ANALISIS E INTERPRETACION DE LA REALCION ENTRE CUT OFF Y (LEY

MEDIA, TONELAJE Y CONTENIDO METALICO)

INTRODUCCIÓN

Esta monografía trata sobre el modelo de bloques que requiere de gran precisión
a la hora de estimar los recursos y reservas. Para lograr mayor precisión en las
estimaciones se emplean los modelos geológicos en donde todos los atributos
considerados sean cuantificados de la mejor manera posible ya sea para leyes,
litología, estructuras, entre otras.

Un modelo de bloques que represente el depósito, su distribución de leyes, la

topografía de la zona y un modelo geológico ha permitido a muchas empresas
mineras tomar decisiones más acertadas en cuanto a diseños de explotación y
planificación de actividades.

Se ha de tener en cuenta que se trata de un estudio de suposición, realizado en fase de

exploración, pues la luz en la malla de sondeos empleada es demasiado grande como
para obtener unos resultados con un grado de confianza suficiente a nivel local. No
obstante si nos permitirá llevar a cabo una evaluación global del conjunto del yacimiento.

OBJETIVOS

Objetivo principal.-

Objetivos secundarios.-

MARCO TEÓRICO

ELABORACIÓN DE MODELOS DE BLOQUES

Por lo general, el primer paso es crear un conjunto de secciones perforadas a

partir de la base de datos de perforación. Estas secciones se usan a
continuación para verificar los datos del proyecto y, posteriormente, para
establecer límites geológicos interpretados para los diferentes tipos de roca y
mineral. El próximo paso es dividir las zonas geológicas en bloques y calcular el
tonelaje y la graduación de cada bloque. La forma de los bloques y los métodos
de cálculo varían en función de los requisitos específicos de su proyecto.

Llamado modelo numérico a la matriz de bloque una vez estimados

convenientemente sus valores; esto es tras haber sido valorados los parámetros
de los bloques, a partir de los sondeos, por un método de extensión, sea el
krigeaje u otros.
 Página |2

Al tener una variable regionalizada (ley, potencia, densidad, etc.) que

presenta variabilidad en el depósito mineral existirá cierta incertidumbre en
cuanto a sus valores en sitios que no han sido muestreados. Esa falta de
información producto del limitado número de sondeos o muestras tomadas,
se compensa en cierta forma utilizando métodos de estimación.
Existen métodos clásicos y geoestadísticos para evaluar las reservas de un
depósito mineral. El krigeage es una técnica Geoestadística utilizada para
estimar el valor de una variable regionalizada en un punto o en un bloque, a
partir de factores de ponderación que se determinan de tal forma que la
varianza de la estimación sea mínima; los factores de ponderación se
calculan a partir de un sistema de ecuaciones en donde las incógnitas para
resolver el sistema se obtienen del semivariograma modelizado. Para realizar
el kriging de bloques es necesario discretizar el depósito en cubos de
determinadas dimensiones y estimar los valores de la variable para cada
bloque que forma parte del yacimiento.

Dadas las ventajas ya citadas en el krigeaje, será ésta la técnica a utilizar

normalmente para estimar los bloques por extensión de los valores de los
sondeos. Para la estimación de los rendimientos metal, emplearemos sin
embargo el método

ANÁLISIS GEOESTADÍSTICO

La información obtenida en los análisis geoestadísticos son los datos básicos

para el cálculo de recursos de minerales y el control de la graduación. El análisis
comienza con el examen de los datos producidos mediante la elaboración del
modelo del yacimiento. A continuación:

 componemos muestras de perforación a intervalos estandarizados,

 examinamos histogramas y realizamos una correlación de diagramas de
graduaciones compuestas,
 calculamos variogramas en 2 o 3 dimensiones, y
 realizamos simulación de condiciones o kriging.
 Página |3

TEOREMA DE LIMITE CENTRAL

El teorema del límite central o teorema central del límite indica que, en
condiciones muy generales, si Sn es la suma de n variables
aleatorias independientes y de varianza no nula pero finita, entonces la función
de distribución de Sn a una distribución normal (también llamada distribución
gaussiana, curva de Gauss o campana de Gauss). Así pues, el teorema asegura
que esto ocurre cuando la suma de estas variables aleatorias e independientes
es lo suficientemente grande.

