Antapaccay 2017 II

UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA GEOLÓGICA MINERA Y METALÚRGICA
ESCUELA PROFESIONAL DE GEOLOGÍA
Geología Minera (GE-801)
CÁLCULO DE ALFA USANDO VALIDACIÓN CRUZADA EN EL MÉTODO

DEL INVERSO DE LA DISTANCIA PARA LA ESTIMACIÓN DE RECURSOS
MINERALES EN EL PÓRFIDO SKARN DE ANTAPACCAY
Datos del alumno(s):
 Atahua Godoy Miguel Código: 20132086D
Email: matahuag@uni.pe Móvil: 991304337
 Pillaca Rojas Diego Codigo:20122665A

Email: dpillacar@uni.pe Móvil: 961761847
 Medina Perez, Milagros Código: 20127047D

Email: mmedinap@uni.pe Móvil: 956818545
 Rojas Iruri , Dario Código: 20137045D

Email: dirurir@uni.pe Móvil: 4660533
Docente: Ing. Jorge H. Paredes Angeles.

Universidad Nacional de Ingeniería
Facultad de ingeniería Geológica Minera y Metalúrgica
Escuela Profesional de geología
A nuestro Docente y Compañeros de Promoción.

Por su apoyo y motivación para el desarrollo de esta monografía, que con sus lecciones de vida
y experiencias influyeron en nosotros y así poder realizar una correcta presentación de este
trabajo.
Queremos manifestar nuestro agradecimiento a la Escuela de Geología, y a la Biblioteca, por

brindarnos referencias y textos de ayuda para el desarrollo de este trabajo.
INDICE
RESUMEN ................................................................................................................................................1
ABSTRACT ..............................................................................................................................................1
INTRODUCCION ......................................................................................................................................1
OBJETIVOS ...................................................................................................................................2
GENERALIDADES ........................................................................................................................2
Recurso mineral ................................................................................................................2
Reserva Mineral ...............................................................................................................2
Assay y Composites ..........................................................................................................3
ESTIMACION GLOBAL .....................................................................................................5
ESTIMACION LOCAL .......................................................................................................5
AREA O VECINDAD DE BUSQUEDA ..............................................................................5
2.6.1 AREA DE BUSQUEDA BIDIMENSIONAL (2D): ..................................................... 5
2.6.2 AREA DE BUSQUEDA TRIDIMENSIONAL (3D): ................................................... 6
2.6.3 EJEMPLO DE LA BÚSQUEDA POR BLOQUES .................................................... 7
MAL MUESTREO ..............................................................................................................7
BUEN MUESTREO ...........................................................................................................8
MEDIA ARITMETICA ........................................................................................................8
METODOS DE LOS POLIGONOS. ..................................................................................9
METODO DEL INVERSO DE LA DISTANCIA ............................................................... 10
METODO DEL INVERSO DE LA DISTANCIA........................................................................... 11
METODO DEL INVERSO DE LA DISTANCIA AL CUADRADO (IDS) .......................... 11
3.1.1 EJEMPLO APLICATIVO : Inverso de la distancia al cuadrado ............................. 11
VALOR DEL EXPONENTE ALFA: ................................................................................. 13
METODO DEL INVERSO DE LA DISTANCIA GENERALIZADO ................................. 13
3.3.1 EJEMPLO APLICATIVO : Inverso de la distancia generalizado ........................... 13
ESTIMACIÓN DE RESERVAS ASISTIDO POR COMPUTADORAS ....................................... 16

Confección de la base de datos ..................................................................................... 17
Creación del modelo geológico ...................................................................................... 18
Métodos para la definición de los contornos .................................................................. 19
4.3.1 Sólidos a partir de los modelos de alambre o wireframe....................................... 20
4.3.2 Sólidos generados partir de superficies (Método de superficies) .......................... 21
Modelo de recursos ........................................................................................................ 22
Método de bloques ......................................................................................................... 22
Modelo de capa .............................................................................................................. 25
geologia del proyecto antapacay ............................................................................................ 26

Geología del deposito .................................................................................................... 26
5.1.1 3.1.1 Ubicación ...................................................................................................... 26
5.1.2 3.1.2 geologia del deposito ................................................................................... 28
VALIDACIÓN CRUZADA .......................................................................................................... 30

Evaluación de Modelos .................................................................................................. 30
Error del modelo ............................................................................................................. 31
6.2.1 Medidas de error de ajuste .................................................................................... 34
6.2.2 Medidas de error de predicción ............................................................................. 34
Método de Validación cruzada ....................................................................................... 36
Validación cruzada Aplicada a nuestro caso ................................................................. 39
CONCLUSIONES ....................................................................................................................... 41
FLUJO DE TRABAJO REALIZADO CON EL SOFTWARE MINESIGHT 3D 9.5 y
LEAPFROG GEO 4.0 ................................................................................................................. 42
Análisis y limpieza de la data ........................................................................................ 42
Aplicación de la validación cruzada para la obtención del valor alfa óptimo. ................ 43
8.2.1 Flujo de pasos llevados acabo .............................................................................. 43
REPORTES DE ALFA Y SU CORRESPONDIENTE COEFICIENTE DE

CORRELACIÓN .......................................................................................................................... 49
RESULTADOS FINALES ........................................................................................................... 55
RECOMENDACIONES ............................................................................................................... 56
REFERENCIAS BIBLIOGRÁFICAS y WEBGRAFÍA ................................................................ 57
Lista de figuras
Fig. 2.2.1-1. Enmallado de muestras en una dimensión de 100x100 m, tomando muestras en los
centros y vértices de esta.
Fig. 2.2.2-1. Toma de leyes de muestras en los centros de los polígonos.
Fig. 2.3-1. Tabla de distribución de las leyes utilizando el método del inverso de la distancia.
Fig. 2.5.1-1. Ponderación por el método del inverso de la distancia empleando una vecindad de
búsqueda circular.
Fig. 2.5.1-2. Vecindad elíptica para estimación de recursos. Eje a: máxima continuidad. Eje b: mayor
variabilidad, mínima continuidad.
Fig. 2.5.2-1. Búsqueda tridimensional: esfera si el yacimiento es isotrópico (izquierda). Paralelepípedo
si el yacimiento es anisotrópico.
Fig. 2.5.2-2. Cuadrantes (4 sectores) y octantes (8 sectores).
Fig. 2.5.3-1. Muestra una situación hipotética donde se tienen 4 pozos de exploración con 8 muestras
regularizadas cada uno.
Fig. 2.8-1. Distribución de las leyes alrededor de una ley central.
Fig. 2.8-2. Distribución de los valores de alfa versus las leyes.
Lista de tablas
Tabla 2.8-1. Distribución de los valores alfa y las leyes en cada punto.
RESUMEN
La finalidad de un modelo estadístico es proveer el mecanismo para hacer inferencias acerca de una
población con base en información obtenida de las muestras. La probabilidad de la muestra observada
sea útil para hacer una inferencia acerca de la población.
En el presente trabajo se hace mención a la estimación de recursos minerales por el método del inverso
de la distancia en donde además se analiza los mejores valores que puede tomar el parámetro alfa para
una óptima estimación del recurso mineral.
Se enfocará este método del inverso de la distancia, como un método clásico, cuando aún no existía el
concepto de variograma.
ABSTRACT
The purpose of a statistical model is to provide the mechanism to make inferences about a population
based on information obtained from the samples. The probability of the observed sample is useful to
make an inference about the population.
In the present work, mention is made of the estimation of mineral resources by the inverse distance
method, which also analyzes the best values that the alpha parameter can take for an optimal estimation
of the mineral resource.
This method of the inverse of distance will be focused, like a classic method, when the concept of
variogram did not exist yet.
INTRODUCCION
El propósito de la estimación de recursos minerales / reservas es principalmente ayudar a determinar si

una propiedad vale la pena ser minada y, de ser así, guiar su desarrollo posterior. Los modelos de
depósito de mineral son el fundamento subyacente de numerosas decisiones económicas consecuentes
y la corrección de esas decisiones dependerá directamente de la exactitud de la estimación de recursos
/ reservas. La capacidad de proporcionar estimaciones deseables de recursos / reservas descansa en
el desarrollo de técnicas geológicas, geométricas y matemáticas de la construcción de modelos de
depósitos minerales. Las estimaciones de recursos / reservas siguen siendo un arte que requiere práctica
y juicio en su aplicación. Incluso con el poder de las técnicas (presentes y futuras), esto seguirá siendo
así, debido a la complejidad geológica inherente de los yacimientos minerales. A partir de los datos muy
limitados, deben construirse inferencias geológicas bien concebidas, sujetas a revisiones frecuentes a
medida que se disponga de nueva información. Cualquier estimación de recursos / reservas debe
comenzar con la recolección y tratamiento de muestras (agujero de perforación y geológicas) extraídas
y que definen el cuerpo mineral. Las funciones de extensión computarizadas más aceptadas aplicadas
en la industria minera para el cálculo de bloques y sub-bloques de producción minera se basan en el
principio del cambio gradual para hacer estimaciones de valor. Uno de los métodos comunes se
denomina generalmente la interpolación por el método del inverso a la distancia.
Tema: Page: 1
Cálculo de alfa usando validación cruzada en el método del inverso de la distancia para la estimación de recursos minerales en el pórfido
skarn de Antapaccay.
OBJETIVOS
Estudiar y entrenarnos el método del inverso a la distancia para la estimación de recursos

