Electivo Isatis

Motivación.

1.- Perforación de Sondajes 6.- Procesamiento

Reconciliación
(Tonelaje-leyes)
2.- Modelamiento Geológico y Geoestadístico
5.- Extracción del Mineral/Estéril

3.- Planificación Minera

4.- Pozos de Tronadura
 ¿Qué es la Geoestadística?

• Inicio con krige en Sudáfrica….

• Término inventado por Georges Matheron en
1962.
• “geo”: referido a las ciencias de la tierra.
• “estadística”: referido al uso de los métodos
probabilísticos y herramientas estadísticas.
 Estadística ≠ Geoestadística

La Geoestadística toma en consideración

la dependencia entre las observaciones ya
que se encuentran claramente ubicadas
en el espacio.
 Variable regionalizada
• Fenómenos regionalizados: Fenómenos que se
extienden en el espacio y que presentan cierta
organización.
• Trabajaremos con una variable regionalizada
que es una función numérica que representa
(supuestamente) correctamente este fenómeno.
 Concepto de soporte.
• Superficie o volumen sobre el cual se
considera la variable regionalizada.
Media Varianza Volumen
0.373 0.654 0.574 0.163 0.630 0.015 0.792 0.914 0.466 0.172 0.724 0.308 0.482 0.072 1

0.513 0.368 0.323 0.853 0.319 0.516 0.482 0.034 2

0.441 0.588 0.418 0.482 0.006 4

•  Regularización.
¿Qué es lo que generalmente queremos?

¿?

Nueva variable regionalizada

 Variable aditiva:

Su valor en la unión de varios

dominios sea igual a la suma o la
media de sus valores sobre cada uno
de ellos.
 Error.
• Sea “z” la realidad y “x” nuestra medición,
siempre existirá un error “e” asociado dado
por la relación:
• e=x-z
• Si e=0  ¡Perfecto! Pero casi nunca ocurre.
• Si e>0  Sobrestimación.
• Si e<0  Subestimación.
 Exactitud y Precisión
• Precisión significa que los valores tienen baja
variabilidad.
• Exactitud significa que los valores están
centrados en el valor actual.
 Ejemplos de Errores

Exactitud y Precisión Preciso pero no Exacto

Exacto pero no Preciso Ni Preciso ni Exacto

Ejemplos de Posibles Tipos de Errores

Descripción de los datos

Estadística Univariable
 Base Map (V1) Histogram (V1)
X (m) V1
2.91 Nb Samples: 100
V1 0 1 2 3
0 1 2 3 4 5 6 7 8 9 2.74 Minimum: 0.15762
9 9 2.56 Maximum: 2.90842
Mean: 1.23194
2.39
8 8 Std. Dev.: 0.586353
2.22 0.100 0.100
7 7 2.05
1.88
6 6
1.70 0.075 0.075

Frequencies

Frequencies
5 5 1.53
Y (m)

Y (m)
1.36
4 4
1.19
0.050 0.050
3 3 1.02
0.85
2 2
0.67
0.50 0.025 0.025
1 1
0.33
0 0
0.16
0 1 2 3 4 5 6 7 8 9 0.000 0.000
N/A 0 1 2 3
X (m)
Isatis V1
Simu/datos Isatis
FIbar002
- Variable #1 : V1 Simu/datos
Dec 04 2003 02:27:20 FIbar002
- Variable #1 : V1
Monovariate Statistics : Dec 04 2003 02:28:07
Clases
- Nb. samples : 100 Monovariate Statistics :
- Minimum : 0.15762 Clases
- Nb. samples : 100
- Maximum : 2.90842 - Minimum : 0.15762
- Mean : 1.23194
- Maximum : 2.90842
- Std. Dev. : 0.586353
- Mean : 1.23194
- Coef of Var. : 0.475959
- Std. Dev. : 0.586353
- Coef of Var. : 0.475959
 Histogram (V1) Histogram (V1)
V1 V1
Nb Samples: 100 Nb Samples: 100
0 1 2 3 0 1 2 3
Minimum: 0.15762 Minimum: 0.15762
Maximum: 2.90842 Maximum: 2.90842
1.00
Mean: 1.23194 1.00 1.00
Mean: 1.23194 1.00
Std. Dev.: 0.586353 Std. Dev.: 0.586353
Cumulated Frequencies

