PROBABILIDAD CONDICIONAL

TEOREMA DE BAYES
CORRELACION

Geoestadistica 2020
Edmundo TULCANAZA
Probabilidades condicionales, control de calidad, y el valor de información adicional

Los pequeños mineros de Chile venden su producción mensual a la Agencia Nacional ENAMI.
ENAMI dispone de un protocolo de muestreo y análisis químico que se inicia con un muestreo del
lote de mineral traído por un pequeño minero directamente de su mina. Los lotes que no pasan
una prueba mínima reciben el nombre de “panteón” lo que significa que es mineral no recibido
por ENAMI para su tratamiento posterior. En general ENAMI acepta un 75% del mineral que llega
a los Poderes de Compra. 25% son rechazados.
Así los pequeños mineros muchas veces duplican el análisis químico a fin de asegurar la
aceptación de sus lotes. La pregunta entonces es ¿Cuál es la probabilidad de que un lote pase la
prueba de ENAMI dado que ha pasado esta segunda prueba (Laboratorio Certificado) de pequeña
minería.?. Como dato se conoce que, en el primer mes de aplicación, 55% de los lotes que pasan
el primer test del pequeño minero pasan también el segundo test. Por otra parte, 50% de los lotes
pasaron ambas pruebas, la del pequeño minero y la de ENAMI.

Como uno se puede dar cuenta, existen problemas que implican una probabilidad
específica a un “estado de la naturaleza”, y alguna información adicional a otro
“estado de la naturaleza”.

Para resolver este tipo de problemas se recurre a algunas relaciones que se

relacionan con probabilidades condicionales y con el llamado Teorema de Bayes.
Llamemos E1 al evento de que el lote pase la prueba especial del pequeño minero
Llamemos E2 al evento de que el lote pase la prueba de ENAMI.

p (E1,E2) = 0.50
p (E2) = 0.55

Busquemos la probabilidad de pasar la prueba de ENAMI (E2) condicionada a que

anteriormente haya pasado E1, p (E1|E2),

p (E1 y E2) = p (E1) x p(E2) E1 p (E1 Y E2) = p (E1) x p(E2) E1

p (E1, E2) = p (E1) x p (E2|E1) p (E1 y E2) = p (E2) x p(E1) E2
p (E1|E2) = p (E1,E2)/p(E2)

Antes sabíamos que el 75% de 0.50/0.55 = 0.909

los lotes pasaban el análisis de
ENAMI. Con el análisis
especial realizado en un nuevo
escenario, este porcentaje se
eleva a 91%.
Recordemos que hace un par de sesiones atrás presentamos el teorema que nos dice que

La probabilidad de que ocurran dos eventos es p (A y B) = p(A) x p(B)A = p(A) x p(B|A)

Dijimos que si esas dos probabilidades son mutuamente exclusivas (independientes), es decir, la
probabilidad de un evento es no-condicional al otro.
p (A y B) = p(A) x p (B)
pero si esas dos probabilidades son dependientes (un segundo evento es condicional al primer
evento)
p(A y B) = p(A) x p (B) A

Thomas Bayes formuló una nueva relación que relaciona la probabilidad condicional con la
probabilidad no-condicional para establecer una probabilidad conjunta.

p(A, B) = p(B!A) p(A) y p(A,B) = p (A!B) p(B)

Probabilidad de que
ocurra B p (A|B) p(B) = p(B|A) p(A)
condicionada a que
anteriormente
ocurrió A
 Dos sectores de una mina. F1 provee el 65% a la planta;
F2 provee el resto. F1 provee buen mineral en un 98%. F2
F1 provee buen mineral en un 95%.
F2

p(G|F1) p(F1|G) = p(A1)P(G|F1) =0.6370

0.98

p(F1) p(B|F1) p(F1|B) = p(A1)P(B|F1) =0.0130

0.65 0.02

p(F2) p(G|F2)
p(F2|G) = p(A2)P(G|F2) =0.3325
0.35 0.95
p(B|F2)
p(F2|B) = p(A2)P(B|F2) =0.0175
0.05

Probabilidad del mineral pobre B.

p(F1|B) = p(F1,B)/p(B), también
La probabilidad de que el
p(B|F1) = p(F1,B)/p(F1). Por otra parte,
mineral provenga del sector
p(B) = p(F1|B) + p(F2|B) = p(F1)p(B|F1) + p(F2)p(B|F2), y entonces F1 y sea de baja calidad es de
p(F1|B) = {p(F1) p (B|F1)} / {p(F1)p(B|F1) + p(F2)p(B|F2)} un 43%; que provenga del
sector F2 y sea de baja
p(F1|B) = {p(F1) p (B|F1)} / {p(F1)p(B|F1) + p(F2)p(B|F2)} calidad es mayor, 57%
= {(0.65) (0.02)} / {(0.65) (0.02) + (0.35) (0.05)} = 0.0130/ 0.0305= 0.4262
p(F2|B) = = 0.5738
Por lo tanto
p(B!A) p(A) = p (A!B) p(B)
Y
p (B!A) = { p (A!B) p (B)} / p (A)

Supongamos que sabemos que mineralizaciones de cobre son caracterizados a menudo la la presencia de
rutilo y otros minerales. Lo que realmente nos interés es la probabilidad de encontrar una mineralización
de cobre condicionada a la presencia de rutilo y otros minerales.

Podemos disponer de valores de p (presencia de rutilo! Depósito de Cobre) y la probabilidad no-

condicional p (depósito de cobre); sin embargo puede ser mucho más complicado p (Deposito de Cobre!
presencia de rutilo ), ya que tendríamos que conocer primero la presencia de rutilo (otro estudio previo).

Si existen N eventos Bi relacionados a un evento A

p (A) =  (i, N) p (A! Bi) p(Bi), es decir, p(Bi!A) = p(A!Bi) p (Bi)/  (i, N) p (A! Bi) p(Bi),
 p(A y B) = p(A) x p (B)A
P(A y B) = P(A) x P(B|A)

p (A y B) = p (B) x p (A|B)

----------------------------------
P(A) x P(B!A) = P(B) x P(A!B)
-------------------------------------------
p (B y A*) = p(A*) x p(B|A*)

Además

p(B) = p(A y B) + p(A* y B)

p(A|B) = p(A y B) / p (B)

p (A|B) = p(B|A) P(A) / [ p(B|A) p(A) + p(B|A*)p(A*)]

Ab09
 p (A y B) = p (A) x p (B)A

P(A y B) = P(A) x P(B|A)

Supongamos que las muestras obtenidas de un reconocimiento minero por oro

sean sometidas a dos pruebas: (1) leyes superiores a 5g/tmineral y (2)
refractoriedad.

33% 12%

pasan 1ª test Pasan 1ª y 2ª tests

Las muestras en un 12% pasan ambas pruebas
Las muestras en un 33% pasan la primera prueba

La pregunta es que % de las muestras que son mayores a 5g/tmineral cumplen

con la segunda prueba (que sean refractarias pero que sean > 5g/t)

Ab09
P(r ! 5) = p (r y 5)/ p(5) = 0.12/ 0.33 = 0.36 >>> 36%
 p (A y B) = p (A) x p (B)A

P(A y B) = P(A) x P(B|A)

La probabilidad de ocurrencia de una formación A es 0.032.

p (A) = 0.032

La probabilidad de encontrar una de estas formaciones A que a su vez contenga

rutilo en un distrito de Atacama es 0.20
p (A y Rut)= 0.20)

Si estamos en una formación A cuál es la probabilidad de encontrar

mineralización de Rut?
p(Rut|A ) = ?

p( Rut|A) = p(A y Rut)/ p(A) = 0.032/0.20 = 0.16 >>> 16%

Ab09
 p (A|B) = p(B|A) P(A) / [ p(B|A) p(A) + p(B|A*)p(A*)]

Un índice de ocurrencia de cobre (Cu) fue encontrado en un sector de

Tierra Amarilla, y alguien desea conocer más sobre este hallazgo. El
índice se encuentra en la intersección de dos formaciones: A1 (18km2) y
formación A2 (10km2). De estas se sabe que: la probabilidad de
ocurrencia de cobre en una región tipo A1 es de 0.35; esa probabilidad en
una región tipo A2 es de 0.80. (Calculemos la probabilidad de encontrar
este índice en A1 y A2.

