Elementos de Geoestadística.

Autores: MSc. José Quintín Cuador Gil.
(Departamento de Computación, Universidad de Pinar del Río)

Lic. Arelys Quintero Silverio.
(Departamento de Matemática, Universidad de Pinar del Río)

Ing. Elmidio Estévez Cruz.
(Departamento de Geología, Universidad de Pinar del Río)

Ing. Robert Ramirez Hernández.
(Departamento de Geología, Universidad de Pinar del Río)

Universidad de Pinar del Río 1997

Indice
Pág. 1.- Introducción. 2.- Problema de Ciencias de la Tierra que dió origen a la Geoestadística. 3.- Variables aleatorias regionalizadas. 3.1.- Conceptos de Variable Aleatoria Regionalizada. 4.- Hipótesis de la Geoestadística. 5.- Conceptos básico de estadística. 6.- El semivariograma Experimental. 6.1.- Construcción del Semivariograma. 6.2.- Variogramas relativos (efecto proporcional). 6.3.- Variogramas Cruzados. 1 3 4 5 6 8 12 13 13 14

6.4.- Problemas más comunes encontrados en el cálculo de semivariograma. 14 6.5.- Nube de variogramas. 7.- Modelado de Semivariogramas. 7.1.- Parámetros del semivariograma. 7.2.- Modelos Teóricos más importantes. 8.- Ajuste Visual y Automático. 9.- Análisis de anisotropía. 10.- Validación del Modelo Teórico. 10.1.- Problemas más comunes encontrados durante el modelaje de semivariogramas. 11.- Estimación. 11.1.- Triangulación. 11.2.- Inverso de la distancia. 12.- Interpolación Geoestadística. 12.1.- Kriging Simple (KS). 12.2.- Kriging Ordinario (KO). 13.- Análisis de Tendencia, Kriging Universal (KU): 14.- Variables correlacionadas, Co-Kriging. 15.- Otras Aplicaciones. 25 26 27 28 28 29 30 32 33 33 22 15 16 16 17 21 22

1.- Introducción.

La búsqueda, exploración y evaluación de yacimientos minerales útiles es una rama muy antigua de la Geología, destacándose entre otras tareas: el pronóstico científico de la localización de los yacimientos minerales útiles, la elaboración de métodos eficaces para la exploración y la evaluación geólogo económica de los yacimientos para su explotación [Lepin,1986a].

Los trabajos de búsqueda y exploración se dividen en estadios [Lepin,1986a], división por estadios que es el resultado de la aplicación de un principio importante del estudio del subsuelo, el principio de Aproximaciones Sucesivas, Esta división está vigente en Cuba por una Instrucción del Ministerio de la Industria Básica que presenta una clasificación actualizada de estos trabajos Geológicos en la cual se incluyen los levantamientos a diferentes escalas, los trabajos de prospección orientativa y detallada, la exploración orientativa y detallada, y la exploración de explotación, se establece una clasificación de las reservas técnicas que incluye las reservas abiertas, parcialmente preparadas y listas siendo esta última las que se explotan.

Cada uno de lo estadios de Exploración Orientativa y Exploración Detallada culmina con la presentación de un informe con los datos geológicos y económicos necesarios sobre el yacimiento, para esto es necesario realizar la determinación los más aproximada posible de las reservas minerales del yacimiento, actividad fundamental de las Empresas Geólogo Mineras conocida como Cálculo de Reservas.

Con el objetivo de acercar lo más posible nuestra clasificación de las reservas minerales a las utilizadas en el mundo, existe la Instrucción para la clasificación de las reservas minerales de 1 de Febrero de 1996 del Ministerio de la Industria Básica. En la cual se establece una nomenclatura común, mostrándose que los cambios realizados son imprescindibles en la situación actual para la colaboración y los contratos económicos con otros países.

Esta instrucción se refiere a:

1.- Términos y definiciones como son: Recursos Minerales Sólidos y Reservas. 2

Recursos Minerales Sólidos: Concentración de minerales útiles sólidos que existen en o sobre la corteza terrestre cuyas características hacen posible la extracción económica actual o perspectiva de algún mineral útil de dicha concentración. Se divide en identificados y no identificados. Reservas: Es la parte de los recurso minerales sólidos identificados, de la que puede extraerse económicamente uno o varios minerales o elementos útiles en el momento de su determinación, por los que solo incluye los componentes económicos y marginalmente económicos.

2.- Clasificación de los recursos y la reservas de minerales útiles sólidos, la cual se presenta en la Tabla 1.

Criterios Económicos

Grado de Conocimiento Recursos Identificados Demostrados Probados Pobables Posibles Hipotéticos Especulativos Recursos no Identificados

Económicos Marginalmente Económicos Subeconómicos Tabla 1. Clasificación de las reservas. RESERVAS

a) Criterios económicos, según la cual se dividen en Recursos Económicos, Recursos Marginalmente Económicos y Recursos Subeconómicos. b) Grado de conocimiento, según el cual se dividen en Recursos Identificados y Recursos no Identificados. Los identificados se dividen en: Probados, Probables y Posibles, de estos los dos primeros se conocen como recursos demostrados, y los no identificados se dividen en: Hipotéticos y Especulativos.

3.- Requisitos generales para cada uno de los criterios anteriores, reflejándose que debe tenerse en cuenta la Protección del Medio Ambiente y el uso racional de los recursos minerales.

3

El desarrollo de la minería ha traído unido el perfeccionamiento de los métodos de búsqueda de los minerales útiles. 2. desarrollando herramientas matemáticas para el estudio de estas variables dependientes entre si.1978].. pero en la práctica como señala [Journel. Nuestro objetivo será discutir los métodos más eficientes que proporcionen la mayor información de los datos disponibles. los modernos.1988].Problema de Ciencias de la Tierra que dió origen a la Geoestadística.1977] la gran diversidad de formas en que se presentan los datos ha llevado a la utilización de técnicas matemáticas y estadísticas para resolver un único problema. llamadas según Matheron variable 4 .[David. conceptos iniciales que fueron tomados por la escuela francesa de Geología con “George Matheron”. y los de la determinación de su utilidad para la extracción [Lepin. que parte de la observación de que la variabilidad de las variables distribuidas en el espacio tienen una estructura particular [Journel. claro está. de los clásicos se pueden destacar. Aún mas. a partir de los conocidos. los cuales son eficientes cuando la información disponible presenta determinada regularidad. el de “Bloques Geológicos” y el de “Perfiles Paralelos”. Mínimo de Curvatura. la cual se consolidó y desarrollo en los últimos 30 años como ciencia aplicada casi exclusivamente en el campo minero. [Olea. los métodos clásicos y los modernos. etc. buscando el mejor estimador que minimice la varianza del error de estimación surge la Geoestadística por inspiración de un ingeniero en minas Sudafricano “Danie G Krige”. existiendo actualmente varias formas de realizar el cálculo de reservas.1986a]. de los que se pueden citar entre los Geomatemáticos: El Inverso de la Distancia. es decir. estimar valores desconocidos. no existe un método por muy sofisticado que sea.1978]. que obtenga resultados exactos. lo cual debe precisarse con la realización del análisis dinámico de las reservas utilizando los procedimientos “Geoestadísticos”. existiendo únicamente como respuesta a necesidades prácticas concretas. Splines. estos se caracterizan por el uso de valores medios o media ponderadas de los contenidos de la exploración en bloques definidos convenientemente. reconociéndose como una rama de la estadística tradicional.Esta Instrucción plantea que con la clasificación no se eliminan las imprecisiones en la delimitación y determinación de las diferentes categorías.

