Informe tcnico:

Simulacin condicional de leyes

en yacimientos de caliche

Preparado por: Xavier Emery

Mayo de 2006

,QWURGXFFLyQ
El presente informe corresponde a un estudio solicitado por la Gerencia de Recursos Mineros
de la compaa SQM. Su objetivo es realizar simulaciones condicionales de leyes de nitrato y
yodo en un yacimiento de caliche, con tal de determinar una clasificacin de los recursos de
nitrato y yodo.
La estimacin de recursos se realiza tradicionalmente mediante el mtodo de NULJLQJ. Este
mtodo consiste en estimar las leyes en sectores no muestreados por un promedio ponderado
de las leyes muestreadas en sitios cercanos. Tambin cuantifica la amplitud del error de
estimacin mediante una desviacin estndar, la cual incorpora parmetros geomtricos
(nmero de datos cercanos al bloque estimado y su configuracin en el espacio) y parmetros
globales (variograma de los datos que representa su continuidad en el espacio). Sin embargo,
la desviacin estndar de kriging no toma en cuenta parmetros locales, como los valores
mismos de los datos, su media y dispersin local. En particular, es indiferente al llamado
HIHFWRSURSRUFLRQDO, es decir, a la existencia de una mayor dispersin local en las zonas de
mayores leyes.
Contrariamente al kriging, las simulaciones condicionales buscan reproducir la variabilidad
real de las leyes en el yacimiento, entregando de este modo escenarios posibles de lo que
podra ser el yacimiento real. La simulacin condicional toma en cuenta todas las fuentes de
incertidumbre en las leyes: parmetros geomtricos (cantidad y disposicin espacial de los
datos), parmetros globales (variograma) y locales (valores de los datos). Por lo tanto,
constituye una herramienta ms adecuada / completa que el kriging para cuantificar la
incertidumbre en forma realista y para clasificar los recursos minerales.
,QIRUPDFLyQGLVSRQLEOH
La informacin disponible consiste de leyes de nitrato y yodo muestreadas a lo largo de
sondajes verticales. Ms especficamente, dos tipos de bases de datos han sido entregados:

datos con coordenadas reales (este, norte, cota)

datos con coordenadas planares, donde la coordenada vertical ha sido corregida de

los cambios de topografa. De este modo, el collar de cada sondaje est ubicado en la
cota planar 1500 m.

El trabajo de simulacin de recursos se llevar a cabo en cada uno de estos dos sistemas de
coordenadas por separado. Asimismo, para cada tipo de coordenadas, se han considerado
cuatro bases de datos, donde vara la densidad de muestreo (mallas 50m 50m, 100m
100m, 200m 200m y 400m 400m, siendo cada malla un subconjunto de la malla anterior).
Con esto, se buscar determinar la influencia de la malla de muestreo en la clasificacin de los
recursos.
El anlisis de los datos se realizar con el software geoestadstico ISATIS, que posee todas las
herramientas para el modelamiento y la simulacin condicional de los datos en estudio.

5HYLVLyQ\DQiOLVLVH[SORUDWRULRGHODVEDVHVGHGDWRV
Los sondajes estn distribuidos en una regin de tamao 7.5 km 6.5 km, en mallas (casi)
regulares, tal como se ilustra en la figura siguiente.

)LJXUD. Distribucin espacial de los sondajes para cada tipo de malla. Vista en planta.
Con respecto a la dimensin vertical, el muestreo se ha realizado cada 0.5m, sobre una
profundidad total de 12 metros al mximo. En el sistema de coordenadas reales, debido a
cambios en la topografa, las muestras se distribuyen entre las cotas 1394m y 1508m.

)LJXUD. Distribucin espacial de los datos para cada tipo de coordenada

(izquierda: cota planar; derecha: cota real). Vista en seccin.
Las variables de inters son las leyes de nitrato (en %) y de yodo (en ppm). A continuacin
(Figura 3), se presentan los histogramas que describen las distribuciones globales de estas
leyes, para las distintas mallas de muestreo. Los principales estadsticos se resumen en la
Tabla 1.

variable
nitrato
(%)
yodo
(ppm)

malla

nmero

mnimo

mximo

media

50 50
100 100
200 200
400 400
50 50
100 100
200 200
400 400

67 153
15 416
3 810
949
67 153
15 416
3 810
949

0.1
0.55
0.55
0.55
3
3
50
50

21.2
20
20
20
2272
2000
2000
2000

5.28
5.29
5.38
5.37
376.3
377.5
392.1
378.1

desviacin coef. de
estndar variacin
3.79
0.72
3.78
0.71
3.74
0.70
3.66
0.68
320.3
0.85
318.6
0.84
324.5
0.83
315.1
0.83

7DEOD. Estadsticos bsicos sobre las leyes muestreadas para cada tipo de malla.
Los histogramas presentan distribuciones asimtricas, no destacndose valores anmalos. Las
diferencias entre los estadsticos obtenidos para distintas mallas son propias de las diferencias
entre estadsticos de una poblacin y de un muestreo de ella. Los valores de los coeficientes
de variacin son razonablemente pequeos (menores que 1), indicando que la dispersin de
las leyes muestreadas no es considerable en torno al valor promedio; ahora, esto no impide
que la correlacin espacial de estas leyes sea muy pobre y que su distribucin espacial sea
errtica.

