Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística

GLG - 935

T1. INTRODUCCIÓN A LA GEOESTADÍSTICA

1. Introducción.-
La necesidad de acudir a herramientas estadísticas para el análisis de datos en todas
las áreas del conocimiento, han hecho que aparezcan con el correr de los años nuevas
metodologías que, no obstante se centran en fundamentos probabilísticos comunes,
sin embargo son específicas para cada una de las diversas disciplinas del saber.

Actualmente a nivel mundial la Geoestadistica, conocida también como estadística

espacial, ha logrado un desarrollo sólido en el campo científico, si bien es cierto que
nació en el campo de la minería, hoy en día se viene aplicando en todas las áreas del
conocimiento y demás ciencias de la tierra.

Es necesario hacer un merecido reconocimiento a los precursores de esta ciencia por

sus valiosos aportes al conocimiento científico, en los nombres de:

Danie Gerhardus Krige, nacido en el Estado Libre de Orange en Sudáfrica, pionero en

el campo de la geoestadística y fue profesor en la University of the Witwatersrand en
Sudáfrica.

Tomó los trabajos de Sichel (1947; 1949) quien observó la naturaleza asimétrica de la
distribución del contenido de oro en las minas surafricanas, la equiparó a una
distribución de probabilidad lognormal y desarrolló las fórmulas básicas para esta
distribución. Ello permitió una primera estimación de las reservas, pero bajo el supuesto
de que las mediciones eran independientes, en clara contradicción con la experiencia
de que existen “zonas” más ricas que otras.

1.1 Un poco de historia:

Georges Matheron, (1962) desarrolló la técnica denominada kriging basada en la labor

investigadora previa de Krige. La formulación rigurosa y la solución al problema de
predicción vino de la mano de Matheron, de la Escuela de Minas de Paris, quien es
considerado como padre de la Geoestadistica.

Formuló la Teoría de las Variables Regionalizadas y definió a la geoestadistica como ¨

la aplicación del formalismo de las funciones aleatorias al reconocimiento y estimación
de fenómenos naturales¨.

Asimismo un sincero agradecimiento a los hombres de ciencia Andre Journel, Michael

David, Margaret Armstrong, Clayton Deutsch, Isobel Clark, Marco A, Sironvalle y demás
profesionales, que con sus aportes diarios robustecen la teoría y aplicación de la
geoestadistica. El desarrollo de la geoestadística históricamente se desarrolla en:

1 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

1973 Geoestadística lineal no estacionaria

1975 Geoestadística no lineal
1980 Geoestadística lineal multivariable
1985 Simulaciones

1.2 Aplicaciones de la geoestadística.- Hoy la geoestadística tiene múltiples

aplicaciones.

DOMINIO DE LA APLICACIÓN VARIABLES ESTUDIADAS

Industria minera Acumulación de Leyes y Potencia
Geología Peso específico, Porosidad, fallas y discontinuidades
Industria Petrolera Potencia de mantos, Porosidad y Sondajes
Geoquímica Investigación de Elementos
Oceanografía Fondos Marinos y Población de Peces
Conductividad Hidráulica, Coeficientes de Almacenamiento,
Hidrogeología
Niveles Piezométricos y Concentración.
Meteorología Presión, Velocidad del Aire, Lluvia y temperatura.
Agronomía Densidad de Arboles y Plagas
Topografía Elevaciones
Medio Ambiente Variables de contaminación en aire, agua y suelos.
Medicina Variables relacionadas a diversas patologías.

1.2 Clasificación de los métodos de cubicación y estimación.

1.2.1 Métodos clásicos o geométricos.

Los métodos clásicos o geométricos llamadas así porque han sido los tradicionalmente
usado y su cálculo supone, básicamente, estimaciones de tipo geométrico, pueden ser
a su vez de varios tipos como ser:

- Media aritmética
- Bloques geológicos
- Bloques de explotación
- Perfiles
- Polígonos
- Triángulos
- Isolineas

Algunos de éstos métodos se muestran en la Figura 1.

Estos métodos son ampliamente descriptos en la bibliografía específica (Peters, 1978;

Annels, 1991; Stone y Dunn, 1998). Algunos ejemplos se ilustran en la Figura 1.

