Geoestadistica 1

Cátedra de Geología de Minas
Facultad de Ciencias Naturales y Museo

UNIVERSIDAD NACIONAL DE LA PLATA
APUNTES DIDÁCTICOS DE
GEOLOGÍA DE MINAS
Contenido:
GEOESTADÍSTICA APLICADA A LA
EXPLORACIÓN MINERA
Parte I: DISTRIBUCIONES ESPACIALES Y VARIOGRAMA
Raúl Fernández y Mario Tessone
Revisión: Abril de 2015
La serie de notas o apuntes didácticos de la Cátedra de Geología de Minas, constituyen sólo una guía de los temas
abordados en la materia y no pretenden tener la categoría ni de material completo ni de libro de texto. En los años
en que se ha dictado la materia, los hallazgos, por parte de los alumnos y docentes, de errores y/o desarrollos
confusos así como cambios introducidos a los efectos de su actualización, llevan a continuas revisiones de estos
apuntes.
En ciertas ocasiones el contenido cubre la totalidad del desarrollo que se da en clase, pero en otras sólo se
presentan algunos fundamentos y su profundización y aplicación se brinda en las clases correspondientes.
Estos apuntes fueron confeccionados tomando como base la experiencia y conocimientos de los docentes, pero
también tienen una fuente bibliográfica de gran amplitud, dada la diversidad de temas que se tratan. Se han
consultado tanto libros de texto específicos como artículos de revistas periódicas, los que figuran al final de cada
tema. La mayor parte de esa bibliografía puede ser proporcionada a los alumnos de la materia por los docentes de
la cátedra.
Debe mencionarse que por ser Geología de Minas una materia optativa de la Facultad de Ciencias Naturales y
Museo de la UNLP, que es tomada por estudiantes avanzados en la carrera o por estudiantes de postgrado, hay
numerosos temas, definiciones y términos que se considera, fueron desarrollados previamente en otras materias y
por lo tanto no están comprendidos en estos apuntes
Raúl Fernández y Mario Tessone GEOLOGÍA DE MINAS (2015) FCNyM-UNLP
GEOESTADÍSTICA APLICADA A LA EXPLORACIÓN MINERA

Parte I: DISTRIBUCIONES ESPACIALES Y VARIOGRAMA
INTRODUCCIÓN
Conceptualmente el análisis geoestadístico tiene en cuenta la localización espacial de los datos
(muestras y/o mediciones). Dicha localización influirá en la información que se obtenga y por lo tanto en
las inferencias que se hagan al momento de evaluar una mineralización. Aspectos tales como la ubicación
en el espacio de valores excepcionales, la tendencia que muestra el conjunto de los datos y el grado de
continuidad espacial, son de gran importancia en la exploración geológico-minera.
Un depósito mineral es consecuencia de procesos genéticos definidos que suceden bajo determinadas
condiciones geológicas en la corteza terrestre, por lo tanto sus características estarán controladas
espacialmente por dichos procesos y condiciones. Por esta razón sus parámetros esenciales (tales como
leyes y espesores) estarán influenciados por dos componentes: a) aleatoria, por ejemplo todos los valores
de leyes que pueden obtenerse de acuerdo a las especies minerales que se formaron y, b) estructurada,
debido a los procesos genéticos y a las condiciones geológicas. Esta “estructuración” puede comprenderse
con el siguiente ejemplo: en las inmediaciones de una muestra de alta ley habrá mayores probabilidades de
que otras muestras tengan ley elevada, mientras que cerca de muestras de baja ley tendremos mayores
probabilidades de obtener muestras de baja ley; es decir hay una dependencia espacial.
La geoestadística se basa en la teoría de las variables regionalizadas, formulada por Matheron a fines
de la década del ’60 para tratar esos dos aspectos aparentemente contradictorios (aleatorio y estructurado);
para su desarrollo estableció las hipótesis de estacionaridad e intrínseca. Estos aspectos teóricos van más
allá de los objetivos de este apunte; los interesados pueden recurrir a las obras de Matheron (1969 y 1970).
Este apunte sobre geoestadística aplicada a la exploración minera, se divide en dos partes. En la Parte
1 se desarrolla la herramienta fundamental de la geoestadística: el semi-variograma, que es utilizado
para captar y modelar la distribución espacial. En una segunda parte se describirá una de las metodologías
geoestadísticas para estimar el valor de un punto o de un bloque de valor desconocido, a partir del modelo
de variograma y de las muestras vecinas: el krigeado. Para su elaboración se han tenido en cuenta textos
básicos de geoestadística aplicada, como los de Isaaks y Srivastava (1989), Annels (1991), Armstrong
(1998) y Sinclair y Blackwell (2002).
Las herramientas estadísticas clásicas no son de gran utilidad para describir el arreglo espacial de los
datos y por lo tanto deben utilizarse las que propone la geoestadística, que incorpora esa distribución
espacial. A los efectos de ilustrar en forma sencilla este aspecto se representan en la Figura 1 dos tramos
de 9 m de testigos de perforación con muestras de 1 m de longitud y su ley en g/t Au. Ambas
perforaciones atraviesan una mineralización cuyos estadísticos son iguales: media (m)= 2,77 g/t Au y
desvío estándar (s)= 1,39; sin embargo, visualmente resultan muy distintas; en la perforación (a) los
valores de Au son aleatorios es decir contiguo a valores altos o bajos no se registran valores similares; en
cambio en la perforación (b) los valores contiguos tienen poca diferencia y esto indica una correlación
espacial del contenido de Au, sin embargo estas diferencias de la distribución no son registradas por los
parámetros estadísticos clásicos mencionados. En este apunte se desarrollan las herramientas para que esas
dos distribuciones puedan ser distinguidas.
Geoestadística aplicada a la exploración minera (Parte 1) 2

5 1 3 1 4 2 2 4 3 Ley Au g/t
a
1m Media= 2,77 DS= 1,39
1 2 3 4 5 4 3 2 1 Ley Au g/t
b
1m Media= 2,77 DS= 1,39
Fig. 1. Muestras de testigo de perforación de 1 metro de largo. Las dos distribuciones, una aleatoria (a) y otra con
cierto arreglo espacial (b). Ambas tienen los mismos valores de media y desvío estándar.
ANÁLISIS DE DATOS ESPACIALES

Debe recordarse que antes de iniciar cualquier evaluación de los datos espaciales, es necesario un
tratamiento estadístico convencional que permita conocer los parámetros y tipo de distribución (normal o
lognormal).
Posteriormente es conveniente la aplicación de algunas técnicas gráficas sencillas que permiten una
visualización del conjunto de los datos en el espacio y una primera aproximación sobre su distribución.
Algunos tratamientos estadísticos aplicados a los datos en el espacio también resultan útiles a los efectos
de reconocer ciertas características de la distribución (por ejemplo el efecto proporcional). Estas
herramientas se mencionan brevemente a continuación para, posteriormente, desarrollar otras
metodologías que se aplican para identificar y cuantificar la continuidad espacial.
HERRAMIENTAS DESCRIPTIVAS GRÁFICAS
Estas pueden utilizarse para una visualización de las series de datos por lo que, de alguna manera, son
equivalentes al histograma (univariante) o diagramas de dispersión (bivariante). Las más utilizadas son los
mapas de posicionamiento de datos, mapas de contornos o isovalores y mapas de símbolos. Por ser
herramientas muy conocidas y de uso rutinario no se
75 75 105 105
describirán en este apunte. 1500
Una herramienta gráfica que no se utiliza 1400
frecuentemente son los mapas indicadores (Fig. 2). Son 1300
mapas binarios en donde se establece un umbral o ley de 1200
corte y se asigna un número (0 ó 1) o relleno (p. ej.

