Evaluación de Las Reservas Métodos Geoestadísticos

CAPITULO 6
EVALUACION DE LAS RESERVAS: METODOS

GEOESTADISTICOS
1. INTRODUCCION
El término Geoestadística surge de la combinación del carácter aleatorio que

presentan las variables a estudiar (p.e. ley de un yacimiento) con el carácter geológico
que, indudablemente, poseen. Estos métodos, desarrollados por Matheron y la Escuela
de Minas de París a partir de comienzos de los años sesenta, ofrecen, en principio, una
óptima evaluación de las reservas de un yacimiento. Si bien sus comienzos se sitúan,
como se ha comentado, en la década de los sesenta, su problemática es anterior,
pudiéndose centrar en los trabajos de Sichel (1949) y Krige (1951), quienes trabajaban
en las minas de oro de Sudáfrica y observaban el carácter lognormal de las
distribuciones de las leyes en oro, intentando buscar soluciones a la estimación de las
reservas de los yacimientos auríferos, estimaciones que llevasen implícito, como es
lógico, el menor error en la predicción. De la minería, la Geoestadística se ha exportado
a numerosas ramas de la Ciencia, estando, en la actualidad, presente en campos como
la Meteorología, Hidrogeología, Edafología, Agricultura, etc.
En el presente capítulo se va a pasar revista, de forma sintética, a los principios

básicos del análisis geoestadístico, sacrificando, en ocasiones, el rigor matemático en
aras de una mejor comprensión, así como a las principales aplicaciones que se
desarrollan a partir de él. En particular, la estimación del valor de la variable en un
punto o bloque a partir de un número determinado de valores conocidós (denominado
krigeaje o krigeado en Geoestadística), que constituye, no hay que olvidarlo, el objetivo
básico de todo proceso evaluador de las reservas de un yacimiento.
Queda fuera de los objetivos del presente libro un estudio exhaustivo, por otra parte
imposible dada la abundancia y complejidad del tema, por lo que, para una revisión
completa, se remite al lector a las numerosas publicaciones existentes, entre las que
se pueden citar, como más representativas, las de David (1977), Journel y Huijbregts
(1978), Clark (1979), Rendu (1981), David (1988), lsaaks y Srivastava (1989) y Annels
(1991).
Merece la pena repetir aquí la importancia de las técnicas geoestadísticas, ya

citadas al comienzo del capítulo anterior, pues si bien el método en sí no es más que
- 197 -
Capítulo 6. Evaluación de las reservas: métodos geoestadísticos
una técnica de estimación (similar a cualquiera de las expuestas en el capítulo 5),

ofrece un valor inestimable cual es el error que se comete en el proceso de estimación.
Este hecho, junto con los buenos resultados, globalmente, que ofrece, hacen de este
método de trabajo uno de los más utilizados en minería, especialmente cuando se trata
de yacimientos de materias primas de alto valor y comportamiento muchas veces
errático.
En la Figura 6.1 se muestra la idea básica de la aplicación de las técnicas

geoestadísticas a la evaluación de un yacimiento.,A partir de los datos obtenidos en el
análisis de los sondeos, y tras un estudio del tipo de distribución que presentan, se lleva
a cabo el cálculo de los semivariogramas experimentales. A éstos se les ajusta un
modelo teórico de semivariograma, lo que permite, a través de la técnica del krigeaje,
realizar una estimación, bien puntual (krigeaje puntual) o bien por bloques (krigeaje de
bloques), de las variables involucradas, normalmente ley y/o potencia.
DISTRIBUCION KRIGING DE BLOQUES

1 ESTADISTICA
DE LAS LEYES 1
1
1 1
lzi•:tó•
1
1
YACIMIENTO 1
� º"
\
1 ""--"--'--'--.I--L---'-.3L-
1 KRIGING
1
1
\
�
1 □-A 1
I A-@ u
CORRELACION
I Al '□
u
1 ESPACIAL LJ
J(h)
1 z• = ESTIMADOR
1
VARIOGRAMA LINEAL, OPTIMO
LEYES DE LOS 1
E INSESGADO DE 1 ,,___.="'"
TESTIGOS DE \ UN BLOQUE O UN
LOS SONDEOS 1
PUNTO, BASADO
I rihÍ: iN¿(llx)-f(ll+h¡f: EN LOS VALORES 1 KRIGING PUNTUAL:
CIRCUNDANTES Y' MAPA DE ISOPLETAS
I _____
L.._ -¡¡ EN EL VARIOGRA A
Figura 6.1. Principales aplicaciones de la Geoestadística a la evaluación de un yacimiento

(ITGE, 1991).
2. APLICACIONES DE LA GEOESTADISTICA
Los métodos geoestadísticos y, en concreto, el examen de los semivariogramas,

pueden ser útiles para determinar, además de lo citado anteriormente, otros aspectos
como (Annels, 1991):
1) El tamaño óptimo de muestra.

2) El esquema de muestreo óptimo.
3) La densidad óptima de muestreo.
4) El área de influencia de cada muestra, que puede ser circular, elíptica, esferoidal o
elipsoidal.
- 198 -
Capítulo 6. Evaluación de las reservas: métodos geoestadístícos
5) La naturaleza de la mineralización, es decir, su caracterización. La información que

ofrece el semivariograma puede indicar la uniformidad de la mineralización o el
grado en el que dicha mineralización ha sido concentrada durante la precipitación
de las fases minerales.
Otras ventajas pueden ser:
1) Evitar la utilización de métodos de ponderación arbitrarios como el inverso de la

distancia.
2) La aplicación de un estimador insesgado en el cálculo de la ley de un depósito. El
mejor estimador es el que produce la mejor precisión (menor varianza).
3) Si la base de datos de partida es correcta, el método permite la determinación del
mejor estimador insesgado posible, lo que puede ser muy importante en
explotaciones que trabajan al límite de la economicidad.
3. TEORIA DE LAS VARIABLES REGIONALIZADAS
La Geoestadística establece que la distribución estadística de la diferencia en el

valor de una variable (p.e. ley) entre pares de puntos (muestras) es similar a lo largo
del yacimiento y que depende de la distancia y orientación entre los pares de puntos.
Este concepto, denominado concepto de estacionariedad, es el punto de partida de la
Geoestadística y, aunque no siempre se cumple, muy frecuentemente se asume. Así
pues, si bien la Estadística clásica considera sólo la magnitud de los datos y no toma
en cuenta ningún aspecto relacionado con la posición d�I dato, la Geoestadística
considera no sólo el valor del punto, sino también la posición de ese punto dentro del
cuerpo mineralizado y su relación con otras muestras. Esto se puede observar con un
sencillo ejemplo. Supóngase que se han tomado, en un yacimiento, dos conjuntos de
muestras en los que cada muestra está separada de la siguiente una distancia
determinada y que los resultados obtenidos en el análisis de las leyes han sido los
siguientes:
Conjunto 1: 3%, 5%, 7%, 9%, 8%, 6%, 4%, 2%

Conjunto 2: 9%, 3%, 8%, 2%, 6%, 5%, 7%, 4%
aplicando la Estadística clásica, ambos conjuntos de datos presentarían la misma

media y varianza (en sí son los mismos datos), pero se puede observar rápidamente
que tienen una marcada diferencia espacial, que se puede poner de manifiesto por las
diferencias sucesivas entre las muestras contiguas:
Conjunto 1: 2, 2, 2, 1, 2, 2, 2
Conjunto 2: 6, 5, 6, 4, 1, 2, 3
estos incrementos pueden, por tanto, utilizarse para poner de manifiesto la existencia
de una relación espacial en los valores de la variable.
- 199 -
De acuerdo con este concepto surge la idea de variable regionalizada, que es

aquélla cuyo valor en un punto dentro de un yacimiento es función de su magnitud y de
su soporte (volumen, forma y orientación). Ejemplos típicos de variables regionalizadas,
que pueden ser empleadas en el estudio geoestadístico de un yacimiento, son la ley
o contenido de un metal/mineral, el espesor del cuerpo mineralizado, el peso específico
o densidad aparente, parámetros físicos como la porosidad, etc.
La continuidad de una variable regionalizada a lo largo de un depósito puede variar

según la dirección, convirtiendo a la variable en anisótropa, frente al comportamiento
isótropo cuando ésto no ocurre, es decir, no se observan variaciones en la continuidad
con la dirección. Este hecho tiene su importancia intrínseca, pues generará
semivariogramas diferentes según la dirección que se considere.
4. CALCULO DEL SEMIVARIOGRAMA EXPERIMENTAL
Puesto que la Estadística clásica considera las muestras como aleatorias y

completamente independientes entre sí, mientras que la Geoestadística asume una
correlación entre ellas, una forma de expresar dicha correlación es a través de una
función denominada variograma o semivariograma. Esta función define, por tanto, la
correlación espacial entre los valores muestreados. El variograma o semivariograma
se obtiene calculando, para cada distancia de separación entre las muestras (lag) en
una determinada dirección, la diferencia al cuadrado de los valores de dichas muestras
(Fig. 6.2). Es decir, para cada separación h se calcula el valor de y*(h) mediante la
fórmula:
v*(h) = (1/2N) . r [ f(x;) - f(x ;+h) 1 2
donde N es el número de pares de datos, f(x;) el valor de la variable regionalizada en

el punto i y f(x ;+h) el valor de la variable regionalizada tomada a una distancia h de i.
Para la producción ideal del semivariograma es necesario un número grande de
muestras y que, además, cada muestra represente el mismo volumen, pues de lo
contrario el soporte es diferente y no se puede llevar a cabo la comparación de los
valores.
A B e D E F G H
Figura 6.2. Método para llevar a cabo el cálculo del semivariograma.
- 200 -
El lag es, sencillamente, el espaciado con el que se calculan las diferencias al

cuadrado entre muestras. El lag 1, por ejemplo, incluye las muestras adyacentes (A y
B, By C, C y D, etc. en la Figura 6.2). La distancia que representa el lag 1 es, pues, el
intervalo mínimo de muestreo. El lag 2 requiere que se calculen las diferencias al
cuadrado entre muestras alternativas (A y C, By D, C y E, etc.), y así sucesivamente.
El número máximo de lags, es decir, de distancias h para calcular el v*(h), suele
establecerse en la mitad de la distancia muestreada, pues longitudes mayores generan
pocos pares de muestras, por lo que estadísticamente no es representativo.
Los valores obtenidos de v*{h) se representan en un diagrama frente a sus

correspondientes valores de h, definiéndose el correspondiente semivariograma (Fig.
6.3). La velocidad del incremento de y*(h) con el lag es un reflejo de la velocidad a la
cual la influencia de una muestra disminuye con la distancia, y nos da una definición
adecuada de la denominada zona de influencia. La distancia en la que v*(h) se hace
constante corresponde al punto en el que la covarianza -cov(h)- entre muestras
adyacentes disminuye hasta cero. Esta distancia define el límite de la zona de
influencia de una muestra.
'lí (h) • • • • • •• •
• •
• •
•
Lag (h)
Figura 6.3. Ejemplo de semivariograma.
5. MODELOS DE FUNCIONES ALEATORIAS
Como se verá posteriormente, la estimación de la variable en un punto a través del

