FACULTAD DE INGENIERA

ESCUELA PROFESIONAL DE INGENIERA DE MINAS

CURSO

: INGENIERIA AMBIENTAL

CICLO

TRABAJO: CASO DERRAME DE MERCURIO EN CHOROPAMPA

DOCENTE

: SALDAA ROJAS EDINSON NICOLAS

ALUMNO :

CAJAMARCA - PERU
2015

P g i n a 1 | 27

P g i n a 2 | 27

"El peor error es no hacer nada por

pensar que es poco lo que se
puede
Hacer"
E. BURKE

"Los hombres aprenden mientras

ensean"
SNECA

"Un educador no tiene el sentido

del fracaso, precisamente porque
se cree un
Maestro. Quien ensea manda"
GASTON BACHELARD
P g i n a 3 | 27

DEDICATORIA

Dedicamos primeramente este

proyecto a dios creador de todas las
cosas quien nos da fortaleza, de igual
forma queremos dedicarles a nuestros
padres ya que gracias a ellos podemos
estar en esta universidad donde
podemos aportar cada uno de nosotros
con nuestros conocimientos a nuestro
profesor por brindarnos su tiempo por
su sabidura que nos trasmite en el
desarrollo de nuestra formacin
profesional as mismo por su apoyo
hasta la culminacin de este trabajo.

P g i n a 4 | 27

AGRADECIMIENTO

Este informe de investigacin es el resultado

del esfuerzo conjunto de todos los que
formamos el grupo de trabajo, que a lo largo
de este tiempo hemos puesto a prueba
nuestras capacidades y conocimientos en el
desarrollo de este nuevo trabajo en el cual
hemos finalizado llenando todas nuestras
expectativas. Agradecemos a nuestros
padres quienes a lo largo de nuestras vidas
nos han apoyado y motivado para nuestra
formacin acadmica
Por esto agradecemos a nuestro profesor
RIVASPLATA, VICTOR GERARDO a quien le

debemos gran parte de nuestros

conocimientos, gracias a su paciencia y
enseanza y finalmente un eterno
agradecimiento a esta prestigiosa.
Universidad la cual abri abre sus puertas a
jvenes como nosotros, preparndonos para
un futuro competitivo y formndonos como
personas de bien.

P g i n a 5 | 27

Tabla de contenido
1.

INTRODUCCIN................................................................................................ 5

2.

OBJETIVOS....................................................................................................... 6
2.1

OBJETIVO GENERAL:................................................................................. 6

2.2

OBJETIVOS ESPECFICOS..........................................................................6

3.

FUNDAMENTO TEORICO................................................................................... 7

4.

CONCLUSIONES............................................................................................. 23

4.1

CONCLUSION GENERAL..............................................................................23

4.2

CONCLUSIONES ESPECFICOS....................................................................23

5.

BIBLIOGRAFA................................................................................................ 24

P g i n a 6 | 27

1. INTRODUCCIN
El termino geoestadistica surge de la combinacin del carcter aleatorio que presentan
las variables a estudiar con el carcter geolgico que, indudablemente, poseen. Estos
mtodos, desarrollados por Matheron y la escuela de minas de Pars a partir de
comienza de los aos sesenta, ofrecen, en principio, una ptima evaluacin de las
reservas de un yacimiento. Si bien sus comienzos se sitan, como se ha comentado, en
la dcada de los sesenta, su problemtica es anterior, pudindose centrar en los trabajos
de Sichel (1949) y Krige (1951), quienes trabajaban en las minas de oro de Sudfrica y
observaban el carcter lognormal de las distribuciones de las leyes en oro, intentando
buscar soluciones a la estimacin de las reservas de los yacimientos aurferos,
estimaciones que llevan implcito, como es lgico, el menor error en la prediccin. De la
minera, la Geoestadstica se ha exportado a numerosas ramas de la ciencia, estando,
en la actualidad, presente en campos como la Meteorologa, Hidrogeologa, Edafologa,
Agricultura, etc.
En la figura se muestra la idea bsica de la aplicacin de las tcnicas geoestadistica a la
evaluacin del yacimiento. A partir de los datos obtenidos en el anlisis de los sondeos,
y tras un estudio de tipo de distribucin que presentan, se lleva a cabo el clculo de los
semivariogramas experimentales, lo que permite, a travs de la tcnica del krigeaje,
realizar una estimacin, bien puntual (krigeaje puntual) o bien por bloques (krigeaje de
bloques), de las variables involucradas, normalmente ley y/o potencia.