minerales.
GENERALIDADES
En estadística la interpolación es usada para estimar valores desconocidos a partir

de una serie de datos conocidos y ponderados. Cada técnica busca determinar una función
que represente adecuadamente el fenómeno bajo estudio y así disminuir la cantidad de
información a recolectar en campo. Existen varias técnicas o métodos, entre los que se
encuentran IDW y Kriging.
Recurso mineral
El recurso mineral es la concentración natural in situ o la ocurrencia de mineralización

dentro de un envoltorio geológicamente definido. Las características geológicas (cantidad,
grado y continuidad) son parcialmente conocidas, estimadas o interpretadas a partir de
evidencias de base amplia y conocimiento regional. La presencia de mineralización se infiere
sin marco programado de verificación y concepto de cutoff. El énfasis principal es la
estimación del inventario de recursos de baja confianza hecha durante la etapa temprana de
exploración o alrededor de la periferia externa de la concentración económica. La viabilidad
económica es prematura y tiene la intención de establecerse después de las etapas avanzadas
de exploración. La forma, la cantidad y el grado indican intereses futuros intrínsecos
y
perspectivas razonables para la eventual extracción rentable.
Reserva Mineral
La reserva mineral es esa parte bien definida del depósito con un cutoff específico
después de la terminación de la exploración detallada. La reserva se estima con un alto nivel
de confianza basado en detalles e información confiable. Las ubicaciones de la muestra están
espaciadas lo suficientemente cerca como para confirmar la continuidad geológica y / o de
grado. Esta reserva debe ser técnicamente viable económicamente. Las características
geológicas deben estar tan bien establecidas para apoyar la planificación de la producción. El
depósito se puede extraer y comercializar con un beneficio. Las pruebas metalúrgicas muestran
una recuperación óptima. Un estudio de prefactibilidad / alcance o informe de factibilidad está
Tema: Page: 2
preparado para tomar una decisión de inversión. Incluye planificación de la mina, análisis
financiero incluyendo pérdidas asociadas con la dilución de mina y procesamiento metalúrgico.
Assay y Composites
El cálculo de los “Composites” de un hoyo perforado implica el cálculo de muestras a

intervalos regulares a lo largo de un hoyo de perforación a partir de los datos originales
del “Assay” de agujero de perforación. El cálculo de los compuestos se puede pensar en
cómo recortar el núcleo del taladro en piezas de igual longitud. Esto es necesario para
que las muestras tengan el mismo peso o influencia cuando se usan para calcular los
valores de bloque. El pre procesamiento de los datos de los orificios de perforación en
composites de igual longitud es necesario antes del modelado de bloques utilizando los
métodos de Distancia
Inversa o Kriging para calcular los valores de
bloque.
Figura. El calculo de composities de banco
La realización del cálculo de los composites en base de los assays se realiza mediante
un promedio ponderado con las longitudes y los valores de ley.
Donde C es el valor del composite, Ai es el valor del assay i, y Li es la longitud del assay i.
El valor del composite de 40 pies de altura desde la elevación 1100 a 1140 en la figura 8.2
se calcula de la siguiente manera:
C = [55.2 * 8 + 53.1 *12 + 60.2 * 6 + 48.3 *14] / 40 = 52.9
Tema: Page: 3
Si se encuentran assay indefinidos, se ignoran. Por ejemplo, si el último assay en este

ejemplo no estaba definido, el valor del composite de 40 pies se calcularía de la siguiente
manera:
C = [55.2 * 8 + 53.1 *12 + 60.2 *6] / 26 = 55.4
La Figura 2.2 muestra los resultados del cálculo de compuestos para valores de ensayo
de cobre a intervalos regulares de 20 pies a lo largo de un taladro.
Figura 1.2.3 Composites regulares calculados a partir de los datos de ensayo a lo largo de
un taladro
Tema: Page: 4
ESTIMACION GLOBAL
Interesa estimar la ley media y el tonelaje de todo el yacimiento (o de una zona grande dentro del
depósito o yacimiento)
ESTIMACION LOCAL
Interesa estimar la ley media de unidades o bloques con el fin de localizar y diferenciar las zonas ricas y
pobres dentro de la zona de estimación.
- La media aritmética
- Los polígonos
- El método del inverso de la distancia
AREA O VECINDAD DE BUSQUEDA
2.6.1 AREA DE BUSQUEDA BIDIMENSIONAL (2D):
- VECINDAD CIRCULAR:
Se emplea cuando la mineralización en el yacimiento se considera ISOTRÓPICA (cuando la variabilidad

de la ley y la potencia es la misma en todas las direcciones).
El radio del círculo se argumenta sobre la base del conocimiento geológico del yacimiento.
Una vez seleccionado el radio de búsqueda se calcula la distancia entre el centro del bloque que se
desea estimar y cada una de las muestras vecinas. Todas aquellas muestras que se localizan a una
distancia mayor que el radio se excluyen y no participan en la estimación del bloque.
Ejemplo:
Fig. 2.5.1-1. Ponderación por el método del inverso de la distancia empleando una vecindad de
búsqueda circular.
Tema: Page: 5
- VECINDAD ELIPTICA:
Si la mineralización es ANISOTRÓPICA entonces se utiliza una vecindad de búsqueda elíptica. La elipse

debe orientarse de forma tal que el eje mayor (a) coincida con la dirección de máxima continuidad y el
eje menor (b) con la dirección de mayor variabilidad o mínima continuidad.
En estos casos el método del inverso de la distancia puede ser modificado para acomodar la anisotropía
del fenómeno y asignar mayor peso a las muestras ubicadas en la dirección de máxima continuidad o
en las cercanías de esta.
Esta modificación permite acercar los resultados de este método de estimación a los resultados
obtenidos por kriging.
Fig. 2.5.1-2. Vecindad elíptica para estimación de recursos. Eje a: máxima continuidad. Eje b: mayor
variabilidad, mínima continuidad.
2.6.2 AREA DE BUSQUEDA TRIDIMENSIONAL (3D):
Si la estimación de recursos se realiza en el espacio 3D entonces para la selección de las muestras se

emplea un volumen de búsqueda tridimensional que puede ser una esfera si es yacimiento es
ISOTROPICO o un elipsoide (paralelepípedo) si es ANISOTROPO.
RESTRICCIONES:
- No todas las muestras que caen dentro de ellas tienen necesariamente que ser empleadas en
la interpolación.
- Generalmente se fija un número máximo y mínimo por volumen de búsqueda. Si dentro del área
existen más muestras que el máximo fijado entonces el algoritmo selecciona entre las más
cercanas un número que coincide con el máximo definido, si la cantidad de muestras no
sobrepasa el mínimo requerido entonces el bloque no se estima.
Tema: Page: 6
Fig. 2.5.2-1. Búsqueda tridimensional: esfera si el yacimiento es isotrópico (izquierda). Paralelepípedo

si el yacimiento es anisotrópico.
Para mejorar la estimación, el volumen de búsqueda alrededor del bloque se puede dividir en sectores
(1 ,4 u 8) y posteriormente se procede a escoger de cada sector un número determinado de las muestras
más cercanas al bloque. La búsqueda por cuadrante (4 sectores) u octantes (8 sectores) permite reducir
el sesgo provocado por la aglomeración de pozos o muestras en ciertas áreas del yacimiento.
Fig. 2.5.2-2. Cuadrantes (4 sectores) y octantes (8 sectores).
2.6.3 EJEMPLO DE LA BÚSQUEDA POR BLOQUES
MAL MUESTREO
Figura A: Si se establece un volumen de búsqueda (global) y un máximo de 8 muestras para estimar el

