Guía de Geoestadística para Minería

GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF.
LUIS ARAYA
ANÁLISIS DE DATOS DE TIPO GEOLÓGICOS
1. Obtención de los datos del yacimiento
La información inicial se obtiene en la exploración del yacimiento; una vez que es

ubicado el prospecto por fotografías aéreas, satelitales, métodos geofísicos, geoquímicos y
geológicos, se procede a la toma de muestras del subsuelo mediante perforaciones (sondajes).
Esta técnica es la más importante y de las más costosas del proceso exploratorio. Se
inicia con una campaña de perforación con mallado que va aumentando la densidad a medida
que mejora la perspectiva económica del proyecto minero.
En eventuales ocasiones se perfora con corona de diamante para recuperar la roca

entera y analizar los aspectos geológicos directamente, tales como micropliegues, fallas,
estratos, color y textura, y para análisis geomecánicos, tales como, resistencia a la compresión
y al corte.
El procedimiento anterior es bastante costoso y lento, por eso son más utilizados los
métodos en donde se tritura la roca con la broca, ya sea por el método de roto-percusión o por
el de rotación. El material triturado o detritus es arrastrado por suspensión con el fluido de
circulación y se recolecta en la superficie. En la exploración minera este fluido, generalmente,
es aire comprimido del compresor. El método de la circulación del fluido puede ser directo o
inverso. En la primera, el fluido baja por el interior de la sarta y asciende por el anular; y en la
segunda, el fluido ingresa por el anular y sube por el interior de la sarta, presentado un sistema
más sofisticado en cuanto a la tecnología de la sarta (figura 1).
1
GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF. LUIS ARAYA
Figura 1 Perforación circulación inversa para la toma de muestras del subsuelo. Tomado
de CGS (2011).
Para el muestreo, se perfora todo el intervalo definido, que puede ser en las minas de
hierro de 1 a 5 metros, dependiendo de la heterogeneidad de la roca. El detritus recolectado se
homogeneíza y se cuartea hasta obtener muestras representativas de la roca para ese intervalo
de aproximadamente de 25 kg.
En el laboratorio las muestras se preparan para realizar los análisis químicos, físicos,
mineralógicos y petrológicos. La característica física principal es la densidad de la roca. En
cuanto a la mineralogía se determina el tipo de mineral de hierro, hematita, martita, goetita,
magnetita, y otros minerales correspondientes a la ganga. El análisis petrológico determina los
tipos de materiales rocosos predominantes, tales como costras, finos negros, finos marrones,
etc. Las características químicas a determinar corresponde principalmente a los contenidos de
hierro (Fe), agua cristalizada de la muestra expresada como pérdida por calcinación (PPC),
manganeso (Mn), titanio (Ti) y los contaminantes fósforo (P) y alúmina (Al2O3); todos estos
expresados en porcentaje de peso del soluto sobre peso total, % (p/p).
2
En la figura 2 se observa un ejemplo de la estructura por intervalos de la información

que se obtiene de un sondeo. Con los sondeos alineados en secciones horizontales y verticales
se correlacionan las informaciones generándose perfiles, ya sean químicos o geológicos.
superficie
Costra
-3 mts
Costra
-6 mts
Finos
Marrones subsuelo
-9 mts
Finos
Marrones
-12 mts
Finos
Marrones
-15 mts
Finos
Marrones
-18 mts
Finos
Marrones
-21 mts
Finos
Negros
-24 mts
Finos
Negros
-27 mts
Finos
Negros
-30 mts
Finos
Negros
-33 mts
Figura 2. Ejemplo de la estructura de un sondeo con información del tipo de mena

presente (Elaboración propia).
3
Cuando se inicia la explotación surgen nuevos datos a medida que se va descubriendo

el yacimiento a mayor profundidad, lo que permite la validación o actualización de la
información. En los frentes de explotación se descubre la litología y se toman muestras
superficiales en distancias regulares. Las muestras obtenidas del polvo y detritus de la roca
perforada con el fin de introducir los explosivos para realizar las voladuras para cargar y
transportar las rocas a las plantas de procesamiento de mineral actualizan la información.
En la planificación de la explotación minera el control de la calidad se realiza con la

información de los modelos estimación por bloques generados con los sondeos geo-
exploratorios, y para el control diario de la calidad se actualiza el modelo en los frentes que
poseen las muestras de pre-voladura. El modelo inicial para la planificación de la explotación
a largo plazo proviene de los sondeos exploratorios, y posteriormente se va actualizando a
medida que se va descubriendo el subsuelo, permitiendo el ajuste del modelo de estimación.
2. Exploración estadística de los datos.
La exploración de los datos se realiza utilizando herramientas descriptivas, tanto

numéricas como gráficas, a fin de obtener una noción inicial del comportamiento o tendencia
de la distribución de los mismos. En esta etapa se identifican anomalías en los datos y se
establecen las características que, en forma inicial, identifican el comportamiento estadístico
de los datos.
Medidas descriptivas.
Es usual obtener las medidas de centro y localización, variación y simetría del conjunto
de todos los datos.
Entre las medidas de centro y localización, se tienen como los más importantes: la
media aritmética, el cual corresponde al valor promedio de los todos los datos; la moda, que es
el valor más frecuente; y la mediana, que es el valor que representa la posición central del
conjunto de datos ordenados en orden creciente. Estas medidas permiten obtener valores
representativos del conjunto de los datos al tomarse la centralización como eje de
4
representatividad. En cuanto a los cuartiles, el cuartil 1 representa la posición en el 25% del

conjunto de datos ordenados, y el cuartil 3 representa la posición en el 75% de los datos
ordenados. El cuartil 2 es igual a la mediana.
Entre las medidas de variabilidad podría mencionarse a la varianza y al coeficiente de

variación como los más útiles. La varianza es el promedio de las diferencias entre cada dato y
algún valor central, comúnmente la media aritmética. Las diferencias se elevan a la potencia 2
para eliminar el efecto de cancelación que se produce entre los valores menores y mayores a la
media, pero esto hace que la unidad sea cuadrática. La desviación estándar es la raíz cuadrada
de la varianza, lo que soluciona el inconveniente con la unidad de la variable. Se deduce de lo
anterior que estas dos medidas son no negativas. Estos valores se pueden apreciar para datos
de una misma variable de la población, pero no sirve para determinar cual variable presenta
mayor o menor variabilidad. En este caso se utiliza el coeficiente de variación, el cual arroja
valores relativos y adimensionales, lo que permite comparar los grados de variabilidad entre
las diferentes poblaciones y/o variables.
Las medidas de asimetría permiten obtener el grado de asimetría o sesgo de la

distribución ordenada de los datos. Existen varios coeficientes que determinan el sesgo, pero
uno de los más usados es a3, que relaciona el momento de tercer orden central m3, que como se
indica, toma como centro de masa la media, si el momento es negativo entonces las
diferencias son mayores a la izquierda de la media y viceversa; en las distribuciones de los
datos se reconoce por las colas a la izquierda (negativo) y a la derecha (positivo) (Figura 7). Si
el momento central de 3er. orden es cero, entonces se está en presencia de una distribución
simétrica (Figura 3). Este coeficiente se divide por la desviación estándar a la potencia 3,
quedando como un valor adimensional, que permite la comparación con otras poblaciones o
variables al ser eliminadas las unidades y el efecto de la magnitud.
5
Media = mediana = moda
X
insesgado
Media < mediana < moda
X
Sesgo positivo
Media > mediana > moda
X
Sesgo negativo
Figura 3. Grados de asimetría de las distribuciones (elaboración propia)
Con respecto al análisis entre las relaciones entre dos grupos de valores o variables
medidas sobre la misma muestra (par(x,y)), el coeficiente de correlación lineal, xy, es una
herramienta poderosa para determinar el grado de dependencia entre las dos variables. Para
obtener este coeficiente se debe primero calcular la covarianza entre los dos grupos de valores,
Sxy, este resultado se divide entre el producto de las varianzas de estos dos grupos
El valor del coeficiente de correlación entre dos variables puede estar entre el intervalo
{-1,1}, si el coeficiente tiende a -1, existe una fuerte dependencia lineal negativa entre las dos
variables, es decir su relación es inversamente proporcional; si el coeficiente tiende a 1,
entonces hay una fuerte dependencia positiva, directamente proporcional. Si el valor de
correlación tiende a cero, tanto por el lado negativo como en el positivo, entonces las dos
variables presentan una débil o ninguna relación entre ellas, por lo tanto pueden considerarse
ambas pueden considerarse independientes entre sí.
6
Herramientas gráficas.
Entre las herramientas gráficas que se utilizan en la exploración estadística tenemos

