1.

INTRODUCCION
La industria minera a través de los años ha ido utilizando diferentes
lenguajes de programación para sus distintas actividades como, por
ejemplo: estimación de recursos, manejo de bases de datos, formulación
de planes mineros etc. Como se sabe en minería a tajo abierto se
realizan estudios de una secuencia optima de extracción de bloques
según su tamaño y disposición en el espacio. En base a esto, este
trabajo pretende: crear un código que analice la sensibilidad de la curva
cut off respecto a tonelaje, ley media, recuperación de material, cantidad
de material y su costo en el mercado. La planificación minera define el
negocio minero, a través de la definición de las reservas extraíbles, vida
de la mina y la capacidad de producción, cada uno de estos se sustenta
en estimaciones y cálculos realizados con diferentes metodologías
contenidas en los softwares. Se realizará una codificación para lograr la
creación de datos aleatorios para hallar las variables regionalizadas que
serán de la realización de una función aleatoria. Con esto, se pretende
mostrar el rendimiento del software utilizado y la eficiencia de la
codificación realizada.
Las herramientas utilizadas serán: Sublime Text 3, Python, IBM SPSS
20 y Microsoft Excel 2016. Finalmente indicamos que el presente trabajo
fue realizado en las instalaciones de la Universidad Nacional de
Ingeniería con la teoría otorgada en clases por los ingenieros.
1.1 Objetivos

El objetivo general de este trabajo de esta monografía es el análisis

de la sensibilidad en la curva cut off respecto a diferentes
parámetros los cuales son: tonelaje, ley media, recuperación de
material, cantidad de material y su costo en la actualidad para
bloques con dimensiones 10 x 10 x 10.

Objetivos Específicos

 Realización de algoritmos para la creación de datos aleatorios.

 Descripción del proceso del código para la ejecución del programa
 Cálculo de los estadísticos descriptivos.
 Realizar el histograma de la distribución normal y lognormal de los
datos pertinentes.
2. Marco Teórico
2.1 Distribución normal

Usualmente denominada distribución de Gauss. La distribución

normal es la distribución límite de una amplia gama de sucesiones
de variables aleatorias independientes La importancia de esta
distribución radica en varias razones: en primer lugar, como se verá
posteriormente a través del teorema del límite central. En segundo
lugar, la gran mayoría de las variables aleatorias que se estudian en
experimentos físicos son aproximadas por una distribución normal.
En tercer lugar, se ha observado que los errores aleatorios en los
resultados de medida se distribuyen, de forma general, según una
distribución normal. Finalmente, hay que destacar el carácter
reproductivo de sus parámetros que facilita el manejo de este tipo de
distribuciones. Se dice que una variable X sigue una distribución
normal si su función de densidad es:
2
− ( x− μ)
1 2σ
2

f ( x )= e −∞ ≤ x ≤+∞
√2 π σ

La distribución está caracterizada por los parámetros μ y σ, cuyo

significado se trata más adelante, siendo σ necesariamente positivo.
Se hace referencia a esta distribución como N (μ, σ).

Su representación gráfica viene dada por la siguiente figura.

2.2 Distribución Log normal

Dada una variable aleatoria X N (μ, σ), se dice que la

variable aleatoria Y =e x sigue una distribución log normal. La función
de densidad de dicha distribución es:

−1 2
(ln ( y ) −μ )
1 2σ
2

f ( y )= e , y >0
yσ √2 π

2 2
σ σ
Se tiene que E [ Y ] =e μ + 2 y V [ Y ] =e 2 μ+ 2 ( e σ −1 ) 2

Se puede resaltar que la distribución normal original se ha convertido

ahora en un parámetro de escala coincidente con la media. La
dispersión a es también un parámetro de forma según se puede ver
en la figura, donde aparece la función densidad de probabilidad de la
distribución lognormal para distintos valores de σ (0,4; 0,6; 1,0 y 1,4).
 Para valores medios y altos de σ, la distribución lognormal es
significativamente asimétrica, pero a medida que a decrecer la
distribución es más simétrica. Si σ se acerca a la unidad, la
distribución lognormal es equivalente aproximadamente a la
distribución exponencial negativa. También se puede observar que
para valores de σ < 0,2 la distribución lognormal se aproxima a la
distribución normal.

