Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Universidad de Chile
Departamento de Ingeniería Civil e Minas
MI40640-1 Análisis estadístico y
geoestadístico de datos
Alumno:Gabriela Barrios
José Ignacio Bonzi Rios
Joaquín Galindo
Profesor:Xavier Emery
Auxiliares:Yerko Martinez
Ignacio Moscoso
Pía Leyton
Fecha:Viernes 23 de Noviembre de
2012.
Resumen Ejecutivo
Para finalizar, se calcularon los recursos en tonelaje, leyes medias y cantidades de metal para
responder la pregunta principal del proyecto que se encuentra en la ilustración 4 del anexo 1.
2
Abstract
As main objective, were calculated the resources of nickel, silica and magnesium.
Was usedas an essential tool the computer program"ISATIS", whichwasimported the data of the
project 1 "Datos.xls". Exploratory and variograficsanalysis was performed of the data, continuing
with the cross-validation.It wascreateda gridof blocks withthe purpose of estimatinglocal laws of
Ni, SiO2andMg.
3
Índice
4
Ni: Curva de tonelaje ley y sus respectivas tablas.................................................................. 41
SiO2: Curva de tonelaje ley y sus respectivas tablas .............................................................. 43
Mg: Curva de tonelaje ley y sus respectivas tablas ................................................................ 45
Conclusión ................................................................................................................................... 47
Bibliografía .................................................................................................................................. 48
Anexos ......................................................................................................................................... 49
Anexo 1.................................................................................................................................... 49
Índice de ilustraciones
Ilustración 1: Herramientas para el análisis exploratorio, como el mapa de distribución espacial,
histograma y nube de correlación. ................................................................................................. 9
Ilustración 2: Ilustación de un variograma experimental. ............................................................. 11
Ilustración 3: Modelos elementales para construir un variograma modelado. .............................. 11
Ilustración 4: Guía de trabajo e instrucciones para realizar el proyecto 2...................................... 49
Índice de Figuras
Figura 1: Mapa variográfico; variograma experimental para el Ni ................................................. 17
Figura 2: Figura representativa de los gráficos otorgados por la validación cruzada para el Ni ...... 20
Figura 3: base map de las leyes de Ni donde el rojo es harta ley y azul es poca ley ....................... 21
Figura 4: Mapa variográfico; variograma experimental para el SiO2 .............................................. 25
Figura 5: Figura representativa de los gráficos otorgados por la validación cruzada para el SiO2 ... 29
Figura 6: base map de las leyes de SiO2 donde el rojo es harta ley y azul es poca ley .................... 30
Figura 7: Mapa variográfico; variograma experimental para el Mg ............................................... 34
Figura 8: Figura representativa de los gráficos otorgados por la validación cruzada para el Mg .... 38
Figura 9: base map de las leyes de Mg donde el rojo es harta ley y azul es poca ley ..................... 39
Índice de Gráficos
Gráfico 2: Histograma con datos aberrantes para el Ni ................................................................. 14
Gráfico 1: Nube de correlación con datos aberrantes para el Ni ................................................... 14
Gráfico 3: Nube de dispersión sin datos aberrantes para el Ni ...................................................... 15
Gráfico 4: Histograma sin datos aberrantes para el Ni .................................................................. 15
Gráfico 5: Base map para el Ni ..................................................................................................... 16
Gráfico 6: Variograma del Ni ........................................................................................................ 18
Gráfico 7: Ajuste manual para el variograma del Ni ...................................................................... 18
Gráfico 8: Vecindad móvil con una elipse para el variograma del Ni ............................................. 19
5
Gráfico 9: Gráfico representativo de la grilla para realizar Kriging................................................. 21
Gráfico 10: Histograma de valores estimados por el Kriging ordinario sobre las leyes de Ni .......... 22
Gráfico 11: Nube de correlación con datos aberrantes para el SiO2 .............................................. 23
Gráfico 12: Histograma con datos aberrantes para el SiO2 ............................................................ 23
Gráfico 13: Histograma sin datos aberrantes para el SiO2 ............................................................. 24
Gráfico 14: Nube de dispersión sin datos aberrantes para el SiO2 ................................................. 24
Gráfico 15: Base map para el SiO2 ................................................................................................ 25
Gráfico 16: Variograma para el SiO2 ............................................................................................. 26
Gráfico 17 Ajuste manual para el variograma del SiO2 .................................................................. 27
Gráfico 18: Vecindad móvil con una elipse para el variograma del SiO2 ........................................ 28
Gráfico 19: Histograma de valores estimados por el Kriging ordinario sobre las leyes de SiO2....... 30
Gráfico 20: Nube de dispersión con datos aberrantes para el Mg ................................................. 31
Gráfico 21: Histograma con datos aberrantes para el Mg ............................................................. 32
Gráfico 22: Nube de dispersión sin datos aberrantes para el Mg .................................................. 32
Gráfico 23: Histograma sin datos aberrantes para el Mg .............................................................. 33
Gráfico 24: Base map para el Mg.................................................................................................. 34
Gráfico 25: Variograma para el Mg............................................................................................... 35
Gráfico 26: Ajuste manual para el variograma del Mg .................................................................. 35
Gráfico 27: Vecindad móvil con una elipse para el variograma del Mg.......................................... 36
Gráfico 28: Histograma de valores estimados por el Kriging ordinario sobre las leyes de Mg ........ 39
Gráfico 29: Curva tonelaje ley para el Ni....................................................................................... 41
Gráfico 30: Curva tonelaje ley para el SiO2 ................................................................................... 43
Gráfico 31: Curva tonelaje ley para el Mg ..................................................................................... 45
Índice de Gráficos
Tabla 1: Tabla con detalle de datos para el cálculo de la curva tonelaje ley para el Ni................... 42
Tabla 2: Tabla con los recursos totales del Ni, SiO2 y Mg............................................................... 42
Tabla 3: Tabla con detalle de datos para el cálculo de la curva tonelaje ley para el SiO2................ 44
Tabla 4: Tabla con detalle de datos para el cálculo de la curva tonelaje ley para el Mg ................. 46
6
Introducción
El objetivo es estimar del material extraído la ley de níquel (elemento de interés económico) y la
razón entre las leyes de sílice y magnesio (SiO2/Mg), la cual debe ser menor que 7 por restricciones
impuestas por el proceso pirometalúrgicoa utilizar.
