GRUPO A

OBJETIVO GENERAL
 Comprende el análisis e interpretación de la obtención de los
variogramas experimentales en cuatro direcciones para la variable del
zinc y su respectivo modelamiento para realizar la estimación o
determinación de la ley.
OBJETIVOS ESPECÍFICOS
 Obtener los variogramas experimentales en cuatro direcciones y realizar
los ajustes para los diferentes modelos (Gaussiano, Esférico,
Exponencial).
 Una vez ajustado cada modelo eliminar aquellos valores que se desvían
en más de 30% con respecto a la maceta.
 determinar anisotropía y/o isotropía.
 Obtener la vecindad para realizar la estimación de las leyes y la
validación cruzada.

ESTUDIO EXPLORATORIO DE DATOS DEL ZINC

Para el estudio de la data del zinc (%) con un área de 1.8 ha de 496 datos de
muestreo, distanciados 5m al norte y 10m al este, así como la existencia de
datos muestreados a distancias de 1m al norte y este.

PROCEDIMIENTO:

Construcción de los variogramas experimentales

Para construir los variogramas experimentales se optó por trabajar en dos

mallas (grande y pequeña) debido a la existencia de un grupo de datos
muestreados irregularmente en menores distancias mencionadas
anteriormente. Se construyó los variogramas experimentales en 4 direcciones
N-S, N63.5°E; W-E; N63.5°W.

Los cálculos de los variogramas experimentales se realizaron en Excel utilizando la

función SI, que nos permite evaluar una condición para determinar si es falsa o
verdadera. En vista que en nuestra malla de muestreo faltan datos se procedió a llenar
los espacios vacíos con el valor 80, se podría tomar otro valor siempre en cuando la
diferencia del máximo y mínimo de la data sea inferior a la condición que se le da a la
función SI.
Ejemplo dirección N63.5°E
=SI((B37-D36) ^2<5, (B37-D36) ^2," ")
 variogramas experimentales en todas las
direcciones
0.4

0.35

0.3
VARIOGRAMAS

0.25

0.2

0.15

0.1

0.05

0
0 50 100 150 200 250
DISTANCIAS(m)

ɣ(h)(S63.5E) Y(H)(N63.5E) Y(h)(N-S) ɣ(h)(W-E)

FIGURA (1): VARIOGRAMAS EXPERIMENTALES

AJUSTE DE VARIOGRAMAS TEÓRICOS

Con la obtención de los variogramas experimentales se realiza el ajuste a los modelos

teóricos (esférico, gaussiano, exponencial). Lo primero que se hizo fue realizar el cálculo
de la pendiente mínima y máxima a través de regresión lineal, se prosiguió calculando
los elementos básicos: alcance, meseta y efecto pepita
En todos los casos no se obtuvo efecto pepita ya que para todas las distancias (h)=0,
los variogramas y(h)=0.

Ya teniendo los cálculos y las gráficas de los variogramas teóricos en cada dirección
se procede a elegir el mejor de los variogramas. El criterio de selección es: aquel
variograma que tenga un mejor coeficiente de correlación.

a) dirección N63.5°E

C= 0.33532839, Co= 0 C1= 0.33532839, Ho= 55.4655178

Mejor variograma gaussiano coeficiente de correlación (0.887)

 Alcance
Esférico Exponencial gaussiano
83.198 166.396 96.069

b) dirección S 63.5°E

C= 0.18016713, Co= 0, C1= 0.18017, Ho= 28.2939

Mejor variograma gaussiano coeficiente de correlación 0.844

Alcance
Esférico Exponencial Gaussiano
42.441 84.881 49.006
 c) dirección N-S

C= 0.2675979, Co= 0, C1= 0.2675979, Ho= 20.6087188

Mejor variograma gaussiano coeficiente de correlación 0.950

Alcance
Esférico Exponencial Gaussiano
30.913 61.826 35.695

d) dirección W-E

C=0.06279, Co= 0.001, C1= 0.06179, Ho= 116.694

Mejor variograma exponencial coeficiente de correlación 0.9856

 Alcance
Esférico Exponencial Gaussiano
175.041 350.083 202.120

DETERMINACIÓN DE LOS ALCANCES PARA LA VECINDAD

a partir de los dos varigramas de cada modelo en diferentes direcciones con mesetas y
alcances aproximados, se realizó el promedio de las macetas de estos variogramas
(figura6)

modelos exponenciales
0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 50 100 150 200 250 300