2.3 Teorema de Limite Central

La práctica de estudiar fenómenos aleatorios muestra que, aunque
los resultados de las observaciones individuales, incluso los
realizados en las mismas condiciones, pueden diferir mucho, al
mismo tiempo, los resultados promedio para un número
suficientemente grande de observaciones son estables y solo
dependen débilmente de los resultados de las observaciones
individuales. La base teórica de esta propiedad notable de los
fenómenos aleatorios es la ley de los grandes números. El
significado general de la ley de grandes números: la acción conjunta
de un gran número de factores aleatorios conduce a un resultado
que es casi independiente del caso.

El teorema de Lyapunov explica la amplia distribución de la ley de

distribución normal y explica el mecanismo de su formación. El
teorema nos permite afirmar que siempre que se forma una variable
aleatoria como resultado de la adición de un gran número de
variables aleatorias independientes cuyas dispersiones son
pequeñas en comparación con la varianza de la suma, la ley de
distribución de esta variable aleatoria resulta ser una ley
prácticamente normal. Y como las variables aleatorias siempre son
generadas por un número infinito de causas y la mayoría de ellas
ninguna tiene una dispersión comparable a la dispersión de la
variable aleatoria en sí misma, la mayoría de las variables aleatorias
encontradas en la práctica están sujetas a la ley de distribución
normal.

Por lo tanto, la distribución normal es la distribución más común de

cantidades continuas en la naturaleza. La fundamentación
matemática de este hecho es el teorema del límite central:

La suma de un gran número de variables aleatorias independientes

distribuidas arbitrariamente se distribuye de manera asintóticamente
normal, si solo los términos hacen una contribución uniformemente
pequeña a la suma.
Esto significa que cuanto más independientes sean los términos de
la suma, más se ajustará la ley a su distribución normal. En lugar de
la suma, a menudo se considera el promedio aritmético de un gran
número de variables aleatorias, se diferencia de la suma solo por un
factor (1 / n), por lo que su distribución también tiende a ser normal
con un aumento en el número n de valores sumables. Dado que las
variables aleatorias que encontramos, por ejemplo, en las

Si Xi es valores aleatorios independientes

con 2 y μ- finitos, entonces

Teorema del límite central

mediciones, son el resultado de una multitud de factores

independientes, está claro por qué los valores medidos, en general,
se distribuyen normalmente.

 Cabe señalar que el teorema del límite central es válido no solo

para las variables continuas, sino también para las discretas
aleatorias. El significado práctico del teorema de Lyapunov es
enorme. La experiencia muestra que la ley de distribución de la
suma de variables aleatorias independientes, comparables en su
dispersión, se aproxima rápidamente a la normalidad. Incluso con
el número de términos del orden de diez, la distribución de la
suma puede reemplazarse por la normal. Pero en promedio, con
 un supuesto aproximado, la distribución se considera normal para
n≥30.

 La ley de los grandes números es la base de varios tipos de

seguros (seguros de vida para todos los períodos posibles de
tiempo, propiedad, ganado, cultivos, etc.).

 Al planificar una gama de bienes de consumo, se tiene en cuenta

la demanda de los mismos. En esta demanda se manifiesta la
acción de la ley de grandes números.