G. refiriéndose a que desde el punto de vista matemático una variable regionalizada es simplemente una función f(x) que toma valores en todos los puntos x de coordenadas (xi. 3.[David.1977]. Vol. que se obtiene en los laboreos de exploración.1977] se dedica el Capítulo II y V respectivamente a la Teoría de la Variable Regionalizada.1978] plantea que la definición de variable regionalizada como una variable distribuida en el espacio es puramente descriptiva y no envuelve una interpretación probabilística. sin embargo.1989b] El término Geoestadística fue inventado por el profesor George Matheron [Olea. yi. que como una variable estadística aleatoria puede tomar cualquier valor dentro de un rango determinado.1988]. Capítulos donde se presentan los conceptos fundamentales de la Geoestadística. y se hace necesario realizar un análisis de variabilidad de la información disponible..1988] al referirse en este al artículo “Matheron. sugiriendo un estudio profundo de la función variograma como veremos más adelante. [Alfonso. o muestras de afloramiento. Memories du Bureau de Researches Geológiques et Minieres. de modo que la aplicación de la teoría de los procesos estocásticos a las Ciencia Naturales y en particular a los problemas de evaluación de reservas de distintos tipos de materias primas minerales dió origen a la Geoestadística.1977].1978]. Al respecto en [Journel. es muy frecuente que esta funciones varíen tan irregularmente en el espacio que impiden un estudio matemático directo.1978] y [David. 14. zi) en el espacio tridimensional.Variables aleatorias regionalizadas. elaborando una teoría como se presenta en [Journel. 1962. [Olea. una posición en el espacio. en la que particularmente [Journel. todos con una característica fundamental que las distingue.1978]. además de su valor. Continuando con el caso minero la información inicial para realizar el cálculo de reservas es el resultado del análisis de los testigos de perforación.regionalizada [Journel. Traiteé de Geostatistique Applique. hecho este al que Matheron denominó variable aleatoria regionalizada [Olea. [David. Paris”.1988] en su trabajos de 1960 interesado en los problemas de estimación de reservas minerales. 5 .

conceptos que se presentan en [Journel. sobre la cual estudiaremos el atributo de interés. entonces se define como el momento de segundo orden y será también una función de la localización xi. Un valor medido es una realización de la VA Z(x1) definida en el punto x1. [David. Localización: Es el punto de una región en la cual se define una variable aleatoria regionalizada.m(xi)]2} .1977] y que son utilizados en la mayoría de los artículos consultados donde se aplican los métodos Geoestadísticos como herramienta fundamental de trabajo. m(xi) = E{Z(xi)} Momento de segundo orden: .. x ∈ área de estudio).1978] 3. y se escribe Z(x). Journel. a este conjunto de VA es llamada Función Aleatoria. Esto no es más que la muestra unitaria. Estos conceptos son: Región: se refiere al espacio en el cual existe y se estudia el fenómeno natural.1989b] es importante aclarar varios conceptos en el estudio de la variable aleatorias regionalizadas.m(xi)][Z(xj) . Cov[Z(xi).1.Si la varianza (Var) de Z(xi) existe. 29.m(xj)]} 6 .Es importante aclarar que una Variable Aleatoria (VA) es una variable que puede tomar ciertos valores de acuerdo a cierta distribución de probabilidades. Soporte Geométrico: Está determinado por el elemento físico sobre el cual se realiza la determinación de la variable aleatoria regionalizada. [Pág. Al conjunto de todas las mediciones en el área de estudio de la variable regionalizada Z(x) puede considerarse como una realización del conjunto VA (Z(x).Si la función de distribución de Z(xi) tiene una media definida. será una función de la localización xi. Momentos de primer orden: . Según [Alfonso. Z(xj)] = E{[Z(xi) .Si la varianza de las variables Z(xi) y Z(xj) existe entonces la covarianza (Cov) de las estas también existe y es función de las localizaciones xi y xj.1978]. Var {Z(xi)} = E{[Z(xi) .Conceptos de Variable Aleatoria Regionalizada.

C(0) es la covarianza en el origen.xj = h = 0 como: C(h) ρ (h) = ____ C(0) -1 ≤ ρ ≤ 1 donde: C(h) es la covarianza a la distancia h. Cov[Z(xi).Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la función de distribución de probabilidades de las variables aleatorias regionalizadas Z(xi) son iguales entre sí. xj} la magnitud γ(xi. Las hipótesis de la Geoestadística son: I.Hipótesis de la Geoestadística.. Esto requiere que los momentos de distinto orden para cada variable aleatoria regionalizada sean completamente independientes de la 7 . Var{Z(xi) . . para aplicar la Geoestadística es necesario aceptar el cumplimiento de ciertas hipótesis sobre el carácter de la función aleatoria o procesos estocásticos estudiados. según [Alfonso. independiente de la localización xi. .1978].C(h) γ(h) ρ (h) = 1 .Z(xj). Como la forma en que se presenta la información inicial es muy diversa. Z(xj)] = Var {Z(xi)} .También se puede definir el correlograma estandarizando la covarianza para los valores xi .La función variograma o función estructural se define como la varianza de la diferencia Z(xi) . xj} = ½ Var{Z(xi) .si xi = xj .Z(xj)} se denomina semivariograma.____ C(0) con γ(0) = 0 4.Z(xj)} = 2γ(xi.1989b] aspecto que trata [Journel.Existen relaciones entre estas medidas de correlación: γ(h} = C(0) .

1o 2o Var[Z(xi)] = E{[Z(xi) .(C(h) + m2) γ(h) = C(0) .Estacionaridad de Segundo Orden. E{Z(x)} = m ∀x b) Para todo vector h el incremento [Z(x+h) . C(h) = Cov{Z(xi).Z(xj)} exista y solo dependa de la longitud del vector h = xi . II. separadas por el vector h. III. Es demasiado restricta al estudiar la mayoría de los fenómenos encontrados en la práctica. Z(xj)} = E{Z(xi). Z(xi+h)} . Z(xi+h)] = C(h) + m2 y E[Z2(xi)] = C(0) + m2 γ(h) = C(0) + m2 .Z(x)] tiene varianza finita y no depende de la localización xi: 8 . son dos herramientas que permiten expresar la correlación entre la variable aleatoria regionalizada Z(xi) y Z(xi+h). Un función aleatoria Z(x) se dice intrínseca cuando: a) Su esperanza matemática existe y no depende de la localización Xi.m]2} = C(0) γ(h) = E{[Z(xi)]2} . o sea.m2 Esta hipótesis requiere la estacionaridad solo para la media y para la función de covarianza de la variable aleatoria regionalizada. existe y no depende de la localización xi. como E[Z(xi). La segunda condición estacionaridad de la varianza y del variograma.localización xi. Esta condición como su nombre lo indica. Z(xi+h)} ∀x ∀x implica.C(h).xj. Esta condición es más frecuente en la práctica. la misma requiere que: 1) E{Z(xi)} = m.Hipótesis Intrínseca. Como se observa en la última expresión γ(h) y C(h). 2) La función de covarianza Cov{Z(xi) .E{Z(xi).

sin embargo la relación inversa no siempre se cumple. En la práctica la función estructural. . representados por n y los datos por xi. aleatoria Z(x) es Esta condición se encuentra con bastante frecuencia en la naturaleza.Procesos Cuasiestacionarios.. covarianza o semivariograma. que llamamos distribución. poseen una función variograma finita.Numero de Casos: Es el número de valores muestreados del fenómeno en estudio. . Con el objetivo de conocer la información disponible se presenta en [Krajewsky.Rango de la Distribución: Es la diferencia entre el valor máximo y el mínimo. Así en [Krajewsky. IV. lognormal. 5. 9 .Var{Z(x+h) .1977] los conceptos estadísticos necesarios. lo cual implica tener conocimiento de: 1. o si no se ajustan a una distribución teórica de probabilidad. i = 1. Utilizados para determinar si la distribución de los datos es normal.. . .1993] se relacionan los siguientes conceptos divididos en tres secciones: A: Cálculos Estadísticos. siempre implica la condición intrínseca (homogeneidad). La estacionaridad de segundo orden.. 2. pues existen muchos procesos que no tiene varianza finita y sin embargo.Z(x)]2} = 2γ(h) ∀x Cuando se cumple esta condición se dice que la función homogénea. El límite b representa la extensión de la región en la que el fenómeno estudiado conserva cierta homogeneidad del comportamiento de Z(xi).Conceptos básico de estadística.1993] y [David. n. es solo usada por límites |h| ≤ b.Z(x)} = E{[Z(x+h) .