histograma, diagrama de caja, diagrama de dispersión, entre otros.
El histograma es la representación gráfica de la distribución de datos x en forma de

columnas o barras verticales. La altura está relacionada con el número de observaciones que
entran en el intervalo o clase. El ancho de la columna h se puede obtener por medio de
diversas fórmulas empíricas, por ejemplo, las reglas de Sturges (2.2), Scott (2.3) y Freedman-
Diaconis (2.3) (Venables y Ripley, 1994: 126):
(2.2)
(2.3)
Siendo:
rango(x): rango (longitud entre el valor mínimo y el máximo de la distribución de x).
n: número de observaciones de x.
: desviación estándar estimada de x.
R: rango intercuartílico (diferencia entre el cuartil 3 y el cuartil 1).
El número de columnas se obtiene mediante la siguiente fórmula:
Una deficiente cantidad de columnas atenta contra la apreciación de la tendencia de la

distribución de x, y un exceso de columnas hace que pocas observaciones entren en cada
7
intervalo, lo que también dificulta o distorsiona la representación gráfica de la distribución de

los datos.
El diagrama de caja y bigotes (boxplot) es una herramienta muy versátil para

determinar el comportamiento de un grupo de datos, y más poderosa aún, para comparar los
comportamientos de los valores de varios grupos de datos. Con la caja y los bigotes se puede
observa gráficamente la tendencia central, la dispersión y la asimetría que presentan los datos,
y pueden ser precisados qué datos pueden considerarse como valores significativamente
extremos, si están afuera de los bigotes.
La caja se dibuja a escala con los datos obtenidos de los cuartiles, quedando una caja
con dos bisagras extremas que corresponde al cuartil 1 y al cuartil 3, y una línea interna que
corresponde al cuartil 2 o mediana. Los bigotes corresponden a la longitud del rango
intercuartílico (Q3-Q1) multiplicado por 1,5 (Figura 4).
Figura 4. Elementos del diagrama de caja y bigotes. Tomado de Vilar (2005: 189)
Otra de las herramientas muy útiles es el diagrama de dispersión, el cual permite que se
observe gráficamente el comportamiento de datos bivariantes, pudiéndose observar una nube
de puntos que supone el grado de correlación que presentan. Se representan en un plano
8
cartesiano bidimensional en donde la coordenada en abscisa contiene el valor de una variable,

y la coordenada ordenada contiene el valor de la otra variable (Isak y Srivastava, 1989: 28).
3. Variables aleatorias.
Las variables aleatorias (v.a.) pertenecen a los números reales y sus valores son
equivalentes a los posibles resultados que puedan ocurrir en un experimento aleatorio, en el
cual no hay forma de que se pueda determinar cuál va a ser el resultado de un acontecimiento
o evento por ocurrir, pero si se puede establecer ciertas probabilidades de ocurrencia. Las
variables aleatorias deben ser analizadas mediante los modelos estocásticos. El conjunto de los
posibles resultados establecidos por las variables aleatorias presentan una tendencia que podría
decirse es parte del "capricho" del azar, que permite establecer los criterios del
comportamiento probabilístico, de forma tal, que unos resultados pueden ser más probables
que otros, se puede determinar que ciertos resultados no ocurrirán nunca (probabilidad igual a
0) o son muy poco probables que ocurran, así como otros, que son altamente probables que
ocurran. Estos comportamientos o distribuciones probabilísticas son funciones matemáticas
bajo ciertas condiciones. Si la variable es discreta, la distribución se llama función de
probabilidad (fp) y si es continua se denomina función de densidad de probabilidad (fdp)
(figura 5).
Distribución V.A. discreta Distribución V.A. continua
f(x) f(x)
P(xi)
P(A)
xi a b
Figura 5. Representación gráfica de la una fp y de una fdp.
9
En la tabla 1 se presentan las condiciones para que una función f(x) pueda considerarse
una fp o fdp
. Tabla 1. Cuadro de propiedades de las fp y fdp
4. Modelos teóricos de distribuciones probabilísticas comunes en los yacimientos

minerales.
En todo estudio estadístico es decisivo establecer de forma preliminar cómo se

distribuye la población, una manera de hacerlo es determinando si los datos experimentales
tienen un comportamiento aproximado a una de las distribuciones probabilísticas teóricas. En
geología, es común que los valores químicos de los yacimientos minerales presenten
comportamientos aproximados a ciertas distribuciones teóricas, entre la más frecuente se
encuentra la distribución lognormal, con la ventaja de que con una simple transformación
logarítmica de los valores su comportamiento se aproximaría a una distribución normal.
Distribución Normal.
Puede considerarse como la distribución más importante de la estadística, no solamente

porque sirve de aproximación a muchas distribuciones que tienen importancia práctica, sino
también, porque presenta propiedades matemáticas con que se pueden deducir tratados
teóricos importantes (Meyer, 1992) tal como, el Teorema del Límite Central, uno de los
pilares en la estimación clásica. Esta distribución se caracteriza por su simetría (sesgo = 0),
10
por presentar una campana mesocúrtica y por que la curva de la función es asintótica en ambos
extremos, también es válida denominarla distribución gaussiana o campana de Gauss.
Su fdp se expresa de la siguiente manera:
1 x    2

1 2 2
f(x) e ; -<x<+
2
2
Siendo:
 = E(X)
2 = V(X).
Esta distribución se denota N( ). La distribución N(0,1) se denomina normal

estándar (figura 6), y se obtiene mediante una transformación de variables de la fdp original en
Z  x    /  .
Figura 6 Distribución normal estándar.
11
Distribución Lognormal.
Esta distribución se presenta en variables, que a pesar de no distribuirse como una

Normal, su logaritmo si tiene esa tendencia. David (1977) asegura que la experiencia ha
demostrado que en muchos problemas relacionados con la geología es común encontrar
variables que tiendan a ser Lognormal, y que los geólogos la tengan que utilizar mucho para
poder estimar las reservas de las menas (figura 7).
Su fdp se define como (Gut, 1995):
Siendo:
,y
Donde - , y
Distribución Lognormal
0.5
0.4
0.3
f(x)
0.2
0.1
0.0
0 2 4 6 8 10 12
Figura 7 Distribución Lognormal
12
Distribución Binomial
Una variable aleatoria x si se distribuye binomial es discreta con la siguiente función

de probabilidad (DeGroot y Schervish, 2002: 249):
Siendo:
,y
Donde - , y
Se puede expresar Bin(n, p
El parámetros n corresponde a la cantidad de posibles resultados de X, y el parámetro p

corresponde a la probabilidad de éxito de cada variable X y q es la probabilidad de fracaso,
q = 1 - p.
El valor corresponde a las combinaciones que se obtienen de x en n.
El tipo de litología en un cuerpo mineralizado es una propiedad que se comporta como

una variable aleatoria con distribución binomial, si consideramos que para una muestra de
tamaño n, cada espécimen es independiente del otro y cada uno tiene una probabilidad p de
que corresponda a una litología en específico y una probabilidad q de que sea otro tipo de
litología.
5. Modelo lineales generalizados
La regresión lineal es un modelo de estimación estadística muy usada en la ingeniería,

si se tienen observaciones en donde un valor puede ser explicado por otros valores, entonces
13
se pueden generar modelos aleatorios que modelan esta relación usando estimaciones de
verosimilitud. Entre estos modelos, los más extensivamente usados son los modelos lineales
generalizados, que actúan sólo en las familias exponenciales de distribución, entre las cuales,
las que interesan en este trabajo, se tienen la función de probabilidad binomial y la función de
densidad de probabilidad normal.
Para un conjunto de N de observaciones pertenecientes a una misma distribución de

una familia exponencial, los modelos lineales generalizados para cada variable de respuesta Yi
tienen la siguiente forma (Dobson, 2002:49-50):
Siendo una función diferenciable y monótona, llamada función de vínculo,