 El método de muestreo ampliamente utilizado en las estadísticas

encuentra su fundamentación científica en la ley de grandes
números. Por ejemplo, la calidad del trigo traído de una granja
colectiva a una estación de cosecha se juzga por la calidad de los
granos capturados al azar en pequeña medida. Hay poco grano
en la medida en comparación con todo el lote pero en cualquier
caso, la medida se elige de modo que el grano sea suficiente para
mostrar la ley de los grandes números con una precisión que
satisfaga la necesidad. Tenemos el derecho de tomar para los
indicadores de escombros, humedad y peso promedio de granos
de todo el lote de indicadores correspondientes de granos
entrantes en la muestra.

2.4 Cut- Off

El contenido a bordo (cut off grate - contenido de "corte") es el contenido
mínimo de un componente (o la suma de componentes valiosos en
términos de un componente condicional), al cual el volumen elemental de
recursos se puede asignar al contorno de las reservas industriales.
 El uso de estos indicadores es especialmente importante para las
formaciones de vena-vena, stockworks y depósitos tipo stock. El modelado
de bloques en tales objetos se lleva a cabo tanto en marcos creados en
base a intervalos de mineral, seleccionados de acuerdo con las condiciones
establecidas, como en marcos construidos en un tablero "natural". El
concepto de cut off se refiere a la muestra marginal incluida en el intervalo
de mineral. En el modelado de bloques, se consideran los contenidos en
bloques elementales. El contenido del límite en una celda cuando se
 contornean las reservas generalmente se denota con el término " cut-off-
grade ". Las muestras y los bloques elementales se caracterizan por
diferentes tamaños, lo que predetermina la diferencia de los parámetros
de las distribuciones estadísticas sobre ellos, incluidos los índices de
dispersión e asimetría; El contenido promedio de ellos dentro del mismo
marco puede ser casi igual. La separación de estos agregados estadísticos
en partes de mineral y árido por el mismo valor del contenido límite en
muestras (aerotransportadas) y celdas (ley de corte) conduce a un sesgo
(diferencia) sistemático en la evaluación de las leyes promedio en mineral
para los modelos de conteo tradicional y bloques. La magnitud del sesgo
en las mismas condiciones iniciales dependerá de las características
naturales del objeto, el tipo de modelo geoestadístico, sus parámetros, el
nivel del límite a bordo, las condiciones para seleccionar la "zona
mineralizada / mineralizada" o el volumen estimado, la densidad de la red
de exploración y un número de otros factores. En general, el uso del
mismo límite para bloques y muestras elementales en las condiciones de
los depósitos "libres" siempre conduce a un error sistemático en la
evaluación de los contenidos. Eliminar o tener en cuenta este sesgo es
posible de las siguientes maneras:
  • usar un valor de grado de corte que difiere del grado de corte (es decir,
usar un grado marginal diferente);
• Construcción de los contornos de las carcasas (esqueletos) para
diferentes variantes de contenido a bordo;
  • utilizando procedimientos que transforman la distribución de
contenidos en bloques elementales, en particular, procedimientos de
kriging no lineales.

3. METODOLOGIA
En el siguiente trabajo se utilizarán las siguientes metodologías:

3.1 Codificación de cada uno de los procesos para poder llegar a la

realización de las respuestas requeridas.
A. Creación de las variables regionalizadas
Para la creación de las variables, tenemos que asegurarnos
que estos cumplan una distribución normal, por lo tanto para
2 2

esto tenemos que usar la relación µ2x =℮2 α + β ; σ 2x =µ2x (℮ β −1).

Ya que esta relación nos asegura que no existirá anomalías en la
distribución.

Se procede a aplicar la teoría de limite central, para poder hallar

los valores que serán representadas como las leyes, entonces:

∑ r i− K2
(√ )
i=1

K
12
=
X−μ y
σy

1
E [r 1 +r 2 +r 3 +…+ r n ]=k-
2

k
V ar [ r 1+ r 2+ r 3 +…+r n ]=
12

k
σ=
√ 12 Esto es para estimar
solamente una ley.
K

∑ r i− K2
y=α + β
(√ )
i=1

K
12
; x =e y

Estas fórmulas gobernaran los cálculos que se realizan en

Excel, para lo cual iniciaremos los cálculos teniendo en cuenta
la media ( μ x =¿3.5) y desviación estándar (σ x =¿1.95)de una
base de datos real, lo cual a partir de estos nos permitirá
simular las leyes de esa mina.
 En la columna y, ingresamos la formula mencionada, y en las
columnas donde están las r, son los números aleatorios, y de
estos se suma como indica la formula.