Para este proyecto, proyecto número 2, se enfatizó en el análisis geoestadístico de la misma base
de datos.
7
Marco Teórico
El estudio exploratorio se enfoca en analizar los datos desde todos sus ángulos, desde la
estadística, pasando por el comportamiento espacial, hasta las dependencias entre varias
variables. Esta disciplina es la base de cualquier estudio geoestadístico a la evaluación de
yacimientos, puesto que permite familiarizarse con la base de datos con la cual modelar un
yacimiento.
El estudio exploratorio se puede usar bajo el prisma del número de variables, de los objetivos a los
cuales apunta o de las mismas herramientas que se pueden ocupar.
Si bien los fenómenos naturales son determinísticos, pueden ser muy complejos. Es por esto que
en el estudio de una variable regionalizada se puede considerar la aplicación de
probabilidades, como por ejemplo en la ley de un metal presente en la mineralización de
un macizo rocoso. En un modelo probabilístico una variable regionalizada z(x) en un sitio x
del dominio D en estudio, se interpreta como una realización de una variable aleatoria Z(x).
El conjunto de estas variables en distintos puntos del espacio constituye una función aleatoria que
se expresa como
Este informe presenta las principales herramientas del estudio exploratorio de datos. Para dar un
orden a la presentación se definirán los conceptos y herramientas basado en la cantidad de
variables de estudio (univariable, bivariable y multivariable); luego se presentarán herramientas
de análisis espacial y herramientas para estudiar la calidad y reprensentatividad de los datos.
8
datos disponibles. Algunas herramientas de análisis exploratorio de datos, presentadas con
sus respectivos objetivos son:
Ilustración 1: Herramientas para el análisis exploratorio, como el mapa de distribución espacial, histograma y nube de
correlación.
Análisis variográfico
Para desarrollar este estudio se utiliza una función llamada variograma que tiene por
objetivo medir la variabilidad espacial. La versión simple corresponde al caso univariable,
mientras que la cruzada corresponde a la multivariable e involucra un par de variables a la vez.
Lo que considera dicha herramienta es principalmente la diferencia entre pares de datos que se
encuentren separados por un vector h.
9
La variable regionalizada es z(x), mientras que Z(x) es la función aleatoria asociada, |N(h)|
corresponde al número de pares de datos disponibles para una separación dada por un
vector h, siendo las posiciones de estos pares de datos el intervalo
Dicha herramienta también puede ser definida para el caso multivariable. De esta manera se mide
la variabilidad que hay entre dos variables de una base de datos en el espacio.
Donde Ni j (h) es el número de pares de datos que se consideren para calcular el estimador, los que
se encuentran separados entre sí por un vector h. Notar que h corresponde a un vector con una
dirección cualquiera y que el uso del vector h para las mediciones usadas hace que ambas
variables deban coexistir en los mismos puntos para poder calcular este estimador.
10
Ilustración 2: Ilustación de un variograma experimental.
Un variograma experimental requiere ser modelado debido a que se calcula sólo para
ciertas direcciones y distancias. Existen una serie de modelos elementales que, según la
forma que presente el variograma experimental, principalmente en el origen, permiten
modelarlo adecuadamente:
11
Métodos de estimación local
Además el kriging presenta otras características importantes; es una estimación insesgada porque
establece una esperanza nula para el error de estimación, y es óptimo porque busca
minimizar la varianza del error de estimación.
• Suavizamiento: los valores estimados presentan menos dispersión que los valores
verdaderos.
• La varianza de kriging no refleja el efecto proporcional. Este efecto comúnmente se
presenta en minería y consiste ene observar mayor variabilidad en zonas de valores altos,
es decir, se observa valores altos mezclados a corta distancia con valores bajos.