, es un vector (k x 1) con las covariables explicativas y una variable de pérdida,
y es el vector (k x 1) de los parámetros fijos que influyen en
Los parámetros fijos se someten a pruebas de hipótesis para determinar si influye en

la variable explicativa y de esta forma se puede simplificar el modelo al eliminar variables
innecesarias.
El modelo lineal obtenido presenta residuos, que corresponde a la diferencia entre los
valores de respuestas observados y los esperados. Estos pueden ser analizados para verificar
la adecuación del modelo mediante gráficas y análisis estadísticos.
En geología se presentan en algunos casos de relaciones entre diferentes propiedades

de las rocas, por ejemplo en los yacimientos de mineral de hierro es posible que se puedan
modelar las relaciones entre el hierro, sílice, alúmina, pérdida por calcinación, fósforo y
manganeso. En estos casos se puede usar modelo lineal normal suponiendo que es una
distribución N( ) (Dobson, 2002: 50):
14
También se puede escribir de la siguiente forma (Dobson, 2002:50):
En donde es el ruido o error del modelo y se espera que corresponda a una

distribución N( ).
El tipo de litología es otra propiedad que puede relacionarse con las propiedades
químicas de la mena, pueden actuar como variables categóricas que clasifican diferentes clases
de modelos lineales normales.
Por otro lado, la litología puede transformarse en variables indicadoras con valores
binarios de 0 y 1, suponiendo una distribución Bin(1, , podría relacionarse con una dosis
correspondiente a las propiedades química, en este caso, el modelo tiene la siguiente forma y
se denomina modelo lineal logístico (Dobson, 2002: 54):
Siendo también equivalente la siguiente forma:
Donde:
que corresponde a la probabilidad de éxito de Yi .
: es el vector (1 x k) de las dosis.
Como en este tipo de modelo logístico la variable de respuesta Yi es binaría (0,1), el

cual se supone que proviene de una distribución binomial de tamaño ni = 1, es difícil que el
error se comporte como N( ).
15
Modelos lineales mixtos generalizados.
La construcción de los modelos generalizados se realiza con observaciones bajo el

supuesto de que son independientes, éstos tienen solo efectos fijos. En el caso de que las
observaciones no sean independientes, entonces se puede modelar un conjunto de datos con
los modelos mixtos (Macchiavelli, s.f.), el cual además del efecto fijo se presentan efectos
aleatorios estructurales. Es decir, en este tipo de modelos además de presentar una matriz de
efectos fijos y un vector de errores, también incluye una matriz de efectos aleatorios.
Se puede formular de forma general los modelos lineales con efectos mixto a través de
esta ecuación matricial simplificada tomada de Bivand et al (2008: 287):
En donde representa los efectos aleatorios y se supone que es Normal con media 0 y
matriz de covarianza , mientras que es la matriz que diseña la estructura aleatoria,
representa a las variables de respuestas, son los coeficientes o efectos fijos, es la matriz
que diseña los efectos fijos, y representa a la variable aleatoria que provienen de los errores
del modelo, el cual es Normal con media cero y covarianza , siendo además independiente
de los efectos aleatorios.
Para el caso del comportamiento de las propiedades del mineral de hierro, éstas se
podrían modelar tomando en cuenta el efecto aleatorio que produce los diferentes grupos
litológicos, y desde un criterio temporal, las diferentes campañas podrían también influenciar
aleatoriamente. En los comportamientos de las propiedades minerales, la estructura espacial es
una de las más importantes y frecuentes para establecerlas en los efectos aleatorios del modelo
de regresión lineal mixto.
6. Variables regionalizadas.
Una variable regionalizada Z(x) se puede definir como una variable perteneciente al
campo aleatorio cuyos valores actúan en función de x, el cual pertenece a un dominio o región
16
espacial (D = 1, 2 ó 3), {Z(x):  x  }. En el caso particular de este trabajo, el grado

químico y el tipo de litología o menas son variables regionalizadas que se ubican en un
espacio geográfico real correspondiente a las dimensiones del yacimiento mineral. Lo que se
destaca en una variable regionalizada, es el grado de incertidumbre de los valores en diferentes
puntos x del espacio, siendo entonces una función aleatoria con tendencias estructurales sobre
un dominio o región. La estadística clásica, comúnmente aplicada a estos estudios, considera a
las propiedades del yacimiento, tales como la calidad química, como variables independientes
del espacio, lo que es correspondiente a las variables aleatorias; en la geoestadística, estas
variables aleatorias dependen del espacio que ocupan dentro del yacimiento, lo cual
corresponden a funciones aleatorias.
Según Matheron (2005a: 7), las variables regionalizadas presentan dos aspectos
contradictorios (o complementarios): un aspecto aleatorio (alta irregularidad, y variaciones
imprevisibles de un punto a otro) y un aspecto estructurado (esta debe presentar de alguna
forma las características estructurales del fenómeno regionalizado). En este mismo sentido,
deduciendo una interpretación dada por Cressie y Wikle (2011: 122) se establece la siguiente
definición de una variable aleatoria:
Siendo la función correspondiente al comportamiento real del fenómeno

regionalizado, y  es el error de los datos que domina el carácter aleatorio de la variable Z(x),
con E() = 0 y V()   ≥ 0.
En la figura 8 se observa un ejemplo en donde la variable regionalizada tiene un

comportamiento errático localmente, pero a mayor distancia se presenta la estructura, en
donde el valor esperado E(Z(x)) es una deriva o tendencia del proceso aleatorio, pudiéndose
denominar como m(x) la cual depende de la posición x, y explica la variabilidad espacial de la
concentración metálica del yacimiento.
17
Figura 8. Aspecto aleatorio y estructurado de una variable regionalizada. Modificado de

“Mining Geostatistical” (p. 28) por Journel y Huijbregts, 1978).
La estimación de procesos, como los descritos en el párrafo anterior, podría llevar a

establecer ecuaciones bastante complejas que quizás no permitan interpretar de forma
adecuada la variabilidad espacial, pudiendo ser demasiado complicado de explicar. En la
práctica, se puede suponer cierto grado de homogeneidad espacial bajo alguna hipótesis de
estacionariedad.
El término estacionario es originario de los análisis de series de tiempo y significa que

diversas variables aleatorias presentan la misma media, varianza y función de autocorrelación
(Agterberg, 1974).
En la realidad es poco frecuente que en la función regionalizada no se presente alguna

tendencia o deriva, pero, si a una menor escala la deriva está presente con una pendiente
menor, se puede suponer una estacionariedad débil o cuasi-estacionariedad de la variable
aleatoria hasta cierta distancia y de esta forma aliviar cualquier duda en la estimación cuando
se asuma algún tipo de estacionariedad. Obviamente, si existen muchas dudas en el carácter
estacionario entonces se debe establecer la no estacionariedad de la variable regionalizada.
18
Consideraciones en la estimación de las variables regionalizadas
Matheron (2008: 8) indicó que el carácter estacionario de la variable aleatoria implica

la homogeneidad del fenómeno en el espacio. Agterberg (1974) llama a estas funciones
aleatorias estacionarias "funciones aleatorias homogéneas". En la práctica geoestadística es
común suponer este comportamiento para lograr las interpretaciones del fenómeno.
Una de las características principales del comportamiento estacionario es que la

covarianza de dos variables regionalizadas ubicadas en diferentes puntos espaciales, Z(x1) y
Z(x2), no está influenciada en sí por las posiciones de los vectores, sino por la diferencia que
existe entre ellos. En la figura 9 se observan dos variables regionalizadas Z(x) y Z(x+h), el
vector h corresponde a la diferencia espacial existente entre las dos variables. Bajo la premisa
anterior de covarianza, es lógico decir que mientras el vector de distancia h aumente la
covarianza C[Z(x),Z(x+h)] = C(h) debe disminuir, y viceversa. Este vector h de los pares de
valores del espacio D está conformado por el módulo de separación h y por la dirección .
Figura 9. Componentes de x y h   (Elaboración propia).
19
Estacionariedad estricta.
La estacionariedad en sentido estricto indica que las distribuciones de probabilidad de

las variables regionalizadas Z(x) y Z(x+h) son invariantes bajo traslación (Journel and
Huilbregts, 1978), por lo tanto, todos los momentos son constantes.
Estacionariedad de orden 2.
En la práctica, es suficiente asumir una estacionariedad débil o estacionariedad de

orden 2 (Agterberg, 1974). Esta hipótesis sólo toma en cuenta que los dos primero momentos
de Z(x) y Z(x+h) se mantienen sin cambios:
E[Z(x+h)] = E[Z(x)] = m
V[Z(x)] = V[Z(x+h)]=E{[Z(x)-m]2]= E{[Z(x+h)-m]2}
Además, establece que la covarianza para estas dos variables regionalizadas es

independiente de la posición x y sólo depende del vector de separación h:
Sustituyendo los valores esperados de las variables regionalizadas por la constante m,

se tiene que:
(2.1)
20
Obteniéndose que al suponer la estacionariedad débil, por definición cualquier par