En el cuadro de arriba, se puede observar que de los valores

obtenidos se les hace análisis estadístico descriptivo para
asegurarnos que cumplan los valores de media y desviación
dados.

B. Lenguaje de Programación
En la minería, se trabajan muchos datos provenientes de los
taladros de perforación DDH, por eso los creadores de
software de minería tratan de encontrar una codificación de un
lenguaje de programación capaz de procesar miles datos en
unos cuantos segundos.
Para lograr nuestro objetivo principal se necesitó codificar
sentencias en el lenguaje de programación Python que es un
lenguaje estructurado dirigido a objetos, esta características
hace que Python sea más versátil comparado con los otros
lenguajes de programación.
En la codificación de código de programación, se usó el
software Sublime text 3 que es un editor de texto y editor de
códigos fuentes, está escrito en C++y Python para los plugins.
Desarrollado inicialmente como una extensión de Vim, con el
tiempo fue creando una identidad propia, sin embargo no es un
software libre o de código abierto y se debe tener una licencia.
Actualmente se encuentra en la versión número 3.
Los códigos de programación desarrolladas para obtener un
resultado simplificado para su posterior análisis, son las
siguientes:
3.2 Estudio estadístico y descriptivo de la media y desviación
estándar para las diferentes distribuciones de las leyes de los
bloques con diferentes medidas.
En los estudios estadísticos de miles de valores, se necesitó un
software que tenga la facilidad de procesar esos datos, el software
Excel puede procesar esos datos, pero no de una manera eficaz y
rápida, por eso se trabajó con el software SPSS 22 de la empresa
IBM.
SPSS un programa estadístico informático muy usado en las
ciencias sociales y aplicadas, además de las empresas de
investigación de mercado. El nombre originario correspondía al
acrónimo de Statistical Package for the Social Sciences (SPSS). Es
uno de los programas estadísticos más conocidos teniendo en
cuenta su capacidad para trabajar con grandes bases de datos y una
sencilla interfaz para la mayoría de los análisis. En la versión 12 de
SPSS se podían realizar análisis con dos millones de registros y
250.000 variables.

3.3 Experimento de Sensibilidad, cuyo objetivo es determinar la

sensibilidad de las soluciones de obtención del cut off respecto a los
otros parámetros.
Las gráficas en un análisis de resultado son muy importantes, ya que
nos proporciona un panorama de como suceden las cosas
representadas en una curva. Para el análisis de resultados se utilizó
la librería MATPLOTLIB de Python. Esta librería es capaz de graficar
los resultados teniendo una variable de entrada y por supuesto a
través de una función sacar un resultado graficándolo en una
ventana que se crea y comparar con las otras graficas que se
obtienen al evaluar el código con diferentes medidas de bloques.
Otra forma de analizar la sensibilidad es el resultado que nos da el
lenguaje anteriormente mostrado, en donde nos señala la cantidad
de tonelajes para un cut-off determinado, teniendo una vez los
números, se compara con los otros resultados obtenidos aplicando
 diferentes medidas de bloques, analizando las diferentes toneladas
de reservas para cada medida de bloque.