Estas dos limitaciones hacen que el kriging no sea una buena herramienta en la estimación de
funciones umbrales, como por ejemplo en la determinación de tonelajes de roca sobre una ley de
corte, que es un problema crítico en la estimación de recursos y reservas recuperables en un
negocio minero.
12
I. Para esto se estima sucesivamente por kriging cada dato, considerando solamente los
datos restantes.
II. Se calcula el error de estimación (que es el valor estimado menos valor real) cometido en
cada sitio con cada dato.
III. Estudiar la calidad de errores de estimación por medio de las estadísticas y gráficas. Se
puede complementar con el estudio de errores estandarizados (que son errores divididos
por su desviación estándar).
13
Resultados, Análisis y Discusión
Ley de Ni
Análisis exploratorio
Nube de correlación diferida del Ni(gráfico 1), donde se consideran todos los valores, es este caso
no es tan fácil verificar los valores atípicos desde la nube de dispersión, no así en el caso del
histograma (gráfico 2) donde si se pueden apreciar los datos aberrantes.
Ni (%)
0 1 2 3 4 5
5 5
4 4
3 3
Ni (%)
Ni (%)
2 2
1 1
0 0
0 1 2 3 4 5
Ni (%)
Ni (%)
0 1 2 3 4 5
Nb Samples: 942
Minimum: -0.43
Maximum: 4.94
0.15 Mean: 1.47707 0.15
Std. Dev.: 1.00199
Frequencies
Frequencies
0.10 0.10
0.05 0.05
0.00 0.00
0 1 2 3 4 5
Ni (%)
14
Si ahora consideramos la eliminación de estos datos aberrantes y de duplicados (valores a 1 mt de
distancia) se obtiene lo siguiente en los gráficos 3 y 4.
Ni (%)
0 1 2 3 4 5
5 5
4 4
3 3
Ni (%)
Ni (%)
2 2
1 1
0 0
0 1 2 3 4 5
Ni (%)
Ni (%)
0 1 2 3 4 5
0.25 0.25
Nb Samples: 916
Minimum: 0.21
Maximum: 4.94
0.20 Mean: 1.46926 0.20
Std. Dev.: 0.99551
Frequencies
Frequencies
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 1 2 3 4 5
Ni (%)
Come se puede apreciar se eliminaron alrededor de 26 datos, entre duplicados y datos atípicos,
estos hace que la media aumente, probablemente por la eliminación de satos extremos, la
desviación estándar en cambio nos dice que el error se redujo al eliminar estos datos atípicos y
aberrantes.
Se realizo también un Base Map que nos muestra la distribución espacial de las leyes de níquel en
el espacio.
15
X (m)
0 100 200
Ni (%)
200 200
Y (m)
Y (m)
100 100
0 0
0 100 200
X (m)
Estudio Variográfico.
16
Figura 1: Mapa variográfico; variograma experimental para el Ni
Variograma experimental, en este se detectan las direcciones de Ni con ejes en N340 O yN70 O. Se
considero un ancho de banda de 100m, el número de direcciones es 2, se consideran 10 pasos de
20 mts, la tolerancia al paso es de 10 mt y la tolerancia angular en de 20 º.
En este caso se puede observar que el eje de menor variabilidad es el eje N340 O, donde se tiene
una meseta en 1 mts, es decir desde hay la varianza será la misma. En el caso del eje de máxima
variabilidad es decir N7O, en este caso la meseta te obtiene en 1,2 aproximadamente, lo que nos
indica que la varianza es la misma desde hay. Como se aprecia mejor en el
variagramaexperimental que muestra el ajuste manual de los ejes. Donde se considero el siguiente
ajuste manual:
Variograma anidado:
0.47 efecto pepita + 0.52*esférico (120,70) + 0.2*esférico(∞, 100)
17
Distance (m)
0 50 100 150 200
1.5 1.5
Variogram : Ni (%)
Variogram : Ni (%)
0.0 0.0
0 50 100 150 200
Distance (m)
Distance (m)
0 50 100 150 200
1.5 1.5
Variogram : Ni (%)
Variogram : Ni (%)
0.0 0.0
0 50 100 150 200
Distance (m)
Validación cruzada
La siguiente imagen muestra la vecindad móvil con una elipse de 60m como semi eje mayor y 20
m de semi eje menor orientada en N20 O, estos son los ejes de la elipse donde existe un mayor
18
espesor es decir aquella de mayor variabilidad, también se debe mencionar que estoy ejes deben
ser ortogonales entre si.
Se consideró un número mínimo de pares igual a 1, la elipse se divide en 4 sectores angulares (4
cuadrantes) y un número óptimo de 4 pares de datos por sector, como se muestra a continuación
en el gráfico 8.
200 200
3.97
4.39
4.53
7.42
5.49
8.85
9.99
5.39
7.45
8.86
8.57
6.60
4.14
7.07
4.14
3.14
Y (m)
Y (m)
100 100
0 0
0 100 200
X (m)
Figura 2.a:Base Map; si comparamos el original con el entregado por la validación cruzada se
puede decir que la proporción de la leyes en el extremo de los 200 mts es predominante como se
distinguía también en el base map original y en general estos son bastantes similares.
