Elementos de Geoestadistica

UNIVERSIDAD ALAS PERUANAS
Elementos de Geoestadstica
2014
ELEMENTOS DE
GEOESTADSTICA
GEOESTADSTICA I
INTEGRANTES:
FIGUEROA TORRES, STEVE
POMPA CHILON, MARCIAL
ROJAS ABANTO, ELI
VALENCIA CORTEZ, JHON
AYAY CHILON, ELVIS
DOCENTE:
ING. WILDER CHUQUIRUNA
1
INDICE
1. Introduccin
2. Problema que dio origen a la Geoestadstica
3. Geoestadstica, concepto
4. Variables aleatorias regionalizadas
5. Hiptesis de la Geoestadstica
6. Conocimiento del problema
7. El anlisis estructural
8. Estimacin
9. Geoestadstica Multivariada
10. Geoestadstica no Lineal
11. La Simulacin Geoestadstica
12. Conclusiones
13. Referencias Bibliogrficas.
1. Introduccin
En el campo de las geociencias es comn encontrar variables distribuidas
espacialmente. Para el estudio de estas variables son usados diversos procedimientos
geoestadsticos de estimacin y/o simulacin. Esto es, a partir de un conjunto de muestras
tomadas en localizaciones del dominio en que se manifiesta un fenmeno a estudiar y
consideradas representativas de su realidad, que por lo general es siempre desconocida,
estos procedimientos permiten la descripcin o caracterizacin de las variables con dos
fines diferentes, primero, proporcionar valores estimados en localizaciones de inters y
segundo, generar valores que en conjunto presenten iguales caractersticas de dispersin
que los datos originales. La geologa y la minera es el campo tpico para la aplicacin de
estos modelos, campo en el que surge y se desarrolla la Geoestadstica como ciencia
aplicada. Se hace referencia en esta monografa a los conceptos fundamentales de la
Geoestadstica. Para profundizar en el tema puede ser consultada la bibliografa citada.
2. Problema que dio origen a la Geoestadstica

La bsqueda, exploracin y evaluacin de yacimientos minerales tiles es una de las
actividades fundamentales que toda empresa minera debe desarrollar durante su vida til,
destacndose entre otras tareas: el pronstico cientfico en la localizacin de los
yacimientos minerales tiles, la elaboracin de mtodos eficaces para la exploracin y la
evaluacin gelogo econmico de los yacimientos para su explotacin (Lepin y Ariosa,
1986; Armstrong y Carignan, 1997; Chica, 1987). Todo esto condicionado al agotamiento
de los recursos producto de la explotacin y a las fluctuaciones de las cotizaciones del
mercado. Los trabajos de bsqueda y exploracin se dividen en estadios que son resultado
de la aplicacin de un principio importante del estudio del subsuelo, el Principio de
Aproximaciones Sucesivas. Cada uno de los estadios culmina con la determinacin lo ms
aproximada posible de los recursos minerales del yacimiento, actividad fundamental de las
empresas gelogo - mineras conocida como clculo de recursos y reservas.
El desarrollo de la minera ha trado unido el perfeccionamiento de los mtodos de

bsqueda de los minerales tiles, y los de la determinacin de su cantidad y utilidad para la
extraccin (Lepin y Ariosa, 1986), adems, el mundo minero se hace cada vez ms
competitivo y las compaas necesitan evaluar su potencial econmico (Berckmans y
Armstrong, 1997). Existen actualmente dos formas de realizar el clculo de reservas, los
mtodos clsicos y los modernos. Como clsicos se pueden destacar, el de Bloques
Geolgicos y el de Perfiles Paralelos (Daz, 2001), stos se caracterizan por el uso de
valores medios o media ponderadas de los contenidos de la exploracin en bloques
definidos convenientemente. Estos mtodos son eficientes cuando la informacin disponible
presenta determinada regularidad, pero en la prctica, como se seala en Journel y
Huijbregts (1978) y David (1977) la gran diversidad de formas en que se presentan los datos
ha llevado a la utilizacin de tcnicas matemticas y estadsticas para resolver un nico
problema, estimar valores desconocidos a partir de los conocidos, para la estimacin y
caracterizacin de los recursos y reservas. En los ltimos aos muchas investigaciones se
han desarrollado con este fin (Gotway y Cressie, 1993), existiendo mayor inters en las
estimaciones a nivel local que a nivel global (Rivoirard y Guiblin, 1997). Claro est, no existe
un mtodo por muy sofisticado que sea, que permita obtener resultados exactos.
Nuestro objetivo ser discutir, los mtodos ms eficientes que proporcionen la mayor
informacin posible de los datos disponibles, es decir, los modernos, de los que se pueden
citar entre los geomatemticos: El Inverso de la Distancia, Triangulacin, Splines, etc. An
ms, buscando el mejor estimador que minimice la varianza del error de estimacin surge la
Geoestadstica por los trabajos de G. Matheron en la Escuela Superior de Minas de Pars,
basado en conceptos iniciales de trabajos de H.S. Sichel en 1947 y 1949, en la aplicacin
de la distribucin lognormal en minas de oro, seguido por la famosa contribucin de D.G.
Krige en la aplicacin del anlisis de regresin entre muestras y bloques de mena. Estos
trabajos fijaron la base de la Geoestadstica Lineal, adems, de la introduccin de la teora
de funciones aleatorias por B. Matern en el estudio de la variacin espacial de campos
forestales. La Geoestadstica se consolid y desarrollo en los ltimos 30 aos como ciencia
aplicada casi exclusivamente en el campo minero, la cual ha sido ampliamente usada (Arik,
1992; Rivoirard y Guiblin, 1997), existiendo como ciencia aplicada que da respuesta a
necesidades prcticas y concretas. Se reconoce como una rama de la estadstica
tradicional, que parte de la observacin de que la variabilidad o continuidad espacial de las
variables distribuidas en el espacio tienen una estructura particular (Journel y Huijbregts,
1978; Curran y Atkinson, 1998), desarrollndose herramientas matemticas para el estudio
de estas variables dependientes entre si, llamadas segn Matheron variables
regionalizadas, quien elabor su teora como se presenta en Matheron (1970), Journel y
Huijbregts (1978), David (1977) y de Fouquet (1996). En resumen, la aplicacin de la teora
de los procesos estocsticos a los problemas de evaluacin de reservas de distintos tipos
de materias primas minerales y en general a las ciencias naturales en el anlisis de datos
distribuidos espacial y temporalmente (Christakos y Raghu, 1996) dio origen a lo que hoy se
conoce como Geoestadstica.
3. Geoestadstica, concepto
La Geoestadstica se define como la aplicacin de la Teora de Funciones Aleatorias
al reconocimiento y estimacin de fenmenos naturales (Journel y Huijbregts, 1978), o
simplemente, el estudio de las variables numricas distribuidas en el espacio (Chauvet,
1994), siendo una herramienta til en el estudio de estas variables (Zhang, 1992). Su punto
de partida es asumir una intuicin topo-probabilista (Matheron, 1970). Los fenmenos
distribuidos en el espacio, la mineralizacin en un yacimiento mineral por ejemplo, presenta
un carcter mixto, un comportamiento catico o aleatorio a escala local, pero a la vez
estructural a gran escala (figura 1).
Se puede entonces sugerir la idea de interpretar este fenmeno en trminos de Funcin

Aleatoria (FA), es decir, a cada punto x del espacio se le asocia una Variable Aleatoria (VA)
Z(x), para dos puntos diferentes x e y, se tendrn dos VAs Z(x) y Z(y) diferentes pero no
independientes, y es precisamente su grado de correlacin el encargado de reflejar la
continuidad de la mineralizacin, o de cualquier otro fenmeno en estudio, de modo que el
xito de esta tcnica es la determinacin de la funcin de correlacin espacial de los datos
(Zhang, 1992). Su estimador, El Krigeaje, tiene como objetivo encontrar la mejor estimacin
posible a partir de la informacin disponible, y en efecto, el valor estimado obtenido Z*(x) de
un valor real y desconocido Z(x), consiste en una combinacin lineal de pesos asociados a
cada localizacin donde fue muestreado un valor Z(xi) (i = 1,n) del fenmeno estudiado,
observando dos condiciones fundamentales: 1.- que el estimador sea insesgado. E[Z* - Z] =
0, y 2.- que la varianza Var[Z* - Z] sea mnima, consiguindose de este modo minimizar la
varianza de error de estimacin.
A diferencia de otros mtodos de interpolacin, como por ejemplo el inverso de la

distancia, el krigeaje utiliza en la estimacin las caractersticas de variabilidad y correlacin
espacial del fenmeno estudiado, por lo que su uso implica un anlisis previo de la
informacin con el objetivo de definir o extraer de esta informacin inicial un modelo que
represente su continuidad espacial. Una vez logrado, estamos en condiciones de obtener el
mejor valor posible en cada localizacin o bloque a estimar a partir de los datos medidos,
acompaada de la varianza de krigeaje como medida del error de la estimacin realizada
(Armstrong y Carignan, 1997), lo que distingue al krigeaje de otros mtodos de interpolacin
(Abasov et al., 1990; de Fouquet, 1996; Carr, 1995).
4. Variables aleatorias regionalizadas

Continuando con el caso minero, la informacin inicial para realizar el clculo de
reservas es el resultado del anlisis de los testigos de perforacin, o muestras de
afloramiento, obtenido en los laboreos de exploracin, que como una variable aleatoria
puede tomar cualquier valor dentro de un rango determinado. Esta es la caracterstica
fundamental que distingue a este tipo de variable, adems de su valor, una posicin en el
espacio, hecho ste al que Matheron denomin Variable Aleatoria Regionalizada
(Matheron, 1970), la cual est presente en la mayor parte de los estudios geolgicos
(Pawlowsky et al., 1995) y fenmenos naturales (de Fouquet, 1996). Al respecto en Journel
y Huijbregts (1978) y David (1977) se dedica el captulo II y V respectivamente a la teora
de la variable regionalizada. Captulos donde se presentan los conceptos fundamentales de
la Geoestadstica, en la que particularmente Journel y Huijbregts (1978) plantea que la
definicin de variable regionalizada como una variable distribuida en el espacio es
puramente descriptiva y envuelve una interpretacin probabilstica, refirindose a que,
desde el punto de vista matemtico una variable regionalizada es simplemente una funcin
f(x) que toma valores en todos los puntos x de coordenadas (xi, yi, zi) en el espacio
tridimensional. Sin embargo, es muy frecuente que estas funciones varen tan
irregularmente en el espacio que impiden un estudio matemtico directo, y se hace
necesario realizar un anlisis de variabilidad de la informacin disponible, sugiriendo un
estudio profundo de la funcin variograma como veremos ms adelante.
En trminos tericos es oportuno aclarar que una variable aleatoria (VA) es una
variable que puede tomar ciertos valores de acuerdo a cierta distribucin de probabilidades.
Un valor medido en cada punto xi es considerado como una realizacin z(xi) de una VA Z(xi)
cuya media es m(xi). En los puntos x donde no existen valores medidos es desconocida la
propiedad que se estudia, pero estn bien definidos y pueden asimismo considerarse
5
variables aleatorias Z(x). Al conjunto de todas las mediciones z(x) en el rea de estudio de
la variable regionalizada puede considerarse como una realizacin particular del conjunto de
VAs (Z(x), x rea de estudio). A este conjunto de VAs se llama Funcin Aleatoria y se
escribe Z(x) (Journel y Huijbregts, 1978; Armstrong y Carignan, 1997). De modo que al
extender el concepto de funcin aleatoria al espacio de una o ms dimensiones, aparece la
nocin aleatoria y estructural de una variable regionalizada: primero Z(x) como VA y
segundo que las VAs Z(x) y Z(x+h) no son en general independientes, si no que estn
relacionadas por la estructura espacial de la variable regionalizada original Z(x).
4.1. Conceptos de variable aleatoria regionalizada
En el estudio de las variables aleatorias regionalizadas es importante presentar

conceptos que se sealan en Journel y Huijbregts (1978) y David (1977) y que son
utilizados por la mayora de los autores donde se aplican los mtodos geoestadsticos como
herramienta fundamental de trabajo.
Estos conceptos son:
Regin: se refiere al espacio en el cual existe y se estudia el fenmeno natural.