3.4 Análisis de Resultados, una vez realizado la codificación, el

paso final es resumir, finalizar el análisis de resultados
obtenidos, entregar conclusiones y sugerencias.
Una vez obtenidas las gráficas, toneladas y recuperación; podremos
determinar el LOM (life of mine) a una cantidad de tonelajes por días
tomadas de una mina real que se ajuste a nuestra cantidad de
toneladas de reserva.
A diferentes medidas de bloques y toneladas por días proyectada,
podremos determinar los requerimientos que una pala necesita para
realizar el carguío a un camión, y a la vez este camión tendrá
requerimientos dependientes al requerimiento de la pala.
Las medidas y tamaño de la pala y camión fueron basadas en la
marca KOMATSU cuyos tamaños, capacidad de llenado, capacidad
de balde son mostrados.
4. Resultados
4.1 Resultados para bloques de 10*10*10

CUT-OFF tonelaje contenido metálico total grado promedio Recuperación

0.65 259200000 19608663.2 7.565070678 100
1.15 259200000 19608663.2 7.565070678 100
1.65 259200000 19608663.2 7.565070678 100
2.15 259200000 19608663.2 7.565070678 100
2.65 259175700 19608175.08 7.565591636 99.990625
3.15 258932700 19602159.65 7.570368537 99.896875
3.65 257652900 19564371.7 7.593305451 99.403125
4.15 253932300 19436515.19 7.654211453 97.96770833
4.65 246715200 19153439.32 7.763380334 95.18333333
5.15 234570600 18616844.08 7.936563271 90.49791667
5.65 218122200 17808581.82 8.164497617 84.15208333
6.15 198096300 16725798.35 8.443266404 76.42604167
6.65 175716000 15404755.62 8.766848565 67.79166667
7.15 152874000 13942421.04 9.120204249 58.97916667
7.65 130844700 12422851.91 9.494348577 50.48020833
8.15 109860300 10870215.18 9.894579912 42.384375
8.65 90644400 9352843.395 10.31817012 34.97083333
9.15 73796400 7938670.063 10.75753026 28.47083333
9.65 59497200 6667152.385 11.20582546 22.95416667
10.15 47584800 5547959.858 11.65910093 18.35833333
10.65 37737900 4574085.359 12.12066744 14.559375
11.15 29710800 3739545.056 12.58648389 11.4625
11.65 23384700 3050682.142 13.04563301 9.021875
12.15 18138600 2453251.535 13.52503244 6.997916667
12.65 13956300 1956190.768 14.01654284 5.384375
13.15 10594800 1540030.89 14.53572404 4.0875
13.65 8194500 1230637.66 15.01784929 3.161458333
14.15 6309900 978384.2982 15.50554364 2.434375
14.65 4827600 772543.4156 16.00263931 1.8625
15.15 3742200 616225.808 16.46693945 1.44375
15.65 2878200 487579.2391 16.94042245 1.110416667
16.15 2197800 382880.2182 17.42106735 0.847916667
16.65 1620000 291026.1251 17.96457562 0.625
17.15 1215000 224687.3061 18.4927824 0.46875
17.65 918000 174490.8353 19.00771626 0.354166667
18.15 696600 135953.051 19.51665963 0.26875
18.65 529200 106008.1558 20.03177547 0.204166667
19.15 423900 86655.9448 20.44254418 0.163541667
19.65 334800 69873.23383 20.87014153 0.129166667
20.15 261900 55747.28067 21.28571236 0.101041667
20.65 180900 39625.75807 21.90478611 0.069791667
21.15 129600 29169.13815 22.50705104 0.05
 21.65 89100 20695.19593 23.22693146 0.034375
22.15 78300 18385.40679 23.48072386 0.030208333
22.65 56700 13647.01862 24.06881591 0.021875
23.15 43200 10630.103 24.6067199 0.016666667
23.65 29700 7547.870853 25.41370657 0.011458333
24.15 27000 6913.876984 25.60695179 0.010416667
24.65 24300 6272.929764 25.81452578 0.009375
25.15 18900 4965.658269 26.27332418 0.007291667
25.65 16200 4295.415368 26.51490968 0.00625
26.15 10800 2920.735983 27.0438517 0.004166667
26.65 8100 2222.598471 27.43948729 0.003125
27.15 5400 1505.917335 27.88735805 0.002083333
27.65 5400 1505.917335 27.88735805 0.002083333
28.15 5400 1505.917335 27.88735805 0.002083333