Figura 2.b: Nube de regresión entre valores estimados y valores reales, en este caso tenemos un
rho de 0.728 lo que implica que un 72% de los valores fueron estimados correctamente.
Figura 2.c: Histograma de los erros, en este se ve que la media es muy pequeña y que la
desviación estándar es cercana a 1, esto nos indica que esta bien calculado ya que los errores son
pequeños, lo que cumple con la condición de insesgo.
Figura 2.d: Nube correlación de los valores estimados con respecto al error estandarizado, esta
debe ser poco dispersa en torno a la línea horizontal con una pendiente cercana a 0, se ve que en
este caso se ve que la pendiente es cercana a 0 (-0,045), lo cual es aceptable.
19
X (m)
0 100 200
Z* : Ni (%) (Estimates)
200 200 0 1 2 3 4 5
5 rho = 0.728 5
Y (m)
Y (m)
100 100 3 3
2 2
1 1
0 0
0 0
0 100 200 0 1 2 3 4 5
X (m) Z* : Ni (%) (Estimates)
1 1 (Z*-Z)/S*
(Z*-Z)/S*
0.10 0.10 0 0
-1 -1
-2 -2
0.05 0.05
-3 -3
-4 -4
0.00 0.00
-4 -3 -2 -1 0 1 2 3 4 0 1 2 3
(Z*-Z)/S* Z* : Ni (%) (Estimates)
Figura 2: Figura representativa de los gráficos otorgados por la validación cruzada para el Ni
Kriging
20
Como se muestra a continuación, cabe destacar que los puntos en color rojo son aquellos
que no se consideran y los con verdes son aquellos considerados, luego esta grilla será la
utilizada para la ley de SiO2 y Mg.
X (m)
0 100 200
200 200
Y (m)
Y (m)
100 100
0 0
0 100 200
X (m)
Como los valores de la validación cruzada nos dicen que nuestro plan de kriging es valido, por lo
antes mencionado,entonces se tiene el siguiente base map, donde se muestran las zonas donde
es posible encontrar leyes altas (color rojo) y cuales no (color azul).
X (m)
0 50 100 150
200 200
Krg ord Ni
150 150
Y (m)
Y (m)
100 100
50 50
0 0
0 50 100 150
X (m)
Figura 3: base map de las leyes de Ni donde el rojo es harta ley y azul es poca ley
21
El histograma nos muestra los valores estimados por kriging ordinario sobre las leyes de Ni,
donde se muestra un numero de 582 muestras, que corresponde a los bloques delimitados por la
grilla. Se aprecia que la media permanece prácticamente invariante si se compara con la que se
tenia originalmente, en cambio la desviación estándar muestra que hay una atenuación de los
valores extremos que es propio del kriging, lo que se puede visualizar también en el caso del valor
máximo que disminuye considerablemente en relación al original, en relación al mínimo este
aumenta, lo que también es esperado debido a la misma razón anterior.
Krg ord Ni
0 1 2 3
Nb Samples: 582
0.15 Minimum: 0.276948 0.15
Maximum: 3.17215
Mean: 1.43969
Std. Dev.: 0.702569 Frequencies
Frequencies
0.10 0.10
0.05 0.05
0.00 0.00
0 1 2 3
Krg ord Ni
Gráfico 10: Histograma de valores estimados por el Kriging ordinario sobre las leyes de Ni
Ley de SiO2
Análisis exploratorio.
22
SiO2 (%)
0 100 200 300 400
400 400
300 300
SiO2 (%)
SiO2 (%)
200 200
100 100
0 0
Histograma que muestra la frecuencia de las leyes de SiO2, donde se observan los valores atípicos.
SiO2 (%)
0 100 200 300 400
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.0 0.0
0 100 200 300 400
SiO2 (%)
Histograma, es este caso se puede apreciar que se eliminaron 26 datos, donde están incluidos los
datos aberrantes y los duplicados (distancia de 1mt). Se ve que la media disminuyo, esto ya que
uno de los datos aberrantes eran muy alto y al eliminarlo hace que la media disminuya, en tanto
la desviación estándar disminuye considerablemente, lo que nos dice que el error también
disminuyo de forma considerable.
23
SiO2 (%)
0 10 20 30 40 50 60 70
Frequencies
Frequencies
0.2 0.2
0.1 0.1
0.0 0.0
0 10 20 30 40 50 60 70
SiO2 (%)
.
SiO2 (%)
0 10 20 30 40 50 60 70
70 70
60 60
50 50
SiO2 (%)
SiO2 (%)
40 40
30 30
20 20
10 10
0 0
0 10 20 30 40 50 60 70
SiO2 (%)
Se realizo también un Base Map que nos muestra la distribución espacial de las leyes de SiO2 en el
espacio.
24
X (m)
0 100 200
SiO2 (%)
200 200
Y (m)
Y (m)
100 100
0 0
0 100 200
X (m)
Estudio Variografico.
25
En base al mapa variografico se calcula en el variograma experimental sobre los ejes de
anisotropía de SiO2.