{Z(x), Z(x+h)} existe una covarianza que depende de la distancia de separación h (Journel and
Huilbregts, 1978: 32).
Si se considera que h es nula, entonces de la ecuación 2.1:
(2.2)
Por lo tanto, también, al suponer la estacionariedad de orden 2 se supone que además

de la existencia de la covarianza, también implica la existencia de una varianza a priori finita,
2 (Journel and Huilbregts, 1978: 33).
Hipótesis intrínseca y variograma.
En el caso de que se suponga que la varianza a priori no exista o sea infinita, la

estacionariedad de orden 2 queda limitada, lo cual puede resolverse suponiendo una hipótesis
de estacionariedad más débil como la intrínseca (Matheron, 2005b: 52), en donde entre dos
puntos ubicados en x y x+h, se espera que no exista diferencia en sus valores regionalizados
[Z(x+h)-Z(x)], y se espera que presente una varianza finita, pero que no depende de x sino del
vector de separación h, 2(h) el cual se llama variograma, es decir:
EZ ( x  h)  Z ( x)  0 (2.3)
(2.4)
La estacionariedad de orden 2 implica la hipótesis intrínseca pero lo inverso no es

verdad: la hipótesis intrínseca puede verse como una limitación de la estacionariedad de orden
2 para los incrementos de la función regionalizada Z(x) (Journel y Huijbregts, 1978).
En este caso se puede probar fácilmente que:
21
(2.5)
Por lo que:
(2.6)
La expresión es nombrada como semivariograma en la literatura geoestadística.
(2.7)
Efecto pepita
Cressie y Wikle (2011: 6 y 121) indican con relación a los procesos espaciales, que
existe un componente de variabilidad no resuelta, uno es producto de la incertidumbre que
generan los errores presentes en los datos relacionados con las mediciones, y otro por el
desconocimiento del proceso del fenómeno espacial en sí a una pequeña escala. En la
literatura geoestadística esta se manifiesta en una discontinuidad del variograma en el origen
llamado efecto pepita o "nugget" (Journel y Huijbregts, 1978: 39).
Descomponiendo la varianza a priori de la variable regionalizada Z(x), se supone que

hay presencia de dos tipos de variabilidades, una correspondiente al proceso real del fenómeno
espacial, , y otra varianza del componente aleatorio errático, . Realizando una analogía
de Cressie y Wikle (2011: 123) se puede llegar a una definición formal del efecto pepita.
Suponiendo la estacionariedad de segundo orden, se tiene que la covarianza:
(2.8)
En donde es la covarianza espacial del proceso real del fenómeno con

dependencia espacial.
Por lo tanto, de acuerdo a la hipótesis de estacionariedad de orden 2, es lógico que

, siendo esta la varianza del componente espacial del fenómeno regionalizado. Por
22
lo tanto, existe una varianza inicial por la variabilidad que ocasiona el desconocimiento del
fenómeno espacial cuando la separación entre pares tiende a cero:
(2.9)
En donde corresponde a la varianza microescalar del proceso estructurado

espacial.
Lo que implica lo siguiente, como la variable regionalizada Z(x) presenta dos aspectos
uno estructurado espacial y otro aleatorio, entonces su varianza microescalar se define como:
(2.10
)
Lo cual ocurre de igual forma al suponer la hipótesis intrínseca:
(2.11
El valor entonces corresponde al efecto pepita.
Representación gráfica del variograma en función de h.
Según Chica (1987, 2005), el gráfico de la función variograma (h) representa una
herramienta muy importante en los estudios geoestadísticos, ya que de él se puede obtener
información correspondiente al comportamiento de las variables regionalizadas lo que permite
describir su estructura de variación espacial; resumiéndolos en el comportamiento del
variograma cerca del origen (distancia h a pequeña escala), las anisotropías, la zona de
influencia espacial y los comportamientos particulares.
La interpretación del comportamiento del variograma cerca del origen es de mucha

importancia, ya que es a menores distancias en donde mejor se autocorrelacionan las
propiedades bajo dependencia espacial. En esta fase puede detectarse un comportamiento
espacial más regular cuando ésta es parabólica y menor si es lineal; puede presentarse también
23
diferentes grados de discontinuidades en el origen, un mayor efecto pepita aumenta la

irregularidad del comportamiento, llegando a presentarse una ausencia total de correlación si
la discontinuidad es total, este caso se denomina efecto pepita puro (figura 2.14).
Parabólico Lineal
Efecto pepita Efecto pepita

puro
Figura 10 Diferentes comportamientos del variograma cerca del origen. Figuras tomadas
de Estimación de recursos mineros de Marco Alfaro (2007: 39,40,41,44)
Al definir la variable Z(x) bajo alguna hipótesis de estacionariedad, entonces se

establece un valor máximo del variograma en donde el componente espacial del fenómeno
regionalizado desaparece, este valor se denomina meseta, igual a "C"; siendo ésta la misma
varianza a priori que se definió en la ecuación 2.2, C . Por lo tanto, la meseta es el valor
del variograma cuando la distancia h entre los valores pares z(x) y z(x+h) es tal, que no existe
correlación espacial alguna, y en este caso sólo actúa el componente aleatorio. Un valor z(x)
influye espacialmente sobre otro valor z(x+h) hasta que con la distancia h se inicie la meseta,
este valor se denomina alcance o rango, igual a "a"; si este valor no existe, entonces hay
efecto pepita puro. La meseta incluye tanto el valor del efecto pepita como las varianzas de
las estructuras espaciales, , denominándose como cada una de las k varianzas
estructurales de Y(x) (se manifiesta como un variograma complejo o anidado), entonces:
24
(2.12)
En la figura 11 se observa un ejemplo de la interpretación de la influencia espacial con

una sola estructura.
Figura 11 Ejemplo del comportamiento del variograma con el aumento de la separación

de los puntos (Elaboración propia).
Cuando en diferentes direcciones no cambia el rango, el comportamiento espacial es

isotrópico. Cuando el rango varía con la dirección, manteniéndose el mismo valor de la
meseta, es indicativo de que no hay un cambio de población y se define como anisotropía
geométrica (Figura 12 y 13).
25
Figura 12 Ejemplo de anisotropía geométrica (Elaboración propia).
Figura 13 Área de influencia de z(x) (Elaboración propia)
En la dirección principal los valores del variograma se modifican lentamente, mientras

que en dirección perpendicular a ésta (dirección secundaria) las variaciones suceden más
rápidamente, en los yacimientos minerales la anisotropía, generalmente está asociada a ciertas
estructuras geológicas (Matheron, 2008). La dirección principal de anisotropía indica la zona
donde se presenta la mayor continuidad espacial de la región.
26
La influencia del punto z(x) en la vecindad puede cambiar según la dirección; se habla
de área de influencia en el espacio bidimensional, y de volumen de influencia en el espacio
tridimensional. En la anterior figura 13 se presenta el caso bidimensional, la anisotropía
geométrica imperante forma como área de influencia una elipse, se presentan dos direcciones,
la de mayor longitud es el alcance o rango principal (a1), y el de menor longitud, el rango
secundario (a2).
También hay situaciones en donde en diferentes direcciones pueden tener el mismo

rango, pero cambia el valor de la meseta, en estos caso existe anisotropía zonal (Figura 14).
Figura 14 Ejemplo de anisotropía zonal (Elaboración propia).
La anisotropía zonal indica presencia de estructuras poblacionales distintas en

diferentes direcciones; por ejemplo, en la dirección horizontal puede existir una extensa
continuación de la formación geológica, pero en dirección vertical la continuidad es menor y
puede pasa a otro tipo formación con diferente comportamiento o varianza.
No siempre se presentan anisotropías tan determinantes, en la práctica es posible