Probabilidad de encontrar un índice A1 = 18 P (A1) = 18/28 = 0.64

Probabilidad de encontrar un índice A2 = 10 P (A2) = 10/28 = 0.36

Probabilidad de ocurrir Cu condicionado a formación A1, p (Cu,A1) = 35%

Probabilidad de ocurrir Cu condicionado a formación A2, p (Cu,A2)= 80%
p (A1|Cu)={p(Cu|A1)p(A1)}/{p(Cu|A1)p(A1)+p(Cu|A2)p(A2)}=0.35X0.64/(0.35X0.64)+(0.80X0.36) = 0.44
p (A2|Cu)={p(Cu|A2)p(A2)}/{p(Cu|A2)p(A2)+p(Cu|A2)p(A2)}=0.80X0.36/(0.35X0.64)+(0.80X0.36) = 0.56
Andamos en busca de un yacimiento de oro. Esto
dependerá de los medios que tengamos a
disposición.

Si usamos fotos satelitales, la probabilidad de

detectar un deposito de oro puede ser
p (D|F ) = 0.5……….y 0.5
Si usamos solo trabajos de terrenos esa F
probabilidad puede ser
p (D|NF ) = 0.3……….y 0.7
NF
Lamentablemente solo tenemos un 60% de usar
fotos satelitales ¿Cual es la probabilidad de
detectar un yacimiento de oro?
 
Construyamos un árbol de probabilidad :
Uso de F = 0.6
Uso de NF = 0.4

Con fotos tenemos una Probabilidad de 0.5.

Si p (D|F) = 0.5 la probabilidad
de hallar oro (y 0.5 de no
encontrar oro): F

Si p (D|NF)= 0.3 (y de no
hallar 0.7):

               N
F
El diagrama de árbol está ahora
completo. Calculemos todas
las probabilidades
 F

N
F

Check
Un paso final:
0.3 + 0.3 + 0.12 + 0.28 = 1
 p (A|B) = p(B|A) P(A) / [ p(B|A) p(A) + p(B|A*)p(A*)]

EVENTO ESTADO PROBABILIDAD PTOBABILIDAD CONJUNTA PROBABILIDAD POSTERIOR

ANTERIOR CONDICIONADO ANTERIOR

A p(B|A) x p (A) = p (B y A) p(B y A)/p(B)= p(A|B)

A* p(B|A*) x p (A*) = p (B y A*) p(B y A*)/p(B)=p(A*|B)

p (B)

Se usan dos sacos para depositar muestras de oro de igual

masa y tamaños. Después de cerrarlos la idea es seleccionar
uno de ellos al azar. Cada uno tendrá una probabilidad de
50% de ser seleccionados.

La probabilidad de que la ley media en ambos sacos esté por p (L/SL)= p(L/SS)=
encima de una ley de corte es 0.166. Se sabe 0.166 0.166
posteriormente que uno de los sacos estaba contaminado y
que, de seleccionarlo, esta probabilidad aumentaría a 0.60. p(L/SS)=
0.600
¿ probabilidad de seleccionar el saco sucio??
Ab09
 P( A,B ) = P( B|A) P(A)

p(SL| L) = p (L, SL)/p(L)

p(SS| L) = p (L, SS)/p(L)

SACOS p(SL) 0.50 p(SS) 0.50

p(L !SL) 0.166 p(L !SS) 0.60

LEY MED

p(L, SL) = p(L| SL) x p (SL)

0.166 x 0.50 = 0.083

p(L, SS) = p(L|SS) x p (SS)

0.60 x 0.50 = 0.300

p( L) = 0.083 + 0.300 = 0.383

p(SL| L) = p (L, SL)/p(L) = 0.22

p(SS| L) = p (L, SS)/p(L) = 0-78 Ab09
 p (A|B) = p(B|A) P(A) / [ p(B|A) p(A) + p(B|A*)p(A*)]
EVENTO EVENTO PROBABILIDAD PROBABILIDAD PROBABILIDAD POSTERIOR
ANTERIOR CONDICIONADO ANTERIOR CONJUNTA
SL p(L|SL) x p (SL) = p (L y SL) p(L y SL)/p(L)= p(SL!L)
SS p(L|SS) x p (SS) = p (L y SS) p(L y SS)/p(L)= p(SS|L)
p (B)

EVENTO EVENTO PROBABILIDAD PROBABILIDAD PROBABILIDAD POSTERIOR

ANTERIOR CONDICIONADO ANTERIOR CONJUNTA
A 0.166 X 0.5 = 0.083/0.383= 0.22
0.083
A* 0.600 X 0.5 = 0.300/0.383= 0.78
0.300 Ab09

p(B)= 0.383
Muchas veces las probabilidades de ocurrencia varían con el
tiempo. Es el caso, por ejemplo, de un primer sondaje en
una zona altamente mineralizada.
Antes de sondear, la probabilidad de encontrar o no
encontrar mineral es de 50%.
Si el área es efectivamente altamente mineralizada, el
segundo sondaje será 0.66, y así sucesivamente. Y la
probabilidad posterior cambiará frente a nueva información.

Existen casos en que una probabilidad observada

inicialmente, o probabilidad anterior puede dar origen a una
probabilidad posterior si es que se dispone de alguna
información básica complementaria.

Supongamos la siguiente situación:

Discriminación Dolomita/Esquistos mediante rayos γ
Se identifica un sector dolomítico y zonas “estériles” de esquistos.
Los rayos  miden la radioactividad natural en APIs.
Esquistos: las mediciones en este distrito son de (+/- ~80 API unidades).

Dolomita: bajos APIs (~10-15 API unidades),

Las estadísticas de los lugares de muestreo nos proporcionan

Dolomita Esquistos
Lugares 476 295
Media 25.8 85.2
Desviación Estándar 18.6 14.9

Con esta información actual hagamos una predicción de la litología aplicando

esta información a otros lugares todavía no muestreados. Usaremos una
regla simple:

si rayos γ > 60, serán esquistos si rayos γ < 60, serán dolomita
Existen 34 esquistos con rayos γ > 60 Existen 280 dolomitas con rayos γ > 60
 P(A) x P(B1|A) = p(B1) x p(A|B1)

Discriminación Dolomita/Esquistos usando rayos γ

Usando Bayes determinaremos la probabilidad posterior de ocurrencia de las
dolomitas y esquistos. Definamos eventos y probabilidades:

A: rayos γ > 60
B1: ocurrencia de dolomita
B2: ocurrencia de esquistos
P(B1): probabilidad anterior de ocurrencia de la dolomite ≅ 60% (476 / 771)
P(B2): probabilidad anterior de ocurrencia del esquisto ≅ 40% (295 / 771)
P(A|B1): probabilidad de rayos γ >60 (en dolomita)= 7% (34 / 476 dolomitas)
P(A|B2): probabilidad de rayos γ >60 (en esquisto)=95% (280/ 295 esquistos)

Busquemos la probabilidad de A
p(A)= p(A|B1)x p(B1)+ p(A|B2)xp(B2)=0.07x0.60+0.95x 0.40=0.042 + 0.38= 0.422
Probabilidad de B1 dado A:p (B1|A)=p(A|B1) x p(B1)/p(A)=0.07x0.60/0.422= 0.10
Probabilidad de B2 dado A:p (B2|A)=p(A|B2) x p(B2)/p(A)=0.95x0.40/0.422=0.90
Hemos cambiado nuestra evaluación de probabilidades de ocurrencia de la
dolomita y esquistos con Gamma > 60 API de 60% y 40%, a 10% y 90%.
Aplicación de Bayes a la Predictibilidad de Guías para la Exploración

La ocurrencia asociada con dos fenómenos se expresa con

probabilidades seleccionadas (> 5%Au/ refractoriedad,
esquistos / Dolomitas, saco limpio/ saco sucio). Alguna
información ulterior puede requerir nuevas probabilidades
de acuerdo a información que vincula directamente ambas
(5%Au y refractoriedad) o que vincula indirectamente
ambas (un valor de %API; un valor de ocurrencia
diferente).
Aplicación de Bayes a la Predictibilidad de Guías para la Exploración

La probabilidad de que un depósito de cierto tipo esté

presente en una zona de E atributos es directamente
proporcional a la probabilidad que esos E atributos son
necesarios para ese depósito, e inversamente proporcional
a la probabilidad que esos E atributos estén presentes.

Un área A con 10 depósitos (puntos negros), y dos

atributos geológicos, U (área blanca, 80%, 9 puntos) and V
(áreas grises, 10%, 5 puntos).

• sin saber la distribución de U y V, cuál atributo aparece más útil?

