Estimación de Recursos y Reservas Minerales

UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICA PROFESIONAL DE INGENIERÍA GEOLÓGICA
Trabajo:
“Estimación de Recursos y Reservas Minerales”
Curso:
GEOESTADÍSTICA
Docente:
Ing. Wilder Chuquiruna Chávez.
Presentado por:
CHÁVEZ ROMERO, Juan Carlos.
MOROCHO OCAS, Cristhian Alexander.
SÁNCHEZ CELIS, Henry Alberto.
SILVA CADENILLAS, Jhon Aníbal.
ZANINI MALDONADO, Flor de María.
Cajamarca, julio de 2018.

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA GEOLÓGICA
ÍNDICE
Pág.
I. INTRODUCCIÓN ................................................................................................................ 4
II. OBJETIVOS ......................................................................................................................... 5
2.1. GENERAL .................................................................................................................... 5
2.2. ESPECÍFICOS .............................................................................................................. 5
III. MARCO TEÓRICO .......................................................................................................... 6
3.1. ANÁLISIS Y EVALUACIÓN DEL MÉTODO DE LOS POLÍGONOS Y DEL
INVERSO DE LA DISTANCIA .............................................................................................. 6
3.1.1. MÉTODO DE LOS POLÍGONOS ....................................................................... 6
3.1.2. MÉTODO DE INVERSO DE LA DISTANCIA .................................................. 8
3.2. TÉCNICA DEL KRIGEAGE DE MATHERON (KRIGING) ..................................... 9
3.2.1. FUNDAMENTO TEÓRICO............................................................................... 10
3.2.2. DEDUCCIÓN DEL SISTEMA DE KRIGEAGE ............................................... 11
3.3. VARIANZA DE KRIGEAJE (VARIANZA DE DISPERSIÓN). .............................. 17
3.3.1. TIPOS DE ERRORES ........................................................................................ 17
3.4. KRIGEAJE PUNTUAL .............................................................................................. 19
3.5. KRIGING DE BLOQUES .......................................................................................... 24
3.5.1. ECUACIONES DE KRIGING DE BLOQUES. ................................................. 27
3.5.2. VALIDACIÓN DEL KRIGING. ........................................................................ 30
3.6. KRIGING DE INDICADORES.................................................................................. 32
3.7. ESTIMACIÓN DE RECURSOS Y RESERVAS POR EL MÉTODO DE LOS
BLOQUES DE EXPLOTACIÓN (Rivera Becerra & Vidal Salamanca, 2015). .................... 34
3.7.1. LABOREO SUBTERRÁNEO – MINERA HUANTICO – EM ROXANA 1. .. 34
CONCLUSIONES ...................................................................................................................... 44
REFERENCIAS BIBLIOGRÁFICAS ........................................................................................ 45
Página | 2
ÍNDICE DE IMÁGENES
Pág.
Imagen 1: Método de los polígonos. Hay que calcular el área de 7 polígonos. ............................ 6
Imagen 2: Estimación de reservas por los métodos de polígonos. a) Parte de un plano de cálculo
indicando la forma en que se construyeron los polígonos a partir de un pozo 1) pozo positivo 2)
pozo negativo 3) límite de los polígonos de cálculo 4) contorno interno. .................................... 7
Imagen 3: Puntos para la deducción del sistema de krigeage. .................................................... 11
Imagen 4: Tipos de estimaciones. ............................................................................................... 12
Imagen 5: Distribución matrizal para un K.O. ............................................................................ 12
Imagen 6: Tipos de errores. ......................................................................................................... 17
Imagen 7: Krigeado del punto x0. Se puede generar una grilla de valores interpolados al hacer
variar x0. Esta técnica tiene aplicación en la cartografía automática y en la simulación de leyes.
..................................................................................................................................................... 20
Imagen 8: Estimación de Recursos y Reservas mineras. – Fuente: (Giraldo Henao, 2010) - PDF.
..................................................................................................................................................... 24
Imagen 9: Modelo de bloques, Kriging. –Fuente: (Aso Pasco, 2015). ....................................... 25
Imagen 10: Parámetros que definen el modelo de bloques: posición del bloque llave (Xmorg,
Ymorg, Zmorg), dimensiones del bloque (dx,dy,dz), extensión del modelo (x(nx), y(ny), z(nz)).
– Fuente: (Giraldo Henao, 2010)................................................................................................. 26
Imagen 11: Suavizamiento, propiedad del Kriging en bloques. – Fuente: (Giraldo Henao, 2010).
..................................................................................................................................................... 28
Imagen 12: Diagramas de dispersión, se observa el sesgo condicional. – Fuente: (Giraldo
Henao, 2010). .............................................................................................................................. 29
Imagen 13: Plan de Kriging, elipse de búsqueda de tres datos por cuadrante, en este caso. –
Fuente: (Giraldo Henao, 2010).................................................................................................... 30
Imagen 14: Bloque a krigear, en negro la ley de la muestra, en azul el número de la muestra. .. 31
ÍNDICE DE TABLAS
Pág.
Tabla 1: Tipos de predictores kriging y sus propiedades (Henao, Ramón Giraldo). .................. 10
Página | 3
I. INTRODUCCIÓN
La revolución científico técnica en la geología y la minería, que ha abarcado durante décadas a

todo el mundo, se manifiesta en un aumento brusco del ritmo de extracción y utilización de la
materia prima mineral. Por este motivo los trabajos de búsqueda, exploración y evaluación
geológica-económica de yacimientos minerales útiles, constituye una de las tareas más
importantes en las empresas y compañías geo-mineras. En esta actividad el cálculo de reservas
minerales útiles "in situ" juega un papel fundamental.
La estimación de reservas es una operación de alta responsabilidad que determina en gran medida
el valor industrial de un yacimiento mineral. Este cálculo puede ser realizado por métodos clásicos
o modernos: En los primeros se utilizan fundamentalmente valores medios o medias ponderadas
para la estimación de bloques definidos convenientemente, por lo que su uso ha estado
relacionado con problemas de precisión. Además, la utilización de los métodos clásicos no se
recomienda porque aun cuando permiten cuantificar las reservas a escala global, no son adecuados
para la caracterización local de las reservas. En los segundos predominan los métodos
geoestadísticos, los cuales consisten en el uso de técnicas de regresión, teniendo como premisa
fundamental la realización de las estimaciones a partir de las características de variabilidad y
correlación espacial de los datos originales.
La Geoestadística es resultado de la aplicación de la Teoría de Funciones Aleatorias al

reconocimiento y estimación de fenómenos naturales, fundamentalmente los relacionados con la
actividad geólogo minera. Es precisamente en esta actividad donde surge, se desarrolla y
consolida en los últimos 35 años como ciencia aplicada, dando respuesta a necesidades prácticas
y concretas.
Página | 4
II. OBJETIVOS
2.1. GENERAL
 Determinar los métodos para la estimación de recursos y reservas minerales.
2.2. ESPECÍFICOS
 Entender el uso de los métodos de polígonos y del inverso en la distancia en la utilización en
estimación de recursos y reservas.
 Identificar el concepto y análisis de la Varianza de estimaciones y el Krigeaje Puntual
 Definir y analizar en qué consiste el método Kriging de bloques, teniendo en cuenta ciertos
parámetros y fórmulas que lo rigen.
Página | 5
III. MARCO TEÓRICO

3.1. ANÁLISIS Y EVALUACIÓN DEL MÉTODO DE LOS POLÍGONOS Y DEL
INVERSO DE LA DISTANCIA
3.1.1. MÉTODO DE LOS POLÍGONOS
El método de los polígonos se basa en lo siguiente: asignar a cada punto del espacio de la ley del
dato más próximo. Para estimar una zona S de ponderan las leyes de los datos por el área (o
volumen) de influencia Si.
Imagen 1: Método de los polígonos. Hay que calcular el área de 7 polígonos.
El método de los polígonos de influencia consiste simplemente en ponderar el valor de la variable

en cada punto por el área o volumen de influencia. En tres dimensiones, el procedimiento de
cálculo consiste en crear una malla fina de nodos y asignar a cada uno, el valor de la muestra más
cercana. De esta manera realizar con este método una estimación global se requiere tener bien
delimitado el campo de estudio.
a) Método de los polígonos en estimación de recursos y reservas
El método se emplea para el cálculo de reservas de capas horizontales o subhorizontales

explorados por pozos irregularmente distribuidos.
Si se calculan las reservas de un deposito según este método la morfología compleja del
yacimiento se reemplaza por un sistema de prismas poliédricos cuyas bases lo constituyen los
polígonos o zonas de influencia y su altura es igual al espesor del cuerpo revelado por el pozo que
se ubica en el centro del polígono.
Su fórmula general es:
𝑁
1
𝑧̂𝑠 = ∑ 𝑆𝑖 𝑧𝑖 (𝑆 = 𝑆1 + 𝑆2 + ⋯ + 𝑆𝑁 )
𝑆
𝑙 ̇ =1
Página | 6
El método se reduce a la separación de las zonas de influencia de cada pozo o laboreo que
intercepta el cuerpo mineral. Para la delimitación de las zonas de influencia es necesario realizar
las siguientes construcciones:
 Se procede a unir mediante líneas rectas los pozos de perforación contiguos.

