Bloqueo de y Calculo de Reservas en Tajo Abierto

METODOS DE CLCULO DE RESERVAS MINERALES
FACULTAD DE INGENIERIA DE MINAS - UNCP Pgina 1

Contenido

RECURSOS Y RECURSOS MINERALES .............................................................................................. 3
1. RECURSO ......................................................................................................................................3
2. RESERVA .......................................................................................................................................7
3. RESERVAS MINERALES..................................................................................................................7
4. CLASIFICACIN DE RECURSOS Y RESERVAS DE MC KELVEY. .......................................................9
5. RESERVAS MUNDIALES, RECURSOS Y RECURSOS POTENCIALES .............................................. 11
BLOQUEO DE Y CALCULO DE RESERVAS EN TAJO ABIERTO ........................................................... 12
I. ASPECTOS GENERALES .............................................................................................................. 12
II. CDIGO PARA LA CERTIFICACIN DE PROSPECTOS DE EXPLORACIN (REALIZADO POR
COMIT DE RECURSOS MINEROS DEL I.IM.CH) ................................................................................. 15
III. MTODOS PARA ESTIMAR RESERVAS ....................................................................................... 16
METODO GEOESTADISTICO ......................................................................................................... 24
1. INTRODUCCIN: ................................................................................................................ 24
2. ORIGEN A LA GEOESTADSTICA ................................................................................................. 25
3. GEOESTADSTICA: ...................................................................................................................... 26
4. VARIABLES ALEATORIAS REGIONALIZADAS ............................................................................... 27
5. CONCEPTOS DE VARIABLE ALEATORIA REGIONALIZADA .......................................................... 29
6. HIPTESIS DE LA GEOESTADSTICA ........................................................................................... 30
a) Su esperanza matemtica existe y no depende de la localizacin x
i
. ......................................... 31
b) Para todo vector h el incremento [Z(x+h) - Z(x)] tiene varianza finita y no depende de la
localizacin x
i
: ............................................................................................................................ 31
7. CONOCIMIENTO DEL PROBLEMA .............................................................................................. 33
8. CONCEPTOS NECESARIOS DE ESTADSTICA BSICA .................................................................. 33
9. EL ANLISIS ESTRUCTURAL ........................................................................................................ 34
10. EL SEMIVARIOGRAMA EXPERIMENTAL ..................................................................................... 36
Finalmente se representan grficamente los valores de (h) en funcin de h. ............................... 40
11. MODELADO DE SEMIVARIOGRAMAS: ....................................................................................... 42
12. PARMETROS DEL SEMIVARIOGRAMA ..................................................................................... 42

13. MODELOS TERICOS DE SEMIVARIOGRAMAS .......................................................................... 43
1.1. Anlisis de anisotropa .............................................................................................................. 48
1.1.1. Efecto proporcional ......................................................................................................... 49
2. Estimacin ........................................................................................................................... 50
2.1. Triangulacin ............................................................................................................................. 50
2.2. Inverso de la distancia ............................................................................................................... 51
Note que si e = 1 se obtiene la ecuacin anterior. ....................................................................... 51
2.3. Planteamiento del problema del krigeaje ................................................................................. 52
2.3.1. Ecuaciones del krigeaje ................................................................................................... 53
Z*(v) = i Z (xi) ......................................................................................................................... 53
En trminos de la covarianza ....................................................................................................... 54
En trminos del semivariograma ................................................................................................. 54
2.4. El caso no estacionario, Krigeaje Universal (KU) ...................................................................... 56
3. Geoestadstica Multivariada ................................................................................................. 57
3.1. Semivariogramas cruzados ........................................................................................................ 58
3.2. Co-Krigeaje. ............................................................................................................................... 59
3.3. Krigeaje con Deriva Externa ...................................................................................................... 60
3.4. Co-Krigeaje con Variable Colocalizada (Collocated CoKriging) ................................................. 61
4. Geoestadstica no Lineal....................................................................................................... 62
5. Conclusiones: ....................................................................................................................... 63



RECURSOS Y RECURSOS MINERALES

1. RECURSO
Cualquier bien capaz de suministrar a su poseedor alguna utilidad o beneficio constituye un
recurso, en trminos usuales de economa. De acuerdo con las diferentes formas en que el
ser humano puede enfocar el uso y/o disfrute de la tierra surgen diversos tipos de recursos
mostrados en la figura adjunta. As si apreciamos la tierra por su inters ecolgico, entonces
esta ser un recurso ambiental. Si la consideramos como un lugar apto para, por ejemplo la
extraccin minera, estamos hablando de un recurso fsico. Por ultimo si pensamos en ella
como lugar potencialmente frtil, estaremos frente a un recurso biolgico. Dependiendo del
impacto de cada una de estas tres facetas sobre nuestros recursos intelectuales, tendremos
otro tipo de recurso.


Es importante diferenciar entre los recursos renovables y no renovables ya que en realidad
esto depende los componentes del sistema terrestre son parte de diversos ciclos y cada uno
de estos tienen una particular duracin, los ciclos biolgicos tienen una periodicidad de un
orden semejante a la expectativa de vida de su participante ms longevo, no soliendo
sobrepasar los 100 aos. Por el contrario la mayor parte de los ciclos geolgicos se expresan
en millones de aos, aunque exista una excepcin importante, el ciclo hidrolgico que tiene
una periodicidad de uno a diez aos debido a que est fuertemente controlada por las
estaciones y el clima. Por tanto para los participantes, en los ciclos biolgicos, como es el
caso del hombre, aquellos recursos que se puedan renovar en un periodo de tiempo
adecuado a nuestra expectativa de vida reciben el nombre de recursos renovables (por
ejemplo los recursos biolgicos o fsicos del tipo hidrolgico) mientras que los que son un
legado de la historia de la tierra y no producen una segunda oportunidad en un periodo de
tiempo lgico, reciben el nombre de recursos no renovables. Este carcter no renovable es
solo desde un punto de vista humano, pues por ejemplo el petrleo quemado genera CO2
que retorna a las plantas a travs de la fotosntesis y eventualmente a los animales en la
cadena trfica. El problema reside en que para la formacin o posterior del petrleo es
necesario unas condiciones de formacin especiales y al menos varios millones de aos de
tiempo.
RECURSOS INTELECTUALES
BIOLOGICOS AMBIENTALES FISICOS
RENOVABLES
NO RENOVABLES

Los recursos fsicos tal como se han definido anteriormente, pueden ser clasificados, en
funcin de su naturaleza, en recursos minerales y recursos hidrulicos.
Los primeros en el contexto de la economa, incluyen todos aquellos materiales slidos,
lquidos o gaseosos que pueden ser explotados para el uso. Se pueden subdividir en los
siguientes grupos:
RECURSOS ENERGETICOS:
a) No renovables
1. Hidrocarburos
Petrleo, gas natural, arenas asflticas, pizarras bituminosas
2. Carbones
Antracita, hulla, lignito, turba
3. Uranio
b) Renovables
1. Geotrmica
2. Hidroelctrica
3. Mareomotriz
4. Solar
5. Elica
6. Biomasa

RECURSOS METLICOS
a) Hierro y aleaciones de acero
b) Metales base o usuales
c) Metales ligeros
d) Metales preciosos
e) otro
ROCAS Y MINERALES INDUSTRIALES

a) rocas y materiales de construccin
b) fertilizantes
c) materiales para la industria qumica
d) otros
Dejando al margen los recursos energticos, los otros dos tipos de recursos minerales
presentan una serie de caractersticas que los hacen claramente diferentes. Estas son:

Recursos minerales metlicos:
- se utilizan para extraer metales
- son mucho menos abundantes y estn irregularmente distribuidos que las rocas y
minerales industriales.
- Requieren un procesado para la extraccin del metal.
- El costo de extraccin y procesado del metal es muy alto en comparacin con el
transporte, por lo que la proximidad a los centros de consumo es un factor
secundario
- Debido a su alto coste, el reciclado es un factor importante
Rocas y minerales industriales
- Son geolgicamente abundantes
- Se utiliza frecuentemente tal y como se encuentra en la naturaleza
- Se producen y se consumen en grandes cantidades
Dentro de este ltimo grupo se encuentran las rocas materiales para la construccin,
cuyas caractersticas, adems de las citadas anteriormente. Son las siguientes:
- El precio por unidad es bajo
- La exploracin, extraccin y procesado es barato
- Los altos costes de trasporte requieren de la cercana al centro de consumo
- Las reservas son infinitas e incluso un tipo puede ser sustituido por otro


2. RESERVA
Cantidad de cierto recurso que se encuentra identificado, ubicado, medido desde la ptica
de ciertos grados de seguridad y certidumbre.
Ejemplo: al pie del nevado Huaytapallana se encuentra una laguna de aguas cristalinas la
cual es fuente potencial para la poblacin de Huancayo como un RECURSO, ms si nos
limitamos a ubicarlo, medir la cantidad de agua e identificar sus propiedades este recurso se
convertir en una RESERVA.
Cantidad en maso o volumen de mineral susceptible de ser explotado. Depende de un gran
nmero de factores: ley media, ley de corte, y de las condiciones tcnicas,
medioambientales, polticas de gobierno, mercados existentes en el momento de llevar a
cabo la explotacin.
Se complementa con el concepto de RECURSO, que es la cantidad total de mineral existente
en la zona, incluyendo el que no podr ser explotado por su baja concentracin o ley.
3. RESERVAS MINERALES
Si bien el concepto de recurso y reserva, desde un punto de vista econmico, ha sido
establecido es necesario conocer el trmino de reserva mineral.
A partir de los aos sesenta y especialmente en los setenta, surgi la necesidad de definir
claramente cmo se podan delimitar las cantidades de mineral/metal presentes en un
yacimiento, sobre todo desde la ptica de unos niveles de seguridad y certidumbre, tanto
desde el punto de vista de los conocimientos geolgicos como de los parmetros
econmicos. De esta manera, se realizaron esfuerzos para establecer clasificaciones que nos
pudiesen delimitar, en trminos sencillos la problemtica planteada. Todas estas
clasificaciones, desarrolladas a lo largo de la dcada de los setenta por el U.S. Geological
Survey y el U.S. Bureau of Mines, principalmente giran alrededor de dos parmetros como
ejes clasificatorios. El grado de conocimiento geolgico y el grado de capacidad para
obtener la materia prima. Con estos dos ejes se obtiene la clasificacin de recursos y

reservas que muestra la figura (Mc Kelvey 1972, 1986) que es una de las ms utilizadas
hasta el da de hoy.


