MI4040-2 Anlsis estadstico y geoestadstico de datos Semestre Primavera 2010 Departamento de Ingeniera de Minas Facultad de Cs.

Fsicas y Matemticas Universidad de Chile

Anlisis estadstico y geoestadstico para una base de datos de un yacimiento aurfero-argentfero

Nombre : Felipe Lpez Solar Profeso r: Xavier Emery 1

Entrega do el: 1 de abril del 2011

ndice
1. Abstract.................................................................................................................................. .............................3 2. Resumen ejecutivo................................................................................................................................. .............5 3. Introduccin........................................................................................................................... .............................7 4. Antecedentes......................................................................................................................... .............................9 5. Desarrollo............................................................................................................................... ............................11 5.1 Anlisis estadstico de datos.......................................................................................................................11 5.1.1 Anlisis exploratorio de los datos previo a limpieza de datos errneos.........................................11 5.1.2 Limpieza de anomalas y datos aberrantes.....................................................................................12 5.1.3 Estudio exploratorio de los datos..................................................................................................16 5.1.4 Comprobacin de distribucin para leyes de plata y oro...............................................................18 5.1.5 Comparacin entre leyes de oro y plata.........................................................................................19 5.1.6 Precisin......................................................................................................................... ................20 5.1.7 Intervalos de confianza..................................................................................................................22 5.1.8 Independencia de las variables......................................................................................................22 a) Independencia entre la ley de plata y ley de oro............................................................................23 b) Independencia entre la ley de plata y potencia.............................................................................24 5.1.9 Modelos predictivos y anlisis de significancia sobre ellos............................................................25 a) Modelo predictivo de la ley de plata en funcin de la ley de oro y la potencia..............................25 b) Modelo predictivo de la ley de plata en funcin de las coordenadas.............................................27 5.2 Anlisis geoestadstico de datos (Proyecto 2)............................................................................................28

5.2.1 Importacin de datos a Isatis..........................................................................................................28 - Variables de inters.........................................................................................................................2 8 Declustering................................................................................................................... .................29 - Parmetros estadsticos..................................................................................................................2 9 - Nubes de correlacin..................................................................................................................... 30 - Q-Q Plots............................................................................................................................... .........30 5.2.3 Anlisis variogrfico.................................................................................................................... ..33 - Direccines de anisotropa.............................................................................................................33 5.2.4 Validaciones cruzadas....................................................................................................................38 5.2.5 Creacin de la grilla de bloques.....................................................................................................42 5.2.6 Clculo de recursos.......................................................................................................................4 4 6. Conclusiones.......................................................................................................................... ..........................45 7. Referencias............................................................................................................................. .........................48

1.

Abstract

The following report is focus on a gold-silver deposit stadistical and geostadistical analysis located in 2nd state of Antofagasta, from which it has a 714 points database. Each data row has variables such as coordinates (north, depth, east), and in each data coordinate it has the gold grade [g/t], silver grade [g/t] and wide [m] like variables too. Is predictible that the database has outliers related with measurement mostly, that it may to hold up the right analysis in Project 1 and Project 2. After all the analysis work, since the clean up of data errors and outliers, histograms, type of variable distribution (between normal or log normal), hyphotesis tests, it creates the confident intervals, it shows the variable dependence, and with this it formulates a predictive model of silver grade in function of wide and gold grade. This is represented for:

Y = a 0 aij Xji
i=1 j=1

10

X1 = Wide [m]. X2 = Gold grade [ g /t].

Each coefficients values are shown in the next table:
C oeffic t ien a0 a1,1 a1,2 a2,1 a2,2 a3,1 a3,2 a4,1 a4,2 a5,1 a5,2 a6,1 a6,2 a7,1 a7,2 a8,1 a8,2 a9,1 a9,2 a10,1 a10,2 V lu a e -120,37 695,42 34,64 -1594,8 -2,08 2325,08 0,12 -1958,8 0 970,56 0 -292,46 0 54,12 0 -5,99 0 0,36 0 -0,01 0 S n a r erro ta d rd r 1317,88 7921,09 14,92 16760 1,76 17806,3 0,09 10992,12 0 4226,73 0 1041,98 0 164,4 0 16,02 0 0,88 0 0,02 0

Table A.1. Predictive model coefficients of silver grade in function of gold grade and wide.

What concerns to the geostadical study of the deposit, known as Project 2, it is done ver the same database from Project 1, erasing outliers and data errors, but this time it works over the software Isatis. After explotatory and variographic studies, and then estimate data deposit by ordinary Kriging. After that, it calculates the resources such as rock weight, average grades, and gold and silver quantity in ore body.

The results are shown in Table A.2: Au AuE q Ag Averag g de Metal tonna e [ton] R tonna e [ton] e ra g ock g 19,1 3368010,12 172748,57 24,2 1217828,68 172748,57 351,7 61727024,45 172748,57

Table A.2. Calculated resources of gold and silver presents in ore body.

Sobre cunto recurso se recupera considerando una ley de corte de 5 [g/t], ste es de 3,323 [ton] de oro equivalente. Now, over how much it recovers considerating a cut-off grade of 5 [g/t], this is from 3,323 [ton] in equivalent gold (AuEq).

2. Resumen Ejecutivo
5

El siguiente informe se enfoca en un anlisis estadstico y geoestadstico a un yacimiento argentfero-aurfero ubicado en la II Regin de Antofagasta, de la que se tiene una base de 714, datos. Cada fila de datos tiene como variables las coordenadas (norte, cota, este), y en cada coordenada los valores de la ley de oro [g/t], ley de plata [g/t] y potencia [m], como variables tambin. Se espera que la base de datos contenga errores asociados a medicin principalmente, que entorpezcan el correcto anlisis tanto en el proyecto 1 como 2. Luego de todo un anlisis, desde la limpieza de datos aberrantes, histogramas, tipo de distribucin de las variables (entre normal o log normal), test de hiptesis, se generan intervalos de confianza, se ven las dependencias de las variables y en base a esto se formula un modelo predictivo de la ley de plata en funcin de la potencia y ley de oro. Este queda representado por:

Y = a 0 aij Xji
i=1 j=1

10

X1 = Potencia [m]. X2 = Ley de oro [g /t].

Los valores que tom cada coeficiente estn desplegados en la siguiente tabla:
C efic tes o ien a0 a1,1 a1,2 a2,1 a2,2 a3,1 a3,2 a4,1 a4,2 a5,1 a5,2 a6,1 a6,2 a7,1 a7,2 a8,1 a8,2 a9,1 a9,2 a10,1 a10,2 V lor a -120,37 695,42 34,64 -1594,8 -2,08 2325,08 0,12 -1958,8 0 970,56 0 -292,46 0 54,12 0 -5,99 0 0,36 0 -0,01 0 E r es n a rro t d r 1317,88 7921,09 14,92 16760 1,76 17806,3 0,09 10992,12 0 4226,73 0 1041,98 0 164,4 0 16,02 0 0,88 0 0,02 0

Tabla R.1. Coeficientes del modelo predictivo de la ley de plata en funcin de la ley de oro y potencia.

En cuanto al estudio geoestadstico de este yacimiento, denominado Proyecto 2, se hace sobre la misma base datos, eliminando datos aberrantes, pero sta vez trabajando en el software Isatis. Luego de estudios exploratorios, variogrficos y en base a esto ltimo se pide estimar datos del yacimiento por Kriging ordinario.