bloque, entonces se seleccionan las 8 muestras pertenecientes al pozo. F1 que es el más cercano al
centro del bloque. Esto lógicamente no es lo ideal pues se está descartando la información brindada por
el resto de los pozos.
Tema: Page: 7
BUEN MUESTREO
Figura B : Si la búsqueda se realiza por octantes en lugar de un solo sector y se establece un máximo
de una muestra por sector entonces se logra seleccionar las muestras más cercanas de cada uno de los
4 pozos ( 2 muestras por pozos ) lo cual garantiza una mejor representatividad espacian de la selección
realizada.
Fig. 2.5.3-1. Muestra una situación hipotética donde se tienen 4 pozos de exploración con 8 muestras
regularizadas cada uno.
MEDIA ARITMETICA
El método de la media aritmética se basa en lo siguiente: Para estimar la ley media de un conjunto S se
promedian las leyes de los datos que están dentro de S.
Ejemplo: Consideramos el caso de un cuadrado con siete muestras interiores.
FORMULA GENERAL:
𝑁
𝑉
1
𝑍𝑉(𝑋) = ∑ 𝑍𝑖
𝑁
𝐼=1
𝑉
1+1+1+3+2+2+1
𝑍𝑉(𝑋) = = 1.57
7
Tema: Page: 8
Fig. 2.2.1-1. Enmallado de muestras en una dimensión de 100x100 m, tomando muestras en los
centros y vértices de esta.
TENER EN CUENTA
El método de estimación es para nada aplicable dado que deja muchas zonas sin información. Aún más
cuando se trata de estimaciones locales.
METODOS DE LOS POLIGONOS.
El método de los polígonos se basa en lo siguiente: Asignar a cada punto del espacio la ley del dato más
próximo. Para estimar una zona S se ponderan las leyes de los datos por el área (o volumen) de
influencia Si.
FORMULA GENERAL:
𝑁
𝑉
1
𝑍𝑉(𝑋) = ∑ 𝑆𝑖 𝑍𝑖 (𝑆 = 𝑆1 + 𝑆2 + ⋯ + 𝑆𝑁 )
𝑆
𝐼=1
Fig. 2.2.2-1. Toma de leyes de muestras en los centros de los polígonos.
Tema: Page: 9
TENER EN CUENTA:
Difícil de implementar este método en una estimación tridimensional.
En general no es adecuado en estimaciones locales, porque asigna la misma ley a todos los bloques
que están dentro de un mismo polígono.
Produce problemas con datos anómalos.
METODO DEL INVERSO DE LA DISTANCIA
El método del inverso al cuadrado de la distancia (IDS) puede usarse para calcular los
valores de una cuadrícula regular de datos de bloques a partir de datos de muestra espaciados
de forma que se le asigna mayor peso a las muestras cercanas y menos peso a las muestras
alejadas del bloque. Esto se consigue al ponderar las leyes por el inverso a la distancia al cuadrado
1/d2.
FORMULA GENERAL:
𝑍𝑖
∑𝑁
𝑉 𝐷𝑖∝
𝑖=1
𝑍𝑉(𝑋) = , ∝> 0
1
∑𝑁
𝑖=1 𝐷 ∝
𝑖
Fig. 2.3-1. Tabla de distribución de las leyes utilizando el método del inverso de la distancia.
TENER EN CUENTA
Se adapta mejor en estimaciones locales que globales.
Atribuye demasiado peso a las muestras cercanas al peso del bloque. En particular no está definido al
di = 0 (muestra en el centroide de S).
Tema: Page: 10
METODO DEL INVERSO DE LA DISTANCIA
METODO DEL INVERSO DE LA DISTANCIA AL CUADRADO (IDS)
El método del inverso al cuadrado de la distancia (IDS) puede usarse para calcular los valores de una
cuadrícula regular de datos de bloques a partir de datos de muestra espaciados de forma irregular,
usualmente en forma de compuestos de ensayo de agujero de perforación. Los valores compuestos se
ponderan por la inversa del cuadrado de la distancia desde el centro del compuesto hasta el centro del
bloque. La idea básica del método es que las muestras cercanas al centro de un bloque influyen en el
grado del bloque más que las muestras que están más lejos. La ecuación del inverso al cuadrado de la
distancia es:
𝑍𝑖
∑𝑁
𝑖=1
𝐷𝑖2
̅̅̅
𝑍 =
1
∑𝑁
𝑖=1 2
𝐷𝑖
Donde Z es el valor del bloque calculado, Zi es el valor de un composito i, y Di es la distancia desde el

composito i al centro del bloque.
3.1.1 EJEMPLO APLICATIVO : Inverso de la distancia al cuadrado

La siguiente figura muestra un bloque en la posición G rodeado por 6 compositos. El grado de cobre en
%Cu es mostrado al lado del ejemplo, y la distancia del centro del bloque es mostrado a través de las
líneas conectadas.
Figura 3.1 Los valores en azul representan las leyes que se están usando para darle un valor a un
bloque determinado
Tema: Page: 11
Usando la data mostrada en la Figura 3.1, la ley de Cu puede ser calculada como:
La ecuación de Z puede ser reordenada de manera que se calculen los pesos individuales de la muestra
y la calificación promedio calculada usando una ecuación con una forma que se asemeja a la ecuación
básica para un promedio ponderado. El peso (Wi) de cada ejemplo es multiplicado en cada uno y se
obtiene:
Puesto que la suma de los pesos calculados con la ecuación anterior es igual a 1,0,
la calificación promedio también puede calcularse como:
̅̅̅
𝑍 = ∑ 𝑍𝑖 𝑊𝑖
El cálculo del promedio ponderado de los datos de ejemplo anteriores utilizando la ecuación previa de la
distancia inversa modificada se resume en la siguiente tabla.
Tema: Page: 12
Tabla 3.1 Cálculo por el método IDW
El promedio ponderado calculado usando la ecuación de G (como sumatoria) es 0,41% Cu, como
también fue el valor encontrado en el primer ejemplo usando la ecuación de Z (como promedio
ponderado).
VALOR DEL EXPONENTE ALFA:
- Si el valor del exponente alfa aumenta, entonces aumente la influencia de los valores de las
muestras cercanas y disminuye la influencia de los valores de las muestras alejadas.
- Si el valor del exponente alfa disminuye, entonces disminuye los valores de las muestras
cercanas y aumenta la influencia de los valores de las muestras alejadas.
Un exponente igual a dos produce una interpolación intermedia (solución de compromiso).

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 y 1.
METODO DEL INVERSO DE LA DISTANCIA GENERALIZADO
Aunque el exponente utilizado para la ponderación inversa de la distancia se fija generalmente a 2,

(distancia inversa al cuadrado), el método se puede aplicar usando otros exponentes, cambiando así los
pesos relativos de la muestra en función de la distancia.
𝑍𝑖
∑𝑁
𝑉 𝐷𝑖∝
𝑖=1
𝑍𝑉(𝑋) = , ∝> 0
1
∑𝑁
𝑖=1 𝐷 ∝
𝑖
3.3.1 EJEMPLO APLICATIVO : Inverso de la distancia generalizado
Servirán para demostrar que el valor óptimo para el parámetro alfa es igual a dos.
Tenemos un bloque con tres muestras con sus respectivas leyes, la muestra más cercana es la muestra
de ley igual a 0.604.
𝑍(𝑥1 ) = 2% , 𝑑1 = 30𝑚 𝑍(𝑥2 ) = 8% , 𝑑2 = 40𝑚

𝑍(𝑥3 ) = 0.6% , 𝑑3 = 10𝑚
Tema: Page: 13
Fig. 2.8-1. Distribución de las leyes alrededor de una ley central.
Luego tabulamos las leyes medias para los valores de alfa igual a 2, 6 y 0.5
Para α= 2:
1 1 1
30 2 × 2 + 402 × 8 + 102 × 0.6
∗
𝑍𝑉(𝑋) = = 1.127
1 1 1
2 + 2+ 2
30 40 10
Para α= 6:
1 1 1
30 6 × 2 + 406 × 8 + 106 × 0.6
∗
𝑍𝑉(𝑋) = = 0.604
1 1 1
+ +
306 406 106
Para α= 0.5:
1 1 1
30 0.5 × 2 + 400.5 × 8 + 100.5 × 0.6
∗
𝑍𝑉(𝑋) = = 2.77
1 1 1
+ +
300.5 400.5 100.5
Para un mejor análisis tabulamos distintos valores de alfa en una tabla Excel en donde se presenta el
siguiente cuadro y gráfico.
ALFA Z(xi) ALFA Z(xi)
0.1 3.382 2.5 0.893
0.2 3.229 3 0.759
0.3 3.075 3.5 0.685
0.4 2.922 4 0.645
0.5 2.77 4.5 0.624
Tema: Page: 14
0.75 2.402 5 0.613
1 2.063 6 0.604
1.25 1.51 7 0.601
1.5 1.127 8 0.6
2 1.127 9 0.6
2.5 0.893 10 0.6
1.25 1.51 15 0.6
1.5 1.127 20 0.6
2 1.127
Tabla 2.8-1. Distribución de los valores alfa y las leyes en cada punto.
4
3.5
3
2.5
Z (XI)
2
1.5
1
0.5
0
0 5 10 15 20 25
ALFA
Fig. 2.8-2. Distribución de los valores de alfa versus las leyes.
Observamos que la ley media del bloque es de 0.6 que es una ley muy parecida a la ley de la muestra
del centro del bloque.
Con lo que se demuestra que aumentando el valor del alfa obtenemos una ley media de bloque muy
parecida a la muestra más cercana.
Por lo tanto, lo correcto es una interpolación intermedia, considerando alfa igual a 2.
Tema: Page: 15
ESTIMACIÓN DE RESERVAS ASISTIDO POR COMPUTADORAS
Los métodos de estimación de recursos asistido por computadoras se han desarrollado