 Posteriormente se determina la mediatriz de cada recta y la intersección de las mismas en la
zona de influencia.
Este procedimiento que se conoce como división de Dirichlet o polígonos de Voroni (Thiesen),
genera un sistema único de prismas poliédricos en el cual los polígonos contiguos comparten una
arista común. El empleo de este procedimiento permite obtener el mosaico de polígonos.
Imagen 2: Estimación de reservas por los métodos de polígonos. a) Parte de un plano de cálculo
indicando la forma en que se construyeron los polígonos a partir de un pozo 1) pozo positivo 2) pozo
negativo 3) límite de los polígonos de cálculo 4) contorno interno.
El volumen del prisma se determina como el producto del área del polígono por su altura. Otros
parámetros de cálculo se obtienen para cada prisma directamente del pozo central. El volumen
total del yacimiento es la suma de los volúmenes de cada prisma.
Usos: este método puede ser utilizado para estimaciones preliminares de recursos, pues los
cálculos son tan simples que pueden ser hechos rápidamente incluso en el campo, también en
depósitos con poca variación de ley y potencia. Otra ventaja importante del método es su
reproducibilidad pues si se sigue el mismo procedimiento dos especialistas pueden llegar al
mismo resultado.
El método de los polígonos posee muchas desventajas entre las que podemos mencionar: Cuando
la red de exploración es densificada, hay que rehacer nuevamente la construcción de los
polígonos. El sistema de los prismas no refleja correctamente la forma natural del yacimiento.
Página | 7
3.1.2. MÉTODO DE 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 las muestras i y el centro de gravedad de S).
a) Método de inverso de la distancia en la estimación de recursos y reservas.
Este fue posiblemente el primer método analítico para la interpolación de los valores de la variable
de interés en puntos no muestreados. Esta técnica se ha convertido en una de las más populares
gracias a la aparición de computadoras y relativa sencillez. En principio se adopta la hipótesis de
que importancia de un dato aislado responde una función inversa de la distancia. El objetivo del
metodo es asignar un valor a un punto o bloque mediante la combinación lineal de valores de las
muestras próximas. (RAHUL HERNADEZ, 2016)
 Z*(x) = ( (i Z(xi))
En la que (i son los pesos o coeficientes de ponderación proporcionales a la distancia euclidiana

entre las localizaciones muestreadas y la que se desea estimar, estos pesos son calculados por:
 i = (1/doi)/ (1/doj)
Dónde: doi es la distancia entre la localización a estimar y la localización de la muestra i.
Generalizando obtenemos:
 Z*(x) = [(i=1,n 1/doi Z(xi)] / (i=1,n1/doj
Se pueden obtener distintos estimadores si escribimos la ecuación anterior como:
 Z*(x) = [(i=1,n (1/doi)( Z(xi)] / (i=1,n(1/doj))

 Z*(x) = [(i=1,n Z(xi)/ (XDi2 + YDi2)(/2 /] / (i=1,n1/ (XDi2 + YDi2)(/2)
Es intuitivo suponer que la influencia potencial del valor de una muestra sobre un punto o bloque
a estimar decrece cuando este se aleja de dicho punto. El atributo estimado cambiará como
función inversa de la distancia. En otras palabras, se asigna mayor peso a los valores de las
muestras más próximas y menor peso a las más alejadas del punto de estimación.
Para aplicar el método es necesario en primer lugar escoger el valor del exponente del inverso de
la distancia. Por la fórmula queda claro que en la medida que este aumenta disminuye la influencia
de los valores de las muestras más alejadas, en esa misma medida aumenta la de las más próximas.
Con el incremento de la potencia, la interpolación de las leyes entre 2 puntos pasa del principio
de los cambios graduales ((=1) al principio de los vecinos más cercanos.
Página | 8
Se debe resaltar que difícilmente en la naturaleza la concentración de un elemento químico se

subordine a la ley de la línea recta y mucho menos al principio de las zonas de influencia. Un
exponente igual a dos produce una interpolación intermedia (solución de compromiso) entre
ambos principios. Por esta razón, el método se conoce también como inverso de la distancia al
cuadrado. Los exponentes más usados en la práctica son 2, 3 y1.
Para seleccionar el valor que se va a emplear se puede utilizar la validación cruzada. Si el

exponente es cero el método del inverso de la distancia se reduce a una media aritmética dentro
de la vecindad de búsqueda o sea a todas las muestras se le asigna un mismo peso
independientemente de la distancia que la separa del punto a estimar.
USOS: es un método de estimación, no es aconsejable en yacimientos con limites muy definidos

(paso de mineralización a estériles neto), es más parecido a los métodos geo estadísticos clásicos.
3.2. TÉCNICA DEL KRIGEAGE DE MATHERON (KRIGING)
El Kriging es un término que ha sido acuñado para designar al “mejor estimador lineal
insesgado”.
Esta es una técnica de estimación espacial desarrollada por G. Matheron en los sesentas a partir
de los trabajos de D. G. Krige quién fue pionero en el uso de la correlación espacial para
propósitos de predicción. (Viera, 2009). Matheron le asigna el nombre de Kriging en honor a
Krige.
Kriging encierra un conjunto de métodos de predicción espacial que se fundamentan en la

minimización del error cuadrático medio de predicción.
En la siguiente tabla se mencionan los tipos de kriging y algunas de sus propiedades. (Henao,
Ramón Giraldo)
Página | 9
TIPO DE PREDICTOR NOMBRE PROPIEDADES

 Son óptimos si hay
normalidad
 Simple multivariada.
LINEAL  Ordinario  Independiente de la
 Universal distribución son los
mejores predictores
linealmente insesgados.
 Indicador
 Probabilístico
 Son predictores
NO LINEAL  Log Normal, Trans-
óptimos.
Gaussiano
 Disyuntivo
Tabla 1: Tipos de predictores kriging y sus propiedades (Henao, Ramón Giraldo).
3.2.1. FUNDAMENTO TEÓRICO
El Kriging aparece en muchas formas de acuerdo a si se conocen la media, la distribución de

probabilidad de Z(s), si las predicciones son hechas para puntos o áreas y así sucesivamente. Sin
embargo, es importante recordar que el Kriging no es el único método de predicción espacial;
existen métodos determinísticos como distancia inversa, interpolación polinomial global,
interpolación polinomial local, triangulación lineal, funciones de base radial entre otros. La
ventaja del kriging sobre los métodos determinísticos es la estimación de la varianza del error de
predicción, lo cual permite además estimar intervalos de confianza para dicha predicción además
de que el kriging es un método de estimación que da el mejor estimador lineal insesgado (cuando
se cumplen todos los supuestos). Inicialmente, el kriging fue desarrollado para aquellos casos
donde hay presencia de estacionariedad y posteriormente fue extendido para casos donde se
cumple la hipótesis intrínseca. (Castañeda, 2009)
La toma de muestras da la información de lo que ocurre en cada punto. Sin embargo, no da

información acerca de la relación que pueda existir entre dichos puntos. Se requiere de una forma
precisa de estimar valores en puntos intermedios o en el caso de bloques, por ejemplo, estimar el
promedio sobre el bloque. La precisión del estimador usado depende de varios factores: ¾ El
número de muestras tomadas ¾ La calidad de la medición en cada punto ¾ Las ubicaciones de
las muestras en la zona; si las muestras son igualmente espaciadas se alcanza una mejor cobertura,
dando mayor información acerca de la zona que aquella que se obtendría de muestras muy
agrupadas en unos sectores y separadas en otros. Sin embargo, en la práctica, debido a las
características de las regiones de estudio, muchas veces es preciso tomar muestras irregularmente
espaciadas. ¾ las distancias entre las muestras; para la predicción es más confiable usar muestras
vecinas que muestras distantes, esto es, la precisión mejora cuando la cercanía de las muestras
Página | 10
aumenta, y se deteriora cuando esta disminuye. La extrapolación no es aconsejable. ¾ La