El valor de la ley media para todo el depósito utilizando los datos transformados
se calculó con la siguiente expresión matemática:

(( ) )

√ ( )

( ( ))

√
( )

Interpolación de Leyes de Las Leyes de los Bloques a Partir de los Datos

de Muestras
Consiste en definir con un determinado grado de precisión, los diferentes
parámetros del depósito mineral, y no sólo sus valores medios o globales, sino
los particularizados para cualquier fracción o volumen parcial del mismo.
 Página |4

Representación gráfica del proceso de estimación a partir de los compósitos, modelo

geológcio y modelo de bloques.

Clasificación de las Técnicas de Interpolación.

Los métodos de estimación computarizados para la estimación de
recursos se basan en procedimientos matemáticos de interpolación local
y solamente emplean los datos de los pozos vecinos al bloque para
realizar la estimación de la variable estudiada.
Los métodos del Inverso de la Distancia y Kriging son las técnicas más
empleadas en la estimación de recursos asistida por computadoras.

Método de El Krigeaje

Esta técnica de el Krigeaje o método geoestadístico, es la técnica más

compleja, pero más perfecta, ya que tiene en cuanta no solo las
distancias de las muestras de bloques al igual que el inverso de la
distancia, sino también la situación espacial de aquellas respecto a él, lo
cual es especialmente importante si existen marcadas anisotropías en el
cuerpo mineralizado.
Consiste en encontrar la mejor estimación lineal insesgada de un bloque
o zona V considerando la información disponible, es decir las muestras
interiores y exteriores.

Estimación de un volumen V a partir de datos de muestras Xn

Vecindad de Estimación

Para el krigeado no importa la agrupación de datos al lado izquierdo del bloque (el
krigeado desagrupa la información) ¿Cuál radio tomar?
 Página |5

En estricto rigor, el krigeado de un bloque V debería realizarse considerando

todos los datos disponibles (krigeado completo). Sin embargo, esta situación
implica cálculos muy largos; por otra parte, las muestras alejadas tendrían un
peso casi nulo. Por esta razón la práctica recomienda a una vecindad de
estimación que puede ser una esfera o círculos, o bien un elipsoide o elipse (3D
y 2D), o también, porque no, un rectángulo o una caja. Como recomendación
práctica, el radio en una cierta dirección no debe ser inferior al alcance en esa
dirección.
La práctica ha demostrado que en el espacio de 2 dimensiones con una
vecindad que contenga un promedio del orden de 8 muestras, los resultados son
buenos. En el espacio de 3 dimensiones la situación es más compleja y debe ser
analizada en cada caso particular.
Una estrategia de búsqueda establece algunos parámetros que hay que utilizar
para la búsqueda de compósitos a utilizar en la estimación del bloque.
Dependiendo del software minero utilizado, estos parámetros son:

Radios de búsqueda (Rx, Ry, Rz). En la primera aproximación se puede utilizar

los alcances del variograma en las direcciones (x, y, z), en una vecindad con
forma de elipsoide.

Elipsoide de búsqueda. En algunas situaciones este elipsoide puede estar inclinado. El

centroide es el centro de gravedad del bloque.

El elipsoide al momento de estimar debe dividirse en sectores y octantes para

restringir y distribuir de una mejor manera el aprovechamiento de los datos de
las muestras y obtener una mejor estimación.
 Página |6

Influencia de parametrizar la búsqueda con cuadrantes u octantes de la elipsoide de

búsqueda. En la imagen se trata de imponer la búsqueda de 3 datos más cercanos por
cuadrante.

Establecer “#” mínimo de muestras a usar en la estimación

Sirve para controlar el caso en que una sola muestra cae en la vecindad. Si se
pone # =2, solo se krigearan los bloques que tengan 2 o más datos en la
vecindad.