2. OBJETIVOS

2.1
OBJETIVO GENERAL:
Conocer los diferentes modelos de variogramas utilizado en la geoestadistica.
2.2

OBJETIVOS ESPECFICOS

P g i n a 7 | 27

3. FUNDAMENTO TEORICO

APLICACIONES DE LA GEOESTADISTICA
Los mtodos geoestadsticos y, en concreto, el examen de los semivariogramas,
pueden ser tiles para determinar, aspectos como:

El tamao ptimo de la muestra.

El esquema de muestreo ptimo.
La densidad ptima del muestreo.
El rea de influencia de cada muestra, que puede ser circular, elptica,
esferoidal o elipsoidal.
La naturaleza de la mineralizacin, es decir, su caracterizacin. La
informacin que ofrece el semivariograma puede indicar la uniformidad de la
mineralizacin o el grado en el que dicha mineralizacin ha sido concentrada
durante la precipitacin de las fases minerales.

Otras ventajas pueden ser:

Evitar la utilizacin de mtodos de ponderacin arbitrarios como el

inverso de la distancia.
La aplicacin de un estimador insesgado en el clculo de la ley de un
depsito. El mejor estimador es el que produce la mejor precisin (menor
varianza).
Si la base de datos de partida es correcta, el mtodo permite la
determinacin del mejor estimador insesgado posible, lo que puede ser
muy importante en explotaciones que trabajan al lmite de la
economicidad.

Teora de las variables regionalizadas

La geoestadistica establece que la distribucin estadstica de la diferencia en el valor
de una variable entre pares de puntos (muestras) es similar a lo largo del yacimiento
y que depende de la distancia y orientacin entre los pares de puntos. Este
concepto, denominado concepto de estacionaridad, es el punto de partida de la
geoestadistica y, aunque no siempre se cumple, muy frecuentemente se asume. As
pues, si bien la estadstica clsica considera solo la magnitud de los datos y no toma
en cuenta ningn aspecto relacionado con la posicin del dato, la Geoestadistica
considera no solo el valor del punto, si no tambin la posicin de ese punto dentro
del cuerpo mineralizado y su relacin con otras muestras. Esto se puede observar
con un sencillo ejemplo. Supngase que se han tomado, en un yacimiento, dos
conjuntos de muestras en los que cada muestra est separada de la siguiente una
P g i n a 8 | 27

distancia determinada y que los resultados obtenidos en el anlisis de las leyes han
sido los siguientes:
Conjunto 1: 3%, 5%, 7%, 9%, 8%, 6%, 4%, 2%
Conjunto 2: 9%, 3%, 8%, 2%, 6%, 5%, 7%, 4%
Aplicando la estadstica clsica, ambos conjuntos de datos presentaran la misma
media y varianza (en si son los mismos datos), pero se pueden observar
rpidamente que tienen una marcada diferencia espacial, que se puede poner de
manifiesto por las diferencias sucesivas entre las muestras contiguas:
Conjunto 1: 2, 2 ,2 1, 2, 2, 2
Conjunto 2: 6, 5, 6, 4, 1, 2, 3
Estos incrementos pueden, por tanto, utilizarse para poner de manifiesto la
existencia de una relacin espacial en los valores de la variable.
De acuerdo con este concepto surge la idea de la variable regionalizada, que es
aquella cuyo valor en un punto dentro de un yacimiento es funcin de su magnitud y
de su soporte (volumen, forma y orientacin). Ejemplos tpicos de variables
regionalizadas, que pueden ser empleadas en el estudio geoestadstico de un
yacimiento, son la ley o contenido de un metal/mineral, el espesor del cuerpo
mineralizado, el peso especfico o densidad aparente, parmetros fsicos como la
porosidad, etc.
La continuidad de una variable regionalizada a lo largo de un depsito puede variar
segn la direccin, convirtiendo a la variable en anistropa, frente al comportamiento
istropo cuando esto no ocurre, es decir, no se observan variaciones en la
continuidad con la direccin. Este hecho tiene su importancia intrnseca, pues
generar semivariogramas diferentes segn la direccin que se considere.

Clculo del semivariograma experimental

Puesto que la estadstica clsica considera las muestras como aleatorias y
completamente independientes entre s, mientras que la geoestadistica asume una
correlacin entre ellas, una forma de expresar dicha correlacin es a travs de una
funcin denominada variograma o semivariograma. Esta funcin define, por tanto, la
correlacin espacial entre los valores muestreados. El variograma o semivariograma
se obtiene calculando, para cada distancia de separacin entre las muestras (lag) en
una determinada direccin, la diferencia al cuadrado de los valores de dichas
muestras. Es decir, para cada separacin h se calcula el valor de y*(h) mediante la
frmula:

P g i n a 9 | 27

Y*(h) = (1/2N) .