)LJXUD. Histogramas de las leyes muestreadas para cada tipo de malla.

De arriba a abajo: malla 50 50m, 100 100m, 200 200m y 400 400m.
Izquierda: ley de nitrato (%). Derecha: ley de yodo (ppm)

(WDSDVSDUDODVLPXODFLyQFRQGLFLRQDOGHOH\HV
A continuacin, se describe los pasos a seguir para la realizacin de simulaciones
geoestadsticas de las leyes de nitrato y yodo.
 'HVDJUXSDPLHQWRGHORVGDWRV
Siendo el muestreo casi regular, esta etapa es opcional; se realiz porque existen algunos
sectores donde la malla de muestreo es ms densa que en el resto de la zona. El
desagrupamiento consiste en ponderar los datos para tener un histograma representativo de las
leyes. La ponderacin se obtiene mediante el mtodo de las celdas; en el caso que nos
interesa, se elige una celda de tamao 50m 50m 0.5m (Men 7RROV'HFOXVWHULQJ).

)LJXUD. Desagrupamiento por el mtodo de celdas,

utilizando los datos en la malla 50m 50m.
 7UDQVIRUPDFLyQ*DXVVLDQD
Se procede luego a transformar los datos de leyes a datos con distribucin Gaussiana,
tomando en cuenta los ponderadores obtenidos en la etapa anterior.
Este paso es conocido como anamorfosis Gaussiana (Men 6WDWLVWLFV*DXVVLDQ
$QDPRUSKRVLV0RGHOLQJ). En el software Isatis, la funcin de anamorfosis (funcin que
relaciona los valores originales de leyes con los valores transformados) se modela por un
polinomio, eligiendo en nuestro caso un polinomio de grado 100 (mximo permitido por el
software Isatis). Para el modelamiento, se tiene que especificar los valores extremos
permitidos para cada variable, mas all de los valores experimentales (Tabla 2).

nitrato (%)
yodo (ppm)

Mnimo
experimental
0.1
3

mnimo
asumido
0
0

mximo
experimental
21.2
2272

mximo
asumido
22
2500

7DEOD. Valores extremos para cada variable.

)LJXUD. Transformacin Gaussiana de las leyes de nitrato en la malla de 50m 50m.

El modelamiento de las funciones de anamorfosis para nitrato y yodo se realiz con los datos
de malla 50m 50m, en ambos sistemas de coordenadas (cota planar, cota real). Para las otras
mallas, la transformacin Gaussiana se efectu gracias a las anamorfosis as definidas (Men
6WDWLVWLFV5DZ!*DXVVLDQ7UDQVIRUPDWLRQ). Esto evita cambiar el modelo de
anamorfosis entre las distintas mallas y permite as uniformizar los resultados de simulacin.

)LJXUD. Transformacin Gaussiana de las leyes de nitrato en la malla de 100m 100m.

Se puede chequear la calidad de la transformacin Gaussiana al visualizar el histograma de

los datos transformados (el cual tiene que tener una forma de campana de Gauss) y al calcular
un grfico de cuantiles contra cuantiles con una distribucin de referencia Gaussiana estndar.
En ocasiones, la distribucin de los datos transformados presenta una leve discrepancia con la
distribucin Gaussiana estndar en la cola de bajas leyes (Figura 7). Esto se explica porque
los histogramas de las leyes originales a veces tienen una frecuencia no nula de valores bajos
empatados, o porque el modelo polinomial de las funciones de anamorfosis no se ajusta
perfectamente a la anamorfosis experimental. Sin embargo, estos defectos no son
considerables y no influirn mayormente en la calidad de las simulaciones.

)LJXUD. Chequeo de la transformacin Gaussiana (malla 50m 50m, variable nitrato).

Izquierda: histograma; derecha: grfico cuantiles contra cuantiles
 $QiOLVLVYDULRJUiILFRGHORVGDWRV*DXVVLDQRV
La etapa siguiente consiste en calcular y modelar los variogramas de los datos transformados,
en la malla de 50m 50m (Mens 6WDWLVWLFV([SORUDWRU\'DWD YQL VLV y 6WDWLVWLFV
9DULRJUDP)LWWLQJ). Primero, se averigu si exista alguna anisotropa en el plano horizontal,
calculando los variogramas en las direcciones N0E, N45E, N90E y N135E (Figura 8). No
se detect ninguna anisotropa significativa entre estas direcciones, por lo cual se opt por
modelar los variogramas `vni-horizontales, adems de los variogramas verticales.