4. CLASIFICACIN DE RECURSOS Y RESERVAS DE MC KELVEY.

De acurdo con esta clasificacin, se entiende por reservas los depsitos conocidos e
identificados en los cuales el mineral o minerales pueden ser extrados con beneficio
econmico, con la tecnologa actual y los parmetros econmicos actuales. Por su parte los
recursos incluyen tanto las reservas, como otros depsitos minerales que pueden llegar a
ser eventualmente extrables en la actualidad, bien depsitos desconocidos, ricos o pobre,
que se puede inferir que existen, aunque todava no han sido descubiertos.
La clasificacin de McKelvey deja fuera todos aquellos recursos que no son reservas y
recursos, en aras de la mayor precisin de lo que realmente es conocido y asequible. Por
otro lado, llega a precisiones ms convenientes para el uso prctico al englobar bajo el
concepto de factibilidad o viabilidad los efectos tecnolgicos, de precio y costos, por

desgracia sin desarrollar ampliamente las implicaciones de cada uno de estos factores, o la
forma como ellos se interrelacionan.
Los recursos identificados, suelen a su vez dividirse segn la exactitud del conocimiento
sobre sus caractersticas y volmenes. En 1933 Leithhaba hecho ya una clasificacin en
trminos de recursos probables y posibles. Esta clasificacin fue reemplazada por los
conceptos de medidas, indicadas e inferidos, propuestos por Blondell y Lasky en 1956 y
adoptados posteriormente por la U.S. Bureau of Mines y el U.S. Geological Survey. Estos
conceptos se fundamentan en el conocimiento de las dimensiones del cuerpo mineralizado.
En el caso de los recursos medidos e indicados su existencia ha sido demostrada por estudios
geolgicos, que han permitido medir sus dimensiones principales y las caractersticas, y leyes
del mineral o de los cuerpos mineralizados. Los recursos inferidos son aquellos cuya
existencia ha sido comprobada, pero cuyas magnitudes, en trminos de volumen, y sus
caractersticas mineralgicas no se conocen con exactitud y se infieren de algunas de sus
dimensiones o caractersticas geolgicas conocidas.
Segn algunos expertos, la experiencia en explotaciones mineras sugiere que hay una
relacin negativa entre la ley del mineral y el volumen del cuerpo mineralizado:a medida que
la ley del mineral disminuye, parece que el metal disponible aumenta en progresin
geomtrica hasta llegar a un punto mximo, a partir del cual tiende a presentarse una
situacin en la que tanto la ley del mineral como los volmenes del mismo
disminuyen.Skinner sugiere que la situacin podra ilustrarse con la grfica siguiente, que
indicara que el agotamiento de minerales de alta ley viene ms que compensado por el
incremento de volmenes susceptibles de ser explotados a leyes de corte inferiores. Sin
embargo, el mismo Skinner advierte que esta teora no est probada y que no debera
alimentar euforias expansionistas (vase grfico de Skinner).


5. RESERVAS MUNDIALES, RECURSOS Y RECURSOS POTENCIALES
(millones de toneladas mtricas)

Reservas Recursos Recursos potenciales
Aluminio 5.200 2.800 3.519.000
Hierro 93.100 143.000 2.035.000
Potasio 9.960 103.000 --
Manganeso 2.200 1.100 42.000
Fsforo 2.400 12.000 51.000
Fluorita 72 270 20.000
Azufre 1.700 3.800 --
Cromo 780 6.800 3.260
Zinc 159 4.000 3.400
Nquel 54 103 2.590
Cobre 456 1.770 2.120
Plomo 123 1.250 550
Estao 10 27 68
Tungsteno 1.8 3.4 51
Mercurio 0.2 0.4 3.4

Plata 0.2 0.5 2.8

BLOQUEO DE Y CALCULO DE RESERVAS EN TAJO ABIERTO

I. ASPECTOS GENERALES

A. CATEGORIZACIONES DE RECURSOS Y RESERVAS

Existen varios tipos de clasificaciones de Reservas :
Probadas Probables Posibles
Medidas Indicadas Inferidas
A B C
1
C
2

Independiente del nombre lo importante es la Confianza en la bondad de
Estimacin

B. ELEMENTOS UTILIZADOS EN LA CATEGORIZACIN DE RECURSOS Y RESERVAS :

1. Distancias entre muestras y bloques:
La distancia est dada por el radio de bsqueda, el cual debe estar en relacin con
el alcance. La distancia geomtrica est vinculada con la variabilidad.
X ejemplo : DIST < del alcance R. Medidos
DIST < -1 alcance R. Indicados
DIST > 1 alcance R. Inferidos

2. El nmero de muestras a considerar y su distribucin.
3. La varianza del krigeado:

X ejemplo: si el n de muestras ideal por bloque fueran 16, podramos fijar
categoras:
> 10 muestras R. Medidos
10 - 4 muestras R. Indicados
< a 4 muestras R. Inferidos
Por la Varianza de estimacin del kriging.
x ejemplo : si X
B
= valor medio del bloque.
Y
2
B
= Varianza del bloque.
Y
B
= Y
2
B
desvo de los valores del bloque.
Y
B
/ X
B
x 100 (coeficiente de variacin del krigeado)
Y
B
< al 25% de X
B
medidas
Y
B
> al 25% de X
B
indicadas
Y
B
> al 40% de X
B
inferidas
Estos % pueden variar, tratndose de diferentes materiales, o bien si son bloques
de diferente tamao.
Los brasileos lo hacen con 2Y
B
(dos desvos standart), y a esto lo llaman ERKRIDAME
= error del krigeado de la media.
2 x Y
B
/ X
B
x 100
Y
B
< al 20% de X
B
medidas
Y
B
> 20 a 50% de X
B
indicadas
Y
B
> al 50% de X
B
inferidas

Royle (1977) clasifica las reservas en base a la varianza del krigeado y el valor propio
estimado en relacin a la ley crtica. Por cada bloque se puede estimar la
probabilidad del que el valor real este por encima de la ley de Corte.

EJEMPLO - ROYLE

V
KB
=valor krig.bloque.(3,12 gr/tn)
L
CB
= ley de corte. (3 gr/tn)
Y
2
B
= Varianza del Krig. (0,04 gr/tn)
Y
B
= Desvo (0,02 gr/tn)

= 0.625
Entrando a la tabla de probabilidad de una distribucin normal normal, la
probabilidad de que la Ley sea menor es de 0,26 % , por lo tanto la Probabilidad que
sea > ser 1 0,266 = 0,73 = 73 %.
C. KRIGEADO INDICADOR:
Se utiliza en el anlisis de las reservas, en explotaciones de alto valor econmico.Es
un mtodo no paramtrico en que los valores obtenidos son convertidos a valores
entre 0 y 1, dependiendo de su relacin con la Ley de corte.
Tomemos un ejemplo:
Bloque A : 6%-5%-6%-6% = ley media 5%
Bloque B : 1%-2%-1%-19%= ley media 5%

Si la ley mnima es 5%, ambos bloques son explotables. Al bloque A le
asignamos un valor = 1; y al B= 0,25.
Una vez que la leyes han sido transformadas, se puede construir un
VariogramaExperimental y ajustarlo a un Modelo y realizar el Krigeado de
bloques.
El valor que saliese de cada bloque representa el % recuperable de
mineralizacin
II. CDIGO PARA LA CERTIFICACIN DE PROSPECTOS DE EXPLORACIN
(REALIZADO POR COMIT DE RECURSOS MINEROS DEL I.IM.CH)

- Estas normas fueron adoptadas por pases como Australia, Canad, Reino Unido,
Sudfrica, con una alta trayectoria en Minera.
- En Primer Trmino se introduce la figura Persona Competente Calificada, inscripta en
un registro profesional. Tener en cuente que la estimacin de Recursos / Reservas es
un trabajo en equipo.
- Recurso inferido: las estimaciones de tn y ley estn afectadas en precisin y
exactitud, por muestreos fragmentarios, limitados y extrapolaciones geolgicas.
- Recurso Indicado: las estimaciones de tn, ley densidades, caractersticas geolgicas y
geometalrgicas han sido caracterizadas con un razonable nivel de confianza. (x ej DS
< al 7% anual para el CU)
- Recurso medido : las estimaciones de tn, ley densidades, caractersticas geolgicas y
geometalrgicas han sido caracterizadas con un significativo nivel de confianza.(x ej
DS < al 7% trimestral).


III. MTODOS PARA ESTIMAR RESERVAS
Existen dos grupos de mtodos :Geomtricos o Clsicos y Geo estadsticos.
Cul de los dos mtodos es el mejor?
Los mtodos Geo estadsticos son ms exactos y ofrecen informacin ms completa.
Para poder aplicarlos se debern cumplir ciertos requisitos:
- Conocimientos Geoestadsticos y manejo de Sofware adecuados.
- Nmero elevado de datos (sondeos) en distintas direcciones para el clculo del
semivariograma.
- Debe existir una variable regionalizada x ej. Ley que permite obtener el modelo del
variograma.

A. MTODOS CLSICOS O GEOMTRICOS:

1. Mtodo de los Perfiles:

- Uso: cuerpos mineralizados irregulares.
- Metodologa: cortes verticales, delimitando la mineralizacin. Se
determinan superficies de los perfiles y Vl del bloque en perfiles.



Cuadro N01: Mtodo de los perfiles

Cuadro N02: Distancia entre los cortes.

Perfiles
Sondeos
D1
D2


B. MTODO DE LOS TRINGULOS (REA INCLUDA)

Requiere la proyeccin en un plano horizontal o vertical de las intersecciones del
cuerpo mineralizado, que debe tener una morfologa ms o menos tabular. Es un
mtodo til en fases de exploracin, pues es rpido y permite ir aadiendo nuevos
valores a la estimacin general sin tener que recalcular lo anteriormente calculado.
Consiste en unir geomtricamente sobre el plano de proyeccin los sondeos
adyacentes obteniendo tringulos (evitando ngulos agudos y obtusos), para cada
uno de los cuales se calculan los valores medios correspondientes a espesor
(potencia capa), densidad y ley, con lo que se pueden calcular el resto de parmetros
necesarios para cada bloque (volumen y tonelaje de mineral y de metal). La suma del
tonelaje de los prismas triangulares ser el tonelaje total del yacimiento.