La mediana es también llamada percentil 50. dado por la fórmula: Xm= 1 n ∑ Xi n i =1 4..Moda: Es el valor más frecuente de la distribución.Media: Es la media aritmética de la distribución. Si ordenamos los datos su orden ascendente podemos calcular la mediana como. donde p es el percentil que se desea calcular. donde Q1 = percentil 25. De forma general estas medidas se pueden calcular por: [p(n+1)/100] ésima observación de los datos ordenados ascendentemente.. si dividimos por n-1 nos referimos a la varianza muestral (S2) como un estimador insesgado de la varianza poblacional (σ2).Desviación Estándar: Describe la tendencia o dispersión de la distribución. 10 .1980]. esto significa que si un experimento fuera repetido muchas veces se podría esperar que el promedio de los valores así obtenidos para S2 igualaría a σ2. ⎧ X(n+1)/2 M = ⎨ ⎩ (Xn/2 + Xn/2+1)/2 si n es par. si n es impar. 5. y Q3 = percentil 75. 6.Varianza: Describe la variabilidad de la distribución. por otra parte si dividimos entre n los valores obtenidos para S2 serían como promedio demasiado pequeño [Freund. tenemos los deciles. además los datos no solo se dividen en dos grupos.. cuartiles. 7. sino que se pueden dividir en cuatro partes... si los datos se dividen en 10.3. y n la cantidad de datos ordenados.Mediana: Es el valor para el cual la mitad de los datos son menores y la otra mitad están por encima de este valor. Es la medida de la desviación o dispersión de la distribución y se calcula por: σ 2 = 1 n ∑ n − 1 i =1 ( Xi − X m) 2 La razón principal por la que se aboga por la división entre n-1 en la estimación de la varianza es porque proporciona un mejor estimado.

con colas relativamente anchas. y la distribuciones más bien achatadas en el centro se llaman platicúrticas.Es la medida de desviación alrededor de la media. Se calcula por: σ= σ2 8.25.Curtosis: Describe la esbeltez de la distribución.Coeficiente de Variación: Es una medida de la variación relativa de los datos y puede ser calculado por: CV = S/Xm y en porcentaje como: 100 CV = 100 (S/Xm) % 11 . tienen valores de curtosis mayores que cero. 11. se les llama leptocúrticas. tienen valores menores que cero.Asimetría: Describe la simetría de la distribución relativa a la distribución normal. un valor negativo indica una cola a la izquierda y un valor positivo indica una cola a la derecha. A las distribuciones más agudas...Error Estándar: Describe el grado de conocimiento de los datos y se puede calcular por: ε= σ2 /n La distribución normal tiene una valor de error estándar menor que 1. y es llamada mesocúrtica. Se calcula por: α3 = 1 n 3 ∑(Xi − Xm) S3 n i =1 En la distribución normal la asimetría tiene valor cero. 9... y se puede calcular por: 1 n 4 α 4 = ∑(Xi − Xm) S 4 n i =1 La distribución normal tiene curtosis igual a cero.25 y la distribución lognormal o una distribución con tendencia positiva. 10. tiene valores de error estándar mayores que 1.

Proporciona una comparación entre la variación de grandes valores y la variación de pequeños valores. En el caso de gráficos estadísticos es útil usar los gráficos de frecuencia absoluta... CV < 1. la cual es más robusta [Alfonso.. En el punto A12 se utiliza la prueba Chi-Cuadrado para la determinación de si la distribución es normal. C: Frecuencia Acumulativa: Usado para identificar el tipo de distribución y ayuda a determinar si están presentes poblaciones mixtas. relativa.Prueba t-Student: Se utiliza para determinar si en una distribución bimodal la medias de las poblaciones son estadísticamente diferentes. acumulativa y el diagrama de dispersión. 13. Es un gráfico de barras donde en las abscisas aparecen los límites de las clases y en las ordenadas las frecuencias correspondientes a cada clase. lognormal u otra por ser este el estándar.Histogramas: Son usados para ver las características descriptivas de la distribución. donde se incluyen: 1.1. 2. 12. y encontrar errores. Para CV > 1 se recomiendan técnicas Geoestadísticas no lineal. e identificar datos errados. en su lugar puede ser usado la prueba “Kolmogorov Smirnov”. lognormal o alguna otra distribución probabilística.Mapa base. como se presenta en el software GEOEAS 2.. B: Construcción de Gráficos Estadísticos: Estos permiten ilustrar y entender las distribuciones de los datos.1989a]. sección cruzada y vista en perspectiva: Estos tres gráficos son usados para visualizar la relación espacial en 2 y 3 dimensiones. Todos estos elementos permiten decidir las condiciones de estacionaridad vistas 12 . Las técnicas de Geoestadística Lineal producen buenos resultados cuando el coeficiente de variación es menor que uno.Prueba Chi-Cuadrado: Se utiliza para determinar si la distribución es normal.

1.1978].Construcción del Semivariograma. En [Alfonso.1993].Z(xi+h)} = 2 γ(xi.1978]. o sea: Var(xi.1993]. donde N(h) es la cantidad de pares separados a la distancia h de la totalidad de pares posibles en los n puntos de que se dispone en la información inicial. se define el variograma como la varianza de las diferencias de los valores de la variable regionalizada en las localizaciones separadas una distancia h.. jugando el rol central en la geoestadística. ni una justificación teórica para determinar el número de pares necesarios para calcular cada valor del semivariograma.xi+h) donde la magnitud: γ (h ) = 1 N (h) 2 ∑ [ Z (xi ) − Z (xi + h)] 2 N (h ) i =1 (1) Se llama semivariograma.anteriormente. en [Journel. su cálculo esta relacionado con: la dirección (α y β) en que se estudiará la variabilidad del atributo de interés y las distancias (h) en las cuales se quiere obtener los valores del semivariograma. 6. [Krajewsky.El semivariograma Experimental El concepto de variograma es uno de los más importantes en la teoría y la práctica geoestadística.1978] se sugieren 30 pares como mínimo para obtener una masa estadística suficientemente grande.1989b].1977] y [Pannatier. El ángulo que fija la dirección debe variar entre 13 .1993]. xi+h) = Var{Z(xi) . 6. se le llama el prerrequisito para la estimación Geoestadística. [David. [Journel. El semivariograma es una herramienta geoestadística importante en la determinación de las características espaciales de una variable. [David. según se plantea en [Krajewsky.. [Journel. El cálculo del semivariograma experimental no consiste en un simple cálculo de la ecuación (1). Aquí aunque no existe un criterio fijo.1977].

0o y 179o. con la cantidad de pares que se encuentran separados a una distancia h-dh ≤ h ≤ h+dh.Variogramas relativos (efecto proporcional).2. Ocho pasos para la construcción del semivariograma en dos y tres dimensiones se presentan [Cuador. 6. [Journel.1977].1997].y βp son los ángulos definido por la dirección de la recta que une los dos puntos del par en cuestión. de definir tolerancias angular (dα y dβ) y lineal (dh).. aspecto que se puede obtener ploteando los valores de Xm contra σ.1978] La solución a este problema propuesta por Michel David en 1977 consiste en dividir cada valor del semivariograma local por el cuadrado de la media local. calcular la expresión (1). Se puede obtener el semivariograma relativo por: 14 . Y obtener lo que se conoce como variograma relativo [David. γ(h) F(h) = ------Xm2(h) Este variograma se puede modelar y usar en el proceso de estimación que veremos posteriormente. Cuando en el cálculo del semivariograma se detecta que existe una relación lineal entre el valor medio de las muestras usadas en el cálculo de cada γ(h) y la desviación estándar correspondiente. lo que requiere para no ser estrictos en el cálculo. donde αp. es decir el coeficiente de variación σ/Xm es aproximadamente constante. y que esten incluidos en los ángulos (α-dα ≤ αp ≤ α+dα) para dos dimensiones y además (β-dβ ≤ βp ≤ β+dβ) para tres dimensiones. Esta situación se conoce como efecto proporcional (heterosedasticidad) y ocurre cuando los datos presentan una distribución lognormal. Para cada distancias (h).