ampliamente en los últimos años debido al desarrollo vertiginoso que han tenido los
ordenadores y los softwares de aplicación. Los primeros intentos estuvieron dirigidos a
informatizar los métodos clásicos o geométricos (método de los polígonos y de los
perfiles) posteriormente con el desarrollo de la geoestadística aparecieron métodos más
potentes y con una filosofía totalmente diferente de trabajo.
Los métodos asistido por computadoras permiten realizar estimaciones en bloques más
pequeños (estimación bloque a bloque, que idealmente deben ser del tamaño de la unidad
de selección minera) definidos en función del objetivo de la estimación y la densidad de
la red de exploración. En esto radica precisamente la diferencia con los métodos clásicos
o geométricos los cuales, como se conoce, definen el tamaño del bloque sobre la base de
conceptos de área o volumen de influencia que comúnmente son determinados
empíricamente, o también de acuerdo con la disposición de las intersecciones de
exploración. Estos bloques así definidos son de grandes dimensiones y se evalúan
generalizando la variable estudiada a partir de la media aritmética o la media ponderada
según sea el caso.
Los métodos 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. Un esquema simplificado de la
estimación de recursos asistida por computadora se muestra en la figura 4.1. El yacimiento o
la zona mineral definido por la geología se discretiza en una matriz de bloques bidimensional
o tridimensional según el caso y cada bloque se estima utilizando los datos localizados dentro
del área o volumen de búsqueda.
Los métodos de ventanas móviles (inverso de la distancia y kriging) son las técnicas
más empleadas en la estimación de recursos asistida por computadora.
El procedimiento general de los métodos computarizados es el siguiente.
1. Confección de la base de datos con toda la información relevante de la exploración

del yacimiento
2. Análisis exploratorio de datos y variografía
3. Creación del modelo geológico
4. Modelo de recurso - División del yacimiento mineral en una matriz de
bloques regulares –modelo de bloque o capa.
5. Estimación en cada bloque de las variables de interés (contenido, masa volumétrica
Tema: Page: 16
etc.) empleando una técnica de interpolación espacial (funciones de extensión). El

valor estimado de la ley en cada celda se calcula por la siguiente fórmula:
Z*(x) = i=1,n Wi Z (xi) i=
1,2,3,.......n
Dónde: Wi es el peso o coeficiente de ponderación asociada a cada muestra y su
valor depende del método de estimación espacial empleado, n es la cantidad de
muestras seleccionadas para hacer la estimación.
Figura 4.1 Representación bidimensional del caso general de la estimación de recursos asistida
por computadoras (Según Sinclair y Blackwell, 2002)
A continuación se describe detalladamente cada una de estas etapas. Mucho de los
aspectos aquí discutidos para los métodos asistidos por computadoras son igualmente
válidos para los tradicionales o geométricos
Confección de la base de datos
La estimación de recursos/reservas a partir de un número limitado de pozos es una de las

tareas más complejas que enfrenta un geólogo explorador. En la medida que avanza la
exploración y se van recopilando datos relevantes del yacimiento estos se van organizando en
una base de datos. El geólogo debe garantizar la integridad de la misma y tomar las medidas
necesarias
para evitar los errores de trascripción o digitalización.
La precisión y exactitud de la estimación de reservas depende de la confiabilidad de los
datos sobre los cuales se basa y ningún método de estimación, por muy sofisticado que sea,
puede compensar la mala calidad de los datos (Burn, 1981). Queda claro que contar con una
buena base de datos es la garantía de una correcta estimación de reservas. Por esta razón,
desde el mismo comienzo de los trabajos es necesario implementar procedimientos que
garanticen un muestreo representativo y un estricto control sobre la calidad de los resultados
Tema: Page: 17
del laboratorio. La base de datos debe integrar todo tipo de datos incluyendo litología,
documentación, resultados de los análisis, registros de carotaje, datos hidrogeológicos y
geotécnicos.
Los datos de exploración (pozos, galerías, trincheras etc.) generalmente se guarden en 3 o
4 tablas:
 Tabla 1 recoge la posición espacial del pozo y está conformada por los siguientes campos:
Nombre del pozo (DDH;BH), coordenadas X;Y;Z de la boca del pozo (collar), profundidad y
otros datos adicionales como tipo de perforación, año de la campaña etc.
 Tabla 2 recoge los datos de inclinometría que permiten determinar la posición de las
muestras en el espacio. Campos: Nombre del pozo, profundidad de la medición,
azimut y ángulo de inclinación o ángulo cenital
 Tabla 3 recoge los datos referentes a las muestras tomadas (testigos) su descripción
(litología codificada) y los resultados de los análisis químicos. Campos: Nombre del
pozo, desde, hasta, # de la muestra, litología, análisis químicos. Esta tabla en
ocasiones se desdobla en dos, una para los análisis químicos y otra para la litología,
pues la longitud de los intervalos generalmente no coincide.
Una vez que la base de datos ha sido compilada el geólogo debe validarla e identificar y
eliminar todos los posibles errores. La mejor manera de comprobar la integridad de la base
de datos es mostrando la información en perfiles y comparar con el modelo que se tiene del
yacimiento. También se acostumbra a comparar un porcentaje (10%) de los registros con la
información original.
La etapa siguiente tiene como objetivo caracterizar estadísticamente cada una de las
variables estudiadas y cuantificar su variabilidad espacial. Estos aspectos son tratados en
capítulos independientes.
Creación del modelo geológico
La experiencia ha demostrado que el problema principal en la estimación de recursos no está

relacionado directamente con el método de estimación empleado sino con la correcta
aplicación de los principios geológicos. La cuestión medular a resolver antes de la
estimación de recursos propiamente dicha es establecer la continuidad de la mineralización y
la ley dentro del yacimiento. Un muestreo representativo, análisis confiables y una coherente
interpretación geológica son los componentes principales de la estimación de recursos
(Arseneau y Roscoe,
1997)
La interpretación geológica siempre se basa en los datos y en el conocimiento que posee
el geólogo sobre el yacimiento o del modelo de yacimiento que se estudia. Esto conduce
inevitablemente a que los mismos datos sean interpretados de forma diferente por
Tema: Page: 18
distintos especialistas, y por consiguiente resultados diferentes de la estimación de

recursos.
La interpretación geológica tradicionalmente ha descansado en la construcción de planos y
secciones en los cuales se representa la morfología, dimensiones y propiedades del
yacimiento (Popoff, 1966). La interpretación de todos los datos recopilados durante la
exploración se basa en 3 enfoques principales:
 Interpretación basada en perfiles y secciones

 Interpretación basada en planos de isolíneas
 Principio de analogía o inferencia geológica.
En la actualidad aunque el proceso se ha informatizado el procedimiento continúa siendo
el mismo y se basa en los enfoques anteriormente descritos.
En los métodos de estimación asistidos por computadora el conocimiento geológico que
posee el geólogo sobre la continuidad de la estructura y la ley se traduce en la definición de
zonas o dominios geológicos que poseen una forma geométrica única.
Los dominios geológicos no son más que zonas geológicamente y estadísticamente
homogéneas. Lo que realmente se hace cuando se crea el modelo geológico del yacimiento
es subdividir el mismo en subpoblaciones que cumplan o se aproximen a la hipótesis de
estacionaridad. La división del yacimiento en dominios siempre debe basarse en el
conocimiento geológico y el sentido común. Guibal (1997) señala que la selección de los
dominios geológicos debe estar respaldada y validada por la estadística y la variografía.
La definición de los límites o contornos de los dominios geológicos, los cuales determinan
la geometría de los cuerpos y zonas, es el método básico para aplicar control geológico a la
estimación durante la modelación de recursos.
Los límites o contornos de los dominios geológicos se clasifican en difusos o gradacionales y
físicos. En los yacimientos que están definidos por límites físicos, (carbón, yacimientos
sedimentarios, filones de oro etc.), el trazado de los contornos es relativamente fácil, pues
estos coinciden con los planos o contactos geológicos. En el caso de los yacimientos
gradacionales (Cobre porfirico) los límites se definen sobre la base de una ley económica o
cutoff.
Métodos para la definición de los contornos
Existen distintos métodos para correlacionar los límites de los dominios y conformar
las superficies o sólido 3D que define la geometría de la unidad geológica en el
espacio tridimensional.
Tema: Page: 19
4.3.1 Sólidos a partir de los modelos de alambre o wireframe.
El wireframe es la manera más versátil de definir los límites de los dominios geológicos.
Cualquier límite o contorno interpretado en perfiles, planos o directamente en 3D puede
ser combinado para formar el modelo de alambre y finalmente generar el sólido de la
unidad geológica.
Para generar el sólido a través de este método se digitaliza interactivamente en la pantalla de
la computadora los límites o contornos de las unidades geológicas que constituyen el
depósito. La interpretación de cada unidad en los perfiles es representada por un polígono
cerrado que posee una orientación y posición espacial, un código que indica el dominio
geológico que encierra y una potencia o zona de influencia lo que hace que cada perímetro
englobe cierto volumen. Existen herramientas que garantizan que los contornos de unidades
contiguas en un perfil
coincidan, de forma tal que no queden huecos o espacios vacíos en el modelo geológico.
Figura 4.2 Interpretación de los límites de los dominios geológicos a partir de los
datos mostrados en perfiles.
Una vez que el mismo dominio geológico ha sido interpretado en los distintos perfiles
entonces se procede a correlacionar la unidad geológica en perfiles contiguos para lograr una
representación 3D del cuerpo geológico. Los perímetros (contornos) digitalizados se van
uniendo por los puntos de inflexión correspondientes en los perfiles a través de líneas de
enlace (tie lines) hasta completar el wireframe que encierra el volumen geológico 3D. Esta
correlación sección a sección se requiere cuando los contornos son irregulares (bifurcaciones,
fallas, acuñamientos, etc.). Si las unidades geológicas muestran una clara continuidad en 3D
entonces no es necesaria la correlación interactiva y se puede prescindir de las líneas de
enlace, en su lugar se usa un algoritmo de interpolación lineal de los límites en las secciones
Los modelos sólidos creados pueden ser cortados por planos de cualquier orientación
y espaciamiento, esto nos permite corroborar nuestras interpretaciones en otra
dirección cualquiera.
Tema: Page: 20
Figura 4.3 Creación del modelo sólido 3D a partir del perfiles previamente
interpretados.
Como toda la información en los softwares de modelación y estimación de recursos es manejada

