ENFOQUES DE CATEGORIZACIÓN

EMPLEADOS EN RECURSOS MINERALES

Dr. Martín A. Díaz Viera
MSc. Heber Hernández Guerra
Dr. Ricardo Casar González
MSc. Van Huong Le
CURSO GEOESTADÍSTICA APLICADA A LA ESTIMACIÓN DE RECURSOS MINERALES (GAERM)
UNIDAD VIII
2021
 I. Enfoques de categorización:

1. Por el número de compositos utilizados para estimar la ley de un

bloque.
2. Por la distancia promedio de compositos utilizados para estimar la ley
de un bloque.
3. Por el alcance del modelo de variograma.
4. Por el plan de estimación empleado para estimar la ley de un bloque.
5. Por la varianza de kriging o el error estándar para estimar la ley de un
bloque.
6. Por una combinación de los métodos antes señalados.

1 Fuente: CIM Estimation of Mineral Resources and Mineral Reserves Best Practice Guidelines
 Enfoque 1: Número de compositos para estimar un
bloque
Se definen categorías en función a la cantidad de compositos capturados a la hora
de estimar la ley de un bloque. Aquellos bloques estimados con una baja cantidad
de compositos, tendrán un menor nivel de confianza.

Composito

Bloque estimado

Bloque estimado con

mayor confianza

2
 Enfoque 2: Distancia promedio de compositos utilizados
para estimar un bloque
Se promedian las distancias de los compositos hacia el bloque, a mayor distancia,
menor confianza.

DP = d1+d2+d3+d4/4
d1

d2 d4
Composito
d3
Bloque estimado

3
 Enfoque 3: Alcance del variograma

0.33*(C0 + C)
0.66*(C0 + C)

0.05*(C0 + C)
Se definen rangos a nivel de distancia en
función al modelo variográfico.
• Rec. Medido = 0.66*(C0 + C)
• Rec. Indicado = 0.33*(C0 + C) C0 + C
• Rec. Inferido = 0.05*(C0 + C)

C0

0 RMed RInd RInf

Mucha, Jacek & Wasilewska-Błaszczyk, Monika & Auguścik, Justyna. (2015). Categorization of mineral resources based upon geostatistical estimation
4 of the continuity of changes of resource parameters.
 Isotropía Anisotropía

Mucha, Jacek & Wasilewska-Błaszczyk, Monika & Auguścik, Justyna. (2015). Categorization of mineral resources based upon geostatistical estimation
5 of the continuity of changes of resource parameters.
 Enfoque 4: Método restricciones plan de estimación
(Neighborhood restrictions)
Se categorizan los bloques según restricciones
geométricas, referidas al número y configuración de
los datos ubicados en una vecindad determinada. Las
leyes de bloque estimadas por kriging se clasifican
usando dos corridas de estimación auxiliares,
correspondientes a dos vecindarios de kriging con
diferentes restricciones de búsqueda.
Los bloques estimados utilizando el vecindario más
restrictivo se clasifican como recursos medidos, los
bloques estimados con el segundo vecindario pero no
con el primero se clasifican como recursos indicados,
mientras que los bloques que no se estiman en estas
dos corridas se clasifican como inferidos.

6 SINCLAIR, A. J. & BLACKWELL, G. H. 2002. Applied Mineral Inventory Estimation. xviii + 381 pp. Cambridge, New York, Melbourne
 4. Método restricciones plan de estimación (Neighborhood
restrictions)

Emery, Xavier & Ortiz, Julián & Rodríguez, Juan. (2006). Quantifying Uncertainty in Mineral Resources by Use of Classification Schemes
7 and Conditional Simulations. Mathematical Geology. 38. 445-464. 10.1007/s11004-005-9021-9.
 4. Método restricciones plan de estimación
(Neighborhood restrictions) – SGeMS Caso Taller GAERM
0°
• Alcance eje Ma: 7
• Alcance eje SM: 5
• Alcance eje Me: 5
• Meseta: 1
135°

Vertical

45°

8
 4. Método restricciones plan de estimación
(Neighborhood restrictions) – SGeMS Caso Taller GAERM

Restricciones Recurso Medido Recurso Indicado Recurso Inferido

Dirección 1 2 3 7
Dirección 2 2 3 5
Dirección 3 2 3 5
Número mínimo de datos 8 3 2
Número mínimo de octantes con datos 4 3 2

9
 Medidos Indicados Inferidos

Z=440 Z=435

10 Clasificación por restricción plan de Kriging– SGeMS Caso Taller GAERM

 Enfoque 5: Varianza de Kriging

ESTIMADOR KRIGING ¿Cuál de los bloques estimados tiene mayor Varianza de Kriging en sección Z
ORDINARIO varianza? del modelo de bloques