)LJXUD. Clculo de variogramas direccionales (plano horizontal) para los datos

transformados de nitrato y de yodo. Sistema de coordenada con cota planar
Los parmetros de clculo de los variogramas experimentales se sealan en la Tabla 3. Los
modelos correspondientes consisten de variogramas exponenciales anidados, con anisotropa
geomtrica entre la direccin horizontal y la direccin vertical (Tabla 4 y Figura 9). En base a
los variogramas verticales, se descart el uso de un efecto pepita.
ancho de banda
vertical
nmero de
direcciones
tolerancia
Plano horizontal
angular
paso
nmero de pasos
tolerancia en la
distancia
tolerancia
angular
paso
direccin vertical
nmero de pasos
tolerancia en la
distancia

0.4m
1
90
25m
10
50% del paso
10
0.5m
10
50% del paso

7DEOD. Parmetros de clculo para los variogramas experimentales.

Nota. El ancho de banda vertical (0.4m) permite no mezclar dos bancos distintos, dado que
la altura de cada banco es de 0.5m. Se eligi este valor para que, en el sistema de cota real,
haya una mayor tolerancia en la coordenada vertical, permitiendo as aumentar el nmero de
pares de datos para el clculo de los variogramas experimentales.

sistema de
coordenadas

variable
nitrato

cota real
yodo
nitrato
cota planar
yodo

nmero de
alcance prctico alcance prctico
modelos meseta
(plano
(direccin
anidados
horizontal)
vertical)
0.8
10m
3m
0.13
350m
3m
3

0.07
350m
0.75
10m
3.3m
0.26
350m
3.3m
3

0.03
3.3m
0.8
10m
3m
0.13
700m
3m
3

0.05
700m
0.75
10m
3.3m
0.16
350m
3.3m
3

0.13
3.3m

7DEOD. Parmetros de los modelos variogrficos (datos de malla 50m 50m). Todos los
modelos corresponden a variogramas exponenciales anidados.
Se puede hacer los siguientes comentarios sobre los variogramas obtenidos:

Los variogramas verticales presentan un alcance cercano a los 3 metros; su

comportamiento en el origen indica la ausencia de un efecto pepita.

Los variogramas horizontales poseen un alcance mayor, entre 350 y 700 metros. Sin
embargo, estos alcances son ms bien nominales y los variogramas estn
prcticamente estabilizados despus de los 300 metros, puesto que en cada modelo
existe una estructura de corto alcance que cuenta por cerca del 75%-80% de la meseta
total. El alcance de esta micro-estructura no es fcil de determinar, dado los pocos
pares de datos disponibles para distancias menores a 50 metros. Se opt por un alcance
de 10 metros, que es compatible con los pocos puntos experimentales obtenidos para
las pequeas distancias (Figura 10).

Los variogramas horizontales calculados con los datos de cota planar son levemente
ms continuos (mayor alcance) que aquellos calculados con los datos de cota real.
Esto indica que el sistema de cota planar permite interpretar mejor la correlacin
espacial de las leyes en el yacimiento y, por ende, es preferible para el anlisis
geoestadstico de las leyes, ya sea mediante kriging o simulacin condicional.

La presencia de una micro-estructura implica una gran erraticidad de las leyes, tanto
para nitrato como para yodo, a la escala de observacin (50m 50m o ms). Esta
situacin genera una importante incertidumbre en las leyes de las zonas no
muestreadas y puede ser crtica al momento de clasificar los recursos.

10

)LJXUD. Modelamiento de los variogramas de los datos transformados de nitrato y de yodo

(malla 50m 50m). Rojo: direccin horizontal; negro: direccin vertical.
11

)LJXUD. Detalle del modelamiento de los variogramas horizontales de los datos

transformados de nitrato y de yodo (malla 50m 50m, cota planar).
Las causas que pueden originar la estructura de corto alcance horizontal son las siguientes:

La escala de trabajo (50 metros) es grande con respecto a la escala de variacin de las
leyes en el yacimiento.

El soporte (volumen) de las muestras estudiadas es relativamente pequeo. Para

mejorar la interpretacin de la continuidad espacial de las leyes, se podra revisar este
soporte. Por ejemplo, se podra compositar a un mayor tamao que 0.5 metros en la
direccin vertical, o trabajar con los valores acumulados en los sondajes en lugar de
los valores de cada compsito. Otra opcin sera aumentar el dimetro de los sondajes
(sujeto a factibilidad tcnica).

A priori, no se sospecha de importantes errores de muestreo (en el protocolo de preparacin y

anlisis de muestras). La razn es que los variogramas verticales no presentan efecto pepita,
sino que muestran una buena continuidad, aunque de 3 metros solamente. La presencia de
errores de medicin debera provocar un ruido en los datos y traducirse por un efecto
pepita.
Los modelos variogrficos obtenidos con los datos de malla 50m 50m se utilizarn para la
simulacin condicional en todas las otras mallas. En la prctica, el disponer solamente de una
malla de 200m 200m o de 400m 400m no permitira determinar de forma precisa el
comportamiento de los variogramas horizontales para distancias cortas (Figura 11). Esto
provocara una fuente adicional de incertidumbre (desconocimiento de la continuidad espacial
de los datos), la cual implicara que los recursos estimados estn clasificados como LQIHULGRV,
independientemente del mtodo de estimacin. Para la malla 100m 100m, la clasificacin
de recursos como LQIHULGRV depende de qu tan buena es la determinacin de los variogramas
horizontales. Nota: an en mallas amplias, se puede seguir usando mtodos geoestadsticos
(kriging o simulacin) con un modelo convencional de variograma, por ejemplo el modelo
obtenido en otra zona donde se dispone de una malla 50m 50m.