1100
negro o blanco) a las celdas de valor superior o inferior

(≤) a dicho umbral. El mismo concepto de indicador se 1000
1000
1200
1300
1400
1500
1100
135 135 u 165 u 165

utilizará con las herramientas geoestadísticas que se
verán más adelante.
Fig. 2. Mapas indicadores para cuatro valores

de corte: 75, 105, 135 y 165 ppm
VENTANAS ESTADÍSTICAS MÓVILES (VEM)

Es bastante común que los valores de los datos en algunas regiones sean más variables que en otras.
Tales anomalías pueden tener serias implicancias prácticas; p.ej. en una mina, leyes erráticas a menudo
causan problemas en la planta debido a que muchos procesos de concentración benefician a partir de bajas
variabilidades de las leyes, por lo que puede disminuir la recuperación cuando entra mineral con leyes
muy variables.

Una herramienta para reconocer esas variabilidades son las VEM (Fig. 3). El cálculo de algunos
estadísticos dentro de ventanas móviles se usa frecuentemente para investigar anomalías tanto de los
valores promedio como de la variabilidad. El área se divide en zonas locales o ventanas y dentro de ellas
se calculan los estadísticos (media: m y desvío estándar: s). El tamaño de las ventanas dependerá del
espaciamiento promedio de los datos y del área total. Al mover las ventanas normalmente se lo hace
traslapando unas con otras, de esa forma entran mas datos en cada una de las ventanas. Con este
mecanismo se puede detectar como y cuanto cambian tanto la media como la variabilidad (desvío
estándar) en el espacio.
81 77 103 112 123 19 81 77 103 112 123 19
82 61 110 121 119 77 82 61 110 121 119 77
82 74 97 105 112 91 82 74 97 105 112 91
88 70 103 111 122 64 88 70 103 111 122 64
89 88 94 110 116 108 89 88 94 110 116 108
77 82 86 101 109 113 77 82 86 101 109 113
92,3 99,3 88,6 103,1

X X X X
17,1 26,0 30,9 25,7
Fig. 3. Ventanas estadísticas móviles. En la parte
inferior se muestran los resultados de la media y el 102,6 98,3 106,7 92,3 : media
91,1 x
X X X X
17,1 : desvío estándar
desvío estándar ubicados en el centro de cada 12,2 13,6 17,7 18,5
ventana. En este ejemplo se muestran ventanas 86,3 98,3 94,3 106,3

X X X X
traslapadas, pero esto se aplica particularmente 9,1 10,3 17,4 26,5
cuando se trata de una grilla irregular de muestreo.
83,9 98,3 90,0 103,3
X X X X
14,5 21,5 32,9 41,3
EFECTO PROPORCIONAL
Puede definirse al efecto proporcional como la relación sistemática entre los valores de la media y de
la variabilidad (desvío estándar). Teóricamente, pueden existir cuatro tipos de relaciones espaciales entre
media y variabilidad:
- media y variabilidad constante
- media con cambios y variabilidad constante
- media constante y cambios en la variabilidad
- media y variabilidad cambian
Para las estimaciones, los 2 primeros casos son los más favorables, pero normalmente ocurren los
otros 2 y de ambos es preferible la última situación, ya que es más predecible.
Los diagramas de dispersión de los datos de medias y desvíos estándar, calculados por el método de
VEM son útiles para chequear las relaciones entre ellas. Si 1,3
Pórfido de cobre
existe dicha relación, es decir si la variabilidad cambia con 1,1
la media, hay efecto proporcional (Fig. 4). Este es común
Desvío estándar
0,9
en las distribuciones lognormales.
0,7
0,5
Fig. 4. Correlación entre la ley media y el desvío estándar
(efecto proporcional) 0,3 Zona de lixiviación
Zona primaria
Zona de enriquecimiento
0,1
0,2 0,4 0,6 0,8 1,0 1,2 1,4
Ley de Cu %

CORRELACIÓN ESPACIAL
Como se mencionó, una muestra cercana a otra que tiene un valor alto, tiene mayor probabilidad de
dar un valor elevado que una muestra alejada, esto significa que hay una continuidad o correlación
espacial y por lo tanto la distribución de los valores de una variable manifiesta en cierto modo la similitud
entre, por ejemplo, la ley de una muestra en un sitio determinado y la ley de otra situada a una cierta
distancia. También refleja la similitud entre leyes de distintos volúmenes, por ejemplo la de una muestra
de testigo respecto a la de un bloque de varios m3 al que se asigna el valor de esa muestra situada en su
interior.
El objeto de la exploración minera es un depósito mineral, el cual como consecuencia de los procesos
que intervinieron en su formación, posee una componente aleatoria y otra estructurada en la distribución
de las variables (p.ej., leyes y espesores, entre otras). En cada tipo de yacimiento y aún en cada depósito
particular intervendrán esas dos componentes con distinto peso. En general, muchos yacimientos de Au
son altamente variables y con una fuerte componente aleatoria en la distribución de las leyes; yacimientos
tipo porphyry copper o VHMS suelen ser menos variables (aunque no necesariamente) y con cierto
predominio de la distribución estructurada; yacimientos de Fe sedimentarios, de fosforitas o de boratos,
poseen una gran continuidad espacial, es decir predomina la componente estructurada de las variables.
Para comprender como es la distribución de las leyes (u otras variables) en un yacimiento o dentro de
una porción homogénea de él, resulta imprescindible conocer la continuidad o correlación espacial y con
este fin se utilizan herramientas gráficas, numéricas y sus combinaciones, tales como las que se describen
a continuación.
Diagramas de dispersión en h
En el tratamiento estadístico convencional de 2 variables y con el fin de describir las relaciones entre
ellas (por ejemplo leyes de Pb y de Ag), se utiliza una herramienta denominada gráfico de dispersión. El
procedimiento básico que emplea la geoestadística es muy similar a ese, pero en vez de usar dos variables
lo hace con la misma variable; esto es, el gráfico de dispersión compara el valor de una variable Z(x) (se
lee: valor Z en el sitio x, donde Z puede ser, por ejemplo, la ley) y el valor de esa variable en un punto
distante Z(x+h) (donde h es la distancia). Estos gráficos mostrarán todos los posibles pares de valores de
datos cuyas localizaciones están separadas por una cierta distancia en una dirección particular: h (vector
con módulo y dirección) y por ello se denominan diagramas de dispersión en h. Con el objeto de
reconocer la correlación espacial se hacen varios gráficos incrementando la distancia, es decir comparando
muestras cada vez más alejadas entre si. La construcción de este tipo de gráficos, a partir de datos de
muestras distribuidas regularmente en un plano, se ilustra en la Figura 5.
Un análisis visual de estos gráficos informa que a medida que se incrementa h, los pares de puntos
[Z(x), Z(x+h)] tienen mayor dispersión, es decir se alejan de la bisectriz x=y, lo cual indica que se va
perdiendo la correlación cuanto más alejadas están las muestras.
Como en la estadística clásica, aparte del análisis visual que permiten los diagramas de dispersión en
h (mayor o menor dispersión de la nube de puntos), es necesario una información cuantitativa acerca de la
relación de los pares de datos. Esta cuantificación puede realizarse mediante la función de correlación
(correlograma), la función de covarianza, o el semivariograma, herramientas que se analizan a
continuación.