Bloque
estimado con 4
compositos
VARIANZA KRIGING ORDINARIO

Bloque
estimado con 5
compositos y
uno de en el
centro del
bloque

11
 Clasificación por varianza de kriging:
Cada bloque se clasifica de acuerdo con su varianza de kriging, que representa no solo la cantidad y
configuración de los datos vecinos, sino también la continuidad espacial de los grados medido por su variograma.
En este sentido, la varianza de kriging combina conocimientos tanto geométricos como geológicos (a través de
parámetros geoestadísticos). En la práctica, el criterio requiere definir un umbral de varianza entre las
categorías (Royle, 1977; Sabourin, 1984; Froidevaux et al., 1986). Para hacerlo, se puede calcular la varianza de
kriging de un bloque ubicado en el centro de una malla de muestreo dada, que se toma como referencia.

Emery, Xavier & Ortiz, Julián & Rodríguez, Juan. (2006). Quantifying Uncertainty in Mineral Resources by Use of Classification Schemes and
12 Conditional Simulations. Mathematical Geology. 38. 445-464. 10.1007/s11004-005-9021-9.
 Varianza relativa de Kriging:

Este criterio utiliza la varianza kriging de cada bloque dividido por el cuadrado de
su ley estimada, lo que proporciona una medida de incertidumbre estandarizada y
adimensional que puede usarse para definir si un bloque se clasifica como un
recurso medido, indicado o inferido (David, 1988, pág.203).

2
VRK = 2

13 David, M. Handbook of applied advanced geostatistical ore reserve estimation. United States: N. p., 1988. Web.
 Error relativo de Kriging:
Error estándar

ERK =
Media estimada

La desviación estándar relativa porcentual, es la medida de la

desviación que nos dice cómo los diferentes números en un
conjunto de datos en particular, se dispersan alrededor de la
media. Si el producto es más bajo, entonces los números están
más cerca de su promedio.

14
 Clasificación por VRK y ERK:

15
 Elementos que definen la clasificación de recursos
minerales:
Volumen
(producción)

Error del valor

estimado

Mensual, trimestral, anual

Probabilidad de estar dentro

del intervalo del error

16
 Error y probabilidad:
Se asume una distribución normal de los errores. Por ejemplo el 95% de los valores se ubicará
dentro de 1.96 desviaciones estándar con respecto a la media (entre −1.96 y +1.96). Por lo tanto,
menos del 5% (0.05) de las observaciones estará fuera de este rango.

17
 Cálculo de límites de confianza simplificados sobre
incrementos de producción:

Error estándar por periodo:

√N Número de bloques por periodo

Error estándar por periodo (90% confianza): Error estándar por periodo*1.64
Ley media por periodo

18
 Ejemplo incorporando Error, Probabilidad y Volumen:
Considerado una producción de 80,000 ton/mes, y una ley de cabeza de 0.7%. Se acepta una
desviación máxima de 7% para el trimestre. Teniendo presente que los bloques del modelo de
bloques son tamaño 2.5x 2.5 x 2.5m y si consideramos un peso especifico para mineral de 3.8
ton/m3. Calcule la desviación típica que afectaría a un bloque en particular, considerando un nivel
de 95% de confianza.

Error estándar por periodo: =

√N √4042

Error estándar por periodo (95% confianza): . 1.96

√4042
= 1.59 %
0.7
El error estándar por periodo debe ser máximo 1.59 % para que el bloque estimado sea considerado
confiable.
19
 Clasificación de los recursos según Verly:

• Medido: ± 15% de precisión con un 90% de confianza durante un trimestre o

Incremento de producción mensual. Lo real estará entre el 85 y el 115% de la
estimación el 90% del tiempo. Los incrementos de producción trimestrales o
mensuales se utilizan normalmente para los flujos de efectivo del presupuesto
operativo.
• Indicado: ± 15% de precisión con 90% de confianza sobre el incremento de
producción anual. Lo real estará entre el 85 y el 115% de la estimación el 90% del
tiempo. Los incrementos de producción anuales se utilizan normalmente para los
flujos de efectivo de Prefactibilidad y Viabilidad.
• Inferido: Información geológica insuficiente para establecer niveles de confianza.

Verly, G., Postolski, T. & Parker H. M. 2014. Assessing uncertainty with drill hole spacing studies: applic- ations to mineral resources. Orebody modelling
20 and strategic mine planning symposium 2014, AusIMM. Melbourne: 109-118.
MUCHAS GRACIAS POR SU ATENCIÓN
Dr. Martín A. Díaz Viera
MSc. Heber Hernández Guerra
Dr. Ricardo Casar González
MSc. Van Huong Le