2
[f ( x i) f ( x i+h )]

Donde N es el nmero de pares de datos,

regionalizada en el punto i y

xi
f ) es el valor de la variable

x i+h
f ) el valor de la variable regionalizada tomada a

una distancia h de i. Para la produccin ideal del semivariograma es necesario un

nmero grande de muestras y que, adems, cada muestra represente el mismo
volumen, pues de lo contrario el soporte es diferente y no se puede llevar acabo la
comparacin de los valores.

FIGUIRA 6.2 METODO PARA LLEVAR A CABO EL CLCULO DEL SEMIVARIOGRAMA

El lag es, sencillamente, el espaciado con el que se calculan la diferencias al

cuadrado entre muestras. El lag 1, incluye las muestras adyacentes (A y B, B y C, C
y D, etc. en la Figura 6.2). La distancia que representa el lag 1 es, pues, el intervalo
mnimo de muestreo. El lag 2 requiere que se calculan las diferencias al cuadrado
entre muestras alternativas (A y C, B y D, C y E, etc.), y as sucesivamente.
El nmero mximo de lags es decir, de distancias h para calcular el y*(h), suele
establecerse en la mitad de la distancia muestreada, pues longitudes mayores
generan pares de muestras, por lo que estadsticamente no es representativo.
Los valores obtenidos de y*(h) se representan en un diagrama frente a sus
correspondientes valores de h, definindose el correspondiente semivariograma (fig.
6.3). La velocidad del incremento de y*(h) con el lag es un reflejo de la velocidad a la
cual la influencia de una muestra disminuye con la distancia, y nos da una definicin
adecuada de la denominada zona de influencia. La distancia en la que y*(h) se hace
constante corresponde al punto en el que la covarianza -cov(h)- entre muestras
adyacentes disminuye hasta cero esta distancia define el lmite de la zona de
influencia de una muestra.

P g i n a 10 | 27

FIGUIRA 6.3 EJEMPLO DE SEMIVARIOGRAMA

5. MODELOS DE FUNCIONES ALEATORIAS

Como se ver posteriormente, la estimacin de la variable en un punto a travs del
krigeaje necesita de la utilizacin del semivariograma, pero no en la forma del
semivariograma experimental, pues este posee numerosas zonas donde no existen
valores concretos ( nicamente existen valores definidos en aquellos lugares donde
se ah realizado el muestreo). Por tanto, puede resultar necesario definir el valor de la
variable en puntos donde el semivariograma experimental no ofrece informacion
suficiente. Para ello, es necesario construir un modelo que si nos permita obtener
dicha informacion. Ahora bien, la pregunta que surge es: qu modelos pueden
utilizarse?
A continuacin se va a intentar resolver esta pregunta de la forma ms sencilla
posible.
La informacion mas interesante que debera considerarse a la hora de intentar
resolver el problema de la estimacin de una variable es la descripcin de como se
ha producido el fenmeno. En determinada situaciones, los procesos fsicos o
qumicos que generan el conjunto de datos pueden ser conocidos con el suficiente
detalle como para avanzar una descripcin completa del perfil a partir de unos
nicos valores. En dichas situaciones, aplicar modelos determinsticos seria los ms
apropiado. Sin embargo, desgraciadamente son pocos los procesos naturales cuyas
pautas de comportamiento son tan bien conocidas como para poder utilizar este tipo
de modelos.
La mayor parte de estos procesos son, en realidad, el resultado final de una
combinacin de variables cuyas complejas interacciones impiden describir el
fenmeno cuantitativamente.
En las ciencias de la tierra es necesario admitir la existencia de incertidumbre en el
comportamiento del fenmeno entre los puntos muestreados, por lo que es
imprescindible acudir a los modelos de funciones aleatorias. que permiten resolver
esta problemtica planteada. Por esta razn, los estudios de estimacin
geoestadstica se basan en modelos probabilsticos que reconoces estas
P g i n a 11 | 27