Cumulated Frequencies

Cumulated Frequencies
Cumulated Frequencies
0.75 0.75 0.75 0.75

0.50 0.50 0.50 0.50

0.25 0.25 0.25 0.25

0.00 0.00 0.00 0.00

0 1 2 3 0 1 2 3
V1 V1
Isatis Isatis
Simu/datos Simu/datos
FIbar002 FIbar002
- Variable #1 : V1 - Variable #1 : V1
Dec 04 2003 02:29:48 Dec 04 2003 02:29:48
Monovariate Statistics : Monovariate Statistics :
Clases Clases
- Nb. samples : 100 - Nb. samples : 100
- Minimum : 0.15762 - Minimum : 0.15762
- Maximum : 2.90842 - Maximum : 2.90842
- Mean : 1.23194 - Mean : 1.23194
- Std. Dev. : 0.586353 - Std. Dev. : 0.586353
- Coef of Var. : 0.475959 - Coef of Var. : 0.475959
 Estadística Bivariable
Base Map (V1) Base Map (V2)
X (m) X (m)
2.91 3.08
V1 V2
0 1 2 3 4 5 6 7 8 9 2.74 0 1 2 3 4 5 6 7 8 9 2.88
9 9 2.56 9 9 2.69
2.39 2.50
8 8 8 8
2.22 2.31
7 7 2.05 7 7 2.12
1.88 1.93
6 6 6 6
1.70 1.74
5 5 1.53 5 5 1.54

Y (m)

Y (m)
Y (m)

Y (m)
1.36 1.35
4 4 4 4
1.19 1.16
3 3 1.02 3 3 0.97
0.85 0.78
2 2 2 2
0.67 0.59
1 1 0.50 1 1 0.40
0.33 0.20
0 0 0 0
0.16 0.01
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
N/A N/A
X (m) X (m)
Isatis Isatis
Simu/datos Simu/datos
FIbar002 FIbar002
- Variable #1 : V1 - Variable #1 : V2
Dec 04 2003 02:27:20 Dec 04 2003 03:02:21
Monovariate Statistics : Monovariate Statistics :
Clases Clases
- Nb. samples : 100 - Nb. samples : 100
- Minimum : 0.15762 - Minimum : 0.0129909
- Maximum : 2.90842 - Maximum : 3.07556
- Mean : 1.23194 - Mean : 0.856266
- Std. Dev. : 0.586353 - Std. Dev. : 0.642368
- Coef of Var. : 0.475959 - Coef of Var. : 0.750196
 Histogram (V1) Histogram (V2)
V1 V2
Nb Samples: 100 Nb Samples: 100
0 1 2 3 0 1 2 3
Minimum: 0.15762 Minimum: 0.0129909
Maximum: 2.90842 Maximum: 3.07556
Mean: 1.23194 Mean: 0.856266
0.125 0.125
Std. Dev.: 0.586353 Std. Dev.: 0.642368
0.100 0.100

0.100 0.100
0.075 0.075
Frequencies

Frequencies
Frequencies

Frequencies
0.075 0.075

0.050 0.050
0.050 0.050

0.025 0.025
0.025 0.025

0.000 0.000 0.000 0.000

0 1 2 3 0 1 2 3
V1 V2
Isatis Isatis
Simu/datos Simu/datos
FIbar002 FIbar002
- Variable #1 : V1 - Variable #1 : V2
Dec 04 2003 02:28:07 Dec 04 2003 03:05:53
Monovariate Statistics : Monovariate Statistics :
Clases Clases
- Nb. samples : 100 - Nb. samples : 100
- Minimum : 0.15762 - Minimum : 0.0129909
- Maximum : 2.90842 - Maximum : 3.07556
- Mean : 1.23194 - Mean : 0.856266
- Std. Dev. : 0.586353 - Std. Dev. : 0.642368
- Coef of Var. : 0.475959 - Coef of Var. : 0.750196
 Gráfico cuantíl - cuantíl
---------------------------------------------------------------------------------------------------------------
| VARIABLE | Q10 | Q20 | Q30 | Q40 | Q50 | Q60 | Q70 | Q80 | Q90 |
---------------------------------------------------------------------------------------------------------------
| V1 | 0.54| 0.71| 0.85| 1.02| 1.21| 1.33| 1.53| 1.73| 2.03|
---------------------------------------------------------------------------------------------------------------
| V2 | 0.12| 0.28| 0.42| 0.57| 0.77| 0.92| 1.13| 1.36| 1.72|
---------------------------------------------------------------------------------------------------------------

