INTRODUCCION A LA GEOESTADISTICA

M. Sc. Samuel Canchaya Moya

CONSULTOR

INDICE
Introduccin
El concepto de autocorrelacin
Introduccin al anlisis variogrfico geoestadstico
La varianza de estimacin o extensin
Introduccin al krigeage
El concepto de Anisotropa
Bibliografa.

INTRODUCCION
Ya se han cumplido ms de cuatro dcadas del nacimiento de la Geoestadstica Matheroniana (MATHERON
1962a, 1963); por lo que estos mtodos, basados en la Teora de la Variables Regionalizadas, estn lo
suficientemente difundidos en la actualidad. Es por este motivo que la mayor parte de paquetes importantes de
software que se aplican a la minera, presentan mdulos de evaluacin por krigeage, que es el mtodo de
estimacin geoestadstico (MATHERON 1962b; DAVID 1976; DELFINER & DELHOMME 1973) superior a
cualquier otro por sus caractersticas de no sesgo y mnimo error. Sin embargo en la actualidad todava se
realizan evaluaciones con mtodos tradicionales. Las principales razones son: la simplicidad y rpida aplicacin
de estos ltimos, en comparacin con el mayor grado de dificultad que implica la evaluacin por krigeage;
adems de la necesidad de tener un mnimo conocimiento especializado para aplicar el mtodo geoestadstico.
En algunos pases, entre ellos Estados Unidos de Norteamrica, se entiende por Geoestadstica a cualquier
aplicacin de la estadstica en Geologa y ramas afines, como Minera y Petrleo; en este trabajo estamos
considerando como tal slo a la Geoestadstica Matheroniana, cuya principal herramienta es el Variograma.
Con el tiempo es posible que la estimacin de reservas por mtodos tradicionales se circunscriba slo a una
necesidad acadmica, histrica o a ciertos casos donde se sepa de una regionalizacin completamente aleatoria,
cosa muy rara en la naturaleza. En una encuesta estadstica realizada por CHAMPIGNY & ARMSTRONG
(1993), involucrando a las 19 empresas de oro mas representativas del mundo, antes de la ltima dcada del
presente siglo slo el 11% de ellas no est utilizando la geoestadstica para la estimacin de reservas.
Aquellas personas que slo aplican mtodos estadsticos tradicionales (univariables y multivariables) en el
anlisis de variables regionalizadas (geo-referenciadas en el tiempo o el espacio) tienen y van a tener una serie
de problemas, la mayor parte de los cuales a veces no pueden explicar. La principal restriccin de los mtodos
estadsticos tradicionales es la abstraccin que hacen de la ubicacin de las muestras en el tiempo o el espacio.
El objetivo principal es utilizar los conceptos y parmetros de la caracterizacin variogrfica geoestadstica
para minimizar las limitaciones intrnsecas de los mtodos tradicionales. Esto no es difcil de realizar ya que en
la actualidad, prcticamente todos los paquetes medianos y grandes de software aplicados a geologa, minera y
metalurgia tienen en sus mdulos de estimacin de reservas alguna forma de hacer anlisis variogrfico
geoestadstico.
El presente trabajo ha sido preparado para que sirva de gua terica del Curso que se va a dictar a varios
ingenieros de la Mina El Brocal S. A.

AUTOCORRELACION
Las denominadas variables regionalizadas son aquellas cuyos valores (realizaciones) estn relacionados con
ubicaciones precisas en el tiempo o espacio (variables geo-referenciadas).
Es de esperar que dos valores contiguos Z(xi) y Z(xi+h), separados una distancia h, estn relacionados entre s
(autocorrelacin), es decir que sus valores sean dependientes el uno del otro; esto debido a que casi siempre
toda variable tiene un patrn de distribucin (o estructura, como se le llama en geoestadstica), ya que nada es
al azar en la naturaleza. Tambin sabemos que debido a la complejidad de los procesos geolgicos no habr
patrones de distribucin idnticos. Lo mismo ocurre con la mayor parte de variables involucradas en procesos
de beneficio de minerales (Mineralurgia).
La estadstica clsica no puede reconocer dichas estructuras ya que sus parmetros y funciones no toman en
cuenta la ubicacin de los datos. Por ejemplo, la altura media de los alumnos de un saln no se modificar as
stos se cambien de asiento una y otra vez.
Para explicar esto nos referiremos a la fig. 1, en
la cual hacia el borde izquierdo se est
representando dos tramos (puede ser de galera,
taladro, etc.) con las leyes que se han analizado
cada cierta distancia. Salta a la vista que los
valores del tramo A tienen un patrn de
distribucin o estructura (los valores aumentan
hacia el centro y disminuyen hacia los flancos);
mientras que en el tramo B tenemos una
distribucin al azar. Ntese que en ambos casos
estamos usando los mismos dgitos, por lo que
no sorprende que la media m la varianza
2
y el histograma en los dos tramos sean los
mismos; mas no as la funcin variograma
(h) que en el tramo A muestra una clara
dependencia con respecto a h, que es la
separacin entre las muestras; mientras que en
el tramo B dicha funcin es independiente de h,
lo cual es tpico de distribuciones al azar,
prcticamente inexistentes en la naturaleza; ya
que por lo general, las variables cuantificables o
semicuantificables, relacionadas con los
yacimientos, se originan por determinados
procesos que les imprimen un patrn
caracterstico, es decir todo lo contrario a una
distribucin al azar.

