III. MARCO TEORICO.

3.1. DEFINICIONES BÁSICAS.

Geoestadística: Aplicación de la teoría de variables regionalizadas a

la estimación de recursos mineros.

Variables regionalizadas: Es una función que representa variación en

el espacio. Se designa por z(x).

Una variable regionalizada posee propiedades intermedias entre una

variable completamente aleatoria y una completamente
determinística. A modo de definición una variable regionalizada es
una variable aleatoria cuya realización depende de la posición.
Ejemplos típicos de variables regionalizadas son la elevación
topográfica de algún terreno, el perfil de pozo registrado con alguna
herramienta de sondeo, etc. En contraposición con una variable
totalmente aleatoria, una variable regionalizada tiene cierta
correlación punto a punto, pero estos cambios son tan complejos que
no pueden ser descriptos por una función determinística.

3.2. VARIOGRAMA.

Es la herramienta geoestadística básica. Permite la

cuantificación de los parámetros geológicos y expresa la correlación
espacial entre los valores muestreados.
 En términos muy simples podemos definir el variograma como
la media de los cuadrados de las diferencias entre pares de muestras
separados por una distancia h:

Ү = ½ N . ∑ [ ( Z(x) – Z(x+h)) ]2

A. CONSTRUCCIÓN DEL VARIOGRAMA

h=1; Gh= 1/2x8 [(1-2)2+(2-3)2+(3-4)2+(4-5)2+(5-4)2+(4-3)2+(3-2)2+(2-1)2]= 0,5

h=2; Gh= 1/2x7 [(1-3)2+(2-4)2+(3-5)2+(4-4)2+(5-3)2+(4-2)2+(3-1)2]= 1,71

h=3; Gh= 1/2x6 [(1-4)2+(2-5)2+(3-4)2+(4-3)2+(5-2)2+(4-1)2]= 3,17

h=4; Gh= 1/2x5 [(1-5)2+(2-4)2+(3-3)2+(4-2)2+(5-1)2]= 4

B. REPRESENTACIÓN GRÁFICA

C. COMPONENTES DE UN VARIOGRAMA.
La continuidad espacial queda reflejada en la tasa de
crecimiento de la Varianza (Y) de acuerdo a los aumentos de la
distancia de muestreo (h).
 Como se verá problema de predicción espacial kriging
requiere del conocimiento de la estructura de autocorrelación para
cualquier posible distancia entre sitios dentro del área de estudio.
En la presentación del semivariograma experimental dada
anteriormente se indicó que este es calculado sólo para algunas
distancias promedios particulares. Por ello se hace necesario el
ajuste de modelos que generalicen lo observado en el
semivariograma experimental a cualquier distancia. Existen
diversos modelos teóricos de semivarianza que pueden ajustarse
al semivariograma experimental. En Samper y Carrera (1990) se
presenta una discusión respecto a las características y
condiciones que éstos deben cumplir. En general dichos modelos
pueden dividirse en no acotados (lineal, logarítmico, potencial) y
acotados (esférico, exponencial, gaussiano) (Warrick et al., 1986).
Los del segundo grupo garantizan que la covarianza de los
incrementos es finita, por lo cual son ampliamente usados cuando
hay evidencia de que presentan buen ajuste. Todos estos
modelos tienen tres parámetros comunes (Fig. 9) que son
descritos a continuación:
 EFECTO PEPITA.

Se denota por C0 y representa una discontinuidad puntual del

semivariograma en el origen (Fig. 9). Puede ser debido a errores
de medición en la variable o a la escala de la misma. En algunas
ocasiones puede ser indicativo de que parte de la estructura
espacial se concentra a distancias inferiores a las observadas.

Corresponde a un fenómeno netamente aleatorio, sin

correlación entre valores, y sin importar que tan próximos se
encuentren ellos. Se aplica por lo general en el origen para h=0.
En la práctica se obtiene al inferir y determinar en que punto
cruza el variograma experimental con el eje vertical.
 MESETA O SILL.

Es la cota superior del semivariograma. También puede

definirse como el límite del semivariograma cuando la distancia h
tiende a infinito. La meseta puede ser o no finita. Los
semivariogramas que tienen meseta finita cumplen con la
hipótesis de estacionariedad fuerte; mientras que cuando ocurre
lo contrario, el semivariograma define un fenómeno natural que
cumple sólo con la hipótesis intrínseca. La meseta se denota por
C1 o por (C0 + C1) cuando la pepita es diferente de cero. Si se
interpreta la pepita como un error en las mediciones, esto explica
porque se sugiere que en un modelo que explique bien la
realidad, la pepita no debe representar más del 50% de la
meseta. Si el ruido espacial en las 25 mediciones explica en
mayor proporción la variabilidad que la correlación del fenómeno,
las predicciones que se obtengan pueden ser muy imprecisas. En
la figura 9 se representa este parámetro para el caso de uno de
los modelos acotados.