Q-Q Plot (V1)

V1
0 1 2 3

3 3

2 2
V2

V2
1 1

0 0

0 1 2 3
V1
Isatis
Gráfico de Dispersión.
Scatter Diagram (V1, V2)
V1
rho=0.035
0 1 2 3

3 3

2 2
V2

V2
1 1

0 0

0 1 2 3
V1
Isatis
Simu/datos
FIbar002
- Variable #1 : V1
- Variable #2 : V2 Dec 04 2003 03:13:53
Clases
Monovariate Statistics :
- Nb. samples : 100 100
- Minimum : 0.15762 0.0129909
- Maximum : 2.90842 3.07556
- Mean : 1.23194 0.856266
- Std. Dev. : 0.586353 0.642368
- Coef of Var. : 0.475959 0.750196

Multivariate Statistics :
- Correlations : 1 0.03463
0.03463 1
- Regression Lines :
V2 = (0.037938) * V1 + (0.809529)
V1 = (0.031610) * V2 + (1.204874)
 Correlación.
1 n

n i 1
( xi  mx )( yi  m y )

 x y
• n: Número de datos.
• x1, …, xn: Valores de los datos de la primera variable.
• mx: Media de los datos de la primera variable.
• σx: Desviación estándar de los datos de la primera variable.
• y1, …, yn: Valores de los datos de la segunda variable.
• my: Media de los datos de la segunda variable.
• σy: Desviación estándar de los datos de la segunda variable.
 La ubicación de los datos no siempre es
regular.
o
o o o o o o o o o o o o o
o o o
o o o
o o o o o o o o o o o o o
o o o

o o o o o o o o o o
o o o o o

o o o o o o o o o o o o o o o o o o

o o o o o o o o o o o o o o o o

o o o o o o o o o o o o o o o
o o o o o

o o o o o o o o o o o o o o o o
o o o

o o o o o o o o o o o o o o oo o o o o o

o o o
o o o o o o o o o o o o o o

o o o o o
o o o o o o o o o o o o o o
o
 Configuración geométrica de los datos.

• De acuerdo con la configuración geométrica

de los datos, el muestreo se clasifica así:
1. Regular
2. Aleatorio
2.1 Estratificado
2.2 Uniforme
2.3 Preferencial
3. Irregular
 1. Regular.
• Los datos están espaciados a una distancia constante.
Se habla así de mallas de 200x200, 100x100 ó 50x50
metros, por ejemplo.
 2.1. Aleatorio estratificado.
• Consiste en dividir la zona de estudio según una grilla
regular y escoger al azar la ubicación del dato dentro
de cada celda.
 2.2. Aleatorio uniforme.
• La ubicación de los datos se escoge al azar dentro de
un dominio. Se puede ver este muestreo como la
realización de un proceso aleatorio uniforme sobre
una superficie.
 2.3. Aleatorio preferencial.
• La densidad de datos no es uniforme en el espacio.
La ubicación de ellos se escoge al azar dentro de un
subconjunto del dominio. En la práctica, este
muestreo es el más común.
 3. Irregular.
• Si la ubicación de los datos no es modelable por
ninguno de los métodos anteriores, entonces el
muestreo es Irregular.

• En este caso, al igual que el muestreo aleatorio

preferencial, la solución para encontrar un estimador
consiste en desagrupar los datos dentro del dominio
en estudio, o bien, intentar separar el dominio en
subconjuntos cuya densidad de muestreo pueda
considerarse constante.
 ¿Cómo impacta?
• Casi siempre se calcula la ley promedio con pesos
iguales para todas las muestras.
• Muestras poco separadas son redundantes
(esencialmente entregan la misma información).
Polígonos de influencia.
Polígonos de influencia.
 Desventajas del método.
• El peso asociado a cada muestra es el área del
polígono dividida por el área total.
–  Proceso lento.
• Las orillas del depósito requieren un
tratamiento especial. Generalmente se utilizan
arcos de círculo.
• ¿Y para 3 dimensiones?
 Método de la grilla.
• Similar a la idea de los polígonos de influencia,
pero fácil de utilizar en 3D.
• Se cubre el dominio con una grilla de puntos.
• Se le asigna a los puntos una ley en base al
vecino más cercano.
• Se calculan las estadísticas sin pesos con todos
los puntos de la grilla.
Método de la grilla.
o o o

