UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA GEOLÓGICA MINERA Y

METALÚRGICA
Escuela Profesional de Minas

GEOESTADISTICA – GM -711

MONOGRAFIA N°2: ANALISIS DE SENSIBILIDAD DE LAS

CURVAS DE TONELAJE VS LEY DE CORTE

Docentes: PhD. MARIN SUAREZ, ALFREDO.

ING. TEVES ROJAS, AUGUSTO

Apellidos y Nombres: Código

 CANAHUA CHOQUEZA, TONY 20170159E
 AYALA MELO, MAYCOL 20170419G
 ARONI BARRIOS, SAUL 20170334A
 ARIAS PAITAN. JEFFREY 20170228G
 ARRASCO NAPA, ANTHONY 20152686G
 CHUÑOCCA MODESTO, JESUS 20161048J
P á g i n a 1 | 24
INDICE

1. RESUMEN .......................................................................................... 3

2. OBJETIVOS ........................................................................................ 4

3. MARCO TEORICO ............................................................................. 5

4. PLANTEAMIENTO DEL PROBLEMA ........................................... 13

5. PROCEDIMIENTO ........................................................................... 14

6. DIAGRAMA DE FLUJO................................................................... 20

7. RESULTADOS.................................................................................. 21

8. CONCLUSIONES ............................................................................. 23

9. BIBLIOGRAFIA ............................................................................... 24

P á g i n a 2 | 24
 1. RESUMEN

Este trabajo se realizará con el fin de entender el estudio de Estimación de Recursos

mediante el análisis de sensibilidad de las curvas de tonelaje de la ley de corte, para
diferentes tamaños de bloque.
En esta monografía se tomará varios parámetros para la elaboración de las curvas de
sensibilidad que son como por ejemplo el tamaño del bloque, leyes, y otros.
Procederemos a mencionar a grandes rasgos el procedimiento que se realizara en este
trabajo.
Inicialmente comenzaremos simulando leyes de cada bloque, para eso nos ayudaremos
del programa Python, para poder obtener una lista de Cutt – off.
Luego con la ayuda de los histogramas (“Distribución log normal de las leyes”) vamos a
corroborar que estas leyes estén bien definidas. Una vez hecho estos obtenemos la lista
de los valores con leyes mayores iguales al Cutt – off.
Entonces, después de obtener estas leyes pasamos a graficar las curvas de sensibilidad
Tonelaje vs Cut - off, Leyes medias vs Cut - off y Cantidad de Mineral vs Cut – off
haciendo uso del programa Python.
Y para finalizar compararemos las gráficas que nos salió con el procedimiento realizado
líneas arriba y obtendremos algunas conclusiones como, por ejemplo:
Podemos decir que la conclusión más sobresaliente que podemos decir de estas graficas
es que mientras que aumenta el tamaño del bloque, la ley media es mayor.

P á g i n a 3 | 24
2. OBJETIVOS

 Objetivos generales:

 Investigar, analizar y discutir la sensibilidad de la relación

tonelaje – ley de corte y su importancia en la estimación de
recursos.
 Simular y comparar la relación anterior para diversos
tamaños de bloque.

 Objetivos específicos:

 Crear un programa en base al lenguaje de programación

Python para la toma y simulación de datos vitales para
nuestro estudio, tales como: tamaño de bloque, leyes, entre
otros.
 Comparar resultados aleatorios generados por nuestro
grupo, con data real (investigada) usada en minería.

P á g i n a 4 | 24
 3. MARCO TEORICO

En los años 60, Matheron acuñó el término de Geoestadística, él fue 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).
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 términos mineros se define a la geoestadística como la aplicación de la teoría de las
variables regionalizadas a la estimación de los recursos mineros.
Sea x un punto del espacio. Se designa la variable regionalizada por la notación Z(x). Por
consiguiente, Z(x) puede significar:
 Z(x) si el problema es unidimensional (1-D)

En el espacio de una dimensión, sea Z(x) = Ley de Zn a lo largo de una galería.

