 2/3 del rango para el modelo esférico)
r = a = a’/3 (1/3 del rango práctico para el modelo Exp.
Fig. 95 Diferencia de variogramas entre los modelo esférico-exponencial-gaussiano
De esta manera el modelo esférico alcanza su meseta mas rápidamente que el

modelo exponencial.

GLG - 935
c) Modelo Gaussiano: Donde:
  3 | h |2   C = Meseta
 (h) = C 1 − exp  − 2 

  a  a = Rango
El modelo gaussiano es parabólico en el origen y su tangente en el origen es

horizontal, que indica baja variabilidad para distancias pequeñas tal como ocurre en
algunos variogramas regularizados.(Fig. 96)
Fig. 96 Modelo del Variograma Gaussiano
La meseta es alcanzada asintóticamente y se puede considerar un rango o

alcance práctico con a’ = √3, para el cual ‫( ﻻ‬a’) = 0.95 ≈ 1.0
4.8.2.- Modelos sin meseta:
Estos modelos corresponden a funciones aleatorias Z(x) con una capacidad

ilimitada de dispersión espacial, vale decir, no es posible definir su varianza “a
priori”
a) Modelo lineal: Donde:
‫ﻻ‬ )h( = αh α es la pendiente en el origen

Para distancias pequeñas (h → 0), el modelo lineal puede ser ajustado a cualquier
modelo que tiene un comportamiento lineal en el origen (por ejemplo los modelos
esféricos y exponencial).

GLG - 935
(h) ‫ﻻ‬
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1
(h)
Fig. 97 Modelo Lineal
En ‫( ﻻ‬h) = h Ɵ ; a medida que Ɵ crece, el comportamiento ‫( ﻻ‬h) = h Ɵ , en el

origen se hace más regular y corresponde a una función aleatoria Z(x) cuya
variabilidad espacial es cada vez más regular.
b) Modelo logarítmico: (Modelo de Wijsian)
‫ﻻ‬ (h) = α loge (h)
Nótese que loge (h) → ∞ a medida que h → 0 a si que el modelo logatímico no

suele utilizarse para describir regionalizaciones en un soporte estrictamente
puntual. A continuación se muestra el modelo logarítmico: (Fig. 98)
(h) ‫ﻻ‬
5.0
4.5
4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
10 100
Escala logarítmica (h)
Fig. 98 Variograma - Modelo Logarítmico

GLG - 935
c) Modelo “Efecto de pozo” o efecto hueco.- ( Modelo del seno cardinal)
El modelo efecto pozo o también conocido como efecto hueco que se muestra
en la Figura 99 tiene la siguiente ecuación:
Sen (a h)
‫( * ﻻ‬h) = C 1 - --------------
ah
El efecto Hueco se da en depósitos morrénicos, también se puede dar en vetas

polimetálicos donde se tienen zonas pobres y ricas. Ejemplo: Fig. 99
Se da el efecto hueco
CU Pb
Zn Ag
Hueco o pozo
(h) ‫ﻻ‬
1.25
1.00
0.75
0.5
0.25
0.0
0.0 0.5 1.0 1.5 2.0

(h)
Fig. 99 a) Modelo efecto hueco

GLG - 935
Variograma del modelo “efecto hueco”

O seno cardinal
alcance práctico = 20.4 a, semi-período = 4.5 a, meseta = C
Fig. 99 b) Modelo “efecto hueco” o del seno cardinal
Este modelo puede utilizarse para describir fenómenos regularmente continuos (la
tangente en el origen es horizontal y muestra un comportamiento periódico que a
menudo se encuentra cuando existe una sucesión de zonas ricas y zonas pobres
como indicamos anteriormente depósitos polimetálicos de Pb-Ag-Zn-Cu.
d) Modelo Efecto pepita.-
Con excepción del modelo logarítmico, todos los modelos presentados hasta ahora
satisfacen la condición ‫( ﻻ‬0) = 0. Considere un modelo de variograma ‫( ﻻ‬h) con
meseta C y distancia de influencia a’, si no se tiene acceso a pares de muestras
cuyas distancias es menor que a; no se podrá observar la parte continua de ‫( ﻻ‬h)
que se incrementa de 0 a C, y que podría concluir que los valores de la variable
regionalizada no están correlacionados o que presenta un efecto pepita puro tal
como se muestra en la siguiente Figura: 100
Efecto pepita puro =>

La estimación es imposible
La relación entre dos valores continuos no presenta ninguna correlación.