.Población mixta presente en los datos. 2.Pobre elección de la distancias.Problemas más comunes encontrados en el cálculo de semivariograma. que son: 1. El variograma cruzado se obtiene por la ecuación: 1 N (h) γ (h ) = ∑ [ Z A (xi ) − Z A (xi + h)][ Z B (xi ) − Z B (xi + h)] 2 N (h ) i =1 donde ZA y ZB son variables correlacionadas.3. [Armstrong.Variogramas Cruzados.Valores fuera de límites o distribuciones asimétricas.1978] y [David. se presentan en [Armstrong. 3. pero quién ha tratado de hacerlo sabe que no es así. por ejemplo.. el contenido de dos minerales diferentes. Muchos libros de Geoestadística dan la impresión descabellada de que es fácil calcular el semivariograma experimental. 15 .1977]. y ajustar este a un modelo teórico.No hay suficientes muestras. En [Krajewsky.1984a] tres de los problemas que más se presentan en este proceso.4.1984a] El primer semivariograma siempre es errático y se necesita mucho esfuerzo para lograr un semivariograma que represente realmente la variabilidad del fenómeno es estudio. Cuando es posible usar en el proceso de estimación dos variables.. conviene usar los variogramas cruzados como se presentan en [Journel. 6. que estén correlacionadas. ajuste que veremos posteriormente.. 6. obtenidos en el análisis de los testigos de perforación...1 N ( h ) [ Z (x i ) − Z (x i + h )] F (h ) = ∑ 2 N (h ) i =1 ( Z (x ) − Z (x + h )) 2 i i 2 [ ] 2 usando los paso anteriores.1993] se presentan otras razones por los que los semivariogramas son erráticos: 1.

[David..5.Mas o menos distancias deben ser calculadas. con el objetivo de determinar los parámetros descriptivos del semivariograma que posteriormente serán usados en la estimación. [Pannatier.Pequeños o largos conjuntos son necesarios. 5..Nube de variogramas. [Journel. de modo que en estos la cantidad de pares encontrados sea suficiente desde el punto de vista estadístico [Armstrong. esto puede ser útil para determinar el espaciamiento óptimo a utilizar en el cálculo del semivariogra experimental.. 6.Parámetros del semivariograma.. 3. 7. 4.1984a]..1977]. Una vez construido el semivariograma experimental o empírico es necesario ajustar a este un modelo teórico. 6.Modelado de Semivariogramas...1993].1993].Pequeñas tolerancias es necesarias.. la elección adecuada de los intervalos de distancias en los cuales será calculado el semivariograma.1978].. 8.1993]. 9. 7. 10. [Krajewsky... el problema fundamental en la obtención de un semivariograma correcto es.El área estudiada es no homogénea. 7. que consiste en un gráfico de valores del semivariograma de los pares en función de la distancia de separación entre los dos puntos del par.Las muestras no son representativas del fenómeno.2. [Pannatier. De acuerdo a la experiencia.Las muestras pueden tener localizaciones incorrectas. Una solución a las dificultades planteadas anteriormente puede ser la visualización de la nube de variogramas.Las valores muestreados pueden ser malos.Pequeñas o largas distancia deben ser calculadas.1993].. [Krajewsky.Las clasificaciones de las muestras no son válidas. 16 .1.

ese punto leído en la 17 . El Efecto Pepita se representa como Co. y el área de influencia de la correlación (Alcance). y su valor se puede leer en la intecepción de esta línea con la ordenada. pero en la práctica las funciones obtenidas pueden presentar discontinuidad en el origen.1993]. pues valores negativos de γ(0) no tiene significado y no es común. [Journel. y puede ser obtenido a partir de la intercepción de las líneas descritas en los puntos anteriores. el valor máximo de variabilidad (Meseta).1977]. se denomina Alcance y se representa por (a). (Figura 1). El Alcance: (Range) La distancia h para la cual las variables Z(x) y Z(x+h) son independientes. La Meseta: (Sill) Es el valor de γ(h) para el cual con el aumento de h su valor permanece constante. se representa como (CT = C + Co) y se denomina meseta. o lo que es lo mismo. el valor asumido por este efecto es cero. como se presentan en [Krajewsky. Si esta intercepción ocurre por debajo de cero. Puede obtenerse trazando una línea paralela a la abscisa y que se ajuste a los puntos de mayor valor del semivariograma. para la cual el El alcance siempre tiene valor positivo.1978]. la distancia semivariograma alcanza su meseta. en ingles (Nugget effect) y puede ser obtenido trazando una línea recta entre los primeros puntos del semivariograma empírico y extender este hasta que se intercepte con el eje Y. [David. El Efecto Pepita: (Nugget) El semivariograma por definición es nulo en el origen. es decir las distancias para la cual la variable no está más correlacionada. y se describen a continuación.Los parámetros del semivariograma caracterizan tres elementos importantes en la variabilidad de un atributo que son: la discontinuidad en el origen (Efecto Pepita). a esta discontinuidad se le llama efecto pepita.

único libro consultado escrito en idioma Español.1978] 1. Los modelos teóricos [Journel. La traducción de los tres parámetros del semivariograma fue tomada de [Alfonso..La presencia o ausencia de meseta.1977] en: Modelos con meseta. pueden ser clasificados según [Krajewsky. el cual puede ser linear.. 2.. 7.1993].Modelos Teóricos más importantes. Dos características importantes en el modelado de variogramas son: [Journel. [David. Con comportamiento linear en el origen a) Esférico.1978]. b) Exponencial. parabólico y con efecto pepita. además de la experiencia adquirida en participación en las discusiones en los Talleres Nacionales de Matemáticas en las Geociencias.Su comportamiento en el origen.abscisa es una fracción del propio alcance. 18 .1989b].2. fracción que se detallara posteriormente en la explicación de los modelos teóricos γ(h) C Co h a Figura 1: Parámetros del semivariograma.

en el alcance donde a´ representa la fracción que planteamos en la explicación anterior del alcance (Figura 2). d) Modelo con exponente. e) Logarítmico. un alcance práctico puede ser: a´ = 1/3 a → γ(h) 19 a = 3 a´ .exp(-h/a) ) Este modelo alcanza su meseta asintóticamente (Figura 3). Modelos sin meseta. C ( 3h/2a .Con comportamiento parabólico en el origen c) Gaussiano. Modelo Esférico. un alcance práctico puede ser: a´ = 2/3 a → a =3/2 a´ h≤a h>a finito h = a.½(h/a)3 γ(h) = Co + C Este modelo alcanza su meseta para un calor precisamente. γ(h) = Co + C ( 1 . γ(h) (2/3)a a h Figura 2: Modelo Esférico Modelo Exponencial.