krigeaje necesita de la utilización del semivariograma, pero no en la forma del
semivariograma experimental, pues éste posee numerosas zonas donde no existen
valores concretos (únicamente existen valores definidos en aquellos lugares donde se
ha realizado el muestreo). Por tanto, puede resultar necesario definir el valor de la
variable en puntos donde el semivariograma experimental no ofrece información
suficiente. Para ello, es necesario construir un modelo que sí nos permita obtener dicha
información. Ahora bien, la pregunta que surge es: ¿qué modelos pueden utilizarse?
A continuación se va a intentar resolver esta pregunta de la forma más sencilla posible.
La información más interesante que debería considerarse a la hora de intentar

resolver el problema de la estimación de una variable es la descripción de cómo se ha
producido el fenómeno. En determinadas situaciones, los procesos físicos o químicos
que generan el conjunto de datos pÚeden ser conocidos con el suficiente detalle como
para avanzar una descripción completa del perfil a partir de unos únicos valores. En
-
- 201 -
dichas situaciones, aplicar modelos determinísticos sería lo más apropiado. Sin

embargo, desgraciadamente son pocos los procesos naturales cuyas pautas de
comportamiento son tan bien conocidas como para poder utilizar este tipo de modelos.
La mayor parte de estos procesos son, en realidad, el resultado final de una
combinación de variables cuyas complejas interacciones impiden describir el fenómeno
cuantitativamente.
En las Ciencias de la Tierra es necesario admitir la existencia de incertidumbre en

el comportamiento del fenómeno entre los puntos muestreados, por lo que es
imprescindible acudir a los modelos de funciones aleatorias, que permiten resolver esta
problemática planteada. Por esta raz.ón, los estudios de estimación geoestadística se
basan en modelos probabilísticos que reconocen estas incertidumbres. En los modelos
probabilísticos, el conjunto de datos se muestra como el resultado de la actuación de
procesos aleatorios.
Una variable aleatoria es aquella cuyos valores se generan aleatoriamente

de acuerdo con un mecanismo probabilístico. El ejemplo clásico de este tipo de
variables aleatorias sería el resultado de tirar un dado, cuyas realizaciones se reparten
aleatoriamente entre las seis posibilidades existentes en el dado. De igual forma, se
puede definir una función aleatoria como un conjunto de variables aleatorias que tienen
alguna localización espacial y cuya dependencia, una de otra, viene determinada por
algún mecanismo probabilístico. Este tipo de funciones aleatorias son las que utiliza la
Geoestadística.
En la Figura 6.4 se muestra un conjunto de datos constituido por siete valores de una
variable en siete localizaciones, que podrían ser el resultado de diferentes procesos
aleatorios. La Figura 6.5 indica tres posibles modelos de semivariogramas y la Figura
6.6 realizaciones de funciones aleatorias que poseen estos parámetros particulares de
los semivariogramas. El modelo de semivariograma de la Figura 6.5a describe una
función aleatoria que es muy errática en distancias cortas y la correspondiente
realización (Fig. 6.6a) muestra una considerable variabilidad a pequeña escala. El
modelo de la Figura 6.5b presenta una función aleatoria menos errática que la anterior,
con realización, por tanto, también menos errática (Fig. 6.6b). Por último, la Figura
6.5c indica una función aleatoria extremadamente continua, con el semivariograma
tangencial al eje X en el origen y un lento ascenso posterior. Su correspondiente
realización (Fig. 6.6c) es muy suave, con ligeras ondulaciones alrededor de los valores.
Figura 6.4. Conjunto de siete valores de la variable en siete localizaciones.
- 202 -
r(h) r(h)
(o) h h
(b}
l(h}
h
(e)
Figura 6.5. Tres posibles modelos de semivariogramas para los valores de la Figura 6.4.
V V
. ..
, -
·....•
:.. --., , .
.: ---�-- ·······-· ·:
..,.,__ ...·
\ .-•· . .-
X X
(a) (b)
V
.·•··._
·.
..
\_
-·· .
·
...
...•
-., ____ __
--
X
(e)
Figura 6.6. Realizaciones correspondientes a los tres modelos de semivariogramas de la
Figura 6.5.
En este ejemplo, si se restringen los datos a los siete valores mostradós, cualquiera
de las opciones de la Figura 6.6 es plausible, pues todas pasan por los citados valores.
Por tanto, el objetivo de la persona dedicada a la selección del semivariograma es
estudiar el proceso involucrado para optar por la opción que, en principio, sea la más
adecuada.
- 203 -
6. MODELOS DE SEMIVARIOGRAMAS
Como se ha comentado anteriormente, el krigeaje necesita de la utilización de un

modelo de semivariograma, seleccionado a partir de los valores de y*(h), no siendo
posible el ajuste de cualquier modelo, pues éste debe cumplir unos requisitos
matemáticos. En particular, el modelo elegido debe ser condicionalmente definido
negativo, pues tiene que asegurar que el sistema de n+1 ecuaciones con n+1
incógnitas tenga una y sólo una solución. Existen numerosos caminos para conocer si
el modelo elegido cumple esta propiedad matemática (lsaaks y Srivastava, 1989), pero
lo más útil y rápido es seleccionar uno que esté incluido en la lista de modelos que
cumplen la citada propiedad.
Aunque el ajuste de un modelo a un semivariograma experimental es la forma más

común de aproximación al esquema de continuidad espacial, no es la única ni
necesariamente la mejor. Existen numerosas situaciones en las que la selección del
modelo adecuado se debe basar principalmente en aproximaciones cualitativas. La
experiencia con conjuntos de datos semejantes puede constituir una guía más óptima
que el simple esquema mostrado por unas pocas y solitarias muestras. Más aún, la
posible existencia de un semivariograma aparentemente sin posibilidad de modelización
no debe obviar este proceso, pues, muchas veces, problemas como un número
insuficiente de muestras, errores en el muestreo, valores erráticos, etc., pueden
enmascarar el esquema real de continuidad espacial. En resumen, la selección del
modelo a aplicar es un cuidadoso proceso en el que se deben considerar todos los
aspectos involucrados.
Tal como se ha indicado, existe un grupo de modelos que constituyen la base más
frecuente a la hora de optar por el modelo más adecuado al semivariograma
experimental, todos ellos cumpliendo la condición matemática anteriormente citada.
Aunque este cumplimiento pueda parecer, en principio, una restricción, no lo es tanto,
pues la combinación de los diferentes modelos genera otros que también cumplen
dicha condición, por lo que el abanico final es lo suficientemente amplio como para
satisfacer las necesidades requeridas. En otras palabras, cualquier modelo, o
combinación de modelos, de los que a continuación se van a citar, permite ajustar todos
los semivariogramas que puedan aparecer en el estudio de las variables de carácter
minero.
Los modelos a considerar se pueden agrupar en dos grandes categorías: (a) los que
alcanzan una meseta (modelos de transición) y (b) los que no alcanzan una meseta.
En el primer grupo se incluyen aquellos modelos en los que la curva asciende de

forma continuada hasta alcanzar un nivel, denominado meseta. La distancia a la que
alcanzan la meseta se denomina alcance o rango. Entre estos modelos, los más
característicos son el exponencial y el esférico o Matheron. En el segundo grupo están
los que van incrementándose a medida que la distancia aumenta, sin llegar a alcanzar
una meseta. Los más representativos son el lineal y el de Wijsian. A continuación se
van a describir todos ellos, centrándose, especialmente, en el denominado esférico o
Matheron, que es el que presenta un mayor número de aplicaciones en minería.
- 204 -
Previamente hay que hacer constar que, teóricamente, el valor del semivariograma
para una distancia cero debería ser cero. Sin embargo, muchas veces esto no sucede,
generando lo que se denomina efecto pepita (C0) (el nombre hace mención a la
aparición, mas o menos errática, de pepitas de oro en algunos yacimientos auríferos).
Sus causas pueden ser muy variadas: errores de muestreo, fluctuacione�de la variable
a una escala m�nor que la de observación, etc. Dado que su presencia es bastante
común, hay que aconstumbrarse a trabajar con ella, lo que no necesariamente significa
un menoscabo en la utilidad y exactitud de la técnica de estimación.
1) Modelo exponencial
Este modelo va ascendiendo lentamente hasta alcanzar la meseta a un valor

constante. Existen dos posibles esquemas: Formery y Gaussiano (Fig. 6.7). El
primero tiene la expresión:
y*(h) = C [1 - exp(-[h/a])] + C0
donde Ces el valor comprendido entre el efecto pepita (C0) y la meseta, h la distancia
y a representa el alcance o rango. En este esquema la tangente en el origen intercepta
la meseta a un valor de a/3. Por su parte, el esquema Gaussiano posee la siguiente
expresión:
y*(h) = C [1 - exp(-[h2/a2])] + C0
en este caso, la tangente en el origen intercepta la meseta a un valor de a/✓3.
�(h)
�AUSSIANO
0.96
1.0
__ .,1: ________ -¿j,�::=:::::�=====--r===
1
1 1
' 1
1 1
1
1 :
0.25 1 1
1 ✓3 1
1 1
o 1.0
h/a
2.0 3.0
Figura 6. 7. Modelos de semivariograma Formery y Gaussiano.
2) Modelo esférico o Matheron
El modelo esférico o Matheron es el que mejor se suele ajustar cuando se trata de

variables mineras (p.e. ley o espesor). El modelo esférico (Fig. 6.8) presenta una curva
del semivariograma que aumenta rápidamente para bajos valores del lag para,
- 205 -
Capítulo 6. Evaluación de las reservas: métodos geoestadisticos
posteriormente, ascender más lentamente hasta alcanzar una zona plana a valores del
lag altos. Una tangente a la curva, dibujada a partir de los dos o tres primeros puntos,
define un par de valores en el eje X (y*(h)) que se denominan C0 y C. Esta tangente,
a su vez, intersecta la prolongación de la zona plana a 2a/3, siendo a el punto, en el
eje Y (/ags), donde el semivariograma alcanza la zona plana. La distancia entre la curva
y la zona plana para lags inferiores a "a" representa la covarianza entre las muestras.
Más allá de a, la covarianza es cero y, por tanto, no hay relación entre las muestras
tomadas a esas distancias. La relación entre el espaciado de las muestras y la
covarianza queda definida en la Figura 6.9, donde se observa cómo la superposición
entre las zonas de influencia de las muestras disminuye al aumentar el espaciado entre
éstas.
I
TANGENTE EN EL ORIGEN
COVARIANZA
J..-__ MESETA 2
t1 - �1--1---��--------a
1
1 SEMIYARIOGRAMA
�• (h) r 1
e 1
1 1
1 Cov(h) + � (h) .. � 2
''
1
1 1
1 1
1
'...J
f' .. _J.- COVARIOGRAMA
e
�¡
, .________..._____.::::..&...________
2a/3 a Lag (h)
Figura 6.8. Modelo.de sernivariograrna esférico o de Matheron.
GRAN SOL APAMIENTO
ALTA COVARIANZA
SOLAPAMIENTO REDUCIDO
MENOR COVARIANZA
SIN SOLAPAMIENTO
COVARIANZA CERO
Figura 6.9. Relación entre el espaciado de las muestras y la covarianza (Annels, 1991).
- 206-
/
El modelo matemático así definido tiene la siguiente expresión:
v*(h) = C 0 + C [1.5(h/a) - 0,5(h/a)3] para h < a

v*(h) = C 0 + C para h > a
donde C 0 es el efecto pepita, C 0+C es el valor de la meseta, a es el alcance o

rango y h es el valor del correspondiente lag. C 0+C viene a representar el equivalente
geoestadístico de la varianza del conjunto de datos. Si el semivariograma muestra
fluctuaciones aleatorias alrededor de una línea horizontal (Fig. 6.1O), entonces
se tiene lo que se denomina efecto pepita puro, siendo mejor, en este caso, llevar a
cabo la evaluación del yacimiento por cualquiera de los métodos clásicos comentados
anteriormente. No obstante, la presencia del efecto pepita puro no implica
necesariamente una ausencia de continuidad en la estructura del semivariograma sino
que puede ser debido, por ejemplo, a una red de muestreo con distancias muy grandes
entre muestras.
. /•
(11) l.;,
- .. •
. •
....-::- :::--:::--::-: � -� .. �- - - - -
.2
eo;
1
1 C=O
1
1
\J
Lag (11 )
Figura 6.1 O. Semivariograma con efecto pepita puro.
3) Modelo lineal
Este modelo se presenta cuando, al representar v*(h) frente a los lags, se obtiene
una línea recta como la de la Figura 6.11. El modelo presenta la ecua9ión:
y*(h) = p.h + k
donde p es la pendiente de la recta, h el lag y k la intersección en el eje X (v*(h)).

