Geoestadística Minera Aplicada

Joel Peña Abregú

Lima, Perú

1
 Geoestadística Minera Aplicada

1. Introducción y definiciones.
2. Revisión de los Métodos Tradicionales de Estimación
3. Prerrequisitos Geológicos.
4. Prerrequisitos Estadísticos.
5. El Variograma: Cálculo e Interpretación.

2
 1. Introducción y definiciones.

3
 Objetivos y Lineamientos
 Este es un curso introductorio a la Geoestadística aplicada a la actividad Minera
para Geólogos e Ingenieros con poca o ninguna exposición previa a esta
materia.
 El objetivo de este curso es dotar a los participantes de:
 Un conocimiento fundamental sólido de los conceptos y métodos de la
geoestadística aplicada a la minería.
 Un entendimiento de cómo la geoestadística puede ser usada para crear
modelos numéricos de los Recursos de un Yacimiento, integrados a la
comprensión de la geología de este.
 Herramientas para la aplicación práctica de la geoestadística en diversas áreas
de la actividad minera.
 Los elementos de la geoestadística avanzada.
 Entrenamiento básico en el uso del software geoestadístico ISATIS.
 El material y la didáctica siguen los lineamientos del Centre de Géostatistique
de la École Nationale Supérieure des Mines de Paris, y del Centre for
Computational Geostatistics de la University of Alberta.
4
 Contexto General: El Modelado Numérico
 Modelo: Representación abstracta o concreta
de un objeto o sistema desde un punto de vista
en particular y con fines particulares.
 Históricamente la ciencia se ha ocupado de
recolectar datos y experimentar
extensivamente para luego deducir leyes y
relaciones.
 Actualmente la ciencia esta abocada
mayormente a entender y cuantificar las leyes
físicas, y a crear modelos numéricos de los
fenómenos.
 Se acepta que la incertidumbre es ubicua y no
puede ser eliminada.

5
 Contexto Particular: El Modelado Geológico de
yacimientos mineros.
Adquisición, Manejo  Modelado Geométrico
Basado en el libro “Practical Geostatistics, Modeling and Spatial Analysis”, por Simon W. Houlding

Y Validación de Datos

 Representación 3D de las
Mapeo
Geológico
Datos de
Taladros y Canales
características geológicas del
Muestras de
yacimiento.
Observaciones: Taladros y
Mapeo + Logueo Canales  Creación de dominios para la

Interpretación Análisis Estadístico interpolación de leyes

Interactiva Influencias y Geoestadístico
Geológicas
Estructuras +
Litología  Modelado Numérico
Modelos Estimación / Simulación  Representación y análisis de la
Geométricos de Leyes
Controles
de mineralización
Valores
variabilidad espacial de una variable
Estimados y
Certeza de
regionalizada
Estimación

Dominios
 Permite la estimación y
Geológicos 3D Modelo de
Bloques manipulación de los valores
Modelo de requeridos para el control de leyes y
leyes 3D Modelado
Modelado
Geométrico Numérico el inventario de Recursos y
Inventario de
Recursos
Reservas
6
 La Geoestadística
 La Geoestadística es una rama de las matemáticas aplicadas,
específicamente de la Estadística Espacial, que comprende una serie de
técnicas interrelacionadas cuyo objetivo es proveer una descripción
cuantitativa de variables distribuidas en el tiempo o en el espacio por
medio de la aplicación de métodos probabilísticos.

7
 El desarrollo de la Geoestadística
 La Geoestadística se inició en los 60’s por Krige y Sichel en África del Sur y Matheron en
Francia.
 El profesor Georges Matheron (1930-2000) elaboró los mayores conceptos de la teoría
para la estimación de recursos, los cuales se plasmaron en el monumental Traité de
Géostatistique appliquée (1962-1963).
 Dos de los primeros discípulos de Matheron (Journel y David) fundaron en EE.UU. y
Canadá nuevos centros de investigación geoestadística en los 70’s.
 Rápidamente la aplicación de las técnicas geoestadística llegó a ser popular en la minería
y meteorología.
 Las aplicaciones en la industria del petróleo se difundieron a mediados de los 80’s con el
uso de la simulación condicional.
 Actualmente estas técnicas son aplicadas en los campos mas diversos, desde la industria
pesquera y forestal, hasta las ciencias ambientales y la epidemiología.