γ(h)=ωh. a Figura 4: Modelo Gaussiano.exp([-h/a]2) ) Este modelo también alcanza su meseta asintóticamente (Figura 4). γ(h) = hθ con θ ∈]0. donde ω representa el buzamiento o inclinación en el origen. el alcance práctico puede ser obtenido como a´ = γ(h) 3 a → a = (1/ 3 ) a´. Modelo Gaussiano. γ(H) = Log h 20 . Modelo Logarítmico. γ(h) = Co + C ( 1 . 2[ Este modelo es frecuentemente usado en la práctica cuando θ = 1. que es el linear.a Figura 3: Modelo Exponencial. 3a Modelos con exponentes.

además que esta selección es especialmente crucial si el yacimiento en el caso particular de la minería se incluye en una de las siguientes categorías: 1. el valor de el Alcance (a) permanece constante. La selección del modelo del semivariograma se puede realizar de forma visual o automática.1993]. γ(h) = Co + C (h/a) Note en este modelo. para ser usados en la interpolación Geoestadística que veremos posteriormente.Yacimientos que carecen de un modelado geológico propio.. 2. es el punto más importante en este proceso planteando.1978]. 8.. 4.Yacimientos con alta asimetría en la distribución. [David. 21 .. [Journel. que a medida que aumenta h. [Krajewsky. de modo que (h/a) es el valor de la pendiente de la recta del modelo que varia de 0 hasta el consiente de la distancia máxima de h y a.1977] La selección del modelo y los parámetros apropiados a las características del semivariograma empírico. Es importante destacar el efecto negativo que tiene en la estimación un posible error en la selección del modelo de semivariograma y sus parámetros. 3.. por tanto este modelo no puede ser usado para describir la variabilidad de regionalizaciones en soportes puntuales.Ajuste Visual y Automático. Estos modelos pueden ser ajustados individualmente.Note que en este modelo log h → -∞ cuando h → 0. aunque es posible encontrar en la práctica aplicaciones donde los semivariogramas experimentales se pueden ajustar con más de uno de estos modelos teóricos es decir a través de combinaciones aditivas.Yacimientos sin una adecuada perforación. nombrándose estructuras imbricadas.Yacimientos con irregularidad en la densidad de barrenos. Modelo Lineal..

etc.1993].1985] se sugiere una forma particular de aplicar el método de los mínimos cuadrados y de esta forma obtener el modelo y sus parámetros.1978] Anisotropía Geométrica: Está presente cuando los semivariogramas en diferentes direcciones tiene la misma meseta pero distinto rango. [Journel. y en direcciones intermedias de 45º.1978]. 22 . Como se conoce el semivariograma describe las características de la variable regionalizada en una dirección.. Cuando el semivariograma calculado en diferentes direcciones (Norte-Sur. exigiendo la aplicación de esta forma un análisis de anisotropía.).De forma visual como se presenta en [Krajewsky. se discutirá en la validación del modelo más adelante. [David.Análisis de anisotropía. [Krajewsky. Conviene aquí realizar un análisis sobre el comportamiento de la variabilidad del atributo en estudio. [Journel. Un criterio decisivo independiente de la forma utilizada en la elección del modelo teórico y sus parámetros.1978].1978]. pero estas características pueden variar en otras direcciones como se discute en [Krajewsky. en [Cressie. El ajuste realizado de forma automática no tiene porque reportar mejores resultados en el proceso de estimación.1993]. con tolerancia de 22.5o.1977]. se dice que es isotrópico . EsteOeste.1977].1977] y otros validar el modelo seleccionado de acuerdo al estimador a utilizar. [David.1993]. [Journel. [David. La forma automática ha sido presentada por varios autores.1993]. 9. Los tipos de anisotropías más comunes son Geométrica y Zonal. recomendándose en [Journel. muestra similar comportamiento. tomando de este entonces los valores de los parámetros del semivariograma. Cuando muestra diferentes comportamientos es anisotrópico [Krajewsky. que consiste en seleccionar uno de los modelos teóricos de semivariograma conocido que mejor se ajuste a las características o aspecto del semivariograma experimental.

Puesto que uno de los posibles usos del semivariograma ajustado es la estimación espacial de una variable regionalizada Z(x). El ajuste de los modelos teóricos al semivariograma experimental. conviene no distinguir entre estos. En estos casos conviene realizar transformaciones de coordenadas con el objetivo de obtener modelos isotrópicos.1977]. dada las características del uso que se le dan a estos términos.Anisotropía Zonal: Está presente cuando los semivariogramas en diferentes direcciones tiene diferentes mesetas y alcances.Validación del Modelo Teórico. la estimación es sólo cuestión de cálculos. basado en la división de los datos en grupos. como hemos visto se hace de forma visual. como lo hacen otros autores. C + Co (Meseta) y a (Alcance).1993]. 23 . [Journel. hasta coincidir con los parámetros que mejor se ajustan. una vez obtenido este resultado. parece razonable plantear un estimador del semivariograma que se base en la idea de minimizar los errores de estimación de Z(x). o de forma automática. esto es.1978] 10. En este trabajo. La operación de validar un semivariograma teórico ajustado a uno experimental siempre toma mucho tiempo [Krajewsky. [David.. Algunos autores distinguen entre estos dos términos planteando que. variando los valores Co (Efecto Pepita). El método de validación cruzada ha sido ampliamente utilizado para evaluar el grado de bondad de un modelo de semivariograma y reconocido como un método óptimo de estimación de sus parámetros. la validación cruzada es un método para la evaluación de errores de estimación. ya que. Jackknife y Validación Cruzada que tiene como objetivo validar el ajuste realizado. [Journel.1978]. este se considera como el último de los pasos importantes del análisis de variabilidad. mientras que la técnica “jackknifing” es un método para estimar las características estadísticas de una variable. existen dos términos.

. Así se van probando diferentes valores de los parámetros del semivariograma hasta que los errores de validación cumplen los siguientes criterios estadísticos: [Journel. Puesto que σi2 es la varianza de E(xi). Los errores de krigeado.1978]. . El valor estimado Z*(xi) se calcula por Krigeage explicado más adelante.Sea Z(x) una Función Aleatoria estacionaria con semivariograma γ(h). c) Error cuadrático medio adimensional próximo a 1: 1 N ∑ [ E (x ) σ ] i i i =1 N 2 ≈1 donde: N es el número de puntos en los que se realiza la validación. Este criterio tiene el inconveniente de que no tiene en cuenta la geometría y la localización espacial de los datos ya que asigna el mismo peso a todos los errores. La validación cruzada consiste en suprimir el i-ésimo valor medido Z(xi) y estimarlo a partir del resto de los datos. [David. En realidad este criterio es de escaso interés en la estimación del semivariograma. de modo que se pueden calcular n errores de validación: E(xi) = Z*(xi). tiene un efecto dominante en el error total. su valor esperado es igual a uno. Esta condición puede interpretarse también como una condición de consistencia entre los errores calculados E(xi) y las dimensiones estándar proporcionadas por el krigeado (σi2). . su función de covarianza C(h) viene dada por C(h) = σ2 . d) Mínimo valor medio de las varianzas del Krigeado (σi2). . .γ(h) donde σ2 es la varianza de Z(x). Zxn los valores de Z(x) en n puntos medidos. Zx2. b) Mínimo error cuadrático medio. Por tanto los E(xi) tendrán siempre media nula cualquiera que sea el semivariograma que se utilice.Z(xi) i = 1. De esta forma los mayores errores normalmente situados en el contorno de la zona de estudio. 2. . Si se repite este proceso para los n puntos. . ya que los valores krigeados son insesgados independientemente del modelo de semivariograma utilizado. e) Valor medio de las varianzas del krigeado igual a la varianza de los errores de 24 . a) La media de los errores sea próxima a cero. . n.1977]. sin embargo suelen ser mayores en los puntos muy distanciados del resto de los datos. Sea Zx1.