Este modelo suele estar presente en algunos yacimientos de hierro (Annels, 1991).
(]'
------------
(h)
h= L/3
Figura 6.11. Modelo de semivariograma lineal.
- 207 -
Capítulo 6. Evaluacíón de las reservas: métodos geoestadísticos
4) Modelo de Wijsian
En este modelo, al igual que en el anterior, y*(h) se incrementa más allá del valor de
la varianza de los datos. En una primera observación, parece ser semejante al modelo
lineal, pero si se representan los valores de y*(h) frente al logaritmo de h, entonces se
obtiene una línea recta. Tiene la expresión:
y*(h) = 3 a [ln(h/L) +3/2]
donde a es el coeficiente de dispersión absoluta, una medida de la variación espacial,

y L se define como el espesor equivalente. Ambós coeficientes pueden determinarse
calculando los valores de y*(h) para dos lags, con lo que se obtiene dos ecuaciones con
dos incognitas. Este tipo de modelo tiene una aplicación más restringida aún que el
lineal, estando presente únicamente en algunos yacimientos hidrotermales,
principalmente de estaño, y utilizando como variable el espesor del cuerpo
mineralizado.
6. 1. Algunas particularidades respecto a los modelos de semivariogramas
Existen situaciones en las que, si bien no es posible el ajuste inmediato de un tipo

concreto de modelo, no hay razones para rechazar la posibilidad de buscar una
continuidad espacial. Entre las muchas posibilidades existentes, Annels (1991) pone
de manifiesto algunas muy características, como son:
a) Semivariogramas con tendencias.

b) Semivariogramas con efecto agujero.
c) Anisotropismo direccional.
d) Semivariogramas compuestos.
e) Semivariogramas en dos estadios.
a) Semivariogramas con tendencias
Una asunción que se hace en la Geoestadística es que no existen tendencias dentro

del yacimiento que puedan causar una ruptura en el concepto de estacionariedad.
Cuando estas tendencias están presentes, aparecen semivariogramas como el de la
Figura 6.12. La ruptura (o cambio en la tendencia de la meseta), como se puede
observar en la figura, se produce en una distancia claramente superior al alcance, por
lo que no tiene una mayor incidencia en la estimación local de los bloques definidos
para el yacimiento, pues las dimensiones del área de búsqueda (alcance) son menores
que la distancia representada por el punto donde se produce la ruptura. Cuando este
tipo de comportamientos dominan el semivariograma, es decir, la ruptura se produce
a distancias próximas al alcance, con lo que se rompe el concepto de estacionariedad,
es necesario utilizar una técnica que se denomina krigeaje universal (Journel y
Huijbregts, 1978), en lugar del krigeaje ordinario que se aplica en las situaciones de
estacionariedad.
- 208 -
COMPORTAMIENTO
PARABOLICO
�*(h) �-------� - - - - - - (1 2
1
1
1
1 DIMENSIONES
1 MAXIMAS DE LOS
BLOQUES A EVALUAR
I·
1
a
h
(RANGO)
Figura 6.12. Ruptura de la meseta (presencia de tendencias) en un semivariograma esférico

(Annels, 1991).
b) Semivariogramas con efecto agujero
Este efecto puede reconocerse cuando alternan áreas con alta ley y áreas con baja
ley. El resultado es una pseudoperiodicidad (Fig. 6.13) reflejada en una oscilación del
semivariograma alrededor de una aparente meseta.
x10-•
160
140
120
100
80
60
40
20
o
10 20
h
Figura 6.13. Efecto agujero en un semivariograma esférico.
e) Anisotropismo direccional
Este efecto no constituye propiamente una particularidad del semivariograma, sino

más bien una situación que, en determinados casos, puede presentarse. Por su
- 209 -
importancia, merece la pena comentarse. El anisotropismo direccional aparece cuando

se obtienen diferentes semivariogramas a lo largo de diversas direcciones del
yacimiento. Esto significa que, en lugar de tener un área de búsqueda isótropa (círculo
o esfera), se posee una zona elíptica o elipsoidal. Para precisar más exactamente la
dirección de anisotropismo, conviene realizar varios semivariogramas a lo largo de
diferentes direcciones (p.e. ocho). Los alcances obtenidos se representan en un
diagrama polar, es decir, líneas radiales a partir de un punto central, con lo que se
obtiene una mejor visualización de la forma y orientación de la elipse.
El anisotropismo direccional suele ser muy evidente en yacimientos aluviales,

donde se obtiene un alcance, en dirección perpendicular al yacimiento, mucho más
pequeño que el que se calcula a lo largo de la dirección principal del depósito (Annels,
1991). En la Figura 6.14 se muestra un ejemplo de este efecto.
A TRAVES DEL YACIMIENTO
A LO LARGO DEL
, YACIMIENTO
�"(h)
IGUAL Coy C
h
Figura 6.14. Anisotropismo direccional en un yacimiento aluvial (Annels, 1991 ).
d) Semivariogramas compuestos
Cuando la prolongación de la línea que une los dos o tres primeros puntos del
semivariograma corta la meseta a una distancia mucho menor que la correspondiente
al alcance general del semivariograma, es muy probable que la situación corresponda
a una mezcla de dos semivariogramas esféricos. En la Figura 6.15, correspondiente a
un semivariograma para el In Ni(%), la tangente para los dos o tres primeros puntos
intercepta el eje X (v*(h)) en un valor de 0,4 (%1n)2 , mientras que la intersección con
la meseta principal, que se produce a 2,55 (%1n)2 , tiene lugar a una distancia del lag de
13 m, indicando que el alcance debería ser de 20 m. Sin embargo, la curva principal no
alcanza la meseta hasta un rango de 50 m, por lo que se puede asumir la existencia de
dos semivariogramas esféricos, uno con una meseta de 1,95 y el otro con una meseta
de 2. 55 y un alcance de 50 m. Los parámetros definitorios de los semivariogramas
serían:
- Primer semivariograma: C0 = 0,40 (%1n)2 , a 1 = 14 m ( ya que 2a/3 = 9) y C 1 = 1,95 -

0,4 = 1,55 (%1n)2
- Segundo semivariograma: C0 = 0,40 (%1n}2, a2 = 5Ó m y C2 = 0,6 (%1n)2
- 210 -
el modelo compuesto tendría, pues, la siguiente forma:
v*(h) = C 0 + C 1 [3h/2a 1 - (h/a,)3/2] + C 2 [3h/2a2 - (h/a 2)3/2]
para h < 14 m: y*(h) = 0,4 + 1,55[3h/28 - (h/14)3/2] + 0,60[3h/100 - (h/50) 3/2]

para h entre 14 y 50 m: v*(h) = 0,4 + 1,55 + 0,60[3h/100 - (h/50) 3/2]
para h > 50 m: v*(h) = 0,4 + 1,55 + 0,60 = 2,55
así es posible calcular el valor de v*(h) para cualquier distancia, teniendo en cuenta las
tres partes que definen el semivariograma.
2
l •(h)
9 13 20 40 60 80
Figura 6.15. Semivariograma compuesto para la variable ley en Ni (%In).
Este tipo de estructuras pueden ser causadas, por ejemplo, por la presencia de
zonas mineralizadas más ricas dentro de una matriz de· mineralización dispersa.
También son comunes en yacimientos aluviales de oro, reflejando el alcance más corto
los canales individuales y el más largo la anchura total de la zona de interés económico.
e) Semivariogramas en dos estadios
Esta situación es relativamente frecuente cuando se combinan conjunto de datos no

relacionados (p.e. dos fases· de mineralización con diferentes características). En la
Figura 6.16 se muestra un ejemplo de este tipo.
Figura 6.16. Ejemplo de semivariograma en dos estadios.
- 211 -
6.2. Efecto de proporcionalidad en el modelo esférico
Hasta el momento no se ha hecho mención, en ningún caso, a la influencia que

pueda tener el tipo de distribución que presenten los datos sobre la construcción de los
semivariogramas. Como ya se comentó en el capítulo 4, los valores correspondientes
a las variables de carácter minero (p.e. ley o espesor de un cuerpo mineralizado) suelen
presentar, básicamente, dos tipos de distribuciones, normales y lognormales. Conviene
revisar, al menos rápidamente, la influencia que una distribución lognormal puede
ejercer en el modelo de semivariograma esférico.
Como es bien conocido, en una distribución lognormal la desviación estandar es

directamente proporcional a su media. Consecuentemente, la varianza muestra! y, por
ende, el valor de y(h) para la meseta (C+C0), será proporcional al cuadrado de la media.
Sí en un yacimiento se construyen diversos semivariogramas en diferentes direcciones,
este efecto de proporcionalidad puede reflejarse en los semívariogramas
experimentales obtenidos, siempre y cuando, evidentemente, los valores de la variable
se distribuyan lognormalmente. En la Figura 6.17 se muestra este efecto de
proporcionalidad. Los tres semivariogramas obtenidos (A, B y C) corresponderían a
sendas direcciones del yacimiento. Como se puede observar, el alcance o rango es
muy similar, existiendo, únicamente, una proporcionalidad entre los diferentes
valores de C+C 0. Esta proporcionalidad queda también de manifiesto en la Figura 6.18,
en la que se representan los valores de la media frente a los de la varianza para
diferentes subáreas del depósito.
Estos semivariogramas proporcionales tienden a desaparecer cuando los datos son

transformados logarítmicamente, es decir, en lugar de trabajar con los valores
obtenidos se realizan los cálculos con los logaritmos de los datos. Sim embargo, en
ocasiones esta desaparición del efecto no tiene lugar. Con ello, la pregunta que aflora
es: ¿como se puede trabajar cuando el efecto de proporcionalidad está presente? La
respuesta no es sencilla, pues existen diferentes métodos, cada uno de ellos con sus
ventajas e inconvenientes.
L1
L2
�•(h) L3
Figura 6.17. Efecto de proporcionalidad para varios semivariogramas pertenecientes

a diversas zonas del yacimiento.
- 212
cr 2
(Co + C)
Co
-2
X
Figura 6.18. Demostración del efecto de proporcionalidad a través de la representación de