8
 ¿Para qué y para que no sirve la Geoestadística?
 La geoestadística:
 Incluye todas las restricciones geológicas y físicas conocidas
 Provee herramientas para cuantificar y aprovechar la correlación espacial de las variables.
 Provee algoritmos para el modelado geológico numérico y la cuantificación de la
incertidumbre.
 No hace el proceso de modelado mas fácil
 La Geoestadística es útil para:
 “Poner la geología en números”
 Estimación
 Cuantificar la incertidumbre
 Diseño de muestreo
 Simulación / Análisis de riesgos.
 La Geoestadística no:
 Reemplaza datos adicionales de calidad
 Reemplaza al sentido común y crítico
 Trabaja bien como una “caja negra
 Ahorra tiempo.

9
 Aplicaciones de La Geoestadística en la Minería.
 Estimación de Recursos
 Optimización de la malla de taladros y del muestreo
 Optimización del control de leyes
 Modelado de variables categóricas (tipos de roca)
 Creación de mapas de anomalías para la exploración geoquímica.
 Modelado de variables geomecánicas y de fracturas.
 Modelado de las propiedades metalúrgicas del mineral in situ.
 Modelado del potencial de generación de drenaje ácido de la roca in situ.
 Cuantificación de la incertidumbre geológica y de leyes en los recursos.
 Análisis de riesgo y sensibilidad en los recursos.

10
 Algunos Conceptos geoestadísticos clave (1)
 Campo: Zona de Estudio.
 Soporte: Volumen y calidad de la
muestra.
 Variable Regionalizada (V.R.): Es
cualquier variable distribuida en el
espacio y/o el tiempo cuyo valor
depende de su ubicación espacial y/o
temporal y al mismo tiempo presente
interdependencia o asociación espacial
y/o temporal con los valores vecinos.
11
 Ejemplos de Variables Regionalizadas en
la Minería y Geología:
 Las leyes de los metales y la
concentración de contaminantes.
 La litología y alteraciones
 La densidad de las fracturas.
 La elevación topográfica.
 El espesor de los estratos y la
potencia de las vetas.
 Etc.
 Una variable regionalizada esta
compuesta por un componente aleatorio
y un componente estructurado.
 1.9 Algunos Conceptos geoestadísticos clave (2)
 Función Aleatoria: Los valores en puntos
 (Auto)correlación o
no muestreados son conceptualizados como interdependencia espacial: En la
realizaciones z(x) de una función aleatoria naturaleza es muy común que los
Z(x). Las leyes verdaderas, pero siempre valores de una variable tomen valores
desconocidas, del yacimiento conforman una muy similares a sus vecinos en el
realización particular de Z(x). espacio y/o tiempo. Este
Esta conceptualización permite el uso de comportamiento observable de las
métodos probabilísticos al estudio de las variables naturales es medido y
variables regionalizadas. aprovechado por la geoestadística.

12
 1.9 Algunos Conceptos geoestadísticos clave (3)
 Hipótesis de Estacionareidad: La
inferencia estadística en el espacio depende de
que la distribución de la V.R. sea invariante en
todo el campo, particularmente que la media
y la varianza sean constantes
(Estacionareidad fuerte).
Sin embargo, esta hipótesis no siempre puede
ser justificada, por lo que la geoestadística
hecha mano a la hipótesis de
estacionareidad débil: que la media sea
constante y que se pueda medir la
interdependencia espacial.
Existen diversos métodos para convertir un
fenómeno no estacionario a uno estacionario.
13
 Incertidumbre: Si las partes del
yacimiento que no han sido
muestreadas fueran excavadas y
muestreadas exhaustivamente y sin
error, cualquier modelo numérico
elaborado con los datos originales
resultaría erróneo.
 La incertidumbre no puede ser
eliminada
 Existe debido a nuestra ignorancia y
falta de información y conocimiento.
 No es una propiedad inherente al
depósito.
 2. Revisión de los Métodos Tradicionales de Estimación.

