Muestreo y QA/QC & Geoestadística & Geometalurgia

www.sampling-ok.com

M. Sc. Samuel Canchaya Moya

01.2579636
canmoysa@gmail.com

Hora 03 de Noviembre 04 de Noviembre

MÓDULO III: ESTIMACIÓN DE RECURSOS,
MÓDULO I: Introducción. “Exploratory Data Analysis” ESTIMADORES LINEALES, KRIGING.- Métodos de
(EDA). Caracterización estadística. Identificación y estimación de Recursos. Los métodos geométricos.
9:00 a tratamiento de altos erráticos y bajos no significativos. Los códigos internacionales y la Clasificación de
10:30 Correlación lineal. Distribuciones sesgadas, log-normales Recursos. Los estimadores lineales. El método del
y Efecto Proporcional (EP). Introducción a la Teoría del inverso de la “n” potencia de la distancia. El Kriging.
Muestreo y QA/QC. Tipos de kriging: simple, ordinario, universal; de
puntos, de bloques, etc. La varianza de Kriging.
10:30 a
10:45
Pausa
MÓDULO IV: SIMULACIONES. APLICACIONES DE
MÓDULO II: VARIABLES REGIONALIZADAS Y
LA GEOESTADÍSTICA.- Simulaciones. Tipos de
CARACTERIZACIÓN GEOESTADÍSTICA.- Variables
simulación. Geoestadística No Estacionaria. Tópicos
regionalizadas. Las hipótesis geoestadísticas:
10:45 a avanzados de Geoestadística. Principales
estacionaria, intrínseca y la hipótesis universal. Cálculo,
12:30 aplicaciones de la Geoestadística en minería. Modelo
ploteo y ajuste de variogramas: 1D, 2D y 3D.
Geológico de Bloques. Modelo Geometalúrgico de
Interpretación de Variogramas. La varianza de
Bloques. Optimización de flujos metalúrgicos.
estimación. Los variogramas medios.
Aplicacs de la Geoestad. en Muestreo y QA/QC.
12:30 a
13:45
ALMUERZO

Taller 1.- Caracterización estadística. Taller 5.- Interpolación por el método del inverso de la
13:45 a
15:30
n potencia de la distancia.
Taller 2.- Determinación del Efecto Proporcional. Taller 6.- Interpolación por Kriging y por Simulaciones.
15:30 a
15:45
Pausa
Taller 7.-. Distancia óptima de muestreo. (DOM);
Taller 3.- Estimación de la Varianza de estimación a partir de
Variogramas medios.
optimización de las mallas de muestreo.
15:45 a
17:30
Taller 4.- Cálculo ploteo y ajuste de variogramas. Anisotropía. Taller 8.- Otros ejemplos de aplicación de la
Mapeo Variográfico.
Geoestadística: Optimización de flujos metalúrgicos,
Mapeo variográfico y flujos de mineralización, etc.

1
 Remembranzas:

DEPARTAMENTO DE GEOESTADÍSTICA DE MINERO PERÚ

 Feb de 1974 llegó al País el experto francés Daniel Guibal

 1975 se crea el Departamento de Geoestadística de Minero Perú. Oscar Bernuy obtiene beca
perfeccionamiento en el Centro de Geoestadística de la Escuela de Minas de París.
 Agosto de 1976 llega Dominique Francois-Bongarcon, experto en diseño de tajos abiertos.
 Personal: 5 analistas y una secretaria (E. Cueva, C. Neyra, etc.).
 Trabajos más notables: Evaluación de Reservas de los siguientes yacimientos:
 Cerro Verde y Santa Rosa
 Michiquillay
 Quellaveco
 Tintaya
 Antamina, etc.
 Otros: Optimización de mallas de muestreo, análisis estructurales, optimización de diseño de
tajos y de minado, etc.