ɣ(h)(S63.5E) Y(H)(N63.5E) Y(h)(N-S) ɣ(h)(W-E)

Figura:6

Una vez determinada el promedio de las mesetas que se muestran en la tabla siguiente:

Promedio de mesetas
Esférico Exponencial Gaussiano
0.224 0.224 0.224

Se recalcula nuevamente con estas mesetas los alcances para cada modelo
obteniendo los siguientes gráficos (figura7)
 GRAFICO DE PROMEDIO DE MESETAS DE UN
MODELO
0.25

0.2

0.15

0.1

0.05

0
0 50 100 150 200 250 300

ɣ(h)(S63.5E) Y(h)(N-S)

Figura7

ALCANCES RECALCULADOS
MODELO ESFERICO EXPONENCIAL GAUSSIANO
MAXIMO 52.74 105.48 60.90
MINIMO 25.86 51.73 29.86

Observando estos alcances podemos determinar que existe una anisotropía zonal con
ello se determina una elipse inclinada.

Para el grafico de la elipse reducimos los alcances a un tercio (esférico y gaussiano), un

sexto (exponencial), para optar una menor área de vecindad y tener mayor facilidad en
la obtención de los valores estimados.

Para graficar la elipse se utilizó el software civil 3d para determinar la cantidad de datos
con las cuales se estimarán valores que no están muestreadas.

GAUSSIANO ESFERICO EXPONENCIAL

 ALCANCES REDUCIDOS
MODELO ESFERICO*1/3 EXPONENCIAL*1/6 GAUSSIANO*1/3
MAXIMO 17.58 17.58 20.30
S63.5E
MINIMO 8.62 8.62 9.95
N-S

una vez determinado la elipse se estiman los valores desconocidos

figura 8: elipse en el Excel

para la estimación se utilizó los siguientes datos (distancias de cada dato respecto al
punto a estimar, alcance máximo reducido, meseta promedio) para cada modelo.

EJEMPLO (MODELO ESFERICO)

DISTANCIAS(m) VARIOGRAMA TEORICO COVARIANZA

5 (VERTICAL) 0.093 0.131
10 (HORIZONTAL) 0.170 0.053
11.18 (DIAGONAL 1) 0.185 0.039
14.14 (DIAGONAL 2) 0.212 0.012
 ∑ 𝑙𝑒𝑦(𝑑1) ∗ 𝑐𝑜𝑣𝑑1 + ∑ 𝑙𝑒𝑦𝑑2 ∗ 𝑐𝑜𝑣𝑑2 + ∑ 𝑙𝑒𝑦𝑑3 ∗ 𝑐𝑜𝑣𝑑3 + ∑ 𝑙𝑒𝑦𝑑4 ∗ 𝑐𝑜𝑣𝑑4 + ⋯ + ∑ 𝑙𝑒𝑦𝑑𝑛 ∗ 𝑐𝑜𝑣𝑑𝑛
𝑧 ∗ (ℎ) =
#𝑙𝑒𝑦 ∗ 𝑐𝑜𝑣𝑑1 + #𝑙𝑒𝑦 ∗ 𝑐𝑜𝑣𝑑2 + #𝑙𝑒𝑦 ∗ 𝑐𝑜𝑣𝑑3 + #𝑙𝑒𝑦 ∗ 𝑐𝑜𝑣𝑑4 + ⋯ + #𝑙𝑒𝑦 ∗ 𝑐𝑜𝑣𝑑𝑛

Validación
Este procedimiento se realiza de la misma manera que la anterior fórmula propuesta
con diferencia que se estimara todos los valores para luego comparar con los datos
originales, para tal fin ocultamos valores de manera intercalada ya que las elipses para
todos los modelos encierran una vecindad pequeña como se observa en el siguiente
grafico

Para estimar los valores de las celdas rojas, se calcula en función de los datos de las
celdas verdes, de igual manera con la estimación de las celdas verdes.