INTRODUCCION AL ANALISIS VARIOGRAFICO GEOESTADISTICO

El variograma es una de las herramientas ms poderosas que tiene la geoestadstica. Vamos a definirla tomando
el caso de un depsito D, el cual consiste de una infinidad de puntos xi, cada uno de ellos con un valor
determinado de la variable Z(xi) que nos interesa estudiar (puede ser ley de Au, contenido de As, intensidad de
una alteracin, peso especfico, dureza, porosidad etc.). Estas entidades son denominadas variables
regionalizadas porque sus valores corresponden a ubicaciones precisas en el tiempo o espacio.
Es de esperar que dos valores contiguos Z(xi) y Z(xi+h), separados una distancia h, estn relacionados entre s
(autocorrelacin), es decir que sus valores sean dependientes el uno del otro; esto debido a que casi siempre
toda variable tiene un patrn de distribucin (o estructura, como se le llama en geoestadstica), ya que nada es

al azar en la naturaleza. Tambin sabemos que debido a la complejidad de los procesos geolgicos no habrn
patrones de distribucin idnticos.
La estadstica clsica no puede reconocer dichas
estructuras ya que sus parmetros y funciones que no
toman en cuenta la ubicacin de los datos. Por
ejemplo, la altura media de los alumnos de un saln
no se modificar as stos se cambien de asiento una
y otra vez.
Para explicar esto nos referiremos a la fig. 2, en la
cual hacia el borde izquierdo se est representando
dos tramos (puede ser de galera, taladros, etc.) con
las leyes que se han analizado cada cierta distancia.
Salta a la vista que los valores del tramo A tienen un
patrn de distribucin o estructura (los valores
aumentan hacia el centro y disminuyen a los
flancos); mientras que en el tramo B tenemos una
distribucin al azar. Ntese que en ambos casos
estamos usando los mismos dgitos, por lo que no
sorprende que la media m la varianza
2 y el
histograma en los dos tramos sean los mismos; mas
no as la funcin variograma (h) que en el tramo
A muestra una clara dependencia con respecto a h,
que es la separacin entre las muestras; mientras que
en el tramo B dicha funcin es independiente de h, lo
cual es tpico de distribuciones al azar,
prcticamente inexistentes en la naturaleza.
El variograma puede ser estimado a partir de datos experimentales (por ejemplo las leyes provenientes de una
campaa de muestreo) empleando la frmula general :

n-h

Z (x i + h) - Z(x i) 2
i=1

2 (h) =
=

donde: Z
Z(x)
Z(x+h)
h
n
2 (h)
(h)

:
:
:
:
:
:
:

(1)
(n-h)

es la variable estudiada
es el valor de dicha variable en el punto x
es el valor de la variable en el punto (x+h)
es el paso entre las muestras (distancias iterativas)
nmero de pares de valores
valor de la funcin variograma para un valor h.
valor de la funcin semivariograma (denominada usualmente variograma)

Todos los paquetes de software aplicados a minera utilizan esta frmula para el clculo de los variogramas
experimentales; las respectivas facilidades grficas nos mostrarn variogramas con apariencia similar a la que
se a idealizado en la fig. 3, que nos servir para explicar los principales parmetros de la funcin variograma.

Dentro de la distancia a (alcance), la variable es totalmente estructurada, es decir depende, o est controlada,
por la funcin (h). Mas all de a la variable es aleatoria, o sea independiente de la funcin variograma: la
curva se transforma en una meseta (C+Co) cuyo valor tericamente debe coincidir con la varianza estadstica de
todos los datos involucrados en el clculo del variograma, lo cual no siempre es el caso.
Para h = 0 la funcin variograma debera dar cero y
pasar por el origen; sin embargo la funcin a veces
presenta una discontinuidad al origen simbolizada
como Co (efecto pepita), que nos da cuenta de
cambio bruscos de los valores a pequea escala, lo
cual generalmente sucede cuando se sobrepasa
subestructuras por debajo de la escala de trabajo. Este
valor tambin puede aparecer debido a errores
sistemticos: en el muestreo o durante el proceso de
anlisis qumico.
En la fig. 3 se muestra algunos ejemplos de
variogramas experimentales (sucesin de puntos),
debidamente ajustados a variogramas tericos (curvas
continuas), algunos de los mas importantes se
muestran en la fig. 4. Al ajustar un variograma
experimental a uno terico, se debe determinar los
parmetros mencionados en los prrafos anteriores.
Tales parmetros y la forma misma del variograma
ajustado nos sern de ayuda para optimizar los
principales mtodos de estimacin de reservas.
Los variogramas experimentales se pueden calcular a
partir de una sucesin lineal de puntos, como por
ejemplo a lo largo de un taladro de perforacin
(variograma monodimensional); tambin se pueden
calcular a partir de un conjunto de datos ubicados en
un mismo plano (variograma bidimensional), como por ejemplo una veta, un manto angosto, un banco o una
seccin cualquiera.
En la actualidad existen programas que permiten el
clculo de variogramas a partir de una distribucin
tridimensional (variograma 3D), lo que antes slo
se poda realizar subdividiendo en cuerpo
tridimensional en tajadas (bancos o secciones). Los
detalles de clculo de los variogramas
experimentales escapan al sentido del presente
trabajo.
Se puede calcular el variograma de prcticamente
cualquier variable; lo nico que necesitamos es un
conjunto de datos experimentales con su ubicacin
en el tiempo o el espacio. Esto quiere decir que no
slo vamos a poder trabajar con leyes, sino que
tambin podemos procesar otras variables menos
comunes como: peso especfico, porosidad,
densidad de fracturamiento, potencia de la
estructura, precio del oro, etc. Slo necesitamos
una forma de cuantificarlas para luego procesarlas
con la frmula (1) de manera similar como se hace
con las leyes.