1992] 1. La medidas fundamentales a tener en cuenta para aceptar un ajuste son: [Myers.1993] al modelar semivariogramas se pueden presentar los siguientes problemas.Anisotropía geométrica esta presente: Indica que los variogramas 25 . debe ser igual a uno.. 1. Según [Krajewsky. dado por aproximadamente igual a cero..Z*(xi)]2. 2. 4..El error medio. 5. dado por T2 = (1/n) ∑i=1.La medida.n {[Z(xi) .. Este criterio se cumple cuando las variables Z(x) siguen una distribución normal.La medida. En otras palabras E(xi)/σi deben seguir una distribución de Gauss con media nula y varianza igual a la unidad.Problemas más comunes encontrados durante el modelaje de semivariogramas.El error medio cuadrado. g) Coeficiente de correlación entre los valores krigeados y los medidos próximo a uno.Z(xi)]/ σi deben situarse a los largo de una recta en papel probabilístico normal.. en general sin embargo los errores normalizados no tienen porque satisfacer este criterio.Z*(xi)]/σ}2. debe ser uno. T4 = Corr{[Z(xi) . T1 = (1/n) ∑i=1. debe ser pequeño. 3. debe ser cero..1. f) Ausencia de correlación (Corr) entre los errores y los valores de [Z*(xi) .Z(xi)] donde Z(xi) es el valor medio de Z(x) en el entorno del punto i y Z*(xi) es valor estimado. que complican este proceso.n [Z(xi) .Z*(xi)]. h) Los errores normalizados [Z*(xi) . T5 = Corr{Z(xi). Z*(xi)}.Z*(xi)]/σ.validación. 10..La medida. debe ser Otros autores solo plantean que la medidas fundamentales son la indicada por T1 y T3.n [Z(xi) . T3 = (1/n) ∑i=1. Z*(xi)}.

. A grandes distancia la variabilidad puede estar presente debido a casos transitorios de desgaste mineral.- Periodicidad esta presente: indica que el comportamiento del semivariograma repite por si mismo periodicidades. Esto puede ser resuelto aplicando pilonomios a la ecuación del variograma. por ejemplo: El valor de la meseta puede aumentar o disminuir sistemáticamente.. 5. es decir usando semivariogramas relativos.Estructuras anidadas esta presente: indica que diferentes procesos operan a diferentes escalas. puede ser corregido separando el semivariograma en sus componentes isotrópicos. o un caso en que los valores son tomados 26 . 4. horizontal y anisotrópico vertical..Efecto hueco esta presente: indica que muy pocos pares están disponible para la comparación a una distancia específica. 6.. 2.El efecto proporcional esta presente: Indica que la desviación estándar local es proporcional al cuadrado de la media local y que los datos presentan una distribución lognormal. 3. A pequeñas distancias la variabilidad puede estar presente debido a errores. esta puede ser corregida a través de una transformación linear de coordenadas que permita reducir la elipse a un circulo. como por ejemplo alguno o todos los siguientes: A muy pequeñas distancias la variabilidad puede estar presente debido a cambios de una composición mineral a otra..Anisotropía zonal esta presente: indica que tanto la meseta como los alcances son diferentes para los semivariogramas direccionales. Y puede ser resuelto recuperando más casos para la distancia definida.direccionales tienen la misma meseta pero diferentes alcances. puede ser resuelto dividiendo cada valor del semivariograma local por el cuadrado de la media local. 7.La tendencia de los datos esta presente: indica que los valores medidos aumentan o disminuyen dramáticamente en la zona estudiada con el aumento de la distancia. El cual puede ser resuelto aplicando varios modelos simultáneamente.

Los métodos de interpolación se pueden clasificar en clásicos y modernos. 11. a su vez los modernos se pueden dividir en Modelación Matemática y Geoestadísticos. que serios problemas de estimación pueden ser evitados observando los resultados obtenidos en su trabajo. solo se hace necesario buscar el estimador óptimo. donde se presenta una investigación acerca de la efectividad y limitaciones de las técnicas más populares las cuales son: Kriging Ordinario. Todo lo expresado hasta aquí tiene un único objetivo. Existen varias técnicas de estimación muy utilizadas en la actividades de estimación de reservas según [Barnes.Estimación.1978]. Esto puede ser resulto si es un problema real y no un antifaz del análisis. conocer la información disponible para realizar estimaciones.. esquistos. Teniendo en cuenta la gran cantidad de aplicaciones y autores que usan técnicas de estimación y en particular la estimación Geoestadística podemos asegurar que los resultados en la aplicación de estas no son tan descabellados.Triangulación. prestamos aquí mayor atención a los métodos modernos de estimación entre los que se destacan los siguientes: 11. Se concluye que la ejecución de las técnicas de estimación pueden ser peor que la calidad esperada por los mineros. [David. la periodicidad puede ser también un fenómeno real mostrado por zonal ricas y pobres repetidas a espacios similares.1989]. Aproximación por Polígonos. los cuales permiten hacer una mejor elección de la aproximación de reservas minerales.alternativamente a través de diferentes estratos. como piedras areniscas.1986b].1.. Splines Cúbicos y el Método del Inverso de la Distancia. 27 . Los métodos clásicos como su nombre lo indica son los más sencillos e información sobre estos se puede encontrar en [Lepin. Interpolación Triangular. planteamiento que se deduce de [Journel. etc.1977] y de la totalidad de la bibliografía consultada.

Este método consiste en ajustar un plano que pase por las tres muestras mas cercanas y adyacentes a la localización que se desea estimar. Con el objetivo de obtener la ecuación del plano que pase por las tres muestras construimos el siguiente sistema de ecuaciones lineales: a x1 a x2 a x3 + + + b y1 b y2 b y3 + + + c c c = = = z1 z2 z3 y así obtenemos los coeficientes a.1989] Z*(x) = ∑ λi Z(xi) En la que λi son loa pesos proporcionales a la distancia euclidiana entre las localización que se desea estimar igual a: 1/doi λi = ----------∑1/doj donde: doi es la distancia Euclidiana entre la localización a estimar y la localización de la muestra i. Este método se basa en una combinación lineal dada por: [Barnes. Existen varios métodos para obtener los triángulos dentro de los cuales el más utilizado es el de Delauney [Barnes.[David.2.. Generalizando obtenemos: 1/doi Z (x) = ∑i+1.1977] 11. b y c.Z(xi) * (3) 28 . entonces el valor de z en cualquier localización dentro del triángulo se puede obtener sustituyendo su coordenadas en la ecuación (2).n -----------.1989].Inverso de la distancia. y) y z representa el valor muestreado. [Barnes. 1989] La ecuación del plano es: Z=ax+by+c (2) Cada muestra tiene coordenadas (x.

Inicialmente Matheron denominó a esta técnica Krigeage que en ingles se convierte en Kriging [Olea.1988] término que tiene su origen en el apellido de Krige reconociendo de esta forma su inspiración inicial de minimizar la varianza de estimación. La interpolación Geoestadística se basa fundamentalmente en 3 pasos [Journel. Estas dos técnicas matemáticas de estimación utilizan directamente los valores muestreados en la estimación y refieren pesos de acuerdo a la distancia euclidiana entre los datos. Kriging en una técnica de estimación que proporciona el mejor estimador lineal 29 . hecho por el que surge este interpolador y la Geoestadística en general. Kriging es un término creado por George Matheron en sus trabajos en 1960.n ---------------.Interpolación Geoestadística..Uso del semivariograma teórico ajustado .n(1/doj)ω Note que si ω = 1 Obtenemos la ecuación (3). Krige quien desarrollaba sus trabajos sobre evaluación de minas de oro. Veamos ahora un método que utiliza estos términos denominado krigeage. y selección adecuada del semivariograma y sus parámetros.1978].Ajuste a un modelo teórico. el cual interesado en los problemas de estimación de reservas minerales. 3. el proceso de estimación por el popular (dentro de la Geoestadística) método llamado Kriging.Análisis de variabilidad.. [David..1977] 1.Z(xi) ∑i=1. sin tener en cuanta un análisis de variabilidad en la información disponible.∑i=1. 2.n1/doj Se pueden obtener distintos estimadores si escribimos la ecuación anterior como: (1/doi)ω Z*(x) = ∑i=1.. 12. obtención del semivariograma empírico.1988]. [Olea. se apoyo en la ideas iniciales de un ingeniero en minas sudafricano Danie G.