Figura 9. malla estimada

Como parte final del trabajo se realizó la validación y correlación de los datos
estimados y originales que se verifica en el siguiente gráfico.
 Chart Title y = 0.5885x + 0.5325
R² = 0.5835
2.2

2
VALORES ESTIMADOS

1.8

1.6

1.4

1.2

0.8
0.7 0.9 1.1 1.3 1.5 1.7 1.9 2.1 2.3
VALORES ORIGINAL

INTERPRETACIÓN
➢ Observando los cálculos y las gráficas de todos los variogramas en las 4
direcciones estudiadas se aprecia que cada uno de ellos presenta rangos
diferentes y sill diferentes, según la teoría esto corresponde a una anisotropía
hibrida. Presencia de diferentes estructuras

➢ variograma en dirección N63.5°E en principio tienen un comportamiento lineal

(malla pequeña), corresponde a una variable regionalizada continua, pero no tan
regular. El modelo que tiene mejor coeficiente de correlación es el gaussiano
0.887. los elementos básicos del variograma son: alcance a: 96.069, C=
0.33532839 Co= 0, C1= 0.33532839, Ho= 55.4655178, el valor máximo de
variograma es 0.375 a partir de la cual experimenta una caída.

➢ variograma en dirección S63.5°E presenta alta aleatoriedad con posible

estructura mineralizada. El modelo que mejor se ajusta al variograma teórico es
el gaussiano coeficiente de correlación 0.844. los elementos de variograma son:
a: 49.006, C= 0.18016713, Co= 0, C1= 0.18017, Ho= 28.2939, el valor
máximo de variograma sill es 0.03179. luego experimenta una caída.

➢ variograma en dirección N-S analizando a una distancia corta tiene un

comportamiento parabólico (malla pequeña), al aumentar la distancia se va
notando una regular aleatoriedad. El modelo que mejor se ajusta es el gaussiano
con coeficiente de correlación 0.950, llega hasta un punto máximo de 0,3085 y
un alcance a= 35.695.

➢ variograma en dirección W-E al inicio presenta un comportamiento lineal, este

variograma presenta efecto hoyo que indica un comportamiento pseudo
periódico. Experimenta una tendencia creciente hasta 0.6395 sill valor máximo
de variograma. El modelo que mejor se ajusta es el exponencial con un
coeficiente de correlación de 0.986 y sus elementos son: C=0.06279, Co= 0.001,
C1= 0.06179, Ho= 116.694, a= 350.083
 ➢ En el ajuste de los variogramas no se eliminaron datos, ya que estas no se alejan en un
30% con respecto a la meceta

CONCLUSION

A través de este trabajo se busca definir un modelo de estimación que permita

predecir las leyes, realizando la correlación entre todos los variogramas
obtenidos, abordando el desafío del cambio de soporte en el ámbito
multivariable, estimando variables no aditivas y permitiendo el análisis de
múltiples escenarios.
Finalmente se recomienda la aplicación del modelo objetivo en casos en que el
tiempo disponible sea considerable. Esto se debe a que la determinación de
zonas que cumplan con las hipótesis del modelo, el análisis y transformación
de datos, el ajuste de corregionalización, la determinación de los coeficientes
de cambio de soporte, la obtención de la función anamorfosis de bloques y la
aplicación del modelo propiamente tal a todas las zonas definidas, puede tomar
un mayor tiempo que los métodos tradicionales

RECOMENDACIONES Y CONCLUSIONES

➢ Se calculó y se construyó los variogramas experimentales siendo el mejor

variograma en dirección este a oeste.

➢ El ajuste de los variogramas se realizó en todas las direcciones. En dirección

N63.5°E el variograma teórico que más se ajusta al variograma experimental
es el modelo gaussiano, en dirección S 63.5°E el variograma que mejor se ajusta
es el gaussiano, dirección N-S el variograma teórico que mejor se ajusta es
exponencial y en dirección W-E el modelo que mejor se ajusta es el gaussiano.

➢ El modelo que mejor se ajusta al variograma experimental ,son los modelos gaussianos,
que podemos contrastar con la validación cruzada ya que estas presentan un mejor
coeficiente de correlacion de 0.783( el mas próximo a uno)

➢ Se estimó los valores desconocidos con todos los modelos siendo los resultados