• donde tenemos mayor chances de encontrar depósitos por unidad de
área explorada? Prospectando cual atributo V or U?
 Eu
Ev
20% 10%
80%
80%
10%
80%
20%

Relaciones entre depósitos y atributos geocientíficos U (a) y V (b). Depósitos en

80% del área (blanco) y en 10% del área (lila)

9 depósitos con atributos U (CAFE) 5 depósitos con atributos V (AZUL)

U: 80% del área de estudio; no U: 20%; V: 10% del área de estudio; no V: 90%;

D: 10 P(D!Eu): 9/10 P (D!Ev) : 5/10

E : 100 P (Eu) : 0.8 P (nEu) : 0.2
E : 100 P (Ev) : 0.1 P (nEv) : 0.9

P(Eu|D):Prob de hallar atrib Eu cond a hallar D. P(Eu)= Prob de hallar atrib E

Las chances de encontrar un depósito de un cierto tipo
dentro del área cubierta por un atributo dado es
directamente proporcional a las chances de encontrar ese
atributo (en el área conteniendo ese tipo de depósitos) e
inversamente proporcional al área total cubierta por ese
atributo.

El Teorema de BAYES puede usarse para establecer

relaciones cuantitativas entre estos conceptos - con los
cuales determiner los atributos necesarios y suficientes a
usar en una exploración.

A recordar: U: 80% del área de estudio; no U: 20%;

V: 10% del área de estudio; no V: 90%;
D: 10; DU: 9/10; DV: 5/10.
Se hace necesario hacer el análisis empírico de los atributos
geológicos en regiones que contienen depósitos mineros:

Definir depósitos y atributos ¿cuales?. Se necesita considerar en la

práctica una pequeña área A en una región; un depósito de tipo
particular, D; evidencia o asociado con el atributo E.

Aspectos cruciales del modelo de depósito: La probabilidad que esa

área A contenga atributo E dado que (condicional) el área A contiene
depósito tipo D.

P {A contiene atributo E | A contiene deposito tipo D} (1)

La probabilidad que esa área A contiene el depósito D con tal que A

contiene atributo E.

P {A contiene depósito tipo D | A contiene atributo E} (2)

Las dos expresiones de probabilidades condicionales (1) y (2) han sido

relacionadas por muchos geólogos.
• P (D) P(E|D)
• P (D|E) = ——————------—— P(A) x P(B|A) = P(B) x P(A!B)
P (E)
• Probabilidad de encontrar depósito D en E
•

- La probabilidad de ocurrencia de un atributo E es la proporción

de todas las áreas unitarias conteniendo el atributo E;
- La probabilidad de ocurrencia de un depósito D es la proporción de todas las
área unitarias que contienen ese tipo de depósito D .

- La ecuación matemática significa que E representa la

expresión de que el área unitaria tiene el atributo
(evidencia) E and D; expresa que el área unidad contiene el
tipo de depósito.
Aún si un cierto atributo es necesario para ese tipo de depósito, el atributo no es
suficiente (no es certeza) como una “indicatriz” si es que el ocurre por otras partes
también
p(D)x p(E|D) = p(E)x p(D|E)
p(Eu|D)/p(Eu) = p(D|Eu)/p(D)
p(Ev|D)/p(Ev) = p(D|Ev) /p(D)

P {D|Eu} = 0.9 and P {Eu} = 0.8 P {D|Ev} = 0.5 and P {Ev} = 0.1
por lo tanto,

p (Eu|D) = 0.9 p(Eu) = 0.8 p(Eu|D)/p(Eu) =0.9/0.8 = 1.125

P (Ev|D) = 0.5 p(Ev) = 0.1 p(Ev|D)/p(Ev) =0.5/0.1 = 5.0

El atributo Eu mejora solo marginalmente (0.9/0.8 = 1.125) las chances de encontrar un

depósito. Vemos que la probabilidad posterior aumenta la probabilidad original es 1.125.

En cambio el atributo Ev mejora sustancialmente las expectativas de encontrar un

depósito, La probabilidad posterior aumenta la probabilidad original en 5 veces.
Consideremos ahora una experiencia cuyo resultado puede caracterizarse
por una pareja de valores, x e y, susceptibles de tomar valores cualquieras;
de otro modo dicho, por una pareja de variables aleatorias. Por ejemplo,
en una mina cada bloque es muestreado por el contenido en Pb y Zn; en
otra, cada bloque es muestreado por el contenido en Cu de galerías y
chimeneas.
 
% Pb % Zn % Cu gal % Cu chi
 
Bloque 1 5 20 Bloque A 3.5 5.4
2 10 15 B 0.8 2.4
3 8 10 C 4.8 5.0
4 13 16
 
En cada caso, cada pareja (x, y) obedece a una ley de probabilidad.
 
 
f ( x)
f ( x)

M 10  mx   x f ( x, y ) dxdy  valor medio de x

M 01  my   y f ( x, y ) dxdy  valor medio de y

20 = valor medio de (x - mx)2 = varianza de x

02 = valor medio de (y - my)2 = varianza de y
11 = valor medio de (x - mx) • (y - my) =
covarianza entre x e y

Cuando las variables son independientes, la covarianza es 0.

Cuando las variables son dependientes, la covarianza tien un valor que puede
ser positivo o negativo.
f ( x)
f ( x)

Se dice que dos variables aleatorias x e y

presentan una correlación si ellas no son
independientes. Es decir, la ley de
probabilidad de Y condicionada a X
depende del valor x de X. En particular la
media m(Y) de esta ley condicional es
función de x. m(Y) = f(x) Esta ecuación
define la línea de regresión de Y en X.

De igual modo, la ley de probabilidad de X

condicionada a Y depende del valor y de Y.
m(X) = f(y)

Las dos líneas de regresión, de Y en X y de X en Y son, en general, distintas.

Digamos que esta situación tiene importantes consecuencias prácticas:
En una mina explotada en bloques de determinado tamaño existe una cierta
correlación entre la ley media de un bloque obtenida en la planta de beneficio tp y la ley
media estimada en la mina tm.
De este modo, la línea de regresión puede eventualmente ser una como la línea L2.
Esta línea tiene una pendiente más débil que la línea de regresión L1 que se confunde con
la bisectriz.
 Muchas veces las leyes de bloques
de mineral enviados y analizados
en una planta de beneficio son
%Cu comparados con las leyes de
mineral estimado.
2,5
Si los valores estimados (tm)
fueran exactamente igual a los
valores procesados (tp), un
punto que cayera estrictamente
a lo largo de una línea trazada a
45° ( )se proyectaría en la
2,5 %Cu abcisa y ordenada con iguales
valores en las dos (2.5%Cu).

Que pasa si establecimos una relación lineal entre tm y tp ?

Serviría ??
 11
 11

 11  11
 11
 11

a) 11 es nulo si las V.A. X e Y son independientes, sin plantear que

lo recíproco sea válido

b) 11 es un valor absoluto, a lo más, igual al producto

,  x  y  20 02
c) Si entre X e Y existe una relación funcional lineal perfecta

 11   x  y
d) El coeficiente de correlación indica cuantitativamente el grado de
dependencia que existe entre dos variables, y está representado por:
:  11
  entre 0 y 1
xy
 Regresión Multivariable

 Propósito: Determina la interrelación entre datos eigenvector

de igual naturaleza sobre la base de su ubicación eigenvalor
geográfica y sus atributos multivariables. La base 3
es la manipulación estadística. Se determinan
matrices de correlación las que permiten [21, 22,
establecer una función, compuesta de un conjunto 23] 23
de variables, que sirve para discriminar los lugares 13
geográficos que responden de manera similar
 12
frente a esa función. El sistema puede proponer  21 0 1
diversas funciones jerárquicas para efectos de 12
visualización y selección.
22
[2 1, 12,
2 13]
 150000 200000 250000 300000
100000



  
  Dos distritos con
Sector BB
8350000 m

8350000 m
depósitos
  identificados.
  



¿cómo saber si

 
  
ellos son del
   
  

mismo tipo de
manera de poder
8300000 m

8300000 m

 Sector AA asociarlos
espacialmente?