GLG - 935
Fig. 100 Efecto pepita puro
(h) ‫ﻻ‬
Esto indica que la variable es
extremadamente irregular a
pequeñas distancias, indicando
fuertes variaciones a cortas
distancias.
Co EFECTO PEPITA Error de medidas
Error de localización
Efecto pepita = Microestructuras + Error de análisis
Error de muestro y ensaye. Microestructuras no identificadas
Debido a la falta de muestras
(h)
Fig. 101 Modelo de efecto pepita indicando microestructuras y errores de muestre y ensaye.
La discontinuidad en el origen es la presencia de errores de muestreo y ensaye: si

fuera posible tomar una muestra repetida exactamente en el mismo lugar, los dos
valores diferirán y el valor del variograma para una distancia h=0 sería igual al error
cuadrático medio de ensaye y muestreo. (La varianza del error de ensaye y
muestreo).
Se verá posteriormente que bajo condiciones específicas, el efecto pepita

observado es inversamente proporcional al volumen ω de las muestras cuyos
valores han sido utilizados para calcular el variograma. Si Co corresponde a
muestras ω, el efecto pepita correspondiente a un tamaño diferente de muestra ω’
mayor que ω, es por tanto:
Co = Co ω / ω’

GLG - 935
Para resolver problemas geoestadísticos utilizando el variograma es conveniente

separar el efecto pepita de la parte continua del variograma.
4.9.- Ajuste de un modelo de variograma.-
¿Por qué ajustar ?:
Después del análisis estructural se dispone de una interpretación de los

variogramas experimentales, de sus características (anisotropías, alcances… etc)
Por otra parte se verá posteriormente que el variograma es la herramienta que
permite resolver todos los problemas de estimación. Entonces porque no trabajar
directamente con el variograma experimental, haciendo coincidir por ejemplo un
polinomio de grado suficientemente elevado con la curva experimental.
La respuesta proviene de dos consideraciones estadísticas:
1) El variograma que intervendrá en los cálculos ulteriores no es una función

cualquiera, sino debe tener propiedades particulares, asi por ejemplo las
varianzas que se calculen con el variograma deberán ser siempre positivos
y no es seguro, sin embargo el polinomio que pasa por todos los puntos
experimentales tenga éstas propiedades.
2) Por otra parte se sabe que a partir del mismo conjunto de datos es imposible
dar a la vez un estimador y la precisión de aquello lo que prohíbe utilizar el
variograma experimental para el cálculo de las varianzas.
Estas dos razones obligan entonces a escoger un modelo de variograma y

ajustarlo al variograma experimental.
¿Cómo ajustar?
A continuación se dan algunas reglas prácticas:
✓ El ajuste debe ser lo mejor posible para los primeros puntos del variograma;
éstos son los mas conocidos (mayor número de pares) y los que tienen el
peso mas fuerte en la estimación.
✓ No siempre es necesario ajustar todo el variograma, sino más bien una parte
sobre una distancia que será la distancia de trabajo (este hecho permite
eliminar la tendencia que generalmente se manifiesta después de una cierta
distancia).