Usos: en depsitos con poca variaciones de Ley y potencia.
Metodologa: se unen los sondeos, formando un mallado triangular. Cada tringulo
es la base de un prisma, donde la potencia, ley y densidad son constantes.



Cuadro N03: Mtodos de los tringulos.

C. MTODO DE LOS POLGONOS (REA EXTENDIDA)
Se suele usar cuando los sondeos estn irregularmente distribuidos. A pesar de no
ser muy exacto, su uso est muy extendido.
Consiste en construir una serie de polgonos en cuyos centros se encuentra un
sondeo, asignando a cada polgono espesor, densidad y ley de dicho sondeo,
asumiendo por tanto, que tales parmetros permanecen constantes en todo el
polgono (dominio de influencia del sondeo). Para construir los polgonos, existen
dos mtodos: bisectrices perpendiculares (los vrtices del polgono quedan definidos
por los puntos de corte de las mediatrices de los segmentos que unen los sondeos) y
bisectrices angulares (vrtices de polgono corte de bisectrices de ngulos definidos
por las lneas que unen los sondeos).


Si el n de sondeos es grande, se obtienen muchos polgonos, pero si ste es
pequeo, se asigna un espesor y una ley determinada a un rea excesivamente
grande. Para evitar esto, se puede ponderar un 50% al sondeo central y repartir el
peso del 50% restante entre los sondeos circundantes:

LABCDE = L1 0,5 + L2 0,1 + L3 0,1 + L4 0,1 + L5 0,1 + L6 0,1

Las reservas se obtienen individualmente para cada polgono y luego se obtiene el
total como la suma de todos los polgonos.
Usos: en depsitos con poca variaciones de Ley y potencia. El mtodo no delimita el
depsito.
Metodologa: se construyen los polgonos, dejando en su centro un sondeo. Se
forman prismas poligonales.

Cuadro N04: Formacion de polgonos para hallar el area


D. MTODO DE LAS ISOLNEAS:

Usos: para superficies complejas. Se necesitan muchos datos, refleja bien las
caractersticas geolgicas del depsito.
Metodologa: se construyen las isolneas con los valores de ley, o isopacas. Cada
lneas encierra una superficie, dos superficies definen una rebanada cuyo Vl es la
media de las sup. X el espesor.

Cuadro N05: Formacion de las isolineas para el yacimiento



Cuadro N06: Vistas de yacimiento con las respectivas isolineas.

E. METODO DE BLOQUES

Usos: en depsitos en una fase de investigacin avanzada o de pre explotacin. Para
yacimientos metlicos de tipo masivos, potencialmente explotables a cielo abierto.
Mineralizaciones de tipo tabulares y de poca potencia.
Metodologa: El depsito se discretiza con paraleleppedos iguales lo que da lugar a
una divisin del mismo en bloques. Cada bloque debe tener toda la informacin
(leyes, Vls, ubicacin espacial etc.).
Las dimensiones del bloque dependen:
- Variabilidad de las Leyes.
- Continuidad geolgica de la mineralizacin.
- Tamao y espaciamiento de las muestras.
- Capacidades de los equipos mineros.
- Taludes de diseo de la explotacin.

El mtodo se utiliza fundamentalmente para describir la distribucin espacial de valores
numricos.Existen dos mtodos para establecer bloques: a) 1 sondeo por bloque b)
cuatro sondeos por bloque.

Cuadro N07: Parmetros que definen el modelo de bloque: Posicin del bloque llave (Xmorg, Ymorg,
Zmorg), dimensiones del bloque (dx, dy, dz), extensin del modelo (X (nx), Y (ny), Z (nz).



Cuadro N08: Modelo de bloque

METODO GEOESTADISTICO

1. INTRODUCCIN:
En el campo de las geociencias es comn encontrar variables distribuidas espacialmente.
Para el estudio de estas variables son usados diversos procedimientos geoestadsticos de
estimacin y/o simulacin. Esto es, a partir de un conjunto de muestras tomadas en
localizaciones del dominio en que se manifiesta un fenmeno a estudiar y consideradas
representativas de su realidad, que por lo general es siempre desconocida, estos
procedimientos permiten la descripcin o caracterizacin de las variables con dos fines
diferentes:
Primero, proporcionar valores estimados en localizaciones de inters.
Segundo, generar valores que en conjunto presenten iguales caractersticas
de dispersin que los datos originales.
La geologa y la minera es el campo tpico para la aplicacin de estos modelos, campo en el
que surge y se desarrolla la Geoestadstica como ciencia aplicada. Se hace referencia en este
trabajo a los conceptos fundamentales de la Geoestadstica.


1. ORIGEN A LA GEOESTADSTICA
La bsqueda, exploracin y evaluacin de yacimientos minerales tiles es una de las
actividades fundamentales que toda empresa minera debe desarrollar durante su vida til,
destacndose entre otras tareas: el pronstico cientfico en la localizacin de los yacimientos
minerales tiles, la elaboracin de mtodos eficaces para la exploracin y la evaluacin
gelogo econmico de los yacimientos para su explotacin.
Todo esto condicionado al agotamiento de los recursos producto de la explotacin y a las
fluctuaciones de las cotizaciones del mercado. Los trabajos de bsqueda y exploracin se
dividen en estadios que son resultado de la aplicacin de un principio importante del estudio
del subsuelo, el Principio de Aproximaciones Sucesivas. Cada uno de los estadios culmina
con la determinacin lo ms aproximada posible de los recursos minerales del yacimiento,
actividad fundamental de las empresas gelogo - mineras conocida como clculo de
recursos y reservas.
El desarrollo de la minera ha trado unido el perfeccionamiento de los mtodos de
bsqueda de los minerales tiles, y los de la determinacin de su cantidad y utilidad para la
extraccin (Lepin y Ariosa, 1986), adems, el mundo minero se hace cada vez ms
competitivo y las compaas necesitan evaluar su potencial econmico (Berckmans y
Armstrong, 1997). Existen actualmente dos formas de realizar el clculo de reservas, los
mtodos clsicos y los modernos. Como clsicos se pueden destacar, el de Bloques
Geolgicos y el de Perfiles Paralelos (Daz, 2001), stos se caracterizan por el uso de
valores medios o media ponderadas de los contenidos de la exploracin en bloques
definidos convenientemente. Estos mtodos son eficientes cuando la informacin disponible
presenta determinada regularidad, pero en la prctica, como se seala en Journel y
Huijbregts (1978) y David (1977) la gran diversidad de formas en que se presentan los datos
ha llevado a la utilizacin de tcnicas matemticas y estadsticas para resolver un nico
problema, estimar valores desconocidos a partir de los conocidos, para la estimacin y
caracterizacin de los recursos y reservas. En los ltimos aos muchas investigaciones se han
desarrollado con este fin (Gotway y Cressie, 1993), existiendo mayor inters en las

estimaciones a nivel local que a nivel global (Rivoirard y Guiblin, 1997). Claro est, no existe
un mtodo por muy sofisticado que sea, que permita obtener resultados exactos.
En resumen, la aplicacin de la teora de los procesos estocsticos a los problemas de
evaluacin de reservas de distintos tipos de materias primas minerales y en general a las
ciencias naturales en el anlisis de datos distribuidos espacial y temporalmente dio origen a
lo que hoy se conoce como Geoestadstica.
2. GEOESTADSTICA:
La Geoestadstica se define como la aplicacin de la Teora de Funciones Aleatorias al
reconocimiento y estimacin de fenmenos naturales, o simplemente, el estudio de las
variables numricas distribuidas en el espacio, siendo una herramienta til en el estudio de
estas variables. Su punto de partida es asumir una intuicin topo-probabilista. Los
fenmenos distribuidos en el espacio, la mineralizacin en un yacimiento mineral por
ejemplo, presenta un carcter mixto, un comportamiento catico o aleatorio a escala local,
pero a la vez estructural a gran escala (figura 1).


Se puede entonces sugerir la idea de interpretar este fenmeno en trminos de Funcin
Aleatoria (FA), es decir, a cada punto x del espacio se le asocia una Variable Aleatoria (VA)
Z(x), para dos puntos diferentes x e y, se tendrn dos VAs Z(x) y Z(y) diferentes pero no
independientes, y es precisamente su grado de correlacin el encargado de reflejar la
continuidad de la mineralizacin, o de cualquier otro fenmeno en estudio, de modo que el
xito de esta tcnica es la determinacin de la funcin de correlacin espacial de los datos
(Zhang, 1992). Su estimador, El Krigeaje, tiene como objetivo encontrar la mejor estimacin
posible a partir de la informacin disponible, y en efecto, el valor estimado obtenido Z*(x) de
un valor real y desconocido Z(x), consiste en una combinacin lineal de pesos asociados a
cada localizacin donde fue muestreado un valor Z(xi)
(i = 1,n) del fenmeno estudiado, observando dos condiciones fundamentales: 1.- que el
estimador sea insesgado. E [Z* - Z] = 0, y 2.- que la varianza Var [Z* - Z] sea mnima,
consiguindose de este modo minimizar la varianza de error de estimacin.
A diferencia de otros mtodos de interpolacin, como por ejemplo el inverso de la distancia,
el krigeaje utiliza en la estimacin las caractersticas de variabilidad y correlacin espacial del
fenmeno estudiado, por lo que su uso implica un anlisis previo de la informacin con el
objetivo de definir o extraer de esta informacin inicial un modelo que represente su
continuidad espacial. Una vez logrado, estamos en condiciones de obtener el mejor valor
posible en cada localizacin o bloque a estimar a partir de los datos medidos, acompaada
de la varianza de krigeaje como medida del error de la estimacin realizada (Armstrong y
Carignan, 1997), lo que distingue al krigeaje de otros mtodos de interpolacin (Abasov et
al., 1990; de Fouquet, 1996; Carr, 1995).
3. VARIABLES ALEATORIAS REGIONALIZADAS
Continuando con el caso minero, la informacin inicial para realizar el clculo de reservas es
el resultado del anlisis de los testigos de perforacin, o muestras de afloramiento, obtenido
en los laboreos de exploracin, que como una variable aleatoria puede tomar cualquier valor
dentro de un rango determinado. Esta es la caracterstica fundamental que distingue a este
tipo de variable, adems de su valor, una posicin en el espacio, hecho ste al que