1977]. m es el valor medio de los datos muestreados. γ(x1.x1) γ(xn. xj) = γ(xo. xj) . en ingles.xj) γ(xi.n λj γ(xo.1991]. [M2] = γ(x1. 30 ∀ i = 1.1992].γ(xo.Kriging Simple (KS).n λi(xo) [Z(xi) .xj) γ(x1. xi) Con varianza de estimación: σ2KS = ∑j=1.x1) [K] = γ(xi. deducción teórica que se puede encontrar en [Journel. [David. [Myers.1977].xo) γ(xi. El sistema Kriging.. xo) y en forma matricial el sistema KS puede ser expresado como: [K] [λ] = [M2] [λ] = [K]-1 [M2] y σ2KS = [λ]t [M2] ..n .imparcial (BLUE. Best Linear Unbiased Estimator) [Journel. [Myers..x1) λ1 λ2 [λ] = .1978].xj) γ(xn. .xn) γ(x1. γ(xi.xo) .m] Sistema: ∑j=1. xi y xj son la localizaciones i y j respectivamente. puede presentarse en su formulación final de acuerdo a las siguientes variantes. 12.xn) γ(xi.xo) donde: [λ]t es la transpuesta del vector [λ]. [David. xo es la localizacion a estimar. λi(xo) son los pesos de cada localización conocida con respecto a xo.γ(xo. xj) es el valor se semivariograma teórico obtenido en el ajuste.1..1978]. Su formulación final es: Estimador: Z*KS(xo) = m + ∑i=1.n λj γ(xi.xn) γ(xn.

μ = γ(xo.γ(xo..xo) γ(xi. xi) ∑j=1. xo) γ(x1. .n 1 1 1 0 γ(x1.xj) γ(xn.n λj = 1 Con varianza de estimación: σ2KO = ∑j=1.xn) 1 ∀ i = 1.. se utiliza el sistema Kriging 31 .γ(xo.xn) γ(xn. Su formulación final es: Estimador: Z*KO(x) = ∑i=1.C(h).Kriging Ordinario (KO).λn γ(xn.n λj γ(xi.2.x1) [K] = γ(xi. λn μ [M2] = γ(x1.xo) 1 El sistema Kriging puede escribirse en términos de covariograma. y en forma matricial el sistema KO puede ser expresado como: [K] [λ] = [M2] [λ] = [K]-1 [M2] y σ2KO = [λ]t [M2] + μ .xn) γ(xi.n λj γ(xo.xo) .x1) 1 λ1 λ2 [λ] = .xj) 1 γ(x1.. Particularmente cuando la función aleatoria Z(x) es intrínseca solamente y la covarianza C(h) no está definida.xo) 12.x1) γ(xn.xj) γ(xi. si tenemos en cuenta que γ(h) = C(0) . xj) + μ . xj) . γ(xn.. xo) donde: μ es el parámetro de Lagrange.n λi(x) Z(xi) Sistema: ∑j=1.

. [David.1978]: 1. en estos casos. Note que..n λiλj C(xi. Para el componente determinístico sugieren utilizar una función polinomial de las 32 .1993] es cuando está presente la tendencia en los datos.∑i=1. donde se plantea que las características de la variabilidad de un atributo. Un análisis en este sentido se ofrece en [Journel.1977].1977] Observaciones: Según [Journel.n λiλj γ(xi.1978]. [Journel. es decir que los valores medidos aumentan o diminuyen con la distancia en el área de estudio. es decir: ∑i=1.n∑j=1.Kriging. uno determinístico m(x) y un componente estocástico R(x) obteniéndose la estimación por Z(x) = m(x) + R(x). Es importante señalar que este procedimiento no es tan complejo.n∑j=1.1978]. comparándolo con la cantidad de cálculos que requiere. aunque la suma de los pesos λi es 1. no necesariamente estos tienen que ser positivos. el cual es un estimador imparcial.en términos de variograma. donde los autores aseguran resultados satisfactorios.El sistema Kriging tiene una solución única si y solo sí la matriz de K es definida estrictamente positiva. [David. 2. xj) ≥ 0 o en términos de variograma: . donde su desarrollo ha sido favorecido por el auge de la informática moderna. y por tanto los valores estimados pueden ser negativos. xj) ≥ 0 y no existen datos con las mismas coordenadas. es también un interpolador exacto..Análisis de Tendencia. 13. Kriging Universal (KU): Uno de los problemas encontrados al modelar semivariogramas según [Krajewsky. se describen mejor con la suma de dos componentes distintos. La efectividad de estos procedimientos se ha presentado en mucho trabajos.

es decir: m(x) = ∑l=1. A..1977]. Concluye que estas tres dificultades no son insuperables.1978].. Una variante de Kriging que tiene en cuenta esta situación. 3.L al fl(x) donde al son coeficientes y fl es la función que describe la tendencia.1990].1977]. Al respecto [Armstrong.coordenadas para modelar la tendencia. Co-Kriging. El sistema KU puede ser reducido a KO si L=0. para tratamiento de datos débilmente estacionarios y con tendencia llamada Kriging Universal (KU) [Carr. S. utilizando esta correlación es posible estimar las variables insuficientemente muestreadas a partir de la información de la propia variable además de las correlacionadas con ellas [Journel.1978] 14.1990] 1.1978]. [David. [Journel.Variables correlacionadas.Es difícil obtener el semivariograma para datos débilmente estacionarios. en 1962 y descrita por Matheron en 1969.La indeterminación en el variograma. La aplicación de KU a datos débilmente estacionarios es difícil por tres razones: [Carr. fue desarrollada por Goldberger. Es posible encontrar casos de variables insuficientemente muestreadas. pero que se conoce su correlación con otras variables en la zona de interés [Journel.. En este caso se utiliza una variante conocida como Co-Kriging...El orden de la tendencia para datos débilmente estacionarios debe ser modelado.La indeterminación en la tendencia. [David.1984b] presenta los problemas más comunes al utilizar KU que son: 1. 2.La solución de la ecuación para KU difiere de la solución para KS o KO. siendo una extensión 33 . 2..

En el monitoreo y estudio ambiental. Ch. Structural Analysis: Se presenta un análisis estructural del fenómeno 34 . Los método Geoestadísticos. En la nematología en el cultivo de las plantas. Journel. en la actualidad toman auge fuera de las aplicaciones mineras. “Mining Geostatistics”. Introduce la terminología de la geoestadística. and Huijbregts. En el estudio de la precipitaciones. etc. que requiere del conocimiento de su variograma cruzado. Introduce tres de los principales conceptos y herramientas: El variograma. Geostatistics and Mining Application: Hace una introducción a la geoestadística aplicada a la industria minera. este trabajo no sólo se limita a realizar este planteamiento. presenta los siguientes capítulos.. III. 1978. sino.1977]. 15. En un estudio más profundo de Geoestadística pueden ser utilizado durante el análisis bibliográfico dos libros que merecen especial atención. The Theory of Regionalized Variables: Es el capítulo teórico fundamental.Otras Aplicaciones.del procedimiento Kriging. siendo utilizados en gran cantidad de aplicaciones de Ciencias de la Tierra. En el estudio de aguas subterráneas y caracterización de acuíferos. En la identificación de anomalías Geoquímicas.. presentando los conceptos básicos de la geoestadística. la estimación de la varianza. estos son [Journel.1978] y [David. En análisis de movimientos sísmicos. En el filtraje de sonidos. presentando problemas donde puede se aplicada. en los cuales se presentan los conceptos y definiciones fundamentales de la Geoestadística aplicada a la estimación de reservas minerales. A. se señalan ejemplos donde los método Geoestadísticos han sido aplicados en éxito: En la estimación de reservas de petróleo. los problemas de variabilidad estructural de variable de interés. I. En el tratamientos de imágenes. II. y la dispersión de la varianza..