100000 150000 200000 250000 300000

8250000m
Un ejemplo:Datos
Tabla 1.12
TABLA DE DATOS ORIGINALES
  RADIOANL U CU MN02 V205 NI CO MO ZN PB

MUESTRA 1 0.4600 0.6300 0.0300 0.1300 0.0240 0.0070 0.0030 0.0400 0.0130 0.0180
MUESTRA 2 0.4400 0.5800 0.1500 0.2300 0.0490 0.0100 0.0050 0.2200 0.0140 0.5000
MUESTRA 3 6.1800 0.2600 0.1400 0.1600 0.0500 0.0080 0.0030 0.0380 0.0120 0.2100
MUESTRA 4 0.0150 0.0170 0.1000 1.9100 0.0130 0.0070 0.0030 0.0180 0.0200 0.0900
MUESTRA 5 4.4000 5.5700 0.1500 0.5300 0.0770 0.0060 0.0180 0.6000 0.0860 0.6900
MUESTRA 6 0.2300 0.3300 0.0200 1.4200 0.0580 0.0020 0.0050 0.0600 0.0270 0.2700
MUESTRA 7 0.4100 0.5800 0.0900 0.5200 0.0750 0.0110 0.0050 0.1800 0.0300 0.2400
MUESTRA 8 0.5800 0.6600 0.0800 0.5900 0.0300 0.0080 0.0050 0.0720 0.0230 0.1000
MUESTRA 9 0.0520 0.0670 0.0300 4.7700 0.0280 0.0090 0.0030 0.0620 0.0190 0.1100
MUESTRA 10 0.0760 0.0840 0.0300 0.7500 0.0460 0.0080 0.0030 0.0600 0.0220 0.1400
MUESTRA 11 0.7000 0.7900 0.8700 0.0800 0.0350 0.0220 0.0170 0.5600 0.1900 1.0700
MUESTRA 12 1.8000 1.9500 0.1400 0.0600 0.0320 0.0110 0.0080 0.4300 0.0560 0.3500
MUESTRA 13 0.0340 0.0330 0.1100 0.0300 0.0170 0.0070 0.0030 0.0400 0.0620 0.1300
MUESTRA 14 0.6300 0.7200 0.1900 0.0700 0.0180 0.1600 0.0120 0.1400 0.1600 0.5200
MUESTRA 15 0.0120 0.0090 0.0300 0.1100 0.0200 0.0090 0.0030 0.0060 0.1100 0.0800
MUESTRA 16 1.3000 1.5900 0.2300 0.0800 0.0410 0.0390 0.0210 0.3100 0.0880 0.6100
MUESTRA 17 3.7000 4.5900 0.0900 0.4500 0.0630 0.0220 0.0070 0.4200 0.0200 0.4100
MUESTRA 18 0.4100 0.5000 0.0900 2.0100 0.0330 0.0090 0.0030 0.0580 0.0460 0.1600
MUESTRA 19 3.3000 3.6100 1.0700 0.1800 0.0720 0.0350 0.0400 0.2200 0.1100 0.5300
MUESTRA 20 0.2600 0.2800 0.2200 0.0900 0.0320 0.0090 0.0030 0.0540 0.0440 0.0800
MUESTRA 21 0.4600 0.5800 0.9500 0.1100 0.0460 0.0180 0.0180 0.2100 0.0920 0.3200
MUESTRA 22 1.5000 1.1500 0.6200 0.0400 0.0420 0.0180 0.0160 0.1500 0.0820 0.4500
MUESTRA 23 0.1100 0.1100 0.4600 0.0200 0.0300 0.0140 0.0060 0.0700 0.0760 0.1200
MUESTRA 24 2.3000 2.7900 1.1600 0.0200 0.0340 0.0160 0.0160 0.2200 0.0890 0.6100
MUESTRA 25 3.0000 3.7000 0.8900 0.4800 0.0750 0.0530 0.0500 0.8400 0.1000 0.6100
MUESTRA 26 0.7500 1.1000 0.3200 0.1600 0.0480 0.0170 0.0120 0.1700 0.0450 0.1200
MUESTRA 27 0.2300 0.2900 0.1000 0.0900 0.0320 0.0090 0.0030 0.0920 0.0410 0.0700
MUESTRA 28 3.0000 2.49000 0.1600 0.4600 0.0570 0.0160 0.0130 0.1400 0.1600 0.2800
MUESTRA 29 1.3000 1.3700 0.4300 0.3100 0.0560 0.0190 0.0050 0.1700 0.1600 0.8400
MUESTRA 30 5.7000 6.3600 0.8500 0.0800 0.0710 0.0410 0.0180 0.9500 0.084 1.6300
Un ejemplo: Confirmación de dos grupos por ubicación

F3
85% Sector AA

6 17

5
10 7 12
30
9 28 2 16

F2
18
15
14
1 8
29

27 3

413 11

25

24
20 24
22

F1 23 92% SectorBB
 Un ejemplo: Discriminación en cuatros sectores 2
D

4
4 GRUPOS 5

0.952 4
0
B

A 3
B 5 2
D
0.575 B B
A B
3
B 0

A B
C 2
0.199 5
AA B
A
A L T T
A W LOG
A O2 W
1
C G0 0
C 9
A
-0.554 8
1
5 7
C 6
D D
D 1 5
0
-0.768 4
D
3
D 5
D 2
D
1
-0.930
1 2 3 4 5 6 7 8 9 1 Número
-0.930 -0.554 -0.177 0.199 0.575 0.952 1.32 0 de
grupos
Un ejemplo: Confirmación de tres grupos por atributos.
F3
Zn Cu

Ni
Co
Pb

Mo
R U
U
Mo
V205

F1
F2

MnO2
Un ejemplo: Identificación de ocurrencias mediante 7 atributos
15 Atributos 1, 3, y 6
Depósitos F3 (MnO2)
están más asociados a los 23

4
atributos 1, 3, 4, 6, y 7. 19 20
3

26

21 1
10

Sectores sin depósitos 6

28 7
13

asociados a los atributos 1,

4, y 7. 22

29
1
18 25
8
3

4 5
9 24

16 F2 (MnO2)
30
2

11 17
2
14 12

F1 (R,U,Co,Mo,Pb)
Atributos 1, 4, y 7 Atributos 2, 4, y 5
Modelamiento Continuidad Espacial
Introducción

La caracterización de los diferentes sectores de un depósito, de

acuerdo a sus atributos geológicos y estadísticos más relevantes, así
como la discriminación de poblaciones, de acuerdo a sus litologías,
mineralogías, grados de alteración, y contenidos en mineral,
constituyen las fases más cruciales en el análisis de yacimientos.

La discriminación de poblaciones geológico-estadísticas, da paso a la

delineación de zonas de mineral con características propias.
60 60

m= 0.467u V= 0.28 u2 m= 0.467u V= 0.28u2

2

1
6
5
4
3
2
1

0 1 2 3 4 5 6

15361542324
Aleatorio

1
6
5
4
3
2
1

0 1 2 3 4 5 6
12345654321
Estructural

Aspectos aleatorios y estructurales

Zonas intrínsecamente homogéneas constituyen, por lo general, sectores
continuos, extensos, y coherentes muy estrechamente asociados a
zoneamientos geológicos con identidad propia. Por el contrario, zonas
geoestadísticamente heterogéneas, conforman áreas de naturaleza más bien
fraccional, no consolidadas, las cuales se distribuyen erráticamente en el
espacio.

La discriminación poblacional de la información base tiene por objeto facilitar la

delineación de zonas o campos estacionarios al interior del depósito en los cuales,
modelos y parámetros estadísticos (contenidos medios y varianza) no sufren cambios
significativos con una traslación espacial. Su propósito es limitar la extensión espacial
de características locales asociadas a sectores de naturaleza geoestadística diferentes.
La discriminación de unidades geoestadísticas dentro de un contexto 3D posibilita la
identificación de uno de los atributos fundamentales de la mineralización bajo estudio:
su variabilidad espacial.
Es esencial, comprobar la existencia de mantos o capas de
distinta naturaleza, al interior de un cuerpo mineralizado.
Por ejemplo, en un depósito de caliza, es importante detectar
la presencia de sectores ricos en SiO2 de aquellos más pobres.
Si no hay una definición precisa, de las fronteras de esas
unidades en el espacio, se corre el riesgo de privilegiar
artificialmente una variabilidad conjunta en el depósito, con
lo cual se tiende a exagerar la homogeneidad de la
mineralización, despreciando la arquitectura espacial de
zonas de distinta naturaleza.
Definiciones

La información obtenida, a partir de trabajos de exploración,

posee tres características esenciales. Esta información es
regionalizada, multivariable, y limitada espacialmente.

