TESIS RecMin-SGeMS

UNIVERSIDAD DE ORIENTE
NÚCLEO DE BOLÍVAR
ESCUELA DE CIENCIAS DE LA TIERRA
DEPARTAMENTO DE INGENIERÍA DE MINAS
DISEÑO GEOMÉTRICO DEL PIT MEDIANTE LA

APLICACIÓN DE LOS SOFTWARE LIBRES RECMIN-SGEMS
DEL YACIMIENTO CERRO SAN ISIDRO UBICADO EN EL
CUADRILÁTERO FERRÍFERO SAN ISIDRO MUNICIPIO
BOLIVARIANO ANGOSTURA, ESTADO BOLÍVAR
TRABAJO FINAL DE
GRADO PRESENTADO
POR EL BACHILLER
ALEJANDRO JESÚS
LÓPEZ G. PARA
OPTAR AL TÍTULO
DE INGENIERO DE
MINAS
CIUDAD BOLÍVAR, MARZO 2017

UNIVERSIDAD DE ORIENTE
NÚCLEO DE BOLÍVAR
ESCUELA DE CIENCIAS DE LA TIERRA
ACTA DE APROBACIÓN
Este Trabajo de Grado, titulado DISEÑO GEOMÉTRICO DEL PIT
MEDIANTE LA APLICACIÓN DE LOS SOFTWARE LIBRES RECMIN-
SGEMS DEL YACIMIENTO CERRO SAN ISIDRO UBICADO EN EL
CUADRILÁTERO FERRÍFERO SAN ISIDRO, MUNICIPIO
BOLIVARIANO ANGOSTURA, ESTADO BOLÍVAR, presentado por el
bachiller Alejandro J. López G., C.I.Nº 20.772.245 ha sido APROBADO por el
jurado integrado por los profesores de acuerdo a los reglamentos de la Universidad
de Oriente:
Nombre y Apellido del Prof.: Firma:
María Rojas
(Asesor)
(Jurado)
(Jurado)
Prof. Víctor González Prof. Francisco Monteverde

Jefe del Departamento de Minas Director de Escuela
En Ciudad Bolívar a los 29 días del mes de marzo de 2017.
ii
DEDICATORIA
Este logro se lo dedico primeramente a Dios por ayudarme, guiarme y darme

la sabiduría necesaria para ser quien soy hoy. A mis padres Nelusco López y Dulce
Guevara por ser los pilares fundamentales que Dios colocó en mi vida para lograr lo
que hasta hoy he podido, con su amor y comprensión, aun en los momentos más
difíciles.
A mis hermanos, Gregori, Dulmariz, Ventura, Nelson, Melvin, Neuris por

cada día motivarme a seguir adelante sin importar las dificultades.
A mis segundos padres Octavio Castillo y Kitty Páez de Castillo, así como su
familia, por acogerme y hacerme sentir parte de ellos, dándome su apoyo y
consejos.
iii
AGRADECIMIENTOS
Primeramente a Dios por darme las fuerzas y sabiduría necesarias para

cumplir esta meta.
A mis padres, hermanos, sobrinos, tíos, primos y amigos por su apoyo y estar
a mi lado en todo momento.
A la Universidad de Oriente por permitir mi formación profesional. A mi

tutor académico, profesora María Rojas, por su orientación, dedicación y consejos.
iv
RESUMEN
La presente investigación, se fundamenta en diseñar geométricamente el pit

mediante la aplicación de los software libres RecMin-SGeMS del yacimiento Cerro
San Isidro ubicado en el Cuadrilátero Ferrífero San Isidro, Municipio Bolivariano
Angostura, Estado Bolívar. para ello se consideraron los siguientes objetivos
específicos: se adaptó la data de los sondeos geoexploratorios de acuerdo a las
exigencias del software RecMin, luego se realizó el modelamiento del yacimiento
en estudio mediante la aplicación del software, seguidamente se procedió a evaluar
estadística y geoestadísticamente por litología el yacimiento mediante la aplicación
del software SGeMS, a través de histogramas, mapas de correlación, variogramas
experimentales y teóricos, finalmente se modelo el yacimiento por Krigging
mediante la aplicación del software SGeMS, para evaluar el comportamiento de los
parámetros químicos en cada litología del yacimiento estudiado. Siguiendo una
metodología de investigación de tipo descriptivo con diseño documental y de
campo dando como resultado lo siguiente: 1306 sondeos geoexploratorios,
representados por 7 grupos litológicos, que están integrados por 6 variables
químicas. Con el modelamiento geológico se determinó un volumen de menas (CT,
FN, Y, CG y CC) obteniéndose un valor general de 187.312.696 m3, el
comportamiento estadístico y geoestadístico del yacimiento y finalmente se realizó
el diseño del pit final de explotación, obteniéndose un valor de 489.881.500
toneladas de mena, 106.415.100 toneladas de estéril, indicando una relación de
explotación estéril:mineral de 0.2172:1.
v
CONTENIDO
Página
ACTA DE APROBACIÓN ....................................................................................... ii
DEDICATORIA ........................................................................................................ iii
AGRADECIMIENTOS ............................................................................................ iv
RESUMEN .................................................................................................................. v
CONTENIDO ............................................................................................................ vi
LISTA DE FIGURAS ................................................................................................ x
INTRODUCCIÓN ..................................................................................................... 1
CAPÍTULO I .............................................................................................................. 3
SITUACIÓN A INVESTIGAR ................................................................................. 3
1.1 Planteamiento del problema ............................................................................. 3
1.2 Objetivos de la investigación ........................................................................... 5
1.2.1 Objetivo general ...................................................................................... 5
1.2.2 Objetivos específicos .............................................................................. 5
1.3 Justificación de la investigación ....................................................................... 6
1.4 Alcance de la investigación .............................................................................. 6
CAPÍTULO II ............................................................................................................ 7
GENERALIDADES ................................................................................................... 7
2.1 Ubicación geográfica del yacimiento ............................................................... 7
2.2 Características generales del área de estudio ................................................... 8
2.2.1 Geomorfología ........................................................................................ 8
2.2.2 Topografía ............................................................................................... 9
2.2.3 Vegetación .............................................................................................. 9
2.2.4 Clima y precipitación ............................................................................ 10
2.2.5 Hidrografía ............................................................................................ 10
2.2.6 Relieve .................................................................................................. 10
2.2.7 Vías de acceso y comunicación ............................................................ 11
2.3 Geología regional ........................................................................................... 11
2.4 Geología local ................................................................................................ 16
2.5 Génesis del yacimiento................................................................................... 17
2.6 Yacimiento Cerro San Isidro .......................................................................... 19
2.7 Tipos litológicos de menas de hierro presente en el Distrito Ferrifero Piar ... 20
2.7.1 Menas de alto tenor ............................................................................... 21
2.7.2 Menas de bajo tenor .............................................................................. 25
2.7.3 Estéril ...................................................................................................... 26
2.8 Influencia de la composición química de los minerales de hierro en los
procesos siderúrgicos ............................................................................................ 27
2.8.1 Sílice (SiO2) ......................................................................................... 27
2.8.2 Alúmina (Al2O3) .................................................................................. 27
2.8.3 Pérdida por calcinación (PPC) .............................................................. 27
vi
2.8.4 Fosforo (P) ............................................................................................ 28
CAPÍTULO III ......................................................................................................... 29
MARCO TEORICO ................................................................................................ 29
3.1 Antecedentes de la investigación ................................................................. 29
3.2 Generalidades de la estadística .................................................................... 30
3.2.1 Términos estadísticos básicos ............................................................... 31
3.2.2 Medidas de tendencia central o de posición ......................................... 32
3.2.3 Medida de dispersión o de variabilidad ................................................ 34
3.3 Medidas de asimetría ................................................................................... 37
3.4 Medidas de localización ............................................................................... 37
3.4.1 Cuartiles ................................................................................................ 38
3.4.2 Deciles .................................................................................................. 38
3.4.3 Percentiles ............................................................................................. 38
3.5 Distribución de probabilidad........................................................................ 38
3.5.1 Distribución normal .............................................................................. 39
3.5.2 Distribución log-normal ........................................................................ 40
3.6 Histogramas ................................................................................................. 41
3.7 Nube de dispersión o correlación ................................................................. 43
3.7.1 Fuerza, sentido y forma de la correlación ............................................. 44
3.7.2 Coeficiente de correlación (r) ............................................................... 45
3.7.3 Propiedades del coeficiente de correlación “r” ..................................... 45
3.8 Matriz de correlación ................................................................................... 50
3.9 Geoestadística .............................................................................................. 51
3.10 Variogramas ................................................................................................. 52
3.10.1 Tolerancia en los parámetros de cálculo ............................................... 54
3.10.2 Propiedades del variograma experimental ............................................ 54
3.10.3 Nube variográfica ................................................................................. 56
3.10.4 Mapa variográfico ................................................................................. 57
3.10.5 Análisis de los resultados gráficos obtenidos del variograma .............. 57
3.10.6 Comportamiento en el origen ............................................................... 59
3.11 Análisis de anisotropía ................................................................................. 60
3.12 Modelos teóricos del variograma ................................................................. 62
3.12.1 Modelo efecto pepita puro .................................................................... 63
3.12.2 Modelo lineal ........................................................................................ 63
3.12.3 Modelo esférico .................................................................................... 63
3.12.4 Modelo exponencial .............................................................................. 64
3.12.5 Modelo gaussiano ................................................................................. 64
3.12.6 Modelo parabólico ................................................................................ 64
3.13 Aplicaciones del variograma........................................................................ 64
3.14 Problemas más comunes encontrados en el cálculo del variograma ........... 65
3.15 Kriging ......................................................................................................... 66
3.15.1 Tipos de kriging .................................................................................... 68
3.16 Método de interpolación por el inverso de la distancia al cuadrado ............ 69
vii
3.17 Elementos utilizados para actualizar y visualizar la base de datos de un
yacimiento ............................................................................................................. 70
3.17.1 Sondeos Geoexploratorios .................................................................... 70
3.17.2 Secciones Verticales ............................................................................. 71
3.17.3 Modelo de bloques ................................................................................ 71
3.18 Planificación minera .................................................................................... 73
3.19 Tipos de minería .......................................................................................... 75
3.19.1 Minería a cielo abierto .......................................................................... 75
3.19.2 Minería subterránea .............................................................................. 76
3.20 Algunos métodos de minería a cielo abierto ................................................ 76
3.20.1 Método de fosa abierta (Open Pit) ........................................................ 77
3.20.2 Método de tajo abierto (Open Cut) ....................................................... 79
3.21 Optimización de pits .................................................................................... 79
3.22 Métodos de optimización de pits ................................................................. 81
3.22.1 Método de Lerchs-Grossmann .............................................................. 81
3.22.2 Método del cono flotante ...................................................................... 84
3.23 Definición del pit final ................................................................................. 88
3.24 Parámetros geotécnicos del pit..................................................................... 90
3.24.1 Ancho de rampa .................................................................................... 90
3.24.2 Ancho de berma .................................................................................... 91
3.24.3 Altura de banco ..................................................................................... 91
3.24.4 Pendiente de la rampa ........................................................................... 91
3.24.5 Angulo de talud ..................................................................................... 91
3.25 Software minero RecMin ............................................................................. 91
3.25.1 Ventajas ................................................................................................ 92
3.25.2 Desventajas ........................................................................................... 93
3.25.3 Estructura del programa ........................................................................ 93
3.25.4 Elementos y ficheros del software RecMin .......................................... 99
3.26 Software SGeMS ....................................................................................... 101
3.26.1 Características principales .................................................................. 102
3.26.2 Ventajas .............................................................................................. 102
3.26.3 Desventajas ......................................................................................... 103
3.26.4 Estructura del programa ...................................................................... 103
CAPÍTULO IV ....................................................................................................... 106
METODOLOGÍA DE TRABAJO ....................................................................... 106
4.1 Nivel de investigación .................................................................................. 106
4.2 Diseño de la investigación............................................................................ 106
4.3 Metodología de trabajo ................................................................................. 106
4.4 Descripción del Flujograma de la Metodología de Trabajo ......................... 108
4.4.1 Revisión y recopilación bibliográfica ................................................. 108
4.4.2 Aplicación del Software Minero RecMin ........................................... 108
4.4.3 Aplicación del software minero SGeMS ............................................ 114
4.4.4 Modelamiento Kriging ........................................................................ 119
viii
4.5 Diseño geométrico del pit ............................................................................ 120
CAPÍTULO V ......................................................................................................... 123
ANÁLISIS E INTERPRETACIÓN DE RESULTADOS ................................... 123
5.1 Adaptar la data de los sondeos geoexploratorios del yacimiento Cerro San
Isidro a las exigencias de los Software (RecMin-SGeMS) ................................. 123
5.2 Modelar el yacimiento Cerro San Isidro mediante la aplicación del
Software RecMin ................................................................................................. 124
5.2.1 Modelamiento geológico de las costras .............................................. 125
5.2.2 Modelamiento geológico de los finos ................................................. 126
5.2.3 Modelamiento geológico de las limonitas .......................................... 126
5.2.4 Modelamiento geológico de las cangas .............................................. 127
5.2.5 Modelamiento geológico de las cuarcitas ........................................... 128
5.3 Evaluar estadísticamente el yacimiento Cerro San Isidro mediante el uso
del Software SGeMS ........................................................................................... 128
5.3.1 Análisis de la estadística básica por litología del yacimiento Cerro
San Isidro ........................................................................................................ 128
5.3.2 Análisis de la estadística clásica por litología del yacimiento Cerro
San Isidro ........................................................................................................ 134
5.3.3 Elaboración de los mapas de correlación por litología del yacimiento
Cerro San Isidro .............................................................................................. 162
5.4 Evaluar geoestadísticamente el yacimiento Cerro San Isidro mediante el
uso del Software SGeMS .................................................................................... 214
5.4.3 Análisis de los variogramas experimentales por litología .................. 214
5.4.4 Ajuste de los modelos teóricos a los variogramas experimentales por
litología ........................................................................................................... 217
5.5 Modelar el yacimiento Cerro San Isidro por Kriging mediante la aplicación
del Software SGeMS ........................................................................................... 224
5.5.1 Modelamiento Kriging de las costras .................................................... 224
5.5.2 Modelamiento Kriging de los finos .................................................... 225
5.5.3 Modelamiento Kriging de las limonitas.............................................. 226
5.5.4 Modelamiento Kriging de las cangas.................................................. 227
5.5.5 Modelamiento Kriging de las cuarcitas .............................................. 228
5.5 Diseñar geométricamente el PIT mediante la aplicación de los software
libres RecMin-SGeMS del yacimiento Cerro San Isidro ubicado en el
Cuadrilatero Ferrifero San Isidro Municipio Angostura Estado Bolívar ............ 229
CONCLUSIONES Y RECOMENDACIONES ................................................... 231
Conclusiones ....................................................................................................... 231
Recomendaciones ................................................................................................ 234
REFERENCCIAS .................................................................................................. 235
ix
LISTA DE FIGURAS
2.1 Ubicación relativa del Área de estudio y localización de la mina San Isidro ........ 8
2.2 Mapa geológico generalizado del Escudo de Guayana. (Mendoza, 2000). ......... 13
2.3 Proceso de enriquecimiento supergénico de los yacimientos. (CVG
Ferrominera Orinoco C.A., 1991). ...................................................................... 19
3.1 Campana de Gauss representando la distribución normal (Bartolozzi 2010). ..... 40
3.2 Distribución log normal sesgada positivamente. (Bartolozzi, 2010). .................. 41
3.3 Histograma de frecuencia representando la tendencia o comportamiento.
(Bartolozzi, 2010). .............................................................................................. 43
3.4 Ejemplo de mapas de correlación de coeficiente de correlación de igual signo
que la pendiente de la ecuación (Vargas 2007)................................................... 46
3.5 Ejemplo de mapas de correlación cuando no se presenta dependencia entre las
variables (Vargas 2007). ..................................................................................... 47
3.6 Ejemplo de mapa de correlación con dependencia lineal positiva fuerte
(Vargas 2007) ...................................................................................................... 48
3.7 Ejemplo de mapa de correlación con dependencia lineal negativa fuerte
(Vargas 2007) ...................................................................................................... 48
3.8 Ejemplo de mapas de correlación con dependencia lineal fuerte positiva y
negativa (Vargas 2007) ....................................................................................... 49
3.9 Diagrama de clasificación del tipo de correlación (Vargas 2007) ...................... 50
3.10 Ejemplo de variograma mostrando su características principales: efecto
pepita, rango, meseta. .......................................................................................... 58
3.11 Comportamiento del variogramas, Parabólico, lineal, discontinuidad en el
origen (efecto pepita) y discontinuo puro. .......................................................... 60
3.12 Ejemplo (2D) de anisotropía geométrica de razon a/b y ángulo θ. Izquierda:
elipse de alcances. Derecha: variograma de las direcciones príncipales de
anisotripía. ........................................................................................................... 61
3.13 Representación de anisotropía zonal .................................................................. 62
3.14 Modelos de variogramas teóricos. (Chica, 1998)............................................... 63
3.15 Modelo de estimación que toma en cuenta la ubicación espacial de las
muestras. (Bartolozzi, 2010). .............................................................................. 69
3.16 Sección vertical del Cerro San Isidro. ................................................................ 71
3.17 Sección vertical con los valores netos de cada bloque en el método Lerchs-
Grossmann (González, 2010).............................................................................. 82
3.18 Sección después del procedimiento de método Lerchs-Grossmann
(González, 2010) ................................................................................................. 83
3.19 Contorno del tajo final óptimo del método Lerchs-Grossmann (González,
2010) ................................................................................................................... 84
3.20 Modelo económico bidimensional, método del cono flotante (Ortiz, Moyano,
& Herrera, 2003) ................................................................................................. 86
x
3.21 Primera etapa del método del cono flotante (Ortiz, Moyano, & Herrera,
2003) ................................................................................................................... 86
3.22 Segunda etapa del método del cono flotante (Ortiz, Moyano, & Herrera,
2003) ................................................................................................................... 87
3.23 Tercera etapa del método del cono flotante (Ortiz, Moyano, & Herrera,
2003) ................................................................................................................... 87
3.24 Interrelación entre bloques, método del cono flotante (Ortiz, Moyano, &
Herrera, 2003) ..................................................................................................... 88
3.25 Solución óptima, método del cono flotante (Ortiz, Moyano, & Herrera,
2003) ................................................................................................................... 88
3.26 Esquema de precedencia de bloques (Ruiz Y., 2010) ........................................ 89
3.27 Modulo de yacimientos del software minero RecMin ....................................... 95
3.28 Modulo de edición software minero RecMin..................................................... 96
3.29 Modulo de dibujos del software minero RecMin ............................................... 97
3.30 Modulo 3D del software minero RecMin .......................................................... 98
3.31 Modulo de seguridad del Software minero RecMin .......................................... 99
3.32 Interfaz del software SGeMS ........................................................................... 103
4.1 Flujograma de trabajo ........................................................................................ 107
4.2 Creación del nuevo proyecto en el Software Minero RecMin. .......................... 108
4.3 Edición del "Indice de Elementos" e importacion de topografía en el
Software Minero RecMin. ................................................................................ 109
4.4 Importación de las datas correspondientes a "Coordenadas", "Medidas de
Desviación", "Litología" y "Elementos" en el Software Minero RecMin. ....... 110
4.5 Apertura de sondeos geoexploratorios y topografía de la zona a estudiar. ........ 111
4.6 Diseño de secciones verticales ........................................................................... 111
4.7 Diseño del sólido ................................................................................................ 112
4.8 Creación de la base de datos para los bloques. .................................................. 113
4.9 Creación del modelo de bloques de acuerdo a la topografía de la zona. ........... 114
4.10 Exportación de compósitos y dimensiones de malla grid del Software
minero RecMin para ser importado en el Software minero SGeMS. ............... 115
4.11 Importación de compósitos y malla grid. ......................................................... 116
4.12 Generación de los histogramas mediante el uso del Software Minero
SGeMS. ............................................................................................................. 117
4.13 Realización de los mapas de correlación en el Software Minero SGeMS. ...... 117
4.14 Elaboración de variogramas experimentales mediante la aplicación del
Software Minero SGeMS. ................................................................................. 118
4.15 Elaboración de variogramas teóricos a partir de variogramas experimentales
mediante la aplicación del Software Minero SGeMS. ...................................... 119
4.16 Aplicación del modelamiento Kriging mediante la aplicación del Software
Minero SGeMS ................................................................................................. 120
4.17 Aplicación del método del Cono Flotante ........................................................ 121
4.18 Diseño geométrico del pit del yacimiento Cerro San Isidro. ........................... 122
xi
5.1 Sólido completo del yacimiento Cerro San Isidro en el Software Minero
RecMin. ............................................................................................................. 124
5.2 Modelo de bloques completo por litológica del Yacimiento Cerro San Isidro
en el Software Minero RecMin. ........................................................................ 125
5.3 Modelo geológico de costras, solido (izquierda) y bloques (derecha). .............. 125
5.4 Modelo geológico de finos, solido (izquierda) y bloques (derecha). ................. 126
5.5 Modelo geológico de limonitas, solido (izquierda) y bloques (derecha). .......... 127
5.6 Modelo geológico de cangas, solido (izquierda) y bloques (derecha). .............. 127
5.7 Modelo geológico de cuarcitas, solido (izquierda) y bloques (derecha). ........... 128
5.8 Histograma de la variable hierro (Fe) de las costras. ......................................... 134
5.9 Histograma de la variable sílice (SiO2) de las costras. ...................................... 135
5.10 Histograma de la variable alúmina (Al2O3) de las costras. ............................. 136
5.11 Histograma de la variable perdida por calcinación (PPC) de las costras. ........ 137
5.12 Histograma de la variable fosforo (P) de las costras. ....................................... 138
5.13 Histograma de la variable manganeso (Mn) de las costras. ............................. 139
5.14 Histograma de la variable hierro (Fe) de los finos. .......................................... 140
5.15 Histograma de la variable sílice (SiO2) de los finos. ....................................... 141
5.16 Histograma de la variable alúmina (Al2O3) de los finos................................. 142
5.17 Histograma de la variable perdida por calcinación (PPC) de los finos. ........... 143
5.18 Histograma de la variable fosforo (P) de los finos........................................... 144
5.19 Histograma de la variable manganeso (Mn) de los finos. ................................ 145
5.20 Histograma de la variable hierro (Fe) de las limonitas. ................................... 146
5.21 Histograma de la variable sílice (SiO2) de las limonitas. ................................ 147
5.22 Histograma de la variable alúmina (Al2O3) de las limonitas. ......................... 148
5.23 Histograma de la variable perdida por calcinación (PPC) de las limonitas. .... 149
5.24 Histograma de la variable fosforo (P) de las limonitas. ................................... 150
5.25 Histograma de la variable manganeso (Mn) de las limonitas. ......................... 151
5.26 Histograma de la variable hierro (Fe) de las cangas. ....................................... 151
5.27 Histograma de la variable sílice (SiO2) de las cangas. .................................... 152
5.28 Histograma de la variable alúmina (Al2O3) de las cangas. ............................. 153
5.29 Histograma de la variable perdida por calcinación (PPC) de las cangas. ........ 154
5.30 Histograma de la variable fosforo (P) de las cangas. ....................................... 155
5.31 Histograma de la variable manganeso (Mn) de las cangas. ............................. 156
5.32 Histograma de la variable hierro (Fe) de las cuarcitas. .................................... 157
5.33 Histograma de la variable sílice (SiO2) de las cuarcitas. ................................. 158
5.34 Histograma de la variable alúmina (Al2O3) de las cuarcitas. .......................... 159
5.35 Histograma de la variable perdida por calcinación (PPC) de las cuarcitas. ..... 160
5.36 Histograma de la variable fosforo (P) de las cuarcitas. .................................... 161
5.37 Histograma de la variable manganeso (Mn) de las cuarcitas. .......................... 162
5.38 Mapa de correlación de la variable hierro (Fe) vs la variable sílice
(SiO2) de la litología costras. ............................................................................ 163
5.39 Mapa de correlación de la variable hierro (Fe) vs la variable alúmina
(Al2O3) de la litología costras. ......................................................................... 163
xii
5.40 Mapa de correlación de la variable hierro (Fe) vs la variable perdida por
calcinación (PPC) de la litología costras........................................................... 164
5.41 Mapa de correlación de la variable hierro (Fe) vs la variable fosforo (P) de
la litología costras. ............................................................................................ 165
5.42 Mapa de correlación de la variable hierro (Fe) vs la variable manganeso
(Mn) de la litología costras. .............................................................................. 165
5.43 Mapa de correlación de la variable sílice (SiO2) vs la variable alúmina
(Al2O3) de la litología costras. ......................................................................... 166
5.44 Mapa de correlación de la variable sílice (SiO2) vs la variable perdida por
calcinación (PPC) de la litología costras........................................................... 167
5.45 Mapa de correlación de la variable sílice (SiO2) vs la variable fosforo (P)
de la litología costras. ....................................................................................... 167
5.46 Mapa de correlación de la variable sílice (SiO2) vs la variable manganeso
5.47 Mapa de correlación de la variable alúmina (Al2O3) vs la variable perdida
por calcinación (PPC) de la litología costras. ................................................... 169
5.48 Mapa de correlación de la variable alúmina (Al2O3) vs la variable fosforo
(P) de la litología costras................................................................................... 170
5.49 Mapa de correlación de la variable alúmina (Al2O3) vs la variable
manganeso (Mn) de la litología costras. ........................................................... 170
5.50 Mapa de correlación de la variable perdida por calcinación (PPC) vs la
variable fosforo (P) de la litología costras. ....................................................... 171
variable manganeso (Mn) de la litología costras. ............................................. 172
5.52 Mapa de correlación de la variable fosforo (P) vs la variable manganeso
5.53 Mapa de correlación de la variable hierro (Fe) vs la variable sílice (SiO2)
de la litología finos. ........................................................................................... 173
(Al2O3) de la litología finos. ............................................................................ 174
calcinación (PPC) de la litología finos. ............................................................. 174
la litología finos. ............................................................................................... 175
(Mn) de la litología finos. ................................................................................. 176
(Al2O3) de la litología finos. ............................................................................ 176
calcinación (PPC) de la litología finos. ............................................................. 177
de la litología finos. ........................................................................................... 178
xiii
por calcinación (PPC) de la litología finos. ...................................................... 179
(P) de la litología finos. ..................................................................................... 180
manganeso (Mn) de la litología finos. .............................................................. 181
variable fosforo (P) de la litología finos. .......................................................... 181
variable manganeso (Mn) de la litología finos.................................................. 182
de la litología limonitas. .................................................................................... 183
(Al2O3) de la litología limonitas. ..................................................................... 184
calcinación (PPC) de la litología limonitas. ...................................................... 185
la litología limonitas. ........................................................................................ 185
(Mn) de la litología limonitas. .......................................................................... 186
5.73 Mapa de correlación de la variable sílice (SiO2) vs la variable
alúmina (Al2O3) de la litología limonitas. ....................................................... 187
calcinación (PPC) de la litología limonitas. ...................................................... 187
de la litología limonitas. .................................................................................... 188
por calcinación (PPC) de la litología limonitas. ............................................... 189
(P) de la litología limonitas. .............................................................................. 190
manganeso (Mn) de la litología limonitas......................................................... 191
variable fosforo (P) de la litología limonitas. ................................................... 191
variable manganeso (Mn) de la litología limonitas. .......................................... 192
xiv
de la litología cangas. ........................................................................................ 193
(Al2O3) de la litología cangas. ......................................................................... 194
calcinación (PPC) de la litología cangas. .......................................................... 195
la litología cangas. ............................................................................................ 195
(Mn) de la litología cangas................................................................................ 196
(Al2O3) de la litología cangas. ......................................................................... 197
calcinación (PPC) de la litología cangas. .......................................................... 197
de la litología cangas. ........................................................................................ 198
por calcinación (PPC) de la litología cangas. ................................................... 199
(P) de la litología cangas. .................................................................................. 200
manganeso (Mn) de la litología cangas............................................................. 201
variable fosforo (P) de la litología cangas. ....................................................... 201
variable manganeso (Mn) de la litología cangas. .............................................. 202
de la litología cuarcitas. .................................................................................... 203
(Al2O3) de la litología cuarcitas. ...................................................................... 204
calcinación (PPC) de la litología cuarcitas. .................................................... 205
la litología cuarcitas. ....................................................................................... 205
(Mn) de la litología cuarcitas. ......................................................................... 206
xv
(Al2O3) de la litología cuarcitas..................................................................... 207
calcinación (PPC) de la litología cuarcitas. .................................................... 208
de la litología cuarcitas. .................................................................................. 208
por calcinación (PPC) de la litología cuarcitas. .............................................. 210
(P) de la litología cuarcitas. ............................................................................ 210
manganeso (Mn) de la litología cuarcitas. ...................................................... 211
variable fosforo (P) de la litología cuarcitas. .................................................. 212
5.111 Mapa de correlación de la variable Perdida por Calcinación (PPC) vs
la variable manganeso (Mn) de la litología cuarcitas. .................................... 213
5.113 Variogramas experimentales de los parámetros químicos de las costras ....... 214
5.114 Variogramas experimentales de los parámetros químicos de los finos.......... 215
5.115 Variogramas experimentales de los parámetros químicos de las
limonitas ......................................................................................................... 216
5.116 Variogramas experimentales de los parámetros químicos de las cangas ....... 216
5.117 Variogramas experimentales de los parámetros químicos de las cuarcitas.... 217
5.118 Variogramas teóricos tipo gaussianos para las variables químicas de las
costras ............................................................................................................. 218
5.119 Variogramas teóricos tipo gaussianos para las variables químicas de las
costras ............................................................................................................. 219
5.120 Variogramas teóricos tipo exponenciales para las variables químicas de
las limonitas .................................................................................................... 221
las cangas ........................................................................................................ 222
las cuarcitas ..................................................................................................... 223
5.123 Modelamiento Kriging de las costra. ............................................................. 225
5.124 Modelamiento Kriging de los finos. .............................................................. 226
5.125 Modelamiento Kriging de las limonitas. ........................................................ 227
5.126 Modelamiento Kriging de las cangas. ............................................................ 228
5.127 Modelamiento Kriging de las cuarcitas ......................................................... 229
5.128 Pit final de explotación del yacimiento Cerro San Isidro en planta. .............. 230
5.129 Pit final de explotacion del yacimiento Cerro San Isidro en vista 3D. .......... 230
xvi
LISTA DE TABLAS
2.1 Descripción de códigos litológicos usados por la empresa CVG Ferrominera