GLG - 935
✓ Es difícil determinar la bondad de ajuste, dado que para ello sería preciso
utilizar funciones de la función aleatoria que es imposible estimar
prácticamente.
✓ Se ajusta el efecto de pepita por prolongamiento de los primeros puntos del

variograma experimental.
✓ El alcance se puede estimar a ojo y un estimador de la meseta C (si ella

existe) es la varianza experimmental de las muestras, luego se procede por
aproximaciones sucesivas.
✓ No hay una solución única, al problema del ajuste, y para los problemas de
estimación, este hecho no tiene ninguna importancia; las varianzas
calculadas con varios modelos no difieren mucho en si.
A continuación se presentan algunos casos de ajuste del modelo de

variograma:
Ejemplo 1: Considere nuevamente los datos de la tabla 6, depósito mineral

estratiforme de Fe, para el cual se calcularon variogramas experimentales en
diferentes direcciones. Se toma el variograma en dirección Este – Oeste.
Fig. 102 Ajuste del variograma experimental a un modelo en dirección E – W en un depósito estratiforme de Fe
Como se puede apreciar en el gráfico de la figura 102 (y el número de pares utilizado

para calcular el variograma), el variograma parece ser razonablemente consistente
GLG - 935
y sugiere una línea con pendiente 6.5 / 120.0 = 0,0541. De esta manera seria el
modelo del variograma:
‫ﻻ‬ (h) = 0.0541 h
Ejemplo 2:
La siguiente tabla; muestra un variograma experimental que fue calculado con

valores de Ag pertenecientes a muestras tomadas en una veta. Se desarrolló una
corrida a través de la veta y se tomaron muestras en canaletas en el techo cada
metro a lo largo de la corrida.
Como el ancho de la veta es variable se calculó la acumulación (ancho x ley) para

cada muestra. Se muestreó 400 metros de galería de esta manera. Las unidades
de acumulación son metros – por ciento (m%), por tanto las unidades del variograma
son (m %)2. La siguiente (figura 103) muestra un gráfico de este variograma.
Fig. 103 Variograma experimental de acumulación de Ag (m%)
Cerca al origen los puntos forman una línea recta, esta es una característica de la
mayoría de los modelos comunes de variograma, la curva crece y se hace plana en
un valor de ‫( ﻻ‬h) = 11 (m%)2 y luego crece nuevamente mas y mas rápidamente.
En efecto luego de una distancia de aproximadamente 75 m la curva es

virtualmente parabólica. Éste es una indicación de la presencia de una tendencia de
tipo polinomial dentro del depósito. Si se desea considerar puntos separados mas

GLG - 935
de 75 metros, en cualquier procedimiento de estimación, luego se tendrá que tomar

en cuenta esta tendencia, sin embargo si se restringe cualquier estimación a
distancias menores a 75 m, la tendencia puede ser ignorada completamente.
Tabla 7
Variograma experimental de valores de acumulación de Plata (% m) 2

Disntancia Variograma Distancia Variograma Distancia Variograma Disntancia Variograma
entre muestras experimental entre experimental entre experimental entre experimental
(m) (m %) 2 muestras (m) (m %) 2 muestras (m) (m %) 2 muestras (m) (m %) 2
1.0 0.42 26 8.94 51 10.22 76 12.26
2.0 0.72 27 8.48 52 9.96 77 11.69
3.0 0.92 28 7.65 53 11.64 78 12.3
4.0 1.36 29 7.04 54 11.93 79 11.63
5.0 1.69 30 6.49 55 12.62 80 12.98
6.0 2.03 31 7.26 56 11.35 81 15.78
7.0 1.95 32 7.47 57 10.18 82 17.42
8.0 2.75 33 7.66 58 10.69 83 16.72
9.0 3.65 34 9.54 59 10.03 84 17.2
10.0 4.05 35 10.98 60 9.81 85 14.67
11.0 3.44 36 10.82 61 10.23 86 14.12
12.0 3.55 37 10.58 62 11.85 87 14.56
13.0 3.24 38 10.21 63 11.27 88 14.56
14.0 3.07 39 10.08 64 13.01 89 16.04
15.0 4.52 40 8.28 65 13.61 90 17.81
16.0 5.23 41 8.08 66 14.17 91 20.96
17.0 6.53 42 9.34 67 11.75 92 22.7
18.0 6.41 43 9.55 68 9.91 93 23.2
19.0 5.98 44 9.87 69 10.12 94 24.37
20.0 5.72 45 10.45 70 9.56 95 23.67
21.0 5.26 46 10.23 71 10.91 96 21.66
22.0 6.46 47 8.87 72 11.98 97 21.44
23.0 7.01 48 9.19 73 12.13 98 22.44
24.0 7.55 49 10.19 74 11.45 99 22.29
25.0 8.06 50 10.7 75 12.14 100 22.16
Considere entonces el variograma solamente hasta una distancia de 75 m. Parece