Localizacin: Es el punto de una regin en la cual se define una variable aleatoria
regionalizada.
Soporte Geomtrico: Est determinado por el elemento fsico sobre el cual se realiza la
determinacin de la variable aleatoria regionalizada, esto no es ms que la muestra unitaria,
sobre la cual estudiaremos el atributo de inters.
Momentos de primer orden:
Si la funcin de distribucin de Z(xi) tiene una media definida, ser una funcin de la
localizacin xi. m(xi) = EZ(xi)
Momento de segundo orden:
Si la varianza (Var) de Z(xi) existe, entonces se define como el momento de segundo orden
y ser tambin una funcin de la localizacin xi.
Var Z(xi) = E[Z(xi) - m(xi)] 2
Si la varianza de las variables Z(xi) y Z(xj) existe entonces la covarianza (Cov) de las stas
tambin existe y es funcin de las localizaciones xi y xj.
Cov[Z(xi), Z(xj)] = E[Z(xi) - m(xi)][Z(xj) - m(xj)]

si xi = xj ;
Cov[Z(xi), Z(xj)] = Var Z(xi)
La funcin variograma o funcin estructural se define como la varianza de la diferencia Z(xi)

- Z(xj).
VarZ(xi) - Z(xj) = 2(xi, xj
la magnitud (xi, xj = VarZ(xi) - Z(xj) se denomina semivariograma.
Tambin se puede definir el correlograma estandarizando, la covarianza para los valores xi xj = h = 0 como:
(h) = C(h)/C(0)
-1 1
donde: C(h) es la covarianza a la distancia h,
C(0) es la covarianza en el origen.
Existen relaciones entre estas medidas de correlacin:
(h = C(0) - C(h)
con (0) = 0
(h) = 1 - (h)/C(0)
5. Hiptesis de la Geoestadstica
Como la forma en que se presenta la informacin es muy diversa (Journel y Huijbregts,
1978), la geoestadstica se construye asumiendo condiciones de estacionaridad. Por lo que es
necesario aceptar el cumplimiento de ciertas hiptesis sobre el carcter de la funcin aleatoria o
procesos estocsticos estudiados, llamadas Hiptesis de la Geoestadstica. Estas son segn Journel
y Huijbregts (1978) y David (1977): La Estacionaridad Estricta, La Estacionaridad de Segundo Orden,
La Hiptesis Intrnseca y los Procesos Cuasiestacionarios.
I- Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la funcin de

distribucin de probabilidades de las variables aleatorias regionalizadas Z(xi) son iguales
entre s, independiente de la localizacin xi, lo que requiere que los momentos de distinto
orden para cada variable aleatoria regionalizada sean completamente independientes de la
localizacin xi. Esta condicin como su nombre lo indica es demasiado restrictiva al estudiar
la mayora de los fenmenos encontrados en la prctica.
II- Estacionaridad de Segundo Orden. Esta condicin es ms frecuente en la prctica, la

misma exige que:
1) EZ(xi) = m, existe y no depende de la localizacin xi.
2) La funcin covarianza, CovZ(xi) - Z(xj), exista y slo dependa de la longitud del vector h
= xi - xj o sea.
C(h) = CovZ(xi), Z(xj) = EZ(xi), Z(xi+h) - m2
Esta hiptesis requiere la estacionaridad slo para la media y para la funcin de covarianza
de la variable aleatoria regionalizada. La segunda condicin implica, estacionaridad de la
varianza y del variograma.
1o
Var[Z(xi)] = E[Z(xi) - m]2 = C(0)
2o
(h) = E[Z(xi)]2 - EZ(xi), Z(xi+h) x
como E[Z(xi), Z(xi+h)] = C(h) + m2

y
E[Z2(xi)] = C(0) + m2
(h) = C(0) + m2 - (C(h) + m2)
(h) = C(0) - C(h).
Como se observa en la ltima expresin (h) y C(h), son dos herramientas que permiten
expresar la correlacin entre la variable aleatoria regionalizada Z(xi) y Z(xi+h), separadas
por el vector h.
III- Hiptesis Intrnseca. Una funcin aleatoria Z(x) se dice intrnseca cuando:
a) Su esperanza matemtica existe y no depende de la localizacin xi.

EZ(x) = m
b) Para todo vector h el incremento [Z(x+h) - Z(x)] tiene varianza finita y no depende de la
localizacin xi:
VarZ(x+h) - Z(x) = E[Z(x+h) - Z(x)]2 = 2(h)
Cuando se cumple esta condicin se dice que la funcin aleatoria Z(x) es

homognea. Esta condicin se encuentra con bastante frecuencia en la naturaleza, pues
existen muchos procesos que no tiene varianza finita y sin embargo, poseen una funcin
variograma finita.
La estacionaridad de segundo orden, siempre implica la condicin
(homogeneidad), sin embargo la relacin inversa no siempre se cumple.
intrnseca
IV- Procesos Cuasiestacionarios. En la prctica la funcin estructural, covarianza o

semivariograma, es slo usada por lmites h b. El lmite b representa la extensin de la
regin en la que el fenmeno estudiado conserva cierta homogeneidad del comportamiento
de Z(xi). En otros casos, b pudiera ser la magnitud de una zona homognea y dos variables
Z(x) y Z(x+h) no pueden ser consideradas en la misma homogenizacin de la mineralizacin
si |h| > b. En tales casos, podemos, y verdaderamente debemos, estar satisfecho con una
funcin estructural C(x,x+h) o (x,x+h), lo que no es ms que estacionaridad local (para
distancias h menores que el lmite b). Esta limitacin de la hiptesis de estacionaridad de
segundo orden (o la hiptesis intrnseca si slo el variograma es asumido) a slo esas
distancias |h|b corresponde a la hiptesis de cuasiestacionaridad. Est hiptesis es
verdaderamente un compromiso de la escala de homogeneidad del fenmeno y la cantidad

de datos disponibles.
En la prctica segn Armstrong y Carignan (1997) y Chica (1987) son dos las
hiptesis que ms se presentan: La Estacionaridad de Segundo Orden y la Hiptesis
Intrnseca. Estas condiciones de estacionaridad se asumen en el desarrollo terico, en la
prctica deben ser verificadas en los datos antes de comenzar un estudio geoestadstico,
para lo que se puede realizar un anlisis estadstico de la informacin, de modo que se
refleje de as el grado de confiabilidad en la aplicacin de estos mtodos.
6. Conocimiento del problema

Antes de comenzar un estudio geoestadstico se deben discutir todos los elementos
que aporten conocimientos del problema a resolver, la estructura geolgica en que se
desarrolla la mineralizacin o el fenmeno en estudio, organizacin y verificacin de la
informacin disponible y finalmente realizar el anlisis exploratorio de los datos.
Una vez obtenido los datos, es necesario que se controlen integralmente a fin de
verificar de una parte su exactitud y de otra su representatividad. Es importante que se est
familiarizado con los datos, discutir todos los elementos necesarios a fin de conocer el
problema a resolver (Armstrong y Carignan, 1997). En la minera los resultados son muy
sensibles al nivel de informacin usado (Carrasco-Castelli y Jara-Salame, 1998; Lantujoul,
1994), cualquier modificacin involuntaria en la etapa inicial se refleja sistemticamente
durante todo el estudio (Armstrong y Roth, 1997; Armstrong y Carignan, 1997).
6.1. Conceptos necesarios de estadstica bsica
Con el objetivo de conocer la informacin disponible se puede hacer un anlisis de la

estadstica descriptiva (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977). A
continuacin se presenta un resumen de los conceptos necesarios de estadstica bsica.
A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la distribucin

de los datos es normal, lognormal, o si no se ajustan a una distribucin estadstica, lo cual
implica tener conocimiento de:
1.- Numero de casos: Es el nmero de valores muestreados del fenmeno en estudio,

representados por n y los datos por xi, i = 1, . . . , n, que llamamos distribucin.
2.- Rango de la distribucin: Es la diferencia entre el valor mximo y el mnimo.
3.- Media: Es la media aritmtica de la distribucin, dado por la frmula:
Xm
1 n
Xi
n i 1
4.- Moda: Es el valor ms frecuente de la distribucin.
5.- Mediana: Es el valor para el cual la mitad de los datos son menores y la otra mitad estn
por encima de este valor.
Si ordenamos los datos en orden ascendente podemos calcular la mediana como.
X(n+1)/2
M =
si n es impar.
(Xn/2 + Xn/2+1)/2
si n es par.
La mediana es tambin llamada percentil 50, adems los datos no solo se dividen en
dos grupos, sino que se pueden dividir en cuatro partes, cuartiles, donde Q1 = percentil 25,
Q2 = Mediana y Q3 = percentil 75, si los datos se dividen en 10, tenemos los deciles. De
forma general estas medidas se pueden calcular por: p(n+1)/100 sima observacin de los
datos ordenados ascendentemente, donde p es el percentil que se desea calcular.
6.- Varianza: Describe la variabilidad de la distribucin. Es la medida de la desviacin o