En el anlisis variogrfico, la nica restriccin que se debe atender es la hiptesis de estacionariedad, que
exige que el variograma se calcule para un dominio con un determinado patrn de distribucin constante. Lo
cual automticamente implica tener en cuenta las discontinuidades geolgicas: fallas, cambios de litologa,
alteracin, etc. La solucin mas prctica es circunscribirse a dominios estacionarios, es decir realizar el anlisis
variogrfico respetando las discontinuidades geolgicas. Es por eso que la correcta aplicacin de la
geoestadstica nos obliga a tener muy en cuenta la informacin geolgica, lo cual en buena cuenta es lograr el
tan ansiado equilibrio entre los mtodos determinsticos y probabilsticos; siendo difcil que una aplicacin
geoestadstica se haga de espaldas a la informacin geolgica y mineralgica.

LA VARIANZA DE ESTIMACION O EXTENSION

Estamos obligados a explicar este concepto, ya que

est involucrado en cualquier estimacin de reservas,
que no es otra cosa que la extensin del valor de
una o mas muestras relativamente puntuales (volumen
v), a un volumen mayor V (panel o bloque); extensin
que irremediablemente implica un error, que no es
otra cosa que la diferencia entre el valor estimado y el
valor real.
En la estadstica clsica y por ende en todos los
mtodos de estimacin de reservas tradicionales, no es
posible estimar tal error, ya que primero es necesario
conocer el valor real, cosa que es imposible incluso al
final de la vida de la mina. Esto es una de las
principales diferencias entre los problemas
industriales, tcnicos o cientficos puros, donde
generalmente es posible conocer el valor real y por
ende el error.
Para aplicaciones en ciencias naturales y sus
derivados (geoeloga, ingeniera forestal, batimetra,
minera, etc.) la geoestadstica tiene una alternativa
para determinar este error: la varianza de estimacin

2
E

, la cual no depende de los valores reales de la

informacin v utilizada ya que se expresa en funcin
del variograma por la frmula:

= 2 ( V, v ) - ( v 2 ) - ( V2 )

(2)

donde :

(V, v) : designa el valor medio de (h) = (MM) cuando los dos puntos de apoyo M y M
del vector h describen independientemente uno del otro, los dos volmenes o conjuntos V y v.

(V2) : designa el valor medio de (h) cuando los dos puntos de apoyo M y M del vector h
describen, independientemente uno del otro, el volumen V.

( v2) : designa el valor medio de (h) cuando los dos puntos de apoyo M y M del vector h
describen, independientemente uno del otro, el volumen v.

Por lo general, en configuraciones sencillas a veces es suficiente con emplear bacos para estimar esta varianza
de dispersin y con ese conocimiento tomar decisiones a priori, tan trascendentales que pueden comprometer
los resultados de una campaa de exploracin o la decisin de abandonar un proyecto rentable.
Por ejemplo en el baco de la fig. 5 se comparan dos configuraciones por tramos, una con las muestras en los
extremos y la otra con la muestra en el centro del tramo. Resulta obvio que el error involucrado al estimar
(extender) la ley de un tramo desde la ley centrada es mayor que el error que resulta al asignar la ley a partir de
puntos de muestreo en los extremos del tramo; esto es vlido para distancias de muestreo mayores que los del
alcance del variograma respectivo.
Para casos algo mas complicados debemos utilizar la frmula (2), que slo se basa en el variograma y en las
caractersticas geomtricas de los paneles, mas no en los valores que puedan tener los taladros. Lo cual nos
permite estimar el error a priori: antes de perforar el primer metro!

INTRODUCCION AL KRIGEAGE
La forma ms simple y ms errnea de calcular valores desconocidos a partir de valores conocidos es el
promedio aritmtico simple. Es errneo porque no se tiene consideracin alguna de la posicin relativa de los
valores conocidos con respecto al punto, panel o bloque a estimar. Se dio un gran paso histrico cuando se
consider necesario ponderar los valores de las muestras que participan en la asignacin de un promedio a un
punto, bloque o panel; estos mtodos se clasifican como mtodos de distancias ponderadas.

A
FIG. 6

4
P

1
C

P* =

6+5+4+1
4

P* = 4.0

Los mtodos de ponderacin por el inverso de

la n potencia de la distancia (IPD) son los
mas difundidos de todos los mtodos
tradicionales. Sin embargo, debido a que
tambin involucran una serie de suposiciones e
imposiciones empricas y arbitrarias, su
aplicacin encuentra una serie de problemas,
algunos de los cuales se pueden minimizar con
ayuda de la informacin que brinda el
variograma. Para ello vamos a referirnos a la
fig. 6, en la cual tenemos cuatro puntos (A, B, C
y D) con sus respectivas leyes (6, 4, 1 y 5). Se
trata de estimar el valor desconocido en el
punto P. La forma mas simple es sumar los
cuatro datos y dividirlos entre cuatro. En este
caso a cada valor le estamos asignando
arbitrariamente en mismo peso; independiente
de su cercana o lejana al punto P.

Intuitivamente sentimos que esto no es correcto, que de alguna manera, las muestras ms cercanas deben influir
mas que las lejanas; y que por lo tanto, debe haber una distancia mas all de la cual, dicha influencia debe ser
despreciable. Esto ltimo da origen a la denominada rea de influencia, que se suele aplicar en todos los
mtodos IPD. En el caso de una configuracin bidimensional, dicha rea de influencia es un crculo; mientras
que en el caso de una tridimensional es una esfera. Hay dos problemas que resultan como consecuencia
inmediata de esto; por un lado el uso de una figura isomtrica, implica que estamos idealizando al considerar
una regionalizacin istropa; por otro lado el radio de dicha rea de influencia es seleccionado en forma
completamente arbitraria. Salta a la vista de que manera podemos mejorar la calidad de los mtodos IPD
aplicando un rea de influencia a partir del anlisis variogrfico realizado en varias direcciones,
convenientemente seleccionadas.