existir una meseta en C = 11 (m%)2. Se ha trazado una línea horizontal en el gráfico
del variograma a esta altura ( ver Figura 104). Un parámetro mas difícil de estimar
a simple vista es el rango de influencia a. Se puede demostrar que si se va a utilizar
un modelo esférico, como parece ser indicado por la naturaleza plana de la meseta,
una línea trazada a través de los primeros puntos del variograma experimental
intersectará la meseta a una distancia igual a 2/3 (dos tercios) del rango o alcance
(2/3 a). Efectuando esto en el gráfico se obtiene que 2/3 a = 33m, de donde se
puede deducir que el rango es aproximadamente igual a 50 m. Por tanto los
parámetros del modelo esférico ajustado es: C = 11 (m%)2 y a = 50 m.
Como no existe una manera objetiva (estadística) de decidir si un modelo se ajusta

o no a un variograma experimental, el único método sencillo es dibujar algunos
puntos del modelo en el mismo gráfico del variograma experimental.

GLG - 935
La ecuación para el modelo esférico es: Para h ≤ 50 m; Para h > 50 m
3h h3  | h | 1  | h | 3 
‫( * ﻻ‬h) = 11 ------- - ------- C 3 −    si | h |  a
 (h) =  2 a 2  a  
100 2x503
C en caso contrario
‫( * ﻻ‬h) = 11
Los valores numéricos para varios puntos del modelo se dan en la siguiente tabla 8.
De la gráfica (Fig. 104) obtenemos: a = 50; C=11 Tabla 8
Para h = 5 Disntancia Variograma

entre muestras experimental
3(5) (5)3
(m) (m %) 2
‫( * ﻻ‬h) = 11 ------- - -------
100 2x503 0.0 0.00
5.0 1.64
‫( * ﻻ‬5) = 1.64 10.0 3.26
15.0 4.80
20.0 6.25
25.0 7.56
Para h= 10
30.0 8.71
3(10) (10)3 35.0 9.66
‫( * ﻻ‬h) = 11 ------- - ------- 40.0 10.38
100 2x503 45.0 10.84
50.0 11.00
‫( * ﻻ‬10) = 3.26 >50.0 11.00
Variograma ajustado al modelo esférico
Fig. 104 Variograma experimental y modelo ajustado- valores de acumulación de Ag Parámetros del
Modelo ajustado C = 11 (m%)2 ; a = 50 (m)

GLG - 935
Nótese que el modelo ha sido ajustado para distancias hasta 75 m, más allá se debe
tomar en cuenta la “tendencia”.
Se puede discutir que el modelo más apropiado para éste variograma sería el
modelo exponencial. Se ha intentado ajustar el modelo exponencial. La siguiente
tabla muestra valores del modelo exponencial para varios conjuntos de parámetros.
Tabla 9
Distancias Modelos exponenciales Teóricos
entre a = 33 a = 50 a = 50 a = 50
muestras (m) C = 14 C = 14 C = 15 C = 16 + Co
5 1.97 1.33 1.43 1.52
10 3.66 2.54 2.72 2.9
15 5.11 3.63 3.89 4.15 |h| > 0
20 6.36 4.62 4.95 5.27
25 7.44 5.51 5.9 6.3
30 8.36 6.32 6.77 7.22
35 9.15 7.05 7.55 8.05
40 9.83 7.71 8.26 8.81
45 10.42 8.31 8.90 9.49
50 10.92 8.85 9.48 10.11
55 11.36 9.34 10.01 10.67
60 11.73 9.78 10.48 11.18
65 12.05 10.18 10.91 11.64
70 12.32 10.55 11.3 12.05
Fig. 105 Alternativas de ajuste para el modelo exponencial a diferentes valores de a y C con datos
de la Tabla 9.
Todos estos modelos exponenciales han sido graficados con el variograma