14
 Promedio Ponderado en Paneles
 Es usado comúnmente para la estimación de
V  A l
recursos en vetas.
T  V 
 Primero se calculan las leyes promedio de las
labores (Ll) adyacentes promediando las leyes de las  El resultante modelo de leyes del
muestras z(xi) ponderas por su longitud li: yacimiento se presenta como un conjunto
de valores constantes para cada panel.
m

 L  Es muy sensible a las aglomeraciones de

n

 l z( x )
i i l l
datos y requiere asumir la influencia de
Ll  i Lp  l
m las leyes de una forma difícil de justificar

n

l
i
i
l
l geológicamente.

 La ley final del panel (Lp) se obtiene promediando

las leyes de las labores (Ll) ponderadas por su
longitud (Λl)
 El volumen (V) y el tonelaje (T) de panel es
calculado como el producto del area del Panel (A) y
la potencia promediol ( ), y luego por la densidad
promedio (δ) de la roca in situ:

15
 Poligonales
 Es empleado con taladros verticales.  El modelode leyes resultante es un
 A cada taladro se le asigna una zona de
mosaico de áreas de ley constante.
influencia poligonal.  Remueve el sesgo producido por la
aglomeración de datos.
 Los polígonos son construidos intersecando las
perpendiculares a los puntos medios de los
segmento que unen los taladros.

 El volumen de influencia de cada taladro

equivale un prisma cuya sección es el polígono y
de altura igual a la profundidad del taladro
central.

 A cada prisma así construido se le asigna una ley

constante que corresponde a la ley promedio
del taladro central.

16
 Inverso de la Distancia
 Se usan todas las muestras circundantes,
asignando a cada una un peso inversamente
proporcional a su distancia al bloque, según
la siguiente fórmula:
Donde:
n
1
 d 
zi v* es el valor estimado del
bloque, z1, …zn son las leyes
v  i 1n
* i
de las n muestras circundantes
1
i 1 d i

di es la distancia del bloque a
cada una de estas muestras.
α es un factor ≥ 0

 Este método puede atribuir demasiado peso a las

muestras cercanas a los bloques.
 El modelo resultante muestra un zoneamiento
gradual de valores altos y bajos.
 Es también muy sensible a la aglomeración de
datos.
17
 El exponente α regula la influencia de las
muestras cercanas vs. las lejanas, y por ende
el suavizado de los resultados.
 Este factor se determina por ensayo y error,
sin relación directa a la continuidad de las
leyes.
 Principales deficiencias de los métodos
tradicionales de estimación.
 No usan una medida de la correlación espacial de las leyes, debido a esto:
 No discriminan entre regiones donde las leyes se comportan regularmente de otras
donde pueden ser mas aleatorias.
 No distinguen las direcciones preferentes de la continuidad de las leyes.

 No propician la inclusión de criterios geológicos en el modelado numérico de

las leyes.
 Son métodos determinísticos, no proveen medidas del error de estimación.

 Presentan un sesgo condicional muy pronunciado, es decir, la sobreestimación

de las zonas de baja ley, y la subestimación de zonas de alta ley.

18
 3. Prerrequisitos Geológicos.

19
 Dominios de Estimación
 Diferencias en la media, la distribución, el error
estándar y/o la variabilidad espacial entre grupos de
muestras, en diferentes partes del yacimiento o área
de estudio, son usados para delimitar los dominios
de estimación.

 Las diferencias en la mineralogía, la metalogénesis,

el estilo de la mineralización, la presencia de
estructuras que actúan como focos de alimentación
“feeders” o límites de la mineralización, alteraciones
y tipos de rocas o estratos favorables a la
mineralización, es decir todos los controles de
mineralización, deben ser también considerados
para definir los dominios de estimación.