Matherondenomin Variable Aleatoria Regionalizada, la cual est presente en la mayor
parte de los estudios geolgicos y fenmenos naturales. Al respecto en Journel y Huijbregts
(1978) y David (1977) se dedica el captulo II y V respectivamente a la teora de la variable
regionalizada. Captulos donde se presentan los conceptos fundamentales de la
Geoestadstica, en la que particularmente Journel y Huijbregts (1978) plantea que la
definicin de variable regionalizada como una variable distribuida en el espacio es
puramente descriptiva y envuelve una interpretacin probabilstica, refirindose a que,
desde el punto de vista matemtico una variable regionalizada es simplemente una funcin
f(x) que toma valores en todos los puntos x de coordenadas (x
i
, y
i
, z
i
) en el espacio
tridimensional. Sin embargo, es muy frecuente que estas funciones varen tan
irregularmente en el espacio que impide un estudio matemtico directo, y se hace necesario
realizar un anlisis de variabilidad de la informacin disponible, sugiriendo un estudio
profundo de la funcin variograma como veremos ms adelante.
En trminos tericos es oportuno aclarar que una variable aleatoria (VA) es una variable que
puede tomar ciertos valores de acuerdo a cierta distribucin de probabilidades. Un valor
medido en cada punto x
i
es considerado como una realizacin z (x
i
) de una VA Z (x
i
) cuya
media es m (x
i
). En los puntos x donde no existen valores medidos es desconocida la
propiedad que se estudia, pero estn bien definidos y pueden asimismo considerarse
variables aleatorias Z(x). Al conjunto de todas las mediciones z(x) en el rea de estudio de la
variable regionalizada puede considerarse como una realizacin particular del conjunto de
VAs (Z(x), x e rea de estudio). A este conjunto de VAs se llama Funcin Aleatoria y se
escribe Z(x) (Journel y Huijbregts, 1978; Armstrong y Carignan, 1997). De modo que al
extender el concepto de funcin aleatoria al espacio de una o ms dimensiones, aparece la
nocin aleatoria y estructural de una variable regionalizada: primero Z(x) como VA y segundo
que las VAs Z(x) y Z(x+h) no son en general independientes, si no que estn relacionadas por
la estructura espacial de la variable regionalizada original Z(x).

4. CONCEPTOS DE VARIABLE ALEATORIA REGIONALIZADA
En el estudio de las variables aleatorias regionalizadas es importante presentar conceptos
que son utilizados por la mayora de los autores donde se aplican los mtodos
geoestadsticos como herramienta fundamental de trabajo.
Estos conceptos son:
a) Regin: se refiere al espacio en el cual existe y se estudia el fenmeno natural.
b) Localizacin: Es el punto de una regin en la cual se define una variable aleatoria
regionalizada.
c) Soporte Geomtrico: Est determinado por el elemento fsico sobre el cual se realiza
la determinacin de la variable aleatoria regionalizada, esto no es ms que la
muestra unitaria, sobre la cual estudiaremos el atributo de inters.
d) Momentos de primer orden: Si la funcin de distribucin de Z (x
i
) tiene una media
definida, ser una funcin de la localizacin x
i
. m (x
i
) = E{Z (x
i
)}.
e) Momento de segundo orden: Si la varianza (Var) de Z (x
i
) existe, entonces se define
como el momento de segundo orden y ser tambin una funcin de la localizacin x
i.

Var{Z (x
i
)} = E{[Z (x
i
) m (x
i
)]
2
}
Si la varianza de las variables Z (x
i
) y Z (x
j
) existe entonces la covarianza (Cov) de las stas
tambin existe y es funcin de las localizaciones x
i
y x
j.

Cov [Z (x
i
), Z (x
j
)] = E{[Z (x
i
) m (x
i
)][Z(x
j
) - m(x
j
)]}
Si x
i
= x
j
; Cov[Z(x
i
), Z(x
j
)] = Var{Z(x
i
)}
La funcin variograma o funcin estructural se define como la varianza de la diferencia Z
(x
i
) Z (x
j
).
Var{ Z (x
i
) Z (x
j
)} = 2(x
i,
x
j
}
La magnitud (x
i,
x
j
} = Var{Z (x
i
) Z (x
j
)} se denomina semivariograma.

Tambin se puede definir el correlograma estandarizando, la covarianza para los valores x
i -
x
j
= h = 0 como: (h) = C (h)/C (0) -1 ss 1
Dnde: C h) es la covarianza a la distancia h,
C (0) es la covarianza en el origen.
Existen relaciones entre estas medidas de correlacin:
(h} = C (0) C (h) con (0) = 0
(h) = 1 - (h)/C (0)

5. HIPTESIS DE LA GEOESTADSTICA
Como la forma en que se presenta la informacin es muy diversa, la geoestadstica se
construye asumiendo condiciones de estacionaridad. Por lo que es necesario aceptar el
cumplimiento de ciertas hiptesis sobre el carcter de la funcin aleatoria o procesos
estocsticos estudiados, llamadas Hiptesis de la Geoestadstica. Estas son segn Journel y
Huijbregts (1978) y David (1977): La Estacionaridad Estricta, La Estacionaridad de Segundo
Orden, La Hiptesis Intrnseca y los Procesos Cuasiestacionarios.
I- Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la funcin de
distribucin de probabilidades de las variables aleatorias regionalizadas Z(x
i
) son iguales
entre s, independiente de la localizacin x
i
, lo que requiere que los momentos de distinto
orden para cada variable aleatoria regionalizada sean completamente independientes de la
localizacin x
i
. Esta condicin como su nombre lo indica es demasiado restrictiva al estudiar
la mayora de los fenmenos encontrados en la prctica.
II- Estacionaridad de Segundo Orden. Esta condicin es ms frecuente en la prctica, la
misma exige que:
1) E{Z (x
i
)} = m, existe y no depende de la localizacin x
i
.

2) La funcin covarianza, Cov{Z (x
i
) Z (x
j
)}, exista y slo dependa de la longitud del vector h
= x
i
- x
j
o sea.
C (h) = Cov{Z (x
i
), Z (x
j
)} = E{Z (x
i
), Z(x
i
+h)} - m
2
Esta hiptesis requiere la estacionaridad slo para la media y para la funcin de covarianza
de la variable aleatoria regionalizada. La segunda condicin implica, estacionaridad de la
varianza y del variograma.
1
o
Va r [Z (x
i
)] = E{[Z (x
i
) - m]
2
} = C (0) x
2
o
(h) = E{[Z (x
i
)]
2
} - E{Z (x
i
), Z (x
i
+h)} x
Como: E [Z (x
i
), Z (x
i
+h)] = C (h) + m
2
Y E [Z
2
(x
i
)] = C (0) + m
2
(h) = C (0) + m
2
- (C (h) + m
2
)
(h) = C (0) C (h).
Como se observa en la ltima expresin (h) y C(h), son dos herramientas que permiten
expresar la correlacin entre la variable aleatoria regionalizada Z(x
i
) y Z(x
i
+h), separadas por
el vector h.
III- Hiptesis Intrnseca. Una funcin aleatoria Z(x) se dice intrnseca cuando:
a) Su esperanza matemtica existe y no depende de la localizacin x
i
.
E{Z(x)} = m x
b) Para todo vector h el incremento [Z(x+h) - Z(x)] tiene varianza finita y no depende de la
localizacin x
i
:
Var{Z(x+h) - Z(x)} = E{[Z(x+h) - Z(x)]
2
} = 2(h) x

Cuando se cumple esta condicin se dice que la funcin aleatoria Z(x) es homognea. Esta
condicin se encuentra con bastante frecuencia en la naturaleza, pues existen muchos
procesos que no tiene varianza finita y sin embargo, poseen una funcin variograma finita.
La estacionaridad de segundo orden, siempre implica la condicin intrnseca
(homogeneidad), sin embargo la relacin inversa no siempre se cumple.
IV- Procesos Cuasiestacionarios. En la prctica la funcin estructural, covarianza o
semivariograma, es slo usada por lmites ,h,s b. El lmite b representa la extensin de la
regin en la que el fenmeno estudiado conserva cierta homogeneidad del comportamiento
de Z (x
i
). En otros casos, b pudiera ser la magnitud de una zona homognea y dos variables
Z(x) y Z(x+h) no pueden ser consideradas en la misma homogenizacin de la mineralizacin si
|h| > b. En tales casos, podemos, y verdaderamente debemos, estar satisfecho con una
funcin estructural C(x,x+h) o (x,x+h), lo que no es ms que estacionaridad local (para
distancias h menores que el lmite b). Esta limitacin de la hiptesis de estacionaridad de
segundo orden (o la hiptesis intrnseca si slo el variograma es asumido) a slo esas
distancias |h|sb corresponde a la hiptesis de cuasiestacionaridad. Est hiptesis es
verdaderamente un compromiso de la escala de homogeneidad del fenmeno y la cantidad
de datos disponibles.
En la prctica segn Armstrong y Carignan (1997) y Chica (1987) son dos las hiptesis que
ms se presentan: La Estacionaridad de Segundo Orden y la Hiptesis Intrnseca. Estas
condiciones de estacionaridad se asumen en el desarrollo terico, en la prctica deben ser
verificadas en los datos antes de comenzar un estudio geoestadstico, para lo que se puede
realizar un anlisis estadstico de la informacin, de modo que se refleje de as el grado de
confiabilidad en la aplicacin de estos mtodos.