0.373 0.015 0.172

o o o

0.654 0.792 0.308

o o

0.912 1.002
o o o

0.574 1.194 0.724

o o

0.882 1.119
 Desventajas del método.
• El espaciamiento de la grilla debe ser más
pequeña que la separación de los datos
agrupados.
• La grilla tendrá muchos puntos si el
espaciamiento de ella es pequeño.
• Los problemas de borde se mantienen.
 Celda desagrupante.
• Se toma una grilla regular sobre el dominio.
• Se cuenta el número de muestras en cada
celda.
• Se define un peso que es inversamente
proporcional al número de muestras.
 Definición de peso:
 1 
 
 nci 
wi   n 1 

 nc


 i 1 i 
• nci: número de datos en la celda que contiene
el dato i.
• wi: peso aplicado al dato i para calcular la
media ponderada.
 Celda desagrupante.
o o o

0.373 0.015 0.172 Ley 1/nc peso

0.373 1/1 1/9
0.015 1/1 1/9
0.172 1/1 1/9
0.654 1/1 1/9
o o o 0.792 1/1 1/9
0.308 1/1 1/9
0.654 0.792 0.308 0.574 1/1 1/9
0.912 1/5 1/45
1.002 1/5 1/45
o o 1.194 1/5 1/45
0.882 1/5 1/45
0.912 1.002 1.119 1/5 1/45
o o o
0.724 1/1 1/9
0.574 1.194 0.724
o o

0.882 1.119

• Ley desagrupada: 0.515%.

 Desventajas del método.
• Es un método de “prueba y error”:
– Generalmente se prueban varios tamaños de
celda.
– Generalmente se selecciona el tamaño de celda
que minimice la ley media *.
• Ojo: La celda no tiene porque ser cuadrada.
Concepto de Valores extremos (outliers).

• Corresponden a valores que se escapan a la

población común de los datos.
• Ningún método estadístico sirve para
encontrarlos.
• Estos valores se deben estudiar
detalladamente y medir su impacto.
 Estacionaridad. Concepto.
• Se refiere a una “homogeneidad” en el espacio de las
características de la variable en estudio: media,
dispersión, continuidad, etc. Implica que las propiedades
estadísticas de los datos son representativas del total del
campo en estudio.
• El considerar la hipótesis de estacionaridad facilita la
elaboración de modelos geoestadísticos.
 Estacionaridad
• En general, se tiende a considerar que la variable
regionalizada no tiene un comportamiento
estacionario, por la presencia de zonas de altas
leyes y otras de muy bajas leyes.

• El concepto de estacionaridad es una propiedad

del modelo geoestadístico, no de la variable
regionalizada. El usuario escoge si se cumple la
hipótesis.
 Derivas.
• Se observa un cambio en el valor medio local
al desplazarse por el espacio.
•  No se cumple la hipótesis de
estacionaridad.
• ¿Qué hacer?
– Considerar la hipótesis de estacionaridad local.
– Subdividir el espacio en dominios.
– Sacar la deriva.
 Distancia en el espacio.
• Considérese ahora 2 puntos en el dominio D
ubicados en las coordenadas u y u+h, tal que h
es un vector de separación.
6832600

6832400

6832200 u

6832000

u+h
6831800

6831600
D
322400 322600 322800 323000 323200 323400 323600 323800 324000
 Hipótesis Estacionaria de Orden 2.
Una función aleatoria Z(u) es estacionaria de orden 2 si sus dos primeros momentos
existen y son invariantes por traslación:

E ( Z (u ))  m
Cov ( Z (u ), Z (u  h))  C (h)

Es decir, el valor esperado en un punto u, no depende de las coordenadas de u.

Por otro lado, la covarianza entre dos valores separados por un vector h, sólo depende
de h y no de las coordenadas de u).
C (h es la función de covarianza.

Notar que la Varianza (2° Momento de Z(u)) es un caso particular de la Covarianza:

Para h  0,
Cov ( Z (u ), Z (u  h))  Cov ( Z (u ), Z (u ))  Var ( Z (u ))

Esta hipótesis es fundamental en este curso. De aquí en adelante se supondrá que

la función aleatoria Z(u) es Estacionaria de Orden 2.
 Covarianza.
Dado un conjunto n de muestras, se busca el número de parejas de datos separados
por una distancia h:
N (h) . El estimador de C(h) viene dado por:

1 N (h)
C ( h) 
*

N (h)  1
[ z (u )  z (u  h)]  mh m h

Con:
1 N (h)
mh  
N (h)  1
z (u )

1 N (h)
m h  
N (h)  1
z (u  h)

m h es el promedio de la variable z en los puntos u

m h es el promedio de la variable z en los puntos u  h
 Algunas propiedades de C(h).
C (h  0)  Var ( Z (u ))   2
C ( h)  C ( h) , C(h) es una función par.