 De similar forma, en las aplicaciones ambientales es

preciso reconocer las características del entorno
que podrían afectar la distribución de la variable
analizada.
20
 Delimitación de los Dominios de Estimación
 La delimitación de los dominios de estimación
debe ser hecha teniendo en cuenta tres tipos
de contactos:
 Contactos Geológicos: Son limites o
superficies entre diferentes tipos de roca,
edades de los estratos, o características de la
roca. Entre estos, los contactos estructurales
pueden actuar como límites de la
mineralización, pueden ser conductos o
albergar la mineralización, o pueden ser
causantes de estilos de mineralización
diferentes.
 Contactos de Mineralización: Son limites
entre los cuales la mineralización, o la
distribución de las leyes se comporta de forma
diferente.
 Contactos Económicos: Son límites entre
cut-off’s o materiales diferentes, delimitan
porciones del yacimiento que deben ser
21 extraídas y tratadas de forma diferente al resto
 El Modelo de Bloques
 Un modelo de bloques es un arreglo 3D de
volúmenes rectangulares de dimensiones
regulares.
 También puede ser entendido como una
grilla ortogonal 3D.

 Es determinado por un origen, orientación,

las dimensiones de cada volumen individual
(bloque) y su extensión XYZ en un sistema
de coordenadas relativo.
 El tamaño de los bloques es determinado
según los objetivos de la caracterización 3D,
la distribución espacial de las muestras, los
requerimientos de la estimación
geoestadística y las condiciones de minado.

22
 Objetivos del Modelo de Bloques
 El principal objetivo del modelo de bloques
es proveer un medio para la representación
de la variación de una variable
regionalizada.

 La variabilidad de esta variable es

representada asignando valores apropiados
a los centroides de cada bloque.

 Un objetivo secundario es proveer una

plataforma para la manipulación de la
variable según los objetivos de la
caracterización.

23
 Integración del Modelo de Bloques y los Dominios
de Estimación
 Los volúmenes geológicos son intersecados
con el modelo de bloques, determinándose
de forma precisa que bloques, y cuanto de
ellos, caen dentro de cada dominio.
 De esta forma se asigna valores categóricos
que dependen del dominio intersecado a
cada bloque.
 Esto nos permite limitar la estimación de
una variable en aquellos bloques que
intersequen un dominio o característica
geológica particular.
 Cada bloque puede intersecar mas de una
característica geológicas

24
 4. Prerrequisitos Estadísticos.

25
 La Función de Distribución Acumulada (CDF)
 Se define como la probabilidad de no
exceder un cut-off z:
F ( z )  Prob{Z  z}  [0,1]
 Propiedades:
 F(z) no decrece
 F(z) є [0,1]
 F(-∞) = 0, y F(∞) = 1
 La curva de Hazen: Presenta los intervalos
de probabilidades distorsionados, de forma
que la distribución acumulada se aparece
como una línea recta si la distribución es
normal y se emplea una escala aritmética, o
si la distribución es lognormal y se emplea
una escala logarítmica.

26
 La Función de Distribución de Probabilidades PDF)
 La PDF es la derivada de la CDF:
 El Histograma: Presenta el porcentaje
(frecuencia) de muestras que se encuentran
F ( z  dz)  F ( z )
f ( z )  F ( z )  lim distribuidos en cada intervalo de valores.
dz 0 dz


F ( z)   f ( z)dz

Dist. simétrica

Dist. Sesgada a la derecha

Distribución multimodal

27
 Cuantiles
 El Cuantil p de la distribución F(zp) es el
valor zp para el cual:

F ( z p )  Prob{Z  z p }  p [0,1]

 Por lo tanto, el Cuantil puede ser

expresado por la forma inversa del CDF:

q( p)  F 1 ( p)
 1er cuartil: p = 0.25
 2do cuartil: mediana, p = 0.5
 3er cuartil: p = 0.75
Intervalo del 90% de
probabilidad.