Posteriormente, se calculan los recursos, tales como tonelajes, leyes medias y cantidades de metal, de oro y plata en el cuerpo mineralizado. Los resultados son desplegados en la tabla R.2: Au AuE q Ag L m ey edia 19,1 24,2 351,7 Ca ntida de Metal [g d ] 3368010,12 1217828,68 61727024,45 T onelaje R [ton] oca 172748,57 172748,57 172748,57

Tabla R.2. Recursos calculados de oro y plata presentes en el yacimiento.

Sobre cunto recurso se recupera considerando una ley de corte de 5 [g/t], ste es de 3,323 [ton] de oro equivalente.

3.

Introduccin
7

El sentido de este informe es mostrar y englosar los proyectos trabajados en el curso MI4040 del semestre primavera 2010 a partir de datos sobre leyes de oro y plata, que adems se tiene su ubicacin espacial, cota y potencia, obtenido de un yacimiento aurfero-argentfero que se encuentra en la II regin de Antofagasta. Estos proyectos ocupaban los mismos datos a tratar. La diferencia radica que en el proyecto 1 se hace una anlisis estadstico de los datos, con herramientas vistas en el primer mdulo del curso, y Excel facilita para el procesamiento de los datos entregados. Ahora bien, en el proyecto se hace uso del programa Isatis, para obtener informacin de los datos con herramientas de geoestadstica, donde todo el anlisis, limpieza y proyecciones realizadas se efectuan sobre este programa en particular mencionado. Por ende, se pretende mostrar en este trabajo los principales anlisis, resultados y grficas, que muestran lo importante y potente que pueden llegar a ser las herramientas vistas en el curso, y las conclusiones en base a lo obtenido, finalmente, por el anlisis de datos. Sobre el anlisis estadstico de datos, se parte por un anlisis cuantitativo de ellos, a lo que posteriormente se procede a limpiar, quitando datos duplicados, anmalos y errneos en definitiva. Luego se incluye el estudio estadstico de esta nueva base de datos, se detallan los parmetros estadsticos principales para una muestra, adems de sus distribuciones e histogramas, los que permitirn estudiar con mayor detalle los datos proporcionados. En esta parte se incluye un anlisis de la precisin de la acumulacin de oro y plata, la acumulacin se refiere al producto de la potencia con la ley asociada a esta. En ltima instancia el anlisis se enfoca en determinar los intervalos de confianza en los cuales se trabajar, para cada grupo de datos entregados, adems de investigar la independencia entre las variables, en especial entre las leyes de oro y plata, y entre la ley de plata y la potencia, para concluir con modelos predictivos de la ley de plata, en funcin de la ley de oro y de la potencia, y entre la ley de oro y sus coordenadas, y con esto entonces, incluir un anlisis de significancia de estos modelos. En cuanto al anlisis geoestadstico de los datos, se ocupar la misma base de datos (Datos.xls), utilizada en el proyecto 1. El objetivo para este proyecto es calcular, a partir de la informacin de los canales, los recursos (tonelajes, leyes medias y cantidades de metal) de oro y de plata en la veta. Para eso se realizarn las siguientes etapas: Importacin de los datos en Isatis. Anlisis exploratorio y definicin de variables relevantes para el estudio. Anlisis variogrfico. Validacin cruzada. Creacin de una grilla de bloques que cubre la zona de inters. Estimacin local de los bloques a partir de los datos de canales.

Clculo de los recursos (tonelaje; leyes medias de oro, plata y oro equivalente; cantidades de metal).

La evaluacin econmica de un yacimiento polimetlico resulta ser un gran problema ya que al haber dos o ms elementos de inters, el bloque queda caracterizado de manera heterognea por lo que no hay una nica variable para realizar la evaluacin, pudindose tomar distintas opciones para abordarlo. En la actualidad una de las tcnicas utilizadas para resolver este tipo de problemas es el uso de Leyes Equivalentes en donde se caracteriza un elemento de inters principal como una combinacin aditiva que incluye solamente a los subproductos, la cual por lo general es una combinacin lineal, tal que los ponderadores de dicha combinacin dependen principalmente de factores econmicos y de recuperacin. En el caso que se evaluar a continuacin la ley de oro equivalente queda definida por:

AuEq = Au + Ag /70
El factor 70 corresponde a la razn estimada entre el precio del oro y el precio de la plata. Para la cual se supondr que la densidad de la roca es 2,6 [t/m3]. Posteriormente a realizar la evaluacin del yacimiento se calcular cuntos recursos son recuperables al considerar una ley de corte de 5 [g/t] en la ley de oro equivalente.

4. Antecedentes
En la primera parte del curso, el objetivo del proyecto asociado es realizar un estudio estadstico de los datos entregados, para as poder procesar esos datos, inferir sobre ellos, y entregar un modelo de leyes de oro y plata, que se ajusten lo ms posible a los datos reales, y esta prediccin hecha a partir de datos como las coordenadas, o la potencia en unin con la ley de oro para obtener la ley de plata. De esto se pretende de manera ms concisa en el proyecto 1: Aplicar los conocimientos de anlisis estadstico visto en clases y laboratorios. Inferir y obtener nueva informacin a partir de la base de datos entregada. Identificar la correspondencia y el grado de las variables que lo posean. Crear modelos predictivos a partir de correspondencias de los datos. Estos datos corresponden a las leyes de oro y de plata, de un yacimiento aurfero-argentfero ubicado en la regin de Antofagasta a una altura promedio de 1800 [msnm]. Es importante considerar que la mineralizacin se ubica en una veta aproximadamente vertical de pocos metros de potencia en la direccin esteoeste. Los datos fueron obtenidos de muestras de produccin tomadas en galeras a medida que progresa la explotacin de la veta. Cada muestra posee informacin sobre las coordenadas geogrficas de su centro de gravedad, la potencia de la veta (en metros) y las leyes de oro y de plata, dados en gramos por tonelada (g/t). Realizando un anlisis exploratorio previo de los datos se identifican un total de 714 datos de cada ley con sus respectivas ubicaciones, cotas y potencias, en otras palabras son 1428 datos de mediciones entre leyes de cobre y plata. Todo el estudio estadstico que se le realiz a esta base de datos contempla el uso del software Microsoft Excel 2007; adems los datos proporcionados se encuentran en este formato. En el proyecto 2, se trabaja con conocimientos de geoestadstica, que es una rama de la estadstica que se basa en el tratamiento de fenmenos espaciales, con el objetivo de estudiar variables regionalizadas. Una variable regionalizada es una variable numrica que presenta una distribucin espacial definida dentro de un dominio limitado. Esta distribucin se caracteriza principalmente en que vara irregularmente en dicho dominio por lo que es difcil poder simplificarla pero presenta cierta tendencia a una continuidad espacial, esto quiere decir que en zonas de altos o bajos valores, los datos ms cercanos presentan la misma tendencia. En la minera un ejemplo de variable regionalizada es la ley de una especie mineral. Una variable regionalizada queda caracterizada por:

10

Su naturaleza: Continua, discreta o categrica.