encontrarse con una combinación entre la geométrica y la zonal, Isaak y Srivastava (1989) la
nombra como anisotropía híbrida (figuras 15).
27
Figura 15 Ejemplo de anisotropía híbrida (Elaboración propia).
6.1 Estimación del variograma.
La aplicación del semivariograma con datos de muestras se denomina semivariograma

empírico, el cual no es más que una fórmula de estimación derivada de la ecuación 2.4 para el
conjunto de valores pares separados a una distancia h y dirección de buzamiento  fijas, esta
fórmula no varía en mucho entre diferentes autores (Matheron, 2008: 228; Bivand et al, 2008:
196; Armstrong, 1998:47; Deutsch y Journel, 1998: 44; Isak y Srivastava, 1988: 60; Journel y
Huijbregts, 1978:12):
(2.13)
Siendo:
xi: las localizaciones de las muestras.
z(xi) y z(xi+h): valores pares de las muestras.
Nh: número de pares para una distancia h y dirección de buzamiento  .
En la práctica, los variogramas experimentales son muy inestables, por lo tanto no se

pueden utilizar directamente para identificar las características. Se deben ajustar modelos de
28
variogramas teóricos a los variogramas experimentales para determinar tres elementos

importantes en la variabilidad espacial: la discontinuidad en el origen (existencia de efecto de
pepita), el valor máximo de variabilidad (meseta o varianza), y el área de influencia de la
correlación (rango o alcance). En la práctica, lo que se pretende es obtener un modelo teórico
de variograma que mejor se ajuste a los valores obtenidos con el variograma experimental.
6.2 Modelos teóricos de variogramas.
En la figura 16 se indican de forma sencilla algunos de los modelos teóricos de

variogramas más comunes:
Figura 16 Algunos modelos teóricos de variogramas. Tomado de “Basic Linear

Geostatistics”, (pp. 37-38), por Margaret Armstrong, 1998.
Efecto de Pepita Puro: corresponde a un fenómeno puramente aleatorio, sin correlación

entre los valores (Armstrong, 1998: 36).
0 si | h | 0
(h)   (2.14)
C si | h | 0
29
Modelo Esférico: es probablemente el más utilizado. Se expresa como polinomio

simple. A poca distancia su forma es casi lineal, crece de forma finita hasta que se estabiliza a
partir del rango a (Meseta C). La tangente en el origen intercepta a la meseta (C) en un punto
con abscisa en (2/3)a. (Figura 2.16 (A)) (Armstrong, 1998: 37).
  3 | h | 1  | h |3  
C     si | h |  a
  2 a 2  3 
 a  (2.15)

(h)  
 C si | h | a



Modelo Exponencial: este modelo a diferencia del esférico crece inicialmente más
rápido y después se estabiliza de forma asintótica. El valor del rango o alcance práctico en este
modelo es 3a y se obtiene cuando se interceptan este valor límite con el 95% del valor de C.
Al igual que el esférico a poca distancia el comportamiento es lineal. (Figura 2.16(B))
(Armstrong, 1998: 37).
 ( h )  C1  exp  | h | / a  (2.16)
Modelo Gaussiano: se diferencia de los modelos esférico y exponencial en que a

pequeña distancia presenta un comportamiento parabólico. La meseta C se obtiene de forma
asintótica. El alcance práctico es de 1.73a. (Figura 2.16(C)) (Armstrong, 1998: 38).
  | h |2 
 ( h )  C 1  exp    (2.17)
  a 2 
 
Modelo con función potencia: No tiene meseta. La potencia es mayor que 0 y menor o
igual a 2, cuando es 1 el modelo es lineal, el cual puede ajustarse a pequeñas distancias al
modelo esférico o al exponencial (Figura 2.16 (D)) (Armstrong, 1998: 37-38).
 ( h )  C | h |α ; 0α2 (2.18)
30
Modelo seno cardinal: Es un caso especial de los modelos con ondas para tres
dimensiones. Corresponde a estructuras muy continuas (Figura 2.16(E)) (Armstrong, 1998:
39).
 sen r  (2.19)
 ( h )  C 1 
 r 
Donde r  h / a (expresado en radianes).
6.3 Métodos de ajuste del modelo de variograma teórico al experimental.
La curva obtenida con los variogramas empíricos calculados con los valores muestrales
puede observarse fácilmente la tendencia espacial en los primeros metros del eje de los h, a
medida que la separación h aumenta la curva se vuelve más inestable, ya que el efecto
aleatorio empieza a prevalecer sobre el efecto espacial, hasta que a una gran distancia no se
observa ninguna tendencia y sólo existe el componente aleatorio.
En este sentido, para realizar el ajuste del modelo teórico, Alfaro (2007: 74)
recomienda que el variograma teórico deba respetar al variograma experimental, sobre todo en
los primeros puntos, debido a que esta parte del variograma los valores obtenidos con la
ecuación que son más confiables (figura 17).
Para realizar el ajuste de forma automática se pueden utilizar algunos métodos

estadísticos. En entre estos métodos, la estimación por mínimos cuadrados (Journel y
Huijbregts, 1978: 232) y los test de bondad de ajuste tales como chi-cuadrado y Kolmogorov-
Smirnov (Alfaro, 2007: 76) permiten comparar en cada punto i, el valor del
semivariograma experimental con el correspondiente valor del modelo teórico.
El ajuste automático no es la única opción; el ajuste manual es ampliamente usado en

la práctica. El geoestadístico pueda valerse de sus conocimientos y experiencia para lograr un
buen ajuste. Se debe en este caso revisar el comportamiento cercano al origen, el tipo de
anisotropía que se observa, el adecuado modelo de variograma, si estos son simples o
31
anidados, la posibilidad de discontinuidad en el origen con la presencia de efecto pepita, la

ubicación adecuada de la meseta.
Figura 17 Ejemplo de un ajuste de modelo de variograma teórico vs empírico

(Elaboración propia).
7. Kriging.
La construcción de un modelo que represente el fenómeno regionalizado debe

considerar una gran cantidad de incertidumbres, se requiere de algún método de estimación
que permita "generar" valores de Z(x) en los puntos x no observados a partir de los datos
muestrales si observados en x. Pero los datos que se obtienen de las muestras de por sí
32
presentan incertidumbres, sus resultados son estimaciones con grado de confianza que
depende del proceso mismo del muestreo, de la preparación de la muestra, de la técnica de
laboratorio aplicada y de la experiencia y pericia del analista, es decir, estos resultados se
obtienen de un proceso aleatorio. En la figura 18 se observan puntos desconocidos en un
espacio bidimensional rodeados de puntos con valores conocidos producto de un muestreo y
posterior medición, utilizando estas informaciones se puede construir un modelo que permita
estimar el valor verdadero de los puntos desconocidos.
Figura 18. Ejemplo de la planificación de un modelo de estimación. Tomado de “Mining

Geostatistical” (p. 388) por Journel y Huijbregts, 1978).
Entre las técnicas de estimación geoestadísticas se tiene el kriging, en el que cada dato
que integra el modelo tiene una ubicación x y, que en el caso de la geoestadística minera,
representa en un espacio del yacimiento sus características, ya sean químicas, físicas o
geológicas. Los valores generados por el modelo presentan incertidumbres, cuyo grado
dependerá, entre otros, del número de datos muestrales y de la cercanía de estos con la
33
localización que se desea estimar, del espacio que representa el valor estimado en el
yacimiento (soporte) y de la técnica estadística aplicada para la estimación. En este sentido el
método geoestadístico kriging es uno de los más utilizados y se describe como una ecuación
estimación de regresión lineal en cuya ponderación utiliza la información que dan los
variogramas o la covarianza espacial como forma de incluir la variabilidad del
comportamiento espacial en el punto donde se desea estimar el valor. Los valores de
variograma o covarianza espacial que se requieren para el kriging provienen de la solución de
las ecuaciones teóricas logradas al ajustarse el variograma o covarianza teórica con el
experimental. Entre los diversos métodos de kriging se tienen el simple, ordinario, universal,
bloque, con tendencia, co-kriging, indicador, entre otros. Estos métodos buscan obtener un
promedio ponderado de los valores muestrales que se encuentran en el radio de influencia de
la variable con la menor varianza posible y de manera que sea insesgado.
Cada punto x cuyo valor Z(x) se estima con kriging representa a una zona de estudio a
la que se le llama soporte, pues es, en realidad, el valor promedio de la zona y no el valor
puntual en esa localización. Si esta región corresponde, por ejemplo a un volumen V del
espacio tridimensional, valor a ser estimado de sería:
El soporte debe ser igual para toda la región donde se va a aplicar el modelo. Así el
modelo considera un conjunto de rejillas o bloques que abarca toda la región de interés. En el
sistema de coordenadas tridimensional el bloque es un prisma rectangular y su punto
representativo es el centroide (Figura 19).
34
Figura 19. Conjunto de rejillas o bloques del kriging (Elaboración propia).
El valor estimado de Z(v) con soporte V, es decir representa un promedio de todos