las medias frente a las varianzas para diferentes zonas del depósito.
Como dice Clark (1979), las autoridades en el tema establecen que la forma de
combinar los semivariogramas, para obtener un único semivariograma aplicable a todo
el yacimiento, reside en corregir el efecto de proporcionalidad en cada semivariograma.
Esto se realiza dividiendo cada semivariograma por el cuadrado de la media muestra!,
con lo que se obtiene un semivariograma relativo. Una vez hecha esta conversión para
todos los semivariogramas, éstos se pueden combinar y obtener, como se ha
comentado, un único semivariograma útil para el depósito en su conjunto. No obstante,
Clark (1979) afirma que este método genera, en ocasiones, resultados desastrosos,
siendo más partidario de intentar combinar los semivariogramas originales sin corregir.
Annels (1991) propone otro método, algo más complejo, para_ intentar solucionar este
problema.
6.3. Relaciones volumen-varianza
En los apartados anteriores, los semivariogramas se han obtenido como si las

muestras no tuviesen otra característica más que la posición, ignorándose su forma
y tamaño (lo que constituye, como se indicó al comienzo del capítulo, el soporte de la
muestra). Esto, en ocasiones, puede asumirse, especialmente si el tamaño de la
muestra es muy pequeño en relación, por ejemplo, con el alcance del semivariograma.
En otros casos, típicamente cuando las muestras proceden de trozos de sondeos, las
diferencias pueden ser notables, por lo que resulta imprescindible llevar a cabo las
correciones pertinentes.
Si se considera lo que significa un sondeo, es decir, un trozo cilíndrico de material

con una longitud determinada, es evidente que los resultados que se obtendrían
calculando las leyes en tramos de, por ejemplo, un metro, serían diferentes de los que
resultarían si se toman tramos de dos metros, o de tres metros, y así sucesivamente.
En cada caso, al aumentar el tamaño del tramo del sondeo disminuiría, como es
sabido, la diferencia entre los valores de las leyes y, por tanto, la varianza para cada
- 213 -
tamaño de tramo. Por otro lado, el valor de y(h) para la meseta representa la varianza
de las muestras. Combinando ambos factores, resulta fácil entender que los
semivariogramas que se obtendrían, considerando como muestra tramos de diferente
tamaño, no serían similares.
El objetivo a perseguir sería, pues, definir un semivariograma puntual que no

estuviese influido por el soporte de la muestra. Este proceso se conoce con el nombre
de regularización, pues al aumentar el tamaño del soporte, los resultados son cada vez
más regulares (similares).
El método a seguir para obtener el semivariograma puntual es el siguiente.

Se define el rango real del semivariograma puntual como:
a= a* - 1
donde:
a = Rango real del semivariograma puntual

a* = Rango del semivariograma experimental
= Longitud de la mu�stra en la dirección del semivariograma.
Los valores de C y C0 para el semivariograma puntual se calculan a partir de las

siguientes ecuaciones y el gráfico de la Figura 6.19:
(1) = C0 + C.X 1
(co)= C0 + C.X2
Para el lag 1 y el lag se leen los valores de X 1 y X2 en el gráfico de la Figura

00
6.19, a partir de los correspondientes valores de h/a y I/a, donde h es el lag y

1 es la longitud de la muestra. De esta forma, se resuelven las ecuaciones para
conocer los valores de C y C0 , que se incluyen en la fórmula del modelo esférico para
obtener los valores regularizados de y(h).
Ejemplo 6.1 (Annels, 1991). Se ha muestreado un yacimiento aluvial de diamantes. Cada

muestra es representativa de las grava obtenida en muestras de 20 m de longitud y 1 m de
ancho. La variable regionalizada utilizada para calcular las reservas fue el peso. en quilates,
de los diamantes encontrados en cada muestra. Los valores de y(h) que se obtuvieron
fueron los siguientes:
lag 1 (20 m) - 0,0147

lag 2 (40 m) - 0,0213
lag 3 (60 m) - 0,0226
Después de estos valores, la meseta oscilaba alrededor del valor 0,0226. Definir los valores
de y(h) para el cálculo del semivariograma puntual.
- 214 -
VOZ/Zí1 : ==
h/a
-11a-
-vzzzzZZt 1 • LONGITUD DE LAS
MUESTRAS
h = ESPACIADO DE
LAS MUESTRAS
1.0 ------o.o
0.9
0.8
0.7
0.6
0.5
0.4 1/a
0.3
0.2
0.1
o.o�_.____.__..__......____.__.,_____.___.____.___.___,__....___.__.____.__.____,
o.o 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6
h/a
Figura 6.19. Gráfico de regularización.
Solución. El alcance aparente a* es igual a 60 m, por lo que el rango real será de 60 m - 20

m = 40 m, pues la longitud de la muestra es de 20 m. Por tanto, 1/a = 20/40 = 0,5. Ahora
es posible calcular los valores de C y C0 para el semivariograma puntual a través de la
Figura 6.19:
Para el lag 1 - h/a = 20/40 = 0,5 --- X 1 = 0,415

para el lag00 - h/a = 60/40 = 1,5 --- X2 = O,760
Los valores de X 1 y X2 se han obtenido entrando en la Figura 6.19 con los respectivos
valores de 1/a (0,5) y h/a (0,5 y 1,5). Para obtener los valores de C y C 0 se resuelven las
ecuaciones simultáneas:
- 215 -
Existen dos tipos de krigeajes comúnmente utilizados, el puntual y el de bloques,

operando ambos de forma muy semejante. En primer lugar se describirá el krigeaje
puntual y, posteriormente, el krigeaje de bloques.
7. 1. Krigeaje puntual
Como se ha comentado anteriormente, el krigeaje opera a través de la utilización de

unos factores de ponderación. Estos factores de ponderación, para ootener el valor de
la variable, se calculan a partir de un sistema de ecuaciones, denominadas ecuaciones
de krigeaje, en las que las incógnitas para resolver el sistema se obtienen a partir del
semivariograma modelizado. Un ejemplo del citado sistema de ecuaciones, para una
estimación a partir de cuatro puntos, sería el siguiente:
K,V 1 , + K2V, 2 + K3V1 3 + K4V, 4 + µ = Yo ,

K,v2:, + K2v2:2 + K3v2 : 3 + K4v2: 4 + µ = Yo: 2
K,y3 _1 + K 2V3,2 + K3y3 _ 3 + K4Y3.4 + µ = Yo.3
K,v4.1 + K2Y4.2 + K3Y4,3 + K4Y4,4 + µ = Vo.4
K1 + K2 + K3 + K4 = 1
donde K¡ son los factores de ponderación (Z*=I,K;Z¡, siendo Z* el valor estimado

y Z¡ los valores conocidos para llevar a cabo la estimación), V;,j son los valores del
semivariograma, obtenidos a partir de la ecuación del modelo correspondiente,
para una distancia i aj, µ un valor denominado parámetro de Lagrange, sin mayor
trascendencia para el cálculo de los factores de ponderación (desde el punto de
vista de su aplicación), y la notación Yo.i el valor del semivariograma entre el punto
a estimar (denominado O) y el resto de puntos.
Ejemplo 6.2. Se tiene un conjunto de cuatro muestras de un yacimiento de cinc cuyas

leyes son: X 1 =8,2%, X2 =9,6%, X3 =13,1 % y X 4 6,4%. Su posición en el plano es la
=
1
que se refleja en la Figura 6.20. El semivariograma a considerar se ajusta a un modelo
tipo esférico con alcance = 250 m, C0 = 17 y C = 66. Calcular, utilizando el krigeaje.
el valor de la ley en un punto X0 , situado tal como se indica en la Figura 6.20.
x,
Xo X2
◄�x3 100m
x4
Figura 6.20. Posición de las muestras analizadas y de la muestra a estimar para el ejemplo 6.2.
- 217 -
ecuaciones, en detalle, están formadas por tres tipos de componentes: (1) los factores
de ponderación (K;), (2) los valores que multiplican a los factores de ponderación (Y;)
y (3) los valores situados en la parte izquierda de las ecuaciones (y0 _¡).
l<tlolno ..trmo1.. -- '""" - ""' �pk>.grd
Controsw for �
·-- '---'----""-----'----'"---'-----'--.,__--'-----'----'---'
.fOU)l;E-,(19 .IOBellr.llll .llUSMlll
Fig. 6.21. Ejemplo de interpolación a partir de valores obtenidos por krigeaje.
Este último grupo constituye la relación existente, expresada a través de los valores
de y(h), entre las muestras conocidas (i,j) y la muestra a estimar (O). Es decir, sería una
expresión similar a la utilizada en el método de estimación d�I inverso de la distancia,
sólo que aquí, en vez de utilizar las distancias geométricas entre las muestras y el
punto a estimar, se consideran las distancias estadísticas.
Lo que verdaderamente distingue al krigeaje del inverso de la distancia es el papel

que juega el segundo tipo de componentes, los valores que multiplican a los factores
de ponderación, que constituyen la matriz V;,¡- Esta matriz considera las distancias
estadísticas entre las diferentes muestras que poseen valores conocidos y que entran
a formar parte de la estimación, ofreciendo, al sistema de ecuaciones de krigeaje,
información acerca de la posible existencia de agrupamientos (clustering) entre las
muestras, con lo que se evitan posibles redundancias entre ellas. Esta posible
redundancia no depende únicamente de la distancia entre las muestras, sino también
de su continuidad espacial. Por ejemplo, dos medidas de alturas de una montaña
y separadas diez metros tienen una redundancia mucho mayor que dos muestras
tomadas en un yacimiento de oro o diamantes y separadas también diez metros.
Resulta lógico, pues, que la información del clustering quede grabada no sólo
como distancia geométrica, sino también como distancia estadística, expresada a
través de la continuidad espacial de las muestras.
El sistema de ecuaciones de krigeaje toma en cuenta, por lo tanto, dos de los

factores más importantes en la estimación: la distancia y el agrupamiento.
- 219 -
7.2. Influencia de la morfología del semivariograma en la estimación por krigeaje
Anteriormente se han mostrado diferentes tipos de modelos de semivariogramas. En

este apartado se va a describir la influencia de la morfología del modelo de
semivariograma en la estimación, pues resulta interesante desde el punto de vista de
la selección del modelo adecuado, así como las posibles variaciones en los parámetros
definitorios: efecto pepita, alcance, etc. En concreto se van a comentar cinco aspectos:
a) La influencia de la escala
b) La influencia de la forma
c) El efecto pepita
d) El alcance
e) La presencia de anisotropía
a) La influencia de la escala
El estimar un punto utilizando dos semivariogramas semejantes pero que difieren,