Establecer “r” máximo de muestras a usar en la estimación

Si se pone r = 32, entonces cuando la vecindad de un cierto bloque existan más
de 32 compósitos, en la estimación solo se usarán los 32 compósitos más
cercanos al centro del bloque. Este parámetro es para una mayor velocidad de
cálculos. (Esto ya lo contempla RecMin en el ID).

Establecer “L” máximo de muestras por OCTANTE

Si se pone, por ejemplo L = 2, en cada octante se utilizarán las 2 muestras más
cercanas al centro del bloque. (RecMin ya lo contempla en el ID).

Octantes. ¿Qué pasa si existen sondajes aproximadamente horizontales en el caso de la

izquierda? Algunos paquetes computacionales utilizan el hemisferio superior e inferior
caso de la derecha.

El Objetivo de ese parámetro es “desagrupar” (pero, dadas las propiedades del

krigeado ¿Se justifica su uso?) Tema a investigar.
 Página |7

Establecer Máximo “S” de compósitos por sondaje

Si se pone, por ejemplo S=2, En cada sondaje se utilizará un máximo de 2
compósitos, lo más cercanos al centro del bloque. El objetivo de este parámetro
es forzar la interpolación entre sondajes

Importancia de establecer parámetros de búsqueda en la elipsoide. Impacto del empleo

de la vecindad de búsqueda por sectores en la selección de muestras A) Búsqueda sin
restricción (1 sector) todas las muestras seleccionadas proceden de un solo pozo b)
Búsqueda por octantes (8 sectores) se selecciona 2 muestras de cada pozo.

La siguiente imagen ilustra un perfil de una mina estimado con octantes (máximo
2 compósitos) y con máximo de compósitos por sondaje (máximo 2 compósitos)
y el mismo perfil estimado con un máximo de 32 compósitos en la vecindad (sin
octantes y sin máximo de compósitos por sondaje).

A la izquierda estimación por octantes y máximo por sondaje (se produce el efecto
“panqueque”. A la derecha sin restricciones. Todos los sondajes (no dibujados) son
verticales. Los compósitos tienen un largo igual a la altura del banco.
 Página |8

Categorización de Recursos
La categorización de recursos minerales (o geológicos) y reservas mineras es
una de las etapas más críticas en la evaluación de un proyecto minero, dado que
el financiamiento del proyecto y las inversiones dependen de la cantidad
(tonelaje) y calidad (ley) de los recursos y reservas. Además, la decisión de
invertir en el proyecto considera la confiabilidad en los valores estimado de estos
recursos y reservas.
Sin embargo, este a su vez uno de los procedimientos más subjetivos en la
evaluación, dado que la clasificación queda sujeta a la opinión experta de un
especialista en evaluación de yacimientos. En los últimos años, los códigos
internacionales han tendido a incluir de manera más explícita los requerimientos
para la divulgación de resultados de la estimación de los recursos y reservas, sin
embargo, aún no se ha especificado una metodología fija para todos los
proyectos.
Los principales métodos a través de los cuales los recursos minerales pueden
ser categorizados se dividen en 2 grupos:
 Criterios tradicionales o clásicos
 Criterios geoestadísticos.

Criterios Geoestadísticos de Categorización

Yamamotto, 1991 plantea que los esquemas de clasificación de reservas
basados en medidas reales de la dispersión son más confiables pues reflejan,
sobretodo, la cantidad y la calidad de la información empleada para evaluar las
reservas. Estos esquemas fueron denominados genéricamente clasificaciones
geoestadísticas pues se basan en la varianza del kriging.

En este sentido, se recomienda la Geoestadística como procedimiento válido y

confiable en la mayoría de los sistemas de clasificación, convirtiéndose en un
estándar en la estimación de recursos minerales.
El código propuesto por la ONU, por ejemplo, propone el uso de la
Geoestadística para clasificar los recursos pues permite de forma rápida y sin
ambigüedad identificar las categorías de recursos y reservas minerales (UN-
ECE,1996). Algunos de los principales criterios geoestadísticos que han sido
empleados o propuestos para la clasificación de recursos se explican a
continuación.

