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

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

1962.1977]. 5 .1977]. [Alfonso. 3.Variables aleatorias regionalizadas. que como una variable estadística aleatoria puede tomar cualquier valor dentro de un rango determinado. Capítulos donde se presentan los conceptos fundamentales de la Geoestadística. que se obtiene en los laboreos de exploración. 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.1978] plantea que la definición de variable regionalizada como una variable distribuida en el espacio es puramente descriptiva y no envuelve una interpretación probabilística.regionalizada [Journel. 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. una posición en el espacio.1988] al referirse en este al artículo “Matheron. zi) en el espacio tridimensional. yi. Paris”. en la que particularmente [Journel.1989b] El término Geoestadística fue inventado por el profesor George Matheron [Olea. Memories du Bureau de Researches Geológiques et Minieres.1978].1988]. Al respecto en [Journel. o muestras de afloramiento. hecho este al que Matheron denominó variable aleatoria regionalizada [Olea. sin embargo.1978]. Continuando con el caso minero la información inicial para realizar el cálculo de reservas es el resultado del análisis de los testigos de perforación.1977] se dedica el Capítulo II y V respectivamente a la Teoría de la Variable Regionalizada. sugiriendo un estudio profundo de la función variograma como veremos más adelante.1988] en su trabajos de 1960 interesado en los problemas de estimación de reservas minerales. y se hace necesario realizar un análisis de variabilidad de la información disponible. [David.. todos con una característica fundamental que las distingue. 14. [Olea.[David. G. además de su valor. Vol. Traiteé de Geostatistique Applique.1978] y [David. es muy frecuente que esta funciones varíen tan irregularmente en el espacio que impiden un estudio matemático directo. elaborando una teoría como se presenta en [Journel.

Si la varianza (Var) de Z(xi) existe.1.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. entonces se define como el momento de segundo orden y será también una función de la localización xi. a este conjunto de VA es llamada Función Aleatoria. 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). Var {Z(xi)} = E{[Z(xi) . y se escribe Z(x).m(xj)]} 6 . Según [Alfonso.Conceptos de Variable Aleatoria Regionalizada.m(xi)][Z(xj) .1989b] es importante aclarar varios conceptos en el estudio de la variable aleatorias regionalizadas.Si la función de distribución de Z(xi) tiene una media definida.m(xi)]2} . Momentos de primer orden: . será una función de la localización xi.. Un valor medido es una realización de la VA Z(x1) definida en el punto x1. x ∈ área de estudio).1978] 3. Soporte Geométrico: Está determinado por el elemento físico sobre el cual se realiza la determinación de la variable aleatoria regionalizada. sobre la cual estudiaremos el atributo de interés.1977] y que son utilizados en la mayoría de los artículos consultados donde se aplican los métodos Geoestadísticos como herramienta fundamental de trabajo.1978]. [Pág. 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. m(xi) = E{Z(xi)} Momento de segundo orden: .Es importante aclarar que una Variable Aleatoria (VA) es una variable que puede tomar ciertos valores de acuerdo a cierta distribución de probabilidades. conceptos que se presentan en [Journel. Journel. Localización: Es el punto de una región en la cual se define una variable aleatoria regionalizada. Z(xj)] = E{[Z(xi) . Cov[Z(xi). 29. [David.

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

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

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

⎧ X(n+1)/2 M = ⎨ ⎩ (Xn/2 + Xn/2+1)/2 si n es par. 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. dado por la fórmula: Xm= 1 n ∑ Xi n i =1 4.Moda: Es el valor más frecuente de la distribución. De forma general estas medidas se pueden calcular por: [p(n+1)/100] ésima observación de los datos ordenados ascendentemente.. y Q3 = percentil 75. donde Q1 = percentil 25.Desviación Estándar: Describe la tendencia o dispersión de la distribución. 7. por otra parte si dividimos entre n los valores obtenidos para S2 serían como promedio demasiado pequeño [Freund. sino que se pueden dividir en cuatro partes. 6. donde p es el percentil que se desea calcular. además los datos no solo se dividen en dos grupos. Si ordenamos los datos su orden ascendente podemos calcular la mediana como. 10 . si dividimos por n-1 nos referimos a la varianza muestral (S2) como un estimador insesgado de la varianza poblacional (σ2).Varianza: Describe la variabilidad de la distribución.. si n es impar. cuartiles. 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. 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. La mediana es también llamada percentil 50.Media: Es la media aritmética de la distribución....1980]. 5. si los datos se dividen en 10.3. tenemos los deciles.