únicamente, en su escala, es decir, en el valor de y(h) al que se alcanza la meseta (Fig.
6.22), genera dos valores iguales en su estimación pero diferentes en cuanto a sus
correspondientes variam;as del krigeaje. Este efecto se puede comprobar aumentando
la proporción de la escala, incrementándose, en la misma relación, la varianza del
krigeaje.
r(h) C{h)
20 20
10 10
10 20 10 20
h h
Figura 6.22. Dos semivariogramas que difieren únicamente en su escala.
b) La influencia de la forma
Aquí se consideran dos semivariogramas que presentan la misma meseta pero que
se diferencian en la forma de alcanzarla (p.e. el modelo gaussiano y el modelo
exponencial) (Fig. 6.23). El segundo modelo (exponencial) generq unos fa(?.tores de
ponderación mayores en los puntos más cercanos, mientras que los más alejados
reciben una ponderación menor, siendo ésta, en ocasiones, incluso negativa. Esto es
debido a que dicho semivariograma es indicativo de un fenómeno muy continuo, por lo
que el proceso estimador hace un uso mayor de los puntos más cercanos.
- 220 -
(
La presencia de factores de ponderación negativos es el resultado de un fenómeno

denominado efecto pantalla. Una determinada muestra se dice que sufre este efecto
cuando otra muestra se sitúa entre ella y el punto a estimar. El resultado final es que
el sistema de ecuaciones de krigeaje le asigna una ponderación negativa. Este
fenómeno no se presenta en ningún otro método de estimación, teniendo sus ventajas
y desventajas. Como ventaja se puede citar la posible asignación, a un punto a
estimar, de un val9r mayor que el máximo existente entre las muestras involucradas en
la estimación y, de igual forma, un valor menor que el mínimo existente (todos los
procedimientos que restringen la ponderación a valores comprendidos entre cero y uno
sólo pueden generar estimaciones entre el máximo y el mínimo valor de las muestras
-p.e. el método del inverso de la distancia-).
C(h)
JJ'(h)
1 10
10 20 10 20
h h
Figura 6.23. Semivariogramas gaussiano y exponencial.
Como desventaja del efecto pantalla se puede comentar la posibilidad de la

existencia de una estimación negativa, cuando a una muestra con un alto valor se le
asigna un factor de ponderación negativo. Por esta razón, y puesto que todas las
variables que pueden involucrarse en la estimación de un yacimiento (p.e. ley, potencia,
acumulación de metal, etc.) jamás pueden llegar a presentar valores negativos, se
suele tender a no ajustar modelos que presenten comportamientos parabólicos cerca
del origen, como el anteriormente comentado, incluso cuando las variables a estimar
tengan un comportamiento espacial extremadamente continuo.
e) El efecto pepita
Como ya se comentó, el efecto pepita es muy frecuente en la obtención de los

semivariogramas experimentales y refleja, normalmente, errores de muestreo pues, por
definición, una muestra es siempre semejante a sí misma, por lo que todos los
semivariogramas deberían comenzar en el origen. La magnitud de este efecto también
tiene, lógicamente, su influencia en la estimación.
Dados dos semivariogramas semejantes, uno comenzando en el origen y otro con

un efecto pepita determinado, la estimación, para un mismo punto utilizando ambos
semivariogramas, refleja una menor variación en los factores de ponderación cuando
- 221 -
el semivariograma utilizado es el que presenta el efecto pepita. Otra consecuencia es

que la varianza del krigeaje es mayor. Cuanto más se incrementa el valor del efecto
pepita, la estimación más -se parece a una simple ponderación de las diferentes
muestras. La situación extrema, ya definida anteriormente como efecto pepita puro,
genera una continuidad espacial en la que no hay ninguna relación entre las muestras,
por lo que dicha situación no es recomendable que se resuelva con el krigeaje.
d) El alcance
El cambio del alcance en un semivariograma tiene una relativamente pequeña

influencia en el cálculo de los factores de ponderación, afectando, el resultado
final de la estimación. en mayor medida a la varianza del krigeaje. Esta es
considerablemente menor cuando el alcance aumenta, pues las muestras aparecen
más cercanas, en términos de distancia estadística. Si el alcance es muy pequeño,
todas las muestras se encuentran a una misma distancia estadística, con lo que el
efecto es similar al producido por el efecto pepita puro: la estimación se convierte en
una ponderación simple de los datos existentes.
e) La presencia de anisotropía
Como ya se citó al comienzo de este capítulo, no todas las variables presentan

una similar continuidad espacial a lo largo de las diferentes direcciones del plano
o del espacio, generándose, en este caso, el efecto de anisotropía. La principal
incidencia que este fenómeno tiene en el proceso de estimación es el mayor peso
que se le da a las muestras incluidas en la dirección de máxima continuidad (eje
mayor de la teórica elipse), frente a una menor importancia en las situadas en la
dirección de mínima continuidad (eje menor de la elipse). Este hecho es relevante
incluso aunque las muestras localizadas en la dirección de mínima continuidad
estén más cercanas. geométricamente, que las otras.
En cualquier caso, la diferencia en la estimación, tanto a nivel del estimado

como de su varianza de krigeaje, entre tomar un semivariograma isótropo u otro
anisótropo, puede ser importante, por ·lo que siempre se recomienda calcular los
semivariogramas en diferentes direcciones, con el objetivo de intentar encontrar la
posible presencia de direcciones de anisotropía.
7.3. Validación cruzada
Un problema clave a la hora de realizar el krigeaje es la elección del mejor

modelo que se puede ajustar al semivariograma experimental obtenido. Puesto
que los valores del efecto pepita, meseta y alcance en el modelo se calculan de forma
visual, no existe posibilidad de saber, a priori y matemáticamente. si la elección es la
más correcta.
La mejor solución para esta problemática es llevar a cabo lo que se denomina

una validación cruzada. Este método consiste en realizar un krigeaje de puntos,
- 222 -
donde cada punto con valor conocido se va sustituyendo, sucesivamente, por un

valor a estimar, de tal forma que al finalizar el proceso se obtiene un conjunto de
puntos estimados en valores conocidos, pudiéndose establecer, a continuación,
una relación entre ambos tipos de valores, lo que da una medida de los errores
cometidos. Como el krigeaje utiliza el semivariograma, variando los valores de
éste se podrá buscar la opción que genere una menor diferencia entre los valores
estimados y los reates. Este proceso iterativo permitirá definir qué parámetros del
semivariograma (los citados efecto pepita, meseta y alcance) son los más adecuados
para la óptima modeliización. En la Figura 6.24 se muestra una representación gráfica
del proceso de validación cruzada. La mejor situación sería que todos los puntos
estuviesen situados en la bisectriz del cuadrante, lo que indicaría que el valor real (Z)
y el estimado (Z*) son semejantes. Todo lo que se separe de dicha bisectriz indica error
en la estimación. En la Figura 6.24, el error para cada punto viene representado no sólo
por su lejanía a la bisectriz, sino también por el tamaño de la cruz o el aspa.
Plot of El-N>r: <z• - LEY)

46681111!. �------------,
+ ".
+ .
46661111!.
X. . .+X ' + Statist ies
"'"
x ++xx . +, x•
x•
X
+ + '' - X+ N Total: 113

><+
X •
X X .• X N niss : O
§ 4664800. X . ... '
N Used :
++X+
113
..�
+
%f + x••.. •• +
1-t X
+ . >< A ••• X ' X

z 11ean : .006
+ +
.... + )(
3 46621111!. ·-xx;x·, Std Dev: .154
• X t
,
X ninillUJI:. - .718
. 25th z: -.074
\ x.
4661!8110, 11edian : .004
75th z : .075
f1ax iIIUI : .459
46581111!. 1 1 1
6041111!. 6061111!. 6981111!. 6101199. 6121111!.
LATITUI)
Figura 6.24. Ejemplo de diagrama de una validación cruzada.
El método expuesto, en detalle, presenta numerosas ventajas e inconvenientes. La

m_ayor ventaja es que permite ir viendo y comparando los sucesivos errores que se
cometen en los diferentes semivariogramas considerados. En cuanto a desventajas,
cabe citar el hecho de que produce estimaciones en puntos de valor conocido (las
muestras), lo que no necesariamente implica que, si se obtienen buenos resultados,
sea extrapolable a las zonas de valor desconocido (zonas no muestreadas). En
cualquier caso, constituye el método más común y utilizado para testificar la bondad del
ajuste del semivariograma.
- 223 -
7.4. Consideraciones sobre el área de búsqueda
Cuando en el capítulo anterior se describió el método de estimación del inverso de

la distancia, se hizo mención a las características que debía presentar el área de
búsqueda, es decir, cómo se definía la zona de captura de los puntos que entraban a
formar parte de la estimación. En el presente método de estimación, el krigeaje, es
necesario volver a incidir en este tema, si cabe con mayor profundidad. Para guiar la
discusión, se puede centrar el problema en las siguientes cuestiones:
a) Forma del área de búsqueda

b) Número de muestras a capturar
c) Relevancia de las muestras
a) Forma del área de búsqueda
La morfología del área de busqueda suele ser, normalmente, una elipse centrada en
el punto que va a ser estimado. Su orientación viene dictada por la anisotropía
del esquema de continuidad espacial, con el eje mayor de la elipse en la dirección de
máxima continuidad. Si no existe dicha anisotropía, la elipse se convierte en un círculo
y la cuestión de la orientación deja de ser, obviamente, relevante. Todo lo mencionado
es para dos dimensiones, por lo que si la estimación se produjese en tres dimensiones,
habría que cambiar, evidentemente, la elipse por un elipsoide o el círculo por una
esfera.
b) Número de muestras a capturar
El siguiente paso sería definir el tamaño de la elipse, es decir, cuántos puntos de

estimación deben incluirse en ella. La respuesta más simple establecería que tendría
que incluir algunas muestras, viniendo este aspecto condicionado por la morfología de
la malla de muestreo. En la práctica se intenta conseguir que la elipse incluya, al
menos, de 6 a 12 puntos de estimación. En mallas irregulares de muestreo, la longitud
de la elipse debe ser ligeramente mayor que la distancia media de muestreo, viniendo
ésta definida, de forma muy general, por:
DMM = (S/n) 1 '2
donde:
DMM = Distancia media de muestreo
S1 = Area total cubierta por las muestras
n = Número de muestras.
La cuestión todavía no ha sido resuelta del todo, pues quedan algunos aspectos que
comentar. En primer lugar, cuantas más muestras se incluyan.mayor será el número
de operaciones que debe llevar a cabo el sistema de ecuaciones y mayor será el
suavizado en la estimación. En segundo lugar, si se incluyen muestras cada vez más
y más lejanas la estacionariedad puede no ser asumida, con lo que la estimación queda
en entredicho. El primer aspecto queda minimizado, en la actualidad, con la existencia
- 224 -
de ordenadores de gran potencia. En cuanto al segundo, genera que conceptos

básicos como el carácter de mejor estimador insesgado del krigeaje no se cumplan, por
lo que es necesario intentar llegar a un compromiso en cuanto al tamaño de la elipse.
Es regla común utilizar, como semieje de la elipse, un valor próximo al alcance
del semivariograma en la dirección considerada. De esta forma se asegura el
mantenimiento de la estacionariedad y se cumple la correcta estimación. No obstante,
el ampliar este valor no excesivamente, cuando el número de muestras es insuficiente,
mejora el proceso de estimación (lsaaks y Srivastava, 1989).
c) Relevancia de las muestras
Esta cuestion incide en dos aspectos. Por una parte, la posible presencia de
agrupamientos de muestras, que queda resuelta, como se comentó anteriormente, por
el diseño del propio sistema de ecuaciones de krigeaje, que toma en cuenta y pondera
este fenómeno. Por otro lado, el segundo aspecto hace mención a la importancia de
las diferentes muestras para su inclusión en la estimación, por ejemplo en cuanto a su
pertenencia a la misma población que el punto a estimar. Esta cuestión es casi
imposible de asegurar, y menos de verificar, por lo que la decisión debe venir
acompañada de una información de tipo cualitativo. En otras palabras, el estudio
geológico completo de toda la información presente es el mejor camino para definir qué
muestras son relevantes y qué muestras no lo son, pudiendo ser estas últimas
apartadas del proceso de estimación. Este problema, en yacimientos de baja
complejidad geológica puede no ser tal, incrementándose según aumenta la dificultad
de la interpretación geológica.
7.5. Krigeaje de bloques
El otro tipo de krigeaje más frecuentemente utilizado en la evaluación de yacimientos