El dominio en donde se encuentra definida, denominado Campo. El rea o volumen sobre donde est siendo medida, llamado Soporte.
En los estudios de este tipo es necesario poder inferir todo o parte de la distribucin espacial a partir de un conjunto de datos disponibles, para as poder estimar o simular el comportamiento de variables regionalizadas. Para realizar el estudio geoestadstico primero se debe realizar etapas de estudio exploratorio y estudio variogrfico. En el estudio exploratorio de datos se pretende conocer la distribucin a priori de la variable regionalizada a estudiar, con la finalidad de delimitar el campo, adems de sopesar posibles falencias o dificultades inherentes a la base de datos, entre los cuales se encuentran los datos aberrantes y datos duplicados. Las principales herramientas que se utilizan generalmente son mapas, histogramas, herramientas de estadstica que dan una idea general de la dispersin y posicionamiento de los datos., y nubes de correlacin, vistas en el curso. En el estudio variogrfico se pretende conocer la continuidad o discontinuidad espacial de la variable regionalizada, ya que de ser posible correlacionar valores en distintas ubicaciones espaciales, se podra tratar de modelar dicha correlacin y ver cmo acta al acercarse o alejarse hde los datos. Este estudio se puede realizar con la funcin variograma la cual indica cun discrepantes son los valores de la variable regionalizada entre dos ubicaciones. Se pueden calcular variogramas en diferentes direcciones del espacio, sin embargo este variograma experimental es incompleto e imperfecto, ya que se calcula solamente para ciertas direcciones y distancias, es por esto que se acude a la modelacin. Para ello existen una serie de modelos simples que solos o combinados, permiten hacer este modelamiento de manera adecuada. Uno de los grandes objetivos de la geoestadstica es estimar el valor de una variable regionalizada en una posicin x0 del espacio en donde no se conoce el valor real a partir de los datos disponibles. Una forma de estimar el valor de esta variable es mediante una combinacin lineal, en la cual se asignan ponderadores a las variables. El problema de este planteamiento surge al momento de asignar valores a estos ponderadores. Sin embargo estos ponderadores pueden ser estimados a travs del kriging el cual considera criterios de de cercana, redundancia, continuidad, variabilidad o alguna direccin preferencial. El kriging es el por lo visto en clases, el mejor estimador lineal insesgado, porque se define como la combinacin lineal ponderada de los datos, y como caracterstica relevantes, son que el error de estimacin tiene una media nula; y minimiza la varianza del error.

11

Existen diversos tipos de kriging, los cuales dependen de las hiptesis con que fueron construidas sus funciones aleatorias. El en campo de la industria minera se destaca la utilizacin de kriging simple (que hoy en da se ha dejado de usar), en que se tiene entre los datos la media de llos, o en su defecto, se asume conocida y su evolucin el kriging ordinario, en que se desconoce la media.

5.

Desarrollo

5.1. Anlisis estadstico de datos (Proyecto 1) 5.1.1. Anlisis exploratorio de los datos previo a limpieza de datos errneos
Para comenzar se obtendrn los datos tpicos de una muestra, en este caso las leyes de oro y plata (en g/t). Los parmetros incluidos fueron: media, error tpico, mediana, moda, desviacin estndar, varianza de la muestra, curtosis, coeficiente de asimetra, rango, mnimo, mximo, suma, tal como puede apreciarse en la tabla 1 para las leyes de oro y en la tabla 2 para las leyes de plata, este estudio es previo a la limpieza de la base de datos.
Leyd oro [g e /t] Media Error tpico Mediana Moda Desviacin estndar Varianza de la m uestra Curtosis Coeficiente de asim etra Rango Mnim o Mxim o Sum a Cuenta Nivel de confianza (95,0% ) 20,75 1,106 10,67 16,71 29,556 873,538 17,839 3,489 292,75 0,18 292,93 14815,47 714 2,172

L d p ta[g ey e la /t] Media 375,377 Error tpico 18,165 Mediana 217,96 Moda -99 Desviacin estndar 485,387 Varianza de la m uestra 235600,372 Curtosis 11,114 Coeficiente de asim etra 2,826 Rang o 3653,22 Mnim o -99 Mxim o 3554,22 Sum a 268019,37 Cuenta 714 Nivel de confianza (95,0% ) 35,664

Tabla 2. Anlisis exploratorio en leyes de oro. leyes de plata.

Tabla 3. Anlisis exploratorio en

Todos estos parmetros son los iniciales, se obtuvieron considerando todos los datos de la muestra, posterior a la limpieza de la base de datos se calcularn de nuevo, para ver las diferencias. A continuacin se presentan los histogramas de cada una de las leyes:

12

C s LeyAu la es 0,18 0,72 2,88 11,52 46,08 184,32 ym ayor... Figura 1. Histograma de leyes de oro.

F uenc rec ia 1 41 117 209 267 76 2

Ac se puede apreciar que no sigue una distribucin simtrica (Gaussiana). Ahora bien, si se grafica un histograma con el logaritmo natural de estas leyes, se apreciar una distribucin normal:

C s ln Au la es -1,7 0,1 1,7 3,3 4,9 ym ayor...

F uenc rec ia 1 77 169 284 170 13

Figura 2. Histograma del logaritmo natural de las leyes de oro.

Ahora lo mismo para las leyes de plata:

C s LeyAg la es -99 0 200 800 1400 2000 2600 ym ayor... Figura 3. Histograma de leyes de plata. F uenc rec ia 24 0 317 285 59 17 6 6

Ac se ve que tambin el logaritmo natural de las leyes de plata siguen una distribucin Gaussiana:

13

C s lnAg la es 2 4 6 8 ym ayor...

F uenc rec ia 3 107 349 226 5

Figura 4. Histograma del logaritmo natural de las leyes de plata.

5.1.2. Limpieza de anomalas y datos aberrantes.

Para encontrar datos anmalos y outliers, se empieza por graficar las leyes de oro en funcin de la cota. La ley de oro es similar en todas las cotas (aprox. 1729 m), mas en dos datos se presentan notorias diferencias:

Ley 292,93 (g/t) ubicada a una cota de 1753 [m]. Este dato presenta la ley ms alta. Ley 1,25 (g/t) medido en un cota 2685 [m]. Llama la atencin este dato, debido a que la gran mayora de los datos estn ubicados en la misma cota o un valor cercano a se, entre 1681 a 1773 [m].

Grfico 1. Leyes de oro v/s cota.

Esto mismo, en las leyes de plata muestra que:

14

Grfico 2. Leyes de plata v/s cota.

Hay 24 datos de leyes de plata negativas: -99[g/t]. Estos datos se asumirn errores sin mayor anlisis, ya que probablemente fueron producto de errores de medicin, o tambin son indicadores de que no existe mineral de plata en esa posicin, ya que no tiene sentido fsico el que existan leyes negativas . Por esto mismo, los 24 datos son eliminados automticamente de la base de datos por considerarse datos cualitativos de muestras no medidas. El otro dato se considerada tambin como aberrante, ya que est fuera de la cota promedio donde se encuentran la mayora de los datos obtenidos. Esta informacin sobre leyes ms altas que el promedio tambin se pueden observar en las nubes de dispersin de ambas leyes:

Grfico 3. Nube de dispersin de leyes de oro.

15

Grfico 4. Nube de dispersin de leyes de plata.

Grfico 5. Nube de dispersin de cotas.

Grfico 6. Nube de dispersin de datos de la potencia.

16

En el grfico 5 es claro el candidato a outlier de las cotas. Es poco probable tener una sola medicin en esa cota, siendo que todas estn alrededor a los 1700 [m]. Algo similar se observa en el grfico 6, donde existe un nico dato que tiene una Potencia muy por sobre el resto. Las leyes negativas se eliminarn automticamente ya que son imposibles en la realidad, slo pueden deberse a errores en la medicin. Tambin es necesario eliminar los datos duplicados ya que pueden causar errores en el anlisis. De acuerdo a esto, se eliminaron 5 datos por grupo (cota, norte, este, potencia, ley de oro, ley de plata). Luego de aplicar estos criterios para la eliminacin de datos que no aportan en el estudio, los datos a utilizar se resumen en la siguiente tabla:
Nm de da Inic les ero tos ia Nmero de da fina tos les LeyesAu [g /t] 714 707 LeyesAg[g /t] 714 683 Tabla 3. Resumen de cantidad de datos a considerar.