Se cumple la desigualdad de Cauchy-Schwarz:

Cov[ Z (u ), Z (u  h)]  Var ( Z (u ))Var ( Z (u  h))

C(h) es una función de tipo positivo:

k  ; 1 , 2 , 3 ,...,  k  ; u1 , u 2 ,...u k

k k

   C (u
i 1 j 1
i j i uj)  0
 Variograma teórico.
Se define el semi-variograma como la varianza del incremento [Z(u)-Z(u+h)], es decir:

Var {Z (u )  Z (u  h)}
 ( h) 
2
El semi-variograma es la herramienta estructural básica de la Geoestadística Lineal.
Puesto que es tan comúnmente usado, se llama simplemente variograma. La ecuación
se expresa también de la siguiente manera:

E{[Z (u )  Z (u  h)]2 }
 ( h) 
2
El estimador del variograma viene dado por:
Nh

  z (u )  z (u  h )  2

 * (h)   1
2Nh
 Algunas propiedades del variograma teórico.

 (h)   (h) , el variograma es una función par.

 ( 0)  0

 ( h)  0
Dado un conjunto de puntosu i y un conjunto de ponderadores que
i cumplen
n


i 1
i 0
se tiene que:
 n  n n
Var  Z (ui )   i  j (ui  u j )
 i 1  i i

(h) es una función de tipo condicional negativo, es decir:

n n

    (u
i i
i j i uj)  0
 Para las funciones aleatorias Z(u) que se estudian aquí (estacionarias de 2° Orden)
se cumple que:
1
u , h  (u , u  h)  Var  Z (u )  Z (u  h)
2
1
 {Var [ Z (u )]  Var [ Z (u  h)]  2Cov[ Z (u ), Z (u  h)]}
2
1
 { 2   2  2C (h)]} ,σ2 = C(0)
2
 C (0)  C (h)
Por lo tanto,
 (h)  C (0)  C (h)

Es decir, el Variograma y la
Covarianza están ligados.
Uno se deduce a partir del otro.

2 se estima a partir de la
varianza de z(u).
 Ejercicio.
• Calcular la función variograma para los
siguientes puntos equidistantes a 1 m:
o o o o o o o o o o o o

2 3 1 2 3 4 3 2 3 1 2 2

Nh
1
 ( h) 
*
  z (u )  z (u  h )  2

2Nh  1
 ¿Y en un muestreo irregular?
• No se encontrarán muchos puntos dado un vector h.

• Entonces se definen tolerancias para encontrar una mayor

cantidad de puntos.
 Tolerancias.

• Se definen 2 tolerancias: Tolerancia angular Δθ y Tolerancia en el paso Δr.

• La tolerancia en el paso se aplica tanto en acimut como en inclinación Δθ 1 y
Δθ2.
• Al ser aplicado en 3D, el área celeste se transforma en un segmento esférico.
Cualquier punto ubicado dentro del área (o volumen) celeste, se considera un
punto válido para calcular el variograma.
• Puntos ubicados fuera de esta superficie son ignorados.
Tolerancias en 3D.
 Ancho de banda.
Ancho de
banda

• Finalmente la búsqueda en 3D se asemeja a

un lápiz.
 Número máximo de pasos.

• El número máximo de pasos N se elige tal que:

L
N *h  D
2
• Siendo LD la máxima longitud del campo en la dirección D. Ejemplo: en
la dirección NS, D=x.
 Resumiendo.
Parámetros para calcular un variograma direccional.

• Número de pasos.
• Distancia de separación de los pasos.
• Tolerancia en el paso.
• Acimut.
• Tolerancia en el acimut.
• Ancho de banda horizontal.
• Inclinación.
• Tolerancia en la inclinación.
• Ancho de banda vertical.
Ejemplo de variograma calculado en una dirección.
¿Cómo influyen los parámetros de cálculo en el
variograma experimental?
• Paso:
 Volvamos al variograma teórico.
• Ahora necesitamos modelar el variograma teórico.
¿Por qué?
– Se calcula de manera discreta.
– Como los puntos son experimentales, está sujetos a
imprecisiones.
• En este sentido, NO SE DEBE realizar un ajuste de
mínimos cuadrados para ajustar un polinomio de grado
n, pues no cualquier polinomio es un modelo válido.
• Se utilizan entonces una serie de modelos que si son
válidos.
• Un modelo es válido si es definido positivo, o sea, la
varianza de cualquier combinación lineal es positiva.
 Discontinuo (“efecto pepita”).