es el krigeaje de bloques, que opera de forma similar a como lo hace el puntual, pero
con la diferencia de que el valor obtenido se le asigna a un bloque y no a un punto.
Dentro del modelo de función aleatoria descrito en el apartado 5, el valor medio de una
función aleatoria en una zona determinada (bloque) es, simplemente, la media
aritmética de todas las variables puntuales aleatorias incluidas dentro de esa zona.
Esta capacidad del krigeaje de llevarse a cabo sobre un área y no sólo sobre un
punto, es una característica propia y única de este método de estimación, no
compartida por otros métodos. Aunque la forma de operar puede trasladarse a métodos
como el inverso de la distancia, los resultados no son muy consistentes (lsaaks y
Srivastava, 1989).
Para determinar el valor del bloque, se lleva a cabo una discretización del área en
un conjunto de puntos (2x2, 3x3, etc.), obteniéndose, a continuación, la media entre los
diferentes valores. Un ejemplo de la importancia de los ordenadores en el desarrollo de
la geoestadística es que, para calcular, por ejemplo, el valor de un sólo bloque con una
discretización de 1 Ox1 O, sería necesario resolver cien sistemas de ecuaciones, cada
- 225 -
una de ellos con, por ejemplo, 11 ecuaciones (suponiendo una estimación a partir de
diez valores). Y esto sólo para un bloque, siendo frecuente, normalmente, dividir el
yacimiento en centenares de bloques. Todo ello llevaría a la resolución de decenas o
centenares de miles de ecuaciones, hecho absolutamente inviable si no fuese por
la ayuda de la informática.
Como demostración del método de cálculo del krigreage de bloques (media

aritmética de lo puntos discretizados extrapolada al área establecida), en la Figura 6.25
(lsaaks y Srivastava, 1989) se müestra un esquema en el que, en la parte superior (a),
se indica un bloque a estimar discretizado en cuatro puntos. El resultado de la
estimación del bloque es 337. Por su parte, en el resto de esquemas, (b) a (e), se
establecen las estimaciones por krigeaje puntual de los cuatro puntos de discretización.
Sus resultados son: 336, 361, 313 y 339. La media de estos cuatro valores (337,25) es
similar a la obtenida por el krigeaje de bloques (337).
I•>
4>u1
(0.14)
Cf),. .,
<p•to-•
¡o,071
4>...C",,U)
I•>
......
(e)
'¾>s.11 cp_,1
G. G.
...17)
• .., <p_ ...,

.,.
©
{D.11) ..... G>
♦7'
(O.O,)
<p..,
¡o.14
<p.,.
111.00,
@ ....
(O.O!)
(d) <•l
q,5)1 Cj>u,
....7) f0.11)
. ..,
V .313
<p,....,:11 1•• �-l�A1J q,_

..... <p,.�., 4>•.,
� flU
cp_
p,t7)
<?m
¡o_,.,
Figura 6.25. Estudio comparativo entre el krigeaje de un bloque y los krigeajes puntuales de
los puntos de discretización.
Por último, hay que hacer constar que los valores que se obtienen con el krigeaje
tamo puntual como de bloques) llevan aparejados los correspondientes valores de la
varianza de la estimación (varianza del krigeaje), lo que permite hacer un estudio de la
bondad de la estimación. Estos valores de la varianza del krigeaje pueden,
poste�ormente, ser interpolados y obtener mapas como el mostrado en la Figura 6.26,
- 226-
en la que se puede analizar qué zonas presentan una mayor exactitud en la estimación,
cuales poseen una mayor probabilidad de error, etc., lo que suele ser muy necesario
a la hora de establecer los planes de producción minera.
MQ,ng .,..mat• pn,áJood rmm - !f.. olemPIO.i,,l
COn11>u11 ror KlD.D'
-�
-"5':,
..,,,.., ��
"' .
�l'
��
�� f \
� /2
¡ jl!A
♦-
o J))
¾�
Á;/;;
I
l882JllZ. / /�
;/,_,�/4½
a
��
J,, �
.l.'.
.-. __..oe .tOllti2EfflJ .IIBIIE..ol! .,11¡¡;...oe
IAITTW
Figura 6.26. Mapa de isocontenidos utilizando como variable la varianza del krigeaje.
La varianza del krigeaje es uno de los factores que determina la calidad de los
métodos geoestadísticos, pues ningún otro método obtiene este parámetro, de gran
valor a la hora de establecer, por ejemplo, las categorías de las reservas del
yacimiento, tal como se indica en el siguiente apartado.
7.6. Aplicación de las varianzas del krigeaje a la definición de las reservas

dentro de un yacimiento
Annels (1991) propone un método para establecer las diferentes categorías de

reservas de un yacimiento concreto en base a los valores de la varianza del krigeaje
de los bloques estimados. El procedimiento incluye la construcción de la curva de
frecuencias de las citadas varianzas del krigeaje (Fig. 6.27). Si se pueden definir, por
ejemplo, tres poblaciones diferentes, como es el caso de la Figura 6.27, entonces se
asignan tres categorías a los valores de la varianza. En el caso de la Figura 6.27, se
tendría:
Varianza del krigeaje Categoría

O - 0,0075 Reservas probables
0,0075 - 0,0135 Reservas posibles
> 0,0135 Reservas indicadas/inferidas
- 227 -
El mayor problema que presenta este tipo de clasificación es que, como es lógico,
no siempre tienen que presentarse tan claramente las tres poblaciones, con lo que su
aplicabilidad disminuye notablemente.
FRECUENCIA (%)
0,0075 0,0135
CLASES DE LA VARIANZA DE KRIGEAGE
Figura 6.27. Curva de frecuencias para la varianza del krigeaje (Annels, 1991 ).
Otro método es es descrito por Royle (1977). Este autor afirma que la clasificación
racional se debe basar tanto en la varianza de krigeaje como en el valor del propio
estimado. Royle establece que, para cada bloque estimado, se puede obtener la
probabilidad de que el valor real de dicho bloque esté por encima de una determinada
ley mínima de explotación. Para ello se calcula el valor de D con la siguiente fórmula:
D = (VKB - LME)/ok
donde:
D = Desviación
VKB = Valor krigeado del bloque
LME = Ley mínima de explotación
ok = Desviación estandar del krigeaje.
Por ejemplo, si la ley mínima de explotación es de 3 g/t (yacimiento de oro) y la ley

krigeada del bloque es 3,125 g/t y su varianza de krigeaje es 0,04 (g/t)2, entonces:
D = (3,125 - 3)/(0,04) 112 = O,125/0,2 = 0,625
Entrando en la tabla de probabilidad de la distribución normal, se tendría que la

probabilidad de que el valor del bloque sea inferior a la LME es de 0,266. Por tanto, la
probabilidad de que sea mayor será 1 - 0,226 = 0,734 (73,4%).
Una vez establecidas todas las probabilidades para los diferentes bloques krigeados,
el método operaría de forma semejante al anterior, es decir, estableciendo rangos
concretos de probabilidad para las reservas probadas, posibles, etc.
- 228 -
-
7. 7. Krigeaje indicador
El krigeaje indicador es una de las innumerables variaciones que la Geoestadística

presenta para la evaluación de yacimientos, utilizándose, cada vez más, en el análisis
de las reservas, especialmente en explotaciones de alto valor (p.e. oro). Es un método
no paramétrico en el que los valores obtenidos son convertidos a O y 1, dependiendo
de su relación con una determinada ley de corte. Permite estimar la proporción de un
bloque bajo estudio que tiene un determinado porcentaje de probabilidad de
encontrarse por encima de la citada ley de corte. La mejor forma de observar su
funcionamiento es con un ejemplo.
Se tiene un bloque mineralizado que ha sido evaluado por sondeos situados

en sus cuatro esquinas. El valor asignado al bloque será, si el espesor es constante,
la media aritmética de las cuatro esquinas. Pueden existir dos situaciones como las
siguientes:
Bloque A: 6%, 5%, 6% y 6% - ley media = 5, 75%

Bloque B: 1%, 2%, 1% y 19% - ley media= 5,75%
Si la ley mínima de corte es, por ejemplo, del 5%, está claro que ambos bloques
son explotables, independientemente de que la asignación de explotabilidad del
bloque B sea casi totalmente dependiente de un único valor (19%), lo que no se
refleja directamente en el resultado.
Considérese ahora que la mineralización y el estéril son materiales con ley

superior e inferior, respectivamente, a una determinada ley mínima de corte (p.e. 5%),
por lo que se les asigna un valor 1 al primer caso y cero al segundo. Entonces se
tendría que, para el bloque A, todos los sondeos entrarían en la categoría de
mineralización y se le podría asignar, al bloque, un indicador medio de 1. Por e,
contrario, para el bloque B, sólo un sondeo entraría en la categoría de mineralización,
por lo que recibiría un indicador medio de 0,25. En este caso (bloque B), aunque la ley
media sugiere que todo el bloque es mineralización, el indicador medio nos afirma que
tan sólo el 25% del bloque se puede considerar como mineralización. Este efecto debe
ser tomado en cuenta en todos aquellos estudios que generen cálculos de reservas,
pues su no consideración puede producir, como en el caso del ejemplo, una
sobreestimación de los tonelajes de la mineralización.
La expresión matemática para una variable de este tipo sería l(x,z), correspondiente
a una ley z(x) de una muestra en un punto x y con una ley de corte z. De tal forma
que:
1, si z(x) > z
l(x,z) =
O, si z(x) < z
Una vez que las leyes, o cualquier otra variable a estudiar, han sido transformadas
de esta manera, se puede intentar construir un semivariograma experimental y ajustarle
- 229 -
un modelo matemático de los existentes. Para el caso del modelo esférico, la ecuación
sería:
y1(h,z) = 1 0 + 1 [1.5(h/a) - 0,5(h/a)3] para h < a

v1(h,z) = 1 0 + 1 para h > a
donde I e 1 0 son equivalentes a C y C0 en un semivariograma normal. Una vez que

el semivariograma de indicadores está modelizado, se puede llevar a cabo un krigeaje
de bloques, que recibiría el nombre de krigeaje indicador. El valor que saliese para
cada bloque vendría a representar el porcentaje recuperable de mineralización que
tiene ese bloque para una determinada ley de corte. Los resultados pueden ser
comparados con los valores obtenidos en un krigeaje de bloques normal, con otros
krigeajes indicadores para otras leyes de corte, etc., con el fin de obtener estrategias
de explotación.
7.8. El cokrigeaje
El cokrigeaje constituye, al igual que el krigeaje indicador, otra de las aplicaciones

del krigeaje a la estimación de variables. Hasta el momento, el krigeaje utilizaba, como
parámetros para realizar la estimación, los valores de una variable. Sin embargo, suele
ser frecuente, en minería, conocer no sólo una variable sino varias de ellas, que,
usualmente, están relacionadas entre sí (p.e. Ag y Pb/ Zn). Por tanto, resulta interesante
utilizar la información suministrada por una de las variables para calcular la otra,
siempre y cuando, obviamente, exista una relación entre ambas. Este proceso se
denomina, en Geoestadística, cokrigeaje.
El cokrigeaje, pues, se define como un método de estimación que mIrnmIza

la varianza de la estimación utilizando la correlación entre varias variables, estando los
estimados obtenidos tanto a partir de las variables secundarias como de la principal.
La utilidad de la variable secundaria. muchas veces se ve incrementada por el hecho
de que la variable principal pueda encontrarse submuestreada en algunas zonas del
yacimiento.
El valor estimado de una variable por cokrigeaje viene definido por la siguiente
expresión:
donde:
u0 = Valor del estimado en el punto O