Orinoco, C.A. (Salazar, 2010) ............................................................................. 21
5.1 Resultados de Estadística Básica para las variables químicas de las costras
del Yacimiento Cerro San Isidro ........................................................................ 129
5.2 Resultados de Estadística Básica para las variables químicas de los finos del
Yacimiento Cerro San Isidro ............................................................................. 130
5.3 Resultados de Estadística Básica para las variables químicas de las limonitas
5.4 Resultados de Estadística Básica para las variables químicas de las cangas
5.5 Resultados de Estadística Básica para las variables químicas de las cuarcitas
5.6 Resultados obtenidos de variogramas teóricos por parámetro químico de las
costras ................................................................................................................ 219
5.7 Resultados obtenidos de variogramas teóricos por parámetro químico de
los finos .............................................................................................................. 220
limonitas ............................................................................................................. 221
cangas ................................................................................................................. 222
cuarcitas ............................................................................................................. 223
xvii
INTRODUCCIÓN
La minería en la actualidad juega un papel muy fundamental en la economía

mundial, siendo esta una de las principales fuentes de ingreso de muchos países, por
lo que constantemente se desarrollan investigaciones y alternativas de desarrollo que
contribuyan al mejoramiento, productividad y crecimiento de esta industria, siendo
una de las más importantes del mundo. En Venezuela, específicamente en el Estado
Bolívar, se encuentran grandes yacimientos de minerales metálicos, siendo
explotados principalmente el oro, bauxita y hierro, presentando este último
importantes reservas en distintas zonas de este Estado.
Antes de poder iniciar con la explotación de un yacimiento, es necesario

realizar las investigaciones correspondientes para verificar la existencia del mineral y
las dimensiones aproximadas que este representa. Para ello se recurre al diseño de un
modelo geológico el cual se logra a través de una serie de sondeos geoexploratorios
que indiquen donde se encuentra el mineral y la profundidad hasta los que estos
llegan. Hoy en día, esto se hace a través de programas computacionales o software
que permiten realizar cálculos de manera rápida y precisa. Sin embargo, muchas de
estos programas tienden a ser comerciales, por lo que hay que pagar un alto costo
para poder obtener una licencia de ejecución. Es por ello, que últimamente se están
desarrollando software de categoría libres que permitan realizar lo que un software
comercial es capaz de hacer.
El presente trabajo de grado, consiste en la elaboración del diseño geométrico

del pit, del yacimiento Cerro San Isidro, utilizando como herramientas principales los
software de categoría libre “RecMin” y SGeMS”, donde en el primero de este es
diseñado el modelo geológico del yacimiento conjuntamente con el modelo de
bloques y cual se le fueron asignando las litologías correspondientes a cada uno de
1
2
ellos. Seguidamente se realizó la evaluación estadifica y geoestadística mediante el

uso del software “SGeMS”, donde por medio del modelamiento Kriging se le asigno
los valores de las variables químicas a los bloques importados desde “RecMin”. Para
de esta forma poder diseñar el pit limit del yacimiento.
Este trabajo está diseñado por capítulos, donde en el primero se describe la

situación para la realización de este estudio, lo que corresponde al planteamiento del
problema, el objetivo general, los objetivos específicos, el alcance y la justificación
de esta investigación. En el Capítulo II, se encuentran las generalidades
correspondientes al yacimiento Cerro San Isidro, mientras que en el III, denominado
marco teórico, se describen todas la definiciones de interés para el mejor
entendimiento de este trabajo. En el Capítulo IV se describe la metodología utilizada
para poder obtener el diseño geométrico de la fosa final de excavación y en el
Capítulo V, se plasman los análisis e interpretación de resultados.
CAPÍTULO I
SITUACIÓN A INVESTIGAR
1.1 Planteamiento del problema
Una de las principales exigencias en el mercado del mineral de hierro está

relacionada con la calidad de este mineral en cuanto a sus parámetros químicos tales
como: sílice, alúmina, fosforo, perdida por calcinación y titanio, debido a que
representa un problema en los procesos de concentración y por ende en sus productos
derivados.
Actualmente las reservas de mineral de hierro se han ido agotando a lo largo de

los años, lo que ha hecho posible que yacimientos como Cerro Bolívar y Cerro
Gutiérrez hayan quedado inactivos debido a que las reservas actuales de mineral en
estos yacimientos no se ajustan a las necesidades del mercado por presentar altos
contenidos de los parámetros antes mencionados.
En vista de lo anteriormente expuesto y en busca de alternativas de solución

para un mejor aprovechamiento de las reservas de mineral de hierro se ha tomado en
consideración el análisis del comportamiento de sus variables químicas mediante el
uso de técnicas geoestadísticos que nos permitan una evaluación más a detalle de la
distribución de las mismas con el objeto de diseñar una mejor planificación minera a
fin de poder optimizar a futuro la producción en el yacimiento Cerro San Isidro.
La planificación de una mina, dependerá de las técnicas y métodos utilizados

para ello, tomando en consideración lo antes expuesto para una producción óptima.
Es por ello que normalmente se recurre a programas computacionales (software) para
realizar la planificación correspondiente.
3
4
Una de las técnicas más precisas para realizar cálculos de reservas de un

determinado mineral es el uso de la estadística. Es por ello que se ha desarrollado una
rama de esta, denominada geoestadística. Nacida para usos mineros, hoy día es
utilizada en muchos campos por su precisión a la hora de realizar estimaciones.
La geoestadística es uno de las herramientas científicas de mayor precisión en

las últimas décadas, lo que hace posible el uso y aplicación de software mineros a la
hora de analizar y evaluar los yacimientos de una manera más rápida y eficaz, lo que
conlleva a tomar decisiones oportunas a corto tiempo, debido a que permiten utilizar
un volumen de información grande y por ende los errores generados por calculo son
insignificantes.
Al igual que otros tipos de innovaciones tecnológicas, los software han ido
evolucionando y mejorando cada vez más sus aplicaciones en el sector industrial. La
minería al ser una actividad de alto riesgo, requiere una mayor precisión a la hora de
realizar los cálculos correspondientes (reservas, planificación, económicos, etc.) antes
de iniciar dicha actividad.
Si bien es cierto, que en la actualidad existen muchos tipos de software

aplicados al sector minero reconocidos mundialmente por su precisión y diversidad
de usos dentro de este mismo campo, la mayoría de estos son comerciales, lo que
influye un alto costo de adquisición de la licencia para poder utilizarlos, por lo que es
una desventaja de estos software, ya que solo minas de gran magnitud pueden
adquirirlos. En minas pequeñas, incluidas las canteras, no es rentable la adquisición
de estos paquetes debido a que sería una gran inversión y la compensación seria baja
o podría ser negativa. Es por ello que se recurre a software de categoría libres para
realizar los análisis y diseños correspondientes a una actividad minera.
5
En este trabajo de investigación se considerará la aplicación de los software

RecMin y SGeMS con la finalidad de evaluar el yacimiento Cerro San Isidro de una
manera amplia y oportuna en relación a sus composición y aprovechamiento de sus
reservas.
1.2 Objetivos de la investigación
1.2.1 Objetivo general
Diseñar geométricamente el pit mediante la aplicación de los software libres

RecMin-SGeMS del yacimiento Cerro San Isidro, ubicado en el Cuadrilátero
Ferrífero San Isidro, Municipio Bolivariano Angostura, Estado Bolívar.
1.2.2 Objetivos específicos
1. Adaptar la data de los sondeos geoexploratorios del yacimiento Cerro San

Isidro a las exigencias de los Software (RecMin-SGeMS).
2. Modelar el yacimiento Cerro San Isidro mediante la aplicación del Software

RecMin.
3. Evaluar estadística y geoestadísticamente él yacimiento Cerro San Isidro

mediante el uso del Software SGeMS.
4. Modelar el yacimiento Cerro San Isidro por Krigging mediante la aplicación

del Software SGeMS.
6
1.3 Justificación de la investigación
La realización de este trabajo de investigación nos permitirá desarrollar de

forma rápida y precisa el modelamiento geológico del yacimiento Cerro San Isidro a
través del uso los software RecMin-SGeMS con la finalidad de obtener la
información geoestadística necesaria del modelo de bloques, con el objeto de diseñar
el límite final de excavación del yacimiento tomando en consideración los bloques
económicamente rentables y que cumplen con las exigencias del mercado del hierro.
1.4 Alcance de la investigación
El alcance de esta investigación está orientado hacia el diseño final del límite
económico de excavación del yacimiento Cerro San Isidro mediante la aplicación de
los software libres RecMin-SGeMS con el objeto de determinar la rentabilidad del
mismo.
CAPÍTULO II
GENERALIDADES
2.1 Ubicación geográfica del yacimiento
En Venezuela, el mineral de hierro se encuentra concentrado mayormente en

una zona denominada Distrito Ferrífero Piar (DFP), en donde se encuentran muchos
yacimientos de hierro y está localizado en el estado Bolívar. (Bolívar, 2014).
El Cuadrilátero Ferrífero San Isidro, está ubicado en el Estado Bolívar, en la

parte Norcentral de la Guayana Venezolana. Este cuadrilátero se encuentra
conformado por los yacimientos San Isidro, Los Barrancos, Las Pailas y San Joaquín,
y cubren una extensión de 11 Kilómetros de largo por 5 Kilómetros de ancho. Se
podría considerar la totalidad del Cuadrilátero como un yacimiento, pero por razones
de sistematización de los datos y al hecho que los separan cuerpos de estéril se ha
divido en los yacimientos antes nombrados. (Ver figura 2.1) (Rojas, 2013).
El yacimiento del Cerro San Isidro se ubica al sur-este de Ciudad Piar, zona que
pertenece al Municipio Bolivariano Angostura, Distrito Heres del Estado Bolívar, con
una latitud norte de 7°25’ y longitud oeste de 63°10’; en la provincia geología de
Imataca del Escudo Guayanés en el Estado Bolívar. (Roger & Lenin, 2005).
7
8
Figura 2.1 Ubicación relativa del Área de estudio y localización de la mina

San Isidro.
2.2 Características generales del área de estudio
2.2.1 Geomorfología
Presenta diversas formas controladas por los diferentes tipos de rocas

constitutivas del Complejo de Imataca y la Formación Mesa, comprendida entre el río
Orinoco al Norte, la falla de Santa Bárbara al Sur, el río Caroní al Este y río Aro al
Oeste. Acantilados característicos de formaciones sedimentarías horizontales
destacan sobre la Formación Mesa, sobre los cuales aparecen afloramientos de roca
de la parte Norte del Complejo de Imataca. En la faja del Cerro Bolívar, al Sur de la
falla de Gurí, la topografía está caracterizada por afloramientos de formación de
hierro entre los cerros Arimagua y el Trueno. En la faja de Santa Rosa se desarrolla
un grupo de colinas alargadas y paralelas controladas por gnéises cuarzos
feldespáticos bandeados, con intercalaciones de gneis diorítico blanco y lentes
delgados de formaciones de hierro. (Bartolozzi, 2010).
9
El área está conformada por paisajes donde predominan las planicies, lomeríos
altos y vegas. Los lomeríos altos están constituidos por rocas graníticas bandeadas y
foliada, de textura fanerítica de grano grueso, con colores, grises, rosado, rojo, negro
verdoso, etc. Las planicies están representadas por lomas suaves constituidas por
gneises, gneises migmatíticos y migmatitas, que abarcan más del 85% del área;
mientras que las vegas están formadas por pequeños morichales ubicados
generalmente entre las lomas y constituyen las zonas de menor cobertura. (Carranza,
2010).
2.2.2 Topografía
Se presentan serranías y diversas formaciones rocosas propias del Complejo de

Imataca y la Formación Mesa, comprendidas entre el Río Orinoco al Norte, la falla de
Santa Bárbara al Sur, el Río Caroní al Este y el Río Aro al Oeste. (Ruiz M. , 2009)
En lo referente al drenaje, los ríos principales drenan según el rumbo de la

foliación de los gneises y de las formaciones de hierro. Existen muchas quebradas y
manantiales y las vertientes tienen en general dirección Norte - Sur a N20ºW. (Roger
& Lenin, 2005).
2.2.3 Vegetación
La flora se ha clasificado como Tropófita Macrotérmico y Bosque Pluvial. Las

regiones montañosas están cubiertas de espesa vegetación, baja en las colinas y densa
y alta en los valles. Entre las especies se tienen la clausia de la familia Guttiferae y el
Copey, indicando siempre la presencia de menas ferríferas. (Carranza, 2010).
10
2.2.4 Clima y precipitación
El clima de la zona es Tropical Húmedo, con una temperatura promedio anual

de 28 °C, con valores máximo y mínimo promedio de 35°C y 20°C, respectivamente.
Las precipitaciones ocurren entre los meses de mayo y agosto con una media anual de
1309 mm. (Bartolozzi, 2010).
2.2.5 Hidrografía
Según (Roger & Lenin, 2005), la red hidrográfica de la región pertenece a la

cuenca del Caroní, siendo los cursos de agua en su mayoría intermitente y
torrenciales, aunque las quebradas Tocoma, San Isidro y Purgatorio son permanentes
ó casi permanente. En cuanto a los drenajes en las cabeceras de los diferentes cursos
de aguas, esto se encuentra por lo regular, debajo de la formación de hierro a nivel del
contacto entre la roca mineralizada y los gneises, esquistos, lateritas, etc., tomando un
rumbo de acuerdo a la foliación.
El drenaje de las aguas está controlado por las zonas de debilidad de los
corrimientos que sirven de contactos a las diferentes fajas de rocas, las vertientes en
la mayoría de los casos posee dirección de Norte–Sur a N20°W.
2.2.6 Relieve
Se presentan diversas formas controladas por los diferentes tipos de rocas

constitutivas del Complejo de Imataca y la Formación Mesa, comprendida entre el río
Orinoco al norte, la falla de Santa Bárbara al Sur, el río Caroní al Este y el río Aro al
Oeste. Acantilados característicos de formaciones sedimentarias horizontales,
destacan sobre la Formación Mesa, sobre los cuales aparecen afloramientos de roca
de la parte norte del Complejo de Imataca.
11
En la faja del Cerro Bolívar al Sur de la falla de Guri, la topografía está

caracterizada por afloramientos de formación de hierro entre los Cerros Arimagua y
el Trueno. En la faja de Santa Rosa se desarrolla un grupo de colinas alargadas y
paralelas controladas por gneises cuarzos feldespáticos bandeados, con
intercalaciones de gneis diorítico blanco y lentes delgados de formaciones de hierro.
2.2.7 Vías de acceso y comunicación
Las zonas del Cuadrilátero Ferrífero San Isidro se encuentra interconectada al

sistema nacional de vialidad mediante carreteras asfaltadas que parten desde Ciudad
Bolívar (115 Km.) y Puerto Ordaz (140 Km.), ambas en buenas condiciones. La
comunicación desde el Cuadrilátero Ferrífero con Ciudad Piar se efectúa por medio
de una carretera asfaltada de aproximadamente 15 Km. de longitud hasta el puesto de
Vigilancia. A partir de este punto existe un sistema de carreteras de granza que
permiten la comunicación con los yacimientos vecinos de San Isidro y Los
Barrancos.
También se cuenta con una línea férrea de 136 Km. de longitud que se extiende
desde Cerro Bolívar y el Cuadrilátero San Isidro hasta Puerto Ordaz, dicha línea es
utilizada para el transporte exclusivo del mineral desde el Cuadrilátero Ferrífero San
Isidro.
2.3 Geología regional
En geología los Escudos se definen como macizos continentales constituidos

por rocas precámbrica no cubiertos completamente por el mar en el transcurso del
tiempo geológico. Los escudos fueron tectónicamente muy activos durante el
Precámbrico, pero desde comienzos del Cámbrico se hicieron relativamente estables
con respecto a los movimientos terrestres. También se les llama "Tierras Positivas",
12
porque han servido de contrafuerte y contribuido por el desgaste a través del tiempo
(erosión) a proporcionar sedimentos que se han depositado en las partes más bajas,
formando así los llamados geosinclinales. (Mendoza, 2000).
En Sudamérica, los Escudos Brasileño y de Guayana están separados entre sí

por la Cuenca del Amazonas, expresión de una gran Geofractura profunda, que se
proyecta a más de 700 Kilómetros en la corteza. El Escudo de Guayana tiene forma
oval y su parte septentrional se encuentra en Venezuela al Sur del curso del río
Orinoco, mientras que su parte meridional se adentra en Colombia, Brasil, Guyana,
Surinam y Guyana Francesa. En la parte venezolana comprende rocas Arqueozoicas y
Proterozoicas de muy diversas litologías, alteradas en mayor o menor escala durante
una serie de episodios geotectónicos mayores. (Mendoza, 2000).
Basándose en los caracteres petrológicos y tectónicos, el Escudo de Guayana en

Venezuela se ha dividido en cuatros provincias geológicas conocidas como: Imataca,
Pastora, Cuchivero y Roraima. Estas provincias se diferencian en sus direcciones
estructurales, estilos de deformación tectónica, asociaciones litológicas, asociaciones
metalogénicas y edades. (Mendoza, 2000). (Figura 2.2).
13
Figura 2.2 Mapa geológico generalizado del Escudo de Guayana.

(Mendoza, 2000).
Petrológicamente la Provincia de Imataca pertenece al denominado Cinturón

Granulítico, la Provincia de Pastora a los Cinturones de Rocas Verdes, la Provincia
de Cuchivero se caracteriza por grandes extensiones de Granitos (1800 ± 200 Ma) y
Granitos Post-tectónicos (1500 Ma) y la Provincia de Roraima, es una cobertura
discordante sobre rocas pertenecientes a las provincias de Pastora y Cuchivero.
(Mendoza, 2000).
El Distrito Ferrífero Piar pertenece a la Provincia Geológica de Imataca, la cual

está situada en el extremo Norte de la Guayana Venezolana y se extiende en dirección
NE desde el Río Caura hasta el Delta del Orinoco por unos 550 kilómetros, y en
dirección N-S aflora desde el curso del Río Orinoco hasta la Falla de Gurí por unos
80 kilómetros.
La edad de las rocas de la Provincia Imataca es Arqueozoica (3400 - 3700 Ma),

fechada por los métodos Radiométricos Rubidio-Estroncio y Plomo-Plomo.
14
Litológicamente la Provincia Imataca está formada por gneises graníticos y

granulitos félsicas (60%-75%), anfibolitas y granulitos máficas, y hasta ultramáficas
(15%-20%) y cantidades menores complementarias de formaciones bandeadas de
hierro (BIF), dolomitas, charnockitas, anortositas y granitos intrusivos más jóvenes y
remanentes erosionales menos metamorfizados y más jóvenes CRV – TTG.
Las tendencias estructurales dominantes regionales son N 60º-70º E, más o

menos paralelas a la Falla de Guri. En realidad registra seis o más dominios
tectónicos, separados entre sí por grandes fallas mayores, del tipo corrimiento. El
plegamiento es isoclinal, con replegamientos más abiertos. En la parte Norte, los
pliegues tienen rumbo NW mientras que la parte sur la tendencia dominante de los
pliegues es N 70º-80º E.
La Provincia Imataca consiste en rocas metamorfizadas, granitizadas y

migmatizadas y en general se considera que está representada por un conjunto de
metasedimentos y gneises plegados en forma compleja e intrusiones de granitos
posteriores.
Otras litologías presentes incluyen formaciones de hierro que están constituidas

esencialmente por la asociación mineral cuarzo – magnetita – hematita. Imataca es la
provincia del hierro y en ella Ascanio, (1.975) distinguió, según el tamaño del grano,
tres grandes tipos de depósitos de hierro, que son los siguientes:
1. Depósitos de hierro de grano grueso (>1 mm): tipo El Pao, Las Grullas y
Piacoa.
2. Depósitos de hierro de grano medio (= 1 mm): tipo, Cerro María Luisa.

15
3. Depósitos de hierro de grano fino (< 1 mm): tipo, Cerro Bolívar, San Isidro,
Los Barrancos, El Trueno, Altamira, Redondo, Toribio y Arimagua.
Las provincias geológicas Imataca y Pastora muestran grandes diferencias

litológicas, deformación tectónica y patrones estructurales. Las rocas del Complejo de
Imataca se extienden como una gran faja de rumbo NE y de extensión superior a los
65 kilómetros, las alineaciones (fallas, ejes de pliegues, diaclasas, etc.) presentan una
dirección preferencial NE y en menor grado NO.
La falla de Guri, así como también la falla de Santa Bárbara sirven de lindero
entre la Provincia de Imataca y la Provincia de Pastora, mientras que al Oeste,
Imataca está separada del Supergrupo Cedeño por el Frente Tectónico del Caura.
Estos finos pasan transicionalmente a cuarcitas ferruginosas friables, cuarcitas

ferruginosas duras, hasta alcanzar las zonas estériles (lateritas).
Estructuralmente el Cuadrilátero Ferrífero San Isidro concuerda con los

patrones estructurales del Complejo de Imataca. La estructura general del yacimiento
San Isidro es la de un sinclinorio asimétrico, con plegamiento isoclinal formando un
patrón ondulado que hace que el depósito esté formado por una serie de bolsada de
mena con intrusiones de cuarcitas ferruginosas.
Los yacimientos Los Barrancos y San Joaquín forman parte de un anticlinal

cuya parte central está destruida por fallamiento transversal, el anticlinal tiene un
doble declive y está hundido en su parte central. Este anticlinal forma un pliegue casi
acostado con buzamiento hacia el sur.
Los elementos de foliación predominantes tienen dirección Norte-Sur que

corresponden, general a la de todo el grupo; las fallas y fracturas tienen rumbo
16
N 60° O y a pesar de constituir un sinclinal metido entre las otras estructuras mayores
de Los Barrancos, San Isidro y otros, ha mantenido una posición elevada al resistir la
erosión.
Las Pailas no solo está en el centro de gravedad, como se menciona

anteriormente, sino que sirve de enlace de todos los yacimientos del grupo San Isidro.
Su ramal Noreste se prolonga y penetra en San Isidro. Tales ramales se consideran
como un anticlinal erosionado en su sección central. (C.V.G. Ferrominera Orinoco,
C.A., 1991).
2.4 Geología local
El Cuadrilátero Ferrífero San Isidro. Comprende los yacimientos de menas de

hierro de los cerros San Isidro, Las Pailas, Los Barrancos y San Joaquín y abarca una
extensión de 11 kilómetros de largo por 5 kilómetros de anchos. Se podría considerar
la totalidad del Cuadrilátero como un yacimiento, pero por razones de sistematización
de los datos y al hecho que los separan cuerpos de estéril se ha dividido en los
yacimientos antes nombrados. (C.V.G. Ferrominera Orinoco, C.A., 1991).
Los cuerpos de mena están situados en la parte superior de las colinas entre 430
y 800 m.s.n.m., en cuyas superficies afloran casi exclusivamente los tipos de mena de
la corteza (costra) y a mayor profundidad se presentan diferentes tipos de menas
friables (finos) con intercalaciones de costras. (C.V.G. Ferrominera Orinoco, C.A.,
1991).
En el cerro San Isidro el mayor grueso de mineral está ubicado al sur, por lo
cual al inicio se creía que no existían reservas suficiente, ya que se podría observar
desde la parte norte del cerro un alto contacto de la mena bastante uniforme con la
superficie. San Isidro poseía una altura de 710 m sobre el nivel del mar y 410 m sobre
17
la sabana circundante, una área mineralizada de 10 Km. de largo por 2 Km. de ancho
por 60 m de profundidad y un 80% de finos y 20% de costras; además de estar
constituida químicamente por Fe 66%, sílice 40%, alúmina 2,00%, Fósforo 0,03% y
Pérdida por Calcinación 3,30%.
La morfología del yacimiento ha pasado por dos periodo de fallamiento,

determinado mediante los sondeos geoexploratorios, una falla NE–SW provoco el
levantamiento tectónicamente del flanco SE en la parte central y oriental erosionando
y dejando en contacto la mena con el gneis infrayacente; otra falla de dirección NO–
SE, NO–NS, NS–NO variable pero no abrupta ocasionó la distorsión de la elongación
del depósito, además de cortar a la primera falla, es transversal a la estructura
regional del yacimiento.
En cuanto a su estructura general posee la de un sinclinal asimétrico, con

plegamiento isoclinal formado por un patrón ondulado tipo échelon, debido al mismo
el depósito adquiere una formación en serie de mena bolseadas entre los altos
estructurales de cuarcita ferruginosa locales, el flanco sur del sinclinorio y el
anticlinorio fueron eliminados por los fallamiento dando como resultado que el
bloque central forme un engrosamiento con el bloque hundido, y por efecto tectónicos
muestra un acortamiento en sentido horizontal. Mediante la unión del engrosamiento
de los espesores por efecto del plegamiento existe un gran volumen de protomena
(cuarcita ferruginosa), que por lixiviación fue que se desarrolló el Yacimiento San
Isidro.
2.5 Génesis del yacimiento
Las rocas cuarcíticas una vez estabilizadas, miles de años después comenzaron
a descomponerse con la humedad y el clima tropical provocando cambios y
transformaciones en los distintos minerales férrico. La magnetita se transformó en
18
hematita y otros óxidos de hierro, los cuales, interestratificados entre las bandas de
cuarcitas, comenzaron a sufrir cambios físico-químicos. Se inició, también, la
descomposición de la sílice, principal aglutinante y cemento original, más vulnerable
a las condiciones ambientales, la cual, al disolverse, comenzó a circular por las
fisuras y fue a ocupar cavidades inferiores por percolación.
Los yacimientos de hierro de alto tenor son debido al enriquecimiento por

meteorización y lixiviación de la sílice de las cuarcitas. El proceso consiste en la
remoción de la sílice, la cual al disolver circula por las fisuras ocupando cavidades
inferiores por percolación. Por su parte el hierro pasa a ocupar los espacios vacíos,
dando lugar a grandes masas de finos, los cuales se concentraron gracias a la
existencia de una costra muy dura formada por diversos óxidos que la fueron
cementando en la superficie.
El agua que actuó en este proceso no sólo fue agua meteórica (lluvia), sino que
también subía por capilaridad. No se descarta la acción de ciertas bacterias ni los
cambios del ph (acidez). Por su parte el hierro soluble iba poco a poco ocupando los
espacios vacíos dejados por la sílice al ser lixiviada. Como la solubilidad de la sílice y
su remoción (lixiviación) era más o menos completa, la porosidad era directamente
proporcional a aquella.
Las menas de hierro de alto tenor de los yacimientos se originaron a partir de

las cuarcitas ferruginosas del complejo Imataca por procesos de enriquecimiento
supergénico. El proceso que genera las menas es la remoción por meteorización de la
sílice y los silicatos de las cuarcitas ferruginosas, con la consiguiente concentración
residual de óxidos o hidróxidos de hierro.
El proceso de enriquecimiento supergénico de las cuarcitas ferruginosas han

dado origen a distintos tipos de menas según sea la intensidad y naturaleza del
19
proceso, dando como resultado menas esencialmente hematíticas-goetíticas -

limoníticas.
La condición necesaria para que se forme un yacimiento residual de mineral de

hierro es la presencia de formaciones de hierro plagadas y alojadas en la parte
superior de la columna estratigráfica expuesta. Estos pliegues son sinclinales,
generalmente, aun cuando pueden ser también anticlinales o monolitos. Lo
importante es la presencia de un perfil topográfico estable durante un largo periodo de
tiempo que permita la lixiviación de la sílice y la concentración de óxidos. (Figura
2.3).
Figura 2.3 Proceso de enriquecimiento supergénico de los yacimientos.

(CVG Ferrominera Orinoco C.A., 1991).
2.6 Yacimiento Cerro San Isidro
Es una colina alargada de 10 km de largo por 2 km de ancho. El mineral está

recargado hacia el Sur. En un principio se creía que no tenía reserva suficiente
porque, visto desde el Norte el contacto de la mena está muy alto, casi en el tope del
20
Cerro. Tiene una altura máxima de 710 m.s.n.m., unos 410 m sobre la sabana
circundante. En superficie la mena es bastante uniforme, el área de la zona
mineralizada tiene 3 kilómetros de largo por 600 metros de ancho promedio y la
profundidad media de 60 m. de profundidad; la mineralización es también bastante
uniforme; está constituida por 80% de finos y 20% de costra. (C.V.G. Ferrominera
Orinoco, C.A., 1991).
La cuarcita ferruginosa tiene un espesor original de 60 m, ella se dobla sobre sí

misma, se multiplica por fallamiento y forma una especie de uso tanto en superficie
como en profundidad. El rumbo de las capas es constante (N 60°E) y el buzamiento
es bastante pronunciado 30° al Sur y 90° al Norte.
El mineral de hierro está circunscrito en un sinclinorio, y las cuarcitas

subyacentes y las de los alrededores pertenecen a un anticlinorio.
2.7 Tipos litológicos de menas de hierro presente en el Distrito Ferrífero Piar
Las menas se clasifican de acuerdo a su contenido de Fe: Menas de Alto Tenor

(≥55%) y Menas de Bajo Tenor (<55%). La clasificación de los tipos litológicos de
menas de hierro de alto tenor está basado en dos grupos: menas duras o costras y
menas blandas o friables conocidos como finos. En la tabla 2.1 se presenta una
descripción de códigos litológicos usados por la empresa CVG Ferrominera Orinoco,
C.A., de acuerdo a su textura y características físicas y químicas.
21
Tabla 2.1. Descripción de códigos litológicos usados por la

empresa CVG Ferrominera Orinoco, C.A. (Salazar, 2010)
Litología Descripción
1 Costras
2 Finos Negros, finos marrones
3 Finos Negros, finos marrones silíceos
4 Finos Negros, finos marrones muy silíceos
5 Cuarcita Friable
6 Cuarcita Dura
7 Laterita
8 Limonita
9 Laterita Base
10 Costras Laminadas
13 Costra Manganesífera
14 Bajo Tenor Manganesífero
15 Costra Estringitica
2.7.1 Menas de alto tenor
2.7.1.1 Menas Blandas
Denominadas finos, tienen aspecto de arena suelta, moderadamente hidratadas,

con porosidad alta, frecuentemente se presentan finamente laminadas denominándose
finos laminados. Se presentan con un bajo contenido de sílice (0-2%). Suelen ocurrir
en grandes masas debajo de las menas duras (costras) o interestraficadas con ellas,
formando bolsadas que se estrechan con la profundidad.
Mineralógicamente están formados por hematita especular micácea, limonita

amarilla térrea, goethita microcristalina o amorfa, cuarzo y minerales de arcilla.
22
Frecuentemente contienen zonas duras cementadas por goethita, paralelas o a través

de la estratificación. Tienen un tenor promedio de 64% de Fe seco.
 Finos Negros (B): Están formados fundamentalmente por granos sueltos de

hematita especular. Debido a una alta porosidad, tienen la consistencia de
arenas sueltas de color gris acerado o negro. Se caracterizan por la ausencia
de minerales hidratados y se derivan de cuarcitas con alto contenido de
hematita, probablemente sin ferrosilicatos. Alcanzan tenores hasta 69% de
Fe seco.
 Finos Marrones (F): Presentan una pequeña variación química con respecto
a los finos negros, traducida en un aumento en el contenido de alúmina y de
la pérdida por ignición que se debe a un incremento en el contenido de
goethita y minerales aluminios. Tienen un color marrón claro a marrón
oscuro. Suelen encontrarse en el yacimiento por encima de los finos negros e
infrayacentes a las costras superficiales.
 Limonita (Y): Constituida mayormente por limonita térrea, blanda, porosa

de color ocre amarillo, y en menor proporción por minerales de arcilla.
Mineralógicamente está formada por goetita criptocristalina y agua capilar
de absorción. Se considera como el producto de meteorización de
formaciones ferríferas muy ricas en ferrosilicatos. Se caracteriza por alto
contenido de agua de cristalización (más del 8%) y tenor de 56 a 60% de Fe
seco.
23
2.7.1.2 Menas duras
Denominadas costras, ocurren en las zonas superficiales del yacimiento a

manera de casquete recubriendo las bolsadas de finos, y también interestratificadas
con los finos a profundidad. En general muestra texturas porosas y cavernosas,
contiene fragmentos rodados de otras menas y pueden ser laminadas, bandeadas o
masivas. Las costras laminadas y bandeadas son remanentes de las formaciones de
hierro. Mineralógicamente compuesta por proporciones variables de hematita,
goethita y limonita. Cantidades variables de sílice (cuarzo degradado) forman parte
de la ganga que varía hasta un 14%. La masiva es dura, densa, de grano fino y con
fractura concoidal. Los subtipos son:
 Costra Masiva (Vm): Compuesta por proporciones variables de goethita,

limonita y hematita. Por lo general, muestra textura porosa, contiene
fragmentos de otras menas y no presenta laminación remanente.
Corresponde a un proceso avanzado de meteorización superficial con
precipitación intensa de hidróxidos de hierro coloidales y relleno parcial del
espacio poroso. Suele recubrir bolsadas de finos con alta proporción de
bandas de limonita amarilla. El tenor en Fe seco es alrededor de 62%.
 Costra Hematítica (Vh): Compuesta principalmente por hematita especular.