en el espacio no es necesario realizar la interpretación de los límites a partir de perfiles y planos,
esta puede hacerse directamente en el espacio 3D.
4.3.2 Sólidos generados partir de superficies (Método de superficies)
Muchas veces es posible confeccionar los sólidos modelando las superficies estructurales
que limitan por encima y por abajo los cuerpos geológicos. Este enfoque puede ser
empleado en yacimientos estratiformes de poca complejidad estructural
Este método se realiza en 3 pasos fundamentales:
 Extracción de los puntos que yacen en las superficies (techo y piso) a partir de
la intercepción de la traza del pozo con los planos estructurales)
 Modelación de las superficies (triangulación o gridding)
 Combinación de las superficies y generación del sólido
Existen 2 variantes de modelación de
superficies: Modelación de superficie por
triangulación
La superficie de contacto se modela usando una red optimizada de triángulos irregulares (TIN)
que conectan los puntos con coordenadas conocidas. La triangulación se realiza en un plano de
referencia que debe ser paralelo a la superficie considerada, el mosaico de triángulos se genera
sobre la base de la coordenadas X; Y mientras que la Z define la topología. Para generar el TIN
se utiliza el método de Delaunay (Voronoi, Thiessen).
Cualquier superficie puede ser modelada (superficie topografica, planos de fallas etc.),
interceptada con el plano del perfil (viewplane) y ser utilizada para controlar la interpretación
geológica. La modelación de estas superficies controladoras es el primer paso en la
modelación geológica en 3D.
Para la triangulación se debe tener el máximo de información posible sobre la superficie a
modelar. Esta información debe estar libre de errores o inconsistencias como pueden ser
Tema: Page: 21
puntos con las mismas coordenadas, curvas de nivel que se corten (strings) o puntos que no
residan en la superficie.
El método de triangulación no suaviza y respeta la información original, aspecto muy
importante cuando la Z del punto se conoce con bastante certidumbre (superficie topográfica,
planos de falla), puede ser aplicado a superficies de cualquier orientación (horizontal,
inclinada o vertical), da la posibilidad de representar las discontinuidades (breaklines) y no
genera superficie más allá de los puntos extremos.
Modelación de superficie por interpolación (malla –gridding)
Representa la superficie como un malla o matriz bidimensional (formato RASTER) y
requiere la interpolación de la cota en los nodos de la red. El método tiene el inconveniente
que la representación es solo en el plano horizontal, lo que limita su uso para modelar
superficies inclinadas, además suaviza los datos originales al tener que interpolar. Para
generar la malla se utilizan diferentes técnicas de interpolación espacial (inverso de la
distancia, kriging, vecino más cercano, etc.).
La combinación de las superficies controladoras permite el sólido que representa el
dominio geológico estudiado.
Modelo de recursos
Una vez obtenido el modelo geológico entonces resta establecer la variación espacial de las
distintas variables de interés (leyes), además de determinar los recursos, ley media y
cantidad de metal en cada dominio geológico y en el yacimiento en general.
Método de bloques
El método más usado en la modelación de recursos consiste en la discretización del espacio

3D en bloques o celdas tridimensionales (voxels) (fig.4.5). 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.
Tema: Page: 22
Figura 4.4 Modelo de

bloque
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.
Para definir el modelo de bloque 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)
 Dimensiones de las celdas o bloques por la X, Y y Z.
 Orientación del modelo definido (ángulo de inclinación y el 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. También se pueden utilizar voxels con tamaños variables en distintas partes del
depósito (Ej. Zonas con diferente grado de estudio o continuidad espacial). 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.
Tema: Page: 23
Figura 4.5 Parámetros que definen el modelo de bloque: Posición del bloque llave (Xmorg,
Ymorg, Zmorg), dimensiones del bloque (dx, dy, dz), extensión del modelo (X (nx), Y (ny), Z
(nz).
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.
Este enfoque teórico en muchos casos no es práctico desde el punto de vista técnico
(demasiados subbloques para poder respetar los límites del modelo geológico y lograr una
buena precisión en el cálculo del volumen, distintas redes de exploración etc.) y
generalmente se prefiere examinar el yacimiento en unidades de selección más pequeñas. Por
esta razón se asume la siguiente regla ampliamente manejada en la literatura: el tamaño del
bloque puede ser tan grande como el espaciamiento medio de la red y no debe ser menor a ¼
o 1/3 del espaciamiento de esta (Houlding, 1994; Duke et. al., 1991).
Tema: Page: 24
La determinación de las dimensiones óptimas del bloque depende principalmente de:
 Variabilidad de las leyes.

 Continuidad geológica de la mineralización.
 Tamaño de las muestras y espaciamientos entre ellas.
 Capacidades de los equipos mineros.
 Taludes de diseño de la explotación.
Modelo de capa
Aunque el modelo de bloques es el más empleado en la práctica este es más apropiado para
depósitos de forma isométrica. Para yacimientos relativamente planos como pueden ser los
yacimientos estratiformes y tabulares, es preferible estimar las reservas en 2D, para lo cual
se proyecta el cuerpo en un plano, se contornea y delimitan los dominios geológicos, se
superpone una matriz de bloque 2d y finalmente se estima en cada bloque las variables de
interés empleando el método de inverso de la distancia o kriging. Un procedimiento similar
a
este fue explicado en el método de isolineas en el capítulo referente a los métodos clásicos,
con la diferencia de que en este caso se emplea un método más sofisticado para la
interpolación espacial de las variables de interés.
Otra variante para este tipo de yacimiento es continuar trabajando en 3D y emplear un
modelo de capa o de lámina, el cual es muy similar al modelo de bloque pero la Z de los
bloques es variable y depende de la altura ente el piso y el techo del cuerpo.
Se emplea en yacimientos donde su extensión horizontal es mucho mayor que su dimensión
transversal (espesor) y donde la variación de la ley en esa dimensión es despreciable o no
se puede determinar (Filones, vetas, yacimientos lateríticos y aluviales).
Al igual que en el caso anterior hay que definir la posición del modelo, su extensión,
dimensiones de las celdas (X, Y) y las variables a almacenar. La altura de la celda se define
por la diferencia de las cotas (Z) de las superficies trianguladas que definen el la unidad
geológica.
Una vez definido el modelo de bloque que ocupa toda la región de interés entonces se procede
a estimar la variación espacial de las distintas variables definidas en el modelo, para lo cual
se usa una amplia gama de técnicas de interpolación que serán discutidas a continuación.
Tema: Page: 25
Figura 4.6 Ejemplo ilustrativo de un modelo compuesto por bloques finalizado
GEOLOGIA DEL PROYECTO ANTAPACAY
Geología del deposito
5.1.1 3.1.1 Ubicación
El proyecto Antapaccay se ubica en la Comunidad Campesina de Alto Huarca, Distrito de

Yauli, Provincia de Espinar, Región Cusco al Sur del Perú, a aproximadamente256 Km al
SE de la ciudad de Cusco y 265 Km al NE de la ciudad de Arequipa, a 10 Km., en línea
recta hacia el suroeste de la Mina Tintaya.
Las coordenadas UTM del centro del proyecto son 244027E y 8346076N (Chancadora
Primaria) en el sistema de coordenadas WGS 84 – UTM19S y el rango de elevación es
de 3800 a 4050 m.s.n.m.
Antapaccay está en terrenos de propiedad de Xstrata Tintaya que comprenden 9,393
Hectáreas de extensión.
Tema: Page: 26
Figura 6.1 Plano de Ubicación y Accesibilidad del Proyecto Antapaccay.
Tema: Page: 27
5.1.2 3.1.2 geologia del deposito
El Proyecto Antapaccay corresponde a un depósito tipo pórfido de Cu, con valores

marginales de Ag y Au, la mineralización de cobre se encuentra diseminada y en venillas
hospedada en monzonitas y diorita; Al contacto con las rocas sedimentarias cretácicas
calcáreas formaron cuerpos irregulares de skarn, y stockwork en hornfels y cuarcitas
conteniendo valores de cobre, pero estos representan un componente menor de todos los
recursos.
Se han diferenciado dos sectores denominados:
 Antapaccay Norte con 300 x400 m. ligeramente elongado en dirección NW-SE.

