GEOESTADÍSTÍCA PRACTÍCA

ISOBEL CLARK

B.Sc., M.Sc., D.I.C., Ph.D., C.Eng.

Geostokos Limited, centro de negocios de Alloa, Whins Road, Alloa,

Escocia central FK10 3SA

Teléfono/Fax: +44 1259 211904

e-mail: [email protected] y [email protected]

PREFACIO

Este libro está dirigido a posgraduados, estudiantes universitarios y trabajadores de la industria

que requieran una introducción a la geoestadística. Se basa en siete años de cursos para
estudiantes universitarios, M.Sc. estudiantes y cursos cortos para la industria, y refleja los
problemas que se han encontrado al presentar este material a ingenieros de minas y geólogos
de una amplia gama de edades y con una gama igualmente amplia de capacidad numérica. El
libro proporcionaría la base para un curso de unas 20 a 30 horas, o para un curso breve de
cinco días.

El nivel de habilidad matemática y estadística requerido es bastante rudimentario; es suficiente

poder manejar conceptos como media, varianza, error estándar de las distribuciones media,
normal y log-normal, y tener alguna noción de los antecedentes de la resolución de conjuntos
de ecuaciones simultáneas.

Como introducción a un tema que comúnmente se presenta como bastante complejo, el libro
familiarizará al lector con los conceptos y técnicas de geoestadísticas, proporcionando la base
necesaria para permitirle evaluar ejemplos idealizados básicos. También da una indicación de
cómo emplear las técnicas en situaciones más complejas y realistas.

A lo largo de este libro se utiliza la geoestadística en su sentido europeo de "Teoría de las

variables regionalizadas", desarrollada por Georges Matheron y sus colaboradores en el Centre
1
du Morphologie Mathématice de Fontainebleau. Aunque la mayoría de los ejemplos provienen
de la minería, esto refleja la distribución de los practicantes más que el potencial de las técnicas.
Prácticamente cualquier problema que implique la distribución de alguna variable en una
dimensión (por ejemplo, series de tiempo), dos dimensiones (por ejemplo, lluvia) o tres
dimensiones (por ejemplo, depósitos de mineral diseminados) se puede resolver utilizando
dicha técnica.

Las unidades de medida utilizadas en el libro también reflejan el estado de la industria minera.
No se ha intentado estandarizar a unidades SI. Los ejemplos son ejemplos reales, y parece
absurdo girar, por ejemplo, 5 pies núcleos (testigos de perforaciones) en núcleos de 1,52 m. El
único caso en el que esto parece haberse hecho es un ejemplo real en el que la mina
involucrada había adoptado unidades SI, pero continuó usando sus cajas de núcleos (testigos)
pre-métricas de 5 pies.

En la presentación del material he intentado mostrar cómo las ideas básicas pueden
desarrollarse intuitivamente y he tendido a evitar apoyar las ideas con una derivación
matemática rigurosa, ya que existen numerosas publicaciones que utilizan este último enfoque
casi exclusivamente. Mientras que muchas dificultades computacionales pueden aliviarse
mediante el uso de programas informáticos, dicha ayuda no debería ser necesaria dentro del
alcance de este texto. Ninguno de los los ejemplos es demasiado difícil de manejar en lápiz y
papel, y mucho menos para una calculadora. Cuando las fórmulas son demasiado complejas
(o tediosas) para calcularlas a mano, se han creado tablas. Se ha incluido un ejemplo (el
yacimiento de mineral de hierro simulado) para que se pueda adquirir cierta experiencia al
abordar un ejemplo bastante realista, para que vea si el lector puede reproducir el resultado del
autor.

ISOBEL CLARK

CONTENIDO

Prefacio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii

Símbolos utilizados en el Texto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi

Capítulo 1 Introducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1

2
Capítulo 2 EL SEMI-VARIOGRAMA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . …. . . 11

Capítulo 3 LA RELACIÓN DE VOLUMEN-VARIANZA. . . . . . . . . . . . . . . . . . . . . . . .….42

Capítulo 4 ESTIMACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . … 69

Capítulo 5 KRIGING. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . .99

Capítulo 6 PRÁCTICA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .118

Bibliografía. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

Índice. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .127

Símbolos

SÍMBOLOS UTILIZADOS EN EL TEXTO

h; d; b; l distancias o longitudes

 (h) semivariograma entre dos puntos-modelo teórico

l (h) semivariograma -entre dos núcleos (testigos) a lo largo del mismo pozo-modelo
 (h) semivariograma del punto experimental

ɣ∗𝑙 (h) semivariograma experimental de testigos

 (l; b) semivariograma entre dos núcleos (testigos) paralelos

𝜒 (l) semivariograma entre un punto y una recta

𝜒 (l; b) semivariograma entre una línea y un panel

H (l; b) semivariograma entre un punto y un panel

F (l) variación de los grados dentro de una línea

F (l; b) variación de los grados dentro de un panel

F (l; b; d) variación de los grados dentro de un bloque

𝛾̅ valor medio del semivariograma entre dos "áreas" especificadas

a un rango de influencia de un semivariograma

C umbral (sill) de un semivariograma
3
C0 Efecto pepita

p pendiente (àngulo) del semivariograma lineal

 parámetro en semivariogramas lineales generalizados y de Wijs

g grado (valor)

sy desviación estándar de las calificaciones (grados, ley)

𝑔̅ valor medio de las calificaciones
y logaritmo del grado
𝑦̅ valor medio del logaritmo de la nota

sy desviación estándar del logaritmo del grado

z Estándar Desviación normal
 (z) altura de la función de densidad de probabilidad Normal Estándar
 (z) probabilidad de que una variable Normal Estándar sea menor que z

c corte de valores, criterio de selección

𝑔̅ c grado promedio superior a los cortes
P proporción del mineral que está por encima de cote

A "área" a estimar

T grado desconocido del área a estimar

S Conjunto de muestras disponible para estimación

T* Estimador formado a partir de los valores muestrales.

ωi peso acorde a la muestra i

 error estándar de un estimador lineal

e error estándar de la media aritmética de las muestras

k Error estándar de la estimación kriging

 θ,  h un ángulo pequeño, a una distancia pequeña

4
 CAPÍTULO 1

Introducción

Quizás sería útil desde el principio aclarar cualquier posible ambigüedad que surge debido al
uso del título Geoestadística. A principios de la década de 1960, después de mucho trabajo
empírico realizado por autores de Sudáfrica, Georges Matheron, ahora director del Centre de
Morphologie Mathematique en Fontainebleau, Francia, publicó su tratado sobre la Teoría de las
Variables Regionalizadas. La aplicación de esta teoría a problemas de geología y la minería ha
dado lugar al nombre más popular de Geoestadística. El contenido de este libro se limita a la
aplicación más simple de la Teoría de las Variables Regionalizadas, y la de producir la "mejor"
estimación del valor desconocido en algún lugar dentro de un depósito de mineral. Esta técnica
se conoce como kriging. El propósito de este texto es dar un tratamiento simple de la
Geoestadística para el Lector no familiarizado con el campo. El tema puede ser discutido en
varios de niveles de complejidad matemática, y la intención aquí es mantener las matemáticas
al mínimo necesario. Se deben asumir algunos conocimientos previos por parte del lector de
conceptos básicos de estadística ordinaria como media, varianza y desviación estándar,
intervalos de confianza y distribuciones de probabilidad. A los lectores sin estos antecedentes
se les remite a cualquiera de un gran número de excelentes textos básicos.

La aplicación de la Geoestadística a la estimación de reservas minerales en minería es

probablemente su uso más conocido. Sin embargo, se ha enfatizado el tiempo y nuevamente
que las técnicas de estimación se pueden utilizar siempre que se realice una evaluación
continua. La medida se realiza sobre una muestra en un lugar particular en el espacio (o
tiempo). es decir, donde se espera que un valor de muestra se vea afectado por su posición y
sus relaciones con sus vecinos. Dado que la mayoría de las aplicaciones - y la mayor parte de
la experiencia del autor - se limitan al campo de la minería, también lo estarán la mayoría de
los ejemplos. La aplicación de métodos estadísticos a los problemas de reservas minerales se

5
intentó por primera vez hace unos 30 años en Sudáfrica. El problema era el de predecir las
leyes dentro de un área a extraer a partir de un número limitado de muestras periféricas en
campañas de desarrollo en las minas de oro (yacimientos minerales, en grl.). Los valores del
oro son notoriamente erráticos y, cuando se representan en forma de histograma, muestran
una distribución muy sesgada con una cola muy larga hacia las leyes ricas. La teoría estadística
normal (gaussiana) no manejará tales distribuciones a menos que se aplique primero una
transformación. H. S. Sichel aplicó una distribución log-normal a las leyes del oro y logró
resultados alentadores. Luego publicó fórmulas y tablas para permitir el cálculo preciso de
promedios locales para variables log-normales, y también límites de confianza en esos
promedios locales. Existen tres inconvenientes importantes en la aplicación del estimador "t"
de Sichel. El "antecedentes" la distribución de probabilidad debe ser log-normal. Las muestras
deben ser independientes. No se tiene en cuenta la posición de las muestras (todas son
igualmente importantes). Sin embargo, la técnica resultó muy útil en las minas de oro,
especialmente porque proporcionó alguna medida de la confiabilidad del estimador. También
sentó las bases para futuros trabajos estadísticos al proporcionar el marco conceptual
necesario, es decir, al suponer que los valores de la muestra provenían de alguna distribución
de probabilidad. En esta etapa se asumió que en este libro, además, habrá una tendencia a
hablar de "calificaciones" en lugar de "valores de muestra", al menos por brevedad. Si el lector
está interesado en otros campos, basta con sustituir `grado' por porosidad, permeabilidad,
espesor, elevación, densidad de población, precipitaciones, temperatura, longitud de fractura,
abundancia o lo que sea, todas las muestras (en un área determinada) provienen de la misma
distribución de probabilidad -log-normal- y este supuesto se conoce en estadística ordinaria
como "estacionariedad".

Posteriormente a este trabajo se intentó incorporar la posición y las relaciones espaciales en

el procedimiento de estimación. Dos cosas parecían sensatas: debería haber áreas "ricas" y
áreas "pobres" dentro de un depósito; y debería haber algún tipo de relación entre un área y la
siguiente. Estos fueron abordados en los años 1950 y principios de los 1960 mediante la
introducción del Análisis de Superficie de Tendencia. En Sudáfrica, las tendencias se
detectaron formando una "media móvil" que produjo un mapa suavizado para que se pudieran
distinguir las áreas altas y bajas. En Estados Unidos se propuso un análisis de "superficie de
tendencia polinómica" que utilizaba una técnica estadística para ajustar una ecuación
matemática que describiera la tendencia. Ambos métodos tienen una cosa en común - los
supuestos básicos sobre las características estadísticas del depósito. Estos supuestos se han
ampliado desde el de "estacionariedad", al afirmar que se espera que el valor de la muestra

6
varíe de un área a otra en el depósito. Se espera que algunas zonas sean ricas y otras pobres.
Esta expectativa se puede expresar como una variación razonablemente suave, ya sea
mediante un mapa suavizado o una ecuación relativamente simple. En torno a esta tendencia
se espera que haya variaciones aleatorias. Es decir, se supone que el valor en cualquier punto
del depósito comprende (i) un componente "fijo" de la tendencia (que probablemente sea
desconocido), y (ii) una variable aleatoria que sigue una distribución específica. Así, la
estacionariedad se ha desplazado un paso; la calificación esperada puede variar lentamente,
pero el componente aleatorio es "estacionario". También hemos abandonado el supuesto de
normalidad logarítmica. Este enfoque es bastante útil para tener una visión general del depósito,
pero, excepto en áreas muy muestreadas como las minas de oro, no es realmente útil para la
estimación local.

Fig. 1.1 Situación hipotética de muestreo y estimación.

Consideremos el problema de la estimación local, p.e. de intentar estimar el valor en,

digamos, el punto A en la figura 1.1, dadas las muestras en las distintas ubicaciones mostradas.
Parece razonable desarrollar un procedimiento de estimación que dé más importancia a la
muestra 1 que a la muestra 5. Se ha producido toda una gama de métodos para decidir el
"peso" asignado a cada muestra, basándose principalmente en la distancia entre la muestra y
la muestra punto que se estima. Los valores de las muestras pueden ponderarse por la distancia
inversa, la distancia inversa al cuadrado o por alguna constante arbitraria (por ejemplo, rango
de influencia) menos la distancia. Todos ellos implican el mismo supuesto básico: que la
relación entre el valor en el punto A y cualquier valor muestral depende de la distancia (y
posiblemente de la dirección) entre las dos posiciones, y de nada más. No depende de si uno
está en una zona rica o pobre, ni de los valores reales de las muestras, sino sólo de la ubicación
geométrica de las muestras. De hecho, ¡ni siquiera depende del mineral del depósito!

7
 Hay algunos problemas con este enfoque. ¿Qué factores de ponderación son los mejores
para elegir? ¿Hasta dónde llega al incluir muestras? Si hay una muestra 6 que está dos veces
más veces más lejos que la muestra 5, ¿debería incluirse? ¿Qué tan confiable es la estimación
cuando la obtenemos? ¿Podemos esperar seriamente que el mismo método de estimación sea
igualmente válido para todos los tipos de depósitos? Por otro lado, la idea de ponderar las
muestras según alguna medida de su similitud con lo que se está estimando es intuitivamente
atractiva. También parece evitar esas restricciones paralizantes sobre qué distribución de
valores se puede manejar, que tanto limitan los otros métodos de estimación. La "similitud" se
puede medir estadísticamente por la covarianza entre muestras o por su correlación. Sin
embargo, para calcular cualquiera de estos, tenemos que volver a los supuestos de tipo
"estacionariedad". Veamos en cambio la diferencia entre las muestras.

En la Fig. 1.1 parece sensato esperar que el valor en la posición 5 sea ``muy diferente' del
de A, mientras que la muestra 1, por ejemplo, tendrá un valor ``no muy diferente' del de A.
Supongamos que la diferencia de valor entre dos posiciones en el depósito depende sólo de la
distancia entre ellas y de su orientación relativa. Supongamos que tomamos un par de muestras
a 50 pies de distancia en una línea norte-sur en una parte del depósito y medimos la diferencia
entre los dos valores. Ahora, supongamos que hicimos lo mismo, digamos, a 200 pies de
distancia. Y de nuevo en otra posición, y así sucesivamente. El valor obtenido (diferencia de
grado) sería diferente para cada par de muestras, pero según nuestras suposiciones todos
estos valores serían de la misma distribución de probabilidad. Por lo tanto, si pudiéramos tomar
suficientes pares de este tipo, podríamos construir un histograma de las diferencias e investigar
la distribución de la que se extrajeron. Esperaríamos que esa distribución estuviera regida por
la distancia entre el par y la orientación relativa, es decir, 50 pies, norte-sur. Efectivamente,
hemos trabajado los supuestos implícitos de las técnicas de ponderación de la distancia en una
forma estadística.

Sin embargo, tendremos un histograma para cada distancia y dirección diferente en el

depósito. Para construir una imagen útil del depósito necesitamos tantas distancias y
direcciones diferentes como sea posible. Investigar un histograma para cada uno sería tedioso
y nos abrumaría con información no muy útil. Recurramos al truco habitual de resumir el
histograma en un par de parámetros simples. Los habituales son la media aritmética (promedio)
y la varianza, o equivalentemente la desviación estándar. Supongamos, para abreviar, que
describimos la distancia entre las muestras y la orientación relativa como h. Hemos dicho que
la diferencia de ley entre las dos muestras depende sólo de h. En términos estadísticos, la

8
distribución de las diferencias depende sólo de h. Si esto es cierto para toda la distribución,
también lo es para su media y varianza. Es decir, podemos describir la diferencia media en
grado como m(h) y la varianza de estas diferencias como 2𝛾(h). Si tuviéramos un conjunto de
pares de muestras para una h específica (digamos 50 pies, de norte a sur), entonces podríamos
calcular un valor "experimental" para m(h), lejos que la muestra 5, ¿debería incluirse? ¿Qué tan
confiable es la estimación cuando la recibimos? ¿Podemos realmente esperar que el mismo
método de estimación sea igualmente válido para todos los tipos de depósitos? Por otro lado,
la idea de ponderar las muestras según alguna medida de su similitud con lo que se está
estimando es intuitivamente atractiva. También parece evitar esas paralizantes restricciones
sobre qué distribución de valores se puede manejar, lo que limita los otros métodos de
estimación. La "similitud" se puede medir estadísticamente por la covarianza entre muestras o
por su correlación. Sin embargo, para calcular cualquiera de estos tenemos que volver a
supuestos de tipo "estacionariedad". En cambio, miremos la diferencia entre las muestras.

En la figura 1.1 parece razonable esperar que el valor en la posición 5 sea "muy diferente"
del de A, mientras que la muestra 1, por ejemplo, tendrá un valor "no muy diferente" del de A.
Sea Partamos del supuesto de que la diferencia de valor entre dos posiciones en el depósito
depende sólo de la distancia entre ellas y de su orientación relativa. Supongamos que tomamos
un par de muestras a 50 pies de distancia en una línea norte-sur en una parte del depósito y
medimos la diferencia entre los dos valores. Ahora supongamos que hiciéramos lo mismo,
digamos, A 200 pies de distancia. Y de nuevo en otra posición más, y así sucesivamente. El
valor obtenido (diferencia de grado) sería diferente para cada par de muestras, pero según
nuestros supuestos todos estos valores provendrían de la misma distribución de probabilidad.
Por lo tanto, si pudiéramos tomar suficientes pares de este tipo, podríamos construir un
histograma de las diferencias e investigar la distribución a partir de la cual fueron dibujados.
Esperaríamos que la distribución estuviera gobernada por la distancia entre el par y la
orientación relativa, es decir, 50 pies, de norte a sur. Efectivamente, hemos trabajado los
supuestos implícitos de las técnicas de ponderación de distancia en una forma estadística. Sin
embargo, tendremos un histograma para cada distancia y dirección diferente en el depósito.
Para construir una imagen útil del depósito necesitamos tantas distancias y direcciones
diferentes como sea posible. Investigar un histograma para cada uno sería tedioso y nos
abrumaría con información no muy útil. Recurramos al truco habitual de resumir el histograma
en un par de parámetros simples. Los habituales son la media aritmética (promedio) y la
varianza, o equivalentemente la desviación estándar. Supongamos, para abreviar, que
describimos la distancia entre las muestras y la orientación relativa como h. Hemos dicho que
9
la diferencia de ley entre las dos muestras depende sólo de h. En términos estadísticos, la
distribución de las diferencias depende sólo de h. Si esto es cierto para toda la distribución,
también lo es para su media y varianza. Es decir, podemos describir la diferencia media en
grado como m(h) y la varianza de estas diferencias como 2(h). Si tuviéramos un conjunto de
pares de muestras para una h específica (digamos 50 pies, de norte a sur), entonces podríamos
calcular un valor "experimental" para m(h):

1
m* = ∑ [𝑔(𝑥) − 𝑔(𝑥 + ℎ)]
𝑛

donde g representa la calificación (grado), x denota la posición de una muestra en el par x + h

y la posición del otro, y n es el número de pares que tenemos. Habrá notado la introducción de
(*) para mostrar que esto es algo que hemos calculado y no algo 'teórico'. Desafortunadamente,
se puede demostrar que ésta no es una muy buena manera de estimar m(h), y que obtener una
buena manera implica intensas complicaciones matemáticas. Miremos más de cerca el propio
m(h). Representa una diferencia promedio en las calificaciones entre dos muestras; en otras
palabras, una diferencia "esperada". Si m(h) es cero, esto implica que no "esperamos" ninguna
diferencia entre grados separados por una distancia h. Dicho de otra manera, "esperamos" el
mismo tipo de leyes en un área del depósito que sea al menos tan grande como h. En términos
de jerga, localmente (dentro de h) no hay tendencia. Es una suposición conveniente para
nuestros propósitos, por lo que asumiremos que no hay ninguna tendencia dentro de la escala
que nos interesa. Veremos más adelante qué pasa si esto no es cierto.

Una vez desechados m(h), pasemos a la varianza de las diferencias. Esto se ha llamado 2

(h) y generalmente se conoce como variograma, ya que varía con la distancia (y dirección) h.
En la práctica, habiendo hecho nuestra suposición de que no hay tendencia, podemos calcular:

1
2 (h) = ∑ [𝑔(𝑥) − 𝑔(𝑥 + ℎ)] 2
𝑛

El '2' delante del  está ahí por conveniencia matemática. El término (h) se llama
semivariograma (aunque algunos autores lo llaman descuidadamente variograma), y (h) es

el semivariograma experimental; (h) tiene la misma relación con  que un histograma con una
distribución de probabilidad.

Habiendo definido un semivariograma, ¿qué tipo de comportamiento esperamos que tenga?

Tenemos una medida de la diferencia entre los grados a una distancia (y dirección) h de
10
distancia. La medida que tenemos está en unidades de grado al cuadrado, p.e. (% en peso),
(p.p.m.)2 y así sucesivamente, y calculamos un valor para el semivariograma experimental para
tantos valores diferentes de h como sea posible. La forma más sencilla de mostrar estas cifras
es en un gráfico (de ahí el nombre de semivariograma). Es habitual trazar el gráfico como en la
figura 1.2. Es decir, la distancia entre los pares de muestras se traza a lo largo del eje horizontal
y el valor del semivariograma a lo largo del vertical. Por definición h comienza en cero, ya que
es imposible tomar dos muestras a una distancia menor que ninguna. El eje ° también comienza
en cero, ya que es un promedio de valores al cuadrado.

Fig 1.2: Método habitual para trazar un semivariograma en un gráfico

Considere el caso en el que h es igual a cero. Tomamos dos muestras exactamente en la

misma posición y medimos sus valores. La diferencia entre ambos debe ser cero, de modo que
 y * siempre deben pasar por el origen del gráfico. Ahora supongamos que dejamos que las
dos muestras se separen un poco. Ahora esperaríamos alguna diferencia entre los dos valores,
de modo que el semivariograma tendrá un pequeño valor positivo. A medida que las muestras
se separan más, las diferencias deberían aumentar. En el caso ideal, cuando la distancia es
muy grande, los valores de la muestra se volverán independientes entre sí. El valor del
semivariograma se volverá entonces más o menos constante, ya que calculará la diferencia
entre conjuntos de muestras independientes. Esta es la llamada "forma ideal" para el
semivariograma que se muestra en la figura 1.3 y es para la geoestadística lo que la distribución
normal es para la estadística. Es un semivariograma "modelo" y generalmente se le llama
modelo esférico o de Matheron. La distancia a la que las muestras se vuelven independientes
unas de otras se denota por a y se llama rango (alcance) de influencia de una muestra. El valor

de  en el que el gráfico se nivela se denota por C y se denomina (sill) umbral (o meseta) del
semivariograma. El modelo esférico se da matemáticamente como:
3ℎ 1 ℎ3
(h) = C ( − ) donde h ≤ a
2𝑎 2 𝑎3

=C donde h ≥ a

11
 Este modelo se derivó originalmente sobre bases teóricas (al igual que el Modelo Normal de
distribución), pero se ha descubierto que es ampliamente aplicable en la práctica.

Fig 1.3: La forma "ideal" para un semivariograma: el modelo esférico.

Hay muchos otros modelos posibles de semivariogramas, pero sólo unos pocos se utilizan
habitualmente. Otro modelo con alféizar que parece haber encontrado alguna aplicación es el
modelo exponencial. Este se describe por (la siguiente relación):

(h) = C [1 − exp(−ℎ/𝑎)]

Este modelo se eleva más lentamente desde el origen que el esférico y nunca llega a su
umbral (sill). La Figura 1.4 muestra el esférico y el exponencial con el mismo rango y umbral.
La Fig. 1.5 muestra los dos con el mismo sill (umbral) y la misma pendiente inicial para
comparar. La razón de esto quedará clara en el próximo capítulo.

Una de las propiedades interesantes de los modelos con sill {tanto matemáticamente como
para las aplicaciones - es que el valor del sill, C, es igual a la varianza muestral ordinaria de los
grados. Si usted pudiera tomar un conjunto de observaciones aleatorias independientes del
depósito y calcular la varianza muestral (esto es):

1 1
s2 = ∑ ( gi - g )2 donde g = ∑ gi
𝑛−1 𝑛

entonces s2 y C serán estimaciones de la misma varianza muestral "verdadera". Más adelante

se verá que la relación entre s2 y C tiene consecuencias de amplio alcance.

También hay modelos que no tienen sill. El más simple de ellos es el modelo lineal:

 (h) = ph
12
 Fig 1.4: Comparación de los modelos exponencial y esférico con el mismo rango y sill

Fig. 1.5: Comparación de los modelos exponencial y esférico con la misma pendiente y silll
inicial.

donde p es la pendiente de la recta. Una extensión de este modelo es el "lineal generalizado":

 (h) = ph

donde  se encuentra entre 0 y 2 (pero no debe ser igual a 2). Este modelo se muestra en la
figura 1.6 para varios valores de . Otro modelo sin sill es el modelo de Wijsian:
13
  (h) = 3 loge (h)

en el que el semivariograma es lineal si se traza contra el logaritmo de la distancia.

Fig 1.6. The linear and the generalised linear model  (h) = ph¸.

Existe otro modelo para describir el semivariograma de un fenómeno puramente aleatorio.

Efectivamente, es un modelo esférico con un rango de influencia muy pequeño. El "efecto
pepita", como se le llama, viene dado por:

 (0) = 0

 (h) = C0 cuando h > 0

Tenga en cuenta que incluso en el caso de fenómenos completamente aleatorios, el

semivariograma debe ser cero a una distancia cero. Dos muestras medidas exactamente en la
misma posición deben tener el mismo valor. En la práctica, muchos semivariogramas
comprenden una mezcla de dos o más de estos modelos y veremos algunos de ellos en el
Capítulo 2. Para resumir nuestra introducción a la Geoestadística, aquí están los supuestos
básicos necesarios para su aplicación:

14
 1. Las diferencias entre los valores de las muestras están determinadas únicamente por la
orientación espacial relativa de esas muestras.

2. En realidad sólo nos interesan la media y la varianza de las diferencias, por lo que
nuestro argumento real es que estos dos parámetros dependen sólo de la orientación
relativa. Esto se conoce como la "hipótesis intrínseca".

3. Por conveniencia hemos asumido que no hay ninguna tendencia en el depósito que
pueda afectar los valores dentro de la escala de interés. Por lo tanto, sólo nos interesa la
varianza de la diferencia de valor entre las muestras.

A partir de estos supuestos hemos generado la noción de semivariograma y hemos analizado

el tipo de forma que esperamos que adopte un semivariograma. En el próximo capítulo veremos
el proceso de calcular realmente un semivariograma experimental y tratar de relacionarlo con
los modelos discutidos.

CAPITULO 2

EL SEMI-VARIOGRAMA

Hemos visto en el Capítulo 1 cómo la definición de semivariograma surge de las nociones de

"continuidad" y "relación debida a la posición dentro del depósito". El semivariograma,  , es

una gráfica (y/o fórmula) que describe la diferencia esperada en valor entre pares de muestras
con una orientación relativa dada. También discutimos las formas ideales que puede tomar los
semivariogramas. Ahora vamos a discutir los semivariogramas calculados o "experimentales".

Considere los datos que se muestran en la figura 2.1. Tenemos aquí un yacimiento de hierro
estratiforme, a través del cual se han perforado una serie de perforaciones, perpendiculares al
buzamiento del mineral. El valor dado en cada ubicación es el valor promedio de Fe (% en
peso) sobre la intersección del pozo con el mineral (ver Fig. 2.2). Esencialmente este es un
problema bidimensional, por lo que la h en nuestra definición del semivariograma depende de
la distancia entre el par de muestras y su orientación relativa en un plano bidimensional.

14

15
Figura 2.1. Ejemplo de datos en una grilla para el cálculo de un experimento.semivariograma -
mineral de hierro.

Figura 2.2. Sección transversal del depósito de mineral de hierro.

Consideremos la dirección este-oeste e intentemos construir un semivariograma

experimental para esta orientación relativa. La cuadrícula en la que se han colocado tan
16
convenientemente los agujeros (las perforaciones) mide 100 pies por 100 pies, de modo que

sólo podemos calcular valores del semivariograma experimental, *, para distancias que sean

múltiplos de éste. En cero sabemos que * (0) es igual a cero. A 100 pies Necesitamos
encontrar todos los pares de muestras a una separación de 100 pies en dirección este-oeste.
Estos se muestran en la Fig. 2.3. El cálculo tal como se define dice: tomar cada par; medir la
diferencia de valor entre las dos muestras; elevar al cuadrado esas diferencias; sumar todos
los cuadrados; dividir esta suma por el doble del número de pares. En nuestro ejemplo:

Figura 2.3. Identificando todos los pares a 100 pies de distancia en dirección este-oeste.

* (100) =

16

17
Esto nos da un punto que podemos trazar en una gráfica del semivariograma experimental (*)

versus la distancia entre las muestras (h), es decir [100 pies: 46(%)2]. Ahora consideremos una
distancia entre muestras de 200 pies. La Figura 2.4 muestra los pares que se encuentran a esta
distancia en dirección este-oeste, y el cálculo queda así:

que podemos trazar en el gráfico frente a 200 pies

Figura 2.4. Identificando todos los pares a 200 pies de distancia en dirección este-oeste.

17
18
 Ahora surge la pregunta de dónde parar. Evidentemente podríamos continuar hasta
distancias de 800ft, para lo cual tendríamos 7 pares. En la práctica, rara vez superamos
aproximadamente la mitad de la extensión total muestreada (en este caso, digamos, 400 pies).
La Tabla 2.1 muestra los puntos calculados para los semivariogramas experimentales en

dirección este-oeste y norte-sur, y la Figura 2.5 muestra un gráfico de los dos *. Parece haber
una clara diferencia en la estructura en las dos direcciones. El semivariograma norte-sur
aumenta mucho más bruscamente que el este-oeste, sugiriendo una mayor continuidad en
dirección este-oeste. Para verificar esto, entonces deberíamos calcular el semivariograma en
al menos una dirección "diagonal", p.ej. noroeste-sureste. Estas cifras se muestran en la Tabla
2.2, y la Fig. 2.6 muestra los tres semivariogramas experimentales trazados en el mismo gráfico.
Por supuesto, los intervalos en los que se calculan los valores del semivariograma diagonal son

ahora múltiplos de 1002 = 141 pies. El nuevo * parece verificar la diferencia entre los otros
dos, ya que se encuentra entre ellos -aunque `parece estar más cerca del norte-sur que del
este-oeste. La conclusión que se debe sacar es que se necesita más información para
determinar el "verdadero" eje de la anisotropía. Sería bastante optimista suponer que nuestra
rejilla de perforación (red o marco, etc.) se colocó exactamente en la dirección correcta para las
diferentes estructuras. En segundo lugar, debemos decidir si, por ejemplo, el último punto del
El semivariograma diagonal es confiable. Esto se calculó sobre sólo 13 pares, en comparación
con el siguiente más bajo de 21. ¿Significa esto que deberíamos depositar sólo dos tercios de
confianza en ello? En Fontainebleau se han realizado algunos trabajos teóricos sobre casos
simples, pero en la práctica la única regla es: cuantos menos pares, menos fiable.

Tabla 2.1. Cálculo de valores experimentales de semivariogramas en dos direcciones

principales para el ejemplo de mineral de hierro en una cuadrícula

19
Figura 2.5. Semivariogramas experimentales en las dos direcciones principales para el
ejemplo del mineral de hierro.

Tabla 2.2. Cálculo del semivariograma en dirección diagonal para el mineral de hierro

20
 Fig. 2.6. Semivariogramas experimentales que incluyen una diagonal para el ejemplo de
mineral de hierro.

El semivariograma este-oeste parece ser razonablemente consistente y sugiere una línea recta
con pendiente 6:5(%)2 / 400 pies = 0:01625(%)2 / pie. Así, para la dirección este-oeste:

 (h) = 0:01625h(%)2

Para la dirección norte-sur, parece razonable lo siguiente:

 (h) = 0:05h(%)2

21
Tabla 2.3. Registro de pozo hipotético de un depósito de plomo/zinc - Valores de zinc

22
 Es decir, en dirección este-oeste, "esperamos" una diferencia al cuadrado de 0:01625(%)2
por cada pie entre las muestras. Dicho de otra manera, de espera una diferencia en el grado
de 0,01625 = 0,1275%Fe para dos muestras separadas por 1 pie, con una orientación relativa
de este a oeste. En dirección norte-sur la cifra correspondiente es 0,2236%Fe. Para muestras
separadas por 100 pies, esperaríamos diferencias de 1,275%Fe (este-oeste) y 2,236%Fe
(norte-sur), y así sucesivamente. Así, hemos construido un cuadro de las fluctuaciones de ley
dentro de esta sección del depósito, y tenemos un modelo bastante simple para describir las
diferencias en ley.

Pasemos ahora a otro ejemplo. La Tabla 2.3 muestra un "registro" de perforación para un
pozo perforado a través de una mineralización de plomo/zinc que está diseminada en piedra
caliza. Los primeros 45,40 m atraviesan roca estéril, y el resto del núcleo se ha dividido en
secciones regulares de 1,52 m (5 pies) de largo. En un momento dado, el núcleo se perdió (tal
vez debido a una cavidad de solución en la piedra caliza). Como es el caso en la mayoría de
los depósitos tridimensionales, hay información muy detallada "abajo" (¿en el fondo?) del pozo,
pero los pozos están muy dispersos por todo el depósito. La práctica habitual es realizar
semivariogramas "en el fondo del pozo" y luego mirar las direcciones horizontales como lo
hicimos en el primer ejemplo. Entonces, para practicar, calculemos el semivariograma
experimental en este pozo. Efectivamente el problema es más simple que el primero ya que
tenemos una larga línea de muestras espaciadas regularmente con un único espacio de 6,08

m. La Tabla 2.4 muestra los * calculados y la Fig. 2.7 el gráfico de este semivariograma
experimental. versus la distancia entre los pares. En este caso, el número de pares de puntos
disminuye constantemente a medida que aumenta la distancia, de 58 pares en h = 1,52 m a 28
pares en h = 48,64 m. Por tanto, los puntos más "fiables" del gráfico son los de distancias
pequeñas, y la fiabilidad disminuye lenta y regularmente. El semivariograma parece seguir
aproximadamente la forma ideal analizada en el Capítulo 1. Se eleva desde el origen, parece
más o menos nivelarse a unos 15 m y continúa con alguna variación alrededor del valor,
digamos, de 10,5(%)2. Probablemente podríamos adaptar un modelo esférico a este
semivariograma sin más preámbulos. Sin embargo, veamos la supuesta variación alrededor del
sill. Hay un descenso en la curva a los 25 m, y otro a unos 35 m. Hay menos diferencia entre
muestras a 25 m de distancia que a 15 m. Si volvemos al registro de perforación, encontramos
que los valores de ley parecen subir y bajar bastante. regularmente. Hay un parche "rico"
centrado a unos 47 m por debajo del cuello, otro a 81 m y un posible tercero a 106 m, donde
se ha perdido el núcleo.