5.1.3. Estudio exploratorio de los datos

Con los datos quitados de la base, los parmetros estadsticos actualizados a usar quedan como:
Tabla 4. Anlisis estadstico de leyes de oro actualizado. Tabla 5. Anlisis estadstico de Leyde oro [g /t] L d p ta[g ey e la /t] Media 20,812 Media 392,1876 Error tpico 1,114 E rror tpico 18,6297 Mediana 10,88 Mediana 224,31 Moda 0,38 Moda 67,29 Desviacin estndar 29,617 D esviacin estndar 486,8734 Varianza de la m uestra 877,168 Varianza de la m uestra 237045,7135 Curtosis 17,835 C urtosis 11,1411 Coeficiente de asim etra 3,491 C oeficientedeasim etra 2,854 Rang o 292,75 Rang o 3550,22 Mnim o 0,18 Mnim o 4 Mxim o 292,93 Mxim o 3554,22 Sum a 14713,85 S a um 267864,12 Cuenta 707 C uenta 683 Nivel de confianza (95,0% ) 2,187 Nivel deconfianza (95,0% ) 36,5784

17

Adems, se hace necesario agregar el anlisis actualizado de las cotas:

C ta[m o ] Me dia E rror tpico Me diana Moda D sviacin estndar e V arianza dela m stra ue C urtosis C ficie deasim tra oe nte e R o ang Mnim o Mxim o S a um C nta ue Nive deconfianza (95,0% l ) 1727,959 1,244 1741 1741 33,076 1093,997 -1,506 -0,186 92 1681 1773 1221667 707 2,442

Tabla 6. Anlisis estadstico de cotas actualizado.

Con esto, entonces, se configuran los nuevos histogramas de las leyes de oro y plata:

18

Figura 5. Histograma actualizado de leyes de oro.

Figura 6. Histograma actualizado de leyes de plata.

5.1.4. Comprobacin de distribucin para leyes de plata y oro.

19

A partir de las figuras 5 y 6 se puede apreciar, a partir de la frecuencia acumulada que al parecer los datos siguen un distribucin normal. Como las leyes son el nico parmetro que exhibe este comportamiento, limitaremos el estudio de posible distribucin a estos dos valores. Para testear esto, se utilizar el test de Kolmogorov-Smirnov sobre el logaritmo de las leyes, a manera de estimar la bondad del ajuste a una normal. Primero se aplic el ajuste al logaritmo de los datos de las leyes de plata. Los resultados correspondientes a las leyes de plata y oro fueron los siguientes: Pa m r etro Va lor 5,283 1,288 Parm etro Valor 2,193 1,438
Tabla 8. Parmetros estimados

Tabla 7. Parmetros estimados para ln ley Au. para ln ley Ag.

Hecho esto, se procedi a aplicar el test de Kolmogorov-Smirnov sobre los parmetros calculados, considerandos las hiptesis nulas y alternativas como siguen: H0: La muestra sigue una distribucin normal. H1: La muestra no se ajusta a la distribucin normal.
D p-va lue 0,057 0,024 0.05 D p-va lue 0,053 0,042 0,05

Tabla 9. Resultados del test K-S para leyes de oro. K-S para leyes de plata.

Tabla 10. Resultados del test

El p-value es menor que el nivel de significancia = 0,05 en ambos casos. En este se rechaza la hiptesis nula H0 y aceptar la hiptesis alternativa H1. O en otras palabras, ninguna de las dos distribuciones de leyes puede asumirse como normal. El riesgo de rechazar la hiptesis nula H0 siendo verdadera es menor al 4,22% para el caso de la plata y para el oro es de 2,22%. El test de Grubbs para determinar outliers slo es aplicable si las muestras tienen una distribucin de Gauss. Como el test de Kolmogorov-Smirnov dice que la muestra no sigue la distribucin normal, dicho test no es posible realizarlo, por lo que con esto se termina la eliminacin de datos de la base entregada para su anlisis.

20

5.1.5. Comparacin entre leyes de oro y plata.

Se realiz un test de Student para dos medias con varianzas distintas para determinar en cunto varan las leyes de oro y plata. Es decir, esto se puede escribir como:

H 0 : == ; 1 1 2 2 H 1 : ; 1 2 1 2

Para esta hiptesis alternativa H1, se debe ocupar el test de Student bilateral, en donde:

T=

X 1X 2

)( ) ( ) ( ) ( )
s 12 s 22 + n1 n2
2

s12 s 22 + n1 n 2
2

; donde son los grados de

s12 s 22 n1 n2 + n11 n 21

libertad.

Con esto, se obtuvieron los siguientes resultados:

Media Varianza Observaciones Diferencia hipottica de las m edias Grados de libertad Valor calculado t Valor crtico de t (dos colas) Leyde oro [g /t] Leyde pla [g ta /t] 20,78314972 391,7074561 876,5035308 236856,3258 708 684 0 688 -19,89738052 1,963417984

Tabla 11. Resultados test de Student para dos medias con varianzas distintas.

Como t > tcrit , y considerando que el test es bilateral, por lo que el signo de t no crea confusin, entonces se rechaza la hiptesis nula, es decir las medias son distintas. Este resultado era esperable pero para cerciorarse de esa conjetura, se opt por hacer el test de igual modo.

21

5.1.6. Precisin
La acumulacin se define como la potencia multiplicada por la ley. Como se pide la precisin del clculo de este dato, se procede entonces a calcular la desviacin estndar como propagacin de errores en funciones. Del apunte se tiene que:

z = f ( x , y)
f x
2 z

( )

f + y
2 x

( )

Entonces para el caso particular de la acumulacin se tiene que:

Acumulacin = Potencialey f ( x , y) = xy 2 (x , y) 2 2 f = x2 + y2 f 2 (x , y ) x y
Notar que la ltima frmula es la varianza relativa de la funcin. Con esto cada trmino corresponde a: x: Potencia [m]. y: Ley (de oro o plata) [g/t]. f(x,y) = xy: Acumulacin [(mg)/t]. f : Precisin [(mg)/t]. Adems agregar que la precisin es la raz de f2, es decir la desviacin estndar. Debido a la gran dispersin presente en los datos de potencia como en las leyes de oro y plata, provocan que la propagacin de errores arroje una desviacin estndar alta, que se hace an mayor dependiendo de lo lejano que se encuentre el dato de la media de ellos mismos. Se ocupa el porcentaje de precisin (con respecto a cada valor calculado de la acumulacin) como:

% Precisin =

( )

f 100 xy

Todo lo recin explicado se hizo para cada dato posterior a limpieza de datos errneos, donde se ocuparon las siguientes varianzas para las acumulaciones de oro y plata, en donde se recuerda que en la potencia particularmente son

22

distintas, ya que para el caso del oro se ocuparon 707 datos y para la plata 683. Los resultados ocupados son los siguientes:

Acum ulacin Oro

Ley de oro [(g/t)2]
2 Potencia [m ]

Va rianza 876,50 93,89

Tabla 12. Varianza de leyes de oro; y potencia ocupada para la acumulacin en este Ac ula inP ta um c la Va nz ria a
L de plata [(g 2] ey /t) Potencia [m2] 236856,33 97,16

caso. Tabla 13. Varianza de leyes de plata; y potencia ocupada para la acumulacin en este caso.