Regionalizada, significa que la información está impregnada de dos

características complementarias: su estructura espacial y su aleatoreidad. La
estructura espacial, puede responder a eventos geológicos determinísticos
desarrollados por fenómenos físico-químicos específicos. La aleatoreidad, por
otra parte, responde más bien a fenómenos de carácter probabilístico local. El
carácter aleatorio, traduce los aspectos de variabilidad y dispersión reflejando
así la incertidumbre; el carácter estructural traduce los rasgos de
heterogeneidad, homogeneidad, discontinuidades, y uniformidades susceptibles
de modelamiento. Estas características, están relacionadas de modo que ambas
se complementan mutuamente. La Figura esquematiza este concepto.
 Multivariable, significa que la característica bajo estudio, por ejemplo
el contenido en CaO en un punto de coordenadas (x, y, z), puede
presentarse asociado localmente a otras características, tales como los
contenidos de SiO2 o Al2O3 u otro, o bien espacialmente a los
contenidos de la misma característica, en este caso el CaO, localizados
en puntos de coordenadas diferentes. La Figura siguiente, representa
el caso de varios atributos mineralógicos que se discriminan en grupos,
de acuerdo a características similares. La Figura subsiguiente, resume
l el concepto de correlación local y correlación espacial.

Limitada espacialmente, significa que el volumen sobre el cual se

estudia la característica, ejerce un rol básico en la estimación. Esta
situación, se grafica evidenciando el efecto del soporte en el volumen
mineralizado, si se considera un contenido mínimo de 10%.
 DISCRIMINACION ESPACIAL

F3 (MNO 2)

F2
(M
NO
2 )

B)
O ,P
,M
CO
,U ,
(R
F1

Clasificación de muestras en cuatro grupos

ASOCIACION LOCAL
entre diferentes variables

ASOCIACION ESPACIAL
entre mismas variables

Cu,Mo

Cu,Mo

Asociación local y asociación espacial

1.6 D %Cu Observemos una labor minera la que se
|
1.4 0.5 0.26 muestrea a lo largo de 10m. Las muestras de
|

1.0 0.40
Cu se capturan cada 0.5m.
1.2
Tomemos los valores en leyes de cobre de la
|

1.5 0.10
1.0 muestra 1 y la muestra 2, y crucemos el
|

2.0 0.24 valor de la muestra 1 (en x) y el valor de la

0.8
|

2.5 0.05 muestra 2 (en y) y marquemos ese punto

0.6
con una . Hagamos lo mismo con las
|

3.0 0..86
0.4 muestras 2 y 3; 3 y 4;…9 y 10.
|

3.5 0.68
0.2
|

4.0 1.18
Repitamos el mismo ejercicio pero ahora
| | | | | | | | | | 4.5 0.91 tomando la muestra 1 y la muestra 3; la
1 2 3 4 5 6 7 8 9 10
5.0 1.03 muestra 2 y 4; 3 y 5….la 8 y la 10, y
5.5 0.51 marquemos todos esos cruces con un .
1.6
|

6.0 0.75
1.4 Lo que acabamos de hacer es calcular los
|

6.5 0.95
valores de autocorrelación de una variable
1.2
|

7.0 1.48 (% Cu) a lo largo de la labor. El coeficiente

1.0 7.5 0.37 de correlación :
|

0.8 8.00 0.77 

ac = (1/N) 1,N [((xi – mx)/x)((yi-my)/ y)]
0.6 8.5 0.50
Cuando la correlación es una autocorrelacion:
0.4 9.0 0.25
Para xi >>> x(i)
0.2 9.5 0.24
yi >>> x(i + s)
| | | | | | | 10.0 0.35
|
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6  ac >>>  (s)
 (s)= (1/N)  [((x – mx )/x )((x -mx )/ x )]
ac 1,N (i) (i) (i) (i+s) (i+s) (i+s)
Pero :
mx(i) = mx(i+s) = m y x(i) = x(i+s) =  Tanto la función de auto correlación
como la función covariograma siempre
 (s)= (1/N) 1,N (x(i) – m)(x(i+h) – m)/V
ac se inician con un valor para h=0. En el
caso de la autocorrelación el valor de
 (s)= E (x(i) – m)(x(i+h) – m)/V
ac
ac(h=0) = 1 ; en el caso del
covariograma, el valor es V
Entonces  ac (s) V = E (x(i) – m)(x(i+h) – m) = Covariograma
 En esencia,

1 (h) = V - K (h)
= ½ E [(x(i) – x(i+h)]2

sa
Función de = ½N(h) [ [x(i) – x(i+h)]2]
autocorrelación

V
(h)
V Función
Variograma, (h)
K(h) Función
Covariograma, K (h)
h

h
m = E(Z(x)) = E(Z(x+h))

V (Z(x)) = E((Z(x+h) – m)2) = E((Z(x) – m)2)

K(h) = E((Z(x+h) –m) (Z(x) – m))

Si h= 0 >>> K(0) = V

V (Z(x+h) – Z(x)) = E ((Z(x+h) – Z (x))2 = 2 (h)

(h) = V (Z(x)) – K (h)

(h) = E((Z(x) – m)2) – E((Z(x+h) –m) (Z(x) – m))

(h) = ½ E((Z(x+h) – Z (x))2

Cada punto rojo representa una ley. Si no
conocemos la ley en metal de cada uno de
los puntos rojos , cada punto se comparte
como una variable aleatoria con un valor
medio y una varianza.

Si tenemos muchas variables aleatorias,

todas ellas se comportan como una
Función Aleatoria. Una vez que nosotros
capturamos una muestra de cada punto
rojo y sabemos su valor, solo ahí,
podemos hablar de una realización de la
variable . Como esta variable aleatoria se
expresa direccionalmente de acuerdo a
sus relaciones espacio-estructurales, este
doble carácter hace que la variable se
defina como una variable regionalizada-
Desde el punto de vista operativo, digamos aquí, que la información de la
cual hablamos debe ser capturada y validada.

Supongamos tres sondajes en un depósito mineral S, Figura siguiente. El

contenido de metal M (p ej, cobre), puede tomar diferentes valores
numéricos a lo largo de las diferentes direcciones en el espacio. Además, a
lo largo de las tres direcciones seleccionadas S1, S2 y S3, este contenido
puede ser representado por variables aleatorias, tales como M1, M2 y M3.
Estas variables, pueden ser completamente definidas para un valor mi si una
función de distribución.

F(mi) = P(Mi < mi) puede ser establecida para cada una de ellas.
 M1

S1
m1

M2

m2 S2

M3

m3 S3

F(Mi) = P (Mi <mi)

Representación de variables aleatorias

Por definición, un conjunto de N variables aleatorias
forman una variable aleatoria multidimensional. Si el
conjunto implica un número infinito de variables
aleatorias, la variable aleatoria multidimensional se
transforma en una Función Aleatoria. Así, una Función
Aleatoria es, básicamente, una familia de infinitas
variables aleatorias que pueden o no pueden ser
independientes unas de otras.
Supongamos un número infinito de variables aleatorias MS1, MS2, .... en el
depósito S. Llamaremos M(S), la Función Aleatoria que representa el conjunto
infinito de esas variables. Los valores observados (p ej, valores de
muestreo), tomados por M(S) a lo largo del sondaje S1, M(S1), es una
realización de la Función Aleatoria M(S) y constituye en realidad una función
muestral. Mediante varios sondeos, son varias las realizaciones de la
Función Aleatoria M(S) que pueden obtenerse en diferentes sectores en el
depósito. Una familia de realizaciones, independientes o no-independientes
entre sí, posibilita definir la Función Aleatoria que las representa. Si las
realizaciones son realmente independientes unas de otras, ellas conformarán
una familia de Variables Aleatorias. Si por el contrario, ellas exhiben cierto
grado de dependencia entre si, algunas relaciones de carácter estructural
podrán ser establecidas. Es en este caso, que la familia de variables
presentará dos características un tanto diferentes: aleatoreidad y una cierta
estructura. Variables aleatorias/ estructurales en el espacio, se denominan
Variables Regionalizadas. Las bases y el subsecuente desarrollo teórico,
para la aplicación de las Variables Regionalizadas a las Ciencias de la Tierra,
fueron establecidas por George Matheron, un ingeniero de minas y
matemático francés a fines de los años cincuenta, (G. Matheron, 1965).
El variograma
La variabilidad de una característica, por ejemplo el CaO, depende de la
dirección a lo largo de la cual se estudie el fenómeno, y de la continuidad (o
discontinuidad) que presente ese fenómeno en su recorrido espacial.