los valores reales dentro del bloque, pero su forma de obtenerlo es mediante la interpretación
de los datos que se encuentran disponibles dentro de una zona de influencia establecida por la
geoestadística, y generalmente, estos datos pueden estar dentro o fuera de los límites del
bloque objeto de la estimación. La estimación de se logra mediante un promedio ponderado
de los datos de la muestra Z(x) de tamaño n (Armstrong, 1998, pp. 84):
El factor de ponderación i es el que aporta toda la interpretación geoestadística de la

variable regionalizada del estimador kriging, en donde los pesos se eligen de manera de que el
estimador sea insesgado ( ) y que la varianza kriging ( ) sea
mínima (Armstrong, 1998, pp. 84-85).
35
7.1 Kriging simple (SK)
Este tipo de kriging se aplica si se supone que el modelo a estimar es estacionario y el

valor esperado de Z(x) = m es constante y conocido (Chilès y Delfiner, 1999: 151, 154), en
efecto este método de estimación no tendría mucha aplicación práctica, ya que generalmente la
media de un fenómeno es desconocido, pero en aquellos estudios en donde el tamaño de la
muestra es muy grande se podría aplicar.
Para estimar el valor desconocido del bloque V, , se deben seleccionar los valores de
Z(x) conocidos (datos muestrales) que sean vecinos y aplicar la siguiente ecuación
(Armstrong, 1998; Deutsch y Journel, 1998):
(2.20)
Siendo:
: valor estimado mediante SK

n: la cantidad de valores vecinos al punto central en V.
z(xi ) : valor muestral en el punto xi
m: valor esperado de Z(x) constante y conocido
i: factor de peso para el valor muestral z(xi )
Para obtener el factor de peso  para todas posiciones de los valores conocidos se
resuelve una ecuación matricial que utilizan las covarianzas de los modelos teóricos ajustados,
una matriz (n x n) de covarianzas de la ecuación corresponde a la relación entre los n datos de
muestras disponibles para el bloque V a estimar, y un vector de covarianzas (n) que
corresponde a la relación entre cada uno de estos datos conocidos y el bloque V, siendo v el
punto central soporte del bloque. De acuerdo a Journel y Huijbregths (1978: 307), Christakos
(1992: 351), Isak y Srivastava (1989), Rondón (s.f.), se presenta la siguiente ecuación
matricial del kriging simple:
36
Que corresponde a:
(2.21)
Despejando se obtiene que:
En donde:
: Vector n de solución de la ponderación.

: Matriz n x n de covarianzas entre los datos muestrales, C(z(xi), z(xj)).
: Vector n de covarianzas entre datos muestrales y bloque V.
7.2 Kriging ordinario (OK)
El método de estimación kriging ordinario se aplica cuando se asume que el modelo a

estimar es intrínseco, siendo por lo tanto el valor esperado de Z(x) un valor constante m pero
desconocido (Chilès y Delfiner, 1999: 151, 165).
Para estimar el valor desconocido del bloque V, se deben seleccionar los valores de
Z(x) conocidos (datos muestrales) que sean vecinos dentro de la zona de influencia, y aplicar
la siguiente ecuación (Armstrong, 1998: 86; Deutsch y Journel, 1998: 65):
(2.23)
37
Siendo:
: valor estimado mediante OK

n: la cantidad de valores vecinos al punto central en V.
z(xi ) : valor muestral en la posición xi
i: factor de peso para el valor muestral z(xi )
Si se considera que m es desconocida entonces se obtiene, de la primera condición de

un buen estimador, lo siguiente:
Esta es una condición para los factores de ponderación en la estimación de kriging

ordinario.
De forma análoga a la ecuación matricial 2.21 pero con un filtrado de la restricción

anterior y de la media m desconocida, se tiene la siguiente ecuación matricial del kriging
ordinario (Journel y Huijbregths, 1978: 307, Christakos, 1992: 351, Isak y Srivastava, 1989,
Rondón, s.f.):
38
Que corresponde a:
(2.24)
Con los semivariogramas se puede utilizar la siguiente ecuación matricial derivada de

Rondón (s.f.):
(2.25)
Siendo el vector de solución de la ponderación:
7.3 Kriging indicador (IK)
Los métodos de estimación de kriging descritos anteriormente se utilizan en variables

regionalizadas Z(x) continuas, tal es el caso cuando se requiere la cuantificación de valores
como porcentaje de las calidades químicas sílice, alúmina, pérdida por calcinación, fósforo y
manganeso, que están contenidas en las menas ferríferas. Si se requiere estimar alguna
propiedad, como el tipo de litología presente en un espacio particular de un yacimiento
metálico, se requiere de otros métodos en donde se precisa de funciones aleatorias indicadoras,
uno de los métodos clásicos es el kriging indicador.
Este método se aplica para valores indicadores I siendo estos de comportamiento tipo
Bernoulli. Se obtiene transformando la variable regionalizada Z(x) en I(x). Si Z(x) es continua
39
entonces la variable I(x) se condiciona a un corte previo o umbral (Deutsch y Journel, 1998:
11; Glacken y Blackney, 1998: 27; Chilès y Delfiner, 1999:100):
En el caso de que Z(x) sea una variable categórica, la variable está

condicionada a un valor puntual , por lo tanto, la transformación es:
Por ejemplo, en el caso de las menas ferríferas, el tipo de mena equivale a un número
discreto, si en un punto x la mena es costra, Z(x) = 1, si es fino negro, Z(x) = 2, si es fino
marrón, Z(x) = 3, etc. Si se toma como valor de criterio , entonces, si en el punto x hay
finos negros, I(x) = 1, si hay costras o finos marrones, I(x) = 0.
El procedimiento siguiente es obtener la covarianzas o los variogramas de la variable

y posteriormente aplicar el método kriging ordinario (o simple) con esta variable
indicadora (0,1). En el caso de que la variable Z(x) sea continua, el resultado que se obtiene es
la estimación en la posición x de la probabilidad acumulada de que se cumpla la condición de
corte establecida por zk (Deutsch y Journel, 1998: 76):
y en el caso de que la variable Z(x) sea categórica, el resultado que se obtiene es la estimación
de la probabilidad de que Z(x) sea igual a z:
Por ejemplo, si el valor de z para costra es igual a 1 y el resultado de I(100,200; 1)* =

0,30, entonces quiere decir que en la coordenada soporte x = (100,200) se estima una
probabilidad de que la litología sea costra de 0,30 y de que no sea costra de 0,70.
40
Si se tiene un conjunto de n datos conocidos Z(xi) una vez transformados a

para estimar el valor desconocido podemos utilizar kriging simple:
(2.26)
Donde es por definición la media de la función aleatoria
Usando kriging ordinario el cálculo se realiza con la siguiente ecuación:
(2.27)
Bajo la condición:
El método se debe repetir tantas veces según el número de cortes o categorías

necesarias, por ejemplo, si la variable regionalizada Z(x) tiene tres tipos de rocas posibles,
entonces se deben obtener las probabilidades estimadas para cada tipo de roca de forma
separada.
8. Validación del modelo.
Los modelos matemáticos probabilísticos obtenidos con cualquier método, por muy
potentes que sean, nunca logran eliminar la incertidumbre que se tiene sobre el fenómeno
estimado. La validación en este trabajo se considera tanto para comprobar la existencia del
comportamiento espacial en sí, utilizando el Índice Moran, y de la validez de la estimación
kriging, utilizando la validación cruzada.
41
La validación se realiza antes de crear el modelo de estimación utilizando los datos

conocidos, de esta forma se comprueba si el modelo es confiable en un menor tiempo, en el
caso contrario, si el modelo no se valida se evitarían horas perdidas de trabajo y se podrían
realizar las correcciones a tiempo.
8.1 Índice de Moran
Las variables aleatorias estudiadas anteriormente pueden comprobarse si efectivamente