experimental. De éstos gráficos se pudo establecer que el mejor ajuste exponencial
parece ser el último (a = 50 y C = 16).
La Figura 106 compara este ajuste de esta curva con el modelo esférico previo y
además con el variograma experimental.
Se prefiere el Modelo esférico porque parece reflejar los datos entre los 15 y 40 m
mejor que el modelo exponencial. Solo una minoría de los puntos observados cae
debajo la curva exponencial.
En la figura 106 del variograma se muestras ambos modelos (esférico y

exponencial) ajustado al variograma experimental de la Tabla 9.

GLG - 935
Fig. 106 Comparación de Modelos Exponencial y esférico para el variograma de acumulación de Ag
4.10.-Análisis de Anisotropía.-
Conviene aquí realizar un análisis sobre el comportamiento de la variabilidad del

atributo en estudio. Como se conoce el variograma describe las características de
la variable regionalizada en una dirección, pero estas características pueden variar
en otras direcciones como se discute en Krajewsky,1993, Journel,1978,
David,1977, exigiendo la aplicación de esta forma un análisis de anisotropía.
Cuando el variograma calculado en diferentes direcciones (Norte-Sur, Este-Oeste,

y en direcciones intermedias de 45º, con tolerancia de 22.5°, etc.), muestra similar
comportamiento, se dice que es isotrópico. Cuando muestra diferentes
comportamientos es anisotrópico Krajewsky,1993.
Los tipos de anisotropías más comunes son la Geométrica y anisotropía Zonal.

(Krajewsky,1993, Journel,1978).

GLG - 935
4.10.1 Anisotropía Geométrica: Está presente cuando los variogramas en

diferentes direcciones tiene la misma meseta pero distinto rango. Ejemplo
(Fig.107)
- Mayor continuidad
- espacial en la
dirección de mayor
rango.
- Menor continuidad
espacial en la
dirección de menor
rango.
Fig. 107 Anisotropía geométrica
4.10.2 Anisotropía Zonal: Está presente cuando los variogramas en diferentes

direcciones tiene diferentes mesetas y el mismo rango o alcances. En estos casos
conviene realizar transformaciones de coordenadas con el objetivo de obtener
modelos isotrópicos. (Journel, 1978) (Fig. 108).
El mapa variográfico dibuja

bandas; se trata de un caso
límite de anisotropía geométrica,
donde el alcance en una
dirección se vuelve muy grande.
A escala de trabajo, la meseta
cambia según la dirección.
Es aquella en la que el
variograma en distintas
direcciones presenta el
mismo rango pero
diferente sill. Presencia
de diferentes estructuras
Fig. 108 Anisotropía zonal mostrando diferentes mesetas y alcances
Presencia de diferentes
estructuras

Tema 4 - El Variograma Experimental

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 4 - El Variograma Experimental

Cargado por

Copyright:

Formatos disponibles

Facultad de Ingeniería Geológica El variograma Experimental Geoestadística

T4. EL VARIOGRAMA EXPERIMENTAL

El análisis estructural consiste en estimar y modelar una función que refleje la

En dependencia de las características de estacionariedad del fenómeno se

Por su importancia y generalidad estudiaremos el proceso de estimación y

El procedimiento para efectuar una estimación geoestadística de reservas puede

Primera etapa: Se refiere a la investigación y modelaje de la estructura física y