dispersin de la distribucin y se calcula por:
1 n
n 1 i 1
Xi X m
La razn principal por la que se aboga por la divisin entre n-1 en la estimacin de la
varianza, es porque proporciona un mejor estimado; si dividimos por n-1 nos referimos a la
varianza muestral S2 como un estimador insesgado de la varianza poblacional 2. Esto
significa que si un experimento fuera repetido muchas veces se podra esperar que el
promedio de los valores as obtenidos para S2 igualara a 2. Por otra parte si dividimos
entre n los valores obtenidos para S2 seran como promedio demasiado pequeo.
7.- Desviacin estndar: Describe la tendencia o dispersin de la distribucin. Es la

medida de desviacin alrededor de la media. Se calcula por:
8.- Coeficiente de asimetra: Describe la simetra de la distribucin relativa a la distribucin

normal. Se calcula por:
1 n
3
3 Xi Xm S 3
n i 1
10
En la distribucin normal la asimetra tiene valor cero, un valor negativo indica una cola a la
izquierda y un valor positivo indica una cola a la derecha.
9.- Curtosis: Describe el grado de esbeltez de la distribucin, tomado por lo general en

relacin a una distribucin normal, y se puede calcular por:
1 n
4
4 Xi Xm S 4
n i 1
La distribucin normal tiene curtosis igual a tres, y es llamada mesocrtica. A las

distribuciones ms agudas, con colas relativamente anchas, se les llama leptocrticas,
tienen valores de curtosis mayores que tres, y las distribuciones ms bien achatadas en el
centro se llaman platicrticas, tienen valores menores que tres, en ocasiones se acostumbra
a definir la curtosis como 4 - 3.
10.- Error estndar: Describe el grado de conocimiento de los datos y se puede calcular
por:
2 / n
La distribucin normal tiene un valor de error estndar menor que 1.25 y la distribucin
lognormal o una distribucin con tendencia positiva, tiene valores de error estndar mayores
que 1.25.
11.- Coeficiente de variacin: Es una medida de la variacin relativa de los datos y puede
ser calculado por:
CV = S/Xm
y en porcentaje como: 100 CV = 100 (S/Xm) %
Proporciona una comparacin entre la variacin de grandes valores y la variacin de

pequeos valores. Las tcnicas de Geoestadstica Lineal que predomina en el campo de las
geociencias producen los mejores resultados cuando el coeficiente de variacin es menor
que uno, CV 1. Para CV 1 se recomiendan tcnicas de Geoestadstica no Lineal.
11
12.- Prueba Chi-Cuadrado: Permite determinar si la distribucin es normal, lognormal o

alguna otra distribucin probabilstica, es su lugar puede ser usada la prueba Kolmogorov
Smirnov como se refleja por muchos autores es ms robusta.
13.- Prueba t-Student: Permite determinar si en una distribucin bimodal las medias de las
poblaciones son estadsticamente diferentes.
B: Construccin de grficos estadsticos: Estos grficos permiten ilustrar y entender las

distribuciones de los datos, identificar datos errados, valores extremos, los mismos incluyen:
1.- Mapa base, seccin cruzada y vista en perspectiva: Son usados para visualizar la
relacin espacial en 2 y 3 dimensiones, permiten encontrar errores en la informacin.
2.- Histogramas: Son usados para ver las caractersticas descriptivas de la distribucin. Es
un grfico de barras donde en las abscisas aparecen los lmites de las clases y en las
ordenadas las frecuencias correspondientes a cada clase.
3.-Frecuencia acumulativa: Usado para identificar el tipo de distribucin muestral y ayuda
a determinar si estn presentes poblaciones mixtas. Es un grfico de lmite de clase contra
frecuencia acumulada.
En el caso de grficos estadsticos es til usar los grficos de frecuencia absoluta, relativa,
acumulativa y el diagrama de dispersin, como se presenta en muchos sistemas.
Todos estos elementos permiten decidir sobre las condiciones de estacionaridad vistas
anteriormente. Muchos autores slo toman como elementos fundamentales de estadstica
bsica que: la media y la mediana tome valores prximos; el coeficiente de variacin sea
inferior a 1; la distribucin de los datos est prxima a la curva normal y no existan valores
extremos que afecten el desarrollo del anlisis estructural.
7. El anlisis estructural
El anlisis estructural o estudio variogrfico segn (Armstrong y Carignan, 1997) est compuesto por:
El clculo del semivariograma experimental.

El ajuste a este de un modelo terico conocido.
El clculo del semivariograma experimental es la herramienta geoestadstica ms
importante en la determinacin de las caractersticas de variabilidad y correlacin espacial
del fenmeno estudiado (Chica, 1987), es decir, tener conocimiento de como la variable
cambia de una localizacin a otra (Lamorey y Jacobsom, 1995; Issaks & Co.,1999),
representando el til ms importante de que dispone el geoestadstico para el anlisis del
fenmeno mineralizado o de la variable de distribucin espacial en estudio (Sahin et
al.,1998; Genton, 1998a). Este anlisis tiene como condicionantes: la distribucin
estadstica, la existencia de valores aberrantes o anmalos, la presencia de zonas
homogneas o posibles zonaciones en la distribucin de las leyes.
Puede ser calculado inicialmente el semivariograma medio, global u omnidireccional (ver
El Semivariograma Experimental), proporcionando una idea inicial de la variabilidad espacial
de los datos, siendo el ms idneo para representar u obtener una estructura clara y
definida. Posteriormente deben ser calculados los semivariogramas en diferentes
direcciones, puede ser calculado en 4 direcciones separadas 45 con tolerancia angular de
22.5, comenzando por 0 (figura 2a) hasta encontrar la direccin de mxima o mnima
12
variabilidad (figura 2b), pueden ser calculados tambin, ms especficamente, en 8

direcciones separadas por 22.5. Una forma rpida y prctica de visualizar la existencia de
anisotropa es mediante el clculo del Mapa de Variogramas (Frykman y Rogon, 1993;
Homand-Etienne et al.,1995; Isaaks & Co.,1999), el cual adems permitir obtener la
direccin inicial aproximada para el clculo de los semivariogramas direccionales,
permitiendo un anlisis adecuado de anisotropa. Posteriormente, dependiendo de la
continuidad espacial, es suficiente slo calcular dos semivariogramas separados 90.
Ahora, el semivariograma experimental obtenido no es utilizado en el proceso de

estimacin, debe ser ajustado a ste uno a varios modelos tericos, obtenindose un
modelo o funcin analtica que caracteriza la continuidad espacial de la variable estudiada.
Los modelos de variograma terico utilizado en el proceso de estimacin o simulacin
deben satisfacer ciertas condiciones, es decir tienen que ser definido positivo o de tipo
positivo (Deutsch, 1994; Myers, 1992; Cressie y Grondona, 1992) de lo contrario puede
existir el riesgo de encontrar varianzas negativas que no tienen sentido (Armstrong y
Carignan, 1997). En general el ajuste a modelos tericos para la determinacin de los
parmetros del semivariograma se realiza de forma visual. En ocasiones se efectan
ajustes polinomiales por el mtodo de los mnimos cuadrados u otras variantes, que aunque
se encuentra el mejor ajuste, no siempre se verifica la condicin de que el variograma
obtenido sea siempre de tipo positivo, siendo insatisfactorio (Genton, 1998b), por lo que se
recomienda el uso de modelos autorizados. Finalmente debe obtenerse uno o varios
modelos de variogramas con los correspondientes valores de meseta y alcance. El modelo
de variograma seleccionado debe representar fielmente los aspectos que se suponen
importantes del variograma experimental (Wackernagel, 1995), que sern usados
posteriormente en el proceso de estimacin o simulacin.
7.1. El semivariograma experimental
El variograma se define como la media aritmtica de todos los cuadrados de las

diferencias entre pares de valores experimentales separados una distancia h (Journel y
Huijbregts, 1978), o lo que es lo mismo, la varianza de los incrementos de la variable
regionalizada en las localizaciones separadas una distancia h.
13
Var{Z(x+h)-Z(x)} = 2(h)
La funcin (h) se denomina semivariograma, la cual puede ser obtenido por la expresin.
( h)
donde:
Np ( h )
1
Z ( xi ) Z ( xi h)2
2 Np (h) i 1
Np(h) es el nmero de pares a la distancia h.
es el incremento.
Z(xi)
son los valores experimentales.
xi
localizaciones donde son medidos los valores z(xi).
Esta expresin de (h) representa el til ms importante en todo estudio

geoestadstico (Armstrong y Carignan, 1997; Weerts, y Bierkens, 1993; Chica, 1987). Su
clculo no consiste en una simple evaluacin de su expresin, segn se plantea en
(Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977; Xie y Myers, 1995a;
Pannatier, 1993) esta operacin est relacionada con los elementos siguientes:
La direccin en la que ser calculado el semivariograma, uno o dos ngulos que definen
una direccin en el espacio y/o con tolerancias angulares d y/o d. El
semivariograma calculado usando tolerancia angular de 90 se denomina
semivariograma medio, global u omnidireccional como ya se indic.
El incremento o paso en el clculo del semivariograma h y su tolerancia lineal dh, se
recomienda que el valor de dh sea la mitad del incremento inicial.
Una distancia, que representa la distancia mxima a que pueden estar alejados los
segundos puntos del par con respecto a la lnea que define la direccin de clculo,
conocido como ancho de banda.
La distancia Lmax hasta la cual ser calculado del semivariograma. Se recomienda que
sta sea la mitad de la distancia entre las muestras ms alejadas (Armstrong y
Carignan, 1997; Krajewski y Gibbs, 1993), aunque dependiendo de la geometra del
fenmeno regionalizado en algunos casos puede ser calculado hasta una distancia
superior.
Definido los elementos anteriores, se evala la expresin del semivariograma para todos los
pares de localizaciones separadas a la distancia h que cumplan las siguientes condiciones:
14
1.- La distancia entre las localizaciones xi y xi+h sea mayor que h-dh y menor que h+dh, o lo
que es lo mismo, el segundo punto del par est incluido en el espacio definido por h-dh y
h+dh encontrndose el primer punto del par en el origen o (figura 3), este origen se mueve
entre las muestras a analizar.
2.- El ngulo formado entre la lnea que une los dos puntos del par y la direccin 0o debe
estar incluido entre -d y +d (figura 4).
3.- La distancia entre el segundo punto del par y la lnea que define la direccin de clculo del
semivariograma no debe superar el ancho de banda (Deutsch y Journel, 1998) (figura 5).
Finalmente se representan grficamente los valores de (h) en funcin de h.
15
El grfico de (h) tiene las siguientes caractersticas segn (Armstrong y Carignan, 1997;
Krajewski y Gibbs, 1993; Curran y Atkinson, 1998) (figura 6).
Pasa por el origen (para h=0, (h)=0)