incertidumbres. En los modelos probabilsticos, el conjunto de datos se muestra

como el resultado de la actuacin de procesos aleatorios.
Una variable aleatoria es aquella cuyos valores se generan aleatoriamente de
acuerdo con un mecanismo probabilstico. El ejemplo clsico de este tipo de
variables aleatoria sera el resultado de tirar un dado, cuyas realizaciones se
reparten aleatoriamente entre las seis posibilidades existentes en el dado. De igual
forma, se puede definir una funcin aleatoria como un conjunto de variables
aleatorias que tienen alguna localizacin espacial y cuya dependencia, una de otra,
viene determinada por algn mecanismo probabilstico. Este tipo de funciones
aleatorias son las que utiliza la geoestadstica.
En la Figura 6.4 se muestra un conjunto de datos constituido por siete valores de
una variable en siete localizaciones, que podran ser el resultado de diferentes
procesos aleatorios. La Figura 6.5 indica tres posibles modelos de semivariogramas
y la Figura 6.6 realizaciones de funciones aleatorias que poseen estos parmetros
particulares de los semivariogramas. El modelo del semivariograma de la Figura
6.5a describe una funcin aleatoria que es muy errtica en distancias cortas y la
correspondiente realizacin (Fig. 6.6a) muestra una considerable variabilidad a
pequea escala. El modelo de la Figura 6.5b presenta una funcin aleatoria menos
errtica que la anterior, con realizacin, por tanto, tambin menos errtica (Fig.
6.6b). Por ltimo, la Figura 6.5c indica una funcin aleatoria extremadamente
continua, con el semivariograma tangencial al eje X en el origen y un lento ascenso
posterior. Su correspondiente realizacin (Fig. 6.6c) es muy suave, con ligeras
ondulaciones alrededor de los valores.

FIGUIRA 6.4 CONJUNTO DE SIETE VALORES DE LA VARIABLE EN SIETE LOCALIZACIONES

P g i n a 12 | 27

FIGUIRA 6.5 TRES POSIBLES MODELOS DE SEMIVARIOGRAMAS PARA LOS VALORES DE LA

FIGURA 6.4

FIGUIRA 6.6 RELIZACIONES CORRESPONDINETES A LOS TRES MODELOS DE

SEMIVARIOGRAMAS DE LA FIGURA 6.5

En este ejemplo, si se restringen los datos a los siete niveles valores mostrados,
cualquiera de las opciones de la Figura 6.6 es plausible, pues todas pasan por los
citados valores.
Por tanto, el objetivo de la persona dedicada a la seleccin del semivariograma es
estudiar el proceso involucrado para optar por la opcin que, en principio, sea la ms
adecuada.
P g i n a 13 | 27

6. MODELOS DE SEMIVARIOGRAMAS
Como se ha comentado anteriormente, el krigeaje necesita de la utilizacin de un
modelo de semivariograma, seleccionado a partir de los valores de y*(h), no siendo
posible el ajuste de cualquier modelo, pues este debe de cumplir de algunos
requisitos matemticos. En particular el modelo elegido debe ser condicionalmente
definido negativo, pues tiene que asegurar que el sistema de n+1 ecuaciones con
n+1 incgnitas tenga una y solo una solucin. Existen numerosos caminos para
conocer si el modelo elegido cumple esta propiedad matemtica (Isaaks y
Srivastava, 1989), pero lo mas til y rpido es seleccionar uno que este incluido en
la lista de modelos que cumplen la citada propiedad.
Aunque el ajuste de un modelo de un semivariograma experimental es la forma ms
comn de aproximacin al esquema de continuidad espacial, no es la nica ni
necesariamente a mejor. Existen numerosas situaciones en las que la seleccin del
modelo adecuado se debe basar principalmente en aproximaciones cualitativas. La
experiencia con conjuntos de datos semejantes puede constituir una gua mas
optima que el simple esquema mostrado por unas pocas y solitarias muestras. Mas
aun la posible existencia de un semivariograma aparentemente sin posibilidad de
modelizacin no debe obviar este proceso, pues, muchas veces, problemas como un
nmero insuficiente de muestras, errores en el muestreo, valores errticos, etc.,
pueden enmascarar el esquema de continuidad espacial. En resumen, la seleccin
del modelo a aplicar es un cuidadoso proceso en el que deben considerar todos los
aspectos involucrados.
Tal como se ha indicado, existe un grupo de modelos que constituyen la base ms
frecuente a la hora de optar por el modelo ms adecuado al semivariograma
experimental, todos ellos cumpliendo la condicin matemtica anteriormente citada.
Aunque este cumplimiento pueda parecer, en principio, una restriccin, no lo es
tanto, pues la combinacin de los diferentes modelos genera otros que tambin
cumplen dicha condicin, por lo que el abanico final es lo suficientemente amplio
como para satisfacer las necesidades requeridas. En otras palabras, cualquier
modelos, o combinacin de modelos, de los que a continuacin se van a citar,
permite ajustar todos los semivariogramas que puedan aparecer en el estudio de las
variables de carcter minero.
Los modelos a considerar se pueden agrupar en dos grandes categoras:
(a) los
que alcanzan en una meseta (modelos de transicin y (b) los que no alcanzan una
meseta
En el primer grupo se incluyen aquellos modelos en los que la curva asciende de
forma continuada hasta alcanzar un nivel, denominado meseta. La distancia a la que
P g i n a 14 | 27