Su composición química es bastante semejante a la de los finos negros,
diferenciándose de éstos por presentar un mayor contenido de alúmina, sílice
y pérdida por ignición. La costra hematítica va desde homogénea y con
cristales desarrollados los cuales pudieran ser agregados de hematita
primaria, hasta finamente laminada y bandeada. Ocurre a diferentes niveles
del yacimiento; puede encontrarse tanto en la superficie como
interestratificadas con las menos friables en profundidad.
24
 Costra Goethítica (Vg): Compuesta de goethita microcristalina o amorfa,

masiva, dura y frágil, de color pardo de brillo mate o negro de brillo
adamantino. Mineralógicamente la goethita es bastante pura, en pequeñas
cantidades, se presenta limonita cementada, cristales de goethita y cuarzo.
Presenta alto contenido de fósforo y el contenido de alúmina se eleva en

ésta, posiblemente por la presencia de hidróxido de aluminio (Gibsita). Los
minerales distintos a los óxidos e hidróxidos de hierro están en un porcentaje
inferior al 5% aproximadamente. Tiene un tenor cercano a 60% de Fe seco.
 Costra Limonítica (Vy): Constituida por proporciones variables de hematita,

goethita y limonita como constituyente mayoritario. Cuarzo, caolinita,
gibsita y otros minerales se encuentran en proporciones menores al 5%.
Químicamente presenta alúmina, pérdida por ignición y fósforo elevado.
Generalmente se desarrolla encima de los finos marrones muy hidratados.
 Costra Laminada (Vp): Compuesta por proporciones variables de hematita,

goethita y limonita distribuidas en láminas alternadas de pocos espesores a
veces frágiles y desmenuzables. De acuerdo con la mineralogía
predominante presente en la costra laminada, puede ser definida como:
costra hematítica laminada, costra limonítica laminada. Típicamente se
desarrolla en los flancos superiores de los yacimientos cerca del contacto con
cuarcitas ferruginosas. Alcanza hasta 67% de Fe seco.
 Costra Silícea (Vs): Megascópicamente presentan granos de cuarzo

remanentes de las cuarcitas ferruginosas. Contienen de 2-6% de sílice.
Pueden presentar tanto textura masiva como laminada.
25
 Canga (C): Son costras sílico-alúminicas formadas en las pendientes,

plataformas y ensenadas adyacentes a menas de costra de alto tenor, por
cementación de hidróxidos de fragmentos desprendidos y concentrados por
efectos mecánicos. Su tenor alcanza 56% de Fe seco.
 Ripio (R): Son gravas ferruginosas o acumulaciones de fragmentos

redondeados de menas de costra, que se encuentran en las laderas inferiores
de los yacimientos. Entre las acumulaciones más importantes están las
constituidas preponderantemente por guijarros de hematita compacta con
textura microcristalina y fractura concoidal. Aunque los guijarros propios
alcanzan hasta 67% de Fe seco, las acumulaciones de ripio por las impurezas
que contienen, son de tenor más bajo y difícil explotación.
2.7.2 Menas de bajo tenor
2.7.2.1 Cuarcita Ferruginosa Friable (IFF)
Cuarcita ferruginosa parcialmente “lixiviada” por remoción incipiente de sílice.

Según el grado de meteorización su tenor varía entre 45 y 55% de hierro seco. En
profundidad pasa a cuarcita ferruginosa dura (fresca) o se encuentra en contacto
directo con la laterita. Mineralógicamente se compone por granos de hematita, martita
(magnetita parcialmente oxidada a hematita), algo de goethita y la ganga es
principalmente cuarzo.
2.7.2.2 Cuarcita Dura (IF)
Constituye la roca primaria fresca a partir de la cual se originan las menas de

hierro. Es de color gris a gris oscuro, presenta estructura bandeada bien definida con
26
espesores de bandas que van desde 0.5 mm a varios centímetros, con granos
minerales uniformemente diseminados, otras presentan estructuras hojosas con
lentejones irregulares de cuarzo y óxido de hierro como resultante de intensa
reorganización metamórfica, en otras partes la cuarcita es maciza, sin equistosidad ni
bandeamiento definido. Mineralógicamente está compuesta de magnetita, hematita,
poca goethita y proporciones menores de mica, anfíbol, piroxeno, calcita y apatito.
2.7.3 Estéril
2.7.3.1 Laterita (Lat)
Es producto residual de la meteorización profunda de gneises, esquistos y rocas

intrusivas adyacentes o intercaladas con las cuarcitas ferruginosas y menas de hierro.
Presenta color blanco, rosado o pardo y estructura bandeada remanente de la foliación
de las rocas primarias. Su alto contenido en sílice (30%), alúmina (30%) y bajo
contenido de hierro (10 a 15%) se clasifica como estéril. Ocurre principalmente en los
flancos de los yacimientos.
2.7.3.2 Gneis
Roca perteneciente al grupo de los granitoides, de composición cuarzo

feldespática y biotítica con microclino, de grano medio a grueso y poseen
vadeamiento bien desarrollado. En los depósitos de mena de hierro el gneis raramente
está inalterado, ha sido meteorizado a laterita o arcilla.
2.7.3.3 Calcita
Ocurre como agregados irregulares localmente dispersos y extendidos a través

de la mena. Se presenta como un producto secundario resultante de la carbonización
27
de anfíboles, mostrada por el emplazamiento parcial de cristales individuales y capas

de anfíboles.
2.8 Influencia de la composición química de los minerales de hierro en los

procesos siderúrgicos
Según (Salazar, 2010) se tiene que dentro de los componentes minerales que
tienen mayor influencia en los procesos de tratamiento siderúrgicos de la mena de
hierro se tienen:
2.8.1 Sílice (SiO2)
Un alto contenido de sílice implica un alto contenido de escoria en el proceso

de aceración y requiere un consumo mayor de energía. Este óxido se reduce
parcialmente y pasa al arrabio, pero la mayor parte de sílice pasa a la escoria
necesitando cal para escorificarse.
2.8.2 Alúmina (Al2O3)
No es conveniente un alto contenido de alúmina. Puesto que ésta pasa

totalmente a la escoria cuando se está produciendo acero e influye fuertemente en las
propiedades de éste, ya que eleva su temperatura de fusión y proporciona al baño un
mayor contenido de alúmina en la escoria. También se requerirán fundentes
adicionales en el proceso de aceración debido a que la alúmina es una ganga ácida.
2.8.3 Pérdida por calcinación (PPC)
El porcentaje por la pérdida por calcinación significa la cantidad de agua de

cristalización que tiene el mineral, mayor cantidad de carbonato y compuestos
28
volátiles que contenga. A mayor pérdida por calcinación mayor cantidad de

impurezas, especialmente alúmina. Las pérdidas alcanzadas están asociadas con el
contenido de agua de cristalización y carbonato de la muestra.
2.8.4 Fosforo (P)
El porcentaje de fósforo fuera de los requerimientos, se considera una

influencia perjudicial en la elaboración del acero, puesto que se disuelve en
cantidades considerables. Cuando existe exceso de fósforo en el acero el mismo
resulta frágil.
CAPÍTULO III
MARCO TEÓRICO
3.1 Antecedentes de la investigación
Una vez revisada información bibliográfica en la biblioteca de la universidad,

trabajos de grado, páginas web, textos, entre otros se pudo constatar que no existen
antecedentes previos relacionados directamente con esta investigación; sin embargo,
se mencionan a continuación algunos que se relacionan de manera indirecta y que han
servido de apoyo en el desarrollo de la misma.
C.V.G Ferrominera Orinoco C.A (2008), determinó los rangos de influencia de

las perforaciones para voladura en las minas San Isidro, Las Pailas y Los Barrancos;
de los parámetros químicos: sílice (SiO2), alúmina (Al2O3), fósforo (P), pérdida por
calcinación (PPC) y manganeso (Mn) para los tipos litológicos de costra, finos y finos
silíceos, utilizados en la conformación de los productos que comercializa la empresa.
Dávila, (2006), en su trabajo titulado “Estudio geoestadístico de la base datos

de los sondeos geoexploratorios y conos para voladura de la mina San Isidro”,
determinó los radios de influencia de los parámetros sílice, alúmina, Pérdida por
calcinación, fósforo y manganeso, en cada tipo litológico existente en yacimiento, así
como también establecer direcciones preferenciales de mineralización.
Cordero, (2003), en su trabajo “Radios de influencia de las perforaciones de las

minas en explotación”, determinó los valores de los rangos de influencia de las
perforaciones para la voladura en las minas San Isidro, Las Pailas y Los Barrancos;
de los parámetros químicos: sílice (SiO2), alúmina (Al2O3), Pérdida por calcinación
(PPC), fósforo (P), manganeso (Mn); para los tipos litológicos de costras, finos y
29
30
finos silíceos; utilizado en la conformación de los productos que comercializa la

empresa.
Peña, María Alejandra (2007) en su trabajo “Diseño del límite final de

excavación de la mina San Isidro para la recuperación de las cuarcitas friables,
municipio Raúl Leoni, Estado Bolívar”. Diseño el límite final de excavación, con el
propósito de presentar una estrategia mediante un diseño del Pit Limit (límite final de
excavación) con rampas elaborado a través del método convencional (manual) para
maximizar y aprovechar las amplias reservas de cuarcitas friables. Este se diseñó a
través del método de las secciones verticales.
Ruiz (2010), en su trabajo “Aplicación de software libre para la estimación de

recursos y para la evaluación técnica económica de las reservas minerales”, propone
el uso de software minero libre (sin costo de licencia) RecMin y SGeMS, que
utilizados estratégicamente, solucionan este problema, y cubre o repara este vacío
técnico en los profesionales y empresas que se ven limitados a otra alternativa que
reemplace las costosas licencias, como se demuestra en un caso práctico, con los
datos recogidos de una campaña de exploración.
3.2 Generalidades de la estadística
La estadística es la ciencia que se encarga de la recopilación, organización,

presentación, análisis e interpretación de datos numéricos, con el fin de tomar
decisiones con criterios de incertidumbre y confiabilidad. Los métodos estadísticos
tratan de la presentación gráfica y resumen de datos a través de indicadores,
estimación de parámetros poblacionales, pruebas de hipótesis en relación con
parámetros poblacionales, determinación de la exactitud de las estimaciones, estudio
de la variación, estudio de correlación y el diseño de experimentos, de forma
univariada y multivariada, entre otros. (Vargas, 2007).
31
El papel de la Estadística en la Ciencia y la Ingeniería hoy en día es crucial,

fundamentalmente porque al analizar datos recopilados en experimentos de cualquier
tipo, se observa en la mayoría de las ocasiones que dichos datos están sujetos a algún
tipo de incertidumbre. El investigador o el profesional debe tomar decisiones respecto
de su objeto de análisis basándose en esos datos, para lo cual debe dotarse de
herramientas adecuadas. (Sáez, 2012)
3.2.1 Términos estadísticos básicos
3.2.1.1 Universo
Se denomina Universo estadístico a un conjunto, finito o infinito de seres vivos,

elementos o cosas, sobre los cuales están definidas características que interesa
analizar. (Cuevas, 2009).
3.2.1.2 Individuo: Se llama unidad estadística o individuo a cada uno de los

elementos que componen la población estadística. El individuo es un ente observable
que no tiene por qué ser una persona, puede ser un objeto, un ser vivo, o incluso algo
abstracto. (Dario, 2011).
3.2.1.3 Muestra
Es un subconjunto de elementos de la población. Se suelen tomar muestras

cuando es difícil o costosa la observación de todos los elementos de la población
estadística. (Dario, 2011).
32
3.2.1.4 Población
Se llama población estadística a la colección de todas las posibles mediciones

que pueden hacerse de una característica en estudio. Observe que una población va a
estar constituidas por datos o valores. (Cuevas, 2009).
3.2.1.5 Numero de caso
Es el número de valores muestreado del fenómeno en estudio, representados

por n y los datos por xi i= 1.,…, n, que se llama distribución. (Rojas, 2013).
3.2.2 Medidas de tendencia central o de posición
̅)
3.2.2.1 Media aritmética (X
Para (Dicovskiy, 2012) la media aritmética o simplemente media de un

conjunto de mediciones es la medida de tendencia central más usada y conocida. Esta
medida se simboliza como x̅ (x con raya) cuando representa la media de una muestra
y como µ (letra griega minúscula) para representar la media poblacional. Tanto x̅ o µ
son la suma de todos los valores de la muestra o población divididos por el número de
casos. En el caso de la media de una muestra esta es igual a: “ x̅ =(x1 + x2 + x3 +…+
xn)/n” donde “n” es el número de datos de la muestra y “x” el valor numérico del
dato. La fórmula simplificada de la media es:
x
i 1
i
x =
n (3.1)
33
Dónde:
x = Media aritmética de la variable X.
Xi = valores de la variable.
N = número de observaciones.
3.2.2.2 Moda (Mo)
Como su nombre lo indica, representa el valor o valores que tienen la mayor

frecuencia en el conjunto de datos; son los valores que más se repiten, ya sean estos
muéstrales o poblacionales. En un conjunto de datos puede no existir un valor modal
o existir una o más modas. Cuando hay una moda, el conjunto de datos se denomina
unimodal, en el caso de dos modas se denomina bimodal, en el caso de tres modas se
denomina tri modal y en el caso de más modas se denomina multimodal. La moda se
representa como Mo para datos muéstrales o poblacionales. (Vargas, 2007).
3.2.2.3 Mediana (Me)
Según (Sáez, 2012), la mediana es el valor de la variable que deja el mismo

número de datos antes y después que él, una vez ordenados estos. El cálculo de la
mediana dependerá de si el número de datos, n, es par o impar:
n+1
Si n es impar, la mediana es el valor que ocupa la posición una vez que los
2
datos han sido ordenados (en orden creciente o decreciente), porque éste es el valor
central. Es decir:
n+1
Me = x ( ) (3.2)
2
34
Si n es par, la mediana es la media aritmética de las dos observaciones

centrales. Cuando n es par, los dos datos que están en el centro de la muestra ocupan
n n
las posiciones 2 y 2 + 1. Es decir:
n n 
x   x  1
Me =   
2 2 
2 (3.3)
La mediana corresponde exactamente con la idea de valor central de los datos.

De hecho, puede ser un valor más representativo de éstos que la media, ya que es más
robusta que la media.
3.2.3 Medida de dispersión o de variabilidad
3.2.3.1 Varianza
Según (Vargas, 2007), debido a las limitaciones algebraicas que evidencian el

rango y la desviación media, se origina el concepto de varianza, que mide las
variaciones del conjunto de datos con respecto a su media aritmética y se define como
la media aritmética de los cuadrados de las desviaciones de cada dato a la media
aritmética. En general, cuanto menor sea el valor de la varianza, menor es el grado de
variación o heterogeneidad del conjunto de datos con respecto a su media aritmética.
Sin embargo, es necesario contextualizar el análisis de esta medida a la variable y las
unidades en que está medida.
 (x
i 1
i  x)2
S2 =
n 1 (3.4)
35
Donde:
S2 = Varianza muestral.
Xi = Valor de la variable X.
X = Valor de la media.
n = tamaño de las muestra.
Además, S 2 cumple con la propiedad de ser un estimador insesgado, una

característica deseable para un estimador.
En el caso de que los datos sean el total de la población, la notación se presenta

a continuación:
 (x i  x)2
2 = i 1
n (3.5)
Donde:
σ2  Varianza poblacional.
3.2.3.2 Coeficiente de variabilidad (CV)
Según (Guarín, 2002) este generalmente le interesa establecer comparaciones

de la dispersión, entre diferentes muestras que posean distintas magnitudes o
unidades de medida.
El coeficiente de variabilidad tiene en cuenta el valor de la media aritmética,

para establecer un número relativo, que hace comparable el grado de dispersión entre
dos o más variables, y se define como:
36
S
CV =
x (3.6)
Donde:
S = Desviación estándar.
X = Media aritmética de la variable X.
3.2.3.3 Mínimo (Mín)
Representa el mínimo valor numérico que dentro de un conjunto de datos que la

variable X puede alcanzar.
3.2.3.4 Máximo (Máx)
Este es el máximo valor numérico que dentro de un conjunto de datos puede

tomar la variable X.
3.2.3.5 Covarianza
Corresponde a una función que mide la relación entre dos variables aleatorias
en función de sus posiciones en el espacio, o más simplemente (bajo la hipótesis de
estacionalidad) del vector de separación
X, x + h, cov Z(x), Z(x + h) C (h) (3.7)

37
3.3 Medidas de asimetría
Para (Dicovskiy, 2012) la Asimetría es una medida necesaria para conocer

cuánto se parece nuestra distribución a la distribución teórica de una curva normal,
curva con forma de campana, y constituye un indicador del lado de la curva donde se
agrupan las frecuencias. Esta medida se construye con el valor medio, la mediana y el
desvió estándar. Si el valor del sesgo es cero (asimetría = 0), la curva de distribución
es simétrica, en este caso coinciden los valores de la media, la mediana y la moda.
Cuando el sesgo es positivo, la media es mayor que la mediana, quiere decir que hay
valores agrupados hacia la izquierda de la curva y la cola de la distribución es más
larga a la derecha. Cuando el sesgo es negativo, la media es menor a la mediana,
significa que los valores tienden a agruparse hacia la derecha de la curva, por encima
de la media y la cola de la distribución es más larga a la izquierda.
Coeficiente de asimetría (a3), describe la asimetría de la distribución relativa a

la distribución normal y se calcula con los momentos centrales de tercer orden (M3) y
de segundo orden (M2).
3 2
n
 __
 n
 __

  xi  x 
  ;
  xi  x 
M 2 = i 1  
M3
a3 = ; Donde M 3 = i 1 (3.8)
M 2 3 / 2 n n
3.4 Medidas de localización
Las medidas de posición más utilizadas en estadística son los cuartiles, deciles y
percentiles.
38
3.4.1 Cuartiles
Las cuartillas o cuartiles son valores posicionales que dividen la información en

cuatro partes iguales, el primer cuartil deja el 25% de la información por debajo de él,
y el 75% por encima, el segundo cuartil, al igual que la mediana, divide la
información en dos partes iguales, y por último el tercer cuartil deja el 75% por
debajo de sí, y el 25% por encima. (Guarín, 2002)
3.4.2 Deciles
Si el conjunto de valores, ordenados de mayor a menor, se dividen en diez

partes iguales, los valores que dividen los datos se llaman deciles y son nueve, D1,
D2,..D9. (Dicovskiy, 2012).
3.4.3 Percentiles
Existen 99 percentiles que dividen una distribución en 100 partes iguales: del
primero al noventa y nueve percentil, también se llaman centiles. (Vargas, 2007).
3.5 Distribución de probabilidad
Es la forma de agrupación de los datos. Existe un gran número de

distribuciones asociadas a la forma de agrupación y al tipo de variable de los datos.
Algunos ejemplos de distribuciones son: normal, Poisson, geométrica,
hipergeométrica, entre otras. Si los datos se aproximan a una de estas distribuciones,
su modelo teórico se puede utilizar para propósitos de toma de decisiones. (Vargas,
2007).
39
3.5.1 Distribución normal
Es la distribución que aparece con mayor frecuencia en el comportamiento de

fenómenos reales, en especial en el área de las ciencias naturales. Johann Carl
Friedrich Gauss genio matemático, físico y astrónomo, de nacionalidad alemana, fue
el que mayormente contribuyó a su formulación y aplicación en diferentes áreas del
saber cómo por ejemplo en su aplicación a la teoría de los errores, de importancia en
ingeniería. (Rustom, 2012).
Según (Guarín, 2002), Dada la caracterización propia de este modelo continuo,

donde coinciden las medidas de tendencia central, media, moda y mediana; la
simetría respecto a estos parámetros y la facilidad de su aplicación hacen de la
distribución normal, una herramienta de uso común, máxime que la mayoría de las
variables económicas y sociales se ajustan a una función normal.
La distribución normal, también es útil como aproximación de los modelos

binomial y poisson, sustentados en el teorema del “límite central” podemos afirmar
que, cuando el tamaño de la muestra es lo suficientemente grande, podemos asumir el
supuesto de normalidad para una suma de variables.
 x 
2
1 1 / 2 
  
f ( x)  e
2 (3.9)
Dónde:
µ = Media.
e = Valor esperado.
σ² = Varianza.
40
La forma acampanada de la variable normal, resalta la perfección de esta curva

definida por los parámetros se representa como:
Figura 3.1 Campana de Gauss representando la distribución

normal (Bartolozzi 2010).
3.5.2 Distribución log-normal
Según (Bideaux, 1967), en muchos depósitos la distribución de muestra no es

simétrica, pero está caracterizada por una larga cola, que puede estar hacia los altos
valores o hacia los valores bajo, por lo tanto es una distribución sesgada positiva o
negativa respectivamente, caracterizada por una alta variabilidad en las muestras.
En estos casos de variable que tienen comportamiento lognormal, los métodos

de estadísticas simples, si se discuten en el contexto de la teoría normal pueden dar
resultado insensato o inconsistente.
La distribución lognormal, presenta la siguiente función de densidad de

probabilidad.
41
Figura 3.2 Distribución log normal sesgada positivamente.

(Bartolozzi, 2010).
Definiéndose la función de densidad de probabilidad como:
 (ln(x )  a )
1 2 2
f ( x)  e (3.10)
x 2
Dónde:
α = es el promedio de los logaritmos.
β² = es la varianza de los logaritmos.
3.6 Histogramas
Según (Emery, 2007), El histograma representa gráficamente las

frecuencias de ocurrencia en función del valor. Consiste en dividir el rango de
los valores en intervalos (generalmente, con el mismo ancho) y visualizar la
proporción de datos que caben dentro de cada intervalo.
42
El histograma es una herramienta útil para detectar valores atípicos (“outliers”).

Ahora, cabe destacar que un dato atípico no es forzosamente falso y nunca debe ser
eliminado sin razón (por ejemplo, un error de trascripción, una falla en el protocolo
de medición o un valor ausente codificado). Podría reflejar el comportamiento
verdadero de la variable regionalizada y eliminarlo impediría prever la ocurrencia de
tales valores en las zonas no muestreadas.
La visualización del histograma de los datos también es un primer medio de

verificar su homogeneidad. Eventualmente, una división del campo en varias sub-
zonas será necesaria. Así, por ejemplo, un histograma multimodal puede conducir a la
identificación, entre los datos, de varias “poblaciones” susceptibles de estar
geográficamente separadas. A veces, tal separación está impuesta por consideraciones
físicas, que impiden mezclar todos los datos: presencia de un obstáculo natural (falla,
río...), partición de una zona mineralizada según la caracterización mineralógica o el
tipo de roca, etc. En tales casos, un problema que puede plantearse es la delimitación
de las sub-zonas “homogéneas”, pues es poco frecuente que sus fronteras puedan ser
identificadas con exactitud.
De acuerdo a (Rodríguez, 2007), es la manera más común de representar la

distribución de frecuencia de los datos. Se le construye dibujando rectángulos cuya
base corresponde a cada intervalo de clase, y su altura según el valor de la frecuencia.
El histograma permite dar una primera mirada al tipo de distribución de los datos:
 Si las alturas de las barras son similares se dice que tiene una distribución de
tipo “uniforme”.
43
 Si las alturas son mayores en la zona central se dice que tiene forma de tipo
“campana” y puede ser simétrica o asimétrica, con sesgo hacia el lado
positivo o al lado negativo.
Si hay barras muy alejadas del grupo, se dice que son datos atípicos.
Probablemente estos datos se deben a errores de medición y se los puede descartar
pues no pertenecen al grupo que se desea caracterizar.
Figura 3.3 Histograma de frecuencia representando la tendencia

o comportamiento. (Bartolozzi, 2010).
3.7 Nube de dispersión o correlación
Según (Emery, 2007), esta nube consiste en visualizar los valores de una
variable en función de otra, lo cual requiere que ambas variables hayan sido medidas
en los mismos sitios. Sirve para ver la relación par a par o “correlación” de ambas
variables, así como detectar datos atípicos (puntos que se alejan del resto de la nube).
44
La Correlación es una técnica estadística usada para determinar la relación entre

dos o más variables. La correlación de proporcionalidad directa o positiva se
establece con los valores +1.00 y de proporcionalidad inversa o negativa, con -1.00.
No existe relación entre las variables cuando el coeficiente es de 0.00.
En probabilidad y estadística, la correlación indica la fuerza y la dirección de

una relación lineal y proporcionalidad entre dos variables estadísticas. Se considera
que dos variables cuantitativas están correlacionadas cuando los valores de una de
ellas varían sistemáticamente con respecto a los valores homónimos de la otra: si
tenemos dos variables (A y B) existe correlación si al aumentar los valores de A lo
hacen también los de B y viceversa. La correlación entre dos variables no implica,
por sí misma, ninguna relación de causalidad. Es decir, determinar si los cambios en
una de las variables influyen en los cambios de la otra, en caso de que suceda, se dice
que las variables están correlacionadas o que existe correlación entre ellas fuerza,
sentido y forma de la correlación.
3.7.1 Fuerza, sentido y forma de la correlación
Según (Rojas, 2013), la relación entre dos variables cuantitativas queda

representada mediante la línea de mejor ajuste, trazada a partir de la nube de puntos.
Los principales componentes elementales de una línea de ajuste y, por lo tanto, de
una correlación, son la fuerza, el sentido y la forma:
 La fuerza extrema según el caso, mide el grado en que la línea representa a

la nube de puntos: si la nube es estrecha y alargada, se representa por una
línea recta, lo que indica que la relación es fuerte; si la nube de puntos tiene
una tendencia elíptica o circular, la relación es débil.
45
 El sentido mide la variación de los valores de B con respecto a A: si al crecer

los valores de A lo hacen los de B, la relación es positiva; si al crecer los
valores de A disminuyen los de B, la relación es negativa.
 La forma establece el tipo de línea que define el mejor ajuste: la línea recta,
la curva monotonica o la curva no monotonica.
3.7.2 Coeficiente de correlación (r)
Según (Vargas, 2007), fue definido por el investigador Kart Pearson,

aproximadamente en 1900. Este coeficiente describe la intensidad lineal de la
relación entre dos conjuntos de variables de nivel de intervalo o de razón, y no
proporciona necesariamente una medida de la causalidad entre ambas variables. r es
una medida de la dependencia estadística lineal, es decir, la ecuación de la línea recta,
de las variables “x” y “y”. También se le denomina r de Pearson o coeficiente de
correlación producto-momento de Pearson, el cual se puede calcular con la ecuación:
n n n
n  x i y i  x i  y i
i 1 i 1 i 1
r=
 n 2  n 2  n 2  n 2 
n xi    xi   n y i    y i  
 i 1  i 1    i 1  i 1  
(3.11)
3.7.3 Propiedades del coeficiente de correlación “r”
A continuación se describen las principales propiedades del coeficiente de

correlación:
46
 “r” es un valor adimensional, que no depende de la magnitud de las variables

analizadas.
 El valor del coeficiente r se encuentra entre: -1 ~ r ~ 1, en términos

porcentuales -100% ~ r ~ 100%.
 El coeficiente de correlación tiene el mismo signo que la pendiente de la

ecuación; (a) r > 0 sí y sólo si b > 0; (b) r < 0 sí y sólo si b < 0. Tal como se
presenta a continuación:
Figura 3.4 Ejemplo de mapas de correlación de coeficiente de

correlación de igual signo que la pendiente de la ecuación
(Vargas 2007).
 Un valor de r =
̃ 0 significa que no hay correlación lineal entre las variables
estudiadas; las variables no presentan ningún grado de dependencia lineal
(a); o la dependencia es curvilínea (b); como se observa a continuación:
47
Figura 3.5 Ejemplo de mapas de correlación cuando no se

presenta dependencia entre las variables (Vargas 2007).
 Valores de r cercanos a 0 indican que hay dependencia estadística lineal

débil, por lo tanto las predicciones que se realicen a partir de la recta de
regresión son poco fiables. También, es posible en estos casos que la
relación pueda ser no lineal entre las variables. Si las variables son
independientes r = 0, la inversa no es necesariamente cierta.
 Un valor de r cercano a 1 (o 100%) indica dependencia lineal fuerte (las

variables aumentan al mismo tiempo) y por lo tanto las predicciones que se
realicen a partir de la recta de regresión serán bastante fiables. En este caso
existe una correlación lineal positiva fuerte, como se observa en la siguiente
figura:
48
Figura 3.6 Ejemplo de mapa de correlación con

dependencia lineal positiva fuerte (Vargas 2007)
 Un valor de r cercano a -1 indica dependencia lineal fuerte (una variable

disminuye a medida que la otra crece) y por lo tanto las predicciones que se
realicen a partir de la recta de regresión serán bastante fiables, en forma
gráfica se muestra a continuación:
Figura 3.7 Ejemplo de mapa de correlación con

dependencia lineal negativa fuerte (Vargas 2007)
 Valores de r = 1 o r = -1 (r = 100% o r = -100 %) se presentan cuando los

puntos observados se encuentran sobre la línea de regresión; existe una
49
dependencia perfecta entre las dos variables analizadas, como se observa a

continuación:
Figura 3.8 Ejemplo de mapas de correlación con dependencia

lineal fuerte positiva y negativa (Vargas 2007)
 Las variables “x” y “y” pueden estar correlacionadas linealmente, es decir,

un valor de r cercano a ±1 (±100%), lo cual no significa que “x” causa a “y”
o “y” causa a “x”; el modelo de regresión no evidencia una relación de
casualidad.
 Las variables “x” y “y” pueden ser dependientes, pero su coeficiente de

correlación, r, puede ser 0, esto sucede en el caso de tendencias parabólicas o
exponenciales, pues el coeficiente de correlación mide el grado de
asociación de la línea recta, de las dos variables analizadas. Si dos variables
aleatorias son independientes también son no correlacionadas, pero si dos
variables aleatorias no están correlacionadas no necesariamente son
independientes.
 Se puede definir una guía que permita analizar la intensidad y la dirección

del coeficiente de correlación, tal como se presenta a continuación:
50
Correlación Correlación Correlación Correlación Correlación Correlación

negativa negativa negativa positiva positiva positiva
fuerte moderada débil débil moderada fuerte
r= -1 r= -0.7 r= -0.4 r= 0 r= 0.4 r= 0.7 r= 1
No hay
Correlación Correlación
correlación
negativa positiva
perfecta perfecta
Correlación negativa Correlación positiva
Figura 3.9 Diagrama de clasificación del tipo de correlación (Vargas 2007)
3.8 Matriz de correlación
Según (Rojas, 2013), la relación entre dos variables puede ser resumida a través
de un coeficiente, llamado coeficiente de correlación lineal, que mide el grado de
“proporcionalidad” que existe entre ambas variables. Este coeficiente tiene un valor
entre -1 y 1 (estos extremos corresponden al caso en el cual las variables son
exactamente proporcionales entre sí, con un coeficiente de proporcionalidad negativo
o positivo, respectivamente).
Cuando existen más de dos variables, se puede construir una matriz de

correlación. En la intersección de la fila L con la columna M, se coloca el valor del
coeficiente de correlación entre las variables nºL y nºM. Esto sugiere un origen
distinto para estos diferentes grupos de variables. Un análisis detallado indica que las
concentraciones de las variables están relacionadas con la geología de la zona y que
estos contaminantes provienen en gran medida de la roca de caja.
51
3.9 Geoestadística
Según (Díaz, 2002), la geoestadística es una rama de la estadística aplicada que

se especializa en el análisis y la modelación de la variabilidad espacial en ciencias de
la tierra. Su objeto de estudio es el análisis y la predicción de fenómenos en espacio
y/o tiempo, tales como: ley de metales, porosidades, concentraciones de un
contaminante, etc. Aunque el prefijo geo- es usualmente asociado con geología, sin
embargo la geoestadística tiene sus orígenes en la minería.
En los años 60, Matheron acuñó el término de Geoestadística. Reconocido

como el padre de esta disciplina, Matheron formalizó y generalizó matemáticamente
un conjunto de técnicas desarrolladas por D. G. Krige (1941) que explotaban la
correlación espacial para hacer predicciones en la evaluación de reservas de las minas
de oro en Sudáfrica. Él definió a la Geoestadística como "la aplicación del
formalismo de las funciones aleatorias al reconocimiento y estimación de fenómenos
naturales" (Matheron, 1962). Si bien más adelante nos detendremos en el concepto de
una función aleatoria, baste decir de momento que puede visualizarse como la
asociación de una variable aleatoria a cada punto del espacio.
Según (Emery, 2007), el prefijo “GEO” alude a las ciencias de la tierra, que ha
sido históricamente la disciplina donde la geoestadística se ha desarrollado. Los
campos de aplicación actuales alcanzan los dominios más variados, como la
evaluación de recursos naturales (mineros, forestales, gas, petróleo, etc.), ciencias del
suelo y medio-ambientales, topografía, oceanografía, geofísica, agricultura y análisis
de imágenes, por nombrar algunos). El término “ESTADISTICA” se refiere al uso de
herramientas estadísticas y probabilísticas. Con respecto a la estadística clásica, la
geoestadística busca tomar en cuenta las dependencias entre las observaciones
disponibles, considerando que ellas están ubicadas en el espacio.
52
La geoestadística se define como el estudio de fenómenos regionalizados, es

decir, que se extienden en el espacio y presentan una cierta continuidad. Por
“espacio”, entenderemos en general el espacio geográfico, pero puede también
tratarse del eje temporal o de espacios más abstractos. El objeto sobre el cual
trabajaremos será una descripción matemática del fenómeno regionalizado, a saber,
una o varias funciones numéricas llamadas variables regionalizadas, que miden
ciertas propiedades o atributos relacionados con este fenómeno. Por ejemplo:
1. La ley de un mineral, la potencia de una veta, la acumulación, la densidad de

la roca o la recuperación metalúrgica, describen un fenómeno de
mineralización.
2. La porosidad y la permeabilidad de la roca en un reservorio de petróleo o en

un acuífero.
3. La concentración de un elemento contaminante en la atmósfera o en el suelo.
4. La altitud topográfica en un punto del espacio geográfico.
5. La conductividad eléctrica, el pH y la concentración en nutrientes medidas

sobre una muestra de suelo.
6. El número de árboles y su diámetro promedio en áreas de observación de un

bosque.
3.10 Variogramas
Según (Castillejo, 2007), también conocido como semivariograma, es una

función que modela el tipo y la intensidad de la autocorrelación espacial que exista en
53
la variable. Es según su precursor “…la aplicación del formalismo de las variables

aleatorias, del reconocimiento y estimación de fenómenos naturales en el espacio.
Esta herramienta cuantifica la semi-varianza que existe en la distribución,

midiendo el grado de correlación existente entre los valores de la variable en cada
punto y la distancia entre aquellos.
El objetivo de variograma, integrado en las técnicas geoestadísticas, va más allá

de la determinación de la correlación, ya que mediante la cuantificación de la relación
de una variable medida en serie de puntos, se puede conocer/predecir esa misma
variable medida en puntos situados a distancias conocidas, pero que no han sido
muestreados (Isaaks &Srivastava, 1989). El variograma se define como la medida
aritmética de todos los cuadrados de las diferencias entre pares de valores
experimentales separados una distancia h (Journel y Huijbregts, 1978) o lo que es lo
mismo, la varianza de los incrementos de la variable regionalizada en las
localizaciones separadas una distancia h.
Si se asume que la variable regionalizada Z(x), tiene un comportamiento

estacionario, o sea es invariante bajo traslación (h), el variogramas se define como:
γ(h) = ½ Е Z (x)  Z (x  h)  2