Con esto ya se puede notar que la precisin en la acumulacin de plata es sustancialmente peor que en la precisin de la acumulacin de oro. sto debido a la gran dispersin en los datos entregados de la ley de plata. A continuacin se mostrarn los valores mnimos y mximos de las acumulaciones descritas:
P is Oro rec in Valor m nim o Valor m xim o D v c E t r [m /t)] es ia in s nda *(g 12,72 7697,51 %Ac ula in um c 185,71 16450,29

Tabla 14. Precisin en la acumulacin de oro. P is P ta rec in la Valor m nim o Valor m xim o D v c E t r [m /t)] es ia in s nda *(g %Ac ula in um c 205,63 178,63 126538,07 12169,60

Tabla 15. Precisin en la acumulacin de plata.

En las tablas 14 y 15 se aprecian los valores mximos y mnimos de la precisin y el porcentaje de ste con respecto a su valor correspondiente de acumulacin. Se asume que el porcentaje de precisin de acumulacin es la desviacin estndar del dato dividido por el valor de la acumulacin. Se debe notar que los datos de las tablas no se corresponden entre s como valores mximos y mnimos, es decir, son los valores mnimos o mximos

23

en la columna de la desviacin estndar independientemente a la de porcentaje de la precisin con respecto a su valor de acumulacin, lo que revisando en los datos se evidencia que no pertenecen necesariamente a la misma fila de datos.

5.1.7. Intervalos de confianza.

Como se desconoce la varianza de la poblacin de la mineralizacin de este yacimiento, y si se toma en consideracin la robustez de Student, no es necesario aplicarlo a distribuciones normales, el intervalo de confianza fue calculado como sigue:

Prob X t n1,
2

S S < < t n1, = 1 2 n n

Es decir se aproxim la varianza de la poblacin (2 ) por la varianza de la muestra (S2 ), y se estableci un intervalo de confianza de 95%, es decir con un igual a 5%. Dado esto se obtuvo lo siguiente:
t S n V alor m nim o V alor m xim o L y sd o e e e ro 20,78 1,96 29,61 708,00 18,60 20,87 In rv lo d c n n a te a s e o fia z L y sd p ta e e e la P te c o n ia A u u c nA c m la i u 391,71 3,60 66,94 1,96 1,96 1,96 486,68 9,69 93,70 684,00 708,00 684,00 355,24 2,89 59,92 428,18 4,31 73,96 A u u c nA c m la i g 1277,71 1,96 1648,13 684,00 1154,19 1401,22

Tabla 16. Intervalos de confianza.

En la potencia se consideraron todos los datos muestreados sin considerar el dato outlier de la potencia (2685 [m]), ya que est no se considera ni en las leyes de plata ni en las de oro. Con esto los intervalos de confianza quedan configurados como: Ley Au: [18,06; 20,87] Ley Ag: [355,24; 428,18] Potencia: [2,89; 4,31] Acumulacin Au: [59,92; 73,96] Acumulacin Ag: [1154,19; 1401,22] en [g/t]. en [g/t]. en [m]. en [m*g/t]. en [m*g/t].

24

Recordar que los intervalos de confianza calculados estn hechos de manera tal que haya un 95% de probabilidad de que la media se encuentre en estos datos.

5.1.8. Independencia de las variables

Para identificar la dependencia entre las distintas variables se utilizarn mtodos exploratorios vistos en el curso, y en particular la nube de correlacin, coeficiente de correlacin y matriz de correlacin. Con estas herramientas se podr conocer si es que efectivamente existen alguna dependencia entre las variables relevantes.

a) Independencia entre la ley de plata y ley de oro: Para el nalisis de independencias entre las leyes de los dos minerales del yacimiento a estudiar, se grafica la nube de dispersin, donde las leyes de oro estn en el eje X, siendo stas funcin de las leyes de plata (eje Y):

Grfico 7.a: Nube de dispersin de leyes de plata en funcin a las leyes de oro.

Claramente en el grfico 7.a se puede apreciar una relacin en que la ley de plata crece proporcionalmente a la de oro. Por esto se hace una regresin lineal de estos datos, y se aplica una recta, como se aprecia en el grfico 7.b para ver si existe una correlacin de tipo lineal y de qu grado:

25

Grfico 7.b: Nube de dispersin de leyes de plata en funcin a las leyes de oro con regresin lineal.

Los resultados arrojados del anlisis de correlacin fueron: Variables L Au [g ey /t] L Ag[g ey /t] L Au [g ey /t] 1 0,754 L Ag[g ey /t] 0,754 1
Tabla 17. Matriz de correlacin entre ley de oro y plata.

Variables L Au [g ey /t] L Ag[g ey /t] L Au [g ey /t] 0 <0,0001 L Ag[g ey /t] <0,0001 0

Tabla 18. p-values de correlacin entre ley de oro y plata.

Variables L Au [g ey /t] L Ag[g ey /t] L Au [g ey /t] 1 0,569 L Ag[g ey /t] 0,569 1

Tabla 19. Coeficientes de correlacin (R2) entre ley de oro y plata.

Se obtiene entonces un coeficiente de correlacin de 0,754 nos indica que efectivamente se cumple la relacin de linealidad entre estas dos variables. Considerndose aceptable un coeficiente de correlacin mayor a 0,7, es posible concluir que existe dependencia entre ambas variables. b) Independencia entre la ley de plata y potencia:

26

Grfico 8. Nube de dispersin Leyes de plata v/s Potencia.

Como no se aprecia una clara tendencia en la nube de dispersin, no se aplica regresin lineal directamente sobre los datos. Variables Potencia[m L Ag[g ] ey /t] Potencia[m ] 1 -0,034 L Ag[g ey /t] -0,034 1
Tabla 20. Matriz de correlacin entre ley de plata y potencia.

Va riables Potencia[m ] Potencia[m ] 0 L Ag[g ey /t] 0,369

L Ag[g ey /t] 0,369 0

Tabla 21. p-values de correlacin entre ley de plata y potencia.

Tabla 22. Coeficientes de correlacin (R2) entre ley de plata y potencia.

Variables Potencia[m ] Potencia[m ] 1 L Ag[g ey /t] 0,001

L Ag[g ey /t] 0,001 1

En este caso el anlisis nos indica que no existe dependencia alguna entre las variables analizadas. Esta conjetura es categrica ya que el coeficiente de correlacin result muy bajo, ya que segn la teora, el coeficiente de correlacin de valor nulo demuestra que no existe correlacin entre las variables.

5.1.9. Modelos predictivos y anlisis de significancia sobre ellos.

Cuando se quiere estimar con cierto nivel de precisin las leyes en lugares en donde no se tiene datos, es decir, no se han hecho sondajes, resulta prctico construir un modelo predictivo sobre esas zonas.

27

Ahora bien, para este caso se necesitan modelos multivariantes. El primero de ellos debe predecir la ley de plata en funcin de la ley de oro y la potencia, mientras que el segundo la ley de oro en funcin de la posicin. Un problema que surge a la hora de construir un modelo es qu factores incluir en la ecuacin, de manera que se pueda obtener la mejor estimacin posible. Un buen modelo es aquel que entrega estimaciones lo ms cercanas al dato real, de modo que a partir del mismo se puedan hacer conjeturas y predecir tendencias, que en este caso son las leyes de oro y plata en el yacimiento estudiado. a) Modelo predictivo de la ley de plata en funcin de la ley de oro y la potencia. De lo hecho en la seccin 6.1.7 b), se pudo apreciar que no existe dependencia lineal, por lo que se desprende de aqullo que claramente un modelo predictivo lineal no aplicara en este caso. Descartado esa posibilidad de modelo, se opta por una regresin de los datos de tipo polinomial. Ya que no se sabe ni una aproximacin siquiera de cmo la ley de plata pudiera estar representada en funcin de los parmetros exigidos (ley de oro y potencia), se elige como grado de la regresin el mximo permitido por Excel, pudiendo llegar a arrojar un polinomio de dcimo grado (n = 10). Ahora bien, pudiera darse el caso en que la regresin sea de menor grado, y de esta manera el coeficiente asociado a ese polinomio tomara valor nulo. Dicho esto, la funcin a determinar es de la forma:

Y = a0 +

a ij( Xj)i
i=1 j=1

10

X1 = Potencia [m]. X2 = Ley de oro [g /t].