dependen del dominio espacial en la región donde se ubican. Una herramienta estadística muy
usada para comprobar la independencia espacial es el índice de Moran o simplemente I de
Moran. Esta técnica consideran, para un conjunto de datos conocidos
ubicados en donde  ,D , la distancia de separación entre
n x n pares y , siendo ésta una matriz n x n con ceros debajo de la diagonal principal,
los componentes se obtienen con el siguiente cálculo (Cressie y Wikle, 2011:167):
Para el caso espacial en donde x corresponde a coordenadas UTM en , se aplica la

siguiente fórmula para determinar la distancia euclidea:
(2.28)
Estas distancias se ponderan con relación a un radio de vecindad fijo, que

correspondería al alcance a del semivariograma considerando la isotropía. Considerando que
si la distancia es menor al radio de influencia a, entonces el par zi y zj se consideran
vecinos. Entonces, los componentes para una matriz de ponderación n x n con ceros debajo de
la diagonal principal, se obtiene:
42
El valor de I de Moran para la variable Z(x) se obtiene con la siguiente fórmula para
luego ser sometida a una prueba de hipótesis (Bivand et al):
(2.29)
En donde corresponde es la media de la variable de interés.
El valor esperado de I es:
Se calcula la devianza normal estándar:
Se obtiene el p valor seguidamente para aceptar o rechazar la hipótesis nula de

independencia espacial con la información conocida.
Este valor de I de Moran también se puede aplicar para los residuos de la validación
del modelo espacial. En este caso, para variables regionalizadas, si el modelo fue calculado
considerando su aspecto espacial, el comportamiento de los residuos debe ser independiente, y
en el caso contrario, si no se tomó en cuenta su aspecto espacial, entonces los residuos estarían
condicionados espacialmente.
8.2 Validación del modelo kriging.
El error es la diferencia entre el valor verdadero y el valor estimado, por lo tanto, al

estimarse el valor real Z en un espacio soporte V, el error corresponde a:
e  Z *v  Z v
43
Con relación a las estimaciones obtenidas con kriging, si estos valores son insesgados,
entonces el valor promedio de los valores estimados y de los observados deberían ser iguales
(Hohn, 1999):
E( Z *v  Z v )  0
La validación consiste en determinar si el conjunto de errores del modelo es aceptable

bajo alguna métrica. Las técnicas de validación utilizan los datos u observaciones muestrales
como valores verdaderos para generar los errores.
En geoestadística las técnicas de validación más utilizadas son la validación cruzada y

la validación Box -Jenkins.
Una vez generados los errores empleando alguna técnica de estimación y validación, se
evalúa el comportamiento de los mismos a través de diversos estadísticos, tales como la
correlación lineal entre el valor verdadero y el estimado, media de los residuos, error absoluto
medio, error cuadrático medio, gráfico de residuos, curva cuantil cuantil normal, entre otras.
También es preciso comprobar la normalidad de la distribución de los errores, mediante
técnicas de bondad de ajuste o mediante técnicas gráficas.
El Error Cuadrático Medio (ECM) es una forma de medir el comportamiento de los

errores en el modelo, mientras menor sea, mejor es la estimación:
k
1
ECM  
n i 1
ei 2
8.3 Validación cruzada
Esta técnica permite la comparación entre los valores verdaderos o reales y los
estimados utilizando la información disponible de la base de datos muestral. Permite de forma
sencilla comparar las distribuciones de los errores o residuos de la estimación para los
diferentes procedimientos indicando cual alternativa es mejor.
44
Según Armstrong (1998: 115) el método de validación cruzada consiste en eliminar

temporalmente en un punto del espacio el valor de la muestra, entonces se calcula el valor de
kriging en ese punto utilizando como datos los valores remanentes de la muestra (o para un
subconjunto representativo de la misma). Esta operación se repite en todos los puntos. Luego
se calculan los errores, que no es más que los residuos entre los valores de los datos muestrales
y su correspondiente valor estimado kriging de la misma localización.
45
REFERENCIAS
Alfaro, M. (2007). Estimación de recursos mineros. Santiago, Chile: curso del autor.124 pp.
Disponible en http://cg.ensmp.fr/bibliotheque/public/ALFARO_Cours_00606.pdf
[Consulta: 24/07/2013].
Ascanio T., Gustavo (1985). Yacimientos de Mineral de Hierro del Precámbrico de Venezuela
en Mendoza S., Vicente (1998). Geología y Depósitos Minerales del Escudo de
Guayana. Ciudad Bolívar, Venezuela: Universidad de Oriente.
Armstrong, Margaret (1998). Basic Linear Geostatistics. Berlín: Springer.
Bateman, Alan (1982). Yacimientos Minerales de Rendimiento Económico. Barcelona:

Ediciones Omega, S.A.
Bivand, Roger, Pebesma, Edzer, Gómez-Rubio, Virgilio (2008). Applied spatial data analysis
with R. New York: Springer Science + Business Media, LLC. 390 pp.
Cardozo, José (1969). Anteproyecto de Explotación del Yacimiento de Mineral de Hierro del
Cerro San Joaquín. Tesis de grado. Universidad de Oriente, Ciudad Bolívar.
Christakos, George (1992). Random field models in Earth Sciences. Mineola, N.Y., U.S.A.:
Dover Publications, Inc. 501 pp.
Chica Olmo, Mario (1987). Análisis geoestadístico en el Estudio de la Explotación de los

Recursos Minerales. Granada, España: Editorial de la Universidad de Granada. 387 pp.
Chica Olmo, Mario (2005). La geoestadística como herramienta de análisis espacial de datos
de inventario forestal. Cuadernos de la Sociedad Española de Ciencias Forestales, 19:
47-55. Disponible en http://dialnet.unirioja.es/descarga/articulo/2981942.pdf [Consulta:
26/07/2013].
Chilès, J. P. and Delfiner, P. (1999). Geostatistics:Modeling Spatial Uncertainty. New York:

John Wiley & Sons. 695 pp.
CGS (2011). Sondeos mineros. Madrid: Compañía General de Ingeniería y Sondeos, S.A.
Reporte disponible en http://www.cgsingenieria.com/descargas/sondeos_mineros.pdf
[Consulta: 17/02/2013]
Cressie, Noel y Wikle, Christopher (2011). Statistics for spatio-temporal data. Hoboken, New
Jersey: Wiley Series in Probability and Statistics, Jhon Wiley & Sons, Inc. 624 pp.
Cordero, Víctor (1996). Estimación de las Reservas Geológicas y del Modelo del Yacimiento
del Cerro San Joaquín, mediante el Software GDM de C.V.G. F.M.O. Tesis de grado.
Universidad de Oriente, Ciudad Bolívar.
C.V.G. Ferrominera Orinoco, C.A. Informe interno del área de Geología, superintendencia de
Ingeniería de Minas. Ciudad Piar, Estado Bolívar, Venezuela.
46
David, M. (1977). Geostatistical Ore Reserve Estimation. Ámsterdam: Elsevier.
Deutsch, Clayton y Journel, André (1998). GLIB. New York, USA. Oxford University Press
Inc.
Dobson, Annette (2002). An introduction to generalized linear models. 2da edición. Boca
Raton, Florida, U.S.A.: Chapman & Hall/CRC texts is statistical science series.
Estaba, Héctor (1990). Anteproyecto de Explotación del Yacimiento de Mineral de Hierro del
Cerro San Joaquín. Universidad de Oriente. Ciudad Bolívar, Venezuela.
Ferenčić, Ante (1969). Geology of the San Isidro iron ore deposit, Venezuela. Mineralium
Deposita, Vol. 4, Nº 3, pp 283-297.
García, María, López, Susana, Montes, María, Xoán, Posua (2006). Contenidos relacionados
con la profesionalidad: Temas transversales de las ocupaciones. Vigo, España :
Ideaspropias Editorial, 240 pp.
Glacken,Ian y Blackney, Paul (1998). A practitioners implementation of indicator kriging.