23
Las distancias entre estos ricos parches son de 34 m y 25 m respectivamente. Así, el
semivariograma experimental llama nuestra atención sobre la presencia de áreas ricas
localizadas en el fondo del pozo. Las implicaciones de esto deberían verse a la luz de otras
perforaciones y/o información sobre el depósito. Si el mismo tipo de patrón ocurre en muchos
de los otros pozos entonces sospecharíamos algún tipo de estructura lenticular (o estratificada).
Si los otros pozos no reflejan este ascenso y descenso regulares, probablemente se trate sólo
de una fluctuación local. Este conjunto particular de datos fue tomado de un depósito con una
estructura lenticular marcada (geológicamente) que ya había sido cartografiado. en el sitio. Esta
es una manifestación de lo que sucede con el semivariograma si las "tendencias" (en este caso,
tendencias periódicas) están presentes dentro del depósito y se ignoran. Por otro lado, para
estimaciones a pequeña escala, digamos hasta 20 m en dirección vertical, un modelo esférico
sería bastante adecuado.

Figura 2.7. Semivariograma experimental calculado en un "pozo" a través de un yacimiento

hipotético de plomo/zinc.

22
24
Tabla 2.4. Semivariograma experimental calculado a partir de un depósito de plomo/zinc

25
 Ambos ejemplos ilustrativos se han llevado a cabo con pequeños conjuntos de datos, de
modo que el lector pueda comprobar su comprensión del cálculo mediante tratando de
reproducir las respuestas. La interpretación de un semivariograma experimental es otra
cuestión, y es algo que se vuelve más fácil con la práctica. Por lo tanto, me gustaría dar algunos
ejemplos de semiariogramas desde mi propia experiencia.

La Tabla 2.5 muestra un semivariograma experimental que se calculó a partir de valores de

plata de muestras tomadas en un depósito tabular de sulfuro de metal base muy diseminado.
Se ha abierto un túnel de acceso al depósito y se ha tomado una muestra del canal vertical
cada metro a lo largo de una de las paredes del túnel.

26
Tabla 2.5. Semivariograma experimental desde un túnel de 400 m - valores de plata

27
 Figura 2.8. Semivariograma experimental construido sobre los valores de plata de un depósito de
sulfuros complejo.

26

La curva aumenta, se atenúa aproximadamente a 11(m%)2 y luego vuelve a aumentar cada

vez más rápidamente. De hecho, después de un recorrido de unos 75 m, la curva es
prácticamente parabólica. Esto es un indicio de la presencia de una tendencia de tipo
polinómico dentro del depósito. Parece que aquí se está operando una tendencia a gran escala
que varía suavemente. Si quisiéramos considerar puntos separados por más de, digamos, 75
m, en cualquier procedimiento de estimación, entonces deberíamos tener en cuenta esa
28
tendencia (ver Capítulo 6). Sin embargo, si restringimos la consideración a áreas dentro del
depósito de no más de 75 m de radio, el problema puede ignorarse con seguridad. Entonces,
miremos el semivariograma sólo hasta distancias de 75 m (ver Fig. 2.9). Parece existir un sill
en C = 11(m%)2. Se ha trazado una línea horizontal. dibujado en el gráfico en este nivel.

Figura 2.9. Primera estimación de modelo y parámetros para el semivariograma de plata.

Un parámetro más difícil de entender es el rango de influencia a. Se puede demostrar que si se

va a utilizar un modelo esférico -como parece indicar la naturaleza del sill- entonces se traza
una línea que pasa por los primeros puntos del semivariograma experimental cortará el sill a
una distancia igual a dos tercios de a. Hacer esto en la Fig. 2.9 produce un valor de 33 m para
la intersección, lo que da un rango de influencia de aproximadamente 50 m. (Estas)
Indicaciones (nos dicen) que necesitamos un modelo esférico con un rango de influencia de
50m y un umbral de 11(m%)2. Dado que no existe una forma objetiva (estadística) de decidir si
un modelo se ajusta a un semivariograma experimental, el único método simple es dibujar la
curva del modelo en el mismo gráfico que el experimental. La ecuación para este modelo es:

3 ℎ 1 ℎ 3
𝛾(ℎ)) = 11 ( − ( ) ) , cuando h ≤ 50𝑚
2 50 2 50

= 11, cuando h ≥ 50𝑚

29
Esta curva se ha dibujado en el mismo gráfico que los puntos experimentales, y el resultado se
muestra en la Fig. 2.10. Los valores numéricos para varios puntos de la curva del modelo se
dan en la Tabla 2.6.

Fig. 2.10. Modelo esférico ajustado a semivariograma de plata.

Esto parece dar un ajuste bastante bueno. Es difícil ver cómo podría mejorarse. A veces los
dos parámetros requieren ajustes antes de que un adecuado ajuste se encuentre. Tenga en
cuenta que el modelo sólo ha sido equipado para distancias de hasta 75 m. Más allá de esto,
hay que tener en cuenta la tendencia. En este caso tuvimos mucha suerte porque la tendencia
no "interfiere" hasta (que) se pasa después del rango de influencia. Esto no siempre es así, y
cuanto más cerca esté el comportamiento parabólico del origen, más atención se debe prestar
a la tendencia. Se podría argumentar que un modelo más adecuado para este semivariograma
sería el modelo exponencial.

30
 Tabla 2.6. Modelo de semivariograma esférico para valores de plata hasta h = 75m

Figura 2.11. Modelo exponencial con los mismos parámetros que el esférico ajustado (para el
semivariograma de plata).

Para obtener intereses, tomemos nuevamente el umbral (sill) de 11(m%)2. Para un modelo
exponencial, la línea recta que pasa por el origen corta el sill a una distancia igual a el rango de
influencia. Es decir, si probamos un modelo exponencial el alcance (rango) será de 33m. La
figura 2.11 muestra el modelo,

31
 ℎ
𝛾(ℎ) = 11[1 − exp (− )]
33

junto a los puntos de datos. La pendiente en el origen es correcta pero el resto de la curva es
demasiado baja. Podemos aumentar el umbral para que aparezcan los valores, pero también
necesitamos aumentar el valor del rango de influencia, para que el comportamiento cerca del
origen siga siendo correcto. El cuadro 2.7 muestra los valores del "modelo" dados por varios
conjuntos de parámetros (sill y rango de influencia).

Tabla 2.7 Intentos de adaptar modelos exponenciales al semivariograma de plata

Se han utilizado cifras redondas por simplicidad, pero la "mejor" exponencial fijada parece ser
la última, con a = 50m y C = 16(m%)2. La Figura 2.12 compara la adaptaciòn de esta curva con
el modelo esférico anterior y con el semivariograma experimental. Prefiero el modelo esférico
porque parece ajustarse mejor a los datos entre 15 y 40 m que el exponencial. Sólo una minoría
de los puntos observados caen por debajo de la curva exponencial. Un acortamiento del rango
de influencia para compensar esto da como resultado un marcado cambio en la pendiente al
comienzo de la curva.

32
 Fig. 2.12. Comparación de modelos finales -exponencial y esférico- para semivariograma de
plata.

MODELOS COMPLEJOS

Ahora vamos a tratar algunos de los verdaderos semi-variogramas, en lugar de estos simples
a dedo. La figura 2.13 muestra semi-variogramas experimentales para tres metales en otro
complejo de sulfuro de metal base. El metal de importancia económica es el cobre, pero los
otros dos metales son de valor para suffient investigación lo justifican. Los semi-variogramas
son `de fondo de agujero" (efecto agujero) en la dirección, y contener información de alrededor
de 50 pozos de sondeo perpendicular al plano del cuerpo de mineral. Mi interpretación del
plomo y el zinc semi-variogramas es efecto pepita puro. Es decir, el `modelo 'es una línea
horizontal a un valor igual a la varianza de la muestra. ¡Parece haber muy poca relación, incluso
entre los núcleos vecinos! Por otra parte, el semi-variograma para el cobre parece ser una
combinación de un efecto de pepita (constante) y una parábola.

Como en el ejemplo anterior, la parábola implica una tendencia polinomica, en este caso que
actúa en pares de muestras, incluso a 1m espaciado. El efecto pepita implica comportamiento
completamente al azar. Así que tenemos una tendencia a la variación aleatoria, un caso ideal

33
para el análisis de superficie de tendencia. El siguiente ejemplo se refiere a un cuerpo de
mineral de niquel difundido en peridotita, que se ha demostrado `'por medio de alrededor de 45
pozos verticales. La separación media entre los pozos era unos 60m y no estaban espaciadas
regularmente, por lo que sólo el `por el agujero ' se calcularon experimentales semi-variogramas

Fig 2.13. Semivariogramas experimentales para un sulfuro de metal base complejo depósito.

Fig 2.14. Semivariograma experimental para un depósito de níquel (logaritmos de valores de

ley).

En total, aproximadamente 4000m de núcleo se recuperó y se ensayó en 2m secciones

principales. En este caso se utilizó el logaritmo de los grados, en lugar de los grados, la razón

34
de esto no tiene importancia aquí. El semivariogram experimental se muestra en la figura 2.14,
y los valores numéricos se dan en la Tabla 2.8. Parece que hay una zona plana definida a
aproximadamente en 2,55 (% log)2. Sin embargo, trazando una línea recta a través de los
dos primeros puntos, como lo hicimos en el semivariograma para la plata, produce dos
resultados extraños. En primer lugar, la línea se cruza con el eje-semivariograma 0.40 (log
%)2 no en cero. Esto sugiere que hay una componente de cada valor que es “azar" o
impredecible. Las muestras (aún al) cerrar muy juntas todavía tienen una diferencia
razonablemente grande en valor. Recordando que el umbral (si existe) es igual a la varianza de
la muestra, podemos ver que 0.40 / 2,55 = 0,156 sugiere que alrededor del 16 % de la diferencia
de variación, de los valores, en la muestra es aleatoria e impredecible. Por lo tanto, no importa
que tan estrechamente (se) nos muestra, esta imprevisibilidad seguirá existiendo. El modelo
semi-variograma necesitará ser de la forma:

(0) = 0

(h) = C0 + '(h) cuando h> 0

donde '(h) es el tipo habitual de modelo (por ejemplo, lineal). En efecto, el efecto pepita es una
constante sencilla elevando el conjunto teórico semi-variograma 0,4 unidades. Así que ahora
buscamos un modelo con un sill de 2,15 (% log)2 (2,55-0,40 = 2,15). Ahora, hemos visto en el
ejemplo del mineral de plata que la ampliación de la pendiente inicial en línea recta hasta el sill
dio un valor de dos tercios del rango de influencia, cuando se utiliza un modelo esfèrico. En
este caso la intersección produce un valor de 13 m lo que implica un rango de influencia de
unos 20 m (es decir: 2/3ª = 13, ∴ a = (13 x 3)/2 ≅ 40/2 = 20) Por otro lado, la curva incluso no
se acercar al umbral hasta pasado 45m de distancia. Es evidente que ninguno nuestra modelos
ideales (que) harán frente a este tipo de situaciones. Veamos de nuevo la curva experimental.
Parece haber un umbral (sill) ‘intermedio’, alcanzado a aproximadamente 14m y un valor en el

eje- de 1,95 – 0.40 = 1,55 (para permitir efecto pepita). Parece que tenemos una mezcla de

dos modelos de tipo esférico; uno con un rango corto y uno con un alcance de unos 50 metros.
Vamos a tratar de salir este modelo tentativo y ver cómo encaja el semi-variograma
experimental. Tenemos un modelo bastante complejo:

C0 = 0.40 (% log)2

a1 = 14m C1 = 1,55 (% log)2 (1-95-0,40 = 1,55)

a2 = 50m C2 = 0,60 (% log)2 (2,55-1,95 = 0,60)

35
 Tabla 2.8. Semivariograma experimental de un depósito de níquel diseminado
(logaritmo del grado)

Distancia entre muestras Experimental Número de pares

semivariograma

2 0:74 1222
4 1:10 1194
6 1:34 1186
8 1:58 1152
10 1:72 1137
12 1:81 1120
14 1:87 1095
16 1:90 1077
18 1:93 1055
20 1:92 1026
22 1:95 1011
24 2:01 990
26 2:09 969
28 2:16 950
30 2:25 919
32 2:29 899

Tabla 2.8. Semivariograma experimental de un depósito de níquel diseminado

(logaritmo del grado). Continuación

34 2:38 886
36 2:35 860
38 2:36 848
40 2:39 825
42 2:48 814
44 2:52 787
46 2:56 779
48 2:55 767
50 2:49 750
52 2:59 736
54 2:61 722
56 2:64 705
58 2:68 689
60 2:62 675
62 2:52 657
64 2:59 639
66 2:53 628
68 2:47 612
70 2:56 597
72 2:62 582
74 2:64 563
76 382:75 552
78 2:93 539
80 3:06 514

36
Poniendo estos valores en el modelo propuesto produce lo siguiente:

3 ℎ 1 ℎ 3 3 ℎ 1 ℎ 3
(h) = 0,40 + 1,55 [ − ( ) ] + 0,60 [ − ( ) ], para h = 14 m
2 14 2 14 2 50 2 50

Para distancias (h) entre 14 y 50 m, el modelo está dado por:

3 ℎ 1 ℎ 3
(h) = 0,40 + 1,55 +0.60 [ − ( ) ]; o sea
2 50 2 50

3 50 1 50 3 3−1 2
(h) = 0,40 + 1,55 +0.60 [ − ( ) = = =1
2 50 2 50 2 2

Y cuando la distancia entre las dos muestras es mayor que 50 m, el modelo de simi-
variograma toma la forma:

(h) = 0,40 + 1,55 +0.60 = 2,55

37
 Table 2.9 Primer intento de adaptar una mezcla de modelos esféricos al Semivariograma
experimental de níquel (parámetros en texto)

Distance between Theoretical

samples (m) semi-variogram
0 0,00
2 0,77
4 1,12
6 1,44
8 1,73
10 1,96
12 2,12
14 2,20
16 2,23
18 2,26
20 2,29
25 2,36
30 2,42
35 2,48
40 2,52
45 2,54
50 2,55
55 2,55
60 2,55

Para comparar el modelo teórico con los puntos experimentales debemos evaluar el modelo a
varias distancias y dibujar la curva resultante en el mismo gráfico. Por ejemplo, para una
distancia h igual a 2 m:

3 2 1 2 3 3 2 1 2 3
(h) = 0,40 + 1,55 {[2 ] − [ ( ) ] } + 0,60 {[ ] − [ ( ) ] } = 0,766
14 2 14 2 50 2 50

y para una distancia h igual a 40 m:

3 40 1 40 3
(h) = 0,40 + 1,55 + 0,60 {[ ]− [ ( ) ]} = 2,516
2 50 2 50

Se seleccionó un conjunto de valores para h y se construyó la curva teórica. Los valores se

muestran en la Tabla 2.9 y el modelo resultante se ha trazado en la figura 2.15. Los puntos
experimentales también se muestran para comparación. La curva del "modelo" se ajusta
bastante bien al principio y al final del semivariograma experimental, pero no parece demasiado

bueno en el medio. La torcedura en la curva está en un nivel demasiado alto -debe ocurrir en 
= 1,95.

38
 Figura 2.15. Primer intento de adaptar una mezcla de modelos esféricos al
semivariograma de niquel.

Supusimos que este nivel era igual a C0+C1. Lo que se olvidó es que incluso en distancias
cortas, el segundo componente esférico todavía contribuye algo al valor del modelo, de modo
que el valor 1,95 debería ser realmente igual a:

3 40 1 40 3
C0 + C1+ C2 {[2 ]− [ ( ) ]}
50 2 50

En otras palabras, necesitamos bajar el valor de C1 y aumentar el valor de C2, y luego intente
probar nuevamente. Después de algunos intentos, obtuve el siguiente modelo:

C0 = 0,40 (log%)2

a1 = 12m C1 = 1,15(log%)2

a2 = 60m C2 = 1,00(log%)2

(Nota: esto da una meseta –sill- de 0,40 + 1,15 + 1 = 2,55; que es lo estimado inicialmente)

Este modelo se muestra en la figura 2.16 junto con el semivariograma experimental y parece
ser un ajuste relativamente bueno. ¿Quizás al lector le gustaría probar para mejorarlo? La Tabla
2.10 proporciona los valores numéricos correspondientes para la curva del modelo.

39
 = 2,55

=1,55

= 0,40

Figura 2.16. Último intento de adaptar una mezcla de modelos esféricos al

semivariograma de níquel

40
 Tabla 2.10 Intento final de ajustar una mezcla de modelos esféricos al Semivariograma
experimental de níquel (parámetros en texto)

Distancia entre Semi-variograma

muestras (m) teórico
0 0,00
2 0,74
4 1,05
6 1,34
8 1,58
10 1,75
12 1,85
14 1,89
16 1,94
18 1,99
20 2,03
25 2,14
30 2,24
35 2,33
40 2,40
45 2,46
50 2,51
55 2,54
60 2,55

Ejemplos de modelos de semivariogramas que son mezclas de componentes esféricos

abundan en la literatura geoestadística y parecen ser el tipo más común encontrado,
especialmente en minerales de baja concentración como casiterita, vetas de cobre, uranio, etc.

LOG-NORMALIDAD

Ahora quisiera abordar otro problema que a menudo se discute en la literatura cuando se espera
que las muestras sigan una distribución log-normal. Si bien la construcción del semivariograma
experimental y el los procedimientos de estimación producidos por la geoestadística no
dependen de qué distribución siguen las muestras, hay uno o dos "efectos secundarios" que se
vuelven evidente cuando se trata de muestras log-normales. Como todo colegial sabe, la
desviación estándar de una distribución log-normal es directamente proporcional a su media.
En consecuencia, la varianza muestral -y por tanto el umbral (sill) del semivariograma- es
proporcional al cuadrado de la media de las muestras. Si se construyen semivariogramas
experimentales con diferentes conjuntos de muestras dentro de un depósito, este "efecto
41
proporcional" puede tener un efecto radical en los semivariogramas experimentales
individuales. Los ejemplos en la literatura generalmente se refieren a casos en los que, para
construir semivariogramas experimentales en direcciones diferentes, ha sido necesario utilizar
diferentes conjuntos de datos de pozos en cada uno. Como ejemplo de "efecto proporcional",
considere lo siguiente situación. En las vetas de estaño de Cornualles, generalmente se supone
que los valores del ensayo siguen una distribución log-normal. Estas venas se desarrollan
según líneas horizontales que se conduce a aproximadamente 100 pies de distancia aparte.
Estas unidades se muestrean cada 10 pies tomando muestras de virutas del techo. En el
ejemplo considerado, nueve niveles se han desarrollado, desde 600 pies bajo la superficie
hasta 1400 pies (6-14 niveles). Los semivariogramas se calcularon para cada nivel por
separado. Por simplicidad, la figura 2.17 muestra sólo tres de estos semivariogramas
experimentales, para niveles 6, 10 y 12. Los otros seis se encuentran dispersos entre los niveles
6 y 12. La Figura 2.18 muestra un gráfico del valor promedio del ensayo a lo largo de cada
unidad versus la desviación estándar de las muestras a lo largo de ese recorrido.

Nivel 12

Nivel 10

Nivel 6

Fig 2.17. Ejemplo de supuesta anisotropía zonal (vena de casiterita)

42
 .

Figura 2.18. Ilustración del efecto proporcional -casiterita

Los promedios varían entre 35 lb/ton (libras de SnO2 por tonelada de mineral) y 80 lb/ton, y
las desviaciones estándar varían entre 35 y 110 lb/ton. La relación es prácticamente perfecta
entre los dos, con un coefciente correlación calculado superior a 0,85. Dado que el sill del
semivariograma es aproximadamente igual a la varianza muestral calculada, es fácil ver que el
el semivariograma experimental para el nivel 6 será (y es) el más bajo, con un sill de
aproximadamente 1200 (lb/tonelada)2; el nivel 10 estará en el medio con un sill de
aproximadamente 5000 (lb/tonelada)2; y el 12 será el más alto con un umbral de 12000 (lb/ton)2.
La pregunta es, ¿podemos hacer un semivariograma general para este depósito cuando en el
experimento individual los semivariogramas varían en un orden de magnitud de un área a otra.

Las publicadas autorizadas afirman que la forma válida de combinar estos semivariogramas
es "corregir" cada uno por el efecto proporcional. Eso es para dividir los semivariogramas
experimentales individuales por el cuadrado del promedio de las muestras que intervinieron en
su cálculo. Esto produce un " semivariograma relativo' -lo que implica que todos los valores
43
dados por el semivariograma son ahora relativos a la media local”. Aplicando este método al
ejemplo anterior da como resultado nueve semivariogramas relativos experimentales que
varían en tamaño entre alrededor de 1,00 y 1,80. Observe que estos valores ahora no tienen
unidades. Para convertirlos en cifras significativas, deben multiplicarse por el cuadrado de la
media local. Ahora podemos (supuestamente) combinar estos semivariogramas en uno para el
depósito en su conjunto, y le sirve de modelo. Si lo hacemos nosotros debemos recordar que,
en todos nuestros procedimientos de estimación, etc. tenemos que "descorregir" los valores
calculados a partir del semivariograma -varianzas de estimación, errores estándar, etc.

Este proceso de corrección de semivariogramas experimentales por el efecto proporciónal

es ampliamente defendido como "lo correcto". Nadie parece tener que molestarse en
comprobar si realmente funciona en la práctica. En un caso, que, descrito anteriormente, donde
he podido investigar en profundidad y comparar ¿Qué sucede si usas el semivariograma
"relativo?" Encontré en esa corrección por la media local dio resultados completamente
erróneos. Por lo tanto, no recomendaría este procedimiento, sino que usted debe combinar los
semivariogramas experimentales originales e intentar ajustar un modelo a los datos de
semivariogramas "no corregidos". En el estudio mencionado anteriormente se encontró que
esto daba los valores correctos en todo momento.

OTRAS VARIABLES

Se ha dicho una y otra vez que la geoestadística - Kriging y demás – puede aplicarse igualmente
bien a otras variables que son espacial o temporalmente distribuidas. Este libro ha estado más
o menos dedicado a aplicaciones mineras, porque éste sigue siendo el campo principal. Sin
embargo, muchas otras variables pueden se pueden manejar (utilizar, indicar, etc.) y me
gustaría dar aquí uno o dos ejemplos. Incluso en aplicaciones mineras, el grado o valor
económico del mineral no siempre es la única variable de interés. En muchos depósitos, el
"espesor" del depósito es tan importante como la ley (grado), y en muchos depósitos
sedimentarios este factor está lejos (de ser el) más importante. En el ejemplo de estaño de
Cornualles descrito anteriormente, el ancho de la vena es una variable tan importante como el
contenido de casiterita. Ambas variables están obligadas a evaluar la viabilidad económica de
la veta o de partes de ella. La Figura 2.19 muestra el semivariograma experimental general
calculado para los niveles minero, 6-14. A este semivariograma lo ajusté a un modelo que

44
consistía en: un pequeño efecto pepita, que fue ligeramente sorprendente; un componente
esférico con un alcance de influencia de unos 30 pies y otro con un alcance de 150 pies.

Como un ejemplo de otros tipos de datos distribuidos espacialmente que podrían

considerarse, la Fig. 20 muestra un semivariograma experimental que fue producido durante
un estudio de las características de la lluvia y de la escorrentía en una zona de captación de
los Peninos en Inglaterra.

Figura 2.19. Semivariograma experimental construido sobre los espesores de las vetas en la
veta de casiterita.

Los datos de observaciones son las cifras de lluvia mensuales registradas en pluviómetros
repartidos por la zona de captación. El semivariograma se ha construido sin tener en cuenta la
dirección del par de muestras. Es decir, el autor ha supuesto que su variable muestra la misma
continuidad a lo largo del eje longitudinal (dirección del flujo del río principal) que a lo ancho del
valle. La naturaleza errónea de esta suposición se hace inmediatamente evidente cuando se
tiene en cuenta la información de que la zona de captación mide unos 30 kilómetros a través
del valle (eje corto). La marcada discontinuidad en la curva experimental sugiere que existe una
diferencia definida entre las dos direcciones principales. Los semivariogramas deben
construirse para al menos dos direcciones diferentes para para verificar esto. La segunda
conclusión que se puede extraer de este semivariograma experimental es que si el nuevo
individuo muestra la misma forma, hay una fuerte tendencia que debe tomarse en
consideración. Al considerar la naturaleza de las precipitaciones, parece sensato esperar que
caigan cantidades diferentes de lluvia en las cimas de las montañas que en las zonas más bajas
en los valles. Este es un buen ejemplo de cuándo no se puede ignorar la "tendencia" en el
procedimiento de estimación geoestadística.

45
 Figura 2.20. Semivariograma experimental construido sobre la medida lluvias en los sitios de
pluviómetros.

Y ahora, para un tipo de aplicación completamente diferente, podemos tomarnos un ejemplo

de series en el tiempo, en lugar de uno que esté distribuido espacialmente. Una serie de lecturas
se han tomado en el mismo sitio en un gran río, de varias variables de interés diferentes. Ésta
es una situación "unidimensional", en la que la dimensión es el tiempo y no el espacio. En lugar
de distancia entre muestras, ahora tenemos (el) tiempo entre muestras, de modo que el eje
horizontal del semivariograma experimental ahora leerá "tiempo entre observaciones". El
procedimiento de estimación se utilizará para predecir valores de estas variables en el futuro,
o para llenar vacíos en los registros causados por fallas de la máquina. La Figura 2.21 muestra
dos semivariogramas experimentales calculados en un caso para la temperatura del agua y en
el otro para la cantidad de sólidos en suspensión contenidos en el agua. Este último parece un
caso ideal para un tipo de modelo esférico, con una sugerencia de una "tendencia" a escala
semanal, es decir, bastante homogénea dentro de una semana específica, pero que varía en
nivel de una semana a otra. El semivariograma experimental de temperatura muestra un ciclo
diario perfecto de temperatura, con una pequeña variación después de 3 o 4 días.

46
Figura 2.21. Semivariogramas experimentales calculados sobre variables la calidad del agua
medidas en el tiempo.

CONCLUSIÓN

Para resumir este capítulo, hemos visto cómo calcular un semivariograma experimental en una
y dos dimensiones, y cómo relacionar este semivariograma "práctico" con los modelos "ideales"
que existen. Hemos visto que, si bien algunos depósitos pueden seguir un comportamiento
bastante simple, muchos otros requieren una combinación bastante compleja de modelos para
describir el semivariograma experimental. He señalado brevemente algunas áreas
problemáticas, como tendencias fuertes, fenómenos y efectos proporcionales, y se trató de
indicar cómo podrían abordarse. Hay personas con autoridad que dicen que la adaptación de
un modelo de semivariograma está pasada de moda y es innecesaria. Para contrarrestar esto
me gustaría hacer una analogía con las estadísticas ordinarias. Si se toma un número limitado
de muestras de una población extremadamente grande y se construye un histograma, ¿está
preparado para suponer que ese histograma de muestra describe exactamente el
comportamiento de toda la población? El proceso de inferencia -sacar conclusiones sobre la
población a partir de unas pocas muestras - exige la construcción de algún tipo de modelo para
el comportamiento de todo el depósito.

47
 CAPÍTULO 3
LA RELACIÓN VOLUMEN-VARIANZA

En los capítulos anteriores hemos analizado los semivariogramas, hemos calculado

semivariogramas experimentales y les hemos ajustado modelos como si las muestras no
tuvieran más características que la "posición". Hemos ignorado el tamaño y la forma de la
muestra, la forma en que pudo haber sido tomada y/o medida, etc. Hemos asumido
efectivamente que los valores de la muestra estaban ubicados en "puntos" dentro del depósito.
En este capítulo veremos qué efecto tienen esas otras características -llamadas colectivamente
"soporte"- sobre el valor de la muestra en sí y, por tanto, sobre el semivariograma.

Consideremos el ejemplo del plomo/zinc que se analizó en el Capítulo 2. Aunque los testigos
en realidad tenían 1,52 m de largo, ignoramos este hecho y calculamos el semivariograma
experimental como antes. Supongamos, sin embargo, que los testigos se habían seccionado
en longitudes de 3,04 m en lugar de 1,52 m. ¿Qué efecto tendría esto en los valores de la
muestra y en el semivariograma? La Tabla 3.1 muestra el "registro del pozo" para muestras de
1,52 y 3,04 m. También se calculó el semivariograma experimental para los testigos de 3,04 m,
cuyos resultados se muestran en la Tabla 3.2. La Figura 3.1 muestra el semivariograma
experimental "nuevo" junto con el de 1,52 m para comparar. Por si acaso, ambas tablas y la
figura también muestran los valores resultantes para testigos de 4,56 m. Se puede ver
inmediatamente que el semivariograma de 3,04 m es siempre inferior al de 1,52 m, y el de 4,56
m es considerablemente inferior a ambos. Volvamos a los supuestos básicos de la
Geoestadística e intentemos explicar este comportamiento. Debemos recordar dos hechos del
Capítulo 1. El primero es la definición básica del semivariograma: es el cuadrado promedio de
la diferencia de grado entre dos muestras separadas por una distancia determinada. Si esas
muestras fueran "puntos", entonces se supone que la calificación (grado o ley) se mide "en un
punto"; si son testigos, entonces la calificación medida es la calificación promedio sobre la
longitud del testigo. Por lo tanto no estamos comparando dos grados individuales, p.ej. g1 y g2,
estamos comparando dos grados promedio g͞1 y g͞2. No podemos esperar razonablemente que
la ley promedio de más de 1,52 m del testigo tenga el mismo comportamiento que la ley de una
"cucharadita" de mineral. De manera similar, si tomamos la pendiente y la promediamos en
3,04 m, esperaríamos nuevamente un comportamiento diferente. La cuestión es cómo
caracterizar esta diferencia de comportamiento.
48
Tabla 3.1 Registro de pozo hipotético de un depósito de plomo/zinc - El testigo se ha
seccionado de tres formas alternativas, 1,52m, 3,04m y 4,56m.

Depth below
collar (m) 1.52m 3.04m 4.56m
(top of core)
45,40 8,44 7,32 6,22
46:92 6,21
48,44 4,01 3,62
49,96 3,23 2,35
51,48 2,62 1,91
53,00 1,20
54,52 1,02 0,82 0,61
56,04 0,62
57,56 0,20 0,17
59,08 0,14 0,17
60,60 0,13 0,18
62,12 0,24
63,64 0,22 0,23 0,23
65,16 0,24
66,68 0,22 0,28
68,20 0,35 0,35
69,72 0,35 0,34
71,24 0,34
72,76 0,39 0,52 0,82
74,28 0,66
75,80 1,40 2,87
77,32 4,35 6,38
78,84 7,74 7,40
80,36 7,06
81,88 4,93 3,99 3,47
83,40 3,05
84,92 2,42 1,88
86,44 1,34 0,81
87,96 0,56 0,54
89,48 0,53
91,00 0,70 0,85 0,89
92,52 1,01
94,04 0,95 1,07
95,56 1,20 1,88
97,08 1,87 2,21

49
 Tabla 3.1. continuación.

El segundo hecho que debemos recordar del Capítulo 1 es que el sill del semivariograma - si
existe uno - es igual a la varianza muestral ordinaria. Si estamos tratando con muestras
"puntuales", entonces podemos estimar el sill del semivariograma y comparar este valor con el
sill. Es decir, C = s2 (idealmente).

(Tener en cuenta)

50
Tabla 3.2 Valores del semivariograma experimental calculados a partir de las tres
diferentes longitudes de sección del núcleo

51
Fig. 3.2. Regularización de un semivariograma lineal por longitudes de núcleo (testigos).

52
 Ahora bien, si las muestras son núcleos de una cierta longitud l (por ejemplo, 1,52 m) y
medimos la pendiente promedio en esa longitud, entonces habremos suavizado parte de la
variación "puntual". Hemos reemplazado una gran cantidad de individuos "puntos" con un valor
promedio. Por lo tanto, la varianza de los promedios será menor que la varianza de los "puntos",
de modo que

cl =𝑠𝑙2 < C = 𝑠 2

De manera similar, C3,04 será menor que C1,52 y así sucesivamente. Si tenemos un modelo
para el semivariograma para las muestras puntuales podríamos producir el modelo para
cualquier otro tamaño de muestra, empleando la relación matemática entre el modelo puntual

() y el modelo para muestras de longitud l (). Dado que sólo utilizamos un número limitado
de modelos simples para el semivariograma puntual, no es demasiado difícil establecer esta
relación.

Si tenemos un modelo lineal para las muestras puntuales, (h) = 𝑝h, donde 𝑝 es el àngulo

de la línea del semivariograma, entonces el semivariograma para muestras de longitud l está

𝑝 ℎ2
dado por: l (h) = (3 - h), cuando h ≤ l
3 𝑙2

𝑝 ℎ2
l (h) = (3 - h) cuando h ≤ l
3 𝑙2

𝑙
= p (h - ) cuando h ≥ l
3

Esto se ilustra en la Fig. 3.2, con el modelo puntual a modo de comparación. En la práctica,
generalmente tenemos un semivariograma experimental para muestras de longitud l, es decir
𝛾𝑙∗ , y necesitamos encontrar el modelo para las muestras puntuales (𝛾) para usarlo en los
capítulos posteriores. Dado que la pendiente, p, del modelo central es la misma que la del
modelo puntual, simplemente medir la pendiente de nuestro 𝛾𝑙∗ experimental dará un valor para
p y, por tanto, el modelo puntual, 𝛾𝑙∗ . Surge una complicación si el modelo puntual es en realidad
un modelo lineal más un efecto pepita. Tomando núcleo (testigos) las muestras bajan la línea,
pero un efecto pepita la subirá nuevamente. De la fórmula anterior, si no hay ningún efecto
pepita, extender la línea del modelo central hacia atrás hasta que cruce el eje del
semivariograma debería producir una intersección de - pl / 3. Una vez que se ha hecho una
53
estimación de p, esto se puede verificar fácilmente y, si es necesario, agregar un efecto pepita
C0 al modelo. Ahora supongamos que nuestro depósito siguió un modelo exponencial, con el
umbral C como "punto" muestral, es decir,

(h) = C [ 1 – exp (- ℎ⁄𝑎 ) ] cuando h ≥ 0

Para núcleos (testigos) de longitud l, el modelo teórico se convierte en:

con una forma bastante más compleja para distancias menores que la longitud del núcleo (h <
l). Dado que es poco probable que tengamos valores de un semivariograma experimental para
distancias menores que la longitud de la muestra, la forma del mismo parece bastante
académica. La Figura 3.3 muestra un modelo exponencial puntual y la correspondiente curva
"regularizada" para una muestra de longitud l. Se puede ver fácilmente que Cl es menor que C.
De hecho:

de modo que una muestra que fuera, digamos, una quinta parte del rango de influencia,
produciría un umbral:

Es decir, el nuevo umbral sólo tendrá un 94% de altura que el del modelo puntual. También se
observará en la Fig. 3.3 que extender la parte "lineal" del modelo central (cerca del origen) hasta
que intersecta el umbral produce una estimación del rango de influencia para los núcleos al,
que es más largo que el de los puntos, a.

54
 Figura 3.3. Regularización de un semivariograma exponencial por longitudes de núcleos.

De hecho, al = a + l. Esto parece bastante sensato si se recuerda que los núcleos tendrán
que estar un poco más separados antes de que se vuelvan independientes.