alcanzan la meseta se denomina alcance o rango. Entre estos modelos, los mas
caractersticos son el exponencial y el esfrico o matheron. En el segundo grupo
estn los que van incrementndose a medida que la distancia aumenta, sin llegar a
alcanzar una meseta. Los as representativos son el lineal y el de wijsian. A
continuacin se van a describir todos ellos, centrndose, especialmente, en el
denominado esfrico o matheron, que es el que presenta un mayor nmero de
aplicacin en minera
Previamente hay que hacer constar que, tericamente, el valor del semivariograma
para una distancia cero debera ser cero. Sin embargo, muchas veces esto no
sucede, generando lo que se denomina efecto pepita (Co) (el nombre hace mencin
a la aparicin ms o menos errtica, de pepita de oro en algunos yacimientos
aurferos).
Sus causas pueden ser muy variadas: errores de muestreo, fluctuaciones de la
variable a una escala menor que la de observacin, etc. Dado que su presencia es
bastante comn hay que acostumbrarse a trabajar con ella, lo que no
necesariamente significa un menoscabo en la utilidad y exactitud de la tcnica de
estimacin.
1. Modelo Exponencial:
Este modelo va ascendiendo lentamente hasta alcanzar la meseta a un valor
constante. Existen dos posibles esquemas: Formery y Gaussiano (Fig. 1.7). El
primero tiene la expresin:
[ h /a]
1exp +C o
( h )=C

Donde C es el valor comprendido entre el efecto pepita (Co) y la meseta, H la

distancia y A representa el alcance o rango. En este esquema la tangente el
origen intercepta la meseta a un valor de a/3. Por su parte el esquema
Gaussiano presenta la siguiente expresin:
[ h2 /a2 ]
1exp +C o
( h )=C
En este caso, la tangente en el origen intercepta la meseta a un valor

a/

3.

P g i n a 15 | 27

FIGURA 1.7. MODELOS DE SEMIVARIOGRAMA FORMERY Y GAUSSIANO

2. Modelo esfrico o Matheron

El modelo esfrico o Matheron es el que mejor se suele ajustar cuando se
trata de variables mineras (p.e. ley o espesor). El modelo esfrico (Fig. 2.8)
presenta una curva del semivariograma que aumenta rpidamente para bajos
valores de lag para posteriormente, ascender ms lentamente hasta alcanzar
una zona plana a valores del lag altos. Un tangente a la curva, dibujada a
partir de los dos o tres primeros puntos, define un par de valores en el eje
X (( h ) ) que se denomina C o y C. Esta tangente, a su vez, intersecta
la prolongacin de la zona plana 2 a/3, siendo el punto, en el eje Y (lags),
donde el semivariograma alcanza la zona plana. La distancia entre la curva y
la zona plana para lags inferiores a a representa la covarianza es cero entre
las muestras.
Ms all de a, la covarianza es cero y, por tanto, no hay relacin entre las
muestras tomadas a esas distancias. La relacin entre el espaciado de las
muestras de la covarianza que definida en la Figura 2.9, observa como
superposicin entre las zonas de influencia de las muestras disminuye al
aumentar el espaciado entre estas.

FIGURA 2.8 MODELO DE SEMIVARIOGRAMA ESFRICO O DE MATHERON

P g i n a 16 | 27

FIGURA 2.9 RELACIN ENTRE EL ESPACIADO DE LAS MUESTRAS Y LA COVARIANZA

(ANNELS, 1991)

El modelo matemtico as definido tiene la siguiente expresin.

3

h / a
1.5(h /a)0.5 +C o
( h )=C o+C

Para h < a

( h )=C o +C

Donde Co es el efecto pepita, Co + C es el valor de la meseta, a es el alcance o

rango y h es el valor correspondiente lag. Co + C vienes a representar el
equivalente geoestadstico de la varianza del conjunto de datos. Si el
semivariograma muestra fluctuaciones aleatorias alrededor de una lnea
horizontal (Fig. 2.10), entonces se tiene lo que se denomina efecto pepita puro,
siendo mejor, en este caso, llevar a cabo la evaluacin del yacimiento por
cualquiera de los mtodos clsicos comentados anteriormente. No obstante, la
presencia del efecto pepita puro no implica necesariamente una ausencia de
continuidad en la estructura del semivariograma sino que puede ser debido, por
ejemplo, a una red de muestreo con distancias muy grandes entre muestras

P g i n a 17 | 27

FIGURA 2.10 SEMIVARIOGRAMA CON EFECTO PEPITA PURO

3. Mtodo Lineal
Este modelo se presenta cuando al representar

( h )

frente a los lags, se

obtiene una lnea recta como la de la figura 2.11. El mtodo presenta la

ecuacin:
( h )= p . h+ K
Donde p es la pendiente de la recta, h el lag y K la interseccin en el eje
X ( ( h ) ) .
Este modelo suele estar presente en algunos yacimientos de hierro (Annels,
1991)