IV. Kriging and the estimation of in situ resources: Presenta como objetivo del capítulo la estimación de reservas in situ. modelos con anisotropía. Case Study of Structural Analysis: Se analizan quince casos de estudio. presentando las variantes de Kriging para estos casos. Selection and Estimation of Recoverables Reserves: Presenta el estudio de la influencia de la regionalización de la variable seleccionada en la recuperación de las reservas de un yacimiento. y sus aplicaciones. VII. Co-Kriging para variables correlacionadas. David. ajuste de modelos que presentan efecto hueco y efecto proporcional. Elementary Statistics Theory and Applications: Presenta los conceptos fundamentales de estadística básica. que consiste en construir un modelo de variograma que caracterice los principales rasgos de las regionalizaciones. M. presentando ejemplos de aplicación de la técnica para distintos casos posibles. Kriging Universal para el caso no estacionario. 35 .regionalizado. 1977. Introduciendo la técnica Kriging. análisis estructural en tres dimensiones (3D).. el original Método de las Bandas Rotantes “Turning Bands”. Simulation of Deposits: Presenta los conceptos fundamentales de la simulación condicional. y aplicaciones prácticas de la simulación condicional. I. casos de regionalización y su ajuste en modelos lineales. presenta los siguientes capítulos. Introduction to non-linear geostatistics: Se dan los elementos fundamentales a la pregunta ¿Por qué la geoestadística no linear?. estimación y dispersión de la varianza. VI. donde se tienen en cuenta: modelos de variogramas. VIII. V. Geostatistical Ore Reserve Estimation. casos de la práctica minera con dos herramientas fundamentales. Kriging Disyuntivo.

Optimization of grade estimation: Kriging: Presenta al interpolador Kriging puntual y de bloque.II. 36 . VIII. The practice of Variogram Modelling: Presenta un estudio Geoestadístico de los diferentes modelos de variogramas que representan la variabilidad de la variable de interés. presentando los problemas de variabilidad. V. IV. presentando ejemplos de aplicación . el Kriging Universal para fenómenos no estacionarios. The Effective Computatión of Block Variances: Un corto capítulo dedicado únicamente al cálculo y aplicación de la varianza de bloques de cualquier tamaño. Constribution of Distribution to Mineral Reserve Problems: Hace una breve introducción a la herramientas de estadística elemental que pueden ser usadas en los problemas de estimación de reservas. Computing Estimation Variances: Precision Problems: Capítulo dedicado a la aplicación de la varianza del error obtenido cuando estimamos volúmenes. presentando dos ejercicios a fin de mostrar lo real de los resultados. presentando ejemplos aplicados. What is a Variogram?: Introduce el variograma. hace un estudio de los problemas más frecuentemente encontrados en este proceso a través de problemas reales. incluyendo la precisión. What is Ore Reserve Calculation?: Presenta los problemas fundamentales de la estimación de reservas minerales. Theoretical Basic of Approach: The Theory of Regionalized Variables: Presenta la teoría de la variable regionalizada formalizada por Matheron en 1965. III. respuesta teórica a los problemas de estimación óptima de bloques. VII. IX. presentando un pequeño programa para calcular la varianza y su solución en muchos problemas de exploración . refiriéndose al salto de los métodos tradicionales a la geoestadística. VI. una guía paso a paso del cálculo de variogramas y su modelaje.

Ciudad de la Habana. 380 p. 1984b. un método de estimación eficiente. Problem with Universal Krigimg. Vol. XIII. No. Tomo 1. XII. M. Editorial ISPJAE. Grade-Tonnage Curves. p. comenzando con las definiciones de reservas y su diferentes parámetros y su influencia en las reservas. 308 p. su propósito es mostrar un conjunto de problemas de tonelaje. M. [Armstrong. Tomo 2. presentando ejemplos. 1. presentando aplicaciones. No. presenta al Co-Kriging en el uso de unas variables para predecir otras.1989a] Alfonso Roche. 37 .W. J. Ore-Waste Selection and Planning Problems: En este capítulo se da respuesta a muchas interrogantes. Mathematical Geology.1989] Barnes.. M. Estadísticas en las Ciencias Geológicas. The Limitations of popular techniques for preproducction reserve estimation. [Armstrong. XI. Estadísticas en las Ciencias Geológicas.. Mathematical Geology.1984b] Armstrong. 3.101-108.305-313. la estimación y la simulación. 1984a.X. Common Problems Seen in Variograms. [Alfonso. thesis of Master of Sciences. 1989b. 16. The University of Utah.. 1989a.. Department of Mining Engineerng. Orebody Modelling: Se refiere a dos clases de problemas a ser resuelto por el modelo minero..R. Ciudad de la Habana.16.1989b] Alfonso Roche. [Alfonso. J. [Barnes. The practice of Kriging: Presenta varios pasos que son reflexiones necesarias al hacer Kriging. 86 p.R. p. Referencias Bibliográficas. Vol. 1989. Editorial ISPJAE. Statistical Problems in Sample Preparation: Hace referencias a los problemas de representatividad de las muestras.1984a] Armstrong.

1986a] Lepin. Elsevier Science Publishers B.. and Ariosa. N. J. O. J.L.1990] Carr..Q. O. and Huijbregts. D..1977] David. 600 p.1997] Cuador Gil.. ISPJAE. Mathematical Geology. Elsevier.. Interpolation and Estimation with Spatially Located Data. 364 p. J.1985] Cressie. Exploración y Evaluación Geólogo Económica de Yacimientos Minrales Sólidos.1980] Freund. Búsqueda... 466 p. p. [Freund.R. Ciudad de La Habana. 1978. C. 1986a.1991] Myers. Editorial Publo y Educación. 93 p.16. No.. B.. Ciudad Habana. Editorial Pueblo y Educación. Exploración y Evaluación Geólogo Económica de Yacimientos Minrales Sólidos. UVKRIG: A Frotram-77 Program for Universal Krigimg. Vol. No. and Ariosa. [Cressie. V. Segunda Parte. G. 1993. 38 . p. Aplicación Geoestadística para el Cálculo de Reservas.2.211-236. Mining Geostatistics.563-586.. 1977. [Cuador. 348 p.1986b] Lepin. 1997. 11.. CREPIAI.E. E. Chemometrics and Intelligent Laboratory Systems. J. Fitting Models by Weighted Least Squares. Amsterdam. p. 17. Vol. Tesis de Maestria en Informática Aplicada. J. [Krajewski.209-228. Búsqueda. Primera Parte. A. Computers & Geosciences. 1985. [David. 1986b. 1990a.1978] Journel. and Gibbs. Geostatitical Ore Reserve Estimation. Gibbs Associates. M. [Journel. 1991a.. D. Ciudad de La Habana. A. Academic Press. Editorial Pueblo y Educación. V. [Lepin.[Carr. 191 p.V. [Lepin. D. A Variaogram Primer. Estadística Elemental Moderna. New York.5. [Myers. 1980.. J.1993] Krajewski. S.

1993.. 1988.[Myers.A. 39 . Geostatistical Semantics.. Krigimg. Italy 27-30 September 1993. International Workshop on Statistics of Spatial Processes-Theory and Applications. [Olea. p. R. MS-WINDOWS Program for exploratory variography and variogram modeling in 2D. Cokrigimg.12. Bari.1992] Myers.. D.2. 24.139-148.1993] Pannatier. Computers Mathematical Application. [Pannatier. Vol. Vol. 1992.1988] Olea.E. 2. Geostatistics. No.4-7. No. Y. Radial Basic Functions and The Role of Positive Definiteness. p.

Sign up to vote on this title
UsefulNot useful