Los argumentos y fórmulas anteriores se aplican a la situación en la que conoce el modelo

"puntual" y desea encontrar el modelo "regularizado". En la práctica, la situación suele ser la
inversa. Generalmente tenemos un semivariograma experimental que se ha calculado sobre
núcleos (testigos) de una longitud determinada, y necesitamos encontrar el modelo puntual
para usar en las técnicas de estimación. Supongamos, entonces, que tenemos una gráfica del
semivariograma experimental 𝛾𝑙∗ y hemos decidido que nuestro depósito sigue un modelo

exponencial. El primer paso es adivinar los dos parámetros Cl y al. Como el modelo es

exponencial, el umbral Cl será mayor que la mayoría de los puntos experimentales en el gráfico.
Habiendo adivinado Cl, construya una línea que pase por los primeros dos o tres puntos en el

gráfico hasta que corte el umbral. Esto dará una primera estimación de al. Sabemos que a = al

- l, por lo que tenemos una primera estimación de a. Usando esto en la fórmula anterior para

Cl, podemos invertir la ecuación y producir un valor para C, el umbral puntual. Ahora tenemos

conjeturas sobre los valores de a y C que gobiernan el modelo puntual. La siguiente pregunta
es si estas son conjeturas `buenas'. Ya hemos afirmado que, si conocemos el modelo puntual,
podemos producir el modelo correspondiente para núcleos de cualquier longitud dada, es decir,
𝛾l(h). Si nuestras conjeturas son buenas, entonces este modelo teórico para 𝛾l(h) debería
coincidir con el semivariograma experimental, 𝛾𝑙∗ (h). Sustituyendo valores para h; l; a y C
producen una curva suave como la inferior de la figura 3.3, y se puede comparar con los datos.
Si es necesario, a y C se pueden modificar hasta que los valores del "modelo" se ajusten bien

55
a los valores de los "datos". En efecto, este es el mismo procedimiento que se utilizó en el
Capítulo 2, pero con una consideración adicional de la longitud de la muestra.

Ahora, examinemos el modelo más común, el modelo esférico. Este modelo se verá afectado
de la misma manera que el exponencial. El umbral para los núcleos será menor que el de los
‘puntos’, y:

para l < a

para l ≥ 𝑎

La fórmula para el semivariograma de los núcleos es extremadamente compleja debido a la

"discontinuidad" del modelo, pero se muestra un ejemplo en la figura 3.4. Se ha publicado una
subrutina para evaluar la fórmula. Si los cálculos se deben realizar a mano (o con una
calculadora manual), es más fácil utilizar tablas como la tabla 3.3.

Fig. 3.4. Regularisation of a spherical semi-variogram by core lengths.

Esta tabla muestra la forma del semivariograma "regularizado" para un núcleo de longitud l

si el semivariograma puntual original tenía un rango de influencia a, y un umbral de 1. El uso

de esta tabla se ilustra mejor con un ejemplo. Podemos volver ahora al ejemplo que se muestra

56
en la Fig. 3.1 de los valores de zinc medidos sobre longitudes de núcleo de 1,52 m. En el
Capítulo 2 supusimos que el umbral se encontraba en aproximadamente 10,5(%)2. Esta es

nuestra primera aproximación de Cl. Producir la línea a través de los dos primeros puntos en el

semivariograma experimental da 2al /3 = 9,6 m (aproximadamente). Es decir, al = 14,4 m, y

por lo tanto a = 12,9 m. Usando la fórmula:

Las primeras estimaciones, entonces, para los parámetros del modelo puntual son a = 12,9

m y C = 11,2(%)2. Debemos encontrar la fila en la Tabla 3.3 que corresponde a nuestro valor
de a = l, es decir, 8,5. Las entradas a lo largo de esta línea corresponden a múltiplos de la

longitud de muestra l. Es decir, h = l = 1 significa h = 1,52 m, h = l = 2 significa h = 3,04 m y así

sucesivamente. Vemos que en h = l = 1 la tabla da un valor de 0,116. Esto sería para un
semivariograma con un umbral de 1. Puesto que tenemos un umbral de 11,2(%) 2, el valor que
necesitamos es 0,116 x 11,2 = 1,30(%)2. Este es ahora un valor "modelo" para el
semivariograma de núcleos de longitud 1,52 m y se puede representar en el gráfico junto al
valor "observado" de 1,33(%)2.

Un segundo punto en el modelo estaría en h = 3.04m, es decir, h = l = 2. La tabla da un valor

de 0.288 para C = 1, de modo que nuestro valor de modelo es 0:288 x 11:2 = 3.23(%)2. Esto se
puede comparar con el valor experimental de 3.09(%)2. Este proceso se repite hasta que
tengamos un valor de modelo para comparar con cada valor observado. La curva del modelo
resultante se ha representado en la Fig. 3.5. Esto parece ser un ajuste bastante bueno para el
semivariograma experimental, si aceptamos el umbral en 10.5(%)2.

57
Tabla 3.3 Semivariograma regularizado 𝛾l(h) para el modelo esférico con rango a y umbral 1.0
para varias distancias h

Un segundo punto en el modelo estaría en h = 3.04m, es decir, h/l = 2. La tabla da un valor

de 0.288 para C = 1, de modo que nuestro valor de modelo es 0:288 x 11.2 = 3.23(%)2. Esto se
puede comparar con el valor experimental de 3.09(%)2. Este proceso se repite hasta que
tengamos un valor de modelo para comparar con cada valor observado. La curva del modelo
resultante se ha trazado en la Fig. 3.5. Esto parece ser un ajuste bastante bueno para el
semivariograma experimental, si aceptamos el umbral en 10.5(%)2.

Se podrían realizar ajustes si se considera que el umbral es demasiado bajo, aumentando

C y a. Supongamos que aceptamos este modelo "puntual" con a = 12,9 m y C = 11,2(%)2.
Podemos realizar una comprobación secundaria comparando los modelos para longitudes de
núcleo de 3,04 m y 4,56 m. Para el primero, a / l = 4,25, de modo que debemos interpolar en
la tabla entre a / l = 4,00 y a / l = 4,50. La interpolación lineal suele ser suficiente para este tipo
58
de ejercicio. La figura 3.6 muestra las curvas experimentales y del modelo para cada longitud
de muestra, y el modelo puntual para la comparación.

Fig. 3.5. Modelo regularizado ajustado al ejemplo de plomo/zinc - núcleos de 1,52 m.

Fig. 3.6. Modelos ajustados al ejemplo de plomo/zinc - núcleos de 3,04 m y 4,56 m y el

modelo "puntual".

El modelo parece tener un buen ajuste al semivariograma de 3.04 m, especialmente a los

primeros cuatro puntos. Sin embargo, después del primer punto del semivariograma de 4.56 m,

59
el modelo aquí es consistentemente considerablemente más alto que el semivariograma
experimental hasta que h es de aproximadamente 41 m. Esto podría quizás descuidarse en
vista del hecho de que cada uno de estos valores experimentales se calcula en 15 pares o
menos. En general, el modelo esférico según lo estimado parece tener un ajuste bastante
bueno.

CÁLCULOS VOLUMEN-VARIANZA

Este proceso de cambio del semivariograma con diferentes "soportes" suele conocerse en la
literatura como "regularización". sobre la base de que las muestras se vuelven más regulares
a medida que aumenta el tamaño de la muestra. Hemos visto que podemos

62

manejar semivariogramas experimentales para muestras “testigo” y aun así derivar el supuesto
modelo puntual. Sin embargo, esto nos lleva a otro problema de la relación `volumen-varianza'
y la influencia del tamaño de la muestra en el tipo de distribución encontrada. Supongamos que
en la etapa de prefactibilidad de la investigación de un depósito la dirección solicita un cálculo
de ley/tonelaje.

Fig. 3.7. Situación típica de muestreo en el ejemplo de estaño de Cornualles

Es decir, dada una ley corte económica (o una lista de la misma), podemos evaluar (i) el tonelaje
de mineral en el depósito que está por encima de corte y (ii) la ley promedio de ese mineral.
Supongamos que tomamos un ejemplo para ilustrar el problema que surge. Se ha muestreado
una veta hidrotermal de estaño mediante nueve unidades de desarrollo separadas
60
aproximadamente 100 pies en el plano de la veta. Se toman muestras de astillas (“cutting”)
cada 10 pies a lo largo de estos caminos (direcciones) . La configuración de muestreo se
muestra en la Fig. 3.7. Estas muestras de astillas (“cutting”) pueden considerarse "puntos" ya
que tienen un volumen muy pequeño. La Figura 3.8 muestra un histograma de las 2730
muestras de chips tomadas de las unidades de desarrollo en esta veta. Supongamos que ahora
especificamos una "grado de corte" de 25 lb/tonelada para esta veta. El histograma muestra
que aproximadamente el 44% de las muestras de astillas se encuentran por debajo de 25
lb/tonelada. Podríamos (posiblemente) afirmar que, por lo tanto, creemos que el 44% del
mineral en la veta se encuentra por debajo de las 25 lb/tonelada.

63

Figura 3.8. Histograma de muestras de chips (fragmentos) tomadas de las unidades de la

veta de casiterita.

Ahora bien, el método habitual para estimar el valor (en las muestras de corte) es delinear un
bloque (digamos de 125 pies de largo) entre los caminos (direcciones) y asignar a ese bloque
el promedio de todas las muestras de desarrollo periférico. Es esta estimación la que determina
si un bloque de rebaje entra en "reservas" o no. La Fig. 3.9 muestra el histograma
correspondiente de las estimaciones de bloques de 125 pies por 100 pies, es decir, los
61
promedios de las muestras de conducción en dos longitudes de 125 pies cada una. Hemos
visto en el anterior ejercicio que esperamos que los promedios de longitudes sean algo
menos variables que las muestras "puntuales". Esto se ve suficientemente confirmado
por el comportamiento de estos estimados.

Fig. 3.9. Histograma de estimaciones de valores de tajos en la veta de casiterita

64

Mientras que los valores puntuales varían hasta 300 lb/ton o más, los promedios de
accionamiento rara vez superan las 150 lb/ton. Mientras que el 44% de las muestras
puntuales se encuentran por debajo de 25 lb/tonelada, algo menos del 8,5% de las
"estimaciones de bloques" lo hacen. ¿Deberíamos decir ahora que el 8,5% del mineral
se encuentra por debajo de las 25 lb/tonelada? Lo que realmente necesitamos hacer
es redefinir la frase "del mineral". En el primer caso lo que queríamos decir es que, si
el depósito se dividiera en fragmentos de muestras, podríamos rechazar el 44% de ellas
por estar por debajo (limite) de corte. En el segundo, el 8,5% de la media de conducción
se situó por debajo del (limite) de corte. Es decir, si el depósito se dividiera en pares de
franjas de 125 pies separadas por 100 pies, el 8.5% de estas estarían por debajo del
(limite) de corte. O alternativamente, según mi estimación, el 8,5% de los bloques de
rebajes estarían por debajo del (limite) de corte. En otras palabras, no podemos definir
cuánto mineral tenemos después de la selección a menos que definamos una unidad
de selección en términos de tamaño y forma. La verdadera pregunta es "¿cuántos
paneles de rebaje de 125 por 100 pies hay debajo del (limite) de corte?" Para responder

62
a esta pregunta debemos determinar qué tipo de distribución seguirían estos paneles.
La respuesta completa dependerá de (i) la distribución de las muestras originales y (ii)
el semivariograma del depósito.

Hagamos un planteamiento general del problema y veamos cómo conduce a una

solución. Los datos de la muestra original tienen un "soporte" de, digamos, l; tiene un
semivariograma l (h) con un umbral Cl ; tiene una distribución de grados que hasta

cierto punto puede caracterizarse mediante el histograma y que tiene una media l y

una varianza Cl. Los paneles o bloques que se estiman tendrán un soporte de, digamos,

v ; un semivariograma v(h) con umbral Cv; una distribución con media v y varianza
Cv. Lo primero que podemos decir es que l yv deberían ser iguales, ya que ambos
describen la ley promedio del mineral en todo el depósito. Por lo tanto, podemos
reemplazarlos por γ
̅ , el promedio de muestras "puntuales". Lo segundo que podemos
decir es que si tenemos un modelo para el semivariograma puntual podemos establecer

la relación entre el umbral puntual C y el umbral 'núcleo' Cl , y entre C y Cv para cualquier

volumen definido v. Supongamos que tomamos el ejemplo simple de un núcleo de

longitud l que se puede representar como una línea recta (ya que el diámetro es mucho
menor que la longitud).

Esto se ilustra en la figura 3.10. Consideremos dos puntos de esta recta, M y M’.
Podríamos calcular a partir del semivariograma del modelo la "diferencia" entre los
grados (leyes) en estos dos puntos. Ahora supongamos que tomamos todos los pares
posibles de medidas (M, M’) que existen dentro de la línea -incluido el caso en que M =
M’. De esta manera podríamos obtener una medida de la "variabilidad" de los grados
dentro de la línea. Si tomamos la media de los valores del semivariograma (M-M’)

63
sobre todos los pares posibles, entonces obtenemos la varianza de las grados dentro
de la longitud ɭ.

Fig. 3.11. Derivación de la varianza de los grados dentro de un panel.

Esta es la varianza que se elimina del sistema si solo consideramos la pendiente

promedio en la longitud ɭ, es decir, la diferencia entre el umbral (sill) puntual y el (sill)
umbral regularizado, C – Cl. Matemáticamente:

donde F(l) define la varianza de los grados dentro de la longitud ɭ. Aunque esto parezca
temible, se reduce a

64
Estos, por supuesto, se corresponden exactamente con la diferencia entre los
semivariogramas puntuales y regularizados. Ahora supongamos que queremos
considerar un modelo bidimensional panel como el que se muestra en la Fig. 3.11. La
función F ahora se convierte en F (d; b) para mostrar que tiene dos dimensiones. Esta
sería una integral cuádruple, ya que los puntos M y M’ ahora pueden moverse a lo largo
de todo el panel. Las fórmulas se vuelven complicadas, pero no imposibles y, como
ejemplo del tipo de valores encontrados, se ha elaborado la Tabla 3.4. Esta tabla
muestra la función F (d; b) para un modelo esférico con rango igual a 1 y umbral de 1.
Este es un modelo esférico "estandarizado" -en el mismo sentido que una Distribución
Normal "Estándar". Esta tabla se puede utilizar para producir el valor correspondiente
de la función F para cualquier modelo esférico, de la siguiente manera:

(i) dividir las longitudes de los lados del panel por el rango de influencia a;

(ii) leer la entrada correspondiente en el cuadro;

(iii) multiplique este valor por C.

65
Tabla 3.4 Función auxiliar F(L;B) para modelo esférico con rango 1.0 y sill 1.0

66
67
Más adelante en este capítulo se dan ejemplos de tales cálculos. Se pueden producir
tablas similares para los modelos lineal y exponencial.

En tres dimensiones, el problema de calcular analíticamente la función F(l; b; d) parece

insuperable. Es necesario recurrir a una aproximación numérica mediante computaciòn.
La forma más sencilla de hacer esto es volver a la definición de la función F: tomamos
pares de puntos (M,M’) dentro del bloque; considere todos esos pares; calcular el valor
del semivariograma entre M y M’; sumar todos estos valores y promediarlos - esto da
el valor F. Ahora supongamos que no tomamos todos los pares sino sólo unos pocos
"representativos". Es decir, en lugar de considerar el bloque como un número infinito
de puntos lo consideramos una "cuadrícula" que contiene un número finito de puntos,
digamos en una cuadrícula de 5 por 5 por 5. Algunos autores sugieren tomar puntos
distribuidos "al azar", pero parece que eso tiene poco sentido. Usando tal método, la
Tabla 3.5 fue producido para el modelo esférico "estandarizado". Para producir sólo una
sola tabla, ha sido necesario insistir en que dos lados del bloque tengan la misma
longitud. Esta tabla se utiliza de la misma forma que la bidimensional.

CURVAS DE (GRADO) LEY/TONELAJE

Entonces, ahora sabemos cómo calcular la función F para una, dos y tres dimensiones
y, por lo tanto, podemos establecer la diferencia entre la varianza "puntual" y la varianza
"regularizada" de áreas y volúmenes de forma regular. Esto nos dará una cantidad
numérica para la reducción de la varianza, pero a menos que hagamos algunas
suposiciones sobre la distribución de las muestras, en realidad no podemos cuantificar
el cambio en el "tonelaje por encima del límite", etc. Hay dos maneras de abordar el
problema:

(i) Suponer que el histograma de las muestras representa con precisión todo el
depósito.
(ii) Suponer que el histograma representa un conjunto de muestras de todo el depósito
y, como tal, contiene alguna variación aleatoria con respecto a la distribución de la
"población".

68
 El primer enfoque declara que las muestras son "típicas" de todo el depósito y
conduce a anamorfismos gráficos y funciones de transferencia. El segundo enfoque
declara la creencia de que si pudiéramos medir la ley en cada punto del depósito
terminaríamos con una curva suave de forma bastante simple. Este es un enfoque
mucho más simple y generalmente parece ser suficiente para la mayoría de los
depósitos.

Para comenzar con un ejemplo simple, consideremos un depósito de mineral de

hierro que se sabe que sigue una Distribución Normal con una media de 48% Fe y una
estándar desviación del 5% Fe. Esta distribución se ha establecido en muestras lo
suficientemente pequeñas como para ser llamadas "puntos". También sabemos que el
depósito sigue un modelo de semivariograma puntual que es esférico con un rango de
influencia de 400 pies. Ahora supongamos que el plan de la mina se va a construir en
bloques de 100 pies por 100 pies por 50 pies. ¿Cómo será la distribución de estos
bloques? Lo primero que podemos decir es que probablemente tendrá una Distribución
Normal.

Seguramente tendrá la misma media (48% Fe) que los "puntos". El único cambio
será en la desviación estándar de la distribución. Necesitamos evaluar la función F(100;

100; 50) para un modelo esférico con a = 400 y C = 25. Para usar la Tabla 3.5 debemos

"estandarizar" la situación de modo que el rango de influencia sea 1. Eso es decir,

F(100; 100; 50) para a = 400 es lo mismo que F(0.25; 0.25; 0.125) para a = 1. La tabla
3.5 proporciona un valor de 0.209 para estos argumentos, pero esto es para un modelo
cuyo sill es 1. Para nuestro modelo, el valor requerido es 0.209 x 25 = 5.225(%Fe)2.
Esta es la diferencia entre el punto varianza y la varianza del bloque. Por lo tanto, la
varianza de los valores del bloque será 25 – 5.225 = 19.775(%)2, lo que dará como

resultado una desviación estándar del bloque, sv, de 4.45%Fe. Esto es ligeramente más
del 10% menos que la desviación estándar de puntos, como se esperaría con un bloque
tan "pequeño". Así tenemos dos distribuciones a considerar, ambas Normales, de la
siguiente manera:

(i) distribución puntual: g = 48%Fe; s = 5% Fe

69
(ii) distribución de bloques: g = 48%Fe; sv = 4:45%Fe

Estas dos distribuciones se muestran en la Fig. 3.12 y se puede ver claramente la

reducción de la dispersión para la distribución en bloques. Para ver cómo la diferencia
en las distribuciones afectará los cálculos de ley y tonelaje, tomemos como ejemplo una
ley de corte de 44% Fe.

Fig. 3.12. Comparación de las distribuciones de puntos y bloques dentro de un

hipotético depósito de mineral de hierro.

La proporción (P) de la distribución que está por encima del límite viene dada por:

P = Pr {g > c}

donde g denota el grado en general, y c el grado de corte. Hay tablas ampliamente

disponibles para la distribución Normal Estándar, que tabulan la proporción de la
distribución Normal Estándar que se encuentra por debajo de un determinado valor z.

Para cualquier otra Distribución Normal, el valor z se determina tomando el valor de

interés, restando la media de la distribución y dividiendo por la desviación estándar. En
nuestro ejemplo, estamos considerando la ley de corte, c, de modo que

𝑐 −𝑔
z=
𝑠
70
La tabla Normal nos dará (z), que es la probabilidad de estar por debajo del límite (de
corte), de modo que

P = 1- (z)

Así, si consideramos la distribución de los valores 'puntuales', obtenemos lo siguiente:

Consultando una tabla Normal Estándar se obtiene (z) = 0:212 de modo que P = 0.788.
Es decir, alrededor del 79% del depósito se ubicará por encima de un límite de 44% Fe.
La segunda pregunta es la ley promedio de este mineral. Para la Distribución Normal,
la calificación (el grado) por encima de límite (de corte) viene dada por:

donde gc denota la ley por encima del límite y (z) es la altura de la curva normal
estándar en el valor z, es decir

Entonces, para nuestro ejemplo, (z) = 0.290 de modo que:

En resumen, el 78.8% del mineral se encuentra por encima de un límite de 44%Fe, y

este mineral tiene una ley promedio de 49.8%Fe.

71
Repitamos este ejercicio, pero ahora teniendo en cuenta la "unidad minera selectiva"
de 100 pies x 100 pies x 50 pies. Tenemos:

La tabla Normal Estándar da (zv) = 0,184, por lo que P ahora es 0,816, y el grado
promedio por encima del límite es

Aunque las diferencias en este ejemplo no son sustanciales, se puede ver

claramente que si la selección se aplica a la ley promedio de bloques de 100 pies por
100 pies por 50 pies, entonces el tonelaje extraído (la proporción del depósito) es mayor
y el La ley del mineral es inferior a la que se esperaría de las muestras originales. Si el
grado de corte elegido estuviera por encima del grado medio del depósito, la situación
se revertiría. Esto no es simplemente una observación académica, sino que está
confirmada por la experiencia en muchas minas existentes.

Pasemos ahora a una situación mucho más común, en la que la distribución de

grados es log-normal. Tomemos como ejemplo un depósito de plomo/zinc, donde el
porcentaje de "metal combinado" es la variable económica. Se sabe que las muestras
tienen una distribución logarítmica normal y que la media y la desviación estándar de
las muestras "puntuales" son 12% y 8% de metal combinado, respectivamente. El
semivariograma es esférico con un alcance de 15 m. La "unidad minera selectiva" es
un bloque de 10 por 10 por 5 m. Utilizando la tabla 3.5, podemos encontrar que F(10;
10; 5) cuando a = 15 y C = 64 está dada por 0:516 x 64 = 33,034. Esto produce una
desviación estándar de bloque de 5:56% de metal combinado. Las dos distribuciones
se comparan en la figura 3.13.

72
 74

Fig. 3.13. Comparación de las distribuciones de porcentajes combinados de metales

dentro de un depósito hipotético de plomo/zinc.

Calcular la proporción por encima de encima del límite y la ley promedio del mineral
para una distribución log-normal requiere un paso adicional en el procedimiento. Por
definición, si una variable tiene una distribución log-normal, entonces el logaritmo de
esa variable tiene una Distribución Normal. Es necesario calcular la media y la
desviación estándar de esta Distribución Normal antes de poder realizar cualquier
cálculo. Si escribimos y para el logaritmo del grado, entonces la media y la desviación
estándar de los valores de y vienen dadas por:

Una vez calculados estos parámetros, se podrá evaluar lo siguiente:

73
donde P es nuevamente la proporción del mineral por encima del corte. La calificación
promedio se encuentra mediante el siguiente proceso:

Donde

En el ejemplo anterior de plomo/zinc, un 4% de metal combinado es un grado de corte

factible. Considerando la distribución de "puntos", entonces:

Los datos de la muestra original nos informan que el 93,4% del depósito se encuentra
por encima del 4%(Pb + Zn) y que este mineral tiene un valor promedio de 12,62% de
metal combinado. Ahora bien, considerando la distribución de bloques de 10 por 10 por
5 m, se encuentran los siguientes resultados:

74
 Una vez más, la selección realizada en una unidad de bloque minero, esta vez de
tamaño 10 por 10 por 5 m, produce un tonelaje mayor y una ley más baja de lo que
sugerirían las muestras pequeñas. La tabla 3.6 muestra los valores resultantes cuando
se establece un conjunto posible se eligen los valores de corte. La Figura 3.14 muestra
las curvas de ley/tonelaje resultante en la forma habitual empleada en los informes
mineros. La única diferencia menor aquí es que se da la "proporción" por encima del
límite en lugar del tonelaje, para mantener el ejemplo general. El "sesgo" introducido al
considerar muestras "puntuales" en lugar de la verdadera unidad minera selectiva se
puede ver claramente en este gráfico.

Tabla 3.6 Comparación de cálculos de ley/tonelaje para valores de puntos y bloques

para depósitos combinados de metal (Plomo/Zinc)

75
 He aquí un ejemplo muy breve para finalizar. Un depósito de uranio de baja ley tiene
una distribución logarítmica normal con una media de 0,30% U3O8 y una desviación

estándar de 1,05% U3O8. El semivariograma esférico tiene un alcance de 40 m y la

unidad de minería selectiva tiene un tamaño de 25 por 25 por 10 m. Usando la Tabla
3.5 se obtiene una función F de 0,477 x 1,1025 = 0,526, lo que produce una desviación
estándar para los bloques de 0,76%U3O8. La Tabla 3.7 muestra los resultados de

aplicar lìmites de 0,05, 0,10, 0,15 y 0,20%U3O8 a (i) las muestras "puntuales" y (ii) a la
distribución del bloque. Las figuras 3.15 y 3.16 ilustran estos resultados. Observe cómo
la naturaleza sesgada de la distribución original y el tamaño relativamente grande del
bloque se combinan para producir una brecha cada vez mayor entre la curva de puntos
y la curva del bloque.

Fig. 3.14. Comparación de curvas ley/tonelaje en el depósito de plomo/zinc

76
Fig. 3.15. Comparación de curvas de ley/tonelaje de puntos y bloques en un depósito de
uranio | Grado cuto® versus proporción por encima del límite.

Tabla 3.7. Comparación de cálculos de ley/tonelaje para valores puntuales y de

bloque para depósitos de uranio

77
 CONCLUSIÒN

En este capítulo hemos considerado los problemas introducidos por el volumen,

tamaño, forma, etc. tanto de las muestras como de las unidades mineras selectivas.
Hemos visto cómo se puede derivar el modelo de semivariograma "puntual", incluso
aunque el semivariograma experimental haya sido construido sobre muestras con un
soporte definido. También hemos visto cómo, para determinadas formas regulares, la
distribución de valores cambia según el apoyo de la unidad minera selectiva. La
construcción de curvas "teóricas" de ley/tonelaje se puede lograr proporcionando la
siguiente información está disponible:

(i) la distribución de los valores "puntuales";

(ii) el semivariograma de los valores "puntuales";

(iii) el tamaño y forma de la unidad minera selectiva.

De esta manera, se pueden producir primeras estimaciones más "realistas" de los

cálculos de ley/tonelaje en una etapa muy temprana de cualquier estudio.

CAPÍTULO 4

ESTIMACION

Hasta ahora hemos utilizado los conceptos y supuestos básicos de la geoestadística para
construirnos un "modelo" de la estructura y continuidad dentro del depósito. También hemos
visto (en el Capítulo 3) cómo esto puede llevar a la producción de curvas 'teóricas' de
ley/tonelaje y el estudio de cómo el tamaño del bloque minero puede influir en las cifras finales
de producción. Ya es hora de que volvamos a nuestro problema original de la estimación de
reservas de mineral. La discusión en este (y el próximo) capítulo se limitará a la estimación
"local", es decir, el interés es limitado a una porción del depósito a la vez. Sin embargo, se debe
tener en cuenta que las mismas técnicas se pueden aplicar a escala global, es decir, al depósito
completo a la vez. También hay que recordar que bloque por bloque o las estimaciones escala
por escala conducirán inevitablemente a estimaciones globales.

78
 Definamos entonces la situación que nos interesa. Hay un punto o un área o un volumen de
terreno sobre el cual no conocemos el grado (o valor), pero deseamos estimarlo. Llamemos a
este grado "desconocido" T, y el área (o punto, o volumen) de interés A. Para realizar (producir)
un estimador debemos tener cierta información, generalmente en forma de muestras. Para ser
completamente general, supongamos n muestras con valores de g1; g2; g3…gn. Este conjunto
de muestras generalmente se denota por S. A partir de estas muestras podemos formar un tipo
de estimador "lineal" -es decir, un promedio ponderado. Debemos, en esta etapa, limitarnos a
este tipo de estimador. El estimador es denotada por T* y es igual a:

T* = w1 g1 + w2 g2 + … + wn gn

Donde los w1, w2 … wn son las ponderaciones asignadas a cada muestra. La mayoría de las
técnicas de estimación locales utilizadas corrientemente utilizan un enfoque de promedio
ponderado -técnicas de distancia inversa, etc. El caso más simple de todos es cuando todos de
los pesos son los mismos, y T* es solo la media aritmética de los valores muestrales.

Fig. 4.1. Situación hipotética de muestreo y estimación -depósito de uranio

Ahora considere la configuración de muestras e "incógnitas" que discutimos originalmente

en el primer capítulo. La Figura 4.1 muestra el punto de interés que se encuentra en la posición
A, y tenemos cinco muestras "puntuales" alrededor de esta posición.

Se dan las coordenadas de estos seis puntos y los valores de las muestras en la Tabla 4.1.
El hipotético depósito es de uranio de baja ley y gran tonelaje, que se supone que es isotrópico.
El modelo de semivariograma ajustado a este depósito es esférico con un rango de influencia
de 100 pies, un sill (C) de 700 (p.p.m.)2 y un efecto pepita de 100 (p.p.m.)2: Tomemos el
79
procedimiento de estimación más sencillo posible. Por ejemplo el valor en la muestra de
posición más cercana (1) y "extender" esto al punto desconocido. Al hacerlo incurrimos en un

error de estimación, , que será igual a la diferencia entre el valor real valor T y el valor estimado
T*, que en este caso es igual a g1. Eso es:

T* = g1

 = T – T*

No es demasiado difícil demostrar que si no hay una tendencia (al menos a nivel local), este
estimador es insesgado. Es decir, si hacemos muchas estimaciones similares, el error promedio
será cero.

¯ =0

La "confiabilidad" de la estimación se puede medir observando la diferencia de los errores.

Si los errores toman valores consistentemente cercanos a cero, entonces el estimador es
"bueno". Si la dispersión de valores es grande, entonces el estimador no será confiable. La
medida estable más simple de diferencial (estadísticamente) es la desviación estándar. La
desviación estándar de un error de estimación -o error estándar como se le conoce en la
estadística ordinaria- por lo tanto medirá la confiabilidad de ese estimador.

Cuadro 4.1 Posiciones y valores en un problema hipotético de estimación de uranio

No importa cuántas estimaciones realicemos, no podemos calcular la desviación estándar de

los errores ya que no conocemos el valor del error hecho. Por lo tanto debemos mirar la forma
"teórica" de la varianza del error de estimación, es decir, la varianza de estimación:

 = T – T*

80
varianza de los errores = 𝜎 2ԑ

= desviación cuadrática promedio del error medio

= promedio de (−¯ )2

= promedio de  desde ¯ = 0

= promedio de (T – T*)2

El promedio se haría (teóricamente) sobre todo el depósito. Eso es, la misma situación de
estimación se repetiría en todo el depósito y la varianza hallada. Por supuesto, esto no se puede
hacer en la práctica, así que mire más de cerca la forma de esta variación. Se encuentra
tomando el grado en el punto A, restando el grado del punto 1, elevando el resultado al
cuadrado, repitiendo el procese sobre todos los pares posibles de dichos puntos y luego
promedie los valores. Esto suena exactamente como la definición de variograma. De hecho, es
el variograma entre los dos puntos A y (1). Dada la distancia entre ellos (h) podemos evaluar

esta varianza de estimación simplemente leyendo un valor del modelo de semivariograma () y
multiplicarlo por 2. Este es uno de las razones por las que es una buena política evitar confundir
el variograma y el semivariograma. De este modo:

𝜎 2ԑ = 2(h)

En el caso de nuestro ejemplo particular dado en la Fig. 4.1:

T* = 400 p.p.m.

h = 21.54 pies

(h) = 322.7(ppm)2

𝜎 2ԑ = 2 x 322.7 = 645.4(ppm)2

𝜎ԑ = 25.4 p.p.m.

Dado nuestro conocimiento sobre este depósito, es decir, el modelo de semivariograma,

podemos afirmar (sin demasiado temor a equivocarnos) que el estimador utilizado tiene un error
estándar de 25,4 ppm. Convertir este error estándar en intervalo de confianza, sin embargo,
requiere la suposición de algún tipo de distribución de probabilidad para el depósito. Por
ejemplo, si esperamos que el Teorema del Límite Central se cumple, podemos decir que un
81
intervalo de confianza del 95% para T sería dado por T* ± 1:96𝜎ԑ , es decir (350 p.p.m., 450
p.p.m.). Por otro lado, si Si asumiéramos una distribución log-normal para los errores, el 95%
de confianza el intervalo estaría dado por (354 ppm, 453 ppm).

Ahora compliquemos un poco el procedimiento. En lugar de estimar el valor en el punto A,

en una situación más realista (al menos en minería) estaríamos interesado en la ley promedio
sobre un área o bloque o alguna unidad minera. En la figura 4.2, un "panel" de 60 pies por 30
pies ha sido centrado en el punto A original. El procedimiento de estimación entonces queda:

T = grado promedio sobre el panel

A = panel 60 x 30 pies

T* = g1

 = T – T*

Siguen siendo válidos los mismos argumentos que antes. Se puede mostrar el error
promedio es cero si no hay tendencia local. La varianza de estimación sigue siendo un
variograma, pero ahora es el variograma entre la ley en el punto de muestra (1) y grado
promedio en el panel A. Vimos en el Capítulo 3 que podíamos hacer frente con grados promedio
sobre muestras si quisiéramos el semivariograma entre muestras del mismo tamaño, pero hasta
ahora no hemos considerado la posibilidad de tener dos tamaños diferentes para comparar. El
modelo de semivariograma nos proporciona
nosotros con la diferencia en grados entre dos puntos. Podríamos encontrar el valor del
semivariograma entre el punto de muestra y cada punto dentro del panel A, y podríamos
promediar esos valores. Definamos esta cantidad como ͞ (S, A), leído como barra gamma entre
la muestra y cada punto en el panel'. La notación de "barra" es la estándar para la media
aritmética. Este el término de barra gamma tomará el lugar de (h) en nuestra relación anterior.
Sin embargo, lo que realmente necesitamos es el semivariograma entre el grado promedio del
panel y la muestra, no entre todos los puntos individuales dentro el panel y la muestra. 2͞(S, A)
sería la varianza del error cometido si intentáramos estimar cada punto dentro del panel. Para
corregir esta diferencia en énfasis debemos tener en cuenta la variación de los grados en puntos
dentro del panel

82
 Figura 4.2. Estimación más realista - el valor del bloque es requerido

(depósito de uranio).

Esto se discutió en el Capítulo 3 y lo evaluamos usando la función auxiliar F(l, b). Este fue el
semivariograma promedio entre todos los posibles pares de puntos dentro del panel. Podemos
reescribir esto de una manera más general usando la notación de barras gamma. Es decir, ͞
(A, A) será el valor semivariograma promedio entre cada punto en el panel y todo punto en el
panel. En el caso que se muestra en la Fig. 4.2, entonces, cuando se utiliza el valor en la
muestra punto (1) para estimar la calificación promedio del panel, la varianza de estimación se
convierte en:

𝜎 2ԑ = 2 ͞ (S, A) - ͞ (A, A)

El cálculo de estos términos de barras gamma se analizará con más detalle más adelante.