Symposium “Beyond Ordinary Kriging – Non-Linear Geostatistical Methods in Practice".
Perth, Australia, 1998.
Griem, W. y Griem-Klee, S. (1999). Geología General [Libro en línea]. Universidad de

Atacama, Copiapó, Chile. Disponible: http://www.geovirtual.cl/
geologiageneral/ggcap08a.htm [Consulta: 2006, Abril 01]
Gobierno Bolivariano de Venezuela (S/F). Gobierno en Línea: Gobierno/Venezuela/

Geografía/Estado Bolívar. Disponible en http://www.gobiernoenlinea.ve/Venezuela/
perfil_bolivar.html# [Consulta: 15/05/2011]
Hohn, Michael (1999). Geostatistics and Petroleum Geology. Dordrecht, Holanda. Kluwer
Academic Publishers.
Hurlbut, C., Klein, C. (1991). Manual de Mineralogía de Dana.
Ibañez, Berenice (1999). Manual para la Elaboración de Tesis. México DF, México. Editorial
Trillas.
Isak, Edward y Srivastava, Mohan (1989). An Introducción Applied Geostatistic. New York,
USA. Oxford University Press, Inc.
Journel, A. G. y Huijbregts, Ch. J. (1978). Mining Geostatistic. London: Academic Press INC
(LONDON) LTD.
Macchiavelli, Raúl (s.f.). Introducción a los modelos estadísticos mixtos. Agro6998-

conferencia 2. Universidad de Puerto Rico, Recinto de Mayagüez. Disponible en
http://academic.uprm.edu/rmacchia/agro6998/conferencia2.pdf [Consulta: 22/09/2013].
47
Matheron, Georges. (2005a). Curso de Geoestadística. Traducción al español por Marco

Alfaro de Cours de Geóstatistique. Paris: Escole des Mines de Paris, 1969, 77 pp.
Disponible en http://cg.ensmp.fr/bibliotheque/ public/MATHERON_Ouvrage_00537.pdf
[Consulta: 20/07/2012]
Matheron, Georges (2005b). La teoría de las variables regionalizadas y sus aplicaciones.

Traducción al español por Marco Alfaro de La Théorie des Variables Régionalisées, et
ses Applications. París: ENSM, 1970, . Disponible en http://cg.ensmp.fr/bibliotheque/
public/MATHERON_Ouvrage_00536.pdf [Consulta: 22/07/2013]
Matheron, Georges (2008). Las Variables regionalizadas y su estimación. Traducción al

español por Marco Alfaro de Les Variables Régionalisées et leur estimation. Paris:
Masson et Cie, Éditeurs, 1965, 292 pp. Disponible en http://cg.ensmp.fr/bibliotheque
/public/MATHERON_Ouvrage_00638.pdf [Consulta: 04/07/2013]
Mendoza, V. (2000). Evolución geotectónica del Escudo de Guayana (y su relación con el

Escudo Suramericano). Ciudad Bolívar, Venezuela. Universidad de Oriente.
Ministerio de Energía y Minas. Léxico Estratigráfico de Venezuela
Montero, J. y Larraz, B. (2008). Introducción a la geoestadística lineal. La Coruña, España:

Netbiblo, S. L.
Lohr, Sh. (2000). Muestreo: Diseño y Análisis. México D.F.: International Thomson Editores.
Traducción de Palmas, V.
Ratti, Z. (2002).
Rondón, Óscar (s.f.). Kriging. Curso de krigeado. Disponible en http://www.geo.upm.es/

postgrado/CarlosLopez/geoestadistica/index.htm [Consulta: 26/07/2013]
Ruckmick, John (1963). The iron ores of Cerro Bolivar, Venezuela. Economic Geology,
Economic Geology, Vol. 58; Nº. 2; pp. 218-236.
Universidad Pedagógica Experimental Libertador, Vicerrectorado de Investigación y

Postgrado (2003). Manual de Trabajos de Grado de Especialización y Maestría y Tesis
Doctorales. Caracas, Venezuela. FEDUPEL.
Vassallo, Luis. F. (2008). Yacimientos minerales metálicos. México: Centro de Geociencias de

UNAM. 4ta edición. 138 pp.
Venables. W. N. y Ripley, B. D. (1994). Modern Applied Statistics with S-Plus. New York:
Springer-Verlag New York, Inc. 462 pp.
Vilar B., José F. (2005). Control estadístico de los procesos. Madrid: FC Editorial. 512 pp.
48
49

Guía de Geoestadística para Minería

Cargado por

Información del documento

Descripción 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

Guía de Geoestadística para Minería

Cargado por

Copyright:

Formatos disponibles

GUÍA DE GEOESTADÍSTICA PARA MINERÍA PROF.

ANÁLISIS DE DATOS DE TIPO GEOLÓGICOS

1. Obtención de los datos del yacimiento

La información inicial se obtiene en la exploración del yacimiento; una vez que es

En eventuales ocasiones se perfora con corona de diamante para recuperar la roca

En la figura 2 se observa un ejemplo de la estructura por intervalos de la información

Figura 2. Ejemplo de la estructura de un sondeo con información del tipo de mena

Cuando se inicia la explotación surgen nuevos datos a medida que se va descubriendo

En la planificación de la explotación minera el control de la calidad se realiza con la

2. Exploración estadística de los datos.

La exploración de los datos se realiza utilizando herramientas descriptivas, tanto

representatividad. En cuanto a los cuartiles, el cuartil 1 representa la posición en el 25% del

Entre las medidas de variabilidad podría mencionarse a la varianza y al coeficiente de

Las medidas de asimetría permiten obtener el grado de asimetría o sesgo de la

Media = mediana = moda

Media < mediana < moda

Media > mediana > moda

Figura 3. Grados de asimetría de las distribuciones (elaboración propia)

Entre las herramientas gráficas que se utilizan en la exploración estadística tenemos

El histograma es la representación gráfica de la distribución de datos x en forma de

rango(x): rango (longitud entre el valor mínimo y el máximo de la distribución de x).

: desviación estándar estimada de x.

R: rango intercuartílico (diferencia entre el cuartil 3 y el cuartil 1).

El número de columnas se obtiene mediante la siguiente fórmula:

Una deficiente cantidad de columnas atenta contra la apreciación de la tendencia de la

intervalo, lo que también dificulta o distorsiona la representación gráfica de la distribución de

El diagrama de caja y bigotes (boxplot) es una herramienta muy versátil para

cartesiano bidimensional en donde la coordenada en abscisa contiene el valor de una variable,

Distribución V.A. discreta Distribución V.A. continua

Figura 5. Representación gráfica de la una fp y de una fdp.

. Tabla 1. Cuadro de propiedades de las fp y fdp

4. Modelos teóricos de distribuciones probabilísticas comunes en los yacimientos

En todo estudio estadístico es decisivo establecer de forma preliminar cómo se

Puede considerarse como la distribución más importante de la estadística, no solamente

Su fdp se expresa de la siguiente manera:

Esta distribución se denota N( ). La distribución N(0,1) se denomina normal

Figura 6 Distribución normal estándar.

Esta distribución se presenta en variables, que a pesar de no distribuirse como una

Su fdp se define como (Gut, 1995):

Figura 7 Distribución Lognormal

Una variable aleatoria x si se distribuye binomial es discreta con la siguiente función

Se puede expresar Bin(n, p

El parámetros n corresponde a la cantidad de posibles resultados de X, y el parámetro p

El valor corresponde a las combinaciones que se obtienen de x en n.

El tipo de litología en un cuerpo mineralizado es una propiedad que se comporta como

5. Modelo lineales generalizados

La regresión lineal es un modelo de estimación estadística muy usada en la ingeniería,

Para un conjunto de N de observaciones pertenecientes a una misma distribución de

Siendo una función diferenciable y monótona, llamada función de vínculo,

Los parámetros fijos se someten a pruebas de hipótesis para determinar si influye en

En geología se presentan en algunos casos de relaciones entre diferentes propiedades

También se puede escribir de la siguiente forma (Dobson, 2002:50):

En donde es el ruido o error del modelo y se espera que corresponda a una

Siendo también equivalente la siguiente forma:

que corresponde a la probabilidad de éxito de Yi .

: es el vector (1 x k) de las dosis.

Como en este tipo de modelo logístico la variable de respuesta Yi es binaría (0,1), el

Modelos lineales mixtos generalizados.

La construcción de los modelos generalizados se realiza con observaciones bajo el

espacial (D = 1, 2 ó 3), {Z(x):  x  }. En el caso particular de este trabajo, el grado

Siendo la función correspondiente al comportamiento real del fenómeno

En la figura 8 se observa un ejemplo en donde la variable regionalizada tiene un

Figura 8. Aspecto aleatorio y estructurado de una variable regionalizada. Modificado de