54 años de 1963
Geoestadística

George F. P. M. Matheron
Fuente: en.wikipedia.org
4

2
 Curso Internacional de
Geoestadística
2008-2009
MODULO I: 5 al 8 de Noviembre 2008. Miguel Zulueta (Consultor Miguel Zulueta
en Geoestadística) Introducción a la Geoestadística. Las variables
regionalizadas. El variograma. Varianzas: de extensión, estimación
y dispersión. El krigeage: puntual y de bloques. La varianza de
krigeage. Introducción a la estimación de recursos. Entregables en
una estimación de recursos.

MODULO II: 8 al 10 de Diciembre 2008. Daniel Guibal (Director

Técnico de SRK Consulting-Australia) Muestreo y base de datos.
Modelamiento geológico 3D. Variografía avanzada. Anisotropía a
través de mapas de variogramas, variogramas de indicadores.
Optimización del muestreo. Optimización del krigeage.
Introducción a métodos no-lineales. El efecto del soporte. Daniel Guibal
Clasificación de recursos: códigos internacionales.

MODULO III: 16 al 17 de Marzo del 2009. André Journel

(Catedrático de la Univ. de Stanford USA) Simulación Condicionada
aplicada a Minería. Simulación de variables continuas: simulación
gaussiana secuencial, simulación por bandas rotantes. Simulación
de variables categóricas. Aplicaciones prácticas.

André Journel

Daniel Guibal

Grado de Ing. Civil de Minas Escuela Nacional Superior de Minas

de Nancy-Francia y Master en Ciencias, en Matemáticas y Geo-
estadística en Centro de Geoestadística de Fontainebleau-Francia.
25 años experiencia, especialista en: Geoestadística, Estimación
de Reservas y Simulación; Geoestadística No-Lineal, Optimización de Tajos Abiertos,
Simulación Condicional. Ha trabajado en: Centro de Geoestadística de Fontainebleau -
Francia (1972-1982), Empresa Estatal Minero Perú (1974-1976) y como consultor en
Australia desde 1983 (Siromines y Geoval); actualmente es Director Técnico de SRK
Consulting – Australia.
Ha realizado diversos trabajos y estudios para empresas y consorcios mineros en:
Australia, Sudamérica, Europa y Japón. Sus más recientes trabajos incluyen: Simulación
multivariable del yacimiento de Fe Pilbara (Hamersley); Revisión de los Recursos de Cu
en la División Norte de Codelco (Chile); Revisión detallada de la práctica de la
Geoestadística en Olimpic Dam (Australia); Evaluación y Due diligences de: Inco,
Newcrest, Worsley Alumina, Alcoa, etc.
Miembro activo de la Aus. I. M. M. y de la Asociación de Geoestadística de Australasia.

3
 Dr. Dominique François Boungarçon

1974 Grado de Ing. Civil de Minas Escuela Nacional Superior de Minas

de Nancy-Francia
1978 Doctor en Mining Science and Techniques en la Escuela de Minas de Paris y la
Universidad de Nancy.
1976: Inició sus actividades profesionales en MINERO PERU, como experto extranjero
voluntario.
1978 a 1984 Investigador en el Centro de Geoestadística de Fontainebleau-Francia
Famoso por las correcciones que realizó a la famosa fórmula de Pierre Gy:
Solucionando sus dificultades de aplicación, sobre todo para el caso del oro. Ha
publicado con Pierre Gy las modificaciones propuestas. Se dice que Gy lo ha designado
públicamente como su sucesor científico.
Consultor Internacional de Geoestadística, con notables trabajos en INCO Ltd. Copper
Cliff Ontario Canadá. Vicepresidente de Geoestadística de Mineral Resource
Development Inc. San Mateo-California por 7 años.
Actualmente es Presidente de AGORATEK INTERNATIONAL
Vicepresidente de la 6ta. Conferencia Mundial de Muestreo y Mezclas que se realizó en
Lima-Perú, 19 al 22 de Noviembre del 2013; Hotel Marriot.