28
 Medidas de Tendencia Central
 La Media: Es el valor mas representativo de una  Media o Valor esperado de una
distribución simétrica o normal. distribución:
 Para muestras de igual soporte: 
E{Z }   z  f ( z)dz

1 n
m   xi
n i 1
 Para muestras de soporte diferente:  Propiedades:

n
E{a}  a
 i xi
Donde xi, son las leyes
n es el numero de muestras, y
E{aZ}  aE{Z }
i m i 1 es el peso de cada muestra
E{ X  Y }  E{ X }  E{Y }
n


i 1
i

 La Mediana: es el valor que divide un grupo de

muestras o una población en dos mitades iguales

29
 Medidas de Dispersión
 La Varianza. Es el promedio del cuadrado de las  Varianza de una distribución:
diferencias entre los valores y la media. Se
expresa como: 
 2  E [ Z  m]2  E Z 2  m 2   
 Var{Z }
n
s   ( xi  m) 2 / n  1
2

i 1

 Varianza ponderada:
 La Desviación Estándar. Es la raíz cuadrada
de la varianza, tiene la ventaja que puede ser n  n 
expresada en las mismas unidades que los datos. 
i 1
i  zi2 
  i m 2

 i 1 

s2 
s   s2  n 
 El Coeficiente de Variación. Se calcula como n 

 i 

el cociente entre la desviación estándar y la
media:
  i 
i 1 
i 1
n


Es usado para comparar la variabilidad de las
 
 
leyes relativa a la media entre diferentes
dominios o yacimientos.
CV  s / m
30
 La Covarianza
 Es la extensión de la varianza a dos variables.

Cov{ X , Y }  E{[ X  m X ][Y  mY ]}

 E{ XY }  m X E{Y }  E{ X }mY  m X mY .
 E{ XY }  m X mY  m X mY  m X mY
 E{ XY }  m X mY

 La covarianza entre la misma variable es la varianza:

Cov{X , X }  Var{X }

31
 Correlación
 El coeficiente de correlación es una medida  Gráfico de Correlación
de dependencia lineal entre dos variables:
Cov{ X , Y }
 XY   [1,1]
Var( X )Var(Y )

 También se le conoce como “covarianza

estandarizada”

 Si  XY  1 , las dos variables están

perfectamente correlacionadas.

 Si las variables son independientes el

coeficiente de correlación es cero.

 Si  XY  0 no implica que las dos

32
variables sean independientes.
 Altos Erráticos
 Un alto errático es un valor que es mucho mas alto que el resto de la población,
particularmente en comparación a los valores de las muestras vecinas.
 No es lo mismo “Errático” que “Erróneo”.

 Existen métodos estadísticos de identificación de altos erráticos pero sus resultados

deben ser validados por la observación y el sentido común.

Grupo de leyes
Que se separan
de la tendencia

 Los altos erráticos también pueden ser identificados visualmente o usando una curva de Hazen.

33
 Tratamiento de los Altos Erráticos
 Los altos erráticos pueden ser indicadores de
zonas anómalas interesantes o en algunos casos
la presencia de unos cuantos puede determinar
la viabilidad de un proyecto. Debido a esto no
siempre la mejor solución es eliminarlos o
reducirlos a un valor arbitrario.

a) Corrección usando el Gráfico de Hazen:

Los valores mas altos son transformados
haciendo que caigan sobre la recta que
forman los valores mas bajos en el gráfico

b) Reducción del valor mas alto.

Si hay un solo valor que es significativamente
superior que los demás, entonces este valor
mas alto puede ser reducido al valor
inmediatamente inferior.
34
 Desaglomeración (Declustering)
 Es una práctica común que se
tomen mas muestras en las zonas
ricas que en las zonas de baja ley.
Esto produce un sesgo en las
estadísticas e incluso la
sobreestimación de la ley.

 Esta no es necesariamente una

mala práctica y no debe ser
cambiada, ya que proporcionan
mayor información en las zonas
mas importantes del depósito.