• Este tipo de comportamiento da cuenta de una

total ausencia de estructuración espacial. En este
caso, z(u) es una variable regionalizada errática.
 Lineal.

• Este tipo de comportamiento da cuenta de una

regularidad de la variable regionalizada. z(u) varía
continuamente en el campo.
 Parabólico.

• Este tipo de comportamiento da cuenta de una regularidad

de la variable regionalizada, mayor incluso que el
comportamiento lineal. z(u) varía suavemente en el campo.
Comportamiento en el infinito.
• Existen otros modelos sin meseta que
nunca se estabilizan.

• Estos modelos sirven para representar

funciones aleatorias Intrínsecas con deriva.

• Esto es más común para el caso de datos

geofísicos (ondas sísmicas, por ejemplo).
Modelo válidos.
Efecto pepita.

0 si h  0
 ( h)  
C si h  0
Modelo esférico.

  3  h  1  h 3 
C        si 0  h  a
 (h)    2  a  2  a  

C si h  a

• C: meseta.
• a: alcance.
Modelo cuadrático.

   h   h 2 
C 2      si 0  h  a
 (h)     a   a  

C si h  a
Modelo cúbico.

   h  2 35  h  3 7  h  5 3  h  7 
C 7            si 0  h  a
 (h)     a  4 a 2  a  4  a  

C si h  a
Modelo gaussiano.

  h 2 

 (h)  C 1  e  a   h
  

 
 

• Este modelo no alcanza

una meseta, sino que
tiende asintóticamente al
valor C. Se considera que
el alcance práctico es a 3 .
 ¿Qué es el efecto pepita?
• Es un modelo anidado de alcance muy pero
muy pequeño con respecto a la escala de
observación (muestreo).
• Causas:
– Volumen de las muestras.
– Muestreo preferencial.
– Errores de medición.
 Anisotropías.
• Un variograma es isótropo si es igual en todas
las direcciones. Al contrario se habla de una
anisotropía, lo que quiere decir que la variable
regionalizada tiene direcciones de mayor
continuidad.
• Se pueden graficar los mapas variográficos
(curvas de isovalores de la función
variograma) o las elipses de anisotropía.
 Tipos de anisotropía.
• Geométrica.
• Zonal.
 Anisotropía geométrica.

• Permite modelar un conjunto de variogramas teóricos que

tienen igual meseta y distintos alcances.
 Anisotropía zonal.

• Permite modelar un conjunto de

variogramas teóricos, donde cada modelo
puede tener su propia meseta y alcance.
Ejemplo. Escribir expresión del variograma.

Norte
C0 + C 1 + C 2

Este
C0 + C 1 Vertical

C0

a1 a2 a3
 Solución.
 Este  C0  C1 Esf (a3 )  C2 Esf (a3 )
 Norte  C0  C1 Esf (a1 )  C2 Esf (a1 )
 Vertical  C0  C1 Esf (a2 ) + C2Esf(∞)
 a3   a3 
   
  C0  C1 Esf  a1   C2 Esf  a1 
a  
 2  
• Lección aprendida: Nunca modelar direcciones de
variogramas independientemente.
 ¿Y en la práctica?
• El efecto pepita es mejor calcularlo a lo largo de los sondajes.
• La elección de las direcciones de anisotropía dependen del conocimiento
previo del fenómeno en estudio.
• El paso del variograma va de la mano (aproximadamente) con la malla de
muestreo.
• La tolerancia en el paso conviene tomarla como la mitad del paso.
• Se recomienda calcular no muchas direcciones. En minería, 3: vertical, la
de mayor continuidad y su perpendicular.
• Ojo con el número de pares.
• Todo lo anterior depende de la densidad del muestreo.
• Modelamiento:
– Buscar modelos sencillos, tratar de no anidar más de tres estructuras.
– El modelo final depende del usuario y su experiencia.
– No hay problema en no ajustar la meseta a la varianza experimental.
¡¡¡Basta de variogramas!!!

Por el momento!!!!!…