VARIABLE REGIONALIZADA

Una variable regionalizada es

aquella cuyo valor en un punto del
yacimiento es función de su
magnitud, volumen, forma y
orientación. Es decir, los valores de
dicha variable están distribuidos en
el espacio de manera parcialmente
 Página |9

estructurada, de manera que es posible establecer una correlación entre ellos.

Este carácter estructurado se llama regionalización, y puede variar según la

dirección.

LEY DE CORTE (CUT OFF GRADE)

Definimos ley de corte como aquella ley por debajo de la cual el contenido en
metal o mineral en un volumen específico no permite un aprovechamiento
económico de dicho metal.

La ley de corte se emplea para diferenciar el material que no se debe extraer de

aquel que debe ser procesado. También es utilizada para decidir si un material
debe ser almacenado para su posible procesado en un futuro, o si por el
contrario se debe procesar inmediatamente.

ESTIMACIÓN DE MINERAL GEOLÓGICO

Definido ya el modelo del depósito mineral vamos a realizar una estimación

previa de la ley media y del tonelaje, partiendo de perfiles y plantas geológicas y
de los resultados de los análisis químicos respectivamente.

CÁLCULO DE LA LEY MEDIA

El cálculo de la ley media del grupo de sondeos es fundamental para la

evaluación de recursos y reservas de un depósito mineral.

La importancia de este parámetro es doble puesto que además de condicionar,

al menos en parte, la viabilidad económica de la explotación, su conocimiento
tiene aplicación en varias técnicas de análisis como los modelos ley-tonelaje.

Antes de proceder al cálculo de la ley media es necesario saber si los datos que
vamos a emplear siguen una distribución normal o lognormal. Los métodos a
emplear, y por tanto, los resultados obtenidos no serán los mismos para ambos
casos.

Para comprobar si los datos que vamos a tratar siguen una distribución normal
emplearemos los gráficos de probabilidad normal. La idea básica consiste en
representar, en un mismo gráfico, los datos empíricos observados, frente a los
datos que se obtendrían en una distribución normal teórica. Si la distribución de
la variable es normal, los puntos quedarán cerca de una línea recta. Es frecuente
observar una mayor variabilidad (separación) en los extremos. Los gráficos
obtenidos se representan a continuación.
 P á g i n a | 10

Como se puede comprobar, los datos de los tres elementos se ajustan bastante
bien a una recta.

Una vez comprobado el carácter normal, procedemos al cálculo de la ley media.

Al comprobar que el porcentaje de recuperación de testigo de los sondeos es
relativamente bajo en muchos casos, lo cual genera una cierta indeterminación,
hemos realizado el cálculo aplicando dos criterios: uno pesimista y otro optimista.
En ambos casos la ley media se ha calculado como la media ponderada de las
leyes según el tamaño del soporte al que están referidas. Es decir, la ley media
será:

Donde:

Gi1 = Valor de ley para la longitud recuperada de cada maniobra (valor del
análisis químico).

Lri = Longitud recuperada de cada maniobra.

Gi2 = Valor de ley para la longitud no recuperada de cada maniobra.

Lni = Longitud no recuperada de cada maniobra.

La diferencia entre ambos criterios es el valor que se le asigna a la ley en los

tramos no recuperados:

 En el criterio pesimista supondremos ley 0 para estos tramos.

 En el criterio optimista le daremos el valor de la ley media de cada
sondeo, calculada esta como la media ponderada sin tener en cuenta la
recuperación.
 P á g i n a | 11

PROCEDIMIENTO

Para determinar los valores de se basa en la función log normal, donde para
iniciar los cálculos primero se tiene que tener presente los valores de σx y µx.
dichos valores se obtuvieron de una data estadística del yacimiento de Oro
Castellano, densidad = 1.4, ubicada en provincia de Pinar del Rio en la región de
pinar del Rio en Cuba.