12

)LJXUD. Variogramas experimentales de los datos transformados de nitrato y de yodo,

calculados a partir de la base de datos de malla 200m 200m, cota planar.
 (OHFFLyQGHXQDYHFLQGDGGHNULJLQJ
El condicionamiento de las simulaciones de leyes utiliza el mtodo de kriging. Para ello, es
necesario definir una vecindad mvil, que es la zona donde se buscarn los datos vecinos para
condicional el valor simulado de cada bloque. La forma de esta vecindad se define como un
elipsoide, cuyo radio es mayor en la direccin horizontal que en la vertical, acorde a las
diferencias de alcances observadas en los variogramas.
El radio de bsqueda vertical se ha elegido al examinar los ponderadores de kriging de las
muestras ubicadas en la misma cota que el bloque a estimar, as como de las muestras
ubicadas en cotas adyacentes. De este anlisis, se desprende que los datos ubicados en cotas
distintas tienen una ponderacin relativamente baja, mientras que los datos ubicados en la
misma cota tienen una ponderacin ms significativa, aunque estn lejos (del punto de vista
geogrfico) del bloque a estimar. La figura siguiente muestra un ejemplo para datos de malla
50m 50m (Ventana Test del men ,QWHUSRODWH(VWLPDWLRQ&RNULJLQJ).
Los parmetros de las vecindades de kriging elegidas se indican en la Tabla 5.

malla

radio horizontal

radio vertical

50m 50m
100m 100m
200m 200m
400m 400m

250m
400m
600m
1200m

0.6m
1.5m
2.0m
3.0 m

nmero ptimo
de datos
48
48
48
48

discretizacin
del bloque
661
661
661
661

7DEOD. Parmetros de las vecindades de kriging usadas para condicionar las simulaciones.

13


)LJXUD. Ponderadores de kriging ordinario, obtenidos al estimar un bloque
a partir de 48 datos (malla 50m 50m). Izquierda: datos de misma cota que el
bloque a estimar. Derecha: datos de la cota inmediatamente superior
Estos parmetros han sido elegidos despus de varias pruebas, donde se ha examinado
indicadores estadsticos de la calidad del kriging (3ULQW:HLJKWV 5HVXOWV en la ventana
Test anterior), en particular la pendiente de la regresin entre valores reales y estimados. A
modo de ejemplo, la vecindad para la malla 50m 50m da los siguientes indicadores:
Number of Neighbors
= 48
Slope of the regression Z | Z* = 0.949539

El hecho de que los radios de la vecindad sean superiores al alcance de los variogramas no es
problemtico: aunque poco correlacionados con el bloque a estimar, los datos lejanos
permiten indirectamente estimar la media local y mejorar la estimacin por kriging. Se
aprecia en la figura 12 que sus ponderadores de kriging no son despreciables.
 6LPXODFLyQFRQGLFLRQDOSRUEDQGDVURWDQWHV
Al terminar el anlisis variogrfico y la eleccin de las vecindades de kriging, se procede a la
simulacin propiamente tal de las leyes de nitrato y yodo. Existen varios algoritmos que
permiten simular campos Gaussianos.
A continuacin, utilizaremos el mtodo de bandas rotantes, programado en Isatis (Men
,QWHUSRODWH&RQGLWLRQDO6LPXODWLRQV7XUQLQJ%DQGV) (Figura 13). Este mtodo logra la
simulacin tridimensional de leyes mediante una serie de simulaciones unidimensionales a lo
largo de direcciones que discretizan el espacio 3D. Para la implementacin prctica, es
necesario elegir un nmero elevado de direcciones (en general, se recomienda usar varios
centenares); en este caso, se opt por 1000 direcciones.

14

El programa toma como input los datos Gaussianos, el modelo de variograma, la funcin de
anamorfosis y la vecindad de kriging previamente definida. Los resultados corresponden a las
leyes de nitrato y yodo (en escala original, es decir, transformados de vuelta desde el espacio
Gaussiano) simuladas en bloques de 25m 25m 0.5m. El activar la opcin block al inicio
del men de simulacin permite que el programa simule directamente los valores promedios
sobre los bloques.
La zona simulada corresponde a una regin especifica del yacimiento, de tamao de 1.5 km
1.5 km (Tabla 6). En la dimensin vertical, esta zona mide 14.5 metros (con el sistema de cota
planar) o 30.5 metros (con el sistema de cota real). Se ha definido una variable de seleccin
(llamada zona til ) sobre la grilla de bloques, la cual indica los bloques correspondientes a
la sobrecarga, manto de caliche y subyacente.
Note que cada corrida de simulacin requiere definir un nmero de semilla (VHHG) para la
generacin de nmeros aleatorios. Es necesario cambiar este nmero cada vez que se procede
a simular, de lo contrario los valores simulados seran los mismos que aquellos obtenidos en
la corrida anterior.
Para condicionar las simulaciones, procederemos a utilizar kriging ordinario (esto se hace
dejando tal cual las opciones especiales del modelo en el men de simulacin), que asume que
las leyes medias en cada vecindad de kriging son desconocidas. Esta postura es ms
conservadora que aquella consistente en utilizar kriging simple (con medias conocidas) y
resulta ms robusta frente a cambios locales que puedan sufrir las leyes en el yacimiento.
En total, se han generado 16 series de 50 realizaciones condicionales, tomando en cuenta:

cada sistema de coordenadas (cota real y cota planar)

cada tipo de malla de muestreo (50m 50m, 100m 100m, 200m 200m, 400m
400m)
cada variable (ley de nitrato y ley de yodo).

15

)LJXUD. Men de simulacin por bandas rotantes. Ejemplo

para las leyes de nitrato con cota planar y malla 50m 50m.
Directory Name
File Name
Organization
Number of Samples
NX=
NY=
NZ=

60
60
29

X0=
Y0=
Z0=

Directory Name
File Name
Organization
Number of Samples
NX=
NY=
NZ=

60
60
71

:
:
:
:

X0=
Y0=
Z0=

Modelo de bloques
Grilla Cota planar
Grid - 3D
104400
435012.50m
7445512.50m
1486.75m

:
:
:
:

DX=
DY=
DZ=

25.00m
25.00m
0.50m

Modelo de bloques
Grilla Cota real
Grid - 3D
255600
435012.50m
7445512.50m
1425.75m

DX=
DY=
DZ=

25.00m
25.00m
0.50m

7DEOD. Informacin sobre los modelos de bloques (cota planar y cota real).

16

 &KHTXHRGHODVVLPXODFLRQHV
El chequeo de las simulaciones se puede hacer al visualizar algunas plantas de las leyes
simuladas, as como al calcular estadsticos bsicos sobre los valores simulados para algunas
realizaciones. Las leyes medias simuladas deben ser parecidas a aquellas de los datos
originales, mientras que las varianzas deben ser ms bajas, debido a que se ha simulado las
leyes a escala de bloques (la varianza disminuye por el efecto de soporte).


)LJXUD. Cuatro realizaciones de las leyes de nitrato,
sistema de cota planar y malla 50m 50m. Planta n20.

17

)LJXUD. Cuatro realizaciones de las leyes de yodo,

sistema de cota planar y malla 50m 50m. Planta n20.
nitrato[00001]
nitrato[00002]
nitrato[00003]
nitrato[00004]

Count
58139
58139
58139
58139

Minimum
0.6744
0.6314
0.5206
0.1826

Maximum
19.4070
15.9434
18.8234
18.8850

Mean
5.2729
5.3176
5.3038
5.2522

Variance
3.5316
3.3530
3.5410
3.4942

yodo[00001]
yodo[00002]
yodo[00003]
yodo[00004]

Count
58139
58139
58139
58139

Minimum
18.6982
20.1976
15.8494
13.3422

Maximum
1893.4056
2112.3967
1944.4325
1502.5909

Mean
352.6691
352.6574
355.8060
348.0527

Variance
30198.0071
34283.0796
30491.0251
28128.2187

7DEOD. Estadsticos bsicos de algunas realizaciones (cota planar, malla 50m 50m).
La zona a simular contiene 59008 bloques en total, en ambos sistemas de coordenada. De
ellos, la mayora ha sido simulada; slo una fraccin de los bloques (ubicados en los bordes
del manto) no han sido simulados por no contar con muestras en la vecindad de kriging.

18

 3URFHVDPLHQWRGHODVVLPXODFLRQHV
Una vez realizadas las simulaciones, se calcula, para cada bloque, indicadores estadsticos que
sern relevantes para la clasificacin de los recursos:

promedio de las 50 realizaciones: da el valor esperado de las leyes y sirve de valor

estimado para dichas leyes;
desviacin estndar de las 50 realizaciones: mide la variabilidad de las leyes simuladas
e indica la incertidumbre que tenemos en las leyes reales de los bloques.

Estas operaciones se realizan con el men 7RROV6LPXODWLRQV3RVW3URFHVVLQJ6WDWLVWLFDO

0DSV.

)LJXUD. Procesamiento de las simulaciones (variable nitrato, cota planar, malla 50 50m).
&ODVLILFDFLyQGHORVUHFXUVRV
Se busca ahora clasificar los recursos estimados en tres categoras: recursos medidos , en los
cuales se tiene una confiabilidad razonable; recursos indicados , en los cuales se tiene una
confiabilidad mediana; recursos inferidos , en los cuales se tiene una confiabilidad baja. Para
ellos, es necesario definir un criterio para separar lo que se entiende como razonable ,
mediana y baja . Dicho criterio es necesariamente subjetivo y depende de la persona a
cargo de la clasificacin.
En el yacimiento que nos interesa, la clasificacin se ve complicada por dos factores:

la poca correlacin espacial (erraticidad en la distribucin espacial de las leyes), que

se traduce en la presencia de una micro-estructura importante en los variogramas;
el tamao de los bloques simulados (25m 25m) que corresponde, en el mejor caso, a
un cuarto de la malla de muestreo.
19