Distance (m)
0 50 100 150 200
900 900
800 800
700 700
600
N45 600
500 500
400 400
200 200
100 100
0 0
0 50 100 150 200
Distance (m)
Se observa que la dirección N315 O,es la dicción de mínima variabilidad observamos una meseta
alrededor de 50 mts lo que nos indica que para esta esta distancia el valor de la varianza será
constante, es decir se estabiliza.
26
Distance (m)
0 50 100 150 200
700 700
600 600
400 400
300 300
N315
200 200
100 100
0 0
0 50 100 150 200
Distance (m)
Validación cruzada
La siguiente imagen muestra la vecindad móvil de la validación cruzada, El semi eje mayor de la
elipse es de 60m y elsemi eje menor es de 30 mts.Estos ejes son aquellos de mayor espesor,
donde además se debe cumplir la ortogonalidad entre ellos.
Se consideraron un número mínimo de pares igual a 1, la elipse se divide en 4 sectores angulares
(4 cuadrantes) y un número óptimo de 4 pares de datos por sector, como se muestra a
continuación.
27
X (m)
0 100 200
200 200
1.57
0.73
1.86
5.96
15.66
2.81
Y (m)
Y (m)
8.02
11.82
9.12
11.902.87
16.36
5.35
100 1.79
0.90
3.29 100
0 0
0 100 200
X (m)
Gráfico 18: Vecindad móvil con una elipse para el variograma del SiO2
La tabla entregada por isatis: “Resultados de la estimación”, se aprecia un Z/Z* =1.002853, que es
la pendiente de regresión entre los valores reales y estimados, muy cercano a 1, lo cual indica una
buena estimación.
Figgura 5.a: Base Map; si comparamos el original con el entregado por la validación cruzada se
puede decir que la proporción de la leyes en el extremo de los 200 mts es predominante como se
distinguía también en el base map original, la mayor diferencia destacable observada es la
existenciade una mayor proporción de las leyes en puntos aleatorios hacia la parte superior del
base map entregado por la validación cruzada que no se aprecia en el base map original, pero en
general estos son bastantes similares.
Figura 5.b: Nube de regresión entre valores estimados y valores reales, en este caso tenemos un
rho de 0,903lo que implica que un 90% de los valores fueron estimados correctamente.
Figura 5.c: Histograma de los erros, en este se ve que la media es muy pequeña ( media= 0,002 ) y
que la desviación estándar (1,1) es cercana a 1, esto nos indica que esta bien calculado ya que los
errores son pequeños, lo que cumple con la condición de insesgo del Kriging.
Figura 5.d: Nube correlación de los valores estimados con respecto al error estandarizado, esta
debe ser poco dispersa en torno a la línea horizontal con una pendiente cercana a 0, se ve que en
este caso se ve que la pendiente es cercana a 0 (-0,026), lo cual es aceptable.
28
X (m)
0 100 200
Z* : SiO2 (%) (Estimates)
200 200 0 10 20 30 40 50 60 70
70 rho = 0.903 70
50 50
Y (m)
Y (m)
100 100 40 40
30 30
20 20
10 10
0 0
0 0
0 100 200 0 10 20 30 40 50 60 70
X (m) Z* : SiO2 (%) (Estimates)
0.2 0.2
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.1 0.1
-5 -5
0.0 0.0
-5 0 5 0 10 20 30 40 50
(Z*-Z)/S* Z* : SiO2 (%) (Estimates)
Figura 5:Figura representativa de los gráficos otorgados por la validación cruzada para el SiO2
Kriging
Como los valores de la validación cruzada nos dicen que nuestro plan de kriging es valido, por lo
antes mencionado, entonces se tiene el siguiente base map de los valores estimados por el Kriging
ordinario, donde se muestran las zonas donde es posible encontrar leyes altas (color rojo ) y
cuales no ( color azul).
29
X (m)
0 50 100 150
200 200
Krg ord SiO
150 150
Y (m)
Y (m)
100 100
50 50
0 0
0 50 100 150
X (m)
Figura 6: base map de las leyes de SiO2 donde el rojo es harta ley y azul es poca ley
El histograma nos muestra los valores estimados por kriging ordinario sobre las leyes de SiO2,
donde se muestra un número de 582 muestras, que corresponde a los bloques delimitados por la
grilla. Se aprecia que la media permanece prácticamente invariante si se compara con la que se
tenia originalmente, en cambio la desviación estándar muestra que hay una leve atenuación de
esta, por ende existe una atenuación de los valores extremos que es propio del kriging, lo que se
puede visualizar también en el caso del valor máximo que disminuye considerablemente en
relación al histograma original, en relación al mínimo este aumenta, lo que también es esperado
debido a la misma razón anterior.
0.2 0.2
Frequencies
Frequencies
0.1 0.1
0.0 0.0
0 10 20 30 40 50 60
Krg ord SiO
Gráfico 19: Histograma de valores estimados por el Kriging ordinario sobre las leyes de SiO2
30
Ley deMg
Análisis exploratorio.
Nube de correlación diferida, este gráfico nos da una relación de las leyes, donde se pueden
identificar los valores aberrantes que corresponden a los enmarcados por el círculo.