6. CONOCIMIENTO DEL PROBLEMA
Antes de comenzar un estudio geoestadstico se deben discutir todos los elementos que
aporten conocimientos del problema a resolver, la estructura geolgica en que se desarrolla
la mineralizacin o el fenmeno en estudio, organizacin y verificacin de la informacin
disponible y finalmente realizar el anlisis exploratorio de los datos.
Una vez obtenido los datos, es necesario que se controlen integralmente a fin de verificar de
una parte su exactitud y de otra su representatividad. Es importante que se est
familiarizado con los datos, discutir todos los elementos necesarios a fin de conocer el
problema a resolver. En la minera los resultados son muy sensibles al nivel de informacin
usado cualquier modificacin involuntaria en la etapa inicial se refleja sistemticamente
durante todo el estudio.
7. CONCEPTOS NECESARIOS DE ESTADSTICA BSICA
Con el objetivo de conocer la informacin disponible se puede hacer un anlisis de la
estadstica descriptiva. A continuacin se presenta un resumen de los conceptos necesarios
de estadstica bsica.
A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la distribucin de
los datos es normal, lognormal, o si no se ajustan a una distribucin estadstica, lo cual
implica tener conocimiento de:
B: Construccin de grficos estadsticos: Estos grficos permiten ilustrar y entender las
distribuciones de los datos, identificar datos errados, valores extremos, los mismos incluyen:
1.- Mapa base, seccin cruzada y vista en perspectiva: Son usados para visualizar la relacin
espacial en 2 y 3 dimensiones, permiten encontrar errores en la informacin.
2.- Histogramas: Son usados para ver las caractersticas descriptivas de la distribucin. Es un
grfico de barras donde en las abscisas aparecen los lmites de las clases y en las ordenadas
las frecuencias correspondientes a cada clase.

3.-Frecuencia acumulativa: Usado para identificar el tipo de distribucin muestral y ayuda a
determinar si estn presentes poblaciones mixtas. Es un grfico de lmite de clase contra
frecuencia acumulada.
En el caso de grficos estadsticos es til usar los grficos de frecuencia absoluta, relativa,
acumulativa y el diagrama de dispersin, como se presenta en muchos sistemas.
Todos estos elementos permiten decidir sobre las condiciones de estacionaridad vistas
anteriormente. Muchos autores slo toman como elementos fundamentales de estadstica
bsica que: la media y la mediana tome valores prximos; el coeficiente de variacin sea
inferior a 1; la distribucin de los datos est prxima a la curva normal y no existan valores
extremos que afecten el desarrollo del anlisis estructural.

8. EL ANLISIS ESTRUCTURAL
El anlisis estructural o estudio variogrfico segn (Armstrong y Carignan, 1997) est
compuesto por:
- El clculo del semivariograma experimental.
- El ajuste a este de un modelo terico conocido.
El clculo del semivariograma experimental es la herramienta geoestadstica ms importante
en la determinacin de las caractersticas de variabilidad y correlacin espacial del fenmeno
estudiado (Chica, 1987), es decir, tener conocimiento de cmo la variable cambia de una
localizacin a otra (Lamorey y Jacobsom, 1995; Issaks& Co.,1999), representando el til ms
importante de que dispone el geoestadstico para el anlisis del fenmeno mineralizado o de
la variable de distribucin espacial en estudio (Sahin et al.,1998; Genton, 1998a). Este
anlisis tiene como condicionantes: la distribucin estadstica, la existencia de valores
aberrantes o anmalos, la presencia de zonas homogneas o posibles zonaciones en la
distribucin de las leyes.

Puede ser calculado inicialmente el semivariograma medio, global u omnidireccional (ver
El Semivariograma Experimental), proporcionando una idea inicial de la variabilidad espacial
de los datos, siendo el ms idneo para representar u obtener una estructura clara y
definida. Posteriormente deben ser calculados los semivariogramas en diferentes
direcciones, puede ser calculado en 4 direcciones separadas 45 con tolerancia angular de
22.5, comenzando por 0 (figura 2a) hasta encontrar la direccin de mxima o mnima
variabilidad (figura 2b), pueden ser calculados tambin, ms especficamente, en 8
direcciones separadas por 22.5. Una forma rpida y prctica de visualizar la existencia de
anisotropa es mediante el clculo del Mapa de Variogramas (Frykman y Rogon, 1993;
Homand-Etienne et al., 1995; Isaaks& Co.,1999), el cual adems permitir obtener la
direccin inicial aproximada para el clculo de los semivariogramas direccionales,
permitiendo un anlisis adecuado de anisotropa. Posteriormente, dependiendo de la
Continuidad espacial, es suficiente slo calcular dos semivariogramas separados 90.

Ahora, el semivariograma experimental obtenido no es utilizado en el proceso de
estimacin, debe ser ajustado a ste uno a varios modelos tericos, obtenindose un
modelo o funcin analtica que caracteriza la continuidad espacial de la variable estudiada.
Los modelos de variograma terico utilizado en el proceso de estimacin o simulacin deben
satisfacer ciertas condiciones, es decir tienen que ser definido positivo o de tipo positivo
(Deutsch, 1994; Myers, 1992; Cressie y Grondona, 1992) de lo contrario puede existir el


riesgo de encontrar varianzas negativas que no tienen sentido (Armstrong y Carignan, 1997).
En general el ajuste a modelos tericos para la determinacin de los parmetros del
semivariograma se realiza de forma visual. En ocasiones se efectan ajustes polinomiales por
el mtodo de los mnimos cuadrados u otras variantes, que aunque se encuentra el mejor
ajuste, no siempre se verifica la condicin de que el variograma obtenido sea siempre de
tipo positivo, siendo insatisfactorio (Genton, 1998b), por lo que se recomienda el uso de
modelos autorizados. Finalmente debe obtenerse uno o varios modelos de variogramas con
los correspondientes valores de meseta y alcance. El modelo de variograma seleccionado
debe representar fielmente los aspectos que se suponen importantes del variograma
experimental (Wackernagel, 1995), que sern usados posteriormente en el proceso de
estimacin o simulacin.
9. EL SEMIVARIOGRAMA EXPERIMENTAL
El variograma se define como la media aritmtica de todos los cuadrados de las diferencias
entre pares de valores experimentales separados una distancia h (Journel y Huijbregts,
1978), o lo que es lo mismo, la varianza de los incrementos de la variable regionalizada en las
localizaciones separadas una distancia h.
Var {Z(x+h)-Z(x)} = 2(h)
La funcin (h) se denomina semivariograma, la cual puede ser obtenida por la expresin.
| |
=
+ =
) (
1
2
) ( ) (
) ( 2
1
) (
h Np
i
i i
h x Z x Z
h Np
h

Dnde: Np (h): es el nmero de pares a la distancia h.
h : es el incremento.
Z (x
i
) : son los valores experimentales.
Xi : localizaciones donde son medidos los valores z (x
i
).

Esta expresin de (h) representa el til ms importante en todo estudio geoestadstico.Su
clculo no consiste en una simple evaluacin de su expresin, segn se plantea en esta
operacin est relacionada con los elementos siguientes:
- La direccin en la que ser calculado el semivariograma, uno o dos ngulos que definen
una direccin en el espacio o y/o | con tolerancias angulares do y/o d|. El
semivariograma calculado usando tolerancia angular de 90 se denomina
semivariograma medio, global u omnidireccional como ya se indic.
- El incremento o paso en el clculo del semivariograma h y su tolerancia lineal dh, se
recomienda que el valor de dh sea la mitad del incremento inicial.
- Una distancia, que representa la distancia mxima a que pueden estar alejados los
segundos puntos del par con respecto a la lnea que define la direccin de clculo,
conocido como ancho de banda.
- La distancia L
max
hasta la cual ser calculado del semivariograma. Se recomienda que sta
sea la mitad de la distancia entre las muestras ms alejadas (Armstrong y Carignan, 1997;
Krajewski y Gibbs, 1993), aunque dependiendo de la geometra del fenmeno
regionalizado en algunos casos puede ser calculado hasta una distancia superior.
Definido los elementos anteriores, se evala la expresin del semivariograma para todos los
pares de localizaciones separadas a la distancia h que cumplan las siguientes condiciones:


1.- La distancia entre las localizaciones xi y xi+h sea mayor que h-dh y menor que h+dh, o lo
que es lo mismo, el segundo punto del par est incluido en el espacio definido por h-dh y
h+dh encontrndose el primer punto del par en el origen o (figura 3), este origen se mueve
entre las muestras a analizar.




2.-El ngulo formado entre la lnea que une los dos puntos del par y la direccin 0
o
debe
estar incluido entre o-do y o+do (figura 4).
3.- La distancia entre el segundo punto del par y la lnea que define la direccin de clculo
del semivariograma no debe superar el ancho de banda (Deutsch y Journel, 1998) (figura
5).
Finalmente se representan grficamente los valores de (h) en funcin de h.



El grfico de (h) tiene las siguientes caractersticas segn (Armstrong y Carignan, 1997;
Krajewski y Gibbs, 1993; Curran y Atkinson, 1998) (figura 6).
- Pasa por el origen (para h=0, (h)=0)
- Es en general una funcin creciente de h.
En la mayor parte de los casos (h) crece hasta cierto lmite llamado meseta, en otros casos
puede crecer indefinidamente. El comportamiento en el origen puede tener diferentes
formas, las cuales son segn Journel y Huijbregts (1978), Armstrong y Carignan (1997), Chica
(1987) (figura 7):
Parablico: Caracteriza a una variable muy regular, siendo continua y diferenciable.
Lineal: Caracteriza a una variable continua, pero no diferenciable, es decir menos regular.
Discontinuidad en el origen: Efecto de pepita, es el caso en que (h) no tiende a cero
cuando h tiene a cero. Representa a una variable muy irregular.
Discontinuo puro: Llamado tambin ruido blanco, representa el caso de mayor
discontinuidad, siendo el caso lmite de ausencia de estructura, donde los valores de dos


puntos cualesquiera no tienen correlacin alguna.
10. MODELADO DE SEMIVARIOGRAMAS:
El modelado de semivariogramas incluye dos etapas fundamentales, una vez construido el
semivariograma experimental o emprico es necesario ajustar a este un modelo terico, con
el objetivo de determinar los parmetros descriptivos del semivariograma que
posteriormente sern usados en la estimacin.
11. PARMETROS DEL SEMIVARIOGRAMA
Los parmetros del semivariograma caracterizan tres elementos importantes en la
variabilidad de un atributo que son: la discontinuidad en el origen (existencia de efecto de
pepita), el valor mximo de variabilidad (meseta), y el rea de influencia de la correlacin
(alcance), (figura 8). Como se presentan y se describen a continuacin.