Ilustración 1 Variable regionalizada en una dimensión.

 Z(x1, x2) si el problema es bidimensional (2-D).

En el espacio de dos dimensiones, sea z(x1, x2) = z(x) = potencia mineralizada en un

yacimiento de nitratos.

P á g i n a 5 | 24
 Ilustración 2 Variable regionalizada en dos dimensiones

Z(x1, x2, x3) si el problema es tridimensional (3-D).

En el espacio de tres dimensiones, sea z(x1, x2, x3) = z(x) = Ley de metal en el punto x dentro de
un depósito masivo

Ilustración 3 Variable regionalizada en 3 dimensiones

CUT OFF
Es el grado mínimo requerido para que un mineral o metal sea extraído
económicamente, el material que pasa esta barrera se considera como
reserva. Es importante reconocer que la ley de corte no se calcula
simplemente a una respuesta definitiva. De hecho, es una variable estratégica
que implica mucho en el diseño de la mina. La ley de corte se adapta a
medida que el entorno económico cambia con respecto a los precios y costos
de minería.

P á g i n a 6 | 24
El modelo de bloques se utiliza en yacimientos masivos donde se discretiza
el depósito geológico a través de unas pequeñas unidades llamadas bloques.
Cada bloque tiene su ubicación espacial(X, Y,Z) y contiene información de
diferentes campos como litología predominante, densidad, propiedades
geomecanicas
Ilustración 4 Modelo de Bloques

P á g i n a 7 | 24
ESTIMACION DE RECURSOS
La práctica de la estimación de Recursos cubre desde metodologías basadas solo en
información estadística convencional (seccional, polígonos, inverso de la distancia) hasta
aquellas que introducen las características espaciales de los datos capturados in-situ
(kriging y sus variantes).
Por estimación de recursos entendemos la determinación de la cantidad de materia prima
contenida en un yacimiento o en una de sus partes. La mayoría de los recursos y reservas
se calculan en toneladas métricas, solo la de los metales preciosos (oro, plata y platino)
se calculan en kilogramos, los diamantes en quilates y las reservas de gas natural, arena,
piedras para la construcción, agua subterránea, se estiman en metros cúbicos. Esta
cuantificación formal de las materias primas minerales estimada por procedimientos
empíricos o teóricos se denomina Inventario Mineral. Este a su vez se expresa en términos
de recurso y reservas.
La estimación de recursos/reservas: Se considera un proceso continuo que se inicia con
la exploración y recopilación de la información seguida de la interpretación geológica y
la estimación de recursos. Posteriormente se consideran los factores modificadores
(mineros, metalúrgicos, ambientales, legales etc.) y se arriba al estimado de reservas.
Durante las operaciones de la mina los estimados previamente calculados son
modificados por los resultados del control de ley y los estudios de reconciliación. En estos
apuntes se hace mayor hincapié en la estimación de los recursos. La cantidad de reservas
de un yacimiento, como uno de los factores principales que determinan su viabilidad
económica, posee una gran influencia en la vida útil del yacimiento, su producción anual
y la decisión final de construir la empresa minera. Los distintos métodos de estimación
de recursos que se emplean en la actualidad son definidos por los principios de
interpretación empleados y las técnicas de interpolación espacial. Así tenemos los
métodos clásicos de cálculos desarrollados y utilizados desde los principios de la minería
hasta nuestros días, que se basan en procedimientos manuales y donde los principales
parámetros son estimados a partir de la media aritmética y la media ponderada. Por otra
parte, los métodos asistidos por computadoras que incluyen el método de ponderación
por el inverso de la distancia y las geoestadísticas y que se fundamentan en
procedimientos matemáticos de interpolación definidos a partir de información espacial
y estadística presente en los datos. Estos métodos surgieron con el desarrollo de las
computadoras.