Prof. André Journel

Ingeniero de Minas (1967) en la Escuela Nacional Superior de Minas

de Nancy – Francia y Dr. Ing. (1974) y Dr. en Cienc. Mats. Aplicadas
(1977) en Univ de Geoestadística de Nancy – Francia. Ing. de Proys.
mineros en el Centro de Morfología Matemática de Francia
(1969-1973); Centro de Geoestadística de la Escuela de Minas de
Paris (1973-1978). Univ. de Stanford - USA: Prof. Asociado (1978-1972): Prof. Principal (1992-
2010) del Departamento de Ciencias de la Tierra de Ing. de Petróleo e Investigador y Director
(1986-2010) del Centro Stanford de Predicción de Reservorios del Centro Stanford.
Entre 1998 y 2010 recibió más de 30 disertaciones de Ph. D. y M.Sc.. Desde 1980 a la fecha:
miembro del Comité Científico del Congreso Mundial de Geoestadística. Ha dictado decenas
de cursos y seminarios especializados sobre Geoestadística y temas afines.
35 años de experiencia profesional: Especialista en Planeamiento, Simulación y Evaluación de
Recursos Mineros; Modelamiento de Reservorios de Petróleo; Control y remediación de la
Polución; Predicción Bayesiana: Análisis de riesgo, Modelos de incertidumbre, etc; Estadística
no-paramétrica y espacial Gaussiana. Co-autor del famoso libro: Mining Geostatistics. Mas de
80 publicaciones especializadas. Premios: 1989: Medalla de Krumbein, 1995: “Teaching
Award” (Esc. de Cienc. de la Tierra, Stanford), 1998: Medalla de Oro Lucas (AIME/SPE), etc.

4
 Dos tendencias de la Geoestadística actual

La Geoestadística académica: Francia, Europa,

Básicamente Estacionaria parte de Australia,
Chile, etc.

La Geoestadística Aplicada:
Básicamente No-Estacionaria
Univ. Stanford – USA
Univ. Alberta – Canadá,
UNI y PUCP-Perú
André Journel Clayton Deutch Daniel Guibal

M. Sc. Samuel Canchaya Moya

10

5
 El concepto de autocorrelación

Es de esperar que dos valores contiguos Z(xi) y Z(xi+h),

separados una distancia (o vector) h, estén relacionados entre
sí: a esto se denomina: Autocorrelación.
Lo cual quiere decir que sus valores serán dependientes el
uno del otro; esto debido a que casi siempre toda variable tiene
un patrón de distribución (o estructura, como se le llama en
geoestadística), ya que nada es al azar en la naturaleza.
La herramienta geoestadística para reconocer este patrón de
distribución es el VARIOGRAMA

11

COMPARACIÓN ENTRE UNA DATA ESTRUCTURADA

(Tramo A) Y OTRA AL AZAR (Tramo B)

x s2 HISTOGRAMA VARIOGRAMA

 (h)
1
2 f(x)
3
4
5
6
TRAMO A 5 3.08 2.75
4
3
2
1 2 4 6 x h
1

2
4
f(x)  (h)
3
6
1
TRAMO B 5 3.08 2.75
1
3
2
1
4
2 4 6 x h
5

6
 Diagrama de variación de leyes
Ley
A
x
Gran variabilidad local:
“diente de sierra”

x+h
B

Tendencia
Profundidad
13

3.5

2.5

Variable Regionalizada: (V.R.)

Variograma

1.5

 Toda variable que fluctúa en: 0.5

0
el espacio (coordenadas) y/o en el tiempo. 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
Distancia
 Tiene dos características fundamentales:
 Gran variabilidad local.- Dientes de sierra
 Presenta una “estructura” o tendencia a mayor escala
 Ejemplos típicos:
 Leyes de Au, Ag, Cu (CuT, CuSAc, CuSCN), Fe, As, etc.
 Potencia de una veta o manto
 Densidad, Humedad, Porosidad y Permeabilidad
 Toneladas procesadas en Molinos o Chancadoras (“Throughput”)
 Contenido mineralógico (% qz, ser, ARCs, cac, bt, calcopirita, pirita, etc.)
 % de elementos u óxidos mayores (SiO2, TiO2, K2O, CaO, MgO, Fe2O3, etc.)
 Recuperación de Au, de Cu, etc.
 Densidad de fracturamiento
 BWI, RQD, Resistencia Mecánica (MPa), etc.
 Consumo de ácido (Kg/TM), etc.
14

7
 M. Sc. Samuel Canchaya Moya

15

Las tres hipótesis plausibles de la

Geoestadística:
 La Hipótesis de Estacionariedad.- Dominios donde la media y la varianza
son probabilísticamente similares; así como la varianza y la covarianza sólo
dependen de la separación entre datos.