 Antapaccay Sur siendo el más extenso con 1,300 x 250 a 430 m en dirección NW-
SE.
Los afloramientos en el área del Proyecto son limitados a algunos de caliza y mármol al
NW y SE; así como afloramientos de intrusivos dacíticos en el área de Atalaya. Muchas
de las descripciones litológicas fueron hechas de muestras de perforación.
Litología
En el área local el 94% aproximadamente está cubierta por depósitos cuaternarios, tanto morrénicos y
aluviales como de la Formación Yauri. (Ver Figura 6.2).
Simplificando se trata de una elongación del pórfido de monzonita cortado por diauqe post mineral;
estos en contacto al Este y Oeste forman cuerpos discontinuos de skarn de granate y piroxeno, en este
mismo alineamiento se tiene cuerpos irregulares y elongados de magnetita que acompañan a los
cuerpos de skarn.
Todo este escenario está cubierto por gravas, morrenas o depósitos de la formación
Yauri, siendo esta última de composición muy variable que va desde arcillas, arcillas
calcáreas hasta calizas impuras, en general depósitos lacustrinos que tiene poca relación
con la mineralización, (Ver Figura 6.2).
Los diferentes tipos de intrusivos intra y post mineral se describirán en el acápite

correspondiente con mayor detalle.
Tema: Page: 28
PLANO GEOLOGICO DE ANTAPACCAY
AREA DE ESTUDIO
Figura 6.2 Geología del Proyecto Antapaccay
Tema: Page: 29
VALIDACIÓN CRUZADA
Evaluación de Modelos
La propiedad de generalización de un modelo de aprendizaje estadístico se refiere a

su capacidad de predicción en nuevas observaciones que sean independientes de las que
sirvieron para ajustar el modelo.
Figura 5.1 La media aritmética representa a los datos pero realiza pronósticos correctos
para nuevos datos
La evaluación de este rendimiento es extremadamente importante en la práctica, ya es un

factor fundamental para la elección del método/modelo de aprendizaje, y nos da una medida
de la calidad del modelo que haya sido elegido.
Figura 4.2 Con línea roja se muestra un modelo lineal que representa mejor a los datos que
la media aritmética
Tema: Page: 30
Error del modelo
Recordemos que en el marco de referencia del aprendizaje estadístico asumimos que

la variable respuesta es resultado de agregar un ruido Є a una función f (X) de las
variables predictivas.
Figura 4.3 Muestra los errores del modelo
La función de pérdida para medir el error entre Y y f (X), es denotada por L (Y, ˆf (X)),
comúnmente medido a través del error cuadrático (Y − ˆf (X))2 o del error absoluto |Y − ˆf
(X)| El Error de Ajuste (o error de entrenamiento), se refiere al error observado para el
conjunto
de datos, Ƭ, con los cuales se realizó el ajuste del modelo.
Tema: Page: 31
Figura 4.4 Muestra los errores de todos los datos que se usan para hacer el error de ajuste
El Error de Predicción se refiere al error que se observaría para un nuevo conjunto de

datos con el modelo especificado, dado el ajuste realizado con los datos Ƭ.
Figura 4.5 Muestra los errores para nuevos datos usando el mismo modelo
Tema: Page: 32
El Error de Predicción Esperado es que se observaría para un nuevo conjunto de datos con
el modelo especificado.
Figura 4.6 Muestra los errores para futuros nuevos

datos
Relación entre el error de ajuste y el error de predicción
Tema: Page: 33
Figura 4.7 Muestra el comportamiento de los errores de ajuste (rojo) y de predicción (azul)
en función de la complejidad (flexibilidad) del modelo.
Las líneas claras muestran los errores para 100 diferentes subconjuntos de datos Ƭ
seleccionados aleatoriamente, las líneas gruesas muestran los errores esperados.
Estamos interesados en conocer el Error de Predicción Esperado como la mejor medida

para evaluar el desempeño de nuestro modelo.
Como se observó en la figura, el error de ajuste es una mala aproximación del error
de predicción, subestimándolo considerablemente.
6.2.1 Medidas de error de ajuste
Algunas medidas clásicas para evaluar el ajuste del modelo al conjunto de datos de
entrenamiento, Ƭ, consisten en la suma o el promedio de los errores resultantes de
las observaciones utilizadas en el ajuste.
Sin embargo, estas medidas tradicionales no consideran el grado de generalización del modelo,
ni tampoco penalizan modelos más complejos para ser comparados de forma justa con modelos
simples y eficientes.
6.2.2 Medidas de error de predicción
Tema: Page: 34
Nos interesa para estimar el Error de Predicción Esperado asociado con el ajuste de
método particular de aprendizaje estadístico sobre un conjunto de observaciones.
El enfoque por conjunto de validación es una estrategia muy simple para esta tarea. Consiste
en dividir aleatoriamente el conjunto de observaciones disponibles en dos partes:
1. Un conjunto de entrenamiento
2. Un conjunto de validación
Figura 4.8 En azul, los datos de entrenamiento y en rojo los datos de validación.
El modelo es ajustado en el conjunto de entrenamiento, y se utiliza para predecir las

respuestas a las observaciones en el conjunto de validación.
La tasa de error resultante para el conjunto de validación (normalmente MSE, para
respuestas cuantitativas) proporciona una estimación del Error de Predicción Esperado.
Se muestra la aplicación de este método, ajustando una transformación polinomial de

horsepower para pronosticar mpg.
Figura 4.9 El error vs grado del polinomio de diferentes modelos para un grupo de datos
que fueron separados en conjunto
Tema: Page: 35
Las líneas muestran una estimación del Error de Predicción cuando se ajusta un polinomio
de grado d. Es posible observar que uno de grado d = 2 mejora significativamente el
modelo comparado contra uno d grado d = 1, pero la ganancia con uno de grado d = 3 es
marginal.
Si bien este método nos ayudaría a seleccionar el modelo, existen algunos problemas:
 Las estimaciones del error de predicción son muy variables, pues dependen de la
división de los datos para ambos conjuntos, tanto en número de datos elegido, como
las observaciones asociadas.
 El error estimado esta sesgado, pues no utiliza la totalidad de los datos disponibles
para ajustar el modelo, sobreestimando el error, pues el modelo tiene menos
información para su ajuste.
Método de Validación cruzada
Ante este problema, el Método de Validación Cruzada utiliza una solución similar para la
evaluación del modelo, pero obteniendo un error de pronóstico para todas las observaciones
disponibles, ajustando iterativamente el modelo para diferentes combinaciones en la
selección de los conjuntos de entrenamiento y de prueba.
Probablemente, es método más simple y ampliamente utilizado para estimar el error de
predicción. Este método estima directamente el error esperado de una muestra extra Err = E
[L (Y, f (X))], el error de generalización promedio cuando el método f (X) se aplica a una
muestra de ensayo independiente de la distribución conjunta de X e Y.
Método de Validación Cruzada con una observación fuera (LOOCV)

La primera alternativa (Leave-One-Out Cross-Validation) considera una sola observación
(x1, y1) como el conjunto de prueba, dejándola fuera del ajuste del modelo, y prediciendo su
valor utilizando el modelo ajustado.
Figura 4.10 Se toman conjuntos dejando un dato

fuera.
Tema: Page: 36
Este proceso se repite con todas las observaciones (x1, y1), ..., (xn, yn), y se promedian
los errores obtenidos para cada una.
En comparación con el enfoque anterior, LOOCV representa una mejor opción, pues la
estimación del error de predicción no está sesgada ya que utiliza casi todas las observaciones
(n
− 1) para el ajuste del modelo.
Figura 4.11 Muestra la aplicación de este

método.
Desafortunadamente la implementación de este puede llegar a ser computacionalmente muy

costosa, pues es necesario ajustar n modelos diferentes, y es posible que cada uno de ellos
sea tardado.
En el caso de modelos lineales o transformaciones polinomiales esto se puede evitar,
reduciéndose a únicamente ajustar un solo modelo! considerando la siguiente
formula:
Donde hi es el apalancamiento de la observación i que fue revisado en clases anteriores