continuidad espacial de la variable o atributo en estudio; es más fácil estimar el valor de una
variable bastante regular en una región que una que presenta grandes fluctuaciones. (Castañeda,
2009)
3.2.2. DEDUCCIÓN DEL SISTEMA DE KRIGEAGE
Supongamos que se tienen las mediciones Z(s1), Z(s2), Z(s3) y Z(s4), en los puntos s1, s2, s3 y
s4 respectivamente, y se requiere predecir el valor Z(s0). El valor a predecir se ubica más cerca
de s2 que de cualquier otra ubicación donde se tenga medición; por lo tanto, es lógico pensar
que Z(s0) es más parecido a Z(s2) que a cualquiera de los otros tres valores medidos. De acuerdo
a lo anterior, se puede optar para la predicción, por una media ponderada de las cuatro mediciones,
en la cual Z(s2) tiene mayor peso que cualquier otra, seguida en su orden por Z(s4), Z(s3) y por
último Z(s1). (Castañeda, 2009)
Imagen 3: Puntos para la deducción del sistema de krigeage.
Se puede realizar los siguientes tipos de estimaciones:
 Estimación para un punto en base muestras con distintas distancias.

 Estimación para un área en base muestras con distintas distancias.
 Estimación de un volumen en base muestras con distintas distancias.
Página | 11
Imagen 4: Tipos de estimaciones.
a) Distribución matrizal para un Kriging Ordinario.
Imagen 5: Distribución matrizal para un K.O.
Ejemplo: Tenemos un panel de 50x50m, en la cual hay dos muestras, (x1;x2), dónde X1 se ubica
en el centro del panel y una muestra X2 que se ubica en la parte inferior izquierda.
Página | 12
Datos:
 Área= 2500M2
 Puntos conocidos:
 X1: 5%CuT
 X2: 4%CuT
 Áreas a estimar: V
 Modelo Estructural: γ(h)= 2SPH(h/55) (efecto pepita no existe = 0)
 Meseta: 2
 Alcance: 55m
Sistema de Krigeage (Puntos)
Primero debemos calcular la semivarianza en los puntos, tenemos 2 puntos: X1 y X2, por ende
calculamos la distancia entre cada uno de estos puntos:
h(m) X1 X2
X1 0 35
X2 35 0
 λ1 * γ (1.1) + λ2 * γ (1.2) + = γ (1, V)

 λ1 * γ (2.1) + λ2 * γ (2.2) + = γ (2, V)
 λ1 + λ2 = 1
γ (m) X1 X2
X1 0 1.65
X2 1.65 0
Página | 13
Reemplazando estos valores, tenemos un sistema de ecuaciones:
 λ1 * 0 + λ2 * 1.65 + μ = γ (1, V)
 λ1 * 1.65 + λ2 * 0 + μ = γ (2, V)
 λ1 + λ2 = 1
Luego de calcular las distancias de X1 y X1 aplicamos el modelo teórico esférico:

γ (h)=1.5(h/a)-0.5((h/a) ³ ))* C
γ (35)=1.5(1.5/55)-0.5((105/55) ³ ))* 2
γ (35)= 1.65
Donde C= Meseta. Se suma el efecto pepita si existiera.
Sistema de Krigeage (Punto-Área).
 λ1 * 0 + λ2 * 1.65 + μ = γ (1, V)
 λ1 * 1.65 + λ2 * 0 + μ = γ (2, V)
Cálculo γ (1, V).
Se realiza a través de la discretizacion del panel a través de la siguiente fórmula:
Página | 14
Discretizamos el espacio en 4 puntos “Z” los cuales tienen una distancia de 17.68m, hacia el punto
conocido.
 Determinamos el valor de la semivarianza, a través del modelo estructural de la distancia

17,68, como en este caso los 4 puntos discretizados están a la misma distancia del punto
conocido eso nos da un valor de 0.93.
Página | 15
 Como las distancias son iguales se multiplica por 4.

 Si las distancias de los puntos discretizados al punto conocido fueran distintas, ya no
podríamos multiplicar por 4, y tendríamos que hacer la sumatoria como corresponde.
 Por lo tanto: λ1 * 0 + λ2 * 1.65 + μ = 0.93
Cálculo γ (2, V).
λ1 * 1.65 + λ2 * 0 + μ = γ (2, V)
Función “H”
H ((hx/a), (hy/a))
H((50/55,50/55) = H (0.91,0.91)
Luego considerando:
γ(h)= 2SPH(h/55)
H(2 * 0.82)= 1.64
Tenemos:
 λ1 * γ (1.1) + λ2 * γ (1.2) + μ = γ (1, V)

 λ1 * γ (2.1) + λ2 * γ (2.2) + μ = γ (2, V)
 λ2 * 1.65 + μ = 0.93
 λ1 * 1.65 + μ = 1.62
 λ1+ λ2 = 1
Resolviendo sistema de ecuaciones:
μ = 0.45
λ2 =0.29
λ1= 0.71
Kriging Ordinario del Área 50x50 M (v).
Z* (X) = λ1 * X1+ λ2 * X2
Z* (X) = 5 * 0.71+ 4* 0.29
Z* (X) = 4.71%CuT= V
Ley media igual a: = 4.71%CuT
Página | 16
3.3. VARIANZA DE KRIGEAJE (VARIANZA DE DISPERSIÓN).
Mientras que la varianza de dispersión expresa la variabilidad de las leyes, la varianza de

estimación expresa la variabilidad asociada con una estimación o, en otras palabras, expresa la
varianza de los errores de estimación. (Manzano Arrondo, 2014, pág. 6)
La varianza de estimación es una medida de la dispersión de los errores aleatorios, ya que se
requiere que el estimador no tenga ningún sesgo y, por lo tanto, el error sistemático será cero.
Kriging es un método de estimación que da la mejor estimación lineal insesgada de los valores de
los puntos, esto es, elegir el promedio ponderado de los valores de las muestras la cual tenga la
mínima varianza. (Zavaleta Sánchez, 2010, pág. 22)
La característica relevante del estimador de kriging es que el kriging proporciona el estimador
(ponderador) que minimiza la varianza de estimación. Así que, la varianza de estimación será más
pequeña cuando se aplica el kriging. (González García, 2018, pág. 6)
3.3.1. TIPOS DE ERRORES