2 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

(a)

c)

(b) (d)

Fig. 1. a) polígonos en una grilla cuadrada uniforme. b) polígonos cuadrados y rectangulares en una grilla
no uniforme. c) polígonos definidos por bisectores perpendiculares. d) polígonos definidos por bisectores
angulares. e) triángulos. f) Método de secciones: la mena (gris) es delineada en perforaciones en cada
sección y se determina la ley promedio en cada sección; las secciones contiguas se interpolan.

1.2.2 Métodos modernos.

Los métodos modernos aventajan de manera contundente a los métodos clásicos de

estimación, los cuales consisten en el uso de ordenadores con softwares especializados
para este fin y su vez utilizan técnicas de regresión é interpolación, teniendo como
premisa fundamental la realización de las estimaciones a partir de las características de
variabilidad y correlación espacial de los datos originales, entre los métodos modernos
se tienen: Figura 2

✓ Bloques Fig. 2a
✓ Capas Fig. 2b
✓ Sólidos tridimensionales Fig. 2c
✓ Inverso de la distancia Fig. 2d
✓ Geoestadística Fig. 2e

A continuación se ilustra en la Figura 2 los métodos modernos de estimación

3 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

a) Modelo de bloques b) Modelo de capas (met. Pentaédrico)

c) Sólidos tridimensionales d) Inverso de la distancia (IW)

Kriging: El objetivo del Kriging es lograr el mínimo error de

estimación. El Krigin es una combinación lineal ponderada de los datos
en la vecindad a la ubicación a estimar.

𝑍 ∗ (𝑢) = ∑𝑛𝑖=1 𝜆𝑖𝑍(𝑢i)

Donde:

u=representa la ubicación espacial

Z*(u)=es el valor estimado en esa ubicación
Las variables Z(ui), i=1 …n corresponden a las leyes de las muestras en
la vencindad de u.
λi = son los pesos atribuidos a cada muestra.

e) Método geoestadístico (Kriging)

Fig. 2 Métodos modernos de estimación: a) Bloques, b) Capas, c) Sólidos tridimensionales, d) Inverso

de la distancia, e) Método geoestadístico

4 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

1.3.- Etapas de un análisis y estimación con el método geoestadístico.-

1. Elaboración de la
base de datos

2. Regularización de los datos

(compositing)

3. Análisis exploratorio de datos

(análisis estadístico de datos)

4. Análisis estructural (análisis y

estudio variográfico)

5. Modelo geológico

6. Modelo numérico

7. Estimación (Zs0)

Fig. 3. Esquema mostrando las etapas en el análisis y estimación de recursos minero con el método
geoestadístico.
Fig. 1 Ejemplo: Aplicación en la minería y Geología

1.3.1 Elaboración de la base de datos.- Inicialmente se requieren una cierta

cantidad limitado de muestras, según avanza la exploración los datos se van
organizando en una base de datos, la precisión y exactitud de la estimación de
5 Docente: Ing. Isidro Calcina B.
 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

recursos y reservas minerales depende de la fiabilidad de los datos, todos los

procedimientos deben garantizar un muestreo representativo y un estricto control
sobre la calidad de los resultados del laboratorio. La tabla 1 resume las diferentes
campo (Collar, Survey, litología, Assays e intersecciones de zonas mineralizadas
(Zona M) con las informaciones correspondientes. Ejemplo Tabla 1.

Collar DrillHole East North Elevation Sector

Survey DrillHole Detph Direction Dip Norte
Litología DrillHole From To Lito
Assays DrillHole From To Au (gr/ton) Cu(ppm) Ag(ppm)
Zona M DrillHole From To Zone

Tabla 1 datos necesarios para el modelamiento y la estimación de recursos.

1.3.2 Regularización de los datos (compósitos).- La razón principal para la

regularización (compósitos) de los datos geológicos como resultado de las
campañas de exploración son:

a) El análisis geoestadístico exige muestras de igual longitud, (compósito)

b) La composición reduce la cantidad de datos y el tiempo de cálculo o el
procesamiento de los mismos.
c) Se producen datos homogéneos con mejor facilidad de interpretación
d) Se reducen las variaciones erráticas
e) El proceso incorpora la dilución.

La regularización se calcula usando la media ponderada por la longitud de los testigos

que contribuyen a cada compósito o banco. (Fig. 3)

Regularización de las leyes:

Lc = ∑ Pi * Li / ∑ Pi

Tipos de regularización:

6 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

a) Compósito de banco (bench compósite).

b) Compósito de sondeo (dow hole composite).
c) Compósito geológico (geological composite).