(3.12)
Para obtener el variogramas experimental con datos de muestra se utiliza la

siguiente ecuación:
1 n
γ (h) =  Z ( xi )  Z ( xi  h)2 (3.13)
2n i 1
54
Dónde:
n = Número de pares entre Z(x) y Z(x+h).
h = Distancia de separación.
3.10.1 Tolerancia en los parámetros de cálculo
Según (Emery, 2007), si los datos están irregularmente distribuidos en el campo

D, el número de pares N (h) que interviene en el cálculo de gˆ(h) para un vector h
dado, es generalmente muy pequeño (incluso igual a 0 ó 1). El variograma
experimental tiene entonces un aspecto muy errático y resulta imposible interpretarlo
y modelarlo. Para que sea más robusto, se suele permitir algunas tolerancias de
cálculo, sobre las distancias y las direcciones. El ancho de banda limita la separación
del cono de tolerancia a una extensión máxima. En el espacio de tres dimensiones, se
introduce dos anchos de banda: uno horizontal y otro vertical. En resumen, los
parámetros a especificar para calcular un variograma experimental son los siguientes:
1. Dirección de interés: azimut, inclinación.
2. Distancias de interés, en general múltiplos de una distancia elemental

llamada (“lag”).
3. Tolerancia en la dirección: tolerancia angular, ancho(s) de banda.
4. Tolerancia en las distancias.
3.10.2 Propiedades del variograma experimental
De acuerdo a (Emery, 2007), el variograma experimental gˆ(h) es un estimador

insesgado del variograma teórico:
55
(Eγ(h) = γ(h) (3.14)
Un indicador de la robustez de γ(h) es su varianza relativa
var[γ(h)]/[γ(h)]2 (3.15)
Mientras más elevada dicha varianza, más susceptible es el variograma

experimental de fluctuar en torno a su valor esperado (el variograma teórico γ(h)) y
más difícil se vuelve la inferencia estadística. Aunque esta varianza relativa sólo
puede ser expresada en algunos casos particulares, puesto que requiere conocer la
función aleatoria hasta sus distribuciones quadrivariables, los principales factores que
la influencian son:
1. La distancia considerada (norma del vector h): la varianza relativa de γ(h)

suele tomar.
2. Valores considerables para las grandes distancias (para fijar las ideas,
aquellas distancias mayores que la mitad del diámetro del campo).
3. La irregularidad o el carácter preferencial de la malla de muestreo, que

pueden provocar grandes fluctuaciones en el variograma experimental,
incluso para pequeñas distancias.
4. El número de pares de datos: mientras más bajo, mayores son las

fluctuaciones.
5. La presencia de datos extremos ourliers los cuales tienen un impacto

considerable en el cálculo del variograma experimental, pues este último
eleva los valores al cuadrado.
56
3.10.3 Nube variográfica
De acuerdo a (Emery, 2007), para estudiar la estabilidad numérica del

variograma experimental, es útil visualizar la Nube variografica, es decir, la nube de
las diferencias cuadráticas {[z(Xα) - z(Xβ)]2 / 2, con (α,β) € N(h)} en función del
vector h o de su módulo |h|. El variograma experimental se obtiene al tomar, para
cada vector h, la media de los puntos correspondientes de la nube ariográfica. El
análisis de esta nube permite localizar los pares de datos responsables de los valores
altos del variograma experimental y poner en evidencia los datos notablemente
diferentes de sus vecinos.
En lugar de visualizar la nube entera de las diferencias cuadráticas, se puede

también sólo localizar sus extremos, su media (que no es otra cosa que el valor del
variograma experimental para el vector h) y sus cuartiles. Si la media está fuera del
rango intercuartil (intervalo entre el primer y tercer cuartil), esto puede indicar que el
valor del variograma experimental para el vector considerado está fuertemente
influenciado por algunos valores extremos, luego es poco robusto. Para paliar esta
situación, en la práctica se puede recurrir a las siguientes aproximaciones:
1. Utilizar una herramienta alternativa al variograma.
2. No considerar los “outliers” al momento de calcular el variograma.
3. Bajar arbitrariamente el valor de los outliers (“capping”).
4. Transformar los datos, por ejemplo pasándolos a logaritmo. Ahora, si bien el

logaritmo atenúa los valores extremos y facilita el modelamiento del
variograma, la dificultad de este procedimiento radica en que, en general, se
57
desconoce la relación entre el variograma de la variable original y el

variograma de su logaritmo, por lo que una hipótesis adicional es necesaria.
3.10.4 Mapa variográfico
El mapa variográfico consiste en visualizar el variograma experimental en todas

las direcciones del espacio, bajo la forma de un mapa con escala de color o de grises.
Ayuda a distinguir si existe anisotropía, para luego calcular el variograma
experimental a lo largo de las direcciones principales de anisotropía. (Emery, 2007).
3.10.5 Análisis de los resultados gráficos obtenidos del variograma
Según (Castillejo, 2007), el modelo gráfico de la función semivariograma tiene

una serie de componentes que permiten describir ciertos aspectos de la variabilidad
espacial de la población objeto de estudio. Sin profundizar, los tres principales son:
1. Meseta/Umbral: lo común es que el variograma sea una función monótona

decreciente, ya que al incrementarse la distancia h, aumenta la diferencia,
alcanzándose un valor límite conocido como meseta, que es el equivalente a
la varianza muestral de la población.
2. Rango: punto en el que la meseta alcanza su máximo valor de h. el modulo

del rango es la zona de influencia (distancia) en torno a un punto más allá del
cual, la autocorrelación es nula. En otras palabras, la dependencia espacial
disminuye a medida que se incrementa la distancia h y dicha dependencia
termina a una distancia concreta: el rango. (*)38 El rango no es unimodal, es
decir, puede darse el caso en el que el rango no sea igual en todas las
direcciones, reflejando la existencia de anisotropía, es decir, diferentes
intensidades en el proceso espacial según la dirección que se tome. También,
58
puede que para una dirección determinada, haya más de un rango, lo cual
indica la presencia de distintas estructuras de correlación actuando a
diferentes escalas.
3. Efecto pepita: la interpretación que se haga de un variograma dependerá del

tamaño del efecto pepita, ya que la diferencia entre la meseta (si existe) y el
efecto pepita representa la proporción de la varianza muestral que puede
modelizarse como variabilidad espacial. El efecto pepita representa dos
fuentes de variabilidad que, con frecuencia, actúan a la vez. La primera se
debe a la existencia de variabilidad en una distancia más pequeña que el
menos h considerado en el análisis, causado por la falta de congruencia entre
el tamaño de la unidad de mínimo significado empírica y la empleada en el
diseño de toma de datos. En la segunda, la causa de este efecto suelen ser los
errores experimentales.
Figura 3.10 Ejemplo de variograma mostrando sus

características principales: efecto pepita, rango, meseta.
59
3.10.6 Comportamiento en el origen
Según (Chica, 1987), además del estudio del variograma para grandes
distancias, también es de gran interés estudiar su comportamiento en origen, esto es,
para valores h pequeños. Tal comportamiento refleja gráficamente el grado de
continuidad y de regularidad del fenómeno.
Es frecuente distinguir, según el grado de continuidad decreciente, cuatro tipos

de variogramas referidos a su comportamiento en el origen. Estos variogramas
pueden verse en la figura (), cuyas características son:
1. Parabólico: Presenta una figura que caracteriza a una variable

extremadamente regular siendo derivable la variable regionalizada.
2. Lineal: La grafica parte del origen (para h=0 γ(h)= 0); caracteriza una
variable regionalizada continua pero menos regular que el caso anterior. La
variable regionalizada es continua en media cuadrática pero no derivable.
3. Discontinuo en el origen: La función γ(h) presenta una discontinuidad en el

origen llamada “efecto pepita”; se tiene entonces que cuando h tiende a 0,
γ(h) no tiende a 0. Esto implica que la variable regionalizada no es continua
en media cuadrática por lo que representa a una variable muy irregular. Asi,
dos puntos muy próximos presentan una diferencia de varuianza al menos
igual al valor del efecto pepita.
4. Discontinuo puro: El variograma presenta un gráfico al que se puede ajustar

una recta paralela al eje de distancias. Corresponde al caso de máxima
discontinuidad “aleatorio puro”.
60
Su principal objetivo es caracterizar la variabilidad espacial de las variables

regionalizadas. Con esta herramienta se detectan direcciones de anisotropía, zona de
influencia y su extensión (correlación espacial) y variabilidad con la distancia.
Estableciéndose las distancias o radios de búsqueda de las muestras usadas para la
asignación de los grados químicos a través de la interpolación en cada bloque del
modelo, en donde está definida la distancia de influencia entre los valores de las
muestras estudiadas. Sin embargo, las distancias pueden variar significativamente de
un depósito mineral a otro, o en diferentes partes o en diferentes direcciones. De un
mismo depósito, este grado de similitud o disimilitud entre los valores puede ser
cuantificado y puede ser de gran ayuda para comprender las propiedades del depósito
y optimizar su evaluación. (Rojas, 2013).
Figura 3.11 Comportamiento del variogramas, Parabólico, lineal,

discontinuidad en el origen (efecto pepita) y discontinuo puro.
3.11 Análisis de anisotropía
Según (Perez, 1992), cuando se trabaja con variables regionalizadas en dos o

tres dimensiones, es muy importante calcular el semivariograma en diferentes
direcciones para ver si sus propiedades cambian con la dirección y de esta forma
detectar la presencia de anisotropía.
La anisotropía aparece con frecuencia en las variables geológicas y puede tener

su origen en el comportamiento microscópico del medio (por ejemplo, propiedades
61
ópticas de los cristales) o en la variabilidad espacial. En este último caso la

anisotropía se estudia a partir de los semivariogramas.
1. Anisotropía elíptica o geométrica: un variograma cuyo rango es una función

de la dirección se dice que es geométricamente anisotrópico y puede tratarse
mediante una transformación lineal de coordenadas para restaurar su
isotropía. En el caso de la anisotropía elíptica, se llama relación de
anisotropía al coeficiente entre el alcance mínimo y el máximo, y las
direcciones correspondientes se denominan principales.
Figura 3.12 Ejemplo (2D) de anisotropía geométrica de razon a/b y

ángulo θ. Izquierda: elipse de alcances. Derecha: variograma
de las direcciones príncipales de anisotripía.
El grado de anisotropía del comportamiento espacial de la variable aleatoria

corresponde a la siguiente relación:
An = a/b (3.16)
Dónde:
An: Anisotropía.
62
a: Eje principal.
b: Eje secundario.
2. Anisotropía zonal: se presenta cuando existe una fuente de variabilidad

adicional en una de las direcciones, lo que se manifiesta en que la meseta
depende de la dirección.
Figura 3.13 Representación de anisotropía zonal
3.12 Modelos teóricos del variograma
Cuando se habla de modelos de semivariograma, se está refiriendo a una serie

de funciones de las que se saben que satisfacen determinadas condiciones. Estas
funciones son las utilizadas en la práctica para ajustar los semivariogramas
experimentales, ya que estos últimos pueden no satisfacerlas y son más incómodos
para trabajar con ellos. Los modelos matemáticos de semivariogramas se pueden
clasificar teniendo en cuenta si corresponden o no a situaciones donde las condiciones
de estacionariedad de segundo orden se cumplen. (Perez, 1992).
63
Figura 3.14 Modelos de variogramas teóricos. (Chica, 1998).
3.12.1 Modelo efecto pepita puro
Este modelo es indicativo de un fenómeno sin ninguna autocorrelación espacial. Este

es el caso en donde la variable regionalizada z(x) está distribuida aleatoriamente y por
consiguiente la varianza entre valores es cero para cualquier distancia h. no es común
emplearlo solo, sino en combinación con algún otro. (Perez, 1992).
3.12.2 Modelo lineal
Este variograma no posee ni meseta ni alcance, sino que crece en forma

indefinida. (Emery, 2007).
3.12.3 Modelo esférico
Es uno de los más empleados en la práctica. Se caracteriza porque alcanza la meseta

para una distancia finita (h=a). Es indicativo de fenómenos continuos (o con un
conjunto a lo sumo numerable de discontinuidades), aunque no derivables. Se ha
64
encontrado que da una representación satisfactoria para variogramas de distintos tipos

de yacimientos minerales. (Perez, 1992).
3.12.4 Modelo exponencial
Este modelo a diferencia del esférico crece inicialmente más rápido y después
se estabiliza de forma asintótica. Como la meseta no se alcanza a una distancia finita,
se usa con fines prácticos el "alcance efectivo" o "alcance práctico", valor que se
obtiene en el punto de abscisa para el cual el modelo obtiene el 95% de la meseta.
(Rojas, 2013).
3.12.5 Modelo gaussiano
Este modelo se emplea para representar fenómenos “suaves”, es decir,

continuos en todos los puntos y derivables en la mayoría. El semivariograma
gaussiano suele conducir a problemas numéricos, salvo cuando se usa con efecto
pepita. Por ello, su empleo en la práctica es poco habitual. (Perez, 1992).
3.12.6 Modelo parabólico
Este modelo presenta oscilaciones, las cuales tienen generalmente una

interpretación física (fenómeno periódico amortiguado, por ejemplo). (Emery, 2007).
3.13 Aplicaciones del variograma
Según (Bartolozzi, 2010), el estudio del variograma es una de las partes más
importantes en geoestadística y es un prerrequisito para el uso del Kriging en la
evaluación de reservas. (González, 1996). El variograma puede proporcionar
información relacionada a:
65
1. El sentido de mejor dirección en la mineralización.
2. La orientación y tamaño de los mayores grados de mineralización.
3. El average espacial entre zonas de menas y periodicidad en la

mineralización.
4. El rumbo y buzamiento de zonas de fracturas así como la orientación de la

mineralización dentro de estas zonas.
5. La distancia de influencia de una muestra o la distancia más allá en la cual la

similitud entre los valores es despreciable.
6. La precisión con la cual la mineralización es conocida en el punto donde es

muestreada.
3.14 Problemas más comunes encontrados en el cálculo del variograma
La fuente de problemas que se pueden presentar en el cálculo de los

variogramas es muy variada y dependen de los casos que se presentan en la
naturaleza. (Bartolozzi, 2010).
1. Valor idóneo del incremento h: una inadecuada selección de h puede

proporcionar un semivariograma errático, aunque no se puede dar un criterio
exacto o aproximado sobre el cual el mejor valor de h, es recomendable
recalcular γ (h) para distintos valores de h, hasta encontrar una forma
suavizada del mismo.
66
2. Distribuciones con valores extremos: la existencia de valores extremos, altos

o bajos, en una distribución puede conducir a la obtención de un variograma
fuertemente errático. En este caso la solución puede ser simple, eliminar los
datos extremos, porque pueden ser ocasionados por errores, en otros casos
pueden encontrarse en zonas geográficamente distintas y pueden ser tratados
de manera separada.
3. La existencia de poblaciones mixtas: existen datos que pueden mostrar

diferentes poblaciones, las cuales pueden estar estadísticamente
diferenciadas. En muchos casos las poblaciones están en zonas geográficas
distintas.
4. Otras causas de un variograma errático son: número insuficiente de

muestras, las muestras no son representativas del fenómeno, las
clasificaciones de las muestras no son válidas, el área estudiada es no
homogénea, pequeños o grandes conjuntos de datos son necesarios,
pequeñas tolerancias son necesarias, las muestras pueden tener
localizaciones incorrectas, los valores muestreados pueden ser erróneos, etc.
3.15 Kriging
Según (Díaz, 2002), el kriging es un término que ha sido acuñado para designar
al "mejor estimador lineal insesgado" de un punto y al mejor promedio lineal móvil
ponderado de un bloque.
Este nombre apareció alrededor de 1960 para nombrar una técnica creada en
Francia por Matheron a partir de los trabajos de D. G. Krige quién fue probablemente
el primero que hizo uso de la correlación espacial y del mejor estimador lineal
insesgado en el campo de la evaluación de yacimientos minerales.
67
El kriging es una técnica de estimación local que ofrece el mejor estimador

lineal insesgado de una característica desconocida que se estudia. La limitación a la
clase de estimadores lineales es bastante natural ya que esto significa que solamente
se requiere el conocimiento del momento de segundo orden de la función aleatoria (la
covarianza o el variograma) y que en general en la práctica es posible inferir a partir
de una realización de la misma.
De acuerdo a (Alfaro M. , 2007), el interés práctico más importante del

krigeado, proviene, no del hecho que asegura la mejor precisión posible, sino más
bien porque permite evitar un error sistemático. En la mayoría de los depósitos
mineros, se deben seleccionar, para la explotación, un cierto número de bloques,
considerados como rentables y se deben abandonar otros bloques considerados no-
explotables. Daniel Krige demostró que, si esta selección se realizara considerando
exclusivamente las muestras interiores a cada bloque, resultaría necesariamente (en
promedio) una sobre-estimación de los bloques seleccionados. La razón de este
problema es que el histograma de las leyes reales de los bloques tiene menos leyes
extremas, ricas o pobres, luego tiene más leyes intermedias que el histograma
calculado con las muestras interiores, y, si se calcula el efecto de una selección sobre
este último histograma, los paneles eliminados serán en realidad menos pobres que lo
que se había previsto, y los paneles conservados menos ricos
Para resolver el sistema de ecuaciones de Kriging, se requiere de información

sobre las dependencias espaciales que caracterizan a cada unidad analizada. Estas son
proporcionadas por los variogramas. Una vez que el modelo variografico es
establecido, el bloque de Kriging que sigue es simplemente un ejercicio de
matemáticas. Para cada bloque, las muestras más cercanas al centroide del bloque son
seleccionadas, tomando en cuenta la anisotropía. Los pesos de Kriging están entonces
determinados para cada muestra de información usando las distancias de anisotropía
para calcular la varianza de extensión. Un bloque estimado por Kriging es entonces
68
hecho por la suma del producto de cada valor de muestra por su peso de Kriging. Los
puntos discrecionales son también usados para calcular la varianza de dispersión
necesaria para obtener la varianza de Kriging del bloque. (Bartolozzi, 2010)
n
Z ( x 0 ) =  i * Z ( x i ) (3.17)
i 1
Dónde:
Z (xi) = Valor de la variable en el punto xi.
Z (xo) = Valor estimado de la variable en el punto o bloque xo.
3.15.1 Tipos de kriging
Según (Bartolozzi, 2010), describe tres tipos de kriging:
1. Kriging simple: simplificación de Kriging donde el componente de primer

orden de los datos es conocido a priori.
2. Kriging ordinario: las medias locales no son necesariamente próximas de la

media de la población, usándose apenas los puntos vecinos para la
estimación.
3. Kriging universal: variación de Kriging que incorpora la compensación ante

la presencia de tendencias locales en los datos.
4. Co-Kriging: variación que intenta corregir la falta de datos fuente con una
segunda serie de datos condicionantes (co-variate data).
69
3.16 Método de interpolación por el inverso de la distancia al cuadrado
Es una técnica de estimación que toma en cuenta la ubicación espacial de las

muestras, para calcular valores dentro de un bloque o área específica usando un
ponderador calculado a partir del inverso de la distancia al cuadrado entre cada
muestra y el punto medio del bloque, y expresa que todos los elementos de un cuerpo
mineral que pueden ser expresados numéricamente, cambian gradual y continuamente
a lo largo de una línea recta entre dos estaciones colindantes. (Figura 3.15).
Figura 3.15 Modelo de estimación que toma en cuenta la

ubicación espacial de las muestras. (Bartolozzi, 2010).
El IDW calcula un valor para cada punto céntrico (nodo) examinando muestras
de los sondeos cercanos encontrados dentro de un radio de búsqueda definido por el
usuario. Algunos o todos los puntos de datos pueden ser usados en el proceso de
interpolación. El valor del nodo se calcula al promediar el total de todos los puntos,
en donde cada uno de ellos contribuye a los porcentajes Los puntos de datos que se
encuentran progresivamente más lejanos al nodo, influencian el valor computado
mucho menos que aquellos que se encuentran cerca del nodo.
70
La ecuación está definida por la siguiente expresión:
D )  (V D )    (V D )
2 2 2
(V 1
G 1 2 2 k k (3.18)
(1 D )  (1 D )    (1 D )
2 2 2
1 2 k
Dónde:
G= Valor estimado del bloque.
V= Valor de la muestra (compuesto).
D= Distancia de la muestra al centro del bloque.
K= Número de muestras empleadas para calcular el valor del bloque.
3.17 Elementos utilizados para actualizar y visualizar la base de datos de un

yacimiento
3.17.1 Sondeos Geoexploratorios
Según (Peña, 2005), estos proporcionan información sobre las características de

la mena en el subsuelo, características como: espesor, profundidad, grado químico,
textura y cálculo de reservas aproximadas. Se realiza mediante la utilización de
taladros, dependiendo de la dureza de la roca se utilizan taladros diferentes. En la
minería del hierro se utilizan taladros con punta de diamante puesto que las menas
son muy duras, ya que son cuarcitas ferruginosas.
Las muestras obtenidas con estos sondeos son descritas petrológicamente por el
geólogo y luego se analizan químicamente en el laboratorio para apreciar con mayor
detalle las características de la muestra.
71
3.17.2 Secciones Verticales
(Bolívar, 2014), define que, una sección vertical es un corte transversal donde
se visualiza las variaciones verticales y laterales de las menas de un deposito,
básicamente es una vista de perfil de la zona de estudio.
La información es obtenida e interpretada a partir de mapas geológicos de la

superficie y de los sondeos geoexploratorios, las secciones verticales nos representan
la cantidad aproximada del contenido litológico del yacimiento, los cuales a su vez
son corregidos en la medida en que se realicen nuevos sondeos. Cabe destacar que
cada sección posee una numeración y rango en el plano. En la figura 3.16 se aprecia
la imagen de una sección vertical del Cerro San Isidro.
Figura 3.16 Sección vertical del Cerro San Isidro.
3.17.3 Modelo de bloques
Según (González, 2010), el modelo de bloques es una matriz tridimensional,

cuyos bloques tienen una base cuadrada de una determinada longitud y una altura de
los bloques que en general es la altura del banco de minado, la longitud de los
bloques o SMU, puede ser determinada usando variables geoestadísticas, en general
72
los modelos de bloques son de dimensiones de 25 x 25 o 20 x 20, etc., y la altura del

bloques es igual a la altura del banco de minado que se va a tener.
Este modelo de bloques debe ser inicializado con todas las variables que se
necesiten modelar. Cada block consta de variables numéricas como: Topografía,
Leyes de Mineral, Roca, Alteración, Mineralización, Densidad, Dureza, Índice de
Solubilidad, etc.
Es importante el modelamiento geológico y tenerlo en un sistema electrónico

porque es la base para determinar las reservas geológicas y económicas, para el plan
de minado a corto, mediano y largo plazo.
De acuerdo a (Bolívar, 2014), El modelo de bloques almacena información

variable en cada uno de los bloques, dependiendo de las variables que almacene el
modelo puede ser clasificado como modelo geológico, o de minas.
El modelo geológico ofrece información clasificada y organizada sobre la

litología del yacimiento representada en cada uno de los bloques que lo conforman,
asignándole diferentes colores a los bloques dependiendo del valor de las variables
que posee.
El modelo de minas, ofrece información clasificada y organizada sobre

variables mineras como; tenor, cantidad específica del tipo de material, entre otras. Y
al igual que en el modelo geológico los bloques poseen colores diferentes
dependiendo del valor de las variables que posee, es decir, un bloque de alto tenor
tiene un color diferente a uno de bajo tenor.
73
3.18 Planificación minera
Según (Peirano, 2011), La Planificación Minera busca conjugar y activar las

fuentes de renta con que cuenta el negocio minero tales como el tamaño, la ley, la
ubicación y las características generales del recurso geológico, las condiciones
operacionales y de gestión, el poder de mercado, entre otras respetando las
restricciones impuestas por el mercado y el entorno para definir una promesa
productiva en el tiempo que permita maximizar la renta económica del activo.
Debe buscarse que la Planificación Minera sea coherente con los objetivos
estratégicos de la empresa, también debe ser sistémica, es decir, que incorpore las
diferentes áreas de la ingeniería, geología, finanzas, entre otras, y dinámica en el
análisis de las condiciones que afectan el desarrollo y operación de la mina.
La planificación minera se puede clasificar en:
1. Planificación estratégica: busca tomar las condiciones del mercado, del

recurso económico y los objetivos de los inversionistas, alineando la guía en
la toma de decisiones con las condiciones mencionadas. Las principales
funciones de este tipo de planificación son el reconocimiento y/o adquisición
constante del recurso mineral, la definición de los métodos y ritmos de
explotación, de la secuencia de producción, y de las leyes de corte.
2. Planificación Conceptual: es el proceso que delinea los recursos existentes

para conducir a la meta productiva definida como parte de la planificación
estratégica. Define la envolvente económica, el diseño conceptual, el
programa de producción y la evaluación económica conducentes a la
elaboración de un plan minero. Se cuantifican los recursos humanos y
materiales a utilizar, de modo de configurar el plan de negocios de la
compañía.
74
3. Planificación Operativa: define el detalle de las actividades que conducen al

cumplimiento del plan minero. Esta instancia de la Planificación Minera es
crucial en la obtención de indicadores operacionales que permitan
retroalimentar y redefinir las decisiones conceptuales del diseño y
secuenciamiento en busca de optimizar los resultados del negocio minero.
Desde el punto de vista de los horizontes de planificación, se puede definir una

diferenciación en tres alcances:
1. Planificación de Largo Plazo: define el tamaño, vida de la mina, y las

reservas mineras. Corresponden el cálculo de envolvente económica, el o los
métodos de explotación, los ritmos de explotación a lo largo de la vida de la
mina, la secuencia de extracción y el perfil de leyes de corte. De esta manera
se deben entregar proyectos con diferentes niveles de riesgo, reportando la
mayor cantidad de información a los inversionistas.
2. Planificación de Mediano Plazo: se encarga de adaptar los modelos que

sustentan la planificación de largo plazo, generando planes de producción
que conduzcan a la operación a las metas de producción definidas. El
resultado obtenido en este horizonte, permite adaptar la definición de
negocios de la mina.
3. Planificación de Corto Plazo: se encarga de la recopilación y utilización de

la información operacional de modo de retroalimentar la planificación de
mediano plazo. Además, se analizan los recursos utilizados en la operación
de la mina y se definen indicadores de modo de corregir los modelos que
sustentan la planificación.
75
3.19 Tipos de minería
3.19.1 Minería a cielo abierto
Según (Peirano, 2011), a lo largo de la historia, la minería de superficie o a

cielo abierto ha sido más productiva que la minería subterránea. Dependiendo de las
condiciones del recurso geológico, tales como su tamaño, calidad mineralógica,
geotécnica, la profundidad, y las condiciones de mercado tales como precios, costos
de equipos e insumos, en conjunto con las características ambientales y sociales
donde se encuentre un depósito, se podrá realizar una explotación a cielo abierto si es
que esa elección significa el mejor plan de negocios para los accionistas.
El método comúnmente usado a la hora de definir un diseño y su posterior plan

de operaciones se ha basado en el análisis de modelos de bloques, que consisten en
una discretización en grillas de bloques, donde cada uno de estos bloques representa
un volumen de material con sus correspondientes propiedades minerales. Dado un
marco técnico-económico, cada bloque puede ser evaluado económicamente a partir
de su contenido de mineral de interés y los costos asociados a su extracción y
potencial procesamiento. A partir de esta evaluación es posible diferenciar lo que es
mineral de lo que es estéril.
Las condiciones geométricas y geotécnicas que posea el depósito tendrán

impacto en la forma del pit o rajo que se deba diseñar para poder realizar la remoción
de material estéril que cubre al mineral, siendo la altura de banco y el ángulo de talud
las principales decisiones en términos operacionales que deben tomarse. Los diseños
de accesos, rampas, caminos y conexiones para el transporte de material y la logística
también son un set de decisiones de relevancia a la hora de definir un plan de
producción minero.
76
El problema de diseño a cielo abierto se ha solucionado tradicionalmente

mediante un primer análisis del modelo de bloques, y luego, asumiendo una ley de
corte fija se procede a calcular y definir un set de pits anidados variando
artificialmente el precio de mercado de las sustancias de interés. Posteriormente se
selecciona un subconjunto de los pits anidados que harán las veces de pushbacks o
fases, las cuales finalmente serán la base de discretización para maximizar el valor
presente neto mediante la secuencia de extracción de estéril y mineral.
3.19.2 Minería subterránea
El método de explotación subterránea, es utilizado cuando las zonas

mineralizadas (vetas o cuerpos de mineral económico) son angostas y profundas, por
lo que según las evaluaciones técnicas y económicas justifica la perforación de
túneles y socavones para posibilitar su extracción. (Estudios Mineros del Perú, 2010).
3.20 Algunos métodos de minería a cielo abierto
La minería es considerada por muchos autores como un arte, esto se debe a que
cada mina y cada extracción minera es diferente a cualquier otra, ya que cada
yacimiento posee características propias y diferentes a los demás, las características
más notables, son el grado de mineralización, la topografía, el tipo de roca, el espesor
y forma del yacimiento, entre otras, dicho esto para poder extraer con el mayor
beneficio y facilidad el mineral de interés se han desarrollado varios métodos de
minería a cielo abierto donde cada uno de ellos se adapta a las exigencias y
características que presenta el yacimiento, a continuación se presentan algunos de
estos métodos. (Herrera, 2006).
77
3.20.1 Método de fosa abierta (Open Pit)
Según (Bolívar, 2014), este método es tradicional en la minería metálica, se

realiza mediante un avance tridimensional efectuando un banqueo descendente con
secciones verticales en forma troncocónica, para la aplicación de este método se
requiere una alta tecnología de planificación, diseño, operación y control, ya que,
generalmente este tipo de excavación alcanza profundidades importantes.
La extracción en cada nivel se realiza en un banco con uno o varios tajos

dependiendo de la altura del banco. Debe existir un desfase entre los bancos a fin de
disponer de unas plataformas de trabajo para que operen los equipos a su máximo
rendimiento y en condiciones de seguridad adecuadas, mientras que las vías o
carreteras se adaptan a los taludes finales o en actividad, permitiendo así el acceso a
diferentes niveles y cotas.
Generalmente la profundidad de estas excavaciones suele ser grande, llegando

en algunos casos superar los cuatrocientos (400) metros y por ello la vida de estas
explotaciones suele ser larga, por lo general superior a los 20 años, en especial en la
minería metálica.
3.20.1.1 Ventajas del método:
1. Alta productividad. Caracterizado por métodos de manejo de materiales que