Es en general una funcin creciente de h.
En la mayor parte de los casos (h) crece hasta cierto lmite llamado meseta, en otros casos
puede crecer indefinidamente. El comportamiento en el origen puede tener diferentes
formas, las cuales son segn Journel y Huijbregts (1978), Armstrong y Carignan (1997),
Chica (1987) (figura 7):
Parablico: Caracteriza a una variable muy regular, siendo continua y diferenciable.
Lineal: Caracteriza a una variable continua, pero no diferenciable, es decir menos regular.
Discontinuidad en el origen: Efecto de pepita, es el caso en que (h) no tiende a cero
cuando h tiene a cero. Representa a una variable muy irregular.
Discontinuo puro: Llamado tambin ruido blanco, representa el caso de mayor
discontinuidad, siendo el caso limite de ausencia de estructura, donde los valores de dos
puntos cualesquiera no tienen correlacin alguna.
16
7.1.1.
Construccin del semivariograma experimental en 2D
A continuacin se presentan ocho pasos para la construccin del semivariograma

experimental para datos distribuidos en dos dimensiones, resultado del anlisis realizado en
la bibliografa consultada.
Sea Z(x) una funcin aleatoria con N variables aleatorias regionalizadas Z(xi) donde
x = x, y es la localizacin y Z(xi) es el valor medido correspondiente. Dados una direccin
a travs de un ngulo en la cual se desea calcular el semivariograma, d una tolerancia
angular, dh una tolerancia lineal y el ancho de banda.
Se proponen los siguientes pasos:
1.- Calcular la cantidad de pares de datos posibles por: Np = N(N-1)/2

2.- Para cada par, calcular la distancia entre las localizaciones correspondientes por:
di
X 1 X 2 2 Y1 Y2 2
i = 1, . . . , Np
almacenando para cada i:

- P1: Nmero del primer punto del par,
- P2: Nmero del segundo punto del par,
- d: Valor de la distancia entre los dos puntos del par.
- Angulo que fija la direccin de la recta que pasa por los dos puntos del par.
3.- Ordenar ascendentemente el grupo de datos anteriores por la distancia.

4.- Calcular la amplitud mxima del semivariograma Lmax como Lmax = Dmax/2, donde Dmax es
la distancia a que estn separadas las localizaciones ms lejanas. Esto es la mxima
distancia calculada en el paso (2), o lo que es lo mismo, el ltimo valor despus del
17
ordenamiento del paso anterior.

5.- Fijar una distancia h inicial conocida como paso o incremento del semivariograma, se recomienda
la distancia promedio entre las muestras contiguas. Para los mltiplos de esta distancia ser
calculada (h), por la expresin del semivariograma. Esto indica la cantidad de puntos a procesar en
el semivariograma, el cual se puede obtener como Lmax / h
6.- Calcular la expresin del semivariograma para todos los pares almacenados en el paso
(2) que cumplan las condiciones siguientes:
a) La distancia d sea mayor que h-dh y menor que h+dh, es decir, h-dh d h+dh. Si esta
condicin se cumple examinar la condicin b, de lo contrario continuar con la distancia
siguiente.
b) El ngulo formado entre las lneas que parten del primer punto del par en la direccin
0o y la que pasa por los dos puntos del par en la direccin positiva, es decir, en contra
de las manecillas del reloj, sea mayor que -d y menor que +d, es decir, -d
+d. Si esta condicin se cumple examinar la condicin c, de lo contrario continuar
con la distancia siguiente
c) La distancia entre el segundo punto del par y la lnea que pasa por el primer punto en la
direccin no supere el ancho de banda.
Observaciones:
*
Note que como los datos almacenados en el paso (2) estn ordenados
ascendentemente por la distancia, este paso se interrumpe cuando la distancia siguiente
sea mayor que h+dh, y aqu precisamente, comienza la prxima iteracin.
*
Al interrumpir este paso calcular el semivariograma con los pares que cumplieron
las condiciones a, b y c, as obtenemos un valor de (h) correspondiente al incremento h
actual.
7.- Incrementar la distancia h en su propio valor, es decir, h ser el prximo mltiplo del h
inicial. Si el nuevo valor de h no supera el valor de L. Regresar al paso (6) de lo contrario
continuar el siguiente paso.
8.- Al finalizar el paso (7) debemos tener para cada valor transitado por h un valor calculado
de (h), los cuales sern representados en un grfico X-Y donde en la abscisa representan
los valores de h y en la ordenada los de (h). Obteniendo as el semivariograma
experimental o emprico para una direccin, incremento y tolerancias definidas.
7.1.2.
Construccin del semivariograma en tres dimensiones 3D
Para la construccin del semivariograma 3D es necesario incorporar a la direccin del

clculo un nuevo ngulo que permita fijar unido al ngulo una direccin en el espacio
tridimensional. El ngulo debe variar entre -90o y 90o, teniendo en cuenta que los valores
extremos coinciden con la direccin vertical y son independientes de la direccin del ngulo
La construccin del semivariograma 3D es similar al 2D con cambios en dos de sus pasos

presentados anteriormente:
1.- En el paso 2: el clculo de la distancia se sustituye por:
18
di
X 1 X 2 2 Y1 Y2 2 Z1 Z 2 2
Almacenar para cada i adems: Otro ngulo que fija junto al ngulo la direccin de la recta que
pasa por los dos puntos del par en tres dimensiones.
2.- En el paso 6 punto b, la direccin que contiene a los dos puntos del par debe estar
incluida en el ngulo slido formado por la direccin del clculo del semivariograma y la
tolerancia d, con centro en el primer punto del par.
En el caso del clculo del semivariograma en tres dimensiones, an cuando tericamente

pueden ser calculados, en la prctica nos encontramos una direccin que juega un rol
diferente a la del resto (Armstrong y Carignan, 1997). En el caso minero las variaciones a
travs de los estratos es diferente a su comportamiento a lo largo de un estrato, esto unido
a la forma en que se realiza la exploracin, varios pozos distanciados decenas de metros y
cada uno contiene un conjunto de muestras mineralizadas con una longitud del orden de 1
m. Es recomendable entonces analizar est direccin por separado y desarrollar un anlisis
de variabilidad espacial en la direccin vertical, es decir, perpendicular a la estructura
geolgica y otro anlisis en la direccin horizontal, a lo largo de la estructura geolgica,
utilizando en este caso compsitos de la zona de inters, realizando adems, un anlisis de
anisotropa. Elementos que permitirn describir la variabilidad en tres dimensiones.
7.1.3.
Problemas ms comunes encontrados en el clculo de semivariograma
De lo expresado hasta aqu, adems de lo planteado en muchos textos de

geoestadstica, se puede obtener la impresin de que es fcil el clculo del semivariograma
experimental (Armstrong y Carignan, 1997). La fuente de problemas que se pueden
presentar en la realizacin del un anlisis estructural es muy variada, lo que est en
correspondencia con la variedad de casos que se presentan en la naturaleza. Algunos de
los problemas ms comunes discutidos en Armstrong y Carignan (1997) son:
El valor idneo del incremento h: Una inadecuada seleccin de h puede

proporcionar un semivariograma errtico, aunque no se puede dar un criterio exacto o
aproximado sobre cual el mejor valor de h, es recomendable recalcular (h) para distintos
valores de h, hasta encontrar una forma suavizada del mismo.
Distribuciones con valores extremos: La existencia de valores extremos, altos o

bajos, en una distribucin, puede conducir a la obtencin de un variograma fuertemente
errtico. En este caso la solucin puede ser simple, eliminar los datos extremos, porque
pueden ser ocasionados por errores, en otros casos pueden encontrarse en zonas
geogrficamente distintas y pueden ser tratados de manera separada.
Una herramienta til para la deteccin de valores extremos y encontrar el incremento

adecuado puede ser, calculado la Nube de Variogramas (Armstrong y Carignan, 1997),
el cual consiste en representar los valores de [Z(xi+h)-Z(xi)]2/2 contra h, para cada par
posible de la informacin inicial.
19
La existencia de poblaciones mixtas: Existen datos que pueden mostrar diferentes

poblaciones, los cuales pueden estar estadsticamente diferenciados. En muchos casos las
poblaciones estn geogrficamente diferenciadas, donde se recomienda tratar las zonas por
separado. En otros casos las poblaciones se presenten mezcladas geogrficamente, en
este caso una solucin puede ser un cambio de escala, con lo que se logra reducir la
diferencia de los valores extremos.
En Krajewski y Gibbs (1993) se presentan otras razones por los que los
semivariogramas son errticos, las cuales son: 1.- No hay suficientes muestras, 2.- Las
muestras no son representativas del fenmeno, 3.- Las clasificaciones de las muestras no
son vlidas, 4.- El rea estudiada es no homognea, 5.- Pequeos o largos conjuntos de
datos son necesarios, 6.- Pequeas o largas distancia deben ser calculadas, 7.- Ms o
menos distancias deben ser calculadas, 8.- Pequeas tolerancias son necesarias, 9.- Las
muestras pueden tener localizaciones incorrectas, 10.- Los valores muestreados pueden ser
errneos.
El problema fundamental en la obtencin de un semivariograma correcto es, la

eleccin adecuada de los intervalos de distancias para los cuales ser calculado el
semivariograma, de modo que en stos la cantidad de pares encontrados sea suficiente
desde el punto de vista estadstico.
7.2.
Modelado de semivariogramas
El modelado de semivariogramas incluye dos etapas fundamentales (Xie y Myers,