 RANGO.

En términos prácticos corresponde a la distancia a partir de la

cual dos observaciones son independientes. El rango se
interpreta como la zona de influencia. Existen algunos modelos de
semivariograma en los que no existe una distancia finita para la
cual dos observaciones sean independientes; por ello se llama
rango efectivo a la distancia para la cual el semivariograma
alcanza el 95% de la meseta. Entre más pequeño sea el rango,
más cerca se esta del modelo de independencia espacial. El
rango no siempre aparece de manera explícita en la fórmula del
semivariograma. En el caso del modelo esférico (3.2.1), el rango
coincide con el parámetro a, que se utilizará en las ecuaciones
 más adelante. Sin embargo, en el modelo exponencial (3.2.2), el
rango efectivo es a/3 y en el modelo gaussiano (3.2.3) es a/√3.

D. COMPORTAMIENTO DEL VARIOGRAMA.

1. COMPORTAMIENTO A PEQUEÑAS DISTANCIAS.
Permite estudiar cuán rápido puede variar la variable en
estudio a pequeñas distancias. Básicamente el variograma
presenta las 4 formas siguientes:
 DISCONTINUO.
Efecto pepita o nugget effect
Puede ocurrir que para distancias cercanas a cero el
valor del variograma no se aproxima a cero.
 LINEAL.
Indica que para distancias pequeñas, el
variograma tiene un comportamiento lineal.
Representa variables continuas pero no diferenciables.
Así, la propiedad puede cambiar rápidamente de un
punto a otro.

La variabilidad de la propiedad dependerá de la

pendiente de la recta en el origen.
A mayor pendiente, mayor variabilidad.
 A menor pendiente, menor variabilidad.

 CUADRÁTICO.
Indica que para distancias pequeñas, el
variograma tiene un comportamiento cuadrático.
Representa variables sumamente continuas e
infinitamente diferenciables. Así, la propiedad NO
puede cambiar rápidamente de un punto a otro.
  HÍBRIDOS.
Variación más suave a distancias cortas.
Variación más fuerte a distancias grandes.
Indica presencia de estructuras actuando a
diferentes escalas.

2. Comportamiento a grandes distancias.

No todos los variogramas poseen un rango y un sill
finito.
Indica la presencia de una deriva o drift.
Variable no estacionaria.
E. MODELAMIENTO
Como se explicó en la formulación teórica, el variograma de
una función intrínseca aleatoria esta expresado por:

En donde Z(x+h) y Z(x) son los valores de leyes en el punto

x+h y x respectivamente, considerando que las variables
estacionarias e intrínsicas, el promedio de Z(x+h) - Z(x) es cero,
el variograma resulta ser el promedio de las diferencias.

Expresado en términos numéricos para aplicación práctica,

tenemos:

Los puntos x y x+h se debe entender que pueden estar en un

espacio de n dimensiones como n=1, 2 ó 3. En todos los casos es
necesario determinar gama (h) en todas las direcciones posibles
para identificar la orientación del comportamiento de la
mineralización.
 Si bien la expresión matemática indica que el variograma es
función de h, en donde h es la distancia entre pares de muestras,
esto significa que la función se creará en base al valor promedio
de la diferencia de pares de muestras que se encuentren
distanciados a h metros.

VARIOGRAMA A 1 DIMENSIÓN.

Por ejemplo para el caso de cálculo del variograma en una

dirección se tiene en el siguiente ejemplo, Fig. 1, leyes
distanciadas cada dos metros. En la Fig. 2 se describe el cálculo
de cada punto del variograma para distancias h=2m, h=4m,
h=6m, etc.

Fig 1. Fuente: http://geoestadistica.com/variografia_modelamiento.htm

Fig 2. Fuente: http://geoestadistica.com/variografia_modelamiento.htm

VARIOGRAMA A DOS DIMENSIONES.

Para el cálculo del variograma a dos dimensiones es

necesario precisar la dirección de cálculo, esta dirección se indica
en base a un rango de ángulo que deberán formar los pares de
muestras. Cualquier otro par de muestras que no cumplen con el
rango de orientación no formará parte del cálculo del variograma.
Por ejemplo en el gráfico siguiente se presentan muestras en X e
Y.