son altamente mecanizados y de baja ocupación de mano de obra.
2. Alta tasa de producción. Esencialmente no tiene límites el volumen de

producción, aunque también el método es aplicable a pequeños depósitos.
78
3. Producción temprana. El desarrollo del yacimiento puede ser programado a

fin de permitir un arranque temprano de la producción.
4. Bajos requerimientos de mano de obra. Requiere bajo número de

trabajadores y en algunos casos con poco entrenamiento, excepto para las
operaciones claves tales como perforadores, operadores de equipo pesado,
mecánicos, entre otros.
5. Operación flexible. La operación puede adaptarse con relativa facilidad a los

cambios de la demanda, en volumen y calidad.
6. Bajo costo de arranque. En relación con la minería subterránea el costo de
arranca es mucho menor.
7. Accesos y desarrollos simples. Requiere mínimas labores de apertura y

accesos.
8. Buena recuperación. Generalmente es muy buena la recuperación del

depósito hasta los límites finales de excavación.
3.20.1.2 Desventajas del método:
1. Limitada profundidad. Las limitaciones tecnológicas impuestas por los

equipos restringen la excavación generalmente a menos de los cuatrocientos
(400) metros de profundidad, más allá de esos límites la explotación puede
continuar mediante métodos subterráneos o simplemente el depósito se dejan
en sitio sin recuperar.
2. Alta inversión de capital. Generalmente son proyectos de capital intensivo

asociados con grandes equipos de operación.
79
3. Alta sensibilidad ambiental. La actividad minera afecta amplias áreas que

involucran importantes impactos ambientales y obligan a adoptar medidas de
prevención, mitigación y control de los mismos, durante la explotación y
posteriormente realizar trabajos de recuperación ambiental.
4. Requiere grandes depósitos. Para permitir la obtención de altos niveles de

productividad y consecuentemente bajos costos de producción se requieren
grandes depósitos minerales, o yacimientos con altos tenores.
5. Estabilidad de taludes. Es esencial el apropiado diseño y mantenimiento de

taludes y bancos, para evitar riesgos en las operaciones mineras, y realizar
un adecuado drenaje de la mina.
3.20.2 Método de tajo abierto (Open Cut)
Es una variante del método Open Pit, se aplica específicamente para

yacimientos que se encuentran en laderas de modo que el sistema de bancos queda
abierto a lo largo de la ladera, al igual que el método anterior este se efectúa
realizando un banqueo descendiente y debe existir un desfase entre los bancos a fin
de disponer de unas plataformas de trabajo para que operen los equipos a su máximo
rendimiento y en condiciones de seguridad adecuadas. (Herrera, 2006)
3.21 Optimización de pits
De acuerdo a lo definido por (Alfaro M. , 2009 ) y (González, 2010), Se podría

decir que al realizar la optimización, se está estableciendo lo que será el punto final
de explotación o extracción en el yacimiento del proyecto minero que se está
desarrollando. El término optimización del pit sugiere que el resultado de este
proceso es exacto, por lo que se podría describir como un proceso teórico, ya que al
80
momento de suavización y operaciones de explotación, el diseño del pit establecido

puede ser modificado, esto se debe a distintas razones, algunas de ellas son:
1. La adición de carreteras. La ubicación de las carreteras cambian

significativamente los taludes y por supuesto cambia el diseño de la mina. El
diseño de taludes para la optimización del pit puede modificarse de tal
manera que refleje el talud final (Incluyendo los ángulos Inter-rampa y las
carreteras), pero esto sigue siendo una aproximación.
2. La suavización del pit, para hacer de este práctico y operativo. Esto incluye
la suavización de las paredes, y anchos de minado operativos para los
equipos.
3. Cambios en los cálculos de los ángulos de los taludes, ancho de carreteras y

geometría de la explotación de acuerdo a la experiencia operacional que se
obtiene durante la operación.
4. Cambios en los cálculos económicos y de los presupuestos. Uno de los

cambios que pueden surgir en algún determinado momento y que aún no son
controlados por los operadores de las Minas es el precio del metal.
Los pits diseñados por los optimizadores, son teóricos, pero son una importante
guía para el diseño a detalle.
Para estudios de factibilidad, es mejor empezar con supuestos simples para la

optimización del pit y mejorar estos de acuerdo a que mejoren la calidad de los datos.
La programación de minado y por supuesto la secuencia de minado es más importante
que una localización exacta de la pared final del pit.
81
La exacta posición de la pared final es crítica, cuando la posición de la pared

final o la última fase de minado está siendo definido y el minado esta en progreso,
definitivamente un error aquí, puede generar perdida de mineral o un minado extra de
desmonte y consecuentemente menores ingresos o mayores costos de minado.
3.22 Métodos de optimización de pits
A continuación se mencionan dos de los métodos utilizados para determinar el

pit final óptimo de un yacimiento minero.
3.22.1 Método de Lerchs-Grossmann
(González, 2010), describe que, en el año 1965, Lerchs y Grossmann

publicaron un trabajo titulado “Diseño Optimo de Minas a Tajo Abierto”. El cual se
convirtió en un documento obligatorio de consulta. En el trabajo de describen dos
métodos:
1. Algoritmo para la programación dinámica de dos dimensiones.
2. Algoritmo para la para la programación dinámica de tres dimensiones.
Para propósitos de ejemplo, vamos a describir el algoritmo de dos dimensiones,

Este algoritmo nos muestra en el ejemplo como determina el límite final en una
sección vertical dándonos el máximo beneficio neto, el método es interesante porque
elimina la prueba y error de los diseños manuales en cada sección, el método también
es conveniente y sencillo de ser procesado en computadoras.
Igual que el método manual, el método de Lersch Grossman diseña el tajo en

secciones verticales, el resultado puede también ser transferido a planos, puede ser
82
chequeado y suavizado manualmente, aun cuando el pit es óptimo en cada sección, el

límite final resultante de la suavización no es probablemente el óptimo.
El ejemplo de la figura adjunta representa la sección del modelo de bloques de

un yacimiento, el valor de cada cuadrado representa el valor neto de cada bloque si
cada bloque fuera independientemente minado y procesado, bloques con un valor
neto positivo están sombrados, el tamaño del bloque ha sido fijado en el ejemplo,
para que el perfil del tajo se mueva hacia arriba o hacia abajo solo un bloque así este
se mueva hacia los costados.
Figura 3.17 Sección vertical con los valores netos de cada bloque
en el método Lerchs-Grossmann (González, 2010).
Paso 1: Se agregan los valores por cada columna de los bloques y se ingresan
estos números en los bloques correspondientes, este es el valor superior en cada
bloque y representa el valor de la acumulación del material de cada bloque a la
superficie.
Paso 2: Se inicia con el bloque superior de la columna de la izquierda y se

trabaja hacia abajo en cada columna, se coloca una flecha en el bloque apuntando al
más alto valor en:
El bloque de la izquierda y de arriba.
El bloque de la izquierda.
83
El bloque de la izquierda y de abajo.
Se calcula el valor del bloque del fondo agregando el valor superior al valor
inferior del bloque donde la flecha apunta. El valor del bloque del fondo en cada uno
de los bloques representa el valor neto total del material en el bloque, los bloques en
la columna y los bloques del perfil del tajo a la izquierda del bloque.
Bloques marcados con una X no pueden ser minados a menos que más
columnas sean agregadas.
Paso 3: Se analiza la fila superior para el valor total máximo, este es el

rendimiento neto total del tajo optimo, para el ejemplo, el tajo optimo tendrá un valor
de $13, se trazan las fechas desde atrás para obtener el contorno del tajo, la figura
(3.18) muestra el contorno del tajo en una sección, note que aun cuando el valor de la
columna 6 de la fila 6, tiene el más alto valor neto del depósito, no está dentro del
tajo, minar este bloque reduciría el valor del tajo.
Figura 3.18 Sección después del procedimiento de método

Lerchs-Grossmann (González, 2010).
84
Figura 3.19 Contorno del tajo final óptimo del método

Lerchs-Grossmann (González, 2010).
3.22.2 Método del cono flotante
Según (Vallejo, Baquero, & Sepúlveda, 2010), el método del cono flotante es
una de las técnicas más ampliamente aceptada en el diseño de los límites finales de un
pit, porque es de rápida ejecución, veloz y de fácil conceptualización.
La programación lógica incluida es empleada después del método convencional

de secciones transversales, se procede a utilizar un llamado punto equilibrio en el
radio de área a descapotar como criterio básico de optimización.
La principal diferencia con técnicas manuales, es que esta utiliza el concepto de

cono flotante en tres dimensiones (alto, ancho, profundo) para remover incrementos
en lugar de secciones verticales para generar la geometría final del pit. Un pit es
generado y analizado mediante la construcción de una forma cónica en dirección
inversa y moviendo su vértice de un bloque de mena a otro.
La forma del cono es definida de manera tal que esté conforme con las
restricciones de pendiente de diseño del pit en las distintas áreas del depósito. El
85
computador es utilizado en la generación de las configuraciones cónicas 3D y en el

cálculo del valor neto de cada cono, mediante la suma de los valores de todos los
bloques de mena y estéril encerrados dentro del cono. Finalmente, un límite 3D del
pit es obtenido mediante la remoción del frustrum de todos los conos con valor neto
positivo.
El método del cono flotante es significativamente restrictivo, debido a la gran

cantidad de esfuerzo computacional requerido. Ciertamente, la determinación de un
soporte mutuo entre conos solapados, no es usualmente requerida debido a que usan
más implementaciones del algoritmo del cono flotante. El método finaliza sus
iteraciones después de que los conos tienen sus vértices localizados en todos los
bloques de mena positivos que han sido evaluados. Por esta razón, el método
heurístico del cono flotante muchas veces falla para generar verdaderos limites finales
del pit.
Según (Ortiz, Moyano, & Herrera, 2003), este procedimiento refleja el

procedimiento que intuitivamente han empleado todos los ingenieros que hayan
tenido que diseñar una explotación a cielo abierto, con o sin computadores. Se basa
en la construcción previa de un modelo tridimensional de bloques, cada uno de los
cuales tiene un valor, positivo o negativo, que representa el saldo de su venta después
de restarle sus costes directos.
Cada bloque del modelo, para ser extraído, ha de ofrecer un balance positivo en
la suma de todos los que corresponden al cono que, con vértice en ese bloque, se
proyectaría verticalmente hacia la superficie. Si el cono “flota” (su saldo es positivo),
será extraído y no será tenido en cuenta para los cálculos posteriores.
Veamos un ejemplo en la Figura 3.20. Supóngase la matriz bidimensional

siguiente:
86
Figura 3.20 Modelo económico bidimensional, método del cono

flotante (Ortiz, Moyano, & Herrera, 2003).
La primera operación consiste en buscar en la primera fila, cada bloque positivo

y eliminarlos para los cálculos posteriores, ya que “flotan” por sí mismos. El
resultado sería la Figura 3.21:
Figura 3.21 Primera etapa del método del cono flotante

(Ortiz, Moyano, & Herrera, 2003).
A continuación, al no haber más bloques positivos en la primera fila,

pasaríamos a la segunda, donde se observa que el bloque 4º (que vale +4) tiene un
cono cuyo saldo es positivo (+4-1-1-1=+1), por tanto “flota”, y se le elimina,
quedando la figura 3.22:
87
Figura 3.22 Segunda etapa del método del cono flotante

Agotados los bloques positivos de la segunda fila, se pasa a la tercera, donde se

ven dos: el 3º y el 4º. El cono del primero tendría un saldo final positivo (-1-1-2-2+7
= +1), ya que los bloques eliminados anteriormente no cuentan. Esto dejaría la
situación que se aprecia en la figura 3.23:
Figura 3.23 Tercera etapa del método del cono flotante

El saldo del cono del bloque 4º de la tercera fila sería negativo, ya que tendría
que hacer flotar al de la posición 5ª de la fila 2ª, y su saldo sería negativo: +1-2 = -1.
Esta sería por tanto la solución final que daría este sistema. Sin embargo,
aunque en este caso la solución sea óptima, el procedimiento no logra siempre ese
objetivo. En primer lugar, puede ocurrir que haya bloques positivos que,
individualmente, formarían conos negativos, pero conjuntamente darían un cono (o
tronco de cono, en este caso) positivo. Es lo que puede verse en la tabla 3.24:
88
Figura 3.24 Interrelación entre bloques, método del cono flotante

Ninguno de los bloques positivos de la segunda fila podrían con su cono, ya que
su saldo sería negativo: -5-5-5+10 = -5
Sin embargo, el conjunto de los tres positivos, sí podrían con el tronco de cono
que les correspondería: -5-5-5-5-5+10+10+10 = +5 dejando la solución que puede
verse en la figura 3.25:
Figura 3.25 Solución óptima, método del cono flotante

(Ortiz, Moyano, & Herrera, 2003)
3.23 Definición del pit final
Según (Peirano, 2011), el cálculo de pit final corresponde a una

implementación del algoritmo de Lerchs y Grossman basado en el cálculo de la
máxima clausura de un grafo definido por las precedencias verticales de acuerdo al
ángulo de talud total a considerar. El cálculo de precedencias se realiza con la
herramienta calcpred-lg que, a partir del modelo de bloques caracterizado por las
coordenadas XYZ de los centroides de cada bloque calcula para cada bloque id0 el
set de bloques {id1, id2, id3,…} que lo preceden como se muestra en el siguiente
diagrama:
89
Figura 3.26 Esquema de precedencia de

bloques (Ruiz, 2010)
Además del grafo de precedencias es necesario calcular el valor que se asignará

a cada bloque con el cual se calculará la máxima clausura, que interpretado
físicamente corresponde al subconjunto de bloques que definen el pit final con el
mayor valor económico contenido. El cálculo de valor de cada bloque se realiza a
priori bajo la siguiente fórmula que sintetiza los ingresos y costos asociados a la
extracción y posible procesamiento.
Valor Bloque = max{-CM* Benbloque}*Ton bloque (3.19)
Ben bloque= Ingresos – Costos (3.20)
Ingresos =  Pi - Cv i  * Li * Ri * f i
1 (3.21
Costos = CM + CP (3.22)
90
Donde:
CM = costo de mina
CP = costo de planta
Pi= precio del elemento i
Cvi = costo de venta del elemento i
Ri = recuperación metalúrgica del elemento i
Li = ley del elemento i presente en el bloque
Fi = factor de conversión del elemento i para tener unidades de $
Con el cálculo de valores y el grafo de precedencias se logra una abstracción

del modelo de una mina a cielo abierto, teniendo como únicas características de un
bloque su valor y sus precedentes. Los supuestos que deben tomarse para lograr la
discretización del recurso geológico en un modelo de bloques comprenden entre
otros, los anchos operacionales, el diseño de rampas, los accesos a cada fase-banco el
suavizamiento de taludes, la construcción de bermas de seguridad. Todo lo anterior se
traduce en que se entenderá en el desarrollo de este trabajo por “cálculo de pit final”
la definición del subconjunto de bloques que respetan el ángulo de talud representado
por las precedencias calculadas y cuya envolvente contiene la mayor suma de los
valores de bloques.
3.24 Parámetros geotécnicos del pit
3.24.1 Ancho de rampa
En el diseño de rampas se considera que los camiones circulan en ambos

sentidos, por lo tanto debemos tener una rampa lo suficientemente ancha para
asegurar que los camiones no se interfieran cuando se cruzan en la trayectoria.
(Alfaro, 2009).
91
3.24.2 Ancho de berma
Es un requisito de seguridad para cualquier excavación minera, ya que,

disminuye los riegos de accidentes a la hora de un derrumbe o deslizamiento de masa
de un talud. (Alfaro, 2009).
3.24.3 Altura de banco
Generalmente la altura de los bancos se elige en función de la maquinaria de

operación con que se dispone o se desea utilizar. (Alfaro, 2009).
3.24.4 Pendiente de la rampa
El grado de inclinación de las rampas debe asegurar que los equipos mineros,
en especial los de carga no tengan ningún problema cuando circulen cargados o
descargados, de manera de evitar el desgaste y disminuir el esfuerzo de sus
componentes, como frenos, motor, cauchos, entre otros. (Alfaro M, 2009).
3.24.5 Angulo de talud
Este es el ángulo inter-rampa, es decir el ángulo que hay de un nivel a otro, es

una característica muy importante sobre todo para evitar que se derrumbe el talud.
Este ángulo lo determina en gran parte la calidad de la roca. (Alfaro, 2009).
3.25 Software minero RecMin
De acuerdo a (Ruiz, 2010), Por sus siglas en español Recursos Mineros. Es un

software gratuito que se puede descargar libremente de internet que ha sido
desarrollado precisamente para la gestión de recursos minerales, ha sido patentado
92
por su autor Cesar Castañón Fernández, profesor principal de Ing. De minas la

Universidad de Oviedo y fundador también de la empresa RPTec (servicios y
consultoría minera). Para demostrar el método pentaédrico que ha sido sustentado en
su tesis doctoral.
Se fundamenta en la experiencia de su autor a lo largo de más 24 años, de

experiencia en el campo de la minería.
Se creó a partir del año 1992 como software privado para las operaciones
mineras en España de la empresa minera canadiense Rio Narcea Gold Mines S.A. Su
autor (Dr. César Castañón Fernández) agrego las opciones de gestión de información
topográfica, edición de sondajes, modelamiento geológico, modelo de bloques y
estimación de leyes por el método del inverso de la distancia.
3.25.1 Ventajas
Gratuito, libre.
Está en idioma español.
Contiene herramientas para:
1. Importación de muestras de sondajes, producto de campaña de exploración.
2. Herramientas para validar los datos producto de la campaña de exploración.
3. Herramientas para gestionar superficies topográficas (Importar coordenadas

de puntos y generar curvas de nivel o importar superficies en formato
93
*.DXF, que hayan sido elaboradas en otros paquetes de software minero

como el CAD.
4. Herramientas para visualizar gráficamente en 3D los objetos diseñados.
5. Herramientas para integrar y realizar la interpretación geológica.
6. Herramientas para realizar un modelo geométrico, de bloques al modelo

geológico.
7. Herramientas para interpolar las leyes de cada bloque, usando el algoritmo

del inverso de la distancia.
8. Herramientas para exportar, datos de muestras y tablas de bloques.
9. Optimizador de PIT (cono flotante).
10. Y más herramientas diversas personalizadas.
3.25.2 Desventajas
No contiene herramientas geoestadísticos, para estimar por kriging un modelo

de bloques.
3.25.3 Estructura del programa
Según (Ruiz Y. , 2010), el programa RecMin está desarrollado en lenguaje +C,

Visual Basic, con una interfaz familiarizada con el entorno Windows de Microsoft, lo
cual hace fácil su manipulación.
94
Los datos importados en formato de texto son almacenados en una base de

datos del tipo Access que se genera automáticamente con todas las tablas por defecto
con sus campos definidos y preparados para alojar la información, cuando se genera
un nuevo yacimiento.
Genera una base de datos tanto para la base de datos sondeos y para el modelo
de bloques que realice.
El programa RecMin está compuesto por 5 módulos de aplicación
3.25.3.1 Módulo de yacimientos = RMYac.exe
En este módulo se puede:
1. Crear, borrar y editar bases de datos de yacimientos.
2. Importar datos de sondeos, DXF de superficies, bases de datos de bloques,

etc.
3. Crear, borrar y editar bases datos de bloques.
4. Realizar distintas funciones como definir permisos de acceso, cálculos, etc.

95
Figura 3.27 Modulo de yacimientos del software minero RecMin.
3.25.3.2 Módulo de edición = RMEdit.exe
En el módulo de edición se pueden borrar, añadir, ver y modificar las bases de

datos de sondeos, así como todas las tablas asociadas como:
1. Datos de los sondeos, coordenadas del collar, fechas, etc.
2. Medidas de desviaciones.
3. Datos litológicos.
4. Datos de muestras.
5. Intersección con zonas minerales.
6. Representaciones gráficas.
96
Figura 3.0-28 Modulo de edición software minero RecMin.
3.25.3.3 Módulo de dibujo = RMDraw.exe
En el módulo de dibujo se puede
1. Ver gráficamente en el espacio toda la información relativa a un yacimiento.
2. incluyendo sondeos, superficies, bloques, líneas, notas, etc.
3. Activar y desactivar los elementos que se quieran ver.
4. Modificar las bases de datos.
5. Imprimir las vistas.
6. Hacer secciones en cualquier dirección.
7. Vistas tridimensionales.
97
8. Renderizados.
9. Generar ficheros DXF.
Figura 3.29 Modulo de dibujos del software minero RecMin.
3.25.3.4 Módulo 3D = RM3D.exe
El módulo render 3D permite ver los objetos que se han seleccionado en una
vista tridimensional, en la cual se puede fácilmente, mediante movimientos de ratón,
girar, hacer zoom, cambiar la iluminación, hacer transparencias, volar sobre los
objetos, etc.
La vista se genera por combinación de una luz de ambiente y otra direccional

que sería la del sol, ambas se pueden modificar.
El módulo de renderizado se puede arrancar desde el módulo de dibujo, para

ver los objetos activos o bien separadamente para ver los ficheros que se guarden en
formato *.RMR.
98
Se puede colocar el ejecutable rm3d.exe en una carpeta con los ficheros *.rmr
generados en el módulo de dibujo, así al arrancar el fichero, podemos ir
seleccionando el resto de las vistas preparadas e incluyo ir añadiéndolas, permitiendo
de una forma fácil preparar una presentación en 3D.
Figura 3.30 Modulo 3D del software minero RecMin.
3.25.3.5 Módulo de seguridad = RMSeg.exe
El módulo seguridad permite programar las copias de seguridad de ficheros y/o

carpetas en periodos semanales, de tal forma que se realicen estas durante la noche o
en las horas de descanso.
El programa permite también compactar las bases de datos a la vez que se

hacen las copias y apagar el ordenador cuando termine si se desea.
99
Figura 3.31 Modulo de seguridad del Software minero RecMin.
3.25.4 Elementos y ficheros del software RecMin
El programa utiliza una serie de conceptos, elementos y objetos que se definen

a continuación y que es necesario conocer antes de empezar a utilizarlo por primera
vez.
3.25.4.1 Líneas:
Son un conjunto de segmentos, normalmente unidos entre sí y que nos sirven

para separar zonas, rellenar con colores, para recortar otros objetos, etc.
Las líneas se pueden guardar en la BD del yacimiento o en ficheros texto

*.LIN, y en un mismo fichero podemos tener varias líneas.
3.25.4.2 Superficies
Tienen un formato parecido al de las líneas, pero nos sirven más bien para
trabajar con isolíneas de superficie, normalmente son ficheros grandes y con ellos
100
podremos trabajar para hacer secciones y dibujar la línea de superficie, para

renderizar, etc.
Las superficies se guardan en ficheros texto *.SUP, y en un mismo fichero
podemos tener varias superficies.
3.25.4.3 Mallados T3
Los T3 son conjuntos de caras triangulares que tiene un color asociado y que
nos va a permitir, definiendo la dirección del sol, tener una vista tridimensional de la
zona de trabajo.
Los T3 en el módulo de renderizado nos ayudarán a mejorar la vista.
Los T3 también sirven para definir volúmenes, galerías y huecos de interior,

etc.
Los T3 se guardan en ficheros texto *.T3, y en un mismo fichero podemos tener

varios T3.
3.25.4.4 Notas
Las notas son objetos de texto que se pueden añadir a un dibujo para dar
información. Pueden ser de varias líneas, tener contorno y relleno y estar giradas.
Se guardan en la misma BD del Yacimiento o en fichero texto *.TX0.

101
3.25.4.5 Escenas
Las escenas son un conjunto de objetos que se guardan en un fichero texto

*.TOT y que nos va a permitir recuperar el estado en el que estábamos en el momento
de guardarlo.
En general todos los objetos pueden estar activos o desactivos en un momento

dado; cuando se guardan solo se guardarán los activos.
3.26 Software SGeMS
Según (Vanessa, 2016), es un software desarrollado en la Universidad de

Stanford que implementa varios algoritmos de geoestadística. Es el primer software
para proporcionar algoritmos para las estadísticas de múltiples puntos. Fue diseñado
para proporcionar al usuario final, un software fácil de usar que ofrece una amplia
gama de herramientas geoestadísticas en un entorno totalmente en 3D interactiva
adaptado a las necesidades de energía de los usuarios a través de plugins y scripts de
Python.
Es un paquete informático de código abierto para la solución de problemas

relacionados espacialmente variables relacionadas, proporciona a los profesionales de
la geoestadística una herramienta fácil de usar, una visualización interactiva 3-D y
una amplia selección de algoritmos.
SGeMS es un software para el modelado geoestadístico 3D; utiliza muchos de

los algoritmos de geoestadística clásicos, así como nuevos desarrollos que han sido
realizados en el laboratorio de SCRF, la Universidad de Stanford. Se basa en una
serie de plantillas Geoestadísticas (GSTL) para ejecutar sus cálculos, entre ellos:
102
1. Kriging.
2. Kriging multivariado (co-kriging).
3. Simulación secuencial gaussiana.
4. Simulación indicador secuencial.
5. Secuencial Gaussiana y el indicador de simulación multi-variable.
6. Estadísticas de múltiples puntos de simulación.
3.26.1 Características principales
Según (Rojas, 2013), es una Caja Integral de herramientas geoestadísticas, entre

las que se encuentran las herramientas estándar de análisis de datos como son:
histogramas, QQ-parcelas, variogramas, visualización 3D interactiva
Tiene un lenguaje que le permite realizar de forma automática varias acciones

(repetitivo). Además puede añadir nuevos algoritmos geoestadísticos, apoyar a los
nuevos formatos de archivo, o aumentar el conjunto de secuencias de comandos.
3.26.2 Ventajas
Libre, gratuito, interfaz 3D. Permite introducir nuestro propio algoritmo de

indicaciones de estimación (para los que entienden de programación).
Permite realizar un estudio estadístico a las muestras, hacer un análisis de

histogramas, calcular la regresión lineal, etc.
103
3.26.3 Desventajas
No contiene herramientas para el modelamiento geológico previo a la

estimación de recursos: no es posible generar un modelo de bloques restringido a un
cuerpo geológico que presenta el depósito mineral. Está en idioma inglés.
3.26.4 Estructura del programa
El programa está desarrollado en lenguaje Python C++, el instalador trae el

pack de librerías que interpreta su lenguaje y hace que funcione correctamente. El
espacio requerido para su instalación es menor a 20 MB.
El panel central o ventana de presentación después de arrancar en el icono

cuenta con tres partes que identifican al programa (ver figura 4.7).
Figura 3.32 Interfaz del software SGeMS

104
3.26.4.1 Panel de algoritmos
Aquí es donde se introduce los parámetros y se eligen los algoritmos del

programa, para ejecutar las tareas geoestadísticas, ya sea la estimación por kringing y
sus variantes o las simulaciones geoestadísticas, Aquí podemos encontrar más
herramientas utilitarias.
3.26.4.2 Panel de visualización
Aquí se puede desplegar uno o más objetos para visualizarlos gráficamente, ya

sea, las muestras de contenidos de leyes o modelo de bloques, aquí se pueden ajustar
las leyendas de colores y las formas diferentes de visualizar los objetos para llegar a
mejores conclusiones.
3.26.4.3 Panel de comandos
Aquí se van mostrando todas las ejecuciones o tareas que se está realizando con
el programa, esto para verificar el historial de todo lo que se ha venido haciendo hasta
ese momento.
Para usuarios avanzados, la ventaja del software SGeMS es que pueden

introducir sus propios algoritmos, esto obviamente si entienden de lenguaje de
programación phyton, sin necesidad de ir a los menús de la interfaz. Es más un
usuario puede crear y desarrollar o adicionar más botones o plugins y herramientas al
programa, si quisiera contribuir a su desarrollo.
Y por último tenemos la barra de menús, desde ahí podemos elegir las
herramientas estadísticas y las diferentes opciones de SGeMS, como guardar o abrir
proyecto, objeto.
105
Para crear un proyecto en SGeMS, se debe guardar con save project as y

especificarle una ruta y nombre en cualquiera de los discos del ordenador donde
almacenará la información, (datos, cálculos, imágenes, etc.).
CAPÍTULO IV
METODOLOGÍA DE TRABAJO
4.1 Nivel de investigación
La presente investigación es de tipo descriptiva; ya que según Bunge consiste,

fundamentalmente, en caracterizar un fenómeno o situación concreta indicando sus
rasgos más peculiares o diferenciadores. Por lo que se pretende analizar y explicar el
comportamiento de los parámetros químicos en el yacimiento y establecer el límite
final de explotación dependiendo de las concentraciones y variabilidad de estos
parámetros.
4.2 Diseño de la investigación
El diseño de la investigación es documental y de campo, ya que se realizó

consultas y recopilación de información en libros, tesis de grado e informes técnicos,
páginas web, etc., y de campo por que se utilizó información proveniente de datos de
campos los cuales fueron analizados en laboratorios de control de calidad.
4.3 Metodología de trabajo
En la figura 4.1 se muestra la metodología a utilizar para la realización de este

trabajo de grado
106
107
Revisión Bibliográfica
Aplicación del Software RecMin
Diseño de Diseño del Modelo de

secciones solido bloques
Aplicación del Software SGeMS
Generación de Realización de mapas Cálculo de variogramas

Histogramas de correlación teóricos y experimentales
Modelamiento
Kriging
Diseño geométrico del pit
Análisis de resultados
Conclusiones y recomendaciones
Figura 4.1 Flujograma de trabajo

108
4.4 Descripción del Flujograma de la Metodología de Trabajo
4.4.1 Revisión y recopilación bibliográfica
Consistió en la búsqueda de toda información disponible relacionado con el

Cerro San Isidro, definición y términos estadísticos, geoestadísticos, diseño de minas
a cielo abierto y sobre los software a utilizar. Recopilando información de trabajos de
grado realizados anteriormente relacionados con el tema, informes, manuales, libros,
revistas, páginas web, etc.
4.4.2 Aplicación del Software Minero RecMin
Una vez adaptadas las datas de acuerdo a las exigencias de este software,
utilizando la herramienta Microsoft Excel, se convirtieron en archivo de texto, para su
posterior importación en el software. Terminado este proceso se creó una carpeta en
“Mis Documentos” con el nombre del proyecto de modo que, en esta se guarde la
base de datos de este. Luego se procedió a la creación de un nuevo proyecto en el
software en el módulo de yacimientos, tal como se muestra en la Figura 4.2.
Figura 4.2 Creación del nuevo proyecto en el Software Minero RecMin.