U ¡ = Los datos de la variable principal en n puntos
v, = Los datos de la variable secundaria en m puntos
a; y b¡ = Los factores de ponderación a determinar para resolver los sistemas de
ecuaciones.
- 230 -
Como se puede observar, el aspecto de la expresión es muy similar a la que

correspondería para el krigeaje. De hecho, el desarrollo del sistema de ecuaciones del
cokrigeaje es idéntico al correspondiente para el krigeaje. Por tanto, prácticamente todo
lo expuesto para un método (krigeaje) es válido para el otro (cokrigeaje), en relació.n a
los modelos de funciones aleatorias, cálculo del semivariograma, áreas de búsqueda,
etc.
Unicamente merece la pena comentar que existen ciertas situaciones en las que
este método no mejora los resultados que se obtendrían utilizando simplemente el
krigeaje. Cuando los modelos de semivariogramas son muy similares entre sí, y las
variables principal y secundaria están igualmente muestreadas en todos los puntos, los
resultados con un método y otro son, prácticamente, semejantes.
8. VARIANZA DE LA EXTENSION EN EL MODELO ESFERICO
Si un bloque de mineralización se evalúa por el valor medio de los sondeos

incluidos en el bloque, la estadística clásica dice que el error de la estimación
viene definido por o/(n) 1 '2, donde n es el número de muestras y o la desviación
estandar de los datos, de tal forma que para un nivel de confianza del 95% se
tendría que el valor estimado, por ejemplo X0 , sería:
X0 =X± 20/(n) 1 '2
siendo X la media de los valores incluidos en el bloque. Esto significa, siguiendo

con la estadística clásica, que si aumentamos el número de muestras el error
disminuye progresivamente. Ahora bien, esto no es exactamente lo que interesa
saber en minería. Lo que realmente resulta básico conocer es el error que se
comete al extrapolar un/os valor/es al resto del bloque, que es lo que se denomina
varianza de la extensión. Pensando con mentalidad geoestadística, resulta evidente
comprender que muestrear en zonas marginales del bloque no tiene mayor
trascendencia si, por ejemplo, el semivariograma presenta un alcance pequeño.
Lo que a continuación se va a comentar es, precisamente, el error que se comete

al extrapolar el valor de un sondeo, por ejemplo en el centro del bloque, al bloque en
su conjunto. Existen numerosas posibilidades de extrapolación: un punto flotando en
una línea a la línea en su totalidad, un punto centrado en un bloque al bloque, un punto
flotando en un bloque al bloque, cuatro sondeos en las esquinas del bloque al bloque,
etc. En el presente apartado se van a comentar algunas de ellas, las más importantes,
dejando al lector la posibilidad de acudir a textos más extensos en los que se incluyen
todas las posibilidades (p.e. Annels, 1991).
8. 1. Funciones auxiliares
Las varianzas de la extensión, para diversas situaciones, se pueden calcular

a través de las denominadas funciones auxiliares·, existiendo tres funciones lineales (y,
231
F y X) y cuatro funciones en dos dimensiones (y, F, X y Q). Las primeras se suelen

representar por y(l.:), F(L) y X(L), siendo L la longitud de la línea (h) a la que se va a
extrapolar el valor expresada como el cociente entre la longitud del segmento (h) y el
alcance del semivariograma en esa dirección, es decir:
L = h/a
De igual forma, las funciones en dos dimensiones se representan como F(x,y),

Q(x,y), etc., siendo x e y las dim�nsiones de los lados del bloque expresados
tal como se indica en la Figura 6.28.
L
a2
/'i
X= lJa1
H
y= H/a2
----o a1
Figura 6.28. Dimensiones del bloque expresadas por su relación con el alcance.
Existen tablas y gráficos que permiten obtener el valor de la varianza. Esta varianza
corresponde a o//C, siendo C la varianza regionalizada del semivariograma involucrado
y o/ la varianza del error que se comete extrapolando un valor a una línea o un bloque.
La varianza total de la estimación (oE2) está constituida por dos términos, la varianza de
la extensión, tal como se ha definido, y C0 , cuya combinación es:
o/= (Cofn) + C(a//C)
siendo n el número de muestras extrapoladas a la línea o el bloque.
8.2. Modelos de varianza de la extensión
Tal como se ha comentado anteriormente, existen numerosas posiblidades a la hora

de la extrapolación, lo que incide en un gran número de modelos diferentes. Todos ellos
requieren que la muestra sea una muestra puntual, es decir, sin tamaño significativo en
relación al alcance del semivariograma. Como ejemplo se van a tratar tres situaciones,
con sus correspondientes modelos, así como un ejemplo del modo de cálculo. Estas
::res situaciones son: (a) un punto flotando en un bloque, (b) un punto centrado en un
D oque y (c) cuatro puntos en las esquinas de un bloque.
a) Un punto flotando en un bloque
En la Figura 6.29 se plantea el esquema de la situación. Se trata de un punto (p.e.

sondeo) que está localizado en cualquier posible posición del bloque a evaluar. El
- 232 -
Capítulo 6. Evaluación de /as reservas: métodos geoestadisticos
bloque puede ser cuadrado o, como situación general, rectangular, con lados de
tamaño x (1/a) e y (h/a). Se tendría que:
a/= F(x,y)
o/ = C0 + C(o//C)
Utilizando la Figura 6.30 se obtendría el valor de a// C.

X
•
y
MUESTRA
Figura 6.29. Muestra puntual situada aleatoriamente en cualquier parte del bloque.
---a1
hB!"'
PUNTO FLOTANDO
3.0
2.0
h/a
1.0
0.9
o.a
0.7 -i----i:::==i:=---....:::P...��
0.6 ��===-.,::;?-1��:
0.5 ¡:::�;:::,.,��....;¡�'
0.4 i==--�=-t-,.,..:0..�.
M «t '° co r-- como q o q q q qqqq

ci ci ó o ci c:i ci ,.; (\J e,; «t '° co r--como
-1/a
Figura 6.30. Función auxiliar bidimensional F para el modelo esférico (Annels, 1991).
- 233 -
-
b) Un punto en el centro de un bloque
La situación sería la representada en la Figura 6.31. Es el caso simple, desde un

punto de vista geométrico, de un sondeo situado en el centro de un bloque, bien
cuadrado o, caso general, rectangular. La expresión sería:
o/= 2.Q(x/2,y/2) - F(x,y)
oE2 = Co + C(oe2/C)
Utilizando la Figura 6.32 se obtendría el valor de o//C.

X
MUESTRA
• y
Figura 6.31. Muestra puntual centrada en el bloque.
1 : 1�
10.0
MUESTRA CENTRADA
9.0
8.0
7.0
' '
....... ' '
... .......' ,',..., ''o'
�
'
...
T
"-
6.0 ---
-.........._"'" " �,,� '"o '9>,.-�- '

r"'.._
'-
-..........."' '"�
5.0
'-, ºi'9�.s..<?,9�.,
4.0
3.0 '
'-.;;;: 'r-.
2.0 ...,.....___ º-e\'� ."" '
---� .....o � ' Í'\I'\., ,, i\
r-..
¡\
1\
;:.:::��tq't]·-b, .\[\ ¡\i\
h/a
t 0.1
0.09
0.08
. --- r-r-,..""'i,.. "'o"i?;� -\
-
.1\ \
o -�"l.\ \ \ \ \ "-.¡
1\
0.07 -.... r-... -.,o '\i'.s- ·, \ \
º:-b. \\\
\ \
,
\
\1
\
'
0.06
\
ro..
- -- "ov-.,,;?.i,' \ \\ \
o.os -""- "'i--... "'o'<b� , 1\\ \ ,
........... -., q,'; � '1
0.04
� r-.... <?,,. é9, 1\ \ \
-i-
0.03 r--__
��.......
1- º'e!,.._ í\.
<?.l'v. 6', ' \ 1 ' �
\
��q ,i;':\ ' \'

??
0.02 ÍC?s>� i\ \
% ��
�, '
�,�' \ \1
0.01
"l ""': "'! "l �«!O?o o q q q q qqq q
S?
O O O 0 000..: Ñ t'? • &I) <O ,...._a:,O>
-11•
Figura 6.32. Gráfico para la obtención de o//C (muestra puntual centrada en un bloque)
(Annels, 1991).
- 234 -
e) Muestras puntuales en las cuatro esquinas del bloque
Esta situación también es muy común, pues se trata de un bloque que se evalúa a
partir de cuatro sondeos localizados en las cuatro esquinas del bloque (Fig. 6.33), de
nuevo cuadrado o, en su forma más general, rectangular. La expresión sería:
2 2
o/= 2.Q(x,y) - F(x ,y) - 1/4y(x) + y(y) + y((x +y ) 112)
ol = Cc/4 + C(o//C)
Con la Figura 6.34 se calcularía el valor de o//C.
X
MUESTRAS y
Figura 6.33. Cuatro muestras puntuales localizadas en las cuatro esquinas del bloque.
Dt
___ ,_
-
MUESTRAS EN LAS ESQUINAS
-
10.0
9.0 '
I 1 1
...... - .... ..... 'o1 ;. 1 --
'
8.0
I I 1 --1-
--
7.0 ........
"''"'
1
6.0 ��-:-
e o c:í- -.........._ '-..
.....
'o i\
·.:>.s-J'
-� ...,
4.0 / I "o
5.G
o
ir/ '
1 ---........ "- ó'
J J o
' ----....... �- "o ""ó'.s '
V
........._ , o �> ' 1\
J "-
3.0
o .._,,=>.s- "'\'\ \
/
�I\\\\
--..o.;_..-,;19, ·,
-- -
.....
-
2.0
/ .-- o •;"
- '
h/a
¡__...--- º
'V,-q,
o '
.....-- o ...,.9 ) 1
º
\
.1.0. o��
0.9
0.8
0.7 - r,-o'C?;:_of\
......
.....º",.:>6'
º "" ,,
....,
,I' 1' ......
I
0.6
-
·,>;
�.(p;�� \1
I
0.5 ,_---..� º 34
v- ¡
--...... o·-0•\'
O?-..,,\
//
0.4 �
_1o.38
1¡ //
0.3 ' <?o.�\
..._ <?o \i>
- ........ o �
---- -...... º
'<?�"¾ 1\
........... q ·q,..,1
I � º·4,z.--.....---
��t\ I --
0.2
�',¡,%1\1
'º44 ........ --
o.: 111�1 l l Vi�- � 4
C\f <'? "": U'! Ul ": �o¡q q q q q q qqqq
o o o o o o o oo� N C"> ..,. u, '° ,-..a,o,�
-va
Figura 6.34. Gráfico para la determinación de o//C (cuatro muestras puntuales en las
cuatro esquinas del bloque) (Annels, 1991).
- 235 -
Ejemplo 6.3. Considérese un bloque que va a ser evaluado y cuyo tamaño es de 100 m x 150
m. Los parámetros obtenidos en el semivariograma han sido: (a) carácter isótropo, (b) C0 =
O,15, (c) C = 2,5 y (d) alcance = 250 m. Determinar los errores que se cometen considerando
las tres situaciones comentadas anteriormente, es decir: punto flotando, punto centrado y cuatro
puntos en las esquinas.
Solución. Puesto que las dimensiones del bloque son 100 m x 150 m, se tendría que h/a =
100/250 = 0,4 y 1/a = 150/250 = 0,6. Para el primer caso, punto flotando en el bloque, se
entraría en la Figura 6.30, obteniéndose un valor de o//C = 0,375. Por lo tanto:
o/ = C0 + C(o//C) = 0.15 + 2,5(0,375) = 1,0875