El Efecto Pepita (Nugget): El semivariograma por definicin es nulo en el origen, pero en la
prctica las funciones obtenidas pueden presentar discontinuidad en el origen, a esta
discontinuidad se le llama efecto de pepita, en ingls (Nuggeteffect). Puede ser obtenido
trazando una lnea recta entre los primeros puntos del semivariograma emprico y extender
sta hasta que se intercepte con el eje Y. Si esta interseccin ocurre por debajo de cero, el
valor asumido por este efecto es cero, pues valores negativos de (0) no tienen significado y
no es comn. El efecto pepita se representa como C
o
.


La Meseta (Sill): Es el valor de (h) para el cual con el aumento de h su valor permanece
constante, se representa como (C
T
= C + C
o
) y se denomina meseta. Puede obtenerse
trazando una lnea paralela a la abscisa y que se ajuste a los puntos de mayor valor del
semivariograma y su valor se lee en la interseccin de esta lnea con la ordenada.
El Alcance (Range): La distancia h para la cual las variables Z(x) y Z(x+h) son independientes,
se denomina alcance y se representa por (a), es decir, las distancias para la cual los valores
de la variable dejan de estar correlacionados, o lo que es lo mismo, la distancia para la cual
el semivariograma alcanza su meseta.
El alcance siempre tiene valor positivo y puede ser obtenido a partir de la interseccin de las
lneas descritas en los puntos anteriores, ese punto ledo en la abscisa es una fraccin del
propio alcance, fraccin que se detallara posteriormente en la explicacin de los modelos
tericos
12. MODELOS TERICOS DE SEMIVARIOGRAMAS
Los modelos tericos de semivariogramas admisible o autorizados ms utilizados en la
prctica se presentan en Journel y Huijbregts (1978) en los que coinciden Krajewski y Gibbs
(1993), Deutsch y Journel (1998), Bacchi y Kottegoda (1995), Wackernagel (1995), Armstrong
y Carignan (1997), Myers (1991c), Kiyono y Suzuki (1996). Atendiendo a las dos
caractersticas ms importantes en el modelado de semivariogramas que son segn Journel
y Huijbregts (1978): 1.- Su comportamiento en el origen, el cual puede ser linear, parablico
y con Efecto de Pepita y 2.- La presencia o ausencia de meseta. Estos modelos son:
Efecto de Pepita: Corresponde a un fenmeno puramente aleatorio (ruido blanco), sin
correlacin entre las muestras, cualquiera sea la distancia que las separe, (figura 9), donde C
representa el valor de la meseta.
(h) = 0 h = 0
= C | h | > 0




Modelo Esfrico: Este modelo es
probablemente el ms utilizado, es una
expresin polinomial simple, en su forma
representada en la figura 10, se puede
observar un crecimiento casi lineal y
despus a cierta distancia finita del origen
se alcanza una estabilizacin, la meseta.
La tangente en el origen encuentra a la
meseta en el punto de abscisa (2/3) a, donde a representa el valor del alcance.
(h) = C [(3/2) (h/a) - (h/a)
3
]

h s a
C h > a

Modelo Exponencial: Este modelo a
diferencia del esfrico crece inicialmente
ms rpido y despus se estabiliza de
forma asinttica (figura 11). Como la
meseta no se alcanza a una distancia
finita, se usa con fines prcticos el
alcance efectivo o alcance prctico a,


valor que se obtiene en el punto de abscisa para el cual el modelo obtiene el 95% de la
meseta, con un valor a=3a, donde a es el parmetro de escala. La tangente en el origen
encuentra a la meseta en el punto a= (1/3)a.
(h) = C [1 - Exp(-|h|/a)] |h| > 0

Modelo Gaussiano: Este es un modelo
extremadamente continuo (figura 12),
inicialmente presenta un
comportamiento parablico en el
origen, despus al igual que en el
modelo Exponencial se alcanza la
meseta de forma asinttica. El alcance
prctico tiene un valor de a=1.73a, que
es el valor de la abscisa donde se
alcanza el 95% de la meseta.
(h)= C [ 1 - Exp(-|h|
2
/a
2
)] |h| > 0

Modelo con funcin potencia: Este es un
modelo sin meseta, su forma se
representa en la figura 13, para valores
de o correspondientes a 0.5, 1.0 y 1.5.

(h) = |h|
o
con oe]0, 2[


Para el valor de o=1 en el modelo anterior se obtiene el modelo Lineal, al cual no tiene ni
meseta ni alcance. Ahora por efectos prcticos, sin embargo, muchos programas
informticos denotan la pendiente del modelo lineal con la relacin C/a (figura 14).
(h) = (C/a) |h|

Se han presentado los modelos ms usados
en la prctica, aunque se debe sealar,
existen otros modelos que son
ampliamente descritos en el manual de
referencias del sistema geoestadstico
Isatis.

Estos modelos pueden ser ajustados individualmente, aunque es posible encontrar en la
prctica aplicaciones donde a los semivariogramas experimentales se les debe ajustar ms
de un modelo terico, es decir, a travs de superposicin, nombrndose estructuras
imbricadas (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977).

La seleccin del modelo y los parmetros apropiados a las caractersticas del semivariograma
emprico, para ser usados en la interpolacin geoestadstica que veremos posteriormente es
el punto ms importante en el proceso planteando (Arik, 1990), adems, esta seleccin es
fundamental en el caso particular de la minera donde se presentan yacimientos: con
irregularidad en la densidad de barrenos; sin una adecuada perforacin; con alta asimetra
en la distribucin o que carecen de un modelado geolgico propio. Al respecto se refieren
muchos autores sobre el efecto negativo que puede tener en la estimacin el uso del
krigeaje sin un estudio de estructura espacial y la seleccin adecuada del modelo de
semivariograma y sus parmetros.


1.1. Anlisis de anisotropa
Conviene aqu realizar un anlisis sobre el comportamiento de la variabilidad del atributo en
estudio. Se conoce que el semivariograma describe las caractersticas de continuidad
espacial de la variable regionalizada en una direccin, pero este comportamiento pueden
variar segn la direccin que se analice, como se discute en Journel y Huijbregts (1978),
David (1977), Zimmerman (1993), Krajewski y Gibbs (1993). Se exige por este motivo un
anlisis del comportamiento de la continuidad en distintas direcciones, el Anlisis de
Anisotropa.
Cuando el semivariograma calculado en diferentes direcciones (norte-sur, este-oeste, y en
direcciones intermedias de 45 o de 22.5, con tolerancia de 22.5
o
), muestra similar
comportamiento, se dice que el fenmeno es Isotrpico, cuando muestran diferentes
comportamientos es Anisotrpico (Krajewski y Gibbs, 1993). Los tipos de anisotropas ms
comunes son la Geomtrica y la Zonal. (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978;
Armstrong y Carignan, 1997)
Anisotropa Geomtrica: Est presente cuando los semivariogramas en diferentes
direcciones tiene la misma meseta pero distintos alcance (figura 15).
Anisotropa Zonal: Est presente cuando los semivariogramas en diferentes direcciones
tiene diferentes mesetas y alcances (figura 16).


Al respecto en (Zimmerman, 1993), se hace un estudio profundo de los tipos de anisotropa,
proponiendo una nueva terminologa. En estos casos conviene realizar transformaciones de
coordenadas con el objetivo de obtener modelos Isotrpicos (Journel y Huijbregts, 1978;
Chica, 1987; Armstrong y Carignan, 1997).

1.1.1. Efecto proporcional
Cuando en el clculo del semivariograma se
detecta que existe una relacin linear entre el
valor medio de las muestras usadas en el
clculo de cada (h) y la desviacin estndar
correspondiente, se dice que existe un efecto
proporcional (heterosedasticidad). Este
efecto se puede detectar ploteando los
valores de X
m
contra o, es decir, que el
coeficiente de variacin (o/X
m
) sea aproximadamente constante, ocurre cuando los datos
presentan una distribucin lognormal (Journel y Huijbregts, 1978) (figura 17). La solucin a
este problema propuesta por David (1977) consiste en dividir cada valor del semivariograma
local por el cuadrado de la media local, y obtener lo que se conoce como semivariograma
relativo (David, 1977).

F (h) = (h)/X
m
2
(h)



| |
( )
| |
F h
N h
Z x Z x h
Z x Z x h
i i
i i
i
N h
( )
( )
( ) ( )
( ) ( )
( )
=
+
+ =
1
2
2
2
2
1

Puede ser calculado usando los pasos anteriormente presentados para el clculo de los
semivariogramas tradicionales.
Existen otras medidas de la continuidad espacial descritas en Journel y Huijbregts (1978) y
Pannatier (1993), las cuales permiten un anlisis estructural detallado con diferentes
objetivos.

2. Estimacin
Todo lo expresado hasta aqu tiene un nico objetivo, conocer la informacin disponible
para realizar, es decir, estimar valores desconocidos a partir, no slo de los conocidos, sino
tambin de su estructura de continuidad espacial. A diferencia de otra gran variedad de
mtodos de interpolacin que no utilizan estas caractersticas y que se emplean actualmente
con diferentes fines. Sin pretender hacer una comparacin profunda de las caractersticas y
ventajas de stos mtodos, veamos algunos ejemplos.
2.1. Triangulacin
Este mtodo consiste en ajustar un plano que pase por las tres muestras ms cercanas y
adyacentes a la localizacin que se desea estimar.
La ecuacin del plano es:
Z = a x + b y + c
Cada muestra tiene coordenadas (x, y) y z representa el valor muestreado.

Con el objetivo de obtener la ecuacin del plano que pase por las tres muestras se construye
el siguiente sistema de ecuaciones lineales:
a x
1
+ b y
1
+ c = z
1

a x
2
+ b y
2
+ c = z
2

a x
3
+ b y
3
+ c = z
3

Y as obtenemos los coeficientes a, b y c, entonces el valor de z en cualquier localizacin
dentro del tringulo correspondiente se puede obtener sustituyendo sus coordenadas en la
ecuacin de Z.
2.2. Inverso de la distancia
Este mtodo se basa en una combinacin lineal dada por: Z
*
(x) =
i
Z (x
i
)
En la que
i
son los pesos proporcionales al inverso de la distancia euclidiana entre las
localizaciones muestreadas y la que se desea estimar, estos pesos son calculados por:

i
= (1/d
oi
)/ 1/d
oj

Dnde: d
oi
es la distancia entre la localizacin a estimar y la localizacin de la muestra i.
Generalizando obtenemos:
Z
*
(x) = [
i+1,n
1/d
oi
Z(x
i
)] /
i=1,n
1/d
oj

Se pueden obtener distintos estimadores si escribimos la ecuacin anterior como:
Z
*
(x) = [
i=1,n
(1/d
oi
)
e
Z(x
i
)] /
i=1,n
(1/d
oj
)
e

Note que si e = 1 se obtiene la ecuacin anterior.