Ahora compliquemos aún más las matemáticas. En realidad tenemos más de una muestra
disponible para nosotros, entonces ¿por qué no utilizarlas en el procedimiento de la estimación?
Supongamos que utilizamos la media aritmética de las muestras como nuestra T*. Esto nos da
la forma más simple del tipo de estimador promedio ponderado. Eso es:

T = grado medio del panel

A = panel 60 pies x 30 pies

S = 5 muestras puntuales en ubicaciones especificadas

1
T* = (g1 + g2 + g3 + g4 + g5)
5

En este caso el término ͞ (S, A) es el valor promedio del semivariograma entre cada punto del
`conjunto de muestra' S y cada punto del panel A. El término ͞ (A, A) sigue siendo el

83
semivariograma promedio entre cada punto del panel y cada punto del panel. Sin embargo,
ahora tenemos otra fuente de variación espuria. Sólo consideramos el grado medio de las
muestras como el estimador, pero ͞ (S, A) tiene en cuenta los grados individuales. De este

modo, también tenemos que restar un término ͞ (S, S) de la varianza, donde este es el valor
promedio de semivariograma entre cada punto del conjunto de muestras y cada punto en el
conjunto de muestras (es decir, 25 "pares" de muestras). La versión final de la varianza de
estimación entonces se convierte en:

𝜎 2ԑ = 2 ͞ (S, A) - ͞ (S,S) - ͞ (A, A)

La media aritmética se conoce a menudo en geoestadística como estimador de extensión, y la

variación anterior se conoce como variación de extensión. Para distinguir esta varianza de la
varianza de estimación más general para un promedio ponderado, se utiliza el subíndice e en
lugar del general .

CÁLCULO DE LOS TÉRMINOS GAMMA-BAR

Habiendo elaborado una fórmula para la variación de la extensión, sólo queda explicar cómo
calcular términos como ͞ (S, A) en la práctica. Por el bien de nuestro enfoque (demasiado)
simplista, consideraremos por el momento sólo casos idealistas, y éstos sólo en una o dos
dimensiones. La generalización se discutirá más adelante. Considere, como ejemplo, la
configuración de la Fig. 4.3. Hay una longitud de, digamos, un disco de l m de largo, cuyo grado
se desconoce.

M M’

Fig.4.3. Ejemplo de utilización de un punto periférico para estimar el valor

medio del segmento de línea.

Tenemos a nuestra disposición una única muestra, quizás en una rúbrica de desarrollo, cuyo
valor se conoce. En nuestra notación anterior T es el grado promedio sobre l, T* es el grado en

84
la posición de la muestra, A es la longitud y S es el único punto de muestreo. La confiabilidad
de este estimador viene dada por:

𝜎 2𝑒 = 2 ͞ (S, A) - ͞ (S,S) - ͞ (A, A)

͞ (S,S) es el semivariograma entre el punto de muestra y él mismo, que es cero porque la

muestra es un "punto". ͞ (A, A) no es otro que la F(l) función encontrada en el Capítulo 3.
Nuestro problema surge con ͞ (S, A) que se ha definido como el semivariograma promedio
entre el punto de muestra y cada punto de la recta. Es decir, tomamos M como punto fijo (la
muestra) y M' puede estar en cualquier lugar de la línea. Tomamos todos los pares que sean
posibles, calcular el valor del semivariograma para cada par, sumarlos (usando una
integración), y promediar esta suma. Porque la 'suma' se está realizando sobre una longitud
continua, no podemos dividirlo por el "número de puntos" en la suma. En lugar de eso, dividimos
por la longitud de la línea misma, l. Esto produce otra función auxiliar que se llama (l) y se
ocupa del específico caso de puntos al final de líneas. Por tanto, nuestra variancia de extensión
se convierte en:
𝜎 2𝑒 = 2 (l) – F(l)

Sólo queda determinar la función (l) para el modelo particular en uso y el error estándar está
disponible inmediatamente. Las funciones auxiliares unidimensional se detallan a continuación
para los tres modelos "comunes". Semivariogramas que comprenden más de un modelo de
componente se manejan fácilmente. Se evalúa la función auxiliar para cada componente y
luego se suma el componente funciones auxiliares.

Funciones auxiliares

Linear model for the semi-variogram;

(h) = ph

𝑙
Х(l) = p
2

𝑙
F(l) = p
3

Exponential model for the semi-variogram;

85
 ℎ
(h) =C [1- exp (- ) ]
𝑎

𝑎 ℎ
Х(l) = C {1 - [ 1- exp (− ) ]}
2 𝑎

𝑎 𝑎2 ℎ
F(l) = C {1 - + [1-exp (− ]}
𝑙 𝑙2 𝑎

Spherical model for the semi-variogram:

3ℎ 1 ℎ3
(h) = C ( − ) cuando h ≤ a
2𝑎 2 𝑎3

=C cuando h ≥ a

𝐶 𝑙 𝑙2
Х(l) = { (6 - ) } cuando l ≤ a
8𝑎 𝑎2

𝐶 𝑎
= (8 - 3 ) cuando l ≥ a
8 𝑙

𝐶 𝑙 𝑙2
F(l) = (10 - ) cuando l ≤ a
20 𝑎 𝑎2

𝐶 𝑎 𝑎2
= (20- 15 +4 ) cuando l ≥ a
20 𝑙 𝑙2

Así, en nuestro ejemplo anterior, si tenemos un semivariograma lineal, la varianza de

extensión para la configuración de la figura 4.3 se convierte en:

𝑙 𝑙 2
𝜎 2𝑒 = 2𝑝 + 𝑝 = 𝑝𝑙
2 3 3

Para cualquier problema específico, necesitamos especificar sólo la longitud de la línea 𝑙 y la

pendiente del semivariograma, p.

Consideremos ahora un ejemplo un poco más interesante, como el que se muestra en la

figura 4.4. Aquí la muestra puntual está en el medio de la línea, pero por lo demás la situación
sigue siendo la misma. En:

𝜎 2𝑒 = 2 ͞ (S, A) - ͞ (S;S) - ͞ (A,A)

86
sólo el primer término ͞ (S, A) ha cambiado. En lugar de inventar una nueva función
auxiliar, o tener que hacer la integración nuevamente, podemos usar la función
existente ꭕ(l) función para producir el término requerido

Fig 4.4. Example of using a central point to estimate the average value of the line
segment.

The term we require is as follows:

͞ (S, A) = el valor promedio del semivariograma entre el punto de muestra y cada punto a lo
largo de la línea.

= (suma de todos los valores del semivariograma entre el punto de muestra y cada
punto a lo largo de la línea)/l

= (suma de todos los valores del semivariograma entre el punto de muestra y cada
punto en la mitad izquierda de la línea + suma de todos los valores entre la muestra
y la mitad derecha de la línea)/l.

La Figura 4.5 ilustra la "división" de la línea para colocar el punto de muestra al final de dos
líneas más cortas. Ahora, X(𝑙 /2) nos daría el promedio de todos los valores del semivariograma
entre M (el punto de muestra) y M' en el la mitad izquierda de la línea. Volviendo a la definición
de la función X, se puede ver fácilmente que la suma de todos los valores del semivariograma
entre M y M' será el promedio multiplicado por la longitud de la línea considerada.

Fig 4.5. Simplifying the central point problem to allow the use of auxiliary functions

De este modo

87
de modo que

En un caso particular el usuario podrá sustituir el semivariograma por su propio modelo, y

por tanto las funciones auxiliares adecuadas. Antes de continuar, comparemos este resultado
con la situación anterior, donde la muestra se encontraba al final de la línea. En el primer caso
la variación de extensión fue:

Por definición, X(𝑙 ) debe ser mayor que (o al menos igual a) X(𝑙 /2). ¿La conclusión? Si sólo
puedes tomar una muestra, es mejor tomarla en medio de lo que estás tratando de estimar. Es
reconfortante descubrir que el llamado sentido común tiene una sólida base matemática.

Fig. 4.6 Generalización del problema del punto "central".

Utilizando el mismo tipo de lógica de la figura 4.6, debería poder deducir que:

Asì que

La figura 4.7 a primera vista parece ser una “olla de pescado” diferente. Sin embargo, sigamos
el mismo procedimiento y veamos a dónde nos lleva.

͞ (S, A) = valor medio del semivariograma entre el punto y todos los puntos de la longitud 𝑙

88
 = (suma de los valores del semivariograma entre el punto y todos los puntos de la
longitud 𝑙 / 𝑙

Fig. 4.7. Extrapolación del problema del punto periférico.

El punto se encuentra al final de una "línea" de longitud 𝑙 +b. La expresión (𝑙 +b) X(𝑙 +b) nos
daría la suma de todos los valores del semivariograma entre la muestra y la longitud 𝑙 +b. Sin

embargo, no requerimos los puntos correspondientes a M' dentro de la longitud b, por lo que

podemos restarlos en la forma b X(b). Eso es,

de modo que

Para el modelo lineal, por ejemplo, esto sería:

Obviamente, esto es mayor que la expresión cuando el punto estaba al final de la línea,
como era de esperar. Un último ejemplo antes de abandonar los ejemplos unidimensionales: la
Fig. 4.8 muestra la "misma" línea, que ahora contiene tres muestras.

Figura 4.8. Problema más complejo cuando se dispone de tres muestras para estimar el segmento de
recta

89
Usaremos la media aritmética de los tres grados para estimar la longitud, es decir, T* = 1/3(g1

+ g2 + g3). Entonces nuestra variación de extensión es

donde S es ahora un conjunto de tres puntos. ͞ (A, A) permanece sin cambios, igual F(l) ya
que no hemos cambiado en absoluto la longitud a estimar. Sin embargo, ͞ (S,A) es ahora el
valor promedio del semivariograma entre cada uno de los tres puntos y la recta, de modo que

donde S1 representa la muestra 1 y así sucesivamente. Ahora ͞ (S1, A) es simplemente X(𝑙)

al igual que ͞ (S3, A): El término ͞ (S2, A) es la misma situación que la de la Fig. 4.4, por lo que

es igual a X(𝑙/2). De este modo,

El término medio de la varianza ͞ (S, S) requiere que tomemos cada punto del conjunto muestral

con cada punto del conjunto muestral. Dado que hay tres puntos en el conjunto, existen nueve
pares de puntos:

Cada uno de los términos individuales es simplemente el semivariograma entre un par de

puntos. Tres de los términos, ͞ (S1, S1), ͞ (S2, S2) y ͞ (S3, S3) son automáticamente cero ya que

las muestras son puntos. Los términos ͞ (S1, S2), ͞ (S2, S1), ͞ (S2, S3) y ͞ (S3, S2) son todos
iguales a ͞ (l/2), mientras que ͞ (S1, S3) y ͞ (S3, S1) son iguales a ͞ (l). De este modo:

90
de modo que

Para nuestro ejemplo lineal, esto se reduce a:

Esto es considerablemente menor que en otras evaluaciones, ya que sólo parece sensatocon
el triple de muestras.

EJEMPLOS BIDIMENSIONALES

En dos dimensiones tenemos nuevamente un conjunto de funciones auxiliares que en su

mayoría son generalizaciones de las unidimensionales. Estos se muestran en la Fig. 4.9. (l;

b) es el análogo bidimensional de (l) -a veces se lee como ‘(l) estirado a lo largo de la

longitud b'. Es el valor medio del semivariograma entre todos los puntos de una longitud, b, y
todos los puntos de otra paralela a ella y de la misma longitud. Esta función es útil para
perforaciones paralelas, muestras de canales, accionamientos, elevaciones, etc. La
generalización de X(𝑙) se convierte en X(𝑙,b) y es el semivariograma promedio entre una

longitud b (impulsión, elevación, núcleo, etc.) y un panel adyacente l por b. La función F (l; b)

se introdujo en el Capítulo 3 para términos como ͞ (A, A) para paneles rectangulares. También

introducimos una "nueva" función H (l; b) que cumple su función en dos situaciones bastante
diferentes. Representa el valor promedio del semivariograma entre un panel y un punto en una

91
esquina del mismo; también representa el valor medio del semivariograma entre dos longitudes
l y b en ángulo recto entre sí. Esto es simplemente un accidente matemático.

Se darán aquí algunos ejemplos para mostrar cómo "maniobrar" situaciones en la forma
requerida. La Fig. 4.10 muestra un panel de bloqueo en una veta de casiterita, de 100 pies por
125 pies, con un impulsor de desarrollo que lo atraviesa paralelo a los lados. La unidad está a
25 pies de la "parte inferior" del panel. La unidad está tan muestreada que podemos suponer
que conocemos su calificación promedio. Deseamos utilizar esa calificación promedio como
una estimación de la calificación promedio del panel, de modo que:

92

92
Figura 4.9. Las funciones auxiliares bidimensionales.

93
 Figura 4.10. Estimación del promedio del panel a partir del promedio del drive.

͞ (A, A) es el valor promedio del semivariograma entre cada punto en A y cada punto en A,
que es la definición de la función bidimensional F (l; b). Así, si tenemos un modelo para el
semivariograma, podemos evaluarlo. Supongamos que en el ejemplo anterior el
semivariograma es un modelo esférico con un rango de influencia de 80 pies y un umbral (sill)
de 450 (lb/ton)2. La tabla dada en el Capítulo 3 para la función F (l; b) (Tabla 3.4) es para el
modelo esférico "estandarizado" con a = 1 y C = 1. Requerimos F (125; 100) para un modelo

en el que a = 80 y C = 450. Para convertir a = 1 dividimos las medidas l y b por el rango a (80

pies). Por lo tanto, requerimos F (125 / 80; 100 / 80) = F (1,54; 1,20) para a = 1 y C = 450: De
la tabla (interpolando linealmente) encontramos que F(1,54; 1,20) = 0,7807 cuando C = 1. Por
lo tanto, si C = 450, nuestro valor F debe ser 0,7807 x 450 = 351,3 (lb/ton)2. Esto finalmente es

͞ (A, A).

Consideremos ahora el término ͞ (S, S). Nuestra muestra es una "línea" de 125 pies de
longitud, y ͞ (S, S) es el valor promedio del semivariograma entre cada punto de la línea y cada

punto de la línea, es decir, la función unidimensional F (l). Para un modelo de semivariograma

esférico, donde la longitud es mayor que el rango de influencia, sabemos que:

94

94
Sustituyendo los valores l = 125 pies, a = 80 pies y C = 450 (lb/ton)2, se obtiene F (125) = 270,9

(lb/ton)2, y este es el valor utilizado para ͞ (S, S).

Finalmente, debemos recurrir a ͞ (S;A) lo que presenta un problema, ya que la función

auxiliar X(𝑙,b) es sólo para situaciones donde la `línea' está en un lado del panel. Debemos
emplear el mismo tipo de maniobra que antes:

͞ (S, A) = valor promedio del semivariograma entre la línea y un panel

de 125 pies x 100 pies.

= (suma de los valores del semivariograma entre la línea y el

panel) / (100 x 125)

= (suma de los valores del semivariograma entre la línea y los puntos del panel
"superior" + suma de los valores del semivariograma entre la línea y los puntos del panel
inferior) / (100 x 125).

Sin embargo, el valor promedio del semivariograma entre la línea y el panel "superior" (125 x
75 pies) viene dado por X(75; 125), de modo que la suma de los valores del semivariograma
entre la línea y cada punto en la parte superior del panel será de 75 x 125 x X(75; 125). De
manera similar, la suma de los valores del semivariograma entre la línea y cada punto en el
panel "inferior" (125 pies x 25 pies) estará dado por 25 x 125 x X(25; 125). Esto da:

La tabla 4.2 muestra los valores de la función X(l; b) para el modelo esférico "estandarizado"
con a = 1 y C = 1. Esta tabla se utiliza de la misma manera que la tabla F(l; b). Cabe señalar

95
que el orden de los argumentos es importante. El valor de X (25; 125) es obviamente diferente

del valor de X (125; 25). Estandarizando las medidas del panel de la misma forma que antes,
requerimos los valores de X(0,94; 1,54) y X(0,31; 1,54) de la tabla. La interpolación lineal da
los valores 0,8196 y 0,6538 respectivamente. Multiplicando por el umbral (sill) de 450 (lb/ton)2
se obtienen 368,8 (lb/ton)2 y 294,2 (lb/ton)2 respectivamente. Al juntarlos en la expresión para

͞ (S,A) se obtiene un valor de 350,2(lb/ton)2.

Habiendo evaluado todos los términos individuales, ahora podemos calcular la varianza de
extensión para la configuración de la figura 4.10, de modo que:

Esto da una desviación estándar de estimación o "error estándar" de 8,8 lb/tonelada para la
estimación de la calidad del panel. Si estamos dispuestos a asumir la normalidad de los errores
(sic), podríamos estar 95% seguros de que la calidad "verdadera" del panel se encuentra entre
T*± 2e igual a T*± 16:6 lb/ton. Este error estándar sería correcto para cualquier panel que
tenga la misma configuración de muestreo, en cualquier lugar dentro de este depósito, ya que
la variación de la estimación no depende de las leyes reales involucrads sino en el
posicionamiento geométrico de la muestra y el panel.

96
Tabla 4.2 Función auxiliar X (L , B) para modelo Esférico con rango 1.0 y sill 1.0

97
Como segundo ejemplo, consideremos un depósito de níquel diseminado en las últimas etapas
de desarrollo. En un nivel subterráneo particular, tenemos un bloque de parada de 40 m por 30
m a estimar. Si consideramos sólo un nivel, podemos tratar el problema como si fuera
bidimensional. Supongamos que este "panel" se ha desarrollado a lo largo de dos lados, y la
información disponible consiste en (i) la pendiente promedio a lo largo del recorrido de 40 m,
g1 y (ii) la pendiente promedio a lo largo del recorrido de 30 m, g2. Supongamos que utilizamos
el promedio de estas dos calificaciones para estimar el valor dentro del panel. Entonces:

T = grado medio del panel

A = panel 30m x 40m

1
T* = (g1+g2)
2

S = 40 m de recorrido, 30 m de recorrido

Para este depósito en particular tenemos un semivariograma esférico con un rango de

influencia de 60 m, un umbral de 0,75(%)2 y un efecto pepita de 0,10(%)2. Esto implica una
desviación estándar para los valores de muestra "puntuales" del 0,92%. La variación de la
extensión, como siempre, viene dada por:

͞ (S, A) es, como antes, la función bidimensional F (l, b), pero ahora tenemos dos componentes
para la evaluación de este término. Podemos calcular el F (40; 30) para la parte esférica del
modelo, con a = 60m y C = 0:75(%)2. Esto resulta ser 0,4336 x 0,75 = 0,325(%)2. A esto hay
que sumarle el efecto pepita de 0,10(%)2, de modo que ͞ (S, A) = 0,425(%)2.

El valor medio del semivariograma entre cada muestra y cada muestra ahora contiene cuatro
términos que deben promediarse, es decir:

͞ (S, S) = 14 [͞ (unidad1, unidad1) + ͞ (unidad1, unidad2)

+͞ (unidad2, unidad1) + ͞ (unidad2, unidad2)]

Generalmente es más fácil ver cada término por separado y luego combinarlos para producir
la respuesta final. El primer término (unidad (drive)1, unidad (drive)1) es el semivariograma
promedio entre todos los puntos dentro de una longitud de 40 m. Es decir, F (40).

98
Tabla 4.3. Función auxiliar H (L, B) para modelo Esférico con rango 1.0 y sill 1.0

99
 Para un modelo esférico, cuando la longitud de la "línea" es más corta que el rango de
influencia, F(l) viene dada por:

Sustituyendo l = 40 y a = 60; C = 0:75(%)2 da un valor de 0,239 (%)2. Agregar el efecto pepita

produce ͞ (drive1, drive1) = 0:339(%)2. De manera similar, ͞ (unidad2, unidad2) = 0:283(%)2.

Los dos términos ͞ (drive1, drive2) y ͞ (drive2, drive1) son idénticos y se han definido como la

función auxiliar H (l; b). Usando la Tabla 4.3 para la función H (l; b) de la misma manera que
las otras tablas y agregando el efecto pepita se obtiene:

Al juntar todos los términos individuales, encontramos que ͞ (S; S) = 0:428(%)2. Finalmente,

para calcular la varianza de la estimación, también requerimos el término ͞ (S; A). Este es el

valor promedio del semivariograma entre cada muestra y el panel, de modo que:

La varianza de extensión para el problema ilustrado en la figura 4.11 es así:

dando un error estándar para la predicción del promedio del panel de 0,376% de níquel.

Fig. 4.11. Estimación del promedio del panel a partir de dos promedios de unidades.
100
 Fig. 4.12. Estimation of the panel average from two raise averages.

Un tercer ejemplo se muestra en la figura 4.12. Esta vez el metal es zinc, el semivariograma es
esférico con un alcance de 20m y un umbral de 49(%)2. El valor a estimar es el promedio sobre
el panel de 30m por 15m, y la información disponible es la pendiente promedio de cada una de
las dos elevaciones a través del 'panel de rebaje'. En la situación idealizada elegida, los relieves
están ambos a 7,5 m de los bordes del panel. Muy brevemente, la variación de extensión se
produce de la siguiente manera:

T = grado media del panelo

A = panel 30m x 15m

T* = ½ (g1+g2)

S = subir1, subir2

2𝑒 = 2͞ (S, A) - ͞ (S, S) - ͞ (A, A)

El término ͞ (A;A) = F(30; 15) cuando a = 20 y C = 49(%)2, que es 0,7021 x 49 = 34,4 (%)2.

͞ (S; S) = ¼ [͞ (subir1; subir1) + ͞ (subir1; subir2) +͞ (subir2; subir1) +͞ (subir2;
subir2)]

= ¼ [F(15) + (15; 15) +  (15; 15) + F(15)]

= ¼ (17,34 + 46,02 + 46,02 + 17,34)

= 31:7(%)2

101
 101

La función  (l, b) se da para el modelo esférico "estandarizado" en la Tabla 4.4. El último

término a evaluar es:

͞ (S, A) = ½ [͞ (subir1, A) + ͞ (subir2, A)]

Tabla 4.4. Función auxiliar °(L,B) para modelo Esférico con rango 1.0 y umbral 1.0

102
 102

Dado que la configuración es simétrica, ͞ ((subir) raise1, A) = ͞ ((subir) raise2, A), de modo que:

͞ (S, A) = ͞ (subir1, A)
103
 = 1/(30 x 15)[7,5 x 15 x X(7,5; 15) + 22:5 x 15 x X(22,5; 15)]

= ¼ X(7,5; 15) + 3/4 X(22,5; 15)

= 1/4 x 23,4 + 3/4 x 37,1

= 33,7(%)2

Esto da una variación de extensión de:

2𝑒 = (2 x 33,7) – 31,7 – 34,4 = 1,3(%)2

Esto da un error estándar para la estimación del promedio del panel de 1,14% Zn. Por lo tanto,
aunque la desviación estándar de la muestra original para las muestras "puntuales" fue del 7%
de Zn, dos "muestras" dentro del panel producen un error estándar de un sexto de esta figura.

Fig. 4.13. Estimación del promedio del panel a partir de una muestra puntua.

Un último y breve ejemplo: un yacimiento de pórfido de cobre ha sido explorado por mediante
perforaciones verticales. Para simplificar el problema, cada "banco" del depósito se considera
por separado como un plano, y las intersecciones del pozo como puntos dentro del plano.
Tomemos un bloque pequeño típico, de 25 m por 25 m, con un pozo que lo atraviesa como se
muestra en la Fig. 13. Supongamos que "extendemos" el valor del núcleo que cruza el bloque
a todo el bloque. Entonces:

T = grado medio del bloque

A = panel de 25 metros cuadrados

T* = grado de intersección del pozo

S = intersección del pozo con este banco

103

Entonces

2𝑒 = = 2͞ (S, A) - ͞ (S, S) - ͞ (A, A)

104
De investigaciones previas sabemos que el semivariograma tiene una forma esférica, con un

alcance de influencia de 90 m y un sill de 0,6(%)2 Cu. ͞ (A, A) es otra función más F(25; 25),

cuyo valor se puede calcular como 0,2145 x 0,6 = 0,129 (%)2 Cu. ͞ (S; S) = 0 ya que se supone

que la muestra es un punto. ͞ (S;A) debe calcularse con la ahora familiar maniobra (?), como

sigue:

𝛾(S;A) = ¹°(punto, panel)

= (suma de todos los valores del semivariograma entre la muestra

y todos los puntos dentro del panel)/(25 £ 25)

= (suma de todos los valores del semivariograma entre la muestra

y todos los puntos en el panel A1

+la muestra y todos los puntos en el panel A2

+la muestra y todos los puntos en el panel A3

+la muestra y todos los puntos en el panel A4)/(25 £ 25)

= [8 £ 10 £ H(8; 10) + 17 £ 10 £ H(17; 10)

+8 £ 15 £ H(8; 15) + 17 £ 15 £ H(17; 15)]=(25 £ 25)

= (80 £ 0:0703 + 170 £ 0:1053

+120 £ 0:0915 + 255 £ 0:1248)=(25 £ 25)

= 0:106 (%Cu

105
106
 CAPÍTULO 4

ESTIMACION

Hasta ahora hemos utilizado los conceptos y supuestos básicos de la geoestadística para
construirnos un "modelo" de la estructura y continuidad dentro del depósito. También hemos
visto (en el Capítulo 3) cómo esto puede llevar a la producción de curvas 'teóricas' de
ley/tonelaje y el estudio de cómo el tamaño del bloque minero puede influir en las cifras finales
de producción. Ya es hora de que volvamos a nuestro problema original de la estimación de
reservas de mineral. La discusión en este (y el próximo) capítulo se limitará a la estimación
"local", es decir, el interés es limitado a una porción del depósito a la vez. Sin embargo, se debe
tener en cuenta que las mismas técnicas se pueden aplicar a escala global, es decir, al depósito
completo a la vez. También hay que recordar que bloque por bloque o las estimaciones escala
por escala conducirán inevitablemente a estimaciones globales.

Definamos entonces la situación que nos interesa. Hay un punto o un área o un volumen de
terreno sobre el cual no conocemos el grado (o valor), pero deseamos estimarlo. Llamemos a
este grado "desconocido" T, y el área (o punto, o volumen) de interés A. Para realizar (producir)
un estimador debemos tener cierta información, generalmente en forma de muestras. Para ser
completamente general, supongamos n muestras con valores de g1; g2; g3…gn. Este conjunto
de muestras generalmente se denota por S. A partir de estas muestras podemos formar un tipo
de estimador "lineal" -es decir, un promedio ponderado. Debemos, en esta etapa, limitarnos a
este tipo de estimador. El estimador es denotada por T* y es igual a:

T* = w1 g1 + w2 g2 + … + wn gn

Donde los w1,w2 … wn son las ponderaciones asignadas a cada muestra. Mayoría de las
técnicas de estimación locales utilizadas corrientemente utilizan un enfoque de promedio
ponderado -técnicas de distancia inversa, etc. El caso más simple de todos es cuando todos de
los pesos son los mismos, y T* es solo la media aritmética de los valores muestrales.

107
Figura 4.1. Situación hipotética de muestreo y estimación -un uranio Depósito

Ahora considere la configuración de muestras e "incógnitas" que discutimos originalmente en

el primer capítulo. La Figura 4.1 muestra el punto de interés que se encuentra en la posición A,
y tenemos cinco muestras "puntuales" alrededor de esta posición.

Se dan las coordenadas de estos seis puntos y los valores de las muestras en la Tabla 4.1. El
hipotético depósito es de uranio de baja ley y gran tonelaje, que se supone que es isotrópico.
El modelo de semivariograma ajustado a este depósito es esférico con un rango de influencia
de 100 pies, un sill (C) de 700 (p.p.m.)2 y un efecto pepita de 100 (p.p.m.)2: Tomemos el
procedimiento de estimación más sencillo posible. Por ejemplo el valor en la muestra de
posición más cercana (1) y "extender" esto al punto desconocido. Al hacerlo incurrimos en un
error de estimación, , que será igual a la diferencia entre el valor real valor T y el valor estimado
T*, que en este caso es igual a g1. Eso es:

T* = g1

 = T – T*

No es demasiado difícil demostrar que si no hay una tendencia (al menos a nivel local), este
estimador es insesgado. Es decir, si hacemos muchas estimaciones similares, el error promedio
será cero.

͞ = 0

La "confiabilidad" de la estimación se puede medir observando la diferencia de los errores. Si

los errores toman valores consistentemente cercanos a cero, entonces el estimador es
"bueno". Si la dispersión de valores es grande, entonces el estimador no será confiable. La
medida estable más simple de diferencial (estadísticamente) es la desviación estándar. La
108
desviación estándar de un error de estimación -o error estándar como se le conoce en la
estadística ordinaria- por lo tanto medirá la confiabilidad de ese estimador.

Cuadro 4.1 Posiciones y valores en un problema hipotético de estimación de uranio

No importa cuántas estimaciones realicemos, no podemos calcular el estándar desviación de

los errores ya que no conocemos el valor del error hecho. Por lo tanto debemos mirar la forma
"teórica" de la varianza del error de estimación, es decir, la varianza de estimación:

 = T – T*

varianza de los errores = 𝜎 2ԑ

= desviación cuadrática promedio del error medio

= promedio de (−͞ )2

= promedio de  desde ͞ =0

= promedio de (T – T*)2

El promedio se haría (teóricamente) sobre todo el depósito. Eso es, la misma situación de
estimación se repetiría en todo el depósito y la varianza hallada. Por supuesto, esto no se puede
hacer en la práctica, así que mire más de cerca la forma de esta variación. Se encuentra
tomando el grado en el punto A, restando el grado del punto 1, elevando el resultado al
cuadrado, repitiendo el procese sobre todos los pares posibles de dichos puntos y luego
promedie los valores. Esto suena exactamente como la definición de variograma. De hecho, es
el variograma entre los dos puntos A y (1). Dada la distancia entre ellos (h) podemos evaluar
esta varianza de estimación simplemente leyendo un valor del modelo de semivariograma () y

109
multiplicarlo por 2. Este es uno de las razones por las que es una buena política evitar confundir
el variograma y el semivariograma. De este modo:

𝜎 2ԑ = 2(h)

En el caso de nuestro ejemplo particular dado en la Fig. 4.1:

T* = 400 p.p.m.

h = 21.54 pies

(h) = 322.7(ppm)2

𝜎 2ԑ = 2 x 322.7 = 645.4(ppm)2

𝜎ԑ = 25.4 p.p.m.

Dado nuestro conocimiento sobre este depósito, es decir, el modelo de semivariograma,

podemos afirmar (sin demasiado temor a equivocarnos) que el estimador utilizado tiene una
error estándar de 25,4 ppm. Convertir este error estándar en intervalo de confianza, sin
embargo, requiere la suposición de algún tipo de distribución de probabilidad para el depósito.
Por ejemplo, si esperamos que el Teorema del Límite Central se cumple, podemos decir que
un intervalo de confianza del 95% para T sería dado por T* ± 1:96𝜎ԑ , es decir (350 p.p.m., 450
p.p.m.). Por otro lado, si Si asumiéramos una distribución log-normal para los errores, el 95%
de confianza el intervalo estaría dado por (354 ppm, 453 ppm).

Ahora compliquemos un poco el procedimiento. En lugar de estimar el valor en el punto A, en

una situación más realista (al menos en minería) estaríamos interesado en la ley promedio
sobre un área o bloque o alguna unidad minera. En la figura 4.2, un "panel" de 60 pies por 30
pies ha sido centrado en el punto A original. El procedimiento de estimación entonces queda:

T = grado promedio sobre el panel

A = panel 60 x 30 pies

T* = g1

110
  = T – T*

Siguen siendo válidos los mismos argumentos que antes. Se puede mostrar el error promedio
es cero si no hay tendencia local. La varianza de estimación sigue siendo un variograma, pero
ahora es el variograma entre la ley en el punto de muestra (1) y grado promedio en el panel A.
Vimos en el Capítulo 3 que podíamos hacer frente con grados promedio sobre muestras si
quisiéramos el semivariograma entre muestras del mismo tamaño, pero hasta ahora no hemos
considerado la posibilidad de tener dos tamaños diferentes para comparar. El modelo de
semivariograma proporciona a
nosotros con la diferencia en grados entre dos puntos. Podríamos encontrar el valor del
semivariograma entre el punto de muestra y cada punto dentro del panel A, y podríamos
promediar esos valores. Definamos esta cantidad como ͞ (S, A), leído como barra gamma entre
la muestra y cada punto en el panel'. La notación de "barra" es la estándar para la media
aritmética. Este El término de barra gamma tomará el lugar de (h) en nuestra relación anterior.
Sin embargo, lo que realmente necesitamos es el semivariograma entre el grado promedio del
panel y la muestra, no entre todos los puntos individuales dentro el panel y la muestra. 2͞(S, A)
sería la varianza del error cometido si intentáramos estimar cada punto dentro del panel. Para
corregir esta diferencia en énfasis debemos tener en cuenta la variación de los grados en puntos
dentro del panel

Figura 4.2. Estimación más realista - el valor del bloque es requerido

(depósito de uranio).

Esto se discutió en el Capítulo 3 y lo evaluamos usando la función auxiliar F(l, b). Este fue el
semivariograma promedio entre todos los posibles pares de puntos dentro del panel. Podemos
reescribir esto de una manera más general usando la notación de barras gamma. Es decir, ͞
(A, A) será el valor semivariograma promedio entre cada punto en el panel y todo punto en el
panel. En el caso que se muestra en la Fig. 4.2, entonces, cuando se utiliza el valor en la

111
muestra punto (1) para estimar la calificación promedio del panel, la varianza de estimación se
convierte en:

𝜎 2ԑ = 2 ͞ (S, A) - ͞ (A, A)

El cálculo de estos términos de barras gamma se analizará con más detalle más adelante.
Ahora compliquemos aún más las matemáticas. En realidad tenemos más de una muestra
disponible para nosotros, entonces ¿por qué no utilizarlas en el procedimiento de la estimación?
Supongamos que utilizamos la media aritmética de las muestras como nuestra T*. Esto nos da
la forma más simple del tipo de estimador promedio ponderado. Eso es:

T = grado medio del panel

A = panel 60 pies x 30 pies

S = 5 muestras puntuales en ubicaciones especificadas

1
T* = (g1 + g2 + g3 + g4 + g5)
5

En este caso el término ͞ (S, A) es el valor promedio del semivariograma entre cada punto del
`conjunto de muestra' S y cada punto del panel A. El término ͞ (A, A) sigue siendo el
semivariograma promedio entre cada punto del panel y cada punto del panel. Sin embargo,
ahora tenemos otra fuente de variación espuria. Sólo consideramos el grado medio de las
muestras como el estimador, pero ͞ (S, A) tiene en cuenta los grados individuales. De este
modo, también tenemos que restar un término ͞ (S,S) de la varianza, donde este es el valor
promedio de semivariograma entre cada punto del conjunto de muestras y cada punto en el
conjunto de muestras (es decir, 25 "pares" de muestras). La versión final del la varianza de
estimación entonces se convierte en:

𝜎 2ԑ = 2 ͞ (S, A) - ͞ (S,S) - ͞ (A, A)

La media aritmética se conoce a menudo en geoestadística como estimador de extensión, y la

variación anterior se conoce como variación de extensión. Para distinguir esta varianza de la
varianza de estimación más general para un promedio ponderado, se utiliza el subíndice e en
lugar del general .

112
CÁLCULO DE LOS TÉRMINOSGAMMA-BAR

Habiendo elaborado una fórmula para la variación de la extensión, sólo queda explicar cómo
calcular términos como ͞ (S, A) en la práctica. Por el bien de nuestro enfoque (demasiado)
simplista, consideraremos por el momento sólo casos idealistas, y éstos sólo en una o dos
dimensiones. La generalización se discutirá más adelante. Considere, como ejemplo, la
configuración de la Fig. 4.3. Hay una longitud de, digamos, un disco de l m de largo, cuyo grado
se desconoce.

M M’

Fig.4.3. Ejemplo de utilización de un punto periférico para estimar el valor medio del segmento
de línea.