109
Seguidamente, se editó el “Índice de Elementos” con el objeto de establecer los

parámetros químicos a estudiar, el color que representara cada uno y los intervalos
para definir los colores. Una vez realizado esto, se procedió a la importación de la
topografía de la zona. (Figura 4.3).
Figura 4.3 Edición del "Índice de Elementos" e importacion de topografía en el

Software Minero RecMin.
Una vez realizado todo lo anterior, se importaron las datas de los sondeos
geoexploratorios, específicamente cuatro, que corresponden a: coordenadas, medidas
de desviación, litología y muestras, tal como se muestra en la Figura 4.4.
110
Figura 4.4 Importación de las datas correspondientes a "Coordenadas",

"Medidas de Desviación", "Litología" y "Elementos" en el
4.4.2.1 Diseño de secciones
Una vez se haya importado la data de sondeos geoexploratorios, la topografía y

haber editado el índice de elementos, se procedió a abrir los sondeos y topografía en
el “Modulo de Dibujo”, como se muestra en la Figura 4.5, para de esta forma, poder
realizar el diseño de las secciones.
111
Figura 4.5 Apertura de sondeos geoexploratorios y topografía

de la zona a estudiar.
Finalizado la apertura de los sondeos geoexploratorios y topografía, se realizó

el diseño de las secciones verticales en el plano N-E, que van desde N-15985 hasta N-
19285, cada 50 metros una de la otra, con una longitud de 2500 metros y un ancho de
10 metros. Para la visualización de la geología del yacimiento, se trazaron líneas
envolviendo cada una de las litologías presentes en los sondeos correspondientes a
cada sección. (Figura 4.6)
Figura 4.6 Diseño de secciones verticales

112
4.4.2.2 Diseño del sólido
Seguidamente, una vez que se tengan las secciones verticales realizadas, y

considerando la geología heterogénea del yacimiento, para la realización del diseño
del sólido, lo mejor es realizar copias de las líneas de litologías de las secciones, 25 m
tanto a la derecha como a la izquierda, para de esta forma cumplir con los cincuenta
metros (50 m) del ancho de la sección. Posteriormente, se rellenan las líneas con T3 y
se unen con triángulos, esto se realiza con todas las secciones y se obtendrá el sólido
del yacimiento, tal como se muestra en la Figura 4.7.
Figura 4.7 Diseño del sólido
4.4.2.3 Realización del modelo de bloques
Antes de poder realizar el modelo de bloques, se debe de crear la base de datos

de este en el “Modulo de Yacimiento”. Luego se debe definir una nueva tabla de
bloques, donde se establecerán las dimensiones de los bloques en los ejes “x”, “y” y
“z” (25, 25, 15 respectivamente), el origen de estos, tanto en “x” como en “y” y en
“z”, y los campos a utilizar en el modelo, tales como: idx, idy, idz, topografía,
densidad, peso, litología, los parámetros químicos del yacimiento, las varianzas, etc.
113
Posteriormente se edita la tabla de bloques para definir el número de estos en los ejes
“x”, “y” y “z”.
Figura 4.8 Creación de la base de datos para los bloques.
Seguidamente, una vez creada la base de datos de bloques, establecer los

campos y definir el número de bloques en los ejes, se procedió a abrir todos los
bloques y los sólidos de las litologías con el objeto de desactivar los que se
encuentran dentro de los T3 realizados, una vez desactivados, se invirtió el orden
activos-desactivos, de modo que, los que habían quedado activados, pasan a estar
desactivados y se guardan con el nombre de la litología correspondiente a esos
bloques, tal como se muestra en la figura 4.9.
114
Figura 4.9 Creación del modelo de bloques de acuerdo a la topografía

de la zona.
4.4.3 Aplicación del software minero SGeMS
Una vez realizado los análisis en el Software Minero RecMin, se procedió a

realizar el “Cálculo con Bloques” en el “módulo de yacimientos” de este mismo, con
el objeto de exportar la data en formato GSLIB de los compósitos de los sondeos
geoexploratorios al Software Minero SGeMS. Cabe destacar que para la
compositación es necesario que los intervalos de muestras tengan todos la misma
longitud y que está a su vez sea igual a la altura de los bancos de explotación (15
metros) o un sub-múltiplo de esta (5 o 3 metros). Las litologías deben ser evaluadas
individualmente, por lo tanto, cuando se están realizando los compósitos, es necesario
desactivar las litologías que no se evaluaran, es decir, si se van a evaluar las costras,
el resto deben estar desactivadas para que, de este modo, solo se exporten los
compósitos del material de interés. Finalmente, se regresa al módulo de yacimientos,
y se selecciona “Exportar datos de bloques”, se identifican los campos necesarios
como “idx, idy e idz” y se selecciona el formato deseado y la carpeta donde se
guardará. (Figura 4.10).
115
Figura 4.10 Exportación de compósitos y dimensiones de malla grid del

Software minero RecMin para ser importado en el Software minero SGeMS.
Terminado el proceso de exportación del Software Minero RecMin, se procedió

a importar esta información en el Software Minero SGeMS, tal como se muestra en la
Figura 4.11,
116
Figura 4.11 Importación de compósitos y malla grid.
4.4.3.1 Generación de histogramas
Una vez cargada la data de los compósitos de la litología a evaluar con los
parámetros químicos correspondientes, se procedió como se muestra en la Figura
4.12.
117
Figura 4.12 Generación de los histogramas mediante el uso del Software

Minero SGeMS.
Seguidamente se fue seleccionando cada variable química para su respectivo

análisis, obteniéndose la media, desviación estándar, coeficiente de variación y
coeficiente de asimetría para la litología estudiada, al igual que los valores máximos y
mínimos junto con los cuartiles del parámetro seleccionado.
4.4.3.2 Realización de mapas de correlación
Los mapas de correlación se realizan casi de la misma manera que los

histogramas, solo que, para esta, en la opción de “Data Analysis” se selecciona
“Scatter-plot” y se van seleccionando las variables químicas una con respecto a la
otra. En estos también se visualizan la media, la varianza para cada elemento, el
rango de correlación que existe entre ellos y si es positivo o negativo. (Figura 4.13).
Figura 4.13 Realización de los mapas de correlación en el Software

Minero SGeMS.
118
4.4.3.3 Cálculo de variogramas teóricos y experimentales
Para realizar el cálculo de los variogramas experimentales para cada variable

química, es necesario los valores de los cuartiles obtenidos en el cálculo de los
histogramas, ya que con estos se hace el cálculo del índice de Cutoff mediante la
fórmula:
𝐼𝑛𝑑. 𝐶𝑢𝑡𝑜𝑓𝑓 = 𝑄3 + 1.5 ∗ (𝑄3 − 𝑄1 ) (4.1)
Donde:
Q3= Upper Quartile
Q1= Lower Quartile
Una vez obtenido esto, se procede a realizar el cálculo de los variogramas

experimentales para cada una de las variables, tal como se muestra en la Figura 4.14.
Figura 4.14 Elaboración de variogramas experimentales mediante la

aplicación del Software Minero SGeMS.
119
Una vez realizados los variogramas experimentales, se pueden realizar los

variogramas teóricos, esto es, aplicando los modelos teóricos (esférico, exponencial
y gaussiano) que son con los que cuenta este software, a los variogramas
experimentales realizados anteriormente. También colocando los parámetro como:
efecto pepita, contribución, los alcance de influencia y las direcciones de anisotropía
de cada modelo. Siendo un proceso prácticamente repetitivo y por tanteo hasta lograr
el mejor ajuste posible (Figura 4.15).
Figura 4.15 Elaboración de variogramas teóricos a partir de variogramas

experimentales mediante la aplicación del Software Minero SGeMS.
4.4.4 Modelamiento Kriging
Para realizar el modelamiento por Kriging, es necesario haber calculado los

variogramas teóricos y haberlos guardados, ya que a partir de ellos es que se realiza
este modelamiento. Se procedió como se muestra en la Figura 4.16, se fueron
anexando cada una de las variables químicas a estudiar y cargando sus respectivos
variogramas teóricos.
120
Figura 4.16 Aplicación del modelamiento Kriging mediante la aplicación del

Software Minero SGeMS.
4.5 Diseño geométrico del pit
Para la elaboración del diseño geométrico del pit, es necesario primero calcular
la corta económica del yacimiento, para ello se utiliza un optimizador de modo que
defina el limite final de explotación del yacimiento. Para este caso, se utilizó el
método del cono flotante, para ello, se seleccionó el proyecto en estudio, en el menú
principal se seleccionó “Bloque”, eligiendo “Método del CONO FLOTANTE”, en la
sección “General” se especifica el tipo de estudio, en este caso, “estudio económico”,
se seleccionan los campos donde se guardarán los resultados y la clasificación
(mineral o estéril), y el orden, en este caso, “Z” que corresponde a la cota. En la
sección “Costes mina” y “Costes planta” se establecen los costos de explotación y de
la planta de tratamiento, donde, en vista de que actualmente la empresa encargada de
la explotación del mineral de hierro en Venezuela no presenta un informe de los
costos de explotación, se recurrió a un trabajo de grado (Romero, 2004), donde se
121
especifican los costos de explotación y de planta para el año 2002, a este costo se le
aplico un incremento inflacionario de 10% anual, cabe destacar que este dato es con
la finalidad de la aplicación del método, ya que como se explicó antes, actualmente
no se conocen los valores reales de producción y una recuperación de planta del 95%.
Para los ingresos, se tomó como valor de referencia el precio promedio del mineral de
hierro para el año 2016, este valor se dividió entre 100 para obtener el valor por
unidad de ley (especificación del software RecMin). En la sección “Conjunto de
bloques, se seleccionaron los que serán analizados y en “Talud”, se establece un
ángulo de talud general para todo el yacimiento. (Figura 4.17).
Figura 4.17 Aplicación del método del Cono Flotante.

122
Una vez aplicado el método del optimizador cono flotante, se procedió a

suavizar el PIT generado por este método, para ello, se abrieron los bloques
seleccionados por el optimizador, se seleccionó un nivel donde se considere que es
adecuado para la movilización de equipos mineros y se bordean los bloques con una
línea, seguidamente se selecciona “Sup-Lin-T3”, “Generar Sup. a partir de Lin.”, y se
selecciona el vértice donde se quiere se inicie la rampa de acceso a ese nivel, se
establecen los valores del ángulo de la fosa, altura del banco, ancho de berma,
numero de bermas, el ancho de la rampa y la dirección de esta. Este procedimiento se
fue repitiendo nivel por nivel hasta llegar a la topografía, se siguió añadiendo bermas
para el siguiente paso, que consiste en activar la topografía del yacimiento y se
intercepta con la fosa generada, de modo que, se corten la superficies y quede como
resultado la topografía con el pit final de explotación del yacimiento generado,
finalmente se triangula la superficie generada para una mejor visualización de esta.
(Figura 4.18).
Figura 4.18 Diseño geométrico del pit del yacimiento Cerro San Isidro.
CAPÍTULO V
ANÁLISIS E INTERPRETACIÓN DE RESULTADOS
5.1 Adaptar la data de los sondeos geoexploratorios del yacimiento Cerro San
Isidro a las exigencias de los Software (RecMin-SGeMS)
Antes de poder iniciar con la carga de la data, es necesario realizar un ajuste de

esta, depurándola y dejando solo la información necesaria exigida por los Software.
Cabe destacar, que solo se realizó el ajuste para el Software Minero RecMin, ya que,
a partir de este se exporta la data para ser utilizada en el Software Minero SGeMS
con los requerimientos de este.
La data utilizada, está representada por 6 parámetros químicos (Fe, SiO2,

Al2O3, PPC, P y Mn), cabe destacar que el titanio forma parte de los parámetros
químicos, pero en vista de que no cuenta con información suficiente, no se estudió, 7
litologías (CC, CG, CT, FN, Y, G y LT), es importante mencionar, que se resumió la
data de litología para una visualización más clara del yacimiento, uniendo todas las
cuarcitas en una sola, igual que los finos marrones, finos negros, etc., 1306 sondeos
geoexploratorios y un total de 23.453 intervalos de muestras para el Software
RecMin, mientras que para el software SGeMS, los intervalos de muestras se
obtuvieron por litología.
Igualmente se pudo visualizar, una cantidad de valores perdidos presente en la

data de muestras de variables químicas, estos valores no serán estudiados y estarán
identificados como “ND” para el Software RecMin y “-1” para el Software SGeMS.
123
124
5.2 Modelar el yacimiento Cerro San Isidro mediante la aplicación del Software
RecMin
Esto permitirá visualizar la geometría de cada una de las litologías presentes en

el yacimiento, así como el volumen aproximado y el peso que este representa. Por lo
que se diseñaron 80 secciones verticales cada 50 metros, se evaluaron uno a uno los
sólidos (T3) de cada litología y el conjunto de bloques representante de cada una de
estas. Cabe destacar, que existe una diferencia bastante pequeña en cuanto a los
valores entre los sólidos y los bloques, esto se debe a que los bloques son una
estructura geométrica perfecta mientras que las bolsadas no lo son. Figuras 5.1 y 5.2.
Figura 5.1 Sólido completo del yacimiento Cerro San Isidro en el

125
Figura 5.2 Modelo de bloques completo por litológica del

yacimiento Cerro San Isidro en el Software Minero RecMin.
5.2.1 Modelamiento geológico de las costras
En la Figura 5.1 y 5.2 se puede observar que las costras, a diferencia de las
demás litologías, ocupan gran parte de la superficie del yacimiento, también
representa un volumen importante de este, tal como se muestra en la Figura 5.3, con
aproximadamente 39.251.300,66 m3 (132.276.883,22 Tn), en la evaluación realizada
a los sólidos (T3). En cuanto a los bloques, los valores son similares, un volumen
aproximado de 40.575.000,00 m3 lo que representa 136.737.750,00 Tn.
Figura 5.3 Modelo geológico de costras, solido (izquierda) y bloques (derecha).

126
5.2.2 Modelamiento geológico de los finos
Los finos, como se puede visualizar en las Figuras 5.1 y 5.2, tienden muy poco
a aflorar en el yacimiento, sin embargo, constituye la mayor parte de las menas de
este como se muestra en la Figura 5.4, con un volumen aproximado de 96.300.204,09
m3, lo que equivale a 284.085.602,07 Tn en el sólido (T3), para los finos se estimó un
volumen aproximado de 96.975.000,00 m3, equivalente a 286.076.250,00 Tn en
cuanto al conjunto de bloques de esta litología.
Figura 5.4 Modelo geológico de finos, solido (izquierda) y bloques (derecha).
5.2.3 Modelamiento geológico de las limonitas
Referente a las menas, esta es la que se encuentra en menores proporciones en

el yacimiento, con muy poco afloramiento como se muestra en la Figura 5.1 y 5.2,
debido a su escasa presencia, este material cuenta con un volumen aproximado de
288.344,60 m3 equivalentes a 792.942,65 Tn referente al solido (T3). En cuanto al
conjunto de bloques, cuenta con un volumen de 300.000,00 m3 lo que representa
825.000,00 Tn. (Figura 5.5).
127
Figura 5.5 Modelo geológico de limonitas, solido (izquierda) y bloques (derecha).
5.2.4 Modelamiento geológico de las cangas
La mayoría de este material geológico se encuentra en la superficie del

yacimiento (Figuras 5.1 y 5.2), sin embargo, la presencia de este no es de gran
magnitud como las costras o los finos (Figura 5.6), aun así, se encuentra en mayor
abundancia que las limonitas, ocupando un volumen aproximado de 1.941.453.24 m3
equivalente a 5.436.069,07 Tn en cuanto al modelo de solido (T3). Referente a los
bloques, representa un volumen aproximado de 2.156.250,00 m3 lo que equivale de
6.037.500,00 Tn.
Figura 5.6 Modelo geológico de cangas, solido (izquierda) y bloques (derecha).

128
5.2.5 Modelamiento geológico de las cuarcitas
Las cuarcitas forman parte de las menas de bajo tenor, estas escasamente
tienden a aflorar a la superficie, tal como se muestra en las Figuras 5.1 y 5.2, por lo
que se encuentran en su mayoría por debajo de las menas de alto tenor como las
costras y los finos. En gran parte se encuentra entre estos y la laterita, conformando
un volumen aproximado de 49.531.394,06 m3 representado por 146.117.612,48 Tn en
cuanto al solido (T3). En el modelo de bloques, este material geológico ocupa un
volumen de 49.350.000,00 m3, equivalente a 145.582.500,00 Tn. (Figura 5.7).
Figura 5.7 Modelo geológico de cuarcitas, solido (izquierda) y bloques (derecha).
5.3 Evaluar estadísticamente el yacimiento Cerro San Isidro mediante el uso del
Software SGeMS
5.3.1 Análisis de la estadística básica por litología del yacimiento Cerro

San Isidro
En las siguientes tablas, se muestran los resultados de la estadística básica

realizada a cada una de las variables químicas correspondientes a las litologías
presentes en el Yacimiento Cerro San Isidro.
129
Tabla 5.1 Resultados de Estadística Básica para las variables

químicas de las costras del Yacimiento Cerro San Isidro
COSTRAS
Variable química Fe SiO2 Al2O3 PPC P Mn
Nº de muestras 3.903 3.903 3.793 3.903 3.831 3.822
Mediana 66 0,74 0,86 4 0,07 0,07
Media 64,623 1,938 1,22 4,391 0,085 0,046
Varianza 20,518 12,076 1,784 6,459 0,006 0,006
Mínimo 11 0,10 0,02 0,08 0,01 0,01
Máximo 70 31,36 15,74 16,34 1,23 1,23
Cuartil superior 67 1,58 1,42 6,06 0,10 0,10
Cuartil inferior 63 0,42 0,47 2,4 0,05 0,05
Cutoff 73 3,32 2,87 11,55 0,175 0,07
Las costras presentan, para un total de 3.903 intervalos de muestras de hierro,

un porcentaje un mínimo de 11% y un máximo de 70%, con una media de 64,623%.
Se presenta la misma cantidad de intervalos de muestras de sílice, con un mínimo de
0,10% y un máximo de 31,36%, presentando una media de 1,938%. Para la alúmina
se analizaron 3.793 intervalos de muestra, con un mínimo de 0,02% y un máximo de
15,74% de esta variable química, arrojando una media de 1,22%. La pérdida por
calcinación, al igual que el hierro y la sílice, presenta la misma cantidad de intervalos
de muestras, con un mínimo de 0,08%, un máximo de 16,34% y una media de
4,391%. El fosforo, con un total de 3.831 intervalos de muestras, se obtuvo un
mínimo de 0,01%, con un máximo de 1,23% y una media de 0,085%. En el
manganeso, se analizaron 3.822 intervalos de muestras, obteniéndose un valor
mínimo de 0,01% y un máximo de 1,23, con una media de 0,046%. (Tabla 5.1).
130

químicas de los finos del Yacimiento Cerro San Isidro
FINOS
Nº de muestras 10.628 10.628 10.255 10.628 10.497 10.485
Mediana 68 2,60 0,30 1,32 0,06 0,03
Media 66,297 4,952 0,509 1,72 0,067 0,046
Varianza 18,511 25,52 0,503 1,80 0,001 0,004
Mínimo 32 0,92 0,02 0,03 0,01 0,01
Máximo 70 37,49 13,82 12,99 0,56 3,06
Cutoff 73,50 9,10 1,08 4,49 0,14 0,095
En los finos, para la variable hierro, se pudo determinar un total de 10.628

intervalos de muestras con un porcentaje mínimo de 32%, un máximo de 70% y una
media de 66,297%. La sílice, presentando el mismo número de intervalos de
muestras, se determinó un mínimo de 0,92% y un máximo de 37,49%, con una media
de 4,952%. Para la alúmina, se analizaron 10.255 intervalos de muestra, donde se
obtuvo un valor mínimo y máximo de 0,02% y 13,82% respectivamente, y una media
de 0,509%. Para la perdida por calcinación, se analizaron 10.628 intervalos de
muestra, obteniéndose un valor mínimo de 0,03%, un máximo de 12,99% y una
media de 1,72%. En cuanto a la variable fosforo, para un total de 10.497 intervalos de
muestra, se obtuvo un mínimo de 0,01% y un máximo de 0,56%, y una media de
0,067%. Para la variable manganeso, se analizaron 10.485 intervalos de muestra, con
un porcentaje mínimo de 0,01%, un máximo de 3,06% y una media de 0,046%.
(Tabla 5.2).
131

químicas de las limonitas del Yacimiento Cerro San Isidro
LIMONITAS
Nº de muestras 43 43 41 43 41 41
Mediana 61 8,70 2 9,62 0,22 0,02
Media 60,884 9,284 2,349 9,05 0,213 0,027
Varianza 8,772 4,349 1,94 4,076 0,002 0,001
Mínimo 49 6,14 0,60 5,30 0,14 0,01
Máximo 65 18,98 8,11 13,80 0,33 0,16
Cutoff 69 9,74 3,75 15,40 0,335 0,06
Las limonitas, para un total de 43 intervalos de muestras de hierro presentan un

porcentaje un mínimo de 49% y un máximo de 65%, con una media de 60,884%. La
sílice, al igual que la variable hierro, presenta 43 intervalos de muestra, con un
mínimo de 6,14%, un máximo de 18,98%, y una media de 9,284%. Para la alúmina se
analizaron 41 intervalos de muestra, presentando un mínimo de 0,60% y un máximo
de 8,11% de esta variable química, arrojando una media de 2,349%. La pérdida por
calcinación, al igual que el hierro y la sílice, presenta 43 intervalos de muestras, con
un mínimo de 5,30%, un máximo de 13,80% y una media de 9,05%. El fosforo, con
un total de 41 intervalos de muestras, se obtuvo un mínimo de 0, 41%, con un
máximo de 0,33% y una media de 0,213%. En el manganeso, al igual que en la
alúmina y en el fosforo se analizaron 41 intervalos de muestras, obteniéndose un
valor mínimo de 0,01% y un máximo de 0,16, con una media de 0,027%. (Tabla 5.3).
132

químicas de las cangas del Yacimiento Cerro San Isidro
CANGAS
Nº de muestras 121 121 106 121 106 106
Mediana 55 9,03 3,60 8,04 0,11 0,03
Media 51,719 15,239 4,859 8,118 0,114 0,048
Varianza 144,904 338,404 14,36 9,213 0,002 0,009
Mínimo 6 0,30 0,59 2,60 0,01 0,01
Máximo 66 94,17 15,90 17,20 0,30 0,85
Cutoff 86,50 56,845 12,30 17,24 0,22 0,085
En las cangas, para la variable hierro, se determinó un total de 121 intervalos de

muestras arrojando un porcentaje mínimo de 6%, un máximo de 66% y una media de
51,719%. La sílice, presentando el mismo número de intervalos de muestras que el
hierro (121), se determinó un mínimo de 0,30% y un máximo de 94,17%, con una
media de 15,239% de esta variable química. Para la alúmina, se analizaron 106
intervalos de muestra, donde se obtuvo un valor mínimo y máximo de 0,59% y
15,90% respectivamente, junto con una media de 4,859%. Para la perdida por
calcinación, se analizaron 106 intervalos de muestra, obteniéndose un valor mínimo
de 2,60%, un máximo de 17,20% y una media de 8,118%. En cuanto a la variable
fosforo, para un total de 106 intervalos de muestra, se obtuvo un mínimo de 0,01% y
un máximo de 0,30%, y una media de 0,114%. Para el manganeso, se analizaron 106
intervalos de muestra, con un porcentaje mínimo de 0,01%, un máximo de 0,85% y
una media de 0,048%. (Tabla 5.3).
133

químicas de las cuarcitas del Yacimiento Cerro San Isidro
CUARCITAS
Nº de muestras 2.118 2.118 2.084 2.118 2.089 2.089
Mediana 46 35,90 0,24 1,41 0,09 0,03
Media 45,448 36,978 0,575 1,673 0,094 0,038
Varianza 45,303 99,673 0,752 1,737 0,001 0,003
Mínimo 12 13,68 0,02 0,06 0,02 0,01
Máximo 59 79,33 10,61 11,76 0,27 1,35
Cutoff 67,50 66,88 1,40 3,665 0,155 0,07
Las cuarcitas presentan, para un total de 2.118 intervalos de muestras en cuanto

la variable hierro, arrojando un porcentaje mínimo de 12%, un máximo de 59% y una
media de 45,448%. Para la sílice se presenta la misma cantidad de intervalos de
muestras (2.118), con un mínimo de 13,68% y un máximo de 79,33%, presentando
una media de 36,978%. En cuanto a la alúmina, se analizaron 2.084 intervalos de
muestra, con un mínimo de 0,02% y un máximo de 10,61% de esta variable química,
arrojando una media de 0,575%. La pérdida por calcinación, al igual que el hierro y la
sílice, presenta 2.118 intervalos de muestras, con un mínimo de 0,06%, un máximo de
11,76% y una media de 1,673%. En el fosforo, con un total de 2.089 intervalos de
muestras, se obtuvo un mínimo de 0,02%, con un máximo de 0,27% y una media de
0,094%. Para el manganeso, al igual que para el fosforo, se analizaron 2.089
intervalos de muestras, obteniéndose un valor mínimo de 0,01% y un máximo de
1,35, con una media de 0,038%.
134
5.3.2 Análisis de la estadística clásica por litología del yacimiento Cerro

San Isidro
Para este análisis se realizaron histogramas por litología de cada uno de los
parámetros químicos pertenecientes al yacimiento Cerro San Isidro.
5.3.2.1 Histograma de la variable hierro de las costras
La variable hierro perteneciente a la litología de costras, presenta un

comportamiento sesgado a la izquierda (o sesgo negativo) de forma lognormal, donde
alcanzó una frecuencia máxima de 43% en la población de la muestra hacia la parte
derecha del histograma y su corte o cutoff para eliminar los valores anómalos fue de
73% y su valor mínimo es de 11% (Figura 5.8); no presenta intervalos de muestras
por encima del corte, lo que es indicado, ya que la variable hierro es el elemento de
interés en el yacimiento.
Figura 5.8 Histograma de la variable hierro (Fe) de las costras.

135
5.3.2.2 Histograma de la variable sílice de las costras
La variable sílice perteneciente a la litología de las costras presenta un

comportamiento sesgado a la derecha (o sesgo positivo) de forma lognormal donde
alcanzó una frecuencia máxima de 76.20% en la población de la muestra hacia el
extremo izquierdo del histograma, su corte o cutoff para eliminar los valores
anómalos de esta variable es de 3.32% y su valor mínimo es de 0.1% (Figura 5.9);
por lo que el número de intervalos de muestras por encima del corte es de 513, lo que
representa un total de 13.14% de la población estudiada.
Figura 5.9 Histograma de la variable sílice (SiO2) de las costras.
5.3.2.3 Histograma de la variable alúmina de las costras
La variable alúmina perteneciente a las costras, presenta un comportamiento

sesgado a la derecha (o sesgo positivo) de forma lognormal donde alcanzó una
frecuencia máxima de 46% en la población de la muestra hacia el extremo izquierdo
del histograma y su corte o cutoff para eliminar los valores anómalos fue de 2.87% y
su valor mínimo es de 0.02% (Figura 5.10); indicando que el número de intervalos de
136
muestras por encima del corte es de 279, lo que representa un 7.36% en la población
de esta variable química.
Figura 5.10 Histograma de la variable alúmina (Al2O3) de las costras.
5.3.2.4 Histograma de la variable perdida por calcinación de las costras
La variable perdida por calcinación de la litología costras presenta un

alcanzó una frecuencia máxima de 13.5% en la población de la muestra hacia la parte
izquierda del histograma y su corte o cutoff para eliminar los valores anómalos fue de
11.55% y su valor mínimo es de 0.08% (Figura 5.11); por lo que el número de
intervalos de muestras por encima del corte es de 24, lo que representa un 0.61% de
la población estudiada.
137
Figura 5.11 Histograma de la variable perdida por calcinación

(PPC) de las costras.
5.3.2.5 Histograma de la variable fosforo de las costras
La variable fosforo presenta un comportamiento sesgado a la derecha (o sesgo

positivo) de forma lognormal donde alcanzó una frecuencia máxima de 52% hacia el
extremo izquierdo del histograma, su corte o cutoff para eliminar los valores
anómalos fue de 0.175% y su valor mínimo es de 0.01% (Figura 5.12); presentando
un total de 143 intervalos de muestras por encima del corte, lo que representa un
3.73% de la población de la muestra estudiada.
138
Figura 5.12 Histograma de la variable fosforo (P) de las costras.
5.3.2.6 Histograma de la variable manganeso de las costras
La variable manganeso perteneciente a la litología costras, presenta un

alcanzó una frecuencia máxima de 98% en la población de la muestra hacia el
extremo izquierdo del histograma y su corte o cutoff para eliminar los valores
anómalos fue de 0.07% y su valor mínimo es de 0.01% (Figura 5.13); indicando que
el número de intervalos de muestras por encima del corte es de 481, lo que representa
un 12.59% de la población de la variable estudiada.
139
Figura 5.13 Histograma de la variable manganeso (Mn) de las costras.
5.3.2.7 Histograma de la variable hierro de los finos
La variable hierro perteneciente a los finos, presenta un comportamiento

sesgado a la izquierda (o sesgo negativo) de forma lognormal donde alcanzó una
frecuencia máxima de 35.4% en la población de la muestra hacia el lado derecho del
histograma y su corte o cutoff para eliminar los valores anómalos fue de 73.5% y su
valor mínimo es de 32% (Figura 5.14); esta variable no presenta valores por encima
del corte, ya que el máximo es de 70%.
140
Figura 5.14 Histograma de la variable hierro (Fe) de los finos.
5.3.2.8 Histograma de la variable sílice de los finos
La variable sílice presenta un comportamiento sesgado a la derecha (o sesgo

positivo) de forma lognormal donde alcanzó una frecuencia máxima de 53.6% en la
población de la muestra hacia el extremo izquierdo del histograma y su corte o cutoff
para eliminar los valores anómalos fue de 9.1% y su valor mínimo es de 0.92%
(Figura 5.15); presentando un número de intervalos de muestras por encima del corte
fue de 1522, lo que representa un 14.32% de valores anómalos en la muestra de esta
variable química.
141
Figura 5.15 Histograma de la variable sílice (SiO2) de los finos.
5.3.2.9 Histograma de la variable alúmina de los finos
La variable alúmina presenta un comportamiento sesgado a la derecha (o sesgo

(Figura 5.16); presentando un total de 1028 intervalos de muestras por encima del
corte, lo que representa un 10.02% de la muestra estudiada.
142
Figura 5.16 Histograma de la variable alúmina (Al2O3) de los finos.
5.3.2.10 Histograma de la variable perdida por calcinación de los finos
La variable perdida por calcinación perteneciente a los finos presenta un

comportamiento sesgado a la derecha (o sesgo positivo) de forma lognormal,
alcanzando una frecuencia máxima de 30.80% en la población de la muestra en la
parte izquierda del histograma y su corte o cutoff para eliminar los valores anómalos
fue de 4.49% y su valor mínimo es de 0.03% (Figura 5.17); por lo que el número de
intervalos de muestras por encima del corte fue de 456, lo que representa un 4.29% de
valores anómalos en la variable química estudiada.
143

(PPC) de los finos.
5.3.2.11 Histograma de la variable fosforo de los finos

positivo) de forma lognormal, donde alcanzó una frecuencia máxima de 44.30% en la
población de la muestra hacia el lado izquierdo del histograma y su corte o cutoff
(Figura 5.18); indicando un número de intervalos de muestras por encima del corte de
189, representando un 1.80% en la población de la muestra estudiada.
144
Figura 5.18 Histograma de la variable fosforo (P) de los finos.
5.3.2.12 Histograma de la variable manganeso de los finos
La variable manganeso presenta un comportamiento sesgado a la derecha (o

sesgo positivo) de forma lognormal donde alcanzó una frecuencia máxima de 97% en
la población de la muestra hacia el extremo izquierdo del histograma y su corte o
cutoff para eliminar los valores anómalos fue de 0.095% y su valor mínimo es de
0.01% (Figura 5.19); por lo que el número de intervalos de muestras por encima del
corte fue de 793, indicando que 7.56% de la población de la muestra son valores
anómalos.
145
Figura 5.19 Histograma de la variable manganeso (Mn) de los finos.
5.3.2.13 Histograma de la variable hierro de las limonitas
La variable hierro de las limonitas, presenta un comportamiento bastante

irregular, por lo que no se podría definir una forma específica de este, alcanzando una
frecuencia máxima de 21% en la población de la muestra y su corte o cutoff para
eliminar los valores anómalos fue de 69% y su valor mínimo es de 49% (Figura
5.20); por lo que no existen valores por encima del corte ya que el máximo para esta
variable química es de 65%.
146
Figura 5.20 Histograma de la variable hierro (Fe) de las limonitas.
5.3.2.14 Histograma de la variable sílice de las limonitas
La variable sílice de las limonitas presenta un comportamiento irregular donde

no se define claramente la forma de este, con una frecuencia máxima de 51% en la
población de la muestra. Su corte o cutoff para eliminar los valores anómalos fue de
9.74% y su valor mínimo es de 6.14% (Figura 5.21); por lo que el número de
valores anómalos.
147
Figura 5.21 Histograma de la variable sílice (SiO2) de las limonitas.
5.3.2.15 Histograma de la variable alúmina de las limonitas
La variable alúmina presenta un comportamiento muy irregular, donde alcanzó

una frecuencia máxima de 24.5% en la población de la muestra hacia el lado
izquierdo del histograma y su corte o cutoff para eliminar los valores anómalos fue de
3.35% y su valor mínimo es de 0.6% (Figura 5.22); por lo que en número de
intervalos de muestras por encima del corte fue de 5, representa 12.20% de los
valores anómalos de la población estudiada.
148
Figura 5.22 Histograma de la variable alúmina (Al2O3)

de las limonitas.
5.3.2.16 Histograma de la variable perdida por calcinación de las limonitas
La variable perdida por calcinación presenta un comportamiento más o menos

normal, donde alcanzó una frecuencia máxima de 16.3% en la población de la
muestra en la parte central del histograma y su corte o cutoff para eliminar los valores
anómalos fue de 15.4% y su valor mínimo es de 5.30% (Figura 5.23); indicando que
esta variable química perteneciente a las limonitas no presenta valores anómalos.
149

(PPC) de las limonitas.
5.3.2.17 Histograma de la variable fosforo de las limonitas
La variable fosforo presenta un comportamiento irregular, pudiendo describirse

de alguna forma como multimodal, alcanzando una frecuencia máxima de 14.6%, su
corte o cutoff fue de 0.335% y su valor mínimo es de 0.14% (Figura 5.24); por lo
que, al igual que con la perdida por calcinación de esta misma litología, no existen
valores anómalos para esta variable química.
150
Figura 5.24 Histograma de la variable fosforo (P) de las limonitas.
5.3.2.18 Histograma de la variable manganeso de las limonitas
La variable manganeso presenta un comportamiento bastante irregular, alcanzó

una frecuencia máxima de 34.1% en la población de la muestra hacia el extremo
0.06%, su valor mínimo es de 0.01 (Figura 5.25); por lo que en número de intervalos
de muestras por encima del corte fue de 2, lo que representa un 4.88% los valores
anómalos en la población de la muestra.
151
Figura 5.25 Histograma del variable manganeso (Mn) de las limonitas.
5.3.2.19 Histograma de la variable hierro de las cangas
La variable “hierro” presenta un comportamiento multimodal donde alcanzó

una frecuencia máxima de 15.7% en la población de la muestra y su corte o cutoff
para eliminar los valores anómalos fue de 86.5 y su valor mínimo es de 6% (Figura
5.26); por lo que no presenta intervalos de muestras por encima del corte.
Figura 5.26 Histograma de la variable hierro (Fe) de las cangas.