P á g i n a 8 | 24
 Ilustración 5 Etapas de una estimación de Recursos

METODOS DE ESTIMACION
Influyen diversos factores en la elección de un método a estimar, como, por
ejemplo:
 Variabilidad del atributo a estimar.

 Densidad de los datos

 Requerimiento del producto final

 Definir si se busca una estimación local o global

 Soporte del volumen a estimar (bloques o puntos)

Poligonal
Consiste en asignar a cada punto del espacio la ley del dato más próximo. Para
estimar una zona S se ponderan las leyes de los datos por el área (o volumen) de
influencia S. Presenta una fácil implementación (considera los agrupamientos de
datos). Pero crea discontinuidades entre polígonos y requiere una gran cantidad
de datos
La fórmula general es:

P á g i n a 9 | 24
 Comentarios:
 Complicado, requiere compás, regla, planímetro.

 El peso del dato Zi es Si / S.

 Funciona mejor con agrupaciones de datos que la media aritmética.

 Difícil de implementar en tres dimensiones.

 En general no es adecuado en estimaciones locales porque asigna la

misma ley a todos los bloques que están dentro de un mismo polígono.

Produce problemas con datos anómalos.

Triangulación
Es simple y considera el agrupamiento de datos. Pero los pesos de cada muestro
son determinados por un criterio geométrico.

P á g i n a 10 | 24
Inverso de la distancia
El método del inverso de la distancia se basa en lo siguiente: Asignar mayor peso
a las muestras cercanas y menor peso a las muestras alejadas a S. Esto se consigue
al ponderar las leyes por 1/diα, (α = 1, 2, . . . ; di = distancia entre la muestra i y el
centro de gravedad de S).
Muy fácil de implementar, pero no considera el agrupamiento de datos

Comentarios:

 Simple, fácil de calcular.

 Se adapta mejor en estimaciones locales que globales.

 No funciona bien con agrupaciones de datos.

 Atribuye demasiado peso a las muestras cercanas al centro de gravedad.

En particular no está definido si di= 0 (muestra en el centroide de S)

 No toma en cuenta la forma ni el tamaño de S (en el ejemplo S' tiene la

misma ley que S porque su centroide coincide con el de S).

P á g i n a 11 | 24
Kriging
El objetivo del Kriging es lograr el mínimo error de estimación. El kriging es una
combinación lineal ponderada de los datos en la vecindad a la ubicación a estimar.

Parámetros requeridos:
 Modelo variográfico

 Distancia de búsqueda

 Número de muestras

 Estrategia de búsqueda

 Tamaño de bloque

 Discretización del bloque

 Estrategia para tratar valores anómalos

P á g i n a 12 | 24
 4. PLANTEAMIENTO DEL PROBLEMA

Realizaremos el Análisis de Sensibilidad de las Curvas:

 Simular la data.
 Tonelaje vs Ley de Corte para bloques del tamaño de 10x10x10, 20x20x20 y
50x50x50.
 Cantidad de Metal vs Ley de Corte para bloques del tamaño de 10x10x10,
20x20x20 y 50x50x50.
 Ley media vs Ley de corte para bloques del tamaño de 10x10x10, 20x20x20 y
50x50x50.

FIG.1. Dimensiones del Yacimiento

Vamos a simular las leyes de Cu, Ag, Pb, Zn con el método del teorema del Limite
Central-Distribución Log normal.
Luego tendremos una cantidad N de bloques de 10x10x10 y construimos la curva
Tonelaje vs Ley de Corte.
Lo primero que debemos hacer.
Buscamos o simulamos datos aproximados de una mina acerca de las leyes medias de
los metales y el cut off, luego simulamos las leyes.
Para empezar, podemos con un solo metal, luego podemos usar dos metales.
Para un tonelaje dado si se tiene una cantidad determinada de bloques cuyas leyes es
mayor que el cut off entran como reservas.
Conforme sube el cut off abra menos bloques.