La Figura siguiente, ilustra en concepto de asociación mineralógica entre

un punto A, de coordenadas (x1, y1, z1), y un punto B, de coordenadas (x2,
y2, z2) que se desplaza horizontalmente alejándose de A. En el punto A, es
decir, cuando el primer y segundo punto coinciden en A, la asociación de
sus valores es máximo. A medida que el segundo punto, B, se aleja del
primero, A, la asociación entre el par de valores correspondientes a esos
puntos, decrece hasta disminuir a cero, a una distancia a.
 A
B

Grado Covariograma
Asociación

alcance distancia

Meseta

Gamma
Variograma
0

alcance distancia

Grado de asociación y variograma

 CORRELACION ESPACIAL

X+1, Y+1

X-1, Y+1

X,Y
X,Y

Cu (x-1, y+1) Cu (x+1, y+1)

Cu (x,y) Cu (x,y)
 CORRELACION ESPACIAL

Desviación 
Cui
Cui - Cuj
Cuj
Cui, Cuj
2  = (Cui –
Cuj)2
 = ½ (Cui –
Cuj)2
Cui
2
Para i,j (Cui - Cuj) /2N
cualesquiera Variograma (i,j)=Promedio de las distancias a la diagonal al cuadrado
El concepto de variabilidad, sigue muy de cerca la ilustración
anterior.
La variabilidad espacial, entendida esta como la discrepancia en
atributos cualitativos (geológicos) y cuantitativos (estadísticos),
entre pares de puntos en el espacio 3D, es mínima cuando la
distancia entre estos pares de puntos tiende a cero, y alcanza su
máximo valor o meseta a una distancia a entre esos puntos
denominada alcance.
Específicamente, más allá del alcance a, la discrepancia entre las
características asociadas con pares de puntos separados por
distancias más allá de a es, en promedio, independiente de la
distancia entre ellos.
La función, que mide el promedio de las discrepancias
cuadráticas entre valores asociados a un atributo perteneciente
a pares de puntos separados por una distancia cualquiera h, se
llama variograma.
El variograma, se identifica con la expresión 2 (h). Es el
semivariograma (h), sin embargo, el que en la práctica recibe
normalmente el nombre de variograma.
La Figura siguiente ilustra cómo la variografía permite asociar las
variabilidades espaciales a poblaciones geológico-estadísticas
diferentes.
 Sector anisotropo Sector isotropo

(h) (h)
160 160

135
galerías
135
chimeneas Variogramas asociados
110 110
con sectores Isotropos
Variabilidad

Variabilidad
85 85

y Anisotropos
galerías

60 60

chimeneas
35 35

(h) (h)
0 8 16 24 32 40 0 8 16 24 32 40
(mt) Distancia (mt) Distancia

Chimeneas
Galerías
Modelo
Semivariograma de leyes de plata

a lo largo de chimeneas

1.75

1.50

1.25

1.00

0.75 a lo largo de galerías

0.50
Semivariograma de leyes de Wolfram
0.25

0
8 16 24 32 40 48 56 64 72 80 88 96 104 112 120
El modelo geológico es
relevante para configurar
los principales dominios
de un sector mineralizado
tratando de identificar las
direcciones principales de
la mineralización así como
sus rasgos intrínsecos
fundamentales.
Un variograma se caracteriza esencialmente por su
forma y sus parámetros de meseta, alcance, y
crecimiento paulatino o precipitado en el origen, es
decir, en las cercanías de h = 0. Un crecimiento
precipitado en las cercanías del origen da inicio a los
fenómenos de efecto de pepita que caracterizan
fuertes discrepancias entre pares de valores
posicionados a muy corta distancia entre ellos (p ej,
discrepancias entre pepitas de oro de alto contenido y
muestras casi estériles a muy corta distancia de las
primeras).
Propiedades del variograma

La función

(h) = 1 / 2 E[Y(S + h) – Y(S)]2

se define como semivariograma. Sin embargo, debido a que frecuentemente

los términos semivariograma y variograma se confunden, se hace necesario
muchas veces precisar el valor de (h).

Como
 (h) = K (0) - K (h)

 (h)  K (0), y naturalmente

 (0) = 0
Como consecuencia de la relación [2.10], el semivariograma de una
función aleatoria está necesariamente acotado (p ej, alcanza una
meseta). Sin embargo, existen variogramas que no exhiben una
meseta. Ellos no proporcionan el valor K(0), y de este modo ellos no
responden a la hipótesis estacionaria.

En términos prácticos, en el contexto de los recursos humanos, el

variograma constituye una función de una característica geológica (o
cualquier otra variable regionalizada) en el espacio. El, representa el
grado de continuidad de la variable bajo estudio (p ej, ley, espesor,
porosidad y otros), en un dominio espacial determinado.
Determinación de un variograma

Por definición, el semivariograma se expresa como

(h) = 1 / 2 E[Y(S + h) – Y(S)]2

En otras palabras, el semivariograma es un valor esperado, un promedio. Un

promedio de los cuadrados de las discrepancias entre parejas o pares de
valores separados por una distancia h, esto es, los valores Y(S + h) e Y(S). Así,
a lo largo de una serie de n valores de muestras que pueden estar
distanciadas a intervalos d, existirán los siguientes valores (h):

d d d d d d
——————————————
m1 m2 m3 m4 mn
 Para una distancia los pares de valores ...es decir
h equivalente a... que discrepan son...

d (m1, m2) (m2, m3)(m3, m4).. n -1

2d (m1, m3) (m2, m4)(m3, m5).. n-2
3d (m1, m4) (m2, m5)(m3, m6).. n-3
(n - 1) d (m1, mn) 1

Para cada distancia entre muestras d, 2d, 3d, ..... (n - 1) d, el valor del
semivariograma estará dado por:

 (h) 
2

1 Suma de todos los cuadrados de discrepancias entre los pares de valores asociados a la distancia h
Nº de pares de discrepancias al cuadrado 
 En general, cada término del semivariograma puede
ser escrito como
1 1 n K
 (h  Kd )  
2 n K i=1
(mi+K  mi ) 2

en donde K, es el múltiplo de la distancia d, que proporciona la separación

entre los valores de las muestras consecutivas consideradas.

Para cada distancia h = Kd, existirá un valor (h = Kd),

el cual puede ser ploteado, como lo muestra la Figura
siguiente.
 Meseta
(h)

Alcance
0
a h

Variograma experimental
 Sector Anisotropo Sector Isotropo
(h) (h)
2 2
(g Ag/t) (g Ag/t) Galerías
Galerías

100

500 Chimeneas

50

Chimeneas

0 0
h (m) h (m)

Variogramas - Mina Uchucchacua

b) Los modelos de variograma.

1) Esquemas con meseta.

Esquema esférico (a 3 dimensiones)

Este variograma se escribe:

 3 h 1 h3 
 C  3
 2 a 2 a  si h  a
 ( h) 

 C si h  a
El alcance es a; la meseta es C; la pendiente en el origen es

3 C
2 a
Esquema exponencial (3 dimensiones)

h
 (h)  C(1  e ) a

Su pendiente, en el origen, es menor que aquella del esquema esférico..

 ( h)  F * h
El semi-variograma lineal no considera meseta.
(h) Esférico

Exponencial

Lineal

0 h

Modelos de variogramas
 2
Varianza =  (x – mx) = 
2
T meseta
Co Varianza =  (x – mx) (y – my)
K(h) Co Varianza =  (x – 0) (y – 0)
18A Co Varianza =  (x ) (y )
Co Varianza =  (x ) (x +h)

Co
6
Co Varianza = K (h) = (h)
a=
24m

g(0) = 0
 (h) = Co + C - K(h) = 6 + 18 – K(h) 2/3 a = T
K(0) = Co + C ………………. meseta 2/3 a = 16
K(h) = (h) = Co + C –  (h) a = 24m
El variograma debe ser construido, según varias direcciones, en el
espacio. Estudiando cómo se deforma la función (h), cuando se
cambia la dirección de estudio , se puede poner en evidencia y
caracterizar las eventuales anisotropías. Puede suceder, sin embargo,
que (h) no dependa en realidad de la orientación , es decir que el
cálculo ejecutado en diferentes direcciones proporcione la misma
curva en función de h. En la práctica, aunque tal isotropía no sea sino
aproximada, se postulará la isotropía teórica. La regionalización será
llamada isótropa.
Por supuesto que cada variograma responde a cada dominio
específico de variación, a cada “campo geométrico” de estudio; la
definición de los diferentes “campos” de una variable permite
diferenciar claramente en el espacio su estructura de variabilidad y, por
lo tanto, los rasgos más sobresalientes de la mineralización en cada uno
de ellos.
 