FIGURA 2.11 MODELO DEL SEMIVARIOGRAMA LINEAL

4. Modelo de Wijsian
En este modelo, al igual que en el anterior,

( h )

se incrementa ms all

del valor de la varianza de los datos. En una primera observacin, parece ser
( h )
semejante al modelo lineal, pero si se representan los valores de
frente al logaritmo de h, entonces se obtiene una lnea recta. Tiene la
expresin.
( h )=3 [ ln(h/ L)+3 /2 ]
Donde

es el coeficiente de dispersin absoluta, una medida de la

variacin espacial, y L se define como el espesor equivalente. Ambos

coeficientes pueden determinarse

P g i n a 18 | 27

Calculando los valores

( h )

para dos lags, con lo que se obtiene dos

ecuaciones con
dos incgnitas. Este tipo de modelo tiene una aplicacin
ms restringida aun que el lineal, estando presente nicamente en algunos
yacimientos hidrotermales, principalmente de estao, y utilizando como
variable el espesor del cuerpo mineralizado.

6.1. Algunas particularidades respecto a los modelos de semivariogramas

Existen situaciones en las que, si bien no es posible el ajuste inmediato de un tipo
concreto del modelo, no hay razones para rechazar la posibilidad de buscar una
continuidad espacial. Entre las muchas posibilidades existentes, (Annels, 1991) pone
de manifiesto algunas muy caractersticas, como son:
a)
b)
c)
d)
e)

Semivariograma con tendencias.

Semivariograma con efecto agujero.
Anisotropismo direccional.
Semivariogramas compuestos.
Semivariogramas con dos estadios

a) Semivariograma con tendencias

Una asuncin se hace en la Geoestadstica es que no existen tendencias
dentro del yacimiento que puedan causar una ruptura en el concepto de la
estacionariedad.
Cuando estas tendencias estn presentes, aparecen semivariogramas como
el de la Figura 2.12. La ruptura (o cambio en la tendencia de la meseta), como
se puede observar en la figura, se procede en una distancia claramente
superior al alcance, por lo que no tiene una mayor incidencia en la estimacin
local de los bloques definidos para el yacimiento, pues las dimensiones del
rea de bsqueda (alcance) son menores que la distancia representada por el
punto donde se produce la ruptura. Cuando este tipo de comportamientos
dominan el semivariograma, es decir, la ruptura se produce a distancias
prximas al alcance, con lo que se rompe el concepto de estacionariedad, es
necesario utilizar una tcnica que se denomina Krigeaje universal (Journel y
Huijbregts, 1978), el lugar del Krigeaje ordinario que se aplica en las
situaciones de estacionariedad.

P g i n a 19 | 27

FIGURA 6.12. RUPTURA DE LA MESETA (PRESENCIA DE TENDENCIAS) EN UN

SEMIVARIOGRAMA ESFRICO (ANNELS, 1991).

b) Semivariogramas con efecto agujero

Este efecto puede reconocerse cuando alternan reas con alta ley y reas con baja
ley. El resulado es una pseudoperiocidad (Fig. 1.13) reflejada en una oscilacin del
semivariograma alrededor de una aparente meseta.

FIGURA 1.13. EFECTO AGUJERO EN UNA SEMIVARIOGRAMA ESFRICO.

c) Anisotropismo direccional
P g i n a 20 | 27

Este efecto no constituye propiamente una particularidad del semivariograma, sino

ms bien una situacin que, en determinados casos, puede presentarse. Por su
importancia, merece la pena comentarse. El anisotropismo direccional aparece
cuando se obtienen diferentes Semivariogramas a lo largo de diversas direcciones
del yacimiento. Esto significa que, en ligar de tener un rea de bsqueda istropa
(crculo o esfera), se posee una zona elptica o elipsoidal. Para precisar ms
exactamente
la direccion de anisotropismo, conviene realizar varios
Semivariogramas a lo largo de diferentes direcciones (p.e ocho). Los alcances
obtenidos se representan en un diagrama polar, es decir, lneas radiales a partir de
un punto central, con lo que se obtiene una mejor visualizacin de la forma y
orientacin de la elipse.
El anisotropismo direccional suele ser muy evidente en yacimiento aluviales, donde
se obtiene un alcance, en direccin perpendicular al yacimiento, mucho ms
pequeo que el que se calcula a lo largo de la direccin principal del depsito
(Annels, 1991). En la figura 1.14 se muestra un ejemplo de este efecto.