Con esto, los coeficientes arrojados fueron los siguientes:
Tabla 23. Parmetros del modelo de regresin polinomial para ley de plata. C oefic ientes Va lor E rror es nda t r a0 -120,366 1317,882 a1,1 695,42 7921,091 a1,2 34,64 14,922 a2,1 -1594,8 16760 a2,2 -2,079 1,764 a3,1 2325,08 17806,3 a3,2 0,119 0,088 a4,1 -1958,8 10992,12 a4,2 -0,003 0,002 a5,1 970,56 4226,73 a5,2 0 0 a6,1 -292,46 1041,98 a6,2 0 0 a7,1 54,115 164,4 a7,2 0 0 28 a8,1 -5,989 16,02 a8,2 0 0 a9,1 0,363 0,875 a9,2 0 0 a10,1 -0,009 0,02 a10,2 0 0

Tabla 24. Estadsticas de bondad del ajuste del modelo de regresin polinomial para ley de plata.

La desviacin estndar da 304 [g/t], lo que es algo menor a la media (392,2 [g/t]). Ahora lo importante es que Excel entrega el coeficiente de determinacin mltiple:

R =
; donde:

SR SE = 1 S S

SR: Suma de errores cuadrticos debido al modelo (o regresin). SE: Suma de errores cuadrticos debido al residuo o error. S: Suma total de residuos cuadrticos (SSE). Este es de 0.622, lo que se pudiera considerar aceptable para la configuracin de los datos entregados. Adems se debe hacer notar que cuando aumenta el nmero variables, el coeficiente de determinacin mltiple aumenta y, por ende, se acerca a 1. De esto se infiere se slo permite comparar modelos que tengan el mismo nmero de variables explicativas. Por ende, se considera aceptable el modelo predictivo recin descrito. b) Modelo predictivo de la ley de plata en funcin de las coordenadas. En una primera aproximacin, se nota de inmediato que la coordenada este es 0 en todos los datos, por lo que no se considera. Con esto, se tienen dos variables independientes, las cuales son el norte y la cota. Haciendo el mismo procedimiento que en el modelo predictivo anterior, se arrojan los siguientes coeficientes:

29

C oefic ientes Va lor E rror es nda t r a0 -7536676,18 68789320,028 a1,1 -3,001 3,725 a1,2 15155,84 170191,56 a2,1 0,301 0,256 a2,2 -10,377 152,99 a3,1 -0,013 0,008 a3,2 0,002 0,053 a4,1 0 0 a4,2 0 0 a5,1 0 0 a5,2 0 0 a6,1 0 0 a6,2 0 0 a7,1 0 0 a7,2 0 0 a8,1 0 0 a8,2 0 0 a9,1 0 0 a9,2 0 0 a10,1 0 0 a10,2 0 0 Tabla 25. Parmetros del modelo de regresin polinomial para ley de oro.

T otal datos D atosusa dos 2 R SE S MS E R E MS

707 686 0,269 452851,5 660,13 25,7

Tabla 26. Estadsticas de bondad del ajuste del modelo de regresin polinomial para ley de plata.

En este caso la suma de errores cuadrticos es demasiado alta, la media de la ley de oro es cercana (25,7 v/s 20,8 [g/t]), pero lo que importa es el coeficiente de determinacin mltiple, que es muy por debajo a 0,7, por lo que entonces no se considera de peso el modelo predictivo. Este resultado era completamente esperable, ya que a priori uno puede inferir que las coordenadas no tienen ningn nivel de relacin o dependencia con la concentracin de ley de oro en cierto punto del yacimiento. Por esto, se concluye que el modelo predictivo de la ley de oro en funcin de las coordenadas no es significante.

5.2 Anlisis geoestadstico de datos (Proyecto 2) 30

5.2.1. Importacin de datos a Isatis. Ac se importaron los datos entregados (Datos.xls) al programa Isatis para el posterior anlisis geoestadstico de stos, y se retiraron tres datos desde la misma planilla de Excel. Adems se incluyeron dos columnas ms, las cuales son la acumulacin de oro y plata calculados en el proyecto 1. Ahora bien, es de relevancia tomar en cuenta que cuando se importaron los datos, se us la siguiente orientacin con el fin de facilitar el estudio de los grficos. Estos fueron: easting(x) para la coordenada norte. northing(y) para la cota. elevation(z) para la coordenada este. Notar que esta columna no tiene datos. Esto en definitiva produce que los datos en Isatis sean trabajados en el plano XY, en vez del YZ como vienen en la base de datos, y de esta manera se hace ms fcil trabajar en el estudio exploratorio y variogrficos, como mapas, variogramas, entre otros, ya que est en el plano de referencia XY, y por ende no es necesario el uso de la direccin normal (eje Z). Luego de esto, Isatis procede a quitar los duplicados presentes en la base de datos, para poder trabajar en las etapas requeridas ms adelante.

6.2.2. Anlisis exploratorio de los datos

Para este efecto se aplicaron las siguientes etapas para el anlisis exploratorio: Variables de inters Se debe considerar que los datos entregados por los sondajes hechos en el yacimiento se determinan usando variados sistemas de soporte por cada dato. Por esto mismo se hace necesario la acumulacin de las leyes de plata y oro, y la potencia para cada dato.

Declustering El desagrupar los datos asegura que no haya sesgo debido al mtodo de muestreo. Un ejemplo claro es que los sondajes se concentran en lugares donde existe alta ley en el yacimiento. El declustering permite que los datos usados sean representativos de una rea de influencia en particular, y para esto a cada dato se le asigna un ponderador que aumenta o disminuye su efecto en los

31

parmetros estadsticos como media y varianza. Para determinar estos ponderadores, se utiliz el mtodo de celdas. Para este estudio se realiz una malla de declustering basada en el tamao de la malla de muestreo, la cual fue de 200 x 200 [m] y tambin en el efecto de desagrupamiento en la ley media. Comnmente no se recomienda slo con considerar el efecto de la ley media, ya que este parmetro no necesariamente entrega una representacin de datos adecuada. No obstante, dado el enfoque pedido en este anlisis, se opt por el criterio ms viable. Parmetros estadsticos En la siguiente tabla se muestran el conteo de datos, valor del mnimo y mximo de cada variable; media, varianza y coeficiente de correlacin:

Tabla 27. Parmetros estadsticos base de datos.

De los datos se aprecia que la acumulacin de plata es considerablemente alta en comparacin a la varianza de la acumulacin de oro (esto visto ms en detalle en el proyecto 1); y la correlacin de la acumulacin de oro y plata con respecto a la potencia arroja un valor que a primera vista no permite considerarlas como dependientes.

Nubes de correlacin

32

Usando las nubes de correlacin se ver si existe una virtual dependencia entre las variables del estudio:

Figura 7. Nubes de correlacin entregadas por Isatis.