152
5.3.2.20 Histograma de la variable sílice de las cangas
La variable sílice presenta un comportamiento sesgado a la derecha (o sesgo

(Figura 5.27); por lo que el número de intervalos de muestras por encima del corte
fue de 3, lo que representa un 2.48% de valores anómalos.
Figura 5.27 Histograma de la variable sílice (SiO2) de las cangas.
5.3.2.21 Histograma de la variable alúmina de las cangas
La variable alúmina presenta un comportamiento multimodal, alcanzando una

frecuencia máxima de 17% en la población de la muestra hacia el extremo
12.30% y su valor mínimo es de 0.59% (Figura 5.28); por lo que en número de
valores anómalos en la población de la muestra.
153
Figura 5.28 Histograma de la variable alúmina (Al2O3) de las cangas.
5.3.2.22 Histograma de la variable perdida por calcinación de las cangas
La variable perdida por calcinación presenta un comportamiento bastante

irregular, donde alcanzó una frecuencia máxima de 13.5% en la población de la
muestra en la parte central del histograma y su corte o cutoff para eliminar los valores
anómalos fue de 17.24% y su valor mínimo es de 2.6% (Figura 5.29); por lo que no
presenta valores anómalos en la muestra de esta variable química.
154
Figura 5.29 Histograma de la variable perdida por calcinación (PPC)

de las cangas.
5.3.2.23 Histograma de la variable fosforo de las cangas
La variable fosforo presenta un comportamiento más o menos normal, con un

pequeño sesgo a la derecha, donde alcanzó una frecuencia máxima de 22.7 % en la
para eliminar los valores anómalos fue de 0.22 y su valor mínimo es de 0.01%
(Figura 5.30); por lo que en número de intervalos de muestras por encima del corte
fue de 4, indicando que el 3.77% de los valores la muestra son anómalos.
155
Figura 5.30 Histograma de la variable fosforo (P) de las cangas.
5.3.2.24 Histograma de la variable manganeso de las cangas

0.01% (Figura 5.31); por lo que en número de intervalos de muestras por encima del
corte fue de 8, lo que representa un 7.55% de valores anómalos.
156
Figura 5.31 Histograma de la variable manganeso (Mn) de las cangas.
5.3.2.25 Histograma de la variable hierro de las cuarcitas
La variable hierro presenta un comportamiento multimodal, alcanzando una

frecuencia máxima de 16% en la población de la muestra hacia la parte derecha del
histograma, su corte o cutoff para eliminar los valores anómalos fue de 67.5% y su
valor mínimo es de 12% (Figura 5.32); esta variable no presenta valores por encima
del corte.
157
Figura 5.32 Histograma de la variable hierro (Fe) de las cuarcitas.
5.3.2.26 Histograma de la variable sílice de las cuarcitas
La variable sílice presenta un comportamiento lognormal sesgado a la derecha

(o sesgo positivo), donde alcanzó una frecuencia máxima de 12.90% en la población
de la muestra y su corte o cutoff para eliminar los valores anómalos fue de 66.88% y
su valor mínimo es de 13.68% (Figura 5.33); por lo que el número de intervalos de
muestras por encima del corte fue de 5, lo que representa un total de 0.24% de valores
anómalos en la población de la muestra.
158
Figura 5.33 Histograma de la variable sílice (SiO2) de las cuarcitas.
5.3.2.27 Histograma de la variable alúmina de las cuarcitas
La variable alúmina presenta un comportamiento sesgado a la derecha (o sesgo

positivo) de forma lognormal donde alcanzó una frecuencia máxima de 72% en la
para eliminar los valores anómalos fue de 1.40%, su valor mínimo es de 0.02%
(Figura 5.34); por lo que el número de intervalos de muestras por encima del corte
fue de 241, lo que representa un 11.56% de valores anómalos en la muestra de esta
variable química.
159
Figura 5.34 Histograma de la variable alúmina (Al2O3)

de las cuarcitas.
5.3.2.28 Histograma de la variable perdida por calcinación de las cuarcitas
La variable perdida por calcinación presenta un comportamiento sesgado a la

derecha (o sesgo positivo) de forma lognormal donde alcanzó una frecuencia máxima
de 27.5% en la población de la muestra hacia la parte izquierda del histograma y su
corte o cutoff para eliminar los valores anómalos fue de 3.665% y su valor mínimo es
de 0.06% (Figura 5.35); presentando 144 intervalos de muestras por encima del corte,
lo que representa un 6.80% de valores anómalos en esta variable química.
160

(PPC) de las cuarcitas.
5.3.2.29 Histograma de la variable fosforo de las cuarcitas

población de la muestra hacia la parte izquierda del histograma y su corte o cutoff
(Figura 5.36); por lo que en número de intervalos de muestras por encima del corte
fue de 27, lo que representa un 1.29% de valores anómalos dentro de esta muestra.
161
Figura 5.36 Histograma de la variable fosforo (P) de las cuarcitas.
5.3.2.30 Histograma de la variable manganeso de las cuarcitas

0.01% (Figura 5.37); indicando que 186 intervalos de muestras se encuentran por
encima del corte, lo que representa un 8.90% de valores anómalos en la población de
este parámetro químico.
162
Figura 5.37 Histograma de la variable manganeso (Mn) de las cuarcitas.
5.3.3 Elaboración de los mapas de correlación por litología del

yacimiento Cerro San Isidro
5.3.3.1 Mapa de correlación hierro vs sílice de las costras
En la Figura 5.38 se puede observar que la correlación que existe entre el hierro y la
sílice es poca debido a que muchos de los puntos no tienden a agruparse para formar
líneas continuas de manera transversal. Por lo tanto, esta se podría clasificar como
una correlación negativa de débil a moderada, con un valor de -0,5130 o -51,30%.
163
Figura 5.38 Mapa de correlación de la variable hierro (Fe) vs la

variable sílice (SiO2) de la litología costras.
5.3.3.2 Mapa de correlación hierro vs alúmina de las costras
Al igual que con la comparación realizada con la variable sílice, la variable

alúmina presenta un coeficiente de correlación negativa moderadamente débil, con un
valor de -0,5492, se puede observar que muchos de los puntos no se tienden a agrupar
para formar líneas continuas transversales. (Figura 5.39).

variable alúmina (Al2O3) de la litología costras.
164
5.3.3.3 Mapa de correlación hierro vs perdida por calcinación de las

costras
En la Figura 5.40 se puede observar que la variable perdida por calcinación también
presenta un coeficiente de correlación moderadamente débil con respecto a la variable
hierro, con un valor negativo de -0,5335, se puede ver, que mientras algunos puntos
forman líneas continuas transversales, muchos de estos se distribuyen en el mapa de
manera desordenada.

variable perdida por calcinación (PPC) de la litología costras.
5.3.3.4 Mapa de correlación hierro vs fosforo de las costras
En la Figura 5.41 se puede observar que la distribución de los puntos en el

mapa de correlación, tienden en su mayoría a agruparse hacia en extremo derecho de
la parte inferior del mapa. Con un valor de -0.1794 se puede decir que la correlación
entre estas dos variables químicas es bastante escasa.
165

variable fosforo (P) de la litología costras.
5.3.3.5 Mapa de correlación hierro vs manganeso de las costras
En la Figura 5.42 se puede observar que la correlación entre las variables hierro
y manganeso es casi nula, debido a que los puntos en su mayoría se agruparon en la
parte inferior del extremo derecho del mapa, con un valor de -0,0192 o -1,92%.

variable manganeso (Mn) de la litología costras.
166
5.3.3.6 Mapa de correlación sílice vs alúmina de las costras
En la Figura 5.43 se puede observar el despliegue de algunos puntos en el mapa

de correlación, sin embargo, la mayoría de estos se encuentran agrupados cerca del
origen, indicando un coeficiente de correlación positivo débil de 0.3837 o 38.37%
entre la variable dependiente (Al2O3) con respecto a la variable independiente
(SiO2).
Figura 5.43 Mapa de correlación de la variable sílice (SiO2) vs la

variable alúmina (Al2O3) de la litología costras.
5.3.3.7 Mapa de correlación sílice vs perdida por calcinación de las

costras

origen con poco desplazamiento en el eje X mientras que en el eje Y estos tienen un
mayor desplazamiento, indicando un coeficiente de correlación positivo muy débil de
0.1936 entre la variable dependiente perdida por calcinación con respecto a la
variable independiente sílice.
167

variable perdida por calcinación (PPC) de la litología costras.
5.3.3.8 Mapa de correlación sílice vs fosforo de las costras

origen y se van desplegando a lo largo de la variable X sin mucho desplazamiento a
lo largo de la variable Y, indicando un coeficiente de correlación positivo débil de
0.4411 o 44.11% entre las variables estudiadas.

variable fosforo (P) de la litología costras.
168
5.3.3.9 Mapa de correlación sílice vs manganeso de las costras

lo largo de la variable Y, indicando que el coeficiente de correlación positivo casi
nulo de 0,0480 entre la variable dependiente manganeso con respecto a la variable
independiente sílice.

5.3.3.10 Mapa de correlación alúmina vs perdida por calcinación de las

costras

origen y se van desplegando a lo largo del eje “Y”, observándose también que
algunos puntos tienden a desplazarse de manera ascendente en el eje “X” a medida
que se desplaza igualmente de manera ascendente por el eje “Y”, indicando la
169
presencia de un coeficiente de correlación positivo moderadamente débil de 0.5077 o

50.77% entre las variables analizadas.
Figura 5.47 Mapa de correlación de la variable alúmina (Al2O3) vs

la variable perdida por calcinación (PPC) de la litología costras.
5.3.3.11 Mapa de correlación alúmina vs fosforo de las costras

origen y se van desplegando a lo largo del eje X sin mucho desplazamiento a lo largo
del eje Y, indicando un coeficiente de correlación positivo bastante débil de 0.1634 o
16.34% entre la variable dependiente fosforo con respecto a la variable independiente
alúmina.
170

la variable fosforo (P) de la litología costras.
5.3.3.12 Mapa de correlación alúmina vs manganeso de las costras

lo largo de la variable Y, indicando un coeficiente de correlación positivo casi nulo de
0.0382 o 3.82% entre las variables analizadas.

la variable manganeso (Mn) de la litología costras.
171
5.3.3.13 Mapa de correlación perdida por calcinación vs fosforo de las

costras

del eje Y, indicando un coeficiente de correlación positivo débil de 0.3694 o 36.94%
entre la variable perdida por calcinación y fosforo.
Figura 5.50 Mapa de correlación de la variable perdida por

calcinación (PPC) vs la variable fosforo (P) de la litología costras.
5.3.3.14 Mapa de correlación perdida por calcinación vs manganeso de las

costras

del eje Y, indicando un coeficiente de correlación negativo casi nulo de 0.0322 o
3.22% entre las variables estudiadas.
172
Figura 5.51 Mapa de correlación de la variable perdida por

calcinación (PPC) vs la variable manganeso (Mn) de la
litología costras.
5.3.3.15 Mapa de correlación fosforo vs manganeso de las costras

del eje Y, indicando un coeficiente de correlación negativo casi nulo de 0.1647 o
Figura 5.52 Mapa de correlación de la variable fosforo (P) vs la

173
5.3.3.16 Mapa de correlación hierro vs sílice de los finos
En el mapa de correlación se puede observar que muchos de los puntos tienden

a agruparse de manera lineal y de forma transversal, sin embargo, algunos tienden a
distribuirse a través del mapa de manera desordenada, aun así, la variable sílice
presenta un coeficiente de correlación negativo moderado de -0,7744 o -77,44% con
respecto a la variable hierro en esta litología, pudiendo decirse, que mientras la
variable hierro tiende a aumentar su valor dentro de este grupo litológico, la variable
sílice tiende a disminuir, y viceversa. (Figura 5.53).

variable sílice (SiO2) de la litología finos.
5.3.3.17 Mapa de correlación hierro vs alúmina de los finos
La variable alúmina presenta un coeficiente de correlación negativo muy débil,

con un valor de -0,313492, se puede observar que pocos puntos tienden a agruparse
de manera lineal y muchos de estos no se desplazan a lo largo del eje Y como lo
hacen a través del eje X. (Figura 5.54).
174

variable alúmina (Al2O3) de la litología finos.
5.3.3.18 Mapa de correlación hierro vs perdida por calcinación de los finos

de correlación, sin embargo, la mayoría de estos se encuentran agrupados hacia el
extremo derecho del mapa de correlación, indicando un coeficiente de correlación
negativo débil de 0.3356 o 33.56% entre la variable dependiente perdida por
calcinación con respecto a la variable independiente hierro.

variable perdida por calcinación (PPC) de la litología finos.
175
5.3.3.19 Mapa de correlación hierro vs fosforo de los finos

mapa de correlación, se desplazan a lo largo del eje X, sin tener mucho
desplazamiento por el eje Y. Obteniendo un valor de -0.3500 se puede decir que la
correlación entre estas dos variables químicas es débil.

variable fosforo (P) de la litología finos.
5.3.3.20 Mapa de correlación hierro vs manganeso de los finos
En la Figura 5.57 se puede observar que la correlación entre las variables hierro
y manganeso es casi nula, debido a que los puntos en su mayoría se agruparon en la
parte inferior del extremo derecho del mapa, con un valor de -0,0531 o -5,31%.
176

variable manganeso (Mn) de la litología finos.
5.3.3.21 Mapa de correlación sílice vs alúmina de los finos

origen, indicando un coeficiente de correlación positivo muy débil de 0.1609 o
16.09% entre la variable dependiente alúmina con respecto a la variable

variable alúmina (Al2O3) de la litología finos.
177
5.3.3.22 Mapa de correlación sílice vs perdida por calcinación de los finos

origen, muchos desplazándose en el eje X sin mucho desplazamiento en el eje Y,
mientras que otros se desplazan a lo largo del eje Y, sin mucho desplazamiento por el
eje X, indicando un coeficiente de correlación positivo muy débil de 0.1264 entre la
variable dependiente perdida por calcinación con respecto a la variable independiente
sílice.

5.3.3.23 Mapa de correlación sílice vs fosforo de los finos

lo largo de la variable Y, indicando un coeficiente de correlación positivo débil de
0.3205 o 32.05% entre las variables estudiadas.
178

5.3.3.24 Mapa de correlación sílice vs manganeso de los finos

0,0387 entre la variable dependiente manganeso con respecto a la variable
179

5.3.3.25 Mapa de correlación alúmina vs perdida por calcinación de los

finos

origen, indicando un coeficiente de correlación positivo débil de 0.4876 o 48.76%
entre las variables analizadas.
Figura 5.62 Mapa de correlación de la variable alúmina (Al2O3) vs la

180
5.3.3.26 Mapa de correlación alúmina vs fosforo de los finos

del eje Y, indicando un coeficiente de correlación positivo bastante débil de 0.2773 o
27.73% entre la variable dependiente fosforo con respecto a la variable independiente
alúmina.

5.3.3.27 Mapa de correlación alúmina vs manganeso de los finos

0.1451 o 14.51% entre las variables analizadas.
181

5.3.3.28 Mapa de correlación perdida por calcinación vs fosforo de los finos

origen y se van desplegando a lo largo del eje X con un ligero desplazamiento a lo
largo del eje Y, indicando un coeficiente de correlación positivo moderado de 0.6062
o 60.62% entre la variable perdida por calcinación y fosforo.
Figura 5.65 Mapa de correlación de la variable perdida por calcinación (PPC)

vs la variable fosforo (P) de la litología finos.
182
5.3.3.29 Mapa de correlación perdida por calcinación vs manganeso de los

finos

del eje Y, indicando un coeficiente de correlación positivo casi nulo de 0.0658 o
6.58% entre las variables estudiadas.
Figura 5.66 Mapa de correlación de la variable perdida por calcinación

(PPC) vs la variable manganeso (Mn) de la litología finos.
5.3.3.30 Mapa de correlación fosforo vs manganeso de los finos

del eje Y, indicando un coeficiente de correlación positivo casi nulo de 0.0609 o
183

5.3.3.31 Mapa de correlación hierro vs sílice de las limonitas
En la Figura 5.68 se puede notar que existe un coeficiente de correlación

negativo moderado entre la variable sílice con respecto a la variable hierro, con un
valor de -0.7847 o -78.47%, pudiendo decirse que, mientras la variable hierro tiende a
aumentar su valor, la variable sílice tiende a disminuir y viceversa, cuando la variable
sílice tiende a aumentar, la variable hierro tiende a disminuir.

variable sílice (SiO2) de la litología limonitas.
184
5.3.3.32 Mapa de correlación hierro vs alúmina de las limonitas
En la Figura 5.69 se puede notar que entre la variable hierro y la variable

alúmina, existe un coeficiente de correlación bastante alto en sentido negativo,
pudiendo clasificarse como una correlación moderadamente alta, con un valor de -
0.8421, se puede decir que, al igual que con la variable sílice, a medida que el valor
del variable hierro tiende a aumentar, el valor de la alúmina va a tender a disminuir y
viceversa.

variable alúmina (Al2O3) de la litología limonitas.
5.3.3.33 Mapa de correlación hierro vs perdida por calcinación de las

limonitas
En la Figura 5.70 se puede observar que la variable perdida por calcinación

presenta un coeficiente de correlación moderado con respecto a la variable hierro, con
un valor negativo de -0,6207, se puede ver, que mientras algunos puntos forman
líneas continuas transversales, otros se distribuyen en el mapa de manera
desordenada.
185

variable perdida por calcinación (PPC) de la litología limonitas.
5.3.3.34 Mapa de correlación hierro vs fosforo de las limonitas

mapa de correlación es desordenada. Con un valor de -0.1235 se puede decir que la
correlación entre estas dos variables químicas es bastante escasa.

variable fosforo (P) de la litología limonitas.
186
5.3.3.35 Mapa de correlación hierro vs manganeso de las limonitas
En la Figura 5.72 se puede notar que algunos puntos se distribuyen en el mapa

sin ningún orden específico, indicando una correlación baja entre estas dos variables,
con un valor de -0.5940, se clasificaría como moderadamente baja.

variable manganeso (Mn) de la litología limonitas.
5.3.3.36 Mapa de correlación sílice vs alúmina de las limonitas
En la Figura 5.73 se puede observar la distribución de algunos puntos en el

mapa de correlación de manera lineal transversalmente, indicando un coeficiente de
correlación positivo moderado de 0.6346 o 63.46% entre las variables analizadas.
187

variable alúmina (Al2O3) de la litología limonitas.
5.3.3.37 Mapa de correlación sílice vs perdida por calcinación de las

limonitas
En la Figura 5.74 se puede observar la distribución de los puntos en el mapa de

correlación de manera desordenada, indicando un coeficiente de correlación positivo
muy bajo de 0.1348 o 13.48% entre las variables estudiadas.

variable perdida por calcinación (PPC) de la litología limonitas.
188
5.3.3.38 Mapa de correlación sílice vs fosforo de las limonitas

casi nulo de 0.0753 o 7.53% entre estas variables.

5.3.3.39 Mapa de correlación sílice vs manganeso de las limonitas

mapa de correlación de manera lineal, indicando un coeficiente de correlación
positivo moderado de 0.6693 o 66.93% entre la variable manganeso con respecto a la
variable sílice.
189


limonitas

mapa de correlación de manera desordenada, indicando un coeficiente de correlación
positivo bajo de 0.3165 o 31.65% entre estas variables.

la variable perdida por calcinación (PPC) de la litología limonitas.
190
5.3.3.41 Mapa de correlación alúmina vs fosforo de las limonitas

casi nulo de 0.0826 o 8.26% entre las variables analizadas.

5.3.3.42 Mapa de correlación alúmina vs manganeso de las limonitas

mapa de correlación de manera lineal, indicando un coeficiente de correlación
positivo moderado de 0.6002 o 60.02% entre la variable manganeso con respecto a la
variable alúmina.
191

la variable manganeso (Mn) de la litología limonitas.

limonitas


(PPC) vs la variable fosforo (P) de la litología limonitas.
192

limonitas


(PPC) vs la variable manganeso (Mn) de la litología limonitas.
5.3.3.45 Mapa de correlación fosforo vs manganeso de las limonitas

positivo bajo de 0.3025 o 30.25% entre las variables analizadas.
193

5.3.3.46 Mapa de correlación hierro vs sílice de la litología cangas
En la Figura 5.83 se puede notar que los puntos tienden a agruparse casi
linealmente de forma transversal, con un coeficiente de correlación negativo casi
perfecto entre la variable sílice con respecto a la variable hierro, con un valor de -
0.9364, indicando que, mientras la variable hierro tiende a aumentar su valor, la
variable sílice tiende a disminuir y viceversa, cuando la variable sílice tiende a
aumentar, la variable hierro tiende a disminuir.

variable sílice (SiO2) de la litología cangas.
194
5.3.3.47 Mapa de correlación hierro vs alúmina de la litología cangas

negativo bajo de 0.3624 o 36.24% entre la variable alúmina con respecto a la variable
hierro.

variable alúmina (Al2O3) de la litología cangas.
5.3.3.48 Mapa de correlación hierro vs perdida por calcinación de la

litología cangas

195

variable perdida por calcinación (PPC) de la litología cangas.
5.3.3.49 Mapa de correlación hierro vs fosforo de la litología cangas

mapa de correlación es desordenada. Con un valor de -0.1792, se puede decir que la

variable fosforo (P) de la litología cangas.
196
5.3.3.50 Mapa de correlación hierro vs manganeso de la litología cangas


variable manganeso (Mn) de la litología cangas.
5.3.3.51 Mapa de correlación sílice vs alúmina de las cangas

mapa de correlación es desordenada. Con un valor de 0.1703 se puede decir que la
correlación entre estas dos variables químicas es muy poca.
197

variable alúmina (Al2O3) de la litología cangas.
5.3.3.52 Mapa de correlación sílice vs perdida por calcinación de las cangas

correlación de manera desordenada, indicando un coeficiente de correlación negativo

variable perdida por calcinación (PPC) de la litología cangas.
198
5.3.3.53 Mapa de correlación sílice vs fosforo de las cangas


variable fosforo (P) de la litología cangas.
5.3.3.54 Mapa de correlación sílice vs manganeso de las cangas
En la Figura 5.91 se puede observar que la mayoría de los puntos en el mapa de

correlación tienden a desplazarse por el eje X sin mucho desplazamiento por el eje Y.
Con un valor de 0.1734 se puede decir que la correlación entre estas dos variables
químicas es bastante escasa.
199


cangas

presenta un coeficiente de correlación moderado con respecto a la variable alúmina,
con un valor positivo de 0,6005, se puede ver, que mientras algunos puntos forman
desordenada.

la variable perdida por calcinación (PPC) de la litología cangas.
200
5.3.3.56 Mapa de correlación alúmina vs fosforo de las cangas


la variable fosforo (P) de la litología cangas.
5.3.3.57 Mapa de correlación alúmina vs manganeso de las cangas

correlación, donde estos tienden en su mayoría a desplazarse por el eje X sin mucho
desplazamiento por el eje Y, indicando un coeficiente de correlación positivo casi
nulo de 0.0498 o 4.98% entre estas variables.
201

la variable manganeso (Mn) de la litología cangas.

cangas
En la Figura 5.95 se puede observar la distribución de algunos puntos en el mapa de

bajo de 0.3733 o 37.33% entre estas variables.

(PPC) vs la variable fosforo (P) de la litología cangas.
202

cangas

mapa de correlación, sin embargo, la mayoría de estos se encuentran desplegados a lo
largo del eje X sin mucho desplazamiento en el eje Y, indicando un coeficiente de
correlación nulo entre la variable manganeso con respecto a la variable perdida por
calcinación.

(PPC) vs la variable manganeso (Mn) de la litología cangas.
5.3.3.60 Mapa de correlación fosforo vs manganeso de las cangas

203

5.3.3.61 Mapa de correlación hierro vs sílice de la litología cuarcitas
En la Figura 5.98 se puede notar que los puntos tienden a agruparse casi
linealmente de forma transversal, con un coeficiente de correlación negativo
moderadamente perfecto entre la variable sílice con respecto a la variable hierro, con
un valor de -0.8366, indicando que, mientras la variable hierro tiende a aumentar su
valor, la variable sílice tiende a disminuir y viceversa, cuando la variable sílice tiende
a aumentar, la variable hierro tiende a disminuir.

variable sílice (SiO2) de la litología cuarcitas.
204
5.3.3.62 Mapa de correlación hierro vs alúmina de la litología cuarcitas

mapa de correlación, tienden en su mayoría a agruparse hacia en extremo derecho de
la parte inferior del mapa. Con un valor de -0.1794 se puede decir que la correlación
entre estas dos variables químicas es bastante escasa.

variable alúmina (Al2O3) de la litología cuarcitas.
5.3.3.63 Mapa de correlación hierro vs perdida por calcinación de la

litología cuarcitas
En la Figura 5.100 se puede observar que la distribución de la mayoría de los

puntos en el mapa de correlación es de manera desordenada, indicando un coeficiente
de correlación negativo casi nulo de 0.0516 o 5.16% entre estas variables.
205

variable perdida por calcinación (PPC) de la litología cuarcitas.
5.3.3.64 Mapa de correlación hierro vs fosforo de la litología cuarcitas
En la Figura 5.101 se puede observar que la distribución de la mayoría de los

puntos en el mapa de correlación es de manera desordenada, indicando un coeficiente
de correlación negativo muy bajo de 0.1050 o 10.50% entre la variable fosforo con
respecto a la variable hierro.

variable fosforo (P) de la litología cuarcitas.
206
5.3.3.65 Mapa de correlación hierro vs manganeso de la litología cuarcitas
En la Figura 5.102 se puede observar el despliegue de algunos puntos en el mapa de

correlación, sin embargo, la mayoría de estos se van desplegando a lo largo del eje X
sin mucho desplazamiento a lo largo del eje Y, indicando un coeficiente de
correlación negativo casi nulo de -0.0286 o 2.86% entre las variables estudiadas.

variable manganeso (Mn) de la litología cuarcitas.
5.3.3.66 Mapa de correlación sílice vs alúmina de la litología cuarcitas
En la Figura 5.103 se puede observar el despliegue de algunos puntos en el

mapa de correlación, sin embargo, la mayoría de estos se encuentran agrupados cerca
de la parte central, indicando un coeficiente de correlación negativo casi nulo de -
0.0274 o -2.74% entre la variable dependiente alúmina con respecto a la variable
207

variable alúmina (Al2O3) de la litología cuarcitas.
5.3.3.67 Mapa de correlación sílice vs perdida por calcinación de la


mapa de correlación de manera desordenada, sin embargo, la mayoría de estos se
encuentran agrupados casi en la parte central, indicando un coeficiente de correlación
negativo muy débil de -0.1979 entre la variable dependiente perdida por calcinación
con respecto a la variable independiente sílice.
208

variable perdida por calcinación (PPC) de la litología cuarcitas.
5.3.3.68 Mapa de correlación sílice vs fosforo de la litología cuarcitas

mapa de correlación es desordenada. Con un valor de 0.1792, se puede decir que la
Figura 5.105 Mapa de correlación de la variable sílice (SiO2) vs

la variable fosforo (P) de la litología cuarcitas.
209
5.3.3.69 Mapa de correlación sílice vs manganeso de la litología cuarcitas

mapa de correlación, sin embargo, la mayoría de estos se encuentran agrupados cerca
de la parte central, indicando un coeficiente de correlación negativo casi nulo de -
0.0086 o -0.86% entre la variable dependiente alúmina con respecto a la variable

5.3.3.70 Mapa de correlación alúmina vs perdida por calcinación de la


presenta un coeficiente de correlación moderado con respecto a la variable alúmina,
con un valor positivo de 0,5601, pudiéndose ver, que mientras algunos puntos forman
desordenada.
210

la variable perdida por calcinación (PPC) de la litología cuarcitas.
5.3.3.71 Mapa de correlación alúmina vs fosforo de la litología cuarcitas

correlación entre estas dos variables químicas es casi nula.

la variable fosforo (P) de la litología cuarcitas.
211
5.3.3.72 Mapa de correlación alúmina vs manganeso de la litología

cuarcitas
En la Figura 5.109 se puede observar la distribución de los puntos en el mapa

de correlación, donde estos tienden en su mayoría a desplazarse por el eje X sin
mucho desplazamiento por el eje Y, indicando un coeficiente de correlación positivo

la variable manganeso (Mn) de la litología cuarcitas.
5.3.3.73 Mapa de correlación perdida por calcinación vs fosforo de la


correlación entre estas dos variables químicas es moderada.
212

(PPC) vs la variable fosforo (P) de la litología cuarcitas.
5.3.3.74 Mapa de correlación perdida por calcinación vs manganeso de la


de correlación, donde estos tienden en su mayoría a concentrarse cerca del origen,
desplazándose por el eje X, sin mucho desplazamiento por el eje Y, indicando un
coeficiente de correlación positivo muy bajo de 0.1655 o 16.55% entre estas
variables.
213

(PPC) vs la variable manganeso (Mn) de la litología cuarcitas.
5.3.3.75 Mapa de correlación fosforo vs manganeso de la litología cuarcitas

de correlación de manera desordenada, indicando un coeficiente de correlación
positivo muy bajo de 0.1215 o 12.15% entre las variables analizadas.