Nro. Sample: 5383

Mín.: 0.010
Max.: 8.20
Mean: 1.104
Std. Dev. 0.829

Fig. 4. Ejemplo de regularización o compositación de los datos geológicos

1.3.3 Análisis estadístico de datos.-

Se realiza para caracterizar el comportamiento estadístico de los datos y las variables

con las cuales se realizará la estimación, para lo cual se debe realizar las siguientes
tareas como se muestra en la Fig. 5 a, b, c y d

a) Identificar y eliminar los posibles errores en la base de datos. (sondajes) Fig. 5a

b) Caracterizar estadísticamente las variables de interés. (Parámetros estadígrafos) 5b)
c) Comprender y documentar las relaciones entre las variables (correlaciones) 5 c)
d) Identificar y definir los dominios geológicos, (distribución, histogramas, frec. Acum.)
e) Identificar y caracterizar los valores extremos o atípicos. Fig. 5 d)

Parámetros estadísticos:

- Número de datos
- Medidas de tendencia central (media, moda y mediana).
- Medidas de dispersión (varianza, desviación estándar y rango).
- Medidas de forma (asimetría, coeficiente de variación y kurtosis).

7 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

Informe de resumen de LnCu

Prueba de normalidad de Anderson-Darling
Gráfica de línea ajustada
A-cuadrado 19.19 LnZr = 7.812 - 0.5475 LnSr
Valor p <0.005
7
Media 3.5572 S 0.343783
Desv.Est. 0.7289 R-cuad. 29.0%
Varianza 0.5313
Asimetría 0.623517 R-cuad.(ajustado) 29.0%
Curtosis 0.676599
N 3146
6
Mínimo 0.4055
1er cuartil 3.0433
Mediana 3.4563
3er cuartil 4.0005
Máximo 6.8500

LnZr
Intervalo de confianza de 95% para la media 5
1 2 3 4 5 6
3.5317 3.5827
Intervalo de confianza de 95% para la mediana
3.4275 3.4874
Intervalo de confianza de 95% para la desviación estándar
0.7113 0.7474 4

Intervalos de confianza de 95%

Media 3
4.0 4.5 5.0 5.5 6.0 6.5 7.0
LnSr
Mediana

3.45 3.50 3.55 3.60

Fig. 5 a) Análisis base de datos 5 b) parámetros estadígrafos 5 c) correlación de variables

Histograma de Au (gr/ton)
Normal
25
Media 13.61
Desv.Est. 3.286
N 72
20
Frecuencia

15

10

0
8 12 16 20 24
Au (gr/ton)

5 d) Definiendo dominios geológicos de distribución. d) identificando y corrigiendo atípicos

1.4 Variable regionalizada.-

Una variable regionalizada es una función que representa el desplazamiento en el

espacio de un atributo asociado a un fenómeno natural como ser: leyes, densidad de la
roca, potencia de la veta, código de litología, mineralización, etc.
Por ejemplo la ley en un punto x se expresa por z(x), Por consiguiente z(x) puede
significar:
- z(x), si el problema es unidimensional (1-D) Fig. 6a
- z(x1, x2), si el problema es bidimensional (2D) Fig. 7b.
- z(x1, x2, x3), si el problema es tridimensional. Fig. 8c.

Fig. 6 a) variable regionalizada unidimensional

8 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

6 b) Variable regionalizado bidimensional (2D). 6 c) Variable regionalizado tridimensional (3D).

1.4.1 Campo y soporte.

Se llama campo a la zona en la cual se estudia la variable regionalizada. Para definir bien
el campo (por ejemplo los límites) es necesario utilizar un modelo geológico adecuado,
por ejemplo: dos unidades geológicas: Unidad óxidos y unidad sulfuros. Fig. 7a.

Fig. 7 a) ejemplo de campo (unidad de oxidos y sulfuros) Fig. 7b) Ejemplo de soporte

El soporte es el volumen de la muestra que define la variable regionalizada Fig. 7b. A

menudo el soporte es un cilindro o testigo (core), que tiene una cierta longitud (L) y un
cierto diámetro (d). En General, en el estudio de una variable regionalizada no es
conveniente mezclar soportes de tamaños diferentes.
En la literatura geoestadística ésta se manifiesta en una discontinuidad del variograma
en el origen llamado efecto pepita o "nugget" (Journel y Huijbregts, 1978: 39).