Es la medida de desviación alrededor de la media.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.25 y la distribución lognormal o una distribución con tendencia positiva. con colas relativamente anchas. 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. 9.Asimetría: Describe la simetría de la distribución relativa a la distribución normal.25. se les llama leptocúrticas.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 . 11. tienen valores menores que cero. tiene valores de error estándar mayores que 1.. Se calcula por: σ= σ2 8. 10. tienen valores de curtosis mayores que cero.Curtosis: Describe la esbeltez de la distribución. un valor negativo indica una cola a la izquierda y un valor positivo indica una cola a la derecha. A las distribuciones más agudas. y la distribuciones más bien achatadas en el centro se llaman platicúrticas... Se calcula por: α3 = 1 n 3 ∑(Xi − Xm) S3 n i =1 En la distribución normal la asimetría tiene valor cero.

relativa. Para CV > 1 se recomiendan técnicas Geoestadísticas no lineal. 12.1989a].Histogramas: Son usados para ver las características descriptivas de la distribución.. Todos estos elementos permiten decidir las condiciones de estacionaridad vistas 12 . lognormal u otra por ser este el estándar. 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..Prueba t-Student: Se utiliza para determinar si en una distribución bimodal la medias de las poblaciones son estadísticamente diferentes.Mapa base.. sección cruzada y vista en perspectiva: Estos tres gráficos son usados para visualizar la relación espacial en 2 y 3 dimensiones.1. Las técnicas de Geoestadística Lineal producen buenos resultados cuando el coeficiente de variación es menor que uno.Proporciona una comparación entre la variación de grandes valores y la variación de pequeños valores. 2.. En el caso de gráficos estadísticos es útil usar los gráficos de frecuencia absoluta. como se presenta en el software GEOEAS 2. C: Frecuencia Acumulativa: Usado para identificar el tipo de distribución y ayuda a determinar si están presentes poblaciones mixtas. en su lugar puede ser usado la prueba “Kolmogorov Smirnov”. 13.Prueba Chi-Cuadrado: Se utiliza para determinar si la distribución es normal. y encontrar errores. donde se incluyen: 1. B: Construcción de Gráficos Estadísticos: Estos permiten ilustrar y entender las distribuciones de los datos. e identificar datos errados. acumulativa y el diagrama de dispersión. 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. CV < 1. lognormal o alguna otra distribución probabilística.

en [Journel.1993]. o sea: Var(xi. [Krajewsky.1989b]. El ángulo que fija la dirección debe variar entre 13 .anteriormente.. se le llama el prerrequisito para la estimación Geoestadística.1. El cálculo del semivariograma experimental no consiste en un simple cálculo de la ecuación (1). [Journel. 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.1977] y [Pannatier. Aquí aunque no existe un criterio fijo. xi+h) = Var{Z(xi) . [David. jugando el rol central en la geoestadística. En [Alfonso.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. [David. ni una justificación teórica para determinar el número de pares necesarios para calcular cada valor del semivariograma.1993].1993].1978].1978] se sugieren 30 pares como mínimo para obtener una masa estadística suficientemente grande. El semivariograma es una herramienta geoestadística importante en la determinación de las características espaciales de una variable. 6.Construcción del Semivariograma.El semivariograma Experimental El concepto de variograma es uno de los más importantes en la teoría y la práctica geoestadística. según se plantea en [Krajewsky.1977].1978]. 6. [Journel.Z(xi+h)} = 2 γ(xi. 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.