En la fig. 7 se muestra paso a paso la estimacin del valor de P usando el mtodo del Inverso del Cuadrado de
la Distancia ICD; ntese que se ha aplicado un radio de influencia (R=70); el cual arbitrariamente ha dejado
fuera de clculo al valor del punto A. Si hubiramos escogido R=90, el punto A se incluira en los clculos;
mientras que con R=60; slo entraran los puntos B y C. Los resultados obviamente dependern de esta
seleccin; lamentablemente el mtodo por si mismo no cuenta con la posibilidad de resolver este problema.
Algunos
variogramas
experimentales como el de
la fig. 3A, presentan
bajadas sbitas de su
meseta, en este caso a la
altura de h = 40. Esto es lo
que se denomina efecto
hoyo y corresponde a
subregionalizaciones
alternadas,
como
la
alternancia de zonas ricas y
pobres. En la mina de
donde proviene el ejemplo
se tienen clavos aurferos
separados unos 40 metros
entre
si.
Estas
discontinuidades tambin
deberan ser consideradas al
momento
de
la
configuracin
de
los
paneles y bloques.

FIG. 7 ESTIMACION POR EL METODO DEL INVERSO DEL CUADRADO DE LA

DISTANCIA:

R = 70 RADIO DE INFLUENCIA

P
C

PA 90

1
R

(1/d) (1/d)2

Ley

fuera de R

PB 20 0.050 0.0025 0.81

PC 50 0.020 0.0004 0.13

PD 65 0.015 0.0002 0.06

0.095 0.0031 1.00

P*ICD = 0.81x4 + 0.13x1 +0.06x5 = 3.67

P*ICD = 3.67

Otro aspecto importante es el denominado drift o tendencia que presentan ciertos variogramas despus de
alcanzar la meseta. Tal es el caso del variograma de la fig. 3C, en el cual se nota una subida constante de los
puntos del variograma, a partir de h = 160.
La presencia de drifts es seal de no-estacionariedad, producto de la presencia de tendencias muy marcadas
en la distribucin de las variables. De lo nico que hay que tener cuidado en este caso es de no configurar
paneles con dimensiones que nos comprometan con este drift; que para el caso de la fig. 3C sera 160 metros. Si
tuviramos variogramas con una tendencia mas marcada o dominante, es preferible primero ajustar a los datos
una superficie de tendencia (trend surface) y luego trabajar con los residuos; de lo contrario en lugar de
realizar la estimacin por krigeage simple, hacerlo por el llamado krigeage universal (MATHERON 1969).
A continuacin vamos a presentar, de manera muy simplificada, el mtodo de krigeage. Para una explicacin
mas amplia referirse a: DAVID (1976, 1977), JOURNEL & HUIJBREGTS (1978: 303-343) y GUIBAL &
TULCANAZA (1974: 16-32).
Bsicamente el mtodo de krigeage nos da la posibilidad de asignar un ponderador exacto i a cada valor Zi
que participa en la estimacin de un valor desconocido P* (punto, panel o bloque). De manera similar a los
mtodos IPD, el valor estimado de P se calcula de ecuaciones lineales de la forma :

P* = i Z i

(3)

Cada valor del ponderador i se calcula de un sistema de ecuaciones denominado sistema de Matheron; la
forma general de presentar este sistema de ecuaciones es como sigue:

i ij = pi -

j =1

(4)

j =1
j =1

Donde :
i, j : 1, 2, 3 .... , n.
ij : es el valor promedio del variograma (h) = (MN) cuando M recorre
la muestra n = i y N recorre independientemente la muestra j.
pi : es el valor medio del variograma (h) = (MN) cuando M se mueve
sobre el panel P y N se mueve independientemente sobre la muestra i.
: es el parmetro de Lagrange.
Lo que se obtiene es un sistema con (n+1) ecuaciones y (n+1) incgnitas (los n ponderadores i y el parmetro
de Lagrange ), que se resuelven para encontrar el valor de cada ponderador i , stos son luego reemplazados
en la ecuacin ( 3 ) para finalmente encontrar el valor estimado P* de la variable en estudio.
Tal sistema de Matheron tiene a su vez la propiedad de otorgar una varianza de estimacin mnima, cuya
expresin matemtica general es :
n

2 = i pj + - pp
k
j =1

(5)

la cual representa la medida de la precisin de la estimacin, y que no depende de los valores reales de la
informacin utilizada.
Volviendo a la fig. 6, vemos
como la aplicacin de la
ecuacin (4) nos permite
configurar un sistema de 5
ecuaciones con 5 incgnitas
(entre ellas los i). Para resolver
este sistema slo necesitamos
calcular por computadora o
estimar
por
bacos
los
variogramas i y ip, basados en el
anlisis variogrfico; para luego
reemplazarlos en el sistema de
ecuaciones
y
resolverlo.
Procediendo de esta forma se
obtuvieron los valores i que se
dan en la fig. 8. Ntese que el
mayor ponderador es D, que
concentra el 55% del peso;
mientras que el ms bajo es B,
con slo el 10%.