1.4.2 Función aleatoria.-

Conjunto de variables aleatorias que tienen alguna localización espacial y cuya

dependencia, una de otra, viene determinado por algún mecanismo probabilístico.
- Familia de funciones llamadas realizaciones (valor que se puede predecir) Fig. 8

9 Docente: Ing. Isidro Calcina B.

Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

Fig. 8. La V.R. Z(x) es una realización de una función aleatoria denotada Z(x)

1.4.3 Estacionariedad:
Se dice que una función aleatoria es estrictamente estacionaria, cuando su función
de distribución de probabilidad es invariante a cualquier traslación respecto a un
vector h, Fig. 9 a) y b). Dicho de otra forma, es cuando en un dominio la ley mineral
no varía por traslación. Es decir, la función de distribución del vector aleatorio
{Z(x_1), Z(x_2),…,Z(x_n)} es idéntica a la del vector {Z(x_1+h),
Z(x_2+h),…,Z(x_n+h)} para cualquier h.

El carácter estacionario implica la homogeneidad de Z(x) en el espacio.

- Patrón de distribución

a) b)

c) d)

Fig. 9. a) y b) Datos estacionarios c) y d) Datos no estacionarios

a) Media y varianza constantes b) Media variable y varianza constante
b) Media constante y varianza no constante d) Media y varianza no constantes

10 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

1.5 Hipótesis Intrínseca: Los crecimientos de Z(x) son estacionarios, es decir que:
Z(x+h) - Z(X) es una función aleatoria estacionaria.

Cuando la función aleatoria no es estacionaria, pero las diferencias Z(x+h) – Z(x), si

separamos cualquier pareja de puntos separados de una distancia h de la FA, esa
nueva función aleatoria (FA) es estacionaria de segundo orden, entonces decimos
que se cumple la hipótesis intrínseca. Entonces: la consecuencia de ésta hipótesis
intrínseca dice:
✓ El valor esperado de la diferencia es: E[Z(x + h) – Z(x)] = 0 (constante) Ɐx
✓ La varianza de la diferencia es: Var[ Z (x+h) – Z(x)] = 2(h) Ɐx

✓ El variograma (semivarianza) es: (h) = (1/2) E{[Z(x+h) - Z(x)]2}

Cuando no cumplen la hipótesis intrínseca:

• El valor esperado de la diferencia depende de la posición.

• La varianza de la diferencia no es estacionaria

Pero directamente la FA por si sola no cumple la hipótesis intrínseca.

1.6.- Análisis estructural de los datos (estudio variográfico).-

1.6.1 Definición del variograma.-

a) En notación probabilística, el variograma se define como:

2ɣ(h)= E{[Z(u) - Z(u + h)]2 } (para todas las posiciones posibles)

b) El variograma para una distancia de separación h, se define como el promedio

del cuadrado de la diferencia de valores separados aproximadamente por h:

2 = 1/N(h) ∑𝑁(ℎ)[z(u) − z(u + h)]2

Donde: N(h) es el número de pares para la separación h

11 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

Una buena parte de las variables de características geológicas de una región o cuerpo
mineralizado, pueden ser descritas en forma aceptable por el variograma, ésta es la
herramienta básica y fundamental de la geoestadística, la que con un uso adecuado, nos
permitirá abordar el estudio de la distribución espacial de los datos y su interpretación y
relación con los datos geológicos conocidos.

Con los variogramas podemos analizar el grado de interdependencia de los datos en el

espacio geométrico y las zonas de influencia de cada dato; la anisotropía de la
información espacial y con ello la mayor o menor continuidad en distintas direcciones.
Con los variogramas construidos a partir de los datos (variogramas experimentales)
podremos definir los modelos de variogramas que mejor se ajustan a esa distribución y
luego usar estos modelos para las estimaciones posteriores.

El variograma liga el valor de una

variable con su posición en el
espacio, asumiendo que las
muestras están correlacionadas.

Ejemplo Fig, 10

Fig. 10 Variogramas teóricos:

Esférico, Gausiano, Exponencial y
Potencial (a<1)

Fig. 11 Ejemplo de un variograma experimental (Fuente Curso de Geoestadística CAMIPER)

12 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

Ejemplo de un Variograma teórico: Figura 12

- Meseta: Valor máximo de variabilidad.