Mg (%)
-100 -50 0 50
50 50
0 0
Mg (%)
Mg (%)
-50 -50
-100 -100
-100 -50 0 50
Mg (%)
El histograma grafica la frecuencia de ocurrencia de la leyes de Mg, en este caso podemos notar
que en el eje de las abscisas existen valores de muy baja frecuencia casi imperceptibles, estos
serán considerados como aberrantes y eliminados de la base de datos.
31
Mg (%)
-100 -50 0 50
Nb Samples: 942
Minimum: -99
Maximum: 68.57
Mean: 16.7147
0.3 0.3
Std. Dev.: 11.4926
Frequencies
Frequencies
0.2 0.2
0.1 0.1
0.0 0.0
-100 -50 0 50
Mg (%)
Mg (%)
0 10 20 30 40
40 40
30 30
Mg (%)
Mg (%)
20 20
10 10
0 0
0 10 20 30 40
Mg (%)
Se puede ver que al eliminar los datos aberrantes la escala de la cual se calcula cambia y se puede
apreciar de mejor manera la distribución de las leyes de Mg.
32
Mg (%)
0 10 20 30 40
Nb Samples: 916
Minimum: 0.32
0.15 Maximum: 41.64 0.15
Mean: 16.7074
Std. Dev.: 10.8303
Frequencies
Frequencies
0.10 0.10
0.05 0.05
0.00 0.00
0 10 20 30 40
Mg (%)
El histograma muestra , la frecuencia de las leyes de magnesio pero ahora sin los datos
aberrantes ni los duplicados ( distancia considerada de 1 mt),en base a esto se ve que el mínimo
ahora es un valor positivo, lo cual esta bien y el máximo es un valor que esta dentro del rango que
se considero apropiado, en cuanto a la media se puede decir que esta no varia mayormente ya
que la cantidad de datos es muy grande pero se ve que en el caso del histograma sin aberrantes la
media se incremente esto debido a la eliminación de por ejemplo leyes negativas, en cuanto a la
desviaciónestándar se reduce debido a que el error disminuye al eliminar los datos atípicos.
Se realizo también un Base Map que muestra la distribución espacial de las leyes de magnesioen el
espacio, donde se ve una predominancia de estas en el extremo inferior casi al llegar a los 200
mts.
33
X (m)
0 100 200
Mg (%)
200 200
Y (m)
Y (m)
100 100
0 0
0 100 200
X (m)
Estudio Variografico.
34
El mapa mostrado anteriormente consiste en un mapa variográfico con paso de 20 mt, el número
de pasos es de 10, la tolerancia angular es de 10º y la tolerancia de paso es de 1 paso (20 mt). Se
detecta una anisotropía geométrica. La orientación del eje mayor es dirección N310 E y el eje
menor en N40 E. En base a esto se calcula es variograma experimental.
Distance (m)
0 50 100 150 200
500 500
Variogram : Mg (%)
Variogram : Mg (%)
400 400
N40
300 300
200 200
N310
100 100
0 0
0 50 100 150 200
Distance (m)
500 500
Variogram : Mg (%)
Variogram : Mg (%)
400 400
N40
300 300
200 200
N310
100 100
0 0
0 50 100 150 200
Distance (m)
35
Donde se aprecia que el semieje de menor variabilidad alcanza su meseta en un alcance de 25 mts
aproximadamente, esta meseta es de aproximadamente de 40, en tanto el semi eje mayor no
presenta una meseta clara.
Variograma anidado:
25*efecto pepita + 42*esférico (35,50) + 400*gaussiana (∞,220)
La tabla entregada por isatis: “Resultados de la estimación”, se aprecia un Z/Z* =1.0041, que es la
pendiente de regresión entre los valores reales y estimados, muy cercano a 1, lo cual indica una
buena estimación.
Validación cruzada
Base Map donde se muestra la elipse de anisotropía representando la vecindad móvil del plan de
kriging para las leyes Mg.
Con respecto al tamaño de las vecindades, es necesario señalar que se considero un semi eje
mayor de 60 mts y un semi eje menor de 30 mts, la cual es una vecindad mas pequeña que la
mostrada en la figura, esto ya que es una vecindad lo suficientemente grande como para albergar
la cantidad de datos necesarios para la estimación, pero a la vez no excesivamente grande para
que los valores muestreados se encuentren dentro de un rango admisible y conserven relación
espacial con el bloque a estimar.
X (m)
0 100 200
200 200
Y (m)
Y (m)
100 100
1.98
0.73
4.11
7.11
10.80
17.38
4.10
11.89
8.94
9.004.19
5.71
1.93
7.08
5.13
-0.06
0 0
0 100 200
X (m)
Gráfico 27: Vecindad móvil con una elipse para el variograma del Mg
36
La tabla entregada por isatis: “Resultados de la estimación”, se aprecia un Z/Z* =1.0041, que es la
pendiente de regresión entre los valores reales y estimados, muy cercano a 1, lo cual indica una
buena estimación.