 A A A B

X X X
X X X

X X X

Campos Isotrópicos y Anisotrópicos.

 
Por ejemplo, si en la formación A de la Figura 1.51 se determinan los variogramas
representativos, el aspecto de éstos serían aproximadamente como se muestra en la
Figura 1.52. Si en las formaciones A y B se obtuvieran sus variogramas
representativos se obtendría seguramente variogramas como los de la Figura 1.53.

(h) (h)
B

A A

Isótropo Anisótropo

0 S 0 S

En el caso de una veta del mineral de plata de Uchucchacua (Perú) se

obtuvieron los siguientes variogramas que sirvieron para una definición de
los campos de estudios, Figura 1.54:
 Sector Anisótropo Sector Isótropo
(h) (h)

(g Ag/t) 2 (g Ag/t) 2 Galerías

Galerías
100

500 Chimeneas

50

Chimeneas

0 0
h (m) h (m)

Figura 1.54 Variogramas Mina Uchucchacua.

 
Se pueden observar diferentes tipos de anisotropías ligadas a la existencia de
direcciones privilegiadas o de zonalidades que pueden en general interpretarse
según criterios geológicos. Se distinguen la anisotropía geométrica (los
variogramas difieren sólo en el alcance, manteniendo iguales sus mesetas), y la
anisotropía zonal (mesetas diferentes). En este último caso, la continuidad
presenta variaciones importantes en una dirección determinada. La geoestadística
aporta así al geólogo una herramienta analítica para apoyar algunos estudios
relacionados con las características estructurales de la mineralización.
 
 
1.11.10 Fenómenos de transición
 
El traspaso de cierto tipo de valores (estéril o mineralización tipo A) a otro (mineral
o mineralización tipo B), se refleja también en el variograma.
Supongamos un manto de mineral, Figura 1.55. El variograma en la dirección
horizontal (mineral continuo) proporcionará, hipotéticamente, una función 1. En
cambio, en la dirección vertical (discontinuidad mineral/estéril) tendrá un aspecto
como 2.
 
 (h)
2

2

1

e 1

0
(a) h(m)
e (b)

Figura 1.55 Variograma ilustrando transición.

 
En este caso, el espesor medio del manto puede ser medido por la
discontinuidad que se produce al traspasar de una regionalización a otra. En el
caso de cuerpos irregulares, Figura 1.56, los sondajes dispuestos en diversas
direcciones nos darán una idea más o menos aproximada de las dimensiones
de la estructura de mineralización en cada una de estas direcciones.
Hemos dicho que el variograma refleja de manera adecuada las
características estructurales de un fenómeno regionalizado. De este modo,
cuando se traspasa de ciertos valores pertenecientes a una regionalización
dada a otros, pertenecientes a otra regionalización, este traspaso se debe
reflejar en el variograma que se confecciona.
 
 (h)

0
(h) h

Figura 1.56 Cuerpo irregular.

0
e h

Figura 1.57 Variograma manto de espesor es.

 
Ya habíamos visto anteriormente que al traspasar un manto mineralizado
se obtendría un variograma como el indicado en la Figura 1.57, que da una
medida del espesor del manto.
Existe, también, otro caso donde las discrepancias en lugar de
aumentar disminuyen en valor, tal como el indicado en la Figura 1.58,
representando, de este modo, un “hoyo” en la secuencia de valores de
variograma. Después de un cierto intervalo, las discrepancias continúan
aumentando.
Todas estas discontinuidades que puede presentar un variograma,
recalcamos, reflejan “traspaso de ciertos valores a otros” y se denominan en
general Fenómenos de Transición.
 
Una cosa importante en la cual hay que reflexionar es que, en el fondo, la
presencia de estos fenómenos caracteriza la mayor parte de las veces una
superposición de estructuras. Por ejemplo, si en el caso del manto
mineralizado sólo hiciéramos un muestreo obteniendo muestras sobre el
manto y debajo de él, e hiciéramos el variograma de esta regionalización, lo
más seguro es que obtendríamos un (h) continuo. En este caso, la
regionalización representada por el manto hubiera sido “sobrepasada” y no
se reflejaría en el variograma. Si la secuencia de valores no presentara
intervalos, franjas o zonalidades de valores más o menos similares (que
configuren en sí una determinada estructura), tampoco obtendríamos ese
“efecto hoyo” y obtendríamos, seguramente, un (h) continuo. Así, entonces,
la introducción de una estructura de valores, en otra estructura, dará origen a
estos fenómenos de transición y, de este modo, generará un variograma con
discontinuidades.
 (h)

0
h
1.11.11 El efecto pepita
 
Cuando una discontinuidad se presenta en las vecindades del origen,
reflejando con esto traspaso de un cierto tipo de valores a otro, a una muy
pequeña distancia (como es el caso de una pepita de alta ley inserta en una
regionalización estéril), se está en presencia justamente de un efecto pepita.
En un cuerpo masivo, la presencia de venillas o microfracturas ricas en
mineral puede dar nacimiento a un efecto de esta naturaleza. En un
yacimiento de oro las leyes en mineral de dos muestras muy vecinas, pueden
diferir notablemente si una de éstas proporciona por azar un alto contenido.
El efecto es tanto más marcado si las muestras son de muy pequeño tamaño,
ya que así bastaría una muy pequeña traslación de su soporte para que una
muestra contenga, o no, una gran pepita capaz de modificar su ley mineral.
El hecho de que una pepita marginal sea, o no, incluida en una muestra
aparece como un fenómeno totalmente aleatorio. Sin embargo, el
comportamiento de la ley en mineral no puede ser considerado como
aleatorio, sino localmente. De este modo se hace referencia, muchas veces, a
una ley en mineral “excepción” o “anormal” (por su valor demasiado alto)
que hace alusión a una hipotética anomalía en el comportamiento de la
mineralización. Desde el punto de vista estadístico, estas anomalías no son
tales, sino que existen realmente y aparecen con una determinada frecuencia
regidas por las leyes del azar. Desde el punto de vista geoestadístico el hecho
sorprendente no reside en la presencia de valores “anormales” elevados, sino
en el comportamiento localmente aleatorio de estos valores; es decir, en que
ellos no presentan una restricta zona de influencia. Así, la aparición de estos
valores anormales dan origen a un fenómeno que puede ser considerado
como aleatorio sólo localmente.
Supongamos estudiar un fenómeno de transición, como el indicado en la Figura 1.59.
Si en lugar de estudiar la regionalización a escala métrica () se hace a escala
centimétrica (▬), vemos que a esta escala no habría discontinuidad de la función  (h),
la cual crecería rápidamente hasta lograr una meseta a un alcance de a = a1 cms. Esta
misma microestructura proporciona, a una escala mayor (escala métrica), una
discontinuidad en su nuevo origen. Por lo tanto, a una escala métrica el (h) obtenido
corresponde a una superposición de ambas estructuras que a esa escala de trabajo
(métrica) pueden suponerse independientes, Figura 1.60.

Estructura Pepítica

Estructura Mayor
Estructura Pepítica

Figura 1.59 Dos estructuras. Una sumergida en la otra.

 
 Así, a la escala de trabajo, el semivariograma total será la suma de un
semivariograma a nivel centimétrico o(h) y otro a nivel métrico 2(h)
 
(h) = o(h) + 2(h)
y  a la escala métrica
 
(h) = Co + 2(h)
 
La relación Constante Pepítica.
 
Resumiendo:
 
Si pudiéramos aislar el fenómeno correspondiente a la escala métrica,
tendríamos un semivariograma como el indicado en línea segmentada. Sin
embargo, la regionalización al contener tanto la micro como la macroestructura
proporciona un semivariograma como el indicado con línea gruesa, Figura 1.61.
Es interesante precisar que mientras más pequeño es el tamaño de las muestras
mayor es el valor alcanzado por el efecto pepita, y viceversa. Es decir, si las
muestras son de tamaños v y v', los respectivos Cov y Cov' se relacionan de
modo que
 
Cov / Cov' = v' / v.
 Estructura mayor

Estructura Pepítica
(h)

 (h) = C0 + 2 (h)
C0

0 (h) = C0 para h  a0

a0 a2
Escala Escala
centimétrica métrica

Figura 1.60 Dos estructuras. Efecto de pepita inserto en una

regionalización mayor.
 (h)
 (h) = Co + 1 (h)

1 (h) sin efecto pepita

Co

0 h
1.11.12 Modelamiento de un variograma
 
a) ¿Por qué modelar un variograma?
 