1995a), una vez construido el semivariograma experimental o emprico es necesario ajustar
a este un modelo terico, con el objetivo de determinar los parmetros descriptivos del
semivariograma que posteriormente sern usados en la estimacin (ASCE Task, 1990;
Journel y Huijbregts, 1978; David, 1977; Lamorey y Jacobsom, 1995; Pannatier, 1993; Arik,
1990; Dubrule, 1994).
7.2.1.
Parmetros del semivariograma
Los parmetros del semivariograma caracterizan tres elementos importantes en la

variabilidad de un atributo que son: la discontinuidad en el origen (existencia de efecto de
pepita), el valor mximo de variabilidad (meseta), y el rea de influencia de la correlacin
(alcance), (figura 8). como se presentan en Krajewski y Gibbs (1993), Journel y Huijbregts
(1978), David (1977), Echaabi (1995), Lamorey y Jacobsom (1995), Wallace y Hawkims
(1994), Pannatier (1993), Arik (1990), Pitard (1994), y se describen a continuacin.
20
El Efecto Pepita (Nugget): El semivariograma por definicin es nulo en el origen, pero en

la prctica las funciones obtenidas pueden presentar discontinuidad en el origen, a esta
discontinuidad se le llama efecto de pepita, en ingles (Nugget effect). Puede ser obtenido
trazando una lnea recta entre los primeros puntos del semivariograma emprico y extender
sta hasta que se intercepte con el eje Y. Si esta interseccin ocurre por debajo de cero, el
valor asumido por este efecto es cero, pues valores negativos de (0) no tienen significado y
no es comn. El efecto pepita se representa como Co.
La Meseta (Sill): Es el valor de (h) para el cual con el aumento de h su valor permanece
constante, se representa como (CT = C + Co) y se denomina meseta. Puede obtenerse
trazando una lnea paralela a la abscisa y que se ajuste a los puntos de mayor valor del
semivariograma y su valor se lee en la interseccin de esta lnea con la ordenada.
El Alcance (Range): La distancia h para la cual las variables Z(x) y Z(x+h) son
independientes, se denomina alcance y se representa por (a), es decir, las distancias para
la cual los valores de la variable dejan de estar correlacionados, o lo que es lo mismo, la
distancia para la cual el semivariograma alcanza su meseta.
El alcance siempre tiene valor positivo y puede ser obtenido a partir de la interseccin de
las lneas descritas en los puntos anteriores, ese punto ledo en la abscisa es una fraccin
del propio alcance, fraccin que se detallara posteriormente en la explicacin de los
modelos tericos.
7.2.2.
7.2.3.
Modelos tericos de semivariogramas
Los modelos tericos de semivariogramas admisible o autorizados ms utilizados en

la prctica se presentan en Journel y Huijbregts (1978) en los que coinciden Krajewski y
Gibbs (1993), Deutsch y Journel (1998), Bacchi y Kottegoda (1995), Wackernagel (1995),
Armstrong y Carignan (1997), Myers (1991c), Kiyono y Suzuki (1996). Atendiendo a las dos
caractersticas ms importantes en el modelado de semivariogramas que son segn Journel
y Huijbregts (1978): 1.- Su comportamiento en el origen, el cual puede ser linear, parablico
y con Efecto de Pepita y 2.- La presencia o ausencia de meseta. Estos modelos son:
Efecto de Pepita: Corresponde a un fenmeno puramente aleatorio (ruido blanco), sin

correlacin entre las muestras, cualquiera sea la distancia que las separe, (figura 9), donde
C representa el valor de la meseta.
(h)
=0
=C
h=0
|h|>0
21
Modelo Esfrico: Este modelo es probablemente el ms utilizado, es una expresin

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

C
ha
h>a
Modelo Exponencial: Este modelo a diferencia del esfrico crece inicialmente ms rpido y
despus se estabiliza de forma asinttica (figura 11). Como la meseta no se alcanza a una
distancia finita, se usa con fines prcticos el alcance efectivo o alcance prctico a, valor
que se obtiene en el punto de abscisa para el cual el modelo obtiene el 95% de la meseta,
con un valor a=3a, donde a es el parmetro de escala. La tangente en el origen encuentra
a la meseta en el punto a=(1/3)a.
22
(h) = C [1 - Exp(-|h|/a)]
|h| > 0
Modelo Gaussiano: Este es un modelo extremadamente continuo (figura 12), inicialmente

presenta un comportamiento parablico en el origen, despus al igual que en el modelo
Exponencial se alcanza la meseta de forma asinttica. El alcance prctico tiene un valor de
a=1.73a, que es el valor de la abscisa donde se alcanza el 95% de la meseta.
(h)= C [ 1 - Exp(-|h|2/a2)]
|h| > 0
Modelo con funcin potencia: Este es un modelo sin meseta, su forma se representa en
la figura 13, para valores de correspondientes a 0.5, 1.0 y 1.5.
(h) = |h| con ]0, 2[
23
Para el valor de =1 en el modelo anterior se obtiene el modelo Lineal, al cual no tiene ni

meseta ni alcance. Ahora por efectos prcticos, sin embargo, muchos programas
informticos denotan la pendiente del modelo lineal con la relacin C/a (figura 14).
(h) = (C/a) |h|
Se han presentado los modelos ms usados en la prctica, aunque se debe sealar,

existen otros modelos que son ampliamente descritos en el manual de referencias del
sistema geoestadstico Isatis.
24
Estos modelos pueden ser ajustados individualmente, aunque es posible encontrar

en la prctica aplicaciones donde a los semivariogramas experimentales se les debe ajustar
ms de un modelo terico, es decir, a travs de superposicin, nombrndose estructuras
imbricadas (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977).
La seleccin del modelo y los parmetros apropiados a las caractersticas del

semivariograma emprico, para ser usados en la interpolacin geoestadstica que veremos
posteriormente es el punto ms importante en el proceso planteando (Arik, 1990), adems,
esta seleccin es fundamental en el caso particular de la minera donde se presentan
yacimientos: con irregularidad en la densidad de barrenos; sin una adecuada perforacin;
con alta asimetra en la distribucin o que carecen de un modelado geolgico propio. Al
respecto se refieren muchos autores sobre el efecto negativo que puede tener en la
estimacin el uso del krigeaje sin un estudio de estructura espacial y la seleccin adecuada
del modelo de semivariograma y sus parmetros.
7.2.4.
Validacin del modelo terico
Como el ajuste de los modelos tericos al semivariograma experimental, se realiza

de forma visual o interactiva, variando los valores Co (efecto de pepita), C + Co (meseta) y a
(alcance), hasta coincidir con los parmetros que mejor se ajustan, es conveniente validar el
modelo seleccionado y los parmetros meseta y alcance escogidos. Al respecto se discute
la validacin cruzada en Journel y Huijbregts (1978), Armstrong y Carignan (1997), Bacchi y
Kottegoda (1995), Myers (1991b), Deutsch y Journel (1998), Xie y Myers (1995b), Kiyono y
Suzuki (1996), Host (1995), Lajaunie (1997), Madani (1998), Carr (1994).
El mtodo de validacin cruzada ha sido ampliamente utilizado para evaluar el grado

de bondad de un modelo de semivariograma y reconocido como un mtodo ptimo de
estimacin de sus parmetros. La operacin de validar un semivariograma terico ajustado
a uno experimental siempre toma mucho tiempo, ste se considera como el ltimo de los
pasos importantes del anlisis de variabilidad, debido a que una vez obtenido este resultado
ser utilizado en la estimacin por krigeaje en cualquiera de sus variantes.
7.2.4.1. Validacin cruzada
Sea Z(x) una funcin aleatoria estacionaria con semivariograma (h), su funcin de
covarianza C(h) viene dada por C(h) = 2 - (h) donde 2 es la varianza de Z(x). Sea Zx1,
Zx2,...,Zxn los valores de Z(x) en n puntos medidos. La validacin cruzada consiste en
suprimir el i-simo valor medido Z(xi) y estimarlo a partir del resto de los datos. El valor
estimado Z*(xi) se calcula por krigeaje, procedimiento explicado ms adelante.
Si se repite este proceso para los N puntos, se pueden calcular n errores de validacin:
E(xi) = Z*(xi)- Z(xi)
i = 1, 2, . . . , N.
25
As se van probando diferentes valores de los parmetros del semivariograma hasta que
los errores de validacin cumplen los siguientes criterios estadsticos: (Journel y Huijbregts,
1978; David, 1977; Armstrong y Carignan, 1997).
1. El
error medio,
dado
por
T 1 = (1/n) i=1,n [Z(xi) - Z*(xi)],
debe
ser
aproximadamente igual a cero.
2. El error medio cuadrado, dado por T2 = (1/n) i=1,n [Z(xi) - Z*(xi)]2, debe ser pequeo.
3. La medida, T3 = (1/n) i=1,n [Z(xi) - Z*(xi)]/2, debe ser igual a uno.
4. La medida, T4 = Corr[Z(xi) - Z*(xi)]/, Z*(xi), debe ser cero.
5. La medida, T5 = CorrZ(xi), Z*(xi), debe ser uno.
Otros autores slo plantean que las medidas fundamentales son la indicada por T1 y T3,
(Lamorey y Jacobsom, 1995; Bacchi y Kottegoda, 1995).
7.2.5.
Ajuste automtico
El ajuste de modelos de semivariogramas se puede realizar tambin de forma

automtica. Esta ha sido presentada por varios autores, en la que se sugieren una forma
particular de aplicar el mtodo de los mnimos cuadrados y as obtener el modelo y sus
parmetros, teniendo en cuenta que el modelo obtenido sea definido positivo, como ya se
ha indicado. La efectividad de estos se describe y argumenta en Gotway (1991) y Zhang
(1995). Una comparacin generalizadora se presenta en Zimmerman y Zimmerman (1991)
donde se comparan varios mtodos para estimar los parmetros del semivariograma entre
visuales y automticos.
Ahora, el ajuste realizado de forma automtica no tiene porque reportar mejores

resultados en el proceso de estimacin, recomendndose en Journel y Huijbregts (1978) y
Lantujoul (1997) y otros validar el modelo seleccionado de acuerdo al estimador a utilizar.
Un criterio decisivo, independiente de la forma utilizada en la eleccin del modelo terico y
sus parmetros, es si lugar a dudas, emplear el mtodo de la validacin cruzada con el
estimador a utilizar en el proceso de estimacin, discutido anteriormente.
7.3.
Anlisis de anisotropa
Conviene aqu realizar un anlisis sobre el comportamiento de la variabilidad del

atributo en estudio. Se conoce que el semivariograma describe las caractersticas de
continuidad espacial de la variable regionalizada en una direccin, pero este
comportamiento pueden variar segn la direccin que se analice, como se discute en
Journel y Huijbregts (1978), David (1977), Zimmerman (1993), Krajewski y Gibbs (1993).
Se exige por este motivo un anlisis del comportamiento de la continuidad en distintas
direcciones, el Anlisis de Anisotropa.
Cuando el semivariograma calculado en diferentes direcciones (norte-sur, este-oeste, y en

direcciones intermedias de 45 o de 22.5, con tolerancia de 22.5o), muestra similar
comportamiento, se dice que el fenmeno es Isotrpico, cuando muestran diferentes
comportamientos es Anisotrpico (Krajewski y Gibbs, 1993). Los tipos de anisotropas ms
26
comunes son la Geomtrica y la Zonal. (Krajewski y Gibbs, 1993; Journel y Huijbregts,