Tenemos a nuestra disposición una única muestra, quizás en una rúbrica de desarrollo, cuyo
valor se conoce. En nuestra notación anterior T es el grado promedio sobre l, T* es el grado en
la posición de la muestra, A es la longitud y S es el único punto de muestreo. La confiabilidad
de este estimador viene dada por:

𝜎 2𝑒 = 2 ͞ (S, A) - ͞ (S,S) - ͞ (A, A)

͞ (S,S) es el semivariograma entre el punto de muestra y él mismo, que es cero porque la

muestra es un "punto". ͞ (A, A) no es otro que la F(l) función encontrada en el Capítulo 3.
Nuestro problema surge con ͞ (S, A) que se ha definido como el semivariograma promedio
entre el punto de muestra y cada punto de la recta. Es decir, tomamos M como punto fijo (la
muestra) y M' puede estar en cualquier lugar de la línea. Tomamos todos los pares que sean
posibles, calcular el valor del semivariograma para cada par, sumarlos (usando una
integración), y promediar esta suma. Porque la 'suma' se está realizando sobre una longitud
continua, no podemos dividirlo por el "número de puntos" en la suma. En lugar de eso, dividimos
por la longitud de la línea misma, l. Esto produce otra función auxiliar que se llama (l) y se
ocupa del específico caso de puntos al final de líneas. Por tanto, nuestra variancia de extensión
se convierte en:

𝜎 2𝑒 = 2 (l) – F(l)

113
Sólo queda determinar la función (l) para el modelo particular en uso y el error estándar está
disponible inmediatamente. Las funciones auxiliares unidimensional se detallan a continuación
para los tres modelos "comunes". Semivariogramas que comprenden más de un modelo de
componente se manejan fácilmente. Se evalúa la función auxiliar para cada componente y
luego se suma el componente funciones auxiliares.

Auxiliari funciones

Linear model for the semi-variogram;

(h) = ph

ꝲ
Х(ꭕ) = p 2

ꝲ
F(ꭕ) = p 3

Exponential model for the semi-variogram;

ℎ
(h) =C [1- exp (- 𝑎) ]

ꝲ ℎ
Х(ꭕ) = C {1 - 2
[ 1- exp (− 𝑎) ] }

𝑎 𝑎2 ℎ
F(ꭕ) = C {1 - ꝲ
+ ꝲ2
[1-exp (− 𝑎
)] }

Spherical model for the semi-variogram:

3ℎ 1 ℎ3
(h) = C (2 𝑎 − 2 𝑎3
) cuando h ≤ a

=C cuando h ≥ a

𝐶ꝲ 𝑙2
Х(ꭕ) = { 8 𝑎 (6 - 𝑎2) } cuando ꭕ ≤ a

𝐶 𝑎
= (8 - 3 ) cuando ꭕ ≥ a
8 ꝲ

114
 𝐶 ꝲ 𝑙2
F(ꭕ) = 20 𝑎 (10 - 𝑎2 ) cuando ꭕ ≤ a

𝐶 𝑎 𝑙2
= 20 (20- 15 ꝲ + 4 𝑎2 ) cuando ꭕ ≥ a

Así, en nuestro ejemplo anterior, si tenemos un semivariograma lineal, la varianza de extensión

para la configuración de la figura 4.3 se convierte en:

𝑙 𝑙 2
𝜎 2𝑒 = 2𝑝 + 𝑝 = 𝑝𝑙
2 3 3

Para cualquier problema específico, necesitamos especificar sólo la longitud de la línea 𝑙 y la

pendiente del semivariograma, p.

Consideremos ahora un ejemplo un poco más interesante, como el que se muestra en la figura
4.4. Aquí la muestra puntual está en el medio de la línea, pero por lo demás la situación sigue
siendo la misma. En:

𝜎 2𝑒 = 2 ͞ (S, A) - ͞ (S;S) - ͞ (A,A)

sólo el primer término ͞ (S, A) ha cambiado. En lugar de inventar una nueva función
auxiliar, o tener que hacer la integración nuevamente, podemos usar la función
existente ꭕ(l) función para producir el término requerido

Fig 4.4. Example of using a central point to estimate the average value of the line segment.

The term we require is as follows:

͞ (S, A) = el valor promedio del semivariograma entre el punto de muestra y cada punto a lo
largo de la línea.

= (suma de todos los valores del semivariograma entre el punto de muestra y cada
punto a lo largo de la línea)/l

115
 = (suma de todos los valores del semivariograma entre el punto de muestra y cada
punto en la mitad izquierda de la línea + suma de todos los valores entre la muestra
y la mitad derecha de la línea)/l.

La Figura 4.5 ilustra la "división" de la línea para colocar el punto de muestra al final de dos
líneas más cortas. Ahora, (𝑙 /2) nos daría el promedio de todos los valores del semivariograma
entre M (el punto de muestra) y M' en el la mitad izquierda de la línea. Volviendo a la definición
de la función ꭕ, se puede ver fácilmente que la suma de todos los valores del semivariograma
entre M y M' será el promedio multiplicado por la longitud de la línea considerada.

116
Fig 2.13. Semivariogramas experimentales para un sulfuro de metal base complejo depósito.

En total, aproximadamente 4000m de núcleo se recuperó y se ensayó en 2m secciones

principales. En este caso se utilizó el logaritmo de los grados, en lugar de los grados, la razón
de esto no tiene importancia aquí. El semivariogram experimental se muestra en la figura 2.4,
y los valores numéricos se dan en la Tabla 2.8. Parece que hay una zona plana definida a
aproximadamente 2,55 ( % log)2 . Sin embargo, trazando una línea recta a través de los dos
primeros puntos , como lo hicimos en plata semivariograma para la plata, produce dos
resultados extraños . En primer lugar, la línea se cruza con el eje-semivariograma 0.40 (log
%)2 no en cero. Esto sugiere que hay una componente de cada valor que es “azar" o
impredecible. Las muestras (aún al) cerrar muy juntas todavía tienen una diferencia
razonablemente grande en valor. Recordando que el umbral (si existe) es igual a la varianza de

117
la muestra, podemos ver que 0.40 / 2:55 = 0,156 sugiere que alrededor del 16 % de la diferencia
de variación, de los valores, en la muestra es aleatoria e impredecible. Por lo tanto, no importa
que tan estrechamente (se) nos muestra, esta imprevisibilidad seguirá existiendo. El modelo
semi-variograma necesitará ser de la forma :

(0) = 0

(h) = C0 + '(h) cuando h> 0

donde '(h) es el tipo habitual de modelo ( por ejemplo, lineal ) . En efecto, el efecto pepita es
una constante sencilla elevando el conjunto teórico semi-variograma 0,4 unidades. Así que
ahora buscamos un modelo con un sill de 2,15 (% log)2 (2,55-0,40 = 2,15). Ahora, hemos visto
en el ejemplo del mineral de plata que la ampliación de la pendiente inicial en línea recta hasta
el sill dio un valor de dos tercios del rango de influencia, cuando se utiliza un modelo esfèrico.
En este caso la intersección produce un valor de 13 m lo que implica una rango de influencia
de unos 20 m. Por otro lado, la curva incluso no se acercar al umbral hasta pasado 45m de
distancia. Es evidente que ninguno nuestra modelos ideales (que) harán frente a este tipo de
situaciones. Veamos de nuevo la curva experimental. Parece haber un umbral (sill) ‘intermedio’,
alcanzado a aproximadamente 14m y un valor en el eje- de 1,95 – 0.40 = 1,55 (para permitir
efecto pepita). Parece que tenemos una mezcla de dos modelos de tipo esférico; uno con un
rango corto y uno con un alcance de unos 50 metros. Vamos a tratar de salir este modelo
tentativo y ver cómo encaja el semi-variograma experimental. Tenemos un modelo bastante
complejo:

C0 = 0.40 (% log)2

a1 = 14m C1 = 1,55 (% log)2 (1-95-0,40 = 1,55)

a2 = 50m C2 = 0,60 (% log)2 (2,55-1,95 = 0,60)

Tabla 2.8. Semivariograma experimental de un depósito de níquel diseminado

( logaritmo del grado)

Distancia entre muestras Experimental Número de pares

semivariograma

2 0:74 1222
4 1:10 1194
6 1:34 1186
8 1:58 1152

118
10 1:72 1137
12 1:81 1120
14 1:87 1095
16 1:90 1077
18 1:93 1055
20 1:92 1026
22 1:95 1011
24 2:01 990
26 2:09 969
28 2:16 950
30 2:25 919
32 2:29 899
Tabla 2.8. Semivariograma experimental de un depósito de níquel diseminado
( logaritmo del grado). Continuación

34 2:38 886
36 2:35 860
38 2:36 848
40 2:39 825
42 2:48 814
44 2:52 787
46 2:56 779
48 2:55 767
50 2:49 750
52 2:59 736
54 2:61 722
56 2:64 705
58 2:68 689
60 2:62 675
62 2:52 657
64 2:59 639
66 2:53 628
68 2:47 612
70 2:56 597
72 2:62 582
74 2:64 563
76 382:75 552
78 2:93 539
80 3:06 514

119
Poniendo estos valores en el modelo propuesto produce lo siguiente:

3 ℎ 1 ℎ 3 3 ℎ 1 ℎ 3
(h) = 0,40 + 1,55 [ 2 14 − 2 (14) ] + 0,60 [ 2 50 − ( ) ],
2 50
para h = 14 m

Para distancias (h) entre 14 y 50 m, el modelo está dado por:

3 ℎ 1 ℎ 3
(h) = 0,40 + 1,55 +0.60 [ − ( ) ] ; o sea
2 50 2 50

3 50 1 50 3 3−1 2
(h) = 0,40 + 1,55 +0.60 [ 2 50 − 2 (50) = 2
= 2
=1

Y cuando la distancia entre las dos muestras es mayor que 50 m, el modelo de simi-
variograma toma la forma:

(h) = 0,40 + 1,55 +0.60 = 2,55

Table 2.9 Primer intento de adaptar una mezcla de modelos esféricos a laSemivariograma
experimental de níquel (parámetros en texto)

Distance between Theoretical

samples (m) semi-variogram
0 0,00
2 0,77
4 1,12
6 1,44
8 1,73
10 1,96
12 2,12
14 2,20
16 2,23
18 2,26
20 2,29
25 2,36
30 2,42
35 2,48
40 2,52
45 2,54
50 2,55
55 2,55
60 2,55

120
Para comparar el modelo teórico con los puntos experimentales debemos evaluar el modelo
a varias distancias y dibujar la curva resultante en el mismo gráfico. Por ejemplo, para una
distancia h igual a 2 m:

3 2 1 2 3 3 2 1 2 3
(h) = 0,40 + 1,55 {[2 14
] − [ 2 (14) ] } + 0,60 {[2 50
] − [ 2 (50) ] } = 0,766

y para una distancia h igual a 40 m:

3 40 1 40 3
(h) = 0,40 + 1,55 + 0,60 {[2 50
] − [ 2 (50) ] } = 2,516

Se seleccionó un conjunto de valores para h y se construyó la curva teórica. Los valores se

muestran en la Tabla 2.9 y el modelo resultante se ha trazado en la figura 2.15. Los puntos
experimentales también se muestran para comparación. La curva del "modelo" se ajusta
bastante bien al principio y al final del semivariograma experimental, pero no parece
demasiado bueno en el medio. La torcedura en la curva está en un nivel demasiado alto -
debe ocurrir en  = 1:95.

Figura 2.15. Primer intento de adaptar una mezcla de modelos esféricos al semivariograma
de niquel.

121
Supusimos que este nivel era igual a C0+C1. Lo que se olvidó es que incluso en distancias
cortas, el segundo componente esférico todavía contribuye algo al valor del modelo, de modo
que el valor 1,95 debería ser realmente igual a:

3 40 1 40 3
C0 + C1+ C2 {[2 50
] − [ 2 (50) ] }

En otras palabras, necesitamos bajar el valor de C1 y aumentar el valor de C2, y luego

intente probar nuevamente. Después de algunos intentos, obtuve el siguiente modelo:

C0 = 0,40 (log%)2

a1 = 12m C1 = 1,15(log%)2

a2 = 60m C2 = 1,00(log%)2

(Nota: esto da una meseta –sill- de 0,40 + 1,15 + 1 = 2,55; que es lo estimado inicialmente)

Este modelo se muestra en la figura 2.16 junto con el semivariograma experimental y parece
ser un ajuste relativamente bueno. Quizás al lector le gustaría probar para mejorarlo? La
Tabla 2.10 proporciona los valores numéricos correspondientes para la curva del modelo.

122
 = 2,55

=1,55

= 0,40

2m

Figura 2.16. Último intento de adaptar una mezcla de modelos esféricos al semivariograma
de níquel

Tabla 2.10 Intento final de ajustar una mezcla de modelos esféricos al Semivariograma
experimental de níquel (parámetros en texto)

123
 Distancia entre Semi-variograma
muestras (m) teórico
0 0,00
2 0,74
4 1,05
6 1,34
8 1,58
10 1,75
12 1,85
14 1,89
16 1,94
18 1,99
20 2,03
25 2,14
30 2,24
35 2,33
40 2,40
45 2,46
50 2,51
55 2,54
60 2,55

Ejemplos de modelos de semivariogramas que son mezclas de componentes esféricos

abundan en la literatura geoestadística y parecen ser las más tipo común encontrado,
especialmente en minerales de baja concentración como casiterita, vetas de cobre, uranio,
etc.

LOG-NORMALIDAD

Ahora quisiera abordar otro problema que a menudo se discute en la literatura cuando se
espera que las muestras sigan una distribución log-normal. Si bien la construcción del
semivariograma experimental y el los procedimientos de estimación producidos por la
geoestadística no dependen de qué distribución siguen las muestras, hay uno o dos "efectos
secundarios" que se vuelven evidente cuando se trata de muestras log-normales. Como todo
colegial sabe, la desviación estándar de una distribución log-normal es directamente
proporcional a su media. En consecuencia, la varianza muestral -y por tanto el umbral (sill)
del semivariograma- es proporcional al cuadrado de la media de las muestras. Si se
construyen semivariogramas experimentales con diferentes conjuntos de muestras dentro
de un depósito, este "efecto proporcional" puede tener un efecto radical en los
semivariogramas experimentales individuales. Los ejemplos en la literatura generalmente se
refieren a casos en los que, para construir semivariogramas experimentales en direcciones
124
diferentes, ha sido necesario utilizar diferentes conjuntos de (p.e.) datos de pozos en cada
uno. Como ejemplo de "efecto proporcional", considere lo siguiente situación. En las vetas
de estaño de Cornualles, generalmente se supone que los valores del ensayo siguen una
distribución log-normal. Estas venas se desarrollan según líneas horizontales que se
conduce a aproximadamente 100 pies de distancia aparte. Estas unidades se muestrean
cada 10 pies tomando muestras de virutas del techo. En el ejemplo considerado, nueve se
han desarrollado niveles, desde 600 pies bajo la superficie hasta 1400 pies (6-14 niveles).
Los semivariogramas se calcularon para cada nivel por separado. Por simplicidad, la figura
2.17 muestra sólo tres de estos semivariogramas experimentales, para niveles 6, 10 y 12.
Los otros seis se encuentran dispersos entre los niveles 6 y 12. La Figura 2.18 muestra un
gráfico del valor promedio del ensayo a lo largo de cada unidad versus la desviación estándar
de las muestras a lo largo de ese recorrido.

Nivel 12

Nivel 10

Nivel 6

Fig 2.17. Ejemplo de supuesta anisotropía zonal (vena de casiterita)

125
Figura 2.18. Ilustración del efecto proporcional -casiterita

Los promedios varían entre 35 lb/ton (libras de SnO2 por tonelada de mineral) y 80 lb/ton, y
las desviaciones estándar varían entre 35 y 110 lb/ton. La relación es prácticamente perfecta
entre los dos, con un coefciente correlación calculado superior a 0,85. Dado que el sill del
semivariograma es aproximadamente igual a la varianza muestral calculada, es fácil ver que
el el semivariograma experimental para el nivel 6 será (y es) el más bajo, con un sill de
aproximadamente 1200 (lb/tonelada)2; el nivel 10 estará en el medio con un sill de
aproximadamente 5000 (lb/tonelada)2; y el 12 será el más alto con un umbral de 12000
(lb/ton)2. La pregunta es, ¿podemos hacer un semivariograma general para este depósito
cuando en el experimento individual los semivariogramas varían en un orden de magnitud
de un área a otra.

Las autoridades publicadas afirman que la forma válida de combinar estos semivariogramas
es "corregir" cada uno por el efecto proporcional. Eso es para dividir los semivariogramas
experimentales individuales por el cuadrado del promedio de las muestras que intervinieron
en su cálculo. Esto produce un " semivariograma relativo' -lo que implica que todos los

126
valores dados por el semivariograma son ahora relativos a la media local”. Aplicando este
método al ejemplo anterior da como resultado nueve semivariogramas relativos
experimentales que varían en tamaño entre alrededor de 1,00 y 1,80. Observe que estos
valores ahora no tienen unidades. Para convertirlos en cifras significativas, deben
multiplicarse por el cuadrado de la media local. Ahora podemos (supuestamente) combinar
estos semivariogramas en uno para el depósito en su conjunto, y le sirve de modelo. Si lo
hacemos nosotros debemos recordar que en todos nuestros procedimientos de estimación,
etc. tenemos que "descorregir" los valores calculados a partir del semivariograma -varianzas
de estimación, errores estándar, etc.

Este proceso de corrección de semivariogramas experimentales por el efecto proporciónal

es ampliamente defendido como "lo correcto". Nadie parece tener que molestarse en
comprobar si realmente funciona en la práctica. En un caso, que descrito anteriormente,
donde he podido investigar en profundidad y comparar ¿Qué sucede si usas el
semivariograma "relativo?" Encontré en esa corrección por la media local dio resultados
completamente erróneos. Por lo tanto, no recomendaría este procedimiento, sino que usted
debe combinar los semivariogramas experimentales originales e intentar ajustar un modelo
a los datos de semivariogramas "no corregidos". En el estudio mencionado anteriormente se
encontró que esto daba los valores correctos en todo momento.

OTRAS VARIABLES

Se ha dicho una y otra vez que la geoestadística - Kriging y demás – puede aplicarse
igualmente bien a otras variables que son espacial o temporalmente distribuidas. Este libro
ha estado más o menos dedicado a aplicaciones mineras,

porque éste sigue siendo el campo principal. Sin embargo, muchas otras variables pueden
se pueden manejar (utilizar, indicar, etc.) y me gustaría dar aquí uno o dos ejemplos. Incluso
en aplicaciones mineras, grado o valor económico del mineral no siempre es la única variable
de interés. En muchos depósitos, el "espesor" del depósito es tan importante como la ley
(grado), y en muchos depósitos sedimentarios este factor está lejos (de ser el) más
importante. En el ejemplo de estaño de Cornualles descrito anteriormente, el ancho de la
vena es una variable tan importante como el contenido de casiterita. Ambas variables están
obligadas a evaluar la viabilidad económica de la veta o de partes de ella. La Figura 2.19
muestra el semivariograma experimental general calculado para los niveles minero, 6-14. A
este semivariograma le ajusté un modelo que consistía en: un pequeño efecto pepita, que

127
fue ligeramente sorprendente; un componente esférico con un alcance de influencia de unos
30 pies y otro con un alcance de 150 pies.

Como um ejemplo de otros tipos de datos distribuidos espacialmente que podrían

considerarse, la Fig. 20 muestra un semivariograma experimental que fue producido durante
un estudio de las características de la lluvia y del runoff en una zona de captación de los
Peninos en Inglaterra.

Figura 2.19. Semivariograma experimental construido sobre los espesores de las vetas en
la veta de casiterita.

Los datos de observaciones son las cifras de lluvia mensuales registradas en pluviómetros
repartidos por la zona de captación. El semivariograma se ha construido sin tener en cuenta
la dirección del par de muestras. Es decir, el autor ha supuesto que su variable muestra la
misma continuidad a lo largo del eje longitudinal (dirección del flujo del río principal) que a lo
ancho del valle. La naturaleza errónea de esta suposición se hace inmediatamente evidente
cuando se tiene en cuenta la información de que la zona de captación mide unos 30
kilómetros a través del valle (eje corto). La marcada discontinuidad en la curva experimental
sugiere que existe una diferencia definida entre las dos direcciones principales. Los
semivariogramas deben construirse para al menos dos direcciones diferentes para para
verificar esto. La segunda conclusión que se puede extraer de este emivariograma
experimental es que si el nuevo individuo muestra la misma forma, hay una fuerte tendencia
que debe tomarse en consideración. Al considerar la naturaleza de las precipitaciones,
parece sensato esperar que caigan cantidades diferentes de lluvia en las cimas de las
montañas que en las zonas más bajas en los valles. Este es un buen ejemplo de cuándo no
se puede ignorar la "tendencia" en el procedimiento de estimación geoestadística.

128
Figura 2.20. Semivariograma experimental construido sobre la medida lluvias en los sitios
de pluviómetros.

Y ahora, para un tipo de aplicación completamente diferente, podemos tomarnos un ejemplo

de series en el tiempo, en lugar de uno que esté distribuido espacialmente. Una serie de
lecturas se han tomado en el mismo sitio en un gran río, de varias variables de interés
diferentes. Ésta es una situación "unidimensional", en la que la dimensión es el tiempo y no
el espacio. En lugar de distancia entre muestras, ahora tenemos (el) tiempo entre muestras,
de modo que el eje horizontal del semivariograma experimental ahora leerá "tiempo entre
observaciones". El procedimiento de estimación se utilizará para predecir valores de estas
variables en el futuro, o para llenar vacíos en los registros causados por fallas de la máquina.
La Figura 2.21 muestra dos semivariogramas experimentales calculados en un caso para la
temperatura del agua y en el otro para la cantidad de sólidos en suspensión contenidos en
el agua. Este último parece un caso ideal para un tipo de modelo esférico, con una
sugerencia de una "tendencia" a escala semanal, es decir, bastante homogénea dentro de
una semana específica, pero que varía en nivel de una semana a otra. El semivariograma
experimental de temperatura muestra un ciclo diario perfecto de temperatura, con una
pequeña variación después de 3 o 4 días.

129
 Figura 2.21. Semivariogramas experimentales calculados sobre variables la calidad del
agua medidas en el tiempo.

CONCLUSIÓN

Para resumir este capítulo, hemos visto cómo calcular un semivariograma experimental en
una y dos dimensiones, y cómo relacionar este semivariograma "práctico" con los modelos
"ideales" que existen. Hemos visto que, si bien algunos depósitos pueden seguir un
comportamiento bastante simple, muchos otros requieren una combinación bastante
compleja de modelos para describir el semivariograma experimental. He señalado
brevemente algunas áreas problemáticas, como tendencias fuertes, fenómenos y efectos
proporcionales, y se trató de indicar cómo podrían abordarse. Hay personas con autoridad
que dicen que la adaptación de un modelo de semivariograma está pasada de moda y es
innecesaria. Para contrarrestar esto me gustaría hacer una analogía con las estadísticas
ordinarias. Si se toma un número limitado de muestras de una población extremadamente
grande y se construye un histograma, ¿está preparado para suponer que ese histograma de
muestra describe exactamente el comportamiento de toda la población? El proceso de
inferencia -sacar conclusiones sobre la población a partir de unas pocas muestras - exige la
construcción de algún tipo de modelo para el comportamiento de todo el depósito.

130
 CAPÍTULO 3

LA RELACIÓN VOLUMEN-VARIANZA

En los capítulos anteriores hemos analizado los semivariogramas, hemos calculado

semivariogramas experimentales y les hemos ajustado modelos como si las muestras no
tuvieran más características que la "posición". Hemos ignorado el tamaño y la forma de la
muestra, la forma en que pudo haber sido tomada y/o medida, etc. Hemos asumido
efectivamente que los valores de la muestra estaban ubicados en "puntos" dentro del
depósito. En este capítulo veremos qué efecto tienen esas otras características -llamadas
colectivamente "soporte"- sobre el valor de la muestra en sí y, por tanto, sobre el
semivariograma.

Consideremos el ejemplo del plomo/zinc que se analizó en el Capítulo 2. Aunque los testigos
en realidad tenían 1,52 m de largo, ignoramos este hecho y calculamos el semivariograma
experimental como antes. Supongamos, sin embargo, que los testigos se habían seccionado
en longitudes de 3,04 m en lugar de 1,52 m. ¿Qué efecto tendría esto en los valores de la
muestra y en el semivariograma? La Tabla 3.1 muestra el "registro del pozo" para muestras
de 1,52 y 3,04 m. También se calculó el semivariograma experimental para los testigos de
3,04 m, cuyos resultados se muestran en la Tabla 3.2. La Figura 3.1 muestra el
semivariograma experimental "nuevo" junto con el de 1,52 m para comparar. Por si acaso,
ambas tablas y la figura también muestran los valores resultantes para testigos de 4,56 m.
Se puede ver inmediatamente que el semivariograma de 3,04 m es siempre inferior al de
1,52 m, y el de 4,56 m es considerablemente inferior a ambos. Volvamos a los supuestos
básicos de la Geoestadística e intentemos explicar este comportamiento. Debemos recordar
dos hechos del Capítulo 1. El primero es la definición básica del semivariograma: es el
cuadrado promedio de la diferencia de grado entre dos muestras separadas por una
distancia determinada. Si esas muestras fueran "puntos", entonces se supone que el grado
se mide "en un punto"; si son testigos, entonces el grado (ley) medido es el grado (ley)
promedio sobre la longitud del testigo. Por lo tanto no estamos comparando dos grados
individuales, p.e. g1 y g2, estamos comparando dos grados promedio g͞1 y g͞2. No podemos
esperar razonablemente que la ley promedio de más de 1,52 m del testigo tenga el mismo
comportamiento que la ley de una "cucharadita" de mineral. De manera similar, si tomamos
la pendiente y la promediamos en 3,04 m, esperaríamos nuevamente un comportamiento
diferente. La cuestión es cómo caracterizar esta diferencia de comportamiento.

131
Tabla 3.1 Registro de pozo hipotético de un depósito de plomo/zinc - El testigo se ha
seccionado de tres formas alternativas, 1,52m, 3,04m y 4,56m.

Depth below
collar (m) 1.52m 3.04m 4.56m
(top of core)
45,40 8,44 7,32 6,22
46:92 6,21
48,44 4,01 3,62
49,96 3,23 2,35
51,48 2,62 1,91
53,00 1,20
54,52 1,02 0,82 0,61
56,04 0,62
57,56 0,20 0,17
59,08 0,14 0,17
60,60 0,13 0,18
62,12 0,24
63,64 0,22 0,23 0,23
65,16 0,24
66,68 0,22 0,28
68,20 0,35 0,35
69,72 0,35 0,34
71,24 0,34
72,76 0,39 0,52 0,82
74,28 0,66
75,80 1,40 2,87
77,32 4,35 6,38
78,84 7,74 7,40
80,36 7,06
81,88 4,93 3,99 3,47
83,40 3,05
84,92 2,42 1,88
86,44 1,34 0,81
87,96 0,56 0,54
89,48 0,53
91,00 0,70 0,85 0,89
92,52 1,01
94,04 0,95 1,07
95,56 1,20 1,88
97,08 1,87 2,21

132
 Tabla 3.1. continuación.

El segundo hecho que debemos recordar del Capítulo 1 es que el sill del semivariograma -
si existe uno - es igual a la varianza muestral ordinaria. Si estamos tratando con muestras
"puntuales", entonces podemos estimar el sill del semivariograma y comparar este valor con
el sill. Es decir, C = s2 (idealmente).

133
Table 3.2 Valores de semivariograma experimental calculados a partir de tres longitudes
diferentes de sección del núcleo (testigos)

134
135
Fig. 3.1. Semivariograma experimental construido sobre varias longitudes de testigos del
ejemplo plomo/zinc.

Fig. 3.2. Regularización de un semivariograma linear por longitudes de testigos.

136
Ahora bien, si las muestras son núcleos de una cierta longitud l (por ejemplo, 1,52 m) y
medimos la pendiente promedio en esa longitud, entonces habremos suavizado parte de la
variación "puntual". Hemos reemplazado una gran cantidad de individuos "puntos" con un
valor promedio. Por lo tanto, la varianza de los promedios será menor que la varianza de los
"puntos", de modo que:

cl =𝑠𝑙2 < C = 𝑠 2

De manera similar, C3,04 será menor que C1,52 y así sucesivamente. Si tenemos un modelo
para el semivariograma para las muestras puntuales podríamos producir el modelo para
cualquier otro tamaño de muestra, empleando la relación matemática entre el modelo

puntual () y el modelo para muestras de longitud l (l). Dado que sólo utilizamos un número
limitado de modelos simples para el semivariograma puntual, no es demasiado difícil
establecer esta relación.

Si tenemos un modelo lineal para las muestras puntuales, (h) = ph, donde p es el àngulo

de la línea del semivariograma, entonces el semivariograma para muestras de longitud l está

𝑝 ℎ2
dado por: l (h) = (3 l - h), cuando h ≤ l
3 𝑙2

𝑝 ℎ2
l (h) = (3 l - h) cuando h ≤ l
3 𝑙2

𝑙
= p (h - ) cuando h ≥ l
3

Esto se ilustra en la Fig. 3.2, con el modelo puntual a modo de comparación. En la

práctica, generalmente tenemos un semivariograma experimental para muestras de longitud

l, es decir γ∗𝑙 , y necesitamos encontrar el modelo para las muestras puntuales (h) para

usarlo en los capítulos posteriores. Dado que la pendiente, p, del modelo central es la misma
que la del modelo puntual, simplemente medir la pendiente de nuestro γ∗𝑙 experimental dará

un valor para p y, por tanto, el modelo puntual, . Surge una complicación si el modelo
puntual es en realidad un modelo lineal más un efecto pepita. Tomando muestras más bajas
(de la) la línea, pero un efecto pepita la subirá nuevamente. De la fórmula anterior, si no hay
ningún efecto pepita, extender la línea del modelo central hacia atrás hasta que cruce el eje

137
del semivariograma debería producir una intersección de -pl=3. Una vez que se ha hecho

una estimación de p, esto se puede verificar fácilmente y, si es necesario, agregar un efecto

pepita C0 al modelo.

Ahora supongamos que nuestro depósito siguió un modelo exponencial, con sill C para
muestras “puntuales”, es decir,

(h) = [ 1 – exp (- ℎ⁄𝑎 ) ] cuando h ≥ 0

Para núcleos (testigos) de longitud l, el modelo teórico se convierte en:

𝑎 𝑎2
l (h) = C {2 + 2 [1– exp (- l/a)] {exp (- h/a) [ 1 – exp (l/a)] – 2} } cuando h ≥ l
𝑙 𝑙

con una forma bastante más compleja para distancias menores que la longitud del núcleo (h

< l). Dado que es poco probable que tengamos valores de un semivariograma experimental
para distancias menores que la longitud de la muestra, la forma del mismo parece bastante
académica. La Figura 3.3 muestra un modelo exponencial puntual y la correspondiente curva
"regularizada" para una muestra de longitud l. Se puede ver fácilmente que Cl es menor que
C. De hecho:

de modo que una muestra que fuera, digamos, una quinta parte del rango de influencia,
produciría un umbral (sill):

Es decir, el nuevo umbral (sill) sólo tendrá un 94% de altura que el del modelo puntual.
También se observará en la Fig. 3.3 que extender la parte "lineal" del modelo central (cerca
del origen) hasta que interseca el umbral produce una estimación del rango de influencia de

los núcleos (testigos) al , que es más largo que el de los puntos, a.

138
 Figura 3.3. Regularización de un semivariograma exponencial por longitudes de núcleos.

57

De hecho, aɭ = a+ɭ. Esto parece bastante sensato si se recuerda que los núcleos (testigos)
tendrán que estar un poco más separados antes de que se vuelvan independientes.

Los argumentos y fórmulas anteriores se aplican a la situación en la que conoce el modelo

"puntual" y desea finalizar el modelo "regularizado". En la práctica, la situación suele ser la
contraria. Habitualmente disponemos de un semivariograma experimental que se ha
calculado sobre núcleos (testigos) de una longitud determinada, y necesitamos encontrar el
modelo puntual para usar en las técnicas de estimación. Supongamos, entonces, que
tenemos una gráfica del semivariograma experimental ɣ∗𝑙 y hemos decidido que nuestro

depósito sigue un modelo exponencial. El primer paso es estimar los dos parámetros Cl y al.

Dado que el modelo es exponencial, el umbral (sill) Cl será mayor que la mayoría de los
puntos experimentales del gráfico. Habiendo estimado Cl, haga una línea a través de los
primeros dos o tres puntos del gráfico hasta que corte el sill. Esto le dará una primera idea
de al. Sabemos que a = al - l, por lo que tenemos una primera estimación de a. Usando esto

en la fórmula anterior para Cl , podemos invertir la ecuación y producir un valor para C, el

umbral (sill) del punto. Ahora tenemos estimaciones sobre los valores de a y C que gobiernan
el modelo puntual. La siguiente pregunta es si se trata de "buenas" conjeturas. Ya hemos
dicho que, si conocemos el modelo puntual, podemos producir el modelo correspondiente
para núcleos (testigos) de cualquier longitud dada, es decir, l (h). Si nuestras conjeturas son

buenas, entonces el modelo teórico para l (h) debe coincidir con el semivariograma
139
experimental, ɣ∗𝑙 (h). Sustituyendo valores para h; ɭ; a y C producen una curva suave como
la inferior en la Fig. 3.3, y este se puede comparar con los datos. Si es necesario, ayC
pueden modificarse hasta que los valores del "modelo" se conviertan en una buena
adaptación a los valores de los "datos". En efecto, este es el mismo procedimiento que se
utilizó en el Capítulo 2, pero con una consideración adicional de la longitud de la muestra.

Pasemos ahora al modelo más común -el modelo esférico. Esto se verá influido del mismo
modo que el exponencial. El umbral (sill) de los núcleos (testigos) será más bajo que el de
los "puntos", y:

La fórmula para el semivariograma de los núcleos (testigos) es extremadamente compleja

debido a la "discontinuidad" del modelo, pero en la figura 3.4 se muestra un ejemplo. Se ha
publicado una subrutina para evaluar la fórmula. Si los cálculos se van a hacer a mano (o
con calculadora manual), entonces es más fácil utilizar tablas como la Tabla 3.3.

Figura 3.4. Regularización de un semivariograma esférico por longitudes de núcleo.

140
 Esta tabla muestra la forma del semivariograma "regularizado" para un núcleo de longitud
l si el semivariograma puntual original tenía un rango de influencia a y un umbral (sill) de 1.
El uso de esta tabla se ilustra mejor mediante un ejemplo. Ahora podemos volver al ejemplo
mostrado en la Fig. 3.1 de los valores de zinc medidos en longitudes de núcleo de 1,52 m.
En el Capítulo 2 supusimos que el alféizar (sill) estaba aproximadamente a 10,5(%)2. Esta
es nuestra primera aproximación de Cl. Producir la línea que pasa por los dos primeros
puntos del semivariograma experimental da 2al / 3 = 9:6m (aproximadamente). Es decir, al
= 14,4m y, por tanto, a = 12,9m. Usando la fórmula:

59

Las primeras estimaciones, entonces, para los parámetros del modelo puntual son a=
12,9m y C = 11,2(%)2. Debemos encontrar la fila en la Tabla 3.3 que corresponde a nuestro
valor de a/ɭ, es decir, 8:5. Las entradas a lo largo de esta línea corresponden a múltiplos de
la longitud de la muestra ɭ. Es decir, h / ɭ = 1 significa h = 1,52m, h / ɭ = 2 significa h = 3:04m

y así sucesivamente. Vemos que en h / ɭ = 1 la tabla da un valor de 0,116. Esto sería para
un semivariograma con un umbral de 1. Como tenemos un umbral de 11:2(%)2, el valor que
necesitamos es 0,116 x 11:2 = 1,30(%)2. Éste es ahora un valor "modelo" para el
semivariograma de núcleos (testigos) de longitud 1,52 m y puede ser trazado en el gráfico
junto al valor "observado" de 1,33(%)2.