a) Sistemáticos y Aleatorios
Imagen 6: Tipos de errores.
La precisión describe el error aleatorio o las fluctuaciones en torno al valor verdadero mientras
que la exactitud describe el error sistemático o el sesgo.
 El error de estimación para un punto (E), será la diferencia entre Z*, (la verdadera ley del
punto), y la Ley (Zx) que es resultado de su cálculo a través de leyes x i afectados por un
coeficiente Ki .
Página | 17
Ε = Z* - Zx = Z* - (xi . Ki )
 Si el estimador no tiene sesgo (error sistemático nulo), la distribución de los errores debería
seguir una distribución normal.
El estimador usado tiene la forma:
n
*
zv ( x)   i z( xi }
i 1
Donde los  representan las ponderaciones asignadas a cada dato. La única restricción para las
ponderaciones es que sumen uno.
La varianza de estimación va a depender de las distancias estadísticas (Y), promedio entre los
datos y el bloque. Puesto que el modelo de variograma es una función creciente, el error de
estimación aumenta o disminuye con las distancias desde las muestras al centro del bloque (es lo
que expresa el 1er término de la fórmula).
El segundo término de la expresión involucra el promedio de la función del variograma entre las
ubicaciones de las muestras. Este término es negativo, así que la varianza de estimación
disminuye a medida que este término aumenta (datos distanciados). Si los datos se encuentran
agrupados, las muestras básicamente investigarán el mismo punto en el espacio y, como
consecuencia, mucha de la información se hará redundante (aumenta la varianza de estimación).
El tercer término examina el promedio de la función del variograma dentro del bloque mismo. A
medida que aumenta el tamaño del bloque, también aumenta ese término, reduce la varianza de
estimación.
Página | 18
3.4. KRIGEAJE PUNTUAL
La particularidad del krigeaje puntual es de ser un interpolador exacto, es decir que si estimamos
la ley en un punto coincidente con la muestra, el krigeaje nos restituirá la ley de la muestra con
una varianza del error de krigeaje igual a cero.
El krigeage puntual o krigeage ordinario; a diferencia del kriageage simple que asume que las
medias locales son relativamente constantes y de valor muy semejante a la media de la población
que es conocida, la media de la población es utilizada para cada estimación local, en conjunto con
los puntos vecinos establecidos como necesarios para la estimación. En el Kriageage puntual las
medias locales no son necesariamente próximas de la media de la población, usándose apenas los
puntos vecinos para la estimación. Es el método más ampliamente utilizado en los problemas
ambientales.
Es un interpolador exacto en el sentido de que las ecuaciones calculadas las utiliza para interpretar
los valores y habrá una coincidencia exacta entre los valores interpolados y los puntos de datos
originales.
El mayor interés que presenta el krigeage puntual es que permite obtener una serie de valores
estimados a los cuales, posteriormente, se les puede ajustar una serie de líneas de isocontenidos,
por ejemplo para las leyes o potencias del nivel mineralizado. En algunas ocasiones, en vez de
estimar la ley media de un bloque V, interesa estimar la ley en un punto x0 (problema de
interpolación). Corresponde al caso particular en que el volumen V tiende a cero. (Mosqueira
Villar, Mujica Cabrera, Peralta Rodas, Teran Toledo, & Castillo Moreno, 2016, pág. 7)
Se obtiene el sistema siguiente:
Con la varianza:
Página | 19
Imagen 7: Krigeado del punto x0. Se puede generar una grilla de valores interpolados al hacer variar x0.
Esta técnica tiene aplicación en la cartografía automática y en la simulación de leyes.
Ejercicio:
El cuadrillado representa sondajes en los puntos X1, X2, X3, X4, con leyes de 3,2%; 2,5%; 4,0%
y 1,5% respectivamente. Se desea conocer la ley en el punto X0, sabiendo que el variograma
asociado corresponde a un modelo esférico con las siguientes características: Co = 2, C = 20 y a
= 200 m.
Solución:
El problema se resuelve de la siguiente manera:
 Modelo esférico se define como.
Página | 20
Nos indica lo siguiente:

(C) = 20
(C0) = 2
= 200m
 Definir los elementos de las matrices: Se trata de resolver el sistema de ecuaciones:
[ λ] = [𝐾]−1 ∗ [𝑀2]
 Cálculo de los elementos de la matriz [M2].
Página | 21
 Cálculo de los elementos de [K]. Se tiene que:
 De la misma manera que en a) calculemos los términos siguientes:
Página | 22
 Sacar la inversa de [K]
-0.058 0.032 0.007 0.019 0.149
0.032 -0.050 0.014 0.004 0.239

0.007 0.014 -0.033 0.012 0.308
[𝐾]−1=
0.019 0.004 0.012 -0.036 0.305
0.149 0.239 0.308 0.305 -14.489
 Calcular los valores de λi.
[ λ] = [𝐾]−1 ∗ [𝑀2]
λ1 -0.058 0.032 0.007 0.019 0.149 9.34
λ2 0.032 -0.050 0.014 0.004 0.239 17.02

λ3 = 0.007 0.014 -0.033 0.012 0.308 x 20.28
λ4 0.019 0.004 0.012 -0.036 0.305 12.17
μ 0.149 0.239 0.308 0.305 -14.489 1
 Al resolver se obtiene:
λ1 = 0.518
λ2 = 0.022
λ3 = 0.089
λ4 = 0.371
μ = 0.915
 Se verifica que:
 Calcular la ley.
Página | 23
En conclusión, la ley en Xo será: 0,518*3.2 + 0,022*2.5 + 0,089*4.0 + 0,37*1.5 = 2,6%.
3.5. KRIGING DE BLOQUES
El Kriging también puede emplearse para estimar el valor de la variable regionalizada sobre un
soporte mayor que el soporte de las muestras (“bloques”). (Aso Pasco, 2015)
 Discretar el bloque a muchos puntos, estimar el valor de cada punto y promediar las
estimaciones puntuales.
 Costoso en cálculos, no permite calcular la varianza de estimación.
 Evaluar directamente el valor del bloque, sin recurrir a estimaciones puntuales.
El Kriging en bloques estima el valor promedio de los bloques rectangulares, que están centrados
en los nodos de las cuadrículas, los bloques son el tamaño y forma de las celdas de las cuadrículas,
este tipo de Kriging no resulta ser un buen interpolador, ya que no estima el valor de un punto. Se
requiere estimar un bloque, o más precisamente, estimar el valor promedio de la variable dentro
del área local. (Giraldo Henao, 2010)
Imagen 8: Estimación de Recursos y Reservas mineras. – Fuente: (Giraldo Henao, 2010) - PDF.
Este tipo de Kriging es utilizado en:
Página | 24
 La evaluación de yacimientos, el cual opera de forma similar a como lo hace el puntual, pero
con la diferencia que el valor obtenido se le asigna a un bloque y no a un punto. Esto permite,
por tanto, llevar a cabo posteriormente una evaluación de las reservas con leyes, potencias,
tonelajes, etc. (Aso Pasco, 2015)
 Cuando se desea estimar los valores de Z en un área dada en mallas de celda de un tamaño
específico por modelización cuantitativa. Su estimación de varianzas normalmente es
sustantivamente menor que la del Kriging puntual. (Aso Pasco, 2015)
El método más usado en la modelación de recursos consiste en la discretización del espacio 3D

en bloques o celdas tridimensionales. Cada celda contiene los atributos (litología, tipo de
mineralización etc.) y las mediciones (leyes, propiedades físico mecánicas) del dominio geológico
en que se encuentra. Los atributos de los bloques se determinan sobre la base de la intersección
con el modelo geológico o su posición respecto a una superficie triangulada y las leyes a través
de la estimación con técnicas de interpolación espacial. (Díaz Viera, 2009) (Aso Pasco, 2015)
Imagen 9: Modelo de bloques, Kriging. –Fuente: (Aso Pasco, 2015).
El primer modelo de bloque fue utilizado a comienzos de los años 60, por la Kennecott Koper
Corporation, en un depósito de pórfido cuprífero. Se empleó para describir la distribución espacial
de las leyes y no la geometría de los dominios geológicos. Cada bloque debe contener toda la
información disponible en las fases de desarrollo de un proyecto: litología, mineralogía,
contenidos de metales, calidades en el caso del carbón y rocas industriales, contenidos de
contaminantes, parámetros geomecánicos, datos hidrogeológicos, etc. (Aso Pasco, 2015)
Para definir el modelo de bloques, es necesario establecer los siguientes parámetros:
 Posición del modelo: se especifica a partir de las coordenadas del centroide del bloque llave
(key block).
 Extensión del modelo en las distintas direcciones X, Y, Z (debe ser lo suficientemente grande
para enmarcar la región de interés).
Página | 25
 Orientación del modelo definido (ángulo de inclinación y azimut).

 Conjunto de variables a almacenar en el modelo con sus correspondientes formatos: ley de los
distintos metales, peso volumétrico, litología, tipo tecnológico de mena, etc.
Con el objetivo de alcanzar una mayor resolución del modelo de bloque en los límites de los
cuerpos minerales se utilizan bloques (sub bloques) con dimensiones menores que los originales.
El modelo de bloques puede ser rotado y orientado de manera que se ajuste a la estructura
geológica y respete los elementos de yacencia del yacimiento estudiado. (Díaz Viera, 2009)
Imagen 10: Parámetros que definen el modelo de bloques: posición del bloque llave (Xmorg, Ymorg,
Zmorg), dimensiones del bloque (dx,dy,dz), extensión del modelo (x(nx), y(ny), z(nz)). – Fuente:
(Giraldo Henao, 2010).
Un aspecto de primordial importancia en el modelo de bloque lo constituye la selección de las

dimensiones del bloque. Lo ideal en este caso es que el tamaño del mismo coincida con la unidad
de selección minera que será empleada durante la explotación del yacimiento, sin embargo, en
muchas ocasiones esto no es posible pues no se cuenta con la densidad suficiente de información.
Cabe destacar también que al disminuir el tamaño del bloque se aumenta el error de estimación,
es decir, su ley se determina con un alto grado de incertidumbre. Ahora bien, al aumentar el
tamaño del bloque las leyes son emparejadas artificialmente. Según la teoría Geoestadística por
lo menos un tramo del pozo debe quedar dentro de cada bloque, y que estos tramos estén uno del
otro a una distancia menor que el alcance del variograma, o sea, dentro de la distancia que se
estima que una muestra tiene influencia sobre la otra. (Aso Pasco, 2015)
Página | 26
Debemos tener en cuenta, la determinación de las determinaciones ópticas del bloque depende
principalmente de:
 Variabilidad de las leyes.
 Continuidad geológica de la mineralización.
 Tamaño de las muestras y espaciamientos entre ellas.
 Capacidad de los equipos mineros.
 Taludes de diseño de la exploración.
3.5.1. ECUACIONES DE KRIGING DE BLOQUES.