Se opt por clasificar cada bloque en base a un criterio estadstico simple, que es el
coeficiente de variacin de las leyes simuladas en este bloque. Este coeficiente de variacin
corresponde a la desviacin estndar de las leyes simuladas dividida por el promedio de
dichas leyes simuladas. Indica, de cierto modo, el error relativo que uno est cometiendo al
estimar las leyes por el promedio de las realizaciones.
El utilizar la desviacin estndar misma (sin dividir por la ley media) podra penalizar la
clasificacin de recursos de altas leyes, puesto que dichas leyes suelen presentar una mayor
variabilidad local que las bajas leyes (efecto proporcional). El coeficiente de variacin
permite medir la variabilidad en trminos relativos y resulta un criterio ms neutral para
realizar la clasificacin.
El clculo del coeficiente de variacin se realiza en el men )LOH&DOFXODGRU (Figura 17).

)LJXUD. Clculo del coeficiente de variacin para cada bloque

(variable nitrato, cota planar, malla 50 50m).
Los lmites de cada categora se escogieron segn los valores indicados en la Tabla 8.

20

Tipo de recurso
Medido
Indicado
Inferido

mnimo del coeficiente

de variacin
0%
20%
35%

mximo del coeficiente

de variacin
20%
35%
-

7DEOD.Valores elegidos para separar las distintas clases de recursos.

Cabe destacar que muchos otros criterios podran haberse utilizado (criterios meramente
geomtricos como el nmero de muestras ubicadas en la vecindad de kriging o la distancia
promedio de las muestras; criterios geoestadsticos que incorporan la continuidad espacial de
las leyes como la varianza de kriging) y que, en la actualidad, no existe un criterio unificado
en la industria minera. Tambin es inevitable cierta arbitrariedad en la eleccin de los valores
que rigen el criterio elegido, en este caso los valores indicados en la Tabla 8. El utilizar el
coeficiente de variacin de las leyes simuladas permite tomar en cuenta las principales fuentes
de incertidumbre en las leyes reales:

nmero y disposicin espacial de los datos que condicionan la simulacin

continuidad espacial de las leyes (mediante el modelo de variograma global)
caractersticas locales de los datos (la simulacin reproduce los datos, los cuales
imponen localmente sus propias caractersticas, tal como su media y su varianza local)

)LJXUD. Creacin de una variable de seleccin para definir los recursos medidos.
(variable nitrato, cota planar, malla 50 50m).
El clculo de los tonelajes y finos para cada categora de recurso se realiz asumiendo una
densidad de la roca de 2.1 ton/m3 (Tablas 9 a 12).

21

0$//$&/$6(721(/$-(),12/(<0(',$
P0WRQ.WRQ
50x50
100x100
200x200
400x400

medido

0.89
0.06
0.01
0.00

3.3
0.2
0.0
0.0

61.62
4.36
0.55
0.10

4.2
0.3
0.0
0.0

6.89
6.87
7.08
7.86

50x50
100x100
200x200
400x400

indicado

23.86
23.47
20.96
17.58

89.2
87.9
78.4
65.8

1320.19
1317.04
1227.42
1092.40

89.8
90.0
81.3
69.1

5.53
5.61
5.85
6.21

50x50
100x100
200x200
400x400

inferido

1.99
3.17
5.76
9.16

7.4
11.9
21.5
34.2

87.75
141.49
282.21
488.79

6.0
9.7
18.7
30.9

4.41
4.47
4.90
5.34

50x50
100x100
200x200
400x400

total

26.74
26.70
26.73
26.74

100.0
100.0
100.0
100.0

1469.56
1462.89
1510.18
1581.28

100.0
100.0
100.0
100.0

5.50
5.48
5.65
5.91

7DEOD. Clasificacin de recursos de nitratos, sistema de cota planar.

Esta clasificacin se basa en los variogramas obtenidos de la malla 50 50m.

0$//$&/$6(721(/$-(),12/(<0(',$
P0WRQ.WRQ
50x50
100x100
200x200
400x400

medido

0.18
0.00
0.00
0.00

0.7
0.0
0.0
0.0

13.92
0.23
0.00
0.00

0.9
0.0
0.0
0.0

7.58
6.96
0.00
0.00

50x50
100x100
200x200
400x400

indicado

25.08
21.12
15.15
11.22

93.3
78.6
56.4
41.8

1390.72
1175.33
873.93
649.07

93.9
81.0
58.5
43.1

5.55
5.56
5.77
5.78

50x50
100x100
200x200
400x400

inferido

1.61
5.75
11.73
15.65

6.0
21.4
43.6
58.2

76.33
275.07
619.98
856.07

5.2
19.0
41.5
56.9

4.73
4.78
5.29
5.47

50x50
100x100
200x200
400x400

total

26.87
26.87
26.87
26.87

100.0
100.0
100.0
100.0

1480.96
1450.63
1493.91
1505.14

100.0
100.0
100.0
100.0

5.51
5.40
5.56
5.60

7DEOD. Clasificacin de recursos de nitratos, sistema de cota real.