Estas dos tcnicas de estimacin utilizan directamente los valores muestreados en el
proceso de estimacin y refieren pesos de acuerdo a las distancias entre los datos, sin tener
en cuenta la continuidad espacial de la informacin disponible. Veamos ahora el krigeaje,
interpolador de la geoestadstica, que s utiliza los resultados que discutidos del anlisis
estructural.
Inicialmente, Matheron denomin a esta tcnica Krigeage (en francs) que en ingles se
convierte en Kriging y en espaol se escribe Krigeaje. Este trmino que tiene su origen en el
apellido de D.G. Krige, reconociendo de esta forma su aporte. El krigeaje es una tcnica de
estimacin que proporciona el mejor estimador lineal, y que adems proporciona una error
de estimacin conocido como varianza de krigeaje que depende del modelo de variograma
obtenido y de las localizaciones de los datos originales. Esto brinda la posibilidad de hacer
anlisis sobre la calidad de las estimaciones.
2.3. Planteamiento del problema del krigeaje
Como resultado de los trabajos de bsqueda y exploracin de yacimientos minerales, se
obtiene informacin del anlisis qumico de los testigos de perforacin y/o rocas de
afloramiento. Cualquiera sea la forma en que se organice esta informacin, debe ser
regularizada, de modo que se obtengan los valores de la caracterstica estudiada (contenido
mineral en el caso minero), acompaadas de las coordenadas de las localizaciones
correspondientes.
En trminos mineros, el problema de krigeaje consiste en encontrar la mejor estimacin
lineal posible del contenido mineral de un panel, teniendo en cuenta la informacin
disponible, mediciones que han sido obtenidas tanto en el interior como externamente al
panel que se desea estimar. El krigeaje consiste en efectuar una ponderacin, es decir,
atribuir un peso a cada valor observado, los pesos son calculados de manera que minimice la
varianza de estimacin resultante, teniendo en cuenta las caractersticas geomtricas del
problema (Matheron, 1970). Al minimizar la varianza de estimacin se garantiza el uso
ptimo de la informacin disponible (Zhang, 1996).

2.3.1. Ecuaciones del krigeaje
Se dispone de los valores muestreados Z (xi), i=1,,n, y deseamos estimar un valor de la
caracterstica observada en el panel Z(v) por una combinacin lineal de Z(xi).
Z*(v) = i Z (xi)
Donde Z*(v) es el valor estimado y i son los peso de krigeaje, de modo que los i sean
obtenidos de tal forma que proporcione un estimador: insesgado E [Z*(v) - Z(v)] = 0 y de
varianza mnima Var[Z*(v) - Z(v)]
La geoestadstica exige como primera etapa y fundamental el conocimiento del
comportamiento estructural de la informacin, es decir, se debe contar adems, con el
modelo de semivariograma terico que refleje fielmente las caractersticas de variabilidad y
correlacin espacial de la informacin disponible, discutido anteriormente. En el caso
minero, particularmente, por la forma en que se presenta la informacin, de estar
condicionada en una direccin por diversos parmetros (Rivoirard y Guiblin, 1997), se debe
obtener modelos de variogramas verticales y horizontales, el primero, que caracteriza la
correlacin espacial en esta direccin, es decir a travs de los estratos, y el segundo en los
estratos, obtenindose un modelo conjunto para la estimacin de bloques (Pan y Arik, 1993;
Armstrong y Carignan, 1997). Los bloques a estimar son definidos con dimensiones
convenientes a la unidad de seleccin minera, teniendo en cuenta el espaciamiento entre
muestras y el alcance estructural, es decir, la distancia hasta la cual las muestras se
encuentran correlacionadas espacialmente. Las ecuaciones del krigeaje se obtienen
entonces de acuerdo las hiptesis de la geoestadstica que deben ser asumidas y verificadas
como ya se indic.
Teniendo en cuenta las hiptesis de la geoestadstica se pueden obtener las ecuaciones del
krigeaje para los siguientes casos: funcin aleatoria estacionaria de esperanza nula o
conocida, mtodo conocido como Krigeaje Simple, para una funcin aleatoria estacionaria
de esperanza desconocida, y una funcin aleatoria intrnseca, mtodo conocido para los dos
ltimos casos como Krigeaje Ordinario.

A continuacin se presenta el sistema krigeaje para estos casos:
2.3.1.1. Krigeaje Simple
Estimador: Z*(v) = i Z (xi) + m (1- i).
Sistema: i C (xi, xj) = C (xj, v) j = 1,, n
Varianza de krigeaje: o
2
= C (v,v) - i C(xi, v)

2.3.1.2. Krigeaje Ordinario
En trminos de la covarianza
Estimador: Z*(v) = i Z (xi)
Sistema: i C (xi, xj) - = C (xj, v) i,j = 1,,n
i = 1
2
= C (v,v) - i C(xi, v) +

En trminos del semivariograma
Estimador: Z*(v) = i Z (xi)
Sistema: i(xi, xj) + = (xj, v) j = 1,, n
i = 1
2
= i (xi, v) - (v,v) +

En todos los casos el sistema puede ser escrito matricialmente de la forma: K = C

Al sistema krigeaje es necesario hacer algunas observaciones segn Journel y Huijbregts
(1978):
1.- El sistema krigeaje tiene solucin nica si y solo s la matriz de K es definida estrictamente
positiva, es decir:

i=1,n
j=1,n
j
C(x
i
, x
j
) > 0
O en trminos de variograma:
-
i=1,n
j=1,n
j
(x
i
, x
j
) > 0
Y no existen datos con las mismas coordenadas.
2.- El krigeaje, el cual es un estimador imparcial, es tambin un interpolador exacto, es decir,
para iguales soportes de observacin v
o
(o=1,, n) y de estimacin V, Los valores real Z
o
y
estimado Z* son iguales, adems de que la varianza de krigeajeo
2
k
es cero.
3.- Las expresiones del sistema krigeaje y de la varianza de krigeaje son completamente
generales, es decir, son aplicables cualesquiera sean los soportes de observacin y
estimacin y el modelo estructural empleado.
4.- El sistema krigeaje y la varianza de krigeaje dependen slo: del modelo estructural C(h) o
(h) obtenido y de la geometra del soporte de observacin. Esta caracterstica da la
posibilidad de que la varianza de krigeaje sea usada cuidadosa y convenientemente para el
estudio de redes y la clasificacin de recursos.
En el proceso de krigeaje, la matriz que se obtiene tiene dimensiones de hasta (N+1) x
(N+1), cuando existen muchos datos en el rea de influencia definido por los alcances esta
matriz es grande, lo que implica tiempo para la solucin del sistema, sin embargo (Myers,
1991c), excepto para las localizaciones vecinas de la localizacin a estimar, los pesos son
ceros o prximos a cero, conocido como el efecto pantalla del krigeaje. En la prctica, se
establece una vecindad de bsqueda para evitar el trabajo con grandes sistemas, el cual es
recomendado en la totalidad de la literatura bsica de geoestadstica. Todos los sistemas

que implementan la estimacin por krigeaje, permiten la definicin de una vecindad de
bsqueda, la cual debe ser obtenida con reducciones proporcionales en cada uno de los
alcances, o la estimacin por cuadrantes u octantes, limitando el nmero de muestras a usar
en el proceso de krigeaje. De modo que los pesos asignados a las muestras ms lejanas a la
localizacin a estimar y dentro de la vecindad de bsqueda no sean negativos, nulos o
prximos a cero. En ocasiones por esta razn se realizan compensaciones por el sistema de
krigeaje que pueden arrojar pesos negativos y por consiguiente valores negativos en la
estimacin.
2.4. El caso no estacionario, Krigeaje Universal (KU)
Uno de los problemas encontrados al modelar semivariogramas segn Krajewski y Gibbs
(1993) y ASCE Task (1990) es la existencia de tendencia en los datos, es decir, que los valores
medidos aumentan o diminuyen en alguna direccin en el rea de estudio. Este es el caso de
un fenmeno no estacionario, lo que hace imposible la aplicacin del krigeaje presentado
hasta aqu. Con el objetivo de solucionar este problema Matheron propuso dos
aproximaciones, primero el Krigeaje Universal (KU) (Matheron, 1970), que consiste en
extraer de la variable original Z(x) la parte no estacionaria por medio de una componente
determinstica m(x) que representa la deriva, hasta encontrar la parte estacionaria del
fenmeno, obtenindose un componente estocstico R(x) relacionados por la siguiente
expresin:
Z(x) = m(x) + R(x).
Para el componente determinstico se sugiere utilizar una funcin polinomial de las
coordenadas para modelar la tendencia, es decir:
m x a f x
l
l
l
K
( ) ( ) =
=
0

Donde a
l
son coeficientes y f
l
es la funcin que describe la tendencia. As pueden obtenerse
derivas simples, lineales, cuadrticas, etc., (Jones y Vecchia, 1993; Maisonneuve, 1998). Para
una deriva simple el KU se reduce al Krigeaje Ordinario (Christensen, 1993; Renard, 1998).


Obtenindose finalmente el sistema Krigeaje Universal.

| o | | o
|
o o
o
( , ) ( ) ( , )
( ) ( )
x x a f x x x
f x f x
l
l
o
l
K N
l l
o
N
+ =
=
= =
=

0 1
1

Con varianza de estimacin.
o
o o |
o
KU l
l
o
l
K N
x x a f x
2
0 1
= +
= =

( , ) ( )
Una variante de krigeaje que tiene en cuenta esta situacin, fue desarrollada por
Goldberger, A, S. en 1962 y descrita por Matheron en 1969, para tratamiento de datos
dbilmente estacionarios y con tendencia. La aplicacin de KU puede resultar difcil por la
indeterminacin de la tendencia y del semivariograma (Carr, 1990; Armstrong y Carignan,
1997; Renard, 1998).
Una aproximacin ms general es el estudio del modelo de Funciones Aleatorias Intrnsecas
de orden K, la cual consiste en construir incrementos de orden creciente hasta alcanzar un
orden K para el cual dichos incrementos son estacionarios (Christensen, 1990).