El valor promedio dentro del bloque es estimado por: (Aso Pasco, 2015)
Del sistema de ecuaciones para el Kriging ordinario se tiene:
Consecuentemente el vector del lado derecho de la igualdad en el sistema de arriba debe

modificarse para incluir las covarianzas respecto al bloque. La covarianza de un punto al bloque
corresponde a la covarianza promedio entre el punto muestreado i y todos los puntos dentro del
bloque (en la práctica un enmallado regular de puntos dentro del bloque es usado como se muestra
en la figura anterior). (Giraldo Henao, 2010)
El sistema de ecuaciones del Kriging en bloques está dado por:
Página | 27
Donde el vector de covarianzas al lado derecho de la igualdad en el sistema anterior, contiene las
covarianzas entre las variables Z(X1), Z(X2), …, Z(Xn) y el bloque A donde se quiere hacer la
estimación.
La varianza del error de predicción del Kriging en bloques está dada por:
Igual a la covarianza entre pares de puntos dentro del bloque.

Isaaks y Srivastava (1989) muestran a través de ejemplos que el kriging en bloques coincide con
el promedio de predicciones hechas por kriging ordinario sobre cada uno de los puntos del
enmallado dentro del bloque. Así mismo indican que en la práctica es suficiente con un enmallado
cuadrado (6x6) para obtener estimaciones estables en los bloques.
El Kriging en bloques presenta las siguientes propiedades:
 Suavizamiento: La dispersión de los valores estimados es menor que la dispersión de los
valores verdaderos, sobre todo en las zonas donde hay pocos datos. En consecuencia, se tiende
a subestimar las zonas de altas leyes y sobreestimar las zonas de bajas leyes.
El Kriging es inapropiado para evaluación de procesos donde los valores extremos son
importantes (→ simulaciones).
Imagen 11: Suavizamiento, propiedad del Kriging en bloques. – Fuente: (Giraldo Henao, 2010).
Página | 28
 Sesgo condicional: El error promedio puede no tener esperanza nula cuando se considera sólo
los sitios donde la ley estimada es alta (o baja). En general, el sesgo condicional es pequeño si
se usa suficientes datos (>15).
Imagen 12: Diagramas de dispersión, se observa el sesgo condicional. – Fuente: (Giraldo Henao, 2010).
 Aditividad: La estimación de la ley de un bloque es igual al promedio de las estimaciones de

leyes puntuales en este bloque.
Datos a utilizar en la estimación:

a) Vecindad única: se usa todos los datos.
b) Vecindad móvil: se usa solo los datos cercanos al sitio (bloque) a estimar.
 En general, se toma una vecindad en forma de elipse (2D) o elipsoide (3D), orientado según
la anisotropía observada en el variograma.
 Se suele dividir la vecindad en sectores angulares (cuadrantes en 2D u octantes en 3D) y buscar
datos en cada sector.
 Los radios de la elipse (elipsoide) no necesariamente corresponden a los alcances del
variograma, sino que definen de manera de poder encontrar suficientes datos para realizar la
estimación. (Aso Pasco, 2015)
Página | 29
Imagen 13: Plan de Kriging, elipse de búsqueda de tres datos por cuadrante, en este caso. – Fuente:
(Giraldo Henao, 2010).
3.5.2. VALIDACIÓN DEL KRIGING.

Para validar los parámetros del Kriging (modelo de variograma, vecindad elegida), se puede usar
los siguientes métodos:
 Validación cruzada: Se estima sucesivamente cada dato considerando solamente los datos
restantes.
 Jack-Knife: Se divide la muestra inicialen dos partes (por ejemplo, cuando hay dos campañas
de sondajes), y se estima una parte a partir de la otra.
Luego, se hace un estudio estadístico de los errores cometidos para saber si el Kriging fue
satisfactorio (buena precisión, poco sesgo condicional, etc)
Criterios de validación:
 Medias de los errores y de los errores estandarizados: deben ser cercanas a cero (estimador sin
sesgo).
 Varianza de los errores: debe ser la más baja posible (estimador preciso).
 Varianza de los errores estandarizados: debe ser cercana a 1 (el variograma cuantifica
adecuadamente la incertidumbre).
 Nube de dispersión entre valores reales y estimados: la regresión debe acercarse a la diagonal
(insesgo condicional).
a) Aplicación:
Para determinar el valor del bloque, se lleva a cabo una discretización del área en un conjunto de
puntos (2x2, 3x3, etc.), obteniéndose a continuación la media entre los diferentes valores.
Esta capacidad de Kriging de llevarse a cabo sobre un área y no solo sobre un punto, es una
característica propia y única de este método de estimación, no compartida por otros métodos.
Aunque la forma de operar puede trasladarse a métodos como el inverso a la distancia, los
resultados no son muy consistentes.
Un ejemplo de la importancia de los ordenadores en el desarrollo de la Geoestadística es que, para
calcular, por ejemplo, el valor de un solo bloque con una discretización de 10x10, sería necesario
resolver cien sistemas de ecuaciones, cada una de ellos con por ejemplo 10 ecuaciones
(suponiendo una estimación a partir de diez valores). Y esto sólo para un bloque, siendo frecuente,
normalmente dividir el yacimiento en centenares o incluso miles de bloques. Todo eso llevaría a
la resolución de millones de ecuaciones, hecho absolutamente inviable si no fuese por la
inestimable ayuda de la informática.
Página | 30
Por último, hay que constar que los valores que se obtienen con el Kriging (tanto puntual como
de bloques) llevan aparejados los correspondientes valores de la varianza de la estimación
(varianza del Kriging), lo que permite hacer un estudio de la bondad de la estimación.
Estos valores de la varianza del Kriging pueden, posteriormente, ser interpolados y obtener mapas
en la que se pueda analizar qué zonas presentan una mayor exactitud en la estimación, cuales
poseen una mayor probabilidad de error, etc., lo que suele ser muy necesario a la hora de
establecer los planos de producción minera.
Cuando se aplica el Kriging sobre el bloque V debería considerar todos los datos disponibles
(Kriging completo). Sin embargo, esta situación implica cálculos muy largos. Por esta razón se
recomienda restringir la vecindad de estimación que puede ser una esfera o circulo, o bien un
elipsoide o elipse.
Ejemplo:
Se tiene un yacimiento isótropo:
Imagen 14: Bloque a krigear, en negro la ley de la muestra, en azul el número de la muestra.
Página | 31
3.6. KRIGING DE INDICADORES
Suponga que se tiene una variable regionalizada {𝑍(𝑥): 𝑥 𝜖𝐷 ∩ 𝑅 𝑑 } estacionaria. Se define la

siguiente transformación: (Díaz Viera, 2009)
Algunas propiedades son las siguientes:
El predictor Kriging indicador es igual a:
Es decir que la predicción de la función indicadora en el sitio x0 es igual a una combinación lineal
de las n funciones indicadoras evaluadas en los sitios de medición. (Giraldo Henao, 2010)
Samper y Carrera (1990) muestran que el Kriging indicador es un estimador de la probabilidad
acumulada hasta el límite z definido en la función indicadora.
El predictor Kriging indicador (dado que predice probabilidades acumuladas) tiene las
siguientes restricciones:
Una condición suficiente para que estas restricciones se cumplan es que:
Sin embargo, en la práctica las ponderaciones se estiman de tal forma que el predictor sea
insesgado de varianza mínima.
Para la condición de insesgamiento:
Página | 32
Después de llevar a cabo el proceso de derivación sobre la expresión de la varianza del error de
predicción (obtenida de forma análoga a como se realiza en Kriging ordinario), se obtiene el
siguiente sistema de ecuaciones:
Donde ij h), la función de semivarianza evaluada para la distancia entre los sitios i,j.
Página | 33
3.7. ESTIMACIÓN DE RECURSOS Y RESERVAS POR EL MÉTODO DE LOS