6.2. 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. aspecto que se puede obtener ploteando los valores de Xm contra σ.1977]. de definir tolerancias angular (dα y dβ) y lineal (dh).y βp son los ángulos definido por la dirección de la recta que une los dos puntos del par en cuestión. Y obtener lo que se conoce como variograma relativo [David.1997]. lo que requiere para no ser estrictos en el cálculo.Variogramas relativos (efecto proporcional). γ(h) F(h) = ------Xm2(h) Este variograma se puede modelar y usar en el proceso de estimación que veremos posteriormente. calcular la expresión (1). Esta situación se conoce como efecto proporcional (heterosedasticidad) y ocurre cuando los datos presentan una distribución lognormal. [Journel. Se puede obtener el semivariograma relativo por: 14 .0o y 179o. es decir el coeficiente de variación σ/Xm es aproximadamente constante. Ocho pasos para la construcción del semivariograma en dos y tres dimensiones se presentan [Cuador. con la cantidad de pares que se encuentran separados a una distancia h-dh ≤ h ≤ h+dh. Para cada distancias (h).. 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. donde αp.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.

En [Krajewsky.. Cuando es posible usar en el proceso de estimación dos variables. y ajustar este a un modelo teórico. por ejemplo. [Armstrong.Problemas más comunes encontrados en el cálculo de semivariograma...Población mixta presente en los datos.. 15 .1977].Variogramas Cruzados.Pobre elección de la distancias. que estén correlacionadas.1978] y [David. 6. pero quién ha tratado de hacerlo sabe que no es así. 3. 6...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.3. el contenido de dos minerales diferentes. 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.Valores fuera de límites o distribuciones asimétricas. obtenidos en el análisis de los testigos de perforación.4. 2.No hay suficientes muestras.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. conviene usar los variogramas cruzados como se presentan en [Journel. ajuste que veremos posteriormente. se presentan en [Armstrong. que son: 1.1993] se presentan otras razones por los que los semivariogramas son erráticos: 1. Muchos libros de Geoestadística dan la impresión descabellada de que es fácil calcular el semivariograma experimental.1984a] tres de los problemas que más se presentan en este proceso.

Pequeños o largos conjuntos son necesarios. 6. 10.. [Pannatier.Las muestras pueden tener localizaciones incorrectas... esto puede ser útil para determinar el espaciamiento óptimo a utilizar en el cálculo del semivariogra experimental. 9.1..Pequeñas o largas distancia deben ser calculadas. 7. Una vez construido el semivariograma experimental o empírico es necesario ajustar a este un modelo teórico. [Pannatier..1984a]. de modo que en estos la cantidad de pares encontrados sea suficiente desde el punto de vista estadístico [Armstrong. 3.Las muestras no son representativas del fenómeno.Pequeñas tolerancias es necesarias. [Krajewsky. Una solución a las dificultades planteadas anteriormente puede ser la visualización de la nube de variogramas. [David. 7.1977].Las clasificaciones de las muestras no son válidas. 6.Modelado de Semivariogramas..1993].1978]. 7. 16 .Mas o menos distancias deben ser calculadas.Parámetros del semivariograma.1993]. la elección adecuada de los intervalos de distancias en los cuales será calculado el semivariograma.Nube de variogramas.. [Krajewsky.. De acuerdo a la experiencia.Las valores muestreados pueden ser malos.2...El área estudiada es no homogénea. 4. con el objetivo de determinar los parámetros descriptivos del semivariograma que posteriormente serán usados en la estimación. [Journel..5. 5.. 8.1993]. el problema fundamental en la obtención de un semivariograma correcto es.1993]. 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.

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

Su comportamiento en el origen.1978].1989b]. 7.2.. La traducción de los tres parámetros del semivariograma fue tomada de [Alfonso.abscisa es una fracción del propio alcance. Con comportamiento linear en el origen a) Esférico.. [David. pueden ser clasificados según [Krajewsky. único libro consultado escrito en idioma Español. 2.La presencia o ausencia de meseta. b) Exponencial.. el cual puede ser linear. Dos características importantes en el modelado de variogramas son: [Journel.Modelos Teóricos más importantes. 18 . fracción que se detallara posteriormente en la explicación de los modelos teóricos γ(h) C Co h a Figura 1: Parámetros del semivariograma. además de la experiencia adquirida en participación en las discusiones en los Talleres Nacionales de Matemáticas en las Geociencias.1977] en: Modelos con meseta.1993]. Los modelos teóricos [Journel. parabólico y con efecto pepita.1978] 1.