 Para reducir este sesgo y obtener

un conjunto de datos
estadísticamente representativos
es necesario aplicar una de las
técnicas de “desaglomeración”

35
 Métodos de Desaglomeración
 Para un tamaño fijo de celda y diferentes  Desaglomeración poligonal:Cada
orígenes producen diferentes pesos. muestra es ponderada por el área de su
 Esto se evita considerando múltiples orígenes. polígono de influencia.
 El tamaño de celda óptimo es el que minimiza la  Es difícil de implementar en 3D
media desaglomerada.

 Desaglomeración por celdas.

 El volúmen de interés es dividido en una
malla de celdas regulares. I=1,….,L
 Se registra el número de celdas ocupadas L0
y el número de muestras en cada celda ni:
i  1 (ni  L0 )
36
 Modelos Paramétricos de Distribución
 Existen muchas distribuciones de
probabilidades (PDF o CDF) cuyas formas
puede ser descrita por una expresión
analítica que depende de un número finito
de parámetros.

 En geoestadística la mas usada es la

distribución gaussiana, cuya PDF se expresa
como:

 Donde μ es la media y σ la desviación

estándar de la distribución.

37
 Propiedades de la distribución Gaussiana
 Teorema del Límite Central: Si una población, cuya PDF de media μ y desviación
estándar σ puede tener cualquier forma, es muestreada al azar en subgrupos de N
muestras. La distribución de las medias de estos grupos tiende a ser gaussiana con media
μ y desviación estándar σ/N

38
 Anamorfosis Gaussiana
 Sirve para transformar cualquier distribución a una distribución Gaussiana o normal.
 Es muy usada para variables continuas.
 Pasos:
1. Construir la distribución acumulada F(z) de la variable Z.
2. Equiparar los cuantiles y hallar los valores correspondientes en la distribución normal.
Esto es:
y  G 1 ( F ( z))
Donde G( y)es la distribución normal estándar

Un paso posterior puede requerir el ajuste de la distribución transformada con

polinomios de Hermite.

39
 Simulación Montecarlo
 Sobre una CDF conocida y representativa de la
población de muestras, considerar la función
cuantil:

q ( p )  F 1 ( p )  x p

Generar los valores p al azar

 Generar un número aleatorio, p [0,1],
de distribución uniforme.

 La función cuantil q(p) arroja el valor simulado

Xp.

 Es aconsejable contar con un generador de

números aleatorios robusto.

40
 5. El variograma Calculo e Interpretación.

41
 Correlación Espacial
 Como se puede ver en los mapas de la
derecha, si bien todos comparten el
mismo conjunto de datos, la estructura
de la correlación espacial es diferente.

 La correlación y variabilidad espacial

dependen de la distribución detallada
de las leyes en el espacio.

 Los variogramas, reflejan estas

diferencias en la estructura de la
variabilidad espacial.

42
 Análisis de la Variabilidad y correlación Espacial:
El Variograma
 La estimación geoestadística de valores en puntos no muestreados requiere de una medida de la
variabilidad espacial de una variable regionalizada.
 La variabilidad entre un par de muestras z1 y z2 es dada por:

2 12  ( z1  z2 ) 2
 Cada par de muestras está separada por un vector h
 Si tenemos n pares de muestras separadas por h  h es preciso promediar la variabilidad
espacial entre los pares: n
2 (h)  (z  z
i 1
i i ( h   h)
)2

 Esta es la fórmula del Semi-Variograma, y se entiende como la semi-varianza de las diferencias

entre pares separados por un vector h, o lo que es lo mismo: La media de la diferencia al
cuadrado de los valores separados por un vector : h
2 (h)  E{[ Z (u )  Z (u  h)] 2 }

 Propiedades:  (0)  0  (h)  0  (h)   (h)

43
El Variograma Experimental
 Es un gráfico de la varianza de la diferencia
entre pares a diferentes distancias para una
orientación determinada.
 Es calculado por la siguiente fórmula:


1
2 (h)  [ z (u )  z (u  h)] 2
N ( h) N ( h )

 En la práctica, especialmente cuando los datos

están irregularmente localizados, un haz de
búsqueda es usado para encontrar los pares
Incremento de separados a cierta distancia.
La variabilidad  Este haz se mueve de nodo a nodo, y cambia su
longitud para diferentes separaciones (Lags).