BLOQUES DE EXPLOTACIÓN (Rivera Becerra & Vidal Salamanca, 2015).
3.7.1. LABOREO SUBTERRÁNEO – MINERA HUANTICO – EM ROXANA 1.
Página | 34
UNIVERSIDAD NACIONAL DE CAJAMARCA FACULTAD DE INGENIERÍA
 Tabla de Datos.
Página | 35
UNIVERSIDAD NACIONAL DE CAJAMARCA FACULTAD DE INGENIERÍA
 Cálculos y Resultados.
Página | 36
 Distribución de los Bloques.
En base a los resultados que se obtuvieron, se procedió a definir los bloques de acuerdo a la
metodología de geometrización de bloques. Resultando de la siguiente manera:
Página | 37
 Calculo de los Bloques.
Para el cálculo, se tiene en cuenta las siguientes expresiones:
i. Área del Recurso medido e indicado = Ancho*Alto

ii. Volumen = Área*Potencia Diluida
iii. Tonelaje = Volumen*P. E.
iv. Contenido de Pb = Tonelaje*Ley Diluida
v. Contenido de Zn = Tonelaje*Ley Diluida
vi. Contenido de Ag = Tonelaje x Ley Diluida
Bloque 1:
o Á𝐫𝐞𝐚 = 𝟐𝟔𝐦 𝐱 𝟏𝟐𝐦 = 𝟑𝟏𝟐 𝐦𝟐

o 𝐕𝐨𝐥𝐮𝐦𝐞𝐧 = 𝟑𝟏𝟐 𝐦𝟐𝒙 𝟏. 𝟒𝟑 = 𝟒𝟒𝟔. 𝟏𝟔 𝐦𝟑
o 𝐓𝐨𝐧𝐞𝐥𝐚𝐣𝐞 = 𝟒𝟒𝟔. 𝟏𝟔 𝐦𝟑 𝐱 𝟑. 𝟐 𝐭𝐦/𝐦𝟑 = 1427.712 tm
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐏𝐛 = 𝟏𝟒𝟐𝟕. 𝟕𝟏𝟐 𝐭𝐦 𝐱 𝟎. 𝟎𝟒% = 0.5710848 Tm de Pb
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐙𝐧 = 𝟏𝟒𝟐𝟕. 𝟕𝟏𝟐 𝐭𝐦 𝐱 𝟔. 𝟔𝟓% = 94.942848 Tm de Zn
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐀𝐠 = 𝟏𝟒𝟐𝟕. 𝟕𝟏𝟐 𝐭𝐦 𝐱 𝟏. 𝟑𝟐 𝐎𝐳/𝐭𝐦 = 1884.57984 Oz de Ag
Página | 38
Bloque 2:
o Á𝐫𝐞𝐚 = 𝟏𝟎𝐦 𝐱 𝟏𝟐𝐦 = 𝟏𝟐𝟎 𝐦𝟐

o 𝐕𝐨𝐥𝐮𝐦𝐞𝐧 = 𝟏𝟐𝟎 𝐦𝟐𝒙 𝟏. 𝟓𝟎 = 𝟏𝟖𝟎 𝐦𝟑
o 𝐓𝐨𝐧𝐞𝐥𝐚𝐣𝐞 = 𝟏𝟖𝟎 𝐦𝟑 𝐱 𝟑. 𝟐 𝐭𝐦/𝐦𝟑 = 576 tm
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐏𝐛 = 𝟓𝟕𝟔 𝐭𝐦 𝐱 𝟎. 𝟐𝟓% = 1.44 Tm de Pb
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐙𝐧 = 𝟓𝟕𝟔 𝐭𝐦 𝐱 𝟕. 𝟖𝟔% = 45.2736 Tm de Zn
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐀𝐠 = 𝟓𝟕𝟔 𝐭𝐦 𝐱 𝟐. 𝟗𝟎 𝐎𝐳/𝐭𝐦 = 1670.4 Oz de Ag
Bloque 3:
o Á𝐫𝐞𝐚 = 𝟕𝟐𝐦 𝐱 𝟏𝟐𝐦 = 𝟖𝟔𝟒 𝐦𝟐

o 𝐕𝐨𝐥𝐮𝐦𝐞𝐧 = 𝟖𝟔𝟒 𝐦𝟐𝒙 𝟏. 𝟕𝟒 = 𝟏𝟓𝟎𝟑. 𝟑𝟔 𝐦𝟑
o 𝐓𝐨𝐧𝐞𝐥𝐚𝐣𝐞 = 𝟏𝟓𝟎𝟑. 𝟑𝟔 𝐦𝟑 𝐱 𝟑. 𝟐 𝐭𝐦/𝐦𝟑 = 4810.752 tm
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐏𝐛 = 𝟒𝟖𝟏𝟎. 𝟕𝟓𝟐 𝐭𝐦 𝐱 𝟎. 𝟕𝟔% = 36.5617152 Tm de Pb
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐙𝐧 = 𝟒𝟖𝟏𝟎. 𝟕𝟓𝟐 𝐭𝐦 𝐱 𝟕. 𝟔𝟏% = 366.0982272 Tm de Zn
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐀𝐠 = 𝟒𝟖𝟏𝟎. 𝟕𝟓𝟐 𝐭𝐦 𝐱 𝟑. 𝟔𝟖 𝐎𝐳/𝐭𝐦 = 17703.56736 Oz de Ag
Página | 39
Bloque 4:
o 𝐀𝐫𝐞𝐚 = 𝟒𝟔𝐦 𝐱 𝟏𝟐𝐦 = 𝟓𝟓𝟐 𝐦𝟐

o 𝐕𝐨𝐥𝐮𝐦𝐞𝐧 = 𝟓𝟓𝟐 𝐦𝟐𝒙 𝟏. 𝟒𝟖 = 𝟖𝟏𝟔. 𝟗𝟔 𝐦𝟑
o T𝐨𝐧𝐞𝐥𝐚𝐣𝐞 = 𝟖𝟏𝟔. 𝟗𝟔 𝐦𝟑 𝐱 𝟑. 𝟐 𝐭𝐦/𝐦𝟑 = 2614.272 tm
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐏𝐛 = 𝟐𝟔𝟏𝟒. 𝟐𝟕𝟐 𝐭𝐦 𝐱 𝟎. 𝟎𝟒% = 1.0457088 Tm de Pb
o 𝐂o𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐙𝐧 = 𝟐𝟔𝟏𝟒. 𝟐𝟕𝟐 𝐭𝐦 𝐱 𝟕. 𝟓𝟓% = 197.377536 Tm de Zn
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐀𝐠 = 𝟐𝟔𝟏𝟒. 𝟐𝟕𝟐 𝐭𝐦 𝐱 𝟏. 𝟐𝟑 𝐎𝐳/𝐭𝐦 = 3215.55456 Oz de Ag
Bloque 1-3:
𝟐𝟔∗𝟏.𝟒𝟓+𝟕𝟐∗𝟏.𝟕𝟒
o 𝐏𝐨𝐭𝐞𝐧𝐜𝐢𝐚𝟏 − 𝟑 = 𝟐𝟔+𝟕𝟐
; 𝐏𝐨𝐭𝐞𝐧𝐜𝐢𝐚𝟏 − 𝟑 = 𝟏. 𝟔𝟔𝟑𝟎𝟔𝟏𝟐𝟐𝟒 𝐦
𝟐𝟔∗𝟎.𝟎𝟒+𝟕𝟐∗𝟎.𝟕𝟕
o 𝐋𝐞𝐲 𝟏 − 𝟑 𝐏𝐛 = 𝟐𝟔+𝟕𝟐
; 𝐋𝐞𝐲 𝟏 − 𝟑 𝐏𝐛 = 𝟎. 𝟓𝟕𝟔𝟑𝟐𝟔𝟓𝟑𝟎𝟔%
𝟐𝟔∗𝟔.𝟗𝟒+𝟕𝟐∗𝟕.𝟕𝟏
o 𝐋𝐞𝐲 𝟏 − 𝟑 𝐙𝐧 = 𝟐𝟔+𝟕𝟐
; 𝐋𝐞𝐲 𝟏 − 𝟑 𝐙𝐧 = 𝟕. 𝟓𝟎𝟓𝟕𝟏𝟒𝟐𝟖𝟔%
𝟐𝟔∗𝟏.𝟑𝟕+𝟕𝟐∗𝟑.𝟕𝟑
o 𝐋𝐞𝐲 𝟏 − 𝟑 𝐀𝐠 = 𝟐𝟔+𝟕𝟐
; 𝐋𝐞𝐲 𝟏 − 𝟑 𝐀𝐠 = 𝟑. 𝟏𝟎𝟑𝟖𝟕𝟕𝟓𝟓𝟏 𝐎𝐳/𝐭𝐦
𝟐 𝟐 𝟐 𝟐
o 𝐀𝐥𝐭𝐨 = 𝐇 − (𝟓) 𝐝𝟏 − (𝟓) 𝐝𝟑; 𝐀𝐥𝐭𝐨 = 𝟓𝟎 − (𝟓) 𝟐𝟔 − (𝟓) 𝟕𝟐 = 𝟏𝟎. 𝟖𝐦
𝐀𝐥𝐭𝐨∗𝐝𝟏 𝐀𝐥𝐭𝐨∗𝐝𝟑 𝟏𝟎.𝟖∗𝟐𝟔 𝟏𝟎.𝟖∗𝟕𝟐
o Á𝐫𝐞𝐚 = ( 𝟐
) + ( 𝟐 ); Á𝐫𝐞𝐚 = ( 𝟐
)+( 𝟐 ) = 𝟓𝟐𝟗. 𝟐 𝐦𝟐
o 𝐕𝐨𝐥𝐮𝐦𝐞𝐧 = 𝟓𝟐𝟗. 𝟐 𝐦2*1.663061224= 880.0919997𝐦𝟑