1978; Armstrong y Carignan, 1997)
Anisotropa Geomtrica: Est presente cuando los semivariogramas en diferentes

direcciones tiene la misma meseta pero distintos alcance (figura 15).
Anisotropa Zonal: Est presente cuando los semivariogramas en diferentes direcciones
tiene diferentes mesetas y alcances (figura 16).
Al respecto en (Zimmerman, 1993), se hace un estudio profundo de los tipos de anisotropa,

proponiendo una nueva terminologa. En estos casos conviene realizar transformaciones de
coordenadas con el objetivo de obtener modelos Isotrpicos (Journel y Huijbregts, 1978;
Chica, 1987; Armstrong y Carignan, 1997).
7.3.1.
Efecto proporcional
Cuando en el clculo del semivariograma se detecta que existe una relacin linear entre el
valor medio de las muestras usadas en el clculo de cada (h) y la desviacin estndar
correspondiente, se dice que existe un efecto proporcional (heterosedasticidad). Este efecto
se puede detectar ploteando los valores de Xm contra , es decir, que el coeficiente de
variacin (/Xm) sea aproximadamente constante, ocurre cuando los datos presentan una
distribucin lognormal (Journel y Huijbregts, 1978) (figura 17). La solucin a este problema
propuesta por David (1977) consiste en dividir cada valor del semivariograma local por el
cuadrado de la media local, y obtener lo que se conoce como semivariograma relativo
(David, 1977).
F(h) = (h)/Xm2(h)
27
1 N ( h ) Z (xi ) Z (xi h)
F (h)
2 N (h) i 1 Z (x ) Z (x h) 2
i
i
2
Puede ser calculado usando los pasos anteriormente presentados para el clculo de los
semivariogramas tradicionales.
Existen otras medidas de la continuidad espacial descritas en Journel y Huijbregts (1978) y

Pannatier (1993), las cuales permiten un anlisis estructural detallado con diferentes
objetivos.
7.3.2.
Problemas en el modelaje de semivariogramas
Los problemas ms comunes al modelar semivariogramas que complican este

proceso se presentan en Krajewski y Gibbs (1993). Se analizan los siguientes casos.
1.- La anisotropa geomtrica est presente:

Indica que los semivariogramas
direccionales tienen la misma meseta pero diferentes alcances, sta puede ser corregida a
travs de una transformacin linear de coordenadas que permita reducir una elipse a un
circulo.
2.- La anisotropa zonal est presente: indica que tanto las mesetas como los alcances
son diferentes para los semivariogramas direccionales, puede ser corregido separando el
semivariograma en sus componentes isotrpicos horizontal y anisotrpico vertical.
3.- La tendencia de los datos est presente: indica que los valores medidos aumentan o
disminuyen dramticamente en la zona estudiada con el aumento de la distancia. Esto
puede ser resuelto aplicando polinomios a la ecuacin del semivariograma, es decir un
anlisis de tendencia.
4.- El efecto proporcional est presente: Indica que la desviacin estndar local es
proporcional al cuadrado de la media local y que los datos presentan una distribucin
lognormal, puede ser resuelto dividiendo cada valor del semivariograma local por el
cuadrado de la media local, es decir usando semivariogramas relativos.
5.- Existencia de estructuras anidadas: indica que diferentes procesos operan a
diferentes escalas, como por ejemplo alguno o todos los siguientes: A muy pequeas
distancias la variabilidad puede estar presente debido a cambios de una composicin
mineral a otra. A pequeas distancias la variabilidad puede estar presente debido a errores.
A grandes distancia la variabilidad puede estar presente debido a casos transitorios de
desgaste mineral. El cual puede ser resuelto aplicando varios modelos simultneamente.
28
6.- Existencia de efecto hueco: indica que muy pocos pares estn disponible para la
comparacin a una distancia especfica. Y puede ser resuelto recuperando ms casos para
la distancia definida.
7.- La periodicidad est presente: indica que el comportamiento del semivariograma repite
por s mismo periodicidades, por ejemplo: El valor de la meseta puede aumentar o disminuir
sistemticamente, o un caso en que los valores son tomados alternativamente a travs de
diferentes estratos, como piedras areniscas, esquistos, etc. Esto puede ser resuelto si es un
problema real y no un antifaz del anlisis, la periodicidad puede ser tambin un fenmeno
real mostrado por zonal ricas y pobres repetidas a espacios similares.
8. Estimacin
Todo lo expresado hasta aqu tiene un nico objetivo, conocer la informacin
disponible para realizar estimaciones (Journel y Huijbregts, 1978; David, 1977; Armstrong y
Carignan, 1997), es decir, estimar valores desconocidos a partir, no slo de los conocidos,
sino tambin de su estructura de continuidad espacial. A diferencia de otra gran variedad de
mtodos de interpolacin que no utilizan estas caractersticas y que se emplean
actualmente con diferentes fines. Sin pretender hacer una comparacin profunda de las
caractersticas y ventajas de stos mtodos, veamos algunos ejemplos.
8.1. Triangulacin
Este mtodo consiste en ajustar un plano que pase por las tres muestras ms
cercanas y adyacentes a la localizacin que se desea estimar.
La ecuacin del plano es:
Z=ax+by+c
Cada muestra tiene coordenadas (x, y) y z representa el valor muestreado.

Con el objetivo de obtener la ecuacin del plano que pase por las tres muestras se
construye el siguiente sistema de ecuaciones lineales:
a x1
b y1
z1
a x2
b y2
z2
a x3
b y3
z3
y as obtenemos los coeficientes a, b y c, entonces el valor de z en cualquier localizacin

dentro del tringulo correspondiente se puede obtener sustituyendo sus coordenadas en la
ecuacin de Z.
29
8.2. Inverso de la distancia
Este mtodo se basa en una combinacin lineal dada por: Z*(x) = i Z(xi)
En la que i son los pesos proporcionales al inverso de la distancia euclidiana entre las
localizaciones muestreadas y la que se desea estimar, stos pesos son calculados por:
i = (1/doi)/ 1/doj
donde: doi es la distancia entre la localizacin a estimar y la localizacin de la muestra i.

Generalizando obtenemos:
Z*(x) = [i+1,n 1/doi Z(xi)] / i=1,n1/doj
Se pueden obtener distintos estimadores si escribimos la ecuacin anterior como:
Z*(x) = [i=1,n (1/doi) Z(xi)] / i=1,n(1/doj)
Note que si = 1 se obtiene la ecuacin anterior.
Estas dos tcnicas de estimacin utilizan directamente los valores muestreados en el

proceso de estimacin y refieren pesos de acuerdo a las distancias entre los datos, sin tener
en cuenta la continuidad espacial de la informacin disponible. Veamos ahora el krigeaje,
interpolador de la geoestadstica, que s utiliza los resultados que discutidos del anlisis
estructural.
Inicialmente, Matheron denomin a esta tcnica Krigeage (en francs) que en ingles se
convierte en Kriging y en espaol se escribe Krigeaje. Este trmino que tiene su origen en
el apellido de D.G. Krige, reconociendo de esta forma su aporte. El krigeaje es una tcnica
de estimacin que proporciona el mejor estimador lineal imparcial (BLUE, en ingles, Best
Linear Unbiased Estimator), (Schaug et al.,1993; Christensen et al.,1993; Abasov et al.,
1990), y que adems proporciona una error de estimacin conocido como varianza de
krigeaje que depende del modelo de variograma obtenido y de las localizaciones de los
datos originales (Armstrong y Carignan, 1997; Journel y Huijbregts, 1978; David, 1977;
Abasov et al., 1990). Esto brinda la posibilidad de hacer anlisis sobre la calidad de las
estimaciones (Weerts y Bierkens, 1993; Haas, 1992).
8.3. Planteamiento del problema del krigeaje
Como resultado de los trabajos de bsqueda y exploracin de yacimientos

minerales, se obtiene informacin del anlisis qumico de los testigos de perforacin y/o
rocas de afloramiento. Cualquiera sea la forma en que se organice esta informacin, debe
ser regularizada, de modo que se obtengan los valores de la caracterstica estudiada
30
(contenido mineral en el caso minero), acompaadas de las coordenadas de las

localizaciones correspondientes.
En trminos mineros, el problema de krigeaje consiste en encontrar la mejor estimacin
lineal posible del contenido mineral de un panel, teniendo en cuenta la informacin
disponible, mediciones que han sido obtenidas tanto en el interior como externamente al
panel que se desea estimar. El krigeaje consiste en efectuar una ponderacin, es decir,
atribuir un peso a cada valor observado, los pesos son calculados de manera que minimice
la varianza de estimacin resultante, teniendo en cuenta las caractersticas geomtricas del
problema (Matheron, 1970). Al minimizar la varianza de estimacin se garantiza el uso
ptimo de la informacin disponible (Zhang, 1996).
8.3.1. Ecuaciones del krigeaje
Se dispone de los valores muestreados Z(xi), i=1,,n, y deseamos estimar un valor de la

caracterstica observada en el panel Z(v) por una combinacin lineal de Z(xi).
Z*(v) = i Z(xi)
donde Z*(v) es el valor estimado y i son los peso de krigeaje, de modo que los i sean
obtenidos de tal forma que proporcione un estimador: insesgado E[Z*(v) - Z(v)] = 0 y de
varianza mnima Var[Z*(v) - Z(v)]
La geoestadstica exige como primera etapa y fundamental el conocimiento del

comportamiento estructural de la informacin, es decir, se debe contar adems, con el
modelo de semivariograma terico que refleje fielmente las caractersticas de variabilidad y
correlacin espacial de la informacin disponible, discutido anteriormente. En el caso
minero, particularmente, por la forma en que se presenta la informacin, de estar
condicionada en una direccin por diversos parmetros (Rivoirard y Guiblin, 1997), se debe
obtener modelos de variogramas verticales y horizontales, el primero, que caracteriza la
correlacin espacial en esta direccin, es decir a travs de los estratos, y el segundo en los
estratos, obtenindose un modelo conjunto para la estimacin de bloques (Pan y Arik, 1993;
Armstrong y Carignan, 1997). Los bloques a estimar son definidos con dimensiones
convenientes a la unidad de seleccin minera, teniendo en cuenta el espaciamiento entre
muestras y el alcance estructural, es decir, la distancia hasta la cual las muestras se
encuentran correlacionadas espacialmente. Las ecuaciones del krigeaje se obtienen
entonces de acuerdo las hiptesis de la geoestadstica que deben ser asumidas y
verificadas como ya se indic.
Teniendo en cuenta las hiptesis de la geoestadstica se pueden obtener las ecuaciones del
krigeaje para los siguientes casos: funcin aleatoria estacionaria de esperanza nula o
conocida, mtodo conocido como Krigeaje Simple, para una funcin aleatoria estacionaria
de esperanza desconocida, y una funcin aleatoria intrnseca, mtodo conocido para los
dos ltimos casos como Krigeaje Ordinario.
A continuacin se presenta el sistema krigeaje para estos casos:
31