 La Hipótesis Intrínseca.- En aplicaciones prácticas necesitamos introducir la

denominada hipótesis intrínseca, la cual establece que la función variograma

2 (x,h) depende sólo del vector de separación h y no de la ubicación x.

Entonces es posible estimar el variograma 2 (x,h) a partir de la data

disponible usando el estimator 2 (h) que se define como:

n(h)
1
2 * (h) 
n( h )
 [ Z ( x )  Z ( x  h )]
i 1
i i
2

 La Hipótesis del Kriging Universal.- Asume que las funciones aleatorias se

pueden descomponer en una combinación lineal de funciones determinísticas
y un componente aleatorio residual. Por lo tanto es la menos resttrictiva de las
hipótesis.

8
La hipótesis de M1 M2
estacionariedad
D
 La aplicación de la geoestadística M3 M4
tradicional será válida, sólo si se cumple con
la denominada Hipótesis de Estacionariedad.
 Se dice que un dominio cumple con la Hipótesis de Estacionariedad,
cuando dentro de él la media y la varianza son las mismas cualquiera
sea la muestra que se tome para estimarlas.
 En un dominio donde se cumpla la Hipótesis de Estacionariedad, el
variograma y la covarianza sólo dependerán de la separación entre
datos.
 Los dominios con el denominado EFECTO PROPORCIONAL son el
extremo opuesto a la condición de estacionariedad.
 Cuando no se cumple la mencionada hipótesis, hay que apelar al
Concepto de Krigeage Universal; así como a otras herramientas de la
Geoestadística No- Estacionaria.
17

FUNCION VARIOGRAMA:
Forma de cálculo
2
n h
 ZXi + h  ZXi
Es la función probabilística


que representa el patrón de
distribución de una variable 2 (h)  i 1
regionalizada n h

x+h

x OMNIDIRECCIONAL

9
 Representación gráfica de la función variograma
 (h) GEO ESTADISTICA

meseta
s2
C

C0
a h
DEPENDENCIA INDEPENDENCIA
ESTRUCTURA ALEATORIEDAD
h : paso entre las muestras
C0 : efecto de pepita
a : alcance
C : sill
C + C0 : meseta
s2 : varianza estadística

5
Ejemplo de cálculo manual de 4
(h)
meseta
un variograma 1D 3
h=1 h=2 h=3 h=4 h=5 h=6
3.2 2
[d1]2 [d2]2 [d3]2 [d4]2 [d5]2 [d6]2 [d7]2 [d8]2
4.0 experimental
0.64 1
2.8 ajuste
1.44 0.16 C0=0.25
0
3.2 0.16 0.64 0.00 0 1 2 3 4 5 6 7 8 h
3.0 0.04 0.04 1.00 0.04 a = alcance
3.6 0.36 0.16 0.64 0.16 0.16
2.56 1.00 1.44 0.64 4.00 1.44
2.0
6.25 0.81 2.25 1.69 2.89 0.25 1.69
4.5
4.00 0.25 1.21 0.25 0.49 0.09 2.25 0.49
2.5 7.29 0.49 10.24 2.56 4.84 4.00 5.76 1.44
5.2 8.41 0.04 4.84 0.09 1.69 0.49 0.16 0.25
2.3 0.25 5.76 0.09 2.89 0.64 0.64 0.81 0.16
0.36 0.01 9.00 0.09 5.29 0.04 0.04 0.64 2
2.8
 Z x h  Z x
2.2
4.1
3.61
1.21
1.69
9.00
3.24
5.76
1.21
8.41
2.56
0.00
0.16
7.29
1.96
4.41
0.25
10.24  (h )  2(n  h )
9.61 17.64 37.21 30.25 36.00 9.61 33.64 14.44
5.2 4.84 0.81 4.00 15.21 10.9 14.4 0.81 12.96
8.3 4.41 18.49 1.44 0.01 3.24 1.44 2.89 1.44
6.1 1.96 12.25 32.49 6.76 2.25 0.16 0.04 0.09
4.0 0.81 0.25 6.76 23.04 2.89 0.36 1.69 0.49
2.6 S[dh] 2 57.57 69.49 121.6 93.30 77.83 40.41 56.15 42.89
3.5
2(n-h) 36 32 28 26 22 16 10 8
(h) 1.60 2.17 4.34 3.59 3.54 2.53 5.62 5.36