o 𝐓𝐨𝐧𝐞𝐥𝐚𝐣𝐞 = 𝟖𝟖𝟎. 𝟎𝟗𝟏𝟗𝟗𝟗𝟕 𝐦𝟑 𝐱 𝟑. 𝟐 𝐭𝐦/𝐦𝟑 = 2816.294399 tm
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐏𝐛 = 𝟐𝟖𝟏𝟔. 𝟐𝟗𝟒𝟑𝟗𝟗 𝐭𝐦 𝐱 𝟎. 𝟓𝟕𝟔𝟑𝟐𝟔𝟓𝟑𝟎𝟔% = 16.2310518 tm de Pb
Página | 40
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐙𝐧 = 𝟐𝟖𝟏𝟔. 𝟐𝟗𝟒𝟑𝟗𝟗 𝐭𝐦 𝐱 𝟕. 𝟓𝟎𝟓𝟕𝟏𝟒𝟐𝟖𝟔% = 211.383011 tm de Zn

o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐀𝐠 = 𝟐𝟖𝟏𝟔. 𝟐𝟗𝟒𝟑𝟗𝟗 𝐭𝐦 𝐱 𝟑. 𝟏𝟎𝟑𝟖𝟕𝟕𝟓𝟓𝟏 𝐎𝐳/𝐭𝐦 = 8741.432962 Oz de Ag
Bloque 2-3:
o 𝐏𝐨𝐭𝐞𝐧𝐜𝐢𝐚𝟐−𝟑 = 1.710731707 m
o 𝐋𝐞𝐲𝟐−𝟑𝐏𝐛 = 0.7017073171%
o 𝐋𝐞𝐲𝟐−𝟑𝐙𝐧 = 7.700243902%
o 𝐋𝐞𝐲𝟐−𝟑𝐀𝐠 = 3.610487805 Oz/tm
o Alto= 𝟏𝟕. 𝟐 m
o 𝐀𝐫𝐞𝐚 = 𝟒𝟒𝟐. 𝟖𝒎𝟐
o 𝐕𝐨𝐥𝐮𝐦𝐞𝐧 = 𝟒𝟒𝟐. 𝟖 𝐦𝟐 x 1.710731707= 757.5119999𝐦𝟑
o 𝐓𝐨𝐧𝐞𝐥𝐚𝐣𝐞 = 𝟕𝟓𝟕. 𝟓𝟏𝟏𝟗𝟗𝟗𝟗 𝐦𝟑 𝐱 𝟑. 𝟐 𝐭𝐦/𝐦𝟑 = 2424.0384 tm
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐏𝐛 = 𝟐𝟒𝟐𝟒. 𝟎𝟑𝟖𝟒 𝐭𝐦 𝐱 𝟎. 𝟕𝟎𝟏𝟕𝟎𝟕𝟑𝟏𝟕𝟏% = 17.00965482 tm de Pb
o C𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐙𝐧 = 𝟐𝟒𝟐𝟒. 𝟎𝟑𝟖𝟒 𝐭𝐦 𝐱 𝟕. 𝟕𝟎𝟎𝟐𝟒𝟑𝟗𝟎𝟐% = 186.6568691 tm de Zn
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐀𝐠 = 𝟐𝟒𝟐𝟒. 𝟎𝟑𝟖𝟒 𝐭𝐦 𝐱 𝟑. 𝟔𝟏𝟎𝟒𝟖𝟕𝟖𝟎𝟓 𝐎𝐳/𝐭𝐦 = 8751.961082 Oz de Ag
Bloque 3-4:
Página | 41
o 𝐏𝐨𝐭𝐞𝐧𝐜𝐢𝐚𝟑−𝟒 =1.638644068 m
o 𝐋𝐞𝐲𝟑−𝟒𝐏𝐛 =0.4854237288%
o 𝐋𝐞𝐲𝟑−𝟒𝐙𝐧 =7.624237288%
o 𝐋𝐞𝐲𝟑−𝟒𝐀𝐠 =2.755423729 Oz/tm
o Alto= 𝟐. 𝟖𝒎
o Á𝐫𝐞𝐚 = 𝟏𝟔𝟓. 𝟐𝒎2
o 𝐕𝐨𝐥𝐮𝐦𝐞𝐧 = 𝟏𝟔𝟓. 𝟐 𝐦𝟐 x 1.638644068 m= 270.704121𝐦𝟑
o 𝐓𝐨𝐧𝐞𝐥𝐚𝐣𝐞 = 𝟐𝟕𝟎. 𝟕𝟎𝟒𝟏𝟐𝟏 𝐦𝟑 𝐱 𝟑. 𝟐 𝐭𝐦/𝐦𝟑 = 866.2531871 tm
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐏𝐛 = 𝟖𝟔𝟔. 𝟐𝟓𝟑𝟏𝟖𝟕𝟏 𝐭𝐦 𝐱 𝟎. 𝟒𝟖𝟓𝟒𝟐𝟑𝟕𝟐𝟖𝟖% = 4.204998522 tm de Pb
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐙𝐧 = 𝟖𝟔𝟔. 𝟐𝟓𝟑𝟏𝟖𝟕𝟏 𝐭𝐦 𝐱 𝟕. 𝟔𝟐𝟒𝟐𝟑𝟕𝟐𝟖𝟖% = 66.0451985 tm de Zn
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐀𝐠 = 𝟖𝟔𝟔. 𝟐𝟓𝟑𝟏𝟖𝟕𝟏 𝐭𝐦 𝐱 𝟐. 𝟕𝟓𝟓𝟒𝟐𝟑𝟕𝟐𝟗 𝐎𝐳/𝐭𝐦 = 2386.894587 Oz de Ag
Bloque 3-4:
o 𝐏𝐨𝐭𝐞𝐧𝐜𝐢𝐚𝟏−𝟐 =1.62952380952381
Página | 42
o 𝐋𝐞𝐲𝟏−𝟐 =0.8195238095
o Á𝐫𝐞𝐚 = 𝟑𝟑𝐦 𝐱 𝟓𝟎𝐦 = 𝟏𝟔𝟓𝟎𝟎𝐦2
o 𝐕𝐨𝐥𝐮𝐦𝐞𝐧 = 𝟏𝟔𝟓𝟎 𝐦𝟐 x 1.595= 2631.75𝐦𝟑
o 𝐓𝐨𝐧𝐞𝐥𝐚𝐣𝐞 = 𝟐𝟔𝟑𝟏. 𝟕𝟓 𝐦𝟑 𝐱 𝟑. 𝟐 𝐭𝐦/𝐦𝟑 = 8421.6 tm
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐏𝐛 = 𝟖𝟒𝟐𝟏. 𝟔𝐭𝐦 𝐱 𝟎. 𝟕𝟔% = 64.00416 tm de Pb
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐙𝐧 = 𝟖𝟒𝟐𝟏. 𝟔𝐭𝐦 𝐱 𝟕. 𝟔𝟏% = 640.88376 tm de Zn
o 𝐂𝐨𝐧𝐭𝐞𝐧𝐢𝐝𝐨 𝐝𝐞 𝐀𝐠 = 𝟖𝟒𝟐𝟏. 𝟔𝐭𝐦 𝐱 𝟑. 𝟕𝟑 𝐎𝐳/𝐭𝐦 = 31412.568 Oz de Ag
Concluimos:
Se sabe que el ejercicio, establece una Ley de Corte (Cut-Off) de 5% para el Zn. Por ello, las
Reservas serán las mismas, porque los Recursos de Zn superan la Ley de Corte establecida.
Página | 43
CONCLUSIONES
 Para la estimación de recursos y reservas, los métodos que se hacen de forma más sencillas y
rápidas son los clásicos geo estadísticos.
 La forma de trabajo del KRIAGE ORDINARIO es la indicada para estimar áreas de forma
manual.
 El mayor interés que se presenta en el krigeage puntual es que permite obtener una serie de
valores estimados a los cuales, posteriormente, se les puede ajustar una serie de líneas de
isocontenidos, por ejemplo, para las leyes o potencias del nivel mineralizado.
 Uno de los métodos más usados en la modelación de recursos, viene a ser el Kriging de
bloques, que consiste en la discretización del espacio 3D en bloques o celdas tridimensionales.
Cada celda contiene los atributos (litología, tipo de mineralización etc.) y las mediciones
(leyes, propiedades físico mecánicas) del dominio geológico en que se encuentra.
Página | 44
REFERENCIAS BIBLIOGRÁFICAS
 Aso Pasco, S. -C.-F. (2015). Kriging en bloques. Piura: Universidad Nacioanl de Piura.
 Castañeda, M. P. (2009). ESTADISTICA ESPACIAL. COLOMBIA. Recuperado el julio de