8.3.1.1.
Krigeaje Simple
Estimador:
Z*(v) = i Z(xi) + m(1- i).
Sistema:
i C(xi, xj) = C(xj, v)
j = 1,,n
Varianza de krigeaje: 2 = C(v,v) - i C(xi, v)
8.3.1.2.
Krigeaje Ordinario
En trminos de la covarianza
Estimador:
Z*(v) = i Z(xi)
Sistema:
i C(xi, xj) - = C(xj, v)
i,j = 1,,n
i = 1
Varianza de krigeaje:
2 = C(v,v) - i C(xi, v) +
En trminos del semivariograma

Estimador:
Z*(v) = i Z(xi)
Sistema:
i (xi, xj) + = (xj, v)
j = 1,,n
i = 1
Varianza de krigeaje:
2 = i (xi, v) - (v,v) +
En todos los casos el sistema puede ser escrito matricialmente de la forma: K = C

Al sistema krigeaje es necesario hacer algunas observaciones segn Journel y Huijbregts
(1978):
1.- El sistema krigeaje tiene solucin nica si y solo s la matriz de K es definida
estrictamente positiva, es decir:
i=1,nj=1,n ij C(xi, xj) 0
o en trminos de variograma:
- i=1,nj=1,n ij (xi, xj) 0
y no existen datos con las mismas coordenadas.
32
2.- El krigeaje, el cual es un estimador imparcial, es tambin un interpolador exacto, es

decir, para iguales soportes de observacin v (=1,,n) y de estimacin V, Los valores
real Z y estimado Z* son iguales, adems de que la varianza de krigeaje 2k es cero.
3.- Las expresiones del sistema krigeaje y de la varianza de krigeaje son completamente
generales, es decir, son aplicables cualquiera sean los soportes de observacin y
estimacin y el modelo estructural empleado.
4.- El sistema krigeaje y la varianza de krigeaje dependen slo: del modelo estructural C(h)
o (h) obtenido y de la geometra del soporte de observacin. Esta caracterstica da la
posibilidad de que la varianza de krigeaje sea usada cuidadosa y convenientemente para el
estudio de redes y la clasificacin de recursos.
En el proceso de krigeaje, la matriz que se obtiene tiene dimensiones de hasta (N+1) x

(N+1), cuando existen muchos datos en el rea de influencia definido por los alcances esta
matriz es grande, lo que implica tiempo para la solucin del sistema, sin embargo (Myers,
1991c), excepto para las localizaciones vecinas de la localizacin a estimar, los pesos son
ceros o prximos a cero, conocido como el efecto pantalla del krigeaje. En la prctica, se
establece una vecindad de bsqueda para evitar el trabajo con grandes sistemas, el cual es
recomendado en la totalidad de la literatura bsica de geoestadstica. Todos los sistemas
que implementan la estimacin por krigeaje, permiten la definicin de una vecindad de
bsqueda, la cual debe ser obtenida con reducciones proporcionales en cada unos de los
alcances, o la estimacin por cuadrantes u octantes, limitando el nmero de muestras a
usar en el proceso de krigeaje. De modo que los pesos asignados a las muestras ms
lejanas a la localizacin a estimar y dentro de la vecindad de bsqueda no sean negativos,
nulos o prximos a cero. En ocasiones por esta razn se realizan compensaciones por el
sistema de krigeaje que pueden arrojar pesos negativos y por consiguiente valores
negativos en la estimacin.
8.4.
El caso no estacionario, Krigeaje Universal (KU)
Uno de los problemas encontrados al modelar semivariogramas segn Krajewski y Gibbs

(1993) y ASCE Task (1990) es la existencia de tendencia en los datos, es decir, que los
valores medidos aumentan o diminuyen en alguna direccin en el rea de estudio. Este es
el caso de un fenmeno no estacionario, lo que hace imposible la aplicacin del krigeaje
presentado hasta aqu. Con el objetivo de solucionar este problema Matheron propuso dos
aproximaciones, primero el Krigeaje Universal (KU) (Matheron, 1970), que consiste en
extraer de la variable original Z(x) la parte no estacionaria por medio de una componente
determinstica m(x) que representa la deriva, hasta encontrar la parte estacionaria del
fenmeno, obtenindose un componente estocstico R(x) relacionados por la siguiente
expresin:
Z(x) = m(x) + R(x).
Para el componente determinstico se sugiere utilizar una funcin polinomial de las

coordenadas para modelar la tendencia, es decir:
K
m( x ) a l f l ( x )
l 0
33
donde al son coeficientes y fl es la funcin que describe la tendencia. As pueden obtenerse

derivas simples, lineales, cuadrticas, etc., (Jones y Vecchia, 1993; Maisonneuve, 1998).
Para una deriva simple el KU se reduce al Krigeaje Ordinario (Christensen, 1993; Renard,
1998).
Obtenindose finalmente el sistema Krigeaje Universal.

N
( x , x ) a
l 0
f l ( x ) ( x , x o )
( x ) f l ( x o )
Con varianza de estimacin.

N
l 0
2
KU
( x , x ) a l f l ( x o )
Una variante de krigeaje que tiene en cuenta esta situacin, fue desarrollada por
Goldberger, A, S. en 1962 y descrita por Matheron en 1969, para tratamiento de datos
dbilmente estacionarios y con tendencia. La aplicacin de KU puede resultar difcil por la
indeterminacin de la tendencia y del semivariograma (Carr, 1990; Armstrong y Carignan,
1997; Renard, 1998).
Una aproximacin ms general es el estudio del modelo de Funciones Aleatorias

Intrnsecas de orden K, la cual consiste en construir incrementos de orden creciente hasta
alcanzar un orden K para el cual dichos incrementos son estacionarios (Christensen, 1990).
9. Geoestadstica Multivariada
Los conceptos presentados hasta aqu, extendidos a ms de una variable, se denominan
Geoestadstica Multivariada (Wackernagel, 1995). Es posible encontrar casos de variables de inters
que estn insuficientemente muestreadas, pero que se conoce su correlacin con otras variables en
la zona de inters. Utilizando esta correlacin es posible estimar una variable de inters a partir de la
informacin de la propia variable adems de las correlacionadas con ellas (Journel y Huijbregts,
1978; David, 1977; Myers, 1991a; Wackernagel, 1995; Myers, 1991d; ASCE Task, 1990; Christakos y
Bogaert, 1996; Almeida y Jounel, 1994; Carr y Mao, 1993). Esto es, el Co-Krigeaje, una extensin o
generalizacin del krigeaje cuando ms de una de las variables disponibles guardan relacin entre s.
En este caso, se requiere conocimiento no slo del modelo de semivariograma de cada una de las
variables, sino adems, del semivariograma cruzado entre las variables (Zhang et al.,1992; Myers,
1991a; D'Agostino y Zelenka, 1992; Pawlowsky et al.,1994; Myers, 1992; ASCE Task, 1990; Myers,
1991a; Carr y Myers, 1990; Wackernagel, 1994). Existen variantes de Co-Krigeaje ms generales
para la integracin de datos (Almeida y Jounel, 1994)
En este proceso, se pueden distinguir las siguientes situaciones (Wackernagel, 1995 y

1998):
Isotopa: Se produce cuando todas las variables poseen valores medidos en todas las
localizaciones. En este caso no es de inters aplicar el procedimiento multivariado, porque
34
el Co-Krigeaje en este caso puede resultar equivalente al krigeaje, se dice variables

autokrigeables.
Heterotopa total: Cuando las variables poseen valores medidos en localizaciones
diferentes. En este caso no es de inters tampoco aplicar procedimiento multivariado,
adems, de que no es posible obtener el semivariograma cruzado experimental.
Heterotopa parcial: Esta situacin se produce cuando algunas (la mayor parte) de las
localizaciones muestreadas poseen valores medidos de todas las variables, un caso
importante es cuando las muestras de la variable de inters estn incluidas como un
subconjunto de las dems variables. En este caso pueden ser calculados los
semivariogramas cruzados y resulta ventajoso utilizar el procedimiento Co-Krigeaje.
9.1.
Semivariogramas cruzados
El semivariograma cruzado se obtiene por la ecuacin:
1 N (h)
AB (h)
Z ( x ) Z A ( xi h)Z B ( xi ) Z B ( xi h)
2 N (h) i 1 A i
donde ZA y ZB son variables correlacionadas, ZA la variable de inters y ZB la variable

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

independientemente los semivariogramas de las variables ZA, ZB y el de la suma ZA + ZB, los
cuales estn relacionados por la siguiente expresin.
AB (h) 12 A B (h) A (h) B (h)

En Issaks y Srivastava (1989) se presentan elementos para el clculo y ajuste de los
semivariogramas en el caso multivariado, adems del Modelo Lineal de Corregionalizacin
como procedimiento para modelar semivariogramas directos y cruzados.
35
9.2.
Co-Krigeaje.
El sistema Co-Krigeaje Simple se presenta a continuacin.
nj
j 1
for i 1,... N ; 1,..., ni
Cij ( x x ) Ciio ( x x )
La varianza es:
2
CK
ni
i iio ( x xo ) ioio ( xo xo )
j 1 1
El sistema Co-Krigeaje Ordinario es:

N
nj
j 1
ij
( x x ) i iio ( x x )
ni
for i 1,..., N
for i 1,... N ; 1,..., ni
iio
1 si i io
0 si i io
donde: iio
y la varianza es:
N
ni
2
CK
i ii ( x xo ) i i i ( xo xo )
j 1 1
9.3.
o o
Krigeaje con Deriva Externa
Este procedimiento es un simple y eficiente algoritmo para incorporar una segunda

variable Y(x) en la estimacin de una primaria Z(x) (Deutsch y Journel, 1998). Consiste en
una extensin del Krigeaje con Modelo de Tendencia o Krigeaje Universal que integra
condiciones de universalidad suplementarias relativas a una o varias variables externas
Yi(x) i = 1, ..., N medidas de forma exhaustiva en todo el dominio donde se desea estimar la
variable de inters (Wackernagel, 1993). Si la variable Y(x) que llamaremos secundaria
tiene un comportamiento lineal con la variable de inters Z(x) que llamaremos primaria, es
36
decir, si se cumple la relacin: E{Z ( x)} a bY ( x) u otra relacin polinomial con sentido
fsico, es posible incorporar sta en el sistema de krigeaje, integrado dos fuentes de
informacin con diferente grado de conocimiento. Obtenindose el siguiente sistema:
C11Z
Z
C 21