Un segundo punto en el modelo estaría en h = 3,04m, es decir, h / ɭ = 2. La tabla da un

valor de 0:288 para C = 1, de modo que el valor de nuestro modelo es 0:288 x 11,2 =
3,23(%)2. Esto se puede comparar con el valor experimental de 3,09(%)2. Este proceso se
repite hasta que tengamos un valor del modelo para comparar con cada valor observado. La
curva del modelo resultante se ha trazado en la Fig. 3.5. Esto parece ser una buena
adaptación al semivariograma experimental, si aceptamos el umbral en 10,5(%)2.

141
 Figura 3.5. Modelo regularizado ajustado al ejemplo plomo/zinc -núcleos de 1,52m.

Se podrían hacer ajustes si se pensara que el sill está demasiado bajo, elevando C y a.

Supongamos que aceptamos este modelo "puntual" con a = 12,9m y C = 11,2(%)2. Podemos
ejecutar una verificación secundaria comparando los modelos para longitudes de núcleo 3,04
m y 4,56 m. Para el primero, a/l = 4:25 por lo que debemos interpolar en la tabla entre a/l =

4,00 y a/l = 4,50. La interpolación lineal es generalmente suficiente para este tipo de
ejercicio. La Fig. 3.6 muestra la curvas experimentales y modelo para cada longitud de
muestra, y el modelo puntual para comparación.

Fig. 3.6. Modelos adaptados al ejemplo de plomo/zinc -núcleos de 3,04 m y 4,56 m y el

modelo 'puntual'.

142
 El modelo parece adaptarse bien al semivariograma de 3,04 m, especialmente en los
primeros cuatro puntos. Sin embargo, después del primer punto del semivariograma de
4,56m el modelo aquí es consistentemente considerablemente más alto que el
semivariograma experimental hasta que h es de aproximadamente 41 m. Esto quizás podría
descuidarse en vista del hecho de que cada uno de estos valores experimentales se calcula
sobre 15 o menos pares. Con todo, el modelo esférico estimado parece ser un ajuste
bastante bueno.

143
 61

144
 CÁLCULOS VOLUMEN-VARIANZA

Este proceso de cambio del semivariograma con diferentes "soportes" suele conocerse en
la literatura como "regularización". sobre la base de que las muestras se vuelven más
regulares a medida que aumenta el tamaño de la muestra. Hemos visto que podemos
manejar semivariogramas experimentales para muestras “testigo” y aun así derivar el
supuesto modelo puntual. Sin embargo, esto nos lleva a otro problema de la relación
`volumen-varianza' y la influencia del tamaño de la muestra en el tipo de distribución
encontrada. Supongamos que en la etapa de prefactibilidad de la investigación un depósito
la dirección solicita un cálculo de ley/tonelaje.

Fig. 3.7. Situación típica de muestreo en el ejemplo de estaño de Cornualles

Es decir, dada una ley corte económica (o una lista de la misma), podemos evaluar (i) el
tonelaje de mineral en el depósito que está por encima de corte y (ii) la ley promedio de ese
mineral. Supongamos que tomamos un ejemplo para ilustrar el problema que surge. Se ha
muestreado una veta hidrotermal de estaño mediante nueve unidades de desarrollo
separadas aproximadamente 100 pies en el plano de la veta. Se toman muestras de astillas
(“cutting”) cada 10 pies a lo largo de estos caminos (direcciones). La configuración de
muestreo se muestra en la Fig. 3.7. Estas muestras de astillas (“cutting”) pueden
considerarse "puntos" ya que tienen un volumen muy pequeño. La Figura 3.8 muestra un
histograma de las 2730 muestras de chips tomadas de las unidades de desarrollo en esta
veta. Supongamos que ahora especificamos una "grado de corte" de 25 lb/tonelada para
esta veta. El histograma muestra que aproximadamente el 44% de las muestras de astillas
se encuentran por debajo de 25 lb/tonelada. Podríamos (posiblemente) afirmar que, por lo

145
tanto, creemos que el 44% del mineral en la veta se encuentra por debajo de las 25
lb/tonelada.

Figura 3.8. Histograma de muestras de chips tomadas de las unidades de la veta de

casiterita.

Ahora bien, el método habitual para estimar el valor en las muestras de corte es delinear un
bloque (digamos de 125 pies de largo) entre los caminos (direcciones) y asignar a ese bloque
el promedio de todas las muestras de desarrollo periférico. Es esta estimación la que
determina si un bloque de rebaje entra en "reservas" o no. La Fig. 3.9 muestra el histograma
correspondiente de las estimaciones de bloques de 125 pies por 100 pies, es decir, los
promedios de las muestras de conducción en dos longitudes de 125 pies cada una. Hemos
visto en el anterior ejercicio que esperamos que los promedios de longitudes sean algo
menos variables que las muestras "puntuales". Esto se ve suficientemente
confirmado por el comportamiento de estos estimados.

146
 Fig. 3.9. Histogram of estimates of stope values in the cassiterite vein

64

Mientras que los valores puntuales varían hasta 300 lb/ton o más, los promedios de
accionamiento rara vez superan las 150 lb/ton. Mientras que el 44% de las muestras
puntuales se encuentran por debajo de 25 lb/tonelada, algo menos del 8,5% de las
"estimaciones de bloques" lo hacen. ¿Deberíamos decir ahora que el 8,5% del
mineral se encuentra por debajo de las 25 lb/tonelada? Lo que realmente
necesitamos hacer es redefinir la frase "del mineral". En el primer caso lo que
queríamos decir es que, si el depósito se dividiera en muestras de chips, podríamos
rechazar el 44% de ellas por estar por debajo de cutoff. En el segundo, el 8,5% de la
media de conducción se situó por debajo de cutoff. Es decir, si el depósito se dividiera
en pares de franjas de 125 pies separadas por 100 pies, el 8.5% de estas estarían
por debajo de cutoff. O alternativamente, según mi estimación, el 8,5% de los
bloques de rebajes estarían por debajo de cuto®. En otras palabras,

No podemos definir cuánto mineral tenemos después de la selección a menos que

definamos una unidad de selección en términos de tamaño y forma. La verdadera
pregunta es "¿cuántos paneles de rebaje de 125 por 100 pies hay debajo de cuto®?"
Para responder a esta pregunta debemos determinar qué tipo de distribución
seguirían estos paneles. La respuesta completa dependerá de (i) la distribución de
las muestras originales y (ii) el semivariograma del depósito.

Hagamos un planteamiento general del problema y veamos cómo conduce a una

solución. Los datos de la muestra original tienen un "soporte" de, digamos, ꭕ; tiene
un semivariograma ꭕ (h) con un umbral Cꭕ ; tiene una distribución de grados que
hasta cierto punto puede caracterizarse mediante el histograma y que tiene una
media gꭕ y una varianza Cꭕ. Los paneles o bloques que se estiman tendrán un

soporte de, digamos, v; un semivariograma v(h) con umbral Cv; una distribución con

media gv y varianza Cv. Lo primero que podemos decir es que gꭕ ygv deberían
ser iguales, ya que ambos describen la ley promedio del mineral en todo el depósito.
Por lo tanto, podemos reemplazarlos por g, el promedio de muestras "puntuales".
Lo segundo que podemos decir es que si tenemos un modelo para el semivariograma
147
puntual podemos establecer la relación entre el umbral puntual C y el umbral 'núcleo'
Cꭕ, y entre C y Cv para cualquier volumen definido v. Supongamos

65

que tomamos el ejemplo simple de un núcleo de longitud ꭕ que se puede representar

como una línea recta (ya que el diámetro es mucho menor que la longitud).

Esto se ilustra en la figura 3.10. Consideremos dos puntos de esta recta, M y M’.
Podríamos calcular a partir del semivariograma del modelo la "diferencia" entre las
grados (leyes) en estos dos puntos. Ahora supongamos que tomamos todas las
medidas posibles pares (M, M’) que existen dentro de la línea |incluido el caso en
que M = M’. De esta manera podríamos obtener una medida de la "variabilidad" de
los grados dentro de la línea. Si tomamos la media de los valores del semivariograma
(M-M’) sobre todos los pares posibles, entonces obtenemos la varianza de las
calificaciones dentro de la longitud ɭ.

Fig. 3.11. Derivación de la varianza de las calificaciones dentro de un panel.

Esta es la varianza que se elimina del sistema si solo consideramos la pendiente

promedio en la longitud ɭ, es decir, la diferencia entre el umbral (sill) puntual y el (sill)
umbral regularizado, C - Cꭕ. Matemáticamente:

148
 66

donde F(l) define la varianza de los grados dentro de la longitud ɭ. Aunque esto
parezca temible, se reduce a

Estos, por supuesto, se corresponden exactamente con la diferencia entre los

semivariogramas puntuales y regularizados. Ahora supongamos que queremos
considerar un modelo bidimensional panel como el que se muestra en la Fig. 3.11.
La función F ahora se convierte en F(d; b) para mostrar que tiene dos dimensiones.
Esta sería una integral cuádruple, ya que los puntos M y M’ ahora pueden moverse
a lo largo de todo el panel. Las fórmulas se vuelven complicadas, pero no imposibles
y, como ejemplo del tipo de valores encontrados, se ha elaborado la Tabla 3.4. Esta
tabla muestra la función F(d; b) para un modelo esférico con rango igual a 1 y umbral
de 1. Este es un modelo esférico "estandarizado" -en el mismo sentido que una
Distribución Normal "Estándar". Esta tabla se puede utilizar para producir el valor
correspondiente de la función F para cualquier modelo esférico, de la siguiente
manera:

(i) dividir las longitudes de los lados del panel por el rango de influencia a;

149
(ii) leer la entrada correspondiente en el cuadro;

(iii) multiplique este valor por C.

67

150
 68

151
 69
152
Más adelante en este capítulo se dan ejemplos de tales cálculos. Se pueden producir
tablas similares para los modelos lineal y exponencial.

En tres dimensiones, el problema de calcular analíticamente la función F(l; b; d)

parece insuperable. Es necesario recurrir a una aproximación numérica mediante
computaciòn. La forma más sencilla de hacer esto es volver a la definición de la
función F: tomamos pares de puntos (M,M’) dentro del bloque; considere todos esos
pares; calcular el valor del semivariograma entre M y M’; sumar todos estos valores
y promediarlos - esto da el valor F. Ahora supongamos que no tomamos todos los
pares sino sólo unos pocos "representativos". Es decir, en lugar de considerar el
bloque como un número infinito de puntos lo consideramos una "cuadrícula" que
contiene un número finito de puntos, digamos en una cuadrícula de 5 por 5 por 5.
Algunos autores sugieren tomar puntos distribuidos "al azar", pero parece que eso
tiene poco sentido. Usando tal método, la Tabla 3.5 fue producido para el modelo
esférico "estandarizado". Para producir sólo una sola tabla, ha sido necesario insistir
en que dos lados del bloque tengan la misma longitud. Esta tabla se utiliza de la
misma forma que la bidimensional.

CURVAS DE (GRADO) LEY/TONELAJE

Entonces, ahora sabemos cómo calcular la función F para una, dos y tres
dimensiones y, por lo tanto, podemos establecer la diferencia entre la varianza
"puntual" y la varianza "regularizada" de áreas y volúmenes de forma regular. Esto
nos dará una cantidad numérica para la reducción de la varianza, pero a menos que
hagamos algunas suposiciones sobre la distribución de las muestras, en realidad no
podemos cuantificar el cambio en el "tonelaje por encima del límite", etc. Hay dos
maneras de abordar el problema:

(i) Suponga que el histograma de las muestras representa con precisión todo el
depósito.

153
(ii) Suponga que el histograma representa un conjunto de muestras de todo el
depósito y, como tal, contiene alguna variación aleatoria de la distribución de la
"población".

70

El primer enfoque declara que las muestras son "típicas" de todo el depósito y
conduce a anamorfismos gráficos y funciones de transferencia. El segundo

Este enfoque declara la creencia de que si pudiéramos medir la ley en cada punto
del depósito terminaríamos con una curva suave de forma bastante simple. Este es
un enfoque mucho más simple y generalmente parece ser suficiente para la mayoría
de los depósitos.

Para comenzar con un ejemplo simple, consideremos un depósito de mineral de

hierro que se sabe que sigue una Distribución Normal con una media de 48% Fe y
un estándar desviación del 5% Fe. Esta distribución se ha establecido en muestras
lo suficientemente pequeñas como para ser llamadas "puntos". También sabemos
que el depósito sigue un modelo de semivariograma puntual que es esférico con un
rango de influencia de 400 pies. Ahora supongamos que el plan de la mina se va a
construir en bloques de 100 pies por 100 pies por 50 pies. ¿Cómo será la distribución
de estos bloques? Lo primero que podemos decir es que probablemente tendrá una
Distribución Normal.

Seguramente tendrá la misma media (48% Fe) que los "puntos". El único cambio
será en la desviación estándar de la distribución. Necesitamos evaluar la función
F(100; 100; 50) para un modelo esférico con a = 400 y C = 25. Para usar la Tabla
3.5 debemos "estandarizar" la situación de modo que el rango de influencia sea 1.
Eso es decir, F(100; 100; 50) para a = 400 es lo mismo que F(0:25; 0:25; 0:125) para
a = 1. La tabla 3.5 proporciona un valor de 0:209 para estos argumentos, pero esto
es para un modelo cuyo sill es 1. Para nuestro modelo, el valor requerido es 0.209 x
25 = 5.225(%Fe)2. Esta es la diferencia entre el punto varianza y la varianza del
bloque. Por lo tanto, la varianza de los valores del bloque será 25 – 5.225 =
19:775(%)2, lo que dará como resultado una desviación estándar del bloque, sv, de
4.45%Fe. Esto es ligeramente más del 10% menos que la desviación estándar de
154
puntos, como se esperaría con un bloque tan "pequeño". Así tenemos dos
distribuciones a considerar, ambas Normales, de la siguiente manera:

(i) distribución puntual: g = 48%Fe; s = 5% Fe

(ii) distribución de bloques: g = 48%Fe; sv = 4:45%Fe

71

Estas dos distribuciones se muestran en la Fig. 3.12 y se puede ver claramente la

reducción de la dispersión para la distribución en bloques. Para ver cómo la
diferencia en las distribuciones afectará los cálculos de ley y tonelaje, tomemos como
ejemplo una ley de corte de 44% Fe.

Fig. 3.12. Comparación de las distribuciones de puntos y bloques dentro de un

hipotético depósito de mineral de hierro.

La proporción (P) de la distribución que está por encima del límite viene dada por:

P = Pr {g > c}

donde g denota el grado en general, y c el grado de corte. Hay tablas ampliamente

disponibles para la distribución Normal Estándar, que tabulan la proporción de la
distribución Normal Estándar que se encuentra por debajo de un determinado valor
z. Para cualquier otra Distribución Normal, el valor z se determina tomando el valor

155
de interés, restando la media de la distribución y dividiendo por la desviación
estándar. En nuestro ejemplo, estamos considerando la ley de corte, c, de modo que

𝑐 −𝑔
z=
𝑠

La tabla Normal nos dará (z), que es la probabilidad de estar por debajo del límite

72

(de corte), de modo que

P = 1- (z)

Así, si consideramos la distribución de los valores 'puntuales', obtenemos lo

siguiente:

Consultando una tabla Normal Estándar se obtiene (z) = 0:212 de modo que P =
0:788. Es decir, alrededor del 79% del depósito se ubicará por encima de un límite
de 44% Fe. La segunda pregunta es la ley promedio de este mineral. Para la
Distribución Normal, la calificación (el grado) por encima de límite (de corte) viene
dada por:

donde gc denota la ley por encima del límite y (z) es la altura de la curva normal

estándar en el valor z, es decir

156
Entonces, para nuestro ejemplo, (z) = 0:290 de modo que:

En resumen, el 78:8% del mineral se encuentra por encima de un límite de 44%Fe,

y este mineral tiene una ley promedio de 49:8%Fe.

73

Repitamos este ejercicio, pero ahora teniendo en cuenta la "unidad minera selectiva"
de 100 pies x 100 pies x 50 pies. Tenemos:

La tabla Normal Estándar da (zv) = 0,184, por lo que P ahora es 0,816, y el grado
promedio por encima del límite es

Aunque las diferencias en este ejemplo no son sustanciales, se puede ver

claramente que si la selección se aplica a la ley promedio de bloques de 100 pies
por 100 pies por 50 pies, entonces el tonelaje extraído (la proporción del depósito)
es mayor y el La ley del mineral es inferior a la que se esperaría de las muestras
originales. Si el grado de corte elegido estuviera por encima del grado medio del
depósito, la situación se revertiría. Esto no es simplemente una observación
académica, sino que está confirmada por la experiencia en muchas minas existentes.

157
 Pasemos ahora a una situación mucho más común, en la que la distribución de
grados es log-normal. Tomemos como ejemplo un depósito de plomo/zinc, donde el
porcentaje de "metal combinado" es la variable económica. Se sabe que las
muestras tienen una distribución logarítmica normal y que la media y la desviación
estándar de las muestras "puntuales" son 12% y 8% de metal combinado,
respectivamente. El semivariograma es esférico con un alcance de 15 m. La "unidad
minera selectiva" es un bloque de 10 por 10 por 5 m. Utilizando la tabla 3.5, podemos
encontrar que F(10; 10; 5) cuando a = 15 y C = 64 está dada por 0:516 x 64 = 33,034.
Esto produce una desviación estándar de bloque de 5:56% de metal combinado. Las
dos distribuciones se comparan en la figura 3.13.

74

Fig. 3.13. Comparación de las distribuciones de porcentajes combinados de

metales dentro de un depósito hipotético de plomo/zinc.

Calcular la proporción por encima de encima del límite y la ley promedio del mineral
para una distribución log-normal requiere un paso adicional en el procedimiento. Por
definición, si una variable tiene una distribución log-normal, entonces el logaritmo de
esa variable tiene una Distribución Normal. Es necesario calcular la media y la
desviación estándar de esta Distribución Normal antes de poder realizar cualquier

158
cálculo. Si escribimos y para el logaritmo del grado, entonces la media y la desviación
estándar de los valores de y vienen dadas por:

Una vez calculados estos parámetros, se podrá evaluar lo siguiente:

75

donde P es nuevamente la proporción del mineral por encima del corte. El grado
promedio se encuentra mediante el siguiente proceso:

Donde

En el ejemplo anterior de plomo/zinc, un 4% de metal combinado es un grado de

corte factible. Considerando la distribución de "puntos", entonces:

159
Los datos de la muestra original nos informan que el 93,4% del depósito se encuentra
por encima del 4%(Pb + Zn) y que este mineral tiene un valor promedio de 12,62%
de metal combinado. Ahora bien, considerando la distribución de bloques de 10 por
10 por 5 m, se encuentran los siguientes resultados:

76

Una vez más, la selección realizada en una unidad de bloque minero, esta vez de
tamaño 10 por 10 por 5 m, produce un tonelaje mayor y una ley más baja de lo que
sugerirían las muestras pequeñas. La tabla 3.6 muestra los valores resultantes
cuando se establece un conjunto posible se eligen los valores de corte. La Figura
3.14 muestra las curvas de ley/tonelaje resultantes en la forma habitual empleada en
los informes mineros. La única diferencia menor aquí es que se da la "proporción"
por encima del límite en lugar del tonelaje, para mantener el ejemplo general. El
"sesgo" introducido al considerar muestras "puntuales" en lugar de la verdadera
unidad minera selectiva se puede ver claramente en este gráfico.

Tabla 3.6 Comparación de cálculos de ley/tonelaje para valores de puntos y

bloques para depósitos combinados de metal (Plomo/Zinc)

160
He aquí un ejemplo muy breve para finalizar. Un depósito de uranio de baja ley tiene
una distribución logarítmica normal con una media de 0,30% U3O8 y una desviación

estándar de 1,05% U3O8. El semivariograma esférico tiene un alcance de 40 m y la

unidad de minería selectiva tiene un tamaño de 25 por 25 por 10 m. Usando la Tabla
3.5 se obtiene una función F de 0,477 x 1,1025 = 0,526, lo que produce una
desviación estándar para los bloques de 0,76%U3O8. La Tabla 3.7 muestra los

resultados de aplicar lìmites de 0,05, 0,10, 0,15 y 0,20%U3O8 a (i) las muestras
"puntuales" y (ii) a la distribución del bloque. Las figuras 3.15 y 3.16 ilustran estos
resultados. Observe cómo la naturaleza sesgada de la distribución original y el
tamaño relativamente grande del bloque se combinan para producir una brecha

77

cada vez mayor entre la curva de puntos y la curva del bloque.

161
Fig. 3.14. Comparación de curvas ley/tonelaje en el depósito de plomo/zinc

Fig. 3.15. Comparación de curvas de ley/tonelaje de puntos y bloques en un

depósito de uranio | Grado cuto® versus proporción por encima del límite.

78

162
 Tabla 3.7. Comparación de cálculos de ley/tonelaje para valores puntuales y de
bloque para depósitos de uranio

CONCLUSIÒN

En este capítulo hemos considerado los problemas introducidos por el volumen,

tamaño, forma, etc. tanto de las muestras como de las unidades mineras selectivas.
Hemos visto cómo se puede derivar el modelo de semivariograma "puntual", incluso
aunque el semivariograma experimental haya sido construido sobre muestras con un
soporte definido. También hemos visto cómo, para determinadas formas regulares,
la distribución de valores cambia según el apoyo de la unidad minera selectiva. La
construcción de curvas "teóricas" de ley/tonelaje se puede lograr proporcionando la
siguiente información, si está disponible:

(i) la distribución de los valores "puntuales";

(ii) el semivariograma de los valores "puntuales";

(iii) el tamaño y forma de la unidad minera selectiva.

De esta manera, se pueden producir primeras estimaciones más "realistas" de los

cálculos de ley/tonelaje en una etapa muy temprana de cualquier estudio.

79
163
 CAPÍTULO 4

ESTIMACION

Hasta ahora hemos utilizado los conceptos y supuestos básicos de la geoestadística para
construirnos un "modelo" de la estructura y continuidad dentro del depósito. También hemos
visto (en el Capítulo 3) cómo esto puede llevar a la producción de curvas 'teóricas' de
ley/tonelaje y el estudio de cómo el tamaño del bloque minero puede influir en las cifras
finales de producción. Ya es hora de que volvamos a nuestro problema original de la
estimación de reservas de mineral. La discusión en este (y el próximo) capítulo se limitará
a la estimación "local", es decir, el interés es limitado a una porción del depósito a la vez. Sin
embargo, se debe tener en cuenta que las mismas técnicas se pueden aplicar a escala
global, es decir, al depósito completo a la vez. También hay que recordar que bloque por
bloque o las estimaciones escala por escala conducirán inevitablemente a estimaciones
globales.

Definamos entonces la situación que nos interesa. Hay un punto o un área o un volumen de
terreno sobre el cual no conocemos el grado (o valor), pero deseamos estimarlo. Llamemos
a este grado "desconocido" T, y el área (o punto, o volumen) de interés A. Para realizar
(producir) un estimador debemos tener cierta información, generalmente en forma de
muestras. Para ser completamente general, supongamos n muestras con valores de g1; g2;

g3…gn. Este conjunto de muestras generalmente se denota por S. A partir de estas muestras
podemos formar un tipo de estimador "lineal" -es decir, un promedio ponderado. Debemos,
en esta etapa, limitarnos a este tipo de estimador. El estimador es denotada por T* y es igual
a:

T* = w1 g1 + w2 g2 + … + wn gn

Donde los w1, w2 … wn son las ponderaciones asignadas a cada muestra. La mayoría de
las técnicas de estimación locales utilizadas corrientemente utilizan un enfoque de promedio
ponderado -técnicas de distancia inversa, etc. El caso más simple de todos es cuando todos
de los pesos son los mismos, y T* es solo la media aritmética de los valores muestrales.

80

164
 Fig. 4.1. Situación hipotética de muestreo y estimación -depósito de uranio

Ahora considere la configuración de muestras e "incógnitas" que discutimos originalmente

en el primer capítulo. La Figura 4.1 muestra el punto de interés que se encuentra en la
posición A, y tenemos cinco muestras "puntuales" alrededor de esta posición.

Se dan las coordenadas de estos seis puntos y los valores de las muestras en la Tabla 4.1.
El hipotético depósito es de uranio de baja ley y gran tonelaje, que se supone que es
isotrópico. El modelo de semivariograma ajustado a este depósito es esférico con un rango
de influencia de 100 pies, un sill (C) de 700 (p.p.m.)2 y un efecto pepita de 100 (p.p.m.)2:
Tomemos el procedimiento de estimación más sencillo posible. Por ejemplo el valor en la
muestra de posición más cercana (1) y "extender" esto al punto desconocido. Al hacerlo

incurrimos en un error de estimación, , que será igual a la diferencia entre el valor real valor
T y el valor estimado T*, que en este caso es igual a g1. Eso es:

T* = g1

 = T – T*

No es demasiado difícil demostrar que si no hay una tendencia (al menos a nivel local), este
estimador es insesgado. Es decir, si hacemos muchas estimaciones similares, el error
promedio será cero.

¯ =0

La "confiabilidad" de la estimación se puede medir observando la diferencia de los errores.

Si los errores toman valores consistentemente cercanos a cero, entonces el estimador es
"bueno". Si la dispersión de valores es grande, entonces el estimador no será confiable. La

165
medida estable más simple de diferencial (estadísticamente) es la desviación estándar. La
desviación estándar de un error de estimación -o error estándar como se le conoce en la

81

estadística ordinaria- por lo tanto medirá la confiabilidad de ese estimador.

Cuadro 4.1 Posiciones y valores en un problema hipotético de estimación de uranio

No importa cuántas estimaciones realicemos, no podemos calcular la desviación estándar

de los errores ya que no conocemos el valor del error hecho. Por lo tanto debemos mirar la
forma "teórica" de la varianza del error de estimación, es decir, la varianza de estimación:

 = T – T*

varianza de los errores = 𝜎 2ԑ

= desviación cuadrática promedio del error medio

= promedio de (−¯ )2

= promedio de  desde ¯ = 0

= promedio de (T – T*)2

El promedio se haría (teóricamente) sobre todo el depósito. Eso es, la misma situación de
estimación se repetiría en todo el depósito y la varianza hallada. Por supuesto, esto no se
puede hacer en la práctica, así que mire más de cerca la forma de esta variación. Se
encuentra tomando el grado en el punto A, restando el grado del punto 1, elevando el
resultado al cuadrado, repitiendo el procese sobre todos los pares posibles de dichos puntos
y luego promedie los valores. Esto suena exactamente como la definición de variograma. De
hecho, es el variograma entre los dos puntos A y (1). Dada la distancia entre ellos (h)
podemos evaluar esta varianza de estimación simplemente leyendo un valor del modelo de

166
semivariograma () y multiplicarlo por 2. Este es uno de las razones por las que es una buena
política evitar confundir el variograma y el semivariograma. De este modo:

𝜎 2ԑ = 2(h)

En el caso de nuestro ejemplo particular dado en la Fig. 4.1:

T* = 400 p.p.m.

h = 21.54 pies

(h) = 322.7(ppm)2

𝜎 2ԑ = 2 x 322.7 = 645.4(ppm)2

𝜎ԑ = 25.4 p.p.m.

Dado nuestro conocimiento sobre este depósito, es decir, el modelo de semivariograma,

podemos afirmar (sin demasiado temor a equivocarnos) que el estimador utilizado tiene una
error estándar de 25,4 ppm. Convertir este error estándar en intervalo de confianza, sin
embargo, requiere la suposición de algún tipo de distribución de probabilidad para el
depósito. Por ejemplo, si esperamos que el Teorema del Límite Central se cumple, podemos
decir que un intervalo de confianza del 95% para T sería dado por T* ± 1:96𝜎ԑ , es decir (350
p.p.m., 450 p.p.m.). Por otro lado, si Si asumiéramos una distribución log-normal para los
errores, el 95% de confianza el intervalo estaría dado por (354 ppm, 453 ppm).

Ahora compliquemos un poco el procedimiento. En lugar de estimar el valor en el punto A,

en una situación más realista (al menos en minería) estaríamos interesado en la ley
promedio sobre un área o bloque o alguna unidad minera. En la figura 4.2, un "panel" de 60
pies por 30 pies ha sido centrado en el punto A original. El procedimiento de estimación
entonces queda:

T = grado promedio sobre el panel

A = panel 60 x 30 pies

T* = g1

 = T – T*

167
Siguen siendo válidos los mismos argumentos que antes. Se puede demostrar que el error
promedio es cero si no hay tendencia local. La varianza de estimación sigue siendo un
variograma, pero ahora es el variograma entre la ley en el punto de muestra (1) y el grado

82

promedio en el panel A. Vimos en el Capítulo 3 que podíamos hacer frente con grados
promedio sobre muestras si quisiéramos el semivariograma entre muestras del mismo
tamaño, pero hasta ahora no hemos considerado la posibilidad de tener dos tamaños
diferentes para comparar. El modelo de semivariograma proporciona a
nosotros con la diferencia en grados entre dos puntos. Podríamos encontrar el valor del
semivariograma entre el punto de muestra y cada punto dentro del panel A, y podríamos
promediar esos valores. Definamos esta cantidad como ͞ (S, A), leído como barra gamma
entre la muestra y cada punto en el panel'. La notación de "barra" es la estándar para la
media aritmética. Este término de barra gamma tomará el lugar de (h) en nuestra relación
anterior. Sin embargo, lo que realmente necesitamos es el semivariograma entre el grado
promedio del panel y la muestra, no entre todos los puntos individuales dentro el panel y la
muestra. 2͞(S, A) sería la varianza del error cometido si intentáramos estimar cada punto
dentro del panel. Para corregir esta diferencia en énfasis debemos tener en cuenta la
variación de los grados en puntos dentro del panel

Figura 4.2. Estimación más realista - el valor del bloque es requerido

(depósito de uranio).

Esto se discutió en el Capítulo 3 y lo evaluamos usando la función auxiliar F(l, b). Este fue
el semivariograma promedio entre todos los posibles pares de puntos dentro del panel.
Podemos reescribir esto de una manera más general usando la notación de barras gamma.
Es decir, ͞ (A, A) será el valor semivariograma promedio entre cada punto en el panel y todo
punto en el panel. En el caso que se muestra en la Fig. 4.2, entonces, cuando se utiliza el
168
valor en la muestra punto (1) para estimar el grado promedio del panel, la varianza de
estimación se convierte en:

𝜎 2ԑ = 2 ͞ (S, A) - ͞ (A, A)

El cálculo de estos términos de barras gamma se analizará con más detalle más adelante.

83

Ahora compliquemos aún más las matemáticas. En realidad tenemos más de una muestra
disponible para nosotros, entonces ¿por qué no utilizarlas en el procedimiento de la
estimación? Supongamos que utilizamos la media aritmética de las muestras como nuestra
T*. Esto nos da la forma más simple del tipo de estimador promedio ponderado. Eso es:

T = grado medio del panel

A = panel 60 pies x 30 pies

S = 5 muestras puntuales en ubicaciones especificadas

1
T* = (g1 + g2 + g3 + g4 + g5)
5

En este caso el término ͞ (S, A) es el valor promedio del semivariograma entre cada punto
del `conjunto de muestra' S y cada punto del panel A. El término ͞ (A, A) sigue siendo el
semivariograma promedio entre cada punto del panel y cada punto del panel. Sin embargo,
ahora tenemos otra fuente de variación espuria. Sólo consideramos el grado medio de las
muestras como el estimador, pero ͞ (S, A) tiene en cuenta los grados individuales. De este
modo, también tenemos que restar un término ͞ (S,S) de la varianza, donde este es el valor
promedio de semivariograma entre cada punto del conjunto de muestras y cada punto en el
conjunto de muestras (es decir, 25 "pares" de muestras). La versión final del la varianza de
estimación entonces se convierte en:

𝜎 2ԑ = 2 ͞ (S, A) - ͞ (S,S) - ͞ (A, A)

La media aritmética se conoce a menudo en geoestadística como estimador de extensión, y

la variación anterior se conoce como variación de extensión. Para distinguir esta varianza de
la varianza de estimación más general para un promedio ponderado, se utiliza el subíndice
e en lugar del general .

169
 CÁLCULO DE LOS TÉRMINOS GAMMA-BAR

Habiendo elaborado una fórmula para la variación de la extensión, sólo queda explicar cómo
calcular términos como ͞ (S, A) en la práctica. Por el bien de nuestro enfoque (demasiado)
simplista, consideraremos por el momento sólo casos idealistas, y éstos sólo en una o dos
dimensiones. La generalización se discutirá más adelante. Considere, como ejemplo, la
configuración de la Fig. 4.3. Hay una longitud de, digamos, un disco de l m de

84

largo, cuyo grado se desconoce.

M M’

Fig.4.3. Ejemplo de utilización de un punto periférico para estimar el valor medio del
segmento de línea.

Tenemos a nuestra disposición una única muestra, quizás en una rúbrica de desarrollo, cuyo
valor se conoce. En nuestra notación anterior T es el grado promedio sobre l, T* es el grado
en la posición de la muestra, A es la longitud y S es el único punto de muestreo. La
confiabilidad de este estimador viene dada por:

𝜎 2𝑒 = 2 ͞ (S, A) - ͞ (S,S) - ͞ (A, A)

͞ (S,S) es el semivariograma entre el punto de muestra y él mismo, que es cero porque la

muestra es un "punto". ͞ (A, A) no es otro que la F(l) función encontrada en el Capítulo 3.
Nuestro problema surge con ͞ (S, A) que se ha definido como el semivariograma promedio
entre el punto de muestra y cada punto de la recta. Es decir, tomamos M como punto fijo (la
muestra) y M' puede estar en cualquier lugar de la línea. Tomamos todos los pares que sean
posibles, calcular el valor del semivariograma para cada par, sumarlos (usando una
integración), y promediar esta suma. Porque la 'suma' se está realizando sobre una longitud
continua, no podemos dividirlo por el "número de puntos" en la suma. En lugar de eso,
dividimos por la longitud de la línea misma, l. Esto produce otra función auxiliar que se llama
(l) y se ocupa del específico caso de puntos al final de líneas. Por tanto, nuestra variancia
de extensión se convierte en:

𝜎 2𝑒 = 2 (l) – F(l)
170
Sólo queda determinar la función (l) para el modelo particular en uso y el error estándar está
disponible inmediatamente. Las funciones auxiliares unidimensional se detallan a
continuación para los tres modelos "comunes". Semivariogramas que comprenden más de
un modelo de componente se manejan fácilmente. Se evalúa la función auxiliar para cada
componente y luego se suma el componente funciones auxiliares.