Donde:
σx: 1.05
µx: 0.64
Reemplazando en la fórmula:

(( ) )

√ ( )

Aplicando la fórmula, considerando una data de 20 muestras aleatorias por cada

bloque de 10 x 10 x 10:

√
( )

Donde k=20, y se aplica la fórmula para los 96000 bloques considerados.

Luego se calcula los valores de x de cada bloque de la siguiente manera:

Obtenidos los valores de y y x se procede a corroborar si los datos han sido

tomados correctamente para ello lo analizamos estadísticamente dichos valores,
mediante sus gráficos de sus histogramas.

Obtenido la comprobación y veracidad de los datos simulados se procede a

calcular las relaciones de Ton - Cut Off, Q – Cut Off y Lm – Cut Off.

Primero se genera un algoritmo en Visual BASIC 6.0, para poder seleccionar los
datos, valores de la ley promedio de cada bloque (x), que se sean mayores a la
ley establecida en el Cut Off. Una vez seleccionados los valores, el programador
nos arrojará como resultado el valor de su contenido metálico (Q)
correspondiente (ver figura 1. Apéndice). Dichos datos se trabajaron en
programa popular Excel. En su función de Macros
 P á g i n a | 12

En la hoja de cálculo se procede a construir la tabla:

# de bloques Cut Off (gr/ton) Ton Q (gr) L media (gr/ton)

Donde:

# de bloques: Cantidad de bloques que tengan una ley mayor al Cut Off
establecido.

Cut Off: este valor es de suposición pues se toma como base únicamente a
la ley mínima y máxima contenida en los bloques.

Ton: toneladas totales presentes en el # de bloques. Ton = # de bloques *

densidad

Q: es el contenido metálico total de acuerdo al # de bloques. Es la suma de

los Q correspondientes de las leyes que sean mayores al Cut Off.

L: es la ley media contenida en el # de bloques considerados. L = Q / Ton

Obtenida la tabla 6 (ver Apéndice), se procede a realizar las gráficas

correspondientes a la relación Ton - Cut Off, Q – Cut Off y Lm – Cut Off

CÁLCULOS Y RESULTADOS

Histograma para los valores de x:

Histograma
20.00% 120.00%
18.00%
100.00%
Frecuencia relativa

16.00%
% acumulado

14.00% 80.00%
12.00%
10.00% 60.00%
8.00%
6.00% 40.00%
4.00% 20.00%
2.00%
0.00% 0.00%
y mayor...
0.88

1.36
0.60
0.64
0.68
0.72
0.76
0.80
0.84

0.92
0.96
1.00
1.04
1.08
1.12
1.16
1.20
1.24
1.28
1.32

Clase
Frecuencia relativa % acumulado

La resultante comprueba que la simulación de datos se realizó de buena

manera, sin presencia de anomalías.
 P á g i n a | 13

Histograma para los valores de y:

Histograma
18.00% 120.00%
16.00%
100.00%
Frecuencia relativa

14.00%

% acumulado
12.00% 80.00%
10.00%
60.00%
8.00%
6.00% 40.00%
4.00%
20.00%
2.00%
0.00% 0.00%

Clase

Frecuencia relativa % acumulado

La resultante de dicho histograma demuestra la tendencia de límite central,

muestra la campana de Gauss.

Diagrama de puntos de dispersión de puntos obtenidos de relacionar las

toneladas y la ley de corte. Datos en base a la tabla 6.

Toneladas VS Cut Off

160000000
140000000
120000000
Toneladas

100000000
80000000
60000000
40000000
20000000
0
0.50 0.70 0.90 1.10 1.30 1.50
Cut Off (gr/ton)

Toneladas VS Cut Off

 P á g i n a | 14

Diagrama de puntos de dispersión de puntos obtenidos de relacionar los

contenidos metálicos y la ley de corte. Datos en base a la tabla 6.