150 150 150
140 140 140
130 130 130
120 120 120
110 110 110

continúa hasta el último par continúa hasta el último par continúa hasta el último par
100 100 100
100
110
120
130
140
150
100
110
120
130
140
150
100
110
120
130
140
150
h= 1 (5 m) h= 2 (10 m) h= 3 (15 m)
h= 2 h= 3
Z (x+h)
Z (x+h)
h= 1
Z (x+h)
Z(x) Z(x) Z(x)
Fig. 5. En la parte superior se presenta el mapa de posicionamiento de datos (es el mismo para cada valor de h);
por simplicidad se han omitido los valores (Z) de cada muestra representada por un punto. En la parte inferior se
ilustran los respectivos diagramas de dispersión en h (para h=1, h=2 y h=3) sobre los ejes Z(x) y Z(x+h),
correspondientes a los valores del par de puntos de atrás y de adelante (“cola” y “cabeza” respectivamente).
Función de Correlación
El coeficiente de correlación es un buen informador; cuando la nube de puntos se hace mas “gorda”
(dispersa) el coeficiente de correlación decrece.
La función de correlación tiene la siguiente ecuación
1 N h Z x .Z x + h − m− h .m+ h
ρh = ∑
N h x =1 s− h .s+ h
donde Nh es el número de pares separados por h, m-h y m+h son las medias y s-h y s+h son los desvío
estándar de los valores Zx y Zx+h respectivamente. Los subíndices –h y +h corresponden a los valores de
“cola” (Zx) y de “cabeza” (Zx+h), respectivamente.
La relación entre el coeficiente de correlación (ρh) de un diagrama de dispersión en h y la distancia
de separación h, es el correlograma (Fig. 6a). El correlograma decrece con el aumento de la distancia.
Función de Covarianza
Otro índice de la continuidad espacial es la covarianza, que -según la distancia y dirección- varía de
forma similar al coeficiente de correlación (la covarianza es el numerador de dicho coeficiente). La
relación entre la covarianza (Ch) de un diagrama de dispersión en h y la distancia de separación h, se
denomina función de covarianza (Fig. 6b). Al igual que el correlograma, decrece con el aumento de la
distancia. La función de covarianza tiene la siguiente ecuación (los símbolos son iguales a los de la
función de correlación):
1
∑
Nh
Ch = Z x .Z x + h − m− h .m+ h
N h x =1
La diferencia entre la función de covarianza y la de correlación, es que esta última es estandarizada
(dividida) por el producto de los desvíos estándar de los valores de “cola” (s-h ) y de “cabeza (s+h).
Semivariograma (Variograma)
Otro índice para medir la dispersión de la nube de puntos, es el llamado momento de inercia
alrededor de la línea x=y, que puede calcularse como la mitad de la diferencia promedio al cuadrado de
los valores de Zx y Zx+h. Cuando h=(0,0) caerán sobre la línea bisectriz (x=y), pero cuando h se incrementa
los puntos se alejan de esa línea. La relación entre el momento de inercia de un diagrama de dispersión en
h y la distancia de separación h se conoce como semivariograma (γh) (Fig. 6c). El prefijo semi- se debe a
que es la mitad (½) del promedio, pero por simplicidad en este apunte se emplea la palabra variograma.
La ecuación del variograma es:
1
γh = ∑
Nh
x =1
(Z x − Z x + h )2
2Nh
Por ser un promedio de las diferencias al cuadrado, esta ecuación tiene cierta similitud con la de la
varianza (se omite la comprobación matemática de esta similitud).
Los gráficos que representan al correlograma, función de covarianza y variograma se muestran en la
Figura 6; cada uno de los puntos corresponde a un diagrama de dispersión en h para la distancia
especificada.
h
1,0
Ch h
0.8
a 800 b 800 c
0.6 600 600
0.4 400 400
0.2 200 200
h h h
0 1 2 3 4 5 0 1 2 3 4 5 0 1 2 3 4 5
Fig. 6. (a) Valores del coeficiente de correlación ρh respecto a la distancia h, denominado correlograma. (b)
Valores de la covarianza Ch, respecto a h, o función de covarianza. (c) Valores del momento de inercia, respecto a
h, denominado semivariograma. La línea de unión entre los puntos se traza para una mejor visualización.
Tanto el correlograma como la función de covarianza tienen una pendiente decreciente, que indica
que hay menor correlación a medida que aumenta la distancia de separación h. En cambio, el variograma
se comporta de manera inversa, es decir, esa disminución de la correlación está indicada por su pendiente
creciente hacia las mayores distancias de separación h.
VARIOGRAMA
Buena parte del comportamiento espacial de variables geológicas de una región o cuerpo
mineralizado, pueden ser descriptas en forma aceptable por el variograma. Por eso esta es la herramienta
básica y fundamental de la geoestadística. Utilizado adecuadamente, el variograma permite abordar el
estudio de la distribución espacial de los datos y su interpretación y relación con los aspectos geológicos
conocidos. La continuidad, que también puede llamarse interdependencia o correlación, queda reflejada en
la tasa de crecimiento del variograma (γh) de acuerdo al aumento de la distancia entre muestras (h).
Con esta herramienta puede analizarse el grado de interdependencia de los datos en el espacio y las
zonas de influencia de cada dato; la anisotropía del arreglo espacial y con ello la mayor o menor
continuidad en distintas direcciones; la posibilidad de estructuras sobrepuestas y otras características de las
distribuciones. A partir de los variogramas construidos con los datos, denominados variogramas
experimentales, puede definirse el modelo de variograma que mejor se ajusta a esa distribución, el que
será utilizado en las estimaciones geoestadísticas posteriores (krigeado).
Como ejercitación para comprender el variograma, se recomienda al lector que construya los
variogramas para el tramo mineralizado de testigos que se muestran en la Fig. 1 (a-b); estos darán dos
figuras distintas del variograma y, como se verá a continuación, con ellas se podrá establecer las
diferencias entre esas mineralizaciones que, como se señaló, presentan los mismos parámetros estadísticos
de ley media y desvío estándar.
VARIOGRAMAS EXPERIMENTALES
Son aquellos construidos con la ecuación del variograma a partir de la serie de datos obtenidos
durante la exploración, tal como se ejemplificó en la Figura 5. En esa figura se utilizó una distancia de
separación de 5 metros y la dirección E-O (90º); sin embargo, en la exploración difícilmente las muestras
tengan exactamente ese distanciamiento y esa orientación, sino que serán aproximadas y por lo tanto
puede haber muy pocos pares de muestras que cumplan con ese requisito.
Debido a que la eficiencia del variograma para mostrar la correlación espacial está dada por el
número de pares que intervienen en el cálculo (cuanto mayor es el número de pares para una determinada
separación, más representativo es el promedio) el variograma experimental se construyen con una
tolerancia en distancia y en ángulo. Ejemplos típicos de esta tolerancia se muestran en la Figura 7.
a b
20°
4m
ancho de banda
Lag 1 Lag 2 Lag 3 Lag 4 Lag 5 Lag 6
(x,y)
20°
1m
1m
Fig. 7. a) tolerancia en distancia de 1 m y tolerancia angular de 20º; la muestra (x,y) se apareará con cualquier
muestra que esté dentro del área rayada. b) a partir de una determinada separación cambia la tolerancia angular y
el ancho de banda es constante
En la Figura 8 se muestra un variograma experimental y se ilustran sus distintos componentes. A