214
5.4 Evaluar geoestadísticamente el yacimiento Cerro San Isidro mediante el uso

del Software SGeMS
5.4.3 Análisis de los variogramas experimentales por litología
Se calcularon los variograma experimentales por litología para las variables en

estudio (Fe, SiO2, Al2O3, PPC, P y Mn) con azimut en cuatro direcciones (0°,45°,
90° y 135°) y una tolerancia de 22.5 con la finalidad de determinar si presentan un
comportamiento isotrópico o anisotrópico.
5.4.1.1 Variogramas experimentales de las costras
En la Figura 5.113 se muestran los variogramas experimentales en las

direcciones 0°, 45°, 90° y 135°, en los cuales se puede observar que para cada uno de
los parámetros químicos pertenecientes a la litología de las costras, se presenta un
comportamiento diferente, indicando que para este grupo litológico, cada una de las
variables químicas son anisotrópica.
Figura 5.113 Variogramas experimentales de los parámetros químicos de las costras

215
5.4.1.2 Variogramas experimentales de los finos

los parámetros químicos pertenecientes a la litología de los finos, se presenta un
variables químicas analizadas presentan anisotropía.
Figura 5.114 Variogramas experimentales de los parámetros

químicos de los finos
5.4.1.3 Variogramas experimentales de las limonitas

los parámetros químicos pertenecientes a la litología de las limonitas, se presenta un
216
Figura 5.115 Variogramas experimentales de los parámetros químicos de las

limonitas
5.4.1.4 Variogramas experimentales de las cangas

los parámetros químicos pertenecientes a la litología de las limonitas, se presenta un
variables químicas analizadas presentan anisotrópia.
Figura 5.116 Variogramas experimentales de los parámetros químicos de las cangas

217
5.4.1.5 Variogramas experimentales de las cuarcitas

los parámetros químicos pertenecientes a la litología de las cuarcitas, se presenta un
Figura 5.117 Variogramas experimentales de los parámetros químicos de las cuarcitas
5.4.4 Ajuste de los modelos teóricos a los variogramas experimentales por

litología
Para cada una de las litología presentes en el yacimiento, se consideró un

variograma teórico, el que mejor se ajustara a los variogramas experimentales de cada
variable química de los grupos litológicos, igualmente, se escogió un ángulo de
búsqueda para los parámetros químicos de cada grupo litológico.
218
5.4.2.1 Variogramas teóricos de las costras
Para la elaboración de los variogramas teóricos de las variables químicas

presentes, se estimó el número de lags en 10, la separación de lags en 100, con una
tolerancia para el lags de 50, dirección de azimut 135°, tolerancia de 22.5, ancho de
banda de 1000 y el indicador de cutoff de cada parámetro químico, dando como
resultado modelos variográficos gaussiano, donde se puede notar, que todos son
discontinuos en el origen. (Figura 5.118).
Figura 5.118 Variogramas teóricos tipo gaussianos para las variables

químicas de las costras
En la tabla 5.6, se muestran los resultados obtenidos de estos variogramas,

como efecto pepita, sill, y los rangos máximo, medio y mínimo.
219
Tabla 5.6 Resultados obtenidos de variogramas teóricos por parámetro

químico de las costras
Costras
Parámetro químico Efecto pepita Sill Máximo Medio Mínimo
Fe 17 15 1000 1000 0
SiO2 7.8 11 1000 540 0
Al2O3 0.95 3.2 1000 1000 0
PPC 3 4 1000 210 0
P 0.00415 0.0059 1000 790 0
Mn 0.001 0.0075 1000 160 0
5.4.2.2 Variogramas teóricos de los finos

resultado modelos variográficos gaussiano, donde se puede notar, que todos son
Figura 5.0-119 Variogramas teóricos tipo gaussianos para las variables

químicas de las costras
220


químico de los finos
Finos
Fe 13.3 5.5 1000 500 0
SiO2 20 6 1000 500 0
Al2O3 0.315 0.215 1000 560 0
PPC 0.955 1.15 1000 980 0
P 0.00047 0.00025 1000 610 0
Mn 0.00251 0.0015 1000 950 0
5.4.2.3 Variogramas teóricos de las limonitas

presentes, se estimó el número, separación y tolerancia de lags en 10, 100 y 50
respectivamente, dirección de azimut 90°, tolerancia de 22.5, ancho de banda de 1000
y el indicador de cutoff de cada parámetro químico, dando como resultado modelos
variográficos exponenciales, donde se puede notar, que solo la alúmina y la perdida
por calcinación son discontinuos en el origen. (Figura 5.120).
221
Figura 5.120 Variogramas teóricos tipo exponenciales para las variables

químicas de las limonitas
Tabla 5.8 Resultados obtenidos de variogramas teóricos por parámetro químico

de las limonitas
Limonitas
Fe 0 13 1000 700 0
SiO2 0 6.9 1000 1000 0
Al2O3 0.25 2.8 1000 950 0
PPC 2 6 1000 830 0
P 0 0.0043 1000 780 0
Mn 0 0.00072 1000 890 0
5.4.2.4 Variogramas teóricos de las cangas

presentes, se estimó el número, separación y tolerancia de lags en 10, 100 y 50
respectivamente, dirección de azimut 90°, tolerancia de 22.5, ancho de banda de 1000
y el indicador de cutoff de cada parámetro químico, dando como resultado modelos
variográficos exponenciales, donde se puede notar, que solo el hierro y la sílice no
son discontinuos en el origen. (Figura 5.121).
222

químicas de las cangas


químico de las cangas
Cangas
Fe 0 125 1000 580 0
SiO2 0 275 1000 830 0
Al2O3 7 9 1000 100 0
PPC 3.1 7.4 1000 810 0
P 0.00233 0.0015 1000 1000 0
Mn 0.00015 0.0039 1000 1000 0
5.4.2.5 Variogramas teóricos de las cuarcitas

223

resultado modelos variográficos exponenciales, donde se puede notar, que todos son

químicas de las cuarcitas


químico de las cuarcitas
Cuarcitas
Fe 37 10 1000 1000 0
SiO2 70 35 1000 1000 0
Al2O3 0.53 0.15 1000 840 0
PPC 1.2 0.5 1000 560 0
P 0.00042 0.00019 1000 860 0
Mn 0.00203 0.00114 1000 800 0
224
5.5 Modelar el yacimiento Cerro San Isidro por Kriging mediante la

aplicación del Software SGeMS
El modelamiento por Kriging permitirá una mejor observación del

comportamiento de los parámetros químicos por litología del yacimiento en estudio y
a su vez establecer los valores aproximados a cada uno de los bloques importados
desde el Software RecMin. Es importante mencionar, que la variable hierro no
presenta un límite máximo de concentración, sin embargo, para este estudio se
considerara concentraciones mayor a 55%, lo que lo identifica como una mena de alto
tenor, así mismo, cabe destacar, que para los parámetros sílice, alúmina, perdida por
calcinación, fosforo y manganeso se establecieron rangos de (0-10%), (0-3%), (0-
6.5%), (0-0.2%) y (0-1.5%) respectivamente.
5.5.1 Modelamiento Kriging de las costras
En la Figura 5.123, se puede notar, que para la litología de costras, en distintos

niveles de cota, se presenta una alta concentración de hierro, indicando que esta es
una mena de alto tenor, en cuanto la variable sílice, no existen grandes
concentraciones de esta, la alúmina tiende a concentrarse mayormente hacia el sur en
la zona central, mientras que la perdida por calcinación, las mayores concentraciones
se encuentran a mayor altura. El fosforo solo tiende a concentrarse en una pequeña
zona hacia el este en la parte central, mientras que el manganeso se presenta en
cantidades menores a su límite máximo de concentración.
225
Figura 5.123 Modelamiento Kriging de las costra.
5.5.2 Modelamiento Kriging de los finos
En la Figura 5.123, se puede notar, que para el grupo litológico de finos, la

variable hierro se encuentra en mayores concentraciones, indicando que al igual que
las costras, esta mena es de alto tenor, sin embargo también se presentan
concentraciones de sílice por encima del valor máximo hacia el norte, la alúmina solo
presenta concentraciones mayores hacia el oeste al igual que la perdida por
calcinación en pequeñas zonas, el fosforo y el manganeso no presentan
concentraciones por encima de su valor máximo.
226
Figura 5.124 Modelamiento Kriging de los finos.
5.5.3 Modelamiento Kriging de las limonitas
En la Figura 5.125, se puede observar, que las limonitas presentan una

concentración de hierro por encima del 55%, indicando que esta litología es de alto
tenor, presenta altas concentraciones de sílice a mayor profundidad hacia el oeste y
sur. La pérdida por calcinación se puede notar que se presenta en concentraciones
mayores a su límite máximo al igual que el fosforo, mientras que el manganeso no
presenta concentraciones mayores a su límite máximo.
227
Figura 5.125 Modelamiento Kriging de las limonitas.
5.5.4 Modelamiento Kriging de las cangas
En la Figura 5.126, se puede observar que para las cangas, la variable hierro se
encuentra en mayores concentraciones en la parte superior de la mena y en menores
concentraciones en la parte inferior, mientras que la sílice es todo lo contrario, su
mayor concentración se presenta en la parte inferior y tiende a disminuir a mayores
alturas. El fosforo y el manganeso no presentan concentraciones por encima del nivel
máximo.
228
Figura 5.126 Modelamiento Kriging de las cangas.
5.5.5 Modelamiento Kriging de las cuarcitas
Para las cuarcitas, se puede notar en la Figura 5.127, que la variable hierro se
encuentra por debajo de 55%, indicando que es una mena de bajo tenor, mientras que
la variable sílice se presenta en concentraciones mayores al límite máximo,
considerando a las cuarcitas como una mena altamente silícea, el resto de las
variables químicas no presentan concentraciones mayores a su límite máximo.
229
Figura 5.127 Modelamiento Kriging de las cuarcitas
5.5 Diseñar geométricamente el PIT mediante la aplicación de los software

libres RecMin-SGeMS del yacimiento Cerro San Isidro ubicado en el
Cuadrilátero Ferrífero San Isidro Municipio Angostura Estado Bolívar
En las Figuras 5.128 y 5.129 se muestra el diseño del límite final de explotación
del yacimiento Cerro San Isidro, donde el nivel más bajo de explotación para el
yacimiento está ubicado en la cota 430, con un volumen aproximado de extracción de
material todo en uno de 200.623.200 m3, aproximadamente 489.881.500 toneladas de
mineral, con una calidad de 62.3% de hierro, 9.426% de sílice, 0.706% de alúmina,
2.476% de pérdida por calcinación, 0.076% de fosforo y 0.043% de manganeso, lo
que corresponde a 305.489.500 toneladas de hierro, mientras que, el material estéril a
remover esta por el orden de 106.415.100 toneladas, por lo que la relación de
explotación estéril-mineral es de 0.2172-1.
230
Figura 5.128 Pit final de explotación del yacimiento Cerro San Isidro en planta.
Figura 5.129 Pit final de explotación del yacimiento Cerro San Isidro en vista 3D.
231
CONCLUSIONES Y RECOMENDACIONES
Conclusiones
1. Mediante la depuración y ajuste de la data de acuerdo a lo requerido por el

software RecMin, se logró realizar los archivos correspondientes para la
importación de los sondeos geoexploratorios pertenecientes al yacimiento Cerro
San Isidro como: archivo de coordenadas, desviaciones, litología y muestras.
Obteniéndose un total de 1306 sondeos, 23.453 intervalos de muestras, los
cuales están conformados por 7 grupos litológicos (costras, finos, limonitas,
cangas, cuarcitas, gneis y laterita) y las variables químicas presentes en las
litologías (hierro, sílice, alúmina, perdida por calcinación, fosforo y
manganeso).
2. El modelamiento del yacimiento se realizó con la ayuda de los sondeos y

topografía correspondientes a este, donde, una vez realizada la triangulación
para la construcción del sólido y establecido el modelo de bloques
correspondiente a esta mineralización, se pudo notar que la litología costras es
la de mayor abundancia en la superficie del yacimiento, abarcando un volumen
de 39.251.300,66 m3 en cuanto al sólido. Los finos tienden muy poco a aflorar a
la superficie, sin embargo estos presentan un volumen de 96.300.204,09 m3
siendo la litología de mayor concentración perteneciendo a las menas. Las
limonitas y las cangas son las mineralizaciones que se presentan en menores
concentraciones en el yacimiento, con un volumen de 288.344,60 m3 y
1.941.453,24 m3 respectivamente. Las cuarcitas es el segundo grupo litológico
más abundante en el yacimiento, con un volumen de 49.531.394,06 m3, sin
embargo esta se encuentra a mayores profundidades y tiende muy poco a aflorar
en la superficie.
232
3. En la elaboración de los histogramas, se pudo notar que tanto para la litología

de costras como para la de finos, la variable hierro presenta una frecuencia
acumulada hacia los valores máximos de esta (derecha), con sesgos o colas
largas hacia la izquierda (valores mínimo), mientras que, el resto de los
parámetros químicos presentes en estas litológicas (sílice, alúmina, perdida por
calcinación, fosforo y manganeso) las frecuencias acumuladas se encuentran
hacia los valores mínimos, por lo que se puede decir, que estas menas presentan
altas concentraciones de hierro y concentraciones mínimas del resto de los
parámetros químicos. En cuanto a las litologías de limonitas y cangas, se
presentan histogramas bastante irregulares, varios de estos tienden a ser
multimodales; esto puede deberse a los pocos datos presentes en el yacimiento
de estas mineralizaciones. En los variogramas realizados a las cuarcitas, se
pudo notar que para la variable hierro, se presenta un comportamiento
multimodal, para la sílice un comportamiento casi gaussiano, y para el resto de
las variables químicas, las frecuencias máximas se encuentran hacia los valores
mínimos de estas.
4. En cuanto a los mapas de correlación, se pudo notar que solo existe una
correlación negativa casi perfecta entra las variables hierro-sílice de la litología
cangas, dos correlaciones negativas moderadamente altas entre las variables
hierro-alúmina de las limonitas y hierro-sílice de las cuarcitas, dos
correlaciones negativas moderadas entre las variables hierro-sílice de los finos y
limonitas y una correlación positiva entre las variables sílice-manganeso de las
limonitas, mientras que, para las variables perdida por calcinación-manganeso
de las cangas, no existe correlación. El resto de las comparaciones se
encontraron correlaciones entre muy baja a moderadamente baja.
5. Los variogramas experimentales, en su totalidad presentaron anisosotripía en

todas sus direcciones. En cuanto a los teóricos, se buscó el mejor ajuste de
233
ellos, en donde, para las litologías costras y finos, se presentaron modelos

gaussianos, con ángulos de ajuste de 135º y 45º respectivamente. Para las
limonitas, cangas y cuarcitas los modelos fueron exponenciales, con ángulos de
ajuste de 90º para estas tres. La mayoría de estos presentaron discontinuidad en
el origen en todas sus variables químicas, la limonita solo presento en la
variable alúmina y perdida por calcinación, mientras que para las cangas, la
variable hierro y sílice no presentaron discontinuidad en el origen.
6. En la realización del modelamiento Kriging, se observó, que las litologías

costras y finos son menas de alto tenor por presentar una concentración de
hierro superior a 55%, aunado a eso, las costras presentan altas concentraciones
de alúmina y perdida por calcinación en ciertas partes de esta litología, mientras
que en los finos es la variable sílice la que presenta altas concentraciones hacia
el norte del yacimiento. En las limonitas y las cangas la variable hierro se
presenta en mayor concentración a en las cotas superiores, mientras que la sílice
se concentra en las cotas inferiores. Las cuarcitas es una mena altamente silícea,
con concentraciones de esta variable química superior al 10% mientras que la
variable hierro no alcanza su valor mínimo para ser considerado de alto tenor
(55%).
7. Finalmente, diseñado el pit geométrico del yacimiento Cerro San Isidro, se

pudo conocer que para esta planificación, el volumen de extracción aproximado
todo en uno es de 200.623.200 m3, lo que equivale a 489.881.500 toneladas de
mineral con un porcentaje promedio de 62.3% de hierro, mientras que el resto
de las variables químicas se encuentran dentro de los valores máximos de
concentración y 106.415.100 toneladas de material estéril, obteniéndose una
relación de explotación estéril:mineral de 0.2172:1.
234
Recomendaciones
1. Realizar una comparación entre el modelamiento geológico de esta

investigación, con el modelo realizado por la empresa C.S.V. Ferrominera
Orinoco, empresa encargada de la extracción del mineral de hierro en
Venezuela.
2. Comparar el diseño geométrico realizado en esta investigación, con el diseño

realizado por la empresa C.S.V. Ferrominera Orinoco y realizar comparaciones
con otros software de planificación minera.
235
REFERENCCIAS
Alfaro, Marcos. (2007). ESTIMACION DE RECURSOS MINEROS., Universidad

de Chile, Santiago de Chile, pp. 9-38.
Alfaro, Marcos. (2009). EFECTO DE APLICACIÓN DE LEYES DE CORTE

EN EL CÁLCULO DE UN PROGRAMA DE PRODUCCIÓN. Facultad de
Ciencias Físicas y Matemáticas, Universidad de Chile, Santiago de Chile, pp. 9-
27.
Bartolozzi, Alides. (2010). EVALUACIÓN DE LOS RADIOS DE INFLUENCIA

DE LOS CONOS PARA VOLADURA DEL YACIMIENTO LAS
PAILAS, MUNICIPIO BOLIVARIANO ANGOSTURA, ESTADO
BOLÍVAR. Escuela de Ciencias de la Tierra, Universidad de Oriente, Ciudad
Bolívar, Venezuela, pp. 7-31.
Bolívar, Enyerberth. (2014). DISEÑO DE LA SECUENCIA DE EXPLOTACIÓN

DE LOS YACIMIENTOS QUE CONFORMAN EL GRUPO REDONDO
DEL DISTRITO FERRÍFERO PIAR PARA UN PERIODO DE LARGO
PLAZO, C.V.G. FERROMINERA ORINOCO C.A., ESTADO
BOLÍVAR., Universidad Central de Venezuela, Caracas, Venezuela, pp. 11-
29.
Carranza, Patricia. (2010). CARACTERIZACIÓN MINERALÓGICA Y

TECNOLÓGICA DE MUESTRAS DE MINERAL DE HIERRO DE LA
MINA LOS BARRANCOS DEL CUADRILÁTERO FERRÍFERO SAN
ISIDRO UBICADO EN EL MUNICIPIO BOLIVARIANO ANGOSTURA,
236
CIUDAD PIAR, ESTADO BOLÍVAR., Escuela de Ciencias de la Tierra,

Universidad de Oriente, Ciudad Bolívar, Venezuela, pp. 7-31.
Castillejo, Alfredo. (2007). TEORIA GEOESTADÍSTICA APLICADA AL

ANALISIS DE LA VARIABILIDAD ESPACIAL ARQUEOLÓGICA
INTRA-SITE., pp. 138-139.
Chica, Mario. (1987). ANÁLISIS GEOESTADÍSTICO EN EL ESTUDIO DE LA

EXPLOTACIÓN DE LOS RECURSOS MINERALES. Departamento de
Geodinámica, Universida de Granada, Granada, España, pp. 9-62.
Cuevas, Cristian. (2009). ESTADÍSTICA Y PROBABILIDAD. Recuperado el 02

de Julio de 2016, de
http://frecuenciaestadistica.blogspot.com/2009/04/definicion-de-
estadistica.html
Dario, Ruben. (2011). CONCEPTOS BASICOS DE ESTADÍSTICA. Recuperado

el 02 de Julio de 2016, de http://ruben-
dario.globered.com/categoria.asp?idcat=21
Díaz, Martín. (2002). GEOESTADÍSTICA APLICADA. Instituto de Geofísica y

Astronomía, CITMA, Cuba, pp. 5-64.
Dicovskiy, Luis. (2012). ESTADÍSTICA BÁSICA PARA INGENIEROS.

Universidad Nacional de Ingeniería, Estelí, Nicaragua, pp. 20-32.
Emery, Xavier. (2007). APUNTES DE GEOESTADÍSTICA. Universidad de Chile,

Santiago de Chile, pp. 2-95.
237
Estudios Mineros del Perú, S. (2010). MANUAL DE MINERÍA. Lima, Perú:

Estudios Mineros del Perú S.A.C.
González, Tomás. (2010). DISEÑO DE MINAS A TAJO ABIERTO. Facultad de

Ingeniería Geológica Minera y Metalurgica, Universidad Nacional de
Ingeniería, Lima, Perú, pp. 2-67.
Guarín, Norberto. (2002). ESTADÍSTICA APLICADA. Universidad Nacional de

Colombia, Medellín, Colombia, pp. 45-76.
Herrera, Juan. (2006). MÉTODOS DE MINERÍA A CIELO ABIERTO. :

Universidad Politecnica de Madrid, Madrid, España.
Ortiz, Fernando., Moyano, Isidro., & Herrera, Juan. (2003). CURSO DE

LABOREO III DISEÑO DE EXPLOTACIONES MINERAS. Escuela
Técnica Superior de Ingenieros de Minas, Universidad Politécnica de Madrid,
Madrid, España, pp. 121-128.
Peirano, Fernando. (2011). DEFINICIÓN DE PIT FINAL CAPACITADO BAJO

INCERTIDUMBRE. Facultad de Ciencias Físicas y Matemáticas, Universidad
de Chile Santiago de Chile, pp. 15-43.
Peña, Willian. (2005). ACTUALIZACIÓN DE LAS RESERVAS GEOLÓGICAS

DE CERRO TORIBIO Y CERRO REDONDO, UBICADOS EN EL
MUNICIPIO AUTÓNOMO LEONI, ESTADO BOLÍVAR. Escuela de
Cienciad de la Tierra, Universidad de Oriente, Ciudad Bolívar, Venezuela.
Perez, Rafael. (1992). NOTAS DE GEOESTADÍSTICA (PRIMER

BORRADOR). Universidad de Oriente, Ciudad Bolívar, Venezuela, pp. 1-37.
238
Rodríguez, Luis. (2007). PROBABILIDAD Y ESTADÍSTICA BÁSICA PARA

INGENIEROS. Instituto de Ciencias Matemáticas Escuela Superior
Politécnica del Litoral, Guayaquil, Ecuador pp. 15-36.
Roger, Antonio, & Rojas, Lenin. (2005). DESARROLLAR SOFTWARE PARA

OBTENCIÓN DE INFORMES TÉCNICOS DE LAS OPERACIONES DE
PERFORACIÓN Y VOLADURA GENERADAS EN EL
CUADRILATERO FERRÍFERO SAN ISIDRO. CIUDAD PIAR ESTADO
BOLÍVAR. VENEZUELA. Escuela de Ciencia de la Tierra, Universidad de
Oriente, Ciudad Bolívar, Venezuela, pp. 6-22.
Rojas, María. (2013). VARIABILIDAD ESPACIAL DE LOS PARAMETROS

QUIMICOS DEL MINERAL DE HIERRO DEL YACIMIENTO CERRO
LAS PAILAS, MUNICIPIO BOLIVARIANO ANGOSTURA, ESTADO
BOLIVAR. Escuela Ciencias de la Tierra, Universidad de Oriente, Ciudad
Bolívar, Venezuela, pp. 6-53.
Ruiz, Marlin. (2009). ACTUALIZACIÓN ESTADÍSTICA DE DENSIDAD EN

LOS DIFERENTES GRUPOS LITOLÓGICOS DE LOS YACIMIENTOS
DE HIERRO EN LOS CERROS SAN ISIDRO, LAS PAILAS, LOS
BARRANCOS Y ALTAMIRA. Escuela de Ciencias de la Tierra, Universidad
de Oriente, Ciudad Bolívar, Venezuela, pp. 5-25.
Ruiz, Yhonny. (2010). APLICACION DE SOFTWARE LIBRE PARA LA

ESTIMACION DE RECURSOS Y PARA LA EVALUACION TECNICA
ECONOMICA DE LAS RESERVAS MINERALES.: Universidad Nacional
de Piura, Peru.
239
Rustom, Antonio. (2012). ESTADISTICA DESCRIPTIVA, PROBABILIDAD.

Universidad de Chile, Santiago de Chile, pp. 9-76.
Sáez, Antonio. (2012). APUNTES DE ESTADÍSTICA PARA INGENIEROS.

Universidad de Jaén San Francisco, USA, pp. 25-34.
Salazar, Carmen. 2010. MAXIMIZACION DE LAS RESERVAS

RECUPERABLES DEL CUADRILATERO FERRIFERO SAN ISIDRO Y
MINA ALTAMIRA SEGUN LOS CORTES EN LOS PROCENTAJES DE
SÍLICE Y FÓSFORO PARA RESPONDER A LAS NUEVAS
EXIGENCIAS DE LOS PRODUCTOS COMERCIALIZADOS POR CVG
FERROMINERA ORINOCO, C.A. Escuela de Ciencias de la Tierra,
Universidad de Oriente, Ciudad Bolívar, Venezuela, pp. 6-25.
Vallejo, María., Baquero, Juan., & Sepúlveda, Giovanni. (2010). ANÁLISIS DE

LOS ALGORITMOS DE OPTIMIZACIÓN MINERA: CONO
FLOTANTE Y LERCHS-GROSSMANN UTILIZANDO GEMCOM
SURPAC Y UPL. Boletin de Ciencias de la Tierra , pp 16-18.
Vargas, Viviana. (2007). ESTADÍSTICA DESCRIPTIVA PARA INGENIERÍA

AMBIENTAL CON SPSS. Universidad Nacional de Colombia, Cali,
Colombia, pp. 23-48.
Hoja de Metadatos para Tesis y Trabajos de Ascenso – 1/6
Diseño geométrico el pit mediante la aplicación de los software libres

RecMin-SGeMS del yacimiento Cerro San Isidro, ubicado en el
Título
Cuadrilátero Ferrífero San Isidro, Municipio Bolivariano Angostura,
Estado Bolívar
Subtítulo
Autor(es)
Apellidos y Nombres Código CVLAC / e-mail
CVLAC 20772245
López Guevara Alejandro Jesús e-mail alejo.3.lopez@gmail.com
e-mail
CVLAC
e-mail
e-mail
CVLAC
e-mail
e-mail
CVLAC
e-mail
e-mail
Palabras o frases claves:

Diseño
Pit
RecMin
SGeMS
Yacimiento
Modelamiento
Kriging
Optimizador
Cono Flotante
Geoestadística
Líneas y sublíneas de investigación:
Área Subárea
Departamento de Ingeniería de Minas Ingeniería de minas
Resumen (abstract):
La presente investigación, se fundamenta en diseñar geométricamente el pit

mediante la aplicación de los software libres RecMin-SGeMS del yacimiento Cerro
San Isidro ubicado en el Cuadrilátero Ferrífero San Isidro, Municipio Bolivariano
Angostura, Estado Bolívar. para ello se consideraron los siguientes objetivos
específicos: se adaptó la data de los sondeos geoexploratorios de acuerdo a las
exigencias del software RecMin, luego se realizó el modelamiento del yacimiento
en estudio mediante la aplicación del software, seguidamente se procedió a
evaluar estadística y geoestadísticamente por litología el yacimiento mediante la
aplicación del software SGeMS, a través de histogramas, mapas de correlación,
variogramas experimentales y teóricos, finalmente se modelo el yacimiento por
Krigging mediante la aplicación del software SGeMS, para evaluar el
comportamiento de los parámetros químicos en cada litología del yacimiento
estudiado. Siguiendo una metodología de investigación de tipo descriptivo con
diseño documental y de campo dando como resultado lo siguiente: 1306 sondeos
geoexploratorios, representados por 7 grupos litológicos, que están integrados
por 6 variables químicas. Con el modelamiento geológico se determinó un
volumen de menas (CT, FN, Y, CG y CC) obteniéndose un valor general de
187.312.696 m3, el comportamiento estadístico y geoestadístico del yacimiento y
finalmente se realizó el diseño del pit final de explotación, obteniéndose un valor
de 489.881.500 toneladas de mena, 106.415.100 toneladas de estéril, indicando
una relación de explotación estéril:mineral de 0.2172:1.
Contribuidores:
Apellidos y Nombres ROL / Código CVLAC / e-mail
ROL CA AS TU x JU
María, Rojas CVLAC 8555445

e-mail marojas_05@yahoo.com
e-mail
ROL CA AS TU JU x
Gisela, Silva CVLAC 12598208

e-mail gsilva@udo.edu.ve
e-mail
ROL CA AS TU JU x
Cliret, Ramírez
CVLAC 20079907
e-mail Ramirez.Cliret@gmail.com
e-mail
ROL CA AS TU JU
CVLAC
e-mail
e-mail
Fecha de discusión y aprobación:

Año Mes Día
2017 03 29
Lenguaje Spa
Archivo(s):
Nombre de archivo
Tesis Diseño geométrico del pit mediante la aplicación de los software
libres RecMin-SGeMS del yacimiento Cerro San Isidro, ubicado en el
Cuadrilátero Ferrífero San Isidro, Municipio Bolivariano Angostura, Estado
Bolívar.Doc
Caracteres permitidos en los nombres de los archivos: A B C D E F G H I J K L M N O P Q R S T

UVWXYZabcdefghijklmnopqrstuvwxyz0123456789_-.
Alcance:
Espacial : (Opcional)
Temporal: (Opcional)
Título o Grado asociado con el trabajo: Ingeniería de Minas
Nivel Asociado con el Trabajo: Pre-Grado
Área de Estudio: Departamento de Ingeniería de Minas
Otra(s) Institución(es) que garantiza(n) el Título o grado: Universidad de

Oriente
Artículo 41 del REGLAMENTO DE TRABAJO DE PREGRADO (vigente a partir
del II Semestre 2009, según comunicación CU-034-2009) : ”Los Trabajos de
Grado son de la exclusiva propiedad de la Universidad de Oriente, y sólo podrán ser utilizados para
otros fines con el consentimiento del Consejo de Núcleo respectivo, quien deberá participarlo
previamente al Consejo Universitario, para su autorización.”
AUTOR 1 AUTOR 2
TUTOR

TESIS RecMin-SGeMS

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TESIS RecMin-SGeMS

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE ORIENTE

DISEÑO GEOMÉTRICO DEL PIT MEDIANTE LA

CIUDAD BOLÍVAR, MARZO 2017

Nombre y Apellido del Prof.: Firma:

Prof. Víctor González Prof. Francisco Monteverde

En Ciudad Bolívar a los 29 días del mes de marzo de 2017.

Este logro se lo dedico primeramente a Dios por ayudarme, guiarme y darme

A mis hermanos, Gregori, Dulmariz, Ventura, Nelson, Melvin, Neuris por

Primeramente a Dios por darme las fuerzas y sabiduría necesarias para

A la Universidad de Oriente por permitir mi formación profesional. A mi

La presente investigación, se fundamenta en diseñar geométricamente el pit

2.1 Descripción de códigos litológicos usados por la empresa CVG Ferrominera

La minería en la actualidad juega un papel muy fundamental en la economía

Antes de poder iniciar con la explotación de un yacimiento, es necesario

El presente trabajo de grado, consiste en la elaboración del diseño geométrico

ellos. Seguidamente se realizó la evaluación estadifica y geoestadística mediante el

Este trabajo está diseñado por capítulos, donde en el primero se describe la

1.1 Planteamiento del problema

Una de las principales exigencias en el mercado del mineral de hierro está

Actualmente las reservas de mineral de hierro se han ido agotando a lo largo de

En vista de lo anteriormente expuesto y en busca de alternativas de solución

La planificación de una mina, dependerá de las técnicas y métodos utilizados

Una de las técnicas más precisas para realizar cálculos de reservas de un

La geoestadística es uno de las herramientas científicas de mayor precisión en

Si bien es cierto, que en la actualidad existen muchos tipos de software

En este trabajo de investigación se considerará la aplicación de los software

1.2 Objetivos de la investigación

1.2.1 Objetivo general

Diseñar geométricamente el pit mediante la aplicación de los software libres

1.2.2 Objetivos específicos

1. Adaptar la data de los sondeos geoexploratorios del yacimiento Cerro San

2. Modelar el yacimiento Cerro San Isidro mediante la aplicación del Software

3. Evaluar estadística y geoestadísticamente él yacimiento Cerro San Isidro

4. Modelar el yacimiento Cerro San Isidro por Krigging mediante la aplicación

1.3 Justificación de la investigación

La realización de este trabajo de investigación nos permitirá desarrollar de

1.4 Alcance de la investigación

2.1 Ubicación geográfica del yacimiento

En Venezuela, el mineral de hierro se encuentra concentrado mayormente en

El Cuadrilátero Ferrífero San Isidro, está ubicado en el Estado Bolívar, en la

Figura 2.1 Ubicación relativa del Área de estudio y localización de la mina

2.2 Características generales del área de estudio

Presenta diversas formas controladas por los diferentes tipos de rocas

Se presentan serranías y diversas formaciones rocosas propias del Complejo de

En lo referente al drenaje, los ríos principales drenan según el rumbo de la

La flora se ha clasificado como Tropófita Macrotérmico y Bosque Pluvial. Las

2.2.4 Clima y precipitación

El clima de la zona es Tropical Húmedo, con una temperatura promedio anual

Según (Roger & Lenin, 2005), la red hidrográfica de la región pertenece a la

Se presentan diversas formas controladas por los diferentes tipos de rocas

En la faja del Cerro Bolívar al Sur de la falla de Guri, la topografía está

2.2.7 Vías de acceso y comunicación

Las zonas del Cuadrilátero Ferrífero San Isidro se encuentra interconectada al

2.3 Geología regional

En geología los Escudos se definen como macizos continentales constituidos

En Sudamérica, los Escudos Brasileño y de Guayana están separados entre sí

Basándose en los caracteres petrológicos y tectónicos, el Escudo de Guayana en

Figura 2.2 Mapa geológico generalizado del Escudo de Guayana.

Petrológicamente la Provincia de Imataca pertenece al denominado Cinturón

El Distrito Ferrífero Piar pertenece a la Provincia Geológica de Imataca, la cual

La edad de las rocas de la Provincia Imataca es Arqueozoica (3400 - 3700 Ma),

Litológicamente la Provincia Imataca está formada por gneises graníticos y

Las tendencias estructurales dominantes regionales son N 60º-70º E, más o

La Provincia Imataca consiste en rocas metamorfizadas, granitizadas y