85

Auxiliari funciones

Linear model for the semi-variogram;

(h) = ph

𝑙
Х(l) = p
2

𝑙
F(l) = p
3

Exponential model for the semi-variogram;

ℎ
(h) =C [1- exp (- ) ]
𝑎

𝑎 ℎ
Х(l) = C {1 - [ 1- exp (− ) ]}
2 𝑎

𝑎 𝑎2 ℎ
F(l) = C {1 - + [1-exp (− ]}
𝑙 𝑙2 𝑎

Spherical model for the semi-variogram:

3ℎ 1 ℎ3
(h) = C ( − ) cuando h ≤ a
2𝑎 2 𝑎3

=C cuando h ≥ a

𝐶 𝑙 𝑙2
Х(l) = { (6 - ) } cuando l ≤ a
8𝑎 𝑎2

𝐶 𝑎
= (8 - 3 ) cuando l ≥ a
8 𝑙
171
 𝐶 𝑙 𝑙2
F(l) = (10 - ) cuando l ≤ a
20 𝑎 𝑎2

𝐶 𝑎 𝑎2
= (20- 15 +4 ) cuando l ≥ a
20 𝑙 𝑙2

Así, en nuestro ejemplo anterior, si tenemos un semivariograma lineal, la varianza de

extensión para la configuración de la figura 4.3 se convierte en:

86

𝑙 𝑙 2
𝜎 2𝑒 = 2𝑝 + 𝑝 = 𝑝𝑙
2 3 3

Para cualquier problema específico, necesitamos especificar sólo la longitud de la línea 𝑙 y

la pendiente del semivariograma, p.

Consideremos ahora un ejemplo un poco más interesante, como el que se muestra en la

figura 4.4. Aquí la muestra puntual está en el medio de la línea, pero por lo demás la situación
sigue siendo la misma. En:

𝜎 2𝑒 = 2 ͞ (S, A) - ͞ (S;S) - ͞ (A,A)

sólo el primer término ͞ (S, A) ha cambiado. En lugar de inventar una nueva función
auxiliar, o tener que hacer la integración nuevamente, podemos usar la función
existente ꭕ(l) función para producir el término requerido

Fig 4.4. Example of using a central point to estimate the average value of the line segment.

The term we require is as follows:

͞ (S, A) = el valor promedio del semivariograma entre el punto de muestra y cada punto a
lo largo de la línea.

= (suma de todos los valores del semivariograma entre el punto de muestra y cada
punto a lo largo de la línea)/l

172
 = (suma de todos los valores del semivariograma entre el punto de muestra y cada
punto en la mitad izquierda de la línea + suma de todos los valores entre la muestra
y la mitad derecha de la línea)/l.

La Figura 4.5 ilustra la "división" de la línea para colocar el punto de muestra al final de dos
líneas más cortas. Ahora, X(𝑙 /2) nos daría el promedio de todos los valores del
semivariograma entre M (el punto de muestra) y M' en el la mitad izquierda de la línea.
Volviendo a la definición de la función X, se puede ver fácilmente que la suma de todos los
valores del semivariograma entre M y M' será el promedio multiplicado por la longitud de la

87

línea considerada.

Fig 4.5. Simplifying the central point problem to allow the use of auxiliary functions

De este modo

de modo que

En un caso particular el usuario podrá sustituir el semivariograma por su propio modelo, y

por tanto las funciones auxiliares adecuadas. Antes de continuar, comparemos este
resultado con la situación anterior, donde la muestra se encontraba al final de la línea. En el
primer caso la variación de extensión fue:

173
Por definición, X(𝑙 ) debe ser mayor que (o al menos igual a) X(𝑙 /2). ¿La conclusión? Si sólo
puedes tomar una muestra, es mejor tomarla en medio de lo que estás tratando de estimar.
Es reconfortante descubrir que el llamado sentido común tiene una sólida base matemática.

Fig. 4.6 Generalización del problema del punto "central".

Utilizando el mismo tipo de lógica de la figura 4.6, debería poder deducir que:

88

Asì que

La figura 4.7 a primera vista parece ser una “olla de pescado” diferente. Sin embargo,
sigamos el mismo procedimiento y veamos a dónde nos lleva.

͞ (S, A) = valor medio del semivariograma entre el punto y todos los puntos de la longitud 𝑙

= (suma de los valores del semivariograma entre el punto y todos los puntos de la
longitud 𝑙 / 𝑙

Fig. 4.7. Extrapolation of the peripheral point problem.

El punto se encuentra al final de una "línea" de longitud 𝑙 +b. La expresión (𝑙 +b) X(𝑙 +b) nos
daría la suma de todos los valores del semivariograma entre la muestra y la longitud 𝑙 +b.

Sin embargo, no requerimos los puntos correspondientes a M' dentro de la longitud b, por lo

que podemos restarlos en la forma b X(b). Eso es,

174
de modo que

Para el modelo lineal, por ejemplo, esto sería:

89

Obviamente, esto es mayor que la expresión cuando el punto estaba al final de la línea,
como era de esperar. Un último ejemplo antes de abandonar los ejemplos unidimensionales:
la Fig. 4.8 muestra la "misma" línea, que ahora contiene tres muestras.

Figura 4.8. Problema más complejo cuando se dispone de tres muestras para estimar el
segmento de recta

Usaremos la media aritmética de los tres grados para estimar la longitud, es decir, T* = 1/3(g1

+ g2 + g3). Entonces nuestra variación de extensión es

175
donde S es ahora un conjunto de tres puntos. ͞ (A, A) permanece sin cambios, igual F(l)
ya que no hemos cambiado en absoluto la longitud a estimar. Sin embargo, ͞ (S,A) es ahora

el valor promedio del semivariograma entre cada uno de los tres puntos y la recta, de modo
que

donde S1 representa la muestra 1 y así sucesivamente. Ahora ͞ (S1, A) es simplemente X(𝑙)

al igual que ͞ (S3, A): El término ͞ (S2, A) es la misma situación que la de la Fig. 4.4, por lo

que es igual a X(𝑙/2). De este modo,

El término medio de la varianza ͞ (S, S) requiere que tomemos cada punto del conjunto
muestral con cada punto del conjunto muestral. Dado que hay tres puntos en el conjunto,
existen nueve pares de puntos:

90

Cada uno de los términos individuales es simplemente el semivariograma entre un par de

puntos. Tres de los términos, ͞ (S1, S1), ͞ (S2, S2) y ͞ (S3, S3) son automáticamente cero ya

que las muestras son puntos. Los términos ͞ (S1, S2), ͞ (S2, S1), ͞ (S2, S3) y ͞ (S3, S2) son
todos iguales a ͞ (l/2), mientras que ͞ (S1, S3) y ͞ (S3, S1) son iguales a ͞ (l). De este modo:

de modo que

176
Para nuestro ejemplo lineal, esto se reduce a:

Esto es considerablemente menor que en otras evaluaciones, ya que sólo parece

sensatocon el triple de muestras.

91

EJEMPLOS BIDIMENSIONALES

En dos dimensiones tenemos nuevamente un conjunto de funciones auxiliares que en su

mayoría son generalizaciones de las unidimensionales. Estos se muestran en la Fig. 4.9.

(l; b) es el análogo bidimensional de (l) -a veces se lee como ‘(l) estirado a lo largo de

la longitud b'. Es el valor medio del semivariograma entre todos los puntos de una longitud,
b, y todos los puntos de otra paralela a ella y de la misma longitud. Esta función es útil para
perforaciones paralelas, muestras de canales, accionamientos, elevaciones, etc. La
generalización de X(𝑙) se convierte en X(𝑙,b) y es el semivariograma promedio entre una
longitud b (impulsión, elevación, núcleo, etc.) y un panel adyacente l por b. La función F (l;

b) se introdujo en el Capítulo 3 para términos como ͞ (A, A) para paneles rectangulares.

También introducimos una "nueva" función H (l; b) que cumple su función en dos situaciones
bastante diferentes. Representa el valor promedio del semivariograma entre un panel y un
punto en una esquina del mismo; también representa el valor medio del semivariograma
entre dos longitudes l y b en ángulo recto entre sí. Esto es simplemente un accidente
matemático.

177
Se darán aquí algunos ejemplos para mostrar cómo "maniobrar" situaciones en la forma
requerida. La Fig. 4.10 muestra un panel de bloqueo en una veta de casiterita, de 100 pies
por 125 pies, con un impulsor de desarrollo que lo atraviesa paralelo a los lados. La unidad
está a 25 pies de la "parte inferior" del panel. La unidad está tan muestreada que podemos
suponer que conocemos su calificación promedio. Deseamos utilizar esa calificación
promedio como una estimación de la calificación promedio del panel, de modo que:

92

178
Figura 4.9. Las funciones auxiliares bidimensionales.

179
 93

Figura 4.10. Estimación del promedio del panel a partir del promedio del drive.

͞ (A, A) es el valor promedio del semivariograma entre cada punto en A y cada punto en A,
que es la definición de la función bidimensional F (l; b). Así, si tenemos un modelo para el
semivariograma, podemos evaluarlo. Supongamos que en el ejemplo anterior el
semivariograma es un modelo esférico con un rango de influencia de 80 pies y un umbral
(sill) de 450 (lb/ton)2. La tabla dada en el Capítulo 3 para la función F (l; b) (Tabla 3.4) es
para el modelo esférico "estandarizado" con a = 1 y C = 1. Requerimos F (125; 100) para un
modelo en el que a = 80 y C = 450. Para convertir a = 1 dividimos las medidas l y b por el

rango a (80 pies). Por lo tanto, requerimos F (125 / 80; 100 / 80) = F (1,54; 1,20) para a = 1
y C = 450: De la tabla (interpolando linealmente) encontramos que F(1,54; 1,20) = 0,7807
cuando C = 1. Por lo tanto, si C = 450, nuestro valor F debe ser 0,7807 x 450 = 351,3 (lb/ton)2.

Esto finalmente es ͞ (A, A).

Consideremos ahora el término ͞ (S, S). Nuestra muestra es una "línea" de 125 pies de
longitud, y ͞ (S, S) es el valor promedio del semivariograma entre cada punto de la línea y
cada punto de la línea, es decir, la función unidimensional F (l). Para un modelo de

180
semivariograma esférico, donde la longitud es mayor que el rango de influencia, sabemos
que:

94

Sustituyendo los valores l = 125 pies, a = 80 pies y C = 450 (lb/ton)2, se obtiene F (125) =

270,9 (lb/ton)2, y este es el valor utilizado para ͞ (S, S).

Finalmente, debemos recurrir a ͞ (S;A) lo que presenta un problema, ya que la función

auxiliar X(𝑙,b) es sólo para situaciones donde la `línea' está en un lado del panel. Debemos
emplear el mismo tipo de maniobra que antes:

͞ (S, A) = valor promedio del semivariograma entre la línea y un panel

de 125 pies x 100 pies.

= (suma de los valores del semivariograma entre la línea y el

panel) / (100 x 125)

= (suma de los valores del semivariograma entre la línea y los puntos del panel
"superior" + suma de los valores del semivariograma entre la línea y los puntos del
panel inferior) / (100 x 125).

Sin embargo, el valor promedio del semivariograma entre la línea y el panel "superior" (125
x 75 pies) viene dado por X(75; 125), de modo que la suma de los valores del
semivariograma entre la línea y cada punto en la parte superior del panel será de 75 x 125
x X(75; 125). De manera similar, la suma de los valores del semivariograma entre la línea y

cada punto en el panel "inferior" (125 pies x 25 pies) estará dado por 25 x 125 x X(25; 125).
Esto da:

181
La tabla 4.2 muestra los valores de la función X(l; b) para el modelo esférico "estandarizado"

con a = 1 y C = 1. Esta tabla se utiliza de la misma manera que la tabla F(l; b). Cabe señalar

que el orden de los argumentos es importante. El valor de X (25; 125) es obviamente

diferente del valor de X (125; 25). Estandarizando las medidas del panel de la misma forma

que antes, requerimos los valores de X(0,94; 1,54) y X(0,31; 1,54) de la tabla. La
interpolación lineal da los valores 0,8196 y 0,6538 respectivamente. Multiplicando por el
umbral (sill) de 450 (lb/ton)2 se obtienen 368,8 (lb/ton)2 y 294,2 (lb/ton)2 respectivamente. Al

juntarlos en la expresión para ͞ (S,A) se obtiene un valor de 350,2(lb/ton)2.

Habiendo evaluado todos los términos individuales, ahora podemos calcular la varianza de
extensión para la configuración de la figura 4.10, de modo que:

Esto da una desviación estándar de estimación o "error estándar" de 8,8 lb/tonelada para la
estimación de la calidad del panel. Si estamos dispuestos a asumir la normalidad de los
errores (sic), podríamos estar 95% seguros de que la calidad "verdadera" del panel se
encuentra entre T*± 2e igual a T*± 16:6 lb/ton. Este error estándar sería correcto para
cualquier panel que tenga la misma configuración de muestreo, en cualquier lugar dentro de
este depósito, ya que la variación de la estimación no depende de las leyes reales
involucrads sino en el posicionamiento geométrico de la muestra y el panel.

182
 96

Tabla 4.2 Función auxiliar X (L , B) para modelo Esférico con rango 1.0 y sill 1.0

183
Como segundo ejemplo, consideremos un depósito de níquel diseminado en las últimas
etapas de desarrollo. En un nivel subterráneo particular, tenemos un bloque de parada de

184
 97

40 m por 30 m a estimar. Si consideramos sólo un nivel, podemos tratar el problema como

si fuera bidimensional. Supongamos que este "panel" se ha desarrollado a lo largo de dos
lados, y la información disponible consiste en (i) la pendiente promedio a lo largo del recorrido
de 40 m, g1 y (ii) la pendiente promedio a lo largo del recorrido de 30 m, g2. Supongamos
que utilizamos el promedio de estas dos calificaciones para estimar el valor dentro del panel.
Entonces:

T = grado medio del panel

A = panel 30m x 40m

1
T* = (g1+g2)
2

S = 40 m de recorrido, 30 m de recorrido

Para este depósito en particular tenemos un semivariograma esférico con un rango de

influencia de 60 m, un umbral de 0,75(%)2 y un efecto pepita de 0,10(%)2. Esto implica una
desviación estándar para los valores de muestra "puntuales" del 0,92%. La variación de la
extensión, como siempre, viene dada por:

͞ (S, A) es, como antes, la función bidimensional F (l, b), pero ahora tenemos dos
componentes para la evaluación de este término. Podemos calcular el F (40; 30) para la
parte esférica del modelo, con a = 60m y C = 0:75(%)2. Esto resulta ser 0,4336 x 0,75 =
0,325(%)2. A esto hay que sumarle el efecto pepita de 0,10(%)2, de modo que ͞ (S, A) =
0,425(%)2.

El valor medio del semivariograma entre cada muestra y cada muestra ahora contiene cuatro
términos que deben promediarse, es decir:

͞ (S, S) = 14 [͞ (unidad1, unidad1) + ͞ (unidad1, unidad2)

+͞ (unidad2, unidad1) + ͞ (unidad2, unidad2)]

Generalmente es más fácil ver cada término por separado y luego combinarlos para producir
la respuesta final. El primer término (unidad (drive)1, unidad (drive)1) es el semivariograma

185
promedio entre todos los puntos dentro de una longitud de 40 m. Es decir, F (40).

98

Tabla 4.3. Función auxiliar H (L, B) para modelo Esférico con rango 1.0 y sill 1.0

186
 99

187
Para un modelo esférico, cuando la longitud de la "línea" es más corta que el rango de
influencia, F(l) viene dada por:

Sustituyendo l = 40 y a = 60; C = 0:75(%)2 da un valor de 0,239 (%)2. Agregar el efecto pepita

produce ͞ (drive1, drive1) = 0:339(%)2. De manera similar, ͞ (unidad2, unidad2) =

0:283(%)2. Los dos términos ͞ (drive1, drive2) y ͞ (drive2, drive1) son idénticos y se han

definido como la función auxiliar H (l; b). Usando la Tabla 4.3 para la función H (l; b) de la
misma manera que las otras tablas y agregando el efecto pepita se obtiene:

Al juntar todos los términos individuales, encontramos que ͞ (S; S) = 0:428(%)2. Finalmente,

para calcular la varianza de la estimación, también requerimos el término ͞ (S; A). Este es

el valor promedio del semivariograma entre cada muestra y el panel, de modo que:

La varianza de extensión para el problema ilustrado en la figura 4.11 es así:

dando un error estándar para la predicción del promedio del panel de 0,376% de níquel.

Fig. 4.11. Estimación del promedio del panel a partir de dos promedios de unidades.

188
 100

Fig. 4.12. Estimation of the panel average from two raise averages.

Un tercer ejemplo se muestra en la figura 4.12. Esta vez el metal es zinc, el semivariograma
es esférico con un alcance de 20m y un umbral de 49(%)2. El valor a estimar es el promedio
sobre el panel de 30m por 15m, y la información disponible es la pendiente promedio de
cada una de las dos elevaciones a través del 'panel de rebaje'. En la situación idealizada
elegida, los relieves están ambos a 7,5 m de los bordes del panel. Muy brevemente, la
variación de extensión se produce de la siguiente manera:

T = grado media del panelo

A = panel 30m x 15m

T* = ½ (g1+g2)

S = subir1, subir2

2𝑒 = 2͞ (S, A) - ͞ (S, S) - ͞ (A, A)

El término ͞ (A;A) = F(30; 15) cuando a = 20 y C = 49(%)2, que es 0,7021 x 49 = 34,4 (%)2.

͞ (S; S) = ¼ [͞ (subir1; subir1) + ͞ (subir1; subir2) +͞ (subir2; subir1) +͞

(subir2; subir2)]

= ¼ [F(15) + (15; 15) +  (15; 15) + F(15)]

= ¼ (17,34 + 46,02 + 46,02 + 17,34)

= 31:7(%)2

189
 101

La función  (l, b) se da para el modelo esférico "estandarizado" en la Tabla 4.4. El último

término a evaluar es:

͞ (S, A) = ½ [͞ (subir1, A) + ͞ (subir2, A)]

Tabla 4.4. Función auxiliar °(L,B) para modelo Esférico con rango 1.0 y umbral 1.0

190
 102

Dado que la configuración es simétrica, ͞ ((subir) raise1, A) = ͞ ((subir) raise2, A), de modo
que:

͞ (S, A) = ͞ (subir1, A)

191
 = 1/(30 x 15)[7,5 x 15 x X(7,5; 15) + 22:5 x 15 x X(22,5; 15)]

= ¼ X(7,5; 15) + 3/4 X(22,5; 15)

= 1/4 x 23,4 + 3/4 x 37,1

= 33,7(%)2

Esto da una variación de extensión de:

2𝑒 = (2 x 33,7) – 31,7 – 34,4 = 1,3(%)2

Esto da un error estándar para la estimación del promedio del panel de 1,14% Zn. Por lo
tanto, aunque la desviación estándar de la muestra original para las muestras "puntuales"
fue del 7% de Zn, dos "muestras" dentro del panel producen un error estándar de un sexto
de esta figura.

Fig. 4.13. Estimation of panel average from one `point' sample.

Un último y breve ejemplo: un yacimiento de pórfido de cobre ha sido explorado por mediante
perforaciones verticales. Para simplificar el problema, cada "banco" del depósito se
considera por separado como un plano, y las intersecciones del pozo como puntos dentro
del plano. Tomemos un bloque pequeño típico, de 25 m por 25 m, con un pozo que lo
atraviesa como se muestra en la Fig. 13. Supongamos que "extendemos" el valor del núcleo
que cruza el bloque a todo el bloque. Entonces:

T = grado medio del bloque

A = panel de 25 metros cuadrados

T* = grado de intersección del pozo

S = intersección del pozo con este banco

103

Entonces

2𝑒 = = 2͞ (S, A) - ͞ (S, S) - ͞ (A, A)

192
De investigaciones previas sabemos que el semivariograma tiene una forma esférica, con

un alcance de influencia de 90 m y un sill de 0,6(%)2 Cu. ͞ (A, A) es otra función más F(25;

25), cuyo valor se puede calcular como 0,2145 x 0,6 = 0,129 (%)2 Cu. ͞ (S; S) = 0 ya que se

supone que la muestra es un punto. ͞ (S;A) debe calcularse con la ahora familiar (?)

maniobra, como sigue:

͞ (S;A) = ͞ (punto, panel)

= (suma de todos los valores de semivariograma entre la muestra

y todos los puntos dentro del panel) / (25 £ 25)

= (suma de todos los valores de semivariograma entre la muestra y todos los puntos

en el panel A1

+la muestra y todos los puntos del panel A2

+la muestra y todos los puntos del panel A3

+la muestra y todos los puntos del panel A4) / (25 x 25)

= [8 x 10 x H (8; 10) + 17 x 10 x H (17; 10)

+8 x 15 x H (8; 15) + 17 x 15 x H (17; 15)] = (25 x 25)

= (80 x 0:0703 + 170 x 0:1053

+120 x 0,0915 + 255 x 0,1248) = (25 x 25)

= 0,106 (%Cu)2

Entonces, finalmente, la varianza de extensión se convierte en:

de modo que el error estándar de la estimación es 0,288 %Cu. El mismo ejercicio se puede
repetir para una muestra fuera del panel, usando la misma lógica que se aplicó al problema
unidimensional de la figura 4.7.

193
 4.3 RESUMEN DE LOS PUNTOS PRINCIPALES

1. Cuando se realiza una estimación, se comete un error en la predicción.

2. La magnitud de ese error está determinada por la estructura y el tipo de depósito, y por el
propio mineral. Diferentes minerales dentro del mismo depósito pueden tener diferentes
estructuras.

3. La estructura puede (probablemente) describirse mediante un modelo de semivariograma,

en ausencia de una tendencia significativa a nivel local.

4. La varianza del error de estimación puede calcularse si se conoce el modelo de

semivariograma. Se han proporcionado tablas para el modelo esférico. Estas también
pueden usarse como aproximaciones para el modelo lineal.

5. Si utilizamos el tipo de estimador de extensión, es decir, la media aritmética de las

muestras, entonces la varianza de extensión puede escribirse:

Es decir, la “confiabilidad” del estimador depende de tres cantidades: la relación de las

muestras con el área a estimar; la relación entre las muestras; y la variación de las
calificaciones dentro del área a estimar.

4.4 ALGUNOS PROBLEMAS MÁS COMPLEJOS

Volvamos al problema original planteado en las figuras 4.1 y 4.2. Demostramos que si
utilizábamos la pendiente de la muestra 1 para estimar el punto A, obteníamos un error
estándar de 25,4 ppm. A continuación, presentamos el problema de estimar un bloque de 60
pies por 30 pies centrado en A. Después de los ejemplos anteriores, debería ser bastante
fácil calcular que el error estándar de extensión será ahora 19,2 ppm. [𝛾(S;A) = 356; 𝛾(A;A)

= 344; 𝛾(S; S) = 0], al estimar la pendiente media del panel a partir del único punto de
muestra 1. Esto es más del 20 % menor que al intentar estimar el punto central. La verdadera
conclusión es simplemente que es más fácil estimar la pendiente media sobre un bloque que
especificar la calificación (grado) en un único punto. Ahora, si consideramos la media
aritmética de las muestras de 5 puntos, obtenemos lo siguiente:

194
 T = grado promedio del panel
A = panel 30 x 60 pies
T* = promedio de las 5 muestras = 366 ppm
S = 5 muestras puntuales en ubicaciones específicas.

Si utilizamos este estimador para predecir el punto central del bloque, la desviación estándar
de extensión es de 21,8 ppm. Sin embargo, si estimamos el panel, la desviación estándar
de extensión se reduce a 12,8 ppm. Nótese que ambas cifras son más bajas que cuando
solo se considera la muestra 1. Parecería que, aunque las otras muestras están mucho más
alejadas del centro del bloque, están aportando una cantidad considerable de información
sobre el grado del bloque.

Para concluir este capítulo, un ejemplo a una escala un poco mayor, en el que el lector puede
ejercitar sus nuevos conocimientos. Para este yacimiento se ha utilizado una simulación, ya
que en ese caso conocemos el semivariograma y el valor en cada punto dentro del
yacimiento. Esto nos permite comparar estimaciones con valores reales − una situación que
es rara hasta el punto de extinta en el mundo real. También nos permite producir un conjunto
de muestras en

Fig. 4.14. Conjunto de muestras aleatorias tomadas de un yacimiento de

mineral de hierro simulado.

195
cualquier esquema de muestreo propuesto. El depósito simulado es un mineral de hierro
sedimentario de baja ley, con un promedio general de alrededor del 35% de Fe, una
desviación estándar del 5% de Fe, un rango de influencia de 100 m y un umbral de 25(%) 2
−Fe obviamente. El semivariograma es esférico (una vez más) sin efecto pepita. Se ha
simulado un área de 400 metros cuadrados y se ha tomado de ella un conjunto de 50
muestras al azar. Las posiciones y valores de estas se muestran en la Fig. 4.14 y la Tabla
4.5. La estimación inicial, en la etapa de prefactibilidad, se debe realizar en bloques de 50 m
por 50 m. Para este primer ejemplo, a cada bloque se le ha asignado la ley promedio de
todas las muestras interiores. Cuando una muestra cae en el borde, se ha asignado a ambos
bloques. La Figura 4.15 muestra el valor estimado para cada bloque.

Tabla 4.5 Muestras aleatorias tomadas de un ejemplo simulado de mineral de hierro

Los bloques sin muestreo interno se han sombreado. La Figura superior que se muestra en
cada bloque es el estimador T*, y la inferior es la desviación estándar de extensión. Dado
que este depósito en realidad está distribuido normalmente, los límites de confianza del 95%
se darían (aproximadamente) por T* ± 2𝜎e. A modo de comparación, la `ley promedio real
para cada bloque se muestra en la Figura 4.16. Puede verse que en la mayoría de los 37

196
bloques estimados, el valor verdadero está dentro del intervalo de confianza del 95%. Cuatro
o cinco bloques se encuentran justo fuera del intervalo, y tres o cuatro están
considerablemente fuera. Esto es un poco más alto de lo que se esperaría, ya que solo
esperaríamos que alrededor de dos bloques se encontraran fuera de un intervalo del 95%.
Sin embargo, si consideramos el intervalo de confianza del 99% (3 valores de desviaciones
estándar), solo un bloque está significativamente fuera del intervalo, es decir, el bloque
inferior izquierdo del área (esquina suroeste).

Fig. 4.15. Estimaciones de los valores de los bloques formados al promediar todas las
muestras interiores del yacimiento de mineral de hierro y las correspondientes
desviaciones estándar de extensión.

197
Fig. 4.16. Valores promedio “reales” dentro de cada bloque en el depósito de mineral de
hierro simulado.

Fig. 4.17. Conjunto de muestras tomadas en una cuadrícula regular del depósito de mineral
de hierro simulado.

198
 Fig. 4.18 Valores de bloque estimados a partir de muestras regulares.

A modo de comparación, la figura 4.17 muestra un conjunto de muestras tomadas en una

cuadrícula regular del mismo "depósito". En este caso, cada bloque de 50 m tiene dos
muestras en esquinas opuestas. Si se utiliza el promedio de estas dos muestras para estimar
los resultados del bloque, se obtiene una desviación estándar de extensión de 2,5 % Fe. La
figura 4.18 muestra los valores estimados en cada bloque. Se puede observar que, aunque
cinco o seis bloques se encuentran fuera del intervalo de confianza del 95 %, ninguno se
encuentra a más de 2,25 desviaciones estándar del valor verdadero.

Habiendo agotado las posibilidades de extensión en circunstancias idealizadas, pasemos

a algunas situaciones más interesantes.

199
 CAPÍTULO 5

Kriging

Pasemos ahora a un enfoque mucho más común, y probablemente más realista, para la
estimación de valores “locales”. Hasta ahora hemos considerado solamente la operación de
promediar todas las muestras locales y aplicar este valor como la estimación del área en
consideración. Hay casos en los que no parecería sensato ponderar todas las muestras por
igual, ya que algunas estarán a gran distancia del área “desconocida” A, mientras que otras
estarán mucho más cerca de ella - si no dentro de ella. Parecería más sensato utilizar un
promedio ponderado de los valores de la muestra, teniendo las muestras “más cercanas”
más peso. El nuevo estimador tendrá la forma:

donde las ponderaciones suman 1. Si se cumple esta condición y no hay tendencia

(localmente), entonces T* es un estimador imparcial. Esto significa que, en muchas
estimaciones, el error promedio será cero. Este tipo de estimador se denomina estimador
"lineal" porque es una combinación lineal de los valores de la muestra. La media aritmética
es simplemente un caso especial donde todas las ponderaciones son iguales. Se puede
demostrar que la varianza de la estimación para el estimador "lineal imparcial" general es:

Donde antes calculábamos 𝛾̅ (S;A), que era el semivariograma promedio entre cada muestra
y el área desconocida, ahora formamos un promedio ponderado para cada muestra
individual con el área A; 𝛾̅ (Si, A), de la misma manera que el estimador real. Por ejemplo, si

tenemos n muestras tomadas alrededor del área A, el primer término en la varianza se

convierte en:

200
El último término de la varianza, 𝛾̅ (A;A), no cambia su forma, ya que solo hemos cambiado
la forma del estimador, no el área que se está estimando. El término 𝛾̅ (S; S) que antes medía
la variación de valores entre las muestras, ahora debe tener en cuenta los diferentes pesos
asociados con cada muestra. Por lo tanto, si tomamos, por ejemplo, la muestra 4, debemos
recordar que tiene un peso w4. Si tomamos la muestra 4 con, digamos, la muestra 2,

entonces debemos incluir ambos pesos w2 y w4, de modo que el término se convierte en

Para formar el ¹° equivalente 𝛾̅ (S; S), entonces, cada 𝛾̅ (Si; Sj) se multiplica por el wi wj
correspondiente antes de agregarlo a la suma.

Fig. 5.1. Tres muestras a utilizar para estimar el segmento de línea.

Como ejemplo simple, consideremos la configuración de la Fig. 5.1. Calculamos la varianza

de extensión para esta configuración en el Capítulo 4. La media aritmética dio una varianza
de extensión de pl /18 cuando usamos un semivariograma lineal con la forma 𝛾 (h) = ph.
Ahora supongamos que asignamos un conjunto de pesos a estas tres muestras en lugar de
tratarlas todas por igual. Para este ejemplo, coloquemos tres cuartos del "peso" en el punto
central y un octavo en cada punto extremo. Por lo tanto, el "nuevo" estimador es:

La fiabilidad de este estimador estará dada por la forma general de 𝜎𝜀2 . El término 𝛾̅ (A;A)
está dado por la función F (l), por defnición, que para la función lineal El semivariograma
tiene la forma pl / 3. El término central, el término -dentro de las muestras-, es:

201
donde cada muestra se toma con cada muestra a su vez -incluida ella misma- y la
combinación se multiplica por ambos pesos. Dado que las muestras en este caso son todas
puntos, todos los términos 𝛾̅ (Si; Sj) se pueden encontrar directamente a partir del

semivariograma 𝛾 (h). Esto da:

Dado que el modelo de semivariograma es lineal, esto se convierte en:

Esto deja solo el primer término -el término entre la muestra y el área- para ser evaluado.
Esto es:

La muestra 1 está en un extremo de la longitud l, de modo que 𝛾̅ (S1; A) = 𝜒 (l). De manera

similar 𝛾̅ (S3; A) = 𝜒 (l). La muestra 2 es el punto central de la longitud l, de modo que 𝛾̅ (S2;

A) = 𝜒 (l / 2). Para el modelo lineal 𝜒 (l) = pl / 2, de modo que

202
Juntando todo esto, obtenemos una varianza estimada de:

1 3 1
El conjunto especificado de pesos, ( , , ) cuando se utiliza con un modelo de
8 4 8

semivariograma lineal da una varianza de estimación de 0,0729 pl. La media aritmética de

las muestras dio una varianza de extensión de pl / 18 = 0,0556 pl, que es tres cuartas partes
del tamaño de la varianza de estimación anterior. Es bastante obvio en este caso que el
promedio ponderado especificado da un estimador peor que simplemente usar la media
aritmética.

Fig. 5.2. Se requiere la estimación del valor del bloque a partir de las cinco muestras
dispersas | ejemplo de uranio.

Como ejemplo bidimensional, volvamos al omnipresente ejemplo del uranio como se ilustra
en la figura 5.2. Asignaremos pesos a cada muestra según su distancia desde el centro del
bloque A. La tabla 5.1 muestra el cálculo de la "distancia inversa" para los pesos en este
ejemplo. El estimador T* se convierte en:

203
 Tabla 5.1. Cálculo de ponderaciones de distancia inversa para un problema
hipotético de estimación de uranio

Los tres términos que intervienen en la varianza son:

Los valores individuales de 𝛾̅ (S1;A) y así sucesivamente son los mismos que los evaluados
al considerar la varianza de extensión, y son iguales a 356,7, 572,4, 456,9, 446,8 y 696,1
respectivamente. Por lo tanto, el primer término en la varianza es igual a 461,9 (p.p.m.)2 |
en oposición a 505,8 (p.p.m.)2 en la varianza de extensión. El segundo término en la varianza
de la media ponderada resulta ser 441,2 (p.p.m.)2. En el caso de la extensión fue 504,7
(p.p.m.)2. El término final en ambas varianzas es 344,0 (p.p.m.)2, tal como lo indica la función
auxiliar F (l,b). Juntando estas cifras obtenemos una varianza de estimación para el
estimador de distancia inversa de 138,6 (ppm)2. Esto es equivalente a un `error estándar' de
11,8 ppm. Por lo tanto, utilizando los pesos de distancia inversa obtenemos una estimación
124 de 372,8 ppm de U3O8 para el panel, y podemos decir que tiene un error estándar de
11,8 ppm, que se ha derivado de nuestro conocimiento del semivariograma de este depósito.
Si estamos dispuestos a hacer la suposición adicional de normalidad de los errores,
podríamos decir que un intervalo de confianza del 95 % para el valor `verdadero' del panel
es (349 ppm, 396 ppm). Esto debe compararse con la estimación de extensión de 366 ppm,
con un error estándar de 12,8 ppm y un intervalo de confianza del 95 % de (340 ppm, 392
ppm). Puede observarse rápidamente que la estimación de la distancia inversa produce un
resultado (ligeramente) más preciso que la media aritmética; esto parece bastante sensato.

Supongamos que cambiamos ligeramente la situación. Supongamos que la muestra 3 no

estaba al norte del bloque sino al sur, es decir, con una dirección norte de 2310, como en la

204
figura 5.3. Los pesos de la distancia inversa no cambian, porque dependen de la distancia
entre la muestra y el centro del bloque.

Fig. 5.3. La muestra 3 se ubica ahora al sur del bloque a estimar.

Sin embargo, el error estándar de estimación aumenta bruscamente a 14,3 ppm, lo que
indica una pérdida de precisión. El cambio en la varianza de la estimación se debe
únicamente a una disminución del tamaño del término "dentro de las muestras" -la cantidad
de información contenida en el conjunto de muestras- ya que los otros dos términos siguen
siendo los mismos que antes. En las figuras reales, el término cae de 441,2(ppm) 2 a
376,2(ppm)2. Realmente no parece muy sensato utilizar los mismos pesos para la Figura 5.3
que para la Figura 5.2, ya que la muestra 3 ahora nos da mucha menos "información" que
antes. Podríamos sugerir un nuevo conjunto de pesos y calcular la varianza de la estimación.
Si fuera menor que la "inversa" distancia', podríamos decir que nuestro 'nuevo' estimador
era (en cierto sentido) mejor que el de la distancia inversa. Alternativamente, podríamos
utilizar un método diferente para producir los pesos -distancia inversa al cuadrado, por
ejemplo. Parecería mucho más deseable encontrar un método directo para producir la 'mejor'
estimación, dado nuestro conocimiento del yacimiento.