Se observa que las nubes, no tienen una correlacin notoria, que se corrobora por los datos de correlacin dispuestos en Tabla 27. En el caso de la correlacin entre las acumulaciones se observa que existe una correlacin, en donde el R2 toma un valor mayor a 0,5. Q-Q Plots Este herramienta sirve para comparar dos distribuciones distintas en un grfico de formas. Calculando los cuantiles de histogramas acumulados es posible comparar las dos distribuciones.

33

Cuando se construyen los Q-Q plots, se considera lo siguiente para su interpretacin: Si los puntos del Q-Q plot estn en la recta de 45, entonces los datos tienen distribuciones idnticas. Si la lnea 45 de inclinacin, pero desplazadas del origen del grfico, ocurre que las dos distribuciones debern tener la misma forma, pero medias diferentes. Si se presenta un carcter no lineal en el grfico, entonces las distribuciones toman diferentes formas en el histograma (como por ejemplo distribuciones Gaussianas o logartmicas). Luego de esta explicacin, se dispone a mostrar los Q-Q plots arrojados:

34

Figura 8. Q-Q plots Distribucin gaussiana.

De ac se aprecia que la potencia es muy cercana a la distribucin normal. No as las distribuciones de las acumulaciones de oro y plata.

35

Figura 10. Q-Q plots Distribucin log normal.

Considerando que los histogramas (hechos en el proyecto 1) tienen una forma que se asemeja basta al log normal, se compara esta distribucin en el Q-Q plot anterior. Se logra ver que la acumulacin de oro tiene una distribucin cercana la distribucin al log normal. Sin embargo, del Q-Q Plot log normal de la acumulacin de plata no se puede afirmar si es una distribucin de este tipo.

5.2.3. Anlisis variogrfico. 36

Para partir este estudio, se debe partir por estudiar las direcciones de anisotropas de las variables entregadas (ley de oro, ley de plata y potencia). Un anlisis variografico consiste en varias etapas: - Determinacin de anisotropas zonales, y direcciones preferenciales en los datos. - Clculo de variogramas experimentales. - Ajuste de variogramas modelados. Este anlisis es necesario para conseguir la herramienta ms til para las estimaciones de kriging (variograma modelado). Direcciones de Anisotropa Para determinar direcciones de anisotropa, y anisotropas zonales se debe considerar la base de datos grficamente que demuestra la continuidad espacial (mapas variogrficos). Para evaluar la anisotropa de las variables de las acumulaciones de oro y plata, y la potencia se utilizaron mapas variografico, los cuales son una representacin direccional (circular de 360 o) de la continuidad espacial de la anisotropa. Como la base de datos es considerada en 2D solamente se consideran los mapas variograficos en orientacin del plano de los datos (XY). En los mapas se puede notar que hay direcciones preferenciales en los datos dependiendo de las variables:

37

Figura 10. Mapa variogrfico de la acumulacin de oro.

38

Figura 11. Mapa variogrfico de la acumulacin de plata.

39

Figura 12. Mapa variogrfico de la potencia.

40

Figura 13. Variograma omnidireccional de la acumulacin de oro y plata.

Figura 14. Variograma direccional en las anisotropas de las acumulaciones de oro y

plata. Figura 15. Variograma de la potencia.

41

Luego de construir los variogramas experimentales, se procede a obtener los variogramas modelados, para luego hacer la validacin cruzada:

Figura 16. Variogramas modelados de la acumulacin de oro, plata y potencia.

5.2.4. Validaciones cruzadas.

Ahora se procede a aplicar, luego de obtener los variogramas modelados, una validacin cruzada de los modelos con el fin de asegurar la precisin y calidad del modelo. A su vez al realizar la validacin cruzada, es necesario establecer una vecindad de kriging que ser utilizada ms adelante para estimar los bloques. A continuacin se presentan los grficos que entrega la validacin cruzada. La primera figura a en la izquierda representa el base map. El segundo grfico a la derecha representa la regresin lineal entre el valor real y el valor estimado de los datos. Est pendiente si un valor cercano a 1 para que la nube de puntos, tanto de tipo real o estimado, de manera que si es lo ms cercana al modelo se puede confiar en el modelo postulado. Notar que en estas cuatro figuras, los puntos rojos representan los datos mal estimados por el modelo.

42

Figura 17. Validacin cruzada para la acumulacin de oro.

43

Figura 18. Validacin cruzada para la acumulacin de plata.

44

Figura 19. Validacin cruzada para la potencia.

45

5.2.5. Creacin de la grilla de bloques

En esta etapa se genera una grilla en Isatis, sobre la zona de inters, que se encuentra entre los 0-300 metros en el eje X (norte) y 1675-1775 metros en el eje Y (cota), con el objetivo de usar esta grilla ms adelante en la estimacin de bloques por Kriging ordinario. Esta grilla genera 1612 bloques de 5x5x1 [m3], que se muestra a continuacin:

Figura 20. Grilla de bloques de 5 [m] x 5 [m] x 1 [m].

Con todo lo hecho anteriormente, a continuacin se realiza kriging ordinario para las acumulaciones de oro y plata y para la potencia, y, con los resultados obtenidos de ello, se calcularon nuevamente las leyes de oro y plata. Se agrega como nueva variable la ley de oro equivalente, frmula que ya fue descrita en la seccin antecedentes. Se conoce como dato que la densidad de la roca es [2,6 t/m3]. Este dato servir para los siguientes clculos. El kriging calculado por Isatis de las leyes de oro, plata y oro equivalente muestran lo siguiente:

46

Figura 21.a: Kriging ordinario para ley de oro.

Figura 21.b: Kriging ordinario para ley de plata.

Figura 21.c: Kriging ordinario para ley de oro equivalente.

En cuanto a las leyes medias obtenidas, stas fueron de:

Tabla 28. Ley media AuEq por Kriging ordinario.

47

Tabla 29. Ley media Au por Kriging ordinario.

Tabla 30. Ley media Ag por Kriging ordinario.

5.2.6. Clculos de recursos.

Se debe hacer notar que al comienzo del anlisis geoestadstico se comenz trabajando con 691 datos de oro y tambin de plata. Ahora bien, gracias al Kriging, con datos medidos y estimados, se tienen ahora 1612 datos del yacimiento. Ahora se determinar cmo se calculan el tonelaje, ley media y cantidad de metal disponible:

en [ g / t ] N de bloques Tonelaje = AreaPotenciaDensidad en [t ] Metal = LeyAreaPotenciaDensidad en [t ]

Con el clculo de recursos arroja los siguientes resultados en Tabla 31: L m ey edia 19,1 24,2 351,7 Cantidadde Meta [g l ] 3368010,12 1217828,68 61727024,45 T onela R [ton] je oca 172748,57 172748,57 172748,57

Ley media =

ley de bloques

Au AuE q Ag

Tabla 31. Recursos calculados de oro y plata presentes en el yacimiento.

Sobre cunto recurso se recupera considerando una ley de corte de 5 [g/t], ste es de 3,323 [ton] de oro equivalente.

48

6.