Q vs Cut Off
140000000.00
Contenido metálico - Q (gr)

120000000.00
100000000.00
80000000.00
60000000.00
40000000.00
20000000.00
0.00
0.50 0.70 0.90 1.10 1.30 1.50
Cut Off ( gr/ton)

Q vs Cut Off

Diagrama de puntos de dispersión de puntos obtenidos de relacionar las leyes

medias y la ley de corte. Datos en base a la tabla 6.

Ley media vs Cut Off

1.30
1.25
1.20
Ley media (gr/ton)

1.15
1.10
1.05
1.00
0.95
0.90
0.85
0.50 0.60 0.70 0.80 0.90 1.00 1.10 1.20 1.30 1.40
Cut Off (gr/ton)

Ley media vs Cut Off

 P á g i n a | 15

CONCLUSIONES


 P á g i n a | 16

Bibliografía

 ALFARO, M. A. (2005). CURSO DE GEOESTADISTICA POR

MATHERON, traducido al español. Centro de Geoestadistica de la
escuela de Minas de Paris, 77 pp.
 DE SOUZA, L. E. (2007) PROPOSIÇÃO GEOESTATÍSTICA PARA
QUANTIFICAÇÃO DO ERRO EM ESTIMATIVAS DE TONELAGENS E
TEORES. (Tesis Pós-Graduação) programa Pós-Graduação em
Engenharia de Minas. DO SUL ESCOLA DE ENGENHARIA,
UNIVERSIDADE FEDERAL DO RIO GRANDE, Porto Alegre, Brasil. 193
pp.
 ESTÉVEZ, E. (APUNTES SOBRE ESTIMACION DE RECURSOS Y
RESERVAS MINERALES). www.monografias.com archivo capturado
Mayo 2010. Universidad del Pinar del rio. Cuba. 39 pp.
 Giovani Franco S., A. G. (2011). Modelo de bloques para un yacimiento
de sulfuros masivos. UNAL.
 Marco Alfaro - “Estimación Geoestadística de Reservas”
SANZ, S. A. (2009).MODELIZACION DE UN YACIMIENTO MINERAL
POLIMETALICO MEDIANTE EL SOFTWARE RECMIN. Proyecto de fin
de grado. 177 pp.
 CHARAJA, L.H. (2014). PLANEAMIENTO ESTRATEGICO Y
OPERACIONAL CON USO DEL SOFTQARE DATAMINE EN MINA
SUBTERRANEA CONDESTABLE. 103pp.
 TITUANA, B. K. (2014) modelo de bloques del depósito de cobre ESPOL-
X para la selección del método de explotación minera utilizando
herramientas informáticas. Tesis de grado de título de ingeniero de
minas. FACULTAS DE INGENIERIA EN CIENCIAS DE LA TIERRA,
ESCUELA SUPERIOR POLITECNICA DEL LITORAL. 109 pp.
 P á g i n a | 17

Apéndice

Tabla 1
Estadística descriptiva del contenido de Au
N° de pozos 118
Mínimo 0.11
Máximo 3.66
Media 1.05
Mediana 1.09
Desviación estándar 0.64
Varianza 0.41
Coef. De variación 0.61
Curtosis 1.05
Coef. De asimetría 0.71
Estadígrafo K - S 0.076
Valor crítico ( α = 0.1) 0.111
Valor crítico ( α = 0.05) 0.124
Valor crítico ( α = 0.01) 0.148
Estadística descriptiva del yacimiento de Oro
Castellano

Tabla 2 Tabla 3
Datos estadísticos de los valores de x Datos estadísticos de los valores de y
Columna1 Columna2
Media 0.90134085 Media -0.10878528
Error típico 0.00028909 Error típico 0.00031993
Mediana 0.89692405 Mediana -0.10878409
Moda #N/A Moda #N/A
Desviación estándar 0.08957056 Desviación estándar 0.09912535
Varianza de la muestra 0.00802288 Varianza de la muestra 0.00982584
Coeficiente de
variación 9.93747883 Coeficiente de variación -91.1201857
Curtosis 0.06333496 Curtosis -0.08183869
Coeficiente de
asimetría 0.29249481 Coeficiente de asimetría 0.00587075
Rango 0.74249681 Rango 0.7915413
Mínimo 0.61526333 Mínimo -0.48570492
Máximo 1.35776014 Máximo 0.30583638
Suma 86528.7213 Suma -10443.3872
Cuenta 96000 Cuenta 96000
Resultados estadísticos obtenidos del Resultados estadísticos obtenidos del
análisis de los 96000 datos análisis de los 96000 datos
 P á g i n a | 18

Tabla de valores para el grafico de histogramas de x y y.