FIG. 8 ESTIMACION POR KRIGEAGE:

6 A
C

1
D

ANISOTROPIA
R = 80
r = 40

AAA + ABB +ACC + ADD + = AP

BAA + BBB +BCC + BDD + = BP
CAA + CBB +CCC + CDD + = CP
DAA + DBB +DCC + DDD + = DP
A + B + C + D
= 1
A = 0.20
B = 0.10 P*K = AA + BB + CC + DD
C = 0.15 P*K = 3.10
D = 0.55
ERROR DE ESTIMACION =

= iP i

PP -

Estos resultados podran parecer contrarios a lo que nos dicta nuestra intuicin, sobre todo si estamos
acostumbrados a los mtodos IPD; puesto que los valores mas lejanos tienen mas peso que los mas cercanos. Lo
que pasa es que existe un marcado trend de mineralizacin en direccin NW, por lo que es de esperar una
mejor continuidad de los valores en dicha direccin y consecuentemente una mayor variabilidad en la direccin
ortogonal. Esta caracterstica del patrn de distribucin se refleja en el peso de los ponderadores.
Calculando el valor de PP,
y reemplazndolo en la
ecuacin (5), junto con los
ya conocidos y iP, se
calcula la varianza de
krigeage k2; que nos
permite tener una idea
concreta de nuestro error de
estimacin; parmetro que
no se puede calcular en
ninguno de los otros
mtodos de estimacin.

FIG. 9 ESTIMACION DE LA LEY MEDIA EN EL TRAMO S2 A S3

(h ) = h

VARIOGRAMA:

(h)

Z2

S3
Z3

S4
Z4

COMENTARIOS:

4
MEJOR ESTIMADOR:

0.25

MEDIA

En la Fig. 9 se muestra
(h) VARIOGRAMA
cmo los ponderadores
LINEAL
adquieren valores diferentes
1
dependiendo
de
la
estructura
de
cada
distribucin, caracterstica
(h) GRAN
REGULARIDAD
que se encuentra reflejada
3/2
en
su
respectivo
variograma. Se trata de
estimar por krigeage la ley
media de la porcin entre los puntos S2 y S3. Zi es
ponderador respectivo.

0.25

0.25

LEY MEDIA

0.25

UNICO CASO DE VALIDEZ DE

LOS METODOS CLASICOS

(h) REGULARIDAD

0.07

0.43

0.43

0.07

0.50

0.50

LOS DOS PUNTOS MAS

CERCANOS AL
SEGMENTO ESTIMADO
TIENEN MAS PESO

h
0

NO INTERVIENEN LOS PUNTOS

LEJANOS
PROPIEDAD CARACTERSTICA
DEL VARIOGRAMA LINEAL

h
LOS PONDERADORES DE Z1
Y

- 0.03 0.53
h

0.53

- 0.03

Z4

SON NEGATIVOS

DEBIDO A LA EXTREMA
CONTINUIDAD DE LA
MINERALIZACION

la ley correspondiente al punto de muestreo i; y i el

Estamos empleando una funcin variograma de la forma:

valores (columna de la izquierda de la figura en cuestin).

10

S2

EFECTO DE
PEPITA PURO

1/2

S1
Z1

(h) = h

en la cual le asignamos a diferentes

Vemos que el nico caso en que pueden tener

validez los mtodos empricos clsicos, es en el
caso A; donde el variograma nos informa que
en tal distribucin existe plena independencia
entre las leyes, es decir una distribucin al azar
(efecto de pepita puro). Los ponderadores en
este caso tiene el mismo peso o valor i = 0.25.
Slo en algunos yacimientos aluviales de oro se
encuentra este tipo de distribuciones; quizs
debido a la relativa violencia con que se
deposita el material aluvional, de tal forma que
la naturaleza no tiene tiempo para imponer un
patrn de distribucin, por lo que las partculas
de oro se encuentran diseminadas prcticamente
al azar.
Para = , el variograma corresponde a una
distribucin de regularidad media, por lo tanto,
los puntos mas cercanos al segmento estimado
tendrn mas peso (2 y 3 6 veces mayores que

1 y 4). Los variogramas de este tipo por lo general se obtienen en yacimientos diseminados tipo prfido, en
oro diseminado en rocas volcnicas y en algunas vetas hidrotermales de alcance epitermal.
Para = 1, el variograma es lineal; por lo tanto el peso se concentra casi totalmente en los puntos mas cercanos
(2 = 3 = 0.5); de tal forma que los puntos mas lejanos prcticamente no intervienen en la estimacin (1 = 4 =
0). Variogramas de este tipo son frecuentes en vetas hidrotermales, meso- a hipotermales.
Para = 3/2, el variograma corresponde a una distribucin de gran regularidad, es decir con una continuidad
extrema de la mineralizacin, a tal punto que las muestras mas lejanas al segmento estimado tendrn pesos
negativos (1 = 4 = - 0.03). Este tipo de variogramas se encuentran en yacimientos estratiformes o de origen
sedimentario. Tambin en le caso de mantos de carbn; o cuando se evala la potencia de cuerpos tabulares o el
peso especfico en zonas de litologa homognea.

EL CONCEPTO DE ANISOTROPIA
Raras veces las distribuciones resultan istropas (Fig. 11), lo cual quiere decir que los variogramas en todas
sus direcciones son similares. Esto es inusual, ya que casi siempre los procesos geolgicos son direccionales,
es decir, por lo general tienen una direccin o componente preferencial, concepto relacionado principalmente al
flujo o flujos de mineralizacin.
Para aclarar esto vamos a referirnos a la fig. 10 (simplificada a partir de CANCHAYA & BERNUY 1983), en
la cual se muestra varios tramos de muestreo a lo largo de galeras y chimeneas sobre una veta. Como los flujos
mineralizantes generalmente son sub-verticales, el patrn de distribucin a lo largo de las chimeneas ser
diferente al de las galeras; lo cual quedar expresado en los respectivos variogramas y principalmente en el
alcance a. Para el caso se ha obtenido ah = 10 y av = 20.
Por lo tanto tenemos una distribucin anistropa y
consecuentemente debemos definir una elipse de
FIG. 11
influencia, tomando como ejes los valores de ah y av.