CUT-OFF V/S TONELAJE

CUT-OFF V/S GRADO MEDIO

CUT – OFF V/S RECUPERACION

4.2 Resultados para bloques de 20*20*20

grado
CUT-OFF tonelaje contenido metalico total promedio Recuperacion
0.65 259200000 19608663.2 7.565070678 100
1.15 259200000 19608663.2 7.565070678 100
1.65 259200000 19608663.2 7.565070678 100
2.15 259200000 19608663.2 7.565070678 100
2.65 259200000 19608663.2 7.565070678 100
3.15 259200000 19608663.2 7.565070678 100
3.65 259200000 19608663.2 7.565070678 100
4.15 259200000 19608663.2 7.565070678 100
4.65 259200000 19608663.2 7.565070678 100
5.15 259200000 19608663.2 7.565070678 100
5.65 259027200 19599959.27 7.566757184 99.93333333
6.15 257752800 19529902.45 7.576989444 99.44166667
6.65 248205600 18962792.29 7.639953445 95.75833333
7.15 220471200 17180389.47 7.792577655 85.05833333
7.65 170661600 13736160.44 8.048770458 65.84166667
8.15 114307200 9565784.374 8.368488051 44.1
8.65 62553600 5481428.467 8.762770595 24.13333333
9.15 30002400 2755244.479 9.183413589 11.575
9.65 12139200 1171144.648 9.647626269 4.683333333
10.15 4665600 471344.4354 10.10254706 1.8
 10.65 1728000 181725.8976 10.516545 0.666666667
11.15 410400 45291.78968 11.03601113 0.158333333
11.65 86400 10246.18521 11.85901066 0.033333333
12.15 21600 2802.869033 12.97624553 0.008333333
12.65 21600 2802.869033 12.97624553 0.008333333
13.15 21600 2802.869033 12.97624553 0.008333333

CUT –OFF V/S TONELAJE

 CUT-OFF V/S GRADO MEDIO

CUT – OFF V/S RECUPERACION

4.3 Resultados para bloques de 50*50*50

 contenido metalico
CUT-OFF tonelaje total grado promedio Recuperacion
0.65 259200000 19608663.2 7.565070678 100
1.15 259200000 19608663.2 7.565070678 100
1.65 259200000 19608663.2 7.565070678 100
2.15 259200000 19608663.2 7.565070678 100
2.65 259200000 19608663.2 7.565070678 100
3.15 259200000 19608663.2 7.565070678 100
3.65 259200000 19608663.2 7.565070678 100
4.15 259200000 19608663.2 7.565070678 100
4.65 259200000 19608663.2 7.565070678 100
5.15 259200000 19608663.2 7.565070678 100
5.65 259200000 19608663.2 7.565070678 100
6.15 259200000 19608663.2 7.565070678 100
6.65 259200000 19608663.2 7.565070678 100
7.15 259200000 19608663.2 7.565070678 100
7.65 249412500 18916850.59 7.584563963 96.22395833
8.15 92475000 7215842.057 7.803019257 35.67708333
8.65 2700000 222777.5562 8.251020599 1.041666667

CUT –OFF V/S TONELAJE

 CUT-OFF V/S GRADO MEDIO

CUT-
OFF V/S

RECUPERACION
4.4 Comparación de curva del CUT-OFF V/S CARACTERISTICAS a
diferentes toneladas

CUT-OFF V/S TONELAJE

300000000 tonelaje 10 tonelaje 20 tonelaje 50

250000000

200000000

150000000

100000000

50000000

0
0 5 10 15 20 25 30

CUT-OFF V/S GRADO PROMEDIO

grado promedio 10 grado promedio 20 grado promedio 50
30

25

20

15

10

0
0 5 10 15 20 25 30
Las graficas de arriba son de tamaño 10
Las graficas de arriba son de 20
Lasgraficas de arriba son de 50