Tabla 4 Tabla 5
Histograma para los valores x Histograma para los valores de y
Clase Frecuencia % acumulado Clase Frecuencia % acumulado
0.60 0.00% 0.00% -0.49 0.00% 0.00%
0.64 0.02% 0.02% -0.45 0.02% 0.02%
0.68 0.19% 0.21% -0.41 0.07% 0.09%
0.72 1.10% 1.31% -0.37 0.29% 0.38%
0.76 3.39% 4.70% -0.33 0.87% 1.25%
0.80 7.81% 12.51% -0.29 2.05% 3.30%
0.84 13.11% 25.62% -0.25 4.42% 7.72%
0.88 16.96% 42.58% -0.21 7.81% 15.53%
0.92 17.48% 60.06% -0.17 11.57% 27.10%
0.96 15.18% 75.24% -0.13 14.65% 41.75%
1.00 10.97% 86.21% -0.09 15.66% 57.41%
1.04 6.95% 93.16% -0.05 14.88% 72.29%
1.08 3.78% 96.94% -0.01 11.53% 83.82%
1.12 1.86% 98.80% 0.03 7.95% 91.77%
1.16 0.76% 99.56% 0.07 4.63% 96.40%
1.20 0.30% 99.86% 0.11 2.30% 98.70%
1.24 0.11% 99.97% 0.15 0.89% 99.59%
1.28 0.02% 99.99% 0.19 0.31% 99.91%
1.32 0.01% 100.00% 0.23 0.07% 99.98%
1.36 0.00% 100.00% 0.27 0.01% 99.99%
y mayor... 0.00% 100.00% 0.31 0.01% 100.00%
La tabla muestra los datos y mayor... 0.00% 100.00%
considerados en la clase y la
frecuencia obtenida de la recopilación La tabla muestra los datos considerados
de los 96000 datos. en la clase y la frecuencia obtenida de la
recopilación de los 96000 datos.
 P á g i n a | 19

Tabla 6
Datos obtenidos del análisis procesado en los 96000 datos.
# de bloques Cut Off (gr/ton) Ton Q (gr) L media (gr/ton)
96000 0.60 134400000 121140209.81 0.90
95981 0.64 134373400 121122590.45 0.90
95795 0.68 134113000 120949140.28 0.90
94740 0.72 132636000 119908445.80 0.90
91487 0.76 128081800 116522241.89 0.91
83994 0.80 117591600 108315906.53 0.92
71405 0.84 99967000 93842273.64 0.94
55125 0.88 77175000 74232461.34 0.96
38348 0.92 53687200 53095372.54 0.99
23773 0.96 33282200 33931025.99 1.02
13241 1.00 18537400 19498324.31 1.05
6567 1.04 9193800 9982317.99 1.09
2936 1.08 4110400 4605300.12 1.12
1154 1.12 1615600 1868502.74 1.16
423 1.16 592200 704821.52 1.19
135 1.20 189000 230548.78 1.22
34 1.24 47600 58939.02 1.24
13 1.28 18200 22599.32 1.24
5 1.32 7000 8683.43 1.24
Se muestra los datos resultados del análisis de caracterización de los valores de
x, donde # de bloques representa la cantidad de bloques que cumplan la
condición de tener una ley mayor al valor del Cut Off establecido
correspondiente.
Los datos mostrados servirán para la construcción grafica de las relaciones Ton -
Cut Off, Q – Cut Off y Lm – Cut Off.
 P á g i n a | 20

Figura 1. Código generador y ordenador de datos de las leyes y devolución del

contenido metálico.