REGIONALIZACION ISOTROPA

Cualquier variable est estructurada dentro del alcance

a de su respectivo variograma, mas all de l, su
comportamiento, por ser al azar, ser impredecible. Por
lo tanto para cubicar reservas probadas se configura
paneles con dimensiones menores o iguales que 2a, tal
como se ha procedido en la Fig. 10. Si quisiramos
cubicar ms reservas probadas, deberamos disear
subniveles cada 40 metros (dos veces el alcance en av );
mientras que la separacin ideal entre chimeneas deber
ser 20 metros (dos veces el alcance en ah ). Estos
conceptos se pueden aplicar tambin para dimensionar
el reconocimiento con taladros diamantinos desde las
labores subterrneas.
Hay dos tipos de anisotropa: zonal y geomtrica.
Cuando los variogramas en varias direcciones presentan
diferentes alcances tenemos anisotropa geomtrica;
mientras que cuando presentan diferentes mesetas se
trata de anisotropa zonal.
En la figura 12 estamos mostrando otro ejemplo ilustrativo. Se trata de una seccin, perpendicular al rumbo, de
un manto tufceo potente que contiene mineralizacin del tipo diseminada, la cual aumenta paulatinamente del
techo al piso. Este patrn de distribucin queda claramente expresado en los variogramas direccionales, que se
obtuvieron a partir de muestras de este manto, los cuales estn graficados en la mitad inferior de la fig. 12. Tal
como era de esperar, los tres variogramas son diferentes, presentando no slo diferentes mesetas (anisotropa
zonal) sino adems anisotropa geomtrica (diferentes alcances).

La direccin E-W corresponde a un variograma casi de efecto de pepita puro y con la mas alta varianza;
podramos percibir esta irregularidad de la mineralizacin imaginando que recorremos el manto, con un
analizador qumico porttil, a lo largo de cualquier lnea horizontal paralela a la direccin E-W indicada.
Por el contrario, si recorremos el manto a
lo largo de una lnea perpendicular a la
hoja
(N-S) notaremos una gran
continuidad de los valores y una mnima
variacin estructural de los mismos; lo
cual est plenamente expresado en el
variograma respectivo, que muestra la
mejor estructuracin y el mayor alcance de
los tres mostrados en la fig. 12. Un
recorrido similar en direccin vertical,
permite comprender porqu el variograma
en esa direccin tiene mejor estructura y
menos varianza que el de la direccin EW.
Es una idealizacin muy peligrosa suponer
que los patrones de distribucin son
istropos, ya que los millares de estudios
variogrficos de diferentes tipos de
yacimientos, en la bibliografa mundial,
nos indican que la mayor parte de los
patrones de distribucin son anistropos.
El concepto de anisotropa geomtrica
tiene relacin directa con el denominado
radio de alcance de los mtodos
tradicionales; que como ya hemos visto
slo se podr usar en regionalizaciones
istropas. Es mas apropiado hablar de
elipse (para bloques bidimensionales) o
elipsoide de alcance (para bloques
tridimensionales). Consecuentemente, y
salvo en justificadas excepciones, las
mallas de perforacin deberan ser
rectngulos o paraleleppedos; y no
necesariamente cuadrados o cubos, como
generalmente se usa.

S. Canchaya/Dic. 2005

BIBLIOGRAFIA
Aqu se est consignando no slo la bibliografa citada en el presente trabajo, sino adems, bibliografa
adicional seleccionada con la intencin de dar a loa participantes la posibilidad de profundizar los temas que
ms le interesan.

ALFARO, M. & MIGUEZ, F. (1976) Optimal interpolation using transitive methods.- In: GUARASCIO, M. et al.
(eds.): Advanced Geostatistis in mining industry; D. Reidel Publ. Co., Holland: 91-99.
ALVAREZ, A. & MARBEAU, J. P. & OVIEDO, L. & VERA, F. (1979) Estudio comparativo por geoestadstica de
las vetas ms representativas de Casapalca y San Cristbal. - Bol. Soc.geo. Per, 62: 107-123.
ARGUELLES, V. & ALVAREZ, A.(1976) Estudio geolgico y geoestadstico de la veta P, Mina CasapalcaCentromin Per.- An. XIII Conv. Ing. Minas, Arequipa; I-13, 11p.
BERNUY, O. (1979) Estudio comparativo de evaluacin de reservas por diferentes mtodos.- Bol. Soc. geol.
Per, 62: 83-105.
BERNUY, O (1980a) Aplicaciones de la simulacin
exploracin minera.- Bol. Soc. geol. Per, 65: 15-21.