Para las otras dos situaciones, punto centrado en el bloque y cuatro puntos en las esquinas,
los valores de o//C serían de 0,19 y 0,136, respectivamente, por lo que las correspondientes
o/ serían:
oE2 = C0 + C(o//C) = 0,15 + 2,5(0,19) = 0,625

o/ = C0 + C(o//C) = O,15/4 + 2,5(0, 136) = 0,377
Si se comparan los tres resultad9s:
Punto flotando - al = 1,0875

Punto centrado - =
oE2 0,6250
Cuatro puntos en las esquinas - al= o,3770
se observa muy claramente como el error que se comete es mucho mayor en el punto flotando
que en el punto centrado y éste, a su vez, también mucho mayor que con los cuatro puntos en
las esquinas, siendo la proporción, en cada caso, de alrededor del doble del error.
9. CURVAS LEY MEDIA VERSUS TONELAJE
En el capítulo 4, apartado 2.4, se mostró la forma de establecer las curvas

ley media versus tonelaje en función del valor de la ley media y su desviación
estandar, utilizando la estadística clásica y la tabla de probabilidad de la distribución
"'ormal. Como es lógico, los valores de la ley media se obtienen a partir de un número
:e:errninado de muestras que, a su vez, se considera que tienen un carácter puntual.
:. �::·a bien, la estadística clásica no ofrece la posibilidad de conocer cómo serían
:Sas :::urvas para bloques de explotación de un tamaño determinado, es decir, qué
:s ..,. .., os !ienen lugar cuando el soporte no es puntual. A continuación se va a
:.::-� :::e·ar esta posibilidad desde el punto de vista de la Geoestadística. en otras
=�-as cómo afecta el cambio de soporte al valor de la desviación estandar. El mejor
::a:--: ::a-a :tevar a cabo este estudio es con un ejemplo.
Co,s Ce""ese un yacimiento de cinc que posee_ una ley media del 14,8% y una
desviaaón es�"'aar del 3,6%, pres.entando las leyes una distribución normal. Estos
- 236-
valores se han establecido a partir de muestras lo suficientemente pequeñas como para

considerarse puntuales. También se conoce que el yacimiento. geoestadísticamente,
posee un modelo de semivariograma esférico con alcance de 100 m y C=25. Se quiere
establecer la distribución de las leyes, es decir, su desviación estandar pues la media
no variará, para bloques de explotación de 20 m x 20 m x 1 O m y 40 m x 40 m x 1O m.
Para obtener la diferencia entre la varianza puntual y la varianza de bloques,
es necesario utilizar la Tabla 6.1. En ella se puede calcular el parámetro necesario para
el citado cambio tomando como patrón el modelo esférico con alcance = 1 y C = 1 . El
valor de L corresponde al tamaño del bloque en la dirección X e Y, y el de Ben la
dirección Z (potencia).
Tabla 6.1. Valores de la función F (L, L, B) para el modelo esférico de alcance = 1 y C = 1.
L \ B' 0,2 0,4 0,6 0,8 1 1,2 1,6 2 2,5 3 4 5
0,1 0,14 0,22 0,31 0,39 0,46 0,53 0,62 0,68 0,74 0,78 0,83 0,86
0,2 0,2 0,27 0,35 0,42 0,49 0,55 0,64 0,7 0,75 0,79 0,84 0,87
0,3 0,26 0,32 0,39 0,46 0,53 0,58 0,66 0,72 0,77 0,8 0,85 0,88
0,4 0,33 0,38 0,45 0,51 0,57 0,62 0,69 0,74 0,79 0,82 0,86 0,89
0,5 0,4 0,44 0,5 0,55 0,61 0,65 0,72 0,77 0,81 0,84 0,87 0,9
0,6 0,46 0,5 0,55 0,6 0,65 0,69 0,75 0,79 0,83 0,85 0,89 0,91
0,7 0,52 0,55 0,6 0,64 0,69 0,72 0,78 0,81 0,85 0,87 0,9 0,92
0,8 0,57 0,61 0,65 0,69 0,72 0,76 0,8 0,84 0,87 0,89 0,91 0,93
0,9 0,63 0,65 0,69 0,72 0,76 0,79 0,83 0,86 0,88 0,9 0,92 0,94
1 0,67 0,69 0,73 0,76 0,79 0,81 0,85 0,87 0,9 0,91 0,93 0,94
1,2 0,74 0,76 0,79 0,81 0,83 0,85 0,88 0,9 0,92 0,93 0,95 0,96
1,4 0,79 0,81 0,83 0,85 0,87 0,88 0,91 0,92 0,94 0,94 0,96 0,97
1,6 0,83 0,84 0,86 0,88 0,89 0,91 0,92 0,94 0,95 0,96 0,97 0,97
1,8 0,86 0,87 0,88 0,9 0,91 0,92 0,94 0,95 0,57 0,96 0,97 0,98
2 0,88 0,89 0,9 0,92 0,93 0,93 0,95 0,96 0,96 0,97 0,98 0,98
2,5 0,92 0,93 0,93 0,94 0,95 0,95 0,96 0,97 0,98 0,98 0,98 0,99
3 0,94 0,95 0,95 0,96 0,96 0,97 0,97 0,98 0,98 0,98 0,99 0,99
3,5 0,95 0,96 0,96 0,97 0,97 0,98 0,98 0,98 0,99 0,99 0,99 0,99
4 0,96 0,97 0,97 0,97 0,98 0,98 0,98 0,99 0,99 0,99 0,99 0,99
5 0,98 0,98 0,98 0,98 0,98 0,99 0,99 0,99 0,99 0,99 0,99 1
El primer paso, en este ejemplo, sería obtener el valor de la función F para un bloque
de tamaño 20 m x 20 m x 1 O m con un modelo esférico de alcance = 100 y C = 25. Para
entrar en la Tabla 6.1 es necesario reconvertir los valores, es decir, F(20, 20,
1 O) para el modelo considerado es igual a F(0,2, 0,2, O,1) para un alcance = 1.
237

Evaluación de Las Reservas Métodos Geoestadísticos

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

Evaluación de Las Reservas Métodos Geoestadísticos

Caricato da

Copyright:

Formati disponibili

CAPITULO 6

EVALUACION DE LAS RESERVAS: METODOS

El término Geoestadística surge de la combinación del carácter aleatorio que

En el presente capítulo se va a pasar revista, de forma sintética, a los principios

Merece la pena repetir aquí la importancia de las técnicas geoestadísticas, ya

una técnica de estimación (similar a cualquiera de las expuestas en el capítulo 5),

En la Figura 6.1 se muestra la idea básica de la aplicación de las técnicas

DISTRIBUCION KRIGING DE BLOQUES

Figura 6.1. Principales aplicaciones de la Geoestadística a la evaluación de un yacimiento

Los métodos geoestadísticos y, en concreto, el examen de los semivariogramas,

1) El tamaño óptimo de muestra.

5) La naturaleza de la mineralización, es decir, su caracterización. La información que

Otras ventajas pueden ser:

1) Evitar la utilización de métodos de ponderación arbitrarios como el inverso de la

3. TEORIA DE LAS VARIABLES REGIONALIZADAS

La Geoestadística establece que la distribución estadística de la diferencia en el

Conjunto 1: 3%, 5%, 7%, 9%, 8%, 6%, 4%, 2%

aplicando la Estadística clásica, ambos conjuntos de datos presentarían la misma

De acuerdo con este concepto surge la idea de variable regionalizada, que es

La continuidad de una variable regionalizada a lo largo de un depósito puede variar

4. CALCULO DEL SEMIVARIOGRAMA EXPERIMENTAL

Puesto que la Estadística clásica considera las muestras como aleatorias y

v*(h) = (1/2N) . r [ f(x;) - f(x ;+h) 1 2

donde N es el número de pares de datos, f(x;) el valor de la variable regionalizada en

Figura 6.2. Método para llevar a cabo el cálculo del semivariograma.

El lag es, sencillamente, el espaciado con el que se calculan las diferencias al

Los valores obtenidos de v*{h) se representan en un diagrama frente a sus

Figura 6.3. Ejemplo de semivariograma.

5. MODELOS DE FUNCIONES ALEATORIAS

Como se verá posteriormente, la estimación de la variable en un punto a través del

La información más interesante que debería considerarse a la hora de intentar

dichas situaciones, aplicar modelos determinísticos sería lo más apropiado. Sin

En las Ciencias de la Tierra es necesario admitir la existencia de incertidumbre en

Una variable aleatoria es aquella cuyos valores se generan aleatoriamente

Figura 6.4. Conjunto de siete valores de la variable en siete localizaciones.

Como se ha comentado anteriormente, el krigeaje necesita de la utilización de un

Aunque el ajuste de un modelo a un semivariograma experimental es la forma más

En el primer grupo se incluyen aquellos modelos en los que la curva asciende de

Este modelo va ascendiendo lentamente hasta alcanzar la meseta a un valor

en este caso, la tangente en el origen intercepta la meseta a un valor de a/✓3.

Figura 6. 7. Modelos de semivariograma Formery y Gaussiano.

2) Modelo esférico o Matheron

El modelo esférico o Matheron es el que mejor se suele ajustar cuando se trata de

2a/3 a Lag (h)

Figura 6.8. Modelo.de sernivariograrna esférico o de Matheron.

GRAN SOL APAMIENTO

Capítulo 6. Evaluación de las reservas: métodos geoestadísticos

El modelo matemático así definido tiene la siguiente expresión:

v*(h) = C 0 + C [1.5(h/a) - 0,5(h/a)3] para h < a

donde C 0 es el efecto pepita, C 0+C es el valor de la meseta, a es el alcance o

Figura 6.1 O. Semivariograma con efecto pepita puro.

donde p es la pendiente de la recta, h el lag y k la intersección en el eje X (v*(h)).

y*(h) = 3 a [ln(h/L) +3/2]

donde a es el coeficiente de dispersión absoluta, una medida de la variación espacial,

6. 1. Algunas particularidades respecto a los modelos de semivariogramas

Existen situaciones en las que, si bien no es posible el ajuste inmediato de un tipo

a) Semivariogramas con tendencias.

a) Semivariogramas con tendencias

Una asunción que se hace en la Geoestadística es que no existen tendencias dentro

Figura 6.12. Ruptura de la meseta (presencia de tendencias) en un semivariograma esférico

b) Semivariogramas con efecto agujero

Figura 6.13. Efecto agujero en un semivariograma esférico.

Este efecto no constituye propiamente una particularidad del semivariograma, sino

importancia, merece la pena comentarse. El anisotropismo direccional aparece cuando

donde K¡ son los factores de ponderación (Z=I,K;Z¡, siendo Z el valor estimado