Hemos decidido utilizar un estimador de tipo "lineal" -un promedio ponderado de los
valores de la muestra. Sabemos que es un estimador imparcial si los pesos suman 1. Hay
un número infinito de estimadores imparciales lineales de este tipo, por lo que buscaremos
el "mejor" y definiremos "mejor" como "el que tiene la menor varianza de estimación". La
expresión para la varianza de estimación depende de tres cosas: la geometría básica de las
muestras y el área desconocida, la forma del semivariograma y la ponderación asignada a
cada muestra. Para cualquier configuración dada, la varianza solo se puede cambiar
modificando los valores de los pesos. Por lo tanto, deseamos minimizar la varianza de
estimación con respecto a los pesos. La varianza es una función simple (?) de los pesos, por
lo que para minimizarla debemos diferenciar y establecer el diferencial igual a cero:

205
 Esto proporcionará n ecuaciones con n incógnitas (w1,w2,w3,w4…wn). Estos pesos
proporcionarán un estimador que tiene el valor mínimo de la varianza de la estimación. Sin
embargo, no necesariamente sumarán uno. No hay nada en el sistema de ecuaciones
anterior que restrinja los pesos de esta manera. Efectivamente, también necesitamos
satisfacer la ecuación ∑ 𝑤𝑖 = 1. Por lo tanto, para obtener el "Mejor Estimador Lineal
Insesgado" en realidad tenemos que satisfacer (n + 1) ecuaciones. Sin embargo, hasta

ahora solo tenemos n incógnitas, lo que no es una condición muy deseable. Para rectificar
esto debemos introducir otra incógnita, en forma de un Multiplicador Lagrangiano, para
equilibrar el sistema. Por lo tanto, en lugar de minimizar la varianza de la estimación, en
realidad minimizamos:

con respecto a w1,w2,w3,w4...wn, y ¸. Esto último produce la ecuación:

como se requiere.

Una vez realizada la diferenciación y ordenadas las ecuaciones, resulta el siguiente sistema:

Aunque esto parece un poco aterrador en su complejidad, si miras un poco más de cerca,
encontrarás que la mayoría de los elementos ya te son (espero) familiares. Considera la
primera ecuación. El lado derecho solo requiere el valor de semivariograma promedio entre

206
la muestra 1 y el área desconocida. El lado izquierdo contiene las n+1 incógnitas, wi , 𝜆, y
el valor de semivariograma promedio entre la muestra 1 y cada una de las otras muestras a
su vez. Todos estos términos 𝛾̅ son idénticos a los que calcularíamos para una extensión o
una varianza de estimación.

La segunda ecuación es idéntica a la primera, excepto que es la muestra 2 la que está

presente a lo largo de la ecuación. La tercera tiene la muestra 3 a lo largo de toda la ecuación

y así sucesivamente hasta la ecuación n-ésima con Sn a lo largo de toda la ecuación.

Finalmente, tenemos la condición necesaria para la suma de los pesos. La solución de este
conjunto de ecuaciones producirá un conjunto de pesos que darán el ``Mejor Estimador
Lineal Insesgado'' - a veces denominado BLUE. Este proceso fue denominado Kriging por
Georges Matheron en honor a Danie Krige, quien ha realizado una enorme cantidad de
trabajo empírico sobre promedios ponderados. La pronunciación de la palabra es un tema
controvertido -Personalmente, prefiero ``kridging'' (como en bridging). El sistema de
ecuaciones generalmente se conoce como el sistema kriging, y el estimador producido es el
estimador kriging. La varianza del estimador kriging se puede encontrar mediante la
sustitución de los pesos en la ecuación de varianza de estimación general. Sin embargo, se
puede demostrar que la varianza de kriging se puede escribir como:

5.1 EJEMPLOS DE KRIGING

En este capítulo, tomamos la configuración de la Fig. 5.1, un semivariograma de la forma

𝛾(h) = ph, y asignamos un conjunto de pesos a cada una de las tres muestras. Mostramos

que en ese caso la varianza de la estimación era 0,0729 pl. Ahora veamos si podemos
encontrar el "mejor" conjunto de pesos utilizando el sistema kriging. Dado que tenemos tres
pesos, hay cuatro ecuaciones que en la forma general son:

207
y la varianza del kriging sería:

El lado derecho de las ecuaciones son 𝛾̅ (S1;A); 𝛾̅ (S2;A) y 𝛾̅ (S3;A). 𝛾̅ (S1;A) es el valor del
semivariograma promedio entre una línea de longitud l y un punto en el extremo de la misma.
Esta es la definición de 𝜒(l). También lo es 𝛾̅ (S3,A). 𝛾̅ (S2, A) es el semivariograma promedio
entre la línea y un punto central. Este ejemplo se abordó en el Capítulo 4 y se encontró que
era 𝜒(l /2). Por lo tanto, tenemos el lado derecho de las ecuaciones y la mayor parte de la
varianza. El lado izquierdo de las ecuaciones está compuesto por los términos individuales
de muestra con muestra. Como se supone que todas las muestras en este caso son puntos,
todas estas relaciones del "lado izquierdo" están dadas por el modelo de semivariograma.
Solo queda calcular las distancias entre los pares y utilizar el modelo para producir los
términos. Los términos diagonales, 𝛾̅ (S1; S1), 𝛾̅ (S2; S2) y 𝛾̅ (S3; S3) son todos cero, ya que 𝛾̅
(0) = 0 por definición, 𝛾̅ (S1; S2) es igual a 𝛾̅ (S2; S1), y es 𝛾 (l / 2). Por lo tanto, es 𝛾̅ (S2; S3) y
𝛾̅ (S3; S2). 𝛾̅ (S1; S3) es 𝛾̅ (l) como lo es 𝛾̅ (S3; S1). Finalmente, 𝛾̅ (A; A) es F (l) por definición.
Al unirlos, (substitudo en el sistema anterior) se obtiene:

y la varianza de kriging es

Sumando las ecuaciones (1) y (3) se obtiene

mientras que la ecuación (4) da

208
Estos dos juntos muestran que en este caso 𝜆 = 0. Por lo tanto, podemos eliminar 𝜆 de las
tres primeras ecuaciones y dividirlas todas por l. Esto sugiere que los resultados - los valores
finales de los pesos - no dependen de la longitud que se está estimando. Tenemos entonces:

Restando la ecuación (5) de la ecuación (7) obtenemos:

De manera que la ecuación (6) da:

Por lo tanto, w3 = ¼, y w2 = ½. El conjunto "óptimo" de pesos para el problema de la figura

1 1 1
5.1 es, por lo tanto, ( , , ) y este estimador da una varianza kriging de:
4 2, 4

El resultado final es por tanto que:

1 1 1
el BLUE tiene pesos de ( , , ) y una varianza kriging de l / 6.
4 2, 4

En nuestros estudios previos de esta configuración particular, encontramos que la media

1 3 1
aritmética dio una varianza de extensión de pl=18 y que el conjunto de pesos ( , , ) dio
8 4, 8

7pl=96. Para que coincida con el ejemplo anterior, debemos establecer p = 4, de modo que
las varianzas se conviertan en 2l / 9 y 7l / 24 respectivamente. El procedimiento de kriging
ha mejorado con respecto a la media aritmética en aproximadamente un 25%, siendo esta
la diferencia en magnitud entre la varianza de extensión y la varianza de kriging. El conjunto
espurio de pesos que probamos anteriormente en este capítulo da una varianza casi el doble
de la del estimador óptimo. Nótese que en este caso, dado que hemos utilizado un modelo
209
de semivariograma lineal, el conjunto de pesos es independiente de la longitud que se está
estimando, pero la varianza es directamente proporcional a ella. Para hacer un ejercicio,
intenta demostrar que el conjunto de pesos también es independiente de la pendiente
(ángulo) del semivariograma, p. Muestra también que la varianza del kriging es directamente
proporcional a p, lo que parece lógico.

5.2 EJEMPLO BIDIMENSIONAL

Ahora volvamos al ejemplo familiar del uranio que se muestra en la Fig. 5.2. Los datos -
coordenadas de posición y valores de grado - se dieron en la Tabla 4.1. Tenemos cinco
muestras, por lo que habrá seis ecuaciones en el sistema kriging. Los términos 𝛾̅ (Si,Sj) en el
lado izquierdo de las ecuaciones son todos relaciones `punto con punto', y pueden evaluarse
directamente a partir del modelo de semivariograma. El modelo era esférico, con un rango
de influencia de 100 pies, un umbral de 700 (ppm)2 y un efecto pepita de 100 (ppm)2. Los
términos 𝛾̅ (Si, A) son todos relaciones `punto con panel' y, por lo tanto, son combinaciones
simples de la función auxiliar H (l, b). El término 𝛾̅ (A, A) es, por supuesto, F (l; b).

El sistema kriging resulta ser:

y la varianza del kriging sería:

Resolviendo este sistema de ecuaciones (por computadora) obtenemos:

210
Esta desviación estándar de kriging se compara favorablemente con el error estándar de los
pesos de la "distancia inversa". La principal diferencia en la ponderación es quizás
sorprendente a primera vista. A la muestra 2 se le asigna un peso casi cero. De hecho, recibe
solo el 20% del peso de la muestra 5, que está considerablemente más lejos del centro del
bloque. Esto se debe a que el sistema kriging toma en cuenta automáticamente la relación
entre las muestras. La muestra 2 proporciona poca información adicional sobre el bloque en
presencia de la muestra 1 y, en menor medida, de las muestras 3 y 4. Para ilustrar este
punto con más detalle, consideremos la situación de la Fig. 5.3, donde la muestra 3 se
trasladó al sur del bloque. El sistema kriging ahora se convierte en:

Tenga en cuenta que la única diferencia entre este sistema y el anterior está en la fila 3 y la
columna 3 del lado izquierdo. El lado derecho no ha cambiado ya que no hemos modificado
la relación de cada muestra individual con el panel. Los nuevos pesos son:

El peso de la tercera muestra es ahora menor que el de la muestra 2. El principal movimiento

en el peso ha sido hacia las muestras `norteñas', 1, 2 y 5, aunque el mayor aumento es,
211
naturalmente, en la muestra 1. El cambio realmente llamativo es en el valor del estimador
que ha caído 17 ppm.

Fig. 5.4. El bloque a estimar se gira 90°.

Como tercer ejemplo, consideremos la misma situación de muestreo que antes, pero ahora
con el bloque rotado 90 grados, como en la Fig. 5.4. El sistema de kriging para esta
configuración tiene el mismo lado izquierdo que la primera situación en la Fig.5.2. Sin
embargo, todos los términos del lado derecho han cambiado, a:

Los pesos asignados a las muestras cambian drásticamente:

El estimador T* toma el valor 371,9 ppm y tiene un error estándar de 10,7 ppm. La muestra
2 ha sido completamente eliminada por la muestra 1 y la influencia de la muestra 5 también
ha disminuido un poco. La mayor sorpresa, quizás, es que la muestra 1 ya no tiene la
importancia que tenía en los dos ejemplos anteriores. No existe otro método que no sea el
kriging en el que se pueda cuantificar y utilizar este cambio en el "valor de la información".

5.3 RESUMEN DE LOS PUNTOS PRINCIPALES

1. Podemos evaluar la precisión de cualquier estimador lineal si tenemos un modelo para

el semivariograma.
212
 2. Podemos producir el estimador lineal imparcial de varianza mínima utilizando la técnica
kriging, si tenemos un modelo para el semivariograma.

La letanía estándar de las ventajas del kriging se puede encontrar en numerosas

publicaciones. Los puntos de mayor importancia son:

(a) Dados los supuestos básicos, sin tendencia y un modelo para el semivariograma, el
kriging siempre produce el mejor estimador lineal imparcial.

(b) Si se utilizan los modelos adecuados para el semivariograma y el sistema está

configurado correctamente, siempre hay una solución única para el sistema kriging.

(c) Si intenta "estimar" el valor en una ubicación que ha sido muestreada, el sistema kriging
devolverá el valor de la muestra como estimador y una varianza kriging de cero. En otras
palabras, ya conoce ese valor. Esto se conoce generalmente como un "interpolador
exacto".

(d) Si tiene un muestreo regular y, por lo tanto, la misma configuración de muestreo/bloque

en muchas posiciones diferentes dentro del depósito, no es necesario recalcular el
sistema kriging cada vez.

5.4 EJEMPLO DE MINERAL DE HIERRO SIMULADO

Para finalizar este capítulo, volvamos al yacimiento de mineral de hierro simulado

mencionado al final del Capítulo 4. Se tomaron dos conjuntos de muestras. Las 50 muestras
"aleatorias" se muestran en la Fig. 4.14 y la cuadrícula regular en la Fig. 4.17.

213
 Fig. 5.5. Depósito de mineral de hierro simulado | promedios de bloques krigados
a partir del conjunto de muestras aleatorias y las correspondientes desviaciones
estándar de kriging | bloques de 50 metros.

La cuadrícula regular en realidad comprende 41 muestras. Como antes, el área de 400

metros cuadrados se dividió en bloques de 50 metros cuadrados. Sin embargo, esta vez los
valores de los bloques se estimaron mediante el método de kriging. El rango de influencia
del modelo de semivariograma para este depósito fue de 100 m, por lo que todas las
muestras dentro de esta distancia de un bloque se incluyeron en su estimación. Los
resultados se muestran en la Fig. 5.5, y una vez más, la Figura superior en cada bloque es
el valor estimado, mientras que la inferior es la desviación estándar de kriging, o error
estándar. A modo de comparación, la Fig. 5.6 muestra la solución de kriging para el caso en
el que el área se divide en bloques de 100 metros cuadrados. Observe que las desviaciones
estándar de kriging en todos los casos son mucho menores que para los bloques de 50
metros.
214
 Fig. 5.6. Depósito de mineral de hierro simulado - promedios de bloques krigados a
partir del conjunto de muestras aleatorias y las correspondientes desviaciones
estándar de kriging - bloques de 100 metros.

Esto confirma una vez más el principio de que es `más fácil' estimar áreas grandes que
pequeñas. La Figura 5.7 muestra los valores estimados para los bloques cuando se utilizan
los valores de muestra de la cuadrícula regular. La desviación estándar de kriging para todos
estos bloques es 2,4%Fe. Esto no es marcadamente diferente de la desviación estándar de
extensión de 2,5%Fe. Quizás nuestra conclusión aquí debe ser que con una cuadrícula
regular de este tamaño particular, la media aritmética de las dos muestras de las "esquinas"
es un estimador tan bueno como un promedio ponderado de todas las muestras dentro de
los 100 m del bloque. Las muestras exteriores parecerían ser superfluas en estas
circunstancias. Esta conclusión no es válida para el muestreo irregular, para el cual se
obtienen grandes mejoras en la precisión gracias a la aplicación de kriging.

215
 Fig. 5.7. Depósito de mineral de hierro simulado - promedios de bloques obtenidos
mediante kriging a partir del conjunto de muestras regulares - bloques de 50 metros.

El requisito habitual en la estimación de reservas de mineral es la producción de valores de

bloque. Sin embargo, en muchas otras posibles aplicaciones de kriging -como la geoquímica
o la hidrología- la estimación deseada es en forma de valores `puntuales', o un mapa de
contorno de la variable de interés. Kriging se puede utilizar para producir la cuadrícula
cerrada de valores necesaria para el trazado de mapas de contorno. De hecho, el
procedimiento es mucho más fácil que la estimación de `área', ya que todos los `valores de
semivariograma promedio' se reducen a valores simples del modelo de semivariograma en
sí. Como todas las observaciones se realizan en puntos especifcados, el lado izquierdo del
sistema kriging son valores de semivariograma `punto con punto'. Como el valor a estimar
también está en un punto, el lado derecho también son valores de semivariograma `punto
con punto'. La Figura 5.8 muestra el mapa de contorno producido utilizando las 50 muestras
elegidas al azar. El área en negro en la parte superior del mapa está fuera del rango de
influencia de cualquier muestra y, por lo tanto, no se puede estimar.

216
 Fig. 5.8. Depósito de mineral de hierro simulado | mapa de contorno obtenido mediante kriging a
partir de muestras aleatorias.

Fig. 5.9. Depósito de mineral de hierro simulado - Mapa de desviación estándar obtenido mediante
kriging para el mapa de contorno obtenido mediante kriging a partir de muestras aleatorias.

Una de las ventajas del kriging como técnica de interpolación es que cada estimación va
acompañada de una desviación estándar de kriging correspondiente. Por lo tanto, para
cualquier mapa de contorno de valores, se puede generar un mapa complementario de
"fiabilidad". Esto se muestra en la Fig. 5.9. La ubicación de los puntos de muestra se puede
ver fácilmente por la concentración de los contornos de valor bajo en la Fig. 5.9 -los
contornos de 1%Fe y 2%Fe. El valor de contorno más alto posible sería 5 √2 = 7:07%Fe,
que es el límite alrededor del área en negro. Esto corresponde a intentar estimar el valor en
un punto que está justo en el rango de influencia de la muestra más cercana.

217
Fig. 5.10. Depósito de mineral de hierro simulado | mapa de contorno obtenido mediante kriging a
partir de muestras regulares.

Las áreas "no confiables" están claramente delineadas por el contorno de 5%Fe (la estándar
de la muestra). Un error estándar que sea mayor que la desviación estándar de la muestra
original denota una predicción poco confiable.

La Figura 5.10 muestra el mapa de contorno interpolado utilizando las muestras regulares,
y la Figura 5.11 el mapa correspondiente de la desviación estándar obtenida mediante
kriging. Nótese que, aunque solo hay 41 muestras disponibles, y aunque estas se
encuentran en una cuadrícula muy grande (71 m), el valor de contorno más alto en la Figura
5.11 es solo 4%Fe.

Fig. 5.11. Depósito de mineral de hierro simulado - mapa de desviaciones estándar

de kriging para mapas de kriging a partir de muestras regulares.

218
Una ventaja adicional del kriging como técnica de estimación es que los mapas y/o cálculos
de los "errores estándar" se pueden producir sin tomar realmente las muestras. Por ejemplo,
si se propusiera una perforación de relleno en la cuadrícula regular, es bastante obvio a partir
de la Fig. 5.11 dónde se deberían tomar las nuevas muestras. Si se tomara la decisión de
reducir la cuadrícula a 50 m, es decir, colocar un pozo en el centro de cada contorno de
4%Fe, se podría dibujar un mapa nuevo y completo del error estándar resultante antes de
poner un pie en el campo.

CAPÍTULO 6

Práctica

Dado que este texto se ha pensado como una "primera introducción" al tema e la
geoestadística, los ejemplos y situaciones analizados han tendido a ser bastante simplistas.
Hay muchos yacimientos minerales - y otras aplicaciones- que pueden abordarse con los
métodos descritos. Sin embargo, hay al menos otros tantos que no pueden hacerlo debido
a la presencia de uno o más factores que los complican. En este capítulo, me gustaría
mencionar brevemente algunos de estos problemas y tal vez indicar cómo podrían
abordarse. El orden en el que se presentan los problemas no guarda relación con su
importancia relativa.

6.1 CONSTRUCCIÓN DE SEMIVARIOGRAMAS UTILIZANDO

DATOS IRREGULARES

Toda la discusión sobre la construcción de semivariogramas experimentales en el Capítulo

2 se basó en muestras que estaban espaciadas más o menos regularmente dentro del
depósito. Algunas cuadrículas tenían muestras faltantes, pero esto no presenta problemas.
En una situación en la que las muestras no están espaciadas regularmente, se deben
introducir aproximaciones en el cálculo. Supongamos que deseamos calcular el valor del
semivariograma experimental para una distancia h en una dirección especificada (por
ejemplo, noreste). La probabilidad de encontrar pares exactamente a esta distancia con un
muestreo irregular es bastante pequeña. Por lo tanto, colocamos una "tolerancia" en cada
especificación. Buscamos muestras más o menos separadas por una distancia h (dentro de

219
±𝛿 h) y más o menos al noreste (dentro de 𝛿 0) -vea la Figura 6.1 para una ilustración. El
tamaño de las tolerancias depende en gran medida de la estructura del depósito. Este es un
argumento más bien circular, ya que no conocemos la estructura hasta que construimos el
semivariograma. Si el depósito es anisotrópico, el semivariograma será más sensible a la
tolerancia establecida en el ángulo de búsqueda. Una buena práctica es probar varios
valores 𝛿 0 y un valor estrecho rango de valores de 𝛿h. 𝛿h siempre debe ser pequeño en
relación con el espaciado de la muestra. Como regla general, puede probar 𝛿 0 = 5; 10; 20;

45 grados y 𝛿h igual al 10 % del espaciado de muestra promedio.

Fig. 6.1. Área de búsqueda definida por tolerancias en ángulo y distancia entre pares en
semivariograma experimental.

2. ERRORES DE MUESTREO

Este es un campo que se pasa por alto en la mayoría de los tratados geoestadísticos, y
tengo la intención de emular a mis predecesores en esto. Los errores aleatorios introducidos
durante el muestreo contribuirán al efecto pepita en el semivariograma, es decir, se
mostrarán como un aumento en el componente "impredecible" del valor. De manera similar,
la pérdida de núcleo (testigos) también contribuirá al efecto pepita. Otras posibles
contribuciones de "error" -aparte de la mineralización en sí- son errores analíticos en la
valoración, el submuestreo, etc. Sin embargo, la contribución de estos errores no debe ser
sobre enfatizada. En mi ejemplo del estaño de Cornualles, llevamos a cabo un esquema de
muestreo especial para determinar el "tamaño" del operador.

Error en el ensayo Vanning. Esto resultó ser el 3% del efecto pepita total. El 97% restante
se debió a la naturaleza aleatoria de la mineralización.

220
Los errores sistemáticos, ya sean de muestreo, analíticos o de cualquier otro tipo, no serán
detectados por Geostatistics y se transferirán a cualquier estimación realizada.

3. TENDENCIAS

Hemos visto en el Capítulo 2 cómo detectar la presencia de una tendencia significativa

dentro del yacimiento. Si construimos el semivariograma experimental suponiendo que no
hay tendencia, entonces el componente ignorado se mostrará en el gráfico. Si es una
tendencia periódica, se mostrará como un ascenso y descenso regular en el
semivariograma. Si es un tipo de tendencia polinómica, se mostrará en la adición de un
componente parabólico al semivariograma "verdadero". Hay casos en los que puede existir
una tendencia, pero se puede ignorar con seguridad, como en el ejemplo de la plata en el
Capítulo 2. Sin embargo, hay otros en los que este no es el caso, por ejemplo, el ejemplo de
la lluvia. El kriging, como tal, no se puede utilizar en presencia de una tendencia fuerte. Dará
resultados erróneos y sesgados. Se debe aplicar alguna técnica como el kriging universal o
las covarianzas generalizadas más nuevas si el usuario está decidido a utilizar
geoestadística. Mi experiencia en la aplicación de la Geoestadística en presencia de
tendencia es voluntariamente inexistente.

4. ANISOTROPÍA

Este es quizás el "problema" más fácil de abordar. Con mayor frecuencia, la forma de la
anisotropía es diferentes rangos de influencia en diferentes direcciones. Por ejemplo, un
pórfido de molibdeno puede tener un rango de influencia de 70 m verticalmente a través del
depósito, y uno de 350 m en todas las direcciones horizontales. Esto se aborda de manera
muy simple cambiando las unidades de medida en una dirección de modo que los rangos
parezcan iguales. En el ejemplo citado, podríamos cambiar todas las mediciones
horizontales a múltiplos de 5 m en lugar de 1. Esto da un rango horizontal de 70 unidades.
Luego, al estimar los valores de los bloques, debe recordarse que todas las distancias
horizontales deben expresarse en unidades de 5 m. Las distancias diagonales deben
corregirse en consecuencia. Por ejemplo, un bloque definido como 50 por 50 por 20 m, se
estimará como si fuera 10 unidades por 10 unidades por 20 unidades. De manera similar, la
distancia entre muestras debe corregirse para este nuevo sistema de "coordenadas". La
forma más sencilla de abordar esto (dentro de una computadora) es corregir todas las
mediciones antes de embarcarse en la estimación. Las estimaciones finales y los errores
estándar serán como deberían ser, y no es necesario "corregirlos".
221
 5. TAJOS DE FORMA IRREGULAR O BLOQUES

En los problemas de estimación analizados, todos los paneles y bloques tenían forma
rectangular. Las funciones auxiliares solo son relevantes para dichos paneles, por lo que no
se pueden utilizar, por ejemplo, con paneles de tajos como el que se muestra en la figura
6.2. Estas formas solo se pueden abordar utilizando aproximaciones numéricas y una
computadora. El principio de la aproximación es el mismo que se aplicó para calcular la
función F tridimensional en el Capítulo 3. En lugar de considerar todo el número infinito de
puntos dentro del tajo, utilizamos una cuadrícula de puntos para representarla. El número de
puntos está en duda, pero el acuerdo general parece estar en el rango de 64 a 100. Esto
significa entonces que valores como 𝛾̅ (S,A) son semivariogramas promedio entre `la muestra
y cada punto en la cuadrícula en el tajo'. Un programa de computadora evaluará el valor del
semivariograma modelo entre cada par de puntos y luego producirá el valor de
semivariograma promedio requerido. Este principio también se aplica a formas irregulares
en tres dimensiones.

Fig. 6.2. Estimación de un tajo de forma irregular.

6. KRIGING TRIDIMENSIONAL

Esto nos lleva a uno de mis temas favoritos: el desempeño de la estimación por kriging en
tres dimensiones. Este problema se encuentra con mayor frecuencia en la planificación de
pozos abiertos a partir de resultados de pozos. La técnica "estándar" es hacer una
aproximación como la descrita en la Sección 5 anterior. Una alternativa sugerida, que utiliza
menos tiempo de computadora, es la siguiente:

(i) cortar el depósito en bancos;

222
(ii) representar cada bloque como un panel en un nivel intermedio del banco;

(iii) aproximar este bloque mediante una cuadrícula de puntos en dos dimensiones;

(iv) tomar cada intersección del pozo con el banco y llamarlo un "punto" intermedio del banco;

(v) volver a colocar todos los cortes y realizar el krige.

El semivariograma que supuestamente se utiliza en el kriging es el de los «compuestos de

banco», es decir, secciones de longitud igual a la altura del banco. Esta técnica es adecuada
si todos los sondeos están completos y si comienzan y terminan más o menos al mismo
nivel. Sin embargo, hay otras situaciones que no representa adecuadamente. La figura 6.3
ilustra algunas de ellas. Todos estos sondeos se promediarían sobre el banco, se colocarían
a la mitad del banco y se les asignaría una longitud igual a la altura del banco.

Fig. 6.3. Algunos problemas con el enfoque simplista de los procedimientos de kriging
tridimensional.

El pozo A tiene una pérdida de núcleo en la mitad del banco; el pozo B está inclinado de
modo que el compuesto puede ser sustancialmente más largo de lo que se supone; el pozo
C se detiene antes de llegar al fondo del banco y el pozo D no comienza hasta la mitad.
Todas estas situaciones se pueden abordar adoptando un enfoque verdaderamente
tridimensional del problema. Actualmente, hay paquetes informáticos disponibles en el
mercado para el método descrito anteriormente, el método de aproximación puntual y el
enfoque tridimensional que propugno en mis propios artículos.

7. SESGO EN LA CURVA GRADO/TONELAJE

Después de que se ha estimado una mina bloque por bloque, es habitual construir la
denominada curva de ley/tonelaje de "producción". Desafortunadamente, incluso con las
223
mejores estimaciones posibles (kriging), esta curva de ley/tonelaje seguirá siendo sesgada.
Hay dos factores que contribuyen a este sesgo. El primer factor es que el criterio de selección
(valor de corte) se está aplicando a la estimación de la ley del bloque. No importa cuán
precisa sea esa estimación, no es exactamente igual al valor real del bloque. Por lo tanto, si
se estima que un bloque está justo por debajo del valor de corte, existe una probabilidad
finita de que el valor real sea superior al de corte. Sin embargo, este bloque se enviará como
desecho. Por otro lado, habrá bloques estimados como superiores al de corte que en
realidad están por debajo del corte. Estos se enviarán como mineral. Por lo tanto, tendremos
bloques pagables enviados a desecho y mineral no pagable enviado al molino. Esto dará
como resultado cifras de producción que diferirán de las predichas por la supuesta curva de
ley/tonelaje calculada sobre las estimaciones de bloques. La principal diferencia será una
disminución en la ley del mineral molido.

El segundo sesgo en la curva de ley/tonelaje es el introducido por la relación de varianza de

volumen. Las estimaciones de los valores de los bloques no necesariamente tendrán la
misma varianza que los valores reales de los bloques. Tal vez recuerde que discutimos este
asunto en relación con el ejemplo del estaño de Cornualles en el Capítulo 3. Allí, el estimador
fue la ley promedio de dos franjas de terreno de 125 pies, mientras que el panel era de 125
por 100 pies. La varianza de estas dos cantidades no será la misma. En la mayoría de las
situaciones -excepto en el kriging puntual- la varianza del estimador será mayor que la de
los bloques reales. Por lo tanto, la curva de ley/tonelaje basada en las estimaciones de los
bloques estará sesgada hacia un tonelaje menor y una ley promedio demasiado optimista.
Este problema está siendo investigado actualmente por el personal de Fountainebleau bajo
el título ``Kriging disyuntivo'. Actualmente, en la Real Escuela de Minas se está investigando
una técnica sencilla y empíricamente justificada para corregir este sesgo.

RESUMEN

Este resumen se refiere más al libro en su conjunto que a este capítulo en particular. He
intentado ofrecer una presentación quizás demasiado simplista de la teoría y la práctica de
la técnica de estimación conocida como kriging. Los lectores a quienes este enfoque les
resulte tedioso pueden consultar los trabajos definitivos (y más matemáticos) mencionados
en la bibliografía. También he intentado detallar las dificultades prácticas que surgen al
aplicar la técnica y sugerir algunas formas de superarlas.

224
 Bibliografía

El objetivo de esta bibliografía es detallar algunos artículos y libros que podrían ayudar al
lector "novato" a profundizar en la teoría y las aplicaciones de la geoestadística. Las
referencias se han dividido en subtítulos para dar una idea más clara de lo que el lector
puede esperar obtener de ellas.

1 Buenos artículos introductorios

Son bastante raros y se limitan a los esfuerzos de unos pocos autores.

P. I. Brooker ha publicado algunos, como:

`Robustness of geostatistical calculations: a case study', 1977. Proc. Australasian Institution

of Mining and Metallurgy, vol. 264, pp. 61-8. (`Robustez de los cálculos geoestadísticos: un
estudio de caso', 1977. Proc. Australasian Institution of Mining and Metallurgy, vol. 264, págs.
61-8.).

G. Royle es otro buen autor, que publica principalmente en Transactions of the Institution of
Mining and Metallurgy. Uno de sus artículos más recientes es:

`Global estimates of ore reserves', 1977, vol. 86, pp. A9-17. («Estimaciones globales de
reservas de mineral»).

A. J. Sinclair ha publicado dos o tres artículos ampliamente difundidos, todos ellos dedicados
a explicar la aplicación de la geoestadística a depósitos particulares. Dos de ellos son:

`A geostatistical study of the Eagle copper vein, Northern British Columbia', Canadian Inst.
Min. Metall., 1974, vol. 67, no. 746, pp. 131-42.

`Geostatistical investigation of the Kutcho Creek deposit, Northern British Columbia',

Mathematical Geology, 1978, vol. 10, no. 3, pp. 273-88.

2. Volúmenes definitivos

Matheron, G. The Theory of Regionalised Variables and its Applications, 1971, Cahier No. 5,
Centre de Morphologie Math¶ematique de Fontainebleau, 211 pp. (La teoría de las variables
regionalizadas y sus aplicaciones, 1971, Cahier No. 5, Centre de Morphologie
Math¶ematique de Fontainebleau, 211 pp.),

225
David, M. Geostatistical Ore Reserve Estimation, 1977, Elsevier, 364pp.

Guarascio, M., David, M. and Huijbregts, C. (Eds) Advanced Geostatistics in the Mining
Industry, 1976, D. Reidel, Dordrecht, Holland, 491 pp.

Journel, A. G. and Huijbregts, C. Mining Geostatistics, 1978, Academic Press, 600pp.

3. Otros textos introductorios

Rendu, J-M. An Introduction to Geostatistical Methods of Mineral Evaluation, Monograph of

the South African Inst. Min. Metall, 1978, 100 pp.

Royle, A. G. A Practical Introduction to Geostatistics. Course Notes of the University of

Leeds, Dept. of Mining and Mineral Sciences, Leeds, 1971.

4. Otras aplicaciones

Clark, M. W. and Thornes, J. B. Forwards Estimation from Incomplete Data by the Theory of
Regionalised Variables, Non-Sequential Water Quality Records Project: Working Paper No.
4, 1975, LSE, 9pp. (Estimación progresiva a partir de datos incompletos mediante la teoría
de variables regionalizadas, Proyecto de registros de calidad del agua no secuencial:)

Delhomme, J. P. and Delfner, P. Application du krigeage a l'optimisation d'une compagne

pluviometrique en zone aride, Symposium on the Design of Water Resources Projects with
Inadequate Data, 1973, UNESCO-WHOIAHS, Madrid, Spain, pp. 191-210.

Huijbregts, C. Courbes d'isovariance en cartographie automatique Colloque sur la

Visualisation, 1971, Nancy (Ecole National Superieure de Geologie), 11 pp.

Olea, R. A. `Optimal contour mapping using universal kriging', J. Geophys Res, 1974, vol.
79, No. 5, pp. 696-702.

Poissonet, M., Millier, C. and Serra, J. Morphologie mathematique et silviculture, 1970, 3ieme
Conference du groupe des Staticiens Forestiers, Paris. pp. 287-307.

226
5. Perspectiva histórica

de Wijs, H. J. `Method of successive di®erences applied to mine sampling', Trans. Inst. Min.
Metall., 1972, vol. 81, No. 788, pp. A129-32.

Journel, A. G. `Geostatistics and sequential exploration', Mining Engineering, 1973, vol. 25,
No. 10, pp.44-8.

Krige, D. G. `A statistical approach to some basic mine valuation problems on the

Witwatersrand', J. Chem. Metall and Min. Soc. South Africa, 1951, vol. 52, No. 6, pp. 119-39.

Matheron, G. `Principles of geostatistics', Economic Geology, 1963, vol. 58, pp. 1246-66.

Sichel, H. S. The estimation of means and associated confidence limits for small samples
from lognormal populations, Symposium on mathematical statistics computer applications in
ore valuation, S. Afr. Inst. Min. Metall, 1966, pp. 106-23.

6. Trabajos del autor

Estos artículos se han publicado para ayudar a los trabajadores que desean aplicar la
geoestadística a sus propios problemas y que desean utilizar una computadora y/o
aproximaciones numéricas.

`Some auxiliary functions for the spherical model of geostatistics', Computers and
Geosciences, 1976, Vol. 1, No. 4, pp. 255-63.

`Some practical computational aspects of mine planning', in Advanced Geostatistics in the

Mining Industry, ed. M. Guarascio et al., 1976, pp. 391-9, D. Reidel, Dordrecht, Holland.

`Practical kriging in three dimensions', Computers and Geosciences, 1977, Vol. 3, No. 1, pp.
173-80.

`Regularisation of a semi-variogram', Computers and Geosciences, 1977, Vol. 3, No. 2, pp.

341-6.

227
7. Algunas revistas útiles para consultar o leer

Las siguientes revistas suelen contener artículos sobre geoestadística y temas relacionados.
A esta lista se deben agregar las actas o actas de las numerosas "instituciones de minería y
metalurgia", como las del Reino Unido, Canadá, Sudáfrica y Australasia.

Mathematical Geology

Computers and Geosciences

Economic Geology

Water Resources Research

Engineering and Mining Journal

Publicaciones del Kansas Geological Survey, especialmente las series sobre Spatial
Analysis.

Proceedings of the annual Applications of Computers in the Minerals Industry

(APCOM), various venues.

Canadian Inst. Min. Metall. Special Volumes.

228