medida que se incrementa la distancia h hay un aumento del valor del variograma γh, es decir hay una
correlación (aunque decreciente) entre la variabilidad y la distancia, pero a una determinada distancia el
valor de γh deja de aumentar y se comporta de manera fluctuante, lo cual indica que ya no hay correlación.
El valor de γh a partir del cual se pierde dicha correlación o continuidad, se llama meseta (C) y la distancia
a la cual el variograma llega a esa meseta es el alcance (a). Hay casos, sin embargo, en los cuales la
variabilidad sigue creciendo con la distancia (fenómenos no transicionales).
El alcance representa lo que intuitivamente se conoce como “distancia de influencia” y con el valor
del variograma (γh) en la meseta podemos obtener la varianza (o variabilidad) existente para ese
distanciamiento entre las muestras.
Aunque teóricamente el valor del variograma a un distancia cero (h=0) debe ser cero, muchas veces
este no comienza en el origen. En la Figura 8 la prolongación de la pendiente promedio entre los tres
primeros valores corta el eje γh en C0. Este fenómeno conocido como efecto pepita (C0) es una
variabilidad en muy cortas distancias que no puede ser captada con el distanciamiento entre muestras y
representa la componente aleatoria de los datos.

(h)
C Meseta
C1
Alcance
Variograma
experimental
Efecto C
pepita 0
a distancia (h)
Fig. 8 Componentes esenciales del variograma.
La diferencia entre el valor de la meseta y el efecto pepita es C1, que representa la componente
estructurada de la distribución espacial de los datos.
El uso y análisis del variograma (en la literatura suele denominarse variografía) permite estimar la
variabilidad e interdependencia de los valores de la serie de datos en un espacio delimitado (alcance) y a
que distancia esta variabilidad deja de estar relacionada. Como se señaló anteriormente “una muestra
cercana a otra que tiene un valor alto, tiene mayor probabilidad de dar un valor elevado que una muestra
alejada”, pero en esta frase los términos “cercana” o “alejada” son imprecisos. Con el variograma
podemos estimar hasta que distancia tendremos esa probabilidad que los resultados de la muestras sean
similares.
En la construcción del variograma experimental, debe ponerse especial cuidado en asegurar que las
muestras provengan de un ámbito geológico homogéneo; la mezcla de poblaciones geológicamente
distintas seguramente provocará interpretaciones incorrectas sobre la distribución espacial. Por otra parte,
la presencia de “valores excepcionales” (ver apunte: “Aplicaciones estadísticas en la exploración minera”)
suele causar serias distorsiones en el variograma; es una práctica común construirlo sin los valores
excepcionales. Otra causa que puede hacer que el variograma experimental tenga un comportamiento
errático, es la distancia de muestreo; es muy común en la exploración minera que tengamos mayor
cantidad de muestras y más cercanas en las zonas de mayor interés; este agrupamiento hará que el
variograma sea difícil de interpretar particularmente cuando hay “efecto proporcional”. Más adelante se
verá una herramienta (variograma relativo) para estos casos.
Zona de influencia
Una importante información que puede obtenerse del variograma, es acerca de la “zona de influencia
de la muestra”, que en evaluaciones preliminares se define intuitivamente como la mitad de la distancia
entre muestras o entre bloques (puede ser en forma lineal, areal o volumétrica). De acuerdo al tipo de
distribución y correlación espacial, la zona de influencia puede determinarse geoestadísticamente con el
variograma y con ello podemos especificar el distanciamiento óptimo entre muestras de modo que su
influencia no se solape con la de las muestras vecinas o evitar sectores con falta de información.
En etapas avanzadas de una exploración, a los efectos de lograr el menor costo de exploración y
obtener la mayor información, se debe programar un adecuado espaciamiento de muestras de modo que
permitan una evaluación tan segura como la de un muestreo más apretado. El distanciamiento óptimo, en
términos geoestadísticos, está dado por el alcance del variograma que será coincidente con una covarianza

igual a cero o igual al efecto pepita (comúnmente se utiliza 2/3 del alcance para tener un margen de
seguridad). En la Figura 9 se muestran estas relaciones.
Gran solapamiento
Alta Covarianza a
h: valor pequeño
h, Cov
Solapamiento reducido meseta