2018, de http://www.docentes.unal.edu.co/mpbohorquezc/docs/Root.pdf
 Díaz Viera, M. -C. (2009). Estimación espacial - Geoestadística Aplicada. Mexico:

Universidad Autónoma de Mexico.
 Giraldo Henao, R. (2010). Introducción a la Geoestadística, teoría y aplicación. Bogotá,

Colombia.: Universidad Nacional de Colombia, Departamento de Estadística.
 González García, C. (2018). Geoestadística. Chile: FACULTAD DE CIENCIAS FISICAS Y

MATEMATICAS.
 Henao, Ramón Giraldo. (s.f.). INTRODUCCION A LA GEOESTADÍSTICA. BOGOTÁ.

Recuperado el julio de 2018, de
ftp://ftp.ciat.cgiar.org/DAPA/projects/Cursos_Talleres/Curso_R/DOCUMENTOS/LIBRO%
20DE%20GEOESTADISTICA.pdf
 Manzano Arrondo, V. (2014). Estimación estadística. Madrid: Universidad de Sevilla.
 Mosqueira Villar, P., Mujica Cabrera, J., Peralta Rodas, P., Teran Toledo, F., & Castillo
Moreno, K. (2016). KRIGING PUNTUAL Y KRIGING EN BLOQUES. Cajamarca:
UNIVERSIDAD NACIONAL DE CAJAMARCA.
 Rivera Becerra, J. A., & Vidal Salamanca, C. E. (2015). Estimación de Recursos y Reservas
por el Método de los Bloques. Lima.
 Viera, D. M. (2009). Estimación Espacial. CIUDAD DE MÉXICO. Recuperado el julio de

2018, de http://mmc2.geofisica.unam.mx/cursos/geoest/Presentaciones/CG6_2009.pdf
 Zavaleta Sánchez, J. (2010). Un Método de Interpolación. México D.F: Laboratorio de

Cómputo Científico.
Página | 45

Estimación de Recursos y Reservas Minerales

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Estimación de Recursos y Reservas Minerales

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD NACIONAL DE CAJAMARCA

Cajamarca, julio de 2018.

La revolución científico técnica en la geología y la minería, que ha abarcado durante décadas a

La Geoestadística es resultado de la aplicación de la Teoría de Funciones Aleatorias al

III. MARCO TEÓRICO

Imagen 1: Método de los polígonos. Hay que calcular el área de 7 polígonos.

El método de los polígonos de influencia consiste simplemente en ponderar el valor de la variable

a) Método de los polígonos en estimación de recursos y reservas

El método se emplea para el cálculo de reservas de capas horizontales o subhorizontales

Su fórmula general es:

 Se procede a unir mediante líneas rectas los pozos de perforación contiguos.

3.1.2. MÉTODO DE INVERSO DE LA DISTANCIA

a) Método de inverso de la distancia en la estimación de recursos y reservas.

En la que (i son los pesos o coeficientes de ponderación proporcionales a la distancia euclidiana

Dónde: doi es la distancia entre la localización a estimar y la localización de la muestra i.

 Z*(x) = [(i=1,n 1/doi Z(xi)] / (i=1,n1/doj

Se pueden obtener distintos estimadores si escribimos la ecuación anterior como:

 Z*(x) = [(i=1,n (1/doi)( Z(xi)] / (i=1,n(1/doj))

Se debe resaltar que difícilmente en la naturaleza la concentración de un elemento químico se

Para seleccionar el valor que se va a emplear se puede utilizar la validación cruzada. Si el

USOS: es un método de estimación, no es aconsejable en yacimientos con limites muy definidos

3.2. TÉCNICA DEL KRIGEAGE DE MATHERON (KRIGING)

Kriging encierra un conjunto de métodos de predicción espacial que se fundamentan en la

TIPO DE PREDICTOR NOMBRE PROPIEDADES

3.2.1. FUNDAMENTO TEÓRICO

El Kriging aparece en muchas formas de acuerdo a si se conocen la media, la distribución de

La toma de muestras da la información de lo que ocurre en cada punto. Sin embargo, no da

aumenta, y se deteriora cuando esta disminuye. La extrapolación no es aconsejable. ¾ La

3.2.2. DEDUCCIÓN DEL SISTEMA DE KRIGEAGE

Imagen 3: Puntos para la deducción del sistema de krigeage.

Se puede realizar los siguientes tipos de estimaciones:

 Estimación para un punto en base muestras con distintas distancias.

Imagen 4: Tipos de estimaciones.

a) Distribución matrizal para un Kriging Ordinario.

Imagen 5: Distribución matrizal para un K.O.

Sistema de Krigeage (Puntos)

 λ1 * γ (1.1) + λ2 * γ (1.2) + = γ (1, V)

Reemplazando estos valores, tenemos un sistema de ecuaciones:

Luego de calcular las distancias de X1 y X1 aplicamos el modelo teórico esférico:

Cálculo γ (1, V).

Se realiza a través de la discretizacion del panel a través de la siguiente fórmula:

 Determinamos el valor de la semivarianza, a través del modelo estructural de la distancia

 Como las distancias son iguales se multiplica por 4.

Cálculo γ (2, V).

 λ1 * γ (1.1) + λ2 * γ (1.2) + μ = γ (1, V)

Resolviendo sistema de ecuaciones:

Kriging Ordinario del Área 50x50 M (v).

Z* (X) = 5 * 0.71+ 4* 0.29

Ley media igual a: = 4.71%CuT

3.3. VARIANZA DE KRIGEAJE (VARIANZA DE DISPERSIÓN).

Mientras que la varianza de dispersión expresa la variabilidad de las leyes, la varianza de

3.3.1. TIPOS DE ERRORES

Imagen 6: Tipos de errores.

3.4. KRIGEAJE PUNTUAL

Se obtiene el sistema siguiente:

 Modelo esférico se define como.

Nos indica lo siguiente:

 Definir los elementos de las matrices: Se trata de resolver el sistema de ecuaciones:

 Cálculo de los elementos de la matriz [M2].

 Cálculo de los elementos de [K]. Se tiene que:

 De la misma manera que en a) calculemos los términos siguientes:

 Sacar la inversa de [K]

-0.058 0.032 0.007 0.019 0.149

0.032 -0.050 0.014 0.004 0.239

En conclusión, la ley en Xo será: 0,5183.2 + 0,0222.5 + 0,0894.0 + 0,371.5 = 2,6%.