Esta grafica es de las media de x( x=e y ¿ , para los tamaños de

bloques de 10,20 y 50.
5. ANALISIS DE RESULTADOS

5.1 ANALISIS DE SENSIBILIDAD

El análisis de sensibiliad es un procedimiento que evalua
individualmente el efecto que tienen ciertos factores o variables que son
fuentes de incertidumbres en proyectos.
Este análisis se realiza modificando una variable minetras las otrasse
mantienen constantes y ver los efectos producidos en el proyecto con la
variable que se modificó.
El análisis de sensibilidad nos indica cuál de las variables (económicas o
metalúrgicas) tiene un mayor impacto en la evaluación final del proyecto.
Para poder interpretar este ejemplo con nuestros datos, ponemos la
siguiente tabla.
5.2
5.3
5.4
5.5
5.6
5.7
5.8

Este ejemplo nos indica, que yo invierto 100000 dolares y tengo unas
ventas y gastos (variables y fijos), los cuales los fijos controlo, pero los
variables no controlo. Entonces lo que me permite analizar el análisis de
sensibilidad en este ejemplo, es cual es mi mejor opción opción a
diferentes casos ( casos de ventas y casos de gastos variables).
Entonces en nuestro caso, analizamos no los gastos si no la influencia de
diferentes tamaños en la curva de tonelaja vs cut off. Esto se refleja en que
si el bloque es mas grande, a pequeñas variaciones la perdida es aun
mayor.

5.2) PENDIENTES DE LAS GRAFICAS

Para analizar la pendiente de la gráfica se tuvo que escoger dos

valores de las gráficas con sus respectivas variaciones de cut-off y
se obtuvo los siguientes resultados.

 Bloques de 10*10*10
Se obtuvo que para una variación de 0.5 de cut off se reduce
20984400 toneladas de reservas.

 Bloques de 20*20*20
Se obtuvo que para una variación de 0.5 de cut off se reduce
56354400 toneladas de reservas

 Bloques de 50*50*50
Se obtuvo que para una variación de 0.5 de cut off se reduce
156937500 toneladas

Como se observa la curva que tiene mayor variación son de los

bloques de 50*50*50, los precios de los metales en el mercado
varían mucho y esto hace que nuestro cut-off sea variable.
Al momento que nuestro cut-off sube, si trabajamos con bloques de
50 vamos a perder muchas toneladas de reservas..

5.3) PALAS y CAMIONES

Si por motivos a los costos o motivos del precio cuyo valor
depende de la economía mundial, sube el cut off, nosotros
deberías ser más selectivos. Al trabajar con los bloques de mayor
dimensión, nuestra mina ya no durara el tiempo a la cual fue
proyectada.
Debemos analizar para bloques de 10*10*10m la menor medida,
acción que se toma normalmente cuando ocurren esto tipos de
situaciones.
En el catálogo KOMATSU hay diversos modelos de palas, pero la
mejor se ajusta es la pala PH 1900XPC
Como se observa, al momento de explotar bloques de 10*10
necesitamos maquinarias cuyos baldes no superen ese ancho del
bloque para evitar la dilución con bloques que son desmontes.
Esta acción de hace para no contaminar nuestro mineral, ya que
somos más selectivos.

Con respecto a al camión, se conoce que una pala debería

máximo cargar el camión con 4 cucharones, esto hace que el
requerimiento del camión sea de 80 toneladas

Para análisis de bloques de 50*50 se ha tomado una tesis como

referencia, donde se utiliza Pala -P&H 4100C y camión CAT 793F
de 240 toneladas métricas
Los tiempo de carguío, espera y cuadre fueron producto de 650
datos compilados.