Menor Covarianza b
h: valor intermedio
Área de influencia variograma
alcance
de la muestra
Sin solapamiento
Covarianza cero (o el covarianza
efecto pepita)
c
h: valor de la meseta
h
Sectores sin información
Covarianza cero (o el
efecto pepita) d
h: valor de la meseta a
distancia mayor que el alcance
Fig. 9. Relaciones entre “área de influencia” (las muestras son puntos negros) y la información que puede
obtenerse del variograma (o de la función de covarianza). a) gran solapamiento (información redundante); b)
solapamiento reducido (distancia de muestreo con un margen de seguridad); c) sin solapamiento (distancia óptima
de muestreo); d) información deficiente debido a una distancia de muestreo mayor al alcance estimado por el
variograma. En la parte derecha de la figura se esquematiza la relación entre el variograma y la covarianza (la
función de covarianza será una imagen especular, invertida del variograma).
Anisotropías
Por ser el variograma una representación espacial (tridimensional) tiene una base vectorial y por lo
tanto puede tener distintos valores de alcance y variabilidad según la dirección en que se aparean los datos.
Cuando construimos un variograma a partir de datos (espesores, leyes o acumuladas) obtenidos de un
cuerpo vetiforme sobre un plano horizontal (p.ej. la superficie o en una galería) podemos obtener
resultados distintos respecto al variograma que se construye con los datos sobre un plano vertical (p.ej.
una chimenea o un pique sobre veta). Una perforación vertical permitirá construir sólo un variograma que
representa la variabilidad y alcance a lo largo de la perforación; ahora bien, si para un mismo nivel de una
serie de perforaciones efectuadas en una mineralización diseminada, construimos un variograma con las
perforaciones alineadas N-S y otro con las alineadas E-O (variogramas direccionales) podrían resultar
diferentes. Cuando los variogramas direccionales son diferentes entre si, indican que según la dirección
elegida la distribución espacial es distinta, o sea que es anisótropa.
Hay dos tipos de anisotropías, a) anisotropía geométrica: presenta la misma meseta pero distintos
alcances según las direcciones seleccionadas, b) anisotropía zonal: el alcance es similar pero las mesetas
son distintas.
En la Figura 10 se muestran gráficamente estas dos posibles anisotropías. Desde luego, suelen
obtenerse combinaciones de ambas, lo cual seguramente harán más complejo el análisis de los
variogramas para las distintas direcciones. El factor principal que contribuye a estas anisotropías es
geológico (estructural, mineralógico, de relación relleno/reemplazo, tipo de circulación de fluidos, etc.).

a b
meseta 2
ze
meseta 1
zp
a
Fig.10. a) Anisotropía geométrica según dos direcciones del depósito. b) Anisotropía zonal registrada en niveles
con diferente mineralización en un pórfido cuprífero; ze: zona de enriquecimiento, zp: zona primaria
Para reconocer las anisotropías en depósitos tridimensionales (como pórfidos cupríferos o sulfuros
masivos) es recomendable realizar variogramas direccionales con al menos 4 orientaciones, por ejemplo
con azimut: 0º, 45º, 90º y 135º además de la orientación vertical. En cuerpos tabulares se harán a los largo
del rumbo y de la inclinación. Dibujando el alcance en distintas direcciones se construye una elipse de
anisotropía (anisotropía geométrica) con su eje mayor que indica la mayor continuidad espacial y el
menor, lo contrario.
Si se define que los variogramas direccionales son similares (en meseta y alcance), se utilizará un el
variograma denominado omni-direccional, dando un ángulo de tolerancia para la búsqueda de 90º.
Efecto pepita puro
En ciertos variogramas no hay una pendiente definida en sus primeros tramos, sino que todos los
valores de γ(h) están alrededor del correspondiente al efecto pepita (C0), como se ve en la Figura 11. Esto
significa que la serie de datos no tiene una interdependencia espacial (por lo tanto es una distribución sólo
al azar). Esto puede deberse a que la mineralización naturalmente fue generada por fenómenos muy
complejos y no completamente conocidos, o bien artificialmente debido a errores analíticos o de
muestreo. Conforme a los procesos formadores de mineralizaciones, es muy raro que un depósito mineral
tenga un variograma con efecto pepita puro, por lo tanto si se presenta, las causas deben ser investigadas.
Estos variogramas se denominan “de efecto pepita puro”
(Fig.11) y son generados sólo por la componente aleatoria de la
distribución. En estos casos las estimaciones a realizar pueden
hacerse con el método estadístico clásico (no geoestadístico).
Co
Fig. 11. Variograma experimental con efecto pepita puro
Efecto agujero
En ocasiones los variogramas experimentales suelen tener variaciones muy marcadas en los valores
de γ(h) con el aumento de la distancia (h); luego de alcanzar un máximo decrece y luego vuelve a crecer en
forma mucho más marcada que las fluctuaciones normales de los variogramas. Esto se denomina “efecto
agujero” (Fig. 12) y ciertamente complica la interpretación de esos variogramas (se modelan con
funciones seno y coseno). Este rasgo suele darse cuando se toman en conjunto sectores de alta y baja ley,
por ejemplo en depósitos estratiformes en donde alternan capas mineralizadas con capas estériles. Una
buena decisión antes que complicar el análisis del variograma puede ser analizar separadamente cada uno
de esos niveles.

“agujero”
Fig. 12. Variograma con efecto agujero
Estructuras superpuestas
El análisis detallado de la figura que nos da el variograma experimental, puede dar la pauta de que la
correlación espacial no se debe a una única estructuración, sino que actúa mas de un fenómeno (Fig. 13).
Esta posibilidad debe ser correctamente evaluada junto con las características geológicas del depósito ya
que estas deben ser las responsables de la estructuración espacial de los datos. P.ej. tomando el caso de un
Porphyry Copper, podría existir un arreglo espacial de las leyes
en Cu en cortas distancias controlado por finas vetillas poco C2
espaciadas (escala de metros a decenas de metros) y otro arreglo
debido a distintas litologías alternantes con separaciones, por C1
ejemplo entre 100 y 200 metros.
Fig. 13: Estructuras superpuestas dan alcances distintos con sus

respectivos valores de γ(h)
VARIOGRAMAS RELATIVOS
Si bien en la exploración de detalle se planifica un muestreo regular y equidistante, en muchos casos
se ejecuta una etapa avanzada de muestreo (o perforaciones) de malla más apretada con el fin de delinear
adecuadamente sectores de leyes altas (Fig. 14). Si esos sectores, que tendrán una ley promedio más
elevada que el resto, tienen además mayor variabilidad (varianza), existe “efecto proporcional”, lo cual
creará problemas en el variograma experimental debido a que hay una dependencia entre el valor γ(h) y la
media de los datos.
50 m
Por esa razón, en la práctica se utilizan las
1
herramientas alternativas denominadas variogra-mas
relativos, los cuales están estandarizados con la media.
Estos variogramas relativos tienen fines puramente 2
descriptivos de la distribución, es decir se utilizan para

producir una gráfica más clara de la distribución espacial. 25 m
Hay tres tipos de variogramas relativos, que se describen a

3
continuación.
4
Fig. 14. En las áreas 1 a 4 se realizaron perforaciones de
relleno en una malla previa de 25 m de separación. El análisis
estadístico indica que hay efecto proporcional.