10
 Ajuste del Variograma Experimental a
Funciones Teóricas
h3
(h) = C
3h
+ Co ha
2a 2a3

(h) = C + Co h>a

 (h)  ( h)  ph ;   1
(h) = Co + mh

 (h)  ph ;  1

 (h)  C 1 exp ah   C0

 

Ejemplo de cálculo manual N

de un variograma 2D
2

 (h )   Z 2x(nh hZ) x

0.0144 0.0016
0.0025 0.0064 0.0025 0.0009
0.0049 0.0081
0.0009 0.0004 0.0036 0.0009 0.0064 0.0004
0.0004 0.0036 0.0009 0.0025
0.0196 0.0009
0.0009 0.0064 0.0064 0.0025 0.0064 0.0001
0.0166 0.0068 0.037 0.0231 0.0162 0.0048 0.1045
22

11
 0.0256 0.0004 0
0.0121 0.0009 0.0169 0.0064
0.0121 0.0256 0.0004 0
0.0025 0.0064 0.0009 0.0025 0.0036
0.0036 0.0009 0.0064
0.0004 0.0036
0.0025 0 0.0009 0.0009 0.0081
0.0296 0.0356 0.0283 0.0248 0.0253 0 0.1436

2

 (h )   Z 2x(nh hZ) x
0.0784 0.04 0.0004
0.0036 0.0064 0.0256
0.0016 0.0121
0.0121 0.0025 0.0121 0.0009
0.0064 0 0.0004
0.0256 0.04 0.0081
0.0009 0.0025 0.0121 0.0016
0.1286 0.045 0.0706 0.0491 0 0 0.2933

0.1024
0.0196 0.0121
0.0025 0.0324
0.0064 0.0169 0.0081
0.0004 0.0009
0.0529
0.0004 0.0009 0.0144
0.1317 0.0187 0.1199 0 0 0 0.2703

VARIOGRAMA E-W
(Zx+h - ɣ(h) =
h n 2 (n-h)
0.0160 Zx)2 (Zx+h - Zx)2/2 (n-h)
0.0140
0.0120
1 0.1045 26 50 0.0021
0.0100 2 0.1436 24 44 0.0033
ɣ(h)

0.0080 3 0.2933 22 38 0.0077

0.0060 4 0.2703 14 20 0.0135
0.0040
0.0020
0.0000
0 2 h 4 6

VARIOGRAMA N-S
0.0100
(Zx+h - ɣ(h) = 0.0090
h n 2 (n-h)
Zx)2 (Zx+h - Zx)2/2 (n-h) 0.0080
0.0070
1 0.2057 29 56 0.0037 0.0060
ɣ(h)

0.0050
2 0.2138 25 46 0.0046 0.0040
0.0030
3 0.1636 20 34 0.0048 0.0020
0.0010
4 0.1896 15 22 0.0086 0.0000
0 1 2 3 4 5
h

12
 Ajuste del Variograma
experimental a funciones
teóricas

Expo-
Parámetro Lineal
nencial
C0 0.783 0.673
C0 + C 1.281 1.347
a 345.9 193.4
r2 0.845 0.900
RSS 0.061 0.040
C/[C0+C] 0.389 0.500

Combinación lineal de variogramas

Para modelar y/o ajustar estructuras imbricadas (“nested structures”)

2.5
2.5

2 2

1.5 1.5

1 1

0.5 0.5

0 0
0 1.2 2.4 3.6 4.8 6 7.2 8.4 9.6 10.8 12 13.2 14.4 15.6 16.8 0 1.3 2.6 3.9 5.2 6.5 7.8 9.1 10.4 11.7 13 14.3 15.6 16.9