Después del análisis variográfico disponemos de una interpretación de los variogramas
experimentales y de sus características (anisotropía, alcances, mesetas, efectos de
pepita).
 
¿Por qué no trabajar directamente con el variograma experimental, haciendo
coincidir, por ejemplo, un polinomio de grado suficientemente elevado con la curva
experimental?
La respuesta proviene de dos consideraciones estadísticas, (M. Hohn, 1980):
 
El variograma (h), que intervendrá en los cálculos posteriores, no es una función
cualquiera, sino debe tener propiedades particulares.
 
Así, por ejemplo, las varianzas que se calcularán con (h) deberán ser siempre
positivas, y no está garantizado, sin embargo, que el polinomio, pasando por todos los
puntos del variograma experimental, cumpla con esa condición.
 
Por otra parte, se sabe que a partir del mismo conjunto de datos es imposible
proporcionar a la vez una estimación y la precisión asociada. Esta imposibilidad no
permite utilizar el variograma experimental para el cálculo de las varianzas.
Estas dos razones nos obligan, entonces, a escoger un modelo de variograma y
ajustarlo al variograma experimental. Describamos los modelos más utilizados en la
práctica.
 
b) Los modelos de variograma.
1) Esquemas con meseta.
 
Esquema esférico (a tres dimensiones)
   3 h 1 h3 
 C 
Este variograma se escribe:  2 a 2 a 3  si h  a
 ( h)


 C si h  a

 
3 C
El alcance es a; la meseta es C; la pendiente en el origen es 2 a
 
h
Esquema exponencial (tres dimensiones)  (h)  C (1  e a )
 
 
Su pendiente en el origen es menor que aquella del esquema esférico, Figura 1.62.
 Esférico
(h)

Exponencial

0 h
Figura 1.62 Modelos de variogramas.

2) Esquemas sin meseta

 
Esquema lineal
 
(h) = p • h con 0 < p < 2
 
Esquema de Wijs
 
(h) = 3 Log h
 
Valores distribuidos estadísticamente de acuerdo a un
modelo normal o lognormal, sin gran variabilidad entre
ellos, proporcionan – regularmente – un variograma
esférico sin efecto de pepita.

Valores distribuidos estadísticamente de acuerdo a un

modelo normal o lognormal, con gran variabilidad entre
ellos, proporcionan – regularmente – un variograma
esférico con efecto pepita.
Este esquema se puede usar solamente para variables definidas sobre soportes no
puntuales.
Por supuesto, se pueden superponer varios esquemas para representar
estructuras que se presentan “encajadas” unas a otras.
 
c) ¿Cómo ajustar un variograma?
 
El ajustamiento debe ser lo mejor posible para los primeros puntos más conocidos del
variograma. Los puntos subsecuentes, generalmente, fluctúan bastante.
No es siempre necesario ajustar todo el variograma, sino más bien una porción de él
sobre una distancia que será la distancia de trabajo. Esto permite eliminar tendencias,
a gran escala, que podrían manifestarse.
Es difícil determinar la bondad del ajuste, dado que para ello sería preciso utilizar
funciones de la F.A. que es imposible estimar prácticamente. El mérito del ajuste
normalmente se evalúa a través de reconciliación entre estimación y realidad.
Se ajusta el efecto de pepita por prolongamiento de los primeros puntos del
variograma experimental.
El alcance se puede estimar preliminarmente por observación visual. Un estimador de
la meseta C (si ella existe) es la varianza experimental de las muestras. Luego se
procede por aproximaciones sucesivas mediante la validación de las estimaciones.
No hay solución única al problema del ajuste, y para los problemas de estimación esto
no tiene importancia: las varianzas calculadas con varios modelos no difieren mucho
entre sí.
DIVERSOS TIPOS DE ANISOTROPIAS

Anisotropía geométrica

Anisotropía zonal

Anisotropía mixta
 Muchas veces los valores a vario-
graficar se presentan desordenados
espacialmente y se requiere un
ordenamiento (artificial) para obtener
una variograma razonable.

Para ello se acostumbre a agrupar los

valores de acuerdo a una cierta
Tolerancia “tolerancia angular” y a una cierta
espacial “tolerancia espacial” tal como
muestra la figura en 2D. El concepto
también puede ser extendido al caso
3D en el cual la “tolerancia angular”
deviene en un cono y el rectángulo
Tolerancia generado por la “tolerancia espacial”
angular deviene en un cilindro.
TIPOS DE VARIOGRAMAS
Ley estimada
del bloque
completo

{
Error 1

Ley real del

tonelaje
extraído

Error 2
{ Ley extraída (conjunto de
= Error 1 + Error 2

bloques)
CANALES, EO, 83 (1976), 1,37% Cu
CANALES, NS, 117 (2363), 1,42% Cu
SONDAJES, EO, (+45°), 20 (522), 1,28% Cu
CANALES, 45°, 41 (1142), 0,84% Cu
CANALES, 315°, 73 (1725), 0,87% Cu
SONDAJES, EO, 39 (3068), 0,92% Cu
SONDAJES, 45° (-45°), 11 (480), 0,97% Cu
SONDAJES, VERT, 11 (368), 1,083% Cu
SONDAJES, NS, 7 (355), 0,644% Cu
 
CANALES, EO, 95 (3171), 2,47% Cu
CANALES, 45°, 67 (3674), 1,63% Cu
CANALES, NS, 230 (8424), 2,12% Cu
CANALES, 315°, 117 (3410), 1,78% Cu
SONDAJES, EO, 7 (294), 1,54% Cu
SONDAJES, 45°(-45°), 5 (122), 1,53% Cu
SONDAJES, VERT, 10 (134), 1,29% Cu
SONDAJES, 45°, (+45°), 35 (685), 1,52% Cu
SONDAJES, NS, 8 (310), 1,59% Cu
 
 MINERAL PRIMARIO MINERAL SECUNDARIO

Razón valor krigeado /

valor muestras de
buzones

Altura de tonelaje extraído (%)

Número promedio de muestras de buzones

Partamos afirmando que los semivariogramas son direccionales. Supongamos tener
una mineralización con anisotropía geométrica: en dos direcciones principales
cualesquiera 1 y 2 , sus semivariogramas (1, y 2) presentan un
comportamiento exactamente igual al origen; sus mesetas son exactamente
iguales, con sus alcances a1, y a2 diferentes,a1= 15m y a2= 60m.

De este modo para cualquier distancia “h1” a lo largo de la dirección 1, el valor
del semivariograma para una distancia cualquiera será directamente el valor
encontrado en 1; igualmente, para cualquier distancia “h2” a lo largo de la
dirección 2, el valor del semivariograma para una distancia cualquiera será
directamente el valor encontrado en 2.

Pero como determinanos el valor del semivariograma para una distancia “h” a lo
largo de otra dirección “”cualquiera? Indudablemente que lo más fácil será usar
un solo semivariograma, isótropo, para cualquier dirección “”, para cualquier
alcance “a”, y para cualquier “h”. Para trabajar con un solo semivariograma,
isótropo, podemos simplemente cambiar la escala a lo largo de aquella dirección
con el mayor alcance. Veamos como se hace esto considerando que la razón (en
este caso) es  = (alcance mayor/alcance menor).
Supongamos tener un sistema de coordenadas cartesianas y dos direcciones
principales cualesquiera perpendiculares
1. Posicionamos el sistema de
coordenadas cartesianas (X1,Y1)
de acuerdo al sistema de ejes
N direccionales de la mineralización.
En este nuevo sistema (X2,Y2),

a1 1
=1

cualquier distancia h del sistema

5m
2 original (X1,Y1)

2 + h2 )
hX1Y1 =  (h X1
 Y1
60m
=
a2 se transforma en
2 2
2. h1  2=  (h 1+ h 2) , con

1 = cos  hX1 + sin  h X2

a1

4 h
m/
=

h2 = - sin h X1+ cos  h X2

15

60
m

=
a2
4. El paso final es restaurar el sistema de coordenadas 3. Hasta aquí solo se ha hecho una
original. Para ello se regresa a la orientación original transformación de sistema de
mediante una nueva rotación en un ángulo - . coordenadas. El paso siguiente es
transformar la elipse en un circulo.
hX1* = cos  h 1* - sin  h 2 * Para ello, en el nuevo sistema *:
hX2* = sin  h 1* + cos  h2 * h1* = h 1 y h2 * =  h2

Con  > 1
Ejercicios

Obtener semi- variogramas a lo

largo de direcciones preferenciales
NS, EO, N45°E, N45°O, otras.