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

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

..Yacimientos que carecen de un modelado geológico propio.Note que en este modelo log h → -∞ cuando h → 0.. [Journel. 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. 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. 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. Modelo Lineal. 21 . [Krajewsky.Yacimientos con alta asimetría en la distribución. que a medida que aumenta h. 4.Yacimientos sin una adecuada perforación. el valor de el Alcance (a) permanece constante. La selección del modelo del semivariograma se puede realizar de forma visual o automática.. nombrándose estructuras imbricadas.1978].1977] La selección del modelo y los parámetros apropiados a las características del semivariograma empírico.1993]. γ(h) = Co + C (h/a) Note en este modelo. 8. 2. para ser usados en la interpolación Geoestadística que veremos posteriormente. es el punto más importante en este proceso planteando. [David.Ajuste Visual y Automático. por tanto este modelo no puede ser usado para describir la variabilidad de regionalizaciones en soportes puntuales. Estos modelos pueden ser ajustados individualmente. 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.Yacimientos con irregularidad en la densidad de barrenos..

EsteOeste.De forma visual como se presenta en [Krajewsky.1978] Anisotropía Geométrica: Está presente cuando los semivariogramas en diferentes direcciones tiene la misma meseta pero distinto rango. [David.1993]. pero estas características pueden variar en otras direcciones como se discute en [Krajewsky.1993]. en [Cressie. tomando de este entonces los valores de los parámetros del semivariograma. etc.1977]. [Journel.1977]. se discutirá en la validación del modelo más adelante.1985] se sugiere una forma particular de aplicar el método de los mínimos cuadrados y de esta forma obtener el modelo y sus parámetros. recomendándose en [Journel. 22 . se dice que es isotrópico .).1978]. que consiste en seleccionar uno de los modelos teóricos de semivariograma conocido que mejor se ajuste a las características o aspecto del semivariograma experimental. con tolerancia de 22. muestra similar comportamiento. El ajuste realizado de forma automática no tiene porque reportar mejores resultados en el proceso de estimación. exigiendo la aplicación de esta forma un análisis de anisotropía. [Journel.1977] y otros validar el modelo seleccionado de acuerdo al estimador a utilizar. Los tipos de anisotropías más comunes son Geométrica y Zonal. Cuando el semivariograma calculado en diferentes direcciones (Norte-Sur.1978]. [Krajewsky. La forma automática ha sido presentada por varios autores. [David. 9.. y en direcciones intermedias de 45º. Cuando muestra diferentes comportamientos es anisotrópico [Krajewsky. [David. Un criterio decisivo independiente de la forma utilizada en la elección del modelo teórico y sus parámetros.5o.1978]. Conviene aquí realizar un análisis sobre el comportamiento de la variabilidad del atributo en estudio. [Journel.1993]. Como se conoce el semivariograma describe las características de la variable regionalizada en una dirección.Análisis de anisotropía.1993].