3. Geoestadstica Multivariada
Los conceptos presentados hasta aqu, extendidos a ms de una variable, se denominan
Geoestadstica Multivariada. Es posible encontrar casos de variables de inters que estn
insuficientemente muestreadas, pero que se conoce su correlacin con otras variables en la zona de
inters. Utilizando esta correlacin es posible estimar una variable de inters a partir de la
informacin de la propia variable adems de las correlacionadas con ellas (Esto es, el Co-Krigeaje,
una extensin o generalizacin del krigeaje cuando ms de una de las variables disponibles guardan
relacin entre s. En este caso, se requiere conocimiento no slo del modelo de semivariograma de

cada una de las variables, sino adems, del semivariograma cruzado entre las. Existen variantes de
Co-Krigeaje ms generales para la integracin de datos.
En este proceso, se pueden distinguir las siguientes:
Isotopa: Se produce cuando todas las variables poseen valores medidos en todas las
localizaciones. En este caso no es de inters aplicar el procedimiento multivariado, porque el
Co-Krigeaje en este caso puede resultar equivalente al krigeaje, se dice variables
autokrigeables.
Heterotopa total: Cuando las variables poseen valores medidos en localizaciones diferentes.
En este caso no es de inters tampoco aplicar procedimiento multivariado, adems, de que
no es posible obtener el semivariograma cruzado experimental.
Heterotopa parcial: Esta situacin se produce cuando algunas (la mayor parte) de las
localizaciones muestreadas poseen valores medidos de todas las variables, un caso
importante es cuando las muestras de la variable de inters estn incluidas como un
subconjunto de las dems variables. En este caso pueden ser calculados los semivariogramas
cruzados y resulta ventajoso utilizar el procedimiento Co-Krigeaje.
3.1. Semivariogramas cruzados
El semivariograma cruzado se obtiene por la ecuacin:
| || |
AB A i A i
i
N h
B i B i
h
N h
Z x Z x h Z x Z x h ( )
( )
( ) ( ) ( ) ( )
( )
= + +
=
1
2
1

Dnde: Z
A
y Z
B
son variables correlacionadas, Z
A
la variable de inters y Z
B
la variable auxiliar
o secundaria.
Los criterios para el clculo del semivariograma cruzado son anlogos al caso univariado,
mientras el semivariograma directo toma slo valores positivos, el cruzado puede tomar
valores negativos, lo que indica correlacin inversa entre las variables. Un aspecto
importante en el modelado de los semivariogramas cruzados es que deben satisfacer la
desigualdad de Cauchy Schwarz (Wackernagel, 1995):

) ( ) ( ) ( h h h
B A AB
s
Una forma de modelar los semivariogramas cruzados consiste en ajustar
independientemente los semivariogramas de las variables Z
A
, Z
B
y el de la suma Z
A
+ Z
B
, los
cuales estn relacionados por la siguiente expresin.
| | ) ( ) ( ) (
2
1
) ( h h h h
B A B A AB
=
+

En Issaks y Srivastava (1989) se presentan elementos para el clculo y ajuste de los
semivariogramas en el caso multivariado, adems del Modelo Lineal de Corregionalizacin
como procedimiento para modelar semivariogramas directos y cruzados.
3.2. Co-Krigeaje.
El sistema Co-Krigeaje Simple se presenta a continuacin.
e o
| o | o |
|
j
ij ii i
n
j
N
C x x C x x for i N n
o
j
( ) ( ) ,... ; ,..., = = =
= =

1 1
1 1

La varianza es:
o e
| o
o
CK
i
ii o i i o o
n
j
N
o o o
i
x x x x
2
1 1
=
= =

( ) ( )

El sistema Co-Krigeaje Ordinario es:
e o
e o
| o | o |
|
|
|
j
ij i ii i
n
j
N
i
ii
n
x x x x for i N n
for i N
o
j
o
i
( ) ( ) ,... ; ,...,
,...,
+ = = =
= =
= =
=

1 1
1
1 1
1

Dnde:
=
=
=
o
o
ii
i i si
i i si
o
0
1
o

Y la varianza es:
o e
| o
o
CK
i
ii o i i i o o
n
j
N
o o o o
i
x x x x
2
1 1
= +
= =

( ) ( )

3.3. Krigeaje con Deriva Externa
Este procedimiento es un simple y eficiente algoritmo para incorporar una segunda variable
Y(x) en la estimacin de una primaria Z(x) (Deutsch y Journel, 1998). Consiste en una
extensin del Krigeaje con Modelo de Tendencia o Krigeaje Universal que integra
condiciones de universalidad suplementarias relativas a una o varias variables externas Yi
(x) i = 1,..., N medidas de forma exhaustiva en todo el dominio donde se desea estimar la
variable de inters (Wackernagel, 1993). Si la variable Y(x) que llamaremos secundaria tiene
un comportamiento lineal con la variable de inters Z(x) que llamaremos primaria, es decir,
si se cumple la relacin: ) ( )} ( { E x bY a x Z + = u otra relacin polinomial con sentido fsico, es
posible incorporar sta en el sistema de krigeaje, integrado dos fuentes de informacin con
diferente grado de conocimiento. Obtenindose el siguiente sistema:
(
(
(
(
(
(
(
(
0 0
0 0 1 1 1
1
1
1
2 1
1
2 2 22 21
1 1 12 11
N
N
Z
NN
Z
N
Z
N
Z Z
Z
N
Z Z
Y Y Y
Y C C
Y C C C
Y C C C
1
2
1
2
(
(
(
(
(
(
(
=
C
C
C
Y
Z
Z
N
Z
10
20
0
0
1
(
(
(
(
(
(
(
(

o en notacin matricial C w B =
El estimador es: Z Z
i i
i
N
0
1
=
=

Y la varianza de estimacin: o
2
00
= C
Z
w B
T

Dnde: T como superndice denota matriz transpuesta,

C
ij
Z
: Covarianza de la variable primaria entre las localizaciones i y j.

3.4. Co-Krigeaje con Variable Colocalizada (CollocatedCoKriging)
Otro modelo que incorpora una o varias variable externa para la estimacin de una primaria
consiste en una forma reducida de sistema de Co-Krigeaje (Deutsch y Journel, 1998), que
incluye a la variable de inters y la variable secundaria conocida en todo el dominio donde
ser estimada la variable primaria.
El sistema de CollocatedCokriging es:

C C C C
C C C C
C C C
C C C C
Z Z
N
Z ZY
Z Z
N
Z ZY
N
Z
NN
Z
N
ZY
ZY ZY
N
ZY Y
11 12 1 10
21 22 2 20
1 0
01 02 0 00
1
1
1
1
1 1 1 1 0
(
(
(
(
(
(
(
(
1
2
1
N
w
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
1
00
0
20
10
ZY
Z
N
Z
Z
C
C
C
C

O en notacin matricial: C w B =
El estimador es: | | Z Z w Y m m
i i
i
N
Y Z 0
1
0
= + +
=

La varianza de estimacin es: o
2
00
= C
Z
w B
T

Dnde:
Y
0
: Es el valor colocado de la variable secundaria en la localizacin a estimar x
0
.
i
(i = 1,..., N): pesos asignados a los datos experimentales de la variable primaria.
w : Peso asignado a la variable secundaria.

m
Y
: Esperanza matemtica de la variable secundaria.
m
Z
: Esperanza matemtica de la variable primaria.
C
ij
Y
: Covarianza de la variable secundaria entre las localizaciones i y j.
C
ij
ZY
: Covarianza cruzada entre la variable primaria y secundaria en las localizaciones iyj.
Y Y x
i i
( ) Y lo mismo para la variable primaria.
1
Y
2
: multiplicadores de Lagrange.
Los valores C
ij
ZY
pueden aproximarse por la expresin C
ij
ZY
= B
Z
ij
C , donde:
B = ( ) 0
ZY
Z
ij
Y
ij
C C ,
Z
ij
C ,
Y
ij
C son las varianzas de las variables Z y Y, ( ) 0
ZY
es el coeficiente
de correlacin entre las variables Z y Y.

4. Geoestadstica no Lineal
En ocasiones nos encontramos situaciones con caractersticas que las tcnicas lineales no
permiten modelar, datos con alta asimetra por ejemplo. En estos casos se pueden realizar
transformacin a los datos, y obtener configuraciones de estos que si pueden ser explicados
por el krigeaje, para lo que se han adoptado variantes como el KrigeajeLognormal, Krigeaje
de Indicadores, El Krigeaje Disyuntivo (Carr y Mao, 1993), El Krigeaje de Probabilidades (Carr,
1994; Carr y Mao, 1993), etc. La idea de estos procedimientos es realizar transformaciones
en los datos originales hasta encontrar homogeneidad en la informacin, utilizar la tcnica
Krigeaje descritas hasta aqu y posteriormente realizar la transformacin inversa. Un estudio
ms detallado en este sentido puede ser encontrado en Chica (1987), Deutsch y Journel
(1998), Rivoirard (1991), entre otros.


5. Conclusiones:
Hasta aqu hemos expuesto los elementos fundamentales de la geoestadstica, ciencia
aplicada que surge como solucin a problemas concretos en la estimacin de reservas
minerales y que toma auge en otros campos de las Ciencias de la Tierra.
Es importante destacar que la estimacin a travs del krigeaje, se hace buscando y utilizando
las caractersticas de continuidad espacial del fenmeno estudiado, caractersticas que
constituyen la contribucin fundamental de la geoestadstica a travs de las diferentes
variantes de interpolacin que propone.

Bloqueo de y Calculo de Reservas en Tajo Abierto

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Bloqueo de y Calculo de Reservas en Tajo Abierto

Caricato da

Copyright:

Formati disponibili

METODOS DE CLCULO DE RESERVAS MINERALES

FACULTAD DE INGENIERIA DE MINAS - UNCP Pgina 1

Potrebbero piacerti anche