Fig1:BaseMap: si comparamos este con el original con el entregado por la validación cruzada se
puede decir que la proporción de la leyes en el extremo de los 200 mts es predominante como se
distingue también en el base map original y en general estos son bastantes similares, es decir que
la ubicación de las leyes no cambio mucho desde la original a la entregada por la validación
cruzada.
fig2: Nube de regresión entre valores estimados y valores reales, en este caso tenemos un rho de
0.869 lo que implica que un 87% aproximadamente de los valores fueron estimados
correctamente.
Fig3: Histograma de los erros, en este se ve que la media es muy pequeña y la desviación estándar
es cercana a 1, esto nos indica que esta bien calculado ya que los errores son pequeños, lo que
cumple con la condición de insesgodelkriging.
Fig4: Nube correlación de los valores estimados con respecto al error estandarizado, esta debe ser
poco dispersa en torno a la línea horizontal con una pendiente cercana a 0, se ve que en este
caso se ve que la pendiente es cercana a 0 (-0,038), lo cual es aceptable.
37
X (m)
0 100 200
Z* : Mg (%) (Estimates)
200 200 0 10 20 30 40
rho = 0.869
40 40
Y (m)
Y (m)
100 100
20 20
10 10
0 0 0 0
0 100 200 0 10 20 30 40
X (m) Z* : Mg (%) (Estimates)
(Z*-Z)/S*
(Z*-Z)/S*
0 0
-1 -1
0.05 0.05
-2 -2
-3 -3
0.00 0.00
-3 -2 -1 0 1 2 3 0 10 20 30 40
(Z*-Z)/S* Z* : Mg (%) (Estimates)
Figura 8: Figura representativa de los gráficos otorgados por la validación cruzada para el Mg
Kriging
Como los valores de la validación cruzada nos dicen que nuestro plan de kriging es valido, por lo
mencionado en los gráficos expuesto anteriormente.
En base a esto se tiene el siguiente Base Map de los datos estimados por el kriging, donde se
muestran las zonas donde es posible encontrar leyes altas de Mg (color rojo) y cuales no (color
azul).
38
X (m)
0 50 100 150
200 200
Krg Ord Mg
150 150
Y (m)
Y (m)
100 100
50 50
0 0
0 50 100 150
X (m)
Figura 9: base map de las leyes de Mg donde el rojo es harta ley y azul es poca ley
Krg Ord Mg
0 10 20 30 40
Nb Samples: 582
0.125 Minimum: 0.503364 0.125
Maximum: 38.3592
Mean: 16.7802
Std. Dev.: 9.84424
0.100 0.100
Frequencies
Frequencies
0.075 0.075
0.050 0.050
0.025 0.025
0.000 0.000
0 10 20 30 40
Krg Ord Mg
Gráfico 28: Histograma de valores estimados por el Kriging ordinario sobre las leyes de Mg
El histograma nos muestra los valores estimados por kriging ordinario sobre las leyes de Mg,
donde se muestra un número de 582 muestras, que corresponde a los bloques delimitados por la
grilla. Se aprecia que la media permanece prácticamente invariante en cambio la desviación
estándar muestra una disminución desde 10,83 a 9,844 esto nos dice que hay una atenuación de
los valores extremos que es propio del kriging, lo que se puede visualizar también en el caso del
39
valor máximo que disminuye considerablemente en relación al original, en relación al mínimo,
este aumenta, lo que también es esperado debido a la misma razón anterior.
40
Cálculo de recursos
Para la confección de los gráficos 29, 30 y 31 y de las Tablas 1,3 y 4,se utilizaron los siguientes
parámetros:
Bloques de 7 metros de alto, ancho y largo (cubos), que en total generan un volumen de
bloque de 343 [m3].
Una densidad de roca de 2.5 toneladas por metro cubico[ ] lo que genera un bloque de
857.5 toneladas.
500,00 2,50
400,00 2,00
Título del eje
100,00 0,50
0,00 0,00
41
Intervalos Criterio Tonelaje [Kton] Finos [ton] Ley Media [%]
0 >=0 499.07 7184.74 1.44
0.001 >=0.001 499.07 7184.74 1.44
0.2 >=0.2 499.07 7184.74 1.44
0.4 >=0.4 445.90 7001.23 1.57
0.6 >=0.6 400.45 6787.71 1.70
0.8 >=0.8 379.87 6645.37 1.75
1 >=1 358.44 6452.86 1.80
1.2 >=1.2 330.14 6144.42 1.86
1.4 >=1.4 288.12 5597.59 1.94
1.6 >=1.6 218.66 4556.50 2.08
1.8 >=1.8 159.50 3550.74 2.23
2 >=2 115.76 2719.13 2.35
2.2 >=2.2 78.89 1949.10 2.47
2.4 >=2.4 42.88 1119.04 2.61
2.6 >=2.6 17.15 482.00 2.81
Tabla 1: Tabla con detalle de datos para el cálculo de la curva tonelaje ley para el Ni
Se decide optar por una ley de corte de Ni del 0,8[%] del gráfico 29. La estimación de los recursos
totales se aprecia en la Tabla 2.
Para los otros indicadores los datos efectivamente cambian, tenemos una ley media de Ni de 1.75
[%] con 6650 toneladas de finos.