FIGURA 1.14. ANISOTROPISMO DIRECCIONAL EN UN YACIMIENTO ALUVIAL (ANNELS, 1991).

d) Semivariogramas compuestos
Cuando la prolongacin de la lnea que une los dos o tres primeros puntos del
semivariograma corta la meseta a una distancia mucho menor que la
correspondiente al alcance general del semivariograma, es muy probable que la
situacin corresponda a una mezcla de semivariogramas esfricos. En la Figura
1.15, correspondiente a un semivariograma para el ln Ni (%) , la tangente para los
dos o tres primeros puntos intercepta en el eje X (y*(h)) en un valor de 0.4 (%ln) 2,
mientras que la interseccin con la meseta principal, que se produce a 2.25 (%ln) 2 ,
tiene lugar a una distancia del lag de 13m, indicando que el alcance debera ser de
20m. Sin embargo, la curva principal no alcanza la meseta hasta un rango de 50 m,
por lo que se puede asumir la existencia de dos Semivariogramas esfricos, uno con
una meseta de 1.95 y el otro con una meseta de 2.55 y un alcance de 50 m. Los
parmetros definitorios de los semivariogramas serian:
-

Primer semivariograma: C0 = 0.40 (%ln)2 , a1 = 14 m ( ya que 2a 1/3=9) y C1=

1.95 0.4 = 1.55 (%ln)2
Segundo semivariograma: C0 = 0.40 (%ln)2 , a2 = 50 m y C2= 0.6 (%ln)2
P g i n a 21 | 27

el modelo compuesto tendra, pues la siguiente forma:

y*(h) = C0 + C1 [3h/2a1 (h/a1)3/2] + C2 [3h/2a2 (h/a2)3/2]
asi es posible calcular el valor de y*(h) para cualquier distancia, teniendo en cuanta
las tres partes que definen el semivariograma.

FIGURA 1.15. SEMIVARIOGRAMA COMPUESTO PARA LA VARIABLE LEY DE NI (%LN).

Este tipo de estructuras pueden ser causadas, por ejemplo, por la presencia de
zonas mineralizadas ms ricas dentro de una matriz de mineralizacin dispersa.
Tambin son comunes en yacimientos aluviales de oro, reflejando el alcance ms
corto los canales individuales y el ms largo la anchura total de la zona de inters
econmico.

e) Semivariograma en dos estadios

Esta situacin es relativamente frecuente cuando se combinan conjunto de datos no
relacionados (p.e. dos fases de mineralizacin con diferentes caractersticas). En la
Figura 1.16 se muestra un ejemplo de este tipo

P g i n a 22 | 27

FIGURA 1.16. EJEMPLO DE SEMIVARIOGRAMA EN DOS ESTADIOS.

6.2 Efecto de proporcionalidad en el modelo esfrico

Hasta el momento no se ha hecho mencin, en ningn caso, a la influencia que
pueda tener el tipo de distribucin que presenten los datos sobre la construccin de
los semivariogramas. Como ya se coment antes, los valores correspondientes a las
variables de carcter minero (p.e. ley o espesor de un cuerpo mineralizado) suelen
presentar, bsicamente, dos tipos de distribuciones, normales y lognormales.
Conviene revisar, al menos rpidamente, la influencia que una distribucin lognormal
ejercer en el modelo de semivariograma esfrico.
Como en bien conocido, en una distribucin lognormal la desviacin estndar es
directamente proporcional a su media, Consecuentemente, la varianza muestral y,
por ende, el valor de y(h) para la meseta (C+C 0), ser proporcional al cuadrado de la
media. Si en un yacimiento se construye diversos semivariogramas en diferentes
direcciones, este efecto de proporcionalidad puede reflejarse en los
semivariogramas experimentales obtenidos lognormalmente. En la Figura 1.17 se
muestra este efecto de proporcionalidad. Los tres semivariogramas obtenidos (A, B,
C) corresponderan a sendas direcciones del yacimiento. Como se puede observar,
el alcance o rango es muy similar, existiendo, nicamente, una proporcionalidad
entre los diferentes valores de C+C 0. Esta proporcionalidad queda tambin de
manifiesto en la FIGURA 1.18, en la que se representan los valores de la media
frente a los de varianza para diferentes subreas del depsito.
Estos semivariogramas proporcionales tienden a desaparecer cuando los datos son
transformados logartmicamente, es decir en lugar de trabajar con los valores
obtenidos se realizan los clculos con los logaritmos de los datos. Sin embargo, en
ocasiones esta desaparicin del efecto no tiene lugar. Con ello, la pregunta que
aflora es: Cmo se puede trabajar cuando el efecto de proporcionalidad est
presente? La respuesta no es sencilla, pues existen diferentes mtodos, cada uno
de ellos con sus ventajas e inconvenientes.
P g i n a 23 | 27

FIGURA 1.17. EFECTO DE PROPORCIONALIDAD PARA VARIOS SEMIVARIOGRAMAS

PERTENECIENTES A DIVERSAS ZONAS DEL YACIMIENTO.