Esta clasificacin se basa en los variogramas obtenidos de la malla 50 50m.

22

0$//$&/$6(721(/$-(),12/(<0(',$
P0WRQWRQSSP
50x50
100x100
200x200
400x400

medido

0.02
0.00
0.00
0.00

0.1
0.0
0.0
0.0

8.09
0.36
0.00
0.00

0.1
0.0
0.0
0.0

488.1
723.8
0.0
0.0

50x50
100x100
200x200
400x400

indicado

21.49
14.18
6.73
2.58

80.4
53.1
25.2
9.6

8046.13
5423.48
2807.07
948.49

85.2
58.7
29.4
10.2

374.5
382.6
417.2
367.6

50x50
100x100
200x200
400x400

inferido

5.24
12.52
19.96
24.16

19.6
46.9
74.8
90.4

1388.72
3807.93
6726.55
8389.42

14.7
41.2
70.6
89.8

265.1
304.1
337.0
347.2

50x50
100x100
200x200
400x400

total

26.74
26.70
26.69
26.74

100.0
100.0
100.0
100.0

9442.94
9231.77
9533.62
9337.92

100.0
100.0
100.0
100.0

353.1
345.7
357.2
349.2

7DEOD. Clasificacin de recursos de yodo, sistema de cota planar.

Esta clasificacin se basa en los variogramas obtenidos de la malla 50 50m.

0$//$&/$6(721(/$-(),12/(<0(',$
P0WRQWRQSSP
50x50
100x100
200x200
400x400

medido

0.00
0.00
0.00
0.00

0.0
0.0
0.0
0.0

0.63
0.00
0.00
0.00

0.0
0.0
0.0
0.0

339.6
0.0
0.0
0.0

50x50
100x100
200x200
400x400

indicado

17.56
6.68
1.54
0.29

65.4
24.9
5.7
1.1

6889.83
2627.19
619.72
100.41

69.0
26.4
5.9
1.1

392.3
393.4
402.8
346.1

50x50
100x100
200x200
400x400

inferido

9.31
20.20
25.34
26.58

34.6
75.1
94.3
98.9

3093.71
7308.30
9864.61
9272.91

31.0
73.6
94.1
98.9

332.3
361.9
389.4
348.8

50x50
100x100
200x200
400x400

total

26.87
26.87
26.87
26.87

100.0
100.0
100.0
100.0

9984.17
9935.49
10484.33
9373.31

100.0
100.0
100.0
100.0

371.5
369.7
390.1
348.8

7DEOD. Clasificacin de recursos de yodo, sistema de cota real.

Esta clasificacin se basa en los variogramas obtenidos de la malla 50 50m.

23

&RQFOXVLRQHV\UHFRPHQGDFLRQHV
La mayora de los recursos corresponden a recursos indicados o inferidos. Incluso en la malla
50 50m, slo un pequeo porcentaje de los bloques pudo ser clasificado como medido , y
gran parte de los recursos slo es indicado .
Para las mallas 200 200m y 400 400m, la mayor parte de los recursos de yodo (> 75%) y
una parte importante de recursos de nitrato quedan como inferidos . Sin embargo, uno
observa que parte de los recursos de nitrato aparecen clasificados como indicados . Ahora,
cabe sealar que el ejercicio de simulacin se realiz con los variogramas obtenidos de la
malla 50 50m. En la prctica, al disponer de las mallas 200 200m 400 400m, no se
contara con dichos variogramas (sino que con variogramas similares a aquellos presentados
en la Figura 11), por lo cual sera ms prudente clasificar todos los recursos como inferidos,
por desconocer la continuidad espacial de las leyes.
En lo que concierne a la malla 100 100m, es posible dejar la clasificacin de recursos tal
como aparece en las tablas anteriores, siempre que se pueda determinar y modelar los
variogramas horizontales de forma razonable.
Para mejorar el conocimiento del yacimiento y la clasificacin de los recursos, se sugiere las
siguientes pistas:
 $XPHQWDUODPDOODGHPXHVWUHR
Es la pista ms evidente, pero trae importantes costos adicionales. No est seguro que, incluso
con una malla de 25 25m, se disminuya en forma significativa el coeficiente de variacin de
las realizaciones. La razn se debe al corto alcance (del orden de 10m) que presenta la microestructura de los variogramas experimentales.
 7DPDxRGHORVEORTXHV
La incertidumbre que se tiene en la ley media de un bloque disminuye a medida que las
dimensiones de este bloque aumentan. Esto se explica por el HIHFWRGHVRSRUWH, segn el cual
la dispersin de las leyes decrece cuando se aumenta el tamao de los bloques. Quizs la
clasificacin de los recursos deba basarse en bloques mayores (por ejemplo, 50m 50m
0.5m, 100m 100m 0.5m, 200m 200m 0.5m 400m 400m 0.5m, segn la malla de
muestreo) que aquellos utilizados en este estudio.
 6RSRUWHGHORVGDWRV
As como se puede aumentar el tamao de los bloques a clasificar, se sugiere tambin analizar
la posibilidad de cambiar el soporte de los datos. El aumentar este soporte debera incidir en
los modelos variogrficos, tendiendo a disminuir considerablemente la componente de microestructura, y permitir apreciar mejor la correlacin espacial subyacente de las leyes.
Para ello, se puede:

Trabajar con compsitos de 1m en lugar de 0.5m (esto requiere que la dimensin

vertical de los bloques a estimar/simular tambin sea incrementada de 0.5m a 1m).