P á g i n a 13 | 24
 5. PROCEDIMIENTO
Para el desarrollo de este trabajo de Investigación hemos hecho uso del Software Python
usando el lector Jupyter.
Ingresamos los datos.

Simulamos las leyes de los bloques.

Verificamos que la simulación de las leyes del bloque sea correcta para eso utilizamos
la ayuda de los histogramas.

P á g i n a 14 | 24
 FIG.2.Distribucion Log Normal de las Leyes

FIG.3. Distribución Normal de las Leyes.

La lista de Cut Off para este yacimiento son las siguientes.

P á g i n a 15 | 24
 FIG.4. Lista de Cut Off.
Obteniendo los tonelajes de los cubos que cumplen con cada Cut-Off.

FIG.5. Lista de tonelajes con leyes mayores iguales al Cut Off.

Graficaremos la Curva Tonelaje vs Cut Off

P á g i n a 16 | 24
 FIG.6. Curva Tonelaje vs Cut Off.
Obteniendo las leyes medias:

FIG.7. Lista leyes medias.

P á g i n a 17 | 24
Graficando la curva Leyes medias vs Cut Off

FIG.8. Curva Ley media vs Cut Off.

Hallando la cantidad mineral para cada Cut Off.

FIG.9. Lista de la cantidad de mineral.

P á g i n a 18 | 24
Graficando Cantidad de mineral(tn) vs Cut Off (Oz/tn)

FIG.9. Curva Cantidad de Mineral vs Cut Off.

P á g i n a 19 | 24
6. DIAGRAMA DE FLUJO

P á g i n a 20 | 24
 7. RESULTADOS

Curvas para los bloques de 10x10x10.

FIG.6. Curva Tonelaje vs Cut Off.

FIG.8. Curva Ley media vs Cut Off.

P á g i n a 21 | 24
 FIG.9. Curva Cantidad de Mineral vs Cut Off.

P á g i n a 22 | 24
8. CONCLUSIONES

 El análisis Geoestadística adaptado a la estimación de recursos de los metales

empleados en este trabajo, sirven como metodología general para cualquier caso
real con similares o diferentes características con un alto grado de confiabilidad.
 Las estimaciones no constituyen determinaciones ni cálculos precisos ya que la
información capturada y utilizada es restringida. Estas estimaciones constituyen
valores esperados.
 Se observa que a mayor tamaño del bloque la ley media es mayor.
 Al comparar la gráfica tonelaje-ley de corte para cada tamaño de bloque simulado,
no se observa una diferencia notoria. Esto se debería a que todas cumplen una
misma distribución.
 No cabe duda de que la simulación beneficia y agiliza los posibles resultados de
un evento bajo ciertas condiciones, como el caso del cálculo de reservas. Los
métodos tradicionales como la media aritmética, polinización, método inverso de
la distancia, entre otros, son superados ampliamente. Por lo tanto, la programación
debe ser esencial y básica para todos los alumnos involucrados en las ciencias de
la Tierra.

P á g i n a 23 | 24
9. BIBLIOGRAFIA

 Alfaro M. (2007). Estimación de recursos. Universidad de Chile.

Santiago, Chile.

 Paul Switzer & Harry M. Parker. (1975). THE ESTATISTICS OF

SELECTIVE MINING. California, Estados Unidos: Department of
Statistics Stanford University. Technical Report No. 75.

 Sanchez J. (2018).Análisis de factores que influyen en la estimación de

reservas probadas y probables en la Unidad Operativa Pallancata(Tesis
de pregrado). Universidad Nacional del Centro del Perú, Huancayo,
Perú.

 Yana P. (2014). Planeamiento de minado a largo plazo empresa minera

Santa Luisa S.A. Proyecto mina Atalaya (Tesis de pregrado).
Universidad Nacional San Agustín de Arequipa, Arequipa, Perú.

P á g i n a 24 | 24