1
http://www.indexmundi.com/es/precios-de-mercado/?mercancia=niquel precio del Ni actualizado a
octubre del 2012.
42
SiO2: Curva de tonelaje ley y sus respectivas tablas
Para el análisis del gráfico 29, se agrega un pequeño intervalo entre 0 y 0.001 a la tabla 3 para
establecer una diferencia entre los bloques sin material de interés (estéril) y los bloques con una
concentración mínima de éste (Concentración de SiO2). Esto es para verificar que las estimaciones
no se realizaron en zonas extra-yacimiento. Como la diferencia entre estos intervalos es
prácticamente nula, se concluye que no se estimó en sectores innecesarios.
En este caso, se observa una pequeña diferencia entre el intervalo 0 absoluto y el 0.001, esto
implica que se consideró en el estudio y en la estimación, una pequeña cantidad de bloques
extras, es decir, bloques que en realidad no forman parte del yacimiento, y que por consiguiente
tiene ley 0[%] estricta.
500,00 50,00
400,00 40,00
Título del eje
100,00 10,00
0,00 0,00
43
Intervalos Criterio Tonelaje [kton] Finos [kton] Ley Media [%]
0 >=0 499.07 195.15 39.10
0.001 >=0.001 498.21 195.15 39.10
3 >=3 497.35 195.15 39.10
6 >=6 473.34 193.94 40.82
9 >=9 450.19 192.34 42.48
12 >=12 440.76 191.42 43.09
15 >=15 433.04 190.36 43.61
18 >=18 428.75 189.67 43.89
21 >=21 424.46 189.01 44.09
24 >=24 419.32 187.84 44.34
27 >=27 414.17 186.76 44.54
30 >=30 409.03 185.54 44.71
33 >=33 403.88 183.90 44.87
36 >=36 397.88 182.09 44.99
39 >=39 383.30 176.95 45.25
42 >=42 316.42 149.23 46.16
45 >=45 186.94 91.39 48.01
48 >=48 79.75 40.62 50.39
51 >=51 25.73 13.49 52.43
Tabla 3: Tabla con detalle de datos para el cálculo de la curva tonelaje ley para el SiO2
Para este caso, no se realizó análisis pertinente a la cantidad de SiO2 a extraer, debido a que este
elemento no se considera como mineral económicamente rentable. Para efectos prácticos, el SiO2
se considera como estéril o ganga, ya que no es valiosamente económico.
44
Mg: Curva de tonelaje ley y sus respectivas tablas
Para el análisis del gráfico 31, se agrega un pequeño intervalo entre 0 y 0.001 a la tabla 4para
establecer una diferencia entre los bloques sin material de interés (estéril) y los bloques con una
concentración mínima de éste (Concentración de Mg). Esto es para verificar que las estimaciones
no se realizaron en zonas extra-yacimiento. Como la diferencia entre estos intervalos es
prácticamente nula, se concluye que no se estimó en sectores innecesarios.
25,00
300,00 20,00
Tonelaje [Kton]
15,00
200,00 Ley Media [%]
10,00
100,00
5,00
0,00 0,00
0
4
8
12
16
20
24
28
32
36
0,001
45
Finos
Intervalos Criterio Tonelaje [Kton] [Kton] Ley Media
0 >=0 499.07 83.74 16.78
0.001 >=0.001 499.07 83.74 16.78
4 >=4 429.61 82.92 19.30
8 >=8 397.02 80.84 20.36
12 >=12 343.86 75.34 21.91
16 >=16 260.68 63.61 24.40
20 >=20 181.79 49.48 27.22
24 >=24 118.34 35.62 30.10
28 >=28 75.46 24.59 32.59
32 >=32 43.73 15.13 34.61
36 >=36 13.72 5.07 36.99
Tabla 4: Tabla con detalle de datos para el cálculo de la curva tonelaje ley para el Mg
En el gráfico 31, se aprecia un aumento casi lineal de la curva de ley a medida que ascendemos en
la ley de corte.
Los recursos totales a una ley de corte de 0[%] de Mg, es decir, recursos en bruto, corresponden a
499,07 [Kton] de Mg los cuales corresponden a 83,74 [Kton] de finos de Mg con una ley media de
16,78[%] de Mg.
46
Conclusión
Además el uso del software Isatis, permite tener una visión mucho más amplia y acabada acerca
de las características del yacimiento, que no tienen programas más simples, como Excel (utilizados
en en el proyecto 1), el cual no considera la relaciones espacial de las variables.
Esta herramientas, como los son los mapas variográficos, que hacen notorias las anisotropías del
terreno; las nubes de correlación diferida, que aportan información más concluyente para la
detección de datos aberrante; y las herramientas de detección de datos duplicados ayudan a que
el proceso de estimación sea más certero y en definitiva a tomar mejores decisiones con respecto
a la realización y desarrollo proyecto minero.
47
Bibliografía
-Emery, Xavier; Guía y Manual ISATIS, Semestre Primavera 2012, U-cursos, Material Docente.
48
Anexos
Anexo 1
49