24

Aumentar el dimetro de los sondajes (sujeto a factibilidad tcnica, puesto que

necesita cambiar los aparatos utilizados para el muestreo).

Trabajar con acumulaciones en lugar de leyes de cada compsito individual. Esta pista
se sustenta en que no se tiene mucha selectividad sobre la dimensin vertical (al
momento de la explotacin, se explota hasta cierta profundidad, sin que se tenga la
posibilidad de descartar determinados bloques). En este contexto, la clasificacin
podra considerar la pila de bloques ubicados a la vertical uno de otros, en lugar de
cada bloque individualmente. Esto no impide que, en un estudio complementario, se
haga la evaluacin de leyes de cada bloque por separado, mediante kriging ordinario.

)LJXUD. Variogramas experimentales para datos Gaussianos de nitrato y yodo

acumulado (malla 50 50m). Comparativamente con los variogramas
de la Figura 9, la contribucin de la micro-estructura disminuy.

5HIHUHQFLDVVREUHVLPXODFLyQFRQGLFLRQDO\FODVLILFDFLyQGHUHFXUVRV
Blackwell, G.H., 1998, Relative kriging errors a basis for mineral resource classification:
Exploration and Mining Geology, v. 7, no. 1-2, p. 99-106.
Chils, J.P., and Delfiner, P., 1999, Geostatistics: Modeling spatial uncertainty: Wiley, New
York, 695 p.
CIM, 2000, CIM Standards on Mineral Resources and Reserves - Definitions and Guidelines.
Prepared by the CIM Standing Committee on Reserve Definitions: CIM Bulletin, v. 93,
no. 1044, p. 53-61.
CSA, 2001, Standards of disclosure for mineral projects: National Instrument 43-101,
Canadian Securities Administration, 22 p.
Diehl, P., and David, M., 1982, Classification of ore reserves/resources based on geostatistical
methods: CIM Bulletin, v. 75, no. 838, p. 127-136.
EURO, 2002, Code for reporting of mineral exploration results, mineral resources and mineral
reserves (the European code): report prepared by the Institution of Mining and Metallurgy
Working Group on Resources and Reserves in conjunction with the European Federation
of Geologists and the Institute of Geologists of Ireland, 34 p.
JORC, 2004, Australasian Code for reporting of exploration results, mineral resources and ore
reserves (the JORC Code, 2004 Edition): report prepared by the Joint Ore Reserve
25

Committee of the Australasian Institute of Mining and Metallurgy, Australian Institute of

Geoscientists and Minerals Council of Australia, 21 p.
Journel, A.G., and Huijbregts, C. J, 1978, Mining Geostatistics: Academic Press, London, 600
p.
Ortiz, J.M., and Emery, X., 2004, Categorizacin de recursos y reservas mineras, LQ Magri, E.,
et al., eds., 1st International Conference on Mining Innovation MININ 2004: Gecamin
Ltda, Santiago, Chile, p. 198-208.
Rendu, J.M., and Miskelly, N., 2001, Mineral resources and mineral reserves: progress on
international definitions and reporting standards: Transactions of the Institution of Mining
and Metallurgy, Section A Mining Technology, v. 110, p. 133-138.
Royle, A.G., 1977, How to use geostatistics for ore reserve classification: Eng. Min. Journal,
v. 30, p. 52-55.
Sabourin, R., 1984, Application of a geostatistical method to quantitatively define various
categories of resources, LQ Verly, G., David, M., Journel, A.G. and Marchal, A., eds.,
Geostatistics for Natural Resources Characterization: Reidel, Dordrecht, The Netherlands,
Vol. 1, p. 201-215.
SAMREC, 2000, South African Code for Reporting of Mineral Resources and Mineral
Reserves (The SAMREC Code): report prepared by the South African Mineral Resource
Committee SAMREC under the auspices of the South African Institute of Mining and
Metallurgy, 38 p.
Sinclair, A.J., and Blackwell, G.H., 2000, Resource/reserve classification and the qualified
person: CIM Bulletin, v. 93, no. 1038, p. 29-35.
SME, 1999, A guide for reporting exploration information, resources, and reserves: report
prepared by SME Resources and Reserves Committee, Society for Mining, Metallurgy
and Exploration, 17 p.
Snowden, D.V., 2001, Practical interpretation of mineral resource and ore reserve
classification guidelines, LQ Edwards, A.C., ed., Mineral Resource and Ore Reserve
Estimation, The AusIMM Guide to Good Practice: AusIMM Monograph 23, p. 643-652.

26