(mide la influencia de una observación en el modelo, se encuentra entre 1/n y 1).
Tema: Page: 37
Método de Validación Cruzada con K sub-muestras (K-fold)

Una alternativa al LOOCV es considerar subconjuntos de prueba de mayor tamaño, y
proceder de forma similar para obtener una estimación del error de predicción para cada
observación disponible.
Esto se logra dividiendo las observaciones en K submuestras aleatorias de tamaño
aproximadamente igual ajustando el modelo con K − 1 de éstas, prediciendo la restante,
y repetir el proceso K veces.
Figura 4.12 Se toman datos dejando un pequeño conjunto fuera.
La siguiente figura muestra la aplicación de este método utilizando K=10, para

diferentes submuestras seleccionadas de manera aleatoria.
Figura 4.13 Grafica usando el valor de K=10
Tema: Page: 38
Es posible observar que la estimación del Error de Predicción no muestra tanta variabilidad
como el enfoque del Conjunto de Validación, y además es muy parecido al LOOCV.
Adicionalmente, es posible demostrar que la evaluación por K-fold tiene menos varianza, a
costo de más sesgo, cuando se compara con LOOCV. Pero en términos generales
superándolo en el agregado.
En la práctica se recomienda utilizar particiones aleatorias con K = 5 o K = 10
Validación cruzada Aplicada a nuestro caso
Consiste en la estimación de muestras de valores conocidos rodeados por otras muestras,

y comparar la estimación con los valores conocidos.
La esperanza es que se puedan extraer algunas conclusiones de la calidad de las

estimaciones para comparar:
 Diferentes métodos de estimación
 Diferentes parámetros de estimación
Figura 4.14 Validación

cruzada
Histograma de residuales
Los resultados son divididos entre el kriging STDV σOK
 Estandarización debido a que el residual es “0”.
Distribución:
Tema: Page: 39
Cumple si: la distribución del error es normal, la estimación es imparcial, σOK refleja la
precisión de la estimación.
Figura 4.15 Histograma de residuales
 La distribución es +/- simétrica alrededor de 0 (pero no normal)

 STDV> 1 indica que la varianza de kriging es ligeramente baja
 No se utiliza mucho porque no estamos haciendo afirmaciones de precisión sobre
las estimaciones de bloques individuales.
Tema: Page: 40
Figura 4.16 Mapa de

residuales
 Usa los símbolos “+/-“para denotar una sobre o subestimación.

 Se espera tener una razonable mezcla entre “+” y “-“.
Aspectos importantes
 Los resultados son a menudo erráticos, la dificultad para sacar conclusiones
 Los clústeres pueden confundir la imagen
o Se puede contrarrestar usando pesos desunidos.
 Los valores atípicos pueden confundir la imagen
o Puede resultar en sesgo aparente en el promedio residual
o Si se sospecha, quite o recorte y repita la validación cruzada
Las comparaciones sólo están disponibles cuando no se necesitan
estimaciones
CONCLUSIONES
- Este método sirve para realizar estimaciones locales y consiste en ponderar las muestras
cercanas al punto a estimar por el inverso de la distancia elevado a alguna potencia.
Tema: Page: 41
- Este método no es aconsejable en yacimientos con límites de mineralización muy definidos y

con caídas de leyes importantes, pues suele producir mayores tonelajes y menores leyes, lo que
puede comprometer seriamente a los estudios de viabilidad económica del proyecto.
- Debido al comportamiento exponencial que sufre la estimación a la variación del parámetro alfa,
la estimación presenta un límite conforme se aumenta el valor del alfa.
- Mientras más se valore el parámetro alfa, es decir se le dé más importancia a la distancia, la

estimación tendrá un límite, en nuestro caso (ejemplo 1) la ley estimada limite será de 0.6, debido
a que esta muestra con dicha ley es la más cercana al centroide del bloque S. Comprobamos lo
que se mencionó al principio de este método: Atribuye demasiado peso a las muestras cercanas
al centroide de gravedad.
FLUJO DE TRABAJO REALIZADO CON EL SOFTWARE MINESIGHT 3D

9.5 Y LEAPFROG GEO 4.0
Análisis y limpieza de la data
Para percibir este errores se dio uso al software Leapfrog Geo 4.0 quien permite una interacción
directa para corregir los errores. Sin este paso en el proceso, no tendríamos un resultado confiable,
ahí la importancia del análisis previo de la data.
Fig.8.1. Ubicación de los pozos en la geología y en la columna de la izquierda

superior, se señala en forma de un aspa rojo, los datos cargados, Survey y AssayP
los cuales presentan errores.
}
Tema: Page: 42
- Data Collar y Survey

En Survey se tiene muchos más pozos que los señalados en Collar. Solución es borrar estos
pozos de más.
- Data Collar y Assay
La profundidad máxima en pozo:
AC-108, según Collar es aproximadamente 700 m.
AC-108, según Assay es aproximadamente 1700 m pero también hay valores de profundidad
que se solapan o se repitan con lo señalado por Collar. Solución eliminar los valores de mayor
profundidad que Collar no señala.
AC-108A , presenta valores de profundidad mayores a los señalados por Collar. Solución
borrar estos valores.
Resumen
- Se inicio
255 filas en el archivo collar, es decir 255 pozos.

16238 filas en el archivo Assay, es decir 15280 ensayos o intervalos de muestreo.
- Se finalizo con
255 filas en el archivo collar, es decir 255 pozos.

15280 filas en el archivo Assay, es decir 15280 ensayos o intervalos de muestreo.
Además el cabezal del archivo Assay se repetía varias veces, perjudicando y cruzando datos.
Aplicación de la validación cruzada para la obtención del valor alfa óptimo.
Para ello tendremos que cargar la data que disponemos en Minesight y estando ello terminado,
procederemos a aplicar la herramienta “point validation”, la cual suele ser usada en kriging pero no en
IDW.
8.2.1 Flujo de pasos llevados acabo
1.- Creación de un PCF (“Project Control File”)
- Define las características y los límites del proyecto.
- Es el archivo gobernante dentro de MineSight 3D 9.5
- Define las características y los límites del proyecto.
- Es inicializado sólo una vez al principio del proyecto.
Tema: Page: 43
Fig.8.2. Los límites son establecidos en base los datos de Collar.
2.- CONCSA
“Convert Collar, Survey, Assay Files” . Es un programa de conversión de datos de taladro incluido con
MineSight, este programa tomará los siguientes archivos:
 Collar.csv: Coordenadas de collar de taladro
 Survey.csv: Datos topográficos a lo largo del hoyo
 Assay.csv: Datos de intervalo de ensaye
 Geo.csv: Datos de intervalo geológico.
En nuestro caso, solo usaremos los 3 primeros.
Tema: Page: 44
Tema: Page: 45
Cargando la información de los taladros en archivos. Iniciando los Archivos 11 y 12

El Archivo 11, que contendrá los datos de ensaye de taladro, y el Archivo 12, que contendrá los datos
topográficos de collar y la profundidad y desviación de los taladros. Antes de que estos archivos sean
usados, deben ser configurados con los ítems que contendrán.
Compositar. Archivos 8 y 9
El archivo 9 es el archivo de compósito sin ordenar, creado desde el archivo de ensaye. El archivo 8 es
el archivo de compósitos ordenados. Los compósitos proveen una base minera para el modelado,
reducen la cantidad de datos usados y proveen soporte uniforme para la geoestadística.
En nuestro caso compositamos los taladro cada 10 metros.
Despliegue de los taladros en MS3D
Tema: Page: 46
Aplicación del proceso point validation para IDW

Se utilizó la herramienta point validation (p52401), seleccionamos el archivo del compósito 9.
Escogemos el elemento, en nuestro caso Cu, el cual vamos a comparar con respecto a un dominio que
establecemos, es decir en nuestro caso, 85,70, 70, 2 y 12. Este procedimiento compara siempre con el
kriging y es el motivo por el que solicita un variograma, sin embargo nosotros solo nos centraremos al
IDW con valores de alfa que iremos tanteando y para este método el variograma no es necesario.
Tema: Page: 47
Si bien es opcional, es necesario pues sin este valor, Minesight no arrojaba una tabla de resultados, por
ello se tuvo que crear un variograma con el proceso p30302, en donde este afectaría la comparación del
kriging con el valor real en el punto, pero a nosotros nos interesa la comparación del valor real con el
valor estimado por el IDW.
En el siguiente panel se elige el exponente que usará el IDW para la interpolación. Se elije las potencias:
1, 2, 3, 4 y 5, las cuales se colocan en los espacios en blanco y a cada una se le anota un código los
cuales son (1), (2), (3), (4) y (5). Finalmente elegimos la potencia del IDW a través del código que tiene
establecido, con el cual se hace el análisis de la data. Se hizo esto para cada una de las potencias y
demás, buscando obtener el valor más alto de coeficiente de correlación. Se generarán reportes para
cada caso aplicado.
Tema: Page: 48
REPORTES DE ALFA Y SU CORRESPONDIENTE COEFICIENTE DE