de yacimientos como ayuda al planeamiento de la

BERNUY, O (1980b) Observaciones geoestadsticas del yacimiento de Antamina.- Bol. Soc. geol. Per, 67: 119.
BERNUY, O & JOURNEL, A. (1977) Simulation dune reconnaissance squentielle.- Revue de lIndustrie
Minrales, Oct.: 472-478.
BERNUY, O & CASTILLA, F. & GUIBAL, D. (1976) Estudio geoestadstico del Banco 3500-Michiquillay.- Bol.
Soc. geol. Per, 53-54: 7-28.
BROOKER, P. I. (1975a) Optimal block estimation by kriging.- Proc. Aus. Ind. Min. Metall., 253: 15-19.
BROOKER, P. I. (1975b) Avoiding unnecessary drilling. Proc. Aust. Inst. Min. Metall., 253: 21-23.
BROOKER, P. I. (1978) Geostatistical Calculations Using True and Estimated Values from a Simulated
Deposit.- Proc. Australasian Inst. Min. Metall. 268: 63-69.
CANCHAYA, S. (1980) Estudio geolgico econmico de la Mina Bella Unin, Hualgayoc.- Inf. priv. Bella Unin.
Minas S.A., 74p.
CANCHAYA, S. (1983) Los mtodos computarizados en geologa.- Bol. Soc. geol. Per, 72: 11-28
CANCHAYA, S.
(1984a) El mtodo geoestadstico: una presentacin comparativa con los mtodos
tradicionales de estimacin de reservas.- Minera.
CANCHAYA, S. (1984b) Geologa econmica de la mina Bella Unin, Cajamarca.- Tesis Ing. Univ. Nac. Ing.
(en prep.).
CANCHAYA, S. (1984c) Mtodos geoestadsticos en la Industria Minera.- Minera, 182/183: 23-43.
CANCHAYA, S. & BERNUY, P. (1983) Estudio geoestadstico de las vetas A;y Z de la Mina Bella UninHualgayoc.- Bol. Soc. geol. Per, 72: 29-47.
CANDIOTTI, H. (1979) Geology and Quantitative Data Analysis of Quellaveco Porphyry Copper Deposit.Master-These, Univ. Leicester, England, 18p.
CASTILLA, F. & GUIBAL, D. & BERNUY, O. (1975) Estudio estructural geoestadstico del yacimiento
Michiquillay.- Bol. Soc. geol. Per, 46: 35-52.
CHAMPIGNY, N. & ARMSTRONG, M. (1993) Geostatistics for the Estimation of Gold Deposits.- Mineralium
Depos. 28, 279-282

CLARK, I. (1984) Practical Geostatistics.- Elsevier; 129 p.

CUEVA, E.(1976) Modelo geoestadstico de evaluacin de reservas para yacimientos reconocidos con malla
regular.- An. XIII Conv. Ing. Minas, Arequipa; I-14, 7p.
DAVID, M. (1972) Grade-Tonnage Curve: Use and Misuse in Ore Reserve Estimation.- Trans. Inst. Min. Metall.,
81: A129-132.
DAVID, M. (1976) The Practice of Kriging.- In: GUARASCIO, M. et al. (eds.): Advanced Geostatistics in the
Mining Industry; D. Reidel Publ. Co., Holland: 31-48.
DAVID, M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier; 364p.
DAVID, M. & DOWD, L. & KOROKOV, S. (1974) Forecasting Departure from Planning in Open Pit Design and
Grade Control.- Proc. 12th. APCOM Symp., Colorado School of Mines: F131-F149.
DAVIS, J. C. (1973) Statistics and Data Analysis in Geology.- John Wiley & Sons (New York); 550p
DELFINER, P. & DELHOMME, J. P. (1973) Optimum Interpolation by Kriging.- Cent. Morph. Math.,
Fontainebleau, Report, N343, August 1973.
DELFINER, P. & DELHOMME, J. P. (1975) Optimum Interpolation by Kriging.- In: DAVIS, J. C. et al. (Ed.)
Display and Analysis of Spatial Data; NATO Advanced Study Institute; Wiley : 96-114
DOWD, P. (1971) Applications of Geostatistics.- Internal Report, Zinc Corporation, N.B.H.C., Broken Hill,
Australia (citado por JOURNEL & HUIJBREGTS 1978: 256-261).
DOWD, P. (1975) Mine planning and ore reserve estimation with the aid of a digigraphic console display.C.I.M. Bull., Feb. 1975: 39-43.
FRANCOIS-BONGARCON,
D. &
MARECHAL, A. (1976) A new method for open-pit design and
parameterization of the final pit contour.- Proceedings of the 14th International APCOM Symposium,
Pennsylvania State University, Oct. 1976: 573-583.
GEOFFROY, J. DE & WIGNALL, T. K. (1970) Statistical decision in regional exploration: Application of
regression and Bayesian classification analysis in the southwest Wisconsin zinc area.- Econ. Geol., 65: 769-777.
GUIBAL, D. (1976) Elementos de geoestadstica aplicada, apuntes del Seminario, Cerro Verde-Junio 1976;
Lima (Reporte interno-Minero Per), 190p
GUIBAL, D. & TULCANAZA, E. (1974) Fundamentos de geoestadstica aplicada.- Apuntes del 1er. Seminario
peruano de geoestadstica, Minero Per - U.N.I., Lima, Sec.- Oct. 1974; 47p.
GY, P. (1999) Sampling for Analytical Purposes.- John Wiley & Sons; 153 p.
HOWARTH, R. J. & LEAKE, B. E. (1980) The role of data processing in the geological sciences.- Sci. Prog.
Oxf., 66: 295-329.
HUIJBREGTS, Ch. (1976) Selection and grade tonnage relationships.- In: GUARASCIO. M.
Advanced Geostatistics in mining industry; Reidel, Holland; 113-135.

et al. (eds.):

HUIJBREGTS, Ch. & MATHERON, G. (1970) Universal kriging an optimal approach to trend surface analysis.In Decision-making in the Mineral Industry Cand. Inst. Min. Metall. Special vol. 12: 159-169.
JOURNEL, A. (1969) Krigeage Universel et Cartographies automatique.- Paris, Ed.: Service hydrographique de
la Marine.
JOURNEL, A. (1969) Presentacin general de la Geoestadstica (Minera) - An. XI Conv. Ings Minas, Secc.
Geologa: 10-22p.
JOURNEL, A. G. (1973) Grades fluctuations at various scales of a mine output.- Centre de Morphologie
Mathmatique, Fontainebleau, Report N348.
JOURNEL, A. (1974a) Geostatistics for conditional simulation of ore bodies.- Econ. Geol., 69: 673-687.