Segunda etapa: Se realiza el análisis estructural, que se encarga de la

Tercera etapa: Se refiere al proceso de estimación en si, el Krigeage, Método de

Este tema en particular cubrirá la segunda etapa del procedimiento de estimación

El variograma es una curva que representa el grado de continuidad de la

71 Docente: Ing. Isidro Calcina B.

Fig. 75 Dos puntos a la distancia vectorial h

‫( ﻻ‬h) = E[{z(x) - z (x+h)}2] o

‫( ﻻ‬h) = promedio [{z(x) - z (x+h)}2]

Si el campo geométrico de la variable regionalizada es V y la variable regionalizada

En general el variograma es una función no decreciente de la distancia h ya que el

72 Docente: Ing. Isidro Calcina B.

cualitativas de una regionalización quedan muy bien expresadas a través del

4.3 El variograma y sus características.-

a) Definición e hipótesis intrínseca:

Bajo la hipótesis estacionaria se tiene:

E[z(x)2] = [z(x+h)2] = K(o) ( siendo K una función)

De este modo se puede escribir que:

E[Z(x)2] + E[z(x+h)2] = 2K(o)

El primer miembro de esta expresión representa una medida de la continuidad

2‫(ﻻ‬h) = E[{z(x) - z(x + h)}2 = 2{k(o) - k(h)}

Es una función de tipo estructural que rinde cuenta de la continuidad de la

En la práctica sin embargo se utiliza el semivariograma:

‫(ﻻ‬h) = K(o) – k(h)

73 Docente: Ing. Isidro Calcina B.

Fig. 76 El Semivariograma y correlograma

Existen fenómenos donde la estacionaridad no se cumple y que presentan una

Cuando se toman muestras de tamaño v dentro de un campo V, siempre es

En otros depósitos de oro de sud Africa, se encontró la siguiente relación

σ2 (v/V) = α log (V/v)

74 Docente: Ing. Isidro Calcina B.

De este modo cuando la varianza k(o) no existe, puede suceder que ya no

E[z(x+h) – z(x)] = m(h)

E[{z(x+h) z(x)}2] = 2 ‫(ﻻ‬h)

En la hipótesis estacionaria existe k(h) y se cumple:

En la hipótesis intrínseca no existe K(h), existe ‫(ﻻ‬h) y se cumple:

E[z(x+h) - Z(x)] = m(h)

Si existe la hipótesis estacionaria existe de por si la intrínseca, pero no es válido

La mayor o menor regularidad de la mineralización se presenta por el

‫(ﻻ‬h) Fig. 78 En este caso el

75 Docente: Ing. Isidro Calcina B.

Fig. 80: En este caso se revela una

Fig. 81: Este es un caso límite y

En el primero y último de continuidad aparece un rango de continuidades

20 40 60 80 100 120 140 h (m)

4.4.- Zona o área de influencia.-

77 Docente: Ing. Isidro Calcina B.

50 100 150 200 250 300 350 h (m)

Cuando el rango existe se dice que el variograma es de tipo transición.

4.5.- Fenómenos de transición.-

El traspaso de cierto tipo de valores (estéril o mineralización mineralización tipo?)

Supóngase el estudio de un manto mineralizado (Fig. 84), Nótese que el variograma

78 Docente: Ing. Isidro Calcina B.

4.6.- Anisotropias.- Las anisotropías son fácilmente detectadas calculando el

200 400 600 800 1000 h(pies)

En la figura 85 se pueden apreciar cuatro variogramas calculados de acuerdo a

‫(ﻻ‬ka) = ‫( ﻻ‬1.5) = ‫( ﻻ‬5) = ½ 1/(12-1) ∑11

‫(ﻻ‬ka) = ‫( ﻻ‬2x5) = ‫( ﻻ‬10) = ½ 1/(12-2) ∑10

‫(ﻻ‬ka) = ‫( ﻻ‬3x.5) = ‫( ﻻ‬15) = ½ 1/(12-3) ∑9𝑖=1[ 𝑍 (𝑋𝑖 + 𝑘 ) − 𝑍 (𝑋𝑖 )]2