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

El valor estimado Z*(xi) se calcula por Krigeage explicado más adelante. a) La media de los errores sea próxima a cero. En realidad este criterio es de escaso interés en la estimación del semivariograma.1978].Z(xi) i = 1. . Sea Zx1. .1977]. La validación cruzada consiste en suprimir el i-ésimo valor medido Z(xi) y estimarlo a partir del resto de los datos. 2. e) Valor medio de las varianzas del krigeado igual a la varianza de los errores de 24 . . Por tanto los E(xi) tendrán siempre media nula cualquiera que sea el semivariograma que se utilice. 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. Puesto que σi2 es la varianza de E(xi). Zxn los valores de Z(x) en n puntos medidos. sin embargo suelen ser mayores en los puntos muy distanciados del resto de los datos. su función de covarianza C(h) viene dada por C(h) = σ2 . d) Mínimo valor medio de las varianzas del Krigeado (σi2). b) Mínimo error cuadrático medio.Sea Z(x) una Función Aleatoria estacionaria con semivariograma γ(h). [David. ya que los valores krigeados son insesgados independientemente del modelo de semivariograma utilizado. . de modo que se pueden calcular n errores de validación: E(xi) = Z*(xi). . tiene un efecto dominante en el error total. . 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. De esta forma los mayores errores normalmente situados en el contorno de la zona de estudio. Los errores de krigeado. . Así se van probando diferentes valores de los parámetros del semivariograma hasta que los errores de validación cumplen los siguientes criterios estadísticos: [Journel. su valor esperado es igual a uno. Zx2. 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). n. . Si se repite este proceso para los n puntos.γ(h) donde σ2 es la varianza de Z(x).

La medida.Anisotropía geométrica esta presente: Indica que los variogramas 25 . 5... debe ser uno.Z*(xi)]/σ}2.1.. f) Ausencia de correlación (Corr) entre los errores y los valores de [Z*(xi) ..La medida..El error medio cuadrado. debe ser igual a uno. debe ser Otros autores solo plantean que la medidas fundamentales son la indicada por T1 y T3.n [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. 3.Problemas más comunes encontrados durante el modelaje de semivariogramas.Z*(xi)].. Este criterio se cumple cuando las variables Z(x) siguen una distribución normal. T1 = (1/n) ∑i=1. En otras palabras E(xi)/σi deben seguir una distribución de Gauss con media nula y varianza igual a la unidad.1992] 1. Z*(xi)}. 1. en general sin embargo los errores normalizados no tienen porque satisfacer este criterio. dado por T2 = (1/n) ∑i=1.Z*(xi)]2. La medidas fundamentales a tener en cuenta para aceptar un ajuste son: [Myers. h) Los errores normalizados [Z*(xi) .n [Z(xi) . 2.Z*(xi)]/σ. debe ser pequeño. 10.1993] al modelar semivariogramas se pueden presentar los siguientes problemas.. Z*(xi)}. T5 = Corr{Z(xi). g) Coeficiente de correlación entre los valores krigeados y los medidos próximo a uno.validación.Z(xi)]/ σi deben situarse a los largo de una recta en papel probabilístico normal. que complican este proceso.n {[Z(xi) . Según [Krajewsky. dado por aproximadamente igual a cero. T3 = (1/n) ∑i=1. T4 = Corr{[Z(xi) . 4. debe ser cero.El error medio.La medida.

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

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

[Barnes.Z(xi) * (3) 28 .1989]. entonces el valor de z en cualquier localización dentro del triángulo se puede obtener sustituyendo su coordenadas en la ecuación (2).2.Inverso de la distancia. 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] La ecuación del plano es: Z=ax+by+c (2) Cada muestra tiene coordenadas (x.[David.n -----------.1977] 11. Generalizando obtenemos: 1/doi Z (x) = ∑i+1. Existen varios métodos para obtener los triángulos dentro de los cuales el más utilizado es el de Delauney [Barnes.. y) y z representa el valor muestreado.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 consiste en ajustar un plano que pase por las tres muestras mas cercanas y adyacentes a la localización que se desea estimar. Este método se basa en una combinación lineal dada por: [Barnes. b y c.