- Alcance: Área de influencia de la correlación
- Efecto Pepita: Discontinuidad en el origen.

Fig. 12. Ejemplo de un variograma teórico y sus componentes principales de correlación espacial
(Fuente Curso de Geoestadística CAMIPER)

El variograma muestra características importantes de la variable regionalizada:

✓ El crecimiento indica la velocidad con la cual se “desestructura” la variable en

el espacio.
✓ La distancia para la cual se estabiliza el variograma representa la “zona de
influencia” de un dato. Se llama alcance.
✓ 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.
✓ El cálculo del variograma puede hacerse a lo largo de distintas direcciones del
espacio y evidenciar una anisotropía.

1.6.2 Propiedades del variograma.-

Un modelo de variograma debe satisfacer varias restricciones matemáticas:

• Relación con la covarianza: ‫( ﻻ‬h) = σ2 – K (h) = K (0) – K(h)

13 Docente: Ing. Isidro Calcina B.
 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

• Función positiva:  (h)  0

• Simétrica: g(h) =  (-h)
• Nulidad en el origen:  (0) = 0

Los rasgos mas importantes de un variograma son:

✓ El comportamiento en el origen: suave / continuo / discontinuo

✓ El comportamiento al infinito: alcance / meseta
✓ El comportamiento direccional: isotrópico / anisotrópico
✓ Otros: ciclicidad, efecto hueco u hoyo.

En la práctica, se modela el variograma experimental a partir de funciones básicas

preestablecidas que cumplen con las restricciones matemáticas de un variograma:

▪ Modelo discontinuo en el origen: efecto pepita

▪ Modelos lineales en el origen: esférico, exponencial…
▪ Modelos parabólicos en el origen: Gaussiano…
▪ Modelos sin meseta: potencia…
▪ Modelos cíclicos: seno cardinal…

1.7.- Varianza de estimación.-

1.7.1 Definición.-

La varianza de estimación es una medida de la dispersión de los errores aleatorios, ya

que se requiere que el estimador no tenga ningún sesgo y, por lo tanto, el error
sistemático será cero.

Ԑ(𝒁(𝒗) − 𝒁(𝑽) ) = 𝟎

Se puede definir la varianza de estimación para cualquier tipo lineal de estimador, no

solamente para el estimador de kriging, La característica relevante del estimador de
kriging es que el kriging proporciona el estimador (ponderador) que minimiza la varianza
de estimación. Así que, la varianza de estimación será más pequeña cuando se aplica el
kriging.

14 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

1.7.2 Expresión matemática de la varianza de estimación.-

𝟐
𝝈𝟐𝑬(𝒗, 𝑽) = [𝑬(𝒁(𝒗) − 𝒁(𝑽) )]

= 𝑽𝒂𝒓(𝒁(𝒗) − 𝒁(𝑽) )

= 𝑽𝒂𝒓 𝒁(𝒗) + 𝑽𝒂𝒓 𝒁(𝑽) − 𝟐𝑪𝒐𝒗(𝒛(𝒗), 𝒛(𝑽) )

𝟏
Donde: 𝑪𝒐𝒗(𝒛(𝒗) , 𝒛(𝑽) ) = ∫ ⅆ𝒙 ∫ 𝑲(𝒙 − ̅ (𝒗, 𝑽)
𝒚) ⅆ𝒙 = 𝑲
𝒗𝑽 𝒗

̅ (𝒗, 𝑽) es el valor promedio de la covarianza cuando ``x`` describe todo el volumen v e

𝑲
``y`` y el volumen V

̅ (𝑣, 𝑉 )
𝐶𝑜𝑣(𝑧(𝑣) , 𝑧(𝑉 ) ) = 𝐾

De donde:
̅ (𝑣, 𝑉 ) + 𝐾
⇒ 𝜎𝐸2 (𝑣, 𝑉) = 𝐾 ̅ (𝑉, 𝑉 ) − 2 ̅
𝐾 (𝑣, 𝑉 )

⇒ 𝜎𝐸2 (𝑣, 𝑉) = 2𝛾̅ (𝑣, 𝑉 ) − 𝛾̅ (𝑉, 𝑉 ) − 𝛾̅ (𝑣, 𝑣 )

⇒ 𝝈𝟐𝑬(𝒗, 𝑽) = 𝟐𝜸
̅(𝒗, 𝑽) −𝜸
̅(𝒗, 𝒗) − 𝜸
̅ (𝑽, 𝑽)

𝝈2𝑬 (𝒗, 𝑽): 𝑬𝒙𝒑𝒓𝒆𝒔𝒊ó𝒏 𝒒𝒖𝒆 𝒏𝒐𝒔 𝒑𝒆𝒓𝒎𝒊𝒕𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 ⅆ𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒄𝒊ó𝒏

1.8.- Modelo Geológico.- El modelo geológico caracteriza los siguientes aspectos:

➢ Debe reflejar todo el conocimiento geológico.

➢ Debe ser proporcional a la envergadura del proyecto.
➢ Debe estar preparado para una continua actualización.

La correcta aplicación de los principios geológicos establece la continuidad de la

mineralización y la ley dentro del yacimiento; el muestreo representativo, el análisis
fiable, la coherente interpretación geológica, serán aspectos importantes a la hora de
realizar un modelo geológico.

15 Docente: Ing. Isidro Calcina B.

 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

La interpretación geológica se basa en los datos y en el conocimiento del yacimiento que

se estudia, y a su vez la construcción de planos y secciones donde se debe representar
la morfología, dimensiones y propiedades del yacimiento, por lo tanto basado en:

• La interpretación basada en perfiles y secciones.

• Interpretación basada en planos de isolíneas.
• Principio de analogía o inferencia geológica.

La continuidad de la estructura y la ley se traduce en la definición de zonas o dominios

geológicos, los cuales poseen una forma geométrica única.

Los dominios geológicos son zonas geológicas y estadísticamente homogéneas, donde

la definición de los límites o contornos de los dominios geológicos son el método básico
para aplicar el control y la estimación durante la modelización de los recursos.
Actualmente existen métodos para la definición de los contornos que define la geometría
de la unidad geológica en 3D.

La modelización geológica debe incluir los siguientes datos:

• Sondeos
• Contactos entre distintas unidades.
• Límites entre zonas estériles y mineralizadas.
• Estructuras geológicas. (fallas, diques. Etc)
• Topografía y otros detalles

El modelo geológico puede ser: Litológico, alteraciones y Leyes, como se muestra en la

figura 13.

Fig. 13 Esquema para el modelamiento geológico

16 Docente: Ing. Isidro Calcina B.
 Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

1.9 Unidad selectiva de explotación.-

Es el volumen mínimo de los bloques que se puede utilizar para seleccionar el mineral
del estéril y dependen de: equipo para explotar, estudio de factibilidad, modelo del
yacimiento que involucran su ley, densidad, dureza, recuperación, etc. Fig. 14.

Fig. 14 modelo de bloques, seleccionados en función a parámetros específicos de explotación.

1.10.- Kriging.-

El Kriging es un término que ha sido acuñado para designar al “mejor estimador lineal
insesgado” (BLUE, en inglés).

- Esta es una técnica de estimación espacial desarrollada por G. Matheron en los

sesenta a partir de los trabajos de D. G. Krige quién fue pionero en el uso de la
correlación espacial para propósitos de predicción.

- Matheron le asigna el nombre de Kriging en honor a Dany Krige.

Entonces el Krigeado consiste en encontrar la mejor estimación lineal de la ley de un

bloque o zona (Fig. 15) Es un estimador insesgado, de mínima varianza, considerando
la información disponible.

Bajo la condición: El estimador es insesgado.

El estimador Kriging se considera óptimo ya que:

1. Es insesgado, es decir, el valor esperado del error es cero.

17 Docente: Ing. Isidro Calcina B.

Facultad de Ingeniería Geológica Introducción a la geoestadística Geoestadística
GLG - 935

2. Garantiza la mínima varianza de la estimación, es decir, reduce al mínimo la

varianza del error de la estimación.

Estimador : → Z0*

• Mejor: → min { Var [ Z0 - Z0* ] }

• Lineal: → Z0* = ∑𝑛𝑖=1 𝜆i Zi

• Insesgado: → E [ Z0* ] = E [ Z0 ]

Fig. 15 Ejemplo Kriging de Bloque

18 Docente: Ing. Isidro Calcina B.