4.5
4
3.5
3 Permite modelar la
2.5 anisotropía zonal
2
1.5
1
0.5
0
0 1.2 2.4 3.6 4.8 6 7.2 8.4 9.6 10.8 12 13.2 14.4 15.6 16.8

13
 Ejemplo de Variogramas
 (h) Au (gr/TM) 2
Yacimiento epitermal de
Au de alta sulfuración
30

15
 (h) Cu (%) 2

0
25 50 75
h 20

 (h) Potencia (m)2

10

1.6
h
80 160
1.2
Pórfido de Cu-Au
0.8 Veta polimetálica

0.4 Variograma
experimental
0
200
h Ajuste teórico
100

Ejemplo de variogramas de gangas y

minerales de alteración:

28

14
 M. Sc. Samuel Canchaya Moya
29

Parámetros para el cálculo

automatizado de

   variogramas 2D


  

puntos aceptados

puntos descartados

Para cada dirección  se define una tolerancia 

y se utiliza únicamente los puntos que se
encuentran entre las direcciones:    y   

15
 31
Combinación de sector con banda


  


  

puntos aceptados
b

puntos descartados

b = ancho de banda

Combinación de sector con banda y franjas



clase de distancia h

clase de distancia 2h

clase de distancia 3h

16
Aplicación de la configuración de cálculo
en el dominio establecido




Cálculo de Variogramas 3D:

Búsqueda cónica de pares

Sección transversal del

cono debe ser elíptica para
involucrar anisotropía

h = Ángulo horizontal
v = Ángulo vertical
34
t = Ángulo de tolerancia

17
 Cálculo Variogramas 3D:
Búsqueda cilíndrica de pares

Sección transversal del

cilindro debe ser elíptica
para involucrar anisotropía

h = Ángulo horizontal
v = Ángulo vertical
t = Ángulo de tolerancia 35

Cálculo de Variogramas 3D:

Búsqueda de pares por capas

h = Tolerancia en dirección Z
36

18
 Interpretación de Variogramas desde
el punto de vista del muestreo Varianza estadística

o Efecto de “pepita”
o Error fundamental a
o Errores sistemáticos de
muestreo y análisis

 (h) Cu (%) 2

Trend o Drift
20 Tendencia o estructura regional

10 Variograma experimental

Ajuste teórico

h
80 160

Pórfido de Cu-Au

Tipos de Anisotropía:

Cuando el variograma experimental es calculado en

distintas direcciones generalmente presenta parámetros y
comportamientos distintos; lo cual es una expresión de la
ANISOTROPIA natural de las distribuciones.

TIPOS:
Anisotropía Geométrica

Anisotropía Zonal

Anisotropía Híbrida

38

19
 Anisotropía geométrica:

Cuando el variograma en 3
distintas direcciones presenta el
2.5
mismo sill pero rangos o alcances
distintos 2

Variograma
N-S
1.5
E-O
Mayor continuidad espacial en la 1

dirección de mayor rango o

0.5
alcance
0
0.0 1.4 2.9 4.4 5.9 7.4 8.9 10.4 11.9
Menor continuidad espacial en la
dirección de menor rango o Distancia

alcance

39

Anisotropía zonal:

3.5

Cuando el variograma en 3

distintas direcciones presenta 2.5

el mismo rango o alcance

Variograma

pero diferente sill o meseta. 1.5

0.5

0
0 1.24 2.59 3.94 5.29 6.64 7.99 9.34 10.69

Distancia

40

20
 W E
Distribución
anisótropa

TUFO SUPERIOR
TUFO MINERALIZADO
TUFO INFERIOR


ARENISCA, CONGLOM.