Uso del semivariograma teórico ajustado .1977] 1. Inicialmente Matheron denominó a esta técnica Krigeage que en ingles se convierte en Kriging [Olea. se apoyo en la ideas iniciales de un ingeniero en minas sudafricano Danie G. el proceso de estimación por el popular (dentro de la Geoestadística) método llamado Kriging.. La interpolación Geoestadística se basa fundamentalmente en 3 pasos [Journel. obtención del semivariograma empírico. el cual interesado en los problemas de estimación de reservas minerales.. hecho por el que surge este interpolador y la Geoestadística en general.1988].n1/doj Se pueden obtener distintos estimadores si escribimos la ecuación anterior como: (1/doi)ω Z*(x) = ∑i=1.Análisis de variabilidad.Interpolación Geoestadística.1988] término que tiene su origen en el apellido de Krige reconociendo de esta forma su inspiración inicial de minimizar la varianza de estimación. Kriging es un término creado por George Matheron en sus trabajos en 1960. sin tener en cuanta un análisis de variabilidad en la información disponible. 2. [Olea. Veamos ahora un método que utiliza estos términos denominado krigeage.∑i=1.1978]. Kriging en una técnica de estimación que proporciona el mejor estimador lineal 29 . 12.n(1/doj)ω Note que si ω = 1 Obtenemos la ecuación (3).Z(xi) ∑i=1. 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.. [David.n ---------------. 3. Krige quien desarrollaba sus trabajos sobre evaluación de minas de oro.Ajuste a un modelo teórico. y selección adecuada del semivariograma y sus parámetros..

.1978].Kriging Simple (KS).n λj γ(xi.. xj) .γ(xo. xi) Con varianza de estimación: σ2KS = ∑j=1.xo) γ(xi.xn) γ(x1. [M2] = γ(x1. λi(xo) son los pesos de cada localización conocida con respecto a xo. en ingles..1977].x1) λ1 λ2 [λ] = .. xo) y en forma matricial el sistema KS puede ser expresado como: [K] [λ] = [M2] [λ] = [K]-1 [M2] y σ2KS = [λ]t [M2] . xj) es el valor se semivariograma teórico obtenido en el ajuste. xj) = γ(xo. 30 ∀ i = 1.xj) γ(xn.xo) donde: [λ]t es la transpuesta del vector [λ]. [David. [David. γ(xi.imparcial (BLUE. [Myers. Best Linear Unbiased Estimator) [Journel. γ(x1.n λi(xo) [Z(xi) .1978].n .xj) γ(x1. 12. .1977].xj) γ(xi.x1) γ(xn. El sistema Kriging.1.1991]. m es el valor medio de los datos muestreados. xo es la localizacion a estimar.n λj γ(xo.xo) .1992].xn) γ(xn. [Myers. puede presentarse en su formulación final de acuerdo a las siguientes variantes.m] Sistema: ∑j=1. deducción teórica que se puede encontrar en [Journel.x1) [K] = γ(xi. Su formulación final es: Estimador: Z*KS(xo) = m + ∑i=1. xi y xj son la localizaciones i y j respectivamente.γ(xo.xn) γ(xi.

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

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

Una variante de Kriging que tiene en cuenta esta situación... para tratamiento de datos débilmente estacionarios y con tendencia llamada Kriging Universal (KU) [Carr.La solución de la ecuación para KU difiere de la solución para KS o KO. Al respecto [Armstrong.coordenadas para modelar la tendencia.1978] 14. Es posible encontrar casos de variables insuficientemente muestreadas. [David. 2. pero que se conoce su correlación con otras variables en la zona de interés [Journel.La indeterminación en la tendencia. en 1962 y descrita por Matheron en 1969.L al fl(x) donde al son coeficientes y fl es la función que describe la tendencia. Concluye que estas tres dificultades no son insuperables. S.Es difícil obtener el semivariograma para datos débilmente estacionarios. A.1984b] presenta los problemas más comunes al utilizar KU que son: 1. El sistema KU puede ser reducido a KO si L=0.1978].1977]. 2. es decir: m(x) = ∑l=1. La aplicación de KU a datos débilmente estacionarios es difícil por tres razones: [Carr. En este caso se utiliza una variante conocida como Co-Kriging... [David.El orden de la tendencia para datos débilmente estacionarios debe ser modelado.1990].1990] 1. 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.1977]. 3..La indeterminación en el variograma. [Journel. Co-Kriging. fue desarrollada por Goldberger. siendo una extensión 33 .1978]..Variables correlacionadas.