44
 Parámetros para el Cálculo del Variograma
Experimental
 Tamaño de los Incrementos de
Distancia (Lag Spacing): Debe ser
coincidente con la separación media entre
las muestras.

 Número de Incrementos: Es
determinado por el tamaño de los
incrementos y las dimensiones del área de
estudio. Una regla práctica es restringir la
variografía a la mitad de la diagonal del área
de la zona de estudio.
 Tolerancia Angular: Está determinada
por la anisotropía esperada de la
mineralización y por la densidad del
muestreo.
 Límite de Tolerancia Angular: Sirve
para restringir el cono de la tolerancia
angular cuando esta a alcanzado
determinada abertura.

45
 Componentes del Variograma
 La distancia a la que el variograma se
estabiliza es el alcance, y es la distancia
donde se pierde la correlación espacial.

 El efecto pepita es la variabilidad a muy 2

corta escala o producida por errores de
Meseta = C1
muestreo y análisis.

 La meseta es la altura a la que el Efecto

Pepita = C0
variograma se estabiliza.

Alcance
 La meseta mas el efecto pepita suele ser
cercana a la varianza, la variabilidad
media de todas las muestras.

46
 Interpretación del Variograma Experimental
 Tendencias: Una deriva en el variograma experimental indica la
presencia de una tendencia en los valores reales en la dirección de tal
variograma.
 La presencia de una tendencia posa un problema a la decisión de
estacionareidad.
 Pero puede ser removida ajustando una curva determinística.
 El variograma sin tendencia se calcula con los residuales.
 La tendencia es reintroducida al momento de modelar las leyes.

47
 5.6 Interpretación del Variograma Experimental
(2)
 Ciclicidad: Puede estar vinculada a periodicidad geológica como secuencias en la estratificación favorable a
la mineralización.
 Pero también puede deberse a la escasez de datos.

48
 5.6 Interpretación del Variograma Experimental
(3)
 Anisotropía Geométrica: Se da cuando el alcance de la correlación espacial varía a diferentes
direcciones.
 Esta es producida usualmente por la dirección del flujo de la mineralización, por procesos de
deposición, o el sentido de la dispersión de los contaminantes.

49
 5.6 Interpretación del Variograma Experimental
(4)
 Anisotropía Zonal: Es cuando la magnitud de la variabilidad (meseta) cambia según la dirección.
 Suele producirse por la presencia de diferentes estratos o capas, lo que incrementa la varianza en la
dirección perpendicular a la estratificación.
 También es producida por un incremento de la varianza entre taladros, que puede ser mayor a la varianza a
lo largo de los taladros.

50
 El Mapa de Variogramas
 permite analizar rápidamente el comportamiento espacial de una variable a diferentes
direcciones, esto se logra por medio de un sistema de coordenadas esféricas donde las curvas de
isovaloras representan el valor del variograma a diferentes direcciones y módulos del vector h.

51
 El Variograma la Covarianza y el Correlograma
 Bajo la decisión de estacionareidad, el variograma, la covarianza y el correlograma
(correlación), son herramientas equivalentes para caracterizar la variabilidad espacial de
dos puntos:
 (h)   2  C(h)   2 [1   (h)]
 Donde: C(h)  E{Z (u)  Z (u  h)} E{Z (u)} E{Z (u  h)} C(0)   2
 La covarianza mide la continuidad de las leyes, mientras que el variograma mide la
variabilidad.

52
 “Las Ciencias no tratan de explicar, ni siquiera de interpretar,
ellas mayormente sólo construyen modelos. Por un modelo
se entiende una representación [matemática] que, junto a
cierto nivel de interpretaciones verbales, describe el
fenómeno observado. La justificación de tal representación
[matemática] es solamente y precisamente que se espera que
esta funcione”.

Johann Von Neumann

Científico computacional y matemático (1903 – 1957)

53
 Gracias

54