Fig 3. Fuente: http://geoestadistica.com/variografia_modelamiento.htm

En la Figura 3 se observa que el cálculo del variograma se

realizará para la dirección N80ºE considerando un ángulo de
tolerancia de +/- 15º, que indica que los pares de muestras que se
encuentren que intervienen en el cálculo deben una orientación
entre N65ºE y N95ºE.

Como el variograma es una función de "h", se debe indicar su

primer valor, en este caso se fijará en 6 m, el siguiente valor 12
m, el tercer valor 18 m, y así sucesivamente.

La forma de cálculo del variograma en esta dirección se

presenta como sigue.

Fig 4. Fuente: http://geoestadistica.com/variografia_modelamiento.htm

 Estos nueve resultados generan el gráfico del variograma, que
servirá para interpretar su comportamiento en la dirección
calculada, para otras direcciones se deberán volver a realizar los
cálculos tomando pares de muestras que tengan la orientación
deseada.

Para un cálculo a tres dimensiones el rango del ángulo de

orientación de los pares se definirá en un cono teniendo como
orientación principal el eje del cono.

Para un depósito a tres dimensiones se recomienda calcular

los variogramas en todas las direcciones a fin de encontrar la
dirección preferencial de la mineralización y las anisotropías.

F. MODELOS DE VARIOGRAMA.
Los modelos de variogramas son curvas, generadas a partir
de una función matemática, que ajustaremos a nuestros datos y
nos permitirán conocer la distribución para todos los puntos en el
espacio
Se utilizan para Krigear ; con el variograma experimental
quedan muchas zonas donde no existe valores concretos. Por lo
tanto es posible que sea necesario definir el valor de la variable
(Ley; Pot) en puntos donde V.E: no ofrece información.
Para el modelamiento de un variograma experimental se
deben aplicar fórmulas o modelos matemáticos autorizados, estos
modelos matemáticos tienen la característica de ser una función
siempre positiva para cualquier valor de |h|. A continuación
presentamos los modelos autorizados siguientes:
 MODELO ESFÉRICO.
Corresponde a un comportamiento del variograma de
crecimiento gradual similar a la figura Nº xx. La expresión
matemática es:
 Para valores de h < a

Para valores de h >= a

En donde "a" es el alcance, que es la distancia "h" en

donde el variograma alcanza la meseta.

 MODELO EXPONENCIAL.
Corresponde a un comportamiento del variograma de
crecimiento muy gradual similar a la figura Nº yy. La expresión
matemática es:

En donde "a" es el alcance que equivale en este modelo

a un tercio de la distancia que se alcanza a la meseta.
 MODELO GAUSSIANO.
Al igual que el modelo exponencial, el modelo tiende a
alcanzar el sill asintóticamente, y el rango se define como la
distancia a la cual el variograma alcanza el 95% del sill.

 MODELO POTENCIAL.
Corresponde a la expresión matemática

En donde el exponente "n" puede adoptar valores entre

cero y 2, reproduciendo lo indicado en la figura adjunta. (el
signo "^n" se debe interpretar como potencia "n")
 Modelo Monómicos.
Corresponden a los modelos que no alcanzan la meseta
(Fig. 11). Su uso puede ser delicado debido a que en algunos
casos indican la presencia de no estacionariedad en alguna
dirección. 27 Su fórmula matemática es la siguiente: γ θ θ ( )h
kh = < < 0 2 Obviamente cuando el parámetro θ es igual a uno
el modelo es lineal y k representa la pendiente de la ecuación
de regresión con intercepto cero. Gráficamente se pueden
representar así:

También se tienen definidos otros modelos. Sin

embargo los tres primeros modelos descritos son los más
utilizados para el modelamiento, ya sean estos en forma
independiente o combinados entre sí.
REFRENCIA BIBLIOGRAFICA.

 Bustillo Revuelta, M. y López Jimeno, C., 1997: Manual de evaluación y diseño de

explotaciones mineras. Madrid. ISBN 84-921708-2-4 .
 ANNELS, A. E. (1991). Mineral deposit evaluation. A practical approach. Ed. Chapman &
Hall, London.
 TULCANAZA,E. (1992). Técnicas geoestadísticas y criterios técnico-económicos para la
estimación y evaluación de yacimientos mineros.. E.Tulcanaza, Santiago, Chile.
 E. García Orche. Madrid 1999. Manual de Evaluación de Yacimientos.