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

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

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

Problem with Universal Krigimg.X. Mathematical Geology. XII. presentando ejemplos.. 1. Grade-Tonnage Curves. un método de estimación eficiente. 1989b. Editorial ISPJAE. Statistical Problems in Sample Preparation: Hace referencias a los problemas de representatividad de las muestras.101-108. p. [Alfonso. [Barnes.1984b] Armstrong. presentando aplicaciones. presenta al Co-Kriging en el uso de unas variables para predecir otras. XI. Tomo 2. 1984b. [Armstrong. 308 p. Orebody Modelling: Se refiere a dos clases de problemas a ser resuelto por el modelo minero. M. No. thesis of Master of Sciences. 37 . [Armstrong.R. J. M. 1989a. The Limitations of popular techniques for preproducction reserve estimation.R. The University of Utah. Estadísticas en las Ciencias Geológicas. comenzando con las definiciones de reservas y su diferentes parámetros y su influencia en las reservas. Estadísticas en las Ciencias Geológicas. Vol. [Alfonso. Common Problems Seen in Variograms.1984a] Armstrong. p. Ciudad de la Habana. Mathematical Geology.305-313. The practice of Kriging: Presenta varios pasos que son reflexiones necesarias al hacer Kriging. J..W. Ore-Waste Selection and Planning Problems: En este capítulo se da respuesta a muchas interrogantes. 380 p. 16. XIII. Ciudad de la Habana.1989a] Alfonso Roche. 3. Editorial ISPJAE.. Referencias Bibliográficas. su propósito es mostrar un conjunto de problemas de tonelaje. Vol. 86 p.1989b] Alfonso Roche. Department of Mining Engineerng. No. 1984a. Tomo 1. 1989.1989] Barnes.16.. M. la estimación y la simulación..

1977] David. 1985..1997] Cuador Gil. Chemometrics and Intelligent Laboratory Systems. Ciudad Habana. [Lepin. [David. A Variaogram Primer. Gibbs Associates.209-228. No. Mathematical Geology. B.E. Elsevier.1986a] Lepin. p. Academic Press. J. M. and Gibbs. N. A. [Krajewski.1986b] Lepin. 1986b.. J.[Carr...V. Aplicación Geoestadística para el Cálculo de Reservas. and Ariosa. Tesis de Maestria en Informática Aplicada. J. J.. [Cuador. CREPIAI.563-586. [Journel. V. Mining Geostatistics. Vol.L. Ciudad de La Habana. A. ISPJAE. 1997..16.5. 1990a. Segunda Parte. UVKRIG: A Frotram-77 Program for Universal Krigimg. 17. V. Elsevier Science Publishers B. Computers & Geosciences.2.1990] Carr. 38 . O. p.. 11. 1993. D. G. Primera Parte.1985] Cressie.1980] Freund. S. Editorial Pueblo y Educación. Editorial Pueblo y Educación. C.. Exploración y Evaluación Geólogo Económica de Yacimientos Minrales Sólidos. J. 191 p. No. Vol. 1978. Exploración y Evaluación Geólogo Económica de Yacimientos Minrales Sólidos. Búsqueda. p. 1986a.R. O. 364 p.1993] Krajewski.211-236. 1980.. 93 p. [Lepin. E. and Ariosa. D. Ciudad de La Habana.. 466 p. Editorial Publo y Educación. Interpolation and Estimation with Spatially Located Data. [Myers.. Fitting Models by Weighted Least Squares. 1977. [Cressie. New York. D. and Huijbregts.Q. Estadística Elemental Moderna. 600 p. Amsterdam. 348 p.1978] Journel.. 1991a.1991] Myers.. J. Geostatitical Ore Reserve Estimation. [Freund. Búsqueda.

2.A. Krigimg. 1988..4-7.1993] Pannatier. Bari. R.[Myers. 1993. No. 2. Vol.E. Vol.. D.12. [Pannatier..1988] Olea. Geostatistics.139-148.1992] Myers. No. [Olea. Cokrigimg. Italy 27-30 September 1993. 39 . p. Computers Mathematical Application. MS-WINDOWS Program for exploratory variography and variogram modeling in 2D. International Workshop on Statistics of Spatial Processes-Theory and Applications. Y. p. Geostatistical Semantics. 24. Radial Basic Functions and The Role of Positive Definiteness. 1992.