CORRELACIÓN
Reporte para alfa =1 Reporte para alfa =2
Tema: Page: 49
Tema: Page: 50
Reporte para alfa =7

Reporte para alfa =8
Reporte para alfa =9 Reporte para alfa =9.6
Tema: Page: 51
Reporte para alfa =9.7 Reporte para alfa =9.8
Tema: Page: 52
Tema: Page: 53
En resumen obtendremos la siguiente tabla.
Coeficiente Valor de
de correlación alfa
0.6102 1
0.6652 2
0.6904 3
0.6977 4
0.7018 5
0.7046 6
0.7057 7
0.705 8
0.7041 9
0.705 9.5
0.705 9.6
0.7064 9.7
0.7063 9.8
0.7062 10
0.7056 11
0.7056 12
0.7056 13
0.7048 14
0.7048 15
Alfa vs Coeficiente correlación

0.72
0.7
0.68
0.66
0.64
0.62
0.6
0 2 4 6 8 10 12 14 16
Diagrama resumen del valor de alfa y el coeficiente de correlación.
Tema: Page: 54
RESULTADOS FINALES
El valor alfa según los resultados a través de la validación cruzada y que presenta un
coeficiente de correlación más alto, es el valor de 9.7, sin embargo el uso de un valor numérico
tan alto no es usual en la práctica. Los valores de alfa más usuales varían de 3 a 5 (O. Vargas,
2017), siendo así el valor recomendado de alfa, el valor 5.
0.7018 5
0.7064 9.7
Tema: Page: 55
RECOMENDACIONES
- IDW es una técnica de suavizado y no es recomendable para yacimiento con limites muy
definidos (paso de mineralización a estériles neto), pues produce tonelajes y menores leyes,
pudiendo comprometer los estudios de viabilidad, por lo cual el método brinda mejores
resultados en aquellos yacimientos en los que la ley varia de forma gradual (yacimientos de
cobre porfíritico, yacimientos de calizas, etc.)
- La principal crítica que se le hace a esta técnica de interpolación espacial es que da los mismos
resultados independientemente del tamaño de bloque que se desea estimar (Annels, 1991). Esto
es debido a que realmente se estima el centro del bloque (estimador puntual). Para revertir este
problema Yamamoto (1992) propone dividir los bloques en sub-bloques, estimar puntualmente
cada uno de ellos por el método del inverso de la distancia y posteriormente combinar los
estimados parciales para calcular el valor medio del bloque. Esto es un procedimiento muy
similar al empleado por el Kriging de bloque.
- Se debe destacar que todas las modificaciones introducidas al método para que pueda
considerar la anisotropía de la mineralización, la posibilidad de emplear búsqueda por sectores
la cual permite desagrupar las muestras y la variante de estimar directamente la ley del bloque
hacen que los resultados obtenidos por este método se aproximen mucho a los brindados por
los métodos geoestadísticos.
- En resumen el método es muy potente y se utiliza ampliamente en la práctica de la estimación

de los recursos en sustitución de los métodos geoestadísticos cuando no es posible obtener
modelos matemáticos que describan la variabilidad espacial de la mineralización en el
yacimiento.
Tema: Page: 56
REFERENCIAS BIBLIOGRÁFICAS Y WEBGRAFIA
Orche E. (1999). Manual de evaluación de yacimientos minerales (pp. 224 - 225). Madrid: Móstoles.
Elmidio Estévez Cruz

Apuntes sobre estimación de recursos y reservas.
Recuperado de: www.monografias.com
Edy Espinoza Idrogo (2017)

ESTIMACIÓN DE RESERVAS. Método Inverso a la distancia.
Recuperado de: https://www.youtube.com/watch?v=ccW7YwFMM_w
Jimmy D. Almeyda Atúncar-Universidad Nacional de Ingeniería (2015)

Estimación de Recursos: Método del Inverso de la Distancia
Recuperado de: www.scribd.com
ROBERTO P. et al
Análisis comparativo de cinco métodos para la estimación de precipitaciones areales anuales en
períodos extremos).
Recuperado de:
http://www.scielo.cl/scielo.php?pid=S0717-92002003000300003&script=sci_arttext&tlng=en
Tema: Page: 57

Antapaccay 2017 II

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Antapaccay 2017 II

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA GEOLÓGICA MINERA Y METALÚRGICA

ESCUELA PROFESIONAL DE GEOLOGÍA

Geología Minera (GE-801)

CÁLCULO DE ALFA USANDO VALIDACIÓN CRUZADA EN EL MÉTODO

 Pillaca Rojas Diego Codigo:20122665A

 Medina Perez, Milagros Código: 20127047D

 Rojas Iruri , Dario Código: 20137045D

Docente: Ing. Jorge H. Paredes Angeles.

A nuestro Docente y Compañeros de Promoción.

Queremos manifestar nuestro agradecimiento a la Escuela de Geología, y a la Biblioteca, por

ESTIMACIÓN DE RESERVAS ASISTIDO POR COMPUTADORAS ....................................... 16

geologia del proyecto antapacay ............................................................................................ 26

VALIDACIÓN CRUZADA .......................................................................................................... 30

REPORTES DE ALFA Y SU CORRESPONDIENTE COEFICIENTE DE

Fig. 2.8-2. Distribución de los valores de alfa versus las leyes.

El propósito de la estimación de recursos minerales / reservas es principalmente ayudar a determinar si

Estudiar y entrenarnos el método del inverso a la distancia para la estimación de recursos

En estadística la interpolación es usada para estimar valores desconocidos a partir

El recurso mineral es la concentración natural in situ o la ocurrencia de mineralización

El cálculo de los “Composites” de un hoyo perforado implica el cálculo de muestras a

Figura. El calculo de composities de banco

Si se encuentran assay indefinidos, se ignoran. Por ejemplo, si el último assay en este

AREA O VECINDAD DE BUSQUEDA

2.6.1 AREA DE BUSQUEDA BIDIMENSIONAL (2D):

Se emplea cuando la mineralización en el yacimiento se considera ISOTRÓPICA (cuando la variabilidad

Si la mineralización es ANISOTRÓPICA entonces se utiliza una vecindad de búsqueda elíptica. La elipse

2.6.2 AREA DE BUSQUEDA TRIDIMENSIONAL (3D):

Si la estimación de recursos se realiza en el espacio 3D entonces para la selección de las muestras se

Fig. 2.5.2-1. Búsqueda tridimensional: esfera si el yacimiento es isotrópico (izquierda). Paralelepípedo

Fig. 2.5.2-2. Cuadrantes (4 sectores) y octantes (8 sectores).

2.6.3 EJEMPLO DE LA BÚSQUEDA POR BLOQUES

Figura A: Si se establece un volumen de búsqueda (global) y un máximo de 8 muestras para estimar el

METODOS DE LOS POLIGONOS.

Fig. 2.2.2-1. Toma de leyes de muestras en los centros de los polígonos.

METODO DEL INVERSO DE LA DISTANCIA

METODO DEL INVERSO DE LA DISTANCIA

METODO DEL INVERSO DE LA DISTANCIA AL CUADRADO (IDS)

Donde Z es el valor del bloque calculado, Zi es el valor de un composito i, y Di es la distancia desde el

3.1.1 EJEMPLO APLICATIVO : Inverso de la distancia al cuadrado

Tabla 3.1 Cálculo por el método IDW

VALOR DEL EXPONENTE ALFA:

Un exponente igual a dos produce una interpolación intermedia (solución de compromiso).

METODO DEL INVERSO DE LA DISTANCIA GENERALIZADO

Aunque el exponente utilizado para la ponderación inversa de la distancia se fija generalmente a 2,

3.3.1 EJEMPLO APLICATIVO : Inverso de la distancia generalizado

𝑍(𝑥1 ) = 2% , 𝑑1 = 30𝑚 𝑍(𝑥2 ) = 8% , 𝑑2 = 40𝑚

Fig. 2.8-1. Distribución de las leyes alrededor de una ley central.

ALFA Z(xi) ALFA Z(xi)

0.1 3.382 2.5 0.893

0.2 3.229 3 0.759

0.3 3.075 3.5 0.685

0.4 2.922 4 0.645

0.5 2.77 4.5 0.624

0.75 2.402 5 0.613

1.25 1.51 7 0.601

1.5 1.127 8 0.6

2.5 0.893 10 0.6

1.25 1.51 15 0.6

1.5 1.127 20 0.6

Fig. 2.8-2. Distribución de los valores de alfa versus las leyes.

ESTIMACIÓN DE RESERVAS ASISTIDO POR COMPUTADORAS

Los métodos de estimación de recursos asistido por computadoras se han desarrollado

1. Confección de la base de datos con toda la información relevante de la exploración