JOURNEL, A. (1974b) Simulations Conditionnelles.- Thorie et Pratiqu.- These Docteur - Ingenieur, Univ.
Nancy, 110p.
JOURNEL, A. (1974c) Presentacin general de la geoestadstica (Minera).- El Ingeniero Gelogo N 16: 37-49;
Lima. Tambin en An. XI Conv. Ings. Minas.
JOURNEL, A. G. (1976) Ore grade distributions and conditional simulations-two geostatistical approaches.- In:
GUARASCIO, M. et al. (eds.): Advanced Geostatistics in Mining industry; D. Reidel Publ. Co., Holland: 195-202.
JOURNEL, A. G. & HUIJBREGTS, Ch. J.(1978) Mining Geostatistics - Academic press, London 600p.
KRIGE, D. G. (1961) Developments in the valuation of gold mining properties from borehole results.- 7th.
Commonwealth Min. Metall. Congress., Johannesburg, April; 20p.
KRIGE, D. G. (1966) Two dimensional weighted moving average trend surfaces for ore valuation.- Proc. Symp.
on math . statist. and computer applications in ore valuation, J. Johannesburg: 13-38.
KRUMBEIN, W. C. (1972) The computer in geological perspective.- In: MERRIAM (de.) Computer applications
in the earth sciences: 251-272.
MARECHAL, A. (1976) Selecting mineable blocks: experimental results observed on a simulated orebody.- In;
GUARASCIO, M. et al. (eds.): Advanced Geostatistic in the mining industry; D. Reidel Publ. Co., Holland :137161.
MATHERON, G. (1962a) Trait de Gostatistique Applique, T.1.- Le Krigeage.-Mmoires du B.R.G.M N 14,
333p.
MATHERON, G. (1962b) Trait de Gostatistique Applique, T.2.- Le Krigeage.-Mmoires du B.R.G.M N 24,
171p.
MATHERON, G. (1963) Principles of Geostatistics.- Econ. Geol. 58: 1246-1266.
MATHERON, G. (1965) Les variables rgionaliss et leur estimation.- Masson et Cie, - Paris, 212p.
MATHERON, G. (1967) Kriging, or polynomial interpolation procedures?.- Trans. Canad. Inst. Min. metall.,
70:240-244.
MATHERON, G. (1969) Le krigeage universel.- Cah. Cent. Morph. Math., Fasc. 1, C.G. Fontainebleau, 82p
MATHERON, G. (1971) The theory of regionalized variables and its applications.-Les Cahiers du Centre de
Morphologie Mathmatique, Fasc. 5, CG, Fontainebleau.
MATHERON, G. & FORMERY, P (1963) Recherche doptimum dans la reconnaissance et la mise en
exploitation des gisements miniers.- Ann. des Mines, Mai : 23-42; June :2-30.
MPANDE, M.M. (1981) Spatial variation in Zambian Copperbelt orebodies.- Ph.D. Thesis.
MPANDE, M.M. (1982) Geostatistical system of classifying sulphide deposits.- Applied earth science, I.M.M.
Transactions, Sect. B, 91 : 845-846.
NEIRA, C.(1977) Presentacion de los principales mtodos de diseo ptimo de pits, I Parte.- Inf. Int. Dpto.
Geoestadstica - Minero Per, 32p.
OLEA,R.(1972) Application of regionalized variable theory to automatic contouring.-Spec. Rep. amer. Petroleum
Inst., Res. Proj. N131, 191p.
PELISSONNIER, H. (1972) Les dimensions de gisements de cuivre du monde. Essai de mtallognie
quantitative.- Mmoires du B.R.G.M, 57; 405 pp.; 90 fig.,5 coloured maps.
RENDU,J.M. (1971a) Some applications of geostatistics to decision-making in exploration.-Decision Making in
the Mineral Industry, Canadian Inst. Min. Metall., Spec. Vol. 12 : 175-184.

RENDU,J.M. (1971b) Some applications of geostatistics to decision-making in exploration.-Dr. Ing. These,

Columbia Univ., New York, 273p.
RENDU,J.M. (1976) Bayesian decision theory applied to mineral exploration and mine valuation.- In:
GUARASCIO et al. (eds.) : Advanced Geostatistics in Mining Industry; Reidel, Holland : 435-445.
RENDU, J.M. (1981) An introduction to Geostatistical Methods of Mineral Evaluation.- South afric. Inst. Min.
Metall.; 84 p
SERRA, J. (1967) Un critre nouveau de dcouverte de structures : le variogramme.- Sciences Terre, 12: 277299.
SWITZER,P. & PARKER, H.M.(1976) The problem of ore versus waste discrimination for individual blocks :the
lognormal model.- In : GUARASCIO et al. (eds.) : Advanced Geoestatics in Mining Industry; Reidel, Holland :
203-218.
TULCANAZA, E. (1975) Los procedimientos geoestadsticos en el anlisis y estimacin de yacimientos.CITEM, 1:6-23.
TULCANAZA, E. (1976) Una aplicacin geoestadstica en la Mina Casapalca.- Minas, edic. Centenario;
CEIGMM-UNI:36-43.