(h)

E-W
N-S
VERTICAL

h
VARIOGRAMAS EN VARIAS DIRECCIONES

Modificado a partir de Journel & Huijbregths (1978)

Modelos Esféricos para la estimación de Varianzas

de Extensiones Elementales
s2 Modificado a partir de JOURNEL & HUIJBREGTS (1978)
0 C
1.0

l
0. l
5

0. l
3
0.
2

0. 1 l

0.06
l = 100
0.04
para a =170 para a = 50
0.03

0.02

0.01 l a 42
0.1 0.2 0.3 0.5 0.6 1 2 3 5 6 10

21
 Funciones auxiliares para dominios 2D

M’
l/a
Función c (L; l)
M

L/a

M l/a
Función H (L; l)
M’
L/a

M’
l/a
Función F (L; l)
M

L/a 43

44

Abaco N° 1
Función c (L;l)
Ajuste esférico

M’
l/a

L/a

44

22
Abaco N° 2
Función H (L;l)
Ajuste esférico

M l/a

M’

L/a

45

Abaco N° 3
Función F (L;l)
Ajuste esférico

M’
l/a

L/a

46

23
 Problema de aplicación:

s E2  2 ( V, v )   ( v 2 )   ( V 2 )

2 2 2  (v,V) =  (x1,V) 2+  (x2,V)

X1 X2

a = 10 m (x ,V) =
1
2x5 H (2/10; 5/10)  4x5 H(4/10; 5/10)
2x5 + 4x5
=
10*0.41+ 20*0.49
10 + 20 = 0.46
C=1
C0 = 0.0
Variograma esférico (x ,V) =2
6x5 H (6/10; 5/10)
6x5
=
30 * 0.58
30 = 0.58

 (v,V) = 0.46 + 0.58

2
= 0.52

(V,V) = F(6/10; 5/10) = F (0.60;0.50) = 0.41

47

….viene

s E2  2 ( V, v )   ( v 2 )   ( V 2 )
2
5
 (x , x ) + (x , x ) + (x , x ) + (x , x )
2 2 2
 (v,v) = 1 1 1 2

4
2 1 2 2

X1 X2

 (0) + 2 (4)
a = 10 m
C=1  (v,v) = 2
4
=
(0) + 2 (0.568)
4
= 0.28
C0 = 0.0

Variograma esférico:
 (4) = 1.5 4
- 0.5 43
= 0.6 – 0.032 = 0.568
 (l) = 1.5
10 103
l l3
- 0.5 a3
a

s2 E
= 2 * 0.52 – 0.28 – 0.41 = 0.35

48

24
 Referencias
 Canchaya S. (2004) Log-normalidad y efecto proporcional. Características frecuentes en los yacimientos de oro.-
XII Congr. Peruano Geol.; 4p.

 Canchaya S. (2013) Efecto proporcional: Característica frecuente en variables de exploración geoquímica.- Pro-
Explo 2013; Lima, 19 a 23 de Mayo.

 Canchaya S. (2013) Sampling of Variables with Proportional Effect.- GEOMET 2012; Sgo. de Chile Dic. 2012 y
GEOMIN 2013; Sgo. de Chile Jul. 2013.

 David M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier New York; 364 p.

 Chiles J. P. & Delfiner P. (2001) Geostatistics. Modeling Spatial Uncertainty.- John Wiley Sons Inc.(N.York); 695 p.

 David M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier (Amsterdam); 364 p.

 Davis J. C. (2002) Statistics and Data Analysis in Geology.- John Wiley Sons Inc. (N.York); 638 p.

 Gy P. (1998) Sampling for Analytical Purposes.- John Wiley Sons Inc. (New York); 153 p.

 Journel A. G. & Huijbregths Ch. J. (1978) Mining Geostatistics.- Academic Press Inc. (London); 600 p.

 Journel A. G. & Kyriakidis P. C. (2004) Evaluation of Mineral Reserves. A Simulation Approach.- Oxford
University Press (Oxford); 216 p.

 Leuangthong O. & Khan K. D. & Deutch C. V. (2008) Solved problems in Geostatistics.- John Wiley & Sons Inc.
(New Jersey); 207 p.

 Matheron G. (1965) Les variables Régionalisées et leur Estimation.- Une application de la théorie des fonctions
49
aléatoires aux sciences de la nature.- Masson et Cie (Paris); 305 p.

25