Z
C N 1
1
Y1
C12Z
C1ZN
C 22Z C 2ZN

Z
C NN
1
1
0
Y2
YN
Y1
Y2

YN
0
1

2

=
N
1

2
Z
C10
Z
C20

Z
C N 0
1
Y0
o en notacin matricial C w B
El estimador es: Z 0
i Zi
i 1
Z
y la varianza de estimacin: 2 C00
w TB
donde: T como superndice denota matriz transpuesta,
CijZ : covarianza de la variable primaria entre las localizaciones i y j.
9.4.
Co-Krigeaje con Variable Colocalizada (Collocated CoKriging)
Otro modelo que incorpora una o varias variable externa para al estimacin de una
primaria consiste en una forma reducida de sistema de Co-Krigeaje (Deutsch y Journel,
1998), que incluye a la variable de inters y la variable secundaria conocida en todo el
dominio donde ser estimada la variable primaria.
El sistema de Collocated Cokriging es
Z
C11
Z
C21

Z
C N 1
C ZY
01
1
Z
C12
Z
C22
C1ZN
C2ZN
ZY
C10
ZY
C20
ZY
C02
1
Z
C NN
C0ZYN
C NZY0
Y
C00
1
1
1
1

2

=
N
w

1
C10Z
Z
C 20

Z
C N 0
C ZY
00
1
37
o en notacin matricial: C w B
El estimador es: Z 0
i Zi wY0 mY mZ
i 1
la varianza de estimacin es:
Z
2 C00
w TB
Donde:
Y0 es el valor colocado de la variable secundaria en la localizacin a estimar x 0 .

i (i = 1,...,N): pesos asignados a los datos experimentales de la variable primaria.
w : peso asignado a la variable secundaria.
mY : esperanza matemtica de la variable secundaria.

mZ : esperanza matemtica de la variable primaria.
CijY : covarianza de la variable secundaria entre las localizaciones i y j.
CijZY : covarianza cruzada entre la variable primaria y secundaria en las localizaciones iyj.
Yi Y ( xi ) y lo mismo para la variable primaria.
1 y 2 : multiplicadores de Lagrange.
Los valores CijZY pueden aproximarse por la expresin CijZY = B CijZ , donde:
B =
CijY CijZ ZY 0 , CijZ , CijY son las varianzas de las variables Z y Y, ZY 0 es el
coeficiente de correlacin entre las variables Z y Y.
10.
Geoestadstica no Lineal
En ocasiones nos encontramos situaciones con caractersticas que las tcnicas

lineales no permiten modelar, datos con alta asimetra por ejemplo. En estos casos se
pueden realizar transformacin a los datos, y obtener configuraciones de estos que si
pueden ser explicados por el krigeaje, para lo que se han adoptado variantes como el
Krigeaje Lognormal, Krigeaje de Indicadores, El Krigeaje Disyuntivo (Carr y Mao, 1993), El
Krigeaje de Probabilidades (Carr, 1994; Carr y Mao, 1993), etc. La idea de estos
procedimientos es realizar transformaciones en los datos originales hasta encontrar
homogeneidad en la informacin, utilizar la tcnica Krigeaje descritas hasta aqu y
posteriormente realizar la transformacin inversa. Un estudio ms detallado en este sentido
puede ser encontrado en Chica (1987), Deutsch y Journel (1998), Rivoirard (1991), entre
otros.
38
11.
La Simulacin Geoestadstica
La estimacin en Geoestadstica por el Krigeaje, como todo proceso de

interpolacin, ofrece una imagen suave o lisa de la realidad, existiendo aplicaciones en la
que interesa algo ms que simplemente obtener valores aproximados a una realidad
desconocida, es decir, resultara til una representacin que pueda sustituir la realidad. Con
tal intencin se propone, la Simulacin Geoestadstica, a travs de la cual se obtienen
realizaciones con igual comportamiento espacial que la informacin observada en las
localizaciones muestreadas. La cual puede ser til para obtener una representacin de una
de las posibles realizaciones de la realidad de un yacimiento (Lantujoul, 1998; Rivoirard,
1998). Esto da la posibilidad de sustituir un yacimiento real por uno simulado y realizar
estudio de simulacin de explotacin, estudio de redes, etc, Un estudio ms detallado
puede ser encontrado en Lantuejoul (1995), Deutsch y Journel (1998), Cuador et al. (2000),
Cuador y Quintero (2001), entre otros.
12.
Conclusiones
Hasta aqu hemos expuesto los elementos fundamentales de la geoestadstica, ciencia

aplicada que surge como solucin a problemas concretos en la estimacin de reservas minerales y
que toma auge en otros campos de las Ciencias de la Tierra. Es importante destacar que la
estimacin a travs del krigeaje, se hace buscando y utilizando las caractersticas de continuidad
espacial del fenmeno estudiado, caractersticas que constituyen la contribucin fundamental de la
geoestadstica a travs de las diferentes variantes de interpolacin que propone. Adems de las
referencias bibliogrficas utilizadas, quedaran por citar las magnificas contribuciones de otros
autores.
13.
Referencias Bibliogrficas.
Armstrong, M. y Roth, C., 1997, Notas del curso Geoestadstica Lineal, en el CFSG Ciclo
de Formacin Especializada en Geoestadstica, Curso: 1997-98, Centro de
Geoestadstica de la Escuela Nacional Superior de Minas de Paris, Fontainebleau,
Francia.
Chica-Olmo, M., 1987, Anlisis Geoestadstico en el Estudio de la Explotacin de Recursos
Minerales, Tesis Doctoral, Universidad de Granada, Espaa, 387 p.
Cuador-Gil, J. Q. y Quintero, A., 1999, Anlisis estructural: punto de partida de todo
estudio geoestadstico. Revista Minera y Geologa, Vol. XVI, No. 3, pp. 16-22.
Cuador-Gil, J. Q. y Quintero, A., 2001, Simulacin condicional de variables regionalizadas
y su aplicacin al comportamiento de la porosidad efectiva en un yacimiento fracturado
poroso, Boletn de la Sociedad Geolgica Mexicana, Tomo LIV, pp. 19-27.
Lantujoul, Ch., 1998, Notas del curso Simulacin, en el CFSG Ciclo de Formacin
Especializada en Geoestadstica, Curso 1997-98, Centro de Geoestadstica de la
Escuela Superior de Minas de Paris, Fontainebleau, Francia.
Lepin, O. V. y Ariosa, J. D., 1986, Bsqueda, Exploracin y Evaluacin Gelogo
Econmica de Yacimientos Minerales Slidos, Editorial Pueblo y Educacin, Ciudad de
La Habana, Primera Parte, 348 p, Segunda Parte, 191 p.
Renard, D., 1998, Notas del curso Geoestadstica No Estacionaria, en el CFSG Ciclo de
39
Formacin Especializada en Geoestadstica, Curso: 1997-98, Centro de Geoestadstica

de la Escuela Superior de Minas de Paris, Fontainebleau, Francia.
40

Elementos de Geoestadistica

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Elementos de Geoestadistica

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD ALAS PERUANAS

UNIVERSIDAD ALAS PERUANAS

UNIVERSIDAD ALAS PERUANAS

2. Problema que dio origen a la Geoestadstica

El desarrollo de la minera ha trado unido el perfeccionamiento de los mtodos de

UNIVERSIDAD ALAS PERUANAS

UNIVERSIDAD ALAS PERUANAS

Se puede entonces sugerir la idea de interpretar este fenmeno en trminos de Funcin

A diferencia de otros mtodos de interpolacin, como por ejemplo el inverso de la

4. Variables aleatorias regionalizadas

UNIVERSIDAD ALAS PERUANAS

4.1. Conceptos de variable aleatoria regionalizada

En el estudio de las variables aleatorias regionalizadas es importante presentar

Estos conceptos son:

Regin: se refiere al espacio en el cual existe y se estudia el fenmeno natural.

Momento de segundo orden:

Cov[Z(xi), Z(xj)] = E[Z(xi) - m(xi)][Z(xj) - m(xj)]

Cov[Z(xi), Z(xj)] = Var Z(xi)

UNIVERSIDAD ALAS PERUANAS

La funcin variograma o funcin estructural se define como la varianza de la diferencia Z(xi)

I- Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la funcin de

II- Estacionaridad de Segundo Orden. Esta condicin es ms frecuente en la prctica, la

1) EZ(xi) = m, existe y no depende de la localizacin xi.

C(h) = CovZ(xi), Z(xj) = EZ(xi), Z(xi+h) - m2

UNIVERSIDAD ALAS PERUANAS

Var[Z(xi)] = E[Z(xi) - m]2 = C(0)

(h) = E[Z(xi)]2 - EZ(xi), Z(xi+h) x

como E[Z(xi), Z(xi+h)] = C(h) + m2

a) Su esperanza matemtica existe y no depende de la localizacin xi.

VarZ(x+h) - Z(x) = E[Z(x+h) - Z(x)]2 = 2(h)

Cuando se cumple esta condicin se dice que la funcin aleatoria Z(x) es

IV- Procesos Cuasiestacionarios. En la prctica la funcin estructural, covarianza o

UNIVERSIDAD ALAS PERUANAS

verdaderamente un compromiso de la escala de homogeneidad del fenmeno y la cantidad

6. Conocimiento del problema

6.1. Conceptos necesarios de estadstica bsica

Con el objetivo de conocer la informacin disponible se puede hacer un anlisis de la

A: Clculos estadsticos o estadstica descriptiva. Permiten determinar si la distribucin

1.- Numero de casos: Es el nmero de valores muestreados del fenmeno en estudio,

4.- Moda: Es el valor ms frecuente de la distribucin.

UNIVERSIDAD ALAS PERUANAS

Si ordenamos los datos en orden ascendente podemos calcular la mediana como.

6.- Varianza: Describe la variabilidad de la distribucin. Es la medida de la desviacin o

7.- Desviacin estndar: Describe la tendencia o dispersin de la distribucin. Es la

8.- Coeficiente de asimetra: Describe la simetra de la distribucin relativa a la distribucin

UNIVERSIDAD ALAS PERUANAS

9.- Curtosis: Describe el grado de esbeltez de la distribucin, tomado por lo general en

La distribucin normal tiene curtosis igual a tres, y es llamada mesocrtica. A las

y en porcentaje como: 100 CV = 100 (S/Xm) %

Proporciona una comparacin entre la variacin de grandes valores y la variacin de

UNIVERSIDAD ALAS PERUANAS

12.- Prueba Chi-Cuadrado: Permite determinar si la distribucin es normal, lognormal o

B: Construccin de grficos estadsticos: Estos grficos permiten ilustrar y entender las

El clculo del semivariograma experimental.

UNIVERSIDAD ALAS PERUANAS

variabilidad (figura 2b), pueden ser calculados tambin, ms especficamente, en 8

Ahora, el semivariograma experimental obtenido no es utilizado en el proceso de

7.1. El semivariograma experimental

El variograma se define como la media aritmtica de todos los cuadrados de las

UNIVERSIDAD ALAS PERUANAS

Np(h) es el nmero de pares a la distancia h.

son los valores experimentales.

localizaciones donde son medidos los valores z(xi).