FIGURA 1.18. DEMOSTRACIN DEL EFECTO DE PROPORCIONALIDAD A TRAVS DE LA

REPRESENTACIN DE LAS MEDIAS FRENTE A LAS VARIANZAS PARA DIFERENTES ZONAS
DEL DEPSITO.

Como dice Clark (1979), las autoridades en el tema establecen que la forma de
combinar los semivariogramas, para obtener un nico semivariograma aplicable a
P g i n a 24 | 27

todo el yacimiento, reside en corregir el efecto de proporcionalidad en cada

semivariograma. Esto se realiza dividiendo cada semivariograma por el cuadrado de
la media muestral, con lo que se obtiene un semivariograma relativo. Una vez hecha
esta conversin para todos los semivariogramas, estos se pueden combinar se
pueden combinar y obtener, como se ha comentado, un nico semivariograma til
para el depsito en su conjunto. No obstante, Clark (1979) afirma que este mtodo
genera, en ocasiones, resultados desastrosos, siendo ms partidario de intentar
combinar los semivariogramas originales son corregir. Annels (1991) propone otro
mtodo, algo ms complejo, para intentar solucionar este problema.
6.3. Relaciones volumen varianza
En los apartados anteriores, los semivariogramas se han obtenido como si las
muestras no tuviesen otra caracterstica ms que la posicin, ignorndose su forma
y tamao (lo que constituye, como se indic al comienzo del captulo, el soporte de
las muestra). Esto, en ocasiones, puede asumirse, especialmente si el tamao se la
muestra es muy pequeo en relacin, por ejemplo, con el alcance del
semivariograma. En otros casos, tpicamente cuando las muestras proceden de
trozos de sondeos, las diferencias pueden ser notables, por lo que resulta
imprescindible llevar a cabo las correcciones pertinentes.
Si se considera lo que significa un sondeo, es decir, un trozo cilndrico de material
con una longitud determinada, es evidente que los resultados que se obtendran
calculando las leyes en tramos de, por ejemplo, un metro, serian diferentes de los
que resultaran si se toman tramos de dos metros, o de tres metros, y as
sucesivamente. En cada caso, al aumentar el tamao del tramo del sondeo
disminuir, como es sabido, la diferencia entre los valores de las leyes y, por tanto, la
varianza para cada tamao de tramo. Por otro lado, el valor de y(h) para la meseta
representa la varianza de las muestras. Combinando ambos factores, resulta fcil
entender que los semivariogramas que se obtendran, considerando como muestra
tramos de diferente tamao, no seran similares.
El objetivo a perseguir seria, pues, definir un semivariograma puntual que no
estuviese influido por el soporte de la muestra. Este proceso se conoce con el
nombre de regularizacin, pues al aumentar el tamao del soporte, los resultados
son cada vez ms regulares (similares).
El mtodo a seguir para obtener el semivariograma puntual es el siguiente:
Se define el rango real del semivariograma puntual como:
a=a*- l
donde:
a = Rango real del semivariograma puntual
a* = Rango del semivariograma experimental
P g i n a 25 | 27

l = Longitud de la muestra en la direccin del semivariograma.

Los valores de C y C 0 para el semivariograma puntual se calculan a partir de las
siguientes ecuaciones y el grafico de la Figura 1.19:
(1) = C0 + C.X1
( ) = C0 + C.X2
Para el lag 1 y el lag

se leen los valores de X1 y X2 en el grfico de la figura

1.19, a partir de los correspondientes valores de h/a y l/a, donde h es el lag y l es la

longitud de la muestra. De esta forma, se resuelven las ecuaciones para conocer los
valores de C y C0, que se incluyen en la frmula del modelo esfrico para obtener los
valores regularizados de y(h).

P g i n a 26 | 27

4. CONCLUSIONES

4.1
CONCLUSION GENERAL
Se lleg a conocer los diferentes modelos de variogramas utilizado en la
geoestadistica.

4.2

CONCLUSIONES ESPECFICOS

Se finaliz dominando la determinacin de las aplicaciones de los

variogramas aplicados a distintos tipos de yacimientos.

Se concluy conociendo la influencia en la determinacin de las mallas

diamantinas.

5. BIBLIOGRAFA
M. Bustillo Revuelta y C. Lpez Jimeno. (1997). Manual de Evaluacin y
Diseo de Exploracin Mineras. Madrid: Grficas Arias Montano.
Jimeno, M. B. (1997). Manual de Evaluacin y Diseo de Explotaciones
Mineras. Madrid, Espaa: Entorno Grafico.

P g i n a 27 | 27