Conclusiones

Proyecto 1:
Al partir el anlisis sobre una base de datos, en primera instancia y necesariamente se debe partir por una bsqueda de errores en los datos, tanto de errores evidentes en la base, posibles datos aberrantes por su notoria lejana con respecto a otros datos, ya que de no hacerlo, se producirn notorios errores que se arrastrarn en el transcurso de todo el anlisis de esa base. Este hecho no podr permitir entonces que se noten claras tendencias e inferencias relevantes respecto al tema de estudio de un anlisis estadstico sobre una muestra dada, como por ejemplo rechazar una hiptesis alternativa, o viceversa, cuando en realidad un test de hiptesis en particular si se adecue a entender un proceso o fenmeno en particular. El descubrir qu tipo de distribucin presentan las variables determinan qu tipo de test son compatibles, y por ende cules no son aplicables y entonces pierden su validez de uso. Si se tiene presente que los mtodos grficos no muestran la precisin suficiente como para explicar su comportamiento, este tipo de herramientas muestra en forma ms ilustrativa que muestra qu tipo de tratamiento y herramientas estadsticas son necesarias elegir para sacar el mayor provecho posible a la informacin entregada, y que a partir de sto, se pueda entender con mayor detalle el proceso, y en base a esto, tomar las decisiones pertinentes al enfoque del estudio y la finalidad de ste. En cuanto a la precisin, sta depende ntegramente del error asociado a la variables que en definitiva se usen para poder determinarlo, y en caso de que existan errores sistemticos, stos se harn notar en mayor medida en el procesamiento de los datos, donde quedar plasmado en el arrastre de errores que ir en aumento, y si se presentan en importante medida, pueden incluso llegar a no ser verosmiles y concluyentes los resultados obtenidos, por lo que se puede llegar a invalidar un estudio estadstico. Ac los mayores errores se produjeron en el clculo de la acumulacin que disminuy al quitar un outlier muy alejado de los otros datos de esta variable, pero en este caso el porcentaje de precisin se presenta considerable debido a la propagacin de errores, punto explicado en la seccin de precisin. Obviando sto, el error en los datos no hace perder validez en el estudio, que entregas resultados contundentes e interpretables desde el punto de vista estadstico. Sobre los intervalos de confianza, es importante aclarar que se puede afirmar que el mtodo que determina los intervalos de confianza hace que en stos se encuentre el valor real. Para obtener un intervalo que diga la probabilidad de que los valores reales se encuentren en un cierto intervalo de confianza, se requiere calcular los intervalos de probabilidad, vistos en el curso. Adems esto es claro, ya que los extremos son variables aleatorias (conocidos como lmites de confianza), y en realidad el valor real del parmetro es fijo. Si bien se puede considerar que se obtuvo un nmero considerable de datos sobre el yacimiento en estudio, ste a veces no es lo suficiente como para conocer y modelar el comportamiento de una variable. Si bien el anlisis de independencia es una herramienta poderosa que habla sobre las dependencias entre variables medidas con la correlacin que presentan, aunque se obtenga un

49

nivel de dependencia aceptable, sta no dice nada sobre qu modelo pueda representar las variables en funcin de otras y en qu ponderacin. Slo habla de la correlacin que existe en ellos. Cuando se trata de una regresin lineal, es evidente ver su relacin, y la pendiente principalmente determina el ponderador entre las variables. Cuando hay relaciones de tipo no lineal, y que dependen de ms variables, si no se tienen los suficientes datos, el caracterizar una muestra por un modelo no es una tarea trivial. De esto se infiere que si incorporan ms variables con un nivel de correlacin escaso, provoca que el predecir, en este caso leyes de oro muestre no ms que una leve tendencia, y mayor an cuando las variables nada tienen que ver con lo que se pretende determinar, como fue el caso de predecir la ley de oro en funcin de las coordenadas, que se mostr que no existe dependencia alguna, como se esperaba de antemano. En cuanto al modelo de estimacin de la ley de plata en funcin de la ley de oro y potencia, es aceptable pero se hace notorio que con la presencia de mayores datos, se podra configuracin un modelo ms cercano, que arrojara estimaciones ms precisas.

Proyecto 2:
El caracterizar el yacimiento aurfero-argentfero, ahora con el uso del software Isatis, y este caso en particular, el estudio de leyes de oro y plata contenido en l, muestra lo poderoso de esta herramienta, ya que permite ilustrar cmo se distribuye y configura, y de esta forma se puedan tomar las decisiones pertinentes, en evaluar si como negocio es viable, estimar las ganancias de su explotacin, como tambin de cmo planificar los aos de vida, y explotacin del yacimiento en estudio. Se lograron estimar los recursos disponibles, leyes medias, cantidad de metal en base a las leyes de oro y plata, y todo esto a partir de los datos obtenidos por el Kriging ordinario, que en base a los datos obtenidos calcula nuevos datos de leyes de oro, plata y a partir a esto se determina la ley de oro equivalente, que facilit tantos clculos como la generacin de imgenes de la distribucin de los minerales. Se debe mencionar que los resultados obtenidos pueden ser considerados como estimadores fiables y adems como indicadores de tendencia, ya que la estimacin de bloques hecha por Kriging ordinario fueron realizadas a partir de los variogramas modelados, que presentaron una confiabilidad suficiente en la validacin cruzada. Ahora bien, no se debe olvidar que el Kriging, gracias a su propiedad de suavizamento, tiene a subestimar sectores con valores altos y a sobreestimar sectores con valores ms bajos, adems de disminuir la frecuencia de los valores extremos, debido a que acerca los datos a la media de los valores estimados. Ahora, si bien hay que tener cierto cuidado al usar kriging para estimar las concentraciones reales, no existe una diferencia sustancial, y por lo mismo se le considera como un estimador verosmil. Algo relevante de considerar fue que cuando se crea la grilla de bloques en la regin de inters, ste contiene una franja en donde no existen datos asociados. Esto posiblemente repercuti sustancialmente en las varianzas de los tres modelos estimados, los cuales fueron la acumulacin de oro, plata y potencia.

50

Un suceso importante de mencionar, es que en la estimacin de Kriging de la acumulacin de oro, se obtuvieron datos con valores negativos y por lo ilgico desde un punto de vista fsico, estos datos se consideraron con valor nulo. El estimar valores fuera del rango, al menos de los valores extremos contenidos en los datos iniciales, provoca que existe un error en el proceso que incide directamente en una disminucin en la confianza de los resultados. Si se piensa en mejor la estimacin en clculos de recursos se recomienda hacer campaas de sondajes con mayor cantidad de datos, ya que se puede apreciar una mejor distribucin en los datos. Ahora este consejo es ms bien ideal, porque una campaa de sondaje aumenta en costos en la medida de cuntos sondajes sean realizados. Como los datos usados para la estimacin se encontraban en 2D, se hace ms complejo el poder calcular los tonelajes, en donde datos en 3D sera lo ideal. Por esta razn en este estudio se eligi usar un largo del bloque de 1 [m] de elevacin (eje Z). Con datos en 3D ser posible estimar los recursos en un bloque 3D con mayor confianza y as obtener clculos de recursos ms fiables, pero se pagara un tributo, ya que sera ms complejo calcular los variogramas, hacer la validacin cruzada y principalmente se notara en la construccin del Kriging ordinario para este caso. Para finalizar, se puede apreciar que el estudio de datos ocupando a la geoestadstica como herramienta, en que el anlisis de la verosimilitud de los datos, y la caracterizacin espacial de la variables medidas en un cuerpo mineralizado (para este caso), se configuran de manera tal de complementarse entre s, entregando relevante informacin para el uso de quienes hayan requerido el estudio y todo esto con el fin de aminorar el error asociado a datos pocos fidedignos y estimaciones poco confiables, punto relevante a la hora de tomar la decisin de si se va a hacer el proyecto y de qu manera se ejecutar la eventual explotacin de este yacimiento.

51

7.

Referencias

Apunte Anlisis estadstico de datos, Xavier Emery, 2010. Apunte Geoestadstica, Xavier Emery, 2010. Diapositivas curso MI4040-2 Anlisis estadstico y geoestadstico de datos, Semestre Primavera 2010. Manual de uso software Isatis, Xavier Emery, 2010. Isatis 10.0, Begineer's Guide, Marzo 2010.

52