Variograma relativo local: γRL(h)

Se definen regiones separadas (Fig. 14) y se trata cada una como una población diferente. Si sus
variogramas tienen la misma forma y sólo cambia su magnitud con el valor de la media de cada región,
puede utilizarse el variograma relativo local, que tiene la siguiente ecuación.
n
γ i ( h)
∑ N ( h) i
mi2
γ LR ( h ) = i =1
n
,
∑ N ( h)
i =1
i
donde, γ1(h), ….., γn(h) son los variogramas locales de cada región, m1, ….., mn son las medias locales de
cada región y N1(h), ….., Nn(h) es el número de pares de cada región. Esta ecuación escala cada
variograma local por el cuadrado de la media local y los combina por el número de pares utilizados y
entonces hace el promedio con el número total de pares.
Variograma relativo general: γRG(h)
Un problema del variograma relativo local, es que al hacerse por región pueden tener una pequeña
cantidad de puntos y esto puede dar un variograma errático. A diferencia de ese, el variograma relativo
general utiliza todos los datos disponibles y se construye con la siguiente ecuación:
γ ( h)
γ RG ( h ) = ,
m( h) 2
donde γ(h) es el variograma convencional, que está estandarizado dividiéndolo por el cuadrado de la
media de todos los datos utilizados para su construcción: m(h)2.
Variograma relativo de pares: γRG(h)
La ecuación de este variograma relativo es:
1 (vi − v j ) 2
γ RP ( h ) = ∑
2 N (h) (i , j ) hi , j ≈ h vi + v j 2
,
( )
2
la diferencia al cuadrado de los valores en las posiciones i y j es como en el variograma convencional,
pero cada par es dividido por el promedio al cuadrado de esos dos puntos.
VARIOGRAMA INDICADOR
Es un caso especial de variograma que se basa en los mapas indicadores mencionados más arriba. En
este caso a las muestras se les asigna el valor de 0 ó 1 si su contenido está por debajo o por encima de un
umbral o ley de corte determinada (se los construye para varios valores de umbral).
Sólo a modo de ejemplo, en la Fig. 15 se expone los indicadores que se asignan a las muestras de un
tramo de testigo de perforación, para dos umbrales diferentes.
5 1 3 1 4 2 2 4 3
Umbral= 2 1 0 1 0 1 0 0 1 1
Umbral= 3 1 0 0 0 1 0 0 1 0
Fig. 15. Indicadores que se asignan a las muestras. 0 ≤ umbral; 1 > umbral

Con estos valores resolvemos la ecuación del variograma señalada anteriormente, donde los valores
de Zx y Zx+h serán 0 ó 1.
Este tipo de variograma se emplea para realizar el krigeado indicador (que se verá más adelante en la
Parte 2 de este apunte). No obstante, también suele usarse para mejorar el ajuste al modelo de variograma,
ya que elimina los efectos que producen los valores excepcionales (si es que fueron incluidos).
MODELOS DE VARIOGRAMAS
Los variogramas experimentales se construyen con información discontinua obtenida a determinadas
distancias (la distancia de muestreo); además suelen ser bastante irregulares (las líneas con que se unen los
distintos puntos cambian su pendiente). Por estas razones resulta necesario establecer un modelo que
represente ese variograma experimental.
Los modelos son ecuaciones matemáticas (representan la función aleatoria) que se ajustan al
variograma experimental y posibilitan obtener el valor de γ(h) a cualquier distancia y en cualquier
dirección y por ser una función permite su tratamiento matemático a los efectos de una posterior
estimación (por medio del krigeado). Como se verá, las ecuaciones de los variogramas modelo dan una
curva (en casos una recta) y tienen como constante el efecto pepita, la meseta y el alcance y como variable
la distancia h. Estos modelos tienen la restricción matemática que deben ser positivamente definidos (para
profundizar sobre esta propiedad pueden consultarse textos de álgebra matricial).
Existen 2 grupos de modelos de variogramas: a) transicionales, en los que el valor del variograma
aumenta hasta una meseta y están representados por los modelos Esférico, Exponencial y Gaussiano, y b)
no transicionales, donde el valor del variograma no alcanza una meseta, representado por el modelo
Linear. Ambos se han utilizado en la geoestadística, pero los modelos transicionales son los más
empleados en la actividad minera ya que a ellos parecen ajustarse mejor la distribución natural de sus
variables.
PRINCIPALES MODELOS DE VARIOGRAMAS

Modelo esférico o de Matheron
Es, posiblemente, el modelo más utilizado para depósitos minerales (Sinclair y Blackwell, 2002). En
la Figura 16 se ilustra este modelo, sin efecto pepita y combinado con el efecto pepita.
(a) (b)
C1
C1
C0
h h
a a
Fig. 16: Modelo de variograma esférico. a) sin efecto pepita; b) con efecto pepita (C0)
Las ecuaciones que definen este modelo son:

 h h 
γ h = C1 1,5( ) − 0,5( )3  para h<a, y γ h = C1 para h≥a
 a a 
Si tiene efecto pepita (el caso más común) éste (C0) se debe sumar:
 h  h
γ h = C0 + C1 1,5( ) − 0,5( )3  para h<a, y γ h = C0 + C1 para h≥a
 a a 
Modelo exponencial o de Formery
En la Figura 17 se ilustra este modelo, sin efecto pepita y combinado con el efecto pepita
(a) (b)
h h
a a
Fig. 17: Modelo de variograma exponencial. a) sin efecto pepita; b) con efecto pepita (C0)
 h
− 3( ) 
γ h = C1 1 − e a
 para h>a, y γ h = C1 para h≥a
 
Si tiene efecto pepita (el caso más común) éste (C0) se debe sumar:
 h
− 3( ) 
γ h = C0 + C1 1 − e  para h>a, y γ h = C0 + C1 para h≥a
a
 
Conforme a estas ecuaciones, este modelo de variograma se acerca a la meseta en forma asintótica y
por esta razón el alcance práctico se considera al 95 % del valor de la meseta (C1 en la Fig. 17).
Modelo gaussiano o parabólico
En la Figura 18 se ilustra este modelo, sin efecto pepita (a) y combinado con el efecto pepita (b).
 h
− 3( ) 2 
γ h = C1 1 − e  para h>a, y γ h = C1 para h≥a
a
 
Si tiene efecto pepita éste (C0) se debe sumar:
 h
− 3( ) 2 
γ h = C0 + C1 1 − e  para h>a, y γ h = C0 + C1 para h≥a
a
 

(a) (b)
h h
a a
Fig. 18: Modelo de variograma gaussiano. a) sin efecto pepita; b) con efecto pepita (C0)
Como en el caso del modelo exponencial, el alcance práctico se considera al 95 % del valor de la
meseta.
Modelo linear
Este modelo no transicional, muestra un incremento continuo
del valor del variograma sin que se alcance una meseta (Fig. 19) y x=1
x>1
es un caso especial de modelo exponencial cuya ecuación es:
γ h = C0 + k .h x (cuando tiene efecto pepita C0)
donde k es una constante y x es el exponente, tal que 2 ≥ x ≥ 0 (x =
x<1
1 en el caso de una recta).

h
Fig. 19: Modelos lineares con distintos

exponentes (sin efecto pepita C0)
Comparación de los modelos de variograma

Las curvas de los modelos de variograma mencionados, tienen características que permiten
diferenciarlos al momento de definir cual es el que representa mejor la correlación espacial. En la Figura
20 se muestran esas características.
El modelo esférico, que como se mencionó anteriormente es el más usado para depósitos minerales.
Es lineal en las cortas distancias y luego disminuye su pendiente hasta alcanzar la meseta. La tangente de
la porción lineal, corta a la meseta a aproximadamente 2/3 del alcance.
El modelo exponencial también tiene una porción lineal cerca del origen, a menor distancia que en el
modelo esférico y mucho más empinada; esta pendiente decrece paulatinamente hasta alcanzar la meseta,
de tal forma que cortaría la curva del modelo esférico. La tangente de la porción lineal corta a la meseta a
aproximadamente 1/5 del alcance.
El modelo gaussiano tiene muy baja pendiente cerca del origen, la que aumenta a mayores distancias
y luego vuelve a decrecer. Este modelo raramente es empleado para representar la correlación espacial
(excepcionalmente puede ser representativo de depósitos de baja variabilidad). Además produce algunos
efectos no deseados cuando se lo utiliza como modelo para las estimaciones por medio del krigeado.

l
cia
en
p on
Ex
i co
fér
E s
no
ia
ss
au
G
h
0 1
Fig. 20: Comparación de los modelos de variograma (transicionales)
MODELADO DEL VARIOGRAMA EXPERIMENTAL

El variograma experimental (ver Fig. 8) consiste en una serie de puntos (unidos por una línea para su
mejor visualización) que representan el valor de γ(h) para las distancias especificadas. Para este
variograma, construido sobre la base de un sólido conocimiento geológico del fenómeno que generó la
distribución de la variable (por ejemplo las leyes), deberá establecerse el modelo que mejor representa su
forma y los distintos componentes (efecto pepita, meseta y alcance).
Usualmente el ajuste del modelo de variograma se realiza por “prueba y error”. Los programas de
computación que se utilizan para construir variogramas, normalmente tienen la opción de ajustarlo al
modelo; sin embargo debe prestarse gran atención a estos efectos computacionales y considerar las
características geológicas de la distribución espacial que se pretende modelar.
En la Figura 21 (a y b) se ilustran dos modelos de variagrama que se ajustan al variograma
experimental de la Figura 8. En ambos casos se utilizó la forma esférica (ya que la pendiente en las cortas
distancias corta a la meseta a aproximadamente 2/3 del alcance) pero con distintos efecto pepita, meseta y
alcance. Tal vez un análisis subjetivo podría elegir el ajuste de la Figura 19b como el mejor.
(h) (h)
a b
1000 1000
C
C
C1 C1
modelo esférico modelo esférico
500 C0= 245 500 C0= 185
C1= 720 C1= 730
a= 45 m a= 41 m
C0 distancia (h)
C0 distancia (h)
10 20 30 40 50 10 20 30 40 50
a a
Fig. 21. a) ajuste del modelo de variograma conforme a los datos del variograma experimental. b) el efecto pepita,
meseta y alcance se modificaron respecto a los datos originales de modo de lograr un mejor ajuste
La ecuación del modelo elegido (el de la figura 21.b) es:

 h h 
γ h = 185 + 7301,5( ) − 0,5( )3  para cualquier distancia h<a, y
 41 41 
γ h = 185 + 730 para h≥a.
Debe remarcarse aquí, que el modelo de variograma que se seleccione tendrá gran influencia en las
estimaciones posteriores que se realicen mediante el krigeado, por lo tanto es necesario ser muy cuidadoso
en la construcción del variograma experimental como en su modelado; las características geológicas de la
mineralización son fundamentales para alcanzar resultados confiables.
Modelado de anisotropías
El método para combinar modelos de variogramas direccionales en un modelo que sea consistente en
todas direcciones, es definir una transformación que los reduzca a un modelo común de alcance
estandarizado (alcance= 1). El “truco” consiste en transformar la distancia de separación para que el
modelo estandarizado provea un valor de γ(h) que sea el mismo en cualquiera de los modelos direccionales
para esa distancia de separación.
El esquema básico de esta transformación se ejemplifica en la Figura 22. Los modelos de
variogramas direccionales presentan una anisotropía geométrica con alcances 1 (γ1) y a (γa). A la distancia
h/a (punto D) γ1 tiene el mismo valor de γ que el modelo γa a la distancia h (punto E). Este procedimiento
transforma el modelo con alcance a, a un modelo equivalente con alcance 1, reduciendo la distancia de
separación en (h/a). La expresión es: γ1(h/a)= γa(h) , donde (h/a)= h1 es la distancia reducida.
variograma N-S
variograma E-O
γ 1 ( h a ) = γ a ( h)
Fig. 22: Anisotropía geométrica y transformación de variogramas direccionales

Este concepto de modelo equivalente y distancia reducida es también para 2 direcciones (en el plano).
Si ax es el alcance en la dirección x, y ay es el alcance en la dirección y, el modelo de variograma
anisótropo puede expresarse como:
γ (h) = γ (hx , hy ) = γ 1 (h1 )
donde la distancia reducida h1 es:
 h  2  h  2 
h1 =  x  +  y  
 a x   a y  
 
De forma similar en un sistema de 3 dimensiones con ejes perpendiculares entre si, la distancia
reducida h1 es:

 h  2  h  2  h  2 
h1 =  x  +  y  +  z  
 a x   a y   a z  
 
Otra ecuación que puede utilizarse para corregir la anisotropía (Armstrong, 1998), es:
γ (h) = γ 1( hx 2 + k 2 hy 2 ) , donde hx y hy son los componentes de h en esas direcciones, y k es la relación de

anisotropía: k = alcancex
alcancey
En la Figura 23 se muestra un ejemplo con la elaboración de la elipse de anisotropía y los factores de

anisotropía. En este caso la relación de anisotropía es: k= 3,9.
N45ºE
h
13
h N45ºO
12
11 h
N-S
10
9
Esférico 8
C0= 1,0
C1= 10,3 Esférico
a= 80 m Esférico C0= 1,3
C0= 1,5 C1= 11,8
C1= 8,2 a= 310 m
a= 110 m
2 2
1 1
1
0 100 200 300 400 0 100 200 300 400 0 100 200 300 400
distancia (h)
Elipse de anisotropía
m
h E-O
0
110 m
31
9
8 Factores de anisotropía
1,4 3,9
Esférico 130 m
C0= 1,0 80 1,6
C1= 8,1 m
a= 130 m
1
1,0
0
100 200 300 400
distancia
Fig. 23. Variogramas direccionales en la mina de plata Trinity (Nevada, EE.UU) tomados de Bell y Whateley
(1994). Las mesetas son muy similares pero tienen distintos alcances (anisotropía geométrica). Abajo a la derecha
se ilustra la elipse de anisotropía y los factores de anisotropía con el eje menor estandarizado a 1.
Existen casos más complejos para modelar las anisotropías con un único variograma promedio
transformado: para estructuras superpuestas, anisotropía no coincidente con los ejes de coordenadas de
exploración (se utiliza una trasformación de coordenadas coincidentes con las de los ejes de anisotropía) o
para anisotropía zonal, que se resuelve descomponiendo y sumando más de un variograma. Estas
metodologías para modelar anisotropías implican un desarrollo que excede el alcance de este curso.
GEOLOGÍA Y MODELOS DE VARIOGRAMA
Si bien los modelos de variograma son ecuaciones de una curva, estas surgen de la información real
obtenida de un yacimiento en particular en el cual, la distribución espacial de los datos estará controlada
por los fenómenos geológicos que determinaron su formación.
Conforme a su génesis, cada tipo de depósito mineral tendrá una distribución espacial particular de
sus variables y además, para un mismo tipo de depósito, cada yacimiento individual tendrá su propia
continuidad espacial y diferente de otros. También es común que en un mismo yacimiento, de porciones
con estilos de mineralización diferentes resulten distintos variogramas: en depósitos tipo “porphyry
copper” los variogramas suelen ser distintos en la mineralización en “stockwork” (red de vetillas), en la
mineralización diseminada y en la mineralización en “chimeneas de brecha” y resultarán diferentes en los
sectores de enriquecimiento supergénico respecto a los de mineral primario; en depósitos tipo “sulfuros
masivos” (VHMS) comunménte los variogramas de la porción masiva (Pb-Zn-Cu) son diferentes a los del
sistema de vetillas infrayacente (“feeder”) de alimentación de fluidos mineralizantes; se han registrado

ejemplos de depósitos vetiformes alojados en distintos tipos de roca de caja (sobre todo de distinta
reactividad con los fluidos) donde los variogramas son diferentes de acuerdo a la roca hospedante.
Por otra parte, las anisotropías en la continuidad espacial suelen estar fuertemente controladas por las
características geológicas: zonas de cizalla, “enjambres” de diques subparalelos, orientación principal de
los sistemas de vetillas en un stockwork, estratificación, etc.
Con estos pocos ejemplos se resalta que el modelo de variograma es el resultado de los fenómenos
geológicos propios del depósito y por lo tanto es necesario insistir que estas características deben ser
suficientemente conocidas para las más acertadas interpretaciones de los variogramas. Además, debido a
que el modelo de variograma se utilizará posteriormente en la estimación de recursos por el método de
krigeado, aunque éste sea un procedimiento geoestadístico muy aceptado, será fundamental una sólida
base geológica para que esas estimaciones sean confiables.
BIBLIOGRAFÍA
Annels, A.E., 1991. Mineral deposit evaluation. A practical approach. Chapman & Hall London. 436
pags.
Armstrong, M., 1998. Basic linear geoestatistics. Springer-Verlag Berlin Heidelberg. 153 pags.
Bell, T.M. y Whateley, M.K.G., 1994. Evaluation of grade estimation techniques. En: Whateley, M.K.G.
y Harvey, P.G. (eds): Mineral resource evaluation II: Methods and case histories. Geologic Society
Special Publication Nº 79: 67-86.
Isaaks, E.H. y Srivastava, R.M., 1989. An introduction to applied geostatistics. Oxford University Press
New York. 561 pags.
Matheron, G., 1969. Curso de geoestadística. Cuadernos del Centro de morfología matemática de
Fontainbleu. 77 pags. Traducción al español por Alfaro, M. (2005).
Matheron, G., 1970. La teoría de las variables regionalizadas y sus aplicaciones. Cuadernos del Centro de
morfología matemática de Fontainbleu. 126 pags. Traducción al español por Alfaro, M. (2005).
Sinclair, A.J. y Blackwell, G.H., 2002. Applied mineral inventory estimation. Cambridge University
Press. 381 pags (edición 2010).

Geoestadistica 1

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

Geoestadistica 1

Cargado por

Copyright:

Formatos disponibles

Cátedra de Geología de Minas

Facultad de Ciencias Naturales y Museo

Raúl Fernández y Mario Tessone

Revisión: Abril de 2015

GEOESTADÍSTICA APLICADA A LA EXPLORACIÓN MINERA

Geoestadística aplicada a la exploración minera (Parte 1) 2

ANÁLISIS DE DATOS ESPACIALES

Una herramienta gráfica que no se utiliza 1400

frecuentemente son los mapas indicadores (Fig. 2). Son 1300

mapas binarios en donde se establece un umbral o ley de 1200

corte y se asigna un número (0 ó 1) o relleno (p. ej.

negro o blanco) a las celdas de valor superior o inferior

135 135 u 165 u 165

Fig. 2. Mapas indicadores para cuatro valores

VENTANAS ESTADÍSTICAS MÓVILES (VEM)

Geoestadística aplicada a la exploración minera (Parte 1) 3

81 77 103 112 123 19 81 77 103 112 123 19

82 61 110 121 119 77 82 61 110 121 119 77

82 74 97 105 112 91 82 74 97 105 112 91

88 70 103 111 122 64 88 70 103 111 122 64

89 88 94 110 116 108 89 88 94 110 116 108

77 82 86 101 109 113 77 82 86 101 109 113

92,3 99,3 88,6 103,1

ventana. En este ejemplo se muestran ventanas 86,3 98,3 94,3 106,3

Geoestadística aplicada a la exploración minera (Parte 1) 4

Geoestadística aplicada a la exploración minera (Parte 1) 5

150 150 150

140 140 140

130 130 130

120 120 120

110 110 110

100 100 100

Z(x) Z(x) Z(x)

0.4 400 400

0.2 200 200

En la Figura 8 se muestra un variograma experimental y se ilustran sus distintos componentes. A

Geoestadística aplicada a la exploración minera (Parte 1) 8

Geoestadística aplicada a la exploración minera (Parte 1) 9

Solapamiento reducido meseta

Geoestadística aplicada a la exploración minera (Parte 1) 10

Fig. 11. Variograma experimental con efecto pepita puro

Geoestadística aplicada a la exploración minera (Parte 1) 11

Fig. 13: Estructuras superpuestas dan alcances distintos con sus

descriptivos de la distribución, es decir se utilizan para

Hay tres tipos de variogramas relativos, que se describen a

Geoestadística aplicada a la exploración minera (Parte 1) 12

Variograma relativo local: γRL(h)

Geoestadística aplicada a la exploración minera (Parte 1) 13

PRINCIPALES MODELOS DE VARIOGRAMAS

Las ecuaciones que definen este modelo son:

Geoestadística aplicada a la exploración minera (Parte 1) 14

Las ecuaciones que definen este modelo son:

Geoestadística aplicada a la exploración minera (Parte 1) 15

1 en el caso de una recta).

Fig. 19: Modelos lineares con distintos

Comparación de los modelos de variograma

Geoestadística aplicada a la exploración minera (Parte 1) 16

Fig. 20: Comparación de los modelos de variograma (transicionales)

MODELADO DEL VARIOGRAMA EXPERIMENTAL

La ecuación del modelo elegido (el de la figura 21.b) es:

Geoestadística aplicada a la exploración minera (Parte 1) 17

Fig